Mô hình học sâu trong dự đoán xu hướng giá Forex

Dự đoán xu hướng giá Forex là một trong những thách thức lớn trong lĩnh vực tài chính. 99 trang · Trường Đại Học Sư Phạm TPHCM · 2022.

• Tác giả: Trần Gia Phát
• Người hướng dẫn: TS. Kiều My
• Trường học: Trường Đại Học Sư Phạm TPHCM
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Dự Đoán Xu Hướng Giá Forex Bằng Mô Hình Học Sâu
• Loại tài liệu: Khóa Luận Tốt Nghiệp
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• MỤC LỤC
• DANH MỤC KÝ HIỆU VÀ CHỮ VIẾT TẮT
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH VẼ
• TÓM TẮT
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VÀ TÌNH HÌNH NGHIÊN CỨU
• 1.1. Tổng quan về thị trường Forex
• 1.2. Các thông tin tổng quát
• 1.3. Một số thuật ngữ thường dùng trong Forex
• 1.4. Tình hình nghiên cứu
• 1.4.1. Phân tích kỹ thuật (Technical Analysis)
• 1.4.2. Phân tích cơ bản (Fundamental Analysis)
• 1.4.3. Những thách thức trong việc nghiên cứu và phát triển mô hình
• 1.4.4. Các hướng tiếp cận phát triển
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Các chỉ báo trong thị trường Forex
• 2.1.1. Nhóm chỉ báo 1: Trend-Following Indicators (Các chỉ báo theo dõi xu hướng)
• 2.1.2. Nhóm chỉ báo 2: Trend-Confirmation Indicators (Các chỉ báo xác nhận xu hướng)
• 2.1.3. Nhóm chỉ báo 3: Overbought/Oversold Indicators (Các chỉ báo quá mua, quá bán)
• 2.1.4. Nhóm chỉ báo 4: Profit-Taking Indicators (Các chỉ báo chốt lợi nhuận)
• 2.2. Phép khử nhiễu Wavelets Denoising
• 2.3. Phân tích Wavelets
• 2.3.1. Tín hiệu tĩnh và tín hiệu không tĩnh
• 2.4. Mô hình ARIMA
• 2.4.1. Mô hình tự hồi qui (Auto regression - AR)
• 2.4.2. Mô hình trung bình động (Moving average - MA)
• 2.5. Các kiến trúc Recurrent Neural Networks
• 2.5.1. Giới thiệu mạng Recurrent Neural Networks
• 2.5.2. Giới thiệu mạng Long Short-Term Memory
• 2.5.3. Giới thiệu mạng Gated Recurrent Unit
• 2.6. Luong-style Attention
• 3. CHƯƠNG 3: PHƯƠNG PHÁP XÂY DỰNG MÔ HÌNH
• 3.1. Hướng tiếp cận đề xuất
• 3.1.1. Mô hình đề xuất
• 3.1.2. Các phương pháp đánh giá
• 3.2. Xây dựng các bộ dữ liệu cho mô hình
• 3.2.1. Các loại dữ liệu và cách thu thập, tổ chức dữ liệu
• 3.2.2. Kết hợp dữ liệu
• 3.2.3. Chuẩn hóa dữ liệu
• 3.3. Phương pháp tiền xử lý dữ liệu Forex
• 3.3.1. Chuyển đổi khung thời gian
• 3.3.2. TA-Lib (Technical Analysis Library): Thư viện mã nguồn mở trích xuất các chỉ báo kỹ thuật
• 3.3.3. Phương pháp xử lý dữ liệu thị trường bằng phép khử nhiễu Wavelets
• 3.4. Phương pháp tiền xử lý dữ liệu Sự kiện kinh tế
• 3.4.1. Các thông tin cơ bản của Sự kiện kinh tế
• 3.4.2. Phương pháp tiền xử lý dữ liệu Sự kiện kinh tế
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Môi trường thực nghiệm
• 4.1.1. Môi trường lập trình
• 4.1.2. Tham số huấn luyện mô hình
• 4.2. Kết quả thực nghiệm
• 4.2.1. Phương pháp đánh giá
• 4.2.2. Đánh giá các mô hình ở khung thời gian M15
• 4.2.3. Đánh giá các mô hình ở khung thời gian H1
• 4.2.4. Nhận xét chung về kết quả đánh giá ở các mô hình
• 4.3. Triển khai mô hình chạy thực tế
• 4.3.1. Thu thập dữ liệu Real-time
• 4.3.2. Windows Task Scheduler
• 4.3.3. Trực quan hóa dữ liệu bằng thư viện Plotly
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết luận
• 5.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về dự đoán xu hướng giá Forex bằng mô hình học sâu

Dự đoán xu hướng giá Forex là một trong những thách thức lớn trong lĩnh vực tài chính. Thị trường Forex, với tính biến động cao và khối lượng giao dịch lớn, yêu cầu các nhà đầu tư phải có những công cụ chính xác để đưa ra quyết định. Mô hình học sâu đã trở thành một giải pháp tiềm năng, giúp cải thiện độ chính xác trong việc dự đoán giá cả. Việc áp dụng các mô hình như LSTM (Long Short-Term Memory) đã cho thấy hiệu quả trong việc xử lý dữ liệu chuỗi thời gian.

1.1. Khái niệm về mô hình học sâu trong Forex

Mô hình học sâu là một nhánh của trí tuệ nhân tạo, sử dụng các mạng nơ-ron để phân tích và dự đoán dữ liệu. Trong Forex, mô hình này giúp nhận diện các mẫu và xu hướng từ dữ liệu lịch sử.

1.2. Tại sao mô hình học sâu lại quan trọng trong Forex

Mô hình học sâu có khả năng xử lý lượng dữ liệu lớn và phức tạp, giúp cải thiện độ chính xác trong dự đoán xu hướng giá. Điều này rất quan trọng trong môi trường giao dịch biến động như Forex.

II. Những thách thức trong việc dự đoán giá Forex

Dự đoán giá Forex không chỉ đơn thuần là phân tích dữ liệu mà còn phải đối mặt với nhiều thách thức. Tính biến động của thị trường, sự ảnh hưởng của các yếu tố kinh tế và chính trị, cùng với sự không chắc chắn trong tương lai, đều là những yếu tố cần xem xét. Các nhà nghiên cứu cần phát triển các mô hình có khả năng thích ứng với những thay đổi này.

2.1. Tính biến động cao của thị trường Forex

Thị trường Forex có tính biến động cao, điều này có thể dẫn đến những rủi ro lớn cho các nhà đầu tư. Việc dự đoán chính xác xu hướng giá trong bối cảnh này là một thách thức lớn.

2.2. Ảnh hưởng của các yếu tố kinh tế và chính trị

Các yếu tố như lãi suất, tỷ lệ lạm phát và các sự kiện chính trị có thể ảnh hưởng mạnh mẽ đến giá trị tiền tệ. Điều này làm cho việc dự đoán trở nên phức tạp hơn.

III. Phương pháp học sâu trong dự đoán giá Forex

Các phương pháp học sâu như LSTM và GRU đã được áp dụng để dự đoán xu hướng giá Forex. Những mô hình này có khả năng học hỏi từ dữ liệu quá khứ và đưa ra dự đoán cho tương lai. Việc tối ưu hóa mô hình cũng là một yếu tố quan trọng để đạt được kết quả tốt nhất.

3.1. Mô hình LSTM trong dự đoán giá Forex

Mô hình LSTM giúp xử lý dữ liệu chuỗi thời gian hiệu quả, cho phép dự đoán chính xác hơn về xu hướng giá trong thị trường Forex.

3.2. Tối ưu hóa mô hình học sâu

Tối ưu hóa mô hình là quá trình điều chỉnh các tham số để cải thiện độ chính xác. Việc này bao gồm việc lựa chọn các chỉ số kỹ thuật phù hợp và xử lý dữ liệu hiệu quả.

IV. Ứng dụng thực tiễn của mô hình học sâu trong Forex

Mô hình học sâu không chỉ dừng lại ở lý thuyết mà còn có nhiều ứng dụng thực tiễn trong giao dịch Forex. Các nhà đầu tư có thể sử dụng các mô hình này để đưa ra quyết định giao dịch thông minh hơn, từ đó tối ưu hóa lợi nhuận và giảm thiểu rủi ro.

4.1. Cách sử dụng mô hình học sâu trong giao dịch

Các nhà đầu tư có thể áp dụng mô hình học sâu để phân tích dữ liệu lịch sử và đưa ra dự đoán cho các cặp tiền tệ, từ đó đưa ra quyết định giao dịch.

4.2. Kết quả nghiên cứu và ứng dụng thực tiễn

Nhiều nghiên cứu đã chỉ ra rằng mô hình học sâu có thể cải thiện đáng kể độ chính xác trong dự đoán giá Forex, giúp các nhà đầu tư đạt được lợi nhuận cao hơn.

V. Kết luận và tương lai của dự đoán giá Forex bằng mô hình học sâu

Dự đoán giá Forex bằng mô hình học sâu đang trở thành một xu hướng quan trọng trong lĩnh vực tài chính. Với sự phát triển không ngừng của công nghệ và dữ liệu, tương lai của phương pháp này hứa hẹn sẽ mang lại nhiều cơ hội mới cho các nhà đầu tư.

5.1. Tương lai của mô hình học sâu trong Forex

Với sự phát triển của công nghệ, mô hình học sâu sẽ ngày càng trở nên mạnh mẽ hơn, giúp cải thiện độ chính xác trong dự đoán giá Forex.

5.2. Những hướng nghiên cứu tiếp theo

Các nhà nghiên cứu có thể tiếp tục khám phá các phương pháp mới và cải tiến mô hình hiện tại để nâng cao hiệu quả dự đoán trong thị trường Forex.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Thị trường ngoại hối (Forex) là thị trường tài chính có quy mô lớn nhất thế giới. Theo báo cáo khảo sát ba năm một lần của Ngân hàng Thanh toán Quốc tế (BIS - Bank for International Settlements) vào năm 2019, khối lượng giao dịch bình quân trên thị trường Forex đạt mức 6,6 nghìn tỷ USD mỗi ngày vào tháng 4 năm 2019. Quy mô này vượt trội so với các thị trường chứng khoán tập trung, điển hình như sàn giao dịch NASDAQ với khối lượng giao dịch bình quân khoảng 200 tỷ USD mỗi ngày. Không giống như các thị trường cổ phiếu truyền thống, Forex là thị trường phi tập trung, hoạt động liên tục 24 giờ mỗi ngày (từ thứ Hai đến thứ Sáu), có tính thanh khoản cao, phi tuyến tính và biến động mạnh do chịu sự tác động đan xen của các yếu tố kinh tế vĩ mô, chính trị và xã hội toàn cầu.

Trong phân tích thị trường tài chính, hai trường phái chính thường được áp dụng là phân tích kỹ thuật (Technical Analysis - dựa trên dữ liệu giá quá khứ và các chỉ báo) và phân tích cơ bản (Fundamental Analysis - dựa trên các sự kiện kinh tế, chỉ số lạm phát, lãi suất, GDP). Mặc dù các công trình trước đây đã chứng minh hiệu quả của từng phương pháp riêng lẻ, việc kết hợp đồng thời cả dữ liệu chỉ báo kỹ thuật và dữ liệu sự kiện kinh tế để xây dựng mô hình học sâu dự đoán xu hướng giá vẫn là một bài toán mở và đối mặt với nhiều thách thức về mặt xử lý dữ liệu.

Mục tiêu nghiên cứu: Đề tài hướng tới giải pháp xây dựng mô hình học sâu với bộ dữ liệu kết hợp giữa phân tích kỹ thuật và phân tích cơ bản nhằm dự đoán xu hướng giá trên thị trường Forex với độ chính xác và độ ổn định cao, hỗ trợ nhà đầu tư tối ưu hóa lợi nhuận và giảm thiểu rủi ro.

Nhiệm vụ nghiên cứu:

1. Tìm kiếm và thu thập nguồn cung cấp dữ liệu tỷ giá nhiều năm và dữ liệu sự kiện kinh tế trên thị trường Forex.
2. Xây dựng mô hình chuỗi thời gian học sâu (Time Series Deep Learning) nhằm dự đoán các mức tỷ giá tiếp theo.
3. Xây dựng và tiền xử lý bộ dữ liệu huấn luyện kết hợp từ các chỉ báo kỹ thuật trích xuất tự động và các sự kiện kinh tế, tài chính từ khu vực Mỹ và Châu Âu.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Các mô hình học sâu cho dữ liệu chuỗi thời gian, tập trung vào kiến trúc mạng hồi quy (RNN, LSTM, GRU) và các cơ chế chú ý (Attention) phục vụ dự đoán tỷ giá.
• Phạm vi không gian (Cặp tiền tệ): Nghiên cứu tập trung chủ yếu vào cặp tiền tệ phổ biến nhất là EUR/USD (kết hợp đồng Euro và Đô la Mỹ), đồng thời mở rộng thử nghiệm trên cặp GBP/USD để kiểm chứng tính tổng quát của mô hình.
• Phạm vi thời gian (Khung thời gian): Mô hình được huấn luyện và đánh giá trên hai khung thời gian giao dịch phổ biến gồm M15 (15 phút) và H1 (1 giờ).
• Quy cách đầu ra: Dự đoán 3 giá trị cho chu kỳ tiếp theo bao gồm: Giá cao nhất (High price), Giá thấp nhất (Low price) và Giá đóng cửa (Close price). Đề tài không dự đoán giá mở cửa (Open price) vì về mặt bản chất dữ liệu chuỗi nến, giá mở cửa của chu kỳ tiếp theo chính là giá đóng cửa của chu kỳ hiện tại.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình toán học

Nghiên cứu tổng hợp các nền tảng lý thuyết từ phân tích kỹ thuật, xử lý tín hiệu số và mô hình chuỗi thời gian:

1. Hệ thống chỉ báo phân tích kỹ thuật: Được phân loại thành 4 nhóm chức năng theo Troy Segal:
   • Nhóm theo dõi xu hướng (Trend-Following): Đường trung bình động đơn giản (SMA), Exponential Moving Average (EMA), Rainbow Moving Average, Accumulative Swing Index, ZigZag.
   • Nhóm xác nhận xu hướng (Trend-Confirmation): Đường phân kỳ hội tụ trung bình động (MACD).
   • Nhóm quá mua/quá bán (Overbought/Oversold): Chỉ số sức mạnh tương đối (RSI - Relative Strength Index, chu kỳ mặc định 14), Chỉ báo dao động Stochastics, Williams %R (WR), Commodity Channel Index (CCI).
   • Nhóm chốt lợi nhuận (Profit-Taking): Dải Bollinger (Bollinger Bands), Average True Range (ATR), RSI 3 ngày.
2. Kỹ thuật khử nhiễu Wavelets (Wavelet Denoising): Dựa trên phép biến đổi Wavelet rời rạc (Discrete Wavelet Transform - DWT). Kỹ thuật này khắc phục hạn chế của phép biến đổi Fourier truyền thống trên các chuỗi tài chính mang đặc tính tín hiệu không dừng (non-stationary signal), cho phép phân tích đồng thời trên cả miền thời gian và miền tần số để loại bỏ thành phần nhiễu tần số cao nhưng vẫn bảo toàn biên độ xu hướng gốc.
3. Mô hình chuỗi thời gian thống kê ARIMA: Kết hợp ba thành phần gồm Tự hồi quy (Auto Regression - AR với bậc trễ $p$), Tích hợp sai phân (Integrated - I với bậc sai phân $d$) và Trung bình trượt sai số (Moving Average - MA với bậc $q$). Nghiên cứu chỉ ra giới hạn của ARIMA là thường hội tụ về giá trị trung bình khi xử lý chuỗi phi tuyến và biến động mạnh.
4. Kiến trúc mạng nơ-ron hồi quy và học sâu:
   • Recurrent Neural Network (RNN): Khảo sát các cấu trúc luồng dữ liệu One-to-One, One-to-Many, Many-to-One và Many-to-Many cùng các hàm kích hoạt Sigmoid, Tanh, ReLU.
   • Long Short-Term Memory (LSTM): Kiến trúc khắc phục hiện tượng triệt tiêu đạo hàm (Vanishing Gradient) thông qua trạng thái tế bào (Cell State) và 3 cổng kiểm soát luồng thông tin: Cổng quên (Forget Gate), Cổng đầu vào (Input Gate) và Cổng đầu ra (Output Gate).
   • Gated Recurrent Unit (GRU): Biến thể tối ưu cấu trúc của LSTM nhằm giảm số lượng tham số huấn luyện.
   • Cơ chế Luong-style Attention: Tăng cường khả năng nắm bắt phụ thuộc ngữ cảnh dài trong chuỗi thời gian.

Nhóm phương pháp / Công cụ	Thành phần cụ thể	Mục đích sử dụng trong đề tài
Trích xuất chỉ báo	Thư viện TA-Lib (Technical Analysis Library)	Tính toán tự động các chỉ báo SMA, EMA, MACD, RSI, Bollinger Bands, ATR...
Xử lý tín hiệu	Wavelet Denoising (DWT)	Tách và loại bỏ nhiễu trắng trên dữ liệu chuỗi giá nến không dừng
Mô hình học sâu	LSTM, GRU, RNN, Attention Mechanism	Học biểu diễn không gian - thời gian từ chuỗi đặc trưng đa biến
Độ đo đánh giá	MAE, MSE, RMSE	Đo lường sai số hồi quy giữa giá trị dự đoán và giá trị tỷ giá thực tế

Phương pháp nghiên cứu thực nghiệm

• Phương pháp thu thập dữ liệu: Trích xuất dữ liệu tỷ giá lịch sử dạng nến OHLC (Open, High, Low, Close) thông qua API của các nhà cung cấp dữ liệu tài chính (FXCM, OANDA). Dữ liệu sự kiện kinh tế và tin tức tài chính được thu thập từ chuyên trang Forex Factory.
• Quy trình xử lý dữ liệu:
  1. Tổng hợp dữ liệu tỷ giá gốc, chuyển đổi khung thời gian chuẩn hóa về M15 và H1.
  2. Sử dụng thư viện TA-Lib để trích xuất các vector chỉ báo kỹ thuật đa biến.
  3. Áp dụng thuật toán Wavelet Denoising để làm mịn và loại bỏ nhiễu dữ liệu chuỗi tỷ giá.
  4. Tiền xử lý dữ liệu sự kiện kinh tế (phân loại 3 mức độ quan trọng, xử lý các chỉ số kinh tế then chốt như CPI, Non-farm Payrolls, thay đổi lãi suất).
  5. Kết hợp và chuẩn hóa (Normalization) toàn bộ vector đặc trưng trước khi đưa vào mô hình học sâu.

---

Thiết kế và triển khai hệ thống thực nghiệm

Khóa luận thiết kế một luồng xử lý và triển khai mô hình thử nghiệm ứng dụng thực tế theo thời gian thực (Real-time Pipeline) với các thành phần:

1. Hệ thống thu thập dữ liệu tự động (Real-time Data Collection): Kết nối API để nhận luồng dữ liệu tỷ giá và lịch sự kiện kinh tế định kỳ.
2. Bộ điều phối tác vụ (Task Scheduling): Sử dụng công cụ Windows Task Scheduler để lập lịch tự động kích hoạt tiến trình nạp dữ liệu mới, chạy mô hình suy luận (Inference) và xuất kết quả theo từng chu kỳ nến.
3. Lưu trữ và cập nhật trạng thái: Kết quả dự đoán được tự động ghi nhận và đồng bộ trực tiếp lên hệ thống Google Sheets theo khung thời gian M5/M15 nhằm kiểm tra độ ổn định vận hành thực tế.
4. Module trực quan hóa dữ liệu (Visualization): Xây dựng giao diện web tương tác sử dụng thư viện đồ họa Plotly, triển khai trên môi trường GitHub Pages để biểu diễn trực quan biểu đồ nến, đường xu hướng thực tế và kết quả dự báo High - Low - Close của mô hình.

---

Nội dung chính theo từng chương

Mở đầu

Chương này xác định bối cảnh quy mô của thị trường ngoại hối quốc tế, phân tích các khó khăn nội tại do tính biến động và tính phi tuyến tính của tỷ giá. Tác giả xác định mục tiêu kết hợp phân tích kỹ thuật và phân tích cơ bản, giới hạn phạm vi trên các cặp tiền EUR/USD, GBP/USD tại khung M15, H1, làm rõ nhiệm vụ dự đoán bộ 3 giá trị (High, Low, Close) và phác thảo bố cục toàn khóa luận.

Chương 1: Tổng quan và tình hình nghiên cứu

Chương 1 cung cấp tổng quan lịch sử hình thành thị trường Forex sau khi Hiệp ước Bretton Woods sụp đổ năm 1971 dẫn đến chế độ tỷ giá thả nổi. Chương này định nghĩa các khái niệm cốt lõi:

• Cặp tiền tệ, tiền tệ cơ sở (Base Currency), tiền tệ định giá (Quote Currency), quy ước mã ISO.
• Cấu trúc biểu đồ nến Nhật (Open, High, Low, Close) và các khung thời gian giao dịch.
• Cơ chế giá Bid - Ask, phí chênh lệch Spread (Spread cố định và Spread thả nổi), đơn vị đo lường Pip ($1/100$ của $1%$ hay $0{,}0001$), và tác động hai chiều của đòn bẩy tài chính (Leverage).

Chương 1 cũng tổng hợp các công trình nghiên cứu tiền bối:

• Nghiên cứu phân tích kỹ thuật: Các ứng dụng của MACD (Yazdi và Lashkari), RSI (Ali và Jauhar), đường trung bình động (Seng và Marcel), mô hình mạng nơ-ron kết hợp chỉ báo (Baasher et al., 2011), mạng tích chập CNN dự báo xu hướng nến (Alexiei et al., Sim et al., Yun-Cheng et al.).
• Nghiên cứu phân tích cơ bản: Khảo sát tác động tin tức kinh tế của Arman et al. với mô hình khai thác văn bản đạt độ chính xác từ $83{,}33%$ đến $91{,}67%$.
• Phân tích các thách thức: Ảnh hưởng của sự kiện kinh tế vĩ mô (sự kiện Brexit, lạm phát, chỉ số CPI, chênh lệch cán cân thương mại) và đánh giá tiềm năng chưa được khai thác sâu của các mô hình học chuỗi như LSTM, GRU so với các thuật toán truyền thống như SVM hay hồi quy tuyến tính.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày chi tiết công thức toán học và nguyên lý vận hành của các công cụ nền tảng:

• Phân tích 4 nhóm chỉ báo kỹ thuật của Troy Segal, chi tiết công thức tính toán SMA, nguyên lý giao cắt MACD, công thức định lượng RSI dựa trên tỷ lệ trung bình tăng/trung bình giảm qua chu kỳ nhìn lại (Look-back Period), và cấu trúc dải trên - dải dưới của Bollinger Bands dựa trên độ lệch chuẩn.
• Lý thuyết xử lý tín hiệu Wavelet: Phân biệt tín hiệu dừng (Stationary Signal) và tín hiệu không dừng (Non-Stationary Signal), nguyên lý bất định Heisenberg, và ưu thế biểu diễn đồng thời thời gian - tần số của Wavelet Transform so với Fourier Transform.
• Mô hình thống kê ARIMA: Cấu trúc toán học của các thành phần tự hồi quy AR, sai phân dừng I và trung bình trượt MA.
• Các kiến trúc học sâu chuỗi thời gian: Cấu tạo bên trong của tế bào LSTM (công thức toán của cổng quên $f_t$, cổng đầu vào $i_t$, trạng thái ứng viên $\tilde{C}_t$, trạng thái tế bào $C_t$ và cổng đầu ra $o_t$), cơ chế tế bào GRU, và cơ chế tính trọng số chú ý Luong-style Attention.

Chương 3: Phương pháp xây dựng mô hình

Chương 3 trình bày toàn bộ quy trình thiết kế và xử lý dữ liệu:

• Cấu trúc hệ thống đề xuất: Mô hình mạng học sâu nhận đầu vào là chuỗi vector đặc trưng đa biến và xuất ra 3 giá trị dự đoán (High, Low, Close).
• Phương pháp xây dựng dữ liệu: Quy trình thu thập dữ liệu tỷ giá từ API và dữ liệu sự kiện kinh tế từ Forex Factory; cấu trúc tổ chức thư mục dữ liệu; kỹ thuật tiền xử lý dữ liệu lịch sự kiện kinh tế theo cấp độ tác động.
• Phương pháp chuyển đổi khung thời gian nến và chuẩn hóa dữ liệu số.
• Ứng dụng thư viện TA-Lib để trích xuất hệ thống đặc trưng chỉ báo kỹ thuật.
• Thực hiện quy trình khử nhiễu Wavelet Denoising trên chuỗi tỷ giá nhằm loại bỏ biến động ngẫu nhiên trước khi ghép nối vào ma trận đặc trưng đầu vào.

Chương 4: Thực nghiệm và đánh giá

Chương 4 mô tả cấu hình môi trường lập trình, phần cứng và các siêu tham số huấn luyện mô hình. Tác giả tiến hành thực nghiệm đối sánh giữa các mô hình học sâu chuỗi thời gian:

• Đánh giá định lượng thông qua các chỉ số sai số MAE, MSE, RMSE trên tập kiểm thử độc lập.
• Thử nghiệm trên cặp tỷ giá EUR/USD ở cả hai khung thời gian M15 và H1.
• Thử nghiệm kiểm chứng mở rộng trên cặp tỷ giá GBP/USD ở khung M15 và H1.
• Phân tích biểu đồ trực quan so sánh đường giá Close dự đoán so với giá thực tế.
• Trình bày kết quả triển khai hệ thống vận hành thực tế (Real-time Run) sử dụng Windows Task Scheduler, ghi nhận nhật ký ra Google Sheets và giao diện tương tác web Plotly qua GitHub Pages.

Chương 5: Kết luận và hướng phát triển

Tổng kết các kết quả đạt được về độ chính xác của mô hình học sâu, khẳng định tính hiệu quả của việc kết hợp chỉ báo kỹ thuật và sự kiện kinh tế, đồng thời nêu rõ các hạn chế còn tồn đọng và định hướng mở rộng nghiên cứu trong tương lai.

---

Kết quả và đóng góp

Kết quả thực nghiệm chính

Khóa luận đã hoàn thành việc xây dựng và kiểm thử các mô hình học sâu trên bộ dữ liệu chuỗi thời gian tỷ giá ngoại hối đa biến:

1. Hiệu quả của việc kết hợp dữ liệu và khử nhiễu: Mô hình học sâu khi được huấn luyện với tập đặc trưng kết hợp (tỷ giá gốc + chỉ báo kỹ thuật từ TA-Lib + sự kiện kinh tế từ Forex Factory) đã qua xử lý Wavelet Denoising cho thấy sự cải thiện rõ rệt về độ ổn định và giảm thiểu sai số dự đoán (MAE, MSE, RMSE) so với việc chỉ sử dụng chuỗi tỷ giá thô đơn biến.
2. Khả năng bám sát xu hướng: Trên cả hai tập kiểm thử của cặp EUR/USD và GBP/USD ở hai khung thời gian M15 và H1, đường giá dự đoán (đặc biệt là giá Close) phản ánh sát với biến động thực tế của thị trường, bắt được các điểm đảo chiều xu hướng chính.
3. Độ ổn định trên các khung thời gian: Mô hình thể hiện sai số dự đoán thấp và ổn định trên cả khung thời gian ngắn hạn M15 lẫn khung trung hạn H1.

Đóng góp của đề tài

• Đóng góp khoa học: Đề xuất một quy trình tiền xử lý và tích hợp hoàn chỉnh: kết hợp trích xuất chỉ báo phân tích kỹ thuật chuẩn mực, lọc nhiễu tín hiệu không dừng bằng biến đổi Wavelet và mã hóa sự kiện kinh tế vào mô hình học sâu chuỗi thời gian.
• Đóng góp ứng dụng thực tiễn: Xây dựng thành công hệ thống tự động hóa hoàn chỉnh từ khâu lấy dữ liệu theo thời gian thực qua API, lập lịch tính toán với Windows Task Scheduler, cập nhật nhật ký giám sát qua Google Sheets đến trực quan hóa đồ họa tương tác trên nền tảng web phục vụ việc tham khảo tín hiệu thị trường.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

• Nghiên cứu mới tập trung thực nghiệm trên hai cặp tiền tệ chính là EUR/USD và GBP/USD tại hai khung thời gian M15 và H1; chưa mở rộng đánh giá trên toàn bộ các cặp tiền tệ chéo hoặc các khung thời gian dài hơn (D1, W1).
• Việc xử lý dữ liệu phân tích cơ bản mới dừng lại ở các sự kiện kinh tế dạng số và phân loại cấp độ quan trọng từ lịch kinh tế, chưa áp dụng các mô hình xử lý ngôn ngữ tự nhiên (NLP) chuyên sâu để phân tích sắc thái cảm xúc (Sentiment Analysis) từ các bài báo và tin tức tài chính dạng văn bản phi cấu trúc.
• Mô hình tập trung vào bài toán hồi quy dự đoán tỷ giá (High, Low, Close), chưa tích hợp module quản lý vốn hoặc thuật toán ra quyết định giao dịch tự động hoàn chỉnh.

Hướng nghiên cứu tiếp

• Mở rộng phạm vi thử nghiệm trên nhiều cặp tiền tệ khác và thử nghiệm thêm các khung thời gian giao dịch đa dạng.
• Tích hợp các mạng xử lý ngôn ngữ tự nhiên tiên tiến (Transformer, BERT) để khai thác thông tin từ các luồng tin tức tài chính trực tiếp và mạng xã hội (Twitter, diễn đàn tài chính).
• Nghiên cứu ứng dụng Học tăng cường (Reinforcement Learning) để xây dựng hệ thống tự động ra quyết định vào lệnh, chốt lời, cắt lỗ và quản trị danh mục đầu tư theo thời gian thực.

---

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo chuyên môn đối với:

• Sinh viên và nhà nghiên cứu ngành Công nghệ Thông tin, Khoa học Máy tính, Khoa học Dữ liệu và Fintech: Cung cấp tài liệu tham khảo chi tiết về quy trình xây dựng bài toán dự báo chuỗi thời gian tài chính đa biến bằng học sâu.
• Các kỹ sư và lập trình viên phát triển hệ thống giao dịch tự động (Algorithmic Trading): Cung cấp tài liệu về phương pháp trích xuất chỉ báo qua TA-Lib, kỹ thuật lọc nhiễu Wavelet cho dữ liệu nến tài chính và kiến trúc triển khai hệ thống thu thập - dự báo thời gian thực.
• Nhà đầu tư và chuyên viên phân tích thị trường ngoại hối: Cung cấp góc nhìn khoa học định lượng về sự kết hợp giữa phân tích kỹ thuật và các sự kiện kinh tế vĩ mô trong việc nhận định xu hướng tỷ giá.

---

Câu hỏi thường gặp

1. Tại sao mô hình chỉ dự đoán 3 mức giá High, Low, Close mà không dự đoán giá Open của cây nến tiếp theo? Trong quy ước cấu tạo biểu đồ nến chuỗi thời gian của thị trường tài chính, giá mở cửa (Open price) của một chu kỳ thời gian (ví dụ chu kỳ nến 15 phút hoặc 1 giờ tiếp theo) chính là giá đóng cửa (Close price) của chu kỳ ngay trước đó. Do đó, việc dự đoán giá Open là không cần thiết.

2. Kỹ thuật khử nhiễu Wavelets (Wavelet Denoising) đóng vai trò gì trong việc xử lý dữ liệu tỷ giá Forex? Dữ liệu tỷ giá Forex là tín hiệu không dừng (Non-Stationary Signal) chứa nhiều biến động ngẫu nhiên và nhiễu tần số cao. Biến đổi Wavelet cho phép phân tích tín hiệu đồng thời trên cả miền thời gian và miền tần số, giúp lọc bỏ các thành phần nhiễu trắng mà không làm méo mó hay suy giảm độ sắc nét của các bước chuyển xu hướng thực tế của giá.

3. Nghiên cứu sử dụng những công cụ và thư viện nào để trích xuất các chỉ báo kỹ thuật? Tác giả sử dụng thư viện mã nguồn mở TA-Lib (Technical Analysis Library) để tính toán và trích xuất tự động các vector đặc trưng kỹ thuật, bao gồm các chỉ báo theo xu hướng (SMA, EMA), chỉ báo xác nhận xu hướng (MACD), chỉ báo quá mua/quá bán (RSI, Stochastics) và các chỉ báo biên độ/chốt lời (Bollinger Bands, ATR).

4. Dữ liệu sự kiện kinh tế được thu thập từ nguồn nào và bao gồm những thông tin gì? Dữ liệu sự kiện kinh tế được thu thập từ chuyên trang tài chính Forex Factory, bao gồm các thông tin về lịch công bố kinh tế của Mỹ và Châu Âu, các chỉ số vĩ mô quan trọng (như chỉ số giá tiêu dùng CPI, lãi suất, tăng trưởng GDP) được phân loại theo 3 mức độ quan trọng ảnh hưởng đến biến động thị trường.

5. Hệ thống thực nghiệm được tự động hóa và trực quan hóa kết quả chạy thực tế bằng cách nào? Hệ thống sử dụng Windows Task Scheduler để lập lịch tự động kích hoạt tiến trình nạp dữ liệu từ API và chạy suy luận mô hình theo chu kỳ nến. Kết quả dự đoán được cập nhật tự động lên Google Sheets để theo dõi vận hành, đồng thời biểu diễn trực quan tương tác thông qua thư viện đồ họa Plotly trên nền tảng GitHub Pages.

---

Kết luận

Khóa luận tốt nghiệp của tác giả Trần Gia Phát và Lâm Hoàng Khánh đã nghiên cứu ứng dụng thành công các mô hình học sâu chuỗi thời gian cho bài toán dự đoán tỷ giá trên thị trường Forex. Đề tài xây dựng một quy trình xử lý dữ liệu kết hợp giữa phân tích kỹ thuật, xử lý tín hiệu bằng phép khử nhiễu Wavelet và phân loại sự kiện kinh tế vĩ mô. Kết quả thực nghiệm trên các cặp tiền tệ EUR/USD và GBP/USD ở khung thời gian M15 và H1 khẳng định tính khả thi của mô hình đề xuất, đồng thời hệ thống đã được triển khai thử nghiệm thực tế với luồng tự động hóa và trực quan hóa tương tác hoàn chỉnh.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 TỔNG QUAN VÀ TÌNH HÌNH NGHIÊN CỨU 1.1 Tổng quan về thị trường Forex 1.1 Giới thiệu Để có thể hiểu được các bài toán về dự đoán thị trường Forex, một trong những điều tiên quyết là hiểu được các kiến thức và một số thuật ngữ về thị trường tài chính này.2 Các thông tin tổng quát Thị trường Forex (tiếng Anh: Foreign Exchange Market, viết tắt là FOREX hay FX) là thị trường tiền tệ liên ngân hàng quốc tế, còn được nhắc đến dưới cái tên Thị trường Tiền mặt (Cash Market) hoặc Thị trường Liên ngân hàng Giao ngay (Spot Interbank Market). Thị trường Forex tồn tại bất cứ nơi nào ở đó tiền tệ của một quốc gia này được chuyển đổi thành tiền tệ của một quốc gia khác. Chính chúng ta sẽ vô tình trở thành người tham gia thị trường Forex nếu như, lấy một ví dụ đơn giản, trong một chuyến đi du lịch nước ngoài, chúng ta đổi tiền tệ của nước mình sang tiền tệ của nước mà chúng ta tới thăm để chi tiêu. Thị trường Forex như hiện nay hình thành sau một loạt cải cách diễn ra vào năm 1971, sau khi hệ thống quản lý tiền tệ Bretton Woods bị xóa bỏ (thị trấn Bretton Woods 18 ở bang New Hamsphire, Mỹ, nơi Hội nghị Tài chính và Tiền tệ Quốc tế diễn ra vào năm 1944 dưới sự bảo trợ của Liên Hợp Quốc.

Tại đây, Hiệp ước Bretton Woods đã được ký kết). Các nước có nền kinh tế phát triển đã duy trì tỷ giá hối đoái cố định bằng cách neo giá trị đồng tiền của mình vào vàng cho đến năm 1971. Đây cũng chính là nguyên tắc cốt lõi của thị trường tiền tệ cho đến thời điểm đó. Sau khi hệ thống Bretton Woods bị xóa bỏ, các nước này chuyển sang hệ thống tỷ giá thả nổi, trong đó mỗi đồng tiền đều có tính tự do chuyển đổi và đều có thể được mua bán trên thị trường theo giá cả được xác định dựa vào cung và cầu thực tế đối với đồng tiền đó.

Thị trường Forex: • Mang tính toàn cầu: Do nó không có một trung tâm thanh toán tiền mặt tập trung. Nó bao gồm nhiều thành phần tham gia tại nhiều không gian địa lý khác nhau. • Có tính thanh khoản cao: Số lượng lớn người tham gia thị trường khiến giá trị giao dịch lớn và cho phép bất cứ loại ngoại tệ nào cũng có thể được mua bán theo giá thị trường vào bất kỳ thời điểm nào. • Dễ dàng tiếp cận: Thị trường Forex cũng như thông tin về nó, tin tức hay các chỉ số tài chính, có thể được tiếp cận một cách dễ dàng.

Chúng ta có thể mở, đóng hay thay đổi trạng thái giao dịch của mình bất cứ lúc nào trong ngày. • Hoạt động 24 giờ mỗi ngày: Giao dịch được thực hiện 24 giờ một ngày, từ thứ Hai đến thứ Sáu, trừ các ngày cuối tuần và một vài ngày nghỉ khác.3 Một số thuật ngữ thường dùng trong Forex Cặp tiền tệ Cặp tiền tệ là sự định giá giữa hai loại tiền tệ khác nhau, giá trị của đồng tiền này được định giá thông qua đồng tiền khác. Tiền tệ thứ nhất trong cặp tiền tệ gọi là tiền cơ sở (base currency), tiền tệ thứ hai là tiền định giá (quote currency). Cặp tiền tệ so sánh giá trị của loại tiền tệ này (base currency) với tiền tệ khác (quote currency).

Nó cho biết cần bao nhiêu đồng tiền định giá để mua một đơn vị tiền cơ sở. Đơn vị tiền tệ được xác 19 định bằng mã đơn vị tiền tệ ISO (ISO currency code) hoặc mã bảng chữ cái gồm ba chữ cái mà chúng được liên kết trên thị trường quốc tế. Vì vậy, đối với đô la Mỹ, mã ISO sẽ là USD. Ví dụ: Tỷ giá EUR/USD có Euro (EURO) là đồng tiền cơ sở, đô la Mỹ (USD) là đồng tiền định giá.

Khi EUR/USD = 1.0814, có nghĩa là cần 1.0814 đô la Mỹ để mua 1 Euro. Biểu đồ nến Khác với các loại biểu đồ thông thường, biểu đồ nến được cấu tạo bởi nhiều hình trụ có đường kẻ ở giữa, khá giống cây nến, nên được gọi là biểu đồ nến. Một cây nến trong thị trường Forex thường mang 4 thông tin dữ liệu chính: • Giá mở: Tỷ giá giao dịch đầu tiên trong quá trình hình thành một cây nến mới. • Giá cao nhất: Tỷ giá lớn nhất trong một khoảng thời gian nhất định.

• Giá thấp nhất: Tỷ giá nhỏ nhất trong một khoảng thời gian nhất định. • Giá đóng: Tỷ giá giao dịch cuối cùng trong quá trình hình thành một cây nến.1 – Minh họa biểu đồ nến. Nến tăng (màu xanh); Nến giảm (màu đỏ) 20 Các khung thời gian Trên hầu hết các sàn giao dịch, chúng ta có thể lựa chọn khung thời gian phù hợp để hiển thị các cây nến trên biểu đồ nến. Các khung thời gian ngắn hạn phổ biến như: M1 (1 phút), M15 (15 phút), H1 (1 tiếng) và một số khung thời gian khác.

Việc lựa chọn khung thời gian thích hợp để tiện cho việc quan sát thị trường của cá nhân nhà đầu tư cũng là một yếu tố giúp tăng khả năng nắm bắt thị trường.2 – Biểu đồ nến tương ứng ở hai khung thời gian (M15 và H1) Giá Bid (bán) và giá Ask (mua) Khi chọn một cặp tiền để giao dịch, sẽ luôn xuất hiện ở phần tỷ giá có 2 mức giá khác nhau, đó chính là giá mua (Buy hoặc Ask) và giá bán (Sell hoặc Bid). Giá Ask là 21 giá sàn giao dịch chấp nhận bán ra hay sẽ là giá để chúng ta mua vào khi mở hoặc đóng lệnh giao dịch, giá Bid là giá mà sàn giao dịch chấp nhận mua từ chúng ta, hay bán cho sàn đó nếu muốn mở hoặc đóng lệnh. Trên thực tế thì giá Bid sẽ luôn luôn nhỏ hơn giá Ask, nếu thực hiện một lệnh Buy, ta phải mua với giá Ask, khi đã khớp lệnh, giá Bid là giá để tính lời lỗ của lệnh đang giao dịch. Ngược lại, nếu thực hiện một lệnh Sell, ta phải mua với giá Bid, khi đã khớp lệnh, giá Ask là giá để tính lời lỗ của lệnh đang chạy.

Spread Spread là khoảng chênh lệch giữa giá mua và giá bán của một cặp tiền tệ. Khi đặt lệnh giao dịch trên thị trường, phí spread chính là chi phí chính của lệnh này. Hiện nay, ngoài phí hoa hồng, phí swap thì nguồn lợi nhuận của các sàn giao dịch Forex thu về từ các giao dịch của khách hàng trên sàn của mình là Spread, với mỗi sẩn phẩm, mỗi cặp tiền sẽ có mức Spread khác nhau. Do vậy, khi giao dịch các nhà đầu tư thường cần phải lựa chọn sàn giao dịch dựa trên tiêu chí Spread để tối đa hóa lợi ích cho mình bởi nó ảnh hưởng trực tiếp đến mức lợi nhuận khi giao dịch.

Phí spread càng nhỏ, chi phí giao dịch càng thấp. Spread càng rộng thì chi phí càng cao. Spread là sự chênh lệch giữa giá mua và giá bán. Vì vậy để tính spread, đơn giản chỉ cần lấy giá mua trừ giá bán.

Giả sử cặp tiền EUR/USD tại thời điểm có giá mua vào là 1,1135 và giá bán ra là 1,1133, khi đó phí spread được tính bằng cách lấy 1,1135 trừ 1,1133 thì được chênh lệch là 0,0002 tương đương 2 pips. Đây cũng là lý do mà ngay khi bạn mới mở lệnh, sẽ chịu một khoảng thua lỗ nhỏ tương ứng với số pip chênh lệch giữa giá mua và giá bán. Một số loại Spread: • Spread nổi (Floating Spread): Mức chênh lệch giữa giá mua và giá bán của cặp tiền tệ luôn thay đổi tùy theo điều kiện thị trường. • Spread cố định (Fixed Spread): Mức chênh lệch giữa giá mua và giá bán không thay đổi bất kể điều kiện thị trường là gì.

22 Pip Pip là từ viết tắt của "percentage in point" hoặc "price interest point", là đơn vị nhỏ nhất dùng để đo lường sự biến động của tỷ giá cặp tiền tệ. Pip là mức di chuyển giá nhỏ nhất mà tỷ giá hối đoái có thể thực hiện dựa trên quy ước thị trường Forex. Hầu hết các cặp tiền tệ được định giá đến bốn chữ số thập phân và sự thay đổi pip là dấu thập phân cuối cùng (thứ tư). Do đó, một pip tương đương với 1/100 của 1% hoặc một điểm cơ bản.

Nếu tỷ giá EUR/USD dao động từ 1.1081 có giá trị tăng 0.0001 USD tương đương với 1 pip. Sự chuyển động của một cặp tiền tệ xác định liệu một nhà giao dịch có lãi hay lỗ từ các vị trí vào cuối ngày. Một nhà giao dịch thực hiện lệnh Buy với cặp tiền tệ EUR/USD sẽ thu được lợi nhuận nếu đồng EURO tăng giá trị so với đô la Mỹ. Nếu nhà giao dịch mua đồng euro với giá 1,1050 và đóng lệnh giao dịch ở mức 1,1085, họ sẽ kiếm được 1,1085 - 1,1050 = 35 pips trên giao dịch.

Đòn bảy (Leverage) Trong giao dịch và đầu tư, đòn bẩy là công cụ cung cấp khả năng đầu tư hoặc kiểm soát các quỹ lớn hơn nhiều so với các quỹ hiện đang nắm giữ. Đòn bẩy rất có lợi cho nhà giao dịch vì nó không yêu cầu phải sở hữu vốn lớn ngay từ đầu để thực hiện các giao dịch có giá trị cao và có thể mang lại lợi nhuận rất cao trong một thời gian ngắn. Đòn bẩy trong Forex được thể hiện dưới dạng tỷ lệ như từ 1:2. 1:5, 1:100, 1:500, 1:1000 cho đến đòn bẩy vô cực.

Ví dụ khi giao dịch cặp EUR/USD với đòn bẩy là 1:100 (tương đương số tiền gấp 100 lần), ta đặt lệnh Buy ở mức giá 1.1050, cặp tiền tăng và sau đó đóng lệnh ở mức giá 1.1070, nghĩa là ta đã kiếm được 20 pips. Thay vì với mức lợi nhuận thông thường 1 pip ta thu được 0,1 USD thì với đòn bẩy gấp 100 lần thì 1 pip ta được 10 USD, 20 pips tương đương với 200 USD lợi nhuận mà ta thu được. Tuy nhiên, đây cũng là một "con dao hai lưỡi" vì đòn bẩy càng cao thì rủi ro càng lớn, khi chơi với đòn bẩy gấp 1000 lần nếu lãi chúng ta sẽ lãi rất lớn nhưng nếu lỗ ta cũng sẽ lỗ gấp 1000 lần.2 Tình hình nghiên cứu 1.1 Phân tích kỹ thuật (Technical Analysis) Thông thường, khi nhắc đến việc dự đoán ở các thị trường tài chính, có hai hướng tiếp cận chính mà các nhà đầu tư thường sử dụng: phân tích kỹ thuật và phân tích cơ bản. Trong đó, các chỉ báo phân tích kỹ thuật là một chỉ báo thường được sử dụng rộng rãi hơn trong Forex mặc dù cả hai việc phân tích cơ bản và phân tích kỹ thuật đều có thể mang lại hiệu quả và nhiều bài báo trên thế giới đã xác nhận tính hiệu quả của các chỉ số kỹ thuật trong việc dự báo thị trường Forex.