## Tổng quan nghiên cứu

Thị trường chứng khoán Việt Nam, kể từ khi chính thức ra đời vào năm 1998 theo Nghị định số 48/CP, đã trải qua quá trình phát triển nhanh chóng với sự gia tăng về số lượng mã cổ phiếu và khối lượng giao dịch. Theo ước tính, thị trường chứng khoán Việt Nam hiện có hàng nghìn mã cổ phiếu niêm yết trên hai sàn chính là Sở Giao dịch Chứng khoán Hà Nội (HNX) và Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HSX). Tuy nhiên, việc dự báo xu hướng giá cổ phiếu vẫn là một thách thức lớn do tính biến động cao và ảnh hưởng của nhiều yếu tố kinh tế, chính trị và tâm lý thị trường.

Luận văn tập trung nghiên cứu ứng dụng các phương pháp học máy, đặc biệt là mô hình Máy véc tơ hỗ trợ hồi quy (SVR), để dự báo xu hướng giá cổ phiếu trên thị trường chứng khoán Việt Nam. Mục tiêu chính là xây dựng mô hình dự báo dựa trên dữ liệu lịch sử giá và các chỉ số kỹ thuật phổ biến như SMA, EMA, MACD, RSI và Bollinger Bands, nhằm cung cấp công cụ hỗ trợ quyết định đầu tư hiệu quả cho nhà đầu tư và tổ chức tài chính. Phạm vi nghiên cứu bao gồm dữ liệu giao dịch của 5 mã cổ phiếu tiêu biểu từ năm 2007 đến 2013 với tổng số 1631 quan sát.

Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao khả năng dự báo chính xác xu hướng giá cổ phiếu, góp phần giảm thiểu rủi ro đầu tư và thúc đẩy sự phát triển bền vững của thị trường chứng khoán Việt Nam.

## Cơ sở lý thuyết và phương pháp nghiên cứu

### Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: phân tích kỹ thuật chứng khoán và khai phá dữ liệu (Data Mining).

- **Phân tích kỹ thuật**: Sử dụng các chỉ số kỹ thuật như Trung bình trượt giản đơn (SMA), Trung bình trượt số mũ (EMA), Chỉ số Aroon, Dải Bollinger Bands, MACD và RSI để nhận diện xu hướng và tín hiệu mua bán trên thị trường. Các chỉ số này phản ánh biến động giá và khối lượng giao dịch, giúp xác định các điểm đảo chiều và xu hướng giá trong tương lai.

- **Khai phá dữ liệu và học máy**: Áp dụng các mô hình học máy như Mạng nơ ron nhân tạo (ANN), Cây quyết định (Decision Tree) và đặc biệt là Máy véc tơ hỗ trợ hồi quy (SVR) để xây dựng mô hình dự báo. SVR được lựa chọn do khả năng xử lý dữ liệu phi tuyến, hiệu quả trong việc dự báo các chuỗi thời gian biến động phức tạp như giá cổ phiếu.

Các khái niệm chính bao gồm: 
- Dự báo xu hướng giá cổ phiếu (tăng, giảm, không thay đổi)
- Các chỉ số kỹ thuật trong phân tích kỹ thuật
- Mô hình SVR và hàm nhân (kernel function)
- Đánh giá mô hình dự báo qua các chỉ số như Precision, Recall, F-measure, RMSE, MAE và hệ số tương quan R.

### Phương pháp nghiên cứu

- **Nguồn dữ liệu**: Dữ liệu lịch sử giao dịch của 5 mã cổ phiếu niêm yết trên sàn HNX và HSX, thu thập từ năm 2007 đến 2013, với tổng số 1631 quan sát. Dữ liệu bao gồm các thông tin: ngày giao dịch, giá mở cửa, giá đóng cửa, giá cao nhất, giá thấp nhất, khối lượng và giá trị giao dịch.

- **Tiền xử lý dữ liệu**: Làm sạch dữ liệu, loại bỏ dữ liệu bất thường, chuyển đổi dữ liệu sang định dạng phù hợp (ARFF) để sử dụng trong công cụ Weka. Tính toán các chỉ số kỹ thuật dựa trên dữ liệu gốc.

- **Phân loại dữ liệu đầu vào**: Sử dụng giá đóng cửa và các chỉ số kỹ thuật (SMA12, SMA26, Bollinger Bands, MACD, RSI) làm biến đầu vào cho mô hình.

- **Phân hoạch dữ liệu**: Áp dụng phương pháp k-fold cross-validation với k=10, chia dữ liệu thành 10 phần, 9 phần dùng để huấn luyện và 1 phần để kiểm tra, lặp lại 10 lần để đánh giá độ chính xác mô hình.

- **Phương pháp phân tích**: Xây dựng mô hình dự báo sử dụng SVR với hàm nhân đa thức (Polynomial kernel) và thuật toán tối ưu SMO. So sánh kết quả với các mô hình ANN và cây quyết định.

- **Timeline nghiên cứu**: Thu thập và xử lý dữ liệu trong giai đoạn đầu, xây dựng và huấn luyện mô hình trong giai đoạn giữa, thử nghiệm và đánh giá mô hình trong giai đoạn cuối của năm 2013.

## Kết quả nghiên cứu và thảo luận

### Những phát hiện chính

- Mô hình SVR cho kết quả dự báo chính xác hơn so với mô hình cây quyết định và mạng nơ ron nhân tạo. Cụ thể, SVR đạt độ chính xác (Precision) trung bình khoảng 68%, Recall khoảng 63%, và F-measure khoảng 61% trên 5 mã cổ phiếu thử nghiệm.

- Sai số trung bình tuyệt đối (MAE) và sai số căn bậc hai trung bình (RMSE) của SVR thấp hơn đáng kể so với hai mô hình còn lại, cho thấy khả năng dự báo chính xác hơn và ổn định hơn.

- Hệ số tương quan (R) của SVR đạt mức từ 0.73 đến 0.92, phản ánh mối quan hệ chặt chẽ giữa giá trị dự báo và giá trị thực tế, đặc biệt với mã STB đạt R=0.9172.

- Dự báo xu hướng giá trong 1 ngày và 5 ngày tiếp theo cho thấy mô hình SVR có khả năng nhận diện đúng xu hướng tăng, giảm hoặc không thay đổi với tỷ lệ thành công cao, ví dụ mã ACB dự báo đúng xu hướng 1 ngày tiếp theo với giá trị -1 (giảm) trùng khớp với thực tế.

### Thảo luận kết quả

Kết quả cho thấy mô hình SVR phù hợp với bài toán dự báo chứng khoán tại Việt Nam do khả năng xử lý dữ liệu phi tuyến và biến động phức tạp của giá cổ phiếu. So với các mô hình truyền thống như cây quyết định và ANN, SVR thể hiện ưu thế vượt trội về độ chính xác và độ ổn định.

Nguyên nhân chính là SVR sử dụng hàm nhân đa thức giúp ánh xạ dữ liệu vào không gian đặc trưng cao chiều, từ đó phân tách và dự báo chính xác hơn. Việc kết hợp các chỉ số kỹ thuật làm biến đầu vào cũng giúp mô hình nắm bắt được các tín hiệu thị trường hiệu quả.

Kết quả này phù hợp với các nghiên cứu quốc tế về ứng dụng SVR trong dự báo tài chính, đồng thời mở ra hướng phát triển các hệ thống hỗ trợ quyết định đầu tư thông minh tại Việt Nam. Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác và sai số của các mô hình, cũng như bảng ma trận hỗn hợp phân lớp để minh họa hiệu quả dự báo.

## Đề xuất và khuyến nghị

- **Phát triển hệ thống dự báo chứng khoán tự động**: Áp dụng mô hình SVR tích hợp với dữ liệu thời gian thực để cung cấp dự báo nhanh chóng, nâng cao độ chính xác dự báo xu hướng giá cổ phiếu trong ngắn hạn.

- **Mở rộng dữ liệu đầu vào**: Kết hợp thêm các yếu tố kinh tế vĩ mô, tin tức thị trường và dữ liệu tâm lý nhà đầu tư để cải thiện khả năng dự báo và giảm thiểu sai số.

- **Đào tạo và nâng cao năng lực cho nhà đầu tư**: Tổ chức các khóa đào tạo về phân tích kỹ thuật và ứng dụng học máy trong đầu tư chứng khoán nhằm giúp nhà đầu tư hiểu và sử dụng hiệu quả các công cụ dự báo.

- **Hợp tác nghiên cứu liên ngành**: Khuyến khích các tổ chức nghiên cứu, trường đại học và doanh nghiệp tài chính phối hợp phát triển các mô hình dự báo mới, ứng dụng trí tuệ nhân tạo và big data trong quản lý đầu tư.

- **Thời gian thực hiện**: Các giải pháp trên nên được triển khai trong vòng 1-3 năm, bắt đầu từ việc xây dựng mô hình thử nghiệm đến phát triển hệ thống hoàn chỉnh và đào tạo người dùng.

## Đối tượng nên tham khảo luận văn

- **Nhà đầu tư cá nhân và tổ chức**: Có thể sử dụng mô hình dự báo để hỗ trợ quyết định mua bán cổ phiếu, giảm thiểu rủi ro và tối ưu hóa lợi nhuận đầu tư.

- **Các công ty chứng khoán và quỹ đầu tư**: Áp dụng mô hình để xây dựng hệ thống giao dịch tự động, phân tích thị trường và quản lý danh mục đầu tư hiệu quả.

- **Nhà nghiên cứu và sinh viên ngành công nghệ thông tin, tài chính**: Tham khảo phương pháp ứng dụng học máy trong dự báo tài chính, phát triển các nghiên cứu tiếp theo về khai phá dữ liệu và trí tuệ nhân tạo.

- **Cơ quan quản lý thị trường chứng khoán**: Sử dụng kết quả nghiên cứu để đánh giá xu hướng thị trường, hỗ trợ chính sách điều tiết và phát triển thị trường bền vững.

## Câu hỏi thường gặp

1. **Mô hình SVR có ưu điểm gì so với các mô hình khác trong dự báo chứng khoán?**  
SVR xử lý tốt dữ liệu phi tuyến và biến động phức tạp, giảm thiểu hiện tượng quá khớp, cho kết quả dự báo chính xác và ổn định hơn so với cây quyết định và mạng nơ ron nhân tạo.

2. **Các chỉ số kỹ thuật nào được sử dụng trong mô hình dự báo?**  
Các chỉ số chính gồm SMA, EMA, MACD, RSI và Bollinger Bands, giúp mô hình nhận diện xu hướng và tín hiệu mua bán hiệu quả.

3. **Dữ liệu nghiên cứu được thu thập từ đâu và trong khoảng thời gian nào?**  
Dữ liệu lịch sử giao dịch của 5 mã cổ phiếu trên sàn HNX và HSX, thu thập từ năm 2007 đến 2013 với tổng số 1631 quan sát.

4. **Phương pháp đánh giá mô hình được sử dụng như thế nào?**  
Sử dụng k-fold cross-validation (k=10) để đánh giá độ chính xác, độ hồi nhớ, F-measure, RMSE, MAE và hệ số tương quan R, đảm bảo tính khách quan và độ tin cậy của kết quả.

5. **Mô hình có thể áp dụng cho dự báo dài hạn không?**  
Mô hình hiện tập trung dự báo ngắn hạn (1 đến 5 ngày tiếp theo), tuy nhiên có thể mở rộng và điều chỉnh để dự báo dài hạn với việc bổ sung dữ liệu và chỉ số phù hợp.

## Kết luận

- Luận văn đã xây dựng thành công mô hình dự báo xu hướng giá cổ phiếu tại Việt Nam dựa trên phương pháp học máy SVR kết hợp các chỉ số kỹ thuật phổ biến.  
- Mô hình SVR cho kết quả dự báo chính xác và ổn định hơn so với các mô hình truyền thống như cây quyết định và mạng nơ ron nhân tạo.  
- Dữ liệu nghiên cứu được thu thập và xử lý kỹ lưỡng từ 5 mã cổ phiếu trên hai sàn chứng khoán lớn của Việt Nam trong giai đoạn 2007-2013.  
- Kết quả nghiên cứu có ý nghĩa thực tiễn cao, hỗ trợ nhà đầu tư và tổ chức tài chính trong việc ra quyết định đầu tư hiệu quả.  
- Đề xuất các hướng phát triển tiếp theo bao gồm mở rộng dữ liệu, phát triển hệ thống dự báo tự động và đào tạo nâng cao năng lực cho nhà đầu tư.

Khuyến khích áp dụng mô hình SVR trong các hệ thống giao dịch thực tế và tiếp tục nghiên cứu mở rộng để nâng cao hiệu quả dự báo trên thị trường chứng khoán Việt Nam.