Bootstrap - Nhãn - NZQIRChttps://nzqirc.xyz/tags/bootstrap/Bootstrap - Nhãn - NZQIRCHugo -- gohugo.ioviThis work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.Fri, 18 Sep 2026 20:50:00 +0700Bagging: Giảm phương sai cho cây học máyhttps://nzqirc.xyz/posts/math/stats/bagging/Fri, 18 Sep 2026 20:50:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/bagging/Một cây quyết định sâu có độ chệch thấp nhưng phương sai rất cao: nó ghi nhớ nhiễu và rất nhạy với mẫu huấn luyện.

Năm 1996, Leo Breiman đề xuất Bagging (Bootstrap Aggregating) giúp triệt tiêu phương sai mà không tăng độ chệch.

1. Trực giác toán học: Sức mạnh số đông

Nếu có $B$ biến ngẫu nhiên độc lập cùng phương sai $\sigma^2$, trung bình cộng của chúng có phương sai giảm $B$ lần:

]]>Ứng dụng Bootstrap trong Phân tích Tài chính: Từ IID đến Moving-Blockhttps://nzqirc.xyz/posts/math/stats/bootstrap-finance-application/Thu, 06 Aug 2026 10:00:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/bootstrap-finance-application/Bên cạnh các phương pháp Monte Carlo sử dụng phân phối tham số (như phân phối Chuẩn hay phân phối Student-t), một triết lý phân tích hoàn toàn khác biệt được áp dụng rộng rãi trong quản trị rủi ro: Hãy để dữ liệu tự cất tiếng nói. Đó chính là triết lý cốt lõi của phương pháp Bootstrap.

Bài viết này đi sâu vào cách áp dụng Bootstrap để mô phỏng rủi ro, phân tích sự khác biệt giữa Bootstrap cơ bản (IID) và Bootstrap nâng cao (Khối trượt - Moving-Block), đồng thời lý giải tại sao việc chọn đúng kỹ thuật lại mang tính sống còn đối với dữ liệu tài chính (đặc biệt là bài toán ước lượng VaR).

]]>Ứng dụng Mô phỏng Monte Carlo trong Phân tích Tài chínhhttps://nzqirc.xyz/posts/math/stats/mc-finance-application/Thu, 06 Aug 2026 10:00:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/mc-finance-application/Bài viết này được thiết kế như một tài liệu bổ trợ giúp các bạn sinh viên hiểu rõ hơn về cách ứng dụng mô phỏng Monte Carlo (MC) vào phân tích rủi ro định lượng, đặc biệt là khi đọc các báo cáo chuyên sâu (như đồ án tốt nghiệp hay báo cáo phân tích rủi ro nội bộ).

1. Tại sao phải dùng Mô phỏng Monte Carlo?

Trong tài chính, chúng ta thường biết (hoặc giả định) phân phối xác suất của tỷ suất sinh lợi logarit trong 1 ngày. Nhưng nếu Giám đốc Rủi ro (CRO) đặt câu hỏi: “Rủi ro lớn nhất mà danh mục có thể gặp phải trong 20 ngày tới là bao nhiêu?”

]]>Phương pháp Bootstraphttps://nzqirc.xyz/posts/math/stats/bootstrap-method/Mon, 03 Aug 2026 09:30:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/bootstrap-method/<p>Trong thống kê và học máy, việc đánh giá độ bất định của một ước lượng (như trung bình, phương sai hay một thước đo rủi ro) thường phụ thuộc vào phân phối chọn mẫu của ước lượng đó. Trong thực tế, phân phối này hiếm khi có sẵn dưới dạng giải tích. <strong>Phương pháp Bootstrap</strong> dùng phân phối thực nghiệm để xấp xỉ độ bất định mà không cần ấn định một họ phân phối tham số cụ thể. Bài viết trình bày trực giác, cách hoạt động và một ứng dụng của Bootstrap trong phân tích chuỗi thời gian tài chính.</p>