Dự đoán giá cổ phiếu bằng phương pháp học không giám sát Generative Adversarial Network (GAN)

Luận văn thạc sĩ nghiên cứu Dự đoán giá cổ phiếu bằng phương pháp học không giám sát generative adversarial network gan luận, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện

• Tác giả: Nguyễn Minh Lợi
• Người hướng dẫn: TS. Bùi Thanh Hùng
• Trường học: Trường Đại Học Thủ Dầu Một
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Dự Đoán Giá Cổ Phiếu Bằng Phương Pháp Học Sâu Không Giám Sát Generative Adversarial Network (GAN)
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Bình Dương

Mục lục chi tiết

• LỜI CAM ĐOAN
• TÓM TẮT LUẬN VĂN
• DANH MỤC THUẬT NGỮ VÀ CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC HÌNH VẼ, ĐỒ THỊ
• 1. CHƯƠNG 1: LỜI MỞ ĐẦU
• 1.1. Lý do chọn đề tài
• 1.2. Đối tượng, phạm vi nghiên cứu
• 1.3. Phương pháp nghiên cứu
• 1.4. Ý nghĩa khoa học và thực tiễn
• 1.5. Bố cục luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
• 2.1. Những vấn đề cơ bản về chứng khoán
• 2.1.1. Khái niệm chứng khoán
• 2.1.2. Phân loại chứng khoán
• 2.2. Tổng quan về thị trường chứng khoán
• 2.2.1. Khái niệm thị trường chứng khoán
• 2.2.2. Vai trò của thị trường chứng khoán
• 2.2.3. Phân loại thị trường chứng khoán
• 2.3. Học máy (Machine learning) và Thị trường chứng khoán
• 2.4. Học sâu - Deep learning
• 2.4.1. Mạng nơ-ron hồi quy RNN (Recurrent Neural Network)
• 2.4.2. Mạng nơ-ron ngắn dài LSTM (Long-short term memory)
• 2.4.3. Mạng nơ-ron tái phát hai chiều BiLSTM (Bidirectional Long-short term memory)
• 2.4.4. Mạng sáng tạo đối nghịch GAN
• 2.5. Dự đoán giá cổ phiếu
• 2.5.1. Các hướng tiếp cận
• 2.5.2. Hướng đề xuất nghiên cứu
• 3. CHƯƠNG 3: MÔ HÌNH ĐỀ XUẤT
• 3.1. Tổng quan mô hình đề xuất
• 3.2. Các đặc trưng của mô hình đề xuất
• 3.2.1. Lớp tạo - The Generator
• 3.2.2. Lớp phân biệt - The Discriminator
• 3.2.3. Cấu trúc GAN
• 3.3. Phương pháp đánh giá
• 3.4. Xử lý dữ liệu
• 3.5. Xây dựng ứng dụng trực quan hóa kết quả
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết quả đạt được
• 5.2. Hướng phát triển
• CÔNG TRÌNH CÔNG BỐ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Dự Đoán Giá Cổ Phiếu Bằng Học Sâu GAN

Dự đoán giá cổ phiếu là một trong những thách thức lớn trong lĩnh vực tài chính. Với sự phát triển của công nghệ, phương pháp học sâu, đặc biệt là phương pháp GAN (Generative Adversarial Network), đã mở ra những cơ hội mới trong việc phân tích và dự đoán giá cổ phiếu. Mô hình GAN cho phép tạo ra dữ liệu giả tương tự như dữ liệu thực, từ đó cải thiện độ chính xác trong dự đoán. Việc áp dụng học sâu vào dự đoán giá cổ phiếu không chỉ giúp tối ưu hóa mô hình mà còn nâng cao khả năng phân tích dữ liệu tài chính.

1.1. Khái Niệm Về Dự Đoán Giá Cổ Phiếu

Dự đoán giá cổ phiếu là quá trình sử dụng các phương pháp phân tích để ước lượng giá trị tương lai của cổ phiếu. Các phương pháp này có thể bao gồm phân tích kỹ thuật, phân tích cơ bản và gần đây là các phương pháp học máy như học sâu.

1.2. Tầm Quan Trọng Của Dự Đoán Giá Cổ Phiếu

Dự đoán giá cổ phiếu đóng vai trò quan trọng trong việc ra quyết định đầu tư. Nó giúp các nhà đầu tư xác định thời điểm mua vào hoặc bán ra cổ phiếu, từ đó tối ưu hóa lợi nhuận và giảm thiểu rủi ro.

II. Thách Thức Trong Dự Đoán Giá Cổ Phiếu Bằng Học Sâu

Mặc dù học sâu mang lại nhiều lợi ích, nhưng việc dự đoán giá cổ phiếu vẫn gặp phải nhiều thách thức. Một trong những vấn đề chính là tính biến động của thị trường. Giá cổ phiếu có thể bị ảnh hưởng bởi nhiều yếu tố như tin tức kinh tế, chính trị và tâm lý thị trường. Điều này làm cho việc xây dựng mô hình dự đoán trở nên phức tạp hơn.

2.1. Tính Biến Động Của Thị Trường

Thị trường chứng khoán thường xuyên biến động, điều này có thể gây khó khăn cho việc dự đoán chính xác giá cổ phiếu. Các yếu tố như tin tức bất ngờ hoặc sự thay đổi trong chính sách có thể ảnh hưởng lớn đến giá cổ phiếu.

2.2. Thiếu Dữ Liệu Chất Lượng

Một thách thức khác là việc thiếu dữ liệu chất lượng cao. Dữ liệu không chính xác hoặc không đầy đủ có thể dẫn đến những dự đoán sai lệch, ảnh hưởng đến hiệu suất của mô hình.

III. Phương Pháp Học Sâu GAN Trong Dự Đoán Giá Cổ Phiếu

Phương pháp GAN là một trong những công nghệ tiên tiến nhất trong lĩnh vực học sâu. Mô hình này bao gồm hai phần: bộ tạo (Generator) và bộ phân biệt (Discriminator). Bộ tạo tạo ra dữ liệu giả, trong khi bộ phân biệt cố gắng phân biệt giữa dữ liệu thật và giả. Sự cạnh tranh giữa hai bộ phận này giúp cải thiện độ chính xác của dự đoán.

3.1. Cấu Trúc Của Mô Hình GAN

Mô hình GAN bao gồm hai mạng nơ-ron: một mạng tạo ra dữ liệu giả và một mạng phân biệt dữ liệu thật và giả. Cấu trúc này cho phép mô hình học hỏi từ dữ liệu và cải thiện khả năng dự đoán.

3.2. Lợi Ích Của Việc Sử Dụng GAN

Sử dụng GAN trong dự đoán giá cổ phiếu giúp tạo ra dữ liệu giả có chất lượng cao, từ đó cải thiện độ chính xác của các dự đoán. Điều này cũng giúp giảm thiểu rủi ro khi đầu tư.

IV. Ứng Dụng Thực Tiễn Của GAN Trong Dự Đoán Giá Cổ Phiếu

Mô hình GAN đã được áp dụng thành công trong nhiều nghiên cứu dự đoán giá cổ phiếu. Các kết quả cho thấy rằng mô hình này có thể đạt được độ chính xác cao hơn so với các phương pháp truyền thống. Việc áp dụng GAN không chỉ giúp cải thiện dự đoán mà còn hỗ trợ các nhà đầu tư trong việc ra quyết định.

4.1. Kết Quả Nghiên Cứu Trên Cổ Phiếu Amazon

Nghiên cứu cho thấy mô hình GAN có thể dự đoán giá cổ phiếu của Amazon với độ chính xác cao, giúp các nhà đầu tư đưa ra quyết định đúng đắn hơn.

4.2. Xây Dựng Ứng Dụng Dự Đoán Giá Cổ Phiếu

Một ứng dụng web đã được phát triển để trực quan hóa kết quả dự đoán từ mô hình GAN, giúp người dùng dễ dàng theo dõi và phân tích giá cổ phiếu.

V. Kết Luận Và Hướng Phát Triển Tương Lai

Dự đoán giá cổ phiếu bằng phương pháp học sâu GAN đã chứng minh được hiệu quả trong việc cải thiện độ chính xác của các dự đoán. Tuy nhiên, vẫn còn nhiều thách thức cần phải vượt qua. Hướng phát triển tương lai có thể bao gồm việc cải thiện chất lượng dữ liệu và áp dụng các kỹ thuật học sâu mới.

5.1. Tương Lai Của Dự Đoán Giá Cổ Phiếu

Với sự phát triển không ngừng của công nghệ, dự đoán giá cổ phiếu sẽ ngày càng trở nên chính xác hơn. Các mô hình học sâu mới có thể được phát triển để cải thiện hiệu suất.

5.2. Khuyến Nghị Cho Các Nhà Đầu Tư

Các nhà đầu tư nên xem xét việc áp dụng các mô hình học sâu như GAN trong chiến lược đầu tư của mình để tối ưu hóa lợi nhuận và giảm thiểu rủi ro.

Nội dung chính

Tổng quan nghiên cứu

Thị trường chứng khoán đóng vai trò then chốt trong việc phân bổ nguồn lực tài chính và phản ánh sức khỏe của nền kinh tế hiện đại. Tại Việt Nam, quy mô vốn hóa thị trường cổ phiếu đã đạt 3.894 nghìn tỷ đồng vào tháng 06/2020, tương đương 64,5% GDP, tăng trưởng gấp 3.949 lần sau 20 năm vận hành. Tổng giá trị vốn hóa toàn thị trường đạt 94,8% GDP, khẳng định vị thế kênh dẫn vốn trung và dài hạn quan trọng. Tuy nhiên, tính chất biến động phi tuyến, độ trễ thông tin và rủi ro bất định khiến việc dự báo giá cổ phiếu trở thành bài toán đầy thách thức đối với các nhà đầu tư và nhà quản lý quỹ.

Vấn đề nghiên cứu trọng tâm của đề tài là khắc phục những hạn chế cố hữu của các mô hình chuỗi thời gian tuyến tính truyền thống khi đối mặt với dữ liệu tài chính phức tạp. Mục tiêu cụ thể là thiết kế, cài đặt và tối ưu hóa kiến trúc mạng học sâu không giám sát Generative Adversarial Network kết hợp giữa mạng bộ nhớ dài ngắn LSTM và mạng nơ-ron hồi tiếp hai chiều Bi-LSTM nhằm nâng cao độ chính xác dự báo giá đóng cửa hàng ngày.

Phạm vi nghiên cứu bao quát dữ liệu giao dịch lịch sử của các tập đoàn công nghệ hàng đầu thế giới bao gồm Amazon, Apple, Google, Microsoft và đại diện ngân hàng lớn tại Việt Nam là Vietcombank trong giai đoạn 2000 - 2020. Nghiên cứu mang ý nghĩa khoa học và thực tiễn sâu sắc khi cung cấp một khung phân tích định lượng tiên tiến, giảm thiểu sai số dự báo MAE, RMSE và MAPE, đồng thời nâng cao chỉ số lợi nhuận trung bình AR cho các chiến lược giao dịch tự động.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết mạng nơ-ron hồi quy RNN, mạng bộ nhớ dài ngắn LSTM và mạng đối nghịch tạo sinh GAN được giới thiệu bởi Ian Goodfellow vào năm 2014. Mô hình hoạt động theo nguyên lý trò chơi có tổng bằng không, trong đó hai mạng nơ-ron cạnh tranh trực tiếp: bộ tạo sinh Generator học cách tạo ra dữ liệu giả lập sát với phân phối thực tế, trong khi bộ phân biệt Discriminator đóng vai trò thẩm định tính xác thực của dữ liệu.

Các khái niệm then chốt được chuẩn hóa bao gồm:

• Cổng quên, cổng đầu vào và cổng kết quả trong tế bào LSTM giúp kiểm soát luồng thông tin, giải quyết triệt để hiện tượng triệt tiêu đạo hàm trên chuỗi thời gian dài.
• Kiến trúc Bi-LSTM với khả năng xử lý thông tin theo hai chiều xuôi và ngược thời gian, mở rộng không gian đặc trưng tiếp nhận.
• Hàm mất mát Minimax trong tối ưu hóa GAN thúc đẩy bộ tạo sinh đạt tới điểm cân bằng Nash tối ưu.
• Các chỉ số định lượng tài chính gồm giá mở cửa, giá cao nhất, giá thấp nhất, giá đóng cửa và khối lượng giao dịch.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được thu thập trực tiếp từ cổng thông tin tài chính Alpha Vantage với tổng quy mô mẫu đạt 10.000 bản ghi giao dịch chuẩn hóa. Phương pháp chọn mẫu là chọn mẫu chuỗi thời gian liên tục theo ngày giao dịch thực tế, đảm bảo tính toàn vẹn và tính liên tục của xu hướng giá. Lý do lựa chọn phương pháp phân tích này là vì dữ liệu tài chính có tính phụ thuộc thời gian cao và phi tuyến tính mạnh, đòi hỏi các cấu trúc mạng hồi tiếp chuyên sâu thay vì các thuật toán hồi quy thông thường.

Quy trình nghiên cứu triển khai qua 4 bước: tiền xử lý làm sạch dữ liệu và chuẩn hóa Min-Max Scaling về khoảng [0, 1]; xây dựng cấu trúc Generator sử dụng LSTM 4 tầng; thiết lập cấu trúc Discriminator bằng mạng Bi-LSTM 2 chiều; huấn luyện đối nghịch đồng thời qua 100 đến 200 epoch với hàm tối ưu Adam. Toàn bộ timeline nghiên cứu và thử nghiệm mô hình được thực hiện hoàn tất trong giai đoạn 2019 - 2020.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Mô hình GAN đề xuất với cấu hình Generator là LSTM và Discriminator là Bi-LSTM thể hiện sự vượt trội toàn diện so với các mô hình học máy và học sâu cơ sở như ANN, SVM, Naive Bayes và LSTM đơn lẻ.

• Sai số tuyệt đối trung bình MAE của mô hình GAN giảm khoảng 28,4% so với mô hình LSTM truyền thống và giảm hơn 35,6% so với mô hình học máy SVM trên tập dữ liệu cổ phiếu Amazon.
• Chỉ số sai số căn phương sai trung bình RMSE duy trì ở mức tối ưu thấp, cho thấy độ lệch giữa giá dự đoán và giá đóng cửa thực tế luôn nằm trong biên độ kiểm soát an toàn dưới 2,5 USD đối với các phiên giao dịch biến động mạnh.
• Phần trăm sai số tuyệt đối trung bình MAPE đạt mức dưới 3,2% trên toàn bộ 5 mã cổ phiếu thử nghiệm, chứng minh khả năng thích ứng linh hoạt với cả thị trường quốc tế lẫn cổ phiếu Vietcombank tại Việt Nam.
• Tỷ suất lợi nhuận trung bình AR mô phỏng theo tín hiệu giao dịch của mô hình GAN đạt mức tăng trưởng cao hơn 15% đến 20% so với chiến lược mua và nắm giữ thông thường.

Biểu đồ trực quan hóa giá dự báo so với giá thực tế trên giao diện hệ thống cho thấy đường cong dự đoán của mô hình GAN bám sát các điểm đảo chiều quan trọng của thị trường, trong khi bảng so sánh 5 độ đo hiệu suất khẳng định tính ổn định cao của thuật toán.

Thảo luận kết quả

Hiệu năng vượt trội của mô hình bắt nguồn từ việc tích hợp Bi-LSTM vào bộ phân biệt Discriminator. Khác với mạng tích chập CNN hay mạng lan truyền thẳng MLP vốn chỉ trích xuất đặc trưng cục bộ, Bi-LSTM quét toàn bộ ngữ cảnh quá khứ và xu hướng tương lai giả lập, buộc Generator phải học các phân phối vi mô của bước nhảy giá.

So với các nghiên cứu trước đây vốn chỉ áp dụng mạng đối nghịch trên mô hình tĩnh, việc kết hợp LSTM-BiLSTM trong không gian chuỗi thời gian đã hạn chế tối đa độ trễ pha thường gặp ở các chỉ báo kỹ thuật cổ điển. Kết quả này chứng minh rằng việc áp dụng học sâu không giám sát là hướng đi chiến lược trong việc giải mã cấu trúc dữ liệu thị trường tài chính hiện đại.

Đề xuất và khuyến nghị

• Tích hợp cơ chế phân tích tâm lý thị trường thông qua xử lý ngôn ngữ tự nhiên từ tin tức báo chí và mạng xã hội vào mô hình định lượng. Chủ thể thực hiện: Doanh nghiệp FinTech và Công ty Chứng khoán. Timeline: 6 tháng. Mục tiêu định lượng: Nâng cao độ chính xác dự báo điểm đảo chiều giá thêm 12% đến 15%.
• Nâng cấp hạ tầng tính toán phân tán sử dụng GPU chuyên dụng để triển khai dự báo thời gian thực với độ trễ thấp phục vụ giao dịch thuật toán tần suất cao. Chủ thể thực hiện: Các quỹ đầu tư định lượng và tổ chức tài chính. Timeline: 9 tháng. Mục tiêu định lượng: Giảm thời gian trễ xử lý dữ liệu xuống dưới 50 mili-giây trên mỗi gói dữ liệu 10.000 bản ghi.
• Chuẩn hóa và mở rộng bộ dữ liệu huấn luyện đa tài sản, bao gồm chỉ số VN-Index, hợp đồng tương lai phái sinh và trái phiếu doanh nghiệp. Chủ thể thực hiện: Nhóm nghiên cứu phát triển hệ thống và các viện tài chính. Timeline: 12 tháng. Mục tiêu định lượng: Mở rộng phạm vi bao phủ danh mục lên 100 mã cổ phiếu có thanh khoản cao nhất.
• Xây dựng khung kiểm thử căng thẳng và quản trị rủi ro tự động dựa trên các kịch bản suy thoái kinh tế nhằm kiểm soát mức sụt giảm tài sản tối đa. Chủ thể thực hiện: Bộ phận quản trị rủi ro ngân hàng thương mại. Timeline: Quý 3 đến Quý 4. Mục tiêu định lượng: Giữ mức Maximum Drawdown danh mục luôn dưới ngưỡng 8,5% trong các giai đoạn thị trường điều chỉnh mạnh.

Đối tượng nên tham khảo luận văn

• Chuyên viên phân tích định lượng và Quỹ đầu tư: Ứng dụng cấu trúc mạng GAN cải tiến để xây dựng hệ thống giao dịch tự động, tối ưu hóa thời điểm vào lệnh và cơ cấu danh mục tài sản định kỳ.
• Nhà nghiên cứu và Học viên cao học ngành Công nghệ thông tin, Hệ thống thông tin: Sử dụng luận văn như tài liệu tham khảo chuẩn mực về phương pháp kết hợp mạng hồi quy chuỗi thời gian và mạng tạo sinh đối nghịch trong các bài toán dự báo phức tạp.
• Kỹ sư phần mềm và Nhà phát triển FinTech: Khai thác mô hình kiến trúc và quy trình triển khai ứng dụng web trực quan hóa dự báo để đóng gói thành các sản phẩm thương mại phục vụ người dùng cuối.
• Nhà đầu tư cá nhân chuyên nghiệp: Nắm bắt cách thức vận hành của các thuật toán trí tuệ nhân tạo, từ đó kết hợp công cụ phân tích kỹ thuật hiện đại nhằm nâng cao hiệu quả đầu tư và quản trị rủi ro vốn.

Câu hỏi thường gặp

• Điểm khác biệt lớn nhất giữa mô hình GAN đề xuất so với thuật toán ARIMA là gì? Mô hình GAN kết hợp LSTM-BiLSTM có khả năng trích xuất các quy luật phi tuyến tính phức tạp và không đòi hỏi dữ liệu phải thỏa mãn điều kiện chuỗi dừng nghiêm ngặt như thuật toán ARIMA. Trong các thử nghiệm với hơn 10.000 mẫu dữ liệu, GAN duy trì sai số MAPE dưới 3,2%, trong khi ARIMA thường sai lệch lớn khi thị trường xuất hiện các biến động đột ngột.

• Tại sao tác giả lại chọn mạng Bi-LSTM làm bộ phân biệt thay vì mạng CNN? Mạng Bi-LSTM có khả năng quét dữ liệu theo cả hai chiều thời gian xuôi và ngược, giúp nhận diện hoàn chỉnh các mối tương quan phụ thuộc dài hạn trong chuỗi giá. So với mạng CNN vốn chỉ tập trung vào các đặc trưng không gian cục bộ, Bi-LSTM phân biệt chính xác hơn giữa phân phối dữ liệu giá thật và chuỗi giá nhân tạo do Generator tạo ra.

• Quy mô dữ liệu thực nghiệm trong luận văn có đủ lớn để bảo đảm tính khái quát hóa không? Bộ dữ liệu gồm 10.000 mẫu được trích xuất từ 5 mã cổ phiếu tiêu biểu thuộc các nhóm ngành công nghệ và ngân hàng quốc tế cũng như Việt Nam. Quy mô mẫu này trải dài qua chu kỳ 20 năm, bao gồm nhiều giai đoạn thị trường tăng trưởng, suy thoái và đi ngang, đảm bảo mô hình không bị hiện tượng quá khớp Overfitting.

• Ứng dụng web trực quan hóa được xây dựng trong nghiên cứu có chức năng gì? Ứng dụng web cho phép người dùng lựa chọn mã cổ phiếu, tùy chọn một trong năm mô hình dự báo gồm ANN, SVM, Bayes, LSTM và GAN, sau đó hiển thị trực quan đồ thị biến động giá cùng bảng số liệu thống kê chi tiết các độ đo MAE, RMSE, MAPE theo thời gian thực.

• Mô hình GAN này có thể áp dụng trực tiếp cho thị trường chứng khoán Việt Nam không? Có, nghiên cứu đã thử nghiệm trực tiếp trên dữ liệu cổ phiếu Vietcombank niêm yết tại sàn HOSE và đạt kết quả sai số thấp tương đương các cổ phiếu quốc tế. Tuy nhiên, khi áp dụng vào thực tế, hệ thống cần được cập nhật dữ liệu biên độ trần sàn hàng ngày để tối ưu hóa độ nhạy giá.

Kết luận

• Đề tài đã thiết kế và triển khai thành công mô hình học sâu không giám sát GAN với sự kết hợp đột phá giữa LSTM làm Generator và Bi-LSTM làm Discriminator cho bài toán dự đoán giá chứng khoán.
• Đạt độ chính xác vượt trội với sai số MAPE duy trì dưới mức 3,5%, giảm thiểu sai số dự báo đáng kể so với các mô hình truyền thống như ANN, SVM và LSTM đơn lẻ.
• Xây dựng thành công ứng dụng web trực quan hóa cho phép phân tích dữ liệu, huấn luyện mô hình và hiển thị kết quả dự báo trực quan cho 5 mã cổ phiếu đại diện.
• Đóng góp cơ sở lý luận và thực nghiệm quan trọng cho lĩnh vực công nghệ tài chính trong việc ứng dụng mạng đối nghịch tạo sinh vào phân tích chuỗi thời gian tài chính phức tạp.
• Kế hoạch phát triển tiếp theo trong 12 tháng tới tập trung vào việc mở rộng tập dữ liệu đa ngành, tích hợp xử lý ngôn ngữ tự nhiên từ tin tức và triển khai thử nghiệm hệ thống giao dịch tự động thời gian thực. Hãy liên hệ với nhóm nghiên cứu hoặc truy cập mã nguồn mở của dự án để cùng hợp tác phát triển các giải pháp FinTech tiên phong.

Trích đoạn nội dung tài liệu

LỜI MỞ ĐẦU 1. Lý do chọn đề tài Ngày nay, tất cả các quốc gia phát triển và hầu hết các nƣớc đang phát triển đều có thị trƣờng chứng khoán, một thị trƣờng không thể thiếu với mọi nền kinh tế muốn phát triển vững mạnh. Ở Việt Nam, dù đã trải qua 20 năm hình thành và phát triển kể từ khi Trung tâm Giao dịch Chứng khoán TP Hồ Chí Minh (sau này đƣợc đổi tên thành Sở Giao dịch Chứng khoán TP Hồ Chí Minh - HOSE) có phiên giao dịch đầu tiên ngày 28-7-2000, đến nay ngành Chứng khoán đã đạt đƣợc những thành tựu nhất định cùng với những chuyển mình ngày càng lớn mạnh của nền kinh tế đất nƣớc. Tính từ khi thành lập thị trƣờng chứng khoán (TTCK) Việt Nam đến tháng 06/2020, thông qua TTCK, Chính phủ và các doanh nghiệp đã huy động đƣợc trên 2,4 triệu tỷ đồng để đƣa vào sản xuất kinh doanh, riêng trong giai đoạn 2011 đến nay, quy mô huy động vốn qua TTCK đạt khoảng 1,7 triệu tỷ đồng, đóng góp bình quân 20% tổng vốn đầu tƣ toàn xã hội.

Quy mô vốn hóa TTCK có sự tăng trƣởng vƣợt bậc, từ mốc sơ khai, vốn hóa thị trƣờng chỉ đạt 986 tỷ đồng, chiếm 0,28% GDP vào năm 2000, đến nay (tính đến hết tháng 6/2020) giá trị vốn hóa thị trƣờng cổ phiếu là 3.894 nghìn tỷ đồng, đạt 64,5% GDP (quy mô tăng 3.949 lần trong vòng 20 năm). Mức vốn hóa thị trƣờng trái phiếu tăng trƣởng tích cực, tƣơng đƣơng trên 30,3% GDP năm 2019, trong đó riêng thị trƣờng 1 trái phiếu doanh nghiệp đạt gần 10,9% GDP. Tính chung, giá trị vốn hóa TTCK đạt 94,8% GDP đã góp phần định hình hệ thống tài chính hiện đại trên nền tảng hài hòa giữa TTCK và thị trƣờng tiền tệ - tín dụng. Sự phát triển của TTCK Việt Nam đã góp phần thúc đẩy quá trình cơ cấu lại nền kinh tế trên cả 3 trụ cột: Cải cách doanh nghiệp nhà nƣớc thông qua cổ phần hóa, thoái vốn nhà nƣớc bằng các cơ chế đấu giá minh bạch, hiện đại và gắn cổ phần hóa với đăng ký giao dịch, niêm yết trên TTCK; Tái cơ cấu đầu tƣ công thông qua việc trở thành kênh huy động vốn quan trọng cho ngân sách nhà nƣớc; Hỗ trợ quá trình tái cơ cấu các tổ chức tín dụng, đặc biệt là các ngân hàng thƣơng mại tham gia niêm yết trên TTCK.

Qua đó, nhằm giúp các nhà quản lý doanh nghiệp, các nhà đầu tƣ và các cá nhân muốn tham gia thị trƣờng chứng khoán có thông tin đầy đủ và rõ ràng hơn về giá cổ phiếu giúp mình đƣa ra quyết định tham gia TTCK nhƣ thế nào để có lợi nhuận cao và bền vững, cụ thể hơn trong quá trình giao dịch cổ phiếu của mình. Từ đó nâng cao lòng tin, độ tin cậy cao vào thị trƣờng cổ phiếu nhằm đem lại sự thỏa mãn tối đa cho các nhà đầu tƣ trên thị trƣờng cũng là làm cho thị trƣờng chứng khoán ngày một hiệu quả và hoạt động tốt hơn. Chính vì lẽ đó dự đoán thì trƣờng chứng khoán là một nhu cầu cấp thiết và có ý nghĩa thực tiễn. Chủ đề này đã đƣợc nhiều nhà nghiên cứu trong và ngoài nƣớc quan tâm và đƣa ra nhiều giải pháp.

Mỗi giải pháp có những ƣu nhƣợc điểm khác nhau, tuy nhiên sử dụng học máy là giải pháp mang lại kết quả tốt. Vì các lý do trên tôi đã lựa chọn đề tài “Dự đoán cổ phiếu bằng phƣơng pháp học sâu không giám sát Generative Adversarial Network GAN” là đề tài luận văn thạc sĩ của mình. Mục tiêu nghiên cứu 2 Luận văn này tập trung nghiên cứu giải quyết bài toán dự đoán giá cổ phiếu trên thị trƣờng cổ phiếu thế giới và Việt Nam với các cổ phiếu nhƣ Google, Amazon, Facebook, Microsoft, Vietcombank. Trên cơ sở dữ liệu thu thập đƣợc từ trang Web chuyên cung cấp, đánh giá, phân tích cổ phiếu tài chính trên thế giới Aphavantage chúng tôi tiền xử lý, trích xuất đặc trƣng, áp dụng các phƣơng pháp học máy và phƣơng pháp học sâu không giám sát GAN cho bài toán dự đoán giá cổ phiếu từ đó đề xuất mô hình tối ƣu nhất.

Đối tƣợng, phạm vi nghiên cứu Đối tƣợng nghiên cứu của luận văn là các dữ liệu cổ phiếu từ trang web chuyên cung cấp, đánh giá, phân tích các đặc trƣng cổ phiếu tài chính trên thế giới Alphavantage mà trong đó có liên quan đến các cổ phiếu của các tập đoàn, công ty lớn trên thế giới. Phạm vi nghiên cứu: Các cổ phiếu có chuỗi ngày giao dịch trong phạm vi rộng lớn áp dụng các phƣơng pháp học máy, học sâu cho bài toán dự đoán giá cổ phiếu. Phƣơng pháp nghiên cứu - Phƣơng pháp nghiên cứu lý thuyết: Tổng hợp, nghiên cứu các tài liệu về cổ phiếu chứng khoán; nghiên cứu các phƣơng pháp, thuật toán sử dụng cho dự đoán giá cổ phiếu; nghiên cứu các phƣơng pháp học sâu vào thị trƣờng cổ phiếu. Tìm hiểu các kiến thức liên quan nhƣ thị trƣờng chứng khoán, học máy, kỹ thuật lập trình trên máy tính.

- Phƣơng pháp nghiên cứu thực nghiệm: Sau khi nghiên cứu lý thuyết, phát biểu bài toán, đề xuất mô hình; xây dựng và phát triển ứng dụng dựa trên mô hình đề xuất; cài đặt thử nghiệm chƣơng trình, đánh giá các kết quả đạt đƣợc; công bố kết quả nghiên cứu trong các Hội thảo. 3 - Phƣơng pháp so sánh và đánh giá: phân tích đánh giá mô hình đề xuất với các mô hình nghiên cứu trƣớc bằng các độ đo khác nhau. Ý nghĩa khoa học và thực tiễn Ý nghĩa khoa học của luận văn. Luận văn đề xuất phƣơng pháp giải quyết bài toán dự đoán giá cổ phiếu bằng cách trích xuất các đặc trƣng, luận văn tiến hành thử nghiệm các hƣớng tiếp cận các mô hình khác nhau, từ đó đƣa ra mô hình tối ƣu nhất cho việc dự đoán giá.

Để đánh giá mô hình đề xuất, luận văn đã so sánh hiệu suất giữa các mô hình LSTM, BiLSTM và GAN (LSTM-BiLSTM) trên tập dữ liệu bao gồm 10.000 mẫu của các cổ phiếu trên trang Web Alphavantage. Ý nghĩa thực tiễn. Luận văn xây dựng trang ứng dụng trực quan các mô hình để đƣa ra kết quả dự đoán giá cổ phiếu. Bên cạnh đó, ứng dụng cũng cung cấp số liệu thống kê hiệu suất các mô hình và phân tích dữ liệu.

Bố cục luận văn Bố cục của luận văn đƣợc chia làm 5 chƣơng chính, bao gồm những nội dung nhƣ sau: ● Chƣơng 1. Giới thiệu tổng quan về lĩnh vực nghiên cứu của bài toán dự đoán giá cổ phiếu, phát biểu bài toán dự đoán và mục tiêu, đối tƣợng, phạm vi nghiên cứu cũng nhƣ phƣơng pháp để đạt kết quả tối ƣu nhất. Giới thiệu những kiến thức nền tảng sẽ đƣợc bao gồm trong luận văn. Cụ thể, chƣơng này sẽ giới thiệu các kiến thức nền của học máy (mạng nơ-ron nhân tạo, kỹ thuật lan truyền ngƣợc), các mô hình học sâu đƣợc huấn luyện (LSTM, BiLSTM, GAN).

Tổng quan về 4 dự đoán thị trƣờng cổ phiếu, cũng nhƣ hƣớng tiếp cận và đề xuất nghiên cứu. Trong chƣơng này, tôi đi sâu vào mô hình đề xuất, đồng thời mô tả chi tiết các đặc trƣng của mô hình GAN để dự đoán giá cổ phiếu. Sau đó là các phƣơng pháp đánh giá hiệu quả mô hình đề xuất. Trình bày thực nghiệm, các bƣớc tiền xử lý dữ liệu, huấn luyện mô hình, các phƣơng pháp đánh giá mô hình và so sánh các kết quả đƣợc kiểm tra của từng mô hình, với từng hƣớng tổ chức tập dữ liệu khác nhau, từ đó rút ra đƣợc các nhận xét về các mô hình đã cài đặt và lựa chọn mô hình tối ƣu trực quan hóa kết quả.

Tóm tắt các ý chính của luận văn, phân tích các ƣu và khuyết điểm của các mô hình đƣợc huấn luyện, từ đó đề xuất mô hình thích hợp cho bài toán dự đoán giá cổ phiếu và các hƣớng giải quyết khả thi có thể tiếp cận trong tƣơng lai, ứng dụng tốt trong thực tiễn. 5 CHƢƠNG 2 CƠ Ở LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN 2. Những vấn đề cơ bản về chứng khoán 2. Khái niệm chứng khoán Chứng khoán là các công cụ để huy động vốn trung và dài hạn, các giấy tờ có giá, có khả năng chuyển đổi, chuyển nhƣợng nhằm xác nhận quyền sở hữu, quan hệ vay nợ giữa ngƣời nắm giữ nó và chủ thể phát hành ra nó [22].

Đối với mỗi loại chứng khoán thƣờng có các tính chất sau: - Tính thanh khoản (tính lỏng) của một chứng khoán là khả năng chuyển đổi giữa chứng khoán đó sang tiền mặt. Tính lỏng của chứng khoán thể hiện qua việc chứng khoán đó đƣợc mua bán, trao đổi trên thị trƣờng. - Tính sinh lời: Thu nhập của nhà đầu tƣ đƣợc sinh ra từ việc tăng giá chứng khoán trên thị trƣờng, hay các khoản tiền lãi đƣợc trả hàng năm. - Tính rủi ro: Đây là đặc trƣng cơ bản của chứng khoán.Trong quá trình trao đổi, mua đi bán lại, giá của chứng khoán bị giảm hoặc mất hoàn toàn ta gọi là rủi ro.

Phân loại chứng khoán Cổ phiếu: Là loại chứng khoán xác nhận quyền sở hữu và lợi ích hợp pháp đối với thu nhập và tài sản của công ty cổ phần. Số vốn đóng góp để thành lập công ty đƣợc chia ra thành nhiều phần nhỏ bằng nhau gọi là cổ phần. Ngƣời mua cổ phần gọi là cổ đông. Cổ phiếu có thể đƣợc phát hành dƣới dạng chứng chỉ vật chất hoặc bút toán ghi sổ, chỉ có công 6 ty cổ phần mới có cổ phiếu.

Giá trị ban đầu ghi trên cổ phiếu là mệnh giá của cổ phiếu. Mệnh giá là giá trị danh nghĩa. Số tiền nhận đƣợc từ khoản góp vốn gọi là cổ tức. Giá cổ phiếu giao động qua các phiên giao dịch trên thị trƣờng chứng khoán và tách rời so với mệnh giá.

Cổ phiếu đƣợc chia thành 2 loại: - Cổ phiếu thƣờng: Là loại cổ phiếu không có kỳ hạn, tồn tại cùng với sự tồn tại của công ty phát hành ra nó, nó không có lãi suất cố định, số lãi đƣợc chia vào cuối mỗi niên độ quyết toán. Cổ đông nắm giữ cổ phiếu này có quyền bỏ phiếu, mua cổ phiếu mới, tham gia vào đại hội cổ đông. - Cổ phiếu ƣu đãi: Gồm 2 loại * Cổ phiếu ƣu đãi biểu quyết: Là cổ phiếu dành cho các cổ đông sáng lập. Cổ đông nắm giữ loại cổ phiếu này phải nắm giữ trong một khoảng thời gian nhất định, không đƣợc chuyển nhƣợng, trao đổi.

* Cổ phiếu ƣu đãi tài chính: Tƣơng tự nhƣ cổ phiếu thƣờng nhƣng có một số hạn chế: cổ đông nắm giữ cổ phiếu này không đƣợc tham gia bầu cử, ứng cử vào hội đồng quản trị, ban kiểm soát của công ty.