Luận văn: Dự đoán VN-Index bằng GPR và mô hình ARMA

Luận văn dự đoán VN-Index bằng hồi quy Gaussian Process & mô hình ARIMA. Phân tích xu thế giá, giúp nhà đầu tư đưa ra quyết định thông minh.

• Tác giả: Phùng Đình Vũ
• Người hướng dẫn: PGS. Huỳnh Quyết Thắng
• Trường học: Trường Đại học Bách khoa Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Dự đoán xu thế, giá chỉ số chứng khoán Việt Nam VN-Index sử dụng phân tích hồi quy Gaussian Process và mô hình tự hồi quy trung bình động ARMA
• Loại tài liệu: Luận văn thạc sỹ
• Năm xuất bản: 2017
• Địa điểm: Hà Nội

Mục lục chi tiết

• Lời cam đoan
• Danh mục các bảng và hình vẽ
• Danh mục thuật ngữ và từ viết tắt
• Mở đầu
• 1. Chương 1: Cơ sở lý thuyết
• 1.1. Chỉ số chứng khoán VN-Index
• 1.2. Các phương pháp phân tích TTCK
• 1.3. Mô hình phân tích định lượng, dựa trên chuỗi thời gian
• 1.3.1. Mô hình chuỗi thời gian
• 1.3.2. Mô hình tự hồi quy trung bình động ARMA
• 1.4. Phân tích hồi quy Gaussian Process
• 1.5. Kết chương
• 2. Chương 2: Xây dựng phương pháp kết hợp GPR-ARMA dự đoán chuỗi thời gian
• 2.1. Xây dựng mô hình dữ liệu đầu vào
• 2.2. Mô tả tập dữ liệu bài toán
• 2.3. Phân tích dữ liệu lịch sử chỉ số VN-Iidex
• 2.4. Phương pháp dự đoán chuỗi thời gian GPR-ARMA
• 2.5. Quy trình thực hiện phương pháp dự đoán
• 2.6. Đánh giá sai số cho phương pháp dự đoán
• 2.7. Kết chương
• 3. Chương 3: Cài đặt và đánh giá thực nghiệm
• 3.1. Chương trình thu thập dữ liệu lịch sử chỉ số VN-Index
• 3.2. Chương trình dự đoán theo phương pháp GRP-ARMA
• 3.2.1. Cài đặt các gói phần mềm được sử dụng
• 3.2.2. Các iodule chương trình dự đoán
• 3.2.3. Triển khai chương trình dự đoán

Tóm tắt

I. Tổng Quan Dự Đoán VN Index Bằng Mô Hình GPR ARMA

Dự đoán xu thế giá VN-Index là một bài toán phức tạp, thu hút sự quan tâm của giới đầu tư và các nhà nghiên cứu. Thị trường chứng khoán Việt Nam, với đặc điểm biến động khó lường, đòi hỏi các phương pháp dự báo chính xác và hiệu quả. Luận văn này tập trung vào việc xây dựng và đánh giá một mô hình kết hợp giữa phân tích hồi quy Gaussian Process (GPR) và mô hình tự hồi quy trung bình động (ARMA). Mục tiêu là cải thiện độ chính xác so với việc sử dụng riêng lẻ từng mô hình. Các phương pháp hiện có ở Việt Nam và trên thế giới trong bài toán dự báo thị trường chứng khoán (TTCK) thường có những hạn chế nhất định. Phương pháp GPR và ARMA có ưu, nhược điểm riêng trong bài toán dự báo TTCK. Phương pháp GPR-ARMA được đề xuất nhằm mục đích kết hợp ưu điểm và khắc phục nhược điểm của hai phương pháp này.

1.1. Giới Thiệu Chỉ Số VN Index và Dữ Liệu Chuỗi Thời Gian

Chỉ số VN-Index là đối tượng thu thập thông tin chính trong nghiên cứu này. Dữ liệu đầu vào là chuỗi thời gian giá đóng cửa của chỉ số VN-Index qua các ngày giao dịch. Việc lựa chọn VN-Index làm đối tượng nghiên cứu do tính đại diện của nó cho thị trường chứng khoán Việt Nam. Chuỗi thời gian giá đóng cửa VN-Index phản ánh biến động thị trường và cung cấp thông tin quan trọng cho việc dự báo.

1.2. Các Phương Pháp Dự Báo VN Index Hiện Tại Tổng Quan

Có nhiều phương pháp khác nhau để dự báo TTCK, bao gồm các mô hình kinh tế lượng, phân tích kỹ thuật, và các phương pháp học máy. Luận văn tập trung vào hai phương pháp chính: Gaussian Process Regression (GPR) và Autoregressive Moving Average (ARMA). Các kết quả nghiên cứu hiện có về hai phương pháp (riêng lẻ) áp dụng cho chuỗi thời gian (là đối tượng nghiên cứu của luận văn): phân tích hồi quy Gaussian Process và mô hình tự hồi quy trung bình động ARMA.

II. Thách Thức Dự Đoán Chính Xác Xu Thế Giá VN Index

Dự đoán xu thế giá VN-Index đối mặt với nhiều thách thức. Thị trường chứng khoán chịu ảnh hưởng của nhiều yếu tố, từ vĩ mô đến vi mô, từ yếu tố kinh tế đến tâm lý nhà đầu tư. Sự biến động khó lường của thị trường đòi hỏi các mô hình dự báo phải có khả năng thích ứng cao và xử lý được nhiễu. Các yếu tố bên ngoài như chính sách kinh tế, biến động lãi suất, và tình hình chính trị thế giới cũng có thể tác động mạnh đến chỉ số chứng khoán Việt Nam. Hơn nữa, dữ liệu quá khứ không phải lúc nào cũng là chỉ báo tin cậy cho tương lai.

2.1. Ảnh Hưởng Của Yếu Tố Vĩ Mô và Vi Mô Đến VN Index

Các yếu tố vĩ mô như tăng trưởng GDP, lạm phát, tỷ giá hối đoái và chính sách tiền tệ có ảnh hưởng lớn đến VN-Index. Các yếu tố vi mô như kết quả kinh doanh của các công ty niêm yết, các thương vụ M&A, và các thông tin nội bộ cũng tác động đến giá cổ phiếu và do đó, đến VN-Index. Sự kết hợp của các yếu tố này tạo ra một bức tranh phức tạp và khó dự đoán.

2.2. Giới Hạn Của Các Mô Hình Dự Báo Chứng Khoán Truyền Thống

Các mô hình dự báo chứng khoán truyền thống thường dựa trên các giả định đơn giản về thị trường và có thể không phản ánh đúng thực tế phức tạp. Các mô hình này cũng có thể gặp khó khăn trong việc xử lý các dữ liệu phi tuyến tính và các sự kiện bất ngờ. Việc cải tiến các mô hình dự báo là cần thiết để nâng cao độ chính xác và khả năng dự đoán.

III. Giải Pháp Phân Tích Hồi Quy Gaussian Process Cho VN Index

Phân tích hồi quy Gaussian Process (GPR) là một phương pháp học máy mạnh mẽ, có khả năng mô hình hóa các mối quan hệ phi tuyến tính và cung cấp ước lượng về độ không chắc chắn của dự báo. GPR phù hợp với bài toán dự đoán chuỗi thời gian vì nó có thể học từ dữ liệu lịch sử và đưa ra dự báo cho tương lai, đồng thời đánh giá được mức độ tin cậy của dự báo. GPR sử dụng hàm hiệp phương sai để mô tả mối quan hệ giữa các điểm dữ liệu và cho phép mô hình tự động điều chỉnh để phù hợp với dữ liệu. Một số hàm hiệp phương sai trong Gaussian Process được sử dụng trong luận văn.

3.1. Ưu Điểm Của Gaussian Process Trong Dự Đoán VN Index

GPR có một số ưu điểm so với các phương pháp dự báo truyền thống. Thứ nhất, GPR không yêu cầu các giả định về phân phối dữ liệu. Thứ hai, GPR có thể xử lý dữ liệu phi tuyến tính một cách hiệu quả. Thứ ba, GPR cung cấp ước lượng về độ không chắc chắn của dự báo, giúp nhà đầu tư đánh giá rủi ro.

3.2. Ứng Dụng Thực Tế Của GPR Trong Phân Tích Tài Chính

GPR đã được ứng dụng thành công trong nhiều bài toán tài chính, bao gồm dự đoán giá cổ phiếu, quản lý rủi ro, và phân tích danh mục đầu tư. GPR có thể được sử dụng để mô hình hóa các mối quan hệ phức tạp giữa các biến tài chính và đưa ra dự báo chính xác hơn so với các phương pháp truyền thống. Ví dụ, GPR có thể được sử dụng để dự đoán giá cổ phiếu dựa trên dữ liệu lịch sử giá, khối lượng giao dịch, và các chỉ số tài chính khác.

IV. Kết Hợp ARMA Mô Hình Tự Hồi Quy Trung Bình Động Ưu Việt

Mô hình tự hồi quy trung bình động (ARMA) là một phương pháp thống kê phổ biến để phân tích và dự đoán chuỗi thời gian. ARMA kết hợp hai thành phần: tự hồi quy (AR) và trung bình động (MA). Thành phần AR sử dụng các giá trị quá khứ của chuỗi thời gian để dự đoán giá trị hiện tại, trong khi thành phần MA sử dụng các sai số dự báo quá khứ để cải thiện dự báo. ARMA là một mô hình linh hoạt và có thể được điều chỉnh để phù hợp với nhiều loại chuỗi thời gian khác nhau.

4.1. Vai Trò Của ARMA Trong Mô Hình Dự Đoán VN Index

ARMA có thể được sử dụng để mô hình hóa các thành phần tuyến tính của chuỗi thời gian VN-Index. Bằng cách kết hợp ARMA với GPR, mô hình có thể tận dụng được cả thông tin tuyến tính và phi tuyến tính trong dữ liệu. Điều này có thể cải thiện độ chính xác của dự báo so với việc sử dụng riêng lẻ từng mô hình.

4.2. Tối Ưu Tham Số ARMA Để Nâng Cao Độ Chính Xác Dự Báo

Việc lựa chọn các tham số phù hợp cho mô hình ARMA là rất quan trọng để đảm bảo độ chính xác của dự báo. Các phương pháp như AIC (Akaike Information Criterion) và BIC (Bayesian Information Criterion) có thể được sử dụng để lựa chọn các tham số tối ưu cho mô hình ARMA. Các thông tin ngày, tháng, năm được viết chi tiết rõ ràng, để tránh nhầm lẫn cho người đọc.

V. Ứng Dụng Thực Tiễn Đánh Giá Mô Hình GPR ARMA Trên VN Index

Luận văn trình bày kết quả ứng dụng mô hình GPR-ARMA để dự đoán VN-Index. Dữ liệu lịch sử giá đóng cửa VN-Index được sử dụng để huấn luyện và kiểm tra mô hình. Các chỉ số đánh giá như RMSE (Root Mean Square Error) và MAPE (Mean Absolute Percentage Error) được sử dụng để đánh giá độ chính xác của dự báo. Chương trình thu thập dữ liệu lịch sử chỉ số VN-Index, các chức năng người dùng và giao diện của chương trình thu thập dữ liệu.

5.1. So Sánh Độ Chính Xác Dự Đoán GPR ARMA Với GPR Và ARMA

Kết quả cho thấy mô hình GPR-ARMA có độ chính xác cao hơn so với việc sử dụng riêng lẻ từng mô hình GPR và ARMA. Điều này chứng tỏ sự kết hợp giữa hai phương pháp có thể tận dụng được ưu điểm của cả hai và cải thiện độ chính xác dự báo. Việc so sánh kết quả dự đoán phương pháp kết hợp GPR-ARMA với từng phương pháp dự đoán riêng lẻ GPR và ARMA được thực hiện.

5.2. Phân Tích Rủi Ro và Quản Lý Danh Mục Đầu Tư VN Index

Mô hình GPR-ARMA không chỉ cung cấp dự báo về xu hướng giá VN-Index mà còn cung cấp ước lượng về độ không chắc chắn của dự báo. Thông tin này có thể được sử dụng để phân tích rủi ro và quản lý danh mục đầu tư một cách hiệu quả hơn. Giải thuật Trmovalioris - 64 được áp dụng.

VI. Kết Luận Tiềm Năng Phát Triển Mô Hình Dự Báo VN Index

Luận văn đã trình bày một phương pháp kết hợp giữa phân tích hồi quy Gaussian Process (GPR) và mô hình tự hồi quy trung bình động (ARMA) để dự đoán VN-Index. Kết quả cho thấy mô hình GPR-ARMA có tiềm năng cải thiện độ chính xác dự báo so với việc sử dụng riêng lẻ từng mô hình. Nghiên cứu này có thể đóng góp vào việc phát triển các công cụ dự báo chứng khoán hiệu quả hơn và hỗ trợ các nhà đầu tư trong việc ra quyết định.

6.1. Hướng Phát Triển Tiếp Theo Cho Nghiên Cứu Dự Báo VN Index

Các hướng phát triển tiếp theo có thể bao gồm việc kết hợp thêm các yếu tố khác vào mô hình, như thông tin kinh tế vĩ mô, tin tức thị trường, và tâm lý nhà đầu tư. Đồng thời, việc sử dụng các phương pháp học máy khác, như mạng nơ-ron nhân tạo (ANN) và máy vector hỗ trợ (SVM), cũng có thể được xem xét để cải thiện độ chính xác dự báo. Định hướng phát triển trong tương lai.

6.2. Ứng Dụng GPR ARMA Trong Algorithmic Trading và Risk Management

Mô hình GPR-ARMA có thể được ứng dụng trong algorithmic trading (giao dịch thuật toán) để tự động hóa việc mua bán cổ phiếu dựa trên dự báo về xu hướng giá. Mô hình cũng có thể được sử dụng trong risk management (quản lý rủi ro) để đánh giá rủi ro của danh mục đầu tư và đưa ra các biện pháp phòng ngừa. Giải thuật Trmovalioris - 64 được áp dụng.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CƠ SỞ LÝ THUYÊT 1. Chỉ số chứng khoản VN-Index 1. Các phương pháp phân tích TTCK. Mó hình phản tich định lượng, dựa trên chuối thai gian.

Mô hình chuối thời gian. Mô hình tự hồi quy trung bình động ARMA 1. Phân tích hồi quy Gaussian Process 1. Kết chương.

CHƯỢNG3: XÂY DỤNG PHƯƠNG PHÁP KẾ HOP GPR-ARMA DU DOAN CHUỖI THỞI GIAN 19 2. Xây đựng mô hình đữ liệu đầu vào 19 2. Mô tả tập dữ liệu bài toán. Phân tích đữ liệu lịch sử chỉ số VN-Iidex.

Phương pháp dự đoán chuỗi thời gian GPR-ARMA. Quy trình thực hiện phương pháp đự đoán. Dánh giá sai số cho phương pháp dự đoản. Kết clương,.

¬- CHƯƠNG 3: CẢI ĐẶT VÀ ĐÁNH GIÁ THỰC CNGHIỆM 39 3. Chương trình thu thập đữ liệu lich sử chỉ sé VN-Index - - 39 3. Chương trìnhdự đoán theo phương pháp GRP-ARMA. Cài đặt các gói phân mềm dược sử dụng,.

ễ ác iodule chương trình dự dou. Triển khai chương trình dự đoán. ii LOI CAM ON Lời dẫu liên tôi xiu gửi lời côm ơn châu thành và sâu sắc Lới Thấy PGS. Huỳnh Quyết Thắng, Hộ môn Công nghệ phân mềm, Viện Công nghệ thông tin và truyền thông, Đại học Bách Khoa Hà Nội.

Trong quá trình thực hiện luận văn, Thấy đã hướng dẫn và chỉ bảo tôi ân cản, cung cấp cho tôi nhiều tài liệu quan trọng là nên tảng để tôi tìm tỏi nghiên cứu sâu hơn vé dé tai “Dw dodn xu thd, gid chi sd chứng khoản Việt Nam VN- Index sit dung phân tich hdi quy Gaussian Process va mé hinh ty hdi quy wung bình động ARMA’, M&i lai góp ý của Thầy giúp tôi định hướng tốt hơn, đúng đắn hơn cho dé tai minh di chon. Tỏi dũng xin gửi lời cảm ơn tới các Thấy, Cô trong Viện Công nghệ thông tin va truyền thông, Viện Dao tạo sau đại hoc da tan tinh day dé, giúp đỡ, và cung cấp cho tôi nhiên kiên thức chuyên sâu, bố ích và cản thiết, Đề từ đó, tôi có đủ khả năng và hiểu biết để thực hiện và hoàn thành luận vấn này một cách tốt nhất Lời tiếp theo tôi xin gửi lời cám ơn chân thành vả sâu sắc tới các đồng chấm luận văn thạc sỹ đá đưa ra các nhận xéi, đánh giá, gớp ý quý báu giúp tôi chỉnh sửa và hoàn thành luận văn này một cách tốt nhất, Cuỗi cùng tôi xin đành lời cảm ơn ti người thân gia đình tôi đã quan tam, chăm sóc, tủng hộ vẻ vật chất và tỉnh thân lớn lao để tôi có dông lực theo duổi dễ tài này. Két quả thủ nghiệm chương trình dự đoán. Đánh giá kết quả nội suy của phương pháp.

Đánh giá kết quả ngoại suy của phương pháp. 5o sánh phương pháp GPR-ARMA với tùng phương pháp riêng lẽ 3. Kết chương. - - KẾT LUẬN VÀ ĐỊNH HƯỚNG PHÁT TRIỂN 1.

Định hưởng phát triển. DANII MỤC TÀI LIỆU THAM KIIÃO. Giải thuật Trmovalioris - - 64 P2. Biểu đỗ tư tượng quan và phân phối thành phầu xu thế - 65 P3.

Danh giá khoảng tin cậy phân phối chuẩn. Danh sich ding ký các máy chủ Google % LOI CAM DOAN “Tdi cam doan đây là công trình nghiên cứu của riêng tôi trong đó có sự giúp dỡ rất lớn của Thầy hướng dẫn PGS.TS Huỳnh Quyết Thắng, bộ môn Công nghệ phần mềm, Viện Công nghệ thông tín và truyền thông, Đại họu Bách Khoa Hà Nội Các số liệu, kết quả nêu trong luận văn là trung thực, rõ rằng và chưa từng được ai ông bề trong bắt kỳ công trình nào khác. Trong luận vấn Lỗi có tham khảo đến một số tài Hệu đã được liệt kê tại phần Tải liệu tham khảo ở cuối luận văn, các nội dung trích dẫn đã ghi rõ nguồn gốc, Hà Nội, ngày. năm 2017 'Tắc giả luận văn Phủng Đỉnh Vũ DANII MUC CAC BANG VAIIINII VE Danh muc cac hinh vé dién d6 thi cho phan tich hdi quy Gaussian Process.

- 14 đỏ đữ liệu lịch sử giá đóng cửa chỉ sé VN-Index Biên Ẵ đồ tư tương quan thành._ biến đổi của xu thế : Phân phối các giá trị thành phản xu thế biến đổi. 27: Các bước thục hiện trong phương pháp GPR-ARMA - : Quy trình thực hiện phương pháp dự đoán. 35 : Quá trình thu thập dữ liệu lịch sử giả. -Ö 40 : Giao diện chương trình thu thập dữ liệu chỉ số VN-Tnđex.

4L : Các module của chương trình dự doán. : Đồ thị kết quả đự đoán nội suy của phương, pháp GPR-ARMA. 4? : Dễ thị kết quá dự đoán theo phương pháp kết hợp GPR-ARMA.6: Đỏ thị kết quả dự doán theo phương pháp đaussian Procoss %4 Hình 37: Đề thị kết quả dự đoán theo phương pháp ARMA. - 55 Daoh myc cac bằng Bang 1.1: Mệt số hàm hiệp phương sai trong Gaussian Process - 15 Bang 2.1: Bắng nhằm † quá dự đoán xu thể.1: Danh sách cáo gói thư viện Python được cải đặi - - 4 Bang 3.2: Câu hình và phân phổi đữ liệu kiểm thử cho các máy chi.3: Đánh giá nội suy của phương phap GPR-ARMA.4: Bàng nhằm ội suy với phân lớp tầng.5: Bảng nhằm nội suy với phên lớp giảm.6: Bang nham lan nội suy tổng hợp các phân lớp - 46 Bảng 3.7: Giá Eị các tham số/siêu tham số mồ hình sau mỗi bướo lẶp.- Bang 38 qua du doan theo phương pháp GPR-ARMA - s0 Bang 3.9: Kết quả dự đoán xu thể theo phuong phap GPR-ARMA 50 Bang 3.10: Bang uhm lin ngoai suy von phiin lớp lãng đảng 3.11: Bảng nhằm lẫn ngoại suy với phản lớp giảm.13: Bảng nhằm lẫn ngoại suy tổng hợp các phân lớp Bang 3.13: Banh gid sai số ngoại suy của phương pháp GRD-ARM: 4 Bang 3.14: Danh giá sai số ngoại suy của phương pháp Gaussian Process.

Banh gid sai số ngoại suy của phương phap ARMA $5 LOI CAM DOAN “Tdi cam doan đây là công trình nghiên cứu của riêng tôi trong đó có sự giúp dỡ rất lớn của Thầy hướng dẫn PGS.TS Huỳnh Quyết Thắng, bộ môn Công nghệ phần mềm, Viện Công nghệ thông tín và truyền thông, Đại họu Bách Khoa Hà Nội Các số liệu, kết quả nêu trong luận văn là trung thực, rõ rằng và chưa từng được ai ông bề trong bắt kỳ công trình nào khác. Trong luận vấn Lỗi có tham khảo đến một số tài Hệu đã được liệt kê tại phần Tải liệu tham khảo ở cuối luận văn, các nội dung trích dẫn đã ghi rõ nguồn gốc, Hà Nội, ngày. năm 2017 'Tắc giả luận văn Phủng Đỉnh Vũ LOI CAM ON Lời dẫu liên tôi xiu gửi lời côm ơn châu thành và sâu sắc Lới Thấy PGS. Huỳnh Quyết Thắng, Hộ môn Công nghệ phân mềm, Viện Công nghệ thông tin và truyền thông, Đại học Bách Khoa Hà Nội.

Trong quá trình thực hiện luận văn, Thấy đã hướng dẫn và chỉ bảo tôi ân cản, cung cấp cho tôi nhiều tài liệu quan trọng là nên tảng để tôi tìm tỏi nghiên cứu sâu hơn vé dé tai “Dw dodn xu thd, gid chi sd chứng khoản Việt Nam VN- Index sit dung phân tich hdi quy Gaussian Process va mé hinh ty hdi quy wung bình động ARMA’, M&i lai góp ý của Thầy giúp tôi định hướng tốt hơn, đúng đắn hơn cho dé tai minh di chon. Tỏi dũng xin gửi lời cảm ơn tới các Thấy, Cô trong Viện Công nghệ thông tin va truyền thông, Viện Dao tạo sau đại hoc da tan tinh day dé, giúp đỡ, và cung cấp cho tôi nhiên kiên thức chuyên sâu, bố ích và cản thiết, Đề từ đó, tôi có đủ khả năng và hiểu biết để thực hiện và hoàn thành luận vấn này một cách tốt nhất Lời tiếp theo tôi xin gửi lời cám ơn chân thành vả sâu sắc tới các đồng chấm luận văn thạc sỹ đá đưa ra các nhận xéi, đánh giá, gớp ý quý báu giúp tôi chỉnh sửa và hoàn thành luận văn này một cách tốt nhất, Cuỗi cùng tôi xin đành lời cảm ơn ti người thân gia đình tôi đã quan tam, chăm sóc, tủng hộ vẻ vật chất và tỉnh thân lớn lao để tôi có dông lực theo duổi dễ tài này. Két quả thủ nghiệm chương trình dự đoán. Đánh giá kết quả nội suy của phương pháp.

Đánh giá kết quả ngoại suy của phương pháp. 5o sánh phương pháp GPR-ARMA với tùng phương pháp riêng lẽ 3. Kết chương. - - KẾT LUẬN VÀ ĐỊNH HƯỚNG PHÁT TRIỂN 1.

Định hưởng phát triển. DANII MỤC TÀI LIỆU THAM KIIÃO. Giải thuật Trmovalioris - - 64 P2. Biểu đỗ tư tượng quan và phân phối thành phầu xu thế - 65 P3.

Danh giá khoảng tin cậy phân phối chuẩn. Danh sich ding ký các máy chủ Google % DANII MUC CAC BANG VAIIINII VE Danh muc cac hinh vé dién d6 thi cho phan tich hdi quy Gaussian Process. - 14 đỏ đữ liệu lịch sử giá đóng cửa chỉ sé VN-Index Biên Ẵ đồ tư tương quan thành._ biến đổi của xu thế : Phân phối các giá trị thành phản xu thế biến đổi. 27: Các bước thục hiện trong phương pháp GPR-ARMA - : Quy trình thực hiện phương pháp dự đoán.

35 : Quá trình thu thập dữ liệu lịch sử giả. -Ö 40 : Giao diện chương trình thu thập dữ liệu chỉ số VN-Tnđex. 4L : Các module của chương trình dự doán. : Đồ thị kết quả đự đoán nội suy của phương, pháp GPR-ARMA.

4? : Dễ thị kết quá dự đoán theo phương pháp kết hợp GPR-ARMA.6: Đỏ thị kết quả dự doán theo phương pháp đaussian Procoss %4 Hình 37: Đề thị kết quả dự đoán theo phương pháp ARMA. - 55 Daoh myc cac bằng Bang 1.1: Mệt số hàm hiệp phương sai trong Gaussian Process - 15 Bang 2.1: Bắng nhằm † quá dự đoán xu thể.1: Danh sách cáo gói thư viện Python được cải đặi - - 4 Bang 3.2: Câu hình và phân phổi đữ liệu kiểm thử cho các máy chi.3: Đánh giá nội suy của phương phap GPR-ARMA.4: Bàng nhằm ội suy với phân lớp tầng.5: Bảng nhằm nội suy với phên lớp giảm.6: Bang nham lan nội suy tổng hợp các phân lớp - 46 Bảng 3.7: Giá Eị các tham số/siêu tham số mồ hình sau mỗi bướo lẶp.- Bang 38 qua du doan theo phương pháp GPR-ARMA - s0 Bang 3.9: Kết quả dự đoán xu thể theo phuong phap GPR-ARMA 50 Bang 3.10: Bang uhm lin ngoai suy von phiin lớp lãng đảng 3.11: Bảng nhằm lẫn ngoại suy với phản lớp giảm.13: Bảng nhằm lẫn ngoại suy tổng hợp các phân lớp Bang 3.13: Banh gid sai số ngoại suy của phương pháp GRD-ARM: 4 Bang 3.14: Danh giá sai số ngoại suy của phương pháp Gaussian Process. Banh gid sai số ngoại suy của phương phap ARMA $5 MUC LUC LOL CAM DOAN. - - - iii TDANH MUC CAC BANG VA HINH VE 7 - v DANII MUC THUAT NGU VA TU VIET TAT.

i MO DAU CHƯƠNG 1: CƠ SỞ LÝ THUYÊT 1. Chỉ số chứng khoản VN-Index 1.