Dự báo tỷ giá ngoại tệ bằng mạng nơ-ron học sâu

Luận văn thạc sĩ về ứng dụng mạng nơ-ron học sâu (LSTM, Autoencoder) dự báo tỷ giá ngoại tệ. Nghiên cứu khoa học máy tính chuyên sâu, kết quả mới nhất.

• Tác giả: Trần Văn Hòa
• Người hướng dẫn: PGS.TS Dương Tuấn Anh
• Trường học: Đại học Bách Khoa, ĐHQG Tp. HCM
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Dự Báo Tỷ Giá Ngoại Tệ Bằng Mạng Nơ-ron Học Sâu
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2020
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI ĐẦU TIÊN
• TÓM TẮT
• ABSTRACT
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU VẤN ĐỀ
• 1.1. Mục tiêu nghiên cứu
• 1.2. Kết quả đạt được
• 1.3. Cấu trúc của luận văn
• 2. CHƯƠNG 2: CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN
• 2.1. Phương pháp truyền thống
• 2.2. Phương pháp học máy
• 2.3. Phương pháp học sâu
• 3. CHƯƠNG 3: CƠ SỞ LÝ THUYẾT
• 4. CHƯƠNG 4: PHƯƠNG PHÁP NGHIÊN CỨU
• 4.1. Phân tích dữ liệu
• 4.2. Đề xuất mô hình
• 5. CHƯƠNG 5: KẾT QUẢ THỰC NGHIỆM
• 5.1. Tiêu chí đánh giá
• 5.2. Kết quả thực nghiệm
• 5.3. Hướng nghiên cứu tiếp theo
• 6. CHƯƠNG 6: KẾT LUẬN
• A: BẢNG ĐỐI CHIẾU THUẬT NGỮ ANH - VIỆT
• DANH SÁCH HÌNH VẼ
• DANH SÁCH BẢNG

Tóm tắt

I. Tổng Quan Dự Báo Tỷ Giá Ngoại Tệ Bằng Mạng Nơ ron

Thị trường ngoại hối toàn cầu là một hệ sinh thái tài chính khổng lồ, với doanh thu hàng ngày vượt quá 5 nghìn tỷ đô la. Đây là huyết mạch của thương mại quốc tế. Tỷ giá tiền tệ, yếu tố quyết định giá trị trao đổi giữa các đồng tiền, có ảnh hưởng sâu sắc đến doanh thu của các tổ chức và cá nhân tham gia giao dịch ngoại tệ. Đối với mỗi quốc gia, tỷ giá còn liên quan mật thiết đến an ninh kinh tế. Chính phủ phải duy trì sự ổn định của tỷ giá để kiểm soát lạm phát và bảo vệ sản xuất trong nước. Dự báo tỷ giá chính xác, vì vậy, trở thành một yếu tố sống còn trong bất kỳ chiến lược kinh doanh hiệu quả nào trên thị trường ngoại hối. Bài toán dự báo tỷ giá rất khó do tính chất phức tạp và hỗn loạn của thị trường, đòi hỏi những mô hình mạnh mẽ và linh hoạt. Các mô hình kinh tế truyền thống thường có độ chính xác hạn chế do bỏ qua các yếu tố phi tuyến và tương tác phức tạp. Với sự phát triển của học máy, các phương pháp tiên tiến như mạng nơ-ron đã mang lại những cải tiến đáng kể. Gần đây, mạng nơ-ron học sâu (DNN) đã chứng minh hiệu quả vượt trội trong nhiều lĩnh vực, nhờ khả năng tự động trích xuất các đặc trưng trừu tượng từ dữ liệu. Các nghiên cứu cho thấy, mạng nơ-ron tích chập (CNN) có thể đạt độ chính xác tới 70% trong dự báo tỷ giá. Tuy nhiên, CNN và các mô hình ANN truyền thống còn hạn chế trong việc ghi nhớ ngữ cảnh thời gian, điều rất quan trọng trong dự báo chuỗi thời gian như tỷ giá.

1.1. Tầm Quan Trọng của Dự Báo Tỷ Giá Chính Xác Trong Forex

Thị trường Forex biến động liên tục, từng giây từng phút. Dự báo chính xác giúp nhà đầu tư và doanh nghiệp chủ động đưa ra quyết định. Sai lầm trong dự báo có thể dẫn đến thiệt hại lớn. Rủi ro tỷ giá là một trong những rủi ro lớn nhất mà các công ty đa quốc gia phải đối mặt. Dự báo chính xác giúp giảm thiểu rủi ro này. Các nhà hoạch định chính sách cũng cần dự báo chính xác để đưa ra các quyết định tiền tệ phù hợp. Các quyết định này ảnh hưởng đến toàn bộ nền kinh tế.

1.2. Những Thách Thức Khi Dự Báo Tỷ Giá Ngoại Tệ Hiệu Quả

Thị trường ngoại hối bị ảnh hưởng bởi vô số yếu tố, từ kinh tế đến chính trị. Các yếu tố này thường tương tác phức tạp và khó dự đoán. Dữ liệu tỷ giá thường nhiễu và không ổn định. Các mô hình dự báo cần phải lọc bỏ nhiễu và xử lý tính không ổn định. Sự thay đổi chính sách tiền tệ của các ngân hàng trung ương có thể tác động lớn đến tỷ giá. Các sự kiện bất ngờ như khủng hoảng kinh tế hoặc xung đột chính trị cũng có thể làm thay đổi xu hướng tỷ giá. Các yếu tố kinh tế vĩ mô như lạm phát, lãi suất, và tăng trưởng kinh tế đều ảnh hưởng đến tỷ giá.

II. Vấn Đề Mô Hình Truyền Thống Dự Báo Tỷ Giá Hạn Chế

Trong quá khứ, các nhà nghiên cứu thường sử dụng các kỹ thuật tuyến tính như ARIMA và làm mịn mũ (Exponential Smoothing - ES) để dự báo tỷ giá. Mặc dù đơn giản và dễ sử dụng, các mô hình này có nhiều hạn chế. Chúng giả định rằng dữ liệu chuỗi thời gian là tuyến tính và ổn định, điều này không đúng trong thực tế. Biến động tỷ giá thường phi tuyến và hỗn loạn, khiến cho các mô hình tuyến tính không thể nắm bắt được các xu hướng phức tạp. Maniatis và các cộng sự đã sử dụng ARIMA và ES để dự báo tỷ giá EUR/USD, nhưng kết quả còn hạn chế. Các mô hình này chỉ có thể dự đoán những thay đổi ngắn hạn trong một phạm vi hẹp. Do đó, cần có những phương pháp dự báo mạnh mẽ hơn để đối phó với tính phức tạp của thị trường ngoại hối.

2.1. Hạn Chế Của Mô Hình ARIMA và Exponential Smoothing ES

ARIMA và ES là các mô hình thống kê truyền thống dựa trên các giả định về tính tuyến tính và ổn định của dữ liệu. Tuy nhiên, thị trường ngoại hối thường xuyên biến động và không tuân theo các giả định này. Các mô hình này có thể bỏ lỡ các mối quan hệ phi tuyến và tương tác phức tạp giữa các yếu tố ảnh hưởng đến tỷ giá. Do đó, chúng thường không thể dự đoán chính xác các biến động lớn hoặc các thay đổi đột ngột trong xu hướng tỷ giá. Để cải thiện độ chính xác của dự báo, cần sử dụng các mô hình phức tạp hơn, có khả năng nắm bắt các đặc tính phi tuyến và hỗn loạn của dữ liệu.

2.2. Tại Sao Học Máy Vượt Trội Mô Hình Truyền Thống Dự Báo Tỷ Giá

Machine learning có khả năng học các mối quan hệ phi tuyến từ dữ liệu. Điều này cho phép các mô hình học máy nắm bắt được các xu hướng phức tạp trong thị trường ngoại hối. Các mô hình học máy có thể tự động điều chỉnh để thích ứng với các thay đổi trong dữ liệu. Điều này giúp chúng duy trì độ chính xác dự báo trong thời gian dài. Học máy có thể kết hợp nhiều nguồn dữ liệu khác nhau để cải thiện độ chính xác dự báo, bao gồm dữ liệu kinh tế, chính trị và xã hội.

III. Giải Pháp Mạng Nơ ron Học Sâu LSTM và Autoencoder Hiệu Quả

Trong những năm gần đây, deep learning đã nổi lên như một công cụ mạnh mẽ để giải quyết các bài toán phức tạp, bao gồm cả dự báo tỷ giá. Mạng LSTM (Long Short-Term Memory) đặc biệt phù hợp với dữ liệu chuỗi thời gian như tỷ giá, vì chúng có khả năng ghi nhớ các thông tin quan trọng trong quá khứ. Autoencoder là một loại mạng nơ-ron có thể tự động trích xuất các đặc trưng quan trọng từ dữ liệu, giúp giảm nhiễu và cải thiện hiệu suất dự báo. Việc kết hợp LSTM và Autoencoder có thể tạo ra các mô hình dự báo tỷ giá mạnh mẽ và chính xác. Nghiên cứu này đề xuất một mô hình như vậy, kết hợp LSTM-based Autoencoder để trích xuất thông tin và LSTM để dự báo.

3.1. Ưu Điểm Của Mạng LSTM Trong Dự Báo Chuỗi Thời Gian Tỷ Giá

LSTM là một loại mạng nơ-ron hồi quy (RNN) được thiết kế đặc biệt để xử lý dữ liệu chuỗi thời gian. LSTM có khả năng ghi nhớ các thông tin quan trọng trong quá khứ, giúp chúng nắm bắt được các xu hướng dài hạn trong dữ liệu tỷ giá. LSTM cũng có khả năng xử lý các chuỗi thời gian dài mà không gặp phải vấn đề biến mất gradient (vanishing gradient), một vấn đề thường gặp ở các mạng RNN truyền thống. Khả năng này giúp LSTM duy trì hiệu suất dự báo tốt ngay cả khi dữ liệu quá khứ xa có ảnh hưởng đến tỷ giá hiện tại.

3.2. Cách Autoencoder Giúp Trích Xuất Đặc Trưng và Giảm Nhiễu Dữ Liệu

Autoencoder là một loại mạng nơ-ron được sử dụng để học các biểu diễn nén của dữ liệu. Bằng cách huấn luyện autoencoder để tái tạo dữ liệu đầu vào, mạng có thể học được các đặc trưng quan trọng nhất của dữ liệu. Các đặc trưng này có thể được sử dụng để cải thiện hiệu suất của các mô hình dự báo khác, chẳng hạn như LSTM. Autoencoder cũng có thể được sử dụng để giảm nhiễu trong dữ liệu, giúp các mô hình dự báo tập trung vào các tín hiệu quan trọng nhất.

IV. Phương Pháp Xây Dựng Mô Hình AELSTM Dự Báo Tỷ Giá Chính Xác

Mô hình đề xuất kết hợp LSTM-based Autoencoder (AELSTM) để trích xuất thông tin và LSTM để dự báo. Đầu tiên, AELSTM được sử dụng để học các đặc trưng quan trọng từ dữ liệu tỷ giá quá khứ. Sau đó, các đặc trưng này được đưa vào mô hình LSTM để dự báo tỷ giá trong tương lai. Để nâng cao khả năng dự báo, lý thuyết hỗn loạn (chaos theory) được sử dụng để phân tích dữ liệu và tìm các tham số tối ưu. Việc sử dụng lý thuyết hỗn loạn giúp xác định các đặc điểm phi tuyến và hỗn loạn của dữ liệu, cho phép mô hình dự báo thích ứng tốt hơn với các biến động thị trường.

4.1. Quy Trình Huấn Luyện Mô Hình AELSTM Cho Dự Báo Tỷ Giá

Quá trình huấn luyện mô hình AELSTM bao gồm hai giai đoạn chính: huấn luyện autoencoder và huấn luyện LSTM. Trong giai đoạn đầu tiên, autoencoder được huấn luyện để tái tạo dữ liệu tỷ giá quá khứ. Mục tiêu là để autoencoder học được các đặc trưng quan trọng nhất của dữ liệu. Trong giai đoạn thứ hai, LSTM được huấn luyện để dự báo tỷ giá trong tương lai dựa trên các đặc trưng được trích xuất bởi autoencoder. Mô hình được đánh giá bằng cách sử dụng các tập dữ liệu kiểm định và thử nghiệm để đảm bảo khả năng tổng quát hóa.

4.2. Ứng Dụng Lý Thuyết Hỗn Loạn Tối Ưu Tham Số Mô Hình Dự Báo

Lý thuyết hỗn loạn giúp xác định các tham số quan trọng nhất ảnh hưởng đến dự báo tỷ giá. Bằng cách phân tích các thuộc tính hỗn loạn của dữ liệu, có thể tìm ra các tham số tối ưu cho mô hình AELSTM. Lý thuyết hỗn loạn cũng có thể được sử dụng để đánh giá tính ổn định của mô hình dự báo. Một mô hình ổn định sẽ ít bị ảnh hưởng bởi các nhiễu loạn nhỏ trong dữ liệu.

V. Thực Nghiệm Đánh Giá Hiệu Quả Mô Hình AELSTM Dự Báo Tỷ Giá

Mô hình AELSTM được đánh giá trên bảy bộ dữ liệu tỷ giá ngoại tệ khác nhau: EUR/USD, AUD/USD, NZD/USD, USD/CAD, CHF/JPY, GBP/USD, và USD/JPY. Các bộ dữ liệu này bao gồm dữ liệu lịch sử về giá mở cửa, giá đóng cửa, giá cao nhất, và giá thấp nhất trong ngày. Hiệu suất của mô hình được đánh giá bằng ba thước đo: Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), và Mean Absolute Percentage Error (MAPE). Kết quả thực nghiệm cho thấy mô hình AELSTM vượt trội so với các mô hình khác như ANN, DBN, CNN, LSTM và một phương pháp kết hợp Autoencoder và LSTM khác trên sáu trong số bảy bộ dữ liệu.

5.1. Tiêu Chí Đánh Giá Hiệu Quả Mô Hình Dự Báo Tỷ Giá AELSTM

MAE, RMSE, và MAPE là các thước đo phổ biến để đánh giá hiệu suất của các mô hình dự báo. MAE đo lường sự khác biệt trung bình giữa giá trị dự báo và giá trị thực tế. RMSE đo lường độ lệch chuẩn của các sai số dự báo. MAPE đo lường sai số dự báo dưới dạng phần trăm của giá trị thực tế. Các giá trị MAE, RMSE, và MAPE càng nhỏ thì mô hình dự báo càng chính xác.

5.2. So Sánh AELSTM Với Các Mô Hình Học Sâu Khác ANN CNN LSTM

Kết quả thực nghiệm cho thấy AELSTM vượt trội hơn so với ANN, DBN, CNN, và LSTM trên hầu hết các bộ dữ liệu. Điều này cho thấy rằng việc kết hợp Autoencoder và LSTM có thể cải thiện đáng kể hiệu suất dự báo tỷ giá. Autoencoder giúp trích xuất các đặc trưng quan trọng nhất từ dữ liệu, trong khi LSTM giúp nắm bắt các xu hướng dài hạn trong dữ liệu.

VI. Kết Luận Hướng Phát Triển Tương Lai Dự Báo Tỷ Giá

Nghiên cứu này đã đề xuất một mô hình học sâu hiệu quả để dự báo tỷ giá ngoại tệ, kết hợp LSTM và Autoencoder. Kết quả thực nghiệm cho thấy mô hình AELSTM có hiệu suất vượt trội so với các mô hình truyền thống và các mô hình học máy khác. Tuy nhiên, vẫn còn nhiều hướng phát triển tiềm năng cho nghiên cứu này. Trong tương lai, có thể khám phá các kiến trúc mạng nơ-ron phức tạp hơn, sử dụng nhiều nguồn dữ liệu hơn, và áp dụng các kỹ thuật tối ưu hóa tiên tiến hơn để cải thiện hơn nữa độ chính xác của dự báo.

6.1. Tổng Kết Ưu Điểm và Hạn Chế Của Mô Hình AELSTM

AELSTM có ưu điểm là khả năng trích xuất các đặc trưng quan trọng từ dữ liệu và khả năng nắm bắt các xu hướng dài hạn trong dữ liệu. Tuy nhiên, AELSTM cũng có một số hạn chế, chẳng hạn như yêu cầu lượng lớn dữ liệu huấn luyện và độ phức tạp tính toán cao. Việc huấn luyện mô hình AELSTM có thể tốn nhiều thời gian và tài nguyên tính toán.

6.2. Các Hướng Nghiên Cứu Tiếp Theo Để Nâng Cao Độ Chính Xác

Trong tương lai, có thể khám phá các kiến trúc mạng nơ-ron phức tạp hơn, chẳng hạn như các mạng nơ-ron biến đổi (transformer networks). Cũng có thể sử dụng nhiều nguồn dữ liệu hơn, chẳng hạn như dữ liệu tin tức và dữ liệu mạng xã hội. Hơn nữa, có thể áp dụng các kỹ thuật tối ưu hóa tiên tiến hơn, chẳng hạn như tối ưu hóa Bayesian, để cải thiện hiệu suất của mô hình dự báo. Cuối cùng, việc kết hợp các mô hình dự báo khác nhau có thể cải thiện độ chính xác và độ tin cậy của dự báo.

Nội dung chính

Tổng quan nghiên cứu

Thị trường ngoại hối là thị trường tài chính lớn nhất thế giới với doanh thu hàng ngày vượt quá 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 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 biến đầu vào gồm giá mở cửa, đóng cửa, cao nhất và thấp nhất trong ngày. Phạm vi nghiên cứu tập trung vào dữ liệu lịch sử từ các ngân hàng lớn trong khoảng thời gian nhiều năm, đảm bảo tính đại diện và độ tin cậy. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện các chỉ số đánh giá dự báo như MAE, RMSE và MAPE, góp phần hỗ trợ các nhà đầu tư, tổ chức tài chính và chính phủ trong việc ra quyết định kinh tế hiệu quả hơn.

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 phi tuyến và thuật toán lan truyền ngược để huấn luyện, có khả năng mô hình hóa các hàm phi tuyến phức tạp.

• Deep Belief Network (DBN): Mạng học sâu gồm nhiều lớp Restricted Boltzmann Machine (RBM) xếp chồng, học không giám sát từng lớp để trích xuất đặc trưng và học có giám sát để tối ưu hóa mô hình.

• Mạng nơ-ron tích chập (CNN): Mạng chuyên xử lý dữ liệu dạng ảnh, sử dụng lớp tích chập để trích xuất đặc trưng không gian, lớp pooling để giảm kích thước dữ liệu và lớp fully-connected để phân loại.

• Mạng nơ-ron hồi quy (RNN) và Long Short-Term Memory (LSTM): RNN có khả năng ghi nhớ thông tin theo chuỗi thời gian, nhưng gặp vấn đề triệt tiêu gradient. LSTM cải tiến với các cổng điều khiển (forget, input, output gate) giúp lưu giữ thông tin dài hạn hiệu quả.

• Auto-Encoder (AE) và Stacked Auto-Encoder (SAE): Mạng nơ-ron học không giám sát, trích xuất đặc trưng dữ liệu bằng cách mã hóa và giải mã, giúp giảm chiều dữ liệu và khử nhiễu.

• Lý thuyết hỗn loạn (Chaos Theory): Phân tích tính hỗn loạn của chuỗi thời gian bằng cách tái tạo không gian pha, xác định thời gian trễ và số chiều nhúng, tính số mũ Lyapunov cực đại để đánh giá tính hỗn loạn của dữ liệu.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng là bộ dữ liệu tỷ giá ngoại tệ lịch sử được thu thập từ ngân hàng Dukascopy, bao gồm các giá trị mở cửa, đóng cửa, cao nhất và thấp nhất trong ngày của 7 cặp tỷ giá: AUD/USD, EUR/USD, NZD/USD, USD/CAD, CHF/JPY, GBP/USD, USD/JPY. Dữ liệu được phân chia thành các tập huấn luyện, kiểm định và thử nghiệm theo tỷ lệ phù hợp.

Phương pháp phân tích gồm:

• Tiền xử lý dữ liệu: chuẩn hóa, nội suy giá trị thiếu, chuyển đổi dữ liệu thành dạng phù hợp cho mô hình.

• Phân tích tính hỗn loạn: sử dụng phương pháp thời gian trễ và số chiều nhúng để tái tạo không gian pha, tính số mũ Lyapunov cực đại nhằm xác định tính hỗn loạn của chuỗi thời gian.

• Xây dựng mô hình dự báo: kết hợp mạng auto-encoder dựa trên LSTM để trích xuất đặc trưng và mạng LSTM để dự báo giá trị đóng cửa tương lai.

• Huấn luyện mô hình: sử dụng thuật toán lan truyền ngược với bộ dữ liệu huấn luyện, tối ưu siêu tham số dựa trên lý thuyết hỗn loạn để nâng cao hiệu quả dự báo.

• Đánh giá mô hình: sử dụng các chỉ số MAE, RMSE, MAPE trên tập kiểm định và thử nghiệm để so sánh với các mô hình truyền thống và học sâu khác như ANN, DBN, CNN, LSTM đơn thuần và mô hình kết hợp auto-encoder với LSTM khác.

Thời gian nghiên cứu kéo dài trong nhiều tháng, đảm bảo thu thập và xử lý dữ liệu đầy đủ, thực hiện các thí nghiệm và phân tích kết quả chi tiết.

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 dựa trên lý thuyết hỗn loạn đạt độ chính xác cao hơn so với các mô hình ANN, DBN, CNN, LSTM đơn thuần và mô hình kết hợp auto-encoder với LSTM khác trên 6/7 bộ dữ liệu tỷ giá. Ví dụ, trên bộ dữ liệu EUR/USD, mô hình đạt MAE giảm khoảng 15% so với LSTM truyền thống.

2. Khả năng trích xuất đặc trưng: Auto-encoder dựa trên LSTM giúp trích xuất các đặc trưng trừu tượng từ dữ liệu chuỗi thời gian đa biến, cải thiện khả năng dự báo của mạng LSTM. Điều này được thể hiện qua việc giảm đáng kể sai số RMSE trên các bộ dữ liệu như AUD/USD và GBP/USD.

3. Tác động của lý thuyết hỗn loạn: Việc áp dụng lý thuyết hỗn loạn để xác định siêu tham số giúp mô hình tối ưu hóa hiệu suất dự báo, đặc biệt với các chuỗi thời gian có tính hỗn loạn cao như USD/JPY và CHF/JPY, với số mũ Lyapunov dương.

4. So sánh với các phương pháp khác: Mô hình đề xuất vượt trội hơn các phương pháp truyền thống như ARIMA và các mô hình học máy khác về độ chính xác và khả năng dự báo dài hạn, thể hiện qua các chỉ số MAPE giảm trung bình 10-12% trên các bộ dữ liệu thử nghiệm.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện là do mô hình tận dụng được khả năng ghi nhớ dài hạn của LSTM và khả năng trích xuất đặc trưng hiệu quả của auto-encoder, đồng thời sử dụng lý thuyết hỗn loạn để điều chỉnh siêu tham số phù hợp với tính chất phi tuyến và hỗn loạn của dữ liệu tỷ giá ngoại tệ. Kết quả này phù hợp với các nghiên cứu gần đây về ứng dụng mạng học sâu trong dự báo chuỗi thời gian tài chính.

So sánh với các nghiên cứu trước đây, mô hình đề xuất không chỉ cải thiện độ chính xác mà còn giảm thiểu hiện tượng quá khớp nhờ cấu trúc mạng sâu và kỹ thuật huấn luyện tinh chỉnh. Dữ liệu có thể được trình bày qua biểu đồ so sánh sai số MAE, RMSE giữa các mô hình trên từng bộ dữ liệu, cũng như bảng tổng hợp các chỉ số đánh giá để minh họa rõ ràng hiệu quả vượt trội.

Kết quả nghiên cứu có ý nghĩa thực tiễn lớn trong việc hỗ trợ các nhà đầu tư và tổ chức tài chính đưa ra quyết định giao dịch ngoại hối chính xác hơn, đồng thời cung cấp cơ sở khoa học cho việc phát triển các hệ thống dự báo tự động trong tương lai.

Đề xuất và khuyến nghị

1. Triển khai mô hình dự báo tự động trong các tổ chức tài chính: Áp dụng mô hình kết hợp auto-encoder và LSTM để xây dựng hệ thống dự báo tỷ giá ngoại tệ tự động, nhằm nâng cao độ chính xác dự báo và giảm thiểu rủi ro giao dịch. Thời gian thực hiện trong 6-12 tháng, do các phòng phân tích và công nghệ thông tin phối hợp thực hiện.

2. Tăng cường thu thập và xử lý dữ liệu đa chiều: Mở rộng dữ liệu đầu vào bao gồm các yếu tố kinh tế, chính trị liên quan để cải thiện khả năng dự báo, đồng thời áp dụng kỹ thuật tiền xử lý nâng cao nhằm giảm nhiễu và tăng tính ổn định của mô hình. Chủ thể thực hiện là các trung tâm nghiên cứu và phân tích dữ liệu trong vòng 3-6 tháng.

3. Nghiên cứu mở rộng mô hình cho dự báo đa biến và đa cấp thời gian: Phát triển mô hình dự báo cho các chuỗi thời gian đa biến phức tạp hơn và dự báo theo nhiều cấp độ thời gian khác nhau (giờ, ngày, tuần) để đáp ứng nhu cầu thực tế. Thời gian nghiên cứu 12-18 tháng, do các nhóm nghiên cứu chuyên sâu về học sâu và tài chính thực hiện.

4. Đào tạo và nâng cao năng lực chuyên môn cho cán bộ phân tích: Tổ chức các khóa đào tạo về mạng nơ-ron học sâu, lý thuyết hỗn loạn và ứng dụng trong tài chính cho cán bộ phân tích và kỹ sư dữ liệu nhằm đảm bảo vận hành và phát triển mô hình hiệu quả. Thời gian đào tạo 3-6 tháng, do các viện đào tạo và chuyên gia trong ngành phối hợp thực hiện.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và học viên cao học ngành Khoa học Máy tính, Tài chính và Kinh tế: Luận văn cung cấp kiến thức chuyên sâu về ứng dụng mạng nơ-ron học sâu và lý thuyết hỗn loạn trong dự báo chuỗi thời gian tài chính, hỗ trợ phát triển đề tài nghiên cứu và luận văn.

2. Chuyên gia phân tích tài chính và nhà đầu tư ngoại hối: Cung cấp phương pháp dự báo tỷ giá ngoại tệ chính xác hơn, giúp tối ưu hóa chiến lược giao dịch và quản lý rủi ro trên thị trường ngoại hối.

3. Các tổ chức tài chính, ngân hàng và công ty công nghệ tài chính (Fintech): Tham khảo để xây dựng hệ thống dự báo tự động, nâng cao hiệu quả hoạt động và cạnh tranh trên thị trường.

4. Nhà phát triển phần mềm và kỹ sư dữ liệu: Hướng dẫn chi tiết về thiết kế, huấn luyện và đánh giá mô hình mạng nơ-ron học sâu kết hợp auto-encoder và LSTM, áp dụng trong các dự án xử lý dữ liệu chuỗi thời gian phức tạp.

Câu hỏi thường gặp

1. Mô hình kết hợp auto-encoder và LSTM có ưu điểm gì so với LSTM đơn thuần?
   Mô hình kết hợp tận dụng khả năng trích xuất đặc trưng hiệu quả của auto-encoder và khả năng ghi nhớ dài hạn của LSTM, giúp giảm sai số dự báo và tăng độ ổn định, đặc biệt với dữ liệu chuỗi thời gian đa biến và hỗn loạn.

2. Lý thuyết hỗn loạn được áp dụng như thế nào trong nghiên cứu này?
   Lý thuyết hỗn loạn được sử dụng 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 hóa mô hình dự báo nhằm nâng cao độ chính xác.

3. Dữ liệu sử dụng trong nghiên cứu có đặc điểm gì?
   Dữ liệu là các giá trị giao dịch hàng ngày của 7 cặp tỷ giá ngoại tệ phổ biến, bao gồm giá mở cửa, đóng cửa, cao nhất và thấp nhất, được thu thập từ ngân hàng Dukascopy với phạm vi nhiều năm, đảm bảo tính đại diện và độ tin cậy.

4. Mô hình có thể áp dụng cho các loại dữ liệu chuỗi thời gian khác không?
   Có, mô hình có thể mở rộng áp dụng cho các chuỗi thời gian đa biến trong các lĩnh vực như chứng khoán, khí tượng, môi trường, với điều chỉnh phù hợp về cấu trúc và siêu tham số.

5. Các chỉ số đánh giá mô hình được sử dụng là gì?
   Nghiên cứu sử dụng các chỉ số MAE (Mean Absolute Error), RMSE (Root Mean Square Error) và MAPE (Mean Absolute Percentage Error) để đánh giá độ chính xác và hiệu quả của mô hình trên các bộ dữ liệu thử nghiệm.

Kết luận

• Đề xuất thành công mô hình dự báo tỷ giá ngoại tệ kết hợp auto-encoder và LSTM dựa trên lý thuyết hỗn loạn, nâng cao độ chính xác dự báo trên 7 bộ dữ liệu thực nghiệm.
• Mô hình vượt trội hơn các phương pháp truyền thống và học sâu khác về các chỉ số MAE, RMSE và MAPE, đặc biệt với dữ liệu có tính hỗn loạn cao.
• Phương pháp phân tích tính hỗn loạn giúp tối ưu hóa siêu tham số, tăng khả năng dự báo dài hạn và ổn định của mô hình.
• Kết quả nghiên cứu có ý nghĩa thực tiễn lớn trong lĩnh vực tài chính, hỗ trợ nhà đầu tư và tổ chức tài chính ra quyết định hiệu quả.
• Hướng phát triển tiếp theo là mở rộng mô hình cho dự báo đa cấp thời gian và đa biến phức tạp, đồng thời triển khai ứng dụng thực tế trong các tổ chức tài chính.

Các nhà nghiên cứu và tổ chức tài chính nên áp dụng và thử nghiệm mô hình trong môi trường thực tế, đồng thời tiếp tục nghiên cứu cải tiến để đáp ứng nhu cầu ngày càng cao của thị trường ngoại hối.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. GIỚI THIỆU VẤN ĐỀ • Chương 4 - Phương pháp nghiên cứu: phân tích đặc điểm của dữ liệu và trình cụ thể mô hình đề xuất và cách thức mô hình hoạt động • Chương 5 - Kết quả thực nghiệm: là kết quả đánh giá của phương pháp đề xuất và so sánh với các phương pháp khác • Chương 6 - Kết luận: nêu ra các kết luận đúc kết được trong quá trình nghiên cứu và hướng phát triển tiếp theo trong tương lai. 4 Chương 2 Các công trình nghiên cứu liên quan Chương này trình bày các công trình liên quan được chúng tôi tìm hiểu trong quá trình nghiên cứu thực hiện đề tài. Dựa vào các kỹ thuật giải quyết bài toán khác nhau, có thể chia các công trình đã thực hiện thành các nhóm: • Phương pháp truyền thống • Phương pháp học máy • Phương pháp học sâu Dự đoán giá trị tỉ giá ngoại hối là một bài toán đầy thách thức bởi vì tỉ giá tiền tệ không ổn định, hỗn loạn, có nhiều nhiễu [2] và đặc biệt là một hệ thống phi tuyến với sự tương hỗ phức tạp giữa các nhân tố.

Chính vì thế mà không có một thông tin đầy đủ nào có thể thể hiện mối quan hệ chính xác giữa giá trị ở tương lai và những hành vi xảy ra trong quá khứ. Một giả định thường được sử dụng khi giải quyết bài toán này là dự liệu lịch sử có thể đại diện được cho tất cả các yếu tố tác động trong quá khứ.1 Phương pháp truyền thống Trong nhiều năm trước đây, các nhà nghiên cứu sử dụng các kỹ thuật tuyến tính để giải quyết bài toán dự đoán tỷ giá ngoại tệ, như kỹ thuật Auto-Regressive 5 CHƯƠNG 2. CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN Integrated Moving Average (ARIMA) [7] và làm mịn mũ (Exponential Smooth- ing - ES) [26]. Maniatis và các cộng sư [26] đã tiến hành dự báo tỉ giá giữa đồng E-rô và đô-la Mỹ sử dụng phương pháp ARIMA và ES.

Các mô hình này cho kết quả còn hạn chế vì đơn giản chỉ là tính toán xác suất đối với những thay đổi ngắn hạn của tỷ giá hối đoái nằm trong các phạm vi cụ thể. Vì đơn giản và phổ biến nên phương pháp này được sử dụng rộng rãi để so sánh các mô hình hiện tại. Tuy nhiên, phương pháp này lại giả định dữ liệu chuỗi thời gian là tuyến tính và ổn định, vì vậy, nó không phù hợp với các bài toán với dữ liệu phi tuyến và hỗn loạn.2 Phương pháp học máy Nhiều phương pháp học máy cũng được áp dụng vào bài toán dự báo chuỗi thời gian nói riêng và dự báo tỉ giá ngoại tệ nói chung. Cao và các cộng sự [8] sử dụng phương pháp suport vector machine (SVM) để dự báo giá trị đóng phiên giao dịch của tỉ giá đồng bảng Anh và đô-la Mỹ (GBP/USD).

Để lựa chọn được các giá trị tham số phù hợp với mô hình, các tác giả tiến hành thực nghiệm với nhiều bộ tham số khác nhau và chọn bộ tham số cho kết quả tốt nhât. Kết quả của mô hình dự báo còn cách giá trị thực tế một khoảng cách lớn. Với đặc điểm có thể mô hình hóa các bài toán phi tuyến, artificial neural networks (ANN) được sử dụng phổ biến trong các bài toán dự báo chuỗi thời gian. Nhiều nghiên cứu đã chứng minh rằng ANN là một kỹ thuật hiệu quả trong bài toán dự báo dữ liệu tài chính.

Tang và Fishwich [33], Wang và Leu [36] đã chỉ ra rằng ANN cho kết quả tốt hơn kỹ thuật ARIMA, đặc biệt với các dữ liệu không ổn định. Thinyane [34] và Millin chỉ ra rằng với kiến trúc ANN càng phức tạp thì kết quả dự đoán càng chính xác. Kết quả này nhờ vào khả năng biểu diễn xấp xỉ bất kì hàm liên tục nào và là mô hình phi tham số (non-parametric), không cần bất kỳ giả định nào về đặc tính của dữ liệu đầu vào. Nhưng vì kết nối giữa các lớp trong ANN 6 CHƯƠNG 2.

CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN khá lớn dẫn đến trọng số của kiến trúc này nhiều. Vì thế, ANN không thể xây dựng được các mô hình phức tạp và dễ bị hiện tượng quá khớp mà không thể làm tốt với dữ liệu ngoài thực tế. Để giải quyết vấn đề này Nag và Mitra [29] đã sử dụng giải thuật di truyền để tìm kiếm các siêu tham số cho mô hình như giá trị của hệ số học (learning rate), giá trị quán tính (momentum), số lớp ẩn, số nốt ở mỗi lớp, hàm kích hoạt.3 Phương pháp học sâu Với sự kết hợp giữa các lớp nơ-rơn ẩn và mô hình xác suất máy Boltzmann giới hạn (restricted Boltzmann machine - RBM), Hinton và các cộng sự [15] đã phát minh ra kiến trúc Deep blief network (DBN). DBN đã chứng tỏ được sức mạnh của mình qua việc giải quyết tốt nhiều loại bài toán khác nhau như: phân lớp [22], thu giảm chiều [16], trích xuất thông tin [37].

Và DBN cũng được kiểm chứng trong lĩnh vực tài chính, Chao và các cộng sự [9] đã sử dụng phương DBN để giải quyết bài toán dự đoán tỉ giá ngoại tệ giữa đồng bản Anh và đồng đô-la Mỹ, giữa đồng Ấn Độ và đô-la Mỹ. Bằng phương pháp thực nghiệm, tác giả đã xây dựng kiến trúc 6-16-8-1 với 6 nốt dữ liệu đầu vào, 16 nốt ẩn ở lớp ẩn đầu tiên, và 1 nốt đầu ra cho tập dữ liệu tỉ giá Anh và đô-la Mỹ và kiến trúc 10-3-3-1 cho tập dữ liệu tỉ giá Ấn Độ và đô-la Mỹ. Kết quả của thí nghiệm đã chứng minh DBN vượt trội hơn so với phương pháp mạng nơ-rơn truyền thẳng thông thường. Với sự phát triển của phần cứng trong những năm gần đây, những mô hình mạng học sâu như: mạng nơ-ron tích chập (convolutional neural network - CNN), mạng nơ-ron hồi quy (recurrent neural network - RNN) đã thể hiện được sự ưu việt của chúng trong nhiều bài toán phức tạp.

CNN được biết nhiều đến với các bài toán về xử lý ảnh, với khả năng có thể phần loại ảnh có thể so sánh với khả năng con người. Không những thế CNN cũng đang dần được áp dụng vào các bài toán về phân tích và dự báo chuỗi thời gian. Galeshchuk và Mukherjee năm 2017 [13] đã áp dụng CNN để phân loại xu hướng của dữ liệu tỉ giá ngoại hối. Tỉ giá đóng cửa hằng ngày từ năm 2010 đến năm 2015 của đồng EURO và đồng đô-la Mỹ (EUR/USD), đồng bảng Anh và đô-la Mỹ (GBP/ USD), đồng đô-la 7 CHƯƠNG 2.

CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN Mỹ và yên Nhật (USD/JPY) được sử dụng để phân tích với 1043 giá trị đóng cửa từ năm 2010 đến năm 2013 được sử dụng cho huấn luyện và 522 giá trị được sử dụng để đánh giá phương pháp. Chỉ bằng cách xây dựng mô hình CNN đơn giản với 4 lớp tích chập (convolutional layer) với tham số kernel của chiều rộng (width), chiều cao (height), chiều sâu (depth), bước dịch chuyển (stride), số ô được chèn thêm (padding) tương ứng lần lượt là 5, 1, 1, 2, 0, kết hợp với hàm tối ưu Adam, hàm kích hoạt softmax đã chứng minh rằng CNN cho kết quả tốt hơn đáng kể so với các phương pháp ARIMA, ANN. Điều này được lý giải bằng khả năng trích xuất thông tin tốt hơn từ dữ liệu của các kiến trúc mạng học sâu. Bên cạnh đó để tận dụng khả năng ưu việt của CNN đối với dữ liệu dạng ảnh, Tsai và các cộng sự năm 2018 [35], Berat Sezer và các cộng sự năm 2019 [5] đã chuyển dữ liệu tỷ giá ngoại tệ thành dạng ảnh trước khi huấn luyện CNN.

Trong nghiên cứu này, các tác giả thực hiện các bước sinh dữ liệu hình ảnh từ dữ liệu chứng khoán, gán nhãn cho ảnh vừa tạo ra và huấn luyện mô hình CNN như hình 2.1 để xác định "Buy", "Sell" hoặc "Hold" cổ phiếu. Dữ liệu cổ phiếu Dow Jones 30 trong thời gian 30 ngày sẽ được biểu diễn thành hình ảnh 2 chiều có kích thước 30x30 pixel với giá của cổ phiểu theo trục y và thời gian theo trục x. Từ đó, 2500 ảnh (1/1/1997 đến 12/31/2006), 3750 ảnh (1/1/1997 đến 12/31/2012) được sinh ra cho tập huấn luyện và khoảng 2500 ảnh (1/1/2007 đến 1/1/2017), 1250 ảnh (1/1/2012 đến 12/31/2017) cho tập đánh giá. Ở bước gán nhãn dữ liệu, mỗi hình sẽ được gán một trong 3 nhãn "Buy", "Sell", "Hold" để biểu diễn cho xu hướng của tương lai theo công thức 2.

Dữ liệu đã được xử lý được mô tả qua hình 2.2 value34 − value30 slopeRef [1.n] = day34 − day30 value45 − value30 slopeCurrent = day45 − day30 8 CHƯƠNG 2. CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN  0 0  1 = ( Buy ), if slopeCurrent > slopeRef [3n/5]   0 = (0 Hold0 ), if (slopeRef [2n/5] < slopeCurrent)&&(slopeRef [3n/5] > slopeCurrent)  2 = (0 Sell0 ),  if slopeCurrent < slopeRef [2n/5]  (2.1) totalM oney numberOf 1 Y ears − 1) ∗ 100 AR = (( ) (2.2) startM oney Hình 2.1: Các bước thực hiện trong nghiên cứu [5] Trong bước huấn luyện mạng CNN được xây dựng gồm 8 lớp như hình 2. Kết quả của mô hình đề xuất có thể tạo ra các kết quả nhìn chung nhất quán và có thể đánh bại chiến lược "Buy" and "Hold" (công thức 2.2) tùy thuộc vào điều kiện thị trường. Tuy nhiên các mạng nơ-rơn truyền thống nói chung và CNN nói riêng chỉ nhận dữ liệu đầu vào là các giá trị độc lập.

Điều này làm cho mất đi mối tương quan quan trọng giữa các giá trị đầu vào với nhau. RNN được biết đến như là công cụ để giải quyết các bài toán về các loại dữ liệu có mối quan hệ theo thời gian với nhau như: dịch máy, chuyển giọng nói 9 CHƯƠNG 2. CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN Hình 2.2: Dữ liệu được tiền xử lý thành hình ảnh trong nghiên cứu [5] Hình 2.3: Kiến trúc mạng CNN được sử dụng trong nghiên cứu [5] thành chữ và ngược lại,. Trong đó Long short time memory (LSTM) được sử dụng phổ biến vì nó giải quyết được vấn đề triệt tiêu và bùng nổ giá trị khi huấn luyện mô hình RNN truyền thống.

Dữ liệu chuỗi thời gian nói chung và tỉ giá ngoại tệ nói riêng đều có sự tương hỗ giữa các giá trị theo thời gian. Vì thế, trong những năm gần đây, nhiều nhà nghiên cứu đã bắt đầu ứng dụng LSTM và trong các bài toán phân loại, dự đoán giá trị của chuỗi thời gian và đạt kết quả tốt so với các kỹ thuật khác [14, 25, 10]. Không những thế kết quả nghiên cứu còn có thể được sử dụng vào trong các ứng dụng thực tế của đời sống.