I. Tổng quan về Dự báo Thị trường Chứng khoán Việt Nam
Phần này tập trung vào dự báo thị trường chứng khoán, cụ thể là dự báo chỉ số thị trường chứng khoán Việt Nam. Thị trường chứng khoán Việt Nam năm 2018 chứng kiến biến động mạnh, với VN-Index đạt đỉnh cao 1204.33 điểm rồi giảm xuống 880.85 điểm. Nhiều yếu tố tác động, bao gồm chiến tranh thương mại Mỹ - Trung, chính sách tiền tệ của FED, và tâm lý nhà đầu tư. Nghiên cứu này sử dụng mạng thần kinh nhân tạo (ANN), một công cụ phân tích thị trường chứng khoán bằng AI, để dự báo chỉ số. Ứng dụng AI trong dự báo chứng khoán là một hướng tiếp cận mới, hứa hẹn độ chính xác cao hơn so với phương pháp truyền thống. Dữ liệu lịch sử chứng khoán đóng vai trò quan trọng trong việc huấn luyện mô hình ANN. Mục tiêu là xây dựng một mô hình dự báo chứng khoán hiệu quả, giảm thiểu rủi ro đầu tư chứng khoán và tối đa hóa chiến lược đầu tư chứng khoán.
1.1 Thực trạng thị trường chứng khoán Việt Nam năm 2018
Năm 2018, thị trường chứng khoán Việt Nam trải qua sự biến động mạnh. VN-Index, chỉ số VN-Index, đạt đỉnh lịch sử nhưng sau đó giảm mạnh. Thực trạng thị trường chứng khoán Việt Nam bị ảnh hưởng bởi nhiều yếu tố, bao gồm chiến tranh thương mại Mỹ - Trung (thông tin thị trường chứng khoán), chính sách tiền tệ toàn cầu (lãi suất), và dòng vốn đầu tư nước ngoài. Sự kiện FED tăng lãi suất gây ra sự dịch chuyển dòng vốn, tác động tiêu cực lên xu hướng thị trường chứng khoán Việt Nam. Phân tích thị trường chứng khoán bằng AI có thể giúp hiểu rõ hơn về những yếu tố này. Dữ liệu được sử dụng bao gồm dữ liệu thị trường chứng khoán, cụ thể là dữ liệu lịch sử chứng khoán. Phân tích kỹ thuật chứng khoán và phân tích cơ bản chứng khoán cũng được sử dụng để đánh giá tình hình thị trường. Rủi ro đầu tư chứng khoán tăng cao do biến động mạnh. Nghiên cứu tập trung vào việc phân tích các yếu tố ảnh hưởng đến chỉ số HNX-Index và chỉ số UPCoM.
1.2 Các phương pháp dự báo trước đây và hạn chế
Các phương pháp truyền thống như mô hình chuỗi thời gian (ARIMA, ARCH/GARCH) và mô hình nhân quả có những hạn chế. Mô hình chuỗi thời gian khó dự báo dài hạn, trong khi mô hình nhân quả phụ thuộc vào việc xác định chính xác mối quan hệ nhân quả giữa các biến, điều này khó khăn trong một thị trường phức tạp như chứng khoán. Thuật toán dự báo chứng khoán truyền thống thường bỏ sót các yếu tố phi tuyến và ngẫu nhiên. Phân tích cổ phiếu bằng các phương pháp này thường không đủ chính xác để đáp ứng yêu cầu của nhà đầu tư. Dự báo giá chứng khoán chính xác là rất khó khăn, do đó, mạng thần kinh nhân tạo được xem là giải pháp thay thế hiệu quả hơn.
II. Ứng dụng Mạng Thần kinh Nhân tạo ANN trong Dự báo
Phần này trình bày chi tiết về việc ứng dụng mạng thần kinh nhân tạo vào dự báo chỉ số thị trường chứng khoán. Mạng thần kinh nhân tạo (ANN), hay mạng neuron nhân tạo, được lựa chọn do khả năng xử lý thông tin phi tuyến và học hỏi từ dữ liệu lịch sử. Mô hình mạng thần kinh nhân tạo nhiều lớp được sử dụng, kết hợp với thuật toán lan truyền ngược (backpropagation) và gradient descent để tối ưu hóa mô hình. Deep learning trong dự báo chứng khoán được áp dụng, tăng cường khả năng học tập và dự báo của mô hình. Tensorflow, Pytorch, và Scikit-learn, các thư viện lập trình Python, được sử dụng để xây dựng và huấn luyện mô hình. Xử lý dữ liệu chứng khoán được thực hiện cẩn thận để đảm bảo chất lượng dữ liệu đầu vào. Tiền xử lý dữ liệu bao gồm việc làm sạch, chuẩn hóa và biến đổi dữ liệu. Học máy (machine learning) và trí tuệ nhân tạo (artificial intelligence) đóng vai trò quan trọng trong quá trình này.
2.1 Thiết kế và huấn luyện mô hình ANN
Mô hình mạng thần kinh nhân tạo được thiết kế với nhiều lớp ẩn để bắt giữ các mối quan hệ phức tạp trong dữ liệu. Backpropagation là thuật toán chính được sử dụng để huấn luyện mô hình, điều chỉnh các trọng số và độ lệch của mạng để giảm thiểu sai số giữa giá trị dự báo và giá trị thực tế. Gradient descent là thuật toán tối ưu được sử dụng để tìm trọng số và độ lệch tối ưu. Đánh giá mô hình dự báo được thực hiện bằng các chỉ số đánh giá như RMSE, MAE và R-squared. Tối ưu hóa mô hình dự báo được thực hiện bằng cách thử nghiệm với các cấu hình khác nhau của mạng, bao gồm số lượng lớp ẩn, số lượng neuron trong mỗi lớp, và hàm kích hoạt. Tensorflow và PyTorch được sử dụng để xây dựng và huấn luyện mô hình. Lập trình Python là ngôn ngữ lập trình được sử dụng.
2.2 Xử lý và phân tích dữ liệu
Dữ liệu lịch sử chứng khoán được thu thập từ các nguồn đáng tin cậy. Xử lý dữ liệu chứng khoán bao gồm việc làm sạch dữ liệu, xử lý các giá trị khuyết thiếu và chuẩn hoá dữ liệu. Phân tích dữ liệu chứng khoán giúp xác định các đặc điểm quan trọng của dữ liệu và lựa chọn các biến đầu vào phù hợp cho mô hình. Dữ liệu được sử dụng bao gồm các chỉ số như giá mở cửa, giá đóng cửa, giá cao nhất, giá thấp nhất, và khối lượng giao dịch. Xây dựng cơ sở dữ liệu cho nghiên cứu là một bước quan trọng để đảm bảo tính chính xác và hiệu quả của mô hình. Thu thập dữ liệu được thực hiện một cách có hệ thống và được kiểm tra kỹ lưỡng. Các kỹ thuật tiền xử lý dữ liệu giúp cải thiện độ chính xác của mô hình dự báo.
III. Kết quả và phân tích
Phần này trình bày kết quả dự báo chỉ số thị trường chứng khoán bằng mô hình ANN. Kết quả dự báo được đánh giá dựa trên các chỉ số thống kê như RMSE, MAE và R-squared. Độ chính xác của dự báo được so sánh với các phương pháp dự báo khác. So sánh các mô hình dự báo cho thấy ưu điểm của mô hình ANN. Đánh giá mô hình giúp xác định hiệu quả của mô hình và đưa ra những đề xuất cải tiến. AI trong tài chính đóng vai trò ngày càng quan trọng trong việc dự báo thị trường. Học sâu (deep learning) là một hướng phát triển đầy tiềm năng. Nghiên cứu này góp phần vào việc ứng dụng AI trong tài chính tại Việt Nam. Tương lai thị trường chứng khoán Việt Nam được dự báo dựa trên kết quả nghiên cứu.
3.1 Đánh giá hiệu quả mô hình
Đánh giá mô hình dự báo được thực hiện bằng cách so sánh kết quả dự báo với giá trị thực tế. Các chỉ số thống kê như RMSE, MAE và R-squared được sử dụng để đo lường độ chính xác của mô hình. Độ chính xác dự báo được phân tích và đánh giá dựa trên các thông số này. Đánh giá mô hình cũng bao gồm việc phân tích các sai số dự báo để xác định nguyên nhân và đưa ra các giải pháp khắc phục. So sánh các mô hình dự báo khác nhau cho thấy tính ưu việt của việc sử dụng mạng thần kinh nhân tạo. Đồ thị dự báo minh họa sự phù hợp giữa kết quả dự báo và giá trị thực tế. Thống kê độ sai số dự báo cho thấy hiệu quả của mô hình trong việc giảm thiểu sai số.
3.2 Ứng dụng thực tiễn và hạn chế
Mô hình ANN được xây dựng trong nghiên cứu này có thể được sử dụng để hỗ trợ các nhà đầu tư trong việc ra quyết định. Dự báo giá chứng khoán chính xác giúp giảm thiểu rủi ro đầu tư. Tuy nhiên, mô hình vẫn còn một số hạn chế. Độ chính xác của dự báo có thể bị ảnh hưởng bởi sự thay đổi đột ngột của thị trường hoặc những yếu tố bất ngờ khác. Hạn chế của luận văn cần được khắc phục trong các nghiên cứu tiếp theo. Thị trường chứng khoán Việt Nam 2023 và thị trường chứng khoán Việt Nam tương lai vẫn cần được nghiên cứu thêm. Tương lai thị trường chứng khoán Việt Nam phụ thuộc vào nhiều yếu tố, bao gồm cả yếu tố vĩ mô và vi mô.
