SYLLABUS ECONOMIC FORECASTING (4)
Giai đoạn 6 - Advanced Economic Forecasting (Ngày 616–765, 150 ngày)
PHẦN A: MIXED FREQUENCY DATA & MIDAS (Ngày 616–655)
Ngày 616: Giới thiệu vấn đề Dữ liệu Đa tần suất
Mục tiêu: Hiểu bối cảnh thực tế: GDP quý, CPI tháng, Google Trends ngày.
Lý thuyết: Mixed frequency data problem trong forecasting kinh tế.
Thực hành: Liệt kê lại toàn bộ chuỗi dữ liệu Việt Nam đã dùng trong syllabus theo tần suất gốc (ngày/tháng/quý).
Ngày 617: Tổng quan các phương pháp xử lý Mixed Frequency
Mục tiêu: Có bức tranh tổng thể trước khi đi sâu vào MIDAS.
Lý thuyết: Aggregation, bridge equations, MIDAS, state space (đã học DFM ở Giai đoạn 4).
Thực hành: Lập bảng so sánh sơ bộ 4 phương pháp về độ phức tạp và mất mát thông tin.
Ngày 618: Aggregation đơn giản - Nhược điểm
Mục tiêu: Hiểu tại sao cách đơn giản nhất lại không tối ưu.
Lý thuyết: Temporal aggregation (lấy trung bình/tổng theo quý), mất thông tin tần suất cao.
Thực hành: Minh họa mất thông tin bằng cách aggregate PMI tháng thành quý, so sánh với chuỗi gốc.
Ngày 619: Ôn lại Bridge Equations
Mục tiêu: Củng cố kiến thức đã học sơ lược ở Giai đoạn 4.
Lý thuyết: Ôn lại cấu trúc bridge equation (Ngày 395).
Thực hành: Viết lại bridge equation đầy đủ cho GDP theo các chỉ báo tháng.
Ngày 620: MIDAS - Động lực và Ý tưởng Cốt lõi
Mục tiêu: Hiểu vì sao MIDAS ra đời để khắc phục hạn chế của bridge equation.
Lý thuyết: MIDAS (MIxed DAta Sampling), giữ nguyên tần suất cao của biến giải thích thay vì aggregate trước.
Thực hành: So sánh khái niệm bridge equation (aggregate trước, hồi quy sau) với MIDAS (hồi quy trực tiếp trên tần suất cao).
Ngày 621: MIDAS Regression - Cấu trúc Toán học
Mục tiêu: Viết được phương trình MIDAS tổng quát.
Lý thuyết: y_t (quý) = β·Σw(k;θ)x_{t-k/m} (tháng) + ε_t.
Thực hành: Viết lại phương trình MIDAS cụ thể cho GDP quý dự báo từ PMI tháng.
Ngày 622: Trọng số MIDAS - Almon Lag Polynomial
Mục tiêu: Hiểu một dạng hàm trọng số phổ biến.
Lý thuyết: Almon lag polynomial weighting scheme.
Thực hành: Vẽ hình dạng trọng số Almon với các tham số khác nhau.
Ngày 623: Trọng số MIDAS - Beta Lag Polynomial
Mục tiêu: Hiểu dạng hàm trọng số linh hoạt hơn.
Lý thuyết: Beta lag polynomial, có thể tạo hình dạng trọng số đa dạng (giảm dần, tăng rồi giảm...).
Thực hành: Vẽ hình dạng trọng số Beta với các tham số khác nhau, so sánh với Almon.
Ngày 624: Trọng số MIDAS - Exponential Almon
Mục tiêu: Biết thêm một biến thể phổ biến khác.
Lý thuyết: Exponential Almon weighting, đảm bảo trọng số dương.
Thực hành: So sánh trực quan 3 dạng trọng số (Almon, Beta, Exponential Almon) trên cùng đồ thị.
Ngày 625: Ước lượng MIDAS bằng Nonlinear Least Squares
Mục tiêu: Hiểu vì sao cần phương pháp ước lượng phi tuyến.
Lý thuyết: NLS estimation cho MIDAS (tham số trọng số xuất hiện phi tuyến trong mô hình).
Thực hành: Ước lượng MIDAS đơn giản bằng
scipy.optimize.curve_fithoặc thư viện MIDAS có sẵn.
Ngày 626: U-MIDAS (Unrestricted MIDAS)
Mục tiêu: Biết phiên bản đơn giản hóa của MIDAS.
Lý thuyết: U-MIDAS, ước lượng trọng số tự do bằng OLS thay vì ràng buộc theo hàm polynomial.
Thực hành: Ước lượng U-MIDAS cho cùng bài toán, so sánh với MIDAS có ràng buộc.
Ngày 627: So sánh MIDAS vs U-MIDAS vs Bridge Equation
Mục tiêu: Có cơ sở lựa chọn phương pháp phù hợp.
Lý thuyết: Trade-off giữa số tham số, tính linh hoạt, và nguy cơ overfitting.
Thực hành: Lập bảng so sánh 3 phương pháp về số tham số và RMSE trên cùng bài toán.
Ngày 628: MIDAS với Nhiều Biến Giải thích
Mục tiêu: Mở rộng MIDAS sang trường hợp đa biến.
Lý thuyết: Multi-variable MIDAS, mỗi biến có hàm trọng số riêng.
Thực hành: Thiết lập MIDAS với 2-3 biến giải thích tần suất tháng cho GDP quý.
Ngày 629: Chọn Độ trễ Tối ưu cho MIDAS
Mục tiêu: Biết cách xác định số lag tần suất cao cần đưa vào.
Lý thuyết: Lag length selection cho MIDAS, dùng AIC/BIC.
Thực hành: Chạy grid search số lag tháng tối ưu cho MIDAS dự báo GDP.
Ngày 630: Cài đặt MIDAS bằng Python
Mục tiêu: Thành thạo công cụ thực hành cho MIDAS.
Lý thuyết: Ôn lại thư viện có sẵn (VD:
midasmlpy) hoặc cách tự cài đặt.Thực hành: Viết hàm Python tổng quát để fit MIDAS regression với trọng số Beta.
Ngày 631: MIDAS cho Dự báo GDP - Setup
Mục tiêu: Chuẩn bị bài toán ứng dụng chính.
Lý thuyết: Ôn lại các chỉ báo tháng phù hợp (PMI, xuất khẩu, sản lượng công nghiệp).
Thực hành: Chuẩn bị dữ liệu GDP quý và các chỉ báo tháng Việt Nam.
Ngày 632: MIDAS cho Dự báo GDP - Ước lượng
Mục tiêu: Fit mô hình MIDAS hoàn chỉnh.
Lý thuyết: Ôn lại quy trình ước lượng NLS.
Thực hành: Ước lượng MIDAS cho GDP theo PMI, xuất khẩu.
Ngày 633: MIDAS cho Dự báo GDP - Đánh giá
Mục tiêu: Đánh giá chất lượng dự báo.
Lý thuyết: Ôn lại walk-forward validation áp dụng cho MIDAS.
Thực hành: Đánh giá RMSE out-of-sample cho mô hình MIDAS GDP.
Ngày 634: MIDAS-VAR
Mục tiêu: Kết hợp ý tưởng MIDAS với mô hình đa biến VAR.
Lý thuyết: MIDAS-VAR (hoặc MF-VAR - Mixed Frequency VAR), mở rộng VAR để xử lý đa tần suất.
Thực hành: Đọc tổng quan cấu trúc MF-VAR, so sánh với VAR thường (Giai đoạn 3) đã phải aggregate dữ liệu.
Ngày 635: DFM-MIDAS
Mục tiêu: Kết nối lại với Dynamic Factor Model đã học ở Giai đoạn 4.
Lý thuyết: Kết hợp factor extraction với MIDAS bridge equation.
Thực hành: Vẽ sơ đồ pipeline kết hợp DFM (Giai đoạn 4) và MIDAS bridge equation.
Ngày 636: Real-time Data và Vấn đề Ragged Edge
Mục tiêu: Hiểu thách thức thực tế khi dữ liệu công bố không đồng thời.
Lý thuyết: Ragged edge problem - tại một thời điểm, một số chỉ báo đã có tháng mới nhất, số khác chưa.
Thực hành: Vẽ sơ đồ minh họa ragged edge với lịch công bố thực tế của GSO cho các chỉ báo khác nhau.
Ngày 637: Xử lý Ragged Edge trong MIDAS
Mục tiêu: Biết cách xử lý thực tế vấn đề này.
Lý thuyết: Điều chỉnh MIDAS để hoạt động với số lag có sẵn khác nhau cho từng biến.
Thực hành: Cài đặt MIDAS xử lý trường hợp một biến thiếu tháng cuối cùng.
Ngày 638: Dữ liệu Vintage và Data Revisions
Mục tiêu: Hiểu vấn đề dữ liệu bị điều chỉnh lại theo thời gian.
Lý thuyết: Vintage data, real-time data vs revised data - GDP công bố sơ bộ có thể khác với số liệu cuối cùng.
Thực hành: Nếu có thể, tìm ví dụ GDP Việt Nam bị điều chỉnh giữa công bố sơ bộ và chính thức.
Ngày 639: Xây dựng Real-time Dataset cho Việt Nam
Mục tiêu: Thực hành mô phỏng bối cảnh dữ liệu thời gian thực.
Lý thuyết: Ôn lại khái niệm pseudo real-time (đã dùng ở Giai đoạn 4).
Thực hành: Xây dựng cấu trúc dữ liệu "vintage" giả lập cho GDP và các chỉ báo tháng để phục vụ đánh giá pseudo real-time sau này.
Ngày 640: Project MIDAS - Chọn bộ Chỉ báo Tần suất Cao
Mục tiêu: Xác định tập chỉ báo cho project MIDAS hoàn chỉnh.
Lý thuyết: Ôn lại tiêu chí chọn chỉ báo (Ngày 391).
Thực hành: Chọn 5-6 chỉ báo tháng có tương quan cao với GDP.
Ngày 641: Project MIDAS - Thu thập Dữ liệu Tháng
Mục tiêu: Có bộ dữ liệu đầy đủ.
Lý thuyết: Ôn lại nguồn dữ liệu.
Thực hành: Thu thập và làm sạch dữ liệu tháng cho các chỉ báo đã chọn.
Ngày 642: Project MIDAS - Thiết lập MIDAS Regression
Mục tiêu: Xây khung mô hình chính.
Lý thuyết: Ôn lại cấu trúc phương trình MIDAS đa biến.
Thực hành: Viết code thiết lập MIDAS regression cho toàn bộ chỉ báo đã chọn.
Ngày 643: Project MIDAS - Ước lượng Trọng số Almon/Beta
Mục tiêu: Fit mô hình với các dạng trọng số khác nhau.
Lý thuyết: Ôn lại NLS estimation.
Thực hành: Ước lượng MIDAS với cả trọng số Almon và Beta.
Ngày 644: Project MIDAS - So sánh các dạng Trọng số
Mục tiêu: Chọn dạng trọng số phù hợp nhất.
Lý thuyết: Ôn lại tiêu chí so sánh (AIC/BIC, RMSE).
Thực hành: Lập bảng so sánh, chọn dạng trọng số cuối cùng.
Ngày 645: Project MIDAS - Dự báo GDP Quý Hiện tại
Mục tiêu: Tạo nowcast/dự báo GDP thực tế.
Lý thuyết: Ôn lại cách MIDAS cập nhật dự báo khi có thêm dữ liệu tháng mới.
Thực hành: Tính dự báo GDP quý hiện tại dựa trên dữ liệu tháng đã có.
Ngày 646: Project MIDAS - Đánh giá Pseudo Real-time
Mục tiêu: Đánh giá nghiêm túc chất lượng dự báo.
Lý thuyết: Ôn lại pseudo real-time evaluation (Ngày 397).
Thực hành: Chạy đánh giá pseudo real-time cho MIDAS qua nhiều quý lịch sử.
Ngày 647: Project MIDAS - So sánh với Bridge Equation
Mục tiêu: Đánh giá lợi ích thực tế của MIDAS.
Lý thuyết: Ôn lại bridge equation.
Thực hành: So sánh RMSE giữa MIDAS và bridge equation trên cùng dữ liệu.
Ngày 648: Project MIDAS - So sánh với DFM
Mục tiêu: Đặt MIDAS vào bối cảnh so sánh với phương pháp Giai đoạn 4.
Lý thuyết: Ôn lại kết quả DFM nowcasting (Ngày 397).
Thực hành: So sánh RMSE giữa MIDAS và DFM cho cùng bài toán nowcast GDP.
Ngày 649: Project MIDAS - Viết Báo cáo
Mục tiêu: Hoàn thiện báo cáo project.
Lý thuyết: Ôn lại cấu trúc báo cáo.
Thực hành: Viết báo cáo hoàn chỉnh cho project MIDAS GDP.
Ngày 650: MIDAS cho Dự báo Lạm phát - Setup
Mục tiêu: Áp dụng MIDAS cho bài toán thứ hai.
Lý thuyết: Ôn lại các chỉ báo tần suất cao liên quan lạm phát (giá dầu, tỷ giá theo tuần/ngày).
Thực hành: Chuẩn bị dữ liệu cho MIDAS dự báo CPI từ chỉ báo tần suất cao hơn.
Ngày 651: MIDAS cho Dự báo Lạm phát - Ước lượng và Đánh giá
Mục tiêu: Hoàn thiện bài toán ứng dụng thứ hai.
Lý thuyết: Ôn lại toàn bộ quy trình.
Thực hành: Ước lượng và đánh giá MIDAS cho CPI, so sánh với SARIMA (Giai đoạn 3).
Ngày 652: Hạn chế của MIDAS
Mục tiêu: Có cái nhìn cân bằng về công cụ đã học.
Lý thuyết: Hạn chế: khó mở rộng cho rất nhiều biến, giả định hàm trọng số có thể không phù hợp thực tế.
Thực hành: Thảo luận và liệt kê các tình huống MIDAS không phải lựa chọn tốt nhất (khi đó nên dùng DFM).
Ngày 653: Xu hướng Nghiên cứu MIDAS gần đây
Mục tiêu: Cập nhật hướng phát triển mới.
Lý thuyết: Machine Learning MIDAS (kết hợp Lasso/Random Forest với cấu trúc MIDAS).
Thực hành: Đọc tóm tắt 1 paper về ML-MIDAS.
Ngày 654: Ôn tập Mixed Frequency Data
Mục tiêu: Củng cố kiến thức Phần A trước khi tổng kết.
Lý thuyết: Ôn tập Ngày 616–653.
Thực hành: Làm bộ câu hỏi ôn tập tổng hợp về MIDAS, bridge equation, ragged edge.
Ngày 655: Tổng kết MIDAS
Mục tiêu: Củng cố toàn bộ Phần A.
Lý thuyết: Tổng hợp toàn bộ các phương pháp xử lý mixed frequency đã học.
Thực hành: Viết báo cáo tổng kết so sánh Aggregation, Bridge Equation, MIDAS, DFM về ưu/nhược điểm và use-case phù hợp.
PHẦN B: NOWCASTING (Ngày 656–695)
Ngày 656: Giới thiệu Nowcasting
Mục tiêu: Hiểu định nghĩa chính xác và động lực của nowcasting.
Lý thuyết: Nowcasting = dự báo hiện tại/tương lai gần dựa trên dữ liệu công bố sớm, giải quyết độ trễ công bố GDP.
Thực hành: Tính độ trễ công bố GDP chính thức của Việt Nam (từ cuối quý đến khi có số liệu) để thấy rõ vấn đề.
Ngày 657: Lịch sử Phát triển Nowcasting
Mục tiêu: Hiểu bối cảnh phát triển của lĩnh vực.
Lý thuyết: Nguồn gốc từ khí tượng học, phát triển mạnh sau khủng hoảng 2008 (NY Fed, Atlanta Fed).
Thực hành: Đọc tổng quan lịch sử phát triển các mô hình nowcasting nổi tiếng.
Ngày 658: Kiến trúc Hệ thống Nowcasting Tổng quát
Mục tiêu: Có bức tranh tổng thể trước khi xây dựng.
Lý thuyết: Kiến trúc chuẩn: Data ingestion → Factor/bridge model → Update mechanism → Output.
Thực hành: Vẽ sơ đồ kiến trúc hệ thống nowcasting sẽ xây dựng trong project.
Ngày 659: Vai trò Lịch Công bố Dữ liệu
Mục tiêu: Hiểu tầm quan trọng của việc theo dõi lịch công bố.
Lý thuyết: Data release calendar, mỗi chỉ báo có lịch công bố cố định trong tháng.
Thực hành: Xây dựng lịch công bố dữ liệu kinh tế Việt Nam (GSO, SBV) cho các chỉ báo chính.
Ngày 660: News và Data Surprises
Mục tiêu: Hiểu khái niệm "tin tức" trong nowcasting.
Lý thuyết: Data surprise = giá trị thực tế công bố − kỳ vọng trước đó (từ mô hình).
Thực hành: Tính data surprise cho một vài lần công bố CPI Việt Nam gần đây (dựa trên dự báo mô hình đã có).
Ngày 661: Đo lường Data Surprise
Mục tiêu: Thành thạo cách định lượng surprise.
Lý thuyết: Ôn lại công thức surprise, chuẩn hóa theo độ lệch chuẩn lịch sử.
Thực hành: Xây bảng theo dõi surprise cho các chỉ báo tháng đã dùng trong MIDAS.
Ngày 662: Cập nhật Nowcast khi có Tin mới
Mục tiêu: Kết nối lại Kalman Filter (Giai đoạn 4) vào bối cảnh nowcasting.
Lý thuyết: Kalman filter update step tự nhiên cho việc cập nhật nowcast khi có dữ liệu mới.
Thực hành: Minh họa bằng code: cập nhật nowcast GDP khi có thêm 1 điểm dữ liệu tháng mới, dùng Kalman update đã viết ở Giai đoạn 4.
Ngày 663: Phân rã Đóng góp của Từng Chỉ báo
Mục tiêu: Diễn giải được nowcast thay đổi do đâu.
Lý thuyết: News decomposition - mỗi lần cập nhật, thay đổi nowcast có thể phân rã theo đóng góp từng biến.
Thực hành: Tính news decomposition cho một lần cập nhật nowcast cụ thể.
Ngày 664: Case study - GDPNow (Atlanta Fed)
Mục tiêu: Học từ mô hình nowcasting nổi tiếng nhất thế giới.
Lý thuyết: Đọc tổng quan phương pháp luận GDPNow (dựa trên bridge equations nhiều khối ngành).
Thực hành: Tóm tắt cấu trúc mô hình GDPNow và lý do được theo dõi rộng rãi bởi thị trường.
Ngày 665: Case study - NY Fed Staff Nowcast
Mục tiêu: Học từ một mô hình nowcasting khác dựa trên DFM.
Lý thuyết: Đọc tổng quan NY Fed Staff Nowcast (dựa trên dynamic factor model, gần với Giai đoạn 4 đã học).
Thực hành: So sánh cách tiếp cận GDPNow (bridge-based) và NY Fed (DFM-based).
Ngày 666: So sánh các Phương pháp Nowcasting
Mục tiêu: Tổng hợp toàn bộ phương pháp đã học.
Lý thuyết: Ôn tập DFM (Giai đoạn 4), MIDAS (Phần A), ML-based (sắp học).
Thực hành: Lập bảng so sánh chi tiết các phương pháp.
Ngày 667: Nowcasting bằng Machine Learning
Mục tiêu: Hiểu hướng tiếp cận hiện đại thay thế mô hình thống kê cổ điển.
Lý thuyết: ML-based nowcasting, tận dụng tree models/deep learning (đã học Giai đoạn 5).
Thực hành: Thảo luận ưu/nhược điểm ML nowcasting so với DFM/MIDAS.
Ngày 668: Feature Engineering đặc thù cho Nowcasting
Mục tiêu: Áp dụng lại kỹ thuật đã học ở Giai đoạn 5 cho bối cảnh mới.
Lý thuyết: Ôn lại lag/rolling features, thêm đặc trưng "số ngày còn lại trong quý" đặc thù cho nowcasting.
Thực hành: Tạo bộ feature nowcasting đầy đủ từ các chỉ báo tháng.
Ngày 669: Nowcasting bằng Random Forest/XGBoost
Mục tiêu: Xây dựng mô hình nowcasting bằng ML.
Lý thuyết: Ôn lại XGBoost (Giai đoạn 5), áp dụng cho bài toán nowcasting GDP.
Thực hành: Fit XGBoost nowcasting GDP từ bộ feature đã tạo.
Ngày 670: Google Trends và Dữ liệu Thay thế
Mục tiêu: Biết nguồn dữ liệu tần suất siêu cao cho nowcasting.
Lý thuyết: Alternative data, Google Trends như một chỉ báo sớm về hoạt động kinh tế.
Thực hành: Đọc ví dụ nghiên cứu sử dụng Google Trends trong nowcasting GDP.
Ngày 671: Thu thập Google Trends cho Việt Nam
Mục tiêu: Thực hành lấy dữ liệu thay thế thực tế.
Lý thuyết: Ôn lại cách chọn từ khóa liên quan kinh tế (VD: "thất nghiệp", "vay ngân hàng").
Thực hành: Thu thập dữ liệu Google Trends cho một vài từ khóa kinh tế Việt Nam qua
pytrends.
Ngày 672: Dữ liệu Thay thế khác - Giới thiệu Khái niệm
Mục tiêu: Biết thêm các nguồn dữ liệu thay thế khác dùng trong thực tế quốc tế.
Lý thuyết: Satellite data (ánh sáng đêm đo hoạt động kinh tế), credit card transaction data, shipping data.
Thực hành: Đọc tổng quan 1-2 case study sử dụng dữ liệu vệ tinh hoặc giao dịch thẻ trong nowcasting.
Ngày 673: Text-based Indicators
Mục tiêu: Hiểu cách tin tức có thể trở thành chỉ báo định lượng.
Lý thuyết: Sentiment analysis từ tin tức kinh tế, economic policy uncertainty index (kiểu Baker-Bloom-Davis).
Thực hành: Đọc tổng quan cách xây dựng chỉ số uncertainty từ tin tức.
Ngày 674: Xử lý Văn bản Cơ bản cho Economic Sentiment
Mục tiêu: Có kỹ năng NLP tối thiểu cần thiết.
Lý thuyết: Tokenization, sentiment lexicon, đơn giản hóa bài toán NLP cho mục đích kinh tế.
Thực hành: Viết pipeline đơn giản tính điểm sentiment cho một tập tiêu đề tin tức kinh tế mẫu.
Ngày 675: Xây dựng Chỉ số Sentiment Kinh tế Việt Nam
Mục tiêu: Thực hành xây dựng chỉ báo thay thế của riêng mình.
Lý thuyết: Ôn lại quy trình thu thập tin tức và tính sentiment.
Thực hành: Thu thập tiêu đề tin kinh tế Việt Nam theo thời gian, tính chỉ số sentiment hàng tháng.
Ngày 676: Kết hợp Sentiment Index vào Mô hình Nowcasting
Mục tiêu: Tích hợp chỉ báo mới vào hệ thống đã xây.
Lý thuyết: Ôn lại cách thêm biến mới vào DFM/MIDAS/ML model.
Thực hành: Thêm sentiment index vào mô hình XGBoost nowcasting GDP, đánh giá cải thiện.
Ngày 677: Đánh giá Nowcasting - Pseudo Real-time Chi tiết
Mục tiêu: Nắm vững quy trình đánh giá nghiêm ngặt nhất cho nowcasting.
Lý thuyết: Ôn lại và mở rộng pseudo real-time evaluation, mô phỏng chính xác thông tin có sẵn tại mỗi thời điểm lịch sử.
Thực hành: Xây dựng framework đánh giá pseudo real-time đầy đủ, tính đến ragged edge.
Ngày 678: Rolling Nowcast Evaluation qua Nhiều Quý
Mục tiêu: Đánh giá độ ổn định của hệ thống nowcasting theo thời gian.
Lý thuyết: Rolling evaluation, theo dõi RMSE nowcast qua từng tuần trong quý (nowcast càng gần cuối quý càng chính xác).
Thực hành: Vẽ biểu đồ RMSE nowcast theo "khoảng cách đến ngày công bố GDP chính thức".
Ngày 679: Project Nowcasting GDP Toàn diện - Kiến trúc Hệ thống
Mục tiêu: Thiết kế hệ thống nowcasting hoàn chỉnh nhất trong syllabus.
Lý thuyết: Ôn lại kiến trúc tổng quát (Ngày 658), kết hợp DFM + MIDAS + ML + Alternative data.
Thực hành: Vẽ sơ đồ kiến trúc chi tiết cho hệ thống sẽ xây dựng.
Ngày 680: Project Nowcasting GDP Toàn diện - Thu thập Đa nguồn
Mục tiêu: Tổng hợp toàn bộ nguồn dữ liệu đã học cách thu thập.
Lý thuyết: Ôn lại các nguồn: GSO, SBV, Google Trends, tin tức.
Thực hành: Thu thập và tổ chức toàn bộ dữ liệu đa nguồn.
Ngày 681: Project Nowcasting GDP Toàn diện - Lịch Công bố Dữ liệu
Mục tiêu: Có cấu trúc dữ liệu thời gian thực chính xác.
Lý thuyết: Ôn lại lịch công bố đã xây (Ngày 659).
Thực hành: Tích hợp lịch công bố vào hệ thống, mô phỏng ragged edge.
Ngày 682: Project Nowcasting GDP Toàn diện - Mô hình DFM Nền tảng
Mục tiêu: Xây lớp mô hình chính.
Lý thuyết: Ôn lại DFM (Giai đoạn 4).
Thực hành: Ước lượng lại DFM với bộ dữ liệu đa nguồn mở rộng.
Ngày 683: Project Nowcasting GDP Toàn diện - Thêm ML Layer
Mục tiêu: Kết hợp ML để cải thiện dự báo cuối.
Lý thuyết: Ôn lại stacking đơn giản: dùng factor từ DFM làm input cho XGBoost.
Thực hành: Xây layer XGBoost nhận input là factor + các chỉ báo trực tiếp.
Ngày 684: Project Nowcasting GDP Toàn diện - Thêm Sentiment/Alternative Data
Mục tiêu: Hoàn thiện hệ thống với dữ liệu thay thế.
Lý thuyết: Ôn lại tích hợp sentiment index (Ngày 676).
Thực hành: Thêm sentiment và Google Trends vào bộ feature ML layer.
Ngày 685: Project Nowcasting GDP Toàn diện - Cơ chế Cập nhật Tự động
Mục tiêu: Xây dựng khả năng cập nhật nowcast khi có dữ liệu mới.
Lý thuyết: Ôn lại Kalman update (Ngày 662).
Thực hành: Viết hàm cập nhật nowcast tự động khi input một điểm dữ liệu mới.
Ngày 686: Project Nowcasting GDP Toàn diện - News Decomposition
Mục tiêu: Có khả năng diễn giải thay đổi nowcast.
Lý thuyết: Ôn lại phân rã đóng góp (Ngày 663).
Thực hành: Cài đặt news decomposition cho hệ thống đã xây.
Ngày 687: Project Nowcasting GDP Toàn diện - Đánh giá Pseudo Real-time
Mục tiêu: Đánh giá nghiêm túc toàn bộ hệ thống.
Lý thuyết: Ôn lại framework đánh giá (Ngày 677).
Thực hành: Chạy đánh giá đầy đủ cho hệ thống, tính RMSE theo từng tuần trong quý.
Ngày 688: Project Nowcasting GDP Toàn diện - So sánh với GDPNow
Mục tiêu: Đối chiếu với chuẩn quốc tế.
Lý thuyết: Ôn lại phương pháp luận GDPNow (Ngày 664).
Thực hành: So sánh định tính kiến trúc và hiệu năng hệ thống đã xây với GDPNow.
Ngày 689: Project Nowcasting GDP Toàn diện - Xây Dashboard
Mục tiêu: Trình bày kết quả trực quan, tương tự sản phẩm thực tế.
Lý thuyết: Ôn lại dashboard đã xây ở Giai đoạn 1 (Ngày 112-115).
Thực hành: Xây dashboard hiển thị nowcast hiện tại, lịch sử cập nhật, và news decomposition.
Ngày 690: Project Nowcasting GDP Toàn diện - Viết Báo cáo
Mục tiêu: Hoàn thiện tài liệu cho hệ thống flagship của syllabus.
Lý thuyết: Ôn lại cấu trúc báo cáo hệ thống nowcasting đầy đủ.
Thực hành: Viết báo cáo toàn diện: kiến trúc, dữ liệu, phương pháp, đánh giá, hạn chế.
Ngày 691: Nowcasting cho Các Biến khác
Mục tiêu: Thấy khả năng mở rộng khung nowcasting.
Lý thuyết: Áp dụng tương tự cho thất nghiệp, xuất khẩu, sản lượng công nghiệp.
Thực hành: Thảo luận điều chỉnh cần thiết khi áp dụng khung đã xây cho một biến khác.
Ngày 692: Thách thức Nowcasting tại Thị trường Mới nổi
Mục tiêu: Hiểu bối cảnh đặc thù của Việt Nam so với các nước phát triển.
Lý thuyết: Ít chỉ báo tần suất cao hơn, độ trễ công bố dài hơn, chất lượng dữ liệu thấp hơn so với Mỹ/EU.
Thực hành: Viết bài luận ngắn về những điều chỉnh cần thiết khi xây nowcasting cho Việt Nam so với case study Mỹ (GDPNow).
Ngày 693: Đọc Paper Nowcasting gần đây
Mục tiêu: Cập nhật nghiên cứu mới nhất.
Lý thuyết: Tìm và đọc 1 paper nowcasting cho một nước đang phát triển.
Thực hành: Tóm tắt phương pháp và bài học áp dụng được cho Việt Nam.
Ngày 694: Ôn tập Nowcasting
Mục tiêu: Củng cố kiến thức Phần B.
Lý thuyết: Ôn tập Ngày 656–693.
Thực hành: Làm bộ câu hỏi ôn tập tổng hợp về kiến trúc, đánh giá, alternative data trong nowcasting.
Ngày 695: Tổng kết Nowcasting
Mục tiêu: Củng cố toàn bộ Phần B.
Lý thuyết: Tổng hợp toàn bộ hệ thống nowcasting đã xây dựng.
Thực hành: Viết sơ đồ tổng thể hệ thống nowcasting hoàn chỉnh (data → model → update → output → evaluation) làm tài liệu tham khảo cho Capstone sau này.
PHẦN C: FORECAST COMBINATION (Ngày 696–730)
Ngày 696: Giới thiệu Forecast Combination
Mục tiêu: Hiểu tại sao kết hợp nhiều mô hình thường tốt hơn một mô hình đơn lẻ.
Lý thuyết: Forecast combination, ý tưởng đa dạng hóa rủi ro mô hình (giống đa dạng hóa danh mục đầu tư).
Thực hành: Liệt kê toàn bộ mô hình đã xây dựng trong syllabus có thể dùng để kết hợp (ARIMA, VAR, BVAR, XGBoost, LSTM, TFT, MIDAS).
Ngày 697: Bằng chứng Thực nghiệm về Lợi ích Combination
Mục tiêu: Hiểu nền tảng lý thuyết/thực nghiệm cho forecast combination.
Lý thuyết: Bates-Granger (1969) - nghiên cứu kinh điển chứng minh combination giảm sai số dự báo.
Thực hành: Đọc tóm tắt ý tưởng chính của nghiên cứu Bates-Granger.
Ngày 698: Simple Average Combination
Mục tiêu: Thực hành phương pháp kết hợp đơn giản nhất.
Lý thuyết: Simple average, thường khó bị đánh bại bởi các phương pháp phức tạp hơn ("forecast combination puzzle").
Thực hành: Tính simple average của 2-3 dự báo CPI từ các mô hình đã xây.
Ngày 699: Weighted Average - Trọng số theo Hiệu năng Lịch sử
Mục tiêu: Cải thiện đơn giản trên simple average.
Lý thuyết: Trọng số tỷ lệ nghịch với sai số lịch sử của từng mô hình.
Thực hành: Tính trọng số dựa trên RMSE lịch sử, áp dụng cho combination.
Ngày 700: Trọng số dựa trên Nghịch đảo MSE
Mục tiêu: Áp dụng công thức trọng số phổ biến cụ thể.
Lý thuyết: w_i ∝ 1/MSE_i, chuẩn hóa để tổng bằng 1.
Thực hành: Cài đặt hàm tính trọng số nghịch đảo MSE, áp dụng cho các dự báo CPI.
Ngày 701: Trọng số Bayesian Model Averaging
Mục tiêu: Kết nối lại với BMA đã học ở Giai đoạn 4.
Lý thuyết: Ôn lại BMA (Ngày 445), áp dụng trọng số posterior probability cho combination.
Thực hành: Áp dụng BMA weights cho việc kết hợp 3 mô hình BVAR khác nhau.
Ngày 702: Trọng số Thay đổi theo Thời gian
Mục tiêu: Hiểu cách trọng số có thể thích ứng khi hiệu năng mô hình thay đổi.
Lý thuyết: Time-varying weights, cập nhật trọng số dựa trên cửa sổ hiệu năng gần đây (rolling window).
Thực hành: Cài đặt time-varying weighted combination, quan sát trọng số thay đổi qua các giai đoạn kinh tế khác nhau.
Ngày 703: Regression-based Combination
Mục tiêu: Học phương pháp xác định trọng số bằng hồi quy.
Lý thuyết: Granger-Ramanathan regression, hồi quy giá trị thực tế theo các dự báo thành phần.
Thực hành: Ước lượng Granger-Ramanathan regression cho các dự báo CPI đã có.
Ngày 704: Ràng buộc Trọng số
Mục tiêu: Biết cách áp đặt ràng buộc hợp lý cho trọng số.
Lý thuyết: Non-negativity constraint, sum-to-one constraint.
Thực hành: Ước lượng Granger-Ramanathan regression có ràng buộc bằng constrained optimization.
Ngày 705: Combination bằng Machine Learning - Stacking
Mục tiêu: Áp dụng kỹ thuật ML hiện đại cho combination.
Lý thuyết: Stacking, dùng một mô hình "meta" học cách kết hợp tối ưu các dự báo thành phần.
Thực hành: Thiết lập bài toán stacking: input là dự báo từ các mô hình, output là giá trị thực tế.
Ngày 706: Stacking - Thiết kế Meta-learner
Mục tiêu: Chọn và huấn luyện mô hình kết hợp cuối cùng.
Lý thuyết: Meta-learner có thể là linear regression đơn giản hoặc XGBoost phức tạp hơn.
Thực hành: Huấn luyện meta-learner (thử cả linear và XGBoost) cho combination dự báo CPI.
Ngày 707: Diversity trong Forecast Combination
Mục tiêu: Hiểu yếu tố quyết định lợi ích của combination.
Lý thuyết: Diversity - combination chỉ hữu ích khi các mô hình thành phần có sai số không tương quan hoàn toàn.
Thực hành: Tính ma trận tương quan sai số giữa các mô hình đã xây, đánh giá mức độ đa dạng.
Ngày 708: Chọn Tập con Mô hình để Kết hợp
Mục tiêu: Biết cách lọc bớt mô hình trước khi combination.
Lý thuyết: Forecast selection, loại bỏ mô hình yếu hoặc quá tương quan với mô hình khác.
Thực hành: Áp dụng tiêu chí lọc (RMSE tối thiểu + tương quan tối đa) để chọn tập con mô hình tối ưu.
Ngày 709: Trimmed Mean và Median Combination
Mục tiêu: Biết các phương pháp combination bền vững (robust).
Lý thuyết: Trimmed mean (loại bỏ giá trị cực đoan trước khi lấy trung bình), median combination.
Thực hành: So sánh trimmed mean, median, simple average trên một tập dự báo có chứa một mô hình dự báo rất tệ (outlier).
Ngày 710: Combination cho Multi-horizon Forecasts
Mục tiêu: Mở rộng combination cho dự báo nhiều bước.
Lý thuyết: Trọng số có thể khác nhau cho từng horizon (mô hình A tốt cho ngắn hạn, mô hình B tốt cho dài hạn).
Thực hành: Tính trọng số combination riêng cho từng horizon (1 quý, 2 quý, 4 quý) dựa trên hiệu năng lịch sử tương ứng.
Ngày 711: Đánh giá Forecast Combination
Mục tiêu: Xác nhận combination thực sự cải thiện so với từng mô hình riêng lẻ.
Lý thuyết: Ôn lại các metric đánh giá (Giai đoạn 5), áp dụng so sánh combination vs best single model.
Thực hành: Lập bảng so sánh RMSE giữa combination và từng mô hình thành phần.
Ngày 712: Rủi ro của Combination
Mục tiêu: Có cái nhìn cân bằng, tránh áp dụng combination một cách mù quáng.
Lý thuyết: Khi nào combination không giúp ích (một mô hình vượt trội rõ rệt, số mô hình thành phần quá ít).
Thực hành: Thảo luận và tìm ví dụ (nếu có) trong kết quả đã có nơi combination không cải thiện so với mô hình tốt nhất.
Ngày 713: Project Combination - Tổng hợp Dự báo từ Các mô hình
Mục tiêu: Chuẩn bị đầu vào cho project combination toàn diện.
Lý thuyết: Ôn lại toàn bộ mô hình đã xây (ARIMA, VAR, XGBoost, LSTM, TFT).
Thực hành: Tổng hợp dự báo out-of-sample từ toàn bộ 5 mô hình cho cùng một chuỗi (CPI hoặc GDP).
Ngày 714: Project Combination - Simple Average
Mục tiêu: Thực hiện phương pháp cơ bản nhất trước.
Lý thuyết: Ôn lại simple average.
Thực hành: Tính combination bằng simple average, đánh giá RMSE.
Ngày 715: Project Combination - Weighted Average theo MSE nghịch đảo
Mục tiêu: Thực hiện phương pháp weighted đơn giản.
Lý thuyết: Ôn lại công thức trọng số.
Thực hành: Tính combination bằng inverse-MSE weighting, đánh giá RMSE.
Ngày 716: Project Combination - Regression-based Combination
Mục tiêu: Thực hiện phương pháp Granger-Ramanathan.
Lý thuyết: Ôn lại có ràng buộc.
Thực hành: Ước lượng và áp dụng combination bằng hồi quy có ràng buộc.
Ngày 717: Project Combination - Stacking
Mục tiêu: Thực hiện phương pháp ML hiện đại.
Lý thuyết: Ôn lại thiết kế meta-learner.
Thực hành: Huấn luyện và áp dụng stacking combination.
Ngày 718: Project Combination - So sánh Toàn bộ Phương pháp
Mục tiêu: Có kết luận tổng hợp cho project.
Lý thuyết: Ôn lại tiêu chí so sánh.
Thực hành: Lập bảng so sánh toàn diện 4 phương pháp combination + 5 mô hình đơn lẻ.
Ngày 719: Project Combination - Đánh giá bằng Diebold-Mariano
Mục tiêu: Xác nhận ý nghĩa thống kê của kết quả.
Lý thuyết: Ôn lại DM test (Giai đoạn 5, Ngày 543).
Thực hành: Chạy DM test so sánh combination tốt nhất với mô hình đơn lẻ tốt nhất.
Ngày 720: Project Combination - Phân tích Đóng góp Từng Mô hình
Mục tiêu: Diễn giải kết quả combination.
Lý thuyết: Ôn lại ý nghĩa trọng số trong combination.
Thực hành: Vẽ biểu đồ trọng số của từng mô hình trong combination tốt nhất, diễn giải.
Ngày 721: Project Combination - Viết Báo cáo
Mục tiêu: Hoàn thiện báo cáo project.
Lý thuyết: Ôn lại cấu trúc báo cáo.
Thực hành: Viết báo cáo hoàn chỉnh cho project Forecast Combination.
Ngày 722: Combination cho CPI - Áp dụng lại
Mục tiêu: Xác nhận tính tổng quát của quy trình.
Lý thuyết: Ôn lại toàn bộ pipeline đã xây.
Thực hành: Áp dụng lại toàn bộ pipeline combination cho CPI (nếu project chính đã chọn GDP, và ngược lại).
Ngày 723: Combination cho GDP Nowcast - Áp dụng lại
Mục tiêu: Kết nối lại với hệ thống nowcasting Phần B.
Lý thuyết: Ôn lại các phương pháp nowcasting đã xây (DFM, MIDAS, ML).
Thực hành: Kết hợp các nowcast GDP từ nhiều phương pháp khác nhau bằng combination.
Ngày 724: Xây dựng Pipeline Combination Tái sử dụng
Mục tiêu: Đóng gói toàn bộ kỹ thuật thành công cụ dùng lại được.
Lý thuyết: Ôn lại toàn bộ 4 phương pháp combination đã cài đặt.
Thực hành: Viết class Python
ForecastCombinertổng hợp toàn bộ phương pháp.
Ngày 725: Case study - Combination trong Dự báo IMF/OECD
Mục tiêu: Học từ thực tiễn các tổ chức quốc tế.
Lý thuyết: Đọc tổng quan cách IMF/OECD sử dụng nhiều mô hình và chuyên gia để tạo dự báo cuối cùng (judgmental combination).
Thực hành: Tóm tắt quy trình tạo dự báo chính thức của một tổ chức quốc tế.
Ngày 726: Bài học từ Ensemble Forecasting trong Khí tượng học
Mục tiêu: Học liên ngành để hiểu sâu hơn.
Lý thuyết: Ensemble forecasting trong dự báo thời tiết - nguồn gốc lịch sử của nhiều ý tưởng combination.
Thực hành: Đọc tổng quan và rút ra bài học áp dụng được cho forecasting kinh tế.
Ngày 727: Khi nào nên Đầu tư vào Combination
Mục tiêu: Có quan điểm thực dụng về việc phân bổ nguồn lực.
Lý thuyết: Trade-off giữa cải thiện 1 mô hình đơn lẻ vs xây dựng nhiều mô hình và combination.
Thực hành: Viết bài luận ngắn về chiến lược phù hợp cho một đội ngũ forecasting nhỏ (như trong bối cảnh Việt Nam).
Ngày 728: Đọc Paper Forecast Combination gần đây
Mục tiêu: Cập nhật nghiên cứu mới nhất.
Lý thuyết: Tìm và đọc 1 paper về forecast combination trong kinh tế vĩ mô.
Thực hành: Tóm tắt phương pháp và kết quả chính.
Ngày 729: Ôn tập Forecast Combination
Mục tiêu: Củng cố kiến thức Phần C.
Lý thuyết: Ôn tập Ngày 696–728.
Thực hành: Làm bộ câu hỏi ôn tập tổng hợp về các phương pháp combination.
Ngày 730: Tổng kết Forecast Combination
Mục tiêu: Củng cố toàn bộ Phần C.
Lý thuyết: Tổng hợp toàn bộ các phương pháp và bài học.
Thực hành: Viết sơ đồ quyết định (decision tree) hướng dẫn chọn phương pháp combination phù hợp theo số lượng mô hình và độ dài dữ liệu lịch sử có sẵn.
PHẦN D: DENSITY FORECASTING (Ngày 731–765)
Không chỉ dự báo điểm.
Ngày 731: Giới thiệu Density Forecasting
Mục tiêu: Hiểu bước phát triển tiếp theo vượt ra ngoài point forecast.
Lý thuyết: Density forecast - toàn bộ phân phối xác suất của giá trị tương lai, không chỉ một con số.
Thực hành: Vẽ minh họa so sánh point forecast (một điểm), prediction interval (một khoảng), và density forecast (toàn bộ đường cong).
Ngày 732: Vì sao Point Forecast không đủ cho Ra quyết định Chính sách
Mục tiêu: Hiểu động lực thực tế của density forecasting.
Lý thuyết: Nhà hoạch định chính sách cần biết mức độ bất định, không chỉ giá trị kỳ vọng.
Thực hành: Thảo luận ví dụ: NHTW quyết định lãi suất khác nhau thế nào nếu dự báo lạm phát 4% có độ bất định thấp vs cao.
Ngày 733: Ôn lại Prediction Interval
Mục tiêu: Củng cố nền tảng đã học rải rác qua các giai đoạn.
Lý thuyết: Ôn lại prediction interval từ ARIMA (Giai đoạn 3), BVAR (Giai đoạn 4).
Thực hành: Tổng hợp lại các khoảng dự báo đã tính cho CPI từ nhiều mô hình khác nhau trên cùng một biểu đồ.
Ngày 734: Quantile Forecasting - Khái niệm
Mục tiêu: Hiểu cách tiếp cận trực tiếp vào từng quantile thay vì giả định phân phối.
Lý thuyết: Quantile forecast, dự báo trực tiếp các phân vị (10%, 50%, 90%...) thay vì mean + variance.
Thực hành: Vẽ minh họa fan chart được tạo từ nhiều quantile forecast.
Ngày 735: Hồi quy Phân vị - Lý thuyết
Mục tiêu: Hiểu nền tảng toán học của quantile regression.
Lý thuyết: Quantile regression, pinball loss function (asymmetric loss).
Thực hành: Vẽ hình dạng pinball loss cho các mức quantile khác nhau (10%, 50%, 90%).
Ngày 736: Hồi quy Phân vị - Ước lượng
Mục tiêu: Thực hiện ước lượng quantile regression.
Lý thuyết: Ước lượng bằng linear programming (thay vì OLS thông thường).
Thực hành: Ước lượng quantile regression cho CPI bằng
statsmodels.regression.quantile_regression.
Ngày 737: Quantile Regression cho Time Series
Mục tiêu: Mở rộng sang bối cảnh chuỗi thời gian.
Lý thuyết: Quantile Autoregression (QAR), áp dụng ý tưởng lag features (Giai đoạn 5) cho quantile regression.
Thực hành: Ước lượng QAR cho CPI với các lag đã có từ Giai đoạn 5.
Ngày 738: Quantile Gradient Boosting
Mục tiêu: Áp dụng ML hiện đại cho quantile forecasting.
Lý thuyết: LightGBM/XGBoost với quantile objective function.
Thực hành: Fit LightGBM với objective='quantile' cho nhiều mức quantile của CPI.
Ngày 739: Giới thiệu Conformal Prediction
Mục tiêu: Biết một khung lý thuyết hiện đại cho prediction interval có đảm bảo coverage.
Lý thuyết: Conformal prediction, đảm bảo tỷ lệ coverage đúng về mặt lý thuyết mà không cần giả định phân phối.
Thực hành: Đọc tổng quan trực giác về cách conformal prediction hoạt động.
Ngày 740: Cài đặt Conformal Prediction cho Time Series
Mục tiêu: Áp dụng thực tế conformal prediction.
Lý thuyết: Ôn lại điều chỉnh cần thiết cho time series (do vi phạm giả định exchangeability).
Thực hành: Cài đặt conformal prediction interval cho dự báo CPI từ XGBoost (Giai đoạn 5).
Ngày 741: Density Forecast từ Mô hình Bayesian
Mục tiêu: Ôn lại và củng cố kết nối với Giai đoạn 4.
Lý thuyết: Ôn lại posterior predictive distribution (Ngày 447-448).
Thực hành: Trích xuất lại density forecast từ mô hình BVAR đã xây, so sánh với quantile regression.
Ngày 742: Density Forecast từ Mô hình GARCH - Giới thiệu
Mục tiêu: Học một hướng tiếp cận khác tập trung vào biến động (volatility).
Lý thuyết: Volatility modeling, đặc biệt quan trọng cho các biến tài chính (tỷ giá, lãi suất).
Thực hành: Vẽ biểu đồ biến động (rolling std) của chuỗi tỷ giá Việt Nam qua thời gian, quan sát volatility clustering.
Ngày 743: GARCH - Lý thuyết Cơ bản
Mục tiêu: Hiểu cấu trúc mô hình GARCH.
Lý thuyết: GARCH(1,1) model, phương sai có điều kiện thay đổi theo thời gian.
Thực hành: Viết lại phương trình GARCH(1,1) đầy đủ.
Ngày 744: GARCH - Ước lượng và Ứng dụng
Mục tiêu: Áp dụng GARCH cho dữ liệu tài chính kinh tế thực tế.
Lý thuyết: Ôn lại MLE cho GARCH.
Thực hành: Ước lượng GARCH(1,1) cho chuỗi lợi suất tỷ giá VND/USD, dự báo volatility.
Ngày 745: Kết hợp GARCH với Mô hình Mean - ARIMA-GARCH
Mục tiêu: Xây dựng mô hình đầy đủ cho cả mean và variance.
Lý thuyết: ARIMA-GARCH, mô hình hóa đồng thời giá trị kỳ vọng và phương sai có điều kiện.
Thực hành: Fit mô hình ARIMA-GARCH cho chuỗi lợi suất tỷ giá.
Ngày 746: Fan Chart
Mục tiêu: Hiểu công cụ trực quan hóa density forecast chuẩn trong thực tế.
Lý thuyết: Fan chart (kiểu Bank of England Inflation Report), biểu diễn nhiều dải quantile với độ đậm màu khác nhau.
Thực hành: Đọc và diễn giải một fan chart mẫu từ báo cáo lạm phát của một NHTW.
Ngày 747: Xây dựng Fan Chart bằng Python
Mục tiêu: Tự tạo được fan chart chuyên nghiệp.
Lý thuyết: Ôn lại cách vẽ nhiều dải quantile chồng lớp bằng
matplotlib.Thực hành: Viết hàm Python vẽ fan chart từ tập quantile forecast (10%, 25%, 50%, 75%, 90%).
Ngày 748: Đánh giá Density Forecast - Pinball Loss
Mục tiêu: Biết metric đánh giá chuẩn cho quantile forecast.
Lý thuyết: Ôn lại pinball loss (Ngày 735), áp dụng để đánh giá toàn bộ tập quantile.
Thực hành: Tính average pinball loss cho các phương pháp quantile forecast đã thử (quantile regression, quantile GBM, conformal).
Ngày 749: Đánh giá Density Forecast - CRPS
Mục tiêu: Biết một metric tổng hợp đánh giá toàn bộ phân phối.
Lý thuyết: Continuous Ranked Probability Score (CRPS), tổng quát hóa MAE cho density forecast.
Thực hành: Tính CRPS cho density forecast từ mô hình Bayesian và GARCH.
Ngày 750: Đánh giá Density Forecast - PIT Test
Mục tiêu: Kiểm tra tính hợp lệ (calibration) của density forecast.
Lý thuyết: Probability Integral Transform (PIT), nếu density forecast đúng thì PIT values phải phân phối uniform.
Thực hành: Tính PIT values cho các density forecast đã có, vẽ histogram kiểm tra tính uniform.
Ngày 751: Calibration của Density Forecast
Mục tiêu: Hiểu sâu khái niệm calibration.
Lý thuyết: Calibration - tỷ lệ thực tế rơi vào khoảng dự báo X% phải xấp xỉ X%.
Thực hành: Tính empirical coverage cho các khoảng dự báo 50%/80%/95% từ mô hình đã có, so sánh với mức danh nghĩa.
Ngày 752: Sharpness vs Calibration Trade-off
Mục tiêu: Hiểu đánh đổi giữa độ chính xác về calibration và tính hữu ích thực tế.
Lý thuyết: Sharpness (khoảng dự báo càng hẹp càng tốt) phải cân bằng với calibration (khoảng phải đúng xác suất).
Thực hành: So sánh 2 mô hình: một có calibration tốt nhưng khoảng rộng, một có khoảng hẹp nhưng calibration kém, thảo luận nên chọn mô hình nào.
Ngày 753: Project Density Forecasting - Chọn Mô hình Nền
Mục tiêu: Xác định bài toán ứng dụng cho project.
Lý thuyết: Ôn lại lựa chọn giữa CPI (biến động thấp hơn) hoặc GDP (ít quan sát hơn).
Thực hành: Chọn biến mục tiêu và justify lựa chọn.
Ngày 754: Project Density Forecasting - Quantile Regression
Mục tiêu: Xây dựng phương pháp đầu tiên.
Lý thuyết: Ôn lại QAR/Quantile GBM.
Thực hành: Fit quantile regression cho toàn bộ các mức quantile cần thiết (10-90%).
Ngày 755: Project Density Forecasting - Conformal Prediction
Mục tiêu: Xây dựng phương pháp thứ hai.
Lý thuyết: Ôn lại conformal prediction cho time series.
Thực hành: Cài đặt conformal prediction interval cho cùng biến mục tiêu.
Ngày 756: Project Density Forecasting - ARIMA-GARCH
Mục tiêu: Xây dựng phương pháp thứ ba.
Lý thuyết: Ôn lại ARIMA-GARCH.
Thực hành: Fit ARIMA-GARCH cho biến mục tiêu, trích xuất density forecast.
Ngày 757: Project Density Forecasting - So sánh bằng Pinball Loss/CRPS
Mục tiêu: Đưa ra kết luận định lượng.
Lý thuyết: Ôn lại 2 metric đánh giá.
Thực hành: Lập bảng so sánh Pinball loss và CRPS cho cả 3 phương pháp.
Ngày 758: Project Density Forecasting - Vẽ Fan Chart
Mục tiêu: Trực quan hóa kết quả cho từng phương pháp.
Lý thuyết: Ôn lại hàm vẽ fan chart đã viết (Ngày 747).
Thực hành: Vẽ fan chart cho cả 3 phương pháp, đặt cạnh nhau để so sánh trực quan.
Ngày 759: Project Density Forecasting - Kiểm tra Calibration bằng PIT
Mục tiêu: Xác nhận tính hợp lệ thống kê của kết quả.
Lý thuyết: Ôn lại PIT test.
Thực hành: Chạy PIT test cho cả 3 phương pháp, đánh giá phương pháp nào calibrated tốt nhất.
Ngày 760: Project Density Forecasting - Viết Báo cáo
Mục tiêu: Hoàn thiện báo cáo project.
Lý thuyết: Ôn lại cấu trúc báo cáo density forecasting.
Thực hành: Viết báo cáo hoàn chỉnh so sánh 3 phương pháp density forecasting.
Ngày 761: Case study - Fan Chart của Bank of England
Mục tiêu: Học từ thực tiễn hàng đầu thế giới.
Lý thuyết: Đọc tổng quan phương pháp luận fan chart trong Inflation Report của BoE.
Thực hành: So sánh fan chart tự xây với phong cách trình bày của BoE, rút kinh nghiệm cải thiện.
Ngày 762: Vai trò Density Forecasting trong Truyền thông Chính sách
Mục tiêu: Hiểu giá trị thực tiễn ngoài kỹ thuật.
Lý thuyết: Density forecast giúp truyền đạt minh bạch mức độ bất định đến công chúng và thị trường.
Thực hành: Viết đoạn văn ngắn (kiểu thông cáo báo chí) diễn giải một fan chart CPI cho công chúng không chuyên.
Ngày 763: Đọc Paper Density Forecasting Kinh tế gần đây
Mục tiêu: Cập nhật nghiên cứu mới nhất.
Lý thuyết: Tìm và đọc 1 paper về density forecasting trong kinh tế vĩ mô.
Thực hành: Tóm tắt phương pháp và kết quả chính.
Ngày 764: Ôn tập Density Forecasting
Mục tiêu: Củng cố kiến thức Phần D trước khi tổng kết Giai đoạn 6.
Lý thuyết: Ôn tập Ngày 731–763.
Thực hành: Làm bộ câu hỏi ôn tập tổng hợp về quantile regression, conformal prediction, GARCH, calibration.
Ngày 765: Tổng kết Giai đoạn 6 - Advanced Economic Forecasting
Mục tiêu: Củng cố toàn diện trước khi bước vào Economic Data Engineering.
Lý thuyết: Ôn tập tổng hợp cả 4 phần: Mixed Frequency/MIDAS, Nowcasting, Forecast Combination, Density Forecasting.
Thực hành: Viết báo cáo tổng kết cá nhân mô tả một hệ thống dự báo kinh tế lý tưởng kết hợp cả 4 kỹ thuật đã học ở giai đoạn này, chuẩn bị nền tảng khái niệm cho Capstone 3 (Mini Central Bank Forecasting Platform) sau này.