Ứng dụng trí tuệ nhân tạo trên thị trường chứng khoán quốc tế: Thực trạng và bài học cho Việt Nam

Chia sẻ: Dạ Thiên Lăng | Ngày: | Loại File: PDF | Số trang:9

Thêm vào BST

Báo xấu

4
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết "Ứng dụng trí tuệ nhân tạo trên thị trường chứng khoán quốc tế: Thực trạng và bài học cho Việt Nam" nghiên cứu thực trạng ứng dụng trí tuệ nhân tạo (AI) trong lĩnh vực chứng khoán trên thế giới. Các nghiên cứu gần đây cho thấy AI ngày càng có tác động lớn đến hoạt động của con người trên tất cả các khía cạnh. Trên thị trường chứng khoán, các ứng dụng phổ biến của trí tuệ nhân tạo trên thị trường chứng khoán bao gồm: Giao dịch thuật toán (Algorithm trading); Tối ưu hóa danh mục đầu tư (Portfolio optimization); Dự báo biến động của thị trường chứng khoán (Stock market prediction); Phân tích cảm xúc (Sentiment analysis); và Dịch vụ khách hàng (Customer service). Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Ứng dụng trí tuệ nhân tạo trên thị trường chứng khoán quốc tế: Thực trạng và bài học cho Việt Nam

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRÊN THỊ TRƯỜNG CHỨNG KHOÁN QUỐC TẾ: THỰC TRẠNG VÀ BÀI HỌC CHO VIỆT NAM ThS. Nguyễn Ngọc Trâm1, TS. Vũ Thị Thúy Vân2 Tóm tắt: Bài viết nghiên cứu thực trạng ứng dụng trí tuệ nhân tạo (AI) trong lĩnh vực chứng khoán trên thế giới. Các nghiên cứu gần đây cho thấy AI ngày càng có tác động lớn đến hoạt động của con người trên tất cả các khía cạnh. Trên thị trường chứng khoán, các ứng dụng phổ biến của trí tuệ nhân tạo trên thị trường chứng khoán bao gồm: Giao dịch thuật toán (Algorithm trading); Tối ưu hóa danh mục đầu tư (Portfolio optimization); Dự báo biến động của thị trường chứng khoán (Stock market prediction); Phân tích cảm xúc (Sentiment analysis); và Dịch vụ khách hàng (Customer service). Bên cạnh những đặc điểm tích cực, việc ứng dụng AI cũng là một thách thức không nhỏ đối với các thành viên tham gia thị trường. Đồng thời, các nhà quản lý cũng cần có những khuyến nghị và giải pháp phù hợp nhằm đảm bảo tính hiệu quả của thị trường trong bối cảnh công nghệ ngày càng có ảnh hưởng lớn đến quyết định đầu tư. Từ khóa: Dự báo biến động, Giao dịch thuật toán, Thị trường chứng khoán, Trí tuệ nhân tạo. 1. ĐẶT VẤN ĐỀ Thuật ngữ Trí tuệ nhân tạo, lần đầu tiên được đặt ra bởi nhà khoa học dữ liệu John McCarthy5 vào năm 1956, được định nghĩa là “khoa học và kỹ thuật chế tạo máy móc thông minh”, hay đơn giản là nghiên cứu các phương pháp làm cho máy tính bắt chước các quyết định của con người để giải quyết vấn đề. AI bao gồm các nhiệm vụ như học tập, lý luận, lập kế hoạch, nhận thức, hiểu ngôn ngữ và robot. AI trong ngành dịch vụ tài chính vẫn còn ở giai đoạn sơ khai và sẵn sàng trở nên phổ biến hơn, và cùng với đó sẽ là những thách thức về pháp lý, đạo đức, kinh tế và quy định. Bắt đầu từ những năm 1990 với việc giới thiệu các phương pháp tính toán trong tài chính, nhiều nghiên cứu đã tập trung vào việc áp dụng Trí tuệ nhân tạo (AI - Artificial Intelligence)) vào các khoản đầu tư tài chính trên thị trường chứng khoán. Ưu điểm chính của việc sử dụng các phương pháp tính toán để tự động hóa quy trình đầu tư tài chính bao gồm loại bỏ ‘’sự phi lý nhất thời’’ hoặc các quyết định được đưa ra dựa trên cảm xúc, khả năng nhận biết và khám phá các mẫu do con người xem xét và tiêu thụ thông tin ngay lập tức trong thực tế. Gần đây, trong lĩnh vực tài chính, việc sử dụng và nghiên cứu các kỹ thuật AI được áp dụng trong đầu tư tài chính ngày càng tăng. Mặc dù máy tính thực hiện phần lớn các giao dịch của quỹ phòng hộ theo cách tự động, nhưng 90% các hoạt động này vẫn được thực hiện theo quy trình được mã hóa cứng. Như vậy, việc ứng dụng ngày càng nhiều trí tuệ nhân tạo vẫn còn nhiều tiềm năng phát triển. Nhìn chung, AI được áp dụng trong một số lĩnh vực khác nhau trong tài chính: tối ưu hóa danh mục đầu tư tài chính, dự đoán giá hoặc xu hướng trong tương lai của tài sản tài chính và phân tích cảm tính về tin tức hoặc nhận xét trên mạng xã hội về tài sản hoặc công ty. Bất chấp sự khác biệt và đặc thù của từng lĩnh vực, một số công trình đã đề xuất sự kết hợp các kỹ thuật từ các lĩnh vực 1 Đại học Kinh tế quốc dân, Email: tramnn@neu.edu.vn. 2 Đại học Kinh tế quốc dân, Email:thuyvan@neu.edu.vn.
Phần 2: Hoàn thiện về Thể chế và Chính sách 713 khác nhau. Một số nghiên cứu khác trong lĩnh vực tài chính máy tính bao gồm kiểm soát các hệ thống động áp dụng cho thị trường tài chính, phân tích hành vi của nhà đầu tư, phân tích mạng và phân cụm tài sản tài chính. Ở Việt Nam, nhiều trang web hoặc ứng dụng/app chứng khoán được hỗ trợ bởi AI có thể dự báo được giai đoạn đỉnh và đáy của thị trường bằng hệ thống tự động phân tích dữ liệu giao dịch trực tuyến trong phiên. AI còn đưa ra chiến lược phân bổ vốn để nhà đầu tư tối ưu lợi nhuận như giải ngân mạnh tại các chân sóng tin cậy và hạn chế giao dịch trong Downtrend (xu hướng xuống) hoặc Sideways (xu hướng đi ngang). Nhìn chung, các công ty chứng khoán cũng đang đi theo xu hướng này nhưng chưa đồng bộ và triệt để. Chính vì vậy, việc tìm hiểu kinh nghiệm quốc tế về AI, từ đó rút ra bài học kinh nghiệm cho Việt Nam là hết sức cần thiết. Bài viết nghiên cứu sẽ liệt kê, tổng hợp và phân tích các ứng dụng AI trong đầu tư chứng khoán. Từ đó, nhóm nghiên cứu phân tích các bài học đưa ra theo thông lệ quốc tế nhằm tham chiếu cho việc phát triển AI trên thị trường chứng khoán Việt Nam thời gian tới. 2. THỰC TRẠNG ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRÊN THỊ TRƯỜNG CHỨNG KHOÁN QUỐC TẾ Việc ứng dụng AI trên thị trường chứng khoán tuy còn ở giai đoạn đầu nhưng có tiềm năng cách mạng hóa cách thức giao dịch và đầu tư trên thị trường. Các ứng dụng phổ biến của trí tuệ nhân tạo trên thị trường chứng khoán có thể kể tên gồm (1) Giao dịch thuật toán (Algorithm trad- ing); (2) Tối ưu hóa danh mục đầu tư (Portfolio optimization); (3) Dự báo biến động của thị trường chứng khoán (Stock market prediction); (4) Phân tích cảm xúc (Sentiment analysis); và (5) Dịch vụ khách hàng (Customer service). a. Giao dịch thuật toán (Algorithm trading) Một trong những ứng dụng phổ biến nhất của trí tuệ nhân tạo trên thị trường chứng khoán là giao dịch thuật toán (Algorithm trading). Giao dịch theo thuật toán sử dụng các chương trình máy tính để thực hiện giao dịch một cách tự động, dựa trên các quy tắc và tiêu chí được xác định trước. Các quyết định giao dịch này có thể được thực hiện hoàn toàn tự động hoặc vẫn có sự giám sát của con người. Điều này có thể giúp các nhà giao dịch đưa ra quyết định giao dịch nhanh hơn và sáng suốt hơn, đồng thời cũng có thể giúp giảm thiểu sai sót của con người. Giao dịch thuật toán kết hợp với giao dịch tần suất cao (High Frequency Trading) có thể cho phép các công ty, tổ chức hoặc thậm chí là các cá nhân có thể thực hiện hàng nghìn giao dịch mỗi giây, một tốc độ mà chắc chắn con người không thể làm được nếu không có sự hỗ trợ từ các máy tính mạnh mẽ hay các robot giao dịch hiện đại. Việc sử dụng giao dịch thuật toán bắt đầu trở nên phổ biến khi các hệ thống máy tính được giới thiệu trên thị trường tài chính Mỹ trong những năm 1970. Trong những thập kỷ tiếp theo, các sở giao dịch chứng khoán đã dần chấp nhận nhiều hơn đối với các giao dịch trực tuyến. Cho đến năm 2009, hơn 60% các giao dịch tại thị trường Mỹ được thực hiện bằng máy tính, đó cũng là nền tảng cho sự phát triển của giao dịch thuật toán. Theo Báo cáo của Tabb Group, khối lượng giao dịch thuận toán chiếm khoảng 70% tổng khối lượng giao dịch chứng khoán của Mỹ trong năm 2022. Số lượng nhà đầu tư sử dụng giao dịch thuật toán cũng đang tăng lên, đặc biệt là ở các thị trường phát triển. Theo một báo cáo của Statista, số lượng nhà đầu tư sử dụng hình thức giao dịch này ở Trung Quốc dự kiến sẽ tăng lên 2,5 triệu người vào năm 2025.
714 KỶ YẾU HỘI THẢO QUỐC TẾ HOÀN THIỆN HỆ SINH THÁI PHÁT TRIỂN FINTECH TẠI VIỆT NAM Việc áp dụng trí tuệ nhân tạo vào giao dịch thuật toán cũng được tận dụng bởi các quỹ đầu tư. Quỹ AI Powered Equity ETF (AIEQ) ra mắt năm 2017 do EquBot phát triển và ETF Managers Group giám sát, tiến hành phân tích hơn 6000 cổ phiếu trên thị trường Mỹ bằng siêu máy tính Watson của IBM. Kể từ khi ra mắt vào năm 2017, quỹ này mang về 41% lợi nhuận cho các nhà đầu tư. Trong tháng 1 năm 2023, AIEQ đã ghi nhận khoản lãi 9,9%. Quỹ QRAFT AI-Enhanced U.S. Large Cap Momentum ETF (AMOM) áp dụng kỹ thuật học máy để thực hiện giao dịch kiếm lời theo cả hai chiều tăng giảm của tài sản. Quỹ AMOM được tái cấu trúc hàng tháng và mang lại lợi nhuận 21% trong năm 2022, cao hơn so với sự tăng trưởng không đáng kể của quỹ tham chiếu (iShares MSCI USA Momentum Factor ETF - MTUM). Tại thị trường châu Âu, việc sử dụng trí tuệ nhân tạo trong giao dịch thuật toán cũng rất phổ biến. Giao dịch áp dụng trí tuệ nhân tạo đang thống trị thị trường giao dịch hàng hóa điện tại châu Âu. Một nửa giao dịch trong năm 2020 của MFT Energy, một công ty giao dịch năng lượng của Đan Mạch, được thực hiện qua phương thức giao dịch thuật toán. Epex Spot, sàn giao dịch các công cụ tài chính ngắn hạn lớn thứ hai châu Âu, cho biết tỷ trọng các giao dịch thuật toán sử dụng trí tuệ nhân tạo chiếm 55% và 60% các giao dịch của họ trong năm 2020 và 2021. b. Tối ưu hóa danh mục đầu tư (Portfolio optimization) Tối ưu hóa danh mục đầu tư là việc xác định một tập hợp các tài sản tài chính sao cho phù hợp nhất với một khách hàng cụ thể, thông thường mục tiêu của tối ưu hóa danh mục đầu tư là tối đa hóa lợi nhuận. Lý thuyết quản lý danh mục đầu tư hiện đại (The Modern Portfolio Theory - MPT) đề xuất bởi Markowitz (1991) là lý thuyết đầu tiên đưa ra một mô hình tối ưu hóa danh mục đầu tư. Markowitz (1991) đề xuất hai thước đo để đo lường hiệu suất của danh mục là tỷ lệ lợi tức kỳ vọng và rủi ro. Theo đó, ông giả định rằng nếu một tài sản đã mang lại hiệu suất sinh lời tốt trong quá khứ sẽ duy trì được hiệu suất tương tự trong tương lai. Markowitz (1991) cũng đề xuất thước đo để đo lường mức độ không chắc chắc của mô hình là rủi ro (hay độ lệch chuẩn). Cống hiến lớn nhất của mô hình Markowitz đến các nghiên cứu trong lĩnh vực tài chính chính là việc đề xuất khái niệm rủi ro của danh mục đầu tư đo lường bằng phương sai của tỷ lệ lợi tức trong quá khứ. Rủi ro của danh mục đầu tư sẽ phụ thuộc vào mức độ tương quan giữa tỷ lệ lợi tức của các tài sản thành phần, do đó, việc đa dạng hóa danh mục đầu tư sẽ làm giảm thiểu rủi ro toàn bộ danh mục. Từ đó, Lý thuyết quản lý danh mục đầu tư của Markowitz được chú ý, nhiều nhà nghiên cứu đã tiến hành tinh chỉnh mô hình này sao cho phù hợp hơn với thực tế đầu tư. Giả định bị chỉ trích nhiều nhất của mô hình Markowitz chính là việc sử dụng phương sai là thước đo rủi ro danh mục, trong đó cả những khác biệt lớn hơn hay nhỏ hơn so với giá trị lợi tức kỳ vọng đều được tính đến. Vì vậy, nhiều nhà nghiên cứu sau này đã điều chỉnh giả định này, và đề xuất đo lường rủi ro danh mục bằng cách tính đến các trường hợp mà lợi nhuận thực tế thấp hơn so với kỳ vọng, hay rủi ro giảm giá (downside risk). Một loạt các công trình nghiên cứu sau đó đã cải thiện mô hình Markowitz, tạo ra nhiều thước đo để đo lường rủi ro hơn, đề xuất ra các giới hạn để mô hình có khả năng giải thích biến động lợi tực trong thực tế. Đặc biệt, trí tuệ nhân tạo cũng đang được sử dụng để phát triển các kỹ thuật tối ưu hóa danh mục đầu tư mới và phức tạp hơn. Zhang và cộng sự (2012) áp dụng hai
Phần 2: Hoàn thiện về Thể chế và Chính sách 715 thuật toán tối ưu gồm Giải thuật di truyền (Genetic Algorithm)1 và Giải thuật mô phỏng luyện kim (Simulated Annealing)2. Zhu và cộng sự (2011) áp dụng thuật toán Giải thuật bầy đàn (Particle Swarm Optimization - PSO) để giải quyết vấn đề giới hạn của bài toán tối ưu hóa danh mục. Các kỹ thuật tối ưu hóa danh mục đầu tư truyền thống thường dựa vào dữ liệu lịch sử và mô hình thống kê để xác định danh mục đầu tư tối ưu. Các kỹ thuật tối ưu hóa danh mục đầu tư được hỗ trợ bởi trí tuệ nhân tạo có thể tính đến nhiều yếu tố hơn, bao gồm tâm lý nhà đầu tư, biến động thị trường và xu hướng kinh tế vĩ mô. Điều này có thể giúp các nhà đầu tư tạo ra danh mục đầu tư đa dạng và linh hoạt hơn. Một khảo sát của AI Market Makers thực hiện năm 2023 phỏng vấn 50 quỹ phòng hộ hàng đầu cho kết quả rằng 9 trong số 10 nhà giao dịch quỹ phòng hộ đã sử dụng trí tuệ nhân tạo vào năm 2023 để đáp ứng các mục tiêu quản trị và tối ưu hóa danh mục đầu tư. Trong môi trường lãi suất tăng cao tại Mỹ trong năm 2022-2023, các nhà đầu tư lớn trên thị trường này đã rút dần các khoản đầu tư cần đến sự tham gia của con người và dồn tiền vào các hệ thống đầu tư áp dụng trí tuệ nhân tạo. Hiện nay, đang có một số ngân hàng đầu tư lớn tại Mỹ đang áp dụng trí tuệ nhân tạo trong quản trị danh mục đầu tư như JPMorgan Chase & Co, Morgan Stanley. JPMorgan Chase& Co đang áp dụng trí tuệ nhân tạo để xây dựng một hệ thống để lựa chọn khoản mục đầu tư cho danh mục của khách hàng. Các danh mục này sẽ được sửa đổi nhờ trí tuệ nhân tạo để phù hợp với đáp ứng nhu cầu của khách hàng. Morgan Stanley đang liên kết với OpenAI để cho phép các cố vấn tài chính của công ty truy cập ngay vào thư viện nghiên cứu của công ty để tìm hiểu thông tin về chiến lược danh mục đầu tư của khách hàng và thu thập nội dung liên quan trong vài giây. c. Dự báo biến động của thị trường chứng khoán (Stock market prediction) Dự báo biến động của thị trường chứng khoán hay là dự báo sử dụng dữ liệu quá khứ đã trở thành một kỹ thuật được sử dụng rộng rãi bởi các nhà nghiên cứu cũng như nhà đầu tư nhằm đạt được lợi nhuận trong giao dịch chứng khoán. Trước đây, công việc dự báo này được thực hiện bằng các phương pháp thống kê. Ngày nay, các nhà nghiên cứu và nhà đầu tư càng áp dụng nhiều các thuật toán của trí tuệ nhân tạo vào công việc dự báo. Với sự ra đời của Giả thuyết thị trường hiệu quả (Samuelson, 1965; Fama,1963; Fama, 1965), nhiều nhà nghiên cứu trên thế giới đã đi tìm bằng chứng cho khái niệm thị trường hiệu quả, hay thị trường mà tại đó giá chứng khoán phản ánh toàn bộ các thông tin liên quan. Khi đó, giá chứng khoán sẽ biến động ngẫu nhiên và không thể dự đoán được. Ngược lại, một số nhà nghiên cứu khác tin rằng giá chứng khoán biến động theo xu hướng. Từ đó, hai trường phái phân tích thị trường ra đời: (1) Phân tích kỹ thuật, trường phái phân tích cho rằng giá chứng khoán biến động theo xu hướng và sử dụng dữ liệu quá khứ để dự báo biến động trong tương lai; và (2) Phân tích cơ bản, trường phái phân tích rằng bối cảnh kinh tế xã hội của doanh nghiệp tác động đến giá trị của doanh nghiệp và việc sử dụng các thông tin này giúp chúng ta có thể dự báo được biến động giá. 1 Giải thuật di truyền (GA) là một kỹ thuật của khoa học máy tính nhằm tìm kiếm giải pháp thích hợp cho các bài toán tối ưu tổ hợp (combinatorial optimization). Giải thuật di truyền là một phân ngành của giải thuật tiến hóa vận dụng các nguyên lý của tiến hóa như di truyền, đột biến, chọn lọc tự nhiên, và trao đổi chéo. 2 Giải thuật mô phỏng luyện kim (SA) là một thuật toán để giải quyết bài toán tối ưu hóa. SA áp dụng lý thuyết trong cơ học hệ thống.
716 KỶ YẾU HỘI THẢO QUỐC TẾ HOÀN THIỆN HỆ SINH THÁI PHÁT TRIỂN FINTECH TẠI VIỆT NAM Khung lý thuyết để ứng dụng trí tuệ nhân tạo trong dự báo biến động của thị trường được trình bày ở hình 1. Ban đầu nhà phân tích sẽ thu thập toàn bộ thông tin để huấn luyện và kiểm tra mô hình dự báo. Dữ liệu phải được làm sạch, chuyển hóa hoặc giảm thiểu để loại đi các thông tin nhiễu và tập trung vào các thông tin quan trọng. Dữ liệu sau quá trình xử lý sẽ được đưa vào mô hình dự báo để huấn luyện mô hình và tối ưu hóa các tham số. Cuối cùng, mô hình sẽ được đánh giá khả năng dự báo và tinh chỉnh các tham số để gia tăng độ chính xác. Hình 1: Khung lý thuyết áp dụng trí tuệ nhân tạo trong phân tích Các nhà nghiên cứu đã cung cấp nhiều bằng chứng thực nghiệm về khả năng của trí tuệ nhân tạo trong công tác dự báo thị trường. Huang và cộng sự (2005) thu thập các chỉ báo cơ bản và áp dụng thuật toán Support Vector Machine (SVM) để dự báo xu hướng giá. Huang và cộng sự (2008) kết hợp Support Vector Machine (SVM), Kth Nearest Neighbor (KNN), Back-propagation neural network, Decision tree và hồi quy Logistics để dự phóng xu hướng trên thị trường Hàn Quốc và Đài Loan. Bài nghiên cứu này cho thấy sự kết hợp mang lại kết quả dự phóng tốt hơn việc sử dụng từng phương pháp riêng lẻ. Chong và cộng sự (2017) so sánh 3 phương pháp lựa chọn và chuyển đổi dữ liệu là Principal Components Analysis (PCA), AutoEncoder (AE), và Restricted Boltzmann Machine (RBM), sau đó áp dụng thuật toán học máy để dự phóng giá cổ phiếu. Fischer và Krauss (2018) áp dụng Deep Learning Long Short Term Memory (LSTM) Neural Network để xác định xu hướng. d. Phân tích cảm xúc (Sentiment analysis) Phân tích cảm xúc là lĩnh vực nghiên cứu cảm xúc và tâm trạng của mọi người đối với một đối tượng. Một ví dụ của phân tích cảm xúc là việc đánh giá ý kiến của người tiêu dùng với một sản phẩm mới là tiêu cực hay tích cực, và mức độ tiêu cực/tích cực đến đâu. Để thực hiện phân tích cảm xúc, trước tiên người phân tích cần thu thập một số lượng lớn văn bản, chẳng hạn như những văn bản được trích từ mạng xã hội hoặc trang web tin tức, được viết bằng ngôn ngữ tự nhiên. Vì vậy, việc áp dụng các phương pháp xử lý ngôn ngữ tự nhiên (Natural Language Processing –NLP) cũng rất cần thiết khi thực hiện phân tích cảm xúc. Phân tích cảm xúc ngày càng được áp dụng trong nhiều lĩnh vực, đặc biệt là tài chính và đầu tư. Mittermayer (2004) ứng dụng phân tích cảm xúc các cổ phiếu niêm yết tại NYSE và NASDAQ – AMEX. Các nhà nghiên cứu này áp dụng mô hình Support Vector Machine để dự báo cảm xúc
Phần 2: Hoàn thiện về Thể chế và Chính sách 717 của thị trường. Họ phát hiện ra rằng việc sử dụng phân tích cảm xúc mang lại lợi nhuận trung bình cao hơn 60% so với việc giao dịch ngẫu nhiên. Pagolu và cộng sự (2016) thu thập 2,500,000 câu tweets (việc đăng hay viết một thứ gì đó ở trang cá nhân của mình trên nền tảng Twitter) về cổ phiếu Microsoft và xếp loại vào ba trạng thái tiêu cực/tích cực/trung tính. Pagolu và cộng sự (2016) cho thấy mô hình của họ có khả năng sử dụng yếu tố cảm xúc để dự phóng biến động giá cổ phiếu. Khi xử lý 77.256 báo cáo phân tích cổ phiếu của các công ty niêm yết trên Sở giao dịch chứng khoán Tokyo, Takahashi và cộng sự (2006) tìm thấy bằng chứng về tác động của yếu tố cảm xúc đến giá chứng khoán trong khoảng thời gian 20 ngày trước và sau khi một thông tin xuất hiện. Bloomberg, hãng thông tấn quốc tế có trụ sở New York, sử dụng phương pháp học máy có giám sát (supervised machine learning) để xây dựng bộ chỉ số phản ánh cảm xúc thị trường. Công cụ Bloomberg News and Social Sentiment được huấn luyện để bắt chước các chuyên gia trong việc xử lý ngôn ngữ. Bloomberg cung cấp hai loại phân tích cảm xúc: đánh giá về cảm xúc của nhà đầu tư đối với một tin tức (story-level) và đánh giá cảm xúc của nhà đầu tư với một doanh nghiệp (company-level). e. Dịch vụ khách hàng (Customer service) Các phương pháp học máy và trí tuệ nhân tạo đã cho phép các trung gian thị trường tự động hóa việc giới thiệu khách hàng của họ, phát hiện gian lận, rửa tiền và giám sát tấn công mạng. Các trung gian tài chính trên thế giới đã áp dụng Know Your Customer (KYC) trước khi gặp khách hàng cũng như cung cấp các sản phẩm và dịch vụ. KYC yêu cầu thu thập và xác minh thông tin cá nhân toàn diện từ các khách hàng tiềm năng, liên quan đến việc xử lý siêu dữ liệu phi cấu trúc. Thuật toán suy luận quy nạp giúp xác định chính xác ID ảnh giả, đồng thời nhận dạng các ảnh khác nhau của cùng một người. Trí tuệ nhân tạo cũng có thể được sử dụng để sàng lọc và giám sát khách hàng cũng như các giao dịch nhằm phát hiện bằng chứng về khả năng có tiền rửa tiền, tài trợ khủng bố và các tội phạm tài chính khác. Một ứng dụng khác của trí tuệ nhân tạo trong mảng dịch vụ khách hàng là trợ lý tư vấn đầu tư ảo (robo-advisor). Theo báo cáo của IOSCO, phần lớn các trợ lý tư vấn đầu tư ảo đang sử dụng các nguyên tắc giao dịch giản đơn, dù vậy, các thuật toán của trí tuệ nhân tạo đang dần được áp dụng. Các công ty cung cấp dịch vụ trên thị trường chứng khoán đều có quy trình can thiệp thủ công. Do đó, hệ thống tư vấn tự động thường bị giới hạn trong việc tạo ra lời khuyên tiềm năng hoặc phân bổ tài sản để cố vấn đầu tư xem xét. Sau đó, cố vấn đầu tư có thể sử dụng lời khuyên do trí tuệ nhân tạo tạo ra này khi thích hợp và nếu phù hợp, để đưa ra đề xuất cho khách hàng. Trên thế giới, nhiều công ty đã áp dụng các công nghệ kể trên khi cung cấp dịch vụ trên thị trường chứng khoán. Betterment sử dụng trí tuệ nhân tạo để tạo và quản lý danh mục đầu tư ETF. Các thuật toán trí tuệ nhân tạo của Betterment cũng tự động cân bằng lại danh mục đầu tư khi cần thiết và cung cấp cho các nhà đầu tư lời khuyên để tối ưu hóa thuế. Wealthfront sử dụng trí tuệ nhân tạo để tạo và quản lý danh mục đầu tư được cá nhân hóa dựa trên mức độ chấp nhận rủi ro và mục tiêu tài chính của mỗi nhà đầu tư. Thuật toán của Wealthfront cũng theo dõi điều kiện thị trường và điều chỉnh danh mục đầu tư nếu cần. SoFi Invest sử dụng trí tuệ nhân tạo để giúp các nhà đầu tư lựa chọn khoản đầu tư từ nhiều loại tài sản khác nhau, bao gồm cổ phiếu, quỹ ETF và tiền kỹ thuật số. Thuật toán của SoFi Invest cũng cung cấp cho các nhà đầu tư các công cụ nghiên cứu và phân tích để giúp họ đưa ra quyết
718 KỶ YẾU HỘI THẢO QUỐC TẾ HOÀN THIỆN HỆ SINH THÁI PHÁT TRIỂN FINTECH TẠI VIỆT NAM định đầu tư sáng suốt. Personal Capital sử dụng trí tuệ nhân tạo để giúp các nhà đầu tư theo dõi chi tiêu, quản lý nợ và lên kế hoạch nghỉ hưu. Các thuật toán của Personal Capital cũng cung cấp cho các nhà đầu tư những hiểu biết sâu sắc về hành vi tài chính của bản thân họ và các đề xuất được cá nhân hóa để cải thiện các hành vi này. 3. BÀI HỌC CHO THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM Từ phần phân tích phía trên, chúng ta có thể thấy những lợi ích của việc ứng dụng trí tuệ nhân tạo trên thị trường chứng khoán mang lại như:  Giao dịch được thực hiện nhanh hơn. Các thuật toán giao dịch được hỗ trợ bởi trí tuệ nhân tạo có thể thực hiện giao dịch trong vài mili giây, điều này có thể mang lại cho nhà giao dịch lợi thế đáng kể trong giao dịch tần suất cao.  giao dịch đưa ra quyết định giao dịch sáng suốt hơn. Trí tuệ nhân tạo có thể phân tích Nhà lượng lớn dữ liệu để xác định các mẫu mà con người có thể bỏ sót. Điều này có thể giúp các nhà giao dịch đưa ra quyết định giao dịch sáng suốt hơn.  Giảm lỗi của con người. Các thuật toán giao dịch được hỗ trợ bởi trí tuệ nhân tạo không chịu lỗi của con người, điều này có thể giúp cải thiện tính chính xác của giao dịch.  Chiến lược đầu tư mới. Trí tuệ nhân tạo có thể được sử dụng để phát triển các chiến lược đầu tư mới hiệu quả và hiệu quả hơn các chiến lược truyền thống.  thiện tính minh bạch và hiệu quả của thị trường. Trí tuệ nhân tạo có thể được sử dụng Cải để phát hiện và ngăn chặn gian lận, đồng thời phát triển các nền tảng giao dịch mới dễ sử dụng hơn và dễ tiếp cận hơn với nhiều nhà đầu tư hơn. Mặc dù trí tuệ nhân tạo có tiềm năng cách mạng hóa thị trường chứng khoán nhưng điều quan trọng cần lưu ý là nó không phải là viên đạn thần kỳ. Các công cụ giao dịch được hỗ trợ bởi trí tuệ nhân tạo có thể đắt tiền, phức tạp và chúng không đảm bảo thành công. Các nhà đầu tư phải luôn tự nghiên cứu trước khi sử dụng bất kỳ công cụ đầu tư nào được hỗ trợ bởi trí tuệ nhân tạo. Chính vì vậy, theo Tổ chức quốc tế các Ủy ban chứng khoán (IOSCO, 2021), việc ứng dụng công nghệ cao như AI vào thị trường cần có sự quản lý, giám sát cũng như phối hợp đồng bộ giữa các chủ thể tham gia thị trường. Các nội dung cần được chú trọng bao gồm: Thứ nhất, các nhà quản lý nên xem xét việc yêu cầu các công ty phải có quản lý cấp cao được chỉ định chịu trách nhiệm giám sát sự phát triển, thử nghiệm, triển khai, và kiểm soát AI. Các công ty cần xây dựng nội dung quản trị nội bộ gắn liền với các trách nghiệm giải trình rõ ràng. Bên cạnh đó, các công ty nên chỉ định một cá nhân cao cấp thích hợp (hoặc các nhóm cá nhân), với các kỹ năng và kiến thức để ký kết triển khai ban đầu và cập nhật công nghệ. Ngoài ra, các nhà quản lý nên xem xét yêu cầu các công ty: • Hiểu phương thức áp dụng AI, bao gồm các kết quả dự kiến; • Thực hiện các biện pháp kiểm soát và khung quản trị thích hợp để giám sát các kết quả thu được từ các mô hình AI, bao gồm dữ liệu cơ bản và / hoặc các mô hình có nguồn gốc bên ngoài • Xây dựng một quy trình kiểm soát, có kiểm toán về việc sử dụng AI trong suốt vòng đời và trong toàn bộ hoạt động kinh doanh của công ty; • Đánh giá xem công nghệ có được áp dụng phù hợp với khẩu vị rủi ro của công ty, khả năng chấp nhận rủi ro của khách hàng và có tuân thủ các nguyên tắc đạo đức hay không. Quản lý cấp cao có thể đã có kiến thức kỹ thuật phù hợp để giám sát hiệu quả việc sử dụng các kỹ thuật AI của
Phần 2: Hoàn thiện về Thể chế và Chính sách 719 công ty. Tuy nhiên, nhà quản lý có thể chỉ định nhân viên cấp cao thích hợp trong công ty để hỗ trợ trong việc thực hiện vai trò giám sát này trong khi vẫn giữ trách nhiệm giải trình cuối cùng. Thứ hai, các nhà quản lý nên yêu cầu các công ty liên tục kiểm tra và giám sát đầy đủ các thuật toán để xác nhận kết quả của kỹ thuật AI. Thử nghiệm nên được tiến hành trong một môi trường tách biệt với môi trường trực tiếp trước khi triển khai để đảm bảo rằng AI: (a) hoạt động như mong đợi trong điều kiện thị trường căng thẳng và không căng thẳng; và (b) hoạt động dựa trên việc tuân thủ các nghĩa vụ pháp lý. Các công ty cũng nên đảm bảo chức năng ngắt kết nối đầy đủ được tích hợp vào khung kiểm soát. Chức năng ngắt kết nối cũng cần được kiểm tra thích hợp. Thứ ba, các nhà quản lý nên yêu cầu các công ty phải có đủ kỹ năng, chuyên môn và kinh nghiệm để phát triển, thử nghiệm, triển khai, giám sát các biện pháp kiểm soát AI mà công ty sử dụng. Các chức năng quản lý rủi ro và tuân thủ sẽ có thể hiểu và thách thức các thuật toán được tạo ra và tiến hành thẩm định đối với bất kỳ nhà cung cấp bên thứ ba nào, bao gồm cả mức độ kiến thức, chuyên môn và kinh nghiệm hiện tại. Việc thiếu kỹ năng nội bộ, kiến thức, chuyên môn và kinh nghiệm đầy đủ để duy trì và giám sát AI có thể dẫn đến khó khăn trong việc cập nhật mô hình hoặc quá phụ thuộc vào các bên ngoài. Các công ty nên xem xét thành lập các nhóm đa ngành liên quan đến người dùng, các nhà khoa học dữ liệu, nhân viên quản trị cơ sở dữ liệu và CNTT, cũng như các nhóm quản lý rủi ro và tuân thủ. Cuối cùng, các công ty nên xem xét tầm quan trọng của tính liên tục của mô hình và giảm thiểu rủi ro trong trường hợp các nhân viên hay các nhà nghiên cứu rời khỏi công ty. Thứ tư, các nhà quản lý nên yêu cầu các công ty hiểu sự phụ thuộc và quản lý mối quan hệ của họ với các nhà cung cấp AI trung gian, bao gồm giám sát hiệu suất của các nhà cung cấp và tiến hành giám sát. Để đảm bảo trách nhiệm giải trình đầy đủ, các công ty nên có hợp đồng thỏa thuận làm rõ phạm vi của các chức năng thuê ngoài và trách nhiệm của nhà cung cấp dịch vụ. Khi thích hợp, thỏa thuận này phải có các chỉ số thực hiện rõ ràng và cũng cần xác định rõ các quyền và biện pháp khắc phục trong trường hợp ứng dụng AI không mang lại hiệu quả. Thứ năm, các cơ quan quản lý nên xem xét mức độ tiết lộ về việc sử dụng AI, được yêu cầu bởi các công ty. Mục tiêu là tiết lộ đầy đủ thông tin để cho phép khách hàng hiểu bản chất và các đặc điểm chính của sản phẩm và dịch vụ mà họ đang nhận được và cách chúng bị ảnh hưởng bởi việc sử dụng công nghệ. Các công ty nên xem xét mức độ chi tiết cần thiết để đáp ứng mục tiêu công bố thông tin. Sự minh bạch này nên nhằm mục đích cung cấp, trên cơ sở không phân biệt đối xử, tất cả các bên liên quan với thông tin cần thiết để đánh giá, trong phạm vi có thể, những lợi ích và rủi ro liên quan đến công nghệ. Ngôn ngữ được sử dụng trong các tiết lộ phải dễ hiểu đối với các nhà đầu tư. Điều này sẽ giúp xây dựng niềm tin và cho phép khách hàng hiểu dịch vụ và sản phẩm mà họ đang được cung cấp và cho phép họ đưa ra quyết định sáng suốt. TÀI LIỆU THAM KHẢO 1. Chong, E., Han, C., & Park, F. C. (2017). Deep learning networks for stock market analysis and prediction: Methodology, data representations, and case studies. Expert Systems with Applications, 83, 187-205. 2. IOSCO (2021). The use of artificial intelligence and machine learning by market intermediaries and asset managers, Final Report. 3. Fama, E. F. (1963). Mandelbrot and the stable Paretian hypothesis. The journal of business, 36(4), 420-429.
720 KỶ YẾU HỘI THẢO QUỐC TẾ HOÀN THIỆN HỆ SINH THÁI PHÁT TRIỂN FINTECH TẠI VIỆT NAM 4. Fama, E. F. (1995). Random walks in stock market prices. Financial analysts journal, 51(1), 75-80. 5. Fischer, T., & Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European journal of operational research, 270(2), 654-669. 6. Huang, C. J., Yang, D. X., & Chuang, Y. T. (2008). Application of wrapper approach and composite classifier to the stock trend prediction. Expert Systems with Applications, 34(4), 2870-2878. 7. Huang, W., Nakamori, Y., & Wang, S. Y. (2005). Forecasting stock market movement direction with support vector machine. Computers & operations research, 32(10), 2513-2522. 8. Markowitz, H. M. (1991). Foundations of portfolio theory. The journal of finance, 46(2), 469-477. 9. Mittermayer, M. A. (2004, January). Forecasting intraday stock price trends with text mining techniques. In 37th Annual Hawaii International Conference on System Sciences, 2004. Proceedings of the (pp. 10-pp). IEEE. 10. Pagolu, V. S., Reddy, K. N., Panda, G., & Majhi, B. (2016, October). Sentiment analysis of Twitter data for predicting stock market movements. In 2016 international conference on signal processing, communication, power and embedded system (SCOPES) (pp. 1345-1350). IEEE. 11. Samuelson, P. A. (2016). Proof that properly anticipated prices fluctuate randomly. In The world scientific handbook of futures markets (pp. 25-38). 12. Takahashi, S., Takahashi, M., Takahashi, H., & Tsuda, K. (2006). Analysis of stock price return using textual data and numerical data through text mining. In Knowledge-Based Intelligent Information and Engineering Systems: 10th International Conference, KES 2006, Bournemouth, UK, October 9-11, 2006. Proceedings, Part II 10 (pp. 310-316). Springer Berlin Heidelberg. 13. Zhang, W. G., Liu, Y. J., & Xu, W. J. (2012). A possibilistic mean-semivariance-entropy model for multi- period portfolio selection with transaction costs. European Journal of Operational Research, 222(2), 341-349. 14. Zhu, H., Wang, Y., Wang, K., & Chen, Y. (2011). Particle Swarm Optimization (PSO) for the constrained portfolio optimization problem. Expert Systems with Applications, 38(8), 10161-10169.