Bối cảnh và vấn đề nghiên cứu

Trong hoạt động quản lý kinh tế và tài chính, bài toán dự báo giữ vai trò thiết yếu nhằm cung cấp cơ sở định lượng hỗ trợ quá trình ra quyết định, điều tiết kế hoạch vốn và giảm thiểu rủi ro biến động thị trường. Thị trường chứng khoán Việt Nam, kể từ phiên giao dịch chính thức đầu tiên vào ngày 28/07/2000 tại Trung tâm Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE), đã trải qua nhiều giai đoạn biến động mạnh mẽ gắn liền với các sự kiện kinh tế lớn như sự kiện gia nhập WTO năm 2006, khủng hoảng kinh tế toàn cầu năm 2008, và đại dịch COVID-19 giai đoạn 2020–2022. Chỉ số VN-Index – thước đo tổng hợp biến động giá của tất cả các cổ phiếu niêm yết trên HOSE – phản ánh trực tiếp sức khỏe và xu hướng của thị trường tài chính trong nước. Nhằm nâng cao độ chính xác khi dự báo chuỗi thời gian phi tuyến tính và có độ biến động cao như VN-Index, khóa luận tốt nghiệp ngành Kỹ thuật Dữ liệu tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh (thực hiện tháng 07/2022) đã tiến hành nghiên cứu đề tài "Dự báo VN-Index bằng RNN (Recurrent Neural Network) kết hợp với ARIMA".

Mục tiêu chính của đề tài là nghiên cứu cơ chế hoạt động của mạng nơ-ron hồi quy RNN (cụ thể là kiến trúc LSTM) cùng mô hình kinh tế lượng cổ điển ARIMA; từ đó đề xuất và triển khai phương pháp lai ghép kết hợp hai mô hình nhằm đưa ra dự báo biến động giá trên thị trường chứng khoán.

Nhiệm vụ nghiên cứu được văn bản xác định cụ thể qua 6 nội dung:

  1. Nghiên cứu tổng quan chỉ số VN-Index.
  2. Nghiên cứu chuỗi thời gian và dự báo trên chuỗi thời gian.
  3. Nghiên cứu về mạng nơ-ron hồi quy và mạng LSTM (Long Short-Term Memory).
  4. Nghiên cứu về mô hình ARIMA (Autoregressive Integrated Moving Average).
  5. Nghiên cứu sử dụng mô hình lai ghép bằng cách thực hiện song song hai mô hình ARIMA và LSTM.
  6. Nắm vững lý thuyết cơ bản các mô hình: tự hồi quy (AR), mô hình trung bình trượt (MA), mô hình ARMA và mô hình ARIMA.

Về phạm vi và đối tượng nghiên cứu:

  • Đối tượng nghiên cứu: Chuỗi thời gian tài chính, tập trung vào biến động giá mở cửa của chỉ số VN-Index và các mã cổ phiếu đối sánh.
  • Phạm vi không gian và dữ liệu: Dữ liệu thị trường chứng khoán Việt Nam (sàn HOSE) gồm chỉ số VN-Index và các mã cổ phiếu doanh nghiệp (HSG, AGR, HPG), kết hợp mở rộng đối sánh với dữ liệu thị trường quốc tế (cổ phiếu AAPL và chỉ số FTSE-100).
  • Phạm vi thời gian: Dữ liệu chuỗi thời gian lịch sử giai đoạn 2011–2022 được trích xuất dưới định dạng mảng 2 chiều 4 cột phục vụ huấn luyện và kiểm nghiệm.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng trên nền tảng kết hợp giữa lý thuyết chuỗi thời gian, kinh tế lượng thống kê và học sâu (Deep Learning):

  1. Khung lý thuyết chuỗi thời gian (Time Series): Chuỗi thời gian được phân rã thành 4 thành phần cơ bản: Thành phần xu thế (Trend), Thành phần mùa vụ (Seasonality), Thành phần ngẫu nhiên (Random) và Thành phần chu kỳ dài hạn (Cyclical).
  2. Mô hình ARIMA ($p, d, q$): Kết hợp giữa mô hình Tự hồi quy $AR(p)$, mô hình Trung bình trượt $MA(q)$ và phép lấy sai phân bậc $d$ để đưa chuỗi không dừng về chuỗi dừng theo quy trình phát triển mô hình của Box-Jenkins.
  3. Mạng nơ-ron hồi quy RNN và kiến trúc LSTM: Mạng RNN xử lý dữ liệu chuỗi nhờ trạng thái ẩn $h_t = f(h_{t-1}, x_t)$ với hàm kích hoạt $\tanh$. Nhằm khắc phục hạn chế triệt tiêu gradient (vanishing gradient) và bùng nổ gradient (exploding gradient) của RNN thuần túy khi huấn luyện bằng thuật toán lan truyền ngược qua thời gian (BPTT), kiến trúc LSTM bổ sung trạng thái tế bào ($C_t$) và hệ thống cổng điều khiển:
    • Cổng quên (Forget Gate): $f_t = \sigma(W_f [h_{t-1}, x_t] + b_f)$ xác định thông tin cần loại bỏ từ bộ nhớ dài hạn.
    • Cổng đầu vào (Input Gate): quyết định lượng thông tin mới được lưu trữ vào trạng thái tế bào.
    • Cổng đầu ra (Output Gate): tính toán trạng thái ẩn xuất ra tại bước thời gian hiện tại.
  4. Phương pháp lai ghép (Hybrid Modeling): Tác giả tiếp cận hai dạng mô hình lai ghép:
    • Mô hình ARIMA-LSTM truyền thống: Sử dụng ARIMA mô hình hóa thành phần tuyến tính, sau đó trích xuất chuỗi phần dư (residuals) làm đầu vào cho LSTM để học các đặc trưng phi tuyến.
    • Mô hình ARIMA-LSTM cải tiến: Thực hiện tính toán song song độc lập giữa ARIMA và LSTM trên chuỗi dữ liệu gốc, sau đó kết hợp kết quả đầu ra của cả hai mô hình.

Phương pháp nghiên cứu thực nghiệm được thiết kế theo tiến trình 4 bước chuẩn mực:

  • Bước 1 (Thu thập và tiền xử lý dữ liệu): Thu thập dữ liệu lịch sử dưới dạng tệp CSV, cấu hình cửa sổ trượt (sliding window) sử dụng 60 ngày giao dịch trước đó làm biến đầu vào để dự báo giá mở cửa của ngày tiếp theo. Dữ liệu được chuẩn hóa về khoảng $[0, 1]$ bằng phương pháp MinMaxScaler nhằm rút ngắn thời gian huấn luyện và hạn chế sai số.
  • Bước 2 (Phân chia và huấn luyện mô hình): Phân tách dữ liệu thành tập huấn luyện (train set) và tập kiểm thử (test set) để huấn luyện các mô hình đơn lẻ và mô hình lai ghép.
  • Bước 3 (Đánh giá mô hình): Đo lường hiệu năng dự báo trên tập kiểm thử thông qua các thước đo sai số định lượng:
    • Sai số tuyệt đối trung bình: $\text{MAE} = \frac{1}{n} \sum |e_i|$
    • Sai số bình phương trung bình: $\text{MSE} = \frac{1}{n} \sum e_i^2$
    • Căn bậc hai sai số bình phương trung bình: $\text{RMSE} = \sqrt{\frac{1}{n} \sum e_i^2}$ (với $e_i = x_i - f_i$).
  • Bước 4 (Triển khai và kiểm nghiệm đối sánh): Thực hiện demo dự báo trên các tập dữ liệu chứng khoán đa dạng.

Nội dung chính theo từng chương

Chương 1: Bài toán dự báo chuỗi thời gian

Chương này hệ thống hóa các khái niệm nền tảng về dự báo trong quản lý và điều tiết nguồn lực. Văn bản phân loại dự báo theo khoảng thời gian thành 3 nhóm: ngắn hạn (dưới 1 năm), trung hạn (1–3 năm), và dài hạn (từ 3 năm trở lên). Tác giả làm rõ 4 thành phần cấu thành chuỗi thời gian (xu thế, mùa vụ, ngẫu nhiên, chu kỳ) và khẳng định các kiểm định thống kê thông thường không còn hoàn toàn thích hợp khi thứ tự thời gian mang tính quyết định. Chương này cũng thiết lập tiến trình 4 bước của bài toán dự báo cùng hai tiêu chuẩn đánh giá mô hình: tiêu chuẩn định lượng (sai số thống kê nhỏ qua MAE, MSE, RMSE) và tiêu chuẩn định tính (sai số ngẫu nhiên, không tuân theo bất kỳ định dạng chu kỳ hay xu thế nào).

Chương 2: Tổng quan về chứng khoán và chỉ số VN-Index

Chương 2 trình bày bản chất kinh tế của thị trường chứng khoán, cơ chế sinh lời (chênh lệch giá, cổ tức), tính thanh khoản và các loại rủi ro (thanh khoản thấp, minh bạch thông tin, quy định công ty môi giới, biến động vĩ mô). Tác giả cung cấp công thức tính chỉ số VN-Index dựa trên giá trị vốn hóa thị trường so với thời điểm gốc:

$$\text{VN-Index} = \frac{\sum P_{1i} Q_{1i}}{\sum P_{0i} Q_{0i}} \times 100$$

Trong đó $Q_{1i}, P_{1i}$ là khối lượng và giá cổ phiếu hiện hành; $Q_{0i}, P_{0i}$ là khối lượng và giá thời kỳ gốc. Đi kèm với đó là công thức điều chỉnh số chia khi có cổ phiếu mới niêm yết. Chương này cũng phân tích dữ liệu lịch sử VN-Index qua các mốc thời gian lớn, mối quan hệ giữa VN-Index với hệ số P/E và chỉ số giá tiêu dùng (CPI). Cuối chương, nhóm tác giả khảo sát 4 công cụ/phần mềm phân tích chứng khoán phổ biến: AmiBroker (kiểm thử Monte Carlo, tối ưu hóa 3D), MetaStock (công cụ Explorer và System Tester), FireAnt (nền tảng web thời gian thực, quản lý watchlist), và SSI Pro Trading (bộ lọc và cảnh báo biến động).

Chương 3: Recurrent Neuron Network (RNN)

Chương 3 tập trung vào lý thuyết mạng nơ-ron hồi quy. Tác giả giải thích cơ chế Hidden State giúp mạng lưu giữ thông tin của các bước thời gian trước, phân biệt giữa học có giám sát và không giám sát, cùng hàm mục tiêu đánh giá sai số toàn mạng:

$$E = \frac{1}{N} \sum_{p=1}^{N} \sum_{i=1}^{P} (f_{pi} - y_{pi})^2$$

Cơ chế thuật toán lan truyền ngược (Backpropagation) và thuật toán lan truyền ngược qua thời gian (BPTT) được phân tích qua hai giai đoạn: lan truyền tính toán delta sai lệch và cập nhật trọng số theo gradient. Tác giả chỉ ra nhược điểm lớn của RNN thuần túy là hiện tượng triệt tiêu hoặc bùng nổ gradient khi xử lý chuỗi dài, dẫn đến "chứng trí nhớ ngắn hạn". Để giải quyết, chương đi sâu vào cấu tạo bên trong của ô LSTM với trạng thái tế bào và hoạt động chi tiết của các cổng (Cổng quên, Cổng đầu vào, Cổng đầu ra), từ đó thiết lập nguyên lý ứng dụng vào dự báo dữ liệu chuỗi.

Chương 4: ARIMA

Chương 4 trình bày chi tiết cơ sở toán học của phương pháp Box-Jenkins, bao gồm:

  • Mô hình Tự hồi quy $AR(p)$
  • Mô hình Trung bình trượt $MA(q)$
  • Mô hình kết hợp $ARMA(p, q)$
  • Mô hình tích hợp $ARIMA(p, d, q)$ với tham số vi phân $d$

Tác giả trình bày các bước nhận dạng mô hình, kiểm tra tính dừng của chuỗi dữ liệu, phương pháp lựa chọn bậc tham số $p, d, q$ và các bước chuẩn hóa chuỗi trước khi đưa vào dự báo.

Chương 5: Dự báo trên chuỗi thời gian sử dụng mô hình lai ghép ARIMA và LSTM

Nội dung chương này mô tả hai cách tiếp cận lai ghép:

  1. Mô hình nối tiếp: Huấn luyện mô hình ARIMA trên chuỗi gốc, thu thập phần dư sai số (đại diện cho các biến động phi tuyến tính chưa được giải thích) và sử dụng chuỗi phần dư này làm đầu vào huấn luyện mạng LSTM.
  2. Mô hình cải tiến (song song): Triển khai song song cả hai mô hình ARIMA và LSTM trên tập dữ liệu. Kết quả dự báo của luồng thống kê tuyến tính và luồng học sâu phi tuyến được tổng hợp để cho ra giá trị dự báo cuối cùng, giúp tối ưu hóa tiến trình tính toán và kiểm soát sai số.

Chương 6: Triển khai thực nghiệm và đánh giá mô hình

Chương 6 mô tả chi tiết các bước thiết lập luồng xử lý thực nghiệm trên máy tính:

  • Tiền xử lý dữ liệu: Chia tách tập data_train và data_test, sử dụng hàm MinMaxScaler đưa dữ liệu về thang đo $[0, 1]$ nhằm giảm thời gian chạy và giảm lỗi;
  • Tạo cấu trúc mảng đầu vào theo kỹ thuật cửa sổ trượt: phân chia các tập biến phụ thuộc và độc lập x_train, y_train, x_test, y_test;
  • Huấn luyện và đánh giá riêng rẽ 4 cấu hình: mô hình ARIMA, mô hình LSTM, mô hình ARIMA-LSTM nối tiếp và mô hình ARIMA-LSTM cải tiến song song;
  • Ghi nhận báo cáo hiệu suất và thời gian thực thi của từng mô hình.

Chương 7: Cài đặt môi trường thực nghiệm mô hình

Chương 7 trình bày chi tiết kết quả thử nghiệm trên 6 bộ dữ liệu chuỗi thời gian thực tế với 2 mức cấu hình nơ-ron ẩn của LSTM: 64 nút (units) và 128 nút (units) trên kiến trúc 6 lớp nơ-ron:

  • Tập dữ liệu cổ phiếu công nghệ Apple (AAPL)
  • Tập dữ liệu Công ty Cổ phần Tập đoàn Hoa Sen (HSG)
  • Tập dữ liệu Công ty Cổ phần Chứng khoán Agribank (AGR)
  • Tập dữ liệu chỉ số VN-Index (VNINDEX)
  • Tập dữ liệu Công ty Cổ phần Tập đoàn Hòa Phát (HPG)
  • Tập dữ liệu chỉ số chứng khoán Vương quốc Anh (FTSE-100)

Dựa trên các bảng đo lường MAE, MSE, RMSE, chương đưa ra các so sánh định lượng về độ chính xác và tính ổn định giữa mô hình đơn lẻ và các mô hình lai ghép.

Kết quả và đóng góp

Khóa luận đã thực hiện đầy đủ các nội dung nghiên cứu lý thuyết và thực nghiệm mô hình học máy trên dữ liệu chuỗi thời gian tài chính.

Các kết quả và đóng góp chính được ghi nhận trong văn bản bao gồm:

  1. Hoàn thiện quy trình tiền xử lý và cấu hình dữ liệu: Xây dựng thành công quy trình xử lý dữ liệu chuỗi thời gian với độ trễ 60 ngày giao dịch trước đó để dự đoán giá mở cửa ngày tiếp theo, kết hợp kỹ thuật chuẩn hóa MinMaxScaler giúp mô hình hội tụ nhanh và giảm sai số dự báo.
  2. Hiện thực hóa và đối sánh 4 mô hình dự báo: Triển khai thành công mô hình ARIMA, mô hình LSTM, mô hình lai ghép ARIMA-LSTM truyền thống (trích phần dư) và mô hình ARIMA-LSTM cải tiến (chạy song song).
  3. Thực nghiệm diện rộng trên 6 tập dữ liệu đa dạng: Đánh giá định lượng toàn diện trên các chỉ số thị trường và mã cổ phiếu trong nước cũng như quốc tế (VN-Index, HSG, AGR, HPG, AAPL, FTSE-100) tại hai cấu hình nút mạng 64 và 128 units.
  4. Đóng góp về mặt giải thuật lai ghép: Đề xuất giải pháp cải tiến mô hình lai ghép bằng cách vận hành song song ARIMA và LSTM, tận dụng đồng thời thế mạnh xử lý tuyến tính của mô hình toán thống kê và khả năng ghi nhớ phụ thuộc dài hạn của mạng nơ-ron hồi quy.
Mô hình thực nghiệm Bản chất thuật toán Cách thức xử lý dữ liệu Mục tiêu xử lý
ARIMA Toán thống kê kinh tế lượng (Box-Jenkins) Lấy sai phân đưa về chuỗi dừng, nhận dạng $p, d, q$ Xử lý các quy luật và xu thế tuyến tính
LSTM Mạng nơ-ron học sâu (Deep Learning) Chuẩn hóa MinMaxScaler $[0, 1]$, cửa sổ trượt 60 ngày Khắc phục triệt tiêu gradient, học phụ thuộc phi tuyến
ARIMA-LSTM (Nối tiếp) Lai ghép tuần tự ARIMA trích xuất phần dư; phần dư làm đầu vào cho LSTM Dùng LSTM bù đắp sai số phi tuyến của ARIMA
ARIMA-LSTM (Cải tiến) Lai ghép song song Chạy đồng thời ARIMA và LSTM trên dữ liệu gốc rồi kết hợp Tối ưu hóa thời gian tính toán và tăng độ chính xác

Hạn chế và hướng nghiên cứu tiếp

Căn cứ theo nội dung văn bản và phiếu nhận xét của giảng viên phản biện (TS. Võ Xuân Thể), các hạn chế và hướng mở của đề tài được ghi nhận:

  • Hạn chế:
    • Do giới hạn về mặt thời gian, nhóm tác giả chưa mở rộng phạm vi so sánh đánh giá giải thuật với nhiều bài toán thực tiễn ngoài ngành tài chính.
    • Các thử nghiệm kiến trúc mạng LSTM chủ yếu tập trung cố định vào cấu hình 6 lớp nơ-ron và khảo sát hai mức tham số nút ẩn là 64 và 128 units, chưa thử nghiệm linh hoạt các bộ siêu tham số khác.
    • Chưa mở rộng đối sánh sâu với các biến thể mạng nơ-ron hồi quy khác như GRU (Gated Recurrent Unit) trên toàn bộ các tập dữ liệu.
  • Hướng nghiên cứu tiếp:
    • Thử nghiệm mô hình trên nhiều bài toán chuỗi thời gian thực tiễn đa dạng hơn.
    • Khảo sát thêm các giải thuật học sâu và tối ưu hóa siêu tham số tự động để nâng cao hiệu năng dự báo.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo hữu ích cho sinh viên, học viên và các nhà nghiên cứu thuộc các chuyên ngành Kỹ thuật Dữ liệu, Khoa học Dữ liệu, Công nghệ Thông tin, và Tài chính Định lượng (Quantitative Finance):

  • Phần giá trị tham khảo cao:
    • Quy trình toán học và lập luận chi tiết về cơ chế truyền trạng thái của ô LSTM (các công thức cổng quên, cổng đầu vào, cổng đầu ra).
    • Phương pháp xây dựng luồng lai ghép giữa mô hình thống kê cổ điển ARIMA và mô hình học sâu LSTM (đặc biệt là phương án lai ghép song song).
    • Quy trình thực nghiệm xử lý dữ liệu chuỗi thời gian thực tế: từ chuẩn hóa MinMaxScaler, tạo cửa sổ trượt 60 ngày, đến việc tổ chức đánh giá sai số trên 6 tập dữ liệu chứng khoán trong và ngoài nước.

Câu hỏi thường gặp

1. Chỉ số VN-Index được định nghĩa và tính toán như thế nào trong khóa luận?
Chỉ số VN-Index là chỉ số tổng hợp biến động giá mỗi ngày của tất cả các công ty niêm yết trên sàn HOSE, so sánh tổng giá trị thị trường hiện hành với tổng giá trị thị trường tại thời điểm gốc ngày 28/07/2000 theo công thức:

$$\text{VN-Index} = \frac{\sum P_{1i} Q_{1i}}{\sum P_{0i} Q_{0i}} \times 100$$

Trong đó $Q_{1i}, P_{1i}$ là khối lượng và giá hiện hành, $Q_{0i}, P_{0i}$ là khối lượng và giá thời kỳ gốc (kèm theo việc điều chỉnh số chia khi có cổ phiếu mới niêm yết).

2. Điểm yếu lớn nhất của mạng RNN truyền thống là gì và LSTM giải quyết bằng cơ chế nào?
RNN truyền thống gặp hiện tượng triệt tiêu gradient (vanishing gradient) hoặc bùng nổ gradient (exploding gradient) trong quá trình lan truyền ngược qua thời gian (BPTT), khiến mạng mất khả năng lưu giữ phụ thuộc dài hạn. LSTM khắc phục điều này bằng cách bổ sung trạng thái tế bào ($C_t$) đóng vai trò bộ nhớ dài hạn cùng 3 cổng kiểm soát luồng thông tin (Cổng quên, Cổng đầu vào và Cổng đầu ra).

3. Quy cách dữ liệu đầu vào và mục tiêu dự báo đầu ra trong thực nghiệm được thiết lập ra sao?
Dữ liệu đầu vào là tệp CSV chứa mảng 2 chiều gồm 4 cột dữ liệu giá lịch sử, được chuẩn hóa về đoạn $[0, 1]$ qua MinMaxScaler và nhóm thành các chuỗi trượt gồm dữ liệu của 60 ngày giao dịch liên tiếp trước đó. Đầu ra của mô hình là giá trị dự báo cho giá mở cửa của ngày giao dịch tiếp theo.

4. Mô hình lai ghép ARIMA-LSTM cải tiến khác gì so với mô hình lai ghép ARIMA-LSTM thông thường?
Mô hình lai ghép thông thường xử lý tuần tự: chạy mô hình ARIMA trước, lấy phần dư của chuỗi làm đầu vào cho mô hình LSTM. Ngược lại, mô hình lai ghép cải tiến của nhóm tác giả thực hiện tính toán song song hai mô hình ARIMA và LSTM trên cùng tập dữ liệu, sau đó kết hợp kết quả của cả hai để đưa ra dự báo cuối cùng.

5. Những tập dữ liệu nào đã được đưa vào kiểm nghiệm thực tế trong đề tài?
Đề tài tiến hành thực nghiệm trên 6 tập dữ liệu: cổ phiếu AAPL (Apple), FTSE-100 (chỉ số chứng khoán Anh), VNINDEX (chỉ số VN-Index Việt Nam) và 3 mã cổ phiếu trong nước gồm HSG (Tập đoàn Hoa Sen), AGR (Chứng khoán Agribank), HPG (Tập đoàn Hòa Phát), đều được kiểm nghiệm ở 2 mức 64 nút và 128 nút ẩn.

Kết luận

Khóa luận tốt nghiệp của hai sinh viên Vũ Ngọc Khang và Nguyễn Phước Sang đã hệ thống hóa toàn diện cơ sở lý thuyết về dự báo chuỗi thời gian, mô hình kinh tế lượng ARIMA và mạng nơ-ron học sâu RNN/LSTM. Đề tài đã đề xuất và triển khai thành công mô hình lai ghép song song giữa ARIMA và LSTM nhằm kết hợp năng lực phân tích tuyến tính với khả năng ghi nhớ phi tuyến tính phức tạp. Kết quả thực nghiệm trên 6 bộ dữ liệu chứng khoán trong nước và quốc tế đã minh chứng tính khả thi của quy trình tiền xử lý và mô hình hóa dữ liệu chuỗi thời gian phục vụ dự báo tài chính.