Chúc mừng nhóm sinh viên Khoa Hệ thống Thông tin có bài báo được chấp nhận tại Hội nghị Khoa học Quốc tế IMCOM 2026
The 20th International Conference on Ubiquitous Information Management and Communication (IMCOM 2026) là hội nghị quốc tế thường niên uy tín trong lĩnh vực quản lý thông tin và truyền thông toàn thể (ubiquitous information and communication). Hội nghị là diễn đàn học thuật chất lượng cao nhằm giải quyết các thách thức trong xử lý thông tin thông minh, hệ thống mạng xã hội, truyền thông không dây và có dây, và các ứng dụng điện toán toàn thể.
IMCOM đóng vai trò là nền tảng quốc tế để các nhà nghiên cứu, giảng viên, và học viên chia sẻ ý tưởng, mở rộng hợp tác nghiên cứu và thúc đẩy trao đổi học thuật trong khu vực châu Á – Thái Bình Dương.
Các bài báo được chấp nhận tại hội nghị sẽ được chỉ mục bởi Scopus và EI, đồng thời nộp xem xét đưa vào IEEE Xplore (nếu đạt yêu cầu về phạm vi và chất lượng). Một số bài tiêu biểu sẽ được mời mở rộng và xuất bản trên các tạp chí uy tín như IEEE Access, WCMC, Oxford The Computer Journal, IEEE Transactions on Emerging Topics in Computing, IET Intelligent Transport Systems, cùng nhiều tạp chí SCI/SCIE khác.
IMCOM 2026 sẽ được tổ chức từ ngày 4–6 tháng 1 năm 2026 tại Hà Nội, Việt Nam (hình thức trực tiếp và trực tuyến).
Link hội nghị: https://imcom.org/
Tên bài báo: “Forecasting Systematic Risk with Rolling Beta: A Comparative Performance Analysis of CAPM and Machine Learning Models in Vietnam’s Banking and Securities Sector Across Covid-19 Phases”
Nhóm sinh viên thực hiện:
- 23520080 – Trần Thị Ngọc Anh – TMĐT2023.1
- 21522275 – Lê Thị Kiều Lam – HTCL2021
- 21521619 – Trần Tịnh Minh Tú – TMCL2021
Giảng viên hướng dẫn: TS. Trần Văn Hải Triều
Abstract:This study examines the prediction of systematic risks in Vietnam’s banking and securities sectors from 2016 to 2024 by contrasting the standard Capital Asset Pricing Model (CAPM) with two machine learning algorithms: Random Forest (RF) and Extreme Gradient Boosting (XGBoost). It applies a rolling beta approach so that sensitivity to risk can be observed in three different periods: before the COVID-19 pandemic, during this time, and after it. The models are evaluated under various validation schemes based on well-known performance statistics, namely, coefficient of determination, mean absolute error, root mean square error, mean absolute scaled error, and symmetric mean absolute percentage error. Results indicate that RF has consistently the highest explanatory power as well as predictive accuracy, followed by XGBoost, both beating CAPM for all market regimes. Henceforth, valid new empirical evidence supports claims about improved reaction abilities in volatility situations in emerging financial markets when using ensemble-based machine learning models. This study shall be limited to its focus on one sector and the use of only three models. Suggested future research is to cover more industries for analysis, including deep learning and multifactor frameworks and macroeconomic or sentiment-based variables in the robustness and generalizability exercise.
