Luận văn tốt nghiệp: Dự đoán xu hướng giá cổ phiếu sử dụng kỹ thuật học máy

• Tác giả: Nguyen Duc Phu
• Người hướng dẫn: Dr. Nguyen An Khuong
• Trường học: Vietnam National University, Ho Chi Minh City
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Dự Đoán Xu Hướng Giá Cổ Phiếu Bằng Kỹ Thuật Học Máy
• Loại tài liệu: Luận Văn Tốt Nghiệp
• Năm xuất bản: 2021
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• 1. Introduction
• 1.1. Introduction to research problem
• 1.2. Objectives of the study
• 1.3. Structure of the thesis
• 2. Basic concepts of stock
• 2.1. Stock definition
• 2.2. Stock markets
• 3. Related Work
• 4. Proposed models and experiments
• 4.1. Deep learning models
• 4.2. Two proposed combinations of LSTM and ResNet
• 4.3. Evaluating trading strategy
• 4.4. Trading simulation performance
• 6. Conclusion and Future Work
• 6.1. Conclusion
• 6.2. Limitation and future work

Tóm tắt

I. Dự đoán giá cổ phiếu

Dự đoán giá cổ phiếu là một lĩnh vực nghiên cứu quan trọng trong tài chính, đặc biệt là trong bối cảnh phát triển mạnh mẽ của kỹ thuật học máy. Đề tài này tập trung vào việc sử dụng các mô hình học sâu như LSTM và CNN để dự đoán xu hướng giá cổ phiếu. Các mô hình này cho phép xử lý lượng dữ liệu lớn từ thị trường chứng khoán, giúp cải thiện độ chính xác trong việc dự đoán giá. Theo một nghiên cứu của Ozbayoglu et al., LSTM là mô hình phổ biến nhất trong nghiên cứu chuỗi thời gian tài chính nhờ khả năng ghi nhớ thông tin từ quá khứ. Việc áp dụng học máy trong tài chính không chỉ giúp dự đoán giá mà còn hỗ trợ việc ra quyết định giao dịch hiệu quả hơn.

1.1. Mô hình học máy

Mô hình học máy được sử dụng trong nghiên cứu này bao gồm LSTM và CNN, hai kỹ thuật nổi bật trong lĩnh vực học sâu. LSTM, với khả năng xử lý dữ liệu theo chuỗi, cho phép mô hình ghi nhớ các thông tin quan trọng từ quá khứ, trong khi CNN thường được áp dụng trong phân tích hình ảnh nhưng cũng đã cho thấy hiệu quả trong phân tích dữ liệu tài chính. Sự kết hợp giữa hai mô hình này tạo ra các mô hình hybrid, giúp tối ưu hóa kết quả dự đoán. Các mô hình này được đánh giá qua các chỉ số như độ chính xác và tỷ lệ hồi đáp, cho thấy hiệu suất tốt trong việc dự đoán xu hướng giá cổ phiếu.

II. Phân tích dữ liệu tài chính

Phân tích dữ liệu tài chính là một bước quan trọng trong quá trình dự đoán giá cổ phiếu. Dữ liệu được thu thập từ nhiều nguồn khác nhau, bao gồm dữ liệu giao dịch trong một tháng của các cổ phiếu. Quá trình xử lý dữ liệu bao gồm việc chuẩn hóa và tạo cửa sổ dữ liệu, giúp cải thiện chất lượng dữ liệu đầu vào cho mô hình. Việc phân tích dữ liệu không chỉ giúp hiểu rõ hơn về xu hướng giá cổ phiếu mà còn phát hiện ra các yếu tố ảnh hưởng đến giá. Đặc biệt, việc phân tích mối tương quan giữa khối lượng giao dịch và giá cổ phiếu là rất cần thiết để đưa ra các dự đoán chính xác hơn.

2.1. Dữ liệu giao dịch

Dữ liệu giao dịch được sử dụng trong nghiên cứu này bao gồm khoảng 200 triệu bản ghi từ Wharton Research Data Services. Việc xử lý dữ liệu bao gồm việc bình quân các giao dịch trong mili giây để đưa về giao dịch trên giây. Ngoài ra, dữ liệu còn được chuẩn hóa để phù hợp với các yêu cầu của mô hình học máy. Điều này giúp mô hình có thể hoạt động hiệu quả hơn và đưa ra dự đoán chính xác hơn về xu hướng giá cổ phiếu.

III. Kết quả và ứng dụng thực tiễn

Kết quả từ mô hình dự đoán cho thấy một số mô hình đạt hiệu suất tốt trong việc dự đoán giá cổ phiếu. Việc mô phỏng giao dịch dựa trên tín hiệu từ các mô hình đã được thực hiện, cho thấy một số mô hình có khả năng sinh lợi. Điều này chứng tỏ rằng kỹ thuật học máy có thể áp dụng hiệu quả trong lĩnh vực tài chính, giúp các nhà đầu tư đưa ra quyết định giao dịch thông minh hơn. Các mô hình này không chỉ giúp dự đoán giá mà còn có thể được sử dụng để phát triển các bot giao dịch tự động trong tương lai.

3.1. Mô phỏng giao dịch

Mô phỏng giao dịch được thực hiện để đánh giá hiệu suất của các mô hình dự đoán. Kết quả cho thấy một số mô hình có thể tạo ra lợi nhuận dương, điều này chứng tỏ tính khả thi của việc áp dụng học máy trong giao dịch chứng khoán. Việc sử dụng các mô hình này không chỉ giúp tối ưu hóa lợi nhuận mà còn giảm thiểu rủi ro cho các nhà đầu tư. Các nghiên cứu tiếp theo có thể tập trung vào việc cải thiện độ chính xác của mô hình và mở rộng ứng dụng trong các lĩnh vực khác của tài chính.