Tổng quan nghiên cứu

Thị trường giao dịch hàng hóa tương lai tại Việt Nam đang phát triển mạnh mẽ, với các mặt hàng chủ đạo như cà phê, cacao, đường, sắt thép. Theo ước tính, giao dịch hàng hóa tương lai giúp tối ưu hóa sản xuất và tiêu dùng, đồng thời tạo điều kiện cho các nhà đầu tư phòng ngừa rủi ro biến động giá. Tuy nhiên, việc dự báo giá hàng hóa trên sàn giao dịch vẫn còn nhiều thách thức do tính biến động phức tạp và ảnh hưởng từ nhiều yếu tố bên ngoài. Mục tiêu nghiên cứu của luận văn là ứng dụng khai phá dữ liệu và mạng nơ ron nhân tạo để dự báo giá đóng cửa của mặt hàng trên sàn giao dịch tương lai, từ đó hỗ trợ các nhà đầu tư đưa ra quyết định chính xác hơn. Nghiên cứu tập trung vào dữ liệu giao dịch từ năm 2008 đến 2013, với trọng tâm là mã giao dịch KCZ13, nhằm đánh giá hiệu quả mô hình mạng nơ ron truyền thẳng nhiều lớp trong dự báo giá. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện độ chính xác dự báo, giảm thiểu rủi ro cho nhà đầu tư và nâng cao hiệu quả hoạt động của thị trường hàng hóa tương lai.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: giao dịch hàng hóa tương lai và mạng nơ ron nhân tạo. Giao dịch hàng hóa tương lai là các hợp đồng tiêu chuẩn hóa, trong đó các bên chỉ thỏa thuận về giá, giúp tạo ra thị trường thanh khoản và minh bạch. Phân tích kỹ thuật được sử dụng phổ biến để dự báo xu hướng giá, bao gồm các khái niệm như điểm kháng cự, điểm hỗ trợ, xu hướng giá và đường trung bình giá (SMA, EMA). Mạng nơ ron nhân tạo được mô phỏng theo cấu trúc và hoạt động của nơ ron sinh học, gồm các thành phần chính như tín hiệu đầu vào, trọng số liên kết, bộ tổng hợp tuyến tính và hàm kích hoạt (hàm ngưỡng, hàm sigmoid). Mạng nơ ron truyền thẳng nhiều lớp (MLP) với thuật toán lan truyền ngược (Backpropagation) được áp dụng để huấn luyện và tối ưu trọng số, nhằm mô hình hóa mối quan hệ phi tuyến giữa các biến số đầu vào và giá đóng cửa dự báo. Các khái niệm chuyên ngành như sai số quân phương (MSE), hệ số tương quan (Correlation coefficient) được sử dụng để đánh giá hiệu quả mô hình.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu OHLCV (giá mở cửa, giá cao nhất, giá thấp nhất, giá đóng cửa, khối lượng giao dịch) của các mã giao dịch hàng hóa tương lai từ năm 2008 đến 2013, thu thập từ trang web chuyên ngành. Ngoài ra, các chỉ số chứng khoán quốc tế (Dow Jones, S&P 500, Nikkei) và tỷ giá ngoại tệ (XAU/USD, USD/JPY, EUR/USD) cũng được đưa vào làm biến số đầu vào để phản ánh tác động kinh tế vĩ mô. Phương pháp phân tích bao gồm tiền xử lý dữ liệu chuẩn hóa về khoảng [0-1], phân chia dữ liệu thành tập huấn luyện (2008-2012) và tập đánh giá (2013). Mô hình mạng nơ ron truyền thẳng nhiều lớp được xây dựng với 3 lớp ẩn, mỗi lớp ẩn có 14 nơ ron, đầu vào gồm 11 biến số nhân với 5 điểm lịch sử liên tiếp (mô hình 5 point), đầu ra là giá đóng cửa dự báo ngày tiếp theo. Thuật toán lan truyền ngược được sử dụng để huấn luyện mạng với điều kiện dừng dựa trên sai số tối đa và số lần lặp tối đa (8000 lần). Quá trình huấn luyện và đánh giá được thực hiện nhiều lần để xác định cấu trúc mạng tối ưu và hàm kích hoạt phù hợp.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả mô hình 5 point vượt trội mô hình 1 point: Mạng nơ ron sử dụng 5 điểm lịch sử liên tiếp làm đầu vào cho kết quả dự báo chính xác hơn, với sai số MSE trung bình giảm từ khoảng 9 (mô hình 1 point) xuống còn khoảng 8.5 (mô hình 5 point). Hệ số tương quan giữa giá dự báo và giá thực tế đạt gần 0.9, thể hiện mối tương quan rất mạnh.

  2. Số lớp ẩn ảnh hưởng đến độ chính xác: Mạng 3 lớp ẩn với mỗi lớp 14 nơ ron cho kết quả ổn định và chính xác hơn so với mạng 1 hoặc 2 lớp ẩn. Lỗi MSE trung bình giảm từ 9 (2 lớp ẩn) xuống còn 8.5 (3 lớp ẩn), đồng thời giảm hiện tượng lỗi không ổn định qua các lần chạy.

  3. Hàm kích hoạt sigmoid phù hợp với bài toán: Hàm truyền sigmoid với công thức $y = \frac{-1}{1 + e^{-2x}}$ được lựa chọn do khả năng xử lý phi tuyến tốt, giúp mạng hội tụ nhanh và đạt sai số thấp.

  4. Cập nhật dữ liệu liên tục nâng cao hiệu quả dự báo: Việc huấn luyện lại mạng khi có dữ liệu lịch sử mới giúp mạng thích nghi với biến động thị trường, giảm thiểu hiện tượng overfitting và duy trì độ chính xác dự báo trong thời gian dài.

Thảo luận kết quả

Nguyên nhân mô hình 5 point vượt trội là do việc sử dụng chuỗi dữ liệu lịch sử liên tiếp giúp mạng nắm bắt được xu hướng và các điểm đảo chiều của thị trường, khắc phục hạn chế của mô hình 1 point chỉ dựa vào dữ liệu ngày trước đó. Kết quả này phù hợp với các nghiên cứu trong lĩnh vực dự báo tài chính, cho thấy mạng nơ ron nhiều lớp có khả năng mô hình hóa các quan hệ phi tuyến phức tạp. Việc tăng số lớp ẩn và số nơ ron trong lớp ẩn giúp mạng có khả năng tổng quát hóa tốt hơn, tuy nhiên cần cân nhắc tránh overfitting. Hàm sigmoid được ưu tiên do tính liên tục và khả năng điều chỉnh độ dốc, phù hợp với dữ liệu chuẩn hóa. Việc huấn luyện lại mạng liên tục là cần thiết trong môi trường thị trường biến động không ngừng, giúp mô hình duy trì tính cập nhật và độ chính xác. Dữ liệu có thể được trình bày qua biểu đồ so sánh giá thực tế và giá dự báo, biểu đồ tương quan điểm, cũng như bảng tổng hợp sai số MSE qua các lần chạy để minh họa hiệu quả mô hình.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống dự báo giá hàng hóa dựa trên mạng nơ ron 5 point: Các sàn giao dịch và công ty tài chính nên áp dụng mô hình mạng nơ ron truyền thẳng nhiều lớp với cấu trúc 3 lớp ẩn, mỗi lớp 14 nơ ron, sử dụng 11 biến số đầu vào và 5 điểm lịch sử liên tiếp để nâng cao độ chính xác dự báo trong vòng 6-12 tháng tới.

  2. Cập nhật dữ liệu và huấn luyện lại mạng định kỳ: Đề xuất thực hiện huấn luyện lại mạng hàng tháng hoặc khi có biến động lớn trên thị trường để đảm bảo mô hình phản ánh kịp thời các thay đổi, giảm thiểu sai số dự báo, do các nhà phân tích dữ liệu và kỹ sư AI chịu trách nhiệm.

  3. Mở rộng biến số đầu vào với các chỉ số kinh tế vĩ mô và dữ liệu thị trường liên quan: Khuyến nghị bổ sung thêm các chỉ số như lạm phát, lãi suất, dữ liệu sản xuất để tăng khả năng dự báo dài hạn, thực hiện trong vòng 1 năm bởi các chuyên gia kinh tế và phân tích thị trường.

  4. Phát triển giao diện ứng dụng trực quan cho nhà đầu tư: Xây dựng phần mềm hoặc ứng dụng web hiển thị kết quả dự báo, biểu đồ tương quan và cảnh báo biến động giá, giúp nhà đầu tư dễ dàng tiếp cận và sử dụng thông tin, hoàn thành trong 6 tháng bởi đội ngũ phát triển phần mềm.

Đối tượng nên tham khảo luận văn

  1. Nhà đầu tư và môi giới trên sàn giao dịch hàng hóa tương lai: Giúp họ có công cụ dự báo giá chính xác hơn, từ đó đưa ra quyết định mua bán hiệu quả, giảm thiểu rủi ro tài chính.

  2. Chuyên gia phân tích tài chính và kinh tế: Cung cấp phương pháp ứng dụng mạng nơ ron trong phân tích thị trường, hỗ trợ nghiên cứu sâu về biến động giá và xu hướng thị trường.

  3. Nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin, Tài chính: Là tài liệu tham khảo về ứng dụng khai phá dữ liệu và mạng nơ ron trong dự báo tài chính, giúp phát triển các mô hình tương tự hoặc cải tiến.

  4. Các tổ chức phát triển phần mềm tài chính và công nghệ AI: Hướng dẫn xây dựng mô hình mạng nơ ron truyền thẳng nhiều lớp, áp dụng thuật toán lan truyền ngược, từ đó phát triển các sản phẩm dự báo giá hàng hóa và chứng khoán.

Câu hỏi thường gặp

  1. Mạng nơ ron truyền thẳng nhiều lớp là gì và tại sao được chọn?
    Mạng nơ ron truyền thẳng nhiều lớp (MLP) là mô hình mạng nơ ron gồm nhiều lớp nơ ron kết nối theo chiều từ đầu vào đến đầu ra, không có vòng lặp. MLP được chọn vì khả năng mô hình hóa các quan hệ phi tuyến phức tạp trong dữ liệu tài chính, đồng thời thuật toán lan truyền ngược giúp huấn luyện hiệu quả.

  2. Tại sao sử dụng 5 điểm lịch sử liên tiếp làm đầu vào thay vì chỉ 1 điểm?
    Sử dụng 5 điểm lịch sử giúp mạng nắm bắt được xu hướng và các điểm đảo chiều của thị trường, từ đó dự báo chính xác hơn so với chỉ dùng dữ liệu ngày trước đó. Kết quả thực nghiệm cho thấy mô hình 5 point có sai số MSE thấp hơn và hệ số tương quan cao hơn.

  3. Làm thế nào để tránh hiện tượng overfitting khi huấn luyện mạng?
    Để tránh overfitting, nghiên cứu sử dụng tập dữ liệu kiểm tra riêng biệt, dừng huấn luyện khi sai số không cải thiện, và giới hạn số lần lặp tối đa. Ngoài ra, việc huấn luyện lại mạng định kỳ với dữ liệu mới cũng giúp duy trì tính tổng quát của mô hình.

  4. Các biến số đầu vào được lựa chọn dựa trên tiêu chí nào?
    Các biến số được lựa chọn dựa trên phân tích tác động trực tiếp và gián tiếp đến giá đóng cửa, bao gồm giá mở cửa, giá cao nhất, giá thấp nhất, khối lượng giao dịch, các chỉ số chứng khoán quốc tế và tỷ giá ngoại tệ, nhằm phản ánh đầy đủ các yếu tố ảnh hưởng đến giá hàng hóa.

  5. Mô hình này có thể áp dụng cho các mặt hàng khác ngoài mã KCZ13 không?
    Có thể áp dụng cho các mặt hàng khác trên sàn giao dịch tương lai với điều kiện thu thập đủ dữ liệu lịch sử và biến số liên quan. Tuy nhiên, cần thực hiện huấn luyện và điều chỉnh mô hình phù hợp với đặc điểm riêng của từng mặt hàng để đạt hiệu quả cao.

Kết luận

  • Luận văn đã xây dựng thành công mô hình mạng nơ ron truyền thẳng nhiều lớp với 3 lớp ẩn, mỗi lớp 14 nơ ron, sử dụng 11 biến số đầu vào và 5 điểm lịch sử liên tiếp để dự báo giá đóng cửa hàng hóa trên sàn giao dịch tương lai.
  • Mô hình 5 point cho kết quả dự báo chính xác hơn mô hình 1 point, với sai số MSE trung bình giảm và hệ số tương quan giá dự báo - giá thực tế đạt gần 0.9.
  • Hàm kích hoạt sigmoid được lựa chọn phù hợp, giúp mạng hội tụ nhanh và đạt hiệu quả cao trong huấn luyện.
  • Việc cập nhật dữ liệu và huấn luyện lại mạng định kỳ là cần thiết để duy trì độ chính xác dự báo trong môi trường thị trường biến động liên tục.
  • Đề xuất triển khai hệ thống dự báo giá hàng hóa dựa trên mô hình này, đồng thời mở rộng nghiên cứu và ứng dụng cho các mặt hàng và thị trường khác.

Next steps: Triển khai thử nghiệm thực tế hệ thống dự báo, mở rộng thu thập dữ liệu và tích hợp thêm các biến số kinh tế vĩ mô, phát triển giao diện ứng dụng thân thiện cho người dùng.

Call to action: Các nhà đầu tư, chuyên gia phân tích và tổ chức phát triển công nghệ tài chính nên áp dụng và tiếp tục nghiên cứu mô hình mạng nơ ron để nâng cao hiệu quả dự báo và quản lý rủi ro trên thị trường hàng hóa tương lai.