Mô tả vắn tắt học phần

Môn học kết hợp lý thuyết và thực hành với phần đầu giới thiệu nền tảng của học máy trong tài chính, nhấn mạnh dữ liệu lớn, FinTech và sự chuyển đổi từ kinh tế lượng truyền thống sang mô hình dựa trên dữ liệu. Trình bày mô hình xác suất, so sánh Bayes và Frequentist, cùng Gaussian Processes trong dự báo và định giá phái sinh. Tiếp đó, sinh viên nghiên cứu mạng nơ-ron (feedforward, Bayesian, deep learning) cùng các phương pháp diễn giải để giải quyết thách thức. Phần hai tập trung vào dữ liệu chuỗi thời gian: mô hình AR, GARCH, Box–Jenkins; mô hình xác suất chuỗi như HMM, state-space, particle filters; và mạng nơ-ron nâng cao (RNN, LSTM, GRU, CNN, autoencoders) áp dụng trong trading, biến động và dự báo tiền mã hóa. Phần cuối giới thiệu reinforcement learning, từ nền tảng (MDPs, Q-learning, Deep RL) đến ứng dụng trong định giá quyền chọn, tối ưu danh mục và quản lý tài sản. Các chủ đề nâng cao gồm inverse reinforcement learning, imitation learning và tiếp cận theo hướng vật lý, giúp sinh viên sẵn sàng đổi mới trong FinTech và tài chính định lượng.