Bối cảnh và vấn đề nghiên cứu

Khóa luận tốt nghiệp kỹ sư ngành Hệ thống Thông tin của tác giả Đỗ Hữu Lượng (Trường Đại học Công nghệ Thông tin – ĐHQG-HCM, năm 2021) tập trung vào bài toán dự đoán biến động thị trường tài chính số. Trong những năm gần đây, tiền điện tử trở thành một công cụ tài chính có khối lượng giao dịch lớn trên toàn cầu. Với bản chất phi tập trung, bảo mật bằng thuật toán mã hóa trên nền tảng Blockchain và không do ngân hàng trung ương phát hành, giá trị tiền điện tử được quyết định thuần túy bởi quan hệ cung – cầu trên thị trường. Đặc tính biến động giá rất cao khiến thị trường này tiềm ẩn nhiều rủi ro đối với các nhà đầu tư. Mặc dù Giả thuyết thị trường hiệu quả (EMH – Efficient Markets Hypothesis) của Eugene Fama (1970) cho rằng giá chứng khoán là không thể dự đoán, các nghiên cứu thực nghiệm hiện đại về học máy và học sâu đã chứng minh tiềm năng trích xuất các quy luật phi tuyến từ dữ liệu chuỗi thời gian nhằm hỗ trợ ra quyết định đầu tư.

Mục tiêu chung của đề tài là tìm hiểu các mô hình máy học, học sâu áp dụng cho việc dự đoán giá tiền điện tử, từ đó xây dựng hệ thống phần mềm hỗ trợ ra quyết định đầu tư. Các mục tiêu và nhiệm vụ nghiên cứu cụ thể được xác định gồm:

  1. Tìm hiểu các mô hình máy học, học sâu áp dụng cho việc dự đoán giá tiền điện tử và khảo sát các công trình nghiên cứu liên quan.
  2. Lựa chọn và áp dụng các mô hình hiệu quả, thực hiện tinh chỉnh siêu tham số để tối ưu hóa độ chính xác song song với việc giảm thiểu thời gian huấn luyện.
  3. Xây dựng hệ thống dự đoán hoàn chỉnh bao gồm: cơ chế thu thập dữ liệu liên tục từ sàn giao dịch; đường ống huấn luyện mô hình máy học và học sâu; phát triển ứng dụng web để hiển thị kết quả dự đoán cùng các thông tin thị trường theo thời gian thực.

Về đối tượng nghiên cứu, đề tài tập trung vào:

  • Cơ sở lý thuyết và thuật toán học sâu dự đoán chuỗi thời gian: Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM) và Gated Recurrent Unit (GRU).
  • Ngôn ngữ lập trình Python kết hợp nền tảng FastAPI.
  • Kiến trúc truyền tải trạng thái đại diện REST (Representational State Transfer).
  • Các yêu cầu kỹ thuật và công nghệ xây dựng giao diện ứng dụng web thời gian thực.

Về phạm vi nghiên cứu:

  • Không gian dữ liệu: Khảo sát trên 5 loại tiền điện tử phổ biến gồm Bitcoin (BTC), Ethereum (ETH), Litecoin (LTC), Cardano (ADA) và Binance Coin (BNB).
  • Khung thời gian dự đoán: Thực hiện dự báo xu hướng giá đóng cửa trên 4 phiên giao dịch khác nhau gồm 1 giờ, 10 giờ, 1 ngày và 10 ngày.
  • Nguồn dữ liệu: Dữ liệu giao dịch được thu thập trực tiếp từ sàn Binance thông qua giao diện lập trình ứng dụng (API).
  • Công nghệ thực thi: Python, ReactJS, FastAPI, TensorFlow, Keras, MongoDB và Docker.

Cơ sở lý thuyết và phương pháp

Khóa luận kế thừa cơ sở lý thuyết từ các mô hình mạng nơ-ron nhân tạo (ANN) và mở rộng sang các mạng nơ-ron hồi quy chuyên biệt cho dữ liệu chuỗi thời gian:

  • Mạng nơ-ron hồi quy (RNN): Cấu trúc cho phép giữ lại trạng thái ẩn $s_t = f(Ux_t + Ws_{t-1})$ đóng vai trò bộ nhớ tại mỗi bước thời gian $t$. Tuy nhiên, RNN truyền thống gặp hiện tượng triệt tiêu đạo hàm (vanishing gradient) khi chiều dài chuỗi tăng lên.
  • Mạng Long Short-Term Memory (LSTM): Cấu trúc giải quyết vấn đề phụ thuộc xa (long-term dependency) thông qua trạng thái tế bào (cell state $C_t$) được điều phối bởi 3 cổng: cổng quên ($f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$), cổng vào kết hợp cập nhật ($i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$, $\tilde{C}t = \tanh(W_c \cdot [h{t-1}, x_t] + b_c)$), và cổng ra ($o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$ với $h_t = o_t * \tanh(C_t)$).
  • Mạng Gated Recurrent Unit (GRU): Biến thể tinh gọn của LSTM không sử dụng trạng thái tế bào riêng biệt mà điều hòa luồng thông tin qua 2 cổng: cổng cập nhật ($z_t = \sigma(W_z x_t + U_z h_{t-1})$) xác định thông tin quá khứ cần chuyển tới tương lai, và cổng đặt lại ($r_t = \sigma(W_r x_t + U_r h_{t-1})$) quyết định mức độ lãng quên dữ liệu cũ. Nội dung nhớ tạm thời được tính bằng $\tilde{h}t = \tanh(W x_t + r_t \odot U h{t-1})$ và bộ nhớ cuối cùng là $h_t = z_t \odot h_{t-1} + (1 - z_t) \odot \tilde{h}_t$.

Phương pháp nghiên cứu thực nghiệm được xây dựng dựa trên sự kế thừa các công trình tiền đề:

  • Chuẩn hóa dữ liệu đầu vào bằng kỹ thuật thang đo Min-Max Scaling (theo Sidra Mehtab và Dư Gia Huy) nhằm chuyển đổi các giá trị số về miền phù hợp cho mạng nơ-ron.
  • Đánh giá sai số dự đoán bằng độ đo phần trăm sai số tuyệt đối trung bình (MAPE – Mean Absolute Percentage Error) kết hợp sai số căn bậc hai trung bình (RMSE – Root Mean Square Error).
  • Chiến lược thực nghiệm tối ưu hóa: Do giới hạn về thời gian huấn luyện, tác giả tiến hành khảo sát và tinh chỉnh siêu tham số trên mô hình GRU một lớp ẩn đối với dữ liệu đồng Bitcoin (BTC) qua 4 khung phiên (1 giờ, 10 giờ, 1 ngày, 10 ngày). Các tham số khảo sát gồm kích thước cửa sổ đầu vào (input window), số lượng nơ-ron, hệ số dropout và hàm kích hoạt. Từ kết quả này, 4 cấu trúc mô hình đạt độ chính xác cao nhất được chọn lọc để áp dụng huấn luyện cho 4 đồng tiền còn lại (ETH, LTC, ADA, BNB).

Nguồn dữ liệu sử dụng:

  • Dữ liệu giá giao dịch lịch sử và luồng dữ liệu thời gian thực được thu nhận từ sàn giao dịch Binance thông qua Binance REST API và Binance WebSocket Market Stream.
  • Dữ liệu tin tức tài chính được tích hợp qua CryptoCompare News API.

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo nguyên lý mô-đun hóa, chia tách thành 3 thành phần độc lập tương tác qua mạng:

  1. Mô-đun thu thập dữ liệu: Thực hiện trích xuất dữ liệu định kỳ từ sàn Binance qua API, làm sạch, chuyển đổi định dạng và ghi vào cơ sở dữ liệu để phục vụ việc hiển thị biểu đồ và huấn luyện mô hình.
  2. Mô-đun API Server: Xây dựng bằng ngôn ngữ Python với framework FastAPI, tổ chức theo kiến trúc RESTful. Mô-đun này phụ trách việc nạp các mô hình học sâu đã huấn luyện, thực hiện tính toán suy luận giá dự đoán, xử lý dữ liệu kiểm định, tính toán chỉ báo kỹ thuật và cung cấp các endpoint dữ liệu cho giao diện người dùng. Hệ thống tích hợp cơ chế caching dữ liệu giá để tối ưu hóa thời gian phản hồi.
  3. Mô-đun ứng dụng Web: Phát triển trên nền tảng ReactJS sử dụng cú pháp JSX, thư viện react-stockchart để trực quan hóa dữ liệu biểu đồ nến kỹ thuật, và giao thức WebSocket kết nối trực tiếp đến Binance để cập nhật biến động giá theo thời gian thực mà không cần tải lại toàn bộ DOM.

Hệ thống phục vụ 1 tác nhân duy nhất là Người sử dụng, hỗ trợ 12 trường hợp sử dụng (Use-case) như sau:

STT Tên Use-case Mô tả chức năng
1 Đăng ký Đăng ký tài khoản người dùng trên website, kiểm tra tính hợp lệ và mã hóa mật khẩu.
2 Đăng nhập Xác thực danh tính người dùng và phát hành mã JSON Web Token (JWT) lưu tại local storage.
3 Xem thông tin giá tiền điện tử Xem chi tiết lịch sử giá dưới dạng biểu đồ nến và các chỉ số giao dịch.
4 Lựa chọn hiển thị các chỉ báo Tích hợp và tùy biến các đường chỉ báo kỹ thuật lên biểu đồ giá.
5 Xem kết quả dự đoán giá hiện tại Hiển thị giá đóng cửa dự báo cho phiên tiếp theo dựa trên mô hình mặc định.
6 Hiển thị giá theo thời gian thực Cập nhật giá hiện tại và tỷ lệ tăng giảm 24 giờ qua luồng Binance WebSocket.
7 Xem tin tức tiền điện tử liên quan Liệt kê các bản tin tài chính liên quan trích xuất từ CryptoCompare API.
8 Dự đoán giá tiền điện tử Thực hiện dự báo giá tương lai dựa trên mô hình học sâu được lựa chọn.
9 Lựa chọn số phiên giao dịch Cấu hình khoảng thời gian và số phiên tiếp theo cần dự đoán.
10 So sánh độ chính xác mô hình Trực quan hóa giá trị MAPE và thông số đánh giá giữa các kiến trúc mô hình khác nhau.
11 So sánh kết quả dự đoán Đặt song song kết quả dự báo của nhiều mô hình trên cùng biểu đồ để đối chiếu.
12 Lựa chọn mô hình dự đoán mặc định Thiết lập mô hình dự đoán ưu tiên cho từng loại tiền và khung thời gian trên trang chủ.

Hệ thống cơ sở dữ liệu được xây dựng trên hệ quản trị NoSQL MongoDB, bao gồm 8 bộ sưu tập (collection) tài liệu JSON:

Tên Collection Các trường dữ liệu chính Chức năng lưu trữ
Crypto _id, name, symbol, altSymbol, logo, website Thông tin định danh và thuộc tính các loại tiền điện tử.
Price _id, openTime, open, high, low, close, volume, closeTime, symbol Dữ liệu lịch sử giá giao dịch theo từng giờ.
PriceByDate _id, openTime, open, high, low, close, volume, closeTime, symbol Dữ liệu lịch sử giá giao dịch theo từng ngày.
Model _id, name, fileName, symbol, interval, avgTime, avgMAPE, lastMAPE, mapeArr, modelType Thông tin các mô hình học sâu đã huấn luyện và kết quả kiểm định MAPE.
ModelType _id, name, path, dropOut, inputWindows, outputWindows, epochs, activateFunction, optimizer Cấu hình siêu tham số kiến trúc của từng loại mô hình.
DefaultModel _id, 1h, 1d, crypto, username Cấu hình mô hình mặc định được chỉ định theo người dùng và khung thời gian.
User _id, username, hashedPassword, email, disabled Dữ liệu tài khoản, phân quyền và mật khẩu mã hóa.
CronLog _id, event, executedTime Nhật ký ghi nhận các tiến trình thu thập và cập nhật dữ liệu tự động.

Hệ thống được đóng gói hoàn chỉnh bằng các Docker container, cho phép triển khai độc lập, tái sử dụng các dịch vụ và giảm thiểu xung đột môi trường vận hành.

Nội dung chính theo từng chương

Chương 1. Giới thiệu tổng quan về đề tài

Chương mở đầu phân tích bối cảnh phát triển của tiền điện tử trong hệ thống tài chính toàn cầu, chỉ rõ tính chất biến động phức tạp và các rủi ro thị trường. Tác giả đặt vấn đề về sự cần thiết của một công cụ hỗ trợ nhà đầu tư đưa ra quyết định dựa trên các thuật toán học máy, đối chiếu với Giả thuyết thị trường hiệu quả (EMH). Chương này công bố mục tiêu chung và 3 nhiệm vụ kỹ thuật cụ thể; xác định phạm vi nghiên cứu giới hạn trên 5 đồng tiền (BTC, ETH, LTC, ADA, BNB) và 4 khung thời gian (1 giờ, 10 giờ, 1 ngày, 10 ngày). Nội dung chương cũng tổng thuật 4 công trình liên quan trực tiếp gồm: nghiên cứu so sánh ARIMA và ANN của Adebiyi và cộng sự (2014); mô hình LSTM trên chỉ số NIFTY 50 của Sidra Mehtab và cộng sự (2020); nghiên cứu ứng dụng GRU cho Bitcoin của Aniruddha Dutta và cộng sự (2020); và khóa luận dự đoán xu hướng giá Bitcoin bằng mạng LSTM 3 lớp ẩn của Dư Gia Huy (2020).

Chương 2. Cơ sở lý thuyết

Chương này thiết lập nền tảng toán học và kỹ thuật cho toàn bộ đề tài. Phần đầu trình bày lý thuyết về mạng nơ-ron nhân tạo (ANN), dẫn xuất từ mô hình hồi quy Logistic với hàm kích hoạt Sigmoid đến mô hình tổng quát đa lớp có kết nối đầy đủ. Tác giả phân tích sâu cơ chế hoạt động của mạng nơ-ron hồi quy RNN và các biểu thức toán học liên quan đến trạng thái ẩn. Tiếp đó, cấu trúc của hai kiến trúc học sâu chủ đạo được chi tiết hóa: mạng LSTM với 4 tầng tương tác bên trong tế bào (tầng cổng quên, tầng cập nhật/cổng vào, cập nhật trạng thái tế bào, tầng cổng ra) và mạng GRU với cơ chế cổng cập nhật, cổng đặt lại và cách thức tính toán nội dung bộ nhớ. Phần sau của chương giới thiệu tổng quan các công nghệ được lựa chọn trong dự án gồm: ngôn ngữ Python, thư viện giao diện ReactJS với cơ chế Virtual DOM và JSX, cùng hệ quản trị cơ sở dữ liệu hướng tài liệu MongoDB.

Chương 3. Phân tích và thiết kế hệ thống

Chương 3 chuyển hóa các yêu cầu bài toán thành thiết kế kỹ thuật phần mềm chi tiết. Tác giả xác định các mục tiêu vận hành của hệ thống gồm: tiếp nhận dữ liệu liên tục, tốc độ truy xuất nhanh, tích hợp chỉ báo kỹ thuật, dễ dàng so sánh và thay đổi mô hình dự đoán. Hệ thống được mô hình hóa qua sơ đồ Use-case tổng quát với 1 tác nhân (Người sử dụng) và 12 ca sử dụng. Chi tiết vận hành của từng ca sử dụng được đặc tả bằng biểu đồ hoạt động (Activity Diagram), thể hiện tương tác giữa Người dùng, Ứng dụng Web, API Server và các dịch vụ ngoài (Binance API, Binance WebSocket, CryptoCompare API). Phần thiết kế hệ thống trình bày kiến trúc 3 mô-đun hóa, thiết kế cơ sở dữ liệu NoSQL trên MongoDB với chi tiết cấu trúc thuộc tính của 8 bảng/collection, và cơ chế quản lý mô hình dự đoán theo phiên giao dịch.

Chương 4. Thu thập dữ liệu và các mô hình dự đoán

Nội dung chương này tập trung vào quy trình xử lý dữ liệu và thực nghiệm học máy. Tác giả trình bày phương thức kết nối API của sàn Binance, cấu trúc dữ liệu đầu vào và quy trình tiền xử lý bằng kỹ thuật chuẩn hóa Min-Max Scaling. Để đánh giá độ chính xác của mô hình, độ đo MAPE được sử dụng làm tiêu chuẩn định lượng cốt lõi. Quá trình huấn luyện khảo sát sự ảnh hưởng của các tham số trên mô hình GRU một lớp ẩn với dữ liệu đồng BTC cho các phiên dự đoán khác nhau:

  • Khảo sát số lượng đầu vào (input window).
  • Khảo sát số lượng nơ-ron trên lớp ẩn.
  • Khảo sát tỷ lệ dropout nhằm tránh hiện tượng quá khớp (overfitting).
  • Khảo sát các hàm kích hoạt (ReLU, tanh, Sigmoid).

Sau khi xác định được các tham số tối ưu, tác giả thiết lập danh mục 18 mô hình đề xuất (kết hợp các biến thể LSTM và GRU từ 1 đến 3 lớp ẩn có/không có dropout) để đánh giá độ chính xác trên dữ liệu BTC tại 4 khung phiên: 1 giờ, 10 giờ, 1 ngày và 10 ngày. Từ 18 cấu hình này, 4 mô hình có sai số thấp nhất được chọn lọc để áp dụng huấn luyện cho các đồng tiền còn lại trong phạm vi nghiên cứu.

Chương 5. Xây dựng và triển khai hệ thống

Chương 5 mô tả chi tiết quá trình hiện thực hóa giải pháp phần mềm:

  • Cài đặt mô-đun thu thập dữ liệu chạy ngầm để ghi nhận dữ liệu giá theo thời gian.
  • Xây dựng mô-đun API Server bằng FastAPI, công bố danh mục các API endpoint, tham số truy vấn (query parameters), tham số đường dẫn (path parameters) và cấu trúc thân yêu cầu (request body).
  • Phát triển ứng dụng Web ReactJS, hiện thực hóa các màn hình chức năng: Trang Đăng nhập (Login), Đăng ký (Register), Trang chủ (Home) hiển thị biểu đồ nến và chỉ báo kỹ thuật, Trang Tin tức (News), và Trang Dự đoán (Predict) hỗ trợ so sánh mô hình.
  • Đóng gói và triển khai hệ thống: Ứng dụng kiến trúc RESTful, đóng gói các mô-đun vào từng Docker container độc lập và thiết lập kiến trúc hạ tầng kết nối các dịch vụ.

Chương 6. Khó khăn, hạn chế và hướng phát triển

Chương tổng kết ghi nhận những thách thức kỹ thuật gặp phải trong quá trình thực hiện khóa luận, bao gồm hạn chế về tài nguyên tính toán khi huấn luyện nhiều mô hình học sâu và độ trễ trong xử lý luồng dữ liệu thời gian thực. Tác giả vạch ra các hướng hoàn thiện hệ thống trong tương lai về cả phương diện thuật toán lẫn kiến trúc phần mềm.

Kết quả và đóng góp

Về mặt thực nghiệm học máy:

  • Khóa luận đã xây dựng quy trình kiểm định có hệ thống với 18 cấu hình mô hình học sâu kết hợp giữa LSTM và GRU (từ 1 đến 3 lớp ẩn, tích hợp kỹ thuật dropout).
  • Đã thực hiện khảo sát định lượng mức độ ảnh hưởng của các siêu tham số (kích thước cửa sổ dữ liệu quá khứ, số lượng nơ-ron, hệ số dropout và hàm kích hoạt) đối với độ chính xác dự báo giá Bitcoin trên 4 khung phiên giao dịch (1 giờ, 10 giờ, 1 ngày, 10 ngày).
  • Tuyển chọn thành công 4 cấu trúc mô hình tối ưu nhất cho từng khung thời gian dựa trên độ đo MAPE và áp dụng huấn luyện mở rộng cho 4 đồng tiền điện tử ETH, LTC, ADA và BNB.

Về mặt giải pháp kỹ thuật và hệ thống:

  • Thiết kế và triển khai hoàn chỉnh một hệ thống ứng dụng web tích hợp trí tuệ nhân tạo có tính ứng dụng thực tế, kết hợp luồng thu thập dữ liệu tự động, lưu trữ NoSQL và giao diện người dùng tương tác cao.
  • Triển khai cơ chế biểu đồ tài chính tương tác (react-stockchart), cho phép người dùng tùy chọn hiển thị các chỉ báo kỹ thuật và theo dõi giá biến động trực tiếp thông qua Binance WebSocket Market Stream.
  • Cung cấp tính năng so sánh đa chiều giữa các mô hình học sâu, cho phép trực quan hóa sai số kiểm định và đặt song song kết quả dự báo của nhiều mô hình trên cùng một giao diện để hỗ trợ nhà đầu tư ra quyết định.

Đóng góp so với các nghiên cứu trước:

  • So với các nghiên cứu tiền đề vốn chỉ tập trung dự báo đơn lẻ theo ngày (như nghiên cứu của Sidra Mehtab hay Dư Gia Huy), khóa luận đã mở rộng bài toán ra 4 khung thời gian khác nhau (1 giờ, 10 giờ, 1 ngày, 10 ngày) trên 5 loại tài sản số khác nhau.
  • Đã thực hiện đối chiếu song song giữa hai kiến trúc mạng nơ-ron hồi quy tiên tiến là LSTM và GRU trong cùng một điều kiện chuẩn hóa dữ liệu.
  • Hiện thực hóa toàn diện từ mô hình nghiên cứu lý thuyết thành một sản phẩm phần mềm hoàn chỉnh chạy trên nền tảng Docker container, thay vì chỉ dừng lại ở các kịch bản thực nghiệm độc lập.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của khóa luận:

  • Do giới hạn về thời gian và năng lực tính toán phần cứng, tác giả chỉ tiến hành tối ưu hóa chi tiết các siêu tham số trên mô hình GRU một lớp ẩn đối với dữ liệu đồng Bitcoin, sau đó áp dụng bộ tham số này cho các mô hình và các đồng tiền còn lại mà chưa thể thực hiện tinh chỉnh độc lập cho từng đồng tiền riêng biệt.
  • Dữ liệu đầu vào của hệ thống chỉ thuần túy dựa trên chuỗi thời gian của các chỉ số giá quá khứ (Open, High, Low, Close, Volume), chưa kết hợp các yếu tố ngoại sinh có tác động lớn đến thị trường như tâm lý mạng xã hội, tin tức vĩ mô hay dữ liệu on-chain của mạng Blockchain.

Hướng phát triển đề xuất:

  • Tiếp tục nghiên cứu và thử nghiệm các kiến trúc học sâu tiên tiến hơn chuyên biệt cho chuỗi thời gian dài.
  • Tự động hóa quá trình tối ưu hóa siêu tham số độc lập cho từng loại tiền điện tử và từng khung thời gian cụ thể.
  • Xây dựng mô-đun phân tích cảm xúc (Sentiment Analysis) từ dữ liệu tin tức và mạng xã hội để tích hợp thêm các trọng số định tính vào mô hình dự đoán giá.

Giá trị tham khảo

Tài liệu khóa luận có giá trị thực tiễn và học thuật cho các nhóm đối tượng sau:

  • Sinh viên và học viên ngành Hệ thống Thông tin, Khoa học Máy tính, Kỹ thuật Phần mềm: Tài liệu cung cấp bản đặc tả hoàn chỉnh về quy trình xây dựng một hệ thống thông tin tích hợp mô hình học máy, từ khâu mô hình hóa yêu cầu (Use-case, Activity Diagram), thiết kế cơ sở dữ liệu NoSQL, xây dựng RESTful API đến giao diện người dùng.
  • Người nghiên cứu ứng dụng AI trong tài chính (FinTech): Cung cấp tài liệu tham khảo chi tiết về phương pháp tiền xử lý chuỗi thời gian, cách thức thiết lập các tầng nơ-ron hồi quy LSTM/GRU với thư viện TensorFlow/Keras và phương pháp đo lường sai số bằng MAPE.
  • Kỹ sư phát triển phần mềm ứng dụng: Cung cấp giải pháp kỹ thuật cụ thể trong việc kết nối các luồng dữ liệu thời gian thực qua giao thức WebSocket và phương pháp đóng gói hệ thống đa dịch vụ bằng Docker container.

Câu hỏi thường gặp

1. Khóa luận thực hiện dự đoán trên những loại tiền điện tử và khung thời gian cụ thể nào?
Hệ thống thực hiện dự đoán xu hướng giá đóng cửa cho 5 loại tiền điện tử phổ biến trên thị trường gồm Bitcoin (BTC), Ethereum (ETH), Litecoin (LTC), Cardano (ADA) và Binance Coin (BNB), trên 4 khung phiên giao dịch: 1 giờ, 10 giờ, 1 ngày và 10 ngày.

2. Tại sao tác giả lại tập trung nghiên cứu hai kiến trúc mạng LSTM và GRU thay vì mạng RNN truyền thống?
Mạng RNN tiêu chuẩn bị giới hạn nghiêm trọng bởi hiện tượng triệt tiêu đạo hàm (vanishing gradient), khiến mô hình không thể ghi nhớ thông tin khi chuỗi thời gian dài. LSTM khắc phục điều này nhờ cấu trúc trạng thái tế bào và các cổng kiểm soát thông tin, trong khi GRU là biến thể tinh giản với 2 cổng (update và reset), giúp duy trì hiệu quả lưu trữ phụ thuộc xa nhưng có tốc độ huấn luyện nhanh hơn.

3. Cơ sở dữ liệu của hệ thống được tổ chức như thế nào?
Hệ thống sử dụng cơ sở dữ liệu hướng tài liệu MongoDB (NoSQL) gồm 8 bộ sưu tập: Crypto (thông tin đồng tiền), Price (lịch sử giá theo giờ), PriceByDate (lịch sử giá theo ngày), Model (thông tin mô hình và sai số), ModelType (siêu tham số mô hình), DefaultModel (thiết lập mô hình mặc định của người dùng), User (thông tin tài khoản) và CronLog (nhật ký cập nhật dữ liệu).

4. Ứng dụng web cập nhật dữ liệu giá thời gian thực bằng cơ chế nào?
Ứng dụng web được xây dựng bằng ReactJS, kết nối trực tiếp đến luồng dữ liệu Binance WebSocket Market Stream. Cơ chế này cho phép tiếp nhận các gói tin biến động giá liên tục từ sàn giao dịch và cập nhật lên biểu đồ mà không cần thực hiện cơ chế thăm dò (polling) hay tải lại trang web.

5. Chiến lược lựa chọn mô hình dự đoán tối ưu trong khóa luận được thực hiện ra sao?
Tác giả thực hiện khảo sát các siêu tham số (cửa sổ đầu vào, số nơ-ron, dropout, hàm kích hoạt) trên mô hình GRU một lớp ẩn với dữ liệu đồng Bitcoin. Sau đó, thiết lập bảng đánh giá 18 cấu hình mô hình (kết hợp các tầng LSTM/GRU) để đo lường sai số MAPE trên 4 khung thời gian của BTC, từ đó chọn ra 4 mô hình có độ chính xác cao nhất để huấn luyện cho 4 đồng tiền còn lại.

Kết luận

Khóa luận tốt nghiệp của tác giả Đỗ Hữu Lượng đã giải quyết trọn vẹn bài toán ứng dụng học sâu vào dự báo giá tiền điện tử thông qua việc nghiên cứu, so sánh thực nghiệm hai kiến trúc mạng LSTM và GRU trên 5 loại tài sản số phổ biến. Tác giả đã chuyển hóa thành công các mô hình lý thuyết thành một hệ thống phần mềm hoàn chỉnh, đáp ứng từ khâu thu thập dữ liệu tự động từ sàn Binance đến giao diện web tương tác thời gian thực hỗ trợ đa dạng chỉ báo kỹ thuật. Công trình là tài liệu tham khảo có giá trị cao về mặt kỹ thuật triển khai cho sinh viên và kỹ sư quan tâm đến lĩnh vực FinTech và phân tích dữ liệu chuỗi thời gian.