Bối cảnh và vấn đề nghiên cứu

Thị trường chứng khoán Việt Nam chính thức hình thành từ khi Ủy ban Chứng khoán Nhà nước được thành lập vào ngày 28/11/1996 theo Nghị định số 75/1996/NĐ-CP của Chính phủ. Tính từ thời điểm thành lập đến tháng 6/2020, quy mô huy động vốn thông qua thị trường chứng khoán đạt trên 2,4 triệu tỷ đồng để phục vụ sản xuất kinh doanh; riêng giai đoạn từ năm 2011 đến năm 2020 đạt khoảng 1,7 triệu tỷ đồng, đóng góp bình quân 20% tổng vốn đầu tư toàn xã hội. Về quy mô người tham gia, số lượng tài khoản giao dịch đã tăng trưởng từ 3.000 tài khoản vào năm 2000 lên hơn 2,5 triệu tài khoản vào tháng 6/2020 (trong đó có 33.395 tài khoản của nhà đầu tư nước ngoài, nắm giữ giá trị danh mục chiếm khoảng 20% vốn hóa thị trường cổ phiếu).

Bước sang năm 2021, thị trường chứng khoán ghi nhận sự bùng nổ của lực lượng nhà đầu tư cá nhân. Dữ liệu từ Bloomberg được tác giả trích dẫn cho thấy các nhà đầu tư cá nhân chiếm tới khoảng 90% giá trị giao dịch trên thị trường chứng khoán Việt Nam, góp phần thúc đẩy chỉ số VN-Index tăng 20% trong giai đoạn từ đầu năm đến tháng 5/2021. Mặc dù chiếm tỷ trọng áp đảo về dòng tiền giao dịch, phần lớn nhà đầu tư cá nhân gặp rào cản lớn về kiến thức chuyên môn và thiếu hụt các công cụ phân tích kỹ thuật chuyên sâu. Việc tự thực hiện các thuật toán phân tích chuỗi thời gian lịch sử phức tạp theo lý thuyết Dow đòi hỏi nhiều thời gian và kỹ năng tính toán, dẫn đến việc phần lớn nhà đầu tư chỉ đánh giá thị trường một cách thủ công và sơ sài.

Trước thực trạng đó, khóa luận xác định các mục tiêu và nhiệm vụ nghiên cứu cụ thể:

  1. Nghiên cứu cơ sở lý thuyết về thị trường chứng khoán, lý thuyết phân tích kỹ thuật và khảo sát các thuật toán học máy phổ biến trong dự báo tài chính (SVM, GA, KNN, RNN).
  2. Xây dựng mô hình học sâu ứng dụng mạng nơ-ron hồi quy bộ nhớ dài-ngắn (Long Short-Term Memory - LSTM) nhằm dự đoán biến động giá cổ phiếu trong tương lai gần dựa trên chuỗi dữ liệu giá lịch sử.
  3. Phân tích, thiết kế và hiện thực hóa hệ thống phần mềm hỗ trợ ra quyết định đầu tư hoàn chỉnh theo kiến trúc vi dịch vụ (Microservices), cung cấp giao diện trực quan hóa dữ liệu và quản lý danh mục cho nhà đầu tư cá nhân.

Về đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Công cụ và thuật toán dự báo biến động giá cổ phiếu dựa trên dữ liệu chuỗi thời gian giá lịch sử (giá mở cửa, giá đóng cửa, giá tham chiếu).
  • Phạm vi không gian và dữ liệu: Tập trung vào các cổ phiếu niêm yết trên hai sàn giao dịch chứng khoán chính tại Việt Nam gồm Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE, thành lập năm 1998, biên độ dao động giá sàn/trần là ±7%) và Sở Giao dịch Chứng khoán Hà Nội (HNX, khai trương ngày 08/03/2005, biên độ dao động giá sàn/trần là ±10%).
  • Phạm vi thời gian thực nghiệm dữ liệu: Dữ liệu chuỗi giá lịch sử nhiều năm (điển hình mã AAA từ năm 2010 đến 2021) và tập dữ liệu chi tiết các phiên giao dịch năm 2021 của các mã cổ phiếu niêm yết (AAA, FPT, VNM, PNJ).

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng nghiên cứu dựa trên sự kết hợp giữa lý thuyết tài chính - thị trường chứng khoán và các mô hình học máy, học sâu xử lý chuỗi thời gian cùng kiến trúc phần mềm phân tán.

Khung lý thuyết và mô hình tính toán

  • Lý thuyết phân tích kỹ thuật và thị trường: Ứng dụng nguyên lý của lý thuyết Dow, giả định rằng mọi thông tin thị trường đều phản ánh vào giá và biến động giá lịch sử có tính chu kỳ, lặp lại theo các hình mẫu nhất định. Cấu trúc thị trường gồm 5 thành phần: Bên bán (các công ty niêm yết), Bên mua (nhà đầu tư), Nơi trưng bày cổ phiếu (Sở GDCK HOSE và HNX), Quản lý (Ủy ban Chứng khoán Nhà nước thuộc Bộ Tài chính) và Dịch vụ trung gian (các công ty chứng khoán).
  • Khảo sát các thuật toán dự báo tài chính: Khóa luận khảo sát 4 thuật toán gồm Máy vector hỗ trợ (Support Vector Machine - SVM), Giải thuật di truyền (Genetic Programming/Algorithms - GP/GA), K-lân cận (K-Nearest Neighbors - KNN đo khoảng cách bằng Euclidean, Manhattan, Minkowski) và Mạng nơ-ron hồi quy (Recurrent Neural Network - RNN với các biến thể RNN 2 chiều và RNN 2 chiều sâu).
  • Mô hình học sâu cốt lõi (LSTM): Mạng bộ nhớ dài-ngắn do Hochreiter & Schmidhuber (1997) đề xuất được lựa chọn làm mô hình trọng tâm nhằm khắc phục hiện tượng triệt tiêu đạo hàm (vanishing gradient) và giải quyết bài toán phụ thuộc xa (long-term dependency). Cơ chế hoạt động của tế bào LSTM (cell state $C_t$) được điều phối qua 3 cổng chính:
    • Cổng quên (Forget Gate): $f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$ xác định tỷ lệ thông tin cần loại bỏ khỏi trạng thái tế bào cũ $C_{t-1}$.
    • Cổng vào (Input Gate): $i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$ kết hợp với tầng tạo ứng viên $\tilde{C}t = \tanh(W_c \cdot [h{t-1}, x_t] + b_c)$ để cập nhật trạng thái tế bào mới: $C_t = f_t * C_{t-1} + i_t * \tilde{C}_t$.
    • Cổng ra (Output Gate): $o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$ và tính toán trạng thái ẩn đầu ra: $h_t = o_t * \tanh(C_t)$.
Thuật toán / Khái niệm Đặc điểm kỹ thuật trong khóa luận Vai trò trong hệ thống
LSTM (Long Short Term Memory) Cấu trúc tế bào 4 tầng tương tác, kiểm soát thông tin qua cổng quên, cổng vào và cổng ra Mô hình dự báo giá cổ phiếu theo chuỗi thời gian
MinMaxScaler (Normalization) Chuẩn hóa dữ liệu về đoạn $[0, 1]$ theo công thức $y = \frac{x - \min(x)}{\max(x) - \min(x)}$ Tiền xử lý dữ liệu đầu vào cho mạng nơ-ron
Sliding Window (30 bước) Sử dụng 30 giá trị phiên trước ($X_{train}$) để dự đoán 1 giá trị phiên tiếp theo ($y_{train}$) Cấu trúc tập dữ liệu huấn luyện và kiểm thử
Java Vert.x Framework bất đồng bộ chạy trên JVM, hỗ trợ lập trình phản ứng và mô hình Verticle Xây dựng Service Gateway và điều phối Event Bus
Google Firebase Nền tảng BaaS cung cấp Authentication, Cloud Firestore, Realtime Database, Cloud Storage Quản lý người dùng, lưu trữ cấu hình và dữ liệu ứng dụng

Phương pháp nghiên cứu và tiền xử lý dữ liệu

  1. Phương pháp thu thập dữ liệu: Tự động quét (crawling/scraping) dữ liệu giao dịch lịch sử từ các website tài chính trực tuyến (web finance), trích xuất các trường thông tin: Ngày giao dịch (Date), Giá mở cửa (Open), Giá đóng cửa (Close), Khối lượng giao dịch.
  2. Phương pháp tiền xử lý: Sử dụng thư viện Pandas và NumPy để trích xuất cột dữ liệu giá, loại bỏ nhiễu và áp dụng kỹ thuật Min-Max Scaling thông qua sklearn.preprocessing.MinMaxScaler(feature_range=(0, 1)) nhằm đảm bảo độ hội tụ tối ưu khi truyền qua các hàm kích hoạt Sigmoid và Tanh của mạng LSTM.
  3. Phương pháp tạo tập mẫu huấn luyện: Dữ liệu sau chuẩn hóa được tái cấu trúc thành mảng trượt với độ dài cửa sổ thời gian (time steps) $N = 30$, định hình lại thành tensor 3 chiều phù hợp với đầu vào của lớp LSTM trong Python.

Thiết kế và triển khai hệ thống

Khóa luận triển khai hệ thống theo mô hình kiến trúc Microservices phân tán nhằm đảm bảo tính độc lập về mặt xử lý, lưu trữ và khả năng mở rộng linh hoạt giữa các thành phần.

[ Giao diện Web / Client ]

Kiến trúc các thành phần phần mềm

  • Service Gateway & Controller (Java Vert.x): Đóng vai trò là đầu mối tiếp nhận toàn bộ các yêu cầu từ phía máy khách (Client), thực hiện xác thực, phân tuyến và điều phối thông điệp bất đồng bộ đến các dịch vụ bên dưới thông qua cơ chế Vert.x Event Bus. Các thành phần được đóng gói dưới dạng các Verticle chạy độc lập trên máy ảo Java (JVM).
  • Data Service: Đảm nhiệm chức năng định kỳ quét dữ liệu thô từ các nguồn dữ liệu tài chính trực tuyến, xử lý cấu trúc dữ liệu theo từng mã chứng khoán (maCK) và cung cấp API truy xuất dữ liệu lịch sử cho Controller.
  • Prediction Service (Python Engine): Tích hợp mã nguồn Python cùng các thư viện học máy để tải tập dữ liệu huấn luyện (Train/<maCK>_predictData.txt), thực hiện tính toán mạng LSTM và trả kết quả dự báo giá về cho Controller.
  • Tầng dữ liệu và quản trị người dùng (Firebase BaaS): Tích hợp Firebase Authentication để hỗ trợ cơ chế đăng ký, đăng nhập và bảo mật phân quyền; sử dụng Cloud Firestore và Realtime Database để lưu trữ danh mục theo dõi yêu thích của từng tài khoản người dùng.

Các phân hệ chức năng chính trên giao diện

  1. Phân hệ tra cứu và xem giá lịch sử: Cho phép người dùng tìm kiếm mã cổ phiếu theo bảng chữ cái và hiển thị biểu đồ biến động giá tương tác theo từng mốc thời gian.
  2. Phân hệ phân tích và dự báo giá: Trực quan hóa đường giá lịch sử kết hợp với đường giá dự báo của thuật toán LSTM trong các phiên tiếp theo trên cùng một đồ thị trực quan (đã thực nghiệm trên các mã FPT, VNM, PNJ, AAA).
  3. Phân hệ quản lý danh mục yêu thích: Hỗ trợ người dùng lưu các mã cổ phiếu quan tâm vào bảng quản lý cá nhân.
  4. Bảng điều khiển thống kê (Dashboard): Cung cấp các biểu đồ tổng hợp gồm thống kê số lượng mã đang theo dõi, thống kê mức độ tăng trưởng, tỷ lệ giá trị danh mục và thống kê các biến động giá trong phiên giao dịch gần nhất.

Nội dung chính theo từng chương

Chương 1. Mở đầu và tổng quan chứng khoán

Chương này giới thiệu tổng quan về sự phát triển của thị trường chứng khoán Việt Nam từ năm 1996 đến năm 2021, làm rõ sự chuyển biến về cơ cấu nhà đầu tư khi lực lượng cá nhân chiếm 90% khối lượng giao dịch. Tác giả trình bày hệ thống khái niệm chứng khoán (cổ phiếu, trái phiếu, chứng chỉ quỹ, chứng quyền, chứng khoán phái sinh) và cấu trúc 5 thành phần tham gia thị trường. Đồng thời, chương 1 xây dựng bảng thuật ngữ chuẩn hóa (giá tham chiếu, giá trần, giá sàn, lệnh giới hạn LO, lệnh thị trường MP, dư mua/dư bán) và khảo sát 4 thuật toán dự báo tài chính (SVM, GP, KNN, RNN). Phần cuối chương mô tả quy trình thu thập dữ liệu chuỗi giá đóng cửa lịch sử của mã chứng khoán AAA giai đoạn 2010–2021 làm tập mẫu ban đầu.

Chương 2. Cơ sở lý thuyết

Chương 2 trình bày chi tiết nền tảng toán học và kỹ thuật của các công nghệ áp dụng trong hệ thống. Tác giả phân tích mô hình mạng nơ-ron hồi quy (RNN) chuẩn, cơ chế lan truyền ngược qua thời gian, cùng các biến thể mở rộng gồm RNN 2 chiều (Bidirectional RNN) và RNN 2 chiều sâu (Deep RNN). Tiếp theo, cấu trúc bên trong của mạng LSTM được giải thích chi tiết thông qua công thức toán học của 3 cổng điều khiển và trạng thái tế bào. Về hạ tầng phần mềm, chương giới thiệu các đặc tính của framework Java Vert.x, ngôn ngữ lập trình Python, nền tảng dịch vụ đám mây Google Firebase (Firestore, Authentication, Cloud Storage, FCM) và phân tích ưu - nhược điểm của kiến trúc Microservices phân tán so với kiến trúc nguyên khối (Monolithic).

Chương 3. Hệ thống dự báo giá chứng khoán

Chương này đi sâu vào việc ứng dụng thuật toán LSTM trong bài toán thực tế của khóa luận. Tác giả mô tả chi tiết pipeline xử lý dữ liệu bằng mã nguồn Python: tải tệp dữ liệu CSV/TXT, trích xuất cột giá mở cửa (Open), chuẩn hóa thang đo bằng MinMaxScaler(feature_range=(0, 1)) và chia tách tập dữ liệu huấn luyện theo cửa sổ trượt 30 phiên giao dịch. Chương 3 trình bày các kết quả thử nghiệm dự báo thực tế trên các mã chứng khoán lớn gồm FPT, VNM, PNJ kèm theo biểu đồ so sánh giữa giá lịch sử và giá dự báo. Ngoài ra, chương làm rõ vai trò của Service Gateway viết bằng Vert.x, cơ chế truyền tin bất đồng bộ qua Event Bus giữa Verticle Controller và Verticle Data, đồng thời thực hiện kiểm thử và đánh giá hiệu năng quét dữ liệu giữa mô hình chạy đơn dịch vụ (single service) và mô hình đa dịch vụ (multi-service).

Chương 4. Phân tích và thiết kế hệ thống

Chương 4 thực hiện phân tích đầy đủ các yêu cầu hệ thống bao gồm yêu cầu chức năng (tìm kiếm mã, xem biểu đồ giá lịch sử, xem dự báo giá, quản lý mã yêu thích, bảng điều khiển thống kê), yêu cầu phi chức năng (tính mở rộng, thời gian phản hồi) và yêu cầu lưu trữ dữ liệu. Tác giả thiết kế hệ thống thông qua hệ thống sơ đồ chuẩn hóa: Sơ đồ Use Case tổng quát, Sơ đồ tổng quan kiến trúc Microservices, hệ thống sơ đồ hoạt động (Activity Diagrams), sơ đồ tuần tự (Sequence Diagrams) và sơ đồ lớp (Class Diagrams) chi tiết cho từng luồng nghiệp vụ: dự báo giá, tìm kiếm mã chứng khoán, thêm mã yêu thích và điều phối bảng điều khiển.

Chương 5. Cài đặt và triển khai hệ thống

Chương 5 mô tả cấu hình môi trường phát triển, cài đặt máy chủ và hiện thực hóa giao diện người dùng của hệ thống. Tác giả trình bày chi tiết các màn hình chức năng đã hoàn thiện kèm ảnh chụp giao diện thực tế:

  • Màn hình chính và đồ thị biểu diễn biến động giá lịch sử.
  • Giao diện trang phân tích tích hợp đồ thị dự báo giá song song với giá thực tế.
  • Giao diện tìm kiếm mã chứng khoán và bảng quản lý danh mục cổ phiếu quan tâm.
  • Các module widget thống kê chuyên biệt trên Dashboard: thống kê số lượng mã đang theo dõi, biểu đồ tăng trưởng danh mục, biểu đồ tỷ lệ phân bổ giá trị cổ phiếu và thống kê biến động phiên gần nhất.
  • Phân hệ xác thực với form đăng ký, đăng nhập người dùng tích hợp Firebase.

Chương 6. Kết luận và hướng phát triển

Chương cuối tổng kết toàn bộ các kết quả nghiên cứu lý thuyết, xây dựng mô hình thuật toán và triển khai ứng dụng phần mềm đã đạt được trong khóa luận, đồng thời xác định các hạn chế hiện tại và định hướng các hạng mục phát triển mở rộng hệ thống trong tương lai.

Kết quả và đóng góp

Kết quả kỹ thuật và thực nghiệm

  • Xây dựng thành công pipeline dự báo chuỗi thời gian bằng LSTM: Ứng dụng kỹ thuật chuẩn hóa dữ liệu với MinMaxScaler và cơ chế cửa sổ trượt 30 phiên giao dịch để tạo tập mẫu đầu vào cho mạng học sâu, đưa ra các đường dự báo trực quan trên dữ liệu các mã cổ phiếu FPT, VNM, PNJ và AAA.
  • Hiện thực hóa kiến trúc Microservices hiệu năng cao: Tích hợp framework Java Vert.x chạy trên JVM để xây dựng Service Gateway và cơ chế truyền tin Event Bus giữa các Verticle (Controller, Data, Prediction), giúp các dịch vụ hoạt động độc lập và không bị nghẽn hệ thống khi xử lý đồng thời.
  • Tối ưu hóa thời gian thu thập dữ liệu: Thử nghiệm thực tế chứng minh việc phân tán tác vụ quét dữ liệu trên nhiều microservice giúp rút ngắn đáng kể thời gian thu thập và tiền xử lý dữ liệu lịch sử giá so với việc sử dụng một service đơn lẻ.
  • Xây dựng ứng dụng hoàn chỉnh cho nhà đầu tư cá nhân: Hệ thống cung cấp đầy đủ các tính năng nghiệp vụ từ tra cứu, trực quan hóa đồ thị kỹ thuật, dự báo giá tương lai gần đến quản lý danh mục yêu thích và bảng điều khiển thống kê đa chiều.

Đóng góp của đề tài

  • Hệ thống hóa cơ sở lý luận về phân tích kỹ thuật và chứng minh tính khả thi của việc ứng dụng mạng nơ-ron hồi quy LSTM vào dữ liệu thị trường chứng khoán Việt Nam (hai sàn HOSE và HNX).
  • Đề xuất một mô hình kiến trúc phần mềm kết hợp giữa framework phản ứng nhanh (Java Vert.x), nền tảng tính toán khoa học dữ liệu (Python) và cơ sở dữ liệu thời gian thực (Google Firebase) nhằm giải quyết bài toán hỗ trợ ra quyết định tài chính theo thời gian thực.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

  • Mô hình dự báo hiện tại tập trung chủ yếu vào chuỗi thời gian đơn biến dựa trên dữ liệu giá lịch sử (giá mở cửa/tham chiếu) theo nguyên lý phân tích kỹ thuật của lý thuyết Dow, chưa tích hợp các yếu tố phân tích cơ bản như báo cáo tài chính doanh nghiệp, chỉ số vĩ mô và phân tích cảm xúc tin tức thị trường (sentiment analysis).
  • Phạm vi dữ liệu và kiểm thử thực tế mới chỉ tập trung vào một số mã cổ phiếu tiêu biểu trên hai sàn HOSE và HNX, chưa mở rộng toàn diện sang toàn bộ các mã trên sàn UPCOM hoặc thị trường chứng khoán phái sinh.

Hướng nghiên cứu tiếp

  • Nâng cấp mô hình mạng LSTM thành các kiến trúc học sâu kết hợp hoặc mô hình đa biến (multivariate time-series) có tích hợp khối lượng giao dịch và các chỉ báo kỹ thuật phụ trợ (RSI, MACD, Bollinger Bands).
  • Tích hợp thêm các luồng dữ liệu phi cấu trúc (tin tức báo chí, diễn đàn tài chính) thông qua xử lý ngôn ngữ tự nhiên (NLP) để bổ trợ cho việc ra quyết định.
  • Tối ưu hóa hạ tầng Microservices, tự động hóa quy trình huấn luyện lại mô hình (Retraining Pipeline) theo chu kỳ giao dịch thực tế của thị trường.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo hữu ích cho sinh viên, học viên và kỹ sư thuộc các chuyên ngành Hệ thống Thông tin, Kỹ thuật Phần mềm, Khoa học Dữ liệu và Công nghệ Tài chính (Fintech).

Những nội dung có giá trị tham khảo cao bao gồm:

  • Quy trình toán học và triển khai mã nguồn Python chuẩn hóa cho mạng nơ-ron LSTM xử lý chuỗi thời gian tài chính.
  • Phương pháp thiết kế hệ thống hướng dịch vụ sử dụng Java Vert.x Event Bus để kết nối các dịch vụ đa ngôn ngữ (Java - Python).
  • Cách thức phân tích và mô hình hóa hệ thống thông tin hoàn chỉnh thông qua hệ thống sơ đồ chuẩn UML (Use Case, Activity, Sequence, Class Diagrams).

Câu hỏi thường gặp

1. Khóa luận sử dụng thuật toán nào làm mô hình dự báo giá chính và cấu trúc của thuật toán đó gồm những thành phần gì?

Khóa luận sử dụng thuật toán mạng nơ-ron hồi quy bộ nhớ dài-ngắn (Long Short-Term Memory - LSTM). Cấu trúc của tế bào LSTM bao gồm đường dẫn trạng thái tế bào ($C_t$) chạy xuyên suốt cùng 3 cổng điều khiển: cổng quên ($f_t$) dùng hàm Sigmoid để loại bỏ thông tin thừa, cổng vào ($i_t$) kết hợp hàm Tanh để nạp thông tin mới và cổng ra ($o_t$) để tính toán trạng thái ẩn đầu ra ($h_t$).

2. Pipeline tiền xử lý dữ liệu giá cho mô hình Python LSTM được thực hiện như thế nào?

Dữ liệu thô từ file maCK.csv hoặc file văn bản chứa cột Date và Open được đọc qua Pandas. Dữ liệu cột giá được trích xuất bằng hàm iloc, sau đó được chuẩn hóa về khoảng $[0, 1]$ bằng thư viện MinMaxScaler. Cuối cùng, dữ liệu được chia theo cơ chế cửa sổ trượt: cứ 30 giá trị Open liên tiếp ($X_{train}$) sẽ được dùng để làm mẫu dự đoán cho 1 giá trị Open tiếp theo ($y_{train}$).

3. Hệ thống phần mềm sử dụng công nghệ nào để xây dựng Service Gateway và điều phối các Microservices?

Hệ thống sử dụng framework Java Vert.x chạy trên môi trường máy ảo Java (JVM) để xây dựng Service Gateway và Controller. Vert.x cho phép giao tiếp bất đồng bộ giữa các thành phần độc lập (Verticle) thông qua cơ chế Event Bus.

4. Hệ thống quản lý thông tin người dùng và danh mục theo dõi bằng công nghệ gì?

Hệ thống tích hợp nền tảng đám mây Google Firebase (Backend-as-a-Service), trong đó Firebase Authentication phụ trách xác thực đăng ký/đăng nhập của người dùng, còn Cloud Firestore và Firebase Realtime Database được dùng để đồng bộ và lưu trữ danh mục các mã chứng khoán yêu thích theo thời gian thực.

5. Phạm vi nghiên cứu của khóa luận tập trung vào những sàn giao dịch nào và biên độ dao động giá được quy định ra sao?

Nghiên cứu tập trung vào hai sàn giao dịch chứng khoán chính tại Việt Nam là sàn HOSE (Sở GDCK TP.HCM, thành lập 1998, biên độ giá sàn/trần là ±7% so với giá tham chiếu) và sàn HNX (Sở GDCK Hà Nội, khai trương năm 2005, biên độ giá sàn/trần là ±10% so với giá tham chiếu).

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Hữu Tiến Khôi đã giải quyết bài toán hỗ trợ ra quyết định cho nhà đầu tư cá nhân thông qua việc kết hợp giữa mô hình học sâu LSTM và kiến trúc phần mềm phân tán Microservices. Đề tài đã xây dựng thành công pipeline xử lý và dự báo chuỗi thời gian giá cổ phiếu trên nền Python, đồng thời hiện thực hóa hệ thống Service Gateway hiệu năng cao với Java Vert.x và nền tảng đám mây Firebase. Kết quả nghiên cứu thể hiện đầy đủ quy trình từ lý thuyết tài chính, mô hình hóa dữ liệu đến thiết kế và cài đặt một hệ thống thông tin hỗ trợ đầu tư hoàn chỉnh và trực quan.