Applications Of Explainable Artificial Intelligence In Finance—A Systematic Review Of Finance, Information Systems, And Computer Science Literature

1. Thông tin Nghiên cứu khoa học

• Tên nghiên cứu tiếng Anh: Applications of Explainable Artificial Intelligence in Finance—a systematic review of Finance, Information Systems, and Computer Science literature
• Tên nghiên cứu tiếng Việt: Ứng dụng của Trí tuệ nhân tạo có thể giải thích trong Tài chính—một đánh giá có hệ thống về tài liệu Tài chính, Hệ thống thông tin và Khoa học máy tính
• Tác giả: Patrick Weber, K. Valerie Carl, Oliver Hinz
• Số trang file pdf: 41
• Năm: 2024
• Nơi xuất bản: Management Review Quarterly
• Chuyên ngành học: Tài chính, Hệ thống thông tin, Khoa học máy tính
• Từ khoá: Trí tuệ nhân tạo có thể giải thích, Tài chính, Đánh giá có hệ thống, Học máy, Đánh giá

2. Nội dung chính

Bài viết này trình bày một đánh giá có hệ thống về nghiên cứu hiện tại về Trí tuệ Nhân tạo Có thể Giải thích (XAI) trong lĩnh vực Tài chính. Mục tiêu là cung cấp cái nhìn tổng quan về tình hình nghiên cứu hiện tại, xác định các hướng nghiên cứu tiềm năng trong tương lai và hỗ trợ việc triển khai XAI trong thực tế kinh doanh tài chính.

Trong bối cảnh số hóa và công nghệ hóa ngày càng phát triển, các tổ chức tài chính đang tích cực áp dụng Trí tuệ Nhân tạo (AI) để cải thiện hiệu quả và đưa ra quyết định tốt hơn. Tuy nhiên, tính chất “hộp đen” của các hệ thống AI này gây ra những lo ngại về tính minh bạch và khả năng giải thích, đặc biệt trong một lĩnh vực được quản lý chặt chẽ như Tài chính. Các quy định mới như Đạo luật Minh bạch Tài chính của Hoa Kỳ năm 2021 (FTA) và Đạo luật Trí tuệ Nhân tạo (AIA) của EU yêu cầu mức độ minh bạch cao hơn khi áp dụng AI trong thực tế. Do đó, XAI trở nên vô cùng quan trọng để đảm bảo sự tin cậy và tuân thủ của các hệ thống AI trong Tài chính.

Nghiên cứu sử dụng phương pháp đánh giá có hệ thống (SLR) để sàng lọc 2.022 bài báo từ các tạp chí hàng đầu về Tài chính, Hệ thống Thông tin và Khoa học Máy tính. Sau quá trình sàng lọc nghiêm ngặt, 60 bài báo liên quan đã được xác định và phân loại dựa trên các phương pháp và mục tiêu XAI được sử dụng. Các lĩnh vực như quản lý rủi ro, tối ưu hóa danh mục đầu tư và các ứng dụng xung quanh thị trường chứng khoán được nghiên cứu kỹ lưỡng, trong khi chống rửa tiền ít được nghiên cứu hơn.

Kết quả cho thấy các nhà nghiên cứu đang triển khai cả mô hình trong suốt (transparent models) và khả năng giải thích hậu nghiệm (post-hoc explainability), trong đó gần đây họ ưu tiên phương pháp thứ hai hơn. Các mô hình trong suốt như hồi quy tuyến tính/logistic, cây quyết định, k-láng giềng gần nhất, và các mô hình dựa trên luật lệ (rule-based learners) có tính dễ hiểu và giải thích ngay từ thiết kế. Tuy nhiên, khi các mô hình AI phức tạp hơn như mạng nơ-ron sâu được sử dụng, các phương pháp giải thích hậu nghiệm trở nên cần thiết. Các phương pháp này có thể là model-agnostic (áp dụng cho mọi mô hình) hoặc model-specific (chỉ áp dụng cho một số mô hình nhất định).

Các mục tiêu của XAI được xem xét trong nghiên cứu bao gồm: tính đáng tin cậy (trustworthiness), tính nhân quả (causality), khả năng chuyển giao (transferability), tính thông tin (informativeness), độ tin cậy (confidence), tính công bằng (fairness), khả năng tiếp cận (accessibility), tính tương tác (interactivity) và nhận thức về quyền riêng tư (privacy awareness). Kết quả cho thấy hầu hết các nghiên cứu XAI đều tập trung vào mục tiêu cung cấp thông tin và tăng độ tin cậy của mô hình, trong khi các mục tiêu như nhận thức về quyền riêng tư ít được quan tâm hơn.

Nghiên cứu cũng cung cấp cái nhìn tổng quan về các phương pháp XAI được sử dụng trong các lĩnh vực Tài chính khác nhau. Quản lý rủi ro, thị trường chứng khoán và tối ưu hóa danh mục đầu tư là những lĩnh vực được nghiên cứu nhiều, trong khi chống rửa tiền còn nhiều hạn chế.

Tóm lại, nghiên cứu này đóng góp vào sự quan tâm ngày càng tăng của giới học thuật đối với XAI trong lĩnh vực Tài chính bằng cách cung cấp một cái nhìn tổng quan toàn diện về tình hình nghiên cứu hiện tại, xác định các khoảng trống và đề xuất các hướng nghiên cứu tiềm năng trong tương lai. Nghiên cứu này cũng mang lại lợi ích cho các nhà hoạch định chính sách, nhà quản lý và các chuyên gia tài chính bằng cách cung cấp thông tin cơ bản về các phương pháp XAI được sử dụng trong Tài chính và giúp họ đưa ra quyết định sáng suốt hơn về việc triển khai XAI trong thực tế.

3. Kết luận

Nghiên cứu này kết luận rằng XAI đóng một vai trò quan trọng trong việc khai thác toàn bộ tiềm năng của các ứng dụng AI trong lĩnh vực Tài chính. Việc sử dụng XAI, thay vì chỉ AI, là yếu tố quyết định để đảm bảo mức độ minh bạch và khả năng truy xuất nguồn gốc cần thiết theo yêu cầu của các tổ chức pháp lý và quản lý, đồng thời đạt được sự tin tưởng cần thiết để triển khai các hệ thống này.

Nghiên cứu này đã xác định các hướng nghiên cứu trong tương lai, khuyến khích các nhà khoa học tập trung vào các lĩnh vực chưa được khám phá đầy đủ, bao gồm mục tiêu về nhận thức về quyền riêng tư, các phương pháp XAI như k-láng giềng gần nhất và SVM, cũng như các lĩnh vực tài chính như chống rửa tiền. Ngoài ra, nghiên cứu nhấn mạnh tầm quan trọng của việc tuân thủ các quy định pháp lý hiện hành trong quá trình phát triển và thử nghiệm các phương pháp XAI. Bằng cách giải quyết những vấn đề này, nghiên cứu trong tương lai có thể góp phần vào việc triển khai rộng rãi và có trách nhiệm các hệ thống XAI trong ngành tài chính.