Ngày nay, hầu hết các tổ chức chính phủ hay phi chính phủ, quy mô hoạt động lớn hay nhỏ đều cần những mô hình dự báo tốt. Thông thường, các tổ chức này phải dự báo rất nhiều biến số vĩ mô của nền kinh tế như tỷ lệ lạm phát, tiền lương nhân viên, doanh số bán sản phẩm, … Nếu công tác dự báo tốt sẽ tạo điều kiện cho tổ chức này đưa ra các quyết định chính xác trong tương lai. Cho đến nay, kỹ thuật dự báo vẫn dựa trên hai loại mô hình phổ biến là mô hình kinh tế lượng (ARIMA, VAR, hồi quy bội, …) và mô hình dự đoán (các dạng Artificial Neural Network). Ưu điểm của các mô hình kinh tế lượng so với các mô hình dự đoán là giúp hiểu được sự tác động nhân quả giữa các biến số trong nền kinh tế, do đó cung cấp cho các tổ chức thông tin để đưa ra các chiến lược, giải pháp cải tiến, điều chỉnh các biến số trong mô hình nhằm đạt được mục tiêu kinh tế. Tuy nhiên, ưu điểm này trong một số trường hợp đặc biệt lại chính là nguyên nhân dẫn đến những thất bại của các mô hình kinh tế lượng. Tháng 10/2008, ngay sau khi ngân hàng đầu tư Lehman Brothers sụp đổ, Quỹ Tiền tệ Quốc tế (IMF) đã công bố dự báo tăng trưởng năm 2009. Trong đó, IMF cho biết kinh tế Mỹ sẽ tăng trưởng 0,1%, các quốc gia thuộc khu vực đồng Euro tăng 0,2% và cả thế giới tăng 2,6%. Trên thực tế, các mức tăng trưởng lần lượt là -3,5%, -4,2% và -2,6%. Cuộc khủng hoảng tài chính năm 2008 đã khiến cho giới nghiên cứu kinh tế nhận rất nhiều lời chỉ trích về khả năng nhìn nhận, kiểm soát các chu kỳ kinh tế cũng như khả năng dự báo những cuộc khủng hoảng. Có nhiều lý giải đã được đưa ra cho sự thất bại này. Chẳng hạn như con người thường thay đổi hành vi và quan sát tin tức. Nếu các nhà kinh tế dự báo khủng hoảng sẽ diễn ra vào năm 2022 và những dự báo đó được công bố rộng rãi thì doanh nghiệp sẽ hủy các kế hoạch đầu tư và người dân sẽ hạn chế chi tiêu vì sợ thất nghiệp. Do đó, khủng hoảng sẽ xuất hiện ngay bây giờ chứ không phải chờ đến năm 2022. Như vậy, trong trường hợp này, các mô hình kinh tế lượng xây dựng trên cơ sở các lý thuyết kinh tế sẽ không dự báo được tình hình thực tế do hành vi con người đã thay đổi.
![]()
Hay một lý giải khác xuất phát từ việc nền kinh tế là một cơ chế phức tạp bao gồm nhiều thành phần hoạt động. Các nhà kinh tế không thể thực hiện các thí nghiệm kiểu thời gian thực giống như các nhà khoa học thường làm, ví dụ như mô phỏng nền kinh tế này với lãi suất cao và một nền kinh tế khác với lãi suất thấp. Không có cách nào để tách biệt các nhân tố ảnh hưởng đến tăng trưởng.
Câu chuyện của các mô hình dự đoán lại hoàn toàn trái ngược với các mô hình kinh tế lượng. Khác với các mô hình kinh tế lượng, các mô hình dự đoán không dựa trên bất kỳ lý thuyết kinh tế nào. Thay vào đó, các mô hình dự đoán là chung chung, không có giả định và thường có thể được điều chỉnh cho phù hợp với bất kỳ chức năng, hay sự thay đổi hành vi con người nào. Cụ thể, mô hình dự đoán sử dụng dữ liệu trong quá khứ, xây dựng cấu trúc của mô hình và tạo ra giá trị dự báo như một đầu ra. Nói chung, mô hình dự đoán tìm kiếm mô hình tốt nhất cho một vấn đề nhất định và quyết định cấu trúc, chức năng và thông số của mô hình.
![]()
Các mô hình dự đoán thường dựa trên kỹ thuật học sâu (Deep Learning). Kỹ thuật này là một nhánh của học máy (Machine Learning), cho phép các mô hình tính toán gồm nhiều tầng xử lý học biểu diễn dữ liệu ở nhiều mức trừu tượng khác nhau. Các mô hình học sâu phổ biến hiện nay là các mô hình dựa trên mạng nơ-ron nhân tạo (Artificial Neural Network – ANN). Sức mạnh của học sâu là khả năng học biểu diễn – tự động học các đặc trưng biểu diễn dữ liệu đầu vào. Khả năng này đã chứng minh tính ưu việt của học sâu khi được ứng dụng vào các lĩnh vực xử lý ngôn ngữ tự nhiên (Natural Language Processing) và thị giác máy tính (Computer Vision). Không chỉ vậy, học sâu hiện nay đã được chứng minh là vượt trội so với các mô hình khác ở nhiều lĩnh vực, trong đó có lĩnh vực kinh tế.
Nắm bắt được thực trạng trên đồng thời mong muốn cập nhập những kiến thức mới trong dự báo kinh tế vĩ mô, Trường Đại học Ngân hàng Tp. Hồ Chí Minh đã tổ chức Hội thảo
“Dự báo kinh tế vĩ mô trên nền tảng Deep Learning” với sự chủ trì của PGS. TS. Nguyễn Đức Trung và sự tham gia của Viện trưởng Viện nghiên cứu, các trưởng, phó khoa, trưởng các đơn vị trong trường, các chuyên gia, nhà nghiên cứu quan tâm đến chủ đề này.
Tai Hội thảo, PGS. TS. Công nghệ thông tin Nguyễn Thanh Hiên đã giới thiệu các dạng ANN phổ biến như mạng Perceptron nhiều tầng (Multi-layer Perceptron - MLP), mạng nơ-ron tích chập (Convolutional Neural Network - CNN), mạng nơ-ron hồi quy (Recurrent Neural Network - RNN), mạng nhớ ngắn-dài hạn (Long Short Term Memory – LSTM).
Đồng thời, nhóm nghiên cứu của PGS. TS. Nguyễn Thanh Hiên đã trình bày kết quả ứng dụng học sâu trong dự báo các chuỗi thời gian vĩ mô của Mỹ bằng phương pháp học chuyển giao (Transfer Learning) kết hợp với chuẩn hóa dòng có điều kiện (Conditional Normalizing Flows) trên mô hình Seq2Seq sử dụng LSTM trên các tập dữ liệu FRED-MD, FRED-QD, JSTdataR4. Các tập dữ liệu FRED-MD và FRED-QD chứa dữ liệu về kinh tế vĩ mô của Mỹ từ năm 1959 đến 2020 lần lượt được thu thập theo tháng và theo quý. Tập dữ liệu JSTdataR4 chứa dữ liệu kinh tế vĩ mô của 17 nền kinh tế mạnh, thu thập từ năm 1870 đến năm 2016, trong đó có Mỹ.
Kết quả nghiên cứu cho thấy mô hình học chuyển giao, học chuyển giao kết hợp với chuẩn hóa dòng có điều kiện cho kết quả tốt hơn so với mô hình Seq2Seq (không chuyển giao, không chuẩn hóa dòng). Đồng thời, các chỉ số đánh giá độ chính xác của dự báo MAPE, RMSE cũng cho thấy mô hình học chuyển giao, học chuyển giao kết hợp với chuẩn hóa dòng có điều kiện cho kết quả dự báo vượt trội so với các mô hình VAR, LASSO kết hợp với VAR và XGBoost kết hợp với VAR.
Thành công của Hội thảo này đã đánh dấu xu hướng mới trong nghiên cứu của Trường Đại học Ngân hàng Tp. Hồ Chí Minh là ứng dụng mạnh mẽ kỹ thuật học sâu (Deep Learning), hướng đến sử dụng trí tuệ nhân tạo trong dự báo kinh tế vĩ mô nhằm thực hiện công văn 3191/UBND-TH ngày 20/8/2020 của Uỷ Ban Nhân Dân Tp. Hồ Chí Minh về xây dựng Đề án nghiên cứu dự báo kinh tế - xã hội Tp. Hồ Chí Minh.