Trường Đại học Ngân hàng TP. Hồ Chí Minh tổ chức Hội thảo kinh tế lượng thu hút nhiều chuyên gia đầu ngành
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.
Từ ngày 13 - 15/01/2025 tại Trường Đại học Ngân hàng TP. Hồ Chí Minh tổ chức Hội thảo kinh tế lượng lần thứ 8 (ECONVN2025) với chủ đề Trí tuệ nhân tạo và học máy cho kinh tế lượng: Ứng dụng và quy định - các chủ đề liên quan. 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 TP. Hồ Chí Minh phối hợp với Tạp chí Kinh tế và Ngân hàng Châu Á 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 lần này sẽ quy tụ 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:
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.
Tiếp đó, các giáo sư Joseph R. Paul và Mark E. Schaffer từ Heriot-Watt University giới thiệu suy luận phù hợp, 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.
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.
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.
Ngoài ra, 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.
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. 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.
