Chuyên đề thực tập: Dự báo chuỗi giá cổ phiếu ngân hàng TMCP Ngoại thương Việt Nam (VCB) bằng mô hình ARIMA và mạng RNN

• Tác giả: Nguyễn Thị Quỳnh Anh
• Người hướng dẫn: TS. Hoàng Dire Mạnh
• Trường học: Trường Đại Học Kinh Tế Quốc Dân
• Chuyên ngành: Toán Kinh Tế
• Đề tài: Dự Báo Giá Cổ Phiếu VCB Bằng Mô Hình ARIMA Và Mạng RNN
• Loại tài liệu: Chuyên Đề Thực Tập
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

• LỜI CAM KẾT
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: DỰ BÁO CHUỖI THỜI GIAN VÀ TỔNG QUAN NGHIÊN CỨU
• 1.1. Kiến thức cơ sở về chuỗi thời gian
• 1.1.1. Khái niệm chuỗi thời gian
• 1.1.2. Các đặc trưng của chuỗi thời gian
• 1.1.3. Ứng dụng dự báo chuỗi thời gian
• 1.1.4. Đề tài phân tích chuỗi thời gian
• 1.2. Kết luận chương 1
• 2. CHƯƠNG 2: MÔ HÌNH ARIMA VÀ MẠNG RNN
• 2.1. Mô hình tự hồi quy tích hợp trung bình trượt — ARIMA
• 2.1.1. Hàm tự tương quan
• 2.1.2. Kiểm định tính dừng
• 2.1.3. Mô hình tự hồi quy AR(p)
• 2.1.4. Mô hình trung bình trượt MA(Q)
• 2.1.5. Mô hình tự hồi quy và trung bình trượt ARMA (p, q)
• 2.1.6. Mô hình trung bình trượt tích hợp tự hồi quy ARIMA (p, d, q)
• 2.1.7. Phương pháp Box — Jenkins
• 2.2. Các bước xây dựng mô hình ARIMA
• 2.2.1. Nhận dạng mô hình
• 2.2.2. Ước lượng các tham số mô hình ARIMA (p, d, q)
• 2.2.3. Kiểm định mô hình
• 2.3. Mạng nơ-ron hồi quy nhân tạo — Mạng Long short-term memory
• 2.3.1. Mạng nơ-ron hồi quy nhân tạo (Recurrent Neural Network - RNN)
• 2.3.2. Mạng bộ nhớ ngắn hạn dài (Long short-term memory)
• 2.3.3. Ý tưởng cốt lõi của LSTM
• 2.3.4. Các bước xây dựng mạng Long short-term memory
• 2.3.5. Các chỉ tiêu đánh giá mạng LSTM
• 3. CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU
• 3.1. Đối tượng nghiên cứu
• 3.1.1. Đôi nét về Ngân hàng TMCP Ngoại thương Việt Nam — VCB
• 3.1.2. Thông tin về mã cổ phiếu của Vietcombank (Mã: VCB)
• 3.2. Phân tích giá cổ phiếu VCB trong giai đoạn 2016 — 2021
• 3.2.1. Phân tích chỉ hiệu
• 3.3. Kết quả dự báo mô hình ARIMA
• 3.3.1. Kiểm định nghiệm đơn vị ADF của chuỗi gốc
• 3.3.2. Chia tập dữ liệu
• 3.3.3. Xác định mô hình ARIMA (p, d, q)
• 3.3.4. Kiểm định phần dư của mô hình
• 3.3.5. Kiểm định với hai tập Train và Test
• 3.4. Kết quả mạng Long short-term memory (LSTM)
• 3.4.1. Chuẩn hóa dữ liệu
• 3.4.2. Lớp mạng Long short-term memory (LSTM)
• 3.4.3. Kiểm định với tập Train và Test
• 3.5. Kết luận chương 3
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

I. Giới thiệu về dự báo giá cổ phiếu VCB

Dự báo giá cổ phiếu là một lĩnh vực quan trọng trong tài chính, đặc biệt là đối với cổ phiếu của Ngân hàng TMCP Ngoại thương Việt Nam (VCB). Việc dự đoán giá trị thực trong tương lai của cổ phiếu không chỉ giúp các nhà đầu tư đưa ra quyết định đầu tư chính xác mà còn ảnh hưởng đến chiến lược kinh doanh của ngân hàng. Dự báo giá cổ phiếu VCB sử dụng các phương pháp như mô hình ARIMA và mạng RNN để phân tích và dự đoán xu hướng giá. Mô hình ARIMA, với khả năng xử lý chuỗi thời gian, cho phép phân tích các yếu tố ảnh hưởng đến giá cổ phiếu, trong khi mạng RNN, đặc biệt là LSTM, giúp cải thiện độ chính xác của dự báo nhờ khả năng ghi nhớ thông tin từ quá khứ. Việc áp dụng các mô hình này không chỉ mang lại lợi ích cho các nhà đầu tư mà còn cho các nhà quản lý tài chính trong việc đưa ra các quyết định chiến lược.

II. Mô hình ARIMA trong dự báo giá cổ phiếu

Mô hình ARIMA (AutoRegressive Integrated Moving Average) là một trong những phương pháp phổ biến nhất trong dự báo giá cổ phiếu. Mô hình này dựa trên nguyên lý Box-Jenkins, bao gồm các bước nhận dạng mô hình, ước lượng tham số, kiểm định mô hình và dự báo. ARIMA cho phép phân tích các chuỗi thời gian không ổn định bằng cách biến đổi chúng thành chuỗi ổn định. Việc áp dụng mô hình ARIMA trong dự báo giá cổ phiếu VCB giúp xác định các yếu tố ảnh hưởng đến giá cổ phiếu qua các giai đoạn khác nhau. Kết quả từ mô hình ARIMA cho thấy khả năng dự đoán chính xác giá cổ phiếu trong ngắn hạn, tuy nhiên, mô hình này cũng có những hạn chế khi đối mặt với các biến động lớn trong thị trường. Do đó, việc kết hợp với các phương pháp khác như mạng RNN có thể cải thiện độ chính xác của dự báo.

III. Mạng RNN và ứng dụng trong dự báo giá cổ phiếu

Mạng nơ-ron hồi quy (RNN) là một công nghệ tiên tiến trong lĩnh vực học máy, đặc biệt là trong dự báo giá cổ phiếu. RNN có khả năng xử lý dữ liệu chuỗi thời gian nhờ vào cấu trúc cho phép lưu trữ thông tin từ các bước trước đó. Mạng LSTM (Long Short-Term Memory) là một biến thể của RNN, được thiết kế để giải quyết vấn đề mất thông tin trong quá trình huấn luyện. Việc áp dụng LSTM trong dự báo giá cổ phiếu VCB cho phép mô hình học được các mẫu phức tạp trong dữ liệu, từ đó cải thiện độ chính xác của dự báo. Kết quả cho thấy LSTM có thể dự đoán chính xác hơn so với các mô hình truyền thống, đặc biệt trong các giai đoạn có biến động lớn. Sự kết hợp giữa LSTM và ARIMA có thể tạo ra một mô hình dự báo mạnh mẽ hơn, giúp các nhà đầu tư đưa ra quyết định chính xác hơn.

IV. Phân tích và đánh giá kết quả dự báo

Kết quả từ việc áp dụng mô hình ARIMA và mạng RNN trong dự báo giá cổ phiếu VCB cho thấy sự khác biệt rõ rệt trong độ chính xác của các dự báo. Mô hình ARIMA cung cấp một cái nhìn tổng quan về xu hướng giá, trong khi mạng RNN, đặc biệt là LSTM, cho phép nắm bắt các biến động ngắn hạn và các yếu tố không tuyến tính. Việc so sánh các chỉ số đánh giá như MSE (Mean Squared Error) và MAE (Mean Absolute Error) cho thấy LSTM thường đạt được kết quả tốt hơn trong việc dự đoán giá cổ phiếu. Điều này chứng tỏ rằng việc kết hợp các phương pháp dự báo có thể mang lại lợi ích lớn cho các nhà đầu tư và các nhà phân tích tài chính trong việc đưa ra quyết định đầu tư.