Nghiên cứu các phương pháp khai phá dữ liệu và ứng dụng neural network vào chỉ số tài chính eps để dự báo tình hình hoạt động kinh doanh của các công ty niêm yết trên sàn giao dịch chứng khoán tại việt nam

Nghiên cứu khai phá dữ liệu, ứng dụng Neural Network dự báo EPS cho các công ty niêm yết tại Việt Nam. Phân tích hoạt động kinh doanh chứng khoán.

• Tác giả: Kim Phụng
• Trường học: Trường Đại học Kinh tế TP.HCM
• Chuyên ngành: Công nghệ Thông tin Kinh doanh
• Đề tài: Dự báo Hoạt động Kinh doanh bằng Khai phá Dữ liệu và Mạng Neural: Nghiên cứu EPS trên Thị trường Chứng khoán Việt Nam
• Loại tài liệu: Luận cuối khoá
• Địa điểm: TP.HCM

Tóm tắt

I. Giới thiệu Dự báo EPS Tối ưu Hoạt động Kinh doanh

Dự báo EPS (lợi nhuận trên mỗi cổ phiếu) là một yếu tố quan trọng trong việc đánh giá và dự đoán hiệu quả hoạt động kinh doanh của một công ty. Trên thị trường chứng khoán Việt Nam, việc dự báo EPS chính xác có thể giúp nhà đầu tư đưa ra quyết định đầu tư thông minh và hiệu quả. Nghiên cứu này tập trung vào việc áp dụng khai phá dữ liệu và mạng neural để xây dựng các mô hình dự báo kinh doanh có độ chính xác cao. Việc sử dụng các kỹ thuật tiên tiến này hứa hẹn sẽ mang lại những kết quả khả quan trong việc dự đoán chứng khoán và hỗ trợ các nhà quản lý doanh nghiệp đưa ra các quyết định chiến lược đúng đắn.

1.1. Tầm quan trọng của dự báo EPS trong đầu tư chứng khoán

Dự báo EPS đóng vai trò then chốt trong việc định giá cổ phiếu và đánh giá tiềm năng tăng trưởng của doanh nghiệp. Một dự báo EPS chính xác giúp nhà đầu tư ước tính giá trị thực của cổ phiếu, từ đó đưa ra quyết định mua, bán hoặc nắm giữ phù hợp. Nó cũng là một trong những chỉ số quan trọng được các nhà phân tích sử dụng để so sánh hiệu quả hoạt động giữa các công ty trong cùng ngành.

1.2. Giới thiệu về khai phá dữ liệu và mạng neural trong tài chính

Khai phá dữ liệu là quá trình khám phá các mẫu, xu hướng và thông tin hữu ích từ các bộ dữ liệu lớn. Trong lĩnh vực tài chính, khai phá dữ liệu được sử dụng để phân tích dữ liệu giao dịch, dữ liệu tài chính doanh nghiệp, và dữ liệu kinh tế vĩ mô. Mạng neural, một nhánh của trí tuệ nhân tạo, cung cấp khả năng mô hình hóa các mối quan hệ phức tạp giữa các biến, giúp cải thiện độ chính xác của dự báo.

II. Thách thức Dự báo EPS trên Thị trường Việt Nam

Việc dự báo tài chính, đặc biệt là dự báo EPS trên thị trường chứng khoán Việt Nam, đối mặt với nhiều thách thức. Thị trường Việt Nam còn non trẻ và chịu ảnh hưởng lớn từ các yếu tố vĩ mô, chính sách, và tâm lý nhà đầu tư. Dữ liệu chứng khoán thường nhiễu và biến động mạnh, gây khó khăn cho việc xây dựng các mô hình dự báo kinh doanh ổn định. Bên cạnh đó, việc thiếu hụt dữ liệu lịch sử dài hạn và đáng tin cậy cũng là một rào cản lớn. Nghiên cứu này sẽ tập trung vào việc giải quyết những thách thức này thông qua việc áp dụng các kỹ thuật khai phá dữ liệu và mạng neural tiên tiến.

2.1. Tính biến động và phức tạp của thị trường chứng khoán Việt Nam

Thị trường chứng khoán Việt Nam có đặc điểm là tính biến động cao, chịu ảnh hưởng mạnh mẽ từ các yếu tố bên ngoài và tâm lý đám đông. Điều này đòi hỏi các mô hình dự báo phải có khả năng thích ứng nhanh chóng với những thay đổi của thị trường và dự đoán được các biến động bất ngờ. Việc tích hợp các yếu tố này vào mô hình dự báo là một thách thức lớn.

2.2. Hạn chế về dữ liệu lịch sử và chất lượng dữ liệu chứng khoán

So với các thị trường chứng khoán phát triển, thị trường Việt Nam còn hạn chế về dữ liệu lịch sử dài hạn và chất lượng dữ liệu có thể không đồng đều. Điều này gây khó khăn cho việc xây dựng các mô hình dự báo có độ chính xác cao, đặc biệt là các mô hình dựa trên khai phá dữ liệu và mạng neural, vốn đòi hỏi lượng lớn dữ liệu để huấn luyện.

2.3. Các yếu tố kinh tế vĩ mô ảnh hưởng đến dự báo EPS

Các yếu tố kinh tế vĩ mô như lạm phát, lãi suất, tỷ giá hối đoái và tăng trưởng GDP có tác động đáng kể đến EPS của các công ty niêm yết. Việc dự báo EPS chính xác đòi hỏi phải xem xét và tích hợp các yếu tố này vào mô hình. Độ phức tạp của các mối quan hệ giữa các yếu tố kinh tế vĩ mô và EPS tạo ra thách thức cho các nhà nghiên cứu.

III. Cách Dự báo EPS Khai phá Dữ liệu Mạng Neural

Nghiên cứu này đề xuất một phương pháp dự báo EPS kết hợp khai phá dữ liệu và mạng neural. Đầu tiên, dữ liệu lịch sử chứng khoán và các chỉ số tài chính của các công ty niêm yết trên thị trường chứng khoán Việt Nam được thu thập và tiền xử lý. Tiếp theo, các thuật toán khai phá dữ liệu được sử dụng để xác định các yếu tố quan trọng ảnh hưởng đến EPS. Cuối cùng, mạng neural được huấn luyện trên dữ liệu đã chọn lọc để xây dựng mô hình dự báo EPS. Mục tiêu là tạo ra một mô hình có khả năng dự đoán lợi nhuận trên mỗi cổ phiếu với độ chính xác dự báo cao, hỗ trợ nhà đầu tư đưa ra quyết định sáng suốt.

3.1. Thu thập và tiền xử lý dữ liệu chứng khoán Việt Nam

Việc thu thập dữ liệu lịch sử chứng khoán từ các nguồn tin cậy là bước đầu tiên và quan trọng nhất. Dữ liệu cần được làm sạch và tiền xử lý để loại bỏ các giá trị thiếu hoặc không hợp lệ. Các kỹ thuật tiền xử lý như chuẩn hóa dữ liệu, loại bỏ nhiễu và giảm chiều dữ liệu có thể được áp dụng để cải thiện chất lượng dữ liệu đầu vào cho mô hình dự báo.

3.2. Lựa chọn thuật toán khai phá dữ liệu phù hợp

Có nhiều thuật toán khai phá dữ liệu có thể được sử dụng để xác định các yếu tố ảnh hưởng đến EPS, như thuật toán cây quyết định, thuật toán học luật kết hợp, và thuật toán phân cụm. Việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu của nghiên cứu. Cần so sánh hiệu quả của các thuật toán khác nhau để tìm ra thuật toán tốt nhất.

3.3. Xây dựng và huấn luyện mô hình mạng neural dự báo EPS

Sau khi xác định được các yếu tố quan trọng, mạng neural được xây dựng và huấn luyện để dự báo EPS. Việc lựa chọn kiến trúc mạng neural (ví dụ: mạng truyền thẳng, mạng hồi quy) và các tham số huấn luyện (ví dụ: tốc độ học, số lượng epoch) là rất quan trọng để đạt được hiệu suất tốt nhất. Cần sử dụng các kỹ thuật như cross-validation để đánh giá hiệu quả của mô hình và tránh overfitting.

IV. Ứng dụng Đánh giá Mô hình dự báo EPS trên VN Index

Nghiên cứu này tiến hành ứng dụng mô hình dự báo EPS đã xây dựng trên dữ liệu của các công ty thuộc chỉ số VN-Index. Kết quả cho thấy mô hình có khả năng dự đoán lợi nhuận trên mỗi cổ phiếu với độ chính xác đáng kể, vượt trội so với các phương pháp dự báo tài chính truyền thống. Điều này chứng minh tiềm năng của việc sử dụng khai phá dữ liệu và mạng neural trong việc cải thiện độ chính xác dự báo và hỗ trợ quyết định đầu tư trên thị trường chứng khoán Việt Nam.

4.1. Tiêu chí đánh giá hiệu quả mô hình dự báo EPS

Để đánh giá hiệu quả của mô hình dự báo EPS, cần sử dụng các tiêu chí đánh giá phù hợp, như sai số bình phương trung bình (MSE), sai số tuyệt đối trung bình (MAE), và hệ số tương quan (R-squared). Các tiêu chí này giúp định lượng mức độ chính xác và độ tin cậy của dự báo.

4.2. Phân tích kết quả dự báo và so sánh với phương pháp truyền thống

Kết quả dự báo từ mô hình mạng neural cần được phân tích kỹ lưỡng để đánh giá khả năng dự đoán chính xác EPS trong các điều kiện thị trường khác nhau. So sánh kết quả này với kết quả dự báo từ các phương pháp truyền thống (ví dụ: phân tích hồi quy) để chứng minh ưu điểm của phương pháp đề xuất.

4.3. Đề xuất cải tiến mô hình và mở rộng ứng dụng

Dựa trên kết quả đánh giá, cần đề xuất các cải tiến cho mô hình dự báo EPS để nâng cao độ chính xác dự báo. Có thể xem xét việc tích hợp thêm các yếu tố khác (ví dụ: tin tức thị trường, chỉ số vĩ mô) vào mô hình hoặc sử dụng các kiến trúc mạng neural phức tạp hơn. Ngoài ra, cần mở rộng ứng dụng của mô hình sang các lĩnh vực khác, như quản trị rủi ro và phân tích danh mục đầu tư.

V. Kết luận Triển vọng Dự báo EPS với AI trên Thị trường VN

Nghiên cứu này khẳng định tiềm năng của việc sử dụng khai phá dữ liệu và mạng neural trong việc dự báo EPS trên thị trường chứng khoán Việt Nam. Mặc dù còn nhiều thách thức, nhưng với sự phát triển của công nghệ và sự gia tăng của lượng dữ liệu, các mô hình dự báo kinh doanh dựa trên trí tuệ nhân tạo (AI) hứa hẹn sẽ đóng vai trò ngày càng quan trọng trong việc hỗ trợ quyết định đầu tư và quản lý doanh nghiệp. Các nghiên cứu trong tương lai có thể tập trung vào việc tích hợp các nguồn dữ liệu khác nhau, phát triển các kiến trúc mạng neural tiên tiến hơn, và áp dụng các kỹ thuật học sâu (deep learning) để nâng cao độ chính xác dự báo.

5.1. Tóm tắt các kết quả chính của nghiên cứu

Tóm tắt lại các kết quả quan trọng nhất của nghiên cứu, bao gồm độ chính xác dự báo của mô hình mạng neural so với các phương pháp truyền thống, các yếu tố quan trọng ảnh hưởng đến EPS được xác định thông qua khai phá dữ liệu, và các đề xuất cải tiến mô hình.

5.2. Hướng nghiên cứu tiếp theo trong lĩnh vực dự báo EPS bằng AI

Đề xuất các hướng nghiên cứu tiếp theo để phát triển mô hình dự báo EPS dựa trên AI, như tích hợp dữ liệu phi cấu trúc (ví dụ: tin tức, báo cáo phân tích), sử dụng các kỹ thuật học sâu (deep learning), và xây dựng các mô hình dự báo theo thời gian thực.

5.3. Ứng dụng tiềm năng của mô hình trong thực tiễn đầu tư và quản lý

Mô tả các ứng dụng tiềm năng của mô hình dự báo EPS trong thực tiễn, như hỗ trợ nhà đầu tư đưa ra quyết định đầu tư, giúp doanh nghiệp lập kế hoạch tài chính, và cảnh báo sớm các rủi ro tài chính.

Trích đoạn nội dung tài liệu

Chương I: GIỚI THIỆU. Lý do lựa chọn đề tài. SH 2122111 rya 1 IV 06). Đối tượng nghiên cứu và phương pháp nghiên cứu.

Cầu trúc của bài nghiên cứu.- 2 nh 2222221 erya 4 Chương 2: CƠ SỞ LÝ LUẬN. 20c n2 HH2 rrrưe 5 PIN 1G 00:10 n6. Khai phá dữ liệu là gì?. Các tính năng chính của khai phá dữ liệu.

Quy trình khai phá dữ liệu. Phương pháp khai phá dữ liệu. Ứng dụng của khai phá đữ liệu trong đời sống. Công cụ khai phá dữ liệu được sử dụng trong bài nghiên cứu — Orange.

Phân lớp dữ liệu. Khái niệm về phân lớp dữ liệu. Quy trình phân lớp dữ liệu. Xây dựng mô hình phân lop (Learning).

Ước lượng độ chính xác của mô hình và phân lớp dữ liệu mới (Đi) e. Các phương pháp phân lớp dữ liệu. Hồi quy Logistic (Logistic Regression). Cây quyết định (Decision Tree).

chư Hà HH HH HH tk 14 2. Chỉ tiết mô hình khai phá dữ liệu bằng Neural Network. Các phương pháp đánh giá mô hình phân lớp. Ma trận nhằm lẫn (Confusion Matrix) và độ chính xác (Áccuracy); ROC, AUC, Precision/Recall.Ỏ eecce cen ceneecceneecenseeecnstentteeenseese 17 2.

Cross Validation: Holdout và K-fold cross validation. 20 Chương 3: PHẦN TÍCH DỮ LIỆU HUẦN LUYỆN VÀ DỰ BÁO. So luge thi trwong ching khoan tai Viet Nam. Mô hình nghiên cứu.

Xây dựng biến số dùng nghiên cứu. 22-2 nhe rrờe 24 kbhunNG:: 0. Xr( (aaaÝỶÝÝÃÝỶẢ. Biến độc lập.

Mô hình nghiên cứu đề xuẤt. 0 S2 Ự TỰ 2z rrtrg rước 26 3. Nguồn số liệu, phương pháp thu thập dữ liệu và nghiên cứu. Bộ dữ liệu huấn luyện.

Bộ dữ liệu dự báo. Kết quả của dữ liệu huấn luyện. Kết quả của dữ liệu dự báo. Kết luận của kết quả nghiên cứu.

2 2s ng 36 Chuong 4: KET LUAN VA HAN CHE - GIAT PHAP 00sec 38 4. Qt Mat occ cece ceeceeseesceeseee sees teesvesieesvesieesvesietentenstantententintetisinenenenen 38 4. Hạn chế và giải pháp. 0 2 nhờn 39 TÀI LIỆU THAM KHẢO.

22 2s 22222 ng gang n2 tre I Tài liệu tham khảo trong nước. - ccc ecee cee eeeteeneeeecaeeaeeseeseesseteseneeeteesseenes 1 Tài liệu tham khảo nước ngoài. 0 0 2n 22c 22 2122121211121 212 2511211111111 111 1x1 xe II PHỤ LỤC 1: DANH SÁCH CÔNG TY NIEM YET TRONG BO DU LIEU HUAN IV DANH MUC CHU VIET TAT EPS: Earning Per Share HOSE: Sàn giao dịch chứng khoán tại Thành phố Hồ Chí Minh HNX: Sản giao dịch chứng khoán tại Hà Nội UPCOM: Sàn giao dịch chứng khoán tại Thành phó Hồ Chí Minh AUC: Area Under Curve ROC: Receiver Operating Characteristic SVM: Support Vector Machine MCU: Multipoint Control Unit ASEAN: Hiệp hội các quốc gia Đông Nam A SAR - COV - 2: Viết tắt của đại dịch COVID - 19 PE: Price to Earning ratio ROA: Return on Assets ROE: Return on Equity BV: Price to Book value DE: Debt to Equity Vv DANH MUC BANG BIEU - HÌNH VẼ VÀ BIÊU ĐỎ Hình 2. Quy trình khai phá dữ liệu Hình 2.

Quá trình phân lớp dữ liệu - Xây dựng mô hình phân lớp Hình 2. Quá trình phân lớp dữ liệu - Ước lượng độ chính xác của mô hình Hinh 2. Quá trình phân lớp dữ liệu —- Phân lớp dữ liệu mới Hình 2. Mô hình phân lớp nhị phân sử dụng phương pháp hồi quy logistic Hinh 2.

Biéu dé thé hién gid tri Margin va Support Vector Hình 2. Ví dụ mô hình cây quyết định về lựa chọn làm việc một ngày cụ thé Hình 2. Hình vẽ thể hiện mạng lưới hoạt động của Neural Network Hình 2. Đường cong ROC Hình 2.

Diện tích đường cong RÓỌC (độ đo AUC) Bảng 2. Ma trận nhằm lẫn Bảng 2. Độ đo AUC với độ chính xác của mô hình phân lớp Hình 3. Dữ liệu huấn luyện của 20 công ty niêm yết Hình 3.

Dữ liệu dự báo của 20 công ty niêm yết Hình 3. Mô tả các thuộc tính của các biến Hình 3. Tổng quan về quy trình huấn luyện và dự báo bằng sơ đỗ Hình 3. Kết quả của mô hình đánh giá phân lớp bằng Cross Validation Hình 3.

Ma trận nhằm lẫn với Neural Network Hình 3. Các thuộc tính của bộ dữ liệu dự báo Hình 3. Kết quả của dự báo bằng Neural Network Hình 3. Chỉ số Neural Network Biéu đồ 3.

Biểu đỗ thể hiện chỉ số VN—INDEX của Việt Nam giai đoạn 2018 — 2020 1 Chuong 1: GIOI THIEU 1. Lý do lựa chọn đề tài Công nghệ thông tin đóng vai trò hết sức quan trọng trong việc phát triển kinh tế — xã hội, cũng như về cả mặt văn hóa và chính trị cùng với đó góp phan hình thành những nhân tế mới, con người mới. Công nghệ thông tin tại Việt Nam ngày nay cũng dần phát triển và bùng nỗ khiến cho việc thu thập một lượng lớn dữ liệu tăng lên nhanh chóng. Mặc dù, đã có nhiều công cụ hỗ trợ cho việc thụ nhập, lưu trữ và khai phá dữ liệu, song, với sự bùng nê lớn mạnh của thông tin được thu thập đã vượt ngoài tầm kiểm soát của con người để có thể nắm bắt chúng và xử lý kịp thời.

Cần phải có kỹ thuật khai phá một bệ đữ liệu lớn, vì thế, khai phá đữ liệu đang là mối quan tâm hàng đầu của các nhà nghiên cứu trong những năm gần đây. Khai phá đữ liệu có thể được ứng dụng trên nhiều các lĩnh vực như tài chính, ngân hàng, công nghệ thông tin, y tế, giáo dục,. Đặc biệt, với sự phát triển không ngừng của ngành tài chính hiện nay, việc mà chúng ta xử lý dữ liệu quá lớn cần phải được thực hiện nhanh chóng, triệt dé, tránh mất mát nhiều thời gian. Ngày nay, công nghệ thông tin càng ngày càng phát triển đồng nghĩa với việc chúng ta cần phải phát triển hơn các phần mềm, các ứng dụng để nâng cao năng suất làm việc, thay thế cho những kỹ thuật xử lý thô sơ như trước.

Chính vì thế, khai phá dữ liệu là công cụ phân tích, giúp cho việc xử lý dữ liệu được diễn ra nhanh chóng và thông minh hơn. Khai phá dữ liệu cho phép người sử dụng phân tích dữ liệu với nhiều góc độ khác nhau, phân loại dữ liệu theo nhiều quan điểm riêng biệt từ đó, tông kết các mối quan hệ đã được bóc tách. Lĩnh vực tài chính là một trong những lĩnh vực ngày càng nỗi tiếng qua nhiều giai đoạn, đặc biệt là về thi trường chứng khoán có sức hút đối với rất nhiều người, kê cả những bạn sinh viên học tập tại các trường Đại học và Cao Đăng. Khai phá dữ liệu trong lĩnh vực tài chính được sử đụng để tăng độ trung thành của một lượng lớn khách hàng thông qua việc thu thập thông tin cá nhân và phân tích các đữ liệu về những hành vi của khách hàng.

Lĩnh vực tài chính ở đây chính là các ngân hàng, họ sử dụng các thông tin liên quan đề dự báo những hành vi của khách hàng, từ đó sẽ đưa ra các sản phâm và dịch vụ thích hợp nhất. Không chỉ về mặt dự báo về những hành vi của khách hàng, khai phá dữ liệu trong chứng khoán sẽ giúp các nhà tài chính có cái nhìn rõ hơn về mối tương quan 2 giữa các chí số tài chính, giúp phát hiện ra các rủi ro cao từ những hoạt động giao dịch thường ngày. Đâu tư tài chính là một trong những hoạt động diễn ra trên thị trường vốn với một đóng góp đáng kế vào thu nhập quốc dân của một quốc gia. Sở giao dịch chứng khoán Thành phó Hồ Chí Minh (HOSE) và Sở giao dịch chứng khoán Hà Nội (HNX, UPCOM) là một thị trường vốn cho các công cụ tài chính dài hạn khác nhau có thể được giao dịch, dưới dạng nợ hoặc vốn tự có.

Cễ phiếu là một trong những công cụ thị trường vốn mà các nhà đầu tư rất quan tâm hiện nay. Cổ phiếu như một dấu hiệu của sự tham gia hoặc sở hữu của một cá nhân hoặc thực thể trong một công ty hữu hạn hoặc cá nhân. Trong đó, chỉ số EPS của cô phiếu khá là quan trọng trong việc đánh giá một công ty có hoạt động kinh doanh tốt hay không. Tỷ lệ thu nhập trên mỗi cô phiếu (EPS) được sử dụng để đo lường sự thành công của ban lãnh đạo trong việc đạt được lợi nhuận cho các chủ sở hữu của công ty.

EPS mô tả khả năng sinh lời của công ty được phản ánh trên mỗi cô phiếu. Giá trị của EPS càng cao thì lợi nhuận càng lớn và có khả năng tăng lượng cô tức mà cô đông nhận được. Chứng tỏ rằng EPS càng cao, mô hình hoạt động kinh doanh của công ty rất tốt. Vì vậy, để kết hợp giữa các phương pháp khai phá dữ liệu trong lĩnh vực công nghệ thông tin cùng với phân tích dự báo chí số EPS trong lĩnh vực tài chính, tôi quyết định chọn đề tài “Nghiên cứu các phương pháp khai phá dữ liệu và ứng dụng Neural Network vào chỉ số tài chính EPS để dự báo tình hình hoạt động kinh doanh của các công ty niêm yết trên sàn giao dịch chứng khoán tại Việt Nam”.

Mục tiêu nghiên cứu Bài nghiên cứu “Nghiên cứu các phương pháp khai phá dữ liệu và ứng dụng Neural Network vào chỉ số tài chính EPS để dự báo tình hình hoạt động kinh doanh của các công ty niêm yết trên sàn giao dịch chứng khoán tại Việt Nam” nhằm tập trung những mục tiêu được đề cập dưới đây:. Bài nghiên cứu tiến hành phân tích các lý thuyết của khai phá đữ liệu nhằm tập trung làm rõ những vấn đề của bài nghiên cứu. ° Nghiên cứu về các phương pháp của cụ thể, phương pháp phân lớp đữ liệu (phương pháp phân lớp đưa ra các dự báo, phân loại và cũng như phân lớp các đối tượng). 3 Nghiên cứu sẽ đưa các phương pháp phân lớp dữ liệu, và từ đó sẽ chọn ra một phương pháp tối ưu và đảm bảo nhất cho quá trình dự báo đữ liệu.

° Dự báo các mô hỉnh hoạt động kinh doanh sẽ dựa vào bộ dữ liệu đã được huấn luyện, từ đó sẽ đưa ra những mô hình hoạt động kinh doanh tốt nhất cho các doanh nghiệp được niêm yết trên sàn chứng khoán. ° Qua những kết quả của dữ liệu huấn luyện cùng với đó là dự báo mô hình hoạt động kinh doanh thông qua chỉ số EPS, tôi sẽ đưa ra các kết luận, cùng với đó là những hạn chế của bài nghiên cứu, sau đó đưa ra giải pháp tốt nhất cho bài nghiên cứu.