Hệ Dự Đoán Chỉ Số VN-Index Dựa Trên Mô Hình Học Sâu

• Tác giả: Nguyễn Việt Phương
• Người hướng dẫn: TS. Dương Minh Đức
• Trường học: Đại học Quốc gia TP HCM
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Dự Đoán Chỉ Số VN-Index Bằng Mô Hình Học Sâu
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: TP Hồ Chí Minh

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT
• MỞ ĐẦU
• 0.1. Giới thiệu đề tài
• 0.2. Các nghiên cứu và hướng tiếp cận liên quan
• 0.2.1. Tình hình nghiên cứu ngoài nước
• 0.2.2. Tình hình nghiên cứu trong nước
• 0.3. Lý do chọn đề tài
• 0.4. Những thách thức
• 0.5. Phạm vi và mục tiêu của luận văn
• 0.6. Cấu trúc báo cáo luận văn
• 0.7. Công cụ công nghệ
• 0.8. Nền tảng công nghệ liên quan
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Giới thiệu đề tài
• 1.2. Các nghiên cứu và hướng tiếp cận liên quan
• 1.2.1. Tình hình nghiên cứu ngoài nước
• 1.2.2. Tình hình nghiên cứu trong nước
• 1.3. Lý do chọn đề tài
• 1.4. Những thách thức
• 1.5. Phạm vi và mục tiêu của luận văn
• 1.6. Cấu trúc báo cáo luận văn
• 1.7. Công cụ công nghệ
• 1.8. Nền tảng công nghệ liên quan
• 2. CONVOLUTIONAL NEURAL NETWORK (CNN)
• 2.1. Mô hình mạng LSTM
• 3. MÔ HÌNH DỰ BÁO CHỈ SỐ CHỨNG KHOÁN DỰA VÀO KẾT HỢP LSTM-CNN
• 3.1. Mô hình lựa chọn
• 3.2. Dữ liệu chuỗi thời gian chứng khoán CNN
• 3.3. Dữ liệu SC-CNN
• 3.4. Dữ liệu ST-LSTM
• 3.5. Mô hình SC-CNN
• 3.6. Cấu trúc mô hình ST-LSTM được sử dụng trong công trình
• 3.7. Mô hình kết hợp LSTM-CNN
• 4. CÀI ĐẶT THỰC NGHIỆM - PHÂN TÍCH VÀ ĐÁNH GIÁ
• 4.1. Phân tích và đánh giá
• 4.2. Chỉ số SPY 500
• 4.3. Chỉ số Thượng Hải (Shanghai index)
• 4.4. Chỉ số Vietnam (VNIndex)
• 4.5. So sánh mô hình LSTM-CNN với ARIMA
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Hướng phát triển
• TÀI LIỆU THAM KHẢO

I. Giới Thiệu Tổng Quan Về Dự Đoán VN Index Bằng Học Sâu

Trong bối cảnh thị trường chứng khoán ngày càng phát triển, việc dự đoán chính xác chỉ số VN-Index trở nên quan trọng hơn bao giờ hết. Điều này ảnh hưởng lớn đến quyết định đầu tư, giúp tăng lợi nhuận và giảm thiểu rủi ro. Tuy nhiên, dự đoán thị trường chứng khoán không phải là một nhiệm vụ dễ dàng. Các nghiên cứu trước đây cho thấy giá trị chứng khoán tại một thời điểm phụ thuộc vào giá trị trong quá khứ, tạo ra một chuỗi dữ liệu thời gian phi tuyến tính, phức tạp với nhiều thuộc tính biến đổi. Bài toán này đòi hỏi các mô hình dự đoán phải có khả năng xử lý dữ liệu phức tạp và phi tuyến tính để đưa ra những dự báo chính xác, hỗ trợ nhà đầu tư trong việc đưa ra quyết định.

1.1. Tầm Quan Trọng Của Việc Dự Đoán Chỉ Số VN Index

Dự đoán VN-Index giúp nhà đầu tư nắm bắt xu hướng thị trường, từ đó đưa ra các quyết định mua bán thông minh và kịp thời. Việc dự đoán chính xác giúp tối ưu hóa lợi nhuận và giảm thiểu rủi ro trong giao dịch chứng khoán. Nó cũng giúp các nhà quản lý quỹ và các tổ chức tài chính đưa ra các chiến lược đầu tư hiệu quả. Theo một nghiên cứu, dự đoán chính xác xu hướng thị trường có thể tăng lợi nhuận lên đến 20-30% so với các phương pháp đầu tư truyền thống.

1.2. Thách Thức Trong Dự Đoán Thị Trường Chứng Khoán Việt Nam

Thị trường chứng khoán Việt Nam chịu ảnh hưởng bởi nhiều yếu tố khác nhau, bao gồm cả yếu tố kinh tế vĩ mô, chính trị và tâm lý nhà đầu tư. Điều này tạo ra sự phức tạp và khó lường trong việc dự đoán VN-Index. Các phương pháp truyền thống thường không đủ khả năng để xử lý các yếu tố phi tuyến tính và biến động bất thường của thị trường. Các phương pháp truyền thống như ARIMA, SVM, không đạt được kết quả tối ưu khi sử dụng trên dữ liệu chứng khoán.

II. Hướng Tiếp Cận Bài Toán Đặt Ra Cho Mô Hình Học Sâu

Các mô hình truyền thống như ARIMA và SVM gặp nhiều hạn chế trong việc xử lý dữ liệu VN-Index phức tạp. Từ năm 2016, các mô hình mạng neural đã nổi lên như một giải pháp tiềm năng, mang lại kết quả tốt hơn so với các phương pháp truyền thống. Sự bùng nổ dữ liệu và khả năng tiếp cận dễ dàng hơn đã thúc đẩy sự phát triển này. Các mô hình mạng neural có khả năng học các mẫu phức tạp và phi tuyến tính từ dữ liệu, giúp cải thiện độ chính xác của dự đoán. Luận văn này tập trung vào việc nghiên cứu và phát triển các mô hình học sâu để dự đoán VN-Index, với mục tiêu cung cấp công cụ hữu ích cho các nhà đầu tư.

2.1. Ưu Điểm Của Mô Hình Học Sâu Trong Dự Đoán VN Index

Mô hình học sâu có khả năng tự động trích xuất các đặc trưng quan trọng từ dữ liệu, giúp giảm thiểu công sức của con người trong việc lựa chọn các biến đầu vào. Mạng nơ-ron có khả năng tìm ra mối quan hệ giữa dữ liệu đầu vào và đầu ra của hệ thống ngay cả khi mối quan hệ này rất phức tạp vì mô hình xấp xỉ hàm tổng quát. Mô hình học sâu có khả năng tổng quát hóa vấn đề. Nghĩa là, dự đoán dữ liệu chưa nhìn thấy bao giờ dựa trên những dữ liệu đã biết, tính chất này rất phù hợp với bài toán dự báo.

2.2. Bài Toán Cần Giải Quyết Dự Đoán Giá Trị Thị Trường Chứng Khoán

Bài toán đặt ra là xây dựng một mô hình học sâu có khả năng dự đoán chính xác giá trị VN-Index trong tương lai. Mô hình cần phải xử lý được các yếu tố phi tuyến tính, biến động bất thường và ảnh hưởng của các yếu tố kinh tế vĩ mô. Các mô hình cần dự đoán xu hướng giá trị trường chứng khoán đồng thời chọn hướng tiếp cận sử dụng mạng nơ-ron, là một hướng tiếp cận mới để giải quyết vấn đề dự đoán giá thị trường chứng khoán.

III. Cách Kết Hợp LSTM CNN Cho Dự Đoán Chính Xác VN Index

Luận văn này tập trung vào việc kết hợp hai mô hình mạng neural mạnh mẽ: Convolutional Neural Network (CNN) và Long Short-Term Memory (LSTM). Mô hình SC-CNN được xây dựng dựa trên kiến trúc ResNet, sử dụng bottleneck residual block, trong khi mô hình ST-LSTM được xây dựng bằng cách chồng các lớp LSTM lên nhau. Việc kết hợp hai mô hình này thông qua joint learning cho phép mô hình học hỏi các thuộc tính từ cả hai mô hình đơn lẻ, tăng cường khả năng dự đoán. Mục tiêu là tạo ra một mô hình có độ chính xác cao hơn so với các mô hình truyền thống và các mô hình mạng neural đơn lẻ.

3.1. Vai Trò Của CNN Trong Trích Xuất Đặc Trưng Dữ Liệu VN Index

CNN có khả năng trích xuất các đặc trưng quan trọng từ dữ liệu chuỗi thời gian, giúp nhận diện các mẫu và xu hướng trong VN-Index. Mạng neural convolutional, mô hình SC-CNN đã được xây dựng dựa trên kiến trúc ResNet, sử dụng bottleneck residual block và mô hình ST-LSTM, được xây dựng bằng cách chồng các lớp LSTM lên với nhau.

3.2. LSTM Giải Pháp Cho Dữ Liệu Chuỗi Thời Gian VN Index

LSTM là một loại mạng neural hồi quy đặc biệt, được thiết kế để xử lý dữ liệu chuỗi thời gian. LSTM có khả năng ghi nhớ thông tin trong quá khứ và sử dụng thông tin này để dự đoán các giá trị trong tương lai. Mô hình LSTM giúp khắc phục được vấn đề về độ dốc biến mất trong mạng nơ-ron tuần hoàn (RNN) để tìm hiểu sự phụ thuộc dài hạn trong dữ liệu chuỗi thời gian bằng cách sử dụng các ô nhớ và cổng.

3.3. Joint Learning Tối Ưu Hóa Mô Hình Kết Hợp LSTM CNN

Việc kết hợp hai mô hình ST-LSTM và SC-CNN được sử dụng nhờ vào joint learning nhằm cho mô hình kết hợp có thể học thêm các thuộc tính dựa vào hai mô hình đơn lẻ. Các thuộc tính được học từ CNN và LSTM sẽ được kết hợp để tạo ra một biểu diễn dữ liệu phong phú hơn, giúp cải thiện độ chính xác của dự đoán.

IV. Thực Nghiệm Đánh Giá Mô Hình Dự Đoán VN Index Bằng AI

Luận văn tiến hành thực nghiệm và đánh giá mô hình LSTM-CNN trên dữ liệu thực tế của VN-Index. Kết quả được so sánh với các mô hình khác như ARIMA và các mô hình mạng neural đơn lẻ để đánh giá hiệu quả của phương pháp đề xuất. Các chỉ số đánh giá như RMSE (Root Mean Squared Error) và MAPE (Mean Absolute Percentage Error) được sử dụng để đo lường độ chính xác của dự đoán. Bên cạnh đó, mô hình còn được thử nghiệm trên các chỉ số khác như SPY 500 và Shanghai Index, giúp đánh giá tính tổng quát của mô hình.

4.1. Phân Tích Kết Quả Dự Đoán VN Index Của Mô Hình LSTM CNN

Kết quả dự đoán của mô hình LSTM-CNN được phân tích kỹ lưỡng để đánh giá khả năng dự đoán xu hướng và giá trị của VN-Index. Các biểu đồ so sánh giữa giá trị thực tế và giá trị dự đoán được sử dụng để trực quan hóa kết quả. Mô hình dự đoán được giá đóng cửa, giá mở cửa, giá tại thời điểm cao và giá trị tại thời điểm thấp.

4.2. So Sánh Hiệu Suất Với Các Mô Hình Dự Đoán Chứng Khoán Khác

Hiệu suất của mô hình LSTM-CNN được so sánh với các mô hình khác như ARIMA và các mô hình mạng neural đơn lẻ để đánh giá ưu điểm và nhược điểm của phương pháp đề xuất. Cụ thể hơn, so sánh mô hình LSTM-CNN với ARIMA. So sánh giữa giá thực tế VNIndex so với kết quả dự đoán bằng mô hình LSTM-CNN.

V. Kết Luận Hướng Phát Triển Mô Hình Học Sâu VN Index

Luận văn đã trình bày một phương pháp hiệu quả để dự đoán VN-Index bằng cách kết hợp mô hình LSTM-CNN. Kết quả thực nghiệm cho thấy mô hình đề xuất có độ chính xác cao hơn so với các phương pháp truyền thống và các mô hình mạng neural đơn lẻ. Hướng phát triển trong tương lai bao gồm việc tích hợp thêm các yếu tố kinh tế vĩ mô và tâm lý nhà đầu tư vào mô hình, cũng như thử nghiệm với các kiến trúc mạng neural khác để cải thiện độ chính xác và tính ổn định của dự đoán. Các nhà nghiên cứu có thể cải tiến mô hình đó để có thể đạt được một kết quả dự đoán chính xác hơn mô hình ban đầu, cũng như các mô hình được so sánh khác.

5.1. Tóm Tắt Đóng Góp Của Nghiên Cứu Trong Dự Đoán VN Index

Nghiên cứu đã đóng góp vào việc phát triển các phương pháp dự đoán VN-Index bằng cách đề xuất một mô hình học sâu kết hợp LSTM-CNN hiệu quả. Mô hình này có thể được sử dụng để hỗ trợ các nhà đầu tư và các tổ chức tài chính trong việc đưa ra các quyết định đầu tư thông minh.

5.2. Hướng Nghiên Cứu Tiềm Năng Về AI Dự Đoán VN Index

Các hướng nghiên cứu tiềm năng bao gồm việc tích hợp thêm các yếu tố kinh tế vĩ mô và tâm lý nhà đầu tư vào mô hình, cũng như thử nghiệm với các kiến trúc mạng neural khác để cải thiện độ chính xác và tính ổn định của dự đoán. Bên cạnh đó, việc sử dụng các kỹ thuật học tăng cường và học chuyển giao cũng có thể mang lại những kết quả tích cực.

Tổng quan nghiên cứu

Trong bối cảnh thị trường chứng khoán ngày càng phát triển và trở nên phức tạp, việc dự đoán chính xác chỉ số chứng khoán như VN-Index đóng vai trò quan trọng trong việc hỗ trợ nhà đầu tư ra quyết định giao dịch hiệu quả, giảm thiểu rủi ro và tối đa hóa lợi nhuận. Theo dữ liệu thu thập từ ngày 01/01/2009 đến 31/12/2019, chỉ số VN-Index có nhiều biến động phức tạp với các yếu tố phi tuyến tính và chuỗi thời gian đa chiều. Mục tiêu nghiên cứu của luận văn là xây dựng và cải tiến hệ thống dự đoán chỉ số VN-Index dựa trên mô hình học sâu kết hợp giữa mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy dài hạn (LSTM), nhằm nâng cao độ chính xác dự báo so với các mô hình truyền thống như ARIMA hay các mô hình mạng nơ-ron đơn lẻ.

Phạm vi nghiên cứu tập trung vào dữ liệu chứng khoán Việt Nam trong khoảng thời gian 10 năm, sử dụng dữ liệu giá mở cửa, giá đóng cửa, giá cao, giá thấp và khối lượng giao dịch theo từng ngày. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện các chỉ số đánh giá mô hình như RMSE, MAPE và RMAE, giúp nhà đầu tư có công cụ dự báo tin cậy hơn, từ đó nâng cao hiệu quả đầu tư và quản lý rủi ro trên 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 mô hình học sâu chủ đạo: mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy dài hạn (LSTM). CNN được sử dụng để trích xuất đặc trưng từ dữ liệu hình ảnh biểu đồ nến Nhật kết hợp với biểu đồ khối lượng giao dịch (Candlebar chart), giúp nhận diện các mẫu phức tạp trong dữ liệu thị trường chứng khoán. Mô hình CNN trong nghiên cứu được xây dựng dựa trên kiến trúc ResNet với các khối bottleneck residual nhằm giảm thiểu hiện tượng quá khớp và tăng độ sâu mạng mà không làm giảm hiệu suất.

Mạng LSTM được áp dụng để xử lý dữ liệu chuỗi thời gian giá cổ phiếu, khắc phục hạn chế của mạng RNN truyền thống trong việc ghi nhớ thông tin dài hạn. LSTM sử dụng các cổng quên, cổng vào và cổng ra để điều chỉnh thông tin lưu giữ và truyền tải, giúp mô hình học được các phụ thuộc phức tạp trong chuỗi dữ liệu tài chính.

Ba khái niệm chính được sử dụng trong nghiên cứu gồm:

• Chuỗi thời gian phi tuyến tính: đặc trưng của dữ liệu chứng khoán với xu hướng và biến động theo mùa.
• Residual learning: kỹ thuật học phần dư trong mạng ResNet giúp giảm thiểu vấn đề gradient biến mất.
• Joint learning: phương pháp học kết hợp đồng thời các đặc trưng từ CNN và LSTM để nâng cao hiệu quả dự đoán.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được sử dụng là bộ dữ liệu giá cổ phiếu và khối lượng giao dịch của VN-Index từ ngày 01/01/2009 đến 31/12/2019, cùng dữ liệu chi tiết theo phút từ 14/10/2016 đến 16/10/2017 với tổng cộng 97.474 bản ghi, lấy từ cơ sở dữ liệu Thomson Reuters. Dữ liệu được chia thành 70% cho huấn luyện, 10% cho xác nhận và 20% cho kiểm thử.

Phương pháp phân tích bao gồm:

• Tiền xử lý dữ liệu chuỗi thời gian và chuyển đổi dữ liệu thành dạng hình ảnh biểu đồ nến kết hợp biểu đồ khối lượng để làm đầu vào cho mô hình CNN.
• Xây dựng mô hình SC-CNN dựa trên kiến trúc ResNet-50 được điều chỉnh phù hợp với dữ liệu biểu đồ chứng khoán.
• Xây dựng mô hình ST-LSTM để xử lý dữ liệu chuỗi thời gian giá đóng cửa và khối lượng giao dịch.
• Kết hợp hai mô hình trên thành mô hình LSTM-CNN với phương pháp joint learning nhằm khai thác đồng thời đặc trưng hình ảnh và chuỗi thời gian.
• Đánh giá hiệu suất mô hình bằng các chỉ số RMSE, MAPE và RMAE, so sánh với các mô hình truyền thống như ARIMA và các mô hình mạng nơ-ron đơn lẻ.

Quá trình nghiên cứu được thực hiện trong khoảng thời gian từ năm 2019 đến 2021, với các bước thu thập dữ liệu, xây dựng mô hình, huấn luyện và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu suất mô hình LSTM-CNN vượt trội: Mô hình kết hợp LSTM-CNN đạt RMSE thấp hơn 15% so với mô hình ARIMA truyền thống khi dự đoán chỉ số VN-Index trong 10 năm, đồng thời MAPE giảm từ khoảng 5.2% xuống còn 3.8%, cho thấy độ chính xác dự báo được cải thiện rõ rệt.

2. Ảnh hưởng tích cực của dữ liệu biểu đồ nến kết hợp khối lượng: Việc sử dụng biểu đồ Candlebar tích hợp dữ liệu khối lượng giao dịch làm đầu vào cho mô hình SC-CNN giúp tăng độ chính xác dự đoán lên khoảng 12% so với việc chỉ sử dụng dữ liệu chuỗi thời gian thuần túy.

3. Khả năng ghi nhớ dài hạn của LSTM: Mô hình ST-LSTM cho thấy khả năng dự đoán xu hướng giá trong ngắn hạn (5 phút đến 30 phút) với độ chính xác tăng 10% so với mạng RNN truyền thống, nhờ vào cấu trúc cổng quên và cổng vào giúp giữ thông tin quan trọng.

4. Joint learning nâng cao hiệu quả tổng thể: Việc kết hợp đồng thời đặc trưng từ CNN và LSTM thông qua joint learning giúp mô hình LSTM-CNN đạt được hiệu suất tốt hơn khoảng 8% so với việc huấn luyện riêng lẻ từng mô hình.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện hiệu suất dự báo là do mô hình LSTM-CNN tận dụng được cả đặc trưng không gian từ hình ảnh biểu đồ và đặc trưng thời gian từ chuỗi dữ liệu giá cổ phiếu. So với các nghiên cứu trước đây chỉ sử dụng mô hình ARIMA hoặc mạng nơ-ron đơn lẻ, mô hình kết hợp này có khả năng học sâu hơn và tổng quát hóa tốt hơn trên dữ liệu phức tạp của thị trường chứng khoán Việt Nam.

Kết quả cũng phù hợp với các nghiên cứu quốc tế về việc áp dụng mạng neural sâu trong dự báo tài chính, đồng thời khẳng định tính hiệu quả của việc sử dụng kiến trúc ResNet và kỹ thuật residual learning để tránh hiện tượng quá khớp khi mạng quá sâu.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh RMSE, MAPE giữa các mô hình ARIMA, LSTM, CNN và LSTM-CNN, cũng như biểu đồ dự đoán giá thực tế và giá dự báo của VN-Index trong các khoảng thời gian khác nhau, giúp minh họa rõ ràng sự vượt trội của mô hình đề xuất.

Đề xuất và khuyến nghị

1. Triển khai mô hình LSTM-CNN trong hệ thống giao dịch tự động: Áp dụng mô hình vào các nền tảng giao dịch chứng khoán để hỗ trợ nhà đầu tư ra quyết định mua bán nhanh chóng, giảm thiểu rủi ro, với mục tiêu giảm RMSE xuống dưới 3% trong vòng 1 năm.

2. Mở rộng dữ liệu đầu vào đa dạng hơn: Kết hợp thêm các dữ liệu kinh tế vĩ mô, tin tức tài chính và các chỉ báo kỹ thuật để nâng cao độ chính xác dự báo, thực hiện trong vòng 2 năm tới bởi các tổ chức nghiên cứu và công ty công nghệ tài chính.

3. Phát triển giao diện trực quan cho người dùng cuối: Xây dựng dashboard trực quan hiển thị dự báo chỉ số VN-Index và các cảnh báo rủi ro, giúp nhà đầu tư dễ dàng tiếp cận thông tin, hoàn thành trong 6 tháng tới bởi các công ty phát triển phần mềm.

4. Nâng cao khả năng dự báo đa khung thời gian: Phát triển mô hình dự báo cho các khung thời gian ngắn hạn, trung hạn và dài hạn nhằm phục vụ đa dạng nhu cầu đầu tư, với mục tiêu cải thiện độ chính xác dự báo xu hướng trong vòng 1 năm, do các nhóm nghiên cứu chuyên sâu thực hiện.

Đối tượng nên tham khảo luận văn

1. Nhà đầu tư cá nhân và tổ chức: Có thể sử dụng kết quả nghiên cứu để nâng cao hiệu quả giao dịch, giảm thiểu rủi ro và tối ưu hóa lợi nhuận thông qua các dự báo chính xác về biến động chỉ số VN-Index.

2. Các công ty công nghệ tài chính (Fintech): Áp dụng mô hình học sâu kết hợp CNN-LSTM để phát triển các sản phẩm phân tích và dự báo thị trường chứng khoán, từ đó nâng cao giá trị dịch vụ và cạnh tranh trên thị trường.

3. Các nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin, Tài chính: Tham khảo phương pháp kết hợp mô hình học sâu và kỹ thuật xử lý dữ liệu chuỗi thời gian, từ đó phát triển các nghiên cứu tiếp theo hoặc ứng dụng trong các lĩnh vực tương tự.

4. Cơ quan quản lý thị trường chứng khoán: Sử dụng kết quả nghiên cứu để theo dõi, phân tích xu hướng thị trường, hỗ trợ xây dựng các chính sách quản lý và giám sát hiệu quả hơn.

Câu hỏi thường gặp

1. Mô hình LSTM-CNN có ưu điểm gì so với các mô hình truyền thống?
   Mô hình LSTM-CNN kết hợp khả năng trích xuất đặc trưng không gian từ biểu đồ hình ảnh và đặc trưng thời gian từ chuỗi dữ liệu, giúp dự báo chính xác hơn so với các mô hình truyền thống như ARIMA chỉ dựa trên chuỗi thời gian. Ví dụ, RMSE giảm khoảng 15% so với ARIMA trong nghiên cứu này.

2. Dữ liệu đầu vào cho mô hình được chuẩn bị như thế nào?
   Dữ liệu bao gồm giá mở cửa, đóng cửa, cao, thấp và khối lượng giao dịch được chuyển đổi thành biểu đồ nến Nhật kết hợp biểu đồ khối lượng (Candlebar chart) với kích thước ảnh 112x112 pixel cho CNN, đồng thời giữ nguyên dạng chuỗi thời gian cho LSTM.

3. Mô hình có thể áp dụng cho các chỉ số chứng khoán khác không?
   Có thể áp dụng với điều chỉnh phù hợp về tham số và dữ liệu đầu vào. Các nghiên cứu quốc tế đã áp dụng mô hình tương tự cho chỉ số S&P 500, Shanghai Index với kết quả khả quan, cho thấy tính linh hoạt của mô hình.

4. Thời gian huấn luyện mô hình mất bao lâu?
   Thời gian huấn luyện phụ thuộc vào cấu hình phần cứng và kích thước dữ liệu, trong nghiên cứu này mất khoảng vài giờ đến một ngày trên máy tính có GPU hiện đại để đạt được kết quả tối ưu.

5. Làm thế nào để tránh hiện tượng quá khớp khi huấn luyện mạng sâu?
   Sử dụng kỹ thuật residual learning trong mạng ResNet, áp dụng dropout, batch normalization và chia dữ liệu thành tập huấn luyện, xác nhận và kiểm thử giúp giảm thiểu hiện tượng quá khớp, đảm bảo mô hình tổng quát tốt trên dữ liệu mới.

Kết luận

• Luận văn đã xây dựng thành công mô hình dự đoán chỉ số VN-Index dựa trên sự kết hợp giữa mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy dài hạn (LSTM), nâng cao độ chính xác dự báo so với các mô hình truyền thống.
• Mô hình SC-CNN tận dụng hiệu quả dữ liệu hình ảnh biểu đồ nến kết hợp khối lượng giao dịch, trong khi ST-LSTM xử lý tốt dữ liệu chuỗi thời gian phức tạp.
• Phương pháp joint learning giúp mô hình kết hợp khai thác đồng thời đặc trưng không gian và thời gian, cải thiện hiệu suất dự báo.
• Kết quả nghiên cứu có ý nghĩa thực tiễn cao, hỗ trợ nhà đầu tư và các tổ chức tài chính trong việc ra quyết định giao dịch chứng khoán hiệu quả hơn.
• Các bước tiếp theo bao gồm mở rộng dữ liệu đầu vào, phát triển giao diện người dùng và áp dụng mô hình cho các khung thời gian khác nhau nhằm nâng cao tính ứng dụng trong thực tế.

Để tiếp tục phát triển nghiên cứu, các nhà khoa học và chuyên gia công nghệ thông tin được khuyến khích áp dụng mô hình LSTM-CNN trong các dự án thực tế, đồng thời mở rộng phạm vi nghiên cứu sang các thị trường chứng khoán khác nhằm kiểm chứng tính hiệu quả và khả năng ứng dụng rộng rãi của mô hình.