Bối cảnh và vấn đề nghiên cứu

Thị trường ngoại hối (Foreign Exchange - Forex) là thị trường tài chính có quy mô giao dịch lớn nhất thế giới. Theo báo cáo khảo sát ba năm một lần của Ngân hàng Thanh toán Quốc tế (Bank for International Settlements - BIS) 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, vượt trội so với sàn giao dịch chứng khoán Nasdaq với khối lượng trung bình khoảng 200 tỷ USD mỗi ngày. Không giống như thị trường chứng khoán, Forex là thị trường phi tập trung, biến động liên tục 24 giờ mỗi ngày (từ thứ Hai đến thứ Sáu), có tính phi tuyến tính cao và chịu sự chi phối phức tạp từ 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 được sử dụng là phân tích kỹ thuật (Technical Analysis - dựa trên dữ liệu giá quá khứ và các chỉ báo toán học) và phân tích cơ bản (Fundamental Analysis - dựa trên các sự kiện kinh tế, lãi suất, lạm phát, tin tức chính trị). Mặc dù cả hai phương pháp đều đã chứng minh được hiệu quả nhất định trong các nghiên cứu độc lập, việc kết hợp đồng thời dữ liệu định lượng từ chỉ báo kỹ thuật với dữ liệu sự kiện kinh tế vẫn còn đặt ra nhiều thách thức trong việc mô hình hóa. Nhận định bài toán dự báo tỷ giá thuộc lớp bài toán chuỗi thời gian (Time Series), đề tài "Mô hình học sâu dự đoán xu hướng giá Forex" được thực hiện nhằm nghiên cứu việc ứng dụng các mạng học sâu chuỗi để dự đoán biến động tỷ giá.

Mục tiêu và nhiệm vụ nghiên cứu

Mục tiêu tổng quát của đề tài là xây dựng mô hình học sâu kết hợp dữ liệu phát triển từ phương pháp phân tích kỹ thuật và phân tích cơ bản để dự đoán xu hướng tỷ giá trên thị trường Forex với độ chính xác và tính ổn định cao, tạo cơ sở tham khảo hỗ trợ giảm thiểu rủi ro cho nhà đầu tư.

Để hiện thực hóa mục tiêu này, ba nhiệm vụ nghiên cứu cụ thể được xác định:

  1. Tìm kiếm và thu thập nguồn cung cấp dữ liệu tỷ giá nhiều năm trên thị trường Forex.
  2. Xây dựng mô hình dự đoán tỷ giá Forex dựa trên các kiến trúc học sâu.
  3. Xây dựng bộ dữ liệu huấn luyện kết hợp từ các chỉ báo kỹ thuật và các sự kiện kinh tế, tài chính của Mỹ và Châu Âu.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Các mô hình học sâu (đặc biệt là mạng nơ-ron hồi quy và các biến thể chuỗi thời gian như LSTM) phục vụ dự đoán giá tiếp theo trên thị trường ngoại hối.
  • Phạm vi dữ liệu và không gian: Nghiên cứu tập trung chủ yếu vào cặp tiền tệ phổ biến nhất là EUR/USD (kết hợp giữa đồng Euro và Đô la Mỹ), đồng thời thực hiện kiểm chứng bổ sung trên cặp GBP/USD để xác thực khả năng thích ứng của mô hình.
  • Phạm vi thời gian và biến mục tiêu: Dữ liệu được nghiên cứu trên hai khung thời gian ngắn hạn phổ biến là M15 (15 phút) và H1 (1 giờ). Đầu ra của mô hình gồm ba giá trị trong chu kỳ tiếp theo: giá cao nhất (High price), giá thấp nhất (Low price) và giá đóng cửa (Close price). Nghiên cứu không dự đoán giá mở cửa (Open price) do 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

Khóa luận thiết lập nền tảng lý thuyết trên sự giao thoa giữa kinh tế học tài chính quốc tế, kỹ thuật xử lý tín hiệu và các kiến trúc học máy hiện đại.

Khái niệm thị trường và phân loại chỉ báo kỹ thuật

Nghiên cứu hệ thống hóa các khái niệm cốt lõi của thị trường Forex bao gồm: cặp tiền tệ (đồng tiền cơ sở và đồng tiền định giá theo mã chuẩn ISO), cấu trúc nến Nhật (Open, High, Low, Close), chênh lệch giá mua - giá bán (Spread cố định và Spread thả nổi), đơn vị đo lường biến động giá (Pip - tương đương $1/100$ của $1%$ hay điểm cơ bản thứ tư thập phân), và công cụ đòn bẩy tài chính (Leverage).

Dựa trên phân loại của Troy Segal, tác giả phân chia các chỉ báo kỹ thuật thành 4 nhóm chức năng:

Nhóm chỉ báo Vai trò chính Các chỉ báo tiêu biểu được sử dụng
Trend-Following (Theo dõi xu hướng) Đo lường hướng đi và độ mạnh của xu hướng giá; đưa ra tín hiệu có độ trễ Simple Moving Average (SMA), Accumulative Swing Index, ZigZag, Rainbow Moving Average
Trend-Confirmation (Xác nhận xu hướng) Đánh giá tính đồng thuận của xu hướng, củng cố tín hiệu vào lệnh Moving Average Convergence Divergence (MACD)
Overbought/Oversold (Quá mua / Quá bán) Xác định trạng thái thị trường biến động quá mức để đón đầu sự đảo chiều Relative Strength Index (RSI - chu kỳ chuẩn 14 khoảng thời gian), Stochastics
Profit-Taking (Chốt lợi nhuận) Hỗ trợ xác định thời điểm đóng vị thế để tối ưu hóa lợi nhuận RSI 3 ngày, Dải Bollinger Bands (độ lệch chuẩn kết hợp giá trị trung bình)

Kỹ thuật xử lý tín hiệu và mô hình chuỗi thời gian

  • Phép khử nhiễu Wavelet (Wavelet Denoising): Do chuỗi dữ liệu tỷ giá Forex là tín hiệu không tĩnh (non-stationary signal) có tần số thay đổi liên tục theo thời gian, phép biến đổi Fourier truyền thống bị hạn chế do không thể cung cấp đồng thời thông tin thời gian và tần số (theo Nguyên lý bất định Heisenberg). Phép biến đổi Wavelet được áp dụng để phân tách tín hiệu gốc thành các thành phần tần số khác nhau, lọc nhiễu mà vẫn bảo toàn hình dạng và độ sắc nét của chuỗi biến động giá.
  • Mô hình ARIMA (Auto Regressive Integrated Moving Average): Mô hình thống kê tuyến tính cổ điển gồm ba thành phần: tự hồi quy AR($p$), tích hợp sai phân I($d$), và trung bình trượt MA($q$). Văn bản chỉ ra rằng ARIMA bị suy giảm hiệu quả khi áp dụng trực tiếp cho chuỗi thời gian phi tuyến tính và không dừng như Forex, do các dự báo nhanh chóng hội tụ về giá trị trung bình sau vài bước lặp.

Kiến trúc mạng nơ-ron chuỗi (Recurrent Neural Networks)

Tác giả phân tích cấu trúc mạng RNN với các cơ chế luân chuyển dữ liệu tuần tự (One-to-One, One-to-Many, Many-to-One, Many-to-Many) và các hàm kích hoạt (Sigmoid, Tanh, ReLU). Để xử lý triệt để hai hạn chế cố hữu trong quá trình huấn luyện RNN là triệt tiêu đạo hàm (Vanishing Gradient) và bùng nổ đạo hàm (Exploding Gradient), nghiên cứu tập trung vào:

  • Kỹ thuật Gradient Clipping để kiểm soát sự bùng nổ trọng số.
  • Kiến trúc Long Short-Term Memory (LSTM): Đề xuất bởi Sepp Hochreiter và Jürgen Schmidhuber (1997), sử dụng cấu trúc tế bào nhớ (Cell State) kết hợp hệ thống các cổng (gate) cho phép duy trì gradient liên tục, giải quyết triệt để bài toán phụ thuộc xa (Long-term dependencies) trong chuỗi tỷ giá lịch sử.
  • Kiến trúc GRU và Cơ chế Attention: Giới thiệu mạng Gated Recurrent Units (GRU) và cơ chế tập trung (Luong-style Attention, Co-attention) nhằm tăng cường khả năng trích xuất đặc trưng trọng yếu từ dữ liệu tin tức và tỷ giá.

Nguồn dữ liệu và phương pháp thực nghiệm

Nghiên cứu sử dụng nguồn dữ liệu tỷ giá lịch sử kết hợp với dữ liệu lịch sự kiện kinh tế (Economic Calendars) và tin tức vĩ mô (chỉ số giá tiêu dùng CPI, lãi suất, tỷ lệ thất nghiệp) được thu thập từ các nhà môi giới tài chính lớn như OANDA và FXCM thông qua giao diện lập trình ứng dụng (API). Phương pháp thực nghiệm được triển khai thông qua các giai đoạn: tiền xử lý và khử nhiễu dữ liệu, xây dựng cấu trúc mô hình học sâu, huấn luyện tham số, đo lường sai số bằng các thang đo chuẩn (MAE, MSE, RMSE) và trực quan hóa kết quả dự báo thông qua thư viện đồ họa Plotly.

Nội dung chính theo từng chương

Chương mở đầu: Tổng quan về đề tài nghiên cứu

Chương mở đầu thiết lập bối cảnh nghiên cứu về quy mô thị trường tài chính Forex với khối lượng giao dịch 6,6 nghìn tỷ USD/ngày theo báo cáo của BIS (2019). Tác giả trình bày tính cấp thiết của việc dự báo tỷ giá nhằm hỗ trợ nhà đầu tư cá nhân và xây dựng hệ thống giao dịch tự động. Chương này xác định rõ mục tiêu, 3 nhiệm vụ nghiên cứu, đối tượng nghiên cứu trên khung thời gian M15 và H1, cùng phạm vi thử nghiệm trên hai cặp tiền tệ EUR/USD và GBP/USD với biến mục tiêu dự báo là giá High, Low, Close.

Chương 1: Tổng quan và tình hình nghiên cứu

Chương 1 cung cấp cái nhìn chi tiết về cấu trúc thị trường ngoại hối quốc tế, từ dấu mốc lịch sử sau khi hệ thống Bretton Woods bị bãi bỏ năm 1971 chuyển sang cơ chế tỷ giá thả nổi, đến các đặc tính toàn cầu, tính thanh khoản cao và thời gian giao dịch 24/5.

Tác giả tổng hợp tình hình nghiên cứu trong và ngoài nước qua hai nhánh phân tích kỹ thuật và phân tích cơ bản:

  • Dẫn chứng khảo sát của Islam và cộng sự cùng báo cáo của Bruno và cộng sự (phân tích 57 bài báo khoa học) chỉ ra mạng nơ-ron là hướng tiếp cận được tham khảo nhiều nhất (chiếm 43%), tiếp theo là SVM (23%).
  • Phân tích các nghiên cứu tiêu biểu ứng dụng CNN (như Alexiei & Karl đạt độ chính xác 65% cho xu hướng tháng và 60% cho xu hướng tuần; Sim và cộng sự kết hợp 9 chỉ báo kỹ thuật), RNN, LSTM, và Học tăng cường (Reinforcement Learning).
  • Trình bày 5 nhóm nguồn dữ liệu cơ bản và những thách thức khi xử lý dữ liệu phi cấu trúc từ tin tức kinh tế (sự kiện Brexit, chỉ số lạm phát CPI, biến động cán cân thương mại).

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày có hệ thống các công cụ toán học và mô hình thuật toán:

  • Phân tích công thức toán học và nguyên lý vận hành của 4 nhóm chỉ báo kỹ thuật: đường trung bình trượt SMA, chỉ báo MACD, chỉ báo động lượng RSI (ngưỡng quá mua $\ge 70$, quá bán $\le 30$) và dải Bollinger Bands.
  • Trình bày lý thuyết xử lý tín hiệu Wavelet Denoising, phân biệt tín hiệu tĩnh (nhiễu trắng) và tín hiệu không tĩnh (chuỗi giá Forex), chỉ ra ưu thế vượt trội của Wavelet so với biến đổi Fourier trong việc định vị thời gian - tần số.
  • Phân tích mô hình ARIMA, chỉ ra cơ chế hoạt động của AR($p$), MA($q$), I($d$) và nguyên nhân ARIMA thất bại khi dự báo chuỗi tài chính phi tuyến dài hạn.
  • Trình bày chi tiết toán học của mạng nơ-ron hồi quy RNN, các hàm kích hoạt (Sigmoid, Tanh, ReLU), hiện tượng suy giảm đạo hàm và kiến trúc tế bào nhớ của mô hình LSTM, GRU cùng cơ chế Attention.

Chương 3: Phương pháp xây dựng mô hình

Chương 3 tập trung vào quy trình xử lý dữ liệu và thiết kế kiến trúc mô hình học sâu:

  • Quy trình chuẩn hóa và trích xuất đặc trưng từ hai luồng dữ liệu: chuỗi tỷ giá kỹ thuật và tập dữ liệu sự kiện kinh tế vĩ mô của Mỹ và Châu Âu được phân cấp mức độ quan trọng.
  • Kỹ thuật làm sạch và áp dụng Wavelet Denoising để khử nhiễu chuỗi giá trước khi đưa vào mô hình.
  • Thiết kế luồng học sâu tích hợp, cấu hình các lớp mạng hồi quy để tiếp nhận đầu vào đa biến và ánh xạ tới đầu ra dự báo 3 giá trị giá trong tương lai gần.

Chương 4: Thực nghiệm và đánh giá

Chương 4 mô tả toàn bộ quá trình thử nghiệm thực tế:

  • Chi tiết cấu hình phần cứng, môi trường thực thi và các siêu tham số huấn luyện mô hình.
  • Đánh giá hiệu năng dự báo của các mô hình trên khung thời gian H1 và M15 đối với cặp tiền EUR/USD và GBP/USD.
  • Sử dụng các thước đo sai số định lượng chuẩn bao gồm sai số tuyệt đối trung bình (MAE), sai số bình phương trung bình (MSE) và căn bậc hai của sai số bình phương trung bình (RMSE).
  • Trực quan hóa đường giá thực tế so với đường giá dự báo thông qua thư viện tương tác Plotly.

Chương 5: Kết luận và hướng phát triển

Chương cuối cùng tổng kết các kết quả đạt được về mặt lý thuyết và thực nghiệm, nêu bật những mặt còn hạn chế trong việc khai thác dữ liệu sự kiện kinh tế, đồng thời định hướng các nghiên cứu tiếp theo về việc ứng dụng cơ chế Attention sâu hơn và triển khai học tăng cường.

Kết quả và đóng góp

Kết quả nghiên cứu chính

  • Xây dựng bộ dữ liệu tích hợp đa nguồn: Kết hợp thành công dữ liệu giá nến kỹ thuật (Open, High, Low, Close) cùng các chỉ báo kỹ thuật tiêu chuẩn (SMA, MACD, RSI, Bollinger Bands) với tập dữ liệu sự kiện kinh tế vĩ mô của Hoa Kỳ và Liên minh Châu Âu (thu thập qua API OANDA/FXCM).
  • Ứng dụng thành công kỹ thuật khử nhiễu: Áp dụng biến đổi Wavelet Denoising để loại bỏ các dao động nhiễu tần số cao trong chuỗi tỷ giá Forex không tĩnh, giúp cải thiện chất lượng dữ liệu đầu vào cho các mô hình học sâu.
  • Mô hình hóa dự báo đa mục tiêu: Triển khai mô hình học sâu chuỗi thời gian (trọng tâm là LSTM) dự đoán đồng thời 3 thông số then chốt của cây nến kế tiếp: giá cao nhất (High), giá thấp nhất (Low) và giá đóng cửa (Close) trên cả hai khung thời gian M15 và H1 cho cặp EUR/USD và xác thực trên cặp GBP/USD.
  • Hệ thống đánh giá định lượng và trực quan hóa: Thiết lập quy trình đánh giá sai số mô hình thông qua bộ chỉ số MAE, MSE, RMSE và xây dựng biểu đồ so sánh trực quan sai lệch giá dự báo bằng thư viện Plotly.

Đóng góp của đề tài

  1. Về mặt khoa học: Khóa luận đóng góp tài liệu nghiên cứu thực nghiệm về việc ứng dụng trí tuệ nhân tạo (AI) và mạng nơ-ron học sâu trong lĩnh vực tài chính tính toán (FinTech), cung cấp giải pháp kết hợp phân tích kỹ thuật và phân tích cơ bản thay vì tiếp cận đơn lẻ.
  2. Về mặt thực tiễn: Cung cấp phương pháp xây dựng hệ thống dự báo tỷ giá hỗ trợ các nhà đầu tư cá nhân và tổ chức có thêm kênh thông tin tham khảo định lượng, góp phần giảm thiểu rủi ro khi vào lệnh và tạo tiền đề tích hợp vào các hệ thống giao dịch tự động.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

  • Độ phức tạp của dữ liệu kinh tế cơ bản: Các sự kiện trong lịch kinh tế mặc dù được phân loại theo 3 cấp độ quan trọng, nhưng trên thực tế mức độ tác động và thời gian phản ứng của thị trường đối với từng sự kiện là không đồng đều (điển hình như chỉ số CPI vừa thể hiện sự phát triển kinh tế vừa phản ánh lạm phát), gây khó khăn cho việc định lượng chính xác trọng số đặc trưng.
  • Phần lớn dữ liệu cơ bản ở dạng phi cấu trúc: Dữ liệu tin tức, bài báo tài chính chủ yếu ở dạng văn bản tự do, việc tự động hóa trích xuất và ánh xạ các từ khóa ngữ cảnh vào chuỗi thời gian đòi hỏi các pipeline xử lý ngôn ngữ tự nhiên chuyên sâu chưa được khai thác toàn diện trong khóa luận.
  • Phạm vi kiểm thử: Mô hình mới chỉ tập trung huấn luyện và đánh giá trên hai cặp tiền tệ chính là EUR/USD và GBP/USD ở hai khung thời gian ngắn hạn M15 và H1, chưa mở rộng sang toàn bộ hơn 100 cặp tiền tệ khác trên thị trường.

Hướng nghiên cứu tiếp theo

  • Ứng dụng các kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) hiện đại để khai phá văn bản và phân tích cảm xúc (Sentiment Analysis) từ các tiêu đề tin tức, diễn đàn tài chính theo thời gian thực.
  • Khai thác sâu hơn các biến thể mạng tiên tiến như GRU, mạng nơ-ron tích hợp cơ chế tập trung (Luong-style Attention, Co-attention) nhằm tăng cường độ chính xác cho chuỗi thời gian dài.
  • Nghiên cứu kết hợp học tăng cường (Reinforcement Learning) để xây dựng hệ thống tự động đưa ra quyết định giao dịch hoàn chỉnh (chọn mức giá khớp lệnh, xác định khối lượng lệnh và điểm dừng lỗ/chốt lời).

Giá trị tham khảo

Khóa luận là tài liệu tham khảo có cấu trúc rõ ràng và giá trị học thuật dành cho:

  • Sinh viên và nhà nghiên cứu ngành Khoa học máy tính, Công nghệ thông tin, Trí tuệ nhân tạo: Cung cấp tài liệu chi tiết về cách xây dựng bài toán dự báo chuỗi thời gian đa biến, kỹ thuật khử nhiễu tín hiệu không tĩnh bằng Wavelet Denoising, và cách xử lý hiện tượng suy giảm đạo hàm trong mạng nơ-ron hồi quy.
  • Sinh viên và chuyên viên ngành Công nghệ tài chính (FinTech), Kinh tế quốc tế: Cung cấp cái nhìn tổng quan có hệ thống về cơ chế vận hành của thị trường Forex, cách tính toán toán học của các nhóm chỉ báo kỹ thuật phổ biến (SMA, MACD, RSI, Bollinger Bands), cũng như phương pháp thu thập dữ liệu tài chính tự động qua API.
  • Phần đáng tham khảo nhất:
    • Chương 1 và Chương 2: Cung cấp tổng quan tài liệu dày dặn về các mô hình học máy trong tài chính và nền tảng toán học chi tiết của Wavelet, ARIMA và LSTM.
    • Thiết kế bài toán dự báo bộ ba giá trị (High, Low, Close) thay vì chỉ dự báo một mức giá đơn lẻ, mang lại giá trị ứng dụng thực tế cao cho việc thiết lập chiến lược quản trị rủi ro.

Câu hỏi thường gặp

1. Tại sao mô hình chỉ dự đoán giá High, Low, Close mà không dự đoán giá Open của cây nến tiếp theo?

Theo cấu trúc chuẩn của biểu đồ nến trên thị trường Forex, giá mở cửa (Open price) của một chu kỳ thời gian tiếp theo (ví dụ như nến M15 hoặc H1 kế tiếp) chính là giá đóng cửa (Close price) của chu kỳ thời gian hiện tại vừa kết thúc. Do đó, việc dự báo giá mở cửa là không cần thiết, mô hình tập trung vào ba giá trị chưa biết là giá cao nhất, giá thấp nhất và giá đóng cửa.

2. Ưu điểm của phép khử nhiễu Wavelet (Wavelet Denoising) so với Biến đổi Fourier trong nghiên cứu này là gì?

Biến đổi Fourier chỉ hoạt động tối ưu trên các tín hiệu tĩnh (stationary signals) với nội dung tần số không đổi theo thời gian. Chuỗi tỷ giá Forex là tín hiệu không tĩnh (non-stationary signal), biến động liên tục. Theo Nguyên lý bất định Heisenberg, biến đổi Fourier không thể cung cấp đồng thời thông tin thời gian và tần số. Phép biến đổi Wavelet giải quyết được hạn chế này bằng cách chia tín hiệu thành các dải tần số khác nhau trên miền thời gian, cho phép khử nhiễu hiệu quả mà vẫn giữ được độ sắc nét và hình dạng gốc của dữ liệu giá.

3. Bốn nhóm chỉ báo kỹ thuật được tác giả phân loại theo cơ sở nào và gồm những chỉ báo nào?

Dựa trên phân loại của Troy Segal, các chỉ báo kỹ thuật được chia thành 4 nhóm theo mục đích sử dụng:

  • Nhóm theo dõi xu hướng (Trend-Following): Simple Moving Average (SMA), Accumulative Swing Index, ZigZag, Rainbow Moving Average.
  • Nhóm xác nhận xu hướng (Trend-Confirmation): Moving Average Convergence Divergence (MACD).
  • Nhóm quá mua/quá bán (Overbought/Oversold): Relative Strength Index (RSI), Stochastics.
  • Nhóm chốt lợi nhuận (Profit-Taking): RSI 3 ngày, Dải Bollinger Bands.

4. Tại sao mô hình thống kê ARIMA không mang lại độ chính xác cao khi dự báo tỷ giá Forex dài hạn?

Mô hình ARIMA dựa trên giả định tuyến tính và đòi hỏi chuỗi dữ liệu có tính dừng hoặc được đưa về dừng qua sai phân. Dữ liệu tỷ giá Forex có tính phi tuyến tính cao và biến động mạnh. Khi áp dụng ARIMA trên chuỗi phi tuyến và không dừng, các giá trị dự báo có xu hướng nhanh chóng hội tụ về giá trị trung bình của chuỗi chỉ sau vài bước lặp, khiến độ chính xác giảm sút.

5. Dữ liệu tỷ giá và sự kiện kinh tế trong khóa luận được thu thập từ đâu?

Dữ liệu tỷ giá lịch sử và thông tin về các sự kiện kinh tế vĩ mô (Economic Calendars, chỉ số CPI, lãi suất) được thu thập từ các sàn giao dịch và công ty môi giới tài chính quốc tế gồm FXCM và OANDA thông qua giao diện lập trình ứng dụng (API).

Kết luận

Khóa luận tốt nghiệp "Mô hình học sâu dự đoán xu hướng giá Forex" của tác giả Trần Gia Phát và Lâm Hoàng Khánh đã hệ thống hóa toàn diện cơ sở lý thuyết về thị trường ngoại hối và các thuật toán học sâu chuỗi thời gian. Nghiên cứu đã đề xuất giải pháp tiền xử lý khử nhiễu bằng Wavelet Denoising, kết hợp dữ liệu chỉ báo phân tích kỹ thuật với lịch sự kiện kinh tế để huấn luyện mô hình học sâu (trọng tâm là LSTM) dự báo bộ ba giá trị High, Low, Close cho các khung thời gian ngắn hạn M15 và H1 trên cặp EUR/USD và GBP/USD. Kết quả nghiên cứu đóng góp một khung thực nghiệm định lượng rõ ràng, tạo cơ sở khoa học cho việc phát triển các hệ thống hỗ trợ giao dịch tài chính tự động trong tương lai.