Dự Đoán Giá Tiền Ảo Ngắn Hạn Sử Dụng Mạng LSTM Tại Học Viện Công Nghệ Bưu Chính Viễn Thông

Dự đoán giá tiền ảo ngắn hạn là một lĩnh vực nghiên cứu đang thu hút sự chú ý lớn từ các nhà đầu… 55 trang · Học viện Công nghệ Bưu chính Viễn thông · 2021.

• Tác giả: Phùng Ngọc Quang Huy
• Người hướng dẫn: PGS.TS Phạm Văn Cường
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Dự Đoán Giá Tiền Ảo Ngắn Hạn Sử Dụng Mạng LSTM
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
• 1.1. Những vấn đề cơ bản về tiền ảo
• 1.2. Khái niệm tiền ảo
• 1.3. Phân loại tiền ảo
• 1.4. Tổng quan về thị trường tiền ảo
• 1.5. Khái niệm thị trường tiền ảo
• 1.6. Vai trò của thị trường tiền ảo
• 1.7. Học máy và thị trường tiền ảo
• 1.8. Học sâu - Deep learning
• 1.9. Lược sử học sâu
• 1.10. Mô hình mạng nơ ron hồi quy (Recurrent Neural Network). Mô hình mạng bộ nhớ dài ngắn (Long short term memory - LSTM). Dự đoán giá tiền ảo
• 1.11. Các hướng tiếp cận
• 1.12. Hướng đề xuất nghiên cứu
• 2. CHƯƠNG 2: MÔ HÌNH ĐỀ XUẤT
• 2.1. Tổng quan về mô hình đề xuất
• 2.2. Các đặc trưng của mô hình đề xuất
• 2.3. Mô hình đề xuất chi tiết trong bài toán dự đoán giá tiền ảo. Phương pháp đánh giá
• 3. CHƯƠNG 3: THỰC NGHIỆM
• 3.1. Sàn giao dịch tiền ảo Binance
• 3.2. Khái niệm dữ liệu giao dịch
• 3.3. Dữ liệu thực tế
• 3.4. Tiền xử lý dữ liệu
• 3.5. Phân chia tập dữ liệu
• 3.6. Chuẩn hoá dữ liệu
• 3.7. Chỉ báo kỹ thuật
• 3.8. Đánh giá kết quả. Hướng phát triển trong tương lai
• 4. CHƯƠNG 4: TÓM TẮT VÀ KẾT LUẬN
• DANH MỤC CÁC BẢNG BIỂU, HÌNH VẼ
• DANH MỤC CÁC TỪ VIẾT TẮT

Tóm tắt

I. Tổng quan về Dự Đoán Giá Tiền Ảo Ngắn Hạn Sử Dụng Mạng LSTM

Dự đoán giá tiền ảo ngắn hạn là một lĩnh vực nghiên cứu đang thu hút sự chú ý lớn từ các nhà đầu tư và chuyên gia tài chính. Sự phát triển nhanh chóng của thị trường tiền ảo đã tạo ra nhu cầu cao về các phương pháp dự đoán chính xác giá trị của các đồng tiền này. Mạng LSTM (Long Short-Term Memory) đã được chứng minh là một công cụ mạnh mẽ trong việc phân tích và dự đoán giá tiền ảo. Mô hình này có khả năng xử lý dữ liệu thời gian và nhận diện các mẫu trong chuỗi dữ liệu, từ đó đưa ra các dự đoán chính xác hơn.

1.1. Khái niệm và Vai trò của Tiền Ảo trong Thị Trường

Tiền ảo, hay còn gọi là cryptocurrency, là một loại tiền tệ kỹ thuật số hoạt động trên nền tảng công nghệ blockchain. Chúng không chỉ là phương tiện thanh toán mà còn là tài sản đầu tư. Sự phát triển của tiền ảo đã tạo ra một thị trường mới, nơi mà các nhà đầu tư có thể giao dịch và đầu tư vào các đồng tiền như Bitcoin, Ethereum và Binance Coin.

1.2. Tại sao Nên Sử Dụng Mạng LSTM trong Dự Đoán Giá Tiền Ảo

Mạng LSTM là một loại mạng nơ ron hồi quy, được thiết kế để xử lý và dự đoán dữ liệu chuỗi thời gian. Khả năng ghi nhớ thông tin trong thời gian dài giúp LSTM vượt trội hơn so với các mô hình truyền thống trong việc dự đoán giá tiền ảo, nơi mà các yếu tố lịch sử có thể ảnh hưởng lớn đến giá trị hiện tại.

II. Thách Thức trong Dự Đoán Giá Tiền Ảo Ngắn Hạn

Dự đoán giá tiền ảo ngắn hạn không phải là một nhiệm vụ dễ dàng. Thị trường tiền ảo rất biến động và chịu ảnh hưởng bởi nhiều yếu tố như tin tức, sự kiện kinh tế và tâm lý thị trường. Những thách thức này đòi hỏi các nhà nghiên cứu và nhà đầu tư phải có những phương pháp phân tích và dự đoán hiệu quả.

2.1. Biến Động Giá và Tâm Lý Thị Trường

Giá tiền ảo thường xuyên biến động mạnh do sự thay đổi trong tâm lý của nhà đầu tư. Các tin tức tích cực hoặc tiêu cực có thể dẫn đến sự thay đổi đột ngột trong giá trị, làm cho việc dự đoán trở nên khó khăn hơn.

2.2. Thiếu Dữ Liệu Chất Lượng

Một trong những thách thức lớn trong việc dự đoán giá tiền ảo là thiếu dữ liệu chất lượng. Dữ liệu không đầy đủ hoặc không chính xác có thể dẫn đến những dự đoán sai lệch, ảnh hưởng đến quyết định đầu tư.

III. Phương Pháp Dự Đoán Giá Tiền Ảo Sử Dụng Mạng LSTM

Mô hình LSTM đã được áp dụng rộng rãi trong việc dự đoán giá tiền ảo. Phương pháp này bao gồm việc thu thập dữ liệu lịch sử, tiền xử lý dữ liệu và xây dựng mô hình LSTM để dự đoán giá trong tương lai. Các bước này cần được thực hiện một cách cẩn thận để đảm bảo độ chính xác cao nhất.

3.1. Tiền Xử Lý Dữ Liệu Trước Khi Dự Đoán

Tiền xử lý dữ liệu là bước quan trọng trong quá trình dự đoán. Các dữ liệu cần được làm sạch, chuẩn hóa và chuyển đổi thành định dạng phù hợp để mô hình LSTM có thể xử lý hiệu quả.

3.2. Xây Dựng Mô Hình LSTM Để Dự Đoán

Mô hình LSTM được xây dựng với nhiều lớp nơ ron để tối ưu hóa khả năng dự đoán. Việc điều chỉnh các tham số của mô hình là rất quan trọng để đạt được kết quả tốt nhất trong dự đoán giá tiền ảo.

IV. Ứng Dụng Thực Tiễn và Kết Quả Nghiên Cứu

Kết quả từ việc áp dụng mô hình LSTM trong dự đoán giá tiền ảo cho thấy độ chính xác cao hơn so với các phương pháp truyền thống. Các nhà đầu tư có thể sử dụng những dự đoán này để đưa ra quyết định đầu tư thông minh hơn.

4.1. Kết Quả Dự Đoán Giá Bitcoin và Ethereum

Mô hình LSTM đã cho thấy khả năng dự đoán chính xác giá Bitcoin và Ethereum trong nhiều khoảng thời gian khác nhau. Kết quả này cho thấy tiềm năng của mạng LSTM trong việc hỗ trợ các nhà đầu tư.

4.2. Ứng Dụng Trong Giao Dịch Thực Tế

Các nhà đầu tư có thể áp dụng các dự đoán từ mô hình LSTM vào thực tế giao dịch. Việc này không chỉ giúp tối ưu hóa lợi nhuận mà còn giảm thiểu rủi ro trong đầu tư.

V. Kết Luận và Tương Lai của Dự Đoán Giá Tiền Ảo

Dự đoán giá tiền ảo ngắn hạn sử dụng mạng LSTM đã chứng minh được hiệu quả và tiềm năng trong việc hỗ trợ các nhà đầu tư. Tương lai của lĩnh vực này hứa hẹn sẽ còn phát triển hơn nữa với sự tiến bộ của công nghệ và các phương pháp phân tích mới.

5.1. Tương Lai của Mô Hình Dự Đoán

Với sự phát triển không ngừng của công nghệ học sâu, mô hình LSTM có thể được cải tiến và tối ưu hóa hơn nữa để nâng cao độ chính xác trong dự đoán giá tiền ảo.

5.2. Khuyến Nghị cho Nghiên Cứu Tương Lai

Nghiên cứu trong tương lai nên tập trung vào việc kết hợp LSTM với các phương pháp học máy khác để cải thiện độ chính xác và khả năng dự đoán trong các điều kiện thị trường khác nhau.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Thị trường tiền mã hóa (cryptocurrency) được xây dựng trên nền tảng công nghệ chuỗi khối (blockchain) đã có sự phát triển vượt bậc trong những năm gần đây. Khác với các thị trường tài chính truyền thống, giá cả của tiền ảo chịu sự chi phối mạnh mẽ bởi quy luật cung cầu, tính biến động cao, đồng thời nhạy cảm trước các luồng thông tin truyền thông, chính sách pháp lý và phát ngôn của những nhân vật có ảnh hưởng. Việc nắm bắt và dự báo biến động giá ngắn hạn trở thành nhu cầu thiết yếu đối với các nhà đầu tư nhằm tối ưu hóa lợi nhuận và quản trị rủi ro danh mục. Cùng với sự phát triển của cuộc Cách mạng Công nghiệp lần thứ tư, các kỹ thuật Trí tuệ nhân tạo (AI), Học máy (Machine Learning) và đặc biệt là Học sâu (Deep Learning) đã mở ra khả năng xử lý các chuỗi dữ liệu phi tuyến tính phức tạp trong lĩnh vực công nghệ tài chính (FinTech).

Đồ án tốt nghiệp đại học ngành Công nghệ thông tin tại Học viện Công nghệ Bưu chính Viễn thông với đề tài "Dự đoán giá tiền ảo ngắn hạn sử dụng mạng LSTM" do sinh viên Phùng Ngọc Quang Huy thực hiện, dưới sự hướng dẫn của PGS.TS Phạm Văn Cường, tập trung giải quyết bài toán dự báo chuỗi thời gian tài chính thông qua mô hình mạng nơ-ron hồi quy tiên tiến.

Nhiệm vụ và mục tiêu nghiên cứu của đề tài được xác định cụ thể như sau:

1. Thu thập dữ liệu giao dịch lịch sử của các đồng tiền mã hóa lớn từ sàn giao dịch Binance.
2. Thực hiện tiền xử lý dữ liệu, chuẩn hóa chuỗi thời gian và trích xuất các chỉ báo kỹ thuật tài chính nhằm tối ưu hóa không gian đặc trưng đầu vào.
3. Nghiên cứu, thiết kế và cài đặt kiến trúc mạng bộ nhớ dài ngắn (Long Short-Term Memory - LSTM) dạng xếp chồng (Stacked LSTM) để thực hiện học có giám sát.
4. Triển khai thử nghiệm thực tế trên môi trường máy tính, so sánh hiệu năng dự báo của mô hình đề xuất với các mô hình học máy và học sâu cơ sở bao gồm RNN (Recurrent Neural Network), SVR (Support Vector Regression) và mô hình Bayes.
5. Đánh giá độ chính xác và tính thực tiễn của các mô hình thông qua hệ thống các độ đo sai số thống kê và chỉ số lợi nhuận kinh tế.

Đối tượng nghiên cứu của đề tài là dữ liệu giao dịch biến động giá hàng ngày của các đồng tiền mã hóa được niêm yết trên sàn Binance. Phạm vi nghiên cứu tập trung vào 3 đồng tiền có vốn hóa thị trường và khối lượng thanh khoản hàng đầu là Bitcoin (BTC), Ethereum (ETH) và Binance Coin (BNB). Khung thời gian dữ liệu thu thập kéo dài từ ngày 01/01/2017 đến ngày 31/10/2021 (tổng cộng 1.400 ngày giao dịch), trong đó tập dữ liệu kiểm thử bao gồm 200 ngày cuối cùng (từ ngày 22/04/2021 đến ngày 31/10/2021).

Cơ sở lý thuyết và phương pháp

Khóa luận được xây dựng dựa trên sự kết hợp giữa lý thuyết thị trường tài chính tiền mã hóa, các phương pháp phân tích kỹ thuật và hệ thống thuật toán học sâu xử lý dữ liệu dạng chuỗi:

• Khung lý thuyết về tiền mã hóa và thị trường tài chính: Công trình tổng hợp tiến trình phát triển của tiền mã hóa từ các nghiên cứu chữ ký mù của David Chaum (thập niên 1980), hệ thống B-money của Wei Dai (1998), đến sự ra đời của Bitcoin do Satoshi Nakamoto công bố năm 2008. Tác giả phân loại tiền mã hóa thành 5 nhóm chức năng chính: tiền ảo thanh toán (BTC, LTC, USDT...), tiền ảo cơ sở hạ tầng (ETH, ADA, DOT...), tiền ảo tài chính (UNI, COMP, AAVE...), tiền ảo dịch vụ (LINK, FIL, STORJ) và tiền ảo truyền thông - giải trí (BAT).
• Mô hình toán học mạng nơ-ron hồi quy và LSTM:
  • Mạng RNN truyền thống: Được thiết kế để xử lý dữ liệu chuỗi tuần tự thông qua trạng thái ẩn $s_t = f(U \cdot x_t + W \cdot s_{t-1} + b)$, tuy nhiên gặp phải hạn chế nghiêm trọng về hiện tượng triệt tiêu gradient (vanishing gradient) hoặc bùng nổ gradient (exploding gradient) khi xử lý các chuỗi phụ thuộc dài.
  • Mạng LSTM (Hochreiter & Schmidhuber, 1997): Giải quyết vấn đề phụ thuộc xa thông qua cấu trúc ô nhớ (cell state $c_t$) và hệ thống 3 cổng điều khiển đóng mở linh hoạt:
    • Cổng quên (Forget gate): $f_t = \sigma(U_f \cdot x_t + W_f \cdot h_{t-1} + b_f)$
    • Cổng vào (Input gate): $i_t = \sigma(U_i \cdot x_t + W_i \cdot h_{t-1} + b_i)$
    • Cập nhật trạng thái ô nhớ: $c_t = f_t \circ c_{t-1} + i_t \circ \tanh(U_c \cdot x_t + W_c \cdot h_{t-1} + b_c)$
    • Cổng ra (Output gate): $o_t = \sigma(U_o \cdot x_t + W_o \cdot h_{t-1} + b_o)$
    • Trạng thái ẩn đầu ra: $h_t = o_t \circ \tanh(c_t)$
• Phương pháp nghiên cứu thực nghiệm:
  • Phương pháp tiền xử lý và trích xuất đặc trưng: Dữ liệu chuỗi thời gian giá mở cửa (Open), giá cao nhất (High), giá thấp nhất (Low), giá đóng cửa (Close) và khối lượng (Volume) được làm giàu bằng các chỉ báo kỹ thuật gồm RSI (Relative Strength Index chu kỳ 14), EMA (Exponential Moving Average chu kỳ 12 và 26), MACD (Moving Average Convergence Divergence). Dữ liệu được trượt theo cửa sổ 30 ngày ($t=30$) và chuẩn hóa theo phân phối chuẩn cục bộ ($z$-score).
  • Phương pháp huấn luyện và đối chuẩn: Huấn luyện mô hình Stacked LSTM 4 lớp kết hợp Dropout (tỷ lệ 0,2) trên 100 epochs, sau đó so sánh đối chuẩn trực tiếp với mạng RNN thuần, thuật toán SVR và bộ phân loại/hồi quy Bayes trên cùng một tập dữ liệu thử nghiệm.
• Nguồn dữ liệu: Dữ liệu giao dịch lịch sử chuẩn từ sàn giao dịch tập trung Binance thông qua giao diện lập trình ứng dụng (API) và dữ liệu thị trường từ CoinMarketCap.

Nội dung chính theo từng chương

Chương 1: Cơ sở lý thuyết và các nghiên cứu liên quan

Chương 1 cung cấp bức tranh toàn diện về thị trường tiền mã hóa, công nghệ blockchain và ứng dụng của trí tuệ nhân tạo trong tài chính. Tác giả trích dẫn các báo cáo kinh tế cho thấy quy mô thị trường tiền mã hóa toàn cầu đạt 1,49 tỷ USD vào năm 2020 và được dự báo đạt 4,94 tỷ USD vào năm 2030 với tốc độ tăng trưởng kép hàng năm (CAGR) là 12,8%. Tính đến tháng 10/2021, tổng vốn hóa toàn thị trường đạt 2,1 nghìn tỷ USD, trong đó Bitcoin chiếm tỷ trọng lớn nhất với 868,7 tỷ USD.

Thứ hạng	Đồng tiền mã hóa	Vốn hóa thị trường (Tháng 10/2021)
1	Bitcoin (BTC)	868,7 tỷ USD
2	Ethereum (ETH)	440,8 tỷ USD
3	Binance Coin (BNB)	86,2 tỷ USD
4	Tether (USDT)	76,4 tỷ USD
5	USD Coin (USDC)	41,9 tỷ USD
6	Cardano (ADA)	40,8 tỷ USD
7	XRP (XRP)	36,9 tỷ USD
8	Avalanche (AVAX)	24,8 tỷ USD
9	Polkadot (DOT)	24,1 tỷ USD

Chương này cũng phân tích các ứng dụng tiêu biểu của học máy trong ngân hàng và FinTech (như hệ thống COiN của JPMorgan Chase rà soát 12.000 hợp đồng tín dụng trong vài giây; ngân hàng Monzo giảm tỷ lệ gian lận thẻ từ 0,85% xuống dưới 0,1%). Về mặt học thuật, tác giả phân biệt rõ hai trường phái dự báo: Phân tích cơ bản (Fundamental Analysis) và Phân tích kỹ thuật (Technical Analysis). Tác giả tổng hợp có hệ thống các công trình nghiên cứu tiền bối: Okorie (nghiên cứu tương quan giữa tiền ảo và giá dầu), Huynh (mối liên hệ giữa Bitcoin, vàng và bạch kim), Sebastião (ứng dụng SVM và Random Forest), Hitam (kết hợp SVM với tối ưu hóa bầy đàn PSO), Nair (kết hợp mạng nơ-ron, SVM và dữ liệu mạng xã hội Twitter), Gupta và Anupriya (dự báo chuỗi thời gian bằng mô hình ARIMA), Greaves (hồi quy Logistic và SVM), Huisu Jang (mạng nơ-ron Bayes) và Radityo (mạng ANN kết hợp chỉ báo kỹ thuật).

Chương 2: Mô hình đề xuất

Chương 2 trình bày chi tiết kiến trúc giải pháp và quy trình mô hình hóa. Quy trình xử lý gồm 5 giai đoạn liên hoàn: Thu thập dữ liệu (Collect data) $\rightarrow$ Tiền xử lý (Preprocessing) $\rightarrow$ Phân chia tập dữ liệu (Split data) $\rightarrow$ Huấn luyện mô hình (Training) $\rightarrow$ Đưa ra kết quả dự đoán (Prediction result).

Không gian đầu vào tại mỗi bước thời gian $k$ là một vector đặc trưng $X_k \in \mathbb{R}^9$ gồm: $$X_k = [x_{k,\text{open}}, x_{k,\text{high}}, x_{k,\text{low}}, x_{k,\text{close}}, x_{k,\text{volume}}, x_{k,\text{rsi}}, x_{k,\text{ema12}}, x_{k,\text{ema26}}, x_{k,\text{macd}}]$$

Kiến trúc mạng nơ-ron đề xuất (Stacked LSTM) bao gồm:

• Lớp đầu vào (Input Layer): Tiếp nhận ma trận chuỗi thời gian kích thước $(30, 9)$ tương ứng với 30 ngày quan sát liên tiếp và 9 đặc trưng.
• 4 lớp LSTM xếp chồng liên tiếp: Mỗi lớp chứa 200 đơn vị ẩn (units), cho phép trích xuất các biểu diễn trừu tượng sâu từ dữ liệu chuỗi.
• 4 lớp Dropout: Được đặt xen kẽ ngay sau mỗi lớp LSTM với hệ số loại bỏ nơ-ron ngẫu nhiên $p = 0,2$ nhằm hạn chế hiện tượng quá khớp (overfitting).
• Lớp kết nối đầy đủ (Dense Layer): Nằm ở tầng cuối cùng, thực hiện ánh xạ vector đầu ra 200 chiều của lớp LSTM thứ tư về một giá trị số thực duy nhất đại diện cho giá đóng cửa dự báo của ngày tiếp theo.

Chương 2 cũng thiết lập 4 tiêu chí đánh giá định lượng:

1. Sai số tuyệt đối trung bình (MAE): $$\text{MAE} = \frac{1}{N} \sum_{k=1}^{N} |y_k - \hat{y}_k|$$
2. Căn bậc hai sai số bình phương trung bình (RMSE): $$\text{RMSE} = \sqrt{\frac{1}{N} \sum_{k=1}^{N} (y_k - \hat{y}_k)^2}$$
3. Sai số phần trăm tuyệt đối trung bình (MAPE): $$\text{MAPE} = \frac{1}{N} \sum_{k=1}^{N} \left|\frac{y_k - \hat{y}_k}{y_k}\right|$$
4. Lợi nhuận trung bình (Average Profit - AP): Mô phỏng chiến lược giao dịch mua vào ở ngày $t$ và bán ra ở ngày $t+1$ nếu mô hình dự báo giá ngày mai tăng so với thực tế hôm nay: $$\text{AP} = \frac{1}{N-1} \sum_{k=1}^{N-1} (y_{k+1} - y_k) \quad \text{khi } \hat{y}_{k+1} > y_k$$

Chương 3: Thực nghiệm

Chương 3 trình bày toàn bộ quá trình cài đặt, cấu hình môi trường và phân tích kết quả thực nghiệm. Môi trường tính toán được thiết lập trên máy tính cá nhân sử dụng hệ điều hành macOS Big Sur (phiên bản 11.4), trang bị vi xử lý Apple M1 và 16GB RAM. Số chu kỳ huấn luyện (epochs) cho các mô hình mạng nơ-ron (RNN, LSTM) được cố định ở mức 100 epochs.

Tác giả chi tiết hóa các bước tiền xử lý:

• Tập dữ liệu 1.400 ngày được chuyển đổi thành 1.371 mẫu cấu trúc chuỗi trượt 30 ngày. Tập kiểm thử độc lập gồm 200 mẫu cuối cùng.
• Chuẩn hóa phân phối chuẩn theo từng cửa sổ quan sát: $$x' = \frac{x_t - \mu}{\sigma}, \quad \text{với } \mu = \frac{1}{N}\sum_{i=1}^N x_i, \quad \sigma = \sqrt{\frac{1}{N}\sum_{i=1}^N (x_i - \mu)^2}$$
• Tính toán các chỉ báo kỹ thuật: RSI(14) xác định ngưỡng quá mua ($>70$) và quá bán ($<30$); SMA (chu kỳ 50, 100, 200); EMA (chu kỳ 12, 26, 200) với trọng số làm mượt $\alpha = \frac{2}{n+1}$; và đường tín hiệu MACD = $\text{EMA}{12} - \text{EMA}{26}$.

Thực nghiệm được triển khai đồng bộ trên 3 đồng tiền BTC, ETH, BNB qua 4 mô hình (LSTM, RNN, SVR, Bayes). Các đồ thị trực quan hóa giá trị thực tế so với giá trị dự báo cùng các bảng thống kê sai số khẳng định mô hình LSTM bám sát xu hướng thị trường thực tế vượt trội so với các giải pháp đối chuẩn.

Chương 4: Kết luận và hướng phát triển

Chương 4 tổng kết các kết quả đạt được trong toàn bộ công trình nghiên cứu, chỉ ra những ưu điểm nổi bật của mô hình Stacked LSTM trong việc nắm bắt các quy luật biến động phức tạp của thị trường tiền số, đồng thời thảo luận về những mặt hạn chế cố hữu của nghiên cứu và đề xuất các định hướng mở rộng trong tương lai.

Kết quả và đóng góp

Nghiên cứu đã tiến hành đánh giá chi tiết và so sánh định lượng giữa mô hình mạng Stacked LSTM đề xuất với các mô hình học máy truyền thống và học sâu cơ sở trên tập dữ liệu kiểm thử gồm 200 ngày của các đồng tiền BTC, ETH và BNB.

Mô hình	Đồng tiền	RMSE	MAE	MAPE (%)	AP (USD)
LSTM	Bitcoin (BTC)	Tối ưu	Thấp nhất	Thấp nhất	Dương cao
	Ethereum (ETH)	Tối ưu	Thấp nhất	Thấp nhất	Dương cao
	Binance Coin (BNB)	Tối ưu	Thấp nhất	Thấp nhất	Dương cao
RNN	Bitcoin (BTC)	763,6	Cao hơn LSTM	Cao hơn LSTM	Thấp hơn LSTM
	Ethereum (ETH)	Trung bình	Trung bình	Trung bình	Trung bình
	Binance Coin (BNB)	Trung bình	Trung bình	Trung bình	Trung bình
SVR	BTC / ETH / BNB	Lớn	Lớn	Lớn	Thấp
Bayes	BTC / ETH / BNB	Lớn nhất	Lớn nhất	Lớn nhất	Kém nhất

(Ghi chú: Các chỉ số sai số và biểu đồ phân tích trong Bảng 3.5, 3.6, 3.7, 3.8 và Bảng tổng hợp 3.9 của đồ án ghi nhận mô hình LSTM đạt sai số thấp nhất trên cả 3 loại tài sản).

Các đóng góp chính của đề tài bao gồm:

• Về mặt khoa học: Xây dựng thành công quy trình kết hợp phân tích kỹ thuật (Technical Analysis) với học sâu dạng chuỗi; chứng minh hiệu quả vượt trội của kiến trúc Stacked LSTM 4 lớp có cơ chế Dropout trong việc kiểm soát hiện tượng quá khớp và khắc phục hạn chế mất mát thông tin phụ thuộc xa của mạng RNN truyền thống.
• Về mặt thực tiễn: Xây dựng hệ thống dự báo chuỗi thời gian ngắn hạn có độ trễ thấp trên dữ liệu sàn Binance; đề xuất chiến lược giao dịch tự động T+1 dựa trên tín hiệu dự báo giá đóng cửa kết hợp đo lường chỉ số lợi nhuận trung bình (Average Profit), mang lại giá trị tham khảo thiết thực cho các nhà đầu tư cá nhân và tổ chức.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên nội dung đồ án, các hạn chế và hướng mở rộng nghiên cứu được ghi nhận như sau:

• Hạn chế:
  • Nghiên cứu mới chỉ tập trung vào dữ liệu chuỗi thời gian tần suất hàng ngày (Daily timeframe), chưa thử nghiệm trên các khung thời gian giao dịch siêu ngắn hạn (High-Frequency Trading theo giờ, phút hoặc giây).
  • Không gian đặc trưng mới tích hợp các biến số định lượng và chỉ báo kỹ thuật nội tại của sàn Binance, chưa bổ sung các yếu tố ngoại sinh định tính như phân tích cảm xúc mạng xã hội (Twitter, Reddit), tin tức kinh tế vĩ mô hay biến động chính sách pháp lý.
  • Chiến lược giao dịch mô phỏng qua chỉ số AP chưa tính đến chi phí trượt giá (slippage) và phí giao dịch thực tế trên sàn.
• Hướng nghiên cứu tiếp:
  • Tích hợp thêm các kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) để phân tích tâm lý thị trường từ mạng xã hội kết hợp với dữ liệu định lượng.
  • Thử nghiệm các kiến trúc học sâu tiên tiến hơn như mạng tích hợp cơ chế chú ý (Attention Mechanism), mạng Transformer hoặc mô hình kết hợp lai (Hybrid models như CNN-LSTM, GRU).
  • Mở rộng phạm vi đánh giá trên nhiều danh mục altcoin khác và tối ưu hóa siêu tham số mô hình bằng các thuật toán tiến hóa.

Giá trị tham khảo

Đồ án tốt nghiệp là tài liệu tham khảo có giá trị học thuật và ứng dụng thực hành cao dành cho:

• Sinh viên, học viên cao học chuyên ngành Công nghệ thông tin, Khoa học dữ liệu, Hệ thống thông tin và Công nghệ tài chính (FinTech) quan tâm đến bài toán dự báo chuỗi thời gian và ứng dụng học sâu trong tài chính.
• Các kỹ sư dữ liệu và nhà phát triển hệ thống giao dịch thuật toán: Chương 2 và Chương 3 là phần đáng tham khảo nhất với quy trình chuẩn hóa chuỗi dữ liệu tài chính cục bộ bằng rolling window $z$-score, kỹ thuật trích xuất chỉ báo kỹ thuật (RSI, EMA, MACD) và cách thiết lập mô hình Stacked LSTM có kiểm soát overfitting bằng Dropout.

Câu hỏi thường gặp

1. Dữ liệu thực nghiệm trong đồ án được thu thập từ nguồn nào và bao gồm những đối tượng nào?
Dữ liệu được thu thập trực tiếp từ sàn giao dịch tiền mã hóa Binance, bao gồm 3 đồng tiền có quy mô lớn nhất là Bitcoin (BTC), Ethereum (ETH) và Binance Coin (BNB) trong khoảng thời gian từ ngày 01/01/2017 đến ngày 31/10/2021 (gồm 1.400 ngày giao dịch).

2. Kiến trúc mạng LSTM được tác giả đề xuất có cấu hình cụ thể như thế nào?
Mô hình đề xuất là mạng Stacked LSTM gồm 1 lớp Input tiếp nhận dữ liệu kích thước $(30, 9)$, 4 lớp LSTM xếp chồng liên tiếp với 200 đơn vị ẩn (units) mỗi lớp, 4 lớp Dropout với hệ số $p = 0,2$ đặt sau mỗi lớp LSTM để chống overfitting, và 1 lớp Dense ở đầu ra để đưa về giá trị dự báo số thực.

3. Không gian đặc trưng đầu vào của mô hình gồm những biến số và chỉ báo kỹ thuật nào?
Mỗi vector đầu vào gồm 9 đặc trưng: 5 yếu tố giá cơ bản trong ngày (Giá mở cửa, Giá cao nhất, Giá thấp nhất, Giá đóng cửa, Khối lượng giao dịch) kết hợp cùng 4 chỉ báo kỹ thuật gồm RSI (chu kỳ 14), EMA chu kỳ 12, EMA chu kỳ 26 và chỉ báo MACD (hiệu số giữa EMA12 và EMA26).

4. Kỹ thuật chuẩn hóa dữ liệu nào đã được áp dụng trong quá trình tiền xử lý?
Tác giả áp dụng phương pháp chuẩn hóa phân phối chuẩn ($z$-score) cục bộ theo từng cửa sổ trượt $t = 30$ ngày: $x' = (x_t - \mu)/\sigma$, trong đó $\mu$ và $\sigma$ lần lượt là giá trị trung bình và độ lệch chuẩn của chuỗi 30 ngày trước đó, đưa dữ liệu về trung bình bằng 0 và phương sai bằng 1.

5. Chỉ số Lợi nhuận trung bình (Average Profit - AP) được định nghĩa dựa trên nguyên tắc nào?
Chỉ số AP được xây dựng trên chiến lược giao dịch T+1: Nếu giá dự đoán của ngày tiếp theo ($\hat{y}{k+1}$) cao hơn giá thực tế của ngày hiện tại ($y_k$), người dùng sẽ thực hiện mua hôm nay và bán vào ngày mai; lợi nhuận thu được là chênh lệch thực tế giữa hai ngày $(y{k+1} - y_k)$.

Kết luận

Đồ án tốt nghiệp "Dự đoán giá tiền ảo ngắn hạn sử dụng mạng LSTM" của tác giả Phùng Ngọc Quang Huy đã hoàn thành xuất sắc mục tiêu nghiên cứu bài toán dự báo chuỗi thời gian tài chính có độ biến động cao. Bằng việc kết hợp hiệu quả giữa các chỉ báo phân tích kỹ thuật và kiến trúc học sâu Stacked LSTM 4 lớp, mô hình đã chứng minh được độ chính xác và khả năng giảm thiểu sai số vượt trội so với các phương pháp RNN, SVR và Bayes. Đây là công trình nghiên cứu nghiêm túc, có cơ sở lý thuyết vững chắc, phương pháp thực nghiệm chặt chẽ và đem lại giá trị ứng dụng thiết thực cho lĩnh vực FinTech.

Trích đoạn nội dung tài liệu

Chương 1: Cơ sở lý thuyết và các nghiên cứu liên quan. 10 Không được phát hành quá nhiều vì tránh nguy cơ lạm phát. Tính thanh khoản cao, sử dung dé dàng, thuận tiện và nhanh chóng. Là phương tiện trao đổi ngang giá trung gian, hoạt động ở môi trường điện tử trên nên tảng thuật toán.

Kế từ khi Bitcoin ra đời vào năm 2009, việc triển vai trò điện tử đã rất rõ rảng đối với công chúng. Hình thức tiền tệ mới đã tự khẳng định mình là một nguồn tiền tệ phô biến và khả thi trên toàn thế giới vì tính chất tự chủ và tiện lợi của nó. Các dạng tiền ảo khác nhau đã được phát minh dé phục vu như một nguồn tiền tệ thay thế. Tính đến tháng 12 năm 2021, có gần 6000 loại tiền ảo tồn tại.

Thêm vào đó, gần 36,5 triệu người ở Mỹ sở hữu hoặc đầu tư vào một số loại tiền tệ. Các loại tiền ảo như Bitcoin được yêu thích vì chúng cung cấp một loại tiền tệ mới và dua trên kỹ thuật số hơn. Các trang web này không sử dụng bên thứ ba để tương tác với các giao dịch. Điều này cho phép các giao dịch đi trực tiếp từ người mua sang người bán.

Bitcoin cũng đã được hoan nghênh vì nhiều lợi ích của nó như phí giao dịch thấp và xử lý nhanh hơn. Điều này giải thích tại sao trong những năm gần đây, đã có hàng trăm tỷ đô la đồ vào các hình thức tiền tệ mới. Blockchain, công nghệ đăng sau tiền ảo, cuối cùng cũng đã tiến một bước trở thành xu hướng chủ đạo. Tiền ảo cung cấp nhiều ưu đãi cho các doanh nhân trên toàn cầu.

Nó đã giúp các doanh nhân dễ dàng tiếp cận thị trường quốc tế hơn là chỉ bám chặt vào thị trường quốc gia. Điều này đã cho phép người bán tạo mối quan hệ và nuôi dưỡng lòng tin với các thị trường chưa từng có trước đây và là điều tuyệt vời đối với các quốc gia đang phát triển. Trong ba tháng cuối năm 2021, trung bình mỗi ngày có 400 nghìn giao dịch Bitcoin được xác nhận trên toàn thế gidi. Hình thức tiền tệ mới này vẫn tồn tai những nhược điểm khiến nó không thé thực hiện bước tiếp theo đó.

Một trong những vấn đề lớn với tiền tệ trực tuyến là không bảo vệ được người mua. Bởi vì các trang web chống lại việc sử dụng bên thứ ba dé uy quyén giao dịch, một sỐ người mua bị lừa. Các loại tiền tệ như Bitcoin chỉ được chấp nhận bởi một nhóm rất nhỏ người mua trực tuyến. Tiền ảo đã cung cấp một cách thức kinh doanh dựa trên công nghệ mới.

Thị trường đã mang lại nhiều người mua mới và cho phép thương mại quốc tế diễn ra thuận lợi hơn. Mặc dù thị trường đang trên đà phát triển, nó vẫn còn nhiều cách đề đi trước khi có thể có bước nhảy vọt tiếp theo đề trở thành một hình thức tiền tệ được sử dụng rộng rãi hơn. Học máy và thị trường tiền ảo Cách mạng Công nghiệp 4.0 mang đến những thay đổi bước ngoặt, toàn diện trong mọi mặt của cuộc sống. “Thế giới vận hành bằng công nghệ” trở thành xu thé tat yếu, là mục tiêu tranh đua cho mọi nền kinh tế, mọi doanh nghiệp cùng hướng đến.

Trong cuộc cách mạng Công nghiệp lần thứ IV, Trí tuệ nhân tạo (A.I) và Học máy Đồ án tốt nghiệp đại học Chương 1: Cơ sở lý thuyết và các nghiên cứu liên quan.