Sử dụng big data và trí tuệ nhân tạo trong hoạt động của Ngân hàng Trung Ương
03/07/2020 2.701 lượt xem
Trong những năm gần đây, với cách mạng công nghệ 4.0, các ngân hàng trung ương (NHTW) bắt đầu đối mặt với xu hướng bùng nổ các bộ dữ liệu lớn về tài chính, phản ánh sự phối hợp giữa sự phát triển nhanh chóng của kỹ thuật in ấn điện tử và ghi chép các giao dịch tài chính, thương mại, quản lý hành chính.
 
Nhiều kỹ thuật mới đã được nghiên cứu, triển khai và phát triển, được gọi là “phân tích dữ liệu lớn” và “trí tuệ nhân tạo”. Việc sử dụng kỹ thuật mới này đang hứa hẹn sẽ đem đến nhiều cơ hội cho NHTW thực hiện tốt hơn các chức năng quan trọng của mình, qua việc nâng cao được chất lượng công tác phân tích, dự báo kinh tế, hoạch định chính sách của NHTW. Tuy nhiên, NHTW cũng phải đối mặt với không ít thách thức.
 
Dữ liệu lớn (big data) là một tập hợp các dữ liệu không đồng nhất với đặc điểm chung là khối lượng rất lớn, tốc độ nhanh, được định dạng dưới nhiều hình thức khác nhau. Dữ liệu lớn được hình thành từ việc sử dụng ngày càng tăng các công cụ điện tử và hệ thống thông tin, do các tổ chức và cá nhân hình thành trong đời thường dưới những hình thức khác nhau, bao gồm 6 nguồn dữ liệu chủ yếu sau: (i) dữ liệu hành chính; (ii) dữ liệu về hoạt động thương mại; (iii) dữ liệu từ các thiết bị cảm biến như thiết bị chụp ảnh vệ tinh, cảm biến đường, cảm biến khí hậu; (iv) dữ liệu từ thiết bị theo dõi; (v) dữ liệu từ hành vi (như tìm kiếm trực tuyến); (vi) dữ liệu từ thông tin về ý kiến, quan điểm cá nhân trên các phương tiện thông tin xã hội.
 
Đặc trưng của dữ liệu lớn:
 
Đặc trưng của dữ liệu lớn có thể phân chia theo nhiều cách khác nhau, sau đây là một cách phân chia về đặc trưng của dữ liệu lớn (5V)
 
- Khối lượng dữ liệu (Volume): Đây là đặc điểm tiêu biểu nhất của dữ liệu lớn, khối lượng dữ liệu rất lớn. Kích cỡ của big data ngày càng tăng lên. Dữ liệu truyền thống có thể lưu trữ trên các thiết bị đĩa mềm, đĩa cứng. Tuy nhiên, với dữ liệu lớn chúng ta sẽ sử dụng công nghệ “đám mây” mới đáp ứng khả năng lưu trữ được dữ liệu lớn.
 
- Tốc độ (Velocity): Tốc độ có thể hiểu theo hai khía cạnh: (i) Khối lượng dữ liệu gia tăng rất nhanh (mỗi giây có tới 72,9 triệu các yêu cầu truy cập tìm kiếm trên Web bán hàng của amazon); (ii) Xử lý dữ liệu nhanh ở mức thời gian thực (real time), có nghĩa là dữ liệu được xử lý ngay sau khi phát sinh (tính bằng mili giây). Hiện nay, các ứng dụng phổ biến trên lĩnh vực Internet, tài chính, ngân hàng, hàng không, quân sự, y tế phần lớn dữ liệu lớn được xử lý real time. Công nghệ xử lý dữ liệu lớn ngày nay đã cho phép chúng ta xử lý tức thì trước khi chúng được lưu trữ vào cơ sở dữ liệu.
 
- Đa dạng (Variety): Đối với dữ liệu truyền thống chúng ta hay nói đến dữ liệu có cấu trúc, thì ngày nay hơn 80% dữ liệu sinh ra là không có cấu trúc (tài liệu, blog, hình ảnh, video, bài hát, dữ liệu từ thiết bị cảm biến vật lý,…) Big data cho phép liên kết và phân tích nhiều dạng dữ liệu khác nhau.
 
- Độ tin cậy/chính xác (Veracity): Một trong những tính chất phức tạp nhất của dữ liệu lớn là độ tin cậy/chính xác của dữ liệu lớn. Do xu hướng phát triển mạnh của phương tiện truyền thông xã hội, mạng xã hội nên việc xác định độ tin cậy và chính xác của dữ liệu ngày một khó khăn hơn.
 
- Giá trị (Value): Đây là đặc điểm quan trọng nhất của dữ liệu lớn, vì khi bắt đầu triển khai xây dựng dữ liệu lớn thì việc đầu tiên phải làm là xác định được giá trị của thông tin mang lại như thế nào? Khi đó, chúng ta mới quyết định triển khai hay không.
 
Bằng cách cung cấp thông tin tổng hợp, trực tiếp và cụ thể hơn, xu hướng phát triển dữ liệu lớn có tiềm năng củng cố các kỹ thuật phân tích phục vụ việc ra quyết định, góp phần bổ sung cho các chỉ số kinh tế vĩ mô truyền thống. Nhiều kỹ thuật mới đã được triển khai phát triển, được gọi là “phân tích dữ liệu lớn” và “trí tuệ nhân tạo”. So với kỹ thuật thống kê và phân tích truyền thống, kỹ thuật mới này đang hứa hẹn sẽ được thể hiện một cách rõ ràng, nhanh chóng, kịp thời và có khả năng kết nối. Do đó, nhiều NHTW bắt đầu đưa ra các sáng kiến về dữ liệu lớn để khám phá những vấn đề này.
 
Cũng như các tổ chức khác, NHTW đang phải đối mặt với nhiều thách thức, nhất là trong việc xử lý và sử dụng những nguồn dữ liệu lớn cho các mục tiêu hoạch định chính sách. Cụ thể là, phần lớn các nguồn dữ liệu đòi hỏi phải xử lý các bộ dữ liệu lớn và phức tạp, trong khi hiệu quả đầu tư thường không rõ ràng.
 
Nhờ đổi mới công nghệ thông tin, các kỹ thuật mới có thể được sử dụng để thu thập và khai thác dữ liệu, kết hợp các nguồn dữ liệu khác nhau, chiết xuất thông tin thích hợp, truyền thông hay công bố những chỉ số phù hợp, mở đường cho quy trình ra quyết định của các tổ chức kinh tế. Đến lượt nó, nguồn thông tin cụ thể này có thể hỗ trợ hoạch định các chính sách của NHTW một cách hiệu quả trong nhiều lĩnh vực như thông tin thị trường (phân tích rủi ro tín dụng), dự báo kinh tế, đánh giá ổn định tài chính, truyền thông với bên ngoài. Cách tiếp cận này có thể rất cụ thể, nhằm vào những thị trường, định chế và địa phương nhất định, nhất là trong việc hỗ trợ các chính sách vĩ mô thận trọng. Hơn nữa, các chỉ số dữ liệu lớn thường có tính kịp thời cao hơn so với dữ liệu thống kê truyền thống. Thí dụ, các chỉ số lao động có thể được chiết xuất từ các quảng cáo việc làm trực tuyến trong thực tế.
 
Trên thực tế, kỹ thuật phân tích dữ liệu lớn cũng không quá khác biệt so với kỹ thuật kinh tế lượng truyền thống, và nó cũng dựa vào nhiều phương pháp hệ và kỹ thuật đã được thiết lập trong thời gian dài qua nhiều thế hệ.
 
Thông tin dữ liệu lớn đối với NHTW
 
Nguồn dữ liệu lớn đối với NHTW bao gồm ba nguồn sau: Các mạng xã hội; Các hệ thống kinh doanh truyền thống và internet vạn vật. Đây là những phạm trù rất đa dạng trong thực tế cuộc sống, dữ liệu lớn sẽ bao gồm nhiều loại dữ liệu không đồng nhất, bắt nguồn từ ba nguồn dữ liệu chủ yếu này.
 
Trong một nghiên cứu sâu hơn về NHTW, ông Bruno Tissot (Ngân hàng Thanh toán quốc tế - BIS) xác định bốn loại hình dữ liệu lớn có thể được mô tả như dữ liệu tài chính lớn: Các chỉ số dựa trên Web, các bộ dữ liệu thương mại, các chỉ số thị trường tài chính và ghi chép hành chính. (Hình1)

 
Tuy nhiên, trên thực tế, đa phần các bộ dữ liệu tài chính lớn phù hợp với NHTW bao gồm thông tin rất chi tiết, được cung cấp bởi các ghi chép rộng lớn và ngày càng tăng về các giao dịch thương mại, sự phát triển của các thị trường tài chính và nghiệp vụ hành chính. Những thể loại thông tin này được hình thành từ sự mở rộng các bộ dữ liệu ở cấp vi mô và được thu thập từ sau khủng hoảng tài chính toàn cầu 2007-2009 theo sáng kiến của các nước G20. Theo đó, nhiều NHTW đã có những nỗ lực rất lớn trong việc soạn thảo các sơ sở dữ liệu chi tiết về hoạt động cho vay và đầu tư chứng khoán cũng như ghi chép các giao dịch phái sinh cá nhân. 
 
Cơ hội cho các NHTW
 
Theo ghi nhận của các nhà tạo lập chính sách, dữ liệu lớn có thể đóng vai trò quan trọng trong việc nâng cao chất lượng của các nghiên cứu và phân tích kinh tế. Chính vì vậy, nhiều NHTW đang nghiên cứu cách thức sử dụng các đặc điểm của các bộ dữ liệu tài chính lớn vì mục tiêu điều hành và quản lý hoạt động tiền tệ - ngân hàng. Trong đó, các NHTW quan tâm triển khai những dự án thử nghiệm khác nhau nhằm hiểu sâu hơn về các bộ dữ liệu và kỹ thuật mới, đồng thời, đánh giá giá trị gia tăng so với các cách tiếp cận truyền thống và triển khai những trường hợp sử dụng cụ thể.
 
Kết quả nghiên cứu và thử nghiệm đã cho thấy những cơ hội do việc phân tích dữ liệu lớn có thể cung cấp trong những lĩnh vực chủ chốt mà NHTW quan tâm, chủ yếu là tạo ra thông tin thống kê; phân tích và dự báo kinh tế vĩ mô; giám sát thị trường tài chính; đánh giá những rủi ro tài chính; đánh giá tác động chính sách.
 
Cải tiến và mở rộng thông tin thống kê
 
Dữ liệu lớn có thể là phương tiện có ích cho việc cải tiến các cơ quan thống kê chính thức, bởi lẽ: 
 
Thứ nhất, dữ liệu lớn sẽ là cơ sở để đổi mới và tạo dựng cơ quan thống kê chính thức, đưa ra cách tiếp cận các dữ liệu lớn một cách có hệ thống. Tại một số nước phát triển, việc thu thập thông tin trực tiếp trên mạng về các dữ liệu giá cả bán lẻ trực tuyến có thể được sử dụng để tính toán chính xác hơn các cấu thành lạm phát như giá thực phẩm tươi sống. Trong trường hợp cần thiết, những dữ liệu này có thể thay thế các chỉ số truyền thống tại những nước mà hệ thống thống kê chính thức chưa phát triển, cho phép tính toán các chỉ số lạm phát tại những nước còn thiếu vắng chỉ số chính thức và tổng hợp. Tương tự, nhiều NHTW tại các nước mới nổi đã biên soạn các ước lượng nhanh về giá cả đối với những mặt hàng và tài sản tiêu biểu, bằng cách thu thập thông tin trực tiếp trên mạng, thay vì phải tiến hành điều tra chuyên ngành mất nhiều thời gian và tốn kém chi phí.
 
Thứ hai, dữ liệu lớn hỗ trợ phát hành kịp thời các dữ liệu chính thức, bằng cách bắc cầu các độ trễ trước khi những thống kê chính thức này trở nên sẵn có. Cụ thể là, thông tin hình thành chớp nhoáng từ hàng loạt trang web và thiết bị điện tử cung cấp các chỉ số có tần suất cao (thường xuyên xuất hiện), có thể giúp cho diễn biến kinh tế hiện hành được theo dõi kịp thời hơn.
 
Thứ ba, cung cấp những loại hình mới về thống kê, bổ sung cho các bộ dữ liệu thống kê truyền thống. Trong số này, hai yếu tố quan trọng bao gồm: (i) Mức độ sẵn sàng ngày càng tăng của nguồn thông tin điện tử, cho phép đo đạc các chỉ số “mềm” như cảm nhận và kỳ vọng của các tổ chức kinh tế bắt nguồn từ các cổng thông tin xã hội. Hoạt động điều tra thống kê truyền thống cũng có thể cung cấp loại hình thông tin này, nhưng tập trung vào những khoản mục đặc biệt như kỳ vọng của doanh nghiệp sản xuất và niềm tin của người tiêu dùng. Trái lại, các nguồn thông tin trên mạng internet có thể phủ khắp các chủ đề rộng lớn. Tuy nhiên, nguồn thông tin này mang tính giáo huấn thấp hơn so với điều tra trực tiếp, nên phản ánh thói quen và suy nghĩ trung thực hơn; (ii) Xu hướng gia tăng sử dụng các bộ dữ liệu chi tiết dung lượng lớn để cải tiến việc soạn thảo các chỉ số kinh tế vĩ mô tổng thể, cho phép hiểu sâu hơn về sự lan truyền và phân bổ của loại thông tin này trong hệ thống kế toán quốc gia.
 
Sử dụng dữ liệu lớn trong dự báo kinh tế vĩ mô
 
Nhiều NHTW đã sử dụng các bộ dữ liệu lớn trong việc dự báo kinh tế vĩ mô. Trong đó, dữ liệu lớn cho phép sử dụng rộng rãi các chỉ số để dự báo các chỉ số cơ bản, nghiệp vụ thẻ tín dụng, cũng như nhiều chỉ số truyền thống khác. Tuy nhiên, khúc mắc nằm ở vấn đề cụ thể, và các cán bộ thống kê cần thử nghiệm một số cách tiếp cận. (Thí dụ, một số chỉ số có thể sử dụng tốt cho việc dự báo tăng trưởng GDP, nhưng không dự báo được diễn biến trong tương lai). Điểm khác cần lưu ý là, internet không phải là nguồn chỉ số duy nhất có thể sử dụng trong ngữ cảnh này. Trên thực tế, một số chỉ số thu thập từ các Website có khả năng dự báo thấp hơn so với việc điều tra niềm tin kinh doanh truyền thống.
 
Với tầm nhìn mang tính báo trước này và khả năng cân nhắc các tiềm năng dữ liệu rộng lớn, cần áp dụng quy trình cơ cấu khi tiến hành những thử nghiệm này.
 
Tháng 7/2018, NHTW New Zealand đã công bố báo cáo đánh giá kết quả thực tế về việc sử dụng phương pháp máy học (Machine learning) để đưa ra dự báo chính xác GDP. Theo đó, phương pháp này được tiến hành theo hướng ước lượng một số mô hình máy học trong giai đoạn 2009-2018 bằng cách sử dụng các dữ liệu GDP lịch sử, bao gồm khoảng 550 chỉ số kinh tế vĩ mô trong nước và quốc tế. Sau đó so sánh với những phương pháp khác như mô hình tự hồi quy đơn giản, mô hình yếu tố, mô hình tự hồi quy Bayesian và nhóm các mô hình đang sử dụng tại NHTW New Zealand. Kết quả cho thấy, đa số các mô hình máy học cho kết quả chính xác hơn so với những phương pháp khác, có thể trở thành công cụ thích hợp để dự báo GDP trong tương lai. (Hình 2, 3)



 
Cũng trong tháng 7/2018, NHTW Thái Lan giới thiệu cách tiếp cận mới về việc sử dụng các dữ liệu tìm kiếm trên mạng internet trong việc theo dõi các chỉ số kinh tế, mục tiêu là nhằm nâng cao chất lượng dự báo của mô hình dự báo cũng như hầu hết những mô hình khác. Tuy nhiên, cách tiếp cận này gặp nhiều trở ngại khi triển khai áp dụng, và nếu chỉ nâng cao năng lực dự báo thì chưa thể đáp ứng yêu cầu của các nhà tạo lập chính sách do các dữ liệu thường không đồng nhất và sai số giữa mô hình mẫu với việc lựa chọn thuật ngữ. Nghiên cứu đã giới thiệu cách tiếp cận chuẩn mực hơn để khắc phục những hạn chế này, đồng thời, nâng cao độ tin cậy và ý nghĩa của các dữ liệu tìm kiếm qua mạng, nhất là các chỉ số tương quan Google, trong khi vẫn duy trì hiệu quả dự báo các chỉ số kinh tế. Theo đó, bốn chỉ số được triển khai và đang áp dụng trong quy trình của NHTW Thái Lan về theo dõi điều kiện kinh tế thực tế, bao gồm: (i) Sức mua của các hộ gia đình; (ii) Niềm tin của khách hàng tiêu dùng theo hộ gia đình; (iii) Chi tiêu cá nhân trong việc mua sắm các sản phẩm lâu bền; (iv) Tỷ lệ thất nghiệp.
 
Theo dõi và dự báo thị trường tài chính
 
Cũng như trong lĩnh vực kinh tế vĩ mô, phân tích dữ liệu lớn cũng có tác dụng trong việc giám sát và dự báo sự phát triển trên thị trường tài chính, một lĩnh vực chủ chốt của NHTW. Nhiều dự án về lĩnh vực này đã tạo thuận lợi cho việc xử lý khối lượng thông tin khổng lồ trong các bộ dữ liệu tài chính. Thí dụ, có thể dự báo doanh thu trên các thị trường trái phiếu tại các nước mới nổi dựa trên việc sử dụng các quy định về kỹ thuật giao dịch.
 
Những loại hình dự án khác nghiên cứu các dữ liệu có cơ cấu đơn giản hơn. NHTW Indonesia mô tả cách thức mà phương pháp điện toán về khai thác dữ liệu có thể được sử dụng để tính toán các kỳ vọng của công chúng để định hướng các mức lãi suất. Tương tự, việc khai thác dữ liệu thông tin có thể được sử dụng để dự báo thu nhập cổ phiếu. Ngoài ra, nguồn thông tin trên các cổng thông tin xã hội và báo cáo chính thức cũng được coi là rất có ích.
 
Kinh nghiệm rút ra từ một số báo cáo của các NHTW cho thấy, những nguồn dữ liệu lớn mới thu thập cũng có thể giúp giải thích sự phát triển trên các thị trường tài chính, mở đường cho định hướng tiềm năng trong tương lai. Tại NHTW Nhật Bản (BoJ), việc sử dụng các dữ liệu có tần suất xuất hiện cao có thể tạo thuận lợi cho việc đánh giá thanh khoản thị trường trên thị trường trái phiếu chính phủ cũng như những rủi ro tiềm tàng về biến động giá cả. Ngoài ra, NHTW Vương quốc Anh cũng đã thiết lập những dự án chuyên sâu để xác định động lực và thanh khoản thị trường ngoại hối vào thời điểm có những thay đổi lớn trên thị trường.
 
Cơ quan Quản lý tiền tệ Hồng Kông đã nghiên cứu sử dụng các quy định về kỹ thuật giao dịch để dự báo doanh thu trái phiếu chính phủ. Dự án đã khảo sát khả năng dự báo 48 thị trường trái phiếu chính phủ dựa trên chiến lược 27.000 quy tắc (thói quen) kỹ thuật giao dịch. Kết quả thực tế cho thấy: (i) Dựa trên các tín hiệu mua bán bắt nguồn từ các thói quen trong giao dịch, có thể dự báo hoạt động đầu tư trên thị trường trái phiếu chính phủ, trong đó, khả năng dự báo tại các thị trường mới nổi châu Á cao hơn nhiều so với tại các nước phát triển; (ii) Khả năng dự báo tăng cao khi Mỹ thắt chặt chính sách tiền tệ hoặc bước vào suy thoái; (iii) Tới 2/3 số thị trường trái phiếu chính phủ cho ra kết quả dự báo với độ chính xác khá cao, nếu sử dụng phương pháp máy học (Machine learning) để xác định chiến lược giao dịch tốt nhất; (iv) Khả năng dự báo cao hơn trong nền kinh tế yếu kém, trình độ quản lý thấp, độ mở tài chính thấp, rủi ro chính trị ở mức cao, thu nhập thấp và lượng tiền thực tế tăng nhanh.
 
Đánh giá rủi ro tài chính
 
Kỹ thuật và các nguồn dữ liệu lớn cũng có thể tạo thuận lợi cho việc đánh giá rủi ro tài chính và nâng cao năng lực giám sát tại NHTW cả ở tầm vi mô và vĩ mô. Cụ thể là, việc triển khai các phân tích dữ liệu lớn đang mở ra những cách thức đầy hứa hẹn về việc sử dụng khối lượng lớn thông tin bắt nguồn từ các bộ dữ liệu tài chính chi tiết để đánh giá rủi ro tài chính.
 
Dựa trên nguồn thông tin chi tiết do NHTW thu thập được từ các cơ sở dữ liệu giám sát, kỹ thuật nghiên cứu sâu rộng được sử dụng rộng rãi để dự báo khả năng vỡ nợ của từng khoản nợ quá hạn. Để tạo thuận lợi cho hoạt động giám sát, cách tiếp cận này được bổ sung bởi phương pháp điện toán nhằm giảm số lượng biến số cần xem xét. Hơn nữa, phân tích dữ liệu lớn có thể hỗ trợ cho việc cải thiện các quy trình đánh giá khu vực tài chính hiện hành, bằng cách triển khai các phương pháp hệ truyền thống và làm sáng tỏ vấn đề như phân tích tâm trạng tài chính, hệ thống cảnh báo sớm, kiểm tra sức chịu đựng và phân tích mạng lưới.
 
Ngày 24/4/2017, Ông Paul J. Daries đã giới thiệu trên Tạp chí phố Wall (WSJ) các phương pháp phân tích mạng lưới và mô phỏng (mô hình hóa) các dữ liệu tiên tiến, được sử dụng để xác định những điểm yếu trong hệ thống (tài chính), nếu không sẽ bị bỏ sót. Phương pháp này được các cán bộ quản lý và ngân hàng áp dụng để quản lý rủi ro tài chính. Trong đó, các phương pháp phân tích mạng lưới do TS. Kimmo Soramäki (người sáng lập và lãnh đạo Công ty Phân tích mạng lưới tài chính (FNA - Financial Network Analysis Ltd) áp dụng cũng như những cách tiếp cận mô hình hóa mới đã cho phép chỉ rõ cách thức mà hàng nghìn, hàng triệu giao dịch đơn giản có thể tạo ra hệ thống tài chính phức tạp và thời gian bất ổn hơn nhiều so với lý thuyết kinh tế truyền thống.
 
Cách tiếp cận này cũng được các ngân hàng áp dụng để tiến hành kiểm tra sức chịu đựng của ngân hàng nhằm phát hiện những điểm yếu trên các thị trường tài chính toàn cầu, giúp các cơ quan quản lý tài chính - tiền tệ theo dõi và phát hiện khủng hoảng trước khi xảy ra.  
 
Ngoài ra, các phương pháp phân tích mạng lưới tài chính đã giúp NHTW Colombia sử dụng dữ liệu về thanh toán trong hệ thống tài chính để xây dựng công cụ phát hiện rủi ro hệ thống. Cụ thể là, NHTW Colombia sử dụng bảng cân đối kế toán và các dữ liệu báo cáo định kỳ để nắm bắt tính thanh khoản và khả năng thanh toán của khách hàng tham gia hệ thống tài chính Colombia. Trong khi đó, NHTW Anh (BoE) và Văn phòng Nghiên cứu tài chính Mỹ đang nghiên cứu xây dựng các mô hình mạng lưới riêng về ngân hàng, quản lý tiền tệ và ngân hàng nhằm nghiên cứu cách thức mà các cú sốc như đổ vỡ ngân hàng và động thái của NHTW Thụy Sỹ về từ bỏ đồng bản tệ (Frank) đã tạo ra mối liên kết đẩy USD tăng giá.
 
Sử dụng dữ liệu lớn trong xây dựng chính sách của NHTW
 
Kinh nghiệm của các NHTW cho thấy, có nhiều cơ hội phát triển các nguồn dữ liệu lớn và kỹ thuật phân tích liên quan, là mối quan tâm của các nhà tạo lập chính sách.
 
Nhiệm vụ của NHTW bao gồm nhiều lĩnh vực khác nhau như: Chính sách tiền tệ; thanh toán, phát hành tiền, quản lý dự trữ quốc gia, quản lý các tổ chức tín dụng, giám sát tài chính, đánh giá và xử lý tác động chính sách. Trong đó, dữ liệu lớn sẽ mang lại những lợi ích đáng kể. Thí dụ, các NHTW cần thông tin thực tế về tình hình kinh tế vĩ mô, tiềm năng phát triển, những rủi ro liên quan đến triển vọng kinh tế. Trong khi đó, khả năng chủ động về các vấn đề ổn định tài chính phụ thuộc đáng kể vào năng lực giám sát và nắm bắt thông tin chi tiết ở tầm vi mô như mở rộng các bộ dữ liệu chi tiết về các giao dịch tín dụng, hoạt động phát hành và sở hữu chứng khoán.
 
Tuy nhiên, những thách thức lớn vẫn tồn tại trong thực tế điều hành hoạt động của NHTW, nhất là trong việc xử lý và sử dụng kỹ thuật và các nguồn dữ liệu lớn. Nghiệp vụ xử lý dữ liệu lớn là công việc liên tục, nhất là trong việc thu thập và xử lý thông tin, có thể đòi hỏi phải đầu tư, trang bị thêm công nghệ thông tin mới và đắt tiền cũng như đảm bảo an toàn, bảo mật dữ liệu. Trong khi đó, chi phí bộ máy cũng là vấn đề cần quan tâm. Theo báo cáo của NHTW Nhật Bản, các cán bộ thống kê thường phải chỉnh sửa phần lớn các bộ dữ liệu về giao dịch tài chính nhằm loại trừ những dữ liệu sai lầm, bổ sung những điểm còn thiếu… Công việc này thường mất nhiều thời gian, nhất là đối với các cán bộ thống kê và cập nhật thông tin. Nhiều chức năng, nhiệm vụ cần được thực hiện theo các nhóm nghiên cứu chuyên trách như nhóm cán bộ thống kê, công nghệ thông tin, chuyên gia nghiên cứu dữ liệu và các luật sư. Rủi ro cũng bắt nguồn từ sự giành giật nhân tài, nhất là giữa các doanh nghiệp trong khu vực tư nhân, vốn rất khó đầu tư vào dữ liệu lớn. Ngoài ra, một vấn đề chủ chốt cần xem xét là cách thức kết nối các dữ liệu thu thập được trong một mô hình thông tin tổng hợp và thông suốt. Như vậy, thách thức đối với các cán bộ thống kê tại NHTW là sử dụng có hiệu quả các dữ liệu sẵn có nhưng được thiết lập không vì mục tiêu thống kê chuyên trách và điều này có thể dẫn đến tình trạng mở rộng quá mức. Trong nhiều trường hợp, điều này đòi hỏi rất lớn vào công việc chuẩn bị và phải tuân thủ nguyên tắc quản trị dữ liệu, bao gồm các quy trình quản lý chất lượng dữ liệu, xây dựng bộ dữ liệu thích hợp, phân công trách nhiệm và giám sát.
 
Việc sử dụng dữ liệu lớn cũng là thách thức đối với các cơ quan quản lý nhà nước, nguyên nhân là do những khác biệt khá lớn về mẫu dữ liệu lớn, nhất là khi thông tin thu thập không được cơ cấu cẩn thận. Hơn nữa, bộ môn phân tích dữ liệu lớn thường phụ thuộc vào mô hình phân tích tương quan, mô hình này phản ánh tính liên kết cũng như quan hệ nhân quả. Chưa hết, sự khác biệt về thông tin thu thập được có thể cho thấy sự thiếu hụt về thông tin. Khác với mô hình điều tra thống kê truyền thống, các bộ dữ liệu lớn có thể chỉ đề cập đến toàn bộ dân số, nên việc thiết kế thường không chỉnh sửa những sai sót. Nhầm lẫn thông thường về cộng đồng bắt nguồn từ quan niệm cho rằng, các bộ dữ liệu lớn có quy mô quá lớn, nên đại diện cho nhiều nhóm lợi ích. Tuy nhiên, điều này chưa chắc chắn, khác biệt rất lớn về cơ cấu có thể vẫn tồn tại trong thực tế, nhất là khi đối chiếu với những mô hình xác suất truyền thống quy mô nhỏ. Thí dụ, khi quan sát và tính toán giá cả trực tiếp, không phải tất cả các giao dịch mua bán đều được tiến hành vì lợi ích. Chênh lệch về tính toán có thể trở thành vấn đề lớn nếu giá cả trực tuyến khác xa giá cả quan sát trong kho hàng, hoặc nếu sản phẩm mà khách hàng mua trực tuyến không giống với sản phẩm mua tại cửa hàng.
 
Thách thức này bắt nguồn từ hai đặc điểm khác nhau của các NHTW. Thứ nhất là tính độc lập và tầm quan trọng của NHTW trong việc duy trì niềm tin của công chúng. Do chất lượng của các bộ dữ liệu lớn có thể không phải là tiêu chí cần thiết đối với thống kê chính thức, sai lầm trong việc sử dụng dữ liệu vào những động thái chính sách có thể dẫn đến những vấn đề rủi ro về đạo đức, danh tiếng và hiệu quả. Tương tự, nếu bí mật thông tin không được bảo vệ cẩn thận, niềm tin vào khu vực công có thể bị suy giảm, điều này đặt vấn đề về thẩm quyền của NHTW trong việc thu thập, xử lý và truyền bá thông tin bắt nguồn từ dữ liệu lớn cũng như trong việc đưa ra các quyết định chính sách bắt nguồn từ dữ liệu này. Điều này đòi hỏi các NHTW phải tái đảm bảo là những dữ liệu này được sử dụng theo mục tiêu có lý, đồng thời, phải giới hạn nhóm đối tượng được phép tiếp cận, được lưu giữ an toàn xét về mặt bảo mật. Hiện nay, việc tiếp cận thông tin chi tiết đang đặt ra sự cần thiết phải cân nhắc thận trọng những yêu cầu về bảo vệ quyền riêng tư của doanh nghiệp và cá nhân liên quan. Thứ hai là các NHTW là cơ quan tạo lập chính sách với các quyết định ảnh hưởng đến hệ thống tài chính, và cần thu thập thông tin. Tuy nhiên, phản ứng của các thành viên tham gia thị trường thường khác với dữ liệu tài chính thu thập được (và để xây dựng các giải pháp chính sách). Kết quả là, mọi động thái chính sách đều có thể dẫn đến những thay đổi trong thực tế, có thể ảnh hưởng đến uy tín của các cán bộ tạo lập chính sách.
 
Trong tương lai, các nguồn dữ liệu lớn và kỹ thuật phân tích mới được kỳ vọng sẽ mang lại những lợi ích rất lớn cho các nhà tạo lập chính sách. Tuy nhiên, dữ liệu lớn vẫn được nhìn nhận là chỉ có tác dụng bổ sung hơn là thay thế các khung khổ thống kê hiện hành. Nhiều khó khăn, thách thức đã nảy sinh, không chỉ về độ chính xác, tính minh bạch, yêu cầu bảo mật và vấn đề đạo đức. Những hạn chế này gắn liền với các nguồn dữ liệu lớn cũng như kỹ thuật phân tích. Thực tế này là thách thức khá lớn đối với những cán bộ tạo lập chính sách vốn cần truyền thông rõ ràng về tính hợp lý và minh bạch phía sau các phân tích và quyết định của họ. Hơn nữa, nhiều điểm lớn nhưng chưa rõ ràng vẫn tồn tại trong hàng loạt vấn đề liên quan đến hạ tầng và công nghệ thông tin như tiềm năng sử dụng dịch vụ điện toán đám mây, việc triển khai, áp dụng những quy trình mới (như chữ mật mã, các kỹ thuật nặc danh) để tạo thuận lợi cho việc sử dụng dữ liệu vi mô mà không ảnh hưởng đến vấn đề bí mật.  
 
Trong ngữ cảnh như vậy, chưa thể hình dung một cách rõ ràng về triển vọng mà sự phát triển dữ liệu lớn sẽ dẫn đến những thay đổi về cách thức quản lý, điều hành của các NHTW, nguyên nhân cơ bản là do phạm trù dữ liệu lớn còn tương đối mới mẻ đối với hoạt động khai thác những loại hình thông tin và kỹ thuật mới này.
 
Một số đề xuất 
 
Để thực hiện thành công Chiến lược phát triển ngành Ngân hàng đến năm 2025, định hướng đến năm 2030 (theo Quyết định số 986/QĐ-TTg ngày 08/8/2018 của Thủ tướng Chính phủ), NHNN cần tiến hành nghiên cứu và tiến tới sử dụng dữ liệu lớn và trí tuệ nhân tạo trong việc thực hiện các chức năng quan trọng của NHTW để nâng cao chất lượng của công tác phân tích, dự báo kinh tế, hoạch định chính sách tiền tệ và quản lý hoạt động ngân hàng. Theo đó, NHNN cần tăng cường việc ứng dụng công nghệ thông tin, phát triển nguồn nhân lực có chất lượng cao, coi đây là những thành tố quan trọng thúc đẩy việc hiện đại hóa hoạt động quản lý, điều hành của NHNN; kịp thời nắm bắt cơ hội và thách thức của cách mạng công nghiệp 4.0 để đổi mới cơ cấu tổ chức, quy trình và nguồn lực, với mục tiêu hướng tới hoạt động trên nền tảng công nghệ hiện đại; đồng thời, đảm bảo an ninh, bảo mật của hệ thống thông tin trong quản trị, điều hành và cung cấp dịch vụ ngân hàng. Cụ thể là: 
 
- Một là, tiếp tục hoàn thiện khuôn khổ pháp lý về hoạt động công nghệ thông tin; Xây dựng cơ sở pháp lý cho việc ứng dụng công nghệ mới của cách mạng công nghiệp 4.0 vào hoạt động của NHNN; Xây dựng và hoàn thiện các cơ sở dữ liệu chuyên ngành dùng chung, đồng thời, hoàn thiện cơ chế thu thập, chia sẻ thông tin trên không gian mạng, bảo đảm tự động hóa, an toàn và bảo mật.
 
- Hai là, tăng cường việc ứng dụng công nghệ thông tin trong hoạt động của NHNN; ứng dụng thành công các công nghệ nổi bật của cách mạng 4.0 như: Điện toán đám mây (cloud computing), phân tích dữ liệu lớn (Big data analytics), trí tuệ nhân tạo (Artificial intelligence), chuỗi khối ( Block chain), robot tự động… vào các hoạt động nghiệp vụ để tạo ra những thay đổi cơ bản trong cách thức quản lý, điều hành và cung cấp dịch vụ ngân hàng.
 
- Ba là, tiếp tục hoàn thiện hệ thống báo cáo thống kê tiền tệ để đổi mới và nâng cao chất lượng, hiệu quả công tác thống kê, phân tích, dự báo phục vụ chỉ đạo, điều hành của NHNN; Triển khai nghiên cứu để tích hợp các nguồn dữ liệu bổ sung cho nguồn dữ liệu chính thức trong lĩnh vực ngân hàng. Tăng cường việc phối hợp với các Bộ, ngành, Tổng cục Thống kê trong việc thu thập thông tin thống kê, góp phần nâng cao chất lượng số liệu, thông tin thống kê (tính kịp thời, đầy đủ và chính xác), tận dụng được các nguồn lực trong công tác thống kê.
 
- Bốn là, phát triển nguồn nhân lực: Nghiên cứu, xây dựng và trình cấp có thẩm quyền phê duyệt về chế độ đãi ngộ, đào tạo, tuyển dụng phù hợp để thu hút nhân tài làm việc tại NHNN. 
 
- Năm là, tăng cường hợp tác quốc tế để tiếp cận nhanh các công nghệ mới ứng dụng trong hoạt động của NHTW, thúc đẩy việc chuyển giao công nghệ.
 
TÀI LIỆU THAM KHẢO: 
IFC Bullein 50, BIS: Sử dụng bigdata và trí tuệ nhân tạo tại NHTW; Wikipedia.

TS. Tô Huy Vũ
ThS. Vũ Xuân Thanh


TCNH số 19/2019
Bình luận Ý kiến của bạn sẽ được kiểm duyệt trước khi đăng. Vui lòng gõ tiếng Việt có dấu
Đóng lại ok
Bình luận của bạn chờ kiểm duyệt từ Ban biên tập
Thực trạng và thách thức của chuyển đổi số: Khảo sát người dùng và các ngân hàng thương mại Việt Nam
Thực trạng và thách thức của chuyển đổi số: Khảo sát người dùng và các ngân hàng thương mại Việt Nam
29/07/2022 369 lượt xem
Bài viết nằm trong chuỗi nghiên cứu của Viện Nghiên cứu Phát triển Công nghệ Ngân hàng, Đại học Kinh tế - Luật, Đại học Quốc gia Thành phố Hồ Chí Minh về ngân hàng số được thực hiện vào năm 2021 với hai đối tượng chính là khách hàng đã sử dụng ngân hàng số và các cán bộ ngân hàng làm công tác quản lý, điều hành trực tiếp mảng chuyển đổi số của ngân hàng.
Xây dựng SOC tự động, thông minh với Cortex XSOAR
Xây dựng SOC tự động, thông minh với Cortex XSOAR
28/07/2022 262 lượt xem
Thông thường, thuật ngữ “Học máy” thường được nhắc đến với các tiềm năng ứng dụng rất rộng lớn, tuy nhiên cũng bị nghi ngờ vì khả năng áp dụng trong thực tế.
Công nghệ số và mô hình hoạt động của các ngân hàng trong tương lai
Công nghệ số và mô hình hoạt động của các ngân hàng trong tương lai
25/07/2022 368 lượt xem
Mô hình hoạt động là mô tả trừu tượng về cách một tổ chức hoạt động theo các quy trình, tổ chức và các miền công nghệ để hoàn thành chức năng của mình (De Vries và cộng sự, 2011).
Chuyển đổi số - Hướng đi chiến lược giúp ngân hàng cạnh tranh hiệu quả và phát triển bền vững trong kỷ nguyên 4.0
Chuyển đổi số - Hướng đi chiến lược giúp ngân hàng cạnh tranh hiệu quả và phát triển bền vững trong kỷ nguyên 4.0
20/07/2022 392 lượt xem
Trong thời đại Cách mạng công nghiệp lần thứ tư (CMCN 4.0), xu hướng số hóa tác động sâu rộng tới hầu hết các ngành nghề, lĩnh vực và bối cảnh dịch Covid-19 đặt ra yêu cầu người dân, doanh nghiệp, ngân hàng phải chuyển dịch mạnh sang giao tiếp qua kênh số, do đó, các ngân hàng Việt Nam đứng trước những cơ hội và thách thức lớn từ bối cảnh mới này.
Đảm bảo an ninh, an toàn thông tin trong hoạt động ngân hàng
Đảm bảo an ninh, an toàn thông tin trong hoạt động ngân hàng
13/07/2022 610 lượt xem
Không tấn công được các hệ thống thông tin của ngân hàng, tội phạm đã gia tăng tấn công vào đối tượng dễ bị tổn thương hơn là khách hàng của ngân hàng bằng phương thức, thủ đoạn tấn công lừa đảo qua các tin nhắn, website giả mạo để đánh cắp tiền.
Nghiên cứu ứng dụng các tính năng của chíp điện tử trên thẻ căn cước công dân vào các lĩnh vực tài chính, ngân hàng
Nghiên cứu ứng dụng các tính năng của chíp điện tử trên thẻ căn cước công dân vào các lĩnh vực tài chính, ngân hàng
12/07/2022 535 lượt xem
Tại Quyết định số 06/QĐ-TTg ngày 06/01/2022 của Thủ tướng Chính phủ phê duyệt Đề án phát triển ứng dụng dữ liệu về dân cư, định danh và xác thực điện tử phục vụ chuyển đổi số quốc gia giai đoạn 2022 - 2025, tầm nhìn đến năm 2030 (Quyết định số 06) đã đặt ra mục tiêu nghiên cứu, triển khai rộng rãi việc ứng dụng các tính năng của chíp điện tử trên thẻ căn cước công dân (CCCD) vào các lĩnh vực tài chính, hoạt động ngân hàng (mở tài khoản, nhận biết khách hàng, thanh toán, cho vay, ví điện tử...).
Tạo các trung tâm điều hành an ninh thông minh: Những trường hợp sử dụng máy học hàng đầu của Cortex XSOAR
Tạo các trung tâm điều hành an ninh thông minh: Những trường hợp sử dụng máy học hàng đầu của Cortex XSOAR
11/07/2022 469 lượt xem
Máy học là một nền tảng điều phối, tự động hóa và phản hồi bảo mật (SOAR) được xây dựng từ đầu với nền tảng máy học, Cortex® XSOAR mang đến cho khách hàng những lợi ích có thể kiểm chứng được ở các trung tâm điều hành an ninh (các SOC) của mình trên các khu vực địa lý, mức độ trưởng thành và phạm vi hoạt động. Khả năng máy học của Cortex XSOAR giúp tăng năng suất phản hồi, đẩy nhanh quá trình phát triển playbook (kịch bản xử lý) và cho phép các hoạt động bảo mật tinh gọn hơn, hiệu quả hơn.
Ngành Ngân hàng Việt Nam chuyển đổi số để chủ động thích ứng và phát triển bền vững
Ngành Ngân hàng Việt Nam chuyển đổi số để chủ động thích ứng và phát triển bền vững
06/07/2022 649 lượt xem
Cách mạng công nghiệp lần thứ tư (CMCN 4.0) đã và đang tác động sâu rộng đến tất cả các ngành, lĩnh vực, các mặt đời sống xã hội.
Các thuật ngữ mạng 5G - Nền tảng công nghệ di động mới
Các thuật ngữ mạng 5G - Nền tảng công nghệ di động mới
22/06/2022 652 lượt xem
Thời đại Internet vạn vật (Internet of Things - IoT) đang dần ảnh hưởng đến mọi lĩnh vực trong cuộc sống của con người. Các thiết bị như đồng hồ thông minh, vòng đeo tay theo dõi sức khỏe, thiết bị cảm biến trên xe hơi, kính thông minh cho đến các cảm biến giám sát 24/7... là những thiết bị đòi hỏi tính tương tác cao thông qua Internet để kết nối được duy trì liên tục, liền mạch và truyền tải một khối lượng lớn dữ liệu.
Kiểm tra và phát hiện lỗ hổng bảo mật Website với Acunetix
Kiểm tra và phát hiện lỗ hổng bảo mật Website với Acunetix
20/06/2022 592 lượt xem
Trong thời đại công nghệ số phát triển mạnh mẽ trên toàn cầu hiện nay, bảo mật nói chung và bảo mật Website của doanh nghiệp nói riêng là điều rất cần thiết và không thể xem nhẹ. Acunetix là phần mềm quét lỗ hổng Website hiệu quả nhất hiện nay và đặc biệt hiệu quả đối với việc quét các lỗ hổng như SQL Injection, Cross Site Scripting (XSS)...
Hồ dữ liệu cho ngân hàng số
Hồ dữ liệu cho ngân hàng số
18/06/2022 1.396 lượt xem
Ngân hàng số là một hình thức ngân hàng số hóa tất cả những hoạt động và dịch vụ ngân hàng truyền thống. Nghiên cứu thị trường cho thấy, ngân hàng số đã bước sang giai đoạn sử dụng dữ liệu với bất kể cấu trúc nào cho dù tốc độ tăng trưởng hay sự đa dạng của dữ liệu ngày càng lớn.
Chuyển đổi số - Giải pháp phát triển doanh nghiệp trong cuộc Cách mạng công nghiệp lần thứ tư
Chuyển đổi số - Giải pháp phát triển doanh nghiệp trong cuộc Cách mạng công nghiệp lần thứ tư
18/06/2022 3.135 lượt xem
Trong một vài năm trở lại đây, cùng với cuộc Cách mạng công nghiệp lần thứ tư (CMCN 4.0), chuyển đổi số (digital transformation) là từ khóa được nhắc đến nhiều nhất. Để thành công trong cuộc CMCN 4.0 và để tránh bị tụt hậu, các quốc gia phải thực hiện chuyển đổi số, đặc biệt là chuyển đổi số cho các doanh nghiệp.
Trí tuệ nhân tạo trong hệ thống bán lẻ - Cơ hội và thách thức
Trí tuệ nhân tạo trong hệ thống bán lẻ - Cơ hội và thách thức
17/06/2022 580 lượt xem
Trong môi trường kinh doanh siêu kết nối ngày nay, các tổ chức buộc phải sử dụng các hệ thống, cơ chế và công cụ cho phép họ đạt được lợi thế cạnh tranh. Với nhiều ứng dụng đa dạng, AI được coi là đột phá và mang tính cách mạng vì nó cho phép mô phỏng trí thông minh của con người, thay thế con người trong các nhiệm vụ phức tạp.
Chuyển đổi số - động lực lan tỏa chính sách bảo hiểm tiền gửi
Chuyển đổi số - động lực lan tỏa chính sách bảo hiểm tiền gửi
30/05/2022 890 lượt xem
Chuyển đổi số là một xu hướng tất yếu trong cuộc Cách mạng công nghiệp lần thứ tư. Đặc biệt, trong bối cảnh đại dịch Covid-19 hoành hành ảnh hưởng tới các hoạt động sản xuất, kinh doanh, giao tế… thì “chuyển đổi số” là từ khóa thường xuyên được nhắc tới.
Ngày không tiền mặt: Dấu mốc của kỷ nguyên thanh toán không dùng tiền mặt
Ngày không tiền mặt: Dấu mốc của kỷ nguyên thanh toán không dùng tiền mặt
26/05/2022 1.379 lượt xem
Hướng tới xã hội không tiền mặt là xu hướng phát triển tất yếu trên thế giới, nhất là trong bối cảnh cuộc Cách mạng công nghiệp lần thứ tư đang diễn ra mạnh mẽ.
Giá vàngXem chi tiết

GIÁ VÀNG - XEM THEO NGÀY

Khu vực

Mua vào

Bán ra

HÀ NỘI

Vàng SJC 1L

66.300

67.320

TP.HỒ CHÍ MINH

Vàng SJC 1L

66.300

67.300

Vàng SJC 5c

66.300

67.320

Vàng nhẫn 9999

52.500

53.400

Vàng nữ trang 9999

52.400

53.000


Ngoại tệXem chi tiết
TỶ GIÁ - XEM THEO NGÀY 
Ngân Hàng USD EUR GBP JPY
Mua vào Bán ra Mua vào Bán ra Mua vào Bán ra Mua vào Bán ra
Vietcombank 23.220 23.530 26.488 27.866 31.023 32.318 204.16 214.87
BIDV 23.255 23.535 26.575 27.683 31.139 32.402 203.99 213.29
VietinBank 23.235 23.535 26.607 27.727 31.399 32.409 204.47 213.47
Agribank 23.250 23.525 26.787 27.493 31.334 32.117 205.87 211.70
Eximbank 23.270 23.500 26.871 27.398 31.480 32.096 206.75 210.81
ACB 23.270 23.800 26.814 27.429 31.401 31.993 206.11 211.05
Sacombank 23.270 23.830 26.953 27.513 31.568 32.084 206.29 212.66
Techcombank 23.249 23.535 26.643 27.863 31.118 32.281 205.24 214.28
LienVietPostBank 23.225 23.540 26.875 27.928 31.504 31.988 207.19 213.97
DongA Bank 23.300 23.550 26.930 27.410 31.560 32.110 203.80 210.30
(Cập nhật trong ngày)
Lãi SuấtXem chi tiết
TỶ GIÁ - XEM THEO NGÀY 
Ngân Hàng USD EUR GBP JPY
Mua vào Bán ra Mua vào Bán ra Mua vào Bán ra Mua vào Bán ra
Vietcombank 23.220 23.530 26.488 27.866 31.023 32.318 204.16 214.87
BIDV 23.255 23.535 26.575 27.683 31.139 32.402 203.99 213.29
VietinBank 23.235 23.535 26.607 27.727 31.399 32.409 204.47 213.47
Agribank 23.250 23.525 26.787 27.493 31.334 32.117 205.87 211.70
Eximbank 23.270 23.500 26.871 27.398 31.480 32.096 206.75 210.81
ACB 23.270 23.800 26.814 27.429 31.401 31.993 206.11 211.05
Sacombank 23.270 23.830 26.953 27.513 31.568 32.084 206.29 212.66
Techcombank 23.249 23.535 26.643 27.863 31.118 32.281 205.24 214.28
LienVietPostBank 23.225 23.540 26.875 27.928 31.504 31.988 207.19 213.97
DongA Bank 23.300 23.550 26.930 27.410 31.560 32.110 203.80 210.30
(Cập nhật trong ngày)
Liên kết website
Bình chọn trực tuyến
Nội dung website có hữu ích với bạn không?