mở đầu của bài báo cáo, chúng em đã nêu ra được lý do, động lực và mục tiêu đề thực hiện đề tài này. Với nhu cầu ứng dụng công nghệ và các thuật toán trí tuệ nhân tạo vào thị trường tài chính ngày càng tăng cao, đặc biệt với cơn sốt trí tuệ nhân tạo như hiện nay. Chúng em mong muốn góp một phần nhỏ vào sự phát triển đó cũng như cải thiện các kĩ năng của bản thân. Về các phần sau, chúng em sẽ nêu ra những van dé gây nhức nhối và những giải pháp xử lý các vấn đề đó đối với hệ thống giao dịch.
Chứng minh được tính khả thi khi áp dụng các thuật toán trí tuệ nhân tạo vào thị trường tài chính. Đề tài này dựa trên các nghiên cứu về phân tích và giao dịch thị trường tài chính kết hợp với sự hiểu biết của bản thân về các van đề khoa hoc đữ liệu trong thị trường tài chính. Phạm vi nghiên cứu không chỉ dừng lại ở việc phát trién mô hình mà còn là so sánh và đánh giá các mô hình hiệu quả, kĩ thuật chuẩn hóa dữ liệu, đào tạo với dit liệu lớn và xây dung một hệ thống bigdata hoàn chỉnh phù hợp với môi trường thực tế. Deep Learning trong lĩnh vực tài chính Deep Learning là một lĩnh vực lớn được rẽ nhánh từ Machine Learning và hiện nay được áp dụng rất rộng rãi trong các lĩnh vực tiêu biểu như thị giác máy tính, xử lý ngôn ngữ tự nhiên và các bài toán về dữ liệu chuỗi thời gian.
Thành công vượt trội của các lĩnh vực này luôn được sự quan tâm rất lớn từ mọi nguoi, moi tang lớp hiện nay. Với dự phát triển của lĩnh vực Fintech trong những năm gần đây, việc áp dụng các mô hình Deep Learning vào các dich vụ tài chính ngân hàng dan trở nên phô biến. Tuy nhiên khi đặt lên ban cân so với các lĩnh vực khác thì Deep Learning trong lĩnh vực tài chính chưa có quá nhiều công trình nổi bat và thiếu rất nhiều tài nguyên. Nhưng nhìn về một khía cạnh nào đó thì tiềm tăng để phát triển đeep learning trong lĩnh vực tài chính vẫn còn rất lớn.
[4] Có một điểm cần đáng lưu ý nữa đó là việc xử lý những nguồn dữ liệu phù hợp dé khai thác thực sự đang rất là khó khăn. Việc thu thập những nguồn dữ liệu liên quan có thê là rất lớn, trong khi tam quan trọng của dif liệu và các tương tác phi tuyến tính phức tạp tiềm tàng trong dữ liệu không được các lý thuyết về kinh tế và tài chính xác định rõ ràng. Trong thực tế, điều này dẫn đến rất nhiều mô hình dự đoán có hiệu quả kém đi rất nhiều. [5] Bên cạnh việc dit đoán còn rất nhiều các phương pháp khác có thé tận dụng Deep Learning dé hỗ trợ đưa ra quyết định một cách tốt hơn tiêu biểu đó là phương pháp Unsupervise Learning cho việc pháp hiện bất thường [6] và phương pháp Reinforcement Learning cho việc giao dich tự động với mục tiêu đạt được điểm thưởng cao nhất.
Reinforcement Learning trong lĩnh vực tài chính Hiện nay, ngành tài chính có những thay đổi rất nhanh chóng và nguyên nhân bắt nguồn do lượng đữ liệu của ngành này ngày càng tăng mạnh theo cấp số nhân. Nó đã tạo ra cách mạng hóa các kĩ thuật xử lý và phân tích dữ liệu, đồng thời mang đến những thách thức mới về mặt lý thuyết và tính toán. Reinforcement learning là một trong những cách tiếp cận mới mẻ về mặt tính toán trong lĩnh vực tài chính. [7] Reinforcement learning giải quyết các nhược điểm của các bài toán học có giám sát (supervised learning) thông thường là xây dựng một mô hình dự đoán dựa vào dữ liệu lịch sử.
Các tiếp cận của Reinforcement Learning mới mẻ ở chỗ nó kết hợp giữa các bước dự đoán giá của các tài sản tài chính, và bước phân bồ của danh mục trong một quy trình thống nhất dé tối ưu hóa mục tiêu của nhà dau tư. Trong đó, tac tử (Agent) tương tác với môi trường (environment) dé đưa ra quyết định tối ưu. [3] [9] Hơn nữa, dữ liệu về tài chính là các dữ liệu liên quan tới chuỗi thời gian (time series), nghĩa là nó thay đồi liên tục theo thời gian. Điều này làm cho đữ liệu phù hợp với quá trình quyết định Markov (Markov Decision Processes).
Đây là quy trình cốt lõi để giải quyết các van dé của thuật toán Reinforcement Learning. MDP thu thập toàn bộ dữ liệu của quá khứ và xác định toàn bộ lịch sử của dữ liệu chỉ trong trạng thái hiện tại của đặc vụ. Điều này rất quan trọng khi mô hình hóa đữ liệu thị trường tài chính [4]. RL mang lai rất nhiều tiềm năng trong tài chính và đặc biệt là trong giao dịch, bởi vì nó có khả năng tự học tốt thông qua việc tương tác với môi trường sinh ra điểm thưởng (reward).
Nó không chỉ dựa vào đữ liệu lịch sử mà còn có thể tự điều chính chiến lược giao dich dựa trên phản hồi thực tế của thị trường [5]. Điều này giúp thuật toán nay trở nên tuyệt vời cho việc giao dich và quan lý rủi ro một cách hiệu quả. Công nghệ Bigdata trong tài chính Lĩnh vực tài chính với sự phát triển của dữ liệu và các thuật toán thì theo sau đó là sự nồi lên của các công nghệ mới nhằm đáp ứng nhu cau xử lý, lưu trữ dit liệu lớn và giải quyết được các bài toán xử lý dữ liệu liên tục theo thời gian thực (realtime). Bigdata là một thuật ngữ chỉ khối lượng dữ liệu có kích thước rất lớn được thu thập từ nhiều nguồn khác nhau.
Trong lĩnh vực tài chính, dữ liệu có thể bao gồm thông tin vệ giao dịch tài chính, dtr liệu khách hang, dtr liệu vĩ mô như các bài báo, dữ liệu mạng xã hội. với dữ liệu nhiều và được sinh ra liên tục như vậy thì những công nghệ dữ liệu bình thường hầu như không thê đáp ứng nổi nhu cầu tìm kiếm, phân tích và xử lý trong thời gian ngắn. Đề xử lý các vấn đề về bigdata thì trong khóa luận này chúng em đề xuất các công nghệ cốt lõi đó là Kafka, Spark Streaming, ELK. Đây là các công nghệ tuyệt vời với khả năng mở rộng tốt, tính toán và tìm kiếm nhanh chóng, lưu chuyển đữ liệu theo thời gian thực và rất nhiều ưu điểm khác.
Sự kết hợp các công nghệ bigdata này, các thuật toán Reinforcement Learning và Deep Learning quả thật là một hệ thống tuyệt vời. Tim hiéu về thị trường tiên điện tử và san Binance Thị trường tiền điện tử nồi lên từ sự ra đời của Bitcoin vào năm 2009, điều đó đã tạo ra một trong những bước ngoặt lớn nhất trong lĩnh vực tài chính, nó mở ra nhiều cơ hội cũng như thách thức từ các tổ chức tài chính cũng như các nhà đầu tư cá nhân về thị trường này. Binance là một sàn giao dịch tiền điện tử nôi tiếng và lớn nhất hiện nay. Công ty được thành lập vào năm 2017 bởi Changpeng Zhang va Yi He.
Binance thường xuyên dẫn đầu về khối lượng giao dịch tiền điện tử, với con số trung bình hàng ngày thường vượt qua mức 10 tỷ đô la Mỹ. chiếm khoảng 25% tổng khối lượng giao dịch tiền điện tử toàn cầu. Công nghệ là một yếu tốt then chốt giúp Binance duy trì vị thế dẫn dau. Đặc biết với VIỆC cung cấp các dịch vu API cho việc lấy dữ liệu thời gian thực cũng như thực hiện giao dịch qua API.
Điều này giúp các nhà giao dịch tính toán và thực hiện giao dịch theo cách riêng. Đặc biệt là phân tích và thực hiện giao dịch tự động băng các thuật toán và mô hình giao dịch. Đây cũng là lý do mà nhóm em quyết định lấy dữ liệu thời gian thực từ API của sản Binance dé thực hiện giao dịch tự động băng thuật toán Reinforcement Learning. 10 Triển vọng tương lai của Binance rat tích cực, với sự phát triển không ngừng nghỉ của thị trường tiền điện tử và blockchain.
Binance dự kiến sẽ tiếp tục mở rộng các dịch vụ và sản phẩm của mình, tập trung vào việc cải tiễn công nghệ và tuân thủ quy định dé đáp ứng nhu cầu ngày càng gia tăng của người dùng. Công ty cũng sẽ tiếp tục hỗ trợ các dự án blockchain tiềm năng thông qua Binance Launchpad và các quỹ đầu tư, góp phần thúc day sự phát triển của hệ sinh thái blockchain toàn cầu. Trong bối cảnh thị trường tiền điện tử tiếp tục phát triển và biến đôi, Binance với tầm nhìn dài hạn và chiến lược phat trién linh hoat, dang chuẩn bị tốt dé nắm bắt các cơ hội va vượt qua các thách thức trong tương lai. CƠ SỞ LÝ THUYET VA CÁC NGHIÊN CỨU LIÊN QUAN 3.
Thiết lập môi trường cho thuật toán học tăng cường Với nhiệm vụ giao dịch cô phiêu một cách tự động của thuật toán học tăng cường (Reinforcement Learning). Thì môi trường (environment) được xem xét là ngẫu nhiên và tương tác với thị trường. Dé làm được những điều này, chúng em đã thiết lập môi trường cho thuật toán học tăng cường với mô hình Markov Decision Process (MDP) [3]. Day là một phương pháp dùng dé mô phỏng các quyết định giao dịch trong một môi trường có tính chat ngau nhiên.1: Tổng quan quy trình hoạt động của một thuật toán Reinforcement Learning Bằng cách tương tác với môi trường bằng hành động (action), tác tử (Agent) sẽ cố găng tạo ra chiến lược giao dịch với lợi nhuận tối đa (reward) khi thời gian dao tạo tăng dan.
Không gian trạng thai (State Space) Không gian trạng thái miêu tả quan sát của Agent nhận được từ môi trường (Environment). Giống như những nhà giao dịch cần phân tích rất là nhiều thông tin trước khi đưa ra quyết định giao dịch. Tương tự như vậy, chúng em đã xây dựng không gian trạng thái mà Agent có thể quan sát với nhiều đặc trưng (feature), điều này nhằm cho Agent có thể học tập tốt hơn khi tương tác với môi trường. Những đặc trưng khi đưa vào không gian trạng thái đó là: - Balance b, € R„: là số tiền còn lại trong tài khoản tại thời điểm t - Future Price p, € R,: là giá Bitcoin dự đoán từ các mô hình Deep Learning 12 - OpNBt› PBNBt ĐpBNBt› CswBt› PBNBt SBNBt.
là các thuộc tính open_ time, close, volume, count, taker_buy_volume, symbol của đồng tiền BNBUSDT tại thời điểm t - Oprct Dprct› Đprct› Cgrct› Perct.