Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của công nghệ và tài chính số, dự báo chuỗi thời gian trở thành một công cụ quan trọng trong việc hỗ trợ ra quyết định kinh tế, tài chính và xã hội. Đặc biệt, với sự bùng nổ của thị trường tiền mã hóa, việc dự báo giá Bitcoin đã thu hút sự quan tâm lớn từ các nhà đầu tư và nhà nghiên cứu. Theo báo cáo của ngành, Việt Nam đứng thứ 13 thế giới về mức độ kiếm lời từ Bitcoin trong năm 2020, đồng thời là quốc gia thứ 4 về lợi nhuận thu được từ tiền mã hóa. Tuy nhiên, sự biến động mạnh mẽ và phức tạp của giá Bitcoin đặt ra thách thức lớn cho các mô hình dự báo truyền thống.

Luận văn tập trung nghiên cứu và áp dụng các mô hình dự báo chuỗi thời gian kết hợp kỹ thuật khai phá dữ liệu nhằm nâng cao độ chính xác dự báo giá mở cửa Bitcoin. Phạm vi nghiên cứu bao gồm dữ liệu giá Bitcoin từ năm 2016 đến 2021, với các mô hình thống kê như ARIMA, SARIMA và các mô hình máy học gồm MLP, SVM, kNN-TSPI. Mục tiêu chính là xây dựng và thử nghiệm các mô hình kết hợp để dự báo ngắn hạn giá Bitcoin, từ đó cung cấp cơ sở khoa học cho các nhà đầu tư và quản lý tài chính.

Việc nghiên cứu không chỉ góp phần nâng cao hiệu quả dự báo trong lĩnh vực tài chính tiền mã hóa mà còn mở rộng ứng dụng của các mô hình kết hợp trong dự báo chuỗi thời gian phức tạp, đồng thời hỗ trợ phát triển các công cụ phân tích dữ liệu lớn trong kinh tế số.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên nền tảng lý thuyết của các mô hình dự báo chuỗi thời gian và kỹ thuật khai phá dữ liệu hiện đại. Hai nhóm mô hình chính được áp dụng gồm:

  • Mô hình thống kê ARIMA và SARIMA: ARIMA (Autoregressive Integrated Moving Average) là mô hình dự báo tuyến tính phổ biến, phù hợp với chuỗi thời gian có tính dừng hoặc đã được biến đổi thành chuỗi dừng qua sai phân. SARIMA mở rộng ARIMA bằng cách bổ sung các thành phần theo mùa, thích hợp với chuỗi thời gian có tính chu kỳ và mùa vụ. Các tham số p, d, q (và P, D, Q, s đối với SARIMA) được xác định dựa trên phân tích hàm tự tương quan (ACF) và tự tương quan riêng phần (PACF).

  • Mô hình máy học MLP, SVM và kNN-TSPI:

    • MLP (Multilayer Perceptron) là mạng nơ-ron nhân tạo nhiều tầng, sử dụng thuật toán học có giám sát để mô hình hóa các quan hệ phi tuyến trong dữ liệu.
    • SVM (Support Vector Machine) là thuật toán phân loại và hồi quy dựa trên việc tìm siêu phẳng tối ưu, có khả năng xử lý dữ liệu phi tuyến thông qua kernel. Phiên bản SVR (Support Vector Regression) được sử dụng cho dự báo chuỗi thời gian.
    • kNN-TSPI (K-Nearest Neighbors Time Series Prediction with Invariances) là phương pháp dự báo dựa trên kỹ thuật k láng giềng gần nhất, kết hợp các bất biến về biên độ và độ phức tạp để cải thiện độ chính xác dự báo.

Ba khái niệm chính trong nghiên cứu là: chuỗi thời gian đơn biến, tính dừng của chuỗi thời gian, và sự kết hợp mô hình dự báo tuyến tính với phi tuyến nhằm tận dụng ưu điểm của từng phương pháp.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là chuỗi giá mở cửa hàng ngày của Bitcoin từ năm 2016 đến 2021, được thu thập từ các nền tảng tài chính uy tín. Tổng số mẫu dữ liệu khoảng 2190 ngày, được chia thành tập huấn luyện và tập kiểm tra theo tỷ lệ phù hợp để đảm bảo tính khách quan trong đánh giá mô hình.

Phương pháp phân tích bao gồm:

  • Tiền xử lý dữ liệu: kiểm định tính dừng của chuỗi, thực hiện sai phân khi cần thiết để đảm bảo tính dừng cho mô hình ARIMA và SARIMA.
  • Xây dựng và huấn luyện các mô hình ARIMA, SARIMA, MLP, SVM, kNN-TSPI trên tập huấn luyện.
  • Thực hiện kết hợp mô hình theo hai sơ đồ luồng xử lý:
    1. Dự báo phần tuyến tính bằng ARIMA/SARIMA, phần phi tuyến bằng MLP/SVM/kNN-TSPI.
    2. Dự báo phần tuyến tính bằng MLP/SVM/kNN-TSPI, phần phi tuyến bằng ARIMA/SARIMA.
  • Đánh giá hiệu quả dự báo dựa trên các chỉ số MAPE, RMSE và hệ số Theil’s U.
  • Thời gian nghiên cứu kéo dài từ năm 2020 đến 2022, sử dụng ngôn ngữ lập trình Python và thư viện Anaconda để triển khai các mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả mô hình kết hợp vượt trội mô hình đơn lẻ:
    Mô hình kết hợp ARIMA với MLP, SVM hoặc kNN-TSPI cho độ chính xác dự báo cao hơn đáng kể so với từng mô hình riêng biệt. Ví dụ, độ lỗi MAPE của mô hình kết hợp thấp hơn khoảng 15-20% so với mô hình ARIMA đơn thuần trên tập dữ liệu 718 ngày.

  2. Mô hình SARIMA kết hợp với SVM đạt độ chính xác cao nhất:
    Trong các mô hình kết hợp, SARIMA-SVM đạt MAPE trung bình khoảng 2.5%, thấp hơn 0.7% so với mô hình SARIMA-MLP và 1.1% so với SARIMA-kNN-TSPI trên cùng tập dữ liệu.

  3. Thời gian thực thi mô hình máy học nhanh hơn mô hình thống kê truyền thống:
    Thời gian huấn luyện và dự báo của MLP, SVM, kNN-TSPI nhanh hơn từ 20-30% so với ARIMA và SARIMA, giúp mô hình kết hợp có thể ứng dụng hiệu quả trong dự báo ngắn hạn.

  4. Dự báo dài hạn (khoảng 6 năm) cho thấy mô hình kết hợp vẫn giữ được độ chính xác ổn định:
    Mô hình kết hợp SVM-SARIMA duy trì MAPE dưới 5% trong khi các mô hình đơn lẻ có xu hướng tăng sai số lên trên 7%.

Thảo luận kết quả

Nguyên nhân chính của việc mô hình kết hợp vượt trội là do khả năng khai thác đồng thời thành phần tuyến tính và phi tuyến trong chuỗi thời gian giá Bitcoin. Mô hình ARIMA và SARIMA xử lý tốt các yếu tố xu hướng và mùa vụ, trong khi MLP, SVM và kNN-TSPI nắm bắt được các biến động phi tuyến và ngẫu nhiên.

So với các nghiên cứu trước đây, kết quả này phù hợp với xu hướng ứng dụng mô hình kết hợp trong dự báo tài chính, đồng thời cải thiện đáng kể độ chính xác dự báo so với các mô hình đơn lẻ như ARIMA hoặc mạng nơ-ron truyền thống. Việc sử dụng các chỉ số đánh giá như MAPE, RMSE và Theil’s U giúp minh chứng tính khách quan và toàn diện của kết quả.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh độ lỗi dự báo giữa các mô hình, biểu đồ thời gian thực thi và biểu đồ dự báo giá Bitcoin thực tế so với giá dự báo, giúp trực quan hóa hiệu quả mô hình.

Đề xuất và khuyến nghị

  1. Áp dụng mô hình kết hợp SARIMA-SVM cho dự báo ngắn hạn giá Bitcoin:
    Động từ hành động: Triển khai; Target metric: MAPE dưới 3%; Timeline: 6 tháng; Chủ thể: Các công ty tài chính và quỹ đầu tư.

  2. Phát triển hệ thống dự báo tự động tích hợp mô hình kết hợp để hỗ trợ quyết định đầu tư:
    Động từ hành động: Xây dựng; Target metric: Tăng hiệu quả đầu tư; Timeline: 12 tháng; Chủ thể: Các tổ chức nghiên cứu và phát triển công nghệ tài chính.

  3. Mở rộng nghiên cứu áp dụng mô hình kết hợp cho các loại tiền mã hóa khác và thị trường tài chính khác:
    Động từ hành động: Nghiên cứu; Target metric: Độ chính xác dự báo; Timeline: 18 tháng; Chủ thể: Các viện nghiên cứu và trường đại học.

  4. Tăng cường đào tạo và phổ biến kiến thức về mô hình kết hợp trong dự báo chuỗi thời gian cho chuyên gia tài chính và nhà phân tích dữ liệu:
    Động từ hành động: Tổ chức; Target metric: Nâng cao năng lực chuyên môn; Timeline: 12 tháng; Chủ thể: Các trung tâm đào tạo và hiệp hội chuyên ngành.

Đối tượng nên tham khảo luận văn

  1. Nhà đầu tư và quản lý quỹ tài chính:
    Lợi ích: Cung cấp công cụ dự báo giá Bitcoin chính xác, hỗ trợ ra quyết định đầu tư hiệu quả, giảm thiểu rủi ro.

  2. Chuyên gia phân tích dữ liệu và nhà khoa học dữ liệu:
    Lợi ích: Tham khảo phương pháp kết hợp mô hình thống kê và máy học trong dự báo chuỗi thời gian phức tạp, áp dụng cho các bài toán tương tự.

  3. Giảng viên và sinh viên ngành Công nghệ Thông tin, Tài chính – Ngân hàng:
    Lợi ích: Tài liệu tham khảo nghiên cứu chuyên sâu về mô hình dự báo chuỗi thời gian, kỹ thuật khai phá dữ liệu và ứng dụng thực tế.

  4. Các tổ chức nghiên cứu và phát triển công nghệ tài chính (Fintech):
    Lợi ích: Nền tảng để phát triển các sản phẩm dự báo tài chính tự động, nâng cao năng lực cạnh tranh trên thị trường.

Câu hỏi thường gặp

  1. Mô hình ARIMA và SARIMA khác nhau như thế nào?
    ARIMA là mô hình dự báo tuyến tính cho chuỗi thời gian dừng, trong khi SARIMA mở rộng ARIMA bằng cách bổ sung các thành phần theo mùa, phù hợp với chuỗi có tính chu kỳ và mùa vụ.

  2. Tại sao cần kết hợp mô hình thống kê với máy học?
    Vì chuỗi thời gian thường chứa cả thành phần tuyến tính và phi tuyến, kết hợp giúp tận dụng ưu điểm của từng mô hình, nâng cao độ chính xác dự báo.

  3. Phương pháp đánh giá mô hình dự báo nào được sử dụng?
    Luận văn sử dụng các chỉ số MAPE, RMSE và hệ số Theil’s U để đánh giá độ chính xác và hiệu quả của các mô hình dự báo.

  4. Dữ liệu dự báo được chia như thế nào để đảm bảo tính khách quan?
    Dữ liệu giá Bitcoin được chia thành tập huấn luyện và tập kiểm tra theo tỷ lệ phù hợp, đảm bảo mô hình không bị overfitting và có khả năng dự báo chính xác trên dữ liệu mới.

  5. Mô hình kết hợp nào phù hợp nhất cho dự báo giá Bitcoin?
    Kết quả nghiên cứu cho thấy mô hình kết hợp SARIMA với SVM đạt độ chính xác cao nhất, phù hợp cho dự báo ngắn hạn và dài hạn giá Bitcoin.

Kết luận

  • Luận văn đã nghiên cứu và áp dụng thành công các mô hình ARIMA, SARIMA kết hợp với MLP, SVM và kNN-TSPI để dự báo giá mở cửa Bitcoin, nâng cao độ chính xác so với mô hình đơn lẻ.
  • Mô hình kết hợp SARIMA-SVM thể hiện hiệu quả vượt trội với MAPE trung bình khoảng 2.5% trên tập dữ liệu thử nghiệm.
  • Phương pháp kết hợp khai thác đồng thời thành phần tuyến tính và phi tuyến của chuỗi thời gian, phù hợp với đặc tính biến động phức tạp của giá Bitcoin.
  • Kết quả nghiên cứu có ý nghĩa thực tiễn cao, hỗ trợ nhà đầu tư và tổ chức tài chính trong việc ra quyết định dựa trên dự báo chính xác.
  • Các bước tiếp theo bao gồm mở rộng nghiên cứu cho các loại tiền mã hóa khác, phát triển hệ thống dự báo tự động và đào tạo chuyên sâu về mô hình kết hợp trong dự báo chuỗi thời gian.

Để tiếp tục khai thác tiềm năng của mô hình kết hợp, các nhà nghiên cứu và chuyên gia tài chính được khuyến khích áp dụng và phát triển thêm các kỹ thuật mới, đồng thời triển khai ứng dụng thực tế nhằm tối ưu hóa lợi ích kinh tế từ thị trường tiền mã hóa.