Bài viết chuyên sâu

[FinTech] Phân biệt giữa DA trong Finance; Fintech và Finance MachineLearning

[FinTech] Phân biệt giữa DA trong Finance; Fintech và Finance MachineLearning

by Admin Dathoc -
Number of replies: 0

[DA trong FinTech]
Phân biệt giữa DA trong Finance; Fintech và Finance MachineLearning
Vừa rồi có nhiều bạn có nhiều chia sẻ, thắc mắc liên quan tới Nghề/Công việc Data Analysis - Phân tích dữ liệu, xong trong lĩnh vực Tài Chính Tiền Tệ. Và mình thấy 3 vùng kiến thức trên có vẻ liên quan với nhau.

- Phân tích dữ liệu trong Tài chính tiền tệ
- Công nghệ thông tin thông minh hỗ trợ Tài chính tiền tệ - FinTech - Nghệ Tệ
- Áp dụng máy học, học sâu trong Tài chính tiền tệ - Machine Learning Methods in Finance

Đọc đầy đủ bài viết:
https://dathoc.net/mod/forum/discuss.php?d=150

Bây giờ mình đi vắn tắt từng khái niệm theo hiểu biết cá nhân mình, kèm sách vở có sẵn để các bạn tiện áp dụng.

👉1. Phân tích dữ liệu trong Tài chính tiền tệ:
Nổi trội một số đầu ra:
- Các phân tích để định rõ LUỒNG TIỀN trong tổ chức: tài sản, nợ/có, tiền mặt sẵn, doanh thu, chi, thuế phải nộp...
- Các phân tích áp dụng theo các CHUẨN: Hiểu chuẩn các khung kế toán; chuẩn dòng tiền; điều chỉnh hạng mục cho phù hợp mục tiêu
- Các phân tích để tính toán tự động khấu hao, giá vốn; lưu chuyển chi phí LIFO FIFO
- Các phân tích để tính toán tự động các chỉ số tài chính: ROA, ROE, ROS, ROI...
- Các phân tích: Tạo tự động các công thức cảnh báo: hết tiền mặt, thao túng thu nhập
- Các phân tích dự báo dòng tiền trong tương lai; chạy stress test tính rủi ro cho ngân hàng theo tiêu chuẩn basel

Vậy đầu vào cần học gì, chuẩn bị gì?
- Sách thống kê tiếng Việt, trong dathoc.net/bookda, folder phần TV, sách thống kê
- Sách quản trị vốn trong Tổ chức, tiếng Việt, trong dathoc.net/bookda, file: CD6 - Phan tich 2020
- Các chỉ số tài chính: trong dathoc.net/bookda,  folder phần TV, pdf các chỉ số

Vậy đầu vào cần kỹ năng, biểu mẫu?
- Chắc chắn là tin học văn phòng, đặc biệt Excel và các hàm tính toán phải thạo. Cái này đơn giản cứ W3School
- Có cần lập trình ko. Xin thưa nguyên cái MS Excel nó cho đủ và bao trùm các phạm vi trên rồi. Bạn không cần học thêm lập trình.
- Bạn cần tham khảo TRẢI NGHIỆM các mẫu về rủi ro, về xác định dòng tiền của ngươi đì trước. Ví dụ như mình toàn tham khảo các mẫu CỤ này: https://exinfm.com/free_spreadsheets.html
.
.
👉2. Công nghệ thông tin thông minh hỗ trợ Tài chính tiền tệ - FinTech - Nghệ Tệ
Nổi trội một số đầu ra:
- Các ứng dụng cho vay/chuyển tiền/thanh toán.... qua mobile/ qua ví điện tử - ebanking/ qua sms - mobilemoney
- Các ứng dụng hỗ trợ: gọi vốn trực tuyến; tư vấn tài chính online; bảo hiểm nóng;
- Công cụ AI: Dự báo, cảnh báo thông minh cho nợ xấu từ khách hàng; dự báo cảnh báo giao dịch xấu tiền tệ; chứng khoán; dự báo sóng đầu tư trong chứng khoán hay ngoại hối
- Công cụ AI: Dự báo cảnh báo tỷ suất đầu tư trong một thời kỳ; dự báo thâm hụt vốn; thao túng vốn
- Công cụ AI/Robot advisor: Tự động tư vấn điều chỉnh danh mục đầu tư trong một quỹ

Vậy đầu vào cần học gì, chuẩn bị gì?
- Rất cần bạn học thêm các khái niệm: thế nào là ứng dụng phần mềm; thế nào là các thuật toán XYZ, ứng dụng của nó thế nào? thế nào là máy học, thế nào là trí tuệ nhân tạo, thế nào là dữ liệu lớn. Đôi khi một số bạn học cả 6 năm, xong cần nói 5 phút về máy học, trí tuệ nhân tạo, hay dữ liệu lớn là gì... lại không biết nói.
- Cố gắng tìm ra cái ứng dụng mà NÓ ÁP DỤNG những cái trên là gì???
- Cố gắng tìm ra ngôn ngữ lập trình và các thư viện TẠO NÊN ứng dụng đó
- Bạn tập lập trình, tập làm một ứng dụng hoàn chỉnh
- Bạn tập ghép các thuật toán và dữ liệu kèm thư viện để tạo thành ứng dụng phục vụ FinTech
- Phần dathoc.net/skill, phần ML, DL engineering sẽ nêu cho bạn rõ hơn tài liệu, sách nào bạn sẽ cần cho kién thức nào

Vậy đầu vào cần kỹ năng, biểu mẫu?
- Kỹ năng lập trình hướng đối tượng; kỹ năng gia công thư viện máy học; kỹ năng áp dụng thuật toán với data để tạo dự đoán, phân loại
- Kỹ năng lập trình cho mobile; kỹ năng lập trình thanh toán liên ngân hàng
- Kỹ năng lấy thông tin trên mạng, thu thập, crawl
- Kỹ năng gia công text nlp, phân loại
- Phần dathoc.net/skill, phần ML, DL engineering sẽ nêu cho bạn rõ hơn
.
.
👉3. Áp dụng máy học, học sâu trong Tài chính tiền tệ - Machine Learning Methods in Finance
Nổi trội một số đầu ra:
- Tạo mô hình tự động mua bán tài chính: reinforcement learning để tự động ra quyết định mua/bán chứng khoán/ngoại hối
- Tạo mô hình timeseries trong bài toán số liệu liên tục; ra quyết định đầu tư chứng khoán; chỉ tiêu doanh số kinh doanh trong tương lai
- Tạo mô hình  logistic regression bài toán 1-n; để gợi ý những nhân tố tốt làm đạt lợi nhuận/đạt mục tiêu trong kỳ tốt nhất
- Đánh giá chéo để đánh giá mô hình đang có tốt hay không
- Kiểm tra lại với chiến thuật tính lỗ/lãi ròng/lợi tức điều chỉnh theo rủi ro

Vậy đầu vào cần học gì, chuẩn bị gì?
- Học lập trình python với finance qua: https://github.com/jamesmawm/mastering-python-for-finance-second-edition
https://github.com/georgezouq/awesome-ai-in-finance
- Kỹ năng lập trình kèm thư viện máy học tăng cường (reinforcement learning), xem 
https://github.com/AI4Finance-Foundation/Deep-Reinforcement-Learning-for-Automated-Stock-Trading-Ensemble-Strategy-ICAIF-2020
https://github.com/AI4Finance-Foundation/FinRL
- Kỹ năng lập trình kèm thư viện máy học: timeseries, logistic regression, trong dathoc.net/bookda, xem
https://www.datacamp.com/community/tutorials/understanding-logistic-regression-python
https://github.com/winedarksea/AutoTS
- Kỹ năng đánh giá chéo so sánh các mô hình
+ Fit data với mô hình
https://blogs.oracle.com/ai-and-datascience/post/7-effective-methods-for-fitting-a-linear-model-in-python
+ Correlation, confusion, covariance
https://datatofish.com/correlation-matrix-pandas/
https://datatofish.com/confusion-matrix-python/
https://datatofish.com/covariance-matrix-python/
https://github.com/khorihutama/findDistance

Mời bạn bổ sung thêm
--------------------
Trải nghiệm quanh NGOÀI VIỆC HỌC:

👉1. Sau một hồi bạn học, đọc, thực hành phần mềm... rồi các công ty chê bai bạn không tuyển dụng bạn vì bạn không có trình độ. Vậy bước đi tiếp?
- Cũng có những khích lệ và chỉ đạo này nọ; xong mình thấy đa phần các fans của group kiểu như áp dụng chưa hết hoăc hiểu chưa hết về vấn đề... rồi đã mang bài đi thi rồi.
- Vậy bạn nên chủ động tham gia thu thập thông tin; tự áp dụng phân tích; tự mua bán; rồi video clipping lại...gửi cho các tổ chức muốn thuê bạn
- Vậy bạn đơn giản hãy thử khảo cứu 3-4 thuật toán trên 1 lạoi tập dữ liệu; xem cái nào tối ưu; rồi video clip lại..gửi các tổ chức cần thuê bạn. Mình nghĩ khi đó họ sẽ nhìn bạn với con mắt khác.
- Theo mình: 99% các ông chủ, khách hàng cuối.. họ cuối cùng cần bạn một ứng dụng công nghệ thông tin có giao diện dễ dùng, dễ tưởng tượng. Và họ thấy được tính dễ dùng; sau đó họ dùng và họ thấy tính hiệu quả của thuật toán. Vậy kỳ vọng bạn chuyển sang Finance có yếu tố công nghệ là ...khá mất nhiều công sức

👉2. Khi bạn được tuyển, trong quá trình làm với tổ chức. Cần làm những việc này hàng tuần?
- Hàng tuần bạn nên ghi chép lại, kiểu blog, bạn làm được gì; sếp chê cái gì; bạn tối ưu được gì. Tin mình đi, sau 1-2 năm bạn sẽ cần tới cái này.
- Hàng tuần nên đi ngồi cafe với các anh em cùng công ty; dù bạn thích họ; ghét họ mấy cũng đc. Nên đi với họ ..tới quán ăn; phòng game; hoặc chat online...với họ ít nhất 1 lần
- Hàng tuần; công việc nào mới làm cũng khó khăn. Xong từ trải nghiệm của mình; với khả năng tiếng Anh của bạn, thì mọi khó khăn internet sẽ giải quyết hết
- Hàng tuần: bạn nên xử lý công việc theo nhiều hướng và tìm ra cách tối ưu nhất; điều đó cũng như việc bạn áp dụng 3-4 thuật toán cho dữ liệu của bạn; sau đó bạn sẽ tìm ra thuật toán cho bạn kết quả tối ưu nhất.
- Hàng tuần; sẽ có kiểu báo cáo; rồi nêu khó khăn; chắc sẽ là thời điểm tốt để bạn blame vào: do ai đó làm bạn khó khăn; do trình độ mình yếu; xong theo mình bạn nên ...đổ lỗi cho bạn. Vì bạn chậm, và kém khi tiếp thu. Nên thế!

👉3. Nếu không có bạn, và các ứng dụng máy học hay AI từ bạn, finance vẫn chạy tốt; xong:
- Họ, các chủ đầu tư, khách hàng của bạn - sẽ phải chờ, đợi theo các tín hiệu kỹ thuật cổ lỗ mà họ dùng từ 50 năm nay
- Họ cũng sẽ có vài trải nghiệm mới tool này tool kia - nào máy học, nào AI - , xong họ đang mong chờ bạn làm một tool tương tự như họ đang nghĩ. Vậy cần ở bạn sự nỗ lực lắm lắm.

Gluk!