VBD 
AI tạo sinh (Generative AI) là một bước tiến lớn của trí tuệ nhân tạo, có khả năng học từ các tập dữ liệu quy mô lớn và tạo ra phản hồi dựa trên các truy vấn. Với ưu thế nổi trội về năng lực phân tích dữ liệu lớn, AI tạo sinh có thể nhận biết các mẫu và xu hướng, từ đó đưa ra các quyết định thông thái.
Hiện nay, AI tạo sinh đã bắt đầu có những bước phát triển nhanh chóng trong ngành tài chính. Có thể thấy rõ xu hướng này qua việc sử dụng các thuật toán học máy để tạo ra dữ liệu mới và thông tin có giá trị hỗ trợ ra quyết định tài chính. Không dừng lại ở đó, ứng dụng của AI tạo sinh trong tài chính, ngân hàng được dự đoán sẽ tái định nghĩa các phương pháp truyền thống bằng cách tạo ra các tình huống tài chính thực tế, giúp tối ưu hóa danh mục đầu tư, cho phép mô phỏng các rủi ro phức tạp và phát hiện gian lận tinh vi,…
FriData tuần này sẽ cùng bạn khám phá tổng quan bức tranh AI tạo sinh trong ngành ngân hàng, tài chính, nhìn từ 4 mô hình công nghệ được ứng dụng phổ biến nhất. Với mỗi mô hình, bài viết sẽ đi từ nội dung kĩ thuật đến ứng dụng thực tiễn trong ngân hàng.
1. Các yếu tố thúc đẩy ứng dụng AI tạo sinh trong ngân hàng
Dưới đây là một số nguyên nhân lý giải cho xu hướng gia tăng ứng dụng AI tạo sinh trong ngân hàng:
- Sự tiến bộ của thuật toán học máy: Sự phát triển của các thuật toán học máy tiên tiến, chẳng hạn như học sâu và học tăng cường, đã dẫn đến những tiến bộ công nghệ đáng kể trong ngành tài chính. Những thuật toán này cho phép mô hình được đào tạo trên các tập dữ liệu khổng lồ, từ đó tạo ra dự đoán cực kỳ chính xác. Nhờ vậy, các tổ chức tài chính hiện có thể tận dụng sức mạnh của AI tạo sinh cho các ứng dụng khác nhau, chẳng hạn như tối ưu hóa danh mục đầu tư và phát hiện gian lận.
- Sự gia tăng về lượng dữ liệu: Ngành tài chính, ngân hàng tạo ra lượng dữ liệu rất lớn, gây ra khó khăn cho các phương pháp phân tích truyền thống. Tuy nhiên, AI tạo sinh giúp các tổ chức tài chính tận dụng tối đa dữ liệu này; tạo ra các thông tin và dự đoán mới, hỗ trợ ra quyết định trong ngành tài chính.
- Giảm chi phí trong ngành tài chính: Bằng cách tự động hóa các quy trình thủ công trước đây, chẳng hạn như phân tích dữ liệu và phát hiện gian lận, các tổ chức tài chính có thể nâng cao hiệu quả và giảm chi phí hoạt động.
2. Các mô hình AI tạo sinh đang được ứng dụng trong ngân hàng
Có một số mô hình AI tạo sinh thường được sử dụng rộng rãi trong ngành tài chính, nổi bật trong đó là:
2.1. Variational Autoencoders (VAEs)
Variational Autoencoders (VAEs) được thiết kế để học cấu trúc cơ bản của dữ liệu đầu vào và tạo ra các mẫu mới gần giống với phân phối dữ liệu gốc. Trong ngành tài chính, VAEs hoạt động bằng cách mã hóa dữ liệu tài chính đầu vào thành một biểu diễn không gian ẩn chiều thấp hơn. Biểu diễn ẩn này nắm bắt các đặc trưng và mẫu cơ bản của dữ liệu. Dữ liệu đã được mã hóa sau đó được giải mã trở lại không gian dữ liệu gốc, tái tạo dữ liệu đầu vào.
Quá trình huấn luyện VAEs bao gồm hai thành phần chính: bộ mã hóa (encoder) và bộ giải mã (decoder). Bộ mã hóa ánh xạ dữ liệu tài chính đầu vào vào không gian ẩn, thường sử dụng các kỹ thuật xác suất. Bộ mã hóa học cách tạo ra một trung bình và phương sai cho mỗi chiều của không gian ẩn, đại diện cho phân phối xác suất của biến ẩn tại không gian ẩn dựa trên dữ liệu đầu vào. Bộ giải mã lấy các mẫu từ không gian ẩn và tái tạo chúng trở lại không gian dữ liệu gốc. Nó học cách tạo ra đầu ra càng giống với dữ liệu đầu vào càng tốt. Quá trình tái tạo cho phép VAEs tạo ra các mẫu mới gần giống với phân phối dữ liệu gốc.
Quá trình huấn luyện VAEs bao gồm tối ưu hai mục tiêu chính: reconstruction loss và Kullback-Leibler (KL) divergence. Reconstruction loss đo lường sự khác biệt giữa dữ liệu đầu vào và dữ liệu tái tạo, khuyến khích mô hình tạo ra biểu diễn chính xác. KL divergence giúp điều tiết không gian ẩn bằng cách khuyến khích nó tuân theo phân phối định trước, thường là phân phối tiêu chuẩn. Quá trình điều tiết này thúc đẩy việc tạo ra các mẫu đa dạng và có ý nghĩa.
Trong lĩnh vực tài chính, VAEs có nhiều ứng dụng khác nhau, bao gồm:
- Tối ưu hóa danh mục đầu tư: VAEs có thể học cấu trúc cơ bản của dữ liệu lịch sử thị trường và tạo ra danh mục đầu tư mới.
- Phát hiện dấu hiệu bất thường: VAEs có thể xác định các mẫu bất thường trong giao dịch tài chính hoặc hành vi thị trường.
- Mô hình hóa rủi ro: VAEs có thể được sử dụng để mô hình hóa và đánh giá rủi ro trong các hệ thống tài chính.
- Phát hiện gian lận: VAEs có thể giúp phát hiện các hoạt động gian lận trong giao dịch tài chính.
- Tạo dữ liệu tổng hợp: VAEs có thể tạo ra dữ liệu tài chính tổng hợp để khắc phục giới hạn của các tập dữ liệu thực tế.
Trong giao dịch quyền chọn (option trading), VAEs được sử dụng rộng rãi để tạo ra bề mặt biến động tổng hợp, cải thiện độ chính xác của giá quyền chọn cũng như các chiến lược giao dịch và đánh giá rủi ro.
2.2. Generative Adversarial Networks (GANs)
GANs được sử dụng trong lĩnh vực tài chính cho các nhiệm vụ như tạo dữ liệu tổng hợp, mô phỏng thị trường và cải thiện mô hình định giá rủi ro. GANs là một loại mô hình AI tạo sinh gồm hai thành phần: generator và discriminator.
Generator trong GANs học cách tạo ra các mẫu mới gần giống với dữ liệu tài chính thực, chẳng hạn như giá cổ phiếu, giao dịch hoặc chỉ số thị trường. Nó nhận dữ liệu nhiễu ngẫu nhiên làm đầu vào và cố gắng tạo ra dữ liệu không thể phân biệt với dữ liệu tài chính thực. Ngược lại, discriminator được huấn luyện để phân biệt giữa dữ liệu thực và dữ liệu được tạo ra. Nó học cách xác định các đặc điểm phân biệt của dữ liệu tài chính thực và cố gắng phân loại các mẫu được tạo ra là giả mạo.
Các ứng dụng của GANs trong lĩnh vực tài chính bao gồm:
- Tạo dữ liệu tổng hợp: GANs có thể tạo ra dữ liệu tài chính tổng hợp, giải quyết các thách thức như tập dữ liệu hạn chế hoặc có thiên lệch. Dữ liệu này có thể được sử dụng cho mô hình hóa rủi ro, giao dịch thuật toán và tối ưu hóa danh mục đầu tư.
- Phát hiện gian lận tài chính: GANs có thể giúp phân biệt giữa các giao dịch hợp pháp và gian lận, tăng cường khả năng phát hiện gian lận trong lĩnh vực tài chính.
- Mô phỏng thị trường và phân tích kịch bản: GANs có thể tạo ra dữ liệu thị trường giả, hỗ trợ việc hiểu động học thị trường, dự đoán biến động giá và đánh giá tác động của các yếu tố khác nhau lên thị trường tài chính.
- Phát hiện dấu hiệu bất thường: GANs có thể xác định các mẫu không bình thường hoặc các điểm ngoại lệ trong dữ liệu tài chính.
So với các phương pháp học máy khác, GANs cung cấp hiệu suất và tính ổn định tốt hơn nhờ khả năng hiểu cấu trúc dữ liệu ẩn. Ngwenduna và Mbuvha đã tiến hành một nghiên cứu thực nghiệm nêu bật tính hiệu quả của GANs và sự ưu việt của chúng so với các mô hình sampling khác. Họ cũng so sánh GANs với các phương pháp resampling như SMOTE, cho thấy hiệu suất vượt trội của GANs.
Ngoài ra, Kim et al. sử dụng CTAB-GAN, một bộ tạo dữ liệu bảng có điều kiện dựa trên GAN, để tạo dữ liệu tổng hợp cho các giao dịch thẻ tín dụng. Saqlain et al. sử dụng Generative Adversarial Fusion Network (IGAFN) để phát hiện gian lận trong các giao dịch thẻ tín dụng không cân bằng. IGAFN tích hợp dữ liệu tín dụng không đồng nhất, giải quyết vấn đề mất cân bằng dữ liệu và vượt qua các phương pháp khác trong việc đánh giá tín dụng. Những nghiên cứu này chứng tỏ tính hiệu quả của GANs trong việc phát hiện gian lận thẻ tín dụng và tiềm năng của chúng trong cải thiện đánh giá rủi ro lĩnh vực tài chính.
2.3. Autoregressive models
Autoregressive model là một lớp mô hình chuỗi thời gian thường được sử dụng rộng rãi trong lĩnh vực tài chính, cho các tác vụ phân tích và dự báo. Những mô hình này ghi nhận sự phụ thuộc thời gian và các mẫu trong dữ liệu tuần tự, chẳng hạn như giá cổ phiếu, lãi suất hoặc các chỉ số kinh tế. Autoregressive model hoạt động dựa trên nguyên tắc: giá trị của một biến tại một thời điểm nhất định phụ thuộc vào các giá trị trước đó của nó.
Autoregressive models, bao gồm autoregressive moving average (ARMA) và autoregressive integrated moving average (ARIMA), hoạt động bằng cách xem xét mối quan hệ giữa một quan sát và một tập hợp các quan sát bị trễ (a lagged set of observations). Khái niệm cốt lõi là giá trị của một biến tại một thời điểm cụ thể có thể được dự đoán bằng cách sử dụng sự kết hợp tuyến tính của các giá trị quá khứ của nó và có thể một số yếu tố nhiễu.
Trong Autoregressive models, phần “autoregressive” liên quan đến sự phụ thuộc vào các giá trị bị trễ của chính biến số đó. Mô hình gán trọng số cho những giá trị bị trễ này dựa trên tầm quan trọng của chúng trong việc dự đoán giá trị hiện tại. Phần “moving average” trong trường hợp của các mô hình ARMA liên quan đến sự phụ thuộc vào các sai số hoặc dư thừa dự đoán cũ.
Autoregressive models thường được ước tính bằng dữ liệu lịch sử để làm giảm sự khác biệt giữa các quan sát thực tế và các giá trị dự đoán.
Các ứng dụng của Autoregressive models trong lĩnh vực tài chính:
- Dự báo chuỗi thời gian: Autoregressive models có thể dự đoán giá trị tương lai của các biến tài chính dựa trên các giá trị quá khứ của chúng. Chúng được sử dụng để dự đoán giá cổ phiếu, lãi suất, tỷ giá hối đoái và các chỉ số tài chính khác.
- Quản lý rủi ro và tối ưu hóa danh mục: Autoregressive models giúp mô hình hóa biến động và mối tương quan của lợi suất tài sản, hỗ trợ trong việc đánh giá rủi ro và tối ưu hóa danh mục.
2.4. Mô hình Transformer
Mô hình Transformer là một dạng cụ thể của kiến trúc mạng nơ-ron, đã được phổ biến vì khả năng xử lý dữ liệu tuần tự, như văn bản, một cách hiệu quả. Chúng nổi tiếng với khả năng nắm bắt các phụ thuộc dài hạn (long-range dependencies) và xử lý dữ liệu tuần tự một cách hiệu quả. Trong ngành tài chính, các mô hình Transformer đã được áp dụng vào các nhiệm vụ như phân tích cảm xúc, phân loại tài liệu và tạo văn bản tài chính.
Khác với các Recurrent Neural Networks (RNNs) truyền thống, các mô hình Transformer sử dụng cơ chế tự chú ý để nắm bắt sự phụ thuộc giữa các từ khác nhau trong một câu, cho phép chúng hiểu tốt hơn các mối quan hệ ngữ nghĩa. Kiến trúc này đã được chứng minh hiệu quả cao trong các nhiệm vụ xử lý ngôn ngữ tự nhiên khác nhau, giúp cải thiện dịch máy, tạo văn bản và các ứng dụng khác dựa trên văn bản.
Thành phần cốt lõi của một mô hình Transformer là cơ chế chú ý (attention mechanism). Attention cho phép mô hình gán trọng số hoặc tầm quan trọng khác nhau cho các phần khác nhau trong dãy đầu vào khi tạo biểu diễn. Nó cho phép mô hình tập trung vào thông tin liên quan và nắm bắt sự phụ thuộc giữa các yếu tố.
Các mô hình Transformer bao gồm bộ mã hóa và bộ giải mã. Bộ mã hóa xử lý dãy đầu vào, chẳng hạn như dữ liệu văn bản tài chính, và tạo ra biểu diễn ngữ cảnh cho mỗi phần tử. Bộ giải mã lấy những biểu diễn này và tạo ra các dãy đầu ra, thường được sử dụng trong các nhiệm vụ như dịch ngôn ngữ hoặc tạo văn bản.
Các ứng dụng của mô hình Transformer trong lĩnh vực tài chính:
- Phân tích cảm xúc: Các mô hình Transformer có thể hiểu cảm xúc hoặc ý kiến được thể hiện trong tin tức tài chính, bài viết trên mạng xã hội và dữ liệu văn bản khác. Chúng nắm bắt ngữ cảnh và sự phụ thuộc giữa các từ để cung cấp thông tin về tâm trạng của đại chúng trên thị trường, từ đó hỗ trợ ra quyết định đầu tư.
- Phân loại tài liệu: Các mô hình Transformer được sử dụng để phân loại báo cáo tài chính, bài báo nghiên cứu và các tài liệu văn bản khác vào các loại đã xác định trước. Điều này giúp tổ chức và lọc thông tin tài chính lớn.
- Tạo văn bản tài chính: Các mô hình Transformer có thể tạo ra báo cáo tài chính tổng hợp, bình luận thị trường và văn bản liên quan khác. Chúng học cách tạo ra văn bản dựa trên các mẫu và cấu trúc quan sát trong dữ liệu tài chính, mở ra cơ hội cho việc tự động hóa xây dựng nội dung báo cáo tài chính.
Kết luận
AI tạo sinh đang làm thay đổi toàn diện ngành tài chính bằng cách tạo ra dữ liệu tổng hợp, tự động hóa quy trình và cung cấp thông tin hỗ trợ ra quyết định. AI tạo sinh đã vượt qua giới hạn của dữ liệu thực tế và cho phép ngân hàng mang tới trải nghiệm cá nhân hóa cho người tiêu dùng, cải thiện đánh giá rủi ro, phát hiện gian lận và quản lý đầu tư thông minh. Sự tiến bộ của các thuật toán học máy, sự gia tăng về lượng dữ liệu và nhu cầu về tiết kiệm chi phí đang thúc đẩy việc áp dụng rộng rãi AI tạo sinh trong lĩnh vực tài chính và ngân hàng. Mô hình Variational Autoencoders (VAEs), Generative Adversarial Networks, Autoregressive và Transformer là một số mô hình AI tạo sinh được sử dụng trong lĩnh vực tài chính/ngân hàng. Những mô hình này được ứng dụng cho các tác vụ như cá nhân hóa trải nghiệm người dùng, tạo dữ liệu tổng hợp, đánh giá rủi ro, phát hiện gian lận, quản lý đầu tư và tối ưu hóa danh mục. Việc đầu tư vào AI tạo sinh giúp các ngân hàng đưa ra quyết định dựa trên dữ liệu, nâng cao hiệu quả hoạt động và tiến xa hơn ngành tài chính nhiều biến động.
