AI hỗ trợ quản lý và điều hành tiền tệ như thế nào?

Trong thực tế, “AI” không chỉ đồng nghĩa với AI tạo sinh. Những ứng dụng trực tiếp hơn đối với ngân hàng trung ương thường gồm machine learning, xử lý ngôn ngữ tự nhiên, phát hiện bất thường, mô hình dự báo và hệ thống mô phỏng. AI tạo sinh phù hợp hơn với việc tổng hợp tài liệu, khai thác văn bản và hỗ trợ chuyên viên; còn các quyết định như điều chỉnh lãi suất chính sách vẫn cần dựa trên khuôn khổ kinh tế, bằng chứng, trách nhiệm giải trình và phán đoán của con người.

AI biến dữ liệu tiền tệ thành tín hiệu điều hành như thế nào?

Quản lý tiền tệ là một bài toán ra quyết định dưới điều kiện thông tin không đầy đủ. Ngân hàng trung ương phải đánh giá nền kinh tế ở thời điểm hiện tại trong khi nhiều chỉ tiêu quan trọng, chẳng hạn GDP hoặc một số cấu phần lạm phát, được công bố với độ trễ. AI tạo giá trị trước hết bằng cách rút ngắn khoảng cách giữa dữ liệu thô và tín hiệu phục vụ quyết định.

Một hệ thống machine learning có thể tiếp nhận nhiều nhóm biến cùng lúc: lạm phát, sản lượng, lãi suất thị trường, tăng trưởng tín dụng, cung tiền, thanh khoản ngân hàng, tỷ giá, giá hàng hóa, dữ liệu thanh toán và các chỉ báo tần suất cao. Mô hình tìm kiếm các quan hệ phi tuyến hoặc tương tác giữa các biến mà mô hình tuyến tính truyền thống có thể mô tả chưa đầy đủ.

Cơ chế này đặc biệt hữu ích khi nền kinh tế thay đổi nhanh. Chẳng hạn, tác động của một cú sốc giá năng lượng đến lạm phát có thể phụ thuộc đồng thời vào tỷ giá, nhu cầu trong nước, kỳ vọng lạm phát và khả năng doanh nghiệp chuyển chi phí sang giá bán. Machine learning có thể mô hình hóa nhiều tương tác như vậy mà không phải giả định trước tất cả quan hệ đều tuyến tính.

Xử lý ngôn ngữ tự nhiên mở thêm một lớp thông tin khác. Biên bản, báo cáo doanh nghiệp, khảo sát, tin tức và các tài liệu kinh tế có thể được chuyển thành chỉ số về tâm lý, bất định hoặc kỳ vọng. Nhờ đó, dữ liệu định tính trở thành đầu vào có thể kết hợp với dữ liệu kinh tế truyền thống.

Tuy nhiên, một tín hiệu do AI phát hiện không tự động trở thành bằng chứng nhân quả. Mô hình có thể cho thấy hai biến liên hệ chặt chẽ nhưng không chứng minh rằng biến này gây ra biến kia. Vì vậy, AI phù hợp nhất với chức năng phát hiện, dự báo và cảnh báo; việc giải thích quan hệ kinh tế vẫn cần mô hình cấu trúc và đánh giá chuyên môn.

AI cải thiện dự báo lạm phát và hoạt động kinh tế ra sao?

Dự báo là một trong những ứng dụng quan trọng nhất của AI trong quản lý tiền tệ. Chính sách tiền tệ thường tác động đến nền kinh tế với độ trễ, nên ngân hàng trung ương không thể chỉ phản ứng với số liệu hiện tại. Cơ quan điều hành cần ước tính lạm phát, tăng trưởng và điều kiện tài chính trong tương lai.

Machine learning có lợi thế khi số lượng biến giải thích lớn hoặc quan hệ giữa chúng thay đổi theo trạng thái của nền kinh tế. Các thuật toán như random forest, gradient boosting và neural network có thể được dùng cùng các mô hình kinh tế lượng truyền thống để tạo nhiều dự báo song song.

Một ứng dụng gần với hoạt động điều hành là nowcasting — ước tính trạng thái kinh tế hiện tại trước khi số liệu chính thức được công bố đầy đủ. Nếu dữ liệu giao dịch, thanh toán, sản xuất, vận tải hoặc thị trường lao động có tần suất ngày hoặc tuần, AI có thể kết hợp chúng để cập nhật đánh giá kinh tế nhanh hơn chu kỳ thống kê tháng hoặc quý.

Hiệu quả của AI không nên được đánh giá bằng việc mô hình “có vẻ thông minh hơn”. Trong dự báo, các chỉ số như MAE hoặc RMSE cho phép so sánh sai số của mô hình AI với các benchmark như mô hình tự hồi quy, VAR, đường Phillips hoặc dự báo của chuyên gia. Quan trọng hơn, việc so sánh phải được thực hiện trên dữ liệu ngoài mẫu. Một mô hình có sai số rất thấp trên dữ liệu huấn luyện nhưng kém khi xuất hiện dữ liệu mới không có nhiều giá trị cho chính sách.

AI cũng không luôn thắng mô hình truyền thống. Khi dữ liệu ít, quan hệ kinh tế tương đối ổn định hoặc nền kinh tế vừa trải qua một cú sốc chưa từng xuất hiện trong tập huấn luyện, mô hình phức tạp có thể dự báo kém. Do đó, cách tiếp cận đáng tin cậy hơn thường là kết hợp nhiều mô hình thay vì phụ thuộc vào một thuật toán duy nhất.

AI hỗ trợ giám sát thanh khoản và thị trường tiền tệ như thế nào?

Bên cạnh dự báo kinh tế vĩ mô, AI có thể hỗ trợ ngân hàng trung ương theo dõi các điều kiện mà qua đó chính sách tiền tệ được truyền dẫn vào hệ thống tài chính.

Một thay đổi của lãi suất chính sách chỉ có ý nghĩa khi tác động được truyền qua lãi suất liên ngân hàng, lãi suất huy động, lãi suất cho vay, giá tài sản, tín dụng và kỳ vọng. Với lượng dữ liệu thị trường lớn và liên tục, thuật toán có thể phát hiện sự thay đổi bất thường trong những kênh này sớm hơn quá trình tổng hợp thủ công.

Trong quản lý thanh khoản, mô hình có thể dự báo nhu cầu dự trữ hoặc biến động thanh khoản dựa trên dữ liệu lịch sử và các yếu tố như dòng tiền ngân sách, thanh toán, tiền mặt lưu thông và hoạt động thị trường. Dự báo tốt hơn giúp cơ quan tiền tệ xác định quy mô và thời điểm phù hợp hơn cho các nghiệp vụ cung hoặc hút thanh khoản.

Phát hiện bất thường cũng có giá trị. Nếu chênh lệch lãi suất, khối lượng giao dịch hoặc một chỉ báo thị trường đột ngột rời khỏi mô hình lịch sử, hệ thống AI có thể tạo cảnh báo để chuyên viên kiểm tra. Đây là cơ chế sàng lọc: AI giúp xác định nơi cần chú ý trước, thay vì để con người theo dõi thủ công tất cả biến số.

Ranh giới cần giữ rõ là một bất thường thống kê chưa chắc phản ánh bất ổn kinh tế. Thị trường có thể thay đổi vì quy định mới, yếu tố mùa vụ hoặc sự kiện đặc biệt. Cảnh báo vì thế cần được đối chiếu với bối cảnh trước khi chuyển thành hành động chính sách.

AI giúp mô phỏng và đánh giá phương án chính sách như thế nào?

Quyết định tiền tệ không chỉ đặt câu hỏi “điều gì sẽ xảy ra?”, mà còn phải xem xét “điều gì có thể xảy ra nếu chính sách thay đổi?”. AI có thể mở rộng khả năng phân tích kịch bản bằng cách xử lý nhiều tổ hợp giả định và nhận diện các quan hệ phi tuyến giữa chính sách với nền kinh tế.

Ví dụ, nhà phân tích có thể xem xét các kịch bản khác nhau về giá năng lượng, tỷ giá, cầu nội địa hoặc điều kiện tài chính rồi đánh giá cách các biến này tương tác với triển vọng lạm phát. AI giúp tìm kiếm nhanh hơn trong không gian kịch bản lớn và xác định những tổ hợp điều kiện có khả năng tạo ra kết quả bất lợi.

Một giá trị khác nằm ở việc đánh giá độ nhạy. Nếu chỉ cần thay đổi nhỏ đầu vào mà dự báo chính sách biến động mạnh, đó là dấu hiệu kết quả chưa đủ vững để làm cơ sở duy nhất cho quyết định. Vì vậy, AI có thể hỗ trợ không chỉ tạo dự báo mà còn kiểm tra mức độ phụ thuộc của kết quả vào các giả định.

Tuy nhiên, dự báo và phân tích chính sách là hai bài toán khác nhau. Một mô hình có thể dự báo lạm phát tốt nhưng vẫn không trả lời đáng tin cậy câu hỏi lạm phát sẽ thay đổi bao nhiêu nếu lãi suất chính sách tăng. Câu hỏi thứ hai đòi hỏi suy luận nhân quả và hiểu biết về cơ chế truyền dẫn.

Vì lý do đó, AI nên bổ sung cho các mô hình kinh tế cấu trúc, mô hình DSGE, VAR và phân tích của chuyên gia chứ không đơn giản thay thế chúng. Sự kết hợp giữa mô hình có khả năng dự báo tốt và mô hình có khả năng giải thích cơ chế thường hữu ích hơn việc lựa chọn một phương pháp duy nhất.

AI có thể tham gia quyết định chính sách tiền tệ đến đâu?

Điểm dễ hiểu sai nhất là cho rằng dự báo chính xác hơn đồng nghĩa AI có thể tự lựa chọn mức lãi suất phù hợp. Trên thực tế, chính sách tiền tệ là quyết định có nhiều mục tiêu, ràng buộc và hậu quả phân phối mà một hàm dự báo đơn lẻ không thể bao quát.

Chẳng hạn, nhiều ngân hàng trung ương có mục tiêu lạm phát được xác định bằng con số cụ thể; mức 2% là một benchmark phổ biến tại các nền kinh tế phát triển. Nhưng ngay cả khi mô hình dự báo lạm phát vượt mục tiêu, quyết định chính sách vẫn phải cân nhắc nguyên nhân của cú sốc, độ bền của lạm phát, tăng trưởng, thị trường lao động, ổn định tài chính và độ trễ của cơ chế truyền dẫn.

AI còn gặp vấn đề về model risk. Mối quan hệ học được từ dữ liệu quá khứ có thể mất hiệu lực khi xảy ra thay đổi chế độ chính sách, khủng hoảng, đại dịch hoặc cú sốc địa chính trị. Hiện tượng này thường được gọi là thay đổi phân phối dữ liệu hoặc regime shift.

Khả năng giải thích cũng rất quan trọng. Một ngân hàng trung ương phải có khả năng lý giải vì sao đưa ra quyết định và dựa trên bằng chứng nào. Mô hình “hộp đen” có thể cho dự báo tốt nhưng khó sử dụng làm cơ sở duy nhất cho một quyết định cần trách nhiệm giải trình công khai.

Do đó, kiến trúc phù hợp là human in the loop: AI tạo dự báo, phát hiện tín hiệu, so sánh kịch bản và cảnh báo rủi ro; chuyên gia đánh giá cơ chế kinh tế; còn cơ quan có thẩm quyền chịu trách nhiệm về quyết định cuối cùng.

Điều kiện để ứng dụng AI hiệu quả trong quản lý tiền tệ

Chất lượng AI phụ thuộc trước hết vào chất lượng dữ liệu. Dữ liệu kinh tế thường bị điều chỉnh sau công bố, có độ trễ, thay đổi định nghĩa và chịu ảnh hưởng mùa vụ. Nếu mô hình được huấn luyện bằng phiên bản dữ liệu cuối cùng nhưng khi vận hành lại phải dự báo bằng dữ liệu sơ bộ, kết quả kiểm thử có thể tốt hơn đáng kể so với điều kiện thực tế. Vì vậy, việc sử dụng dữ liệu vintage — dữ liệu đúng như những gì nhà hoạch định chính sách thực sự biết tại từng thời điểm trong quá khứ — rất quan trọng khi đánh giá hệ thống.

Điều kiện thứ hai là phải có benchmark. Mỗi mô hình AI nên được so sánh với phương pháp đơn giản hơn trên cùng khoảng thời gian và cùng dữ liệu. Sai số dự báo, độ ổn định qua các giai đoạn và khả năng hoạt động khi xảy ra cú sốc đều cần được theo dõi. Một mô hình phức tạp chỉ đáng sử dụng nếu giá trị tăng thêm đủ rõ so với chi phí vận hành và rủi ro mô hình.

Thứ ba là quản trị mô hình. Quy trình cần tách phát triển, kiểm định và sử dụng; lưu lại phiên bản dữ liệu và mô hình; kiểm tra drift; xác định điều kiện phải hiệu chỉnh hoặc ngừng sử dụng. Các kết quả có ảnh hưởng lớn đến quyết định cần có khả năng truy nguyên từ đầu vào tới đầu ra.

Cuối cùng là khả năng giải thích. Không phải mọi ứng dụng đều cần cùng mức interpretability. Một mô hình dùng để sàng lọc hàng nghìn chỉ báo có thể chấp nhận phức tạp hơn; nhưng mô hình đóng vai trò trọng yếu trong đánh giá triển vọng lạm phát cần được kiểm tra kỹ về biến số dẫn dắt kết quả, độ nhạy và giới hạn.

Với AI tạo sinh, nguyên tắc còn nghiêm ngặt hơn. Công nghệ này hữu ích khi tìm kiếm tài liệu, tổng hợp lượng lớn văn bản hoặc hỗ trợ soạn thảo phân tích, nhưng có thể tạo thông tin không chính xác. Vì vậy, đầu ra liên quan đến chính sách phải được kiểm chứng với dữ liệu và nguồn chính thức trước khi sử dụng.

AI làm thay đổi quản lý tiền tệ chủ yếu bằng cách nâng cao năng lực xử lý thông tin: kết hợp nhiều nguồn dữ liệu, cải thiện nowcasting và dự báo, phát hiện bất thường, theo dõi cơ chế truyền dẫn và mở rộng phân tích kịch bản. Giá trị của công nghệ lớn nhất khi nó giúp nhà hoạch định chính sách nhìn thấy tín hiệu sớm hơn và kiểm tra nhiều giả thuyết hơn.

Tuy nhiên, hiệu quả dự báo không đồng nghĩa với thẩm quyền ra quyết định. Chính sách tiền tệ vẫn đòi hỏi suy luận nhân quả, đánh giá bối cảnh, cân bằng mục tiêu, khả năng giải trình và trách nhiệm thể chế. Vì vậy, mô hình phù hợp không phải là “AI điều hành tiền tệ”, mà là một hệ thống trong đó AI tăng chất lượng bằng chứng để con người đưa ra quyết định chính sách tốt hơn.