Thực Hiện Dự Đoán Xu Hướng Giá Thị Trường Chứng Khoán Dựa Trên Mẫu Lặp Time-Series

Luận văn về dự đoán xu hướng giá chứng khoán Việt Nam sử dụng kỹ thuật time series và hệ thống thông tin quản lý. Nghiên cứu chuyên sâu, phân tích dữ liệu và ứng dụng thực tiễn.

• Tác giả: Trần Tú Anh
• Người hướng dẫn: TS. Võ Thị Ngọc Châu
• Trường học: Trường Đại Học Bách Khoa
• Chuyên ngành: Hệ Thống Thông Tin Quản Lý
• Đề tài: Thực Hiện Dự Đoán Xu Hƣớng Giá Của Thị Trƣờng Chứng Khoán Dựa Trên Những Mẫu Lặp Tìm Đƣợc Bằng Kỹ Thuật Time-Series
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2011
• Địa điểm: Tp. Hồ Chí Minh

Tóm tắt

I. Tổng Quan Dự Đoán Giá Chứng Khoán Việt Nam Time Series

Thị trường chứng khoán đóng vai trò quan trọng trong việc huy động vốn, thúc đẩy tăng trưởng kinh tế. Việc dự đoán giá cổ phiếu là yếu tố then chốt để nhà đầu tư đưa ra quyết định mua bán hiệu quả. Có hai phương pháp chính được sử dụng: phân tích cơ bản và phân tích kỹ thuật. Phân tích cơ bản dựa trên các yếu tố vĩ mô và tình hình tài chính doanh nghiệp. Phân tích kỹ thuật sử dụng dữ liệu lịch sử giá và các mô hình toán học để dự đoán xu hướng. Phương pháp phân tích kỹ thuật thường được ưa chuộng cho đầu tư ngắn hạn, mang lại lợi nhuận cao nhưng cũng đi kèm rủi ro lớn. Vấn đề cốt lõi của phân tích kỹ thuật là nắm bắt xu hướng giá, phản ánh tâm lý của nhà đầu tư. "Điều quan trọng khi tham gia thị trường chứng khoán là phải quyết định đúng thời điểm mua và bán để có lợi nhuận." Do đó, đề tài dự đoán giá và xu hướng giá cổ phiếu bằng Time-Series là một chủ đề nghiên cứu rất được quan tâm.

1.1. Tầm Quan Trọng của Phân Tích Kỹ Thuật Chứng Khoán

Phân tích kỹ thuật tập trung vào việc phân tích các xu hướng giá, từ đó suy luận ra tâm lý của nhà đầu tư tại các thời điểm khác nhau. Tâm lý con người thường ít thay đổi, do đó việc nắm bắt quy luật giao dịch trong quá khứ có thể giúp dự đoán hành vi trong tương lai, từ đó xác định xu hướng giá. Phân tích kỹ thuật đặc biệt phù hợp cho các nhà đầu tư ngắn hạn, mong muốn tận dụng các biến động giá nhanh chóng. Việc kết hợp các chỉ báo kỹ thuật khác nhau có thể làm tăng độ chính xác của dự đoán.

1.2. Bài Toán Dự Đoán Giá Cổ Phiếu và Xu Hướng Giá

Dự đoán giá và xu hướng giá cổ phiếu luôn là mối quan tâm hàng đầu của nhà đầu tư. Trên thế giới, nhiều nghiên cứu đã sử dụng các phương pháp khác nhau như Support Vector Machine, Fuzzy, k-NN, và text mining để dự đoán xu hướng giá, sử dụng dữ liệu giá cổ phiếu, chỉ số kỹ thuật, thông tin kinh tế, và tin tức báo chí. Tuy nhiên, các nghiên cứu dự đoán xu hướng giá bằng khai phá dữ liệu chuỗi thời gian (Time-Series) kết hợp với các chỉ số kỹ thuật vẫn còn hạn chế, đặc biệt là trên thị trường chứng khoán Việt Nam. Vì vậy, nghiên cứu "Thực hiện dự đoán xu hướng giá của thị trường chứng khoán dựa trên những mẫu lặp tìm được bằng kỹ thuật time-series" là một hướng đi tiềm năng.

II. Thách Thức Biến Động Thị Trường và Dự Báo Bằng Time Series

Thị trường chứng khoán Việt Nam có tính biến động cao, gây khó khăn cho việc dự đoán giá cổ phiếu. Các yếu tố như thông tin kinh tế vĩ mô, tin tức doanh nghiệp, tâm lý nhà đầu tư và biến động thị trường thế giới đều có thể ảnh hưởng đến giá cổ phiếu. Việc sử dụng kỹ thuật Time-Series để dự đoán giá cần phải xem xét và xử lý các yếu tố này để đạt được độ chính xác cao nhất. Đề tài tập trung vào dự đoán xu hướng giá dựa trên việc tìm ra những hành vi đã xảy ra trong quá khứ, kết hợp với các chỉ số kỹ thuật rút ra từ giá, khối lượng giao dịch và giá trị giao dịch để tăng độ tin cậy của dự báo.

2.1. Ảnh Hưởng Của Yếu Tố Vĩ Mô Đến Dự Đoán Chứng Khoán

Các yếu tố vĩ mô như lãi suất, lạm phát, tỷ giá hối đoái và tăng trưởng kinh tế có thể ảnh hưởng lớn đến thị trường chứng khoán. Do đó, việc tích hợp các yếu tố này vào mô hình Time-Series có thể cải thiện độ chính xác của dự đoán. Các nhà đầu tư cần theo dõi sát sao các thông tin kinh tế vĩ mô để đưa ra quyết định đầu tư sáng suốt. Phân tích các biến động thị trường chứng khoán là rất quan trọng.

2.2. Khó Khăn Trong Việc Xử Lý Dữ Liệu Chứng Khoán Lịch Sử

Dữ liệu chứng khoán lịch sử thường chứa nhiều nhiễu và biến động bất thường, gây khó khăn cho việc xây dựng mô hình Time-Series chính xác. Các kỹ thuật tiền xử lý dữ liệu như làm sạch dữ liệu, chuẩn hóa dữ liệu và loại bỏ các giá trị ngoại lai là cần thiết để cải thiện hiệu suất của mô hình. Dữ liệu chứng khoán lịch sử là nguồn thông tin quan trọng cho việc huấn luyện mô hình Time-Series.

2.3. Hạn Chế Của Mô Hình Time Series Trong Dự Báo Dài Hạn

Mô hình Time-Series thường hiệu quả trong dự báo ngắn hạn, nhưng độ chính xác có thể giảm đi đáng kể khi dự báo dài hạn. Điều này là do các yếu tố không dự đoán được có thể xuất hiện trong tương lai, ảnh hưởng đến xu hướng giá. Các nhà đầu tư nên sử dụng mô hình Time-Series kết hợp với các phương pháp khác để đưa ra quyết định đầu tư dài hạn.

III. Cách Sử Dụng Mô Hình ARIMA Để Dự Báo Thị Trường CK VN

Mô hình ARIMA (Autoregressive Integrated Moving Average) là một trong những mô hình Time-Series phổ biến nhất được sử dụng trong dự đoán chứng khoán. ARIMA có khả năng mô hình hóa các mối quan hệ tự tương quan trong chuỗi thời gian, giúp dự đoán giá cổ phiếu dựa trên các giá trị quá khứ của nó. Việc lựa chọn các tham số phù hợp cho mô hình ARIMA là rất quan trọng để đạt được độ chính xác cao nhất. Việc so sánh kết quả dự báo của mô hình ARIMA với các phương pháp khác có thể giúp đánh giá hiệu quả của mô hình.

3.1. Xác Định Bậc Tự Tương Quan Trong Mô Hình ARIMA

Bậc tự tương quan (p, d, q) là các tham số quan trọng trong mô hình ARIMA, xác định số lượng giá trị quá khứ được sử dụng để dự đoán giá trị hiện tại. Việc xác định bậc tự tương quan phù hợp đòi hỏi phải phân tích hàm tự tương quan (ACF) và hàm tự tương quan riêng phần (PACF) của chuỗi thời gian. Các nhà phân tích cần có kinh nghiệm để xác định chính xác bậc tự tương quan. Mô hình ARIMA chứng khoán có rất nhiều biến thể.

3.2. Ứng Dụng Phân Tích Chuỗi Thời Gian Chứng Khoán

Mô hình Time-Series dựa trên việc tìm kiếm những mẫu lặp lại trong biểu đồ giá của các loại chứng khoán để dự đoán xu hướng giá. Mẫu lặp sẽ được chia ra làm hai phần tiền tố (prefix) và hậu tố (suffix). Trong đó prefix là đoạn chuỗi con từ khoảng thời gian trước đó mà ta chọn cho tới hiện tại và suffix là khoảng thời gian sau hiện tại mà ta muốn dự đoán. Xu hướng của suffix cần dự đoán sẽ tương ứng với những suffix của những mẫu lặp trong quá khứ.

3.3. Cách Phân Nhóm và Đánh Giá Độ Tin Cậy Mẫu Dữ Liệu

Do có nhiều mẫu lặp được tìm thấy tương ứng có thể sẽ có nhiều dạng suffix khác nhau, nên ta sẽ thực hiện phân nhóm những mẫu lặp này lại dựa trên những chỉ số kỹ thuật tính được từ diễn biến thay đổi của mẫu cần tìm và các chuỗi con. Suffix nằm chung nhóm với suffix cần dự đoán dựa trên sự gần giống nhau về các chỉ số kỹ thuật thì có khả năng đó là suffix có xu hướng gần với xu hướng thực tại nhất.

IV. Giải Pháp Thay Thế Học Máy và Thuật Toán Dự Đoán Chứng Khoán

Ngoài ARIMA, các phương pháp học máy (Machine Learning) như Mạng Nơ-ron (Neural Networks), Support Vector Machine (SVM) và Random Forest cũng được sử dụng rộng rãi trong dự đoán chứng khoán. Các phương pháp này có khả năng học các mối quan hệ phức tạp trong dữ liệu, có thể cho kết quả dự đoán chính xác hơn. Việc kết hợp các phương pháp học máy và Time-Series có thể tạo ra các mô hình dự đoán mạnh mẽ. "Để kết quả chính xác hơn, quá trình thực hiện sẽ kết hợp với các chỉ số kỹ thuật rút ra từ giá, khối lượng giao dịch và giá trị giao dịch."

4.1. Ưu Điểm Của Mạng Nơ Ron Trong Dự Báo Giá Cổ Phiếu

Mạng Nơ-ron có khả năng học các mối quan hệ phi tuyến tính phức tạp trong dữ liệu, giúp dự đoán giá cổ phiếu chính xác hơn so với các mô hình tuyến tính. Mạng Nơ-ron có thể được huấn luyện trên một lượng lớn dữ liệu, giúp cải thiện hiệu suất dự đoán. Việc lựa chọn kiến trúc mạng phù hợp và các tham số huấn luyện có thể ảnh hưởng lớn đến hiệu suất của mạng. Việc sử dụng học máy dự đoán chứng khoán là xu hướng tất yếu.

4.2. Ứng Dụng Thuật Toán Genetic Trong Dự Báo Chứng Khoán

Thuật toán Genetic (Genetic Algorithm) là một phương pháp tối ưu hóa được sử dụng để tìm kiếm các tham số tối ưu cho các mô hình dự đoán chứng khoán. Thuật toán Genetic có thể tìm kiếm các giải pháp tốt nhất trong một không gian tìm kiếm lớn, giúp cải thiện hiệu suất của mô hình. Việc kết hợp thuật toán Genetic với các phương pháp học máy có thể tạo ra các mô hình dự đoán mạnh mẽ hơn.

4.3. Đánh Giá Độ Chính Xác và Sai Số Dự Báo Chứng Khoán

Độ chính xác của mô hình dự đoán chứng khoán cần được đánh giá bằng các chỉ số như Mean Absolute Error (MAE), Root Mean Squared Error (RMSE) và R-squared. Sai số dự báo cần được phân tích để xác định các yếu tố gây ra sai số và cải thiện mô hình. Việc backtesting chiến lược giao dịch dựa trên dự đoán của mô hình là một cách để đánh giá hiệu quả của mô hình trong thực tế.

V. Ứng Dụng Xây Dựng Chương Trình Dự Báo Chứng Khoán Python R

Để áp dụng các kỹ thuật Time-Series và học máy vào dự đoán chứng khoán, các ngôn ngữ lập trình như Python và R thường được sử dụng. Python có các thư viện mạnh mẽ như Pandas, NumPy và Scikit-learn, cung cấp các công cụ để xử lý dữ liệu, xây dựng mô hình và đánh giá hiệu suất. R có các gói như forecast và tseries, cung cấp các hàm để phân tích Time-Series và dự đoán. Việc xây dựng một chương trình dự báo chứng khoán có thể giúp nhà đầu tư đưa ra quyết định đầu tư sáng suốt.

5.1. Dự Báo Chứng Khoán Bằng Python và Các Thư Viện Tiện Ích

Pandas được sử dụng để đọc và xử lý dữ liệu chứng khoán từ các nguồn khác nhau. NumPy được sử dụng để thực hiện các phép toán số học trên dữ liệu. Scikit-learn cung cấp các mô hình học máy để dự đoán giá cổ phiếu. Matplotlib và Seaborn được sử dụng để trực quan hóa dữ liệu và kết quả dự đoán. Việc sử dụng dự báo chứng khoán bằng Python giúp tăng tốc độ phát triển mô hình.

5.2. Sử Dụng R Để Phân Tích Time Series và Dự Báo

Các gói forecast và tseries cung cấp các hàm để phân tích Time-Series như ACF, PACF và Dickey-Fuller test. Các hàm auto.arima và ets được sử dụng để xây dựng mô hình ARIMA và Exponential Smoothing. Các hàm forecast được sử dụng để dự đoán giá cổ phiếu. ggplot2 được sử dụng để trực quan hóa dữ liệu và kết quả dự đoán. Dự báo chứng khoán bằng R là một lựa chọn phổ biến.

5.3. Kết Hợp Các Chỉ Báo Kỹ Thuật Để Tăng Độ Chính Xác

Việc kết hợp các chỉ báo kỹ thuật như Moving Average, MACD, RSI và Stochastic Oscillator vào mô hình dự đoán có thể cải thiện độ chính xác của dự đoán. Các chỉ báo kỹ thuật cung cấp thông tin về xu hướng giá, động lượng và mức độ quá mua/quá bán của thị trường. Việc sử dụng các chỉ báo kỹ thuật chứng khoán giúp nhà đầu tư có cái nhìn toàn diện hơn về thị trường.

VI. Kết Luận Hướng Nghiên Cứu và Phát Triển Dự Đoán Chứng Khoán

Kỹ thuật Time-Series và học máy có tiềm năng lớn trong dự đoán chứng khoán Việt Nam. Tuy nhiên, việc áp dụng các kỹ thuật này cần phải xem xét các yếu tố đặc thù của thị trường Việt Nam và kết hợp với kiến thức chuyên sâu về tài chính. Các hướng nghiên cứu tiềm năng bao gồm: kết hợp dữ liệu từ nhiều nguồn khác nhau, sử dụng các mô hình học sâu (Deep Learning), và phát triển các chiến lược giao dịch dựa trên dự đoán.

6.1. Tối Ưu Hóa Phương Pháp Dự Đoán Chứng Khoán Bằng AI

Việc sử dụng các mô hình Deep Learning như LSTM và RNN có thể giúp cải thiện khả năng dự đoán của mô hình. Các mô hình này có khả năng học các mối quan hệ phức tạp trong dữ liệu và xử lý dữ liệu chuỗi thời gian hiệu quả hơn. Việc kết hợp dự báo chứng khoán bằng AI có thể tạo ra các mô hình dự đoán mạnh mẽ.

6.2. Xây Dựng Chiến Lược Giao Dịch Tự Động Dựa Trên Dự Đoán

Việc xây dựng các chiến lược giao dịch tự động dựa trên dự đoán của mô hình có thể giúp nhà đầu tư tận dụng các cơ hội giao dịch trên thị trường. Các chiến lược giao dịch này cần phải được backtesting kỹ lưỡng để đảm bảo hiệu quả và quản lý rủi ro. Backtesting chiến lược giao dịch là một bước quan trọng trong quá trình phát triển.

6.3. Phát Triển Các Ứng Dụng Hỗ Trợ Ra Quyết Định Đầu Tư

Việc phát triển các ứng dụng hỗ trợ ra quyết định đầu tư dựa trên dự đoán của mô hình có thể giúp nhà đầu tư đưa ra quyết định đầu tư sáng suốt hơn. Các ứng dụng này cần cung cấp thông tin dự đoán, phân tích rủi ro và các khuyến nghị đầu tư dựa trên tình hình thị trường. Ứng dụng có khả năng dự đoán xu hướng giá của cổ phiếu giúp nhà đầu tư thực hiện quyết định giao dịch trong hiện tại để đạt lợi nhuận cao.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan về đề tài  Chương 2: Phương pháp nghiên cứu  Chương 3: Cơ sở lý thuyết  Chương 4: Các công trình liên quan  Chương 5: Triển khai  Chương 6: Đánh giá  Chương 7: Kết luận và kiến nghị 4 CHƢƠNG 2 PHƢƠNG PHÁP NGHIÊN CỨU Chương 2 sẽ trình bày phương pháp nghiên cứu được sử dụng để thực hiện đề tài. Phƣơng pháp nghiên cứu Mong muốn dự đoán được xu hướng giá của thị trường luôn là niềm mong ước của các nhà đầu tư. Cho đến nay nhiều phương pháp dự báo đã được đưa ra cho nhiều thị trường chứng khoán trên thế giới. Trong đó phương pháp cơ bản nhất là tính giá trung bình của những ngày cuối để dự đoán giá cho ngày tiếp theo.

Ngoài ra bằng thực nghiệm quan sát, ta cũng nhận ra một số mẫu biến động giá thường được lặp lại để dự đoán giá cho ngày tiếp theo khi những ngày trước đó có hình dạng biến động gần giống những mẫu đã biết. Trong phạm vi đề tài này, tôi thực hiện tìm kiếm những mẫu lặp lại trong biểu đồ giá của các loại chứng khoán để dự đoán xu hướng giá. Mẫu lặp sẽ được chia ra làm hai phần tiền tố(prefix) và hậu tố(suffix). Trong đó prefix là đoạn chuỗi con từ khoảng thời gian trước đó mà ta chọn cho tới hiện tại và suffix là khoảng thời gian sau hiện tại mà ta muốn dự đoán.

Quá trình tìm kiếm trong quá khứ sẽ tìm ra những mẫu lặp tương tự như prefix. Sau đó xu hướng của suffix cần dự đoán sẽ tương ứng với những suffix của những mẫu lặp trong quá khứ. Do có nhiều mẫu lặp được tìm thấy tương ứng có thể sẽ có nhiều dạng suffix khác nhau, nên ta sẽ thực hiện phân nhóm những mẫu lặp này lại dựa trên những chỉ số kỹ thuật tính được từ diễn biến thay đổi của mẫu cần tìm và các chuỗi con. Những suffix nằm chung nhóm với suffix cần dự đoán dựa trên sự gần giống nhau về các chỉ số kỹ thuật thì có khả năng đó là suffix có xu hướng gần với xu hướng thực tại nhất.

Chương trình sẽ thực hiện chạy thử nghiệm trên tập dữ liệu của thị trường chứng khoán Việt Nam trong khoảng thời gian từ năm 2000 đến 2011. Sau đó chương trình thực hiện phân tích kết quả tìm được kết hợp với ý nghĩa của chỉ số 5 kỹ thuật để đánh giá độ tin cậy của chương trình trong việc hỗ trợ ra quyết định giao dịch. Trong luận văn này, tôi thực hiên quy trình nghiên cứu được trình bày trong Hình 1. Khảo sát dữ liệu thị 2.

Các công trình 2. Cơ sở lý thuyết trường chứng khoán Việt nghiên cứu (Chương 3) Nam. (Chương 4) (Chương 6, phần 1) Thực hiện giải thuật tìm kiếm mẫu lặp 2. Chương trình hỗ trợ ra quyết định dựa trên dự đoán xu hướng giá của thị trường chứng Thực hiện clustering trên khoán.

những chuỗi con và những mẫu lặp tìm được (Chương 5) Đánh giá độ tin cậy của nhóm mẫu dữ liệu với thực tế 2. Thông tin hỗ trợ ra quyết định. (Chương 6, phần 3) Hình 1: Quy trình thực hiện nghiên cứu của đề tài 6 2. Các bƣớc thực hiện đề tài 2.1 Cơ sở lý thuyết Tìm hiểu sơ sở lý thuyết của các kiến thức liên quan để hình thành cơ sở nền tảng thực hiện của đề tài - Lý thuyết ra quyết định - Giải thuật phù hợp để tìm mẫu lặp cho dữ liệu thị trường chứng khoán.

- Các phương pháp thực hiện clustering. - Các tiêu chí trong phân tích kỹ thuật để ra quyết định trong thị trường chứng khoán.2 Các công trình nghiên cứu Qua quá trình tìm hiểu các công trình nghiên cứu với nhiều phương pháp thực hiện dự đoán giá cổ phiếu khác nhau, đề tài chọn ra một phương pháp kết hợp kỹ thuật tìm kiếm mẫu lặp trong chuỗi dữ liệu thời gian và kỹ thuật clustering để tìm ra xu hướng giá trong tương lai của cổ phiếu.Kết quả mong muốnđạt được là xu hướng giá được dự đoán gần đúng nhất. So với các công trình nghiên cứu liên quan, cách tiếp cận của luận văn này là một thử nghiệm mới cho việc dự đoán trong lĩnh vực đầu tư chứng khoán.3 Khảo sát dữ liệu sử dụng trong đề tài Dữ liệu sử dụng trong lĩnh vực dự đoán giá và xu hướng giá cổ phiếu khá đa dạng, bao gồm dữ liệu giá, thông tin phân tích kỹ thuật, dữ liệu kinh tế vĩ mô và cả những thông tin xuất hiện trên báo. Trong đó đề tài chọn xem xét dữ liệu về giá cổ phiếu, kết hợp xem xét dữ liệu về khối lượng giao dịch, giá trị giao dịch và các chỉ số trong phân tích kỹ thuật.

Cho phần thực nghiệm của đề tài, dữ liệu về các cổ phiếu trên thị trường chứng khoán Việt Nam được tìm hiểu và sử dụng. Các đặc điểm của thị trường chứng khoán Việt Nam cũng được khảo sát.4Thực hiện chƣơng trình - Tìm mẫu lặp theo phương pháp biến đổi co giãn không thay đổi tính chất (Uniform Scaling). 7 - Thực hiện clustering theo phương pháp gom cụm kỳ vọng – cực đại hóa (Expectation – Maximization (EM)). - Xây dựng chương trình hỗ trợ ra quyết định đầu tư chứng khoán dựa trên xu hướng giá dự đoán.5 Tổng kết thông tin hỗ trợ ra quyết định - Đánh giá độ tin cậy của chương trình với kết quả dự đoán được.

- Nhận xét những yếu tố ảnh hưởng đặc biệt của thị trường Việt Nam lên kết quả dự đoán. - Những yếu tố cải tiến nếu có. 8 CHƢƠNG 3 CƠ SỞ LÝ THUYẾT Chương 3 giới thiệu các lý thuyết liên quan về lý thuyết ra quyết định, giải thuật tìm kiếm mẫu lặp trong dữ liệu thời gian, phương pháp thực hiện clustering và phân tích kỹ thuật trong thị trường chứng khoán.1 Lý thuyết ra quyết định 1.1 Định nghĩa ra quyết định Quyết định là việc ra sự lựa chọn từ hai hay nhiều lựa chọn thay thế. Mục đích ra quyết định có thể phân thành hai dạng: giải quyết vấn đề và tìm kiếm cơ hội.

Lý thuyết quyết định là một phương pháp phân tích có tính hệ thống dùng để nghiên cứu việc tạo ra các quyết định. Để có quyết định tốt nhất,chúng ta cần dựa trên: - Lý luận - Tất cả các số liệu có sẵn - Tất cả mọi giải pháp có thể có - Phương pháp định lượng 1.2 Các bƣớc trong quá trình ra quyết định Quá trình ra quyết định được tiến hành theo sáu bước sau - Xác định rõ vấn đề cần giải quyết - Liệt kê tất cả những phương án có thể - Nhận ra tất cả các tình huống hay trạng thái - Ước lượng tất cả các lợi ích chi phí của từng phương án riêng về trạng thái - Lựa chọn một mô hình toán học trong phương pháp định lượng để tìm ra giải pháp tối ưu. 9 - Áp dụng mô hình để tìm ra lời giải và dựa vào đó để ra quyết định.3 Các môi trƣờng ra quyết định Có ba loại môi trường ra quyết định như sau: - Ra quyết định trong điều kiện chắc chắn Trong môi trường này, chúng ta biết chắc chắn trạng thái nào sẽ xảy ra. Do đó chúng ta dễ dàng nhanh chóng ra quyết định.

- Ra quyết định trong điều kiện rủi ro Trong môi trường này, chúng ta biết được xác suất xảy ra của mỗi trạng thái. - Ra quyết định trong điều kiện không chắc chắn. Trong môi trường này, chúng ta không biết được xác suất xảy ra của mỗi trạng thái hoặc không biết các dữ liệu liên quan đến vấn đề cần giải quyết.2 Phân tích kỹ thuật trong thị trƣờng chứng khoán Trong đầu tư chứng khoán, phân tích kỹ thuật là một phương pháp được các nhà đầu tư coi trọng và sử dụng để giúp nhà đầu tư xác định thời điểm mua, bán và đưa ra các quyết định đầu tư hợp lý trong ngắn hạn. Phân tích kỹ thuật nhằm chỉ ra tình trạng hiện tại của thị trường hay của mỗi cổ phiếu để dự báo biến động của giá bằng cách dựa trên những hình mẫu kỹ thuật đã xuất hiện trong quá khứ và áp dụng lại khi có mô hình tương tự xuất hiện.

Điều này dựa trên giả thuyết là những kiến thức đã có về giá và hình mẫu đồ thị trong quá khứ sẽ được sử dụng cho việc tham khảo để xác định xu hướng của giá trong tương lai đối với mỗi thị trường cụ thể. Một số mẫu biểu đồ thường xuất hiện trong biểu đồ giá chứng khoán được quan sát thấy như sau:  Biểu đồ dạng đường - line chart  Biểu đồ dạng then chắn - Bar chart  Biểu đồ dạng nến - Candlestick chart  Đường xu thế, kênh xu thế, giải giao dịch - mức hỗ trợ và kháng cự. 10 Các mẫu biểu đồ:  Chart Patterns  Mô hình hai đáy - Double bottom  Mô hình hai đỉnh - Double top  Mô hình hội tụ giảm Falling Wedge  Mô hình hội tụ tăng Raising Wedge  Mô hình đáy vòng cung - Rounding bottom  Mô hình cờ bay Một số chỉ số thƣờng đƣợc dùng trong phân tích kỹ thuật để dự đoán xu hƣớng giá a. Money Flow Index (MFI) - chì số dòng tiền tệ MFI là một chỉ số xung.

MFI thiên về việc đặt trọng số của khối lượng giao dịch vào trong nó. Do đó, MFI là một công cụ hữu hiệu cho việc đo lường dòng tiền vào và ra khỏi một cổ phiếu. MFI so sánh “dòng tiền dương” với “dòng tiền âm” để tạo ra một chỉ số và chỉ số này được dùng để so sánh với giá để xác định xu hướng hiện tại là mạnh hay yếu. MFI được đo lường trong khoảng 0-100 và thường dùng khoảng thời gian tính toán là 14 ngày.

Nếu giá tiêu biểu hôm nay lớn hơn giá hôm qua thì nó được xem là dòng tiền dương. Trong một khoảng thời gian trung bình 14 ngày, tổng số của tất cả các dòng tiền dương của 14 ngày này gọi là dòng tiền dương. Và tương tự cho dòng tiền âm. MFI dựa vào tỷ số giữa dòng tiền dương/âm.

Công thức tính như sau: Giá tiêu biểu = (giá cao + giá thấp + giá đóng cửa)/3 Dòng tiền = giá tiêu biểu*khối lƣợng giao dịch Tỷ số dòng tiền = dòng tiền dƣơng/dòng tiền âm MFI = 100 – (100/(1+tỷ số dòng tiền)) 11 MFI phụ thuộc cùng lúc vào 2 biến số giá và khối lượng, dùng để đo lường luồng tiền ra/vào với một cổ phiếu cụ thể trong một thời kỳ (thường là 14 ngày hoặc 10 ngày tùy thói quen sử dụng và từng cổ phiếu). MFI có giá trị trong khoảng từ 0 tới 100. Xác định tình trạng quá mua/quá bán.