Luận văn thạc sĩ hệ thống thông tin quản lý dự báo nhiều bước trên dữ liệu chuỗi thời gian chứng khoán dùng mạng nơ ron áp dụng vào thị trường chứng khoán việt nam

Luận văn thạc sĩ về dự báo chứng khoán Việt Nam sử dụng mạng nơ-ron. Nghiên cứu hệ thống thông tin quản lý và ứng dụng vào thị trường chứng khoán.

• Tác giả: Nguyễn Hoàng Ân
• Người hướng dẫn: PGS.TS Dương Tuấn Anh
• Trường học: Trường Đại học Bách Khoa
• Chuyên ngành: Hệ thống thông tin quản lý
• Đề tài: Dự báo nhiều bước trên dữ liệu chuỗi thời gian chứng khoán dùng mạng nơ-ron: áp dụng vào thị trường chứng khoán Việt Nam.
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: TP. Hồ Chí Minh

Tóm tắt

I. Tổng Quan Cách Dự báo Chứng khoán VN bằng Mạng Nơ ron

Thị trường chứng khoán Việt Nam ngày càng thu hút sự quan tâm của đông đảo nhà đầu tư. Việc dự báo chứng khoán chính xác là yếu tố then chốt để đưa ra quyết định đầu tư hiệu quả. Các phương pháp phân tích kỹ thuật, phân tích cơ bản truyền thống đôi khi không đủ để nắm bắt sự phức tạp của thị trường. Do đó, việc ứng dụng các kỹ thuật học máy chứng khoán, đặc biệt là mạng nơ-ron, đang trở thành xu hướng tất yếu. Luận văn của Nguyễn Hoàng Ân tại Đại học Bách Khoa TP.HCM năm 2014 đã đi sâu vào nghiên cứu này, áp dụng các chiến lược dự báo nhiều bước bằng mạng nơ-ron vào thị trường Việt Nam. Bài viết này sẽ tổng quan về các phương pháp dự đoán chứng khoán bằng mạng nơ-ron, phân tích các ứng dụng và thách thức liên quan.

1.1. Giới thiệu về Mạng Nơ ron trong Dự báo Tài chính

Mạng nơ-ron (Neural Networks) là một nhánh của trí tuệ nhân tạo (Artificial Intelligence) được thiết kế mô phỏng cấu trúc và chức năng của bộ não con người. Trong lĩnh vực tài chính, mạng nơ-ron được sử dụng để phân tích dữ liệu lớn, tìm kiếm các mẫu phức tạp và dự báo các xu hướng thị trường. Đặc biệt, khả năng học hỏi và thích nghi với dữ liệu mới giúp mạng nơ-ron trở thành công cụ mạnh mẽ trong việc dự đoán giá cổ phiếu và các chỉ số chứng khoán.

1.2. Tầm quan trọng của Dự báo Nhiều Bước trong Chứng khoán

Dự báo nhiều bước (multi-step ahead prediction) là khả năng dự đoán giá trị của một chuỗi thời gian trong nhiều khoảng thời gian tương lai, thay vì chỉ một bước duy nhất. Trong thị trường chứng khoán, việc dự báo nhiều bước cho phép nhà đầu tư có cái nhìn dài hạn hơn về xu hướng thị trường, từ đó đưa ra các quyết định đầu tư chiến lược, giảm thiểu rủi ro và tối đa hóa lợi nhuận.

II. Thách Thức Độ Chính Xác Dự Báo và Dữ Liệu Chứng Khoán VN

Việc áp dụng mạng nơ-ron vào dự báo chứng khoán Việt Nam không phải là không có thách thức. Một trong những vấn đề lớn nhất là độ chính xác dự báo. Thị trường chứng khoán chịu ảnh hưởng bởi nhiều yếu tố, từ kinh tế vĩ mô đến tâm lý nhà đầu tư, khiến việc dự đoán trở nên vô cùng khó khăn. Hơn nữa, dữ liệu chứng khoán thường chứa nhiều nhiễu và thiếu tính nhất quán, ảnh hưởng đến quá trình huấn luyện mô hình dự báo. Nghiên cứu của Nguyễn Hoàng Ân nhấn mạnh tầm quan trọng của việc lựa chọn chiến lược dự báo phù hợp và tiền xử lý dữ liệu một cách cẩn thận để đạt được kết quả tốt nhất.

2.1. Ảnh hưởng của Dữ Liệu Lịch Sử và Dữ Liệu Tin Tức

Dữ liệu lịch sử (historical data) về giá cổ phiếu, khối lượng giao dịch, và các chỉ số thị trường là nguồn thông tin quan trọng để huấn luyện mạng nơ-ron. Tuy nhiên, dữ liệu tin tức (news data) và các sự kiện kinh tế - chính trị cũng có ảnh hưởng lớn đến thị trường chứng khoán. Việc tích hợp phân tích sentiment từ dữ liệu tin tức có thể giúp cải thiện độ chính xác của mô hình dự báo.

2.2. Vấn đề Quá Khớp và Tối Ưu Hóa Mô Hình

Quá khớp (overfitting) là hiện tượng xảy ra khi mô hình học quá tốt trên dữ liệu huấn luyện nhưng lại kém hiệu quả trên dữ liệu mới. Để tránh quá khớp, cần áp dụng các kỹ thuật như tối ưu hóa mô hình (model optimization), regularization, và sử dụng backtesting để đánh giá hiệu quả của mô hình trên dữ liệu thực tế.

III. Phương Pháp Các Chiến Lược Dự Báo Bằng Mạng Nơ ron Hiệu Quả

Nghiên cứu của Nguyễn Hoàng Ân đã so sánh hiệu quả của nhiều chiến lược dự báo bằng mạng nơ-ron, bao gồm chiến lược lặp (recursive), chiến lược trực tiếp (direct), chiến lược DirRec, chiến lược MIMO và chiến lược DirMo. Kết quả cho thấy chiến lược DirRec thường cho kết quả tốt hơn trong dự báo nhiều bước. Việc lựa chọn chiến lược phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu dự báo. Ngoài ra, việc sử dụng các kiến trúc mạng nơ-ron tiên tiến như LSTM và RNN cũng có thể cải thiện đáng kể độ chính xác dự báo.

3.1. So sánh Chiến Lược Lặp Recursive và Chiến Lược Trực Tiếp Direct

Chiến lược lặp sử dụng kết quả dự báo ở bước trước để dự đoán cho bước tiếp theo, trong khi chiến lược trực tiếp dự đoán cho tất cả các bước một cách độc lập. Chiến lược lặp có thể khuếch đại sai số theo thời gian, trong khi chiến lược trực tiếp có thể bỏ qua các mối quan hệ giữa các bước dự báo.

3.2. Ưu điểm của Chiến Lược DirRec và Chiến Lược MIMO

Chiến lược DirRec kết hợp ưu điểm của cả chiến lược trực tiếp và chiến lược lặp, giúp giảm thiểu sai số và nắm bắt tốt hơn các mối quan hệ giữa các bước dự báo. Chiến lược MIMO (Multi-Input Multi-Output) dự đoán nhiều bước cùng một lúc, có thể hiệu quả trong việc nắm bắt các mẫu phức tạp trong chuỗi thời gian.

IV. Ứng Dụng Dự Báo VN Index và Giá Cổ Phiếu FPT bằng AI

Luận văn của Nguyễn Hoàng Ân đã áp dụng các chiến lược dự báo bằng mạng nơ-ron vào hai tập dữ liệu chính: chỉ số VN-Index và giá cổ phiếu FPT. Kết quả cho thấy mạng nơ-ron có khả năng dự đoán xu hướng thị trường và giá cổ phiếu với độ chính xác tương đối cao. Các mô hình này có thể được sử dụng để hỗ trợ nhà đầu tư đưa ra quyết định mua bán cổ phiếu, quản lý rủi ro và tối ưu hóa lợi nhuận. Tuy nhiên, cần lưu ý rằng kết quả dự báo chỉ mang tính tham khảo và không nên được coi là lời khuyên đầu tư duy nhất.

4.1. Dự báo VN Index bằng Mạng LSTM và Mạng RNN

Mạng LSTM (Long Short-Term Memory) và mạng RNN (Recurrent Neural Network) là các kiến trúc mạng nơ-ron phù hợp với dữ liệu chuỗi thời gian. Chúng có khả năng ghi nhớ các thông tin quan trọng từ quá khứ và sử dụng chúng để dự đoán tương lai. Việc sử dụng mạng LSTM và mạng RNN có thể cải thiện độ chính xác dự báo của chỉ số VN-Index.

4.2. Dự báo Giá Cổ Phiếu FPT Kết Hợp Phân Tích Kỹ Thuật và Học Máy

Việc kết hợp phân tích kỹ thuật (technical analysis) và học máy (machine learning) có thể mang lại kết quả dự báo tốt hơn. Các chỉ báo phân tích kỹ thuật như Moving Average, RSI, và MACD có thể được sử dụng làm đầu vào cho mạng nơ-ron, giúp mô hình nắm bắt các mẫu giao dịch quan trọng và dự đoán giá cổ phiếu FPT một cách chính xác hơn.

V. Kết Luận Triển Vọng và Hướng Phát Triển của AI trong Chứng Khoán

Việc ứng dụng mạng nơ-ron vào dự báo chứng khoán Việt Nam mang lại nhiều triển vọng. Các mô hình dự báo có thể giúp nhà đầu tư đưa ra quyết định thông minh hơn, giảm thiểu rủi ro và tối ưu hóa lợi nhuận. Tuy nhiên, cần tiếp tục nghiên cứu và phát triển các phương pháp dự báo mới, tích hợp thêm nhiều nguồn dữ liệu và cải thiện độ chính xác của mô hình. Sự phát triển của AI chứng khoán sẽ tiếp tục định hình lại thị trường chứng khoán trong tương lai.

5.1. Hướng Phát Triển của AI trong Dự báo Chứng khoán

Các hướng phát triển tiềm năng bao gồm việc sử dụng deep learning, học tăng cường (reinforcement learning), và xử lý ngôn ngữ tự nhiên (natural language processing) để phân tích dữ liệu tin tức và sentiment trên mạng xã hội. Ngoài ra, việc xây dựng các hệ thống dự báo tự động và cá nhân hóa cũng là một xu hướng quan trọng.

5.2. Ứng Dụng Dự Báo Chứng Khoán vào Quản Lý Danh Mục Đầu Tư

Kết quả dự báo chứng khoán có thể được sử dụng để xây dựng các chiến lược quản lý danh mục đầu tư hiệu quả hơn. Việc phân bổ vốn vào các cổ phiếu tiềm năng và điều chỉnh danh mục đầu tư theo thời gian có thể giúp nhà đầu tư đạt được mục tiêu tài chính của mình.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu về ý tưởng đề tài, mục tiêu, phạm vi nghiên cứu và tóm tắt về các kết quả đã đạt được của luận văn. Chương 2: Giới thiệu một số nghiên cứu có liên quan đến nội dung nghiên cứu của luận văn. Trong đó tập trung giới thiệu một số nghiên cứu về chiến lược dự báo nhiều bước, các kỹ thuật dự báo bằng mạng nơ-ron. Chương 3: Trình bày những lý thuyết cơ bản liên quan đến mạng nơ-ron như cấu trúc mạng, giải thuật huấn luyện mạng, các chiến lược dự báo nhiều bước.

Chương 4: Mô tả cách thức giải quyết vấn đề mà luận văn đặt ra là dự báo nhiều bước bằng mạng nơ-ron. Trong đó chỉ ra trình tự các bước cần thực hiện có thể đánh giá các chiến lược dự báo nhiều bước bằng mạng nơ-ron. Chương 5: Mô tả các thành phần của hệ thống thực nghiệm để giải quyết vấn đề, qui trình làm hành thực nghiệm, các thông số làm thực nghiệm, các kết quả có được khi tiến hành làm thực nghiệm trên các tập dữ liệu thật, đánh giá kết quả thực nghiệm. Chương 6: Trình bày các kết quả đạt được của luận văn đồng thời nêu lên những hướng phát triển của luận văn 4 CHƢƠNG 2.

CÁC CÔNG TRÌNH CÓ LIÊN QUAN Chương 2 sẽ tóm lược các công trình nghiên cứu về chiến lược dự báo nhiều bước, về mạng nơ-ron, các kỹ thuật dự báo nhiều bước bằng mạng nơ-ron và một số kỹ thuật dự báo nhiều bước khác đối với dữ liệu chuỗi thời gian đặc biệt trong lĩnh vực tài chính. Một số nghiên cứu về chiến lƣợc dự báo nhiều bƣớc Bontempi, 2008 [2] thảo luận về những giới hạn của các cách tiếp cận một ngõ ra (single-output) để dự báo một loạt các giá trị tương lai và mô tả về các cách tiếp cận nhiều ngõ ra (multi-output) để dự báo trong dài hạn (long term). Nghiên cứu đề xuất một mô hình mở rộng của cách tiếp cận nhiều ngõ ra dùng kỹ thuật học lười (lazy learning) được gọi là LL-MIMO. Taieb và các cộng sự, 2009 [3] so sánh các chiến lược trực tiếp (direct strategy) và nhiều ngõ vào nhiều ngõ ra MIMO (multi input – multi output strategy), và thảo luận về những giới hạn của các hướng tiếp cận này trong dự báo nhiều bước cho chuỗi thời gian.

Bài báo cũng đề xuất một phương pháp luận mới là sự kết hợp giữa chiến lược trực tiếp và MIMO. Taieb và các cộng sự, 2012 [4] xem xét các chiến lược hiện có trong việc dự báo nhiều bước trên chuỗi thời gian và so sánh chúng cả về phương diện lý thuyết và thực nghiệm. Kết quả thực nghiệm cho thấy chiến lược nhiều ngõ ra là cách tiếp cận tốt nhất, việc khử tính mùa dẫn đến cải thiện độ chính xác của dự báo và việc chọn lựa biến ngõ vào sẽ hiệu quả hơn khi được thực hiện kết hợp với việc khử tính mùa. Một số nghiên cứu về mạng nơ-ron và dự báo nhiều bƣớc bằng mạng nơ-ron Chang, 2007 [5] khám phá nguyên lý và cơ chế hoạt động của 3 kiến trúc dùng để dự báo nhiều bước bằng mạng nơ-ron là: nhiều ngõ vào nhiều ngõ ra (MIMO), nhiều ngõ vào - một ngõ ra MISO (multi-input single-output) và lan truyền nối tiếp (serial-propagated).

Trong nghiên cứu này với kiến trúc MIMO số lượng ngõ ra của mạng nơ-ron sẽ bằng với số bước cần dự báo, còn với kiến trúc MISO để dự báo cho H bước ta cần xây dựng và huấn luyện H mạng nơ-ron độc lập nhau, mỗi mạng sẽ dùng để dự báo cho một bước, còn với chiến lược lan truyền nối tiếp có đặc điểm giống như kiến trúc MISO tuy nhiên có điểm khác biệt là bước dự báo tiếp theo sẽ 5 dùng kết quả dự báo của bước trước đó. Theo bài báo, hầu hết các mạng nơ-ron dùng cấu trúc mạng truyền thẳng nhiều tầng với giải thuật độ dốc liên hợp (conjugate gradient). Bài báo dùng tập dữ liệu về lượng mưa ở một số khu vực của Đài Loan từ đó dùng mạng nơ-ron để xây dựng mô hình dự báo. Kết quả nghiên cứu chỉ ra rằng, mặc dù kiến trúc MIMO được sử dụng phổ biến nhất cho mạng nơ-ron, nó vẫn kém chính xác bởi vì vấn đề đa mục tiêu phải được tối ưu hoá đồng thời.

Cả hai kiến trúc MISO và lan truyền nối tiếp có khả năng thực hiện những dự báo chính xác trong ngắn hạn (1 hoặc 2 bước). Còn với những dự báo trong dài hạn (trên 3 bước) thì kiến trúc lan truyền nối tiếp có thể cho ra kết quả dự báo tốt hơn. Từ kết quả này, bài báo đề nghị dùng cấu trúc lan truyền nối tiếp để nâng cao độ chính xác cho những dự báo lũ ở nhiều bước khác nhau. Hamzaçebi và các cộng sự, 2009 [6] đưa ra những so sánh giữa hai phương pháp lặp (iterated) và trực tiếp được dùng để dự báo nhiều bước dùng mạng nơ-ron.

Trong phương pháp lặp bài báo sử dụng mạng nơ-ron truyền thằng 3 tầng chỉ với một nút mạng ở đầu ra. Trong phương pháp trực tiếp, bài báo sử dụng mô hình mạng nơ- ron truyền thẳng 3 tầng với số nút mạng ở tầng xuất bằng với số bước cần dự báo. Cũng trong bài báo này hiệu quả của 2 cách tiếp cận này được so sánh với mô hình dự báo ARIMA tiêu chuẩn. Việc so sánh đã chỉ ra rằng dự báo bằng mạng nơ-ron cho kết quả tốt hơn các phương pháp khác.

Theo bài báo thì nghiên cứu này hỗ trợ các nghiên cứu trước đây khẳng định tính ưu việt của phương pháp trực tiếp. Tuy nhiên nó không cho rằng phương pháp trực tiếp cho kết quả tốt hơn đối với tất cả các bài toán dự báo trên chuỗi thời gian. Bài báo đề nghị cần thực hiện thêm các mô phỏng tuyến tính và phi tuyến để khái quát kết luận được trình bày trong bài báo. Dai và các cộng sự, 2012 [7] đề xuất mô hình dự báo bằng cách kết hợp giữa phân tích thành phần độc lập phi tuyến NLICA (nonlinear independent component analysis), và mạng nơ-ron để dự báo cho thị trường chứng khoán Châu Á.

Kết quả thực nghiệm chỉ ra rằng mô hình dự báo đề xuất giúp cải thiện độ chính xác của dự báo bằng mạng nơ-ron. Chen và các cộng sự, 2013 [8] đề xuất giải thuật học hồi qui trực tuyến đã tăng cường R-RTRL (reinforced real-time recurrent learning algorithm) cho mạng nơ-ron hồi tiếp. Điểm nổi bật chính của đề xuất là lặp đi lặp lại việc chỉnh sửa các thông số 6 của mô hình với thông tin hiện tại bao gồm giá trị của những quan sát cuối cùng và giá trị ngõ ra của mô hình để nâng cao tính tin cậy và dự báo chính xác hơn. Zhang và các cộng sự, 1998 [9] thực hiện một nghiên cứu chuyên sâu về những ứng dụng của mạng nơ-ron nhân tạo trong việc dự báo.

Bài báo cung cấp 3 vấn đề: (1) tổng hợp các nghiên cứu đã được xuất bản trong lĩnh vực này (2) phân tích chuyên sâu những vấn đề trong việc lập mô hình mạng nơ-ron nhân tạo (3) đưa ra những hướng nghiên cứu trong tương lai. Kline, 2004 [10] xem xét 3 phương pháp khi dùng mạng nơ-ron để dự báo nhiều bước trên dữ liệu chuỗi thời gian là: (1) phương pháp ghép nối (Joint Method) dùng một mô hình mạng nơ-ron duy nhất để dự báo cho tất cả các bước, (2) phương pháp độc lập (Independent Method) tạo ra nhiều mô hình mạng độc lập nhau, mỗi mô hình dùng để dự báo cho một bước và (3) phương pháp lặp (Iterative Method) tạo ra mô hình mạng nơ-ron để dự báo một bước, sau đó dùng lặp lại mô hình này nhiều lần để dự báo cho nhiều bước. Nghiên cứu dùng tập dữ liệu M-3 Competition để làm thực nghiệm. Kết quả của nghiên cứu đưa ra đề nghị: đối với các dự báo trong dài hạn thì phương pháp ghép nối thực thi tốt hơn, trong khi đối với các dự báo trong ngắn hạn thì phương pháp độc lập thực thi tốt hơn.

E, Guresen và các cộng sự, 2011 [11] đánh giá hiệu quả của một số mô hình mạng nơ-ron dùng trong dự báo thị trường chứng khoán. Các mô hình đưa ra phân tích là mô hình nhiều tầng (MLP), mạng nơ-ron động (dynamic artificial neural network – DAN2) và mạng nơ-ron lai (hybrid neural networks) Trong nghiên cứu của T. Xiong và các cộng sự, 2013 [12] đề xuất một mô hình lai (hybrid model) được xây dựng dựa trên phân rã mô hình thực nghiệm EMD (empirical model decomposition) và mô hình mạng nơ-ron truyền thẳng FNN (feed- forward neural network) kết hợp chặt chẽ với phương pháp dựa vào độ dốc SBM (Slope-based method) để có thể dự báo được sự biến động phức tạp của giá dầu. Nghiên cứu này sử dụng 3 chiến lược dự báo là lặp, trực tiếp và MIMO để làm thực nghiệm.

Kết quả thực nghiệm trên tập dữ liệu giá dầu hàng tuần cho thấy mô hình đề xuất khi dự báo theo chiến lược MIMO cho kết quả dự báo tốt nhất với chi phí xử lí phù hợp. Một số nghiên cứu về dự báo nhiều bƣớc bằng các kỹ thuật khác Y. Bao và các cộng sự, 2014 [13] chỉ ra rằng khi dùng các mô hình Hồi quy vec-tơ hỗ trợ SVR (Support Vector Regression) theo công thức chuẩn để dự báo nhiều bước để dự báo nhiều bước cho chuỗi thời gian thường dựa vào chiến lược lặp hoặc chiến lược trực tiếp. Từ đó nghiên cứu này đề xuất một cách tiếp cận mới trong dự báo nhiều bước cho chuỗi thời gian trong đó sử dụng mô hình hồi quy vec-tơ hỗ trợ nhiều ngõ ra M-SVR (multiple-output support vector regression) với chiến lược dự báo nhiều ngõ vào – nhiều ngõ ra (MIMO).

Qua thực nghiệm với các tập dữ liệu thật kết quả nghiên cứu cho thấy: (1) M-SVR dùng chiến lược MIMO cho kết quả dự báo chính xác nhất với thời gian xử lí chấp nhận được (2) SVR tiêu chuẩn với chiến lược trực tiếp cho kết quả dự báo chính xác thứ hai, nhưng với thời gian xử lí lâu nhất (3) SVR tiêu chuẩn dùng chiến lược lặp cho kết quả dự báo kém nhất nhưng có thời gian xử lí thấp nhất. Zhang và các cộng sự, 2013 [14] thấy rằng các mô hình dự báo bằng hồi quy vec-tơ hỗ trợ sử dụng các phương pháp lặp cho ra kết quả dự báo rất chính xác với dự báo một bước trên dữ liệu chuỗi thời gian nhưng nếu dùng mô hình này để dự báo cho nhiều bước thì lỗi sẽ tích luỹ dần qua các bước dự báo cho nên kết quả dự báo thường không tốt. Từ đó nghiên cứu đề xuất dự báo nhiều bước bằng phương pháp lặp cho chuỗi thời gian dùng nhiều mô hình SVR. Theo đề xuất này thì mô hình SVR thứ n sẽ được dùng để dự báo cho bước thứ n.