Chuyên đề: Sử dụng mô hình ARIMA, Random Forest và mạng nơ-ron nhân tạo để dự báo giá Ethereum

• Tác giả: Ngô Thị Phương Duyên
• Người hướng dẫn: Ths. Nguyễn Thị Liên
• Trường học: Trường Đại học Kinh tế Quốc dân
• Chuyên ngành: Toán kinh tế
• Đề tài: Sử dụng mô hình ARIMA, Random Forest và mạng nơ-ron nhân tạo để dự báo giá đồng Ethereum
• Loại tài liệu: chuyên đề chuyên ngành
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN CÁC PHƯƠNG PHÁP NGHIÊN CỨU
• 1.1. Cơ sở lý thuyết về dự báo chuỗi thời gian
• 1.1.1. Khái niệm chuỗi thời gian
• 1.1.2. Một số các đặc trưng của chuỗi thời gian
• 1.1.3. Đánh giá sai số trong dự báo chuỗi thời gian
• 1.1.4. Bài toán dự báo chuỗi thời gian trong kinh tế và kinh doanh
• 2. CHƯƠNG 2: PHƯƠNG PHÁP NGHIÊN CỨU
• 2.1. Tổng quan về các phương pháp dự báo
• 2.1.1. Tổng quan về Machine Learning và Deep Learning
• 2.1.2. Tổng quan về Deep Learning
• 2.1.3. Cơ sở lý thuyết về mạng nơ-ron nhân tạo
• 2.1.3.1. Mạng nơ-ron hồi quy RNN
• 2.1.3.2. Mạng Long - Short Term Memory
• 2.2. Mô hình ARIMA
• 2.2.1. Tính dừng
• 2.2.2. Quá trình tự hồi quy (AR), trung bình trượt (MA) và mô hình ARIMA
• 2.2.3. Mô hình hồi quy kết hợp trung bình trượt ARIMA (p,d,q)
• 2.2.4. Phương pháp Box-Jenkins (BJ)
• 2.3. Mô hình Random Forest
• 2.3.1. Thuật toán Decision Tree
• 2.3.2. Mô hình Random Forest (RF)
• 3. CHƯƠNG 3: TỔNG QUAN VỀ TIỀN MÃ HÓA
• 3.1. Tổng quan về tiền mã hóa (Cryptocurrency)
• 3.2. ETHEREUM (ETH) - Đồng tiền chiếm vốn hóa cao thứ hai trên thị trường tiền mã hóa
• 3.3. Ứng dụng của Ethereum
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
• 4.1. Dữ liệu
• 4.2. Phần mềm phân tích
• 4.3. Xử lý dữ liệu
• 4.3.1. Kiểm định tính dừng của chuỗi thời gian
• 4.3.2. Xử lý dữ liệu đầu vào cho mô hình LSTM
• 4.4. Xây dựng mô hình
• 4.4.1. Mô hình ARIMA
• 4.4.2. Random Forest
• 4.5. Đánh giá và so sánh ba mô hình
• MỞ ĐẦU
• 0.1. Lý do chọn đề tài
• 0.2. Mục tiêu nghiên cứu
• 0.3. Đối tượng và phạm vi nghiên cứu
• 0.4. Phương pháp nghiên cứu
• 0.5. Kết cấu chuyên đề
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

I. Giới thiệu và lý do chọn đề tài

Dự báo giá Ethereum là một chủ đề quan trọng trong lĩnh vực tài chính và công nghệ blockchain. Sử dụng các mô hình như ARIMA, Random Forest, và mạng nơ-ron nhân tạo để dự đoán giá tiền điện tử đang trở thành xu hướng nghiên cứu hiện đại. Phân tích chuỗi thời gian và học máy là những công cụ mạnh mẽ giúp cải thiện độ chính xác của các dự báo tài chính. Nghiên cứu này tập trung vào việc so sánh hiệu quả của các mô hình trên trong việc dự báo giá Ethereum, đồng thời đánh giá khả năng ứng dụng thực tế của chúng trong thị trường tiền điện tử.

1.1. Tầm quan trọng của dự báo giá Ethereum

Ethereum là một trong những đồng tiền điện tử lớn nhất thế giới, với giá trị vốn hóa thị trường đứng thứ hai sau Bitcoin. Việc dự báo giá Ethereum không chỉ giúp các nhà đầu tư đưa ra quyết định đầu tư chính xác mà còn góp phần vào sự phát triển của công nghệ blockchain. Các mô hình dự báo như ARIMA, Random Forest, và mạng nơ-ron nhân tạo được sử dụng để phân tích dữ liệu lịch sử và dự đoán xu hướng giá trong tương lai.

1.2. Mục tiêu nghiên cứu

Nghiên cứu này nhằm mục đích so sánh hiệu quả của ba mô hình ARIMA, Random Forest, và mạng nơ-ron nhân tạo trong việc dự báo giá Ethereum. Mục tiêu cụ thể là tìm ra mô hình có độ chính xác cao nhất và đưa ra các khuyến nghị thực tế cho các nhà đầu tư. Nghiên cứu cũng phân tích các yếu tố ảnh hưởng đến giá Ethereum và đánh giá khả năng ứng dụng của các mô hình trong thị trường tiền điện tử.

II. Cơ sở lý thuyết và phương pháp nghiên cứu

Nghiên cứu này dựa trên các lý thuyết về phân tích chuỗi thời gian, học máy, và trí tuệ nhân tạo. Các mô hình ARIMA, Random Forest, và mạng nơ-ron nhân tạo được sử dụng để phân tích dữ liệu giá Ethereum từ năm 2018 đến năm 2022. Phương pháp nghiên cứu bao gồm thu thập dữ liệu, xử lý dữ liệu, và đánh giá hiệu quả của các mô hình thông qua các chỉ số như MAPE, RMSE, và MAE.

2.1. Mô hình ARIMA

Mô hình ARIMA là một phương pháp thống kê truyền thống được sử dụng rộng rãi trong phân tích chuỗi thời gian. Mô hình này dựa trên các thành phần tự hồi quy (AR), trung bình trượt (MA), và tích hợp (I) để dự báo giá trong tương lai. ARIMA được chọn vì khả năng xử lý các chuỗi thời gian không dừng và độ chính xác cao trong dự báo ngắn hạn.

2.2. Mô hình Random Forest

Random Forest là một thuật toán học máy dựa trên cây quyết định, được sử dụng để dự báo giá Ethereum. Mô hình này có khả năng xử lý dữ liệu phức tạp và đa chiều, đồng thời giảm thiểu hiện tượng overfitting. Random Forest được đánh giá cao nhờ độ chính xác và khả năng dự báo trong các tình huống thị trường biến động.

2.3. Mạng nơ ron nhân tạo

Mạng nơ-ron nhân tạo là một mô hình học sâu được sử dụng để dự báo giá Ethereum. Mô hình này có khả năng học hỏi từ dữ liệu lịch sử và dự đoán xu hướng giá trong tương lai. Mạng nơ-ron nhân tạo được chọn vì khả năng xử lý dữ liệu phi tuyến và độ chính xác cao trong dự báo dài hạn.

III. Kết quả nghiên cứu và đánh giá

Kết quả nghiên cứu cho thấy mạng nơ-ron nhân tạo có độ chính xác cao nhất trong việc dự báo giá Ethereum so với ARIMA và Random Forest. Các chỉ số đánh giá như MAPE, RMSE, và MAE đều cho thấy mạng nơ-ron nhân tạo vượt trội trong cả dự báo ngắn hạn và dài hạn. Nghiên cứu cũng chỉ ra rằng các yếu tố như biến động thị trường, tin tức kinh tế, và sự phát triển của công nghệ blockchain có ảnh hưởng lớn đến giá Ethereum.

3.1. So sánh hiệu quả của các mô hình

Kết quả so sánh cho thấy mạng nơ-ron nhân tạo có độ chính xác cao nhất với MAPE thấp nhất, tiếp theo là Random Forest và ARIMA. Mạng nơ-ron nhân tạo đặc biệt hiệu quả trong việc dự báo các biến động lớn và xu hướng dài hạn của giá Ethereum.

3.2. Ứng dụng thực tế

Nghiên cứu này cung cấp các khuyến nghị thực tế cho các nhà đầu tư trong việc sử dụng các mô hình dự báo giá Ethereum. Mạng nơ-ron nhân tạo được khuyến nghị sử dụng cho các nhà đầu tư dài hạn, trong khi Random Forest phù hợp hơn cho các nhà đầu tư ngắn hạn. Nghiên cứu cũng nhấn mạnh tầm quan trọng của việc kết hợp các yếu tố thị trường và công nghệ trong dự báo giá tiền điện tử.