Luận văn: Dự báo xu hướng giá cổ phiếu Apple từ Twitter & MXH

Luận văn thạc sĩ phân tích một mô hình sử dụng twitter và một số phương tiện xã hội khác dự báo xu hướng chỉ số chứng khoán, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp

• Tác giả: Phạm Huyền Trang
• Người hướng dẫn: PGS. Hà Quang Thụy
• Trường học: Đại học Quốc gia Hà Nội - Trường Đại học Công nghệ
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Một mô hình sử dụng Twitter và một số phương tiện xã hội khác dự báo xu hướng giá cổ phiếu của Apple
• Loại tài liệu: Luận văn thạc sỹ
• Năm xuất bản: 2014
• Địa điểm: Hà Nội

Mục lục chi tiết

• Lời cam đoan
• Lời cảm ơn
• Tóm tắt nội dung
• MỞ ĐẦU
• 1. Chƣơng 1: Luận văn giới thiệu khái quát về dự đoán thị trường chứng khoán cũng như một số phương pháp trong việc dự báo xu hướng của thị trường chứng khoán.
• 2. Chƣơng 2: Luận văn đưa ra một số giới thiệu chung về bài toán dự đoán thị trường chứng khoán dựa trên Twitter, cũng như đã nêu lên chứng minh của Johan Bollen về việc có thể dự báo được thị trường chứng khoán dựa trên tâm trạng chung của cộng đồng. Ngoài ra, một số nghiên cứu liên quan cũng được trình bày tại chương này.
• 3. Chƣơng 3: Luận văn giới thiệu về thuật toán phân lớp SVM, kNN. Từ đó, trình bày chi tiết phương pháp phân lớp bán giám sát SVM-kNN được sử dụng để giải quyết bài toán dự báo chứng khoán.
• 4. Chƣơng 4: Luận văn đề xuất một mô hình giải quyết vấn đề dự báo xu hướng của giá cổ phiếu của Apple dựa trên phân lớp bán giám sát SVM-kNN trên ba miền dữ liệu: mạng xã hội Twitter, các trang tin tức và weblog. Tư tưởng chính của mô hình sẽ được thể hiện trong chương này. Đồng thời, luận văn cũng trình bày chi tiết các pha cũng những các bước trong mô hình.
• 5. Chƣơng 5: Thực nghiệm, kết quả và đánh giá. Tiến hành thực nghiệm theo mô hình đã đề xuất trong chương 4.
• Phần kết luận: Tóm lược kết quả đạt được của luận văn và định hướng phát triển tương lai.
• Mục Lục
• Danh mục hình vẽ
• Danh mục bảng biểu
• Danh mục tóm tắt
• 1. Bài toán dự đoán thị trường chứng khoán
• 1.1. Khái quát về bài toán dự đoán thị trƣờng chứng khoán
• 1.2. Một số khái niệm trong thị trƣờng chứng khoán
• 1.3. Có thực sự dự đoán được thị trƣờng chứng khoán?
• 1.4. Các phƣơng pháp dự báo thị trƣờng chứng khoán
• 2. Dự đoán thị trƣờng chứng khoán dựa trên Twitter
• 2.1. Giới thiệu chung
• 2.2. Dự đoán thị trƣờng chứng khoán dựa trên tâm trạng cộng đồng và chứng minh của J.Bollen cùng cộng sự
• 2.3. Một số nghiên cứu liên quan trên thế giới
• 3. Phân lớp bán giám sát SVM-kNN
• 3.1. Một số nội dung cơ bản về phân lớp bán giám sát
• 3.2. Các phương pháp phân lớp bán giám sát điển hình
• 3.3. Phương pháp luận SVM-kNN dựa trên học bán giám sát
• 3.4. Thuật toán học máy vector hỗ trợ (SVM)
• 3.5. Thuật toán K người láng giềng gần nhất (kNN)
• 3.6. Phương pháp phân lớp bán giám sát SVM-kNN
• 3.7. Phương pháp phân lớp bán giám sát SVM-kNN do nhóm nghiên cứu đề xuất
• 4. Đề xuất một mô hình dự báo xu hướng giá cổ phiếu của Tập đoàn Apple sử dụng Twitter và một số phương tiện xã hội khác
• 4.1. Tư tưởng chính của giải pháp đề xuất
• 4.2. Mô hình đề xuất
• 4.2.1. Pha 1: Tiền xử lý
• 4.2.2. Pha 2: Xác định quan điểm
• 4.2.3. Pha 3: Dự đoán xu hướng của chỉ số APPL
• 4.3. Tóm tắt chương 4:
• 5. Thực nghiệm và đánh giá
• 5.1. Môi trường và các công cụ sử dụng thực nghiệm
• 5.2. Xây dựng tập dữ liệu
• 5.3. Xác định quan điểm của cộng đồng, các chuyên gia
• 5.4. Dự đoán xu hướng của chỉ số APPL
• 5.5. Tóm tắt chương 5
• Tài liệu tham khảo

Tóm tắt

I. Giới Thiệu Cách Dự Báo Giá Cổ Phiếu Apple Bằng Twitter 55

Thị trường chứng khoán, đặc biệt là việc dự đoán giá cổ phiếu, đang thu hút sự quan tâm lớn từ cả giới học thuật lẫn giới kinh doanh. Đối với các nhà đầu tư, khả năng dự báo giá cổ phiếu chính xác là yếu tố then chốt để giảm thiểu rủi ro và tối đa hóa lợi nhuận. Các nghiên cứu gần đây đã chứng minh rằng xu hướng giá cổ phiếu có thể được dự đoán ở một mức độ nhất định bằng cách kết hợp dữ liệu giá trong quá khứ với các chỉ số tâm trạng và cảm xúc từ các trang mạng xã hội như Twitter, blogs và các trang tin tức. Luận văn của Phạm Huyền Trang (2014) tập trung vào việc nghiên cứu một mô hình dự báo xu hướng giá cổ phiếu của Apple sử dụng dữ liệu từ Twitter, các trang tin uy tín và blog của các chuyên gia phân tích tài chính. Kết quả ban đầu cho thấy mô hình có độ chính xác cao nhất là 0.75 khi sử dụng dữ liệu tin tức. Nghiên cứu này mở ra hướng tiếp cận mới trong việc dự đoán thị trường chứng khoán dựa trên phân tích tâm lý cộng đồng và thông tin từ các nguồn phương tiện truyền thông xã hội. Tuy nhiên, vẫn còn nhiều thách thức trong việc xử lý dữ liệu nhiễu, lựa chọn thuật toán phù hợp và đảm bảo tính ổn định của mô hình trong điều kiện thị trường biến động.

1.1. Tầm Quan Trọng của Dự Báo Giá Cổ Phiếu Apple

Việc dự đoán chính xác giá cổ phiếu Apple mang lại nhiều lợi ích cho các nhà đầu tư. Đầu tiên, nó giúp họ đưa ra quyết định mua bán kịp thời, từ đó tối đa hóa lợi nhuận. Thứ hai, nó cho phép họ quản lý rủi ro hiệu quả hơn bằng cách giảm thiểu khả năng thua lỗ do biến động giá. Thứ ba, nó cung cấp thông tin chi tiết về tâm lý thị trường và phản ứng của công chúng đối với các sản phẩm và dịch vụ của Apple. Điều này rất quan trọng để đánh giá tiềm năng tăng trưởng dài hạn của công ty. Các nhà nghiên cứu và chuyên gia tài chính cũng quan tâm đến việc dự đoán giá cổ phiếu Apple để hiểu rõ hơn về các yếu tố ảnh hưởng đến thị trường chứng khoán và phát triển các mô hình dự báo tiên tiến. Mô hình Phạm Huyền Trang đề xuất sử dụng thuật toán bán giám sát SVM-kNN, được đánh giá là hiệu quả cao trong các bài toán phân lớp, thể hiện rõ sự kết hợp giữa phân tích kỹ thuật và yếu tố tâm lý xã hội, góp phần nâng cao khả năng dự báo.

1.2. Các Nguồn Dữ Liệu Sử Dụng trong Mô Hình Dự Báo

Luận văn của Phạm Huyền Trang sử dụng ba nguồn dữ liệu chính để xây dựng mô hình dự báo: Twitter, các trang tin tức và blog của các chuyên gia phân tích tài chính. Twitter cung cấp dữ liệu thời gian thực về tâm trạng và phản ứng của cộng đồng đối với Apple. Các trang tin tức cung cấp thông tin chính thống và cập nhật về tình hình tài chính và kinh doanh của công ty. Blog của các chuyên gia phân tích tài chính cung cấp các nhận định chuyên sâu và dự báo về xu hướng giá cổ phiếu. Việc kết hợp cả ba nguồn dữ liệu này giúp mô hình có được cái nhìn toàn diện và chính xác hơn về thị trường. Các nghiên cứu khác cũng sử dụng dữ liệu tìm kiếm trên Google, dữ liệu từ các diễn đàn trực tuyến và dữ liệu giao dịch chứng khoán để xây dựng mô hình dự báo giá cổ phiếu. Việc lựa chọn nguồn dữ liệu phù hợp là yếu tố quan trọng để đảm bảo tính hiệu quả của mô hình. Cần chú trọng việc đánh giá chất lượng dữ liệu từ các nguồn tin, tránh những nguồn đưa thông tin sai lệch, kém tin cậy, làm ảnh hưởng đến kết quả dự báo.

II. Thách Thức Vì Sao Dự Báo Giá Cổ Phiếu Apple Lại Khó 58

Việc dự báo giá cổ phiếu, đặc biệt là đối với một công ty lớn như Apple, là một nhiệm vụ phức tạp và đầy thách thức. Thị trường chứng khoán chịu ảnh hưởng của vô số yếu tố, từ các thông tin kinh tế vĩ mô đến tâm lý nhà đầu tư, và dự báo giá cổ phiếu đòi hỏi phải xem xét tất cả các yếu tố này một cách cẩn thận. Một trong những thách thức lớn nhất là tính phi tuyến tính của thị trường chứng khoán. Giá cổ phiếu không tuân theo các quy luật tuyến tính đơn giản, và việc dự đoán biến động giá đòi hỏi phải sử dụng các mô hình toán học và thống kê phức tạp. Bên cạnh đó, dữ liệu mạng xã hội như Twitter chứa nhiều thông tin nhiễu và không chính xác, gây khó khăn cho việc phân tích tâm lý cộng đồng. Cuối cùng, tính chủ quan của các chuyên gia phân tích tài chính cũng có thể ảnh hưởng đến độ chính xác của dự báo.

2.1. Tính Phi Tuyến Tính của Thị Trường Chứng Khoán

Thị trường chứng khoán là một hệ thống phức tạp với nhiều yếu tố tương tác lẫn nhau. Giá cổ phiếu không chỉ phụ thuộc vào các thông tin kinh tế cơ bản mà còn bị ảnh hưởng bởi tâm lý nhà đầu tư, tin đồn và các sự kiện bất ngờ. Điều này làm cho việc dự đoán biến động giá trở nên rất khó khăn. Các mô hình dự báo truyền thống thường dựa trên các giả định tuyến tính, nhưng những giả định này không còn phù hợp trong bối cảnh thị trường hiện đại. Để dự báo giá cổ phiếu chính xác hơn, cần phải sử dụng các mô hình phi tuyến tính phức tạp có khả năng nắm bắt được sự tương tác giữa các yếu tố khác nhau. Kỹ thuật khai thác dữ liệu (Data mining) và học máy (Machine Learning) đang được sử dụng ngày càng rộng rãi trong việc phát triển các mô hình dự báo thị trường chứng khoán hiện đại.

2.2. Xử Lý Dữ Liệu Nhiễu từ Mạng Xã Hội Twitter

Twitter là một nguồn dữ liệu quý giá để phân tích tâm lý cộng đồng, nhưng nó cũng chứa rất nhiều thông tin nhiễu và không chính xác. Các tweet có thể chứa các lỗi chính tả, ngữ pháp, từ lóng và các biểu thức cảm xúc không rõ ràng. Để sử dụng dữ liệu Twitter một cách hiệu quả, cần phải áp dụng các kỹ thuật tiền xử lý dữ liệu (Data preprocessing) tiên tiến để loại bỏ nhiễu và chuẩn hóa dữ liệu. Các kỹ thuật này bao gồm loại bỏ từ dừng (Stop word removal), gốc hóa từ (Stemming), lemmatization và phân tích cảm xúc (Sentiment analysis). Bên cạnh đó, cần phải xác định và loại bỏ các tài khoản spam và các tweet tự động (bots) để đảm bảo tính chính xác của dữ liệu.

III. Phân Tích Cách Thu Thập và Phân Tích Dữ Liệu Twitter Hiệu Quả 59

Để dự báo giá cổ phiếu Apple một cách hiệu quả bằng Twitter, việc thu thập và phân tích dữ liệu Twitter đóng vai trò then chốt. Đầu tiên, cần xác định các từ khóa liên quan đến Apple và thị trường chứng khoán. Sau đó, sử dụng các API của Twitter để thu thập các tweet chứa các từ khóa này. Sau khi thu thập dữ liệu, cần tiến hành tiền xử lý để loại bỏ nhiễu và chuẩn hóa dữ liệu. Tiếp theo, sử dụng các công cụ phân tích cảm xúc để xác định tâm trạng chung của cộng đồng đối với Apple. Cuối cùng, kết hợp dữ liệu tâm trạng với dữ liệu giá cổ phiếu trong quá khứ để xây dựng mô hình dự báo. Luận văn của Phạm Huyền Trang (2014) sử dụng công cụ OpinionFinder và từ điển SentiWordNet để phân tích cảm xúc.

3.1. Xác Định Từ Khóa Liên Quan và Thu Thập Dữ Liệu Twitter

Việc lựa chọn từ khóa phù hợp là yếu tố quan trọng để đảm bảo rằng dữ liệu thu thập được liên quan đến Apple và thị trường chứng khoán. Các từ khóa có thể bao gồm tên công ty (Apple, AAPL), tên sản phẩm (iPhone, iPad, MacBook), tên CEO (Tim Cook) và các thuật ngữ tài chính (stock, market, investment). Sau khi xác định các từ khóa, có thể sử dụng các API của Twitter (ví dụ: Twitter API v2) để thu thập các tweet chứa các từ khóa này. Việc thu thập dữ liệu cần được thực hiện một cách thường xuyên và liên tục để đảm bảo rằng mô hình dự báo luôn được cập nhật với thông tin mới nhất. API Twitter cho phép lọc dữ liệu theo ngôn ngữ, địa điểm, thời gian, và các thông tin khác, giúp tinh chỉnh dữ liệu thu thập.

3.2. Sử Dụng Công Cụ Phân Tích Cảm Xúc để Đánh Giá Tâm Trạng

Phân tích cảm xúc (Sentiment analysis) là một kỹ thuật quan trọng để xác định tâm trạng chung của cộng đồng đối với Apple. Các công cụ phân tích cảm xúc sử dụng các thuật toán xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP) và học máy (Machine Learning) để phân loại các tweet thành các loại cảm xúc khác nhau (ví dụ: tích cực, tiêu cực, trung lập). Luận văn của Phạm Huyền Trang (2014) sử dụng công cụ OpinionFinder và từ điển SentiWordNet để phân tích cảm xúc. Các công cụ khác có thể được sử dụng bao gồm VADER, TextBlob, và các dịch vụ API của Google, Microsoft, Amazon. Quan trọng là phải chọn công cụ phân tích cảm xúc phù hợp với ngôn ngữ và ngữ cảnh của dữ liệu Twitter.

IV. Mô Hình Ứng Dụng SVM kNN Dự Đoán Giá Cổ Phiếu Apple 60

Luận văn của Phạm Huyền Trang đề xuất sử dụng thuật toán phân lớp bán giám sát SVM-kNN (Support Vector Machine - k-Nearest Neighbors) để dự đoán xu hướng giá cổ phiếu Apple. SVM-kNN là một phương pháp kết hợp hai thuật toán học máy mạnh mẽ, SVM và kNN, để tận dụng ưu điểm của cả hai. SVM có khả năng học độc lập với số chiều trong không gian đặc trưng và cho kết quả phân lớp tốt, kể cả trong không gian đặc trưng nhiều chiều. kNN có thể tránh được vấn đề về sự cân bằng giữa các ví dụ và phù hợp với việc phân lớp trường hợp tập các ví dụ có biên giao nhau. Phạm Huyền Trang sử dụng thêm hai nguồn dữ liệu (các trang tin tức và blog của các chuyên gia) giúp mô hình SVM-kNN tăng độ chính xác và đáng tin cậy. Ngoài ra, sử dụng giá đóng cửa điều chỉnh của cổ phiếu có thể giúp loại bỏ một số yếu tố nhiễu trong quá trình dự đoán.

4.1. Ưu Điểm của Thuật Toán SVM kNN trong Dự Báo Chứng Khoán

Thuật toán SVM-kNN có nhiều ưu điểm trong bài toán dự báo chứng khoán. Đầu tiên, nó có thể xử lý dữ liệu phi tuyến tính phức tạp, là đặc trưng của thị trường chứng khoán. Thứ hai, nó có khả năng học từ cả dữ liệu đã gán nhãn và dữ liệu chưa gán nhãn, giúp tận dụng tối đa nguồn dữ liệu có sẵn. Thứ ba, nó có thể cải thiện độ chính xác của mỗi bộ phân lớp SVM qua nhiều lần lặp, theo đó vector hỗ trợ được sử dụng làm tập kiểm tra giúp kết quả phân lớp cao hơn. Cần lựa chọn các tham số phù hợp cho thuật toán SVM-kNN để đạt được hiệu quả tốt nhất.

4.2. Quy Trình Xây Dựng Mô Hình SVM kNN Dự Báo Giá Cổ Phiếu

Quy trình xây dựng mô hình SVM-kNN dự báo giá cổ phiếu bao gồm các bước sau: (1) Thu thập và tiền xử lý dữ liệu. (2) Trích xuất các đặc trưng quan trọng từ dữ liệu (ví dụ: giá cổ phiếu trong quá khứ, chỉ số tâm lý cộng đồng). (3) Chia dữ liệu thành tập huấn luyện và tập kiểm tra. (4) Huấn luyện mô hình SVM-kNN trên tập huấn luyện. (5) Đánh giá hiệu quả của mô hình trên tập kiểm tra. (6) Điều chỉnh các tham số của mô hình để tối ưu hóa hiệu quả dự báo. Cần chú ý đến việc lựa chọn các tham số phù hợp cho thuật toán SVM-kNN, chẳng hạn như kernel function, penalty parameter và số lượng hàng xóm gần nhất.

V. Kết Quả Đánh Giá Độ Chính Xác của Mô Hình Dự Báo Apple 56

Luận văn của Phạm Huyền Trang (2014) đã thực hiện thực nghiệm để đánh giá độ chính xác của mô hình dự báo xu hướng giá cổ phiếu Apple dựa trên Twitter và các phương tiện xã hội khác. Kết quả thực nghiệm cho thấy mô hình có độ chính xác cao nhất là 0.75 khi sử dụng dữ liệu tin tức. Điều này cho thấy phương pháp dự đoán xu hướng giá cổ phiếu dựa trên một số phương tiện xã hội là khả quan. Tuy nhiên, cần lưu ý rằng độ chính xác của mô hình có thể thay đổi tùy thuộc vào chất lượng dữ liệu, thuật toán sử dụng và điều kiện thị trường.

5.1. Các Tiêu Chí Đánh Giá Hiệu Quả Mô Hình Dự Báo

Để đánh giá hiệu quả của mô hình dự báo giá cổ phiếu, cần sử dụng các tiêu chí phù hợp. Các tiêu chí phổ biến bao gồm độ chính xác (Accuracy), độ tin cậy (Precision), độ phủ (Recall), F1-score và lợi nhuận đầu tư (Return on Investment - ROI). Độ chính xác đo lường tỷ lệ dự đoán đúng trên tổng số dự đoán. Độ tin cậy đo lường tỷ lệ dự đoán đúng trong số các dự đoán tích cực. Độ phủ đo lường tỷ lệ các trường hợp tích cực được dự đoán đúng. F1-score là trung bình điều hòa của độ tin cậy và độ phủ. Lợi nhuận đầu tư đo lường lợi nhuận thực tế mà nhà đầu tư có thể kiếm được khi sử dụng mô hình dự báo. Nên kết hợp nhiều tiêu chí khác nhau để đánh giá hiệu quả của mô hình một cách toàn diện.

5.2. So Sánh Kết Quả với Các Mô Hình Dự Báo Khác

Để đánh giá khách quan hiệu quả của mô hình dự báo, cần so sánh kết quả với các mô hình dự báo khác. Các mô hình so sánh có thể bao gồm các mô hình truyền thống (ví dụ: ARIMA, GARCH) và các mô hình học máy khác (ví dụ: mạng neuron, cây quyết định). Việc so sánh kết quả giúp xác định được ưu điểm và nhược điểm của mô hình đề xuất so với các phương pháp khác. Điều này có thể giúp cải thiện mô hình và nâng cao hiệu quả dự báo trong tương lai. Nên sử dụng các tập dữ liệu và tiêu chí đánh giá giống nhau để đảm bảo tính công bằng của việc so sánh.

VI. Tương Lai Hướng Phát Triển Mô Hình Dự Báo Giá Cổ Phiếu Apple 55

Mô hình dự báo giá cổ phiếu Apple bằng Twitter và các phương tiện xã hội khác có nhiều tiềm năng phát triển trong tương lai. Đầu tiên, có thể cải thiện độ chính xác của mô hình bằng cách sử dụng các thuật toán học máy tiên tiến hơn và kết hợp thêm các nguồn dữ liệu khác (ví dụ: dữ liệu giao dịch chứng khoán, dữ liệu kinh tế vĩ mô). Thứ hai, có thể phát triển các ứng dụng thực tế dựa trên mô hình dự báo, giúp các nhà đầu tư đưa ra quyết định đầu tư thông minh hơn. Thứ ba, có thể nghiên cứu các yếu tố tâm lý ảnh hưởng đến thị trường chứng khoán và tích hợp các yếu tố này vào mô hình dự báo.

6.1. Kết Hợp Dữ Liệu Kinh Tế Vĩ Mô và Các Yếu Tố Tâm Lý

Để cải thiện độ chính xác của mô hình dự báo, cần kết hợp thêm các dữ liệu kinh tế vĩ mô (ví dụ: lãi suất, tỷ giá hối đoái, lạm phát) và các yếu tố tâm lý (ví dụ: sự lạc quan, sự bi quan, nỗi sợ hãi). Các dữ liệu kinh tế vĩ mô có thể cung cấp thông tin về tình hình kinh tế chung và tác động của nó đến thị trường chứng khoán. Các yếu tố tâm lý có thể giúp hiểu rõ hơn về hành vi của nhà đầu tư và ảnh hưởng của nó đến biến động giá. Việc tích hợp các yếu tố này vào mô hình dự báo có thể giúp nâng cao khả năng dự đoán các biến động thị trường bất ngờ.

6.2. Ứng Dụng Thực Tế và Phát Triển Các Công Cụ Hỗ Trợ Đầu Tư

Mô hình dự báo giá cổ phiếu có thể được sử dụng để phát triển các ứng dụng thực tế và các công cụ hỗ trợ đầu tư cho các nhà đầu tư. Các ứng dụng này có thể cung cấp các dự báo giá cổ phiếu hàng ngày, các khuyến nghị mua bán và các cảnh báo rủi ro. Chúng cũng có thể giúp các nhà đầu tư quản lý danh mục đầu tư của mình một cách hiệu quả hơn. Việc phát triển các ứng dụng thực tế dựa trên mô hình dự báo có thể giúp đưa kết quả nghiên cứu đến gần hơn với cộng đồng và tạo ra giá trị thực cho xã hội.

Nội dung chính

Tổng quan nghiên cứu

Thị trường tài chính hiện đại vận hành với tính chất biến động phi tuyến tính phức tạp, nơi hàng triệu giao dịch diễn ra mỗi ngày chịu sự chi phối mạnh mẽ từ luồng thông tin truyền thông. Nền tảng mạng xã hội Twitter với quy mô gần 700 triệu người dùng tại thời điểm khảo sát đã trở thành nguồn dữ liệu khổng lồ phản ánh tâm lý đám đông theo thời gian thực. Vấn đề nghiên cứu trọng tâm của luận văn là giải quyết hạn chế của các phương pháp phân tích kỹ thuật truyền thống vốn chỉ dựa trên dữ liệu giá quá khứ và thường có độ trễ lớn trước các biến cố dư luận.

Mục tiêu cụ thể của công trình là xây dựng mô hình học máy bán giám sát kết hợp phân tích quan điểm đa kênh nhằm dự báo chính xác xu hướng biến động tăng hoặc giảm của giá cổ phiếu Tập đoàn Apple (mã niêm yết AAPL). Phạm vi dữ liệu thực nghiệm được triển khai trong khung thời gian 4 tháng, từ ngày 01/01/2014 đến ngày 01/05/2014, tích hợp đồng thời ba nguồn thông tin xã hội gồm Twitter, tin tức tài chính và blog chuyên gia cùng chuỗi giá đóng cửa điều chỉnh hàng ngày.

Ý nghĩa khoa học và thực tiễn của nghiên cứu được khẳng định thông qua việc giải quyết bài toán thiếu hụt nhãn dữ liệu tài chính với chi phí gán nhãn cao. Kết quả thử nghiệm đạt độ chính xác cao nhất 75% (Accuracy = 0.75) trên miền dữ liệu tin tức, tạo tiền đề vững chắc cho việc ứng dụng trí tuệ nhân tạo vào quản trị rủi ro và tối ưu hóa danh mục đầu tư chứng khoán.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng kết hợp giữa kinh tế học hành vi và khoa học dữ liệu. Thứ nhất, Giả thuyết thị trường hiệu quả (Efficient Market Hypothesis - EMH) và Lý thuyết bước đi ngẫu nhiên (Random Walk) giả định rằng giá cả phản ánh tức thì mọi thông tin sẵn có, khiến giá biến động khó đoán định vượt mức 50%. Thứ hai, Lý thuyết kinh tế xã hội (Socionomic Theory of Finance - STF) cùng Lý thuyết Dow chứng minh rằng tâm lý xã hội là động lực thúc đẩy các làn sóng thị trường, tạo ra các mô hình xu thế có thể dự báo trước.

Các khái niệm chính được vận dụng bao gồm: Khai phá quan điểm (Sentiment Analysis), Giá đóng cửa điều chỉnh (Adjusted Close Price), Học bán giám sát (Semi-supervised Learning), Vector hỗ trợ (Support Vectors) và Vector biên (Boundary Vectors). Mô hình tiếp cận toàn diện khi khai thác 6 chiều tâm trạng cộng đồng theo chuẩn Profile of Mood States kết hợp đo lường phân cực cảm xúc tích cực và tiêu cực.

Phương pháp nghiên cứu

Nguồn dữ liệu của luận văn được thu thập tự động thông qua các module chuyên biệt bằng ngôn ngữ Python. Cỡ mẫu ban đầu bao gồm 1.382 lượt tweet trung bình mỗi ngày thu thập từ Twitter dựa trên 10 từ khóa trọng tâm như Apple, iPhone, iPad, iOS, Macbook; 21 bài viết mỗi ngày từ các chuyên trang tài chính uy tín như CNET, CNBC; và 9 bài phân tích chuyên sâu mỗi ngày từ các weblog tài chính quốc tế.

Phương pháp chọn mẫu áp dụng kỹ thuật lọc có chủ đích kết hợp mô hình chủ đề ẩn Mallet nhằm loại bỏ nhiễu và lọc ra tập mẫu chuẩn gồm 140 tweet, 12 tin bài và 2 bài blog liên quan trực tiếp đến tình hình tài chính của Apple mỗi ngày.

Lý do lựa chọn phương pháp phân lớp bán giám sát SVM-kNN xuất phát từ thực tế dữ liệu chưa gán nhãn chiếm tới 40% tổng tập mẫu trong khi chi phí gán nhãn thủ công rất tốn kém. Thuật toán kết hợp sức mạnh phân tách siêu phẳng trong không gian nhiều chiều của SVM và tính linh hoạt cục bộ của kNN, sử dụng 60% dữ liệu gán nhãn ban đầu để liên tục cập nhật và tối ưu hóa tập vector huấn luyện.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm mô hình trên tập dữ liệu chuỗi thời gian 4 tháng đã mang lại những phát hiện có giá trị khoa học cao:

Thứ nhất, phân tích nhân quả Granger khẳng định tâm trạng cộng đồng trên mạng xã hội có mối tương quan chặt chẽ với đường giá cổ phiếu Apple, trong đó các chỉ số cảm xúc phản ánh trước diễn biến thị trường với độ trễ từ 2 đến 3 ngày ở mức ý nghĩa thống kê cao (p-value nhỏ hơn 0.05).

Thứ hai, mô hình bán giám sát SVM-kNN thiết lập tại tham số ngưỡng t = 0.8 và k = 5 láng giềng gần nhất ghi nhận độ chính xác dự báo xu hướng đạt 75% (Accuracy = 0.75) trên miền dữ liệu tin tức, cao hơn hẳn mức dự báo ngẫu nhiên 50%.

Thứ ba, sự kiện tài chính thực tế tạo ra các bước nhảy cảm xúc rõ rệt. Điểm số quan điểm sụt giảm mạnh vào ngày 28/01/2014 ngay sau khi Apple công bố báo cáo tài chính ngày 27/01/2014, và tăng vọt trở lại vào ngày 23/04/2014 khi xuất hiện các thông tin tích cực về sản phẩm mới, phản ánh mức tương thích trên 80% với biến động giá thực tế.

Thứ tư, việc cải tiến thuật toán bằng cách sử dụng các vector hỗ trợ có độ tin cậy cao làm tập kiểm tra cho kNN giúp cải thiện độ chính xác phân loại tổng thể thêm 5% đến 8% so với mô hình bán giám sát SVM-kNN nguyên bản.

Thảo luận kết quả

Độ chính xác cao nhất đạt được trên miền tin tức (75%) so với Twitter và Blog được giải thích bởi đặc tính văn phong báo chí có tính cô đọng, độ chuẩn hóa ngôn ngữ cao và tỷ lệ nhiễu thấp. Ngược lại, Twitter phản ánh nhịp độ thảo luận nhanh nhưng chứa nhiều từ viết tắt và ký tự đặc biệt, đòi hỏi khâu tiền xử lý phức tạp.

Kết quả nghiên cứu này tương thích với phát hiện của Johan Bollen năm 2010 khi dự báo chỉ số Dow Jones đạt độ chính xác 86.7%, đồng thời khẳng định phương pháp hoàn toàn khả thi khi áp dụng cho một mã cổ phiếu công nghệ đơn lẻ như AAPL.

Để biểu diễn trực quan các kết quả này, toàn bộ biến động điểm số quan điểm đa kênh và chuỗi giá đóng cửa điều chỉnh được mô hình hóa qua biểu đồ chuỗi thời gian đa trục (Multi-axis Time Series Chart). Cùng với đó, ma trận nhầm lẫn (Confusion Matrix) được sử dụng để phân định rõ tỷ lệ dự báo chính xác nhãn tăng (+1) và nhãn giảm (-1), mang lại cái nhìn minh bạch về hiệu năng phân lớp.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và đưa mô hình dự báo vào ứng dụng thực tiễn trong ngành tài chính công nghệ, luận văn đề xuất 4 nhóm giải pháp trọng tâm:

1. Thiết lập hệ thống thu thập và xử lý luồng dữ liệu tự động 24/7: Đội ngũ kỹ sư dữ liệu cần hoàn thiện hạ tầng streaming pipeline trong 3 tháng đầu nhằm thu thập dữ liệu đa nguồn liên tục, đảm bảo mục tiêu lọc sạch hơn 90% dữ liệu rác và tiếng ồn ngôn ngữ trước khi phân tích.

2. Chuẩn hóa và mở rộng bộ từ điển cảm xúc tài chính chuyên sâu: Nhóm nghiên cứu xử lý ngôn ngữ tự nhiên cần bổ sung hơn 2.000 thuật ngữ kinh tế - chứng khoán vào kho ngữ liệu SentiWordNet trong lộ trình 6 tháng, đặt mục tiêu nâng cao độ nhạy phát hiện quan điểm lên 15%.

3. Thử nghiệm mở rộng mô hình trên danh mục đa cổ phiếu: Các chuyên viên phân tích định lượng cần áp dụng thuật toán SVM-kNN trên rổ 30 cổ phiếu thuộc chỉ số S&P 500 và Dow Jones trong thời gian 12 tháng, hướng tới duy trì độ chính xác ổn định trên 70% ở quy mô thị trường mở rộng.

4. Tích hợp tín hiệu phân lớp vào hệ thống giao dịch tự động: Các quỹ đầu tư và công ty chứng khoán cần kết nối đầu ra nhị phân của mô hình với thuật toán khớp lệnh tự động trong thời hạn 9 tháng, kỳ vọng giảm thiểu 12% mức độ sụt giảm tài sản tối đa (drawdown) cho các danh mục đầu tư ngắn hạn.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và ứng dụng thực tiễn đa dạng cho 4 nhóm độc giả chính:

1. Học viên cao học và nhà nghiên cứu chuyên ngành Khoa học máy tính, Hệ thống thông tin: Cung cấp tài liệu tham khảo chi tiết về thuật toán học bán giám sát SVM-kNN, quy trình tích hợp mô hình chủ đề ẩn Mallet và phương pháp trích xuất quan điểm từ dữ liệu văn bản phi cấu trúc.

2. Chuyên viên phân tích định lượng (Quants) tại các quỹ đầu tư tài chính: Hỗ trợ khung phương pháp luận khai thác chỉ số tâm lý mạng xã hội kết hợp chuỗi thời gian giá đóng cửa điều chỉnh nhằm tối ưu hóa các chiến lược giao dịch định lượng.

3. Kỹ sư dữ liệu và kiến trúc sư phát triển phần mềm trí tuệ nhân tạo: Tham khảo giải pháp thiết kế pipeline xử lý dữ liệu lớn đa nguồn từ Twitter, tin tức báo chí và blog chuyên ngành với tỷ lệ gán nhãn tự động tối ưu.

4. Nhà đầu tư cá nhân trên thị trường chứng khoán: Giúp thấu hiểu cơ chế dẫn dắt của tâm lý đám đông đối với bước nhảy giá cổ phiếu với độ trễ 2 đến 3 ngày, từ đó nâng cao kỷ luật và hiệu quả ra quyết định đầu tư.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lựa chọn thuật toán học bán giám sát SVM-kNN thay vì học giám sát truyền thống? Trong thực tế, việc thu thập dữ liệu văn bản tài chính rất dễ dàng nhưng chi phí gán nhãn chính xác lại vô cùng đắt đỏ. Thuật toán bán giám sát SVM-kNN chỉ cần 60% dữ liệu có nhãn ban đầu để tự động khai thác và gán nhãn cho 40% dữ liệu còn lại, giúp nâng cao độ chính xác tổng thể mà không tốn kém tài nguyên gán nhãn thủ công.

2. Độ trễ cảm xúc từ 2 đến 3 ngày có ý nghĩa gì trong chiến lược giao dịch thực tế? Kiểm định nhân quả Granger cho thấy tâm trạng xã hội phản ánh trước diễn biến thị trường chứng khoán từ 2 đến 3 ngày (p-value nhỏ hơn 0.05). Khoảng trễ thời gian quý giá này cung cấp cho các nhà đầu tư tín hiệu sớm để chuẩn bị vị thế giao dịch mua hoặc bán trước khi thị trường kịp phản ánh hoàn toàn thông tin vào giá.

3. Nguyên nhân nào giúp miền dữ liệu tin tức đạt độ chính xác dự báo 75%, vượt trội hơn Twitter? Tin tức tài chính từ các trang uy tín được biên tập bởi các chuyên gia với cấu trúc câu chuẩn mực, thông tin có chiều sâu và ít nhiễu hơn so với văn phong tự do trên Twitter. Do đó, công cụ khai phá quan điểm trích xuất được các chỉ số cảm xúc chuẩn xác hơn, giúp bộ phân lớp đạt hiệu suất 0.75.

4. Việc sử dụng giá đóng cửa điều chỉnh mang lại ưu thế gì so với giá đóng cửa chưa điều chỉnh? Giá đóng cửa điều chỉnh đã phản ánh đầy đủ các quyền phát sinh như chia cổ tức, tách cổ phiếu hoặc phát hành thêm vốn. Việc sử dụng chỉ số này giúp dữ liệu chuỗi thời gian của cổ phiếu Apple loại bỏ các bước nhảy giá kỹ thuật ảo, đảm bảo tính liên tục và độ tin cậy tuyệt đối cho mô hình máy học.

5. Mô hình phân lớp này có thể áp dụng cho thị trường chứng khoán Việt Nam hay không? Hoàn toàn có thể áp dụng khi thay thế bộ từ điển tiếng Anh bằng kho ngữ liệu tiếng Việt chuyên ngành tài chính và thu thập dữ liệu từ các diễn đàn chứng khoán lớn tại Việt Nam. Độ trễ thông tin và tác động tâm lý nhà đầu tư cá nhân tại Việt Nam thậm chí còn mở ra tiềm năng dự báo rất lớn cho mô hình.

Kết luận

• Luận văn đã chứng minh thành công tính khả thi và hiệu quả vượt trội của việc kết hợp tâm lý xã hội đa nguồn với dữ liệu chuỗi giá quá khứ để dự báo xu hướng thị trường chứng khoán.
• Mô hình phân lớp bán giám sát SVM-kNN cải tiến đạt độ chính xác cao nhất 75% trên miền dữ liệu tin tức và chứng minh sự tồn tại của độ trễ cảm xúc dẫn dắt từ 2 đến 3 ngày.
• Đóng góp khoa học then chốt là quy trình tích hợp mô hình chủ đề ẩn Mallet và từ điển SentiWordNet để xử lý hiệu quả 40% dữ liệu phi cấu trúc chưa gán nhãn.
• Lộ trình 12 tháng tiếp theo mở ra tiềm năng mở rộng thuật toán trên quy mô toàn bộ rổ cổ phiếu công nghệ lớn và xây dựng hệ thống giao dịch thời gian thực.
• Độc giả, nhà nghiên cứu và các chuyên gia tài chính hãy khai thác ngay tài liệu toàn văn của luận văn để ứng dụng giải pháp học máy bán giám sát vào hệ thống phân tích thị trường của mình.

Trích đoạn nội dung tài liệu

Chương 1 của luận văn sẽ trả lời những câu hỏi trên một cách khái quát nhất. Trước khi đưa ra các câu trả lời, tôi xin trình bày về một số khái niệm liên quan đến bài toán sẽ được sử dụng trong luận văn này 1. Một số khái niệm trong thị trƣờng chứng khoán Thị trường chứng khoán trong điều kiện của nền kinh tế hiện đại, được quan niệm là nơi diễn ra các hoạt động giao dịch mua bán các loại chứng khoán trung và dài hạn. Việc mua bán này được tiến hành ở thị trường sơ cấp khi người mua mua được chứng khoán lần đầu từ những người phát hành, và ở thị trường thứ cấp khi có sự mua đi bán lại các chứng khoán đã được phát hành ở thị trường sơ cấp.

Như vậy, xét về mặt hình thức, thị trường chứng khoán chỉ là nơi diễn ra các hoạt động trao đổi, mua bán, chuyển nhượng các loại chứng khoán, qua đó thay đổi các chủ thể nắm giữ chứng khoán. Thị trường chứng khoán thực chất là quá trình vận động của tư bản tiền tệ. Các chứng khoán mua bán trên thị trường chứng khoán có thể đem lại thu nhập cho người nắm giữ nó sau một thời gian nhất định và được lưu thông trên thị trường chứng khoán theo giá cả thị trường, do đó bề ngoài nó được coi như là một tư bản hàng hoá. Các chủ thể tham gia vào thị trường chứng khoán được chia thành 3 nhóm sau: nhà phát hành, nhà đầu tư và các tổ chức có liên quan đến chứng khoán: - Nhà phát hành là các tổ chức thực hiện huy động vốn thông qua thị trường chứng khoán.

Nhà phát hành là người cung cấp các chứng khoán - hàng hoá của thị trường chứng khoán. Công ty là nhà phát hành các cổ phiếu và trái phiếu công ty. Ví du: Tập đoàn Apple, Google là các nhà phát hành cổ phiếu. - Nhà đầu tư là những người thực sự mua và bán chứng khoán trên thị trường chứng khoán.

Nhà đầu tư có thể được chia thành 2 loại: nhà đầu tư cá nhân và nhà đầu tư có tổ chức TIEU LUAN MOI download : [e-mail] 14 Căn cứ vào hàng hóa trên thị trường, thị trường chứng khoán cũng có thể được phân thành các thị trường: thị trường cổ phiếu, thị trường trái phiếu, thị trường các công cụ chứng khoán phát sinh; trong đó Thị trường cổ phiếu là thị trường giao dịch mua và bán các loại cổ phiếu. Cổ phiếu là một loại chứng khoán được phát hành dưới dạng chứng chỉ hoặc bút toán ghi sổ, xác nhận quyền sở hữu và lợi ích hợp pháp của người sở hữu cổ phiếu đối với tài sản hoặc vốn của một công ty cổ phần. Niêm yết chứng khoán là thủ tục cho phép một chứng khoán nhất định được phép giao dịch trên Sở giao dịch chứng khoán. Cụ thể, đây là quá trình mà Sở giao dịch chứng khoán chấp thuận cho công ty phát hành có chứng khoán được phép niêm yết và giao dịch trên Sở giao dịch chứng khoán nếu công ty đó đáp ứng đầy đủ các tiêu chuẩn về định lượng cũng như định tính mà Sở giao dịch chứng khoán đề ra.

Thời gian giao dịch: tại hầu hết các Sở giao dịch chứng khoán trên thế giới, giao dịch chứng khoán thường diễn ra trong các ngày làm việc trong tuần. - Giá mở cửa: là giá thực hiện tại lần khớp lệnh đầu tiên của chứng khoán trong ngày giao dịch. - Giá đóng cửa: bao gồm giá đóng cửa chưa điều chỉnh và giá đóng cửa điều chỉnh o Giá đóng cửa chưa điều chỉnh: là giá được đăng trên bảng niêm yết giá tại sàn chứng khoán, hoặc được cung cấp bởi các công ty chứng khoán. o Giá đóng cửa điều chỉnh: là giá đóng cửa chưa điều chỉnh và lợi nhuận mà nhà đầu tư thu được từ cổ tức và việc tách/thưởng cổ phiếu, vốn.

Có thực sự dự đoán đƣợc thị trƣờng chứng khoán? Bài toán dự đoán thị trường chứng khoán gần đây được chú ý nhiều bởi cả giới học thuật cũng như kinh doanh. Nhưng có một câu hỏi đã được đặt ra là liệu giá trị cổ phiếu có thực sự dự đoán được không? Những nghiên cứu trước đây về việc dự đoán thị trường chứng khoán dựa trên lý thuyết Bước Đi Ngẫu Nhiên (Walk Random - WR) và Giả thuyết Thị trường hiệu quả (Efficient Market Hypothesis - EMH). Lý thuyết "Bước Đi Ngẫu Nhiên" nói rằng sự vận động của giá cả trên thị trường chứng khoán sẽ không đi theo bất kì một khuôn mẫu hay một xu hướng nào đã từng có trước đây. Và do đó những biến động giá trong quá khứ sẽ không thể sử dụng được trong việc dự đoán những bước đi tiếp theo của nó trong tương lai.

Theo như EMH, sẽ có một số lượng lớn các thành viên tham gia thị trường cạnh tranh, mỗi thành viên phân tích và định giá độc lập nhằm tối ưu hóa lợi nhuận của mình. Các nhà đầu tư điều chỉnh giá cổ phiếu ngay tức khắc với tất cả các thông tin liên quan sẵn có nhằm phản hồi được ảnh hưởng của thông tin. Giá cả thị trường chứng khoán bị điều phối TIEU LUAN MOI download : [e-mail] 15 chính bởi các thông tin mới, ví dụ như tin tức, hơn là phụ thuộc vào giá cả hiện tại và quá khứ của cổ phiếu. Do tin tức là không thể dự đoán được, do đó giá chứng khoán sẽ đi theo một mẫu bước nhảy ngẫu nhiên và không thể đoán định được chính xác trên 50%.

Tuy nhiên, theo một quan điểm hoàn toàn ngược lại, lý thuyết Down đã chỉ ra rằng những biến động thị trường với mọi xu hướng đều có thể được dự đoán trước trên cơ sở biến động giá trên các biểu đồ. Dow đưa ra khái niệm về “chỉ số giá bình quân” nhằm phản ánh xu thế chung của một số cổ phiếu đại diện cho thị trường. Theo Lý thuyết Dow, chỉ số bình quân thị trường phản ánh tất cả. Bởi vì nó phản ánh những hoạt động có liên kết với nhau của hàng nghìn nhà đầu tư, gồm cả những người có kinh nghiệm dự đoán thị trường giỏi nhất, có những thông tin tốt nhất về xu hướng và các sự kiện, những gì có thể nhận thấy trước và tất cả những gì có thể ảnh hưởng đến cung và cầu của các loại chứng khoán.

Thậm chí cả những thiên tai hay thảm họa không dự tính được thì ngay khi xảy ra chúng đã được thị trường phản ánh ngay vào giá của các loại chứng khoán. Cũng trong lý thuyết Down bao gồm ba xu thế là - xu thế gốc hay xu thế cơ bản (primary trend), xu thế thứ 2 (second trend), và những xu thế nhỏ (minor trends). Xu thế cơ bản (primary trend) là lực lượng chính đằng sau xu thế và giống như một dòng chảy của sông theo một hướng cơ bản. Xu thế thứ 2 giống như một nhánh của xu thế chính.

Nhánh này có thể rẽ ra một lúc nhưng cuối cùng cũng quay lại đi theo dòng của dòng sông chính. Xu thế nhỏ thì giống như một dòng suối nhỏ, có lúc chạy theo hướng này và hướng kia nhưng vẫn được dẫn dắt theo một hướng chung của dòng sông. Xu thế cơ bản có thể mất nhiều năm để kết thúc và phát triển theo thời gian. Xu thế thứ 2 có thể xảy ra bất cứ ở đâu từ một vài tuần tới một vài tháng nếu tính theo thời gian và xu thế nhỏ có thể đi theo hướng ngược lại của xu thế cơ bản.

Những xu thế nhỏ như là xu thế hàng ngày kéo dài một vài ngày hoặc tương tự và thường không có gì quá nổi bật. Xu thế thứ 2 cũng có thể nghiêng về việc bị lôi kéo bởi các mánh khóe hay tin đồn, nhưng xu thế cơ bản thì hoàn toàn lãnh đạm với các yếu tố đó. Theo lý thuyết này thì thị trường bị ảnh hưởng bởi cảm xúc và nghiêng về phản ứng thái quá cả theo hướng lên hoặc xuống. Do đó, việc có thể dự báo được xu hướng của thị trường chứng khoán là hoàn toàn có thể.

Các phƣơng pháp dự báo thị trƣờng chứng khoán Căn cứ vào nội dung phương pháp và mục đích của dự báo, người ta chia dự báo thành hai loại [17]: Phương pháp định tính và phương pháp định lượng: Phương pháp định tính thường phụ thuộc rất nhiều vào kinh nghiệm của một hay nhiều chuyên gia trong lĩnh vực liên quan. Phương pháp này thường được áp dụng, kết quả dự báo sẽ được các chuyên gia trong lĩnh vực liên quan nhận xét, đánh giá và đưa ra kết luận cuối. TIEU LUAN MOI download : [e-mail] 16 Phương pháp định lượng dựa trên mô hình toán với giả thiết rằng mối liên hệ giữa các yếu tố được thiết lập trong quá khứ sẽ lặp lại trong tương lai. Nói cách khác, phương pháp định lượng dựa trên dữ liệu quá khứ để phát hiện xu thế thị trường trong tương lai theo một quy luật nào đó.

Để dự báo xu thế thị trường chứng khoán, người ta có thể sử dụng mô hình chuỗi thời gian, hoặc sử dụng biến nhân quả. Ưu điểm của phương pháp này là tín hiệu đưa ra khá khách quan, dựa và tiêu chí của những chỉ tiêu thống kê từ mô hình. Những tín hiệu mua bán được đưa ra dựa trên những phân tích khách quan nên giảm thiểu sự sai sót do yếu tố con người. Tuy nhiên, phương pháp này có nhược điểm là không dự báo được trong những trường hợp thị trường có một diễn biến đột ngột khiến cho mô hình dự báo có một sự đảo chiều đột ngột.

Ngoài ra, nếu nguồn dữ liệu đầu vào không được thu thập một cách khoa học, chính xác cũng có thể làm cho tính dự báo thiếu chính xác. Như đã biết, trong thị trường chứng khoán, có rất nhiều yếu tố có thể ảnh hưởng đến giá cổ phiếu. Những yếu tố này có thể được bắt nguồn từ việc phát hành tin tức về các công ty hoặc những tin tức về nền kinh tế của các quốc gia lớn. Lý do chính của việc kết hợp các thông tin sự kiện nào đó diễn ra trong dự báo thị trường chứng khoán dựa trên một giả định rằng giá trong tương lai của một cổ phiếu một phần phụ thuộc vào các sự kiện chính trị và quốc tế diễn ra.

Vì vậy, nhiều nghiên cứu đã sử dụng thông tin, tin tức sự kiện (yếu tố định tính) như là các dữ liệu định lượng trong việc dự đoán thị trường chứng khoán. Tóm tắt chƣơng một: Chương một đã trình bày một cách tổng quan về bài toán dự báo thị trường chứng khoán.