Ứng Dụng Mô Hình Mạng Thần Kinh Nhân Tạo (ANN) Vào Dự Báo Chỉ Số Thị Trường Chứng Khoán Việt Nam

• Tác giả: Dương Thanh Tâm
• Người hướng dẫn: GS. Trần Ngọc Thơ
• Trường học: Trường Đại Học Kinh Tế Tp. Hồ Chí Minh
• Chuyên ngành: Tài Chính – Ngân Hàng
• Đề tài: Dự Báo Chỉ Số Thị Trường Chứng Khoán Việt Nam Bằng Mô Hình Mạng Thần Kinh Nhân Tạo
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2019
• Địa điểm: Tp. Hồ Chí Minh

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC ĐÂY
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu đề tài
• 1.3. Phương pháp nghiên cứu
• 1.4. TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC ĐÂY
• 1.5. PHƯƠNG PHÁP NGHIÊN CỨU
• 1.5.1. TỔNG QUAN PHƯƠNG PHÁP NGHIÊN CỨU ĐỊNH LƯỢNG
• 1.5.2. PHƯƠNG PHÁP DỰ BÁO VỚI ANN
• 1.5.2.1. Thực trạng thị trường chứng khoán Việt Nam năm 2018
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

I. Tổng Quan Dự Báo Chỉ Số Chứng Khoán Việt Nam bằng ANN

Dự báo chỉ số chứng khoán là một lĩnh vực quan trọng trong tài chính, thu hút sự quan tâm của nhiều nhà nghiên cứu. Việc dự đoán chính xác VN-Index có ý nghĩa lớn đối với nhà đầu tư và các nhà hoạch định chính sách. Luận văn này tập trung vào việc ứng dụng mạng thần kinh nhân tạo (ANN) để dự báo chỉ số thị trường chứng khoán Việt Nam, cụ thể là chỉ số VN-Index. Mục tiêu là xây dựng một mô hình dự báo hiệu quả, có khả năng nắm bắt các yếu tố ảnh hưởng đến thị trường và đưa ra các dự đoán chính xác. Việc sử dụng học máy (machine learning), đặc biệt là ANN, hứa hẹn mang lại những kết quả khả quan hơn so với các phương pháp truyền thống như phân tích kỹ thuật hoặc phân tích cơ bản. Luận văn này sẽ khám phá tiềm năng của ANN trong việc dự báo chứng khoán tại Việt Nam.

1.1. Tầm quan trọng của Dự Báo Chứng Khoán chính xác

Dự báo chính xác chỉ số chứng khoán mang lại nhiều lợi ích. Đối với nhà đầu tư, nó giúp đưa ra quyết định đầu tư sáng suốt, tối ưu hóa lợi nhuận và giảm thiểu rủi ro. Đối với các nhà hoạch định chính sách, nó cung cấp thông tin quan trọng để điều chỉnh chính sách kinh tế vĩ mô, ổn định thị trường tài chính. Ngược lại, những sai lầm trong dự báo có thể dẫn đến những hậu quả nghiêm trọng, gây thiệt hại cho nhà đầu tư và ảnh hưởng tiêu cực đến nền kinh tế. Do đó, việc nghiên cứu và phát triển các mô hình dự báo chứng khoán chính xác là vô cùng quan trọng.

1.2. Ưu điểm của Mạng Thần Kinh Nhân Tạo trong Dự Báo

Mạng thần kinh nhân tạo có nhiều ưu điểm vượt trội so với các phương pháp dự báo truyền thống. ANN có khả năng học hỏi từ dữ liệu quá khứ, nắm bắt các mối quan hệ phức tạp và phi tuyến tính giữa các yếu tố ảnh hưởng đến thị trường chứng khoán. Nó cũng có thể thích ứng với sự thay đổi của thị trường và cải thiện độ chính xác của dự báo theo thời gian. Đặc biệt, ANN có thể xử lý lượng lớn dữ liệu (big data) và phân tích thời gian thực, điều mà các phương pháp truyền thống khó có thể thực hiện được.

II. Thách Thức Biến Động Thị Trường Độ Chính Xác Dự Báo

Thị trường chứng khoán Việt Nam có nhiều biến động, chịu ảnh hưởng bởi nhiều yếu tố khác nhau như kinh tế vĩ mô, chính sách tiền tệ, tâm lý nhà đầu tư, và các sự kiện quốc tế. Sự phức tạp và khó lường của thị trường gây ra nhiều thách thức cho việc dự báo. Một trong những thách thức lớn nhất là đảm bảo độ chính xác dự báo. Các mô hình dự báo thường gặp phải các vấn đề như sai số dự báo, overfitting, và khả năng khái quát hóa kém. Điều này đòi hỏi các nhà nghiên cứu phải liên tục cải tiến thuật toán dự báo, tối ưu hóa mô hình và sử dụng các kỹ thuật backtesting để đánh giá hiệu quả của mô hình.

2.1. Ảnh Hưởng của Yếu Tố Vĩ Mô đến Thị Trường Chứng Khoán

Các yếu tố vĩ mô như lạm phát, lãi suất, tỷ giá hối đoái, tăng trưởng GDP, và chính sách tiền tệ có ảnh hưởng lớn đến thị trường chứng khoán. Sự thay đổi của các yếu tố này có thể tác động đến lợi nhuận của các doanh nghiệp, tâm lý thị trường, và dòng vốn đầu tư. Ví dụ, việc tăng lãi suất có thể làm giảm sức hấp dẫn của chứng khoán và gây ra sự sụt giảm của chỉ số chứng khoán. Việc tích hợp các yếu tố vĩ mô vào mô hình dự báo là rất quan trọng để nâng cao độ chính xác dự báo.

2.2. Sự Khó Lường của Tâm Lý Thị Trường và Tin Tức

Tâm lý thị trường và các tin tức bất ngờ có thể gây ra những biến động lớn trên thị trường chứng khoán. Các nhà đầu tư thường phản ứng thái quá với các tin tức tích cực hoặc tiêu cực, dẫn đến các đợt tăng hoặc giảm giá đột ngột. Điều này gây khó khăn cho việc dự báo và đòi hỏi các nhà nghiên cứu phải sử dụng các kỹ thuật phân tích tâm lý thị trường và phân tích tin tức để nắm bắt các yếu tố này.

III. Phương Pháp Ứng Dụng ANN với Dữ Liệu Lai Ghép Hiệu Quả

Luận văn này đề xuất sử dụng phương pháp lai ghép, kết hợp mạng thần kinh nhân tạo với các yếu tố phân tích kỹ thuật và phân tích cơ bản, để dự báo chỉ số thị trường chứng khoán Việt Nam. Phương pháp này tận dụng ưu điểm của ANN trong việc nắm bắt các mối quan hệ phức tạp và khả năng xử lý dữ liệu lớn, đồng thời tích hợp các thông tin từ phân tích kỹ thuật và phân tích cơ bản để nâng cao độ chính xác dự báo. Việc sử dụng dữ liệu lai ghép cho phép mô hình học hỏi từ nhiều nguồn thông tin khác nhau, giảm thiểu sai số dự báo và cải thiện khả năng khái quát hóa.

3.1. Xây Dựng Mô Hình ANN Phù Hợp với Thị Trường Việt Nam

Việc xây dựng mô hình ANN phù hợp với thị trường chứng khoán Việt Nam là rất quan trọng. Cần phải lựa chọn kiến trúc mạng phù hợp, xác định các tham số tối ưu, và sử dụng các kỹ thuật tối ưu hóa mô hình để đạt được hiệu quả tốt nhất. Các tham số như số lượng lớp, số lượng nơ-ron, hàm kích hoạt, và thuật toán huấn luyện cần được điều chỉnh để phù hợp với đặc điểm của dữ liệu và thị trường.

3.2. Kết Hợp Phân Tích Kỹ Thuật và Cơ Bản vào Mô Hình ANN

Việc kết hợp phân tích kỹ thuật và phân tích cơ bản vào mô hình ANN giúp nâng cao độ chính xác dự báo. Các chỉ báo phân tích kỹ thuật như Moving Average, RSI, MACD có thể cung cấp thông tin về xu hướng và động lượng của thị trường. Các yếu tố phân tích cơ bản như lợi nhuận, tăng trưởng, và các yếu tố vĩ mô có thể cung cấp thông tin về giá trị nội tại của chứng khoán. Việc kết hợp các thông tin này vào mô hình ANN giúp mô hình hiểu rõ hơn về thị trường và đưa ra các dự báo chính xác hơn.

3.3. Sử dụng Python TensorFlow và Keras trong triển khai

Để triển khai mô hình ANN, lập trình Python với các thư viện như TensorFlow và Keras là một lựa chọn phổ biến. TensorFlow và Keras cung cấp các công cụ mạnh mẽ để xây dựng, huấn luyện, và triển khai các mô hình học máy. Việc sử dụng các thư viện này giúp giảm thiểu thời gian phát triển và cho phép các nhà nghiên cứu tập trung vào việc tối ưu hóa mô hình và cải thiện độ chính xác dự báo.

IV. Ứng Dụng Kết Quả Dự Báo VN Index và Đánh Giá Độ Tin Cậy

Luận văn sẽ trình bày kết quả dự báo VN-Index bằng mô hình ANN đã xây dựng. Kết quả sẽ được so sánh với các phương pháp dự báo khác để đánh giá hiệu quả của mô hình. Độ chính xác dự báo sẽ được đánh giá bằng các chỉ số như RMSE, MAE, và MAPE. Ngoài ra, luận văn cũng sẽ phân tích các yếu tố ảnh hưởng đến độ chính xác dự báo và đưa ra các khuyến nghị để cải thiện mô hình.

4.1. So Sánh Kết Quả Dự Báo Ngắn Hạn và Dài Hạn

Luận văn sẽ so sánh kết quả dự báo ngắn hạn và dự báo dài hạn để đánh giá khả năng của mô hình trong việc nắm bắt các xu hướng thị trường khác nhau. Dự báo ngắn hạn thường tập trung vào các biến động hàng ngày hoặc hàng tuần, trong khi dự báo dài hạn tập trung vào các xu hướng hàng tháng hoặc hàng năm. Việc so sánh kết quả dự báo giúp xác định điểm mạnh và điểm yếu của mô hình trong các khung thời gian khác nhau.

4.2. Phân Tích Sai Số Dự Báo và Yếu Tố Ảnh Hưởng

Luận văn sẽ phân tích sai số dự báo để xác định các yếu tố ảnh hưởng đến độ chính xác dự báo. Các yếu tố như dữ liệu đầu vào, kiến trúc mạng, và các tham số mô hình có thể ảnh hưởng đến sai số dự báo. Việc phân tích các yếu tố này giúp xác định các điểm cần cải thiện trong mô hình và nâng cao độ chính xác dự báo.

V. Kết Luận Tiềm Năng và Hướng Phát Triển Mô Hình ANN Dự Báo

Luận văn kết luận về tiềm năng của mạng thần kinh nhân tạo trong việc dự báo chỉ số thị trường chứng khoán Việt Nam. Đồng thời, đề xuất các hướng phát triển trong tương lai để nâng cao độ chính xác dự báo và ứng dụng mô hình vào thực tiễn. Cần tiếp tục nghiên cứu và cải tiến thuật toán dự báo, tối ưu hóa mô hình, và tích hợp các nguồn thông tin mới để đối phó với sự phức tạp và biến động của thị trường.

5.1. Đề xuất hướng nghiên cứu tiếp theo để cải thiện dự báo

Nghiên cứu có thể tiếp tục bằng việc mở rộng tập dữ liệu, áp dụng các kỹ thuật tối ưu hóa hiện đại hơn, hoặc kết hợp với các mô hình dự báo khác để tạo ra một hệ thống dự báo mạnh mẽ hơn. Việc nghiên cứu các yếu tố tâm lý thị trường và các sự kiện bất ngờ cũng có thể giúp cải thiện độ chính xác dự báo.

5.2. Ứng dụng thực tiễn và triển vọng phát triển mô hình ANN

Mô hình ANN có thể được ứng dụng vào thực tiễn để hỗ trợ các nhà đầu tư và các nhà hoạch định chính sách trong việc đưa ra quyết định. Việc phát triển các công cụ phân tích và dự báo dựa trên mô hình ANN có thể giúp nâng cao hiệu quả đầu tư và ổn định thị trường chứng khoán.

Tổng quan nghiên cứu

Năm 2018, thị trường chứng khoán Việt Nam (TTCK VN) chứng kiến nhiều biến động mạnh với chỉ số VN-INDEX đạt đỉnh lịch sử 1204.33 điểm vào ngày 9/4/2018, nhưng sau đó giảm xuống còn khoảng 888 điểm vào cuối năm, tương ứng mức giảm gần 25%. Sự biến động này chịu ảnh hưởng lớn từ các yếu tố vĩ mô toàn cầu, đặc biệt là chiến tranh thương mại Mỹ-Trung Quốc và chính sách tăng lãi suất của Cục Dự trữ Liên bang Mỹ (FED). Trong bối cảnh đó, việc dự báo chính xác chỉ số thị trường chứng khoán trở thành nhiệm vụ quan trọng nhằm hỗ trợ các nhà đầu tư và quản lý quỹ trong việc ra quyết định.

Mục tiêu nghiên cứu của luận văn là ứng dụng mô hình mạng thần kinh nhân tạo (Artificial Neural Network - ANN) kết hợp phương pháp lai ghép giữa phân tích kỹ thuật và phân tích cơ bản để dự báo chỉ số VN-INDEX năm 2018, đồng thời kiểm định độ chính xác của phương pháp này so với phương pháp phân tích kỹ thuật thuần túy. Nghiên cứu tập trung vào việc đưa vào mô hình nhân tố vĩ mô chiến tranh thương mại Mỹ-Trung Quốc nhằm làm rõ tác động của yếu tố này đến thị trường chứng khoán Việt Nam. Phạm vi nghiên cứu bao gồm dữ liệu giao dịch của TTCK VN trong năm 2018 và dự báo cho năm 2019, với mục tiêu nâng cao độ chính xác dự báo và cung cấp công cụ hỗ trợ hiệu quả cho các nhà phân tích tài chính.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

• Lý thuyết định giá kinh doanh chênh lệch (Arbitrage Pricing Theory - APT): Giải thích mối quan hệ giữa tỉ suất sinh lời kỳ vọng của chứng khoán và các nhân tố kinh tế vĩ mô như lạm phát, lãi suất, tỉ giá hối đoái, cung tiền, tăng trưởng kinh tế, giá dầu, và các chỉ số thị trường thế giới.
• Lý thuyết thị trường hiệu quả (Efficient Market Hypothesis - EMH): Cho rằng giá chứng khoán phản ánh đầy đủ thông tin hiện có, do đó việc dự báo giá chứng khoán là thách thức lớn. Tuy nhiên, ANN với khả năng học và xử lý phi tuyến có thể khai thác các mẫu dữ liệu phức tạp vượt trội hơn các phương pháp truyền thống.
• Mô hình mạng thần kinh nhân tạo (ANN): Mô phỏng cấu trúc và chức năng của bộ não con người, sử dụng mạng nhiều lớp và thuật toán lan truyền ngược (Backpropagation) để học và dự báo dựa trên dữ liệu đầu vào đa dạng, bao gồm các biến kỹ thuật và biến phân tích cơ bản.
• Phân tích kỹ thuật và phân tích cơ bản: Phân tích kỹ thuật dựa trên các chỉ số giá, khối lượng giao dịch; phân tích cơ bản dựa trên các yếu tố kinh tế vĩ mô và các biến tác động như chiến tranh thương mại Mỹ-Trung Quốc.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Dữ liệu giao dịch chỉ số VN-INDEX trong năm 2018, bao gồm giá mở cửa, giá đóng cửa, giá cao nhất, giá thấp nhất, khối lượng giao dịch, và biến tác động chiến tranh thương mại Mỹ-Trung Quốc được mã hóa thành các trạng thái (1: tin tốt, 0: bình thường, -1: tin xấu).
• Cỡ mẫu và chọn mẫu: Toàn bộ dữ liệu giao dịch trong năm 2018 được sử dụng làm mẫu huấn luyện và kiểm thử mô hình.
• Phương pháp phân tích: Áp dụng mô hình mạng nơ-ron truyền thẳng nhiều lớp với thuật toán Backpropagation, sử dụng hàm sigmoid làm hàm kích hoạt. Phương pháp lai ghép kết hợp biến kỹ thuật và biến phân tích cơ bản được so sánh với phương pháp chỉ sử dụng biến kỹ thuật.
• Timeline nghiên cứu: Thu thập và xử lý dữ liệu năm 2018, huấn luyện và kiểm thử mô hình trong năm 2018, dự báo chỉ số VN-INDEX cho giai đoạn từ 2/1/2019 đến 30/8/2019.
• Cấu hình mô hình: Thử nghiệm nhiều cấu hình mạng nơ-ron với số lượng biến đầu vào từ 8 đến 10, số lớp ẩn từ 18 đến 27, chọn mô hình có độ chính xác dự báo cao nhất dựa trên sai số nhỏ nhất và đồ thị dự báo gần với thực tế nhất.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

• Phát hiện 1: Mô hình lai ghép ANN (kết hợp biến kỹ thuật và biến phân tích cơ bản) cho kết quả dự báo chính xác hơn so với mô hình chỉ sử dụng biến kỹ thuật. Mô hình 10-18-1 đạt sai số dự báo trung bình dưới 1%, thể hiện qua đồ thị dự báo gần sát với giá trị thực tế của VN-INDEX năm 2018.
• Phát hiện 2: Chỉ số VN-INDEX năm 2018 biến động mạnh với mức giảm khoảng 25% từ đỉnh 1204.33 điểm xuống còn khoảng 900 điểm, chịu ảnh hưởng lớn từ chiến tranh thương mại Mỹ-Trung Quốc và chính sách tăng lãi suất của FED.
• Phát hiện 3: Việc thêm biến tác động chiến tranh thương mại Mỹ-Trung Quốc vào mô hình dự báo giúp cải thiện độ chính xác, phản ánh rõ tác động tiêu cực của yếu tố vĩ mô này lên thị trường chứng khoán Việt Nam.
• Phát hiện 4: Dự báo chỉ số VN-INDEX cho năm 2019 với mô hình lai ghép ANN 10-18-1 cho kết quả dự báo có sai số trung bình gần bằng 0, cho thấy độ tin cậy cao của mô hình trong việc dự báo ngắn hạn.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy phương pháp lai ghép sử dụng mạng thần kinh nhân tạo có khả năng xử lý tốt các dữ liệu phi tuyến và đa chiều, vượt trội hơn so với phương pháp phân tích kỹ thuật thuần túy. Việc bổ sung biến tác động chiến tranh thương mại Mỹ-Trung Quốc làm rõ vai trò của các yếu tố vĩ mô trong dự báo thị trường chứng khoán, phù hợp với lý thuyết APT và các nghiên cứu trước đây về ảnh hưởng của các biến kinh tế vĩ mô. Đồ thị so sánh giữa giá trị dự báo và thực tế minh họa rõ sự tương đồng cao, đồng thời biểu đồ sai số cho thấy phần lớn sai số dưới 1%, khẳng định độ chính xác của mô hình. So với các nghiên cứu trước, luận văn đã mở rộng phạm vi phân tích bằng cách kết hợp các biến kỹ thuật và cơ bản, đồng thời ứng dụng công nghệ ANN hiện đại, góp phần nâng cao hiệu quả dự báo trong bối cảnh thị trường biến động phức tạp.

Đề xuất và khuyến nghị

• Áp dụng mô hình lai ghép ANN: Khuyến nghị các nhà phân tích và quản lý quỹ sử dụng mô hình lai ghép kết hợp biến kỹ thuật và biến phân tích cơ bản để nâng cao độ chính xác dự báo chỉ số chứng khoán, đặc biệt trong bối cảnh thị trường biến động mạnh.
• Tự động hóa thu thập dữ liệu: Phát triển hệ thống tự động thu thập và xử lý dữ liệu vĩ mô, đặc biệt các biến tác động như chiến tranh thương mại, sử dụng công nghệ khai phá dữ liệu lớn (Big Data) và máy học để giảm thiểu tính chủ quan trong việc lấy dữ liệu.
• Mở rộng biến đầu vào: Nghiên cứu bổ sung thêm các biến vĩ mô khác theo lý thuyết APT như lạm phát, lãi suất, tỉ giá hối đoái, giá dầu, cung tiền để hoàn thiện mô hình dự báo, nâng cao độ chính xác và khả năng ứng dụng rộng rãi.
• Đào tạo và nâng cao năng lực: Tổ chức các khóa đào tạo về ứng dụng mạng thần kinh nhân tạo và phương pháp lai ghép cho các chuyên gia tài chính, nhà phân tích chứng khoán nhằm nâng cao năng lực phân tích và dự báo.
• Thời gian thực hiện: Các giải pháp trên nên được triển khai trong vòng 1-2 năm để kịp thời ứng phó với biến động thị trường và nâng cao hiệu quả đầu tư.

Đối tượng nên tham khảo luận văn

• Nhà đầu tư cá nhân và tổ chức: Giúp hiểu rõ hơn về các yếu tố ảnh hưởng đến thị trường chứng khoán và áp dụng mô hình dự báo chính xác để ra quyết định đầu tư hiệu quả.
• Quản lý quỹ và chuyên gia phân tích tài chính: Cung cấp công cụ dự báo nâng cao, hỗ trợ phân tích thị trường và quản lý rủi ro trong danh mục đầu tư.
• Các nhà nghiên cứu và sinh viên ngành tài chính – ngân hàng: Là tài liệu tham khảo quý giá về ứng dụng mạng thần kinh nhân tạo trong dự báo thị trường chứng khoán, đồng thời mở rộng kiến thức về các phương pháp định lượng hiện đại.
• Cơ quan quản lý và hoạch định chính sách: Giúp đánh giá tác động của các yếu tố vĩ mô như chiến tranh thương mại đến thị trường tài chính, từ đó xây dựng chính sách phù hợp nhằm ổn định thị trường.

Câu hỏi thường gặp

1. Mô hình mạng thần kinh nhân tạo (ANN) là gì?
   ANN là mô hình tính toán mô phỏng cấu trúc và chức năng của bộ não con người, sử dụng các lớp nơ-ron để xử lý thông tin phi tuyến, thích hợp cho việc dự báo các dữ liệu phức tạp như thị trường chứng khoán.

2. Tại sao lại sử dụng phương pháp lai ghép trong dự báo?
   Phương pháp lai ghép kết hợp phân tích kỹ thuật và phân tích cơ bản giúp tận dụng ưu điểm của cả hai phương pháp, cải thiện độ chính xác dự báo so với việc chỉ sử dụng một phương pháp đơn lẻ.

3. Chiến tranh thương mại Mỹ-Trung Quốc ảnh hưởng thế nào đến thị trường chứng khoán Việt Nam?
   Chiến tranh thương mại làm tăng sự bất ổn và biến động trên thị trường toàn cầu, ảnh hưởng đến dòng vốn đầu tư và tâm lý nhà đầu tư tại Việt Nam, dẫn đến biến động mạnh của chỉ số VN-INDEX.

4. Dữ liệu đầu vào cho mô hình dự báo gồm những gì?
   Dữ liệu bao gồm các chỉ số kỹ thuật như giá mở cửa, giá đóng cửa, giá cao nhất, giá thấp nhất, khối lượng giao dịch, cùng các biến phân tích cơ bản như tác động chiến tranh thương mại được mã hóa thành các trạng thái.

5. Độ chính xác của mô hình dự báo được đánh giá như thế nào?
   Độ chính xác được đánh giá qua sai số dự báo trung bình, đồ thị so sánh giữa giá trị dự báo và thực tế, với mô hình lai ghép ANN đạt sai số dưới 1%, cho thấy độ tin cậy cao trong dự báo ngắn hạn.

Kết luận

• Mô hình mạng thần kinh nhân tạo kết hợp phương pháp lai ghép giữa phân tích kỹ thuật và phân tích cơ bản nâng cao độ chính xác dự báo chỉ số VN-INDEX.
• Chiến tranh thương mại Mỹ-Trung Quốc là nhân tố vĩ mô quan trọng ảnh hưởng mạnh đến biến động thị trường chứng khoán Việt Nam năm 2018.
• Mô hình ANN 10-18-1 cho kết quả dự báo năm 2019 với sai số trung bình gần bằng 0, thể hiện độ tin cậy cao.
• Việc tự động hóa thu thập dữ liệu và mở rộng biến đầu vào sẽ giúp hoàn thiện mô hình dự báo trong tương lai.
• Khuyến nghị các nhà đầu tư, chuyên gia phân tích và cơ quan quản lý áp dụng mô hình này để nâng cao hiệu quả dự báo và quản lý rủi ro thị trường.

Hành động tiếp theo là triển khai ứng dụng mô hình trong thực tế đầu tư và nghiên cứu mở rộng các biến tác động nhằm nâng cao hiệu quả dự báo dài hạn.