Trường Đại học Ngân hàng TP. Hồ Chí Minh sẽ tổ chức Hội thảo kinh tế lượng lần thứ Tám - ECONVN2025 với chủ đề “Artificial Intelligence and Machine Learning for Econometrics: Applications and Regulation, and Related Topics” (Trí tuệ nhân tạo và học máy cho kinh tế lượng: Ứng dụng và quy định (và các chủ đề liên quan)) diễn ra từ ngày 13/01/2025 đến ngày 15/01/2025 tại Trường Đại học Ngân hàng TP. Hồ Chí Minh (36 Tôn Thất Đạm, Phường Nguyễn Thái Bình, Quận 1, TP. Hồ Chí Minh). Các bài viết được chọn trình bày trong Hội thảo được xuất bản trong book series STUDIES IN SYSTEMS, DECISION AND CONTROL thuộc danh mục SCOPUS và được xem xét vào các danh mục ISI.
Trí tuệ nhân tạo đã và đang có sự giao thoa, tác động đáng kể tới các phương pháp kinh tế lượng trong các ứng dụng thực tiễn và nghiên cứu học thuật. Nắm bắt được xu thế của làn sóng nghiên cứu về trí tuệ nhân tạo/học máy trong lĩnh vực kinh tế lượng, phù hợp với bối cảnh chuyển đổi số, đổi mới sáng tạo tại Việt Nam, Trường Đại học Ngân hàng TPHCM phối hợp với Tạp chí Kinh tế và Ngân hàng Châu Á (Tên tiếng Anh: “Asian Journal of Economics and Banking” và liên kết với Nhà xuất bản danh tiếng Emerald) long trọng tổ chức Hội thảo Quốc tế ECONVN2025 với sự tham gia của đông đảo học giả hàng đầu thế giới về lĩnh vực thống kê, trí tuệ nhân tạo.
Hội thảo có sự tham dự của nhiều chuyên gia, nhà khoa học hàng đầu thế giới trong các lĩnh vực xác suất, thống kê; toán học; khoa học máy tính, khoa học dữ liệu, trí tuệ nhân tạo,… bao gồm: Giáo sư Hung Trung Nguyen, Đại học bang New Mexico, Hoa Kỳ; Giáo sư Vladik Kreinovich, Đại học Texas ở El Paso, Hoa Kỳ; Giáo sư Arnab Bhattacharjee, Viện nghiên cứu kinh tế và xã hội quốc gia, Vương quốc Anh; Giáo sư Boualem Djehiche, Viện công nghệ hoàng gia KTH, Thụy Điển; Giáo sư David Trafimow, Đại học bang New Mexico, Hoa Kỳ; Giáo sư Mark Schaffer, Đại học Heriot-Watt, Vương quốc Anh; Giáo sư Tonghui Wang, Đại học bang New Mexico, Hoa Kỳ; Giáo sư Tonghui Wang, New Mexico State University, USA.
Hội thảo sẽ trình bày và thảo luận trong 03 phiên toàn thể buổi sáng của các chuyên gia và 2 phiên song song buổi chiều của các báo cáo viên với 44 bài. Các chủ đề được trình bày và bàn luận tại hội thảo rất đa dạng và chuyên sâu: từ các mô hình thống kê như mở rộng quy trình tiên nghiệm trong phân tích Bayes, suy luận phù hợp (conformal inference), mô hình hồi quy rủi ro không cân xứng, tới các phân tích lý thuyết về trí tuệ nhân tạo/ mô hình học máy (cân bằng Nash của AI tạo sinh; mô hình nơ-ron tuyến tính chỉnh lưu). Một số nghiên cứu điển hình sẽ trình bày tại ECONVN2025 sắp tới hứa hẹn mang đến nhiều điều thú vị cho công chúng như sau:
1. Nghiên cứu của Giáo sư Hung Trung Nguyen, New Mexico State University, USA mở ra thảo luận về việc các nghiên cứu sử dụng giá trị p trong kiểm định tần suất của các giả thuyết bất chấp cảnh báo của Hiệp hội thống kê Hoa Kỳ (American Statistical Association – ASA) kể từ năm 2016. Trong nghiên cứu này (“Explainable Statistical Testing? tạm dịch là: “Giải thích cho kiểm định thống kê?”), Giáo sư Hung Trung Nguyen xem xét cẩn thận quy trình ra quyết định trong kiểm định thống kê nhằm trả lời câu hỏi rất khó trong thống kê học rằng: “Chúng ta có cần giải thích về kiểm định thống kê không?". Câu trả lời có thể làm sáng tỏ “bí ẩn” của quy trình kiểm định thống kê để tìm hiểu quy trình ra quyết định như vậy có thể là một phần của suy luận thống kê đáng tin cậy hay không. Qua đó, các mô hình giải thích kiểm định thống kê có thể được áp dụng cho các mô hình học máy giải thích, một nhánh chi tiết và tiềm năng của học máy.
2. Các giáo sư Joseph R. Paul và Mark E. Schaffer từ Heriot-Watt University giới thiệu suy luận phù hợp (conformal inference), một khuôn khổ mạnh mẽ và linh hoạt để xây dựng các khoảng dự đoán với phạm vi bao phủ được đảm bảo trong các mẫu hữu hạn. Không giống như các phương pháp thông thường, suy luận phù hợp không đưa ra bất kỳ giả định nào về phân phối dữ liệu cơ bản ngoài khả năng trao đổi (exchangeability). Trong đó, các tác giả cung cấp các phương pháp xử lý về dự đoán phù hợp đầy đủ và chia tách cùng với các phần mở rộng của khuôn khổ cơ bản, bao gồm các thuật toán Jackknife+ và CV+, cả hai thuật toán đều tăng cường độ tin cậy của mô hình bằng cách cung cấp định lượng không chắc chắn, đảm bảo rằng các dự đoán đi kèm với các khoảng có khả năng chứa các giá trị thực. Các tác giả cũng thảo luận về những hạn chế để đạt được phạm vi bao phủ có điều kiện chính xác và một số phương pháp nhằm cải thiện phạm vi bao phủ có điều kiện trong thực tế.
3. Nghiên cứu của Miroslav Svitek và cộng sự (nhóm tác giả đến từ nhiều trường đại học trên thế giới) cung cấp góc nhìn khác về cách tiếp cận hiệu quả thông qua 3 kịch bản: trường hợp tệ nhất, trường hợp thực tế nhất và trường hợp tốt nhất (tựa đề bài viết: “Why Decisions Based on the Results of Worst-Case, Most Realistic, and Best-Case Scenarios Work Well?”, tạm dịch là: “Tại sao các quyết định dựa trên kết quả của các kịch bản tệ nhất, thực tế nhất và tốt nhất lại hiệu quả?”). Các tác giả tập trung lý giải tại sao trường hợp tệ nhất và trường hợp tốt nhất lại hiệu quả nhất thông qua lời giải thích mang tính lý thuyết. Điều này cung cấp lý giải thú vị về cách chúng ta kỳ vọng vào việc phân tích kịch bản và các phân tích thực nghiệm này phù hợp với tiếp cận toán học như thế nào.
Liên quan tới mở rộng quá trình tiên nghiệm của trường phái Bayesian, Ziyuan Wang và cộng sự thấy rằng quy trình tiên nghiệm cung cấp cho các nhà nghiên cứu khả năng xác định quy mô mẫu tối thiểu cần thiết để cung cấp ước tính tốt cho các tham số tổng thể tương ứng (trong nghiên cứu: “Extending a priori procedure for simultaneously estimating location and scale parameters in the context of skew normal distributions”, tạm dịch là: “Mở rộng quy trình tiên nghiệm để ước tính đồng thời các tham số vị trí và quy mô trong bối cảnh phân phối chuẩn bị lệch”). Tuy nhiên, một hạn chế của quy trình tiên nghiệm là chỉ liên quan đến một tham số của tổng thể tại một thời điểm. Do đó, các tác giả đề xuất giới thiệu quy trình xem xét hai tham số cùng một lúc: vị trí và quy mô trong các quần thể bị lệch phân phối chuẩn bằng phương pháp Bonferroni. Một điểm quan trọng về ứng dụng của nghiên cứu này là các tác giả cung cấp liên kết đến máy tính trực tuyến giúp các nhà nghiên cứu có khả năng xác định quy mô mẫu tối thiểu cần thiết. Đóng góp này kỳ vọng cung cấp phân tích lý thuyết và thực nghiệm thú vị để kiểm định lại quy trình tiên nghiệm theo hai tham số cùng lúc.
4. Nghiên cứu của Giáo sư Arnab Bhattacharjee và Swagatam Sen đến từ Heriot-Watt University áp dụng mô hình hồi quy rủi ro không cân xứng cho vấn đề xác định động lực của doanh nghiệp tại Vương Quốc Anh (trong nghiên cứu “Models of Firm Dynamics and the Hazard Rate of Exits: Reconciling Theory and Evidence using Non-proportional Hazard Regression Models”, tạm dịch là: “Mô hình động lực của công ty: Đối chiếu lý thuyết và bằng chứng bằng cách sử dụng mô hình hồi quy rủi ro không cân xứng”). Mô hình hồi quy dạng này không giả định rằng hệ số hồi quy là hằng số theo thời gian. Thay vào đó, mô hình cho phép tác động của các yếu tố dự báo thay đổi thời gian, điều mà mô hình kinh tế lượng cấu trúc thường không được xác định đầy đủ hoặc xác định một phần. Các tác giả tìm thấy bằng chứng về việc thích nghi tích cực của các doanh nghiệp dưới tác động của các cú sốc kinh tế vĩ mô, trong đó sự tác động tiêu cực giảm dần theo thời gian.
5. Liên quan tới chủ đề học máy, nghiên cứu của các Giáo sư Boualem Djehiche và Hamidou Tembine cho rằng các mạng nơ-ron nông và sâu như những mạng được sử dụng trong BloombergGPT để tạo chuỗi thời gian kinh tế chính xác là cân bằng Nash của một trò chơi không tiềm năng (với tựa đề: “The outcomes of generative AI are exactly the Nash equilibria of a non-potential game”, tạm dịch là: “Kết quả của AI tạo sinh chính xác là cân bằng Nash của một trò chơi không tiềm năng”). Cần lưu ý thêm cân bằng Nash là một khái niệm trong lý thuyết trò chơi, biểu thị tình huống không người chơi nào có thể đạt được lợi thế bằng cách thay đổi đơn phương chiến lược trong khi tất cả những người chơi khác vẫn tuân theo chiến lược của họ. Tại điểm cân bằng này, chiến lược của mọi người chơi đều là tối ưu khi xét đến chiến lược của những người khác. Do đó, phát hiện của nghiên cứu này rất thú vị và mang lại những suy ngẫm mới cho hoạt động phát triển các mô hình AI tạo sinh hiện tại.
Một góc nhìn khác từ cách tiếp cận của mô hình nơ-ron tuyến tính chỉnh lưu được giới thiệu bởi Giáo sư Krenovich và cộng sự trong bài viết “Why Rectified Linear Neurons: A Possible Interval-Based Explanation” (tạm dịch: Tại sao các nơ-ron tuyến tính chỉnh lưu: Một lời giải thích có thể dựa trên khoảng thời gian). Các tác giả cho rằng các kỹ thuật học máy hiệu quả nhất là các mạng nơ-ron sâu, trong đó một tín hiệu liên tục trải qua hai loại chuyển đổi: kết hợp tuyến tính của các đầu vào và một chuyển đổi phi tuyến tính của mỗi giá trị v ® s (v). Theo kinh nghiệm thực tiễn, hàm s (v) = max (v,0) -- được gọi là hàm tuyến tính chỉnh lưu là hàm hoạt động tốt nhất, tuy nhiên, vẫn chưa có lời giải thích nào là hoàn toàn thuyết phục. Do đó, các tác giả tập trung giải thích hiện tượng này theo quan điểm của sự lan truyền bất định (uncertainty propagation). Các lập luận hợp lý liên quan đến bất định dẫn đến một lời giải thích khả thi khác về lý do tại sao các hàm tuyến tính chỉnh lưu lại hiệu quả.
Trường Đại học Ngân hàng TP. Hồ Chí Minh trân trọng kính mời Quý Thầy/Cô, Quý nhà khoa học tham dự ECONVN2025 theo thông tin sau:
- Thời gian, địa điểm tổ chức hội nghị, hội thảo
Thời gian: Từ ngày 13 đến ngày 15/01/2025 (tổ chức trong 03 ngày)
Địa điểm: Trường Đại học Ngân hàng TP. Hồ Chí Minh - 36 Tôn Thất Đạm, phường Nguyễn Thái Bình, Quận 1, TP. Hồ Chí Minh.
Cảm ơn Quỹ Đổi mới sáng tạo Vingroup (VINIF - VINBIGDATA) đã tài trợ ECONVN2025.
Mọi thông tin chi tiết về ECONVN2025, vui lòng truy cập vào đường link: https://hcm-hn.conference-econ-buh-bav-rist.vn/.