Tổng quan nghiên cứu

Thị trường ngoại hối là thị trường tài chính lớn nhất thế giới với doanh thu hàng ngày ước tính trên 5 tỷ đô la Mỹ, đóng vai trò quan trọng trong thương mại quốc tế và ổn định kinh tế quốc gia. Tỷ giá ngoại tệ biến động liên tục theo từng giờ, thậm chí từng giây, tạo thành chuỗi thời gian có tính tương quan phức tạp. Việc dự báo chính xác tỷ giá ngoại tệ là thách thức lớn do tính phi tuyến, hỗn loạn và ảnh hưởng của nhiều yếu tố kinh tế, chính trị đa chiều. Mục tiêu nghiên cứu của luận văn là phát triển một mô hình dự báo tỷ giá ngoại tệ dựa trên mạng nơ-ron học sâu, kết hợp auto-encoder và mạng Long Short-Term Memory (LSTM), nhằm nâng cao độ chính xác dự báo trên dữ liệu chuỗi thời gian đa biến. Nghiên cứu sử dụng dữ liệu giao dịch hàng ngày của 7 cặp tỷ giá phổ biến như EUR/USD, AUD/USD, USD/JPY, với các chỉ số giá mở cửa, đóng cửa, cao nhất và thấp nhất trong ngày. Phạm vi nghiên cứu tập trung vào dữ liệu lịch sử từ ngân hàng Dukascopy, một ngân hàng lớn của Thụy Sĩ, với khoảng thời gian đủ dài để phân tích tính hỗn loạn và đặc trưng chuỗi thời gian. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện các chỉ số đánh giá dự báo như MAE, RMSE và MAPE, đồng thời mô hình đề xuất vượt trội hơn so với các phương pháp truyền thống và các mô hình học máy, học sâu khác, góp phần hỗ trợ các nhà đầu tư và chính phủ trong việc ra quyết định kinh tế hiệu quả.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

  • Chuỗi thời gian và dự báo chuỗi thời gian: Chuỗi thời gian là tập hợp các quan sát được ghi nhận theo thời gian đều đặn, có thể đơn biến hoặc đa biến. Dự báo chuỗi thời gian nhằm xây dựng mô hình toán học phù hợp với dữ liệu lịch sử để dự đoán giá trị tương lai.

  • Mạng nơ-ron nhân tạo (ANN): Mạng MLP với một hoặc hai lớp ẩn, sử dụng hàm truyền đạt phi tuyến và thuật toán lan truyền ngược để huấn luyện, có khả năng mô hình hóa các hàm phi tuyến phức tạp.

  • Mạng nơ-ron học sâu (Deep Learning): Bao gồm các kiến trúc như Deep Belief Network (DBN), mạng nơ-ron tích chập (CNN), mạng nơ-ron hồi quy (RNN) và đặc biệt là Long Short-Term Memory (LSTM) để xử lý dữ liệu chuỗi thời gian có tính tương quan dài hạn.

  • Auto-Encoder (AE) và mạng auto-encoder xếp chồng (Stacked Auto-Encoder): Mạng AE học cách biểu diễn dữ liệu đầu vào trong không gian tiềm ẩn, giúp trích xuất đặc trưng hiệu quả và giảm chiều dữ liệu, được kết hợp với LSTM để nâng cao khả năng dự báo.

  • Lý thuyết hỗn loạn (Chaos Theory): Phân tích tính hỗn loạn của chuỗi thời gian thông qua không gian pha, xác định thời gian trễ và số chiều nhúng, tính số mũ Lyapunov cực đại để đánh giá tính hỗn loạn, từ đó tối ưu siêu tham số mô hình.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Dữ liệu tỷ giá ngoại tệ hàng ngày của 7 cặp tiền tệ (AUD/USD, EUR/USD, NZD/USD, USD/CAD, CHF/JPY, GBP/USD, USD/JPY) được thu thập từ ngân hàng Dukascopy, bao gồm các giá trị mở cửa, đóng cửa, cao nhất và thấp nhất trong ngày.

  • Phân tích dữ liệu: Dữ liệu được tiền xử lý, chuẩn hóa và phân tích tính hỗn loạn bằng phương pháp tái tạo không gian pha, xác định thời gian trễ (τ) và số chiều nhúng (m) bằng phương pháp thông tin hỗ tương và lân cận gần nhất giả (false nearest neighbor). Số mũ Lyapunov cực đại được tính để xác nhận tính hỗn loạn của chuỗi.

  • Mô hình đề xuất: Kết hợp mạng auto-encoder dựa trên LSTM để trích xuất đặc trưng từ dữ liệu đầu vào, sau đó sử dụng mạng LSTM làm mô hình dự báo chính. Mô hình tận dụng khả năng ghi nhớ dài hạn của LSTM và khả năng trích xuất thông tin hiệu quả của auto-encoder.

  • Phương pháp phân tích: Huấn luyện mô hình trên tập dữ liệu huấn luyện, đánh giá trên tập kiểm định và thử nghiệm. Các chỉ số đánh giá gồm MAE (Mean Absolute Error), RMSE (Root Mean Square Error) và MAPE (Mean Absolute Percentage Error). So sánh kết quả với các mô hình ANN, DBN, CNN, LSTM truyền thống và mô hình kết hợp auto-encoder với LSTM khác.

  • Timeline nghiên cứu: Quá trình thu thập và xử lý dữ liệu, xây dựng mô hình, huấn luyện và đánh giá thực hiện trong khoảng thời gian nghiên cứu thạc sĩ, với các bước tuần tự từ phân tích dữ liệu, thiết kế mô hình, thực nghiệm đến tổng hợp kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả mô hình đề xuất: Mô hình kết hợp auto-encoder và LSTM dự báo chính xác giá đóng cửa của các cặp tỷ giá với độ lỗi MAE trung bình giảm khoảng 15-20% so với các mô hình ANN, DBN, CNN và LSTM truyền thống trên 7 bộ dữ liệu.

  2. Khả năng dự báo dài hạn: Khi dự báo với khoảng cách 7 ngày, mô hình vẫn duy trì độ chính xác cao với RMSE giảm khoảng 10% so với các mô hình đối chiếu, chứng tỏ khả năng ghi nhớ và trích xuất đặc trưng hiệu quả.

  3. Tính hỗn loạn của dữ liệu: Phân tích số mũ Lyapunov cực đại cho thấy tất cả 7 chuỗi tỷ giá đều có tính hỗn loạn với giá trị dương, khẳng định tính phi tuyến và phức tạp của dữ liệu, từ đó lý giải sự cần thiết của mô hình học sâu kết hợp lý thuyết hỗn loạn.

  4. So sánh với mô hình kết hợp khác: Mô hình đề xuất vượt trội hơn mô hình kết hợp auto-encoder và LSTM khác trên 6/7 bộ dữ liệu, với mức cải thiện về MAPE trung bình khoảng 5%.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện độ chính xác là do mô hình tận dụng được khả năng trích xuất đặc trưng sâu sắc của auto-encoder dựa trên LSTM, giúp giảm nhiễu và tập trung vào các yếu tố quan trọng trong dữ liệu chuỗi thời gian đa biến. Việc áp dụng lý thuyết hỗn loạn giúp xác định các siêu tham số phù hợp, tối ưu hóa quá trình huấn luyện và nâng cao khả năng dự báo. Kết quả phù hợp với các nghiên cứu gần đây về ứng dụng mạng LSTM trong dự báo tài chính, đồng thời khắc phục hạn chế của mạng RNN truyền thống về triệt tiêu gradient. Dữ liệu có thể được trình bày qua các biểu đồ boxplot phân bố giá trị đóng cửa theo năm và bảng so sánh các chỉ số lỗi giữa các mô hình, giúp minh họa rõ ràng hiệu quả của mô hình đề xuất.

Đề xuất và khuyến nghị

  1. Triển khai mô hình dự báo tự động: Xây dựng hệ thống dự báo tỷ giá ngoại tệ tự động sử dụng mô hình kết hợp auto-encoder và LSTM, nhằm cung cấp dự báo chính xác hàng ngày cho các nhà đầu tư và tổ chức tài chính. Thời gian thực hiện: 6 tháng; chủ thể: các công ty công nghệ tài chính.

  2. Tích hợp lý thuyết hỗn loạn trong phân tích dữ liệu: Áp dụng phân tích hỗn loạn để xác định siêu tham số mô hình trong các bài toán dự báo tài chính khác, giúp nâng cao độ chính xác và tính ổn định của mô hình. Thời gian thực hiện: 3 tháng; chủ thể: nhóm nghiên cứu học thuật và doanh nghiệp.

  3. Mở rộng mô hình cho dữ liệu thời gian thực: Phát triển mô hình dự báo tỷ giá theo thời gian thực với dữ liệu cập nhật theo từng phút hoặc giây, đáp ứng nhu cầu giao dịch nhanh trên thị trường ngoại hối. Thời gian thực hiện: 9 tháng; chủ thể: các sàn giao dịch và công ty công nghệ.

  4. Đào tạo và nâng cao năng lực chuyên môn: Tổ chức các khóa đào tạo về mạng nơ-ron học sâu và lý thuyết hỗn loạn cho các chuyên gia tài chính và kỹ sư dữ liệu, nhằm thúc đẩy ứng dụng công nghệ mới trong lĩnh vực tài chính. Thời gian thực hiện: liên tục; chủ thể: các trường đại học và trung tâm đào tạo.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và sinh viên ngành khoa học máy tính, trí tuệ nhân tạo: Nghiên cứu về ứng dụng mạng nơ-ron học sâu trong dự báo chuỗi thời gian, đặc biệt là trong lĩnh vực tài chính.

  2. Chuyên gia và nhà phân tích tài chính, ngân hàng: Áp dụng mô hình dự báo tỷ giá ngoại tệ để hỗ trợ ra quyết định giao dịch và quản lý rủi ro hiệu quả.

  3. Doanh nghiệp công nghệ tài chính (Fintech): Phát triển các sản phẩm dự báo tài chính dựa trên mô hình học sâu kết hợp lý thuyết hỗn loạn, nâng cao tính cạnh tranh trên thị trường.

  4. Cơ quan quản lý nhà nước và chính phủ: Sử dụng kết quả dự báo để xây dựng chính sách ổn định tỷ giá và điều hành kinh tế vĩ mô phù hợp.

Câu hỏi thường gặp

  1. Mô hình kết hợp auto-encoder và LSTM có ưu điểm gì so với các mô hình truyền thống?
    Mô hình này tận dụng khả năng trích xuất đặc trưng sâu sắc của auto-encoder và khả năng ghi nhớ dài hạn của LSTM, giúp dự báo chính xác hơn trên dữ liệu chuỗi thời gian phi tuyến và hỗn loạn, vượt trội so với ANN, DBN hay CNN.

  2. Lý thuyết hỗn loạn được áp dụng như thế nào trong nghiên cứu?
    Lý thuyết hỗn loạn được dùng để phân tích tính hỗn loạn của chuỗi thời gian, xác định các siêu tham số như thời gian trễ và số chiều nhúng, từ đó tối ưu mô hình dự báo, giúp nâng cao độ chính xác và ổn định.

  3. Dữ liệu nghiên cứu có đặc điểm gì nổi bật?
    Dữ liệu là chuỗi thời gian đa biến gồm giá mở cửa, đóng cửa, cao nhất và thấp nhất hàng ngày của 7 cặp tỷ giá ngoại tệ, có tính hỗn loạn và phi tuyến cao, được thu thập từ ngân hàng Dukascopy với phạm vi thời gian dài.

  4. Mô hình có thể áp dụng cho các bài toán dự báo khác không?
    Có, mô hình kết hợp auto-encoder và LSTM cùng với phân tích hỗn loạn có thể áp dụng cho nhiều bài toán dự báo chuỗi thời gian đa biến trong các lĩnh vực như chứng khoán, khí tượng, môi trường.

  5. Các chỉ số đánh giá mô hình được sử dụng là gì?
    Nghiên cứu sử dụng các chỉ số MAE, RMSE và MAPE để đánh giá độ chính xác dự báo, giúp so sánh hiệu quả giữa mô hình đề xuất và các mô hình đối chiếu khác.

Kết luận

  • Đề xuất thành công mô hình dự báo tỷ giá ngoại tệ kết hợp auto-encoder và LSTM, nâng cao độ chính xác dự báo trên 7 bộ dữ liệu tỷ giá phổ biến.
  • Áp dụng lý thuyết hỗn loạn để phân tích dữ liệu và tối ưu siêu tham số, giúp mô hình thích nghi tốt với tính phi tuyến và hỗn loạn của chuỗi thời gian.
  • Mô hình vượt trội hơn các phương pháp truyền thống và các mô hình học sâu khác về các chỉ số MAE, RMSE và MAPE.
  • Kết quả nghiên cứu có ý nghĩa thực tiễn cao, hỗ trợ nhà đầu tư, doanh nghiệp và cơ quan quản lý trong việc ra quyết định kinh tế hiệu quả.
  • Hướng phát triển tiếp theo là mở rộng mô hình cho dữ liệu thời gian thực và các bài toán dự báo đa lĩnh vực, đồng thời triển khai ứng dụng thực tế.

Hành động tiếp theo: Khuyến nghị các tổ chức tài chính và doanh nghiệp công nghệ tài chính áp dụng mô hình để nâng cao hiệu quả dự báo và quản lý rủi ro trên thị trường ngoại hối.