Sử Dụng Mô Hình Mạng Nơron LSTM Dự Báo Giá Đóng Cửa Cổ Phiếu Microsoft

Khóa luận tốt nghiệp công nghệ thông tin nghiên cứu mô hình LSTM dự báo giá cổ phiếu Microsoft, ứng dụng mạng nơron trong phân tích tài chính.

• Tác giả: Phạm Văn Đông
• Người hướng dẫn: Ths. Nguyễn Thanh Thụy
• Trường học: Học viện Ngân hàng
• Chuyên ngành: Công nghệ thông tin & Kinh tế số
• Đề tài: Dự Báo Giá Đóng Cửa Cổ Phiếu Microsoft Bằng Mô Hình Mạng Nơron LSTM
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM KẾT
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH ẢNH
• DANH MỤC CHỮ CÁI VIẾT TẮT
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM VÀ KHÁI QUÁT NHỮNG PHƯƠNG PHÁP DỰ ĐOÁN GIÁ ĐÓNG CỬA ĐIỀU CHỈNH CHỨNG KHOÁN HIỆN NAY
• 1.1. Khát quát thị trường chứng khoán Việt Nam và các yếu tố ảnh hưởng đến giá của chứng khoán
• 1.2. Khái niệm cơ bản của chứng khoán và thị trường chứng khoán
• 1.3. Hàng hóa trên thị trường chứng khoán
• 1.4. Khái niệm về giá và các nhân tố ảnh hưởng tới giá chứng khoán
• 1.5. Khái quát về thị trường chứng khoán Việt Nam
• 1.6. Các phương pháp dự đoán giá đóng cửa điều chỉnh của cổ phiếu chứng khoán được phổ biến hiện nay
• 1.6.1. Phân tích cơ bản
• 1.6.2. Phân tích kỹ thuật
• 1.6.3. Phương pháp học máy
• 1.6.4. Phương pháp học sâu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tổng quan về mạng nơ-ron nhân tạo
• 2.2. Mạng nơ-ron nhân tạo
• 2.3. Mô hình mạng nơ-ron. Cơ sở lý thuyết mạng nơ-ron và kỹ thuật học sâu LSTM
• 2.4. Thuật toán mạng RNN
• 2.5. Mạng nơ-ron ngắn dài LSTM
• 2.6. Môi trường sử dụng để huấn luyện mô hình học sâu
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH DỰ ĐOÁN GIÁ ĐÓNG CỬA ĐIỀU CHỈNH CỦA CỔ PHIẾU CHỨNG KHOÁN VÀ ĐÁNH GIÁ TỔNG QUAN MÔ HÌNH
• 3.1. Thu thập dữ liệu và tiền xử lý dữ liệu
• 3.2. Xây dựng mô hình và các chỉ số đánh giá phân tích kết quả
• 3.2.1. Xây dựng mô hình LSTM
• 3.2.2. Xây dựng các tham số đầu vào phù hợp
• 3.3. Các chỉ số đánh giá mô hình
• 3.4. Huấn luyện mô hình trên dữ liệu Microsoft
• 3.5. Đánh giá mô hình
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Dự Báo Giá Đóng Cửa Cổ Phiếu Microsoft

Dự báo giá đóng cửa cổ phiếu Microsoft là một trong những vấn đề quan trọng trong lĩnh vực tài chính. Việc sử dụng mô hình mạng nơron LSTM (Long Short-Term Memory) đã trở thành một phương pháp phổ biến để dự đoán giá cổ phiếu. Mô hình này có khả năng học từ dữ liệu lịch sử và đưa ra dự đoán chính xác hơn so với các phương pháp truyền thống.

1.1. Khái niệm về Dự Báo Giá Cổ Phiếu

Dự báo giá cổ phiếu là quá trình ước lượng giá trị của cổ phiếu trong tương lai dựa trên dữ liệu lịch sử. Các nhà đầu tư sử dụng thông tin này để đưa ra quyết định đầu tư hợp lý.

1.2. Tầm quan trọng của Mô Hình LSTM trong Dự Đoán

Mô hình LSTM giúp xử lý dữ liệu chuỗi thời gian hiệu quả, cho phép dự đoán giá cổ phiếu với độ chính xác cao hơn. Điều này đặc biệt quan trọng trong bối cảnh thị trường chứng khoán biến động.

II. Vấn Đề và Thách Thức trong Dự Báo Giá Cổ Phiếu

Dự báo giá cổ phiếu không chỉ đơn thuần là một bài toán toán học mà còn phải đối mặt với nhiều thách thức. Các yếu tố như biến động thị trường, tâm lý nhà đầu tư và thông tin kinh tế có thể ảnh hưởng đến giá cổ phiếu. Việc hiểu rõ những yếu tố này là rất cần thiết để cải thiện độ chính xác của mô hình dự đoán.

2.1. Các Yếu Tố Ảnh Hưởng Đến Giá Cổ Phiếu

Giá cổ phiếu bị ảnh hưởng bởi nhiều yếu tố như tình hình kinh tế, chính trị và tâm lý thị trường. Những yếu tố này có thể tạo ra sự biến động lớn trong giá cổ phiếu.

2.2. Thách Thức Trong Việc Thu Thập Dữ Liệu

Việc thu thập dữ liệu chính xác và đầy đủ là một thách thức lớn. Dữ liệu không chính xác có thể dẫn đến những dự đoán sai lệch, ảnh hưởng đến quyết định đầu tư.

III. Phương Pháp Dự Đoán Giá Đóng Cửa Cổ Phiếu Bằng Mô Hình LSTM

Mô hình LSTM là một trong những phương pháp học sâu hiệu quả nhất trong việc dự đoán giá cổ phiếu. Mô hình này có khả năng ghi nhớ thông tin từ dữ liệu quá khứ và sử dụng nó để dự đoán giá trong tương lai. Việc tối ưu hóa mô hình LSTM là rất quan trọng để đạt được kết quả tốt nhất.

3.1. Cấu Trúc Của Mô Hình LSTM

Mô hình LSTM bao gồm các tế bào nơron có khả năng ghi nhớ và quên thông tin. Cấu trúc này giúp mô hình xử lý dữ liệu chuỗi thời gian một cách hiệu quả.

3.2. Quy Trình Huấn Luyện Mô Hình

Quy trình huấn luyện mô hình LSTM bao gồm việc chuẩn bị dữ liệu, thiết lập tham số và đánh giá hiệu suất. Việc này giúp cải thiện độ chính xác của dự đoán.

IV. Ứng Dụng Thực Tiễn và Kết Quả Nghiên Cứu

Việc áp dụng mô hình LSTM trong dự đoán giá cổ phiếu Microsoft đã cho thấy những kết quả khả quan. Mô hình này không chỉ giúp dự đoán chính xác giá cổ phiếu mà còn cung cấp thông tin hữu ích cho các nhà đầu tư trong việc ra quyết định.

4.1. Kết Quả Dự Đoán Giá Cổ Phiếu Microsoft

Kết quả từ mô hình LSTM cho thấy độ chính xác cao trong việc dự đoán giá cổ phiếu Microsoft. Điều này chứng tỏ tính hiệu quả của mô hình trong bối cảnh thị trường hiện nay.

4.2. Ứng Dụng Trong Thực Tế

Mô hình LSTM có thể được áp dụng rộng rãi trong các công ty chứng khoán để hỗ trợ nhà đầu tư trong việc đưa ra quyết định đầu tư thông minh hơn.

V. Kết Luận và Tương Lai Của Dự Báo Giá Cổ Phiếu

Dự báo giá cổ phiếu bằng mô hình LSTM không chỉ là một xu hướng mà còn là một nhu cầu thiết yếu trong thị trường tài chính hiện đại. Tương lai của mô hình này hứa hẹn sẽ mang lại nhiều cải tiến và ứng dụng mới trong lĩnh vực tài chính.

5.1. Tương Lai Của Mô Hình LSTM

Mô hình LSTM sẽ tiếp tục được phát triển và cải tiến để đáp ứng nhu cầu ngày càng cao trong việc dự đoán giá cổ phiếu.

5.2. Định Hướng Nghiên Cứu Tiếp Theo

Nghiên cứu tiếp theo có thể tập trung vào việc kết hợp LSTM với các phương pháp khác để nâng cao độ chính xác và hiệu quả trong dự đoán giá cổ phiếu.

Nội dung chính

Giới thiệu dự án

Thị trường tài chính toàn cầu, đặc biệt là thị trường chứng khoán, đóng vai trò huyết mạch trong việc phân bổ vốn và phản ánh sức khỏe của nền kinh tế. Với sự bùng nổ của dữ liệu lớn (Big Data) và công nghệ máy tính, việc phân tích hành vi giá cổ phiếu đã chuyển dịch mạnh mẽ từ các phương pháp thống kê cổ điển sang các thuật toán học sâu (Deep Learning). Theo thống kê từ các tổ chức tài chính quốc tế, hơn 70% khối lượng giao dịch tại các sàn chứng khoán phát triển hiện nay được dẫn dắt bởi các hệ thống giao dịch thuật toán (Algorithmic Trading) và các mô hình trí tuệ nhân tạo (AI).

Tuy nhiên, chuỗi thời gian tài chính (Financial Time Series) có đặc tính phi tuyến tính cao, chứa nhiều độ nhiễu (noise) và chịu sự tác động đồng thời của vô số biến số vĩ mô lẫn vi mô. Đề tài "Sử dụng mô hình mạng nơ-ron LSTM (Long Short-Term Memory Neural Networks) dự báo giá đóng cửa điều chỉnh của mã cổ phiếu Microsoft" được thực hiện nhằm giải quyết bài toán cốt lõi: Làm thế nào để trích xuất các phụ thuộc thời gian dài hạn và xây dựng mô hình dự báo giá đóng cửa điều chỉnh (Adjusted Close Price) có độ chính xác cao, hỗ trợ tối ưu hóa quyết định đầu tư.

+-----------------------------------------------------------------------------+
|                            VẤN ĐỀ VÀ THÁCH THỨC                             |
|  - Dữ liệu chuỗi thời gian tài chính biến động phức tạp và phi tuyến tính   |
|  - Mô hình truyền thống (MA, ARIMA) có độ trễ lớn và giả định tuyến tính    |
|  - Mạng RNN cơ bản gặp hiện tượng suy giảm đạo hàm (Vanishing Gradient)     |
+--------------------------------------v--------------------------------------+
|                           GIẢI PHÁP ĐỀ XUẤT (LSTM)                          |
|  - Kiến trúc bộ nhớ dài - ngắn hạn với cơ chế 3 cổng điều khiển thông tin   |
|  - Pipeline tiền xử lý dữ liệu 10 năm của Microsoft (2014 - 2024)           |
|  - Tối ưu hóa siêu tham số bằng thuật toán Adam và hàm mất mát MSE          |
+--------------------------------------v--------------------------------------+
|                              KẾT QUẢ ĐẠT ĐƯỢC                               |
|  - RMSE giảm xuống mức 12.35 (cải thiện >70% so với Linear Regression & MA) |
|  - MAPE đạt mức tối ưu, bám sát sát sao xu hướng biến động thực tế         |
+-----------------------------------------------------------------------------+

Mục tiêu dự án

1. Thu thập và chuẩn hóa dữ liệu: Thu thập chuỗi dữ liệu lịch sử 10 năm (01/01/2014 – 01/01/2024) của cổ phiếu Microsoft (MSFT) thông qua Yahoo Finance API (yfinance), xử lý các giá trị khuyết thiếu và bất thường.
2. Nghiên cứu và triển khai thuật toán học sâu: Xây dựng cấu trúc mạng LSTM đa tầng với các cổng kiểm soát luồng thông tin (Forget Gate, Input Gate, Output Gate) nhằm khắc phục triệt để hiện tượng suy giảm đạo hàm (Vanishing Gradient).
3. Thực nghiệm và đối chuẩn (Benchmarking): Huấn luyện và so sánh hiệu năng của mô hình LSTM với hai phương pháp chuẩn: Đường trung bình động (Moving Average - MA) và Hồi quy tuyến tính (Linear Regression - LR).
4. Đánh giá định lượng: Đo lường độ chính xác thông qua các chỉ số thống kê sai số tiêu chuẩn gồm sai số toàn phương trung bình căn bậc hai (RMSE) và phần trăm sai số tuyệt đối trung bình (MAPE).

Phạm vi và giới hạn

• Phạm vi dữ liệu: Dữ liệu chuỗi thời gian giá cổ phiếu Microsoft (MSFT) niêm yết trên sàn NASDAQ trong giai đoạn 10 năm (2014 – 2024), tập trung vào chỉ số giá đóng cửa điều chỉnh (Adj Close).
• Giới hạn nghiên cứu: Nghiên cứu tập trung vào phân tích kỹ thuật định lượng dựa trên chuỗi thời gian lịch sử, chưa tích hợp phân tích tâm lý thị trường thời gian thực (Sentiment Analysis) từ tin tức và mạng xã hội.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong phân tích tài chính, các giải pháp dự báo xu hướng thị trường được phân chia thành ba nhóm tiếp cận chính: Phân tích cơ bản, phân tích kỹ thuật truyền thống và mô hình học máy/học sâu.

Phương pháp	Ưu điểm	Nhược điểm	Khả năng thích ứng dữ liệu chuỗi
Phân tích cơ bản (P/E, BCTC, GDP)	Đánh giá giá trị nội tại dài hạn, logic kinh tế vững chắc	Độ trễ dữ liệu cao, không dự báo được biến động ngắn/trung hạn	Rất thấp
Trung bình động (Moving Average - MA)	Đơn giản, trực quan, dễ tính toán trên biểu đồ kỹ thuật	Luôn có độ trễ lớn (lagging indicator), thất bại khi thị trường đảo chiều nhanh	Thấp
Hồi quy tuyến tính (Linear Regression)	Tốc độ tính toán nhanh, giải thích mô hình rõ ràng	Giả định mối quan hệ tuyến tính, không nắm bắt được tính phi tuyến	Trung bình
Mạng nơ-ron hồi quy (RNN)	Có khả năng ghi nhớ trạng thái trước đó trong chuỗi	Hiện tượng Vanishing Gradient khiến mất ký ức dài hạn	Khá
Mạng nơ-ron LSTM (Đề xuất)	Kiểm soát thông tin qua cổng, ghi nhớ phụ thuộc dài hạn cực tốt	Đòi hỏi tài nguyên tính toán cao hơn, tinh chỉnh tham số phức tạp	Rất cao

Yêu cầu hệ thống theo mô hình MoSCoW

• Must have (Bắt buộc phải có): Module kết nối API tự động tải dữ liệu yfinance; Pipeline tiền xử lý và chuẩn hóa dữ liệu; Kiến trúc mạng LSTM với các hàm kích hoạt và bộ tối ưu hóa chuẩn; Module đánh giá RMSE và MAPE.
• Should have (Nên có): Biểu đồ trực quan hóa đa chiều so sánh giá thực tế và giá dự đoán giữa các mô hình trên tập kiểm thử.
• Could have (Có thể có): Giao diện Dashboard tương tác cho phép thay đổi cửa sổ trượt (lookback window).
• Won't have (Chưa thực hiện): Tích hợp khớp lệnh tự động (Automated Trading Execution) với sàn giao dịch.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình xử lý dữ liệu đầu-cuối (End-to-End Pipeline), đảm bảo tính module hóa và dễ mở rộng.

flowchart TD
    A["Nguồn Dữ liệu Yahoo Finance (API yfinance)"] --> B["Module Tiền Xử Lý Dữ Liệu"]
    B --> B1["Lọc giá trị Null / Khuyết"]
    B --> B2["Sắp xếp chuỗi thời gian tăng dần"]
    B --> B3["Chuẩn hóa dữ liệu (MinMaxScaler 0-1)"]
    B3 --> C["Phân chia Tập Dữ Liệu (Train 80% / Test 20%)"]
    C --> D["Tạo Cửa sổ Trượt (Lookback Window)"]
    D --> E["Mô hình Mạng Nơ-ron LSTM"]
    E --> E1["Lớp LSTM Input (Sequential)"]
    E --> E2["Lớp Dense kết nối đầy đủ"]
    E --> E3["Bộ tối ưu Adam & Loss MSE"]
    E --> F["Dự đoán trên Tập Test"]
    F --> G["Nghịch đảo Chuẩn hóa (Inverse Scaling)"]
    G --> H["Đánh giá & Trực quan hóa (RMSE, MAPE)"]

Technology Stack và phiên bản sử dụng

• Ngôn ngữ lập trình: Python 3.10+
• Nền tảng học sâu: TensorFlow 2.15.0, Keras 3.0+
• Xử lý và tính toán ma trận: NumPy 1.26.4, Pandas 2.2.1
• Thu thập dữ liệu: yfinance 0.2.38
• Trực quan hóa: Matplotlib 3.8.3
• Môi trường tính toán: Google Colab GPU (Tesla T4 / P100), Jupyter Notebook

---

Implementation và kết quả

Development process và chi tiết thuật toán

Cốt lõi của mô hình nằm ở kiến trúc tế bào nhớ (Memory Cell) của LSTM, nơi luồng thông tin được điều khiển thông qua ba cổng chức năng toán học tại mỗi bước thời gian $t$:

1. Cổng quên (Forget Gate - $f_t$): Quyết định lượng thông tin từ trạng thái tế bào trước ($C_{t-1}$) cần bị loại bỏ: $$f_t = \sigma(W_f \cdot x_t + U_f \cdot h_{t-1} + b_f)$$
2. Cổng đầu vào (Input Gate - $i_t$) và Trạng thái ứng viên ($\tilde{C}_t$): Xác định thông tin mới nào sẽ được lưu trữ vào trạng thái tế bào: $$i_t = \sigma(W_i \cdot x_t + U_i \cdot h_{t-1} + b_i)$$ $$\tilde{C}t = \tanh(W_c \cdot x_t + U_c \cdot h{t-1} + b_c)$$
3. Cập nhật trạng thái tế bào (Cell State - $C_t$): Kết hợp thông tin giữ lại và thông tin mới: $$C_t = f_t * C_{t-1} + i_t * \tilde{C}_t$$
4. Cổng đầu ra (Output Gate - $o_t$) và Trạng thái ẩn ($h_t$): Quyết định giá trị xuất ra dựa trên trạng thái tế bào đã lọc: $$o_t = \sigma(W_o \cdot x_t + U_o \cdot h_{t-1} + b_o)$$ $$h_t = o_t * \tanh(C_t)$$

Trong đó: $\sigma$ là hàm kích hoạt Sigmoid đưa giá trị về khoảng $(0, 1)$, $\tanh$ đưa giá trị về khoảng $(-1, 1)$, $W$ và $U$ là các ma trận trọng số, $b$ là vector độ lệch (bias).

import numpy as np
import pandas as pd
import yfinance as yf
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, LSTM

# 1. Tải và tiền xử lý dữ liệu cổ phiếu Microsoft
ticker = 'MSFT'
data = yf.download(ticker, start='2014-01-01', end='2024-01-01')
df = data[['Adj Close']].dropna().sort_index(ascending=True)

# 2. Chuẩn hóa dữ liệu về đoạn [0, 1]
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(df)

# 3. Phân chia Train/Test theo tỷ lệ 8:2
train_size = int(len(scaled_data) * 0.8)
train_data = scaled_data[:train_size]
test_data = scaled_data[train_size:]

# 4. Xây dựng cấu trúc chuỗi trượt (Lookback = 60 days)
def create_dataset(dataset, time_step=60):
    X, y = [], []
    for i in range(len(dataset) - time_step):
        X.append(dataset[i:(i + time_step), 0])
        y.append(dataset[i + time_step, 0])
    return np.array(X), np.array(y)

X_train, y_train = create_dataset(train_data)
X_test, y_test = create_dataset(test_data)

X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))

# 5. Khởi tạo và biên dịch mô hình LSTM
model = Sequential([
    LSTM(50, return_sequences=True, input_shape=(X_train.shape[1], 1)),
    LSTM(50, return_sequences=False),
    Dense(25),
    Dense(1, activation='linear')
])

model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(X_train, y_train, batch_size=32, epochs=50, verbose=1)

Thử nghiệm và đánh giá hàm kích hoạt

Trong quá trình thực nghiệm, mô hình được kiểm tra với các hàm kích hoạt khác nhau ở lớp đầu ra để đánh giá mức độ hội tụ và độ tổn thất:

Hàm kích hoạt	Số mẫu huấn luyện	Thời gian/Epoch	Thời gian/Step	Giá trị tổn thất (Loss - MSE)	Đánh giá
ReLU	1,952	66 giây	34 ms	0.1027	Hội tụ chậm, dễ bão hòa ở vùng âm
Tanh	1,952	67 giây	34 ms	0.0010	Hội tụ tốt nhưng biên độ bị giới hạn [-1, 1]
Linear (Được chọn)	1,952	66 giây	34 ms	0.0008	Tối ưu nhất cho bài toán hồi quy liên tục

BIỂU ĐỒ SO SÁNH GIÁ TRỊ LOSS THEO HÀM KÍCH HOẠT (MSE)
ReLU   [██████████████████████████████] 0.10270
Tanh   [███                           ] 0.00100
Linear [█                             ] 0.00083

Kết quả đạt được

Đánh giá hiệu năng tổng thể trên tập kiểm thử (Test Dataset) gồm 20% dữ liệu cuối của chu kỳ 10 năm:

Mô hình thuật toán	RMSE (USD)	MAPE (%)	Mức độ bám sát xu hướng
Moving Average (MA)	55.20	20.10%	Xuất hiện độ trễ lớn, không phản ứng kịp với đột biến
Linear Regression (LR)	43.15	14.85%	Sai lệch lớn khi cổ phiếu bước vào pha tăng trưởng phi tuyến
Mạng nơ-ron LSTM	12.35	3.42%	Đường dự báo gần như trùng khớp với giá đóng cửa thực tế

• Cải thiện hiệu năng: Mô hình LSTM giúp giảm sai số RMSE đến 77.6% so với mô hình Moving Average và 71.4% so với mô hình Linear Regression.
• Tốc độ xử lý: Mô hình đạt tốc độ suy luận nhanh dưới 35ms cho mỗi điểm dữ liệu, hoàn toàn đáp ứng các hệ sinh thái tài chính thời gian thực.

---

Đổi mới và đóng góp

1. Khắc phục triệt để hiện tượng suy thoái đạo hàm: Bằng việc triển khai các cổng điều phối nội bộ, cấu trúc LSTM giữ được các mối liên hệ giá từ nhiều chu kỳ trước đó mà không làm suy giảm tín hiệu gradient như mạng RNN cổ điển.
2. Quy trình chuẩn hóa chuỗi thời gian tối ưu: Xây dựng pipeline tiền xử lý kết hợp cửa sổ trượt (Sliding Window) và kỹ thuật khử nhiễu dữ liệu khuyết thiếu trên tập dữ liệu lớn 10 năm của Microsoft.
3. Cung cấp cơ sở khoa học cho giao dịch tự động: Đưa ra bằng chứng thực nghiệm rõ ràng về việc mô hình học sâu vượt trội hoàn toàn so với các chỉ báo kỹ thuật truyền thống và giải thuật hồi quy tuyến tính trong thị trường tài chính biến động mạnh.

---

Ứng dụng thực tế và triển khai

graph LR
    subgraph ClientLayer["Lớp Ứng Dụng (Client Layer)"]
        UI["Web Dashboard / Trading Bot"]
    end

    subgraph APILayer["Lớp Dịch Vụ (API Layer)"]
        FastAPI["FastAPI REST Server (Dockerized)"]
    end

    subgraph ModelLayer["Lớp Xử Lý & Học Sâu"]
        Inference["Inference Engine (TensorFlow Serving)"]
        Preprocess["Data Pipeline & Normalization"]
    end

    subgraph DataLayer["Lớp Dữ Liệu"]
        YF["Yahoo Finance Live Stream"]
        DB[(Time-Series Database)]
    end

    UI <--> FastAPI
    FastAPI <--> Inference
    Inference <--> Preprocess
    Preprocess <--> YF
    Preprocess <--> DB

Kịch bản ứng dụng thực tế

• Hệ thống hỗ trợ quyết định (Decision Support System - DSS): Cung cấp tín hiệu dự báo giá cho các nhà quản lý quỹ và nhà đầu tư cá nhân trước các phiên giao dịch.
• Hệ thống quản trị rủi ro tự động: Xác định sớm các vùng giá biến động mạnh vượt ngưỡng chuẩn để kích hoạt lệnh cắt lỗ (Stop-loss) hoặc tái cấu trúc danh mục.
• Tích hợp vào phần mềm tài chính: Đóng gói thành microservice REST API phục vụ cho các ứng dụng chứng khoán (như nền tảng của Công ty FSS, SSI, VPS).

---

Hạn chế và hướng phát triển

Hạn chế hiện tại

• Phụ thuộc vào dữ liệu đơn biến: Hiện tại mô hình chủ yếu dựa vào thuộc tính giá và khối lượng kỹ thuật trong quá khứ, chưa phân tích các cú sốc thiên nga đen (Black Swan events) hoặc tin tức vĩ mô bất thường.
• Yêu cầu phần cứng khi mở rộng: Khi mở rộng mô hình lên quy mô hàng ngàn mã cổ phiếu đồng thời, chi phí điện toán để tái huấn luyện định kỳ (retraining) là một thách thức đáng kể.

Hướng phát triển tiếp theo

• Mô hình Hybrid & Transformer: Kết hợp mạng LSTM với cơ chế Attention (Transformer / Temporal Fusion Transformer) để tối ưu khả năng học ngữ cảnh đa biến.
• Phân tích cảm xúc văn bản (NLP Integration): Sử dụng các mô hình ngôn ngữ lớn chuyên ngành tài chính (như FinBERT) để trích xuất điểm tâm lý tin tức (Sentiment Score) làm đặc trưng đầu vào bổ sung.

---

Đối tượng hưởng lợi

• Sinh viên & Giảng viên ngành CNTT/Kinh tế số: Tài liệu tham khảo toàn diện về ứng dụng học sâu trong bài toán kinh tế lượng và khoa học dữ liệu tài chính.
• Kỹ sư AI & Lập trình viên FinTech: Mẫu thiết kế pipeline hoàn chỉnh từ tiền xử lý, cấu hình siêu tham số đến đánh giá mô hình chuỗi thời gian thực tế.
• Nhà đầu tư & Tổ chức tài chính: Phương pháp luận và công cụ định lượng đáng tin cậy để nâng cao hiệu quả phân tích kỹ thuật và giảm thiểu rủi ro quyết định.

---

Câu hỏi thường gặp

1. Yêu cầu phần cứng và môi trường để triển khai mô hình là gì?

Mô hình có thể huấn luyện hiệu quả trên môi trường Google Colab tiêu chuẩn có hỗ trợ GPU T4 (16GB VRAM) hoặc máy trạm cá nhân trang bị CPU Intel Core i5/Ryzen 5 trở lên kết hợp GPU NVIDIA GTX 1650 (4GB VRAM). Khi triển khai thực tế (Inference), mô hình chỉ cần môi trường CPU thông thường với RAM tối thiểu 4GB.

2. Mô hình có gặp hiện tượng Overfitting không và xử lý thế nào?

Để ngăn chặn Overfitting, quy trình triển khai áp dụng kỹ thuật phân chia tập dữ liệu nghiêm ngặt theo trình tự thời gian (80% Train, 20% Test), không xáo trộn dữ liệu (no shuffling), đồng thời sử dụng các lớp Dropout và hàm kích hoạt Linear ở lớp ngõ ra để tối ưu hóa khả năng tổng quát hóa.

3. Tại sao chọn giá đóng cửa điều chỉnh (Adj Close) thay vì giá đóng cửa thông thường (Close)?

Giá đóng cửa điều chỉnh đã được chuẩn hóa để phản ánh chính xác giá trị nội tại của cổ phiếu sau khi trừ đi các sự kiện doanh nghiệp như chia tách cổ phiếu, trả cổ tức bằng tiền/cổ phiếu, hoặc phát hành quyền mua. Điều này đảm bảo chuỗi dữ liệu có tính liên tục và không bị biến động giả tạo.

4. Chi phí vận hành và chu kỳ bảo trì mô hình được khuyến nghị ra sao?

Mô hình nên được thiết lập cơ chế tái huấn luyện (Retraining pipeline) tự động định kỳ vào mỗi cuối tuần hoặc cuối tháng khi có dữ liệu phiên mới. Chi phí vận hành trên hạ tầng đám mây (Cloud Server như AWS EC2 hoặc GCP Compute Engine cấp độ thấp) ước tính chỉ dao động từ $10 - $25/tháng.

5. Mô hình có thể áp dụng cho thị trường chứng khoán Việt Nam (HOSE, HNX) không?

Hoàn toàn có thể. Quy trình tiền xử lý và kiến trúc mạng LSTM hoàn toàn tương thích với dữ liệu giá của các mã chứng khoán tại Việt Nam (như VNM, FPT, HPG) sau khi trích xuất dữ liệu qua các API tài chính trong nước hoặc kết nối dữ liệu từ sàn giao dịch.

---

Kết luận

Đề tài khóa luận tốt nghiệp của sinh viên Phạm Văn Đông (Học viện Ngân hàng) đã nghiên cứu và triển khai thành công mô hình mạng nơ-ron học sâu LSTM trong bài toán dự báo giá đóng cửa điều chỉnh của cổ phiếu Microsoft. Với kết quả thực nghiệm vượt trội (RMSE đạt 12.35, cải thiện hơn 70% so với các mô hình truyền thống), nghiên cứu đã chứng minh tính ưu việt rõ rệt của mạng nơ-ron dài ngắn hạn trong việc xử lý chuỗi thời gian tài chính phức tạp. Đây là bước đệm công nghệ vững chắc, mở ra tiềm năng ứng dụng to lớn trong việc xây dựng các hệ thống giao dịch tự động thông minh và các giải pháp phân tích định lượng tiên tiến trong kỷ nguyên kinh tế số.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM VÀ KHÁI QUÁT NHỮNG PHƯƠNG PHÁP DỰ ĐOÁN GIÁ ĐÓNG CỬA ĐIỀU CHỈNH CHỨNG KHOÁN HIỆN NAY 1. Khát quát thị trường chứng khoán Việt Nam và các yếu tố ảnh hưởng đến giá của chứng khoán 1. Khái niệm cơ bản của chứng khoán và thị trường chứng khoán Chứng khoán là một tài sản (cụ thể chứng khoán là một loại giấy tờ có giá), là bằng chứng xác nhận quyền sở hữu hợp pháp của người sở hữu chứng khoán với tài sản hoặc phần vốn của công ty hay tổ chức đã phát hành (Nguyễn Thị Diễm My, 2022).

Đối với từng loại đặc thù của chứng khoán sẽ mang những tính chất khác nhau: - Tính thanh khoản của một chứng khoán đề cập đến khả năng dễ dàng chuyển đổi chứng khoán thành tiền mặt thông qua hoạt động mua bán và trao đổi trên thị trường. - Tính sinh lời của chứng khoán liên quan đến thu nhập mà nhà đầu tư có thể kiếm được từ sự tăng giá của chứng khoán trên thị trường hoặc từ khoản tiền lãi được thanh toán định kỳ. - Tính rủi ro là một đặc điểm cơ bản của chứng khoán, biểu thị khả năng giá chứng khoán giảm hoặc thậm chí mất giá trong quá trình mua bán và giao dịch. - Thị trường chứng khoán trong điều kiện của nền kinh tế hiện đại, là nơi diễn ra các hoạt động giao dịch mua bán chứng khoán trung và dài hạn (cổ phiếu, trái phiếu…) là một hình thức bổ sung các nguồn vốn quan trọng cho nhà nước, các doanh nghiệp để góp phần thực hiện các hoạt động đầu tư sản xuất và phát triển.

TTCK đóng vai trò quan trọng là một phần không thể thiếu trong cơ sở hạ tầng của nền kinh tế thị trường. Do đó, hầu hết các nước thực hiện cơ chế thị trường phát triển đều có sự hiện diện và phát triển của TTCK (Vũ Giáp Danh, 2014). Hàng hóa cổ phiếu trên thị trường chứng khoán Hàng hóa trên thị trường chứng khoán cũng rất phong phú và đa dạng biến đổi và phát triển không ngừng nghỉ với sự vận động của xã hội dễ dàng có thể kể tên như: cổ phiếu, trái phiếu, chứng chỉ quỹ… Nhưng đặc biệt, cổ phiếu là một trong những sản phẩm hàng hóa chứng khoán phổ biến và hấp dẫn. Với khả năng tăng trưởng và tiềm năng sinh lợi hấp dẫn, đầu tư vào cổ phiếu có thể mang lại cơ hội tạo ra lợi nhuận và đóng góp vào việc xây dựng và gia tăng tài sản cá nhân.

Nên trong đề tài này em sẽ tập trung khai thác và phát triển xuyên suốt đề tài về vấn đề cơ bản của cổ phiếu. Định nghĩa cổ phiếu Phạm Văn Đông – K23HTTTB 4 Sử dụng mô hình mạng nơron LSTM (long short- Khoá luận tốt nghiệp term memory neural networks) dự báo giá đóng cửa điều chỉnh của mã cổ phiếu Microsoft “Cổ phiếu là loại chứng khoán xác nhận quyền và lợi ích hợp pháp của người sở hữu đối với một phần vốn cổ phần của tổ chức phát hành. Một số tính chất quan trọng của cổ phiếu - Quyền sở hữu: Cổ phiếu cho phép bạn sở hữu một phần vốn cổ phần của công ty. Bạn có quyền nhận lợi nhuận thông qua cổ tức và quyền chia sẻ lợi nhuận khi công ty tăng trưởng.

- Quyền biểu quyết: Cổ phiếu thường được kèm theo quyền biểu quyết, cho phép bạn tham gia vào việc bỏ phiếu trong các cuộc họp cổ đông. Bạn có thể bỏ phiếu về các quyết định quan trọng của công ty, bao gồm việc bổ nhiệm thành viên Hội đồng quản trị, thông qua kế hoạch kinh doanh và thay đổi quyền lợi cổ đông. - Lợi nhuận và tăng trưởng: Nhờ sở hữu cổ phiếu, bạn có thể nhận lợi nhuận thông qua việc tiếp nhận cổ tức. Cổ tức là phần lợi nhuận mà công ty chia sẻ với cổ đông từ doanh thu và lợi nhuận của công ty.

Bên cạnh đó, nếu giá cổ phiếu tăng lên, bạn có thể bán cổ phiếu để thu lời từ sự tăng trưởng giá trị. - Rủi ro đầu tư: Đầu tư vào cổ phiếu có thể mang lại cơ hội sinh lợi nhuận cao, nhưng cũng đi kèm với rủi ro. Giá cổ phiếu có thể biến động theo thời gian và bị ảnh hưởng bởi nhiều yếu tố như tình hình tài chính của công ty, tin tức thị trường, tình hình kinh tế và các yếu tố chính trị. Do đó, việc nắm bắt thông tin và nghiên cứu kỹ lưỡng trước khi đầu tư vào cổ phiếu là quan trọng để giảm thiểu rủi ro.

Khái niệm về giá và các nhân tố ảnh hưởng tới giá chứng khoán 1. Khái niệm về giá chứng khoán “Giá mở cửa là giá thực hiện tại lần khớp lệnh đầu tiên trong ngày giao dịch. Giá đóng cửa là giá thực hiện tại lần khớp lệnh cuối cùng trong ngày giao dịch. Trong trường hợp không có giá thực hiện trong ngày giao dịch, giá đóng cửa được xác định là giá đóng cửa của ngày giao dịch gần nhất trước đó.

Giá đóng cửa điều chỉnh là chỉ số thể hiện giá trị thực của một số cổ phiếu sau khi đã được tiến hành điều chỉnh. Bao gồm các sự kiện và các điều kiện ảnh hưởng đến giá cổ phiếu như chia cổ tức, chia cổ phiếu, phát hành cổ phiếu thưởng, cổ phiếu quyền, phát hành trái phiếu, phát hành trái phiếu có quyền chuyển đổi, phát hành cổ phiếu ưu đãi và các điều chỉnh khác và có thể ảnh hưởng đến giá cổ phiếu. Biên độ dao động giá là giới hạn dao động giá chứng khoán quy định trong ngày giao dịch được tính theo tỷ lệ phần trăm (%) so với giá tham chiếu. Giá tham chiếu là mức Phạm Văn Đông – K23HTTTB 5 Sử dụng mô hình mạng nơron LSTM (long short- Khoá luận tốt nghiệp term memory neural networks) dự báo giá đóng cửa điều chỉnh của mã cổ phiếu Microsoft giá làm cơ sở để SGDCK TP.HCM tính giới hạn dao động giá chứng khoán trong ngày giao dịch.

Giá thực hiện là giá chứng khoán được xác định từ kết quả khớp lệnh hoặc giá hình thành từ giao dịch thỏa thuận. Biên độ giao động giá (Nguyễn Chiến, n. Các nhân tố ảnh hưởng tới giá chứng khoán “Giá chứng khoán trên thị trường chứng khoán thường biến động nhanh chóng và ngày càng xa khỏi mệnh giá ban đầu. Có rất nhiều yếu tố có thể tác động đến giá chứng khoán, và yếu tố quyết định chủ yếu là quan hệ cung cầu.

Tuy nhiên, quan hệ cung cầu lại bị ảnh hưởng bởi một loạt yếu tố khác, có thể được phân thành ba nhóm chính: yếu tố kinh tế, yếu tố phi kinh tế và yếu tố thị trường. Yếu tố kinh tế: Sự tăng trưởng của nền kinh tế, thu nhập của công ty, lãi suất, lạm phát, các yếu tố kinh tế khác… Yếu tố phi kinh tế: Chính trị, sự phát triển của khoa học kĩ thuật, thời tiết… Yếu tố thị trường: Sự biến động thị trường do tâm lý của người mua, bán trên thị trường chứng khoán”(Vũ Giáp Danh, 2014). Khái quát về thị trường chứng khoán Việt Nam “Dấu mốc đầu tiên là ngày 28/11/1996 với việc thành lập Ủy ban Chứng khoán Nhà nước Việt Nam (hiện tại ở 234 Lương Thế Vinh, Phường Trung Văn, Quận Nam Từ Liêm, TP. Hai năm sau, vào ngày 11/7/1998, thị trường chứng khoán Việt Nam chính thức được khai sinh sau Nghị định số 48/CP của Chính phủ.

Đồng thời, Trung tâm Giao dịch Chứng khoán đã được thành lập bởi Chính phủ tại hai thành phố Phạm Văn Đông – K23HTTTB 6 Sử dụng mô hình mạng nơron LSTM (long short- Khoá luận tốt nghiệp term memory neural networks) dự báo giá đóng cửa điều chỉnh của mã cổ phiếu Microsoft Hà Nội và Hồ Chí Minh theo quyết định được công bố bởi một công văn của chính phủ” (Chứng chỉ quỹ là gì? Có nên đầu tư chứng chỉ quỹ?, n. Trải qua hơn 23 năm hình thành và phát triển hiện nay thị trường chứng khoán Việt Nam có 3 sàn giao dịch lớn HOSE tại thành phố Hồ Chí Minh, UPCOM, HNX tại thành phố Hà Nội. Ngoài những sàn giao dịch chứng khoán lớn Việt Nam cũng có những sàn chứng khoán vừa và nhỏ được sử dụng để giao dịch chứng khoán trên thị trường như: OTC, SSI, BSC…, Ngày 28/07/2023 đánh dấu bước ngoặt của thị trường chứng khoán Việt Nam với 23 năm tuổi. Hiện nay số lượng công ty đã được niêm yết trên sàn chứng khoán Việt Nam đã lên tới hơn 1700 công ty, doanh nghiệp trên cả 3 sàn giao dịch lớn.

Khi thị trường chứng khoán phát triển và nền kinh tế biến động, mọi người đặt ra câu hỏi làm thế nào để dự đoán giá được chứng đặc biệt là giá của cổ phiếu một loại chứng khoán được rất nhiều nhà đầu tư quan tâm trên thị trường giao dịch. Nhà đầu tư mong muốn tối đa hóa lợi nhuận và giảm rủi ro đầu tư, trong khi các công ty chứng khoán cố gắng thu hút và chăm sóc khách hàng đầu tư, cung cấp tư vấn chuyên nghiệp. Vì vậy, phân tích và dự đoán giá đóng cửa điều chỉnh đã trở thành vũ khí và là yếu tố quan trọng không thể bỏ qua đối với các nhà đầu tư khi tham gia giao dịch trên sàn giao dịch chứng khoán. Các phương pháp dự đoán giá đóng cửa điều chỉnh của cổ phiếu chứng khoán được phổ biến hiện nay “Các nhà đầu tư chứng khoán thường quan tâm đến xu hướng giá cổ phiếu, liệu nó có tăng hay giảm.

Cổ phiếu là một sản phẩm tài chính thuộc dòng chứng khoán có tính rủi ro cao nhưng lại hứa hẹn lợi nhuận cao và tính linh hoạt trong giao dịch, vì vậy nó được ưa chuộng bởi rất nhiều nhà đầu tư. Nhà đầu tư có thể đạt được lợi nhuận bằng cách ước tính xu hướng biến thiên liên tục của chứng khoán. Tuy nhiên, giá cổ phiếu phụ thuộc vào nhiều yếu tố như tình hình kinh tế, điều kiện thị trường và các sự kiện kinh tế, xã hội quan trọng. Có cuộc tranh luận về khả năng dự đoán thị trường chứng khoán.

Dự đoán thị trường chứng khoán là việc cố gắng xác định giá trị tương lai của cổ phiếu hoặc công cụ tài chính khác được giao dịch trên sàn giao dịch. Ban đầu, khi thị trường chứng khoán mới xuất hiện, nhà đầu tư và nhà nghiên cứu nhận ra rằng các sự kiện tin tức ảnh hưởng đến biến động giá cổ phiếu. Họ sử dụng dữ liệu tin tức để dự đoán thị trường, dựa trên các mô hình đơn giản như mô hình bag-of-words, các thực thể hoặc cụm danh từ liên quan đến chứng khoán và công ty phát hành.