Ứng dụng mô hình học sâu lstm trong bài toán dự báo giá cổ phiếu ở thời điểm đóng cửa cho một số mã cổ phiếu ở thị trường chứng khoán việt nam

Chuyên khảo toán học phân tích Ứng dụng mô hình học sâu lstm trong bài toán dự báo giá cổ phiếu ở thời điểm đóng cửa cho một số mã, đánh giá các khía cạnh quan trọng, đề xuất

• Tác giả: Nguyễn Thị Hậu
• Người hướng dẫn: ThS. Vũ Duy Hiến
• Trường học: Học viện Ngân hàng
• Chuyên ngành: Hệ thống thông tin quản lý
• Đề tài: Dự Báo Giá Cổ Phiếu Bằng Mô Hình Học Sâu LSTM Tại Thị Trường Chứng Khoán Việt Nam
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• DANH MỤC BẢNG BIỂU HÌNH VẼ
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ THỊ TRƯỜNG CHỨNG KHOÁN VÀ VẤN ĐỀ DỰ BÁO GIÁ CỔ PHIẾU
• 1.1. Khái quát về thị trường chứng khoán và các phương pháp dự báo giá cổ phiếu trên thế giới
• 1.2. Sơ lược về thị trường chứng khoán
• 1.3. Các phương pháp dự báo giá cổ phiếu trên thế giới
• 1.4. Các nghiên cứu liên quan trên thế giới
• 1.5. Khái quát về thị trường chứng khoán và các phương pháp dự báo giá cổ phiếu tại Việt Nam
• 1.6. Khái quát về thị trường chứng khoán Việt Nam
• 1.7. Phương pháp dự báo chứng khoán trong nước
• 1.8. Các nghiên cứu liên quan tại Việt Nam
• 1.9. Lựa chọn phương pháp
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT CỦA PHƯƠNG PHÁP DỰ BÁO GIÁ CỔ PHIẾU DỰA TRÊN KỸ THUẬT HỌC SÂU LSTM
• 2.1. Sơ lược về mạng nơron
• 2.2. Mô hình mạng nơron
• 2.3. Tổng quan về thuật toán LSTM
• 2.4. Lịch sử ra đời của LSTM
• 2.5. Cơ chế hoạt động
• 2.6. Môi trường sử dụng để huấn luyện mô hình học sâu
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH DỰ BÁO GIÁ ĐÓNG CỬA CỦA MỘT SỐ MÃ CỔ PHIẾU SỬ DỤNG PHƯƠNG PHÁP LSTM
• 3.1. Xây dựng mô hình dự báo LSTM
• 3.2. Chuẩn bị dữ liệu và tiền xử lý dữ liệu
• 3.3. Xây dựng mô hình
• 3.4. Huấn luyện mô hình. Đánh giá mô hình

Tóm tắt

I. Tổng Quan Về Dự Báo Giá Cổ Phiếu Tại Sao Cần Thiết

Dự báo giá cổ phiếu là một chủ đề quan trọng, thu hút sự quan tâm của cả nhà đầu tư và các nhà nghiên cứu. Việc dự đoán chính xác xu hướng giá cổ phiếu có thể mang lại lợi nhuận đáng kể, đồng thời giúp quản trị rủi ro đầu tư hiệu quả. Tuy nhiên, đây là một thách thức lớn do thị trường chứng khoán chịu ảnh hưởng bởi nhiều yếu tố khác nhau, từ kinh tế vĩ mô đến tâm lý nhà đầu tư. Theo tài liệu gốc, "Dự báo thị giá cổ phiếu là hoạt động có thể giúp những nhà đầu tư đạt được lợi nhuận cao và quản trị rủi ro hiệu quả [1]." Điều này nhấn mạnh tầm quan trọng của việc nghiên cứu và phát triển các phương pháp dự báo hiệu quả. Các phương pháp dự báo truyền thống thường gặp khó khăn trong việc xử lý sự phức tạp và biến động của thị trường chứng khoán. Do đó, việc ứng dụng các kỹ thuật hiện đại như học sâu đang trở nên phổ biến hơn.

1.1. Tầm quan trọng của dự báo giá cổ phiếu hiệu quả

Dự báo chính xác giá cổ phiếu không chỉ giúp nhà đầu tư ra quyết định mua bán đúng đắn mà còn hỗ trợ các công ty chứng khoán trong việc tư vấn và quản lý danh mục đầu tư. Việc nắm bắt được xu hướng thị trường giúp tối ưu hóa lợi nhuận và giảm thiểu rủi ro. Các mô hình dự báo tốt còn có thể giúp phát hiện các cổ phiếu tiềm năng và các cơ hội đầu tư giá trị. Hơn nữa, dự báo chính xác có thể giúp ổn định thị trường và giảm thiểu các biến động bất thường.

1.2. Các yếu tố ảnh hưởng đến giá cổ phiếu trên thị trường

Giá cổ phiếu chịu tác động bởi vô số yếu tố, từ các chỉ số kinh tế vĩ mô như GDP, lạm phát, lãi suất đến các yếu tố vi mô liên quan đến hoạt động kinh doanh của công ty. Các sự kiện chính trị, xã hội, và cả tâm lý nhà đầu tư cũng đóng vai trò quan trọng. Việc phân tích và đánh giá tác động của các yếu tố này đòi hỏi sự hiểu biết sâu sắc về thị trường tài chính và khả năng xử lý dữ liệu lớn. Mô hình hóa các mối quan hệ phức tạp này là một thách thức lớn trong dự đoán chứng khoán.

1.3. Hạn chế của phương pháp dự báo giá cổ phiếu truyền thống

Các phương pháp dự báo truyền thống như phân tích cơ bản và phân tích kỹ thuật thường gặp khó khăn trong việc xử lý dữ liệu phi tuyến tính và biến động khó lường của thị trường chứng khoán. Các mô hình thống kê đơn giản có thể không đủ mạnh để nắm bắt được các mối quan hệ phức tạp giữa các yếu tố ảnh hưởng đến giá cổ phiếu. Hơn nữa, các phương pháp này thường dựa trên các giả định đơn giản hóa, có thể không phù hợp với thực tế phức tạp của thị trường tài chính.

II. Thách Thức Dự Báo Chứng Khoán Tính Biến Động Thị Trường

Một trong những thách thức lớn nhất trong dự báo chứng khoán là tính biến động cao của thị trường. Giá cổ phiếu có thể thay đổi nhanh chóng dưới tác động của nhiều yếu tố khác nhau, khiến cho việc dự đoán trở nên khó khăn hơn. Điều này đặc biệt đúng tại thị trường chứng khoán Việt Nam, nơi mà tính thanh khoản và mức độ hiệu quả của thị trường còn hạn chế. Các mô hình dự báo cần phải có khả năng thích ứng nhanh chóng với những thay đổi của thị trường và xử lý được các dữ liệu nhiễu. Theo tài liệu gốc, "Trong bối cảnh nước ta, thị trường chứng khoán nói chung bị tác động bởi nhiều yếu tố như: sự điều chỉnh của đơn vị quản lý nhà nước, tính minh bạch trong các báo cáo tài chính của những doanh nghiệp niêm yết, mức độ phản ứng của thị trường, khiến cho những phương pháp dự báo giá cổ phiếu truyền thống (phân tích thống kê mô tả, mô hình kinh tế học…) kém hiệu quả [2]."

2.1. Ảnh hưởng của tin tức và sự kiện đến giá cổ phiếu

Tin tức và các sự kiện kinh tế, chính trị có thể gây ra những biến động lớn trên thị trường chứng khoán. Các thông báo về kết quả kinh doanh của công ty, các quyết định chính sách của chính phủ, hay thậm chí các tin đồn trên mạng xã hội đều có thể ảnh hưởng đến tâm lý nhà đầu tư và giá cổ phiếu. Việc thu thập, phân tích và đánh giá tác động của tin tức là một phần quan trọng trong quá trình dự báo.

2.2. Vai trò của tâm lý nhà đầu tư trong dự đoán chứng khoán

Tâm lý nhà đầu tư đóng vai trò quan trọng trong việc hình thành xu hướng thị trường. Sự lạc quan hay bi quan của nhà đầu tư có thể dẫn đến các đợt mua bán ồ ạt, gây ra những biến động lớn về giá cổ phiếu. Các mô hình dự báo cần phải tính đến yếu tố tâm lý này để đưa ra những dự đoán chính xác hơn. Phân tích tâm lý thị trường là một lĩnh vực nghiên cứu quan trọng trong tài chính hành vi.

2.3. Khó khăn khi dự báo tại thị trường chứng khoán Việt Nam

Thị trường chứng khoán Việt Nam có những đặc thù riêng, gây ra những khó khăn trong việc dự báo. Tính thanh khoản thấp, mức độ hiệu quả của thị trường còn hạn chế, và sự can thiệp của các yếu tố chính trị có thể làm sai lệch các mô hình dự báo. Việc thu thập và xử lý dữ liệu cũng gặp nhiều khó khăn do tính minh bạch thông tin còn hạn chế. Do đó, các mô hình dự báo cần phải được điều chỉnh và tùy biến để phù hợp với đặc điểm của thị trường Việt Nam.

III. Mô Hình Học Sâu LSTM Giải Pháp Dự Báo Cổ Phiếu Mới

Mô hình học sâu LSTM (Long Short-Term Memory) đang nổi lên như một giải pháp tiềm năng cho bài toán dự báo giá cổ phiếu. LSTM là một loại mạng nơ-ron hồi quy (RNN) có khả năng xử lý dữ liệu chuỗi thời gian một cách hiệu quả. Với khả năng ghi nhớ và học hỏi các mẫu trong quá khứ, LSTM có thể dự đoán xu hướng giá cổ phiếu trong tương lai. Theo tài liệu gốc, "Gần đây cùng với sự tiến bộ vượt bậc của lĩnh vực khoa học dữ liệu, các nhà nghiên cứu đã phát triển những mô hình dự báo giá cổ phiếu sử dụng các kỹ thuật học máy và học sâu hiện đại, trong đó điển hình là mô hình LSTM (long-short term memory) [3], [4], [5], [6]."

3.1. Giới thiệu về mạng nơ ron hồi quy LSTM Long Short Term Memory

LSTM là một kiến trúc mạng nơ-ron đặc biệt, được thiết kế để xử lý dữ liệu chuỗi thời gian một cách hiệu quả. LSTM có khả năng ghi nhớ thông tin trong quá khứ và sử dụng nó để dự đoán tương lai. Điều này làm cho LSTM trở thành một công cụ mạnh mẽ cho các bài toán như dự báo giá cổ phiếu, xử lý ngôn ngữ tự nhiên, và nhận dạng giọng nói.

3.2. Ưu điểm của LSTM trong phân tích chuỗi thời gian

LSTM có nhiều ưu điểm so với các mô hình phân tích chuỗi thời gian truyền thống. LSTM có khả năng xử lý dữ liệu phi tuyến tính, ghi nhớ các mẫu trong quá khứ, và thích ứng với những thay đổi của thị trường. LSTM cũng có thể xử lý dữ liệu có độ dài khác nhau, làm cho nó phù hợp với việc dự báo giá cổ phiếu trong môi trường biến động.

3.3. So sánh LSTM với các mô hình dự báo khác ARIMA SVM

LSTM thường được so sánh với các mô hình dự báo khác như ARIMA và SVM. ARIMA là một mô hình thống kê truyền thống, trong khi SVM là một mô hình học máy. LSTM có ưu điểm hơn so với ARIMA trong việc xử lý dữ liệu phi tuyến tính và ghi nhớ các mẫu trong quá khứ. So với SVM, LSTM có khả năng xử lý dữ liệu chuỗi thời gian tốt hơn và có thể học được các mối quan hệ phức tạp giữa các biến.

IV. Xây Dựng Mô Hình LSTM Dự Báo Giá Cổ Phiếu Hướng Dẫn

Việc xây dựng một mô hình LSTM để dự báo giá cổ phiếu đòi hỏi một quy trình chặt chẽ, từ việc thu thập và tiền xử lý dữ liệu đến việc huấn luyện và đánh giá mô hình. Dữ liệu lịch sử về giá cổ phiếu, khối lượng giao dịch, và các chỉ số kỹ thuật khác cần được thu thập và làm sạch. Sau đó, dữ liệu được chia thành các tập huấn luyện và kiểm tra. Mô hình LSTM được huấn luyện trên tập huấn luyện và đánh giá trên tập kiểm tra để đảm bảo khả năng khái quát hóa của mô hình. Các thư viện như TensorFlow và Keras thường được sử dụng để xây dựng và huấn luyện mô hình LSTM.

4.1. Thu thập và tiền xử lý dữ liệu chứng khoán Data Preprocessing

Thu thập dữ liệu chứng khoán là bước đầu tiên và quan trọng nhất trong việc xây dựng mô hình LSTM. Dữ liệu cần thu thập bao gồm giá cổ phiếu (giá mở cửa, giá đóng cửa, giá cao nhất, giá thấp nhất), khối lượng giao dịch, và các chỉ số kỹ thuật khác. Sau khi thu thập, dữ liệu cần được làm sạch và tiền xử lý để đảm bảo chất lượng và phù hợp với mô hình LSTM. Các bước tiền xử lý có thể bao gồm xử lý dữ liệu bị thiếu, chuẩn hóa dữ liệu, và chia dữ liệu thành các tập huấn luyện và kiểm tra.

4.2. Thiết kế kiến trúc mạng LSTM cho dự báo giá cổ phiếu

Thiết kế kiến trúc mạng LSTM là một bước quan trọng trong việc xây dựng mô hình. Kiến trúc mạng LSTM bao gồm số lượng lớp LSTM, số lượng nơ-ron trong mỗi lớp, và các tham số khác. Việc lựa chọn kiến trúc phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu dự báo. Các thử nghiệm và điều chỉnh thường được thực hiện để tìm ra kiến trúc tốt nhất.

4.3. Huấn luyện và đánh giá hiệu quả mô hình LSTM Backtesting

Sau khi thiết kế kiến trúc, mô hình LSTM cần được huấn luyện trên tập huấn luyện. Quá trình huấn luyện bao gồm việc điều chỉnh các tham số của mô hình để giảm thiểu sai số dự đoán. Sau khi huấn luyện, mô hình được đánh giá trên tập kiểm tra để đo lường hiệu quả. Các chỉ số đánh giá như MSE (Mean Squared Error) và RMSE (Root Mean Squared Error) thường được sử dụng. Backtesting là một phương pháp quan trọng để đánh giá khả năng dự báo của mô hình trong điều kiện thực tế.

V. Ứng Dụng LSTM Tại Thị Trường Việt Nam Kết Quả Nghiên Cứu

Nghiên cứu ứng dụng LSTM để dự báo giá cổ phiếu tại thị trường chứng khoán Việt Nam đang được quan tâm. Các kết quả ban đầu cho thấy LSTM có tiềm năng cải thiện độ chính xác dự báo so với các phương pháp truyền thống. Tuy nhiên, cần có thêm nhiều nghiên cứu để đánh giá toàn diện hiệu quả của LSTM và tùy chỉnh mô hình cho phù hợp với đặc điểm của thị trường Việt Nam. Việc so sánh hiệu quả dự báo của LSTM với các mô hình khác như ARIMA là cần thiết.

5.1. Phân tích hiệu quả dự báo của LSTM cho các mã cổ phiếu tiềm năng

Việc phân tích hiệu quả dự báo của LSTM cho các mã cổ phiếu tiềm năng là quan trọng để đánh giá khả năng ứng dụng thực tế của mô hình. Các mã cổ phiếu thuộc các ngành khác nhau nên được xem xét để đảm bảo tính tổng quát của kết quả. Các chỉ số như độ chính xác dự báo, lợi nhuận đầu tư, và rủi ro cần được phân tích kỹ lưỡng.

5.2. So sánh LSTM với ARIMA Đánh giá độ chính xác dự báo

So sánh LSTM với ARIMA là cần thiết để đánh giá xem liệu LSTM có thực sự mang lại cải thiện về độ chính xác dự báo. Các chỉ số như MSE và RMSE có thể được sử dụng để so sánh hiệu quả dự báo của hai mô hình. Các kết quả so sánh sẽ giúp xác định liệu LSTM có phải là một lựa chọn tốt hơn cho dự báo giá cổ phiếu tại thị trường Việt Nam.

5.3. Các yếu tố ảnh hưởng đến hiệu quả dự báo của LSTM

Có nhiều yếu tố có thể ảnh hưởng đến hiệu quả dự báo của LSTM, bao gồm chất lượng dữ liệu, kiến trúc mạng LSTM, và các tham số huấn luyện. Việc hiểu rõ các yếu tố này là quan trọng để tối ưu hóa mô hình và cải thiện độ chính xác dự báo. Các thử nghiệm và phân tích độ nhạy có thể được thực hiện để xác định các yếu tố quan trọng nhất.

VI. Dự Báo Cổ Phiếu Bằng LSTM Kết Luận Tương Lai

Mô hình học sâu LSTM hứa hẹn là một công cụ mạnh mẽ cho dự báo giá cổ phiếu tại thị trường chứng khoán Việt Nam. Tuy nhiên, cần có thêm nhiều nghiên cứu để hoàn thiện mô hình và đánh giá toàn diện hiệu quả. Trong tương lai, việc kết hợp LSTM với các kỹ thuật khác như phân tích cơ bản và phân tích kỹ thuật có thể mang lại kết quả dự báo tốt hơn. Ứng dụng LSTM có thể giúp nhà đầu tư đưa ra quyết định sáng suốt hơn, tối ưu hóa lợi nhuận và giảm thiểu rủi ro đầu tư.

6.1. Tóm tắt kết quả nghiên cứu và ứng dụng LSTM

Các kết quả nghiên cứu ban đầu cho thấy LSTM có tiềm năng cải thiện độ chính xác dự báo so với các phương pháp truyền thống. Tuy nhiên, cần có thêm nhiều nghiên cứu để đánh giá toàn diện hiệu quả của LSTM và tùy chỉnh mô hình cho phù hợp với đặc điểm của thị trường Việt Nam. Việc so sánh hiệu quả dự báo của LSTM với các mô hình khác như ARIMA là cần thiết.

6.2. Hướng phát triển tiếp theo cho nghiên cứu dự báo chứng khoán

Hướng phát triển tiếp theo cho nghiên cứu dự báo chứng khoán bao gồm việc kết hợp LSTM với các kỹ thuật khác như phân tích cơ bản và phân tích kỹ thuật. Việc sử dụng dữ liệu phi cấu trúc như tin tức và mạng xã hội cũng có thể cải thiện hiệu quả dự báo. Ngoài ra, việc phát triển các mô hình LSTM có khả năng thích ứng với những thay đổi của thị trường là một hướng đi quan trọng.

6.3. Ứng dụng LSTM trong quản lý danh mục đầu tư và rủi ro

LSTM không chỉ có thể được sử dụng để dự báo giá cổ phiếu mà còn có thể được ứng dụng trong quản lý danh mục đầu tư và rủi ro. LSTM có thể giúp nhà đầu tư xác định các cổ phiếu tiềm năng, phân bổ vốn một cách hiệu quả, và giảm thiểu rủi ro đầu tư. Việc tích hợp LSTM vào các hệ thống quản lý danh mục đầu tư có thể mang lại lợi ích đáng kể.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Thị trường chứng khoán đóng vai trò là kênh huy động vốn quan trọng đối với nền kinh tế, đồng thời phản ánh tình hình hoạt động sản xuất kinh doanh hiện tại và triển vọng phát triển của các doanh nghiệp niêm yết. Việc dự báo thị giá cổ phiếu giúp các nhà đầu tư tối ưu hóa lợi nhuận và quản trị rủi ro danh mục đầu tư. Tại Việt Nam, kể từ khi thành lập Ủy ban Chứng khoán Nhà nước theo Nghị định số 75/CP (ngày 28/11/1996) và Trung tâm Giao dịch Chứng khoán TP. Hồ Chí Minh đi vào hoạt động chính thức vào ngày 28/07/2000 với hai mã REE và SAM, thị trường chứng khoán Việt Nam đã có sự phát triển vượt bậc về quy mô. Tính đến cuối tháng 11/2020, tổng vốn hóa thị trường cổ phiếu niêm yết trên HOSE và HNX đạt 3,86 triệu tỷ đồng (tương đương gần 64% GDP); đến tháng 02/2021 đạt 5,6 triệu tỷ đồng (tương đương gần 90,3% GDP). Trong 4 tháng đầu năm 2021, Trung tâm Lưu ký Chứng khoán Việt Nam (VSD) đã ghi nhận 366.816 tài khoản nhà đầu tư trong nước mới mở, tăng 93% so với cả năm 2020.

Tuy nhiên, thị trường chứng khoán Việt Nam mang đặc tính biến động phức tạp, phi tuyến tính, chịu sự chi phối của nhiều yếu tố vĩ mô, chính sách quản lý nhà nước và mức độ minh bạch thông tin tài chính. Các phương pháp dự báo truyền thống dựa trên thống kê mô tả, phân tích kỹ thuật cảm tính hay các mô hình kinh tế lượng tuyến tính thường bộc lộ hạn chế khi xử lý chuỗi thời gian tài chính có độ biến động cao. Sự phát triển của lĩnh vực khoa học dữ liệu và học sâu (Deep Learning), đặc biệt là kiến trúc bộ nhớ ngắn - dài (Long Short-Term Memory - LSTM), mở ra hướng tiếp cận mới trong việc nắm bắt các phụ thuộc dài hạn của dữ liệu dạng chuỗi. Xuất phát từ bối cảnh đó và yêu cầu thực tế trong thời gian thực tập tại Công ty Cổ phần Giải pháp Tài chính FSS, tác giả Nguyễn Thị Hậu đã thực hiện khóa luận tốt nghiệp "Ứng dụng mô hình học sâu LSTM trong bài toán dự báo giá cổ phiếu ở thời điểm đóng cửa cho một số mã cổ phiếu trên thị trường chứng khoán Việt Nam".

Nhiệm vụ nghiên cứu của khóa luận được xác định cụ thể như sau:

1. Tổng quan tình hình thị trường chứng khoán và các phương pháp dự báo giá cổ phiếu trên thế giới và tại Việt Nam.
2. Hệ thống hóa cơ sở lý thuyết về mạng nơ-ron nhân tạo, cấu trúc và cơ chế hoạt động của các cổng trong mạng học sâu LSTM.
3. Thu thập dữ liệu thực tế, thực hiện tiền xử lý, thiết kế cấu trúc mạng LSTM, huấn luyện mô hình và đánh giá độ chính xác dự báo giá đóng cửa trên 5 mã cổ phiếu tiêu biểu tại Việt Nam so với mô hình chuỗi thời gian ARIMA.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Giá cổ phiếu tại thời điểm đóng cửa (closing price) và mô hình học sâu LSTM áp dụng cho bài toán dự báo chuỗi thời gian.
• Phạm vi không gian: Thị trường chứng khoán Việt Nam, thử nghiệm cụ thể trên 5 mã cổ phiếu thuộc nhóm vốn hóa lớn VN30 gồm: ACB, FPT, MBB, SSI, VNM.
• Phạm vi thời gian: Dữ liệu chuỗi thời gian lịch sử được thu thập trong giai đoạn từ năm 2019 đến năm 2021 (khoảng 576 phiên giao dịch cho mỗi mã cổ phiếu).

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng nghiên cứu dựa trên các lý thuyết tài chính và kỹ thuật học máy:

• Khung lý thuyết tài chính: Giả thuyết thị trường hiệu quả (Efficient Market Hypothesis - EMH) bắt nguồn từ nghiên cứu của Louis Bachelier và phát triển bởi Benoit Mandelbrot; mô hình bước đi ngẫu nhiên (Random Walk) được Burton Malkiel công bố năm 1973; các phương pháp phân tích cơ bản (định giá thông qua hệ số P/E, P/B) và phân tích kỹ thuật (đường trung bình động hàm mũ EMA, các mô hình nến, mô hình giá).
• Khung lý thuyết học sâu: Mạng nơ-ron nhân tạo (ANN) và Mạng nơ-ron tuần hoàn (RNN). Khóa luận đi sâu vào kiến trúc LSTM do Hochreiter & Schmidhuber giới thiệu năm 1997 nhằm giải quyết triệt để vấn đề mất mát đạo hàm (vanishing gradient) khi truyền ngược qua thời gian trong mạng RNN truyền thống.
• Phương pháp nghiên cứu thực nghiệm:
  • Thu thập và chuẩn bị dữ liệu: Dữ liệu các phiên giao dịch hàng ngày của 5 mã cổ phiếu được thu thập từ nguồn CafeF, bao gồm các thuộc tính: giá mở cửa, giá đóng cửa, giá cao nhất, giá thấp nhất, giá điều chỉnh, khối lượng giao dịch và khối lượng khớp lệnh. Thuộc tính giá đóng cửa được lựa chọn làm biến mục tiêu do tính chất đại diện cho mức giá cân bằng cuối ngày và là giá tham chiếu cho phiên giao dịch kế tiếp.
  • Tiền xử lý dữ liệu: Áp dụng phương pháp cửa sổ trượt (lookback window) với kích thước lb = 10 bước thời gian (10 ngày giao dịch liên tiếp để dự báo ngày tiếp theo). Dữ liệu của từng mã được phân chia thành tập huấn luyện (train set) và tập kiểm thử (test set) theo tỷ lệ 8:2 (80% train và 20% test).
  • Thiết kế kiến trúc mô hình: Xây dựng mô hình tuần tự Sequential thông qua thư viện Keras/TensorFlow trên ngôn ngữ Python, gồm 1 tầng ẩn LSTM với 256 đơn vị (units/nodes), kết nối với 1 tầng đầu ra Dense (1 node).
  • Thuật toán tối ưu và hàm mất mát: Sử dụng thuật toán tối ưu hóa Adam (Adaptive Moment Estimation) và hàm mất mát sai số bình phương trung bình (Mean Squared Error - MSE). Hàm kích hoạt lớp ẩn sử dụng hàm chỉnh lưu tuyến tính (ReLU) và lớp đầu ra sử dụng hàm kích hoạt tuyến tính (Linear).
  • Phương pháp đánh giá và đối chuẩn: Sử dụng chỉ số sai số MSE trên cả tập train và tập test để đo lường độ chính xác dự báo, đồng thời đối sánh trực tiếp với mô hình chuỗi thời gian cổ điển ARIMA (Autoregressive Integrated Moving Average).

Nội dung chính theo từng chương

Chương 1: Tổng quan về thị trường chứng khoán và vấn đề dự báo giá cổ phiếu

Chương 1 cung cấp bức tranh toàn cảnh về sự hình thành và phát triển của thị trường chứng khoán quốc tế và Việt Nam, đồng thời hệ thống hóa các nhóm phương pháp dự báo thị giá tài chính:

• Tổng quan thị trường và các trường phái dự báo: Khái quát lịch sử từ các sàn giao dịch sơ khai ở Venice (thế kỷ 13), Công ty Đông Ấn Hà Lan (1602), sàn giao dịch điện tử NASDAQ (1971), đến phân bổ quy mô vốn hóa toàn cầu (năm 2019 Mỹ chiếm 44,33% vốn hóa toàn cầu với 30,44 nghìn tỷ USD; Trung Quốc đạt 6,32 nghìn tỷ USD chiếm 9,21%). Phân tích ưu - nhược điểm của ba nhóm phương pháp: Phân tích cơ bản (dựa vào BCTC, P/E, P/B), Phân tích kỹ thuật (đồ thị, EMA, mô hình giá), và Phân tích định tính (tin tức, phương pháp SWOT).
• Tổng quan các nghiên cứu thực nghiệm trên thế giới: Trích dẫn các công trình điển hình về ứng dụng Machine Learning và Deep Learning. Điển hình như Salim Lahmiri (2011) so sánh PNN và SVM; Sreelekshmy Selvin cùng cộng sự (2017) đối chiếu ARIMA, RNN, LSTM, CNN trên các cổ phiếu Infosys, TCS, Cipla; Weiling Chen cùng cộng sự (2018) dùng RNN dự báo chỉ số HS300 đạt độ chính xác 60-70% với sai số 0,01 - 0,1; Mojtaba Nabipour cùng cộng sự trên sàn Tehran so sánh 9 mô hình khẳng định RNN và LSTM vượt trội; Mahla Nikou cùng cộng sự (2019) thực thi ANN, SVR, RF, LSTM trên Python 3.1 cho thấy LSTM đạt MSE/MAE thấp nhất. Tổng hợp khảo sát từ DBLP giai đoạn 2015-2020 của Zexin Hu cùng cộng sự cho thấy số lượng bài báo sử dụng LSTM và CNN tăng mạnh, trong đó 15% bài báo LSTM đạt độ chính xác 80-90%.
• Tổng quan các nghiên cứu tại Việt Nam: Khái quát các mô hình kết hợp ARIMA-GARCH trên tạp chí KH&CN Đại học Đà Nẵng; nghiên cứu mô hình hóa biến động VN-Index giai đoạn 2005-2016 bằng GARCH và EGARCH của nhóm tác giả Hồ Thủy Tiên, Hồ Thu Hoài, Ngô Văn Toàn; nghiên cứu phân loại xu hướng ngắn hạn bằng Bayesian Classifier của nhóm tác giả Hồ Vũ (2019); và nghiên cứu của Duc Huu Dat Nguyen cùng cộng sự (2019) ứng dụng LSTM đạt MSE = 0,0242. Từ cơ sở đó, tác giả luận giải việc lựa chọn mô hình học sâu LSTM cho đề tài.

Chương 2: Cơ sở lý thuyết của phương pháp dự báo giá cổ phiếu dựa trên kỹ thuật học sâu LSTM

Chương 2 trình bày chi tiết toán học và cấu trúc của mạng nơ-ron cùng thuật toán LSTM:

• Cấu trúc mạng nơ-ron nhân tạo: Mô tả cơ chế truyền tín hiệu qua các tầng đầu vào (input layer), tầng ẩn (hidden layer), và tầng đầu ra (output layer) với trọng số $W$, độ lệch bias $b$, tổng tuyến tính (linear) và các hàm kích hoạt phi tuyến.
• Cơ chế hoạt động của khối nhớ LSTM: Giải thích cơ chế kiểm soát dòng thông tin qua ô trạng thái tế bào ($C_t$) và 3 cổng chức năng:
  • Cổng quên (Forget Gate - $f_t$): Quyết định lượng thông tin từ trạng thái trước cần loại bỏ thông qua hàm Sigmoid: $$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$$
  • Cổng vào (Input Gate - $i_t$): Quyết định thông tin mới được nạp vào ô trạng thái, kết hợp giá trị kích hoạt Sigmoid và vector trạng thái ứng viên $\tilde{C}t$ từ hàm Tanh: $$i_t = \sigma(W_i \cdot [h{t-1}, x_t] + b_i)$$ $$\tilde{C}t = \tanh(W_c \cdot [h{t-1}, x_t] + b_c)$$
  • Cập nhật trạng thái ô (Cell State - $C_t$): $$C_t = f_t * C_{t-1} + i_t * \tilde{C}_t$$
  • Cổng ra (Output Gate - $o_t$) và trạng thái ẩn ($h_t$): Kiểm soát giá trị đầu ra được truyền tới bước thời gian tiếp theo: $$o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$$ $$h_t = o_t * \tanh(C_t)$$
• Các biến thể của LSTM: Phân tích biến thể kết nối lỗ nhìn trộm (Peephole connections của Gers & Schmidhuber năm 2000), cấu trúc kết hợp cổng quên - cổng vào, và đơn vị tái chế Gated Recurrent Unit (GRU của Cho et al., 2014) tích hợp cổng cập nhật $z_t$.
• Môi trường và công cụ tính toán: Khảo sát môi trường thực thi Google Colab (hỗ trợ GPU, thư viện PyTorch, Keras, TensorFlow), các thuật toán tối ưu (GD, SGD, Adam), và các hàm mất mát (MSE, MAE, Binary Crossentropy, Categorical Crossentropy).

Chương 3: Xây dựng mô hình dự báo giá đóng cửa của một số mã cổ phiếu sử dụng phương pháp LSTM

Chương 3 triển khai quy trình thực nghiệm gồm 4 bước: (1) Tiền xử lý dữ liệu, (2) Xây dựng mạng nơ-ron, (3) Huấn luyện mô hình, (4) Biểu diễn kết quả và đánh giá mô hình.

• Dữ liệu thực nghiệm: Tập dữ liệu gồm ~576 phiên giao dịch (từ năm 2019 đến 2021) của 5 mã cổ phiếu: ACB (Ngân hàng TMCP Á Châu), FPT (CTCP FPT), MBB (Ngân hàng TMCP Quân đội), SSI (CTCP Chứng khoán SSI), và VNM (CTCP Sữa Việt Nam). Dữ liệu được trích xuất từ CafeF, tiến hành trích xuất chuỗi giá đóng cửa và phân chia 80% train, 20% test với độ dài cửa sổ nhìn lại lb = 10.
• Cấu hình mô hình: Thiết lập mạng LSTM trên Keras với tầng LSTM 256 units, kết nối tầng Dense 1 node, hàm kích hoạt ReLU tại tầng ẩn và Linear tại tầng ra, thuật toán tối ưu Adam, hàm mất mát MSE.
• Huấn luyện và thực nghiệm: Mô hình được huấn luyện riêng biệt cho từng mã cổ phiếu. Tiến hành ghi nhận đồ thị biến thiên giữa giá thực tế và giá dự báo trên cả hai tập train và test của từng mã ACB, FPT, MBB, SSI, VNM.
• Đánh giá và so sánh: Tổng hợp kết quả dự báo và so sánh chỉ số lỗi MSE của mô hình LSTM với mô hình kinh tế lượng cổ điển ARIMA.

Kết quả và đóng góp

Kết quả thực nghiệm chính

Khóa luận đã huấn luyện thành công mô hình học sâu LSTM trên tập dữ liệu chuỗi thời gian thực tế của 5 mã cổ phiếu thuộc rổ VN30. Kết quả thể hiện qua các phương diện:

1. Khả năng bám sát xu hướng: Đồ thị giá dự báo trên tập huấn luyện (train) và tập kiểm thử (test) của cả 5 mã cổ phiếu (ACB, FPT, MBB, SSI, VNM) đều phản ánh sát diễn biến đường giá thực tế, ghi nhận đúng các điểm đảo chiều và xu hướng tăng/giảm trong ngắn hạn.
2. Độ chính xác định lượng: Sai số bình phương trung bình (MSE) của mô hình LSTM duy trì ở mức thấp trên toàn bộ các mã thử nghiệm.
3. So sánh với mô hình ARIMA: Kết quả đối chuẩn cho thấy mô hình học sâu LSTM đạt chỉ số sai số MSE thấp hơn đáng kể so với mô hình chuỗi thời gian truyền thống ARIMA, chứng minh ưu thế của mạng nơ-ron hồi quy trong việc học các quy luật phi tuyến phức tạp của thị trường tài chính.

Bảng tổng hợp tham số và cấu hình mô hình thực nghiệm trong khóa luận:

Thành phần cấu hình	Thông số thiết lập trong khóa luận
Framework & Ngôn ngữ	Python, Keras / TensorFlow, Google Colab
Kích thước cửa sổ trượt (Lookback - lb)	10 bước thời gian (10 ngày giao dịch)
Tỷ lệ phân chia dữ liệu	80% Huấn luyện (Train) : 20% Kiểm thử (Test)
Cấu trúc tầng ẩn	1 tầng LSTM với 256 units
Cấu trúc tầng đầu ra	1 tầng Dense (1 node output)
Hàm kích hoạt (Activation)	ReLU (tầng ẩn) và Linear (tầng đầu ra)
Thuật toán tối ưu (Optimizer)	Adam
Hàm mất mát (Loss function)	Mean Squared Error (MSE)
Đối tượng dữ liệu	Giá đóng cửa (ACB, FPT, MBB, SSI, VNM)
Mô hình đối chuẩn	ARIMA

Giải pháp và kiến nghị

Dựa trên kết quả nghiên cứu, tác giả đề xuất:

• Các công ty chứng khoán và tổ chức tài chính có thể tích hợp mô hình học sâu LSTM vào hệ thống phân tích định lượng nhằm hỗ trợ chuyên viên tư vấn và nhà đầu tư cá nhân nhận định xu hướng giá cổ phiếu ngắn hạn.
• Nhà đầu tư nên kết hợp kết quả dự báo định lượng từ mô hình học máy với phân tích cơ bản về sức khỏe tài chính doanh nghiệp và tin tức thị trường để nâng cao hiệu quả quản trị rủi ro.

Đóng góp của đề tài

• Hệ thống hóa cơ sở lý luận về mạng nơ-ron hồi quy và cơ chế hoạt động chi tiết của các cổng trong tế bào LSTM.
• Xây dựng quy trình thực nghiệm tiền xử lý dữ liệu và cấu hình tham số mạng học sâu hoàn chỉnh trên dữ liệu thị trường chứng khoán Việt Nam.
• Cung cấp bằng chứng thực nghiệm khẳng định mô hình LSTM có hiệu quả dự báo vượt trội so với mô hình chuỗi thời gian tuyến tính truyền thống ARIMA trên nhóm cổ phiếu VN30.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

• Dung lượng tập dữ liệu: Dữ liệu thực nghiệm được giới hạn trong khoảng thời gian từ 2019 đến 2021 với quy mô khoảng 576 phiên giao dịch cho mỗi mã cổ phiếu, chưa bao quát được nhiều chu kỳ thị trường qua các thời kỳ khủng hoảng kinh tế khác nhau.
• Phạm vi thuộc tính đầu vào: Mô hình mới chỉ sử dụng mô hình đơn biến dựa trên chuỗi giá đóng cửa lịch sử, chưa tích hợp các biến đầu vào khác như khối lượng giao dịch, biên độ giá cao/thấp nhất, các chỉ báo kỹ thuật phụ trợ (RSI, MACD) hoặc các yếu tố vĩ mô và tin tức kinh tế xã hội.
• Phạm vi cổ phiếu thử nghiệm: Nghiên cứu chỉ tập trung vào 5 mã cổ phiếu có tính thanh khoản cao và vốn hóa lớn thuộc rổ VN30 (ACB, FPT, MBB, SSI, VNM), chưa mở rộng kiểm chứng trên các nhóm cổ phiếu vốn hóa vừa và nhỏ (Mid-cap, Small-cap) hoặc các sàn HNX, UPCOM.

Hướng nghiên cứu mở rộng

• Mở rộng khung thời gian thu thập dữ liệu lịch sử để gia tăng số lượng mẫu huấn luyện cho mô hình học sâu.
• Xây dựng mô hình LSTM đa biến (Multivariate LSTM) kết hợp nhiều thuộc tính giao dịch và các chỉ số kinh tế vĩ mô.
• Nghiên cứu kết hợp kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) để phân tích cảm xúc tin tức tài chính, mạng xã hội, hoặc thử nghiệm các cấu trúc mạng lai như CNN-LSTM và cơ chế Attention Mechanism nhằm nâng cao độ chính xác dự báo.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo có giá trị học thuật và thực tiễn đối với:

• Sinh viên và học viên chuyên ngành Hệ thống thông tin quản lý, Khoa học dữ liệu, Công nghệ thông tin, và Tài chính - Ngân hàng: Cung cấp tài liệu tham khảo chi tiết về cơ sở toán học của mạng LSTM, cách vận hành các cổng chức năng và quy trình triển khai mô hình học sâu dự báo chuỗi thời gian tài chính trên ngôn ngữ Python/Keras.
• Các nhà nghiên cứu và phân tích định lượng (Quant Analyst) tại các công ty tài chính, chứng khoán: Tham khảo quy trình tiền xử lý dữ liệu thực tế từ thị trường chứng khoán Việt Nam (nguồn CafeF), phương pháp thiết lập cửa sổ trượt (lookback) và so sánh thực nghiệm giữa mô hình học sâu với các mô hình kinh tế lượng truyền thống.

Câu hỏi thường gặp

1. Tác giả đã lựa chọn những mã cổ phiếu cụ thể nào để tiến hành thử nghiệm mô hình LSTM?

Tác giả đã lựa chọn 5 mã cổ phiếu tiêu biểu thuộc nhóm chỉ số vốn hóa lớn VN30 trên thị trường chứng khoán Việt Nam, bao gồm: ACB (Ngân hàng TMCP Á Châu), FPT (CTCP FPT), MBB (Ngân hàng TMCP Quân đội), SSI (CTCP Chứng khoán SSI), và VNM (CTCP Sữa Việt Nam).

2. Dữ liệu thực nghiệm được thu thập từ nguồn nào và phân chia tỷ lệ huấn luyện/kiểm thử ra sao?

Dữ liệu lịch sử giao dịch được tác giả thu thập từ cổng thông tin CafeF trong giai đoạn từ năm 2019 đến năm 2021 với dung lượng khoảng 576 dòng dữ liệu cho mỗi mã cổ phiếu. Dữ liệu được phân chia thành tập huấn luyện (train) và tập kiểm thử (test) theo tỷ lệ 8:2 (80% train và 20% test).

3. Cấu trúc mạng nơ-ron LSTM và các tham số kỹ thuật được thiết lập cụ thể như thế nào?

Mô hình được xây dựng theo kiến trúc mạng tuần tự Sequential trên thư viện Keras/Python gồm:

• Tầng ẩn LSTM với 256 đơn vị (units).
• Tầng đầu ra Dense với 1 nút (node).
• Cửa sổ trượt thời gian (lookback lb = 10).
• Hàm kích hoạt: ReLU cho tầng ẩn và Linear cho tầng đầu ra.
• Thuật toán tối ưu: Adam.
• Hàm mất mát: Mean Squared Error (MSE).

4. Tại sao tác giả lại lựa chọn thuộc tính giá đóng cửa làm biến mục tiêu để dự báo?

Theo phân tích của tác giả, giá đóng cửa (closing price) là mức giá khớp lệnh cuối cùng trong một phiên giao dịch, phản ánh sự đồng thuận giữa bên mua và bên bán tại thời điểm kết thúc phiên. Hơn nữa, giá đóng cửa đóng vai trò là mức giá tham chiếu cho phiên giao dịch kế tiếp và có tính liên kết thời gian gần nhất với tương lai so với các thuộc tính giao dịch khác trong ngày.

5. Kết quả đánh giá mô hình LSTM so với mô hình ARIMA được thể hiện như thế nào trong khóa luận?

Trong khóa luận, hiệu quả dự báo của mô hình LSTM được đối sánh trực tiếp với mô hình chuỗi thời gian cổ điển ARIMA thông qua chỉ số sai số bình phương trung bình (MSE). Kết quả thực nghiệm khẳng định mô hình học sâu LSTM đạt chỉ số sai số MSE thấp hơn và mô phỏng sát đường biến động giá thực tế hơn so với mô hình ARIMA trên tập dữ liệu kiểm thử của các mã cổ phiếu.

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Thị Hậu tại Khoa Hệ thống thông tin quản lý - Học viện Ngân hàng đã nghiên cứu và ứng dụng mô hình học sâu LSTM vào bài toán dự báo giá đóng cửa chuỗi thời gian tài chính tại Việt Nam. Thông qua việc thử nghiệm trên 5 mã cổ phiếu thuộc nhóm VN30 giai đoạn 2019-2021, nghiên cứu đã chứng minh tính hiệu quả vượt trội của mạng LSTM so với mô hình truyền thống ARIMA về chỉ số sai số MSE và khả năng bám sát xu hướng thị trường. Đề tài đóng góp một quy trình thực nghiệm có tính hệ thống và là tài liệu tham khảo hữu ích cho các nghiên cứu ứng dụng trí tuệ nhân tạo trong lĩnh vực tài chính - ngân hàng.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ THỊ TRƯỜNG CHỨNG KHOÁN VÀ VẤN ĐỀ DỰ BÁO GIÁ CỔ PHIẾU 1. Khái quát về thị trường chứng khoán và các phương pháp dự báo giá cổ phiếu trên thế giới 1. Sơ lược về thị trường chứng khoán 1. Sơ lược lịch sử ra đời chứng khoán nước ngoài Vào giữa thế kỷ 13, các chủ ngân hàng ở Venice bắt đầu kinh doanh cổ phiếu của chính phủ [8].

Lần lượt các ngân hàng khác ở Ý cũng kinh doanh chứng khoán vào những năm của thế kỷ 14, cũng là những người đầu tiên phát hành cổ phiếu. Các công ty Anh và các nước thấp hơn tiếp nối vào thế kỷ 16. Ngay sau đó, tại các thành phố của Ý cũng sản xuất trái phiếu chính phủ có thể chuyển nhượng đầu tiên, họ đã không phát triển thành phần khác cần thiết để tạo ra một thị trường vốn hoàn chỉnh: thị trường chứng khoán. Trong những năm 1600 đầu những Công ty Đông Ấn Hà Lan (VOC) đã trở thành công ty đầu tiên trong lịch sử đối với vấn đề trái phiếu và cổ phiếu của chứng khoán ra công chúng nói chung.

Vào thời điểm đó, khi mà chứng khoán mới ra đời, chưa có máy móc, giao dịch được thực hiện thủ công, nhiều nhà phân tích được thuê để theo dõi hoạt động giao dịch đồng thời đưa ra giá cổ phiếu tới công chúng. Tuy vậy, đến cuối thế kỷ 20, mọi chuyện đều đã thay đổi tiêu biểu vào năm 1971, NASDAQ là sở giao dịch đầu tiên sử dụng giao dịch điện tử trên thế giới. Thay thế người môi giới xác định giá cổ phiếu trong mỗi lần người mua và người bán giao dịch, NASDAQ đã đưa ra một bảng điện tử lớn niêm yết giá và sự biến động theo thời gian thực. Sau đó, nhiều sàn giao dịch lớn nhất cũng đã áp dụng 'công cụ khớp lệnh' điện tử để kết hợp người mua và người bán lại với nhau.

Giao dịch điện tử hiện nay chiếm phần lớn giao dịch ở nhiều nước phát triển. Hệ thống máy tính đã được nâng cấp tại các sàn giao dịch chứng khoán để xử lý khối lượng giao dịch lớn hơn một cách chính xác và có kiểm soát hơn. Tổng vốn hóa thị trường chứng khoán Thị trường chứng khoán thế giới có các bước tăng trưởng đáng kể với hơn 60 sàn giao dịch chứng khoán trong đó có 10 chỉ số được giao dịch nhiều nhất như S&P 5000, DJIA, NASDAQ của Mỹ, FTSE 100 của Anh, CAC 40 của Pháp, Hang Seng của Hồng Kông, Nikkei của Nhật Bản,. Năm 2019, Mỹ là thị trường chứng khoán lớn nhất thế giới, gấp 1/5 giá trị vốn hoá của Trung Quốc chiếm 44.33% tổng vốn hóa thế giới với 30.44 nghìn tỷ USD [9].

Nhiều thị trường châu Âu chỉ chiếm từ 1-3% giá trị vốn hoá toàn cầu. Tiềm năng mới của thị trường chứng khoán thế giới nằm tại châu Á, cụ thể là các quốc gia Đông Á. Trung Quốc là thị trường chứng khoán mới nổi với 3 6,32 nghìn tỷ USD chiếm 9.21% tổng vốn hóa thế giới, trong đó giá trị thị trường chứng khoán Hong Kong (Trung Quốc) cũng đạt 50% giá trị vốn chủ sở hữu của Trung Quốc. Ngoài ra, các nước khác như Nhật Bản, Ý, Hàn, Pháp, Đức cũng chiếm giá trị đáng kể so với thị trường vốn hóa thế giới.

Các phương pháp dự báo giá cổ phiếu trên thế giới “Xu hướng giá cổ phiếu sẽ thế nào?”, “Sẽ tăng hay giảm ?” là những câu hỏi mà các nhà đầu tư chứng khoán đặt ra mỗi ngày. Chứng khoán được cho là một sản phẩm tài chính có đặc điểm là rủi ro cao, lợi nhuận cao và giao dịch linh hoạt, được nhiều nhà đầu tư ưa chuộng. Các nhà đầu tư có thể thu được lợi nhuận dồi dào bằng cách ước tính xu hướng giá cổ phiếu. Tuy nhiên, giá cổ phiếu chịu ảnh hưởng của nhiều yếu tố như như tình hình kinh tế vĩ mô, điều kiện thị trường, các sự kiện kinh tế và xã hội lớn.

Đã từng có một cuộc tranh luận về việc liệu thị trường có thể được dự đoán. Bản chất, dự đoán thị trường chứng khoán là hành động cố gắng xác định giá trị tương lai của cổ phiếu công ty hoặc công cụ tài chính khác được giao dịch trên sàn giao dịch. Khi thị trường chứng khoán mới ra đời, các nhà đầu tư, nhà nghiên cứu nhận thấy rằng các sự kiện tin tức ảnh hưởng tới xu hướng biến động giá cổ phiếu. Họ trích xuất dữ liệu tin tức dự đoán thị trường dựa trên các các điểm đơn giản như mô hình bag-of- word, thực thể hay các cụm danh từ liên quan đến chứng khoán và công ty phát hành.

Ưu điểm của nó là dễ dàng, tin tức luôn được cập nhật tuy nhiên nó không nắm bắt các thông tin có cấu trúc nên không thể đại diện cho sự hoàn chỉnh và các sự kiện chính xác, hơn hết đây là công nghệ khai thác văn bản này không thể xem xét ngữ nghĩa và các thông tin khác trong xã hội để cải thiện hiệu suất của các mô hình dự đoán. Ngoài ra, các mô hình thống kê và kinh tế lượng cũng thường được sử dụng trong dự đoán giá cổ phiếu truyền thống, nhưng những phương pháp này không thể giải quyết môi trường năng động và phức tạp của thị trường chứng khoán. Vào những năm 1930-1950, các nhà nghiên cứu bắt đầu tìm hiểu và thực nghiệm tập trung vào thuộc tính chuỗi thời gian hay chính xác là xem xét biến động giá cổ phiếu trong khoảng thời gian được chọn để dự báo. Nghiên cứu này đã từng được thực nghiệm trên dữ liệu giá cổ phiếu Hoa Kỳ và phát hiện ra rằng giá cổ phiếu của Hoa Kỳ và chuỗi tài chính liên quan tuân theo mô hình bước đi ngẫu nhiên trong ngắn hạn.

Mô hình bước đi ngẫu nhiên là một quá trình ngẫu nhiên, nó là sự tăng thêm và mất đi một cá thể sau một thời điểm của quần thể nào đó, còn được gọi là quá trình sinh và chết trong sinh học nói chung, đối với chứng khoán các nhà nghiên cứu tập trung xem xét sự dịch chuyển của giá, biến động theo quy tắc nào. Tuy nhiên, vào năm 1973, Burton Malkiel đã đưa ra tác phẩm “A random walk down wall street” đã tuyên bố rằng giá cổ 4 phiếu không thể được dự báo đoán chính xác bằng cách nhìn vào lịch sử giá [10]. Malkiel lập luận, giá cổ phiếu được mô tả bằng một quá trình thống kê được gọi là “Bước đi ngẫu nhiên” có nghĩa là độ lệch của mỗi ngày so với giá là ngẫu nhiên là không thể đoán trước. Kể từ năm 1970, với tốc độ sự phát triển của công nghệ máy tính, các nhà nghiên cứu đã bắt đầu sử dụng máy học để dự đoán giá cổ phiếu và biến động, giúp nhà đầu tư xác định chiến lược đầu tư để giảm rủi ro và tăng lợi nhuận.

Vào năm 1990, Benoit Mandelbrot tuyên bố lý thuyết thị trường hiệu quả lần đầu tiên được đề xuất bởi nhà toán học người Pháp Louis Bachelier trong luận án tiến sĩ “The theory of Speculation” mô tả cách thức giá cả hàng hóa và cổ phiếu thay đổi trên thị trường. Giả thuyết thị trường hiệu quả (EMH) là giả thuyết trong kinh tế tài chính mà khẳng định rằng tài sản, giá cả phản ánh tất cả các thông tin có sẵn [10]. Các giả thuyết thị trường hiệu quả thừa nhận rằng giá cổ phiếu là một chức năng của thông tin và mong đợi hợp lý, rằng sự triển vọng của công ty phản ánh trong giá cả cổ phiếu hiện tại. Điều này có nghĩa là tất cả thông tin được biết đến công khai về một công ty bao gồm lịch sử giá của nó sẽ được phản ánh trong giá hiện tại của cổ phiếu.

Theo đó, những thay đổi trong giá cổ phiếu phản ánh việc phát hành thông tin mới, những thay đổi trên thị trường nói chung, hoặc những chuyển động ngẫu nhiên xung quanh giá trị phản ánh một phần thông tin hiện có. Vào những năm 2000-2005, bắt đầu các nhà phân tích sử dụng các phương pháp có tính cấu trúc, các mô hình tuyến tính và phi tuyến tính được sử dụng để dự báo đã mang lại độ chính xác nhất định như dự đoán của chỉ số S&P 500 là 60% và dự đoán cổ phiếu riêng lẻ có thể là trên 70% [10]. Cho đến ngày nay, có nhiều mô hình dự báo giá cổ phiếu như mô hình trung bình động tích hợp tự động hồi quy (ARIMA) là một trong những mô hình được sử dụng phổ biến trong dự báo chứng khoán hay chính là dự báo chuỗi thời gian. Khi mà AI phát triển, các phương pháp học máy (Machine learning) được sử dụng rộng rãi trong việc dự báo giá cổ phiếu như Máy vectơ hỗ trợ (SVM), một kỹ thuật mạng nơron như CNN, bộ nhớ ngắn hạn dài (LSTM), mạng noron sâu (DNN), RNN,.

Tựu chung lại, các phương pháp dự đoán được chia thành ba loại lớn có thể tích hợp với nhau. Đó là phân tích cơ bản, phân tích kỹ thuật (biểu đồ) và phương pháp công nghệ (Machine learning). Các phương pháp dự báo giá cổ phiếu Các nhà phân tích cơ bản quan tâm đến công ty tạo nền tảng cho chính cổ phiếu. Họ đánh giá hoạt động trong quá khứ của công ty cũng như độ tin cậy của các tài 5 khoản như tài sản nợ, tài sản có, bản ngân sách kế toán của công ty đó.

Các nhà phân tích dựa vào tỷ lệ P/E (P/E ratio = Share Price / Earnings Per Share), xem xét tổng vốn hóa thị trường tới GDP để chỉ ra giá trị tương đối của thị trường chứng khoán nói chung. Điều mà phân tích cơ bản trên thị trường chứng khoán đang cố gắng đạt được, đó là tìm ra giá trị thực của cổ phiếu, sau đó có thể so sánh với giá trị mà nó đang giao dịch trên thị trường chứng khoán và do đó tìm ra liệu cổ phiếu trên thị trường có bị định giá thấp hay không. Trái với phân tích kỹ thuật, phân tích cơ bản được coi là một chiến lược dài hạn. Phân tích cơ bản được các nhà quản lý sử dụng rộng rãi vì nó hợp lý, khách quan nhất và được thực hiện từ các thông tin công khai như phân tích báo cáo tài chính.

Phân tích kỹ thuật Các nhà phân tích kỹ thuật hoặc nhà lập biểu đồ không quan tâm đến bất kỳ nguyên tắc cơ bản nào của công ty. Họ tìm cách xác định giá tương lai của cổ phiếu chỉ dựa trên xu hướng của giá quá khứ đó như là một dạng phân tích chuỗi thời gian. Có các kỹ thuật được sử dụng như đường trung bình động hàm mũ (EMA). Mô hình ARIMA cũng là một kỹ thuật được sử dụng rộng rãi để phân tích thị trường chứng khoán.