Luận văn: Khai phá luật kết hợp mờ và ứng dụng vào đầu tư chứng khoán

Luận văn khám phá luật kết hợp mờ, ứng dụng vào phân tích và dự đoán thị trường chứng khoán. Nghiên cứu mới cho đầu tư hiệu quả hơn.

• Tác giả: Nguyễn Thái Cường
• Người hướng dẫn: PGS.TS. Trần Đình Khang
• Trường học: Trường Đại học Bách Khoa Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Khai phá luật kết hợp mờ và áp dụng vào bài toán đầu tư chứng khoán
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2009
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng Quan Về Khai Phá Luật Kết Hợp Mờ Cho Chứng Khoán

Trong bối cảnh thị trường chứng khoán ngày càng phức tạp và biến động, việc áp dụng các kỹ thuật khai phá dữ liệu tiên tiến trở nên vô cùng quan trọng. Một trong số đó là khai phá luật kết hợp mờ, một phương pháp hiệu quả để khám phá ra các mối quan hệ tiềm ẩn giữa các yếu tố khác nhau ảnh hưởng đến giá cổ phiếu. Khác với các phương pháp truyền thống, luật kết hợp mờ cho phép xử lý các thông tin không chắc chắn và mơ hồ, vốn rất phổ biến trong lĩnh vực tài chính. Khai phá luật kết hợp là bài toán được nhiều nhà nghiên cứu quan tâm. Luận văn này tập trung vào việc nghiên cứu và ứng dụng luật kết hợp mờ vào bài toán đầu tư chứng khoán, nhằm xây dựng một hệ thống hỗ trợ ra quyết định đầu tư thông minh và hiệu quả hơn. Việc phân tích chứng khoán đòi hỏi sự am hiểu sâu sắc về thị trường và khả năng xử lý lượng lớn dữ liệu. Luật kết hợp mờ cung cấp một công cụ mạnh mẽ để dự đoán chứng khoán và đưa ra các hệ thống khuyến nghị đầu tư. Luận văn này cũng sẽ đi sâu vào các thuật toán khai phá luật kết hợp và thuật toán mờ được sử dụng trong quá trình phân tích. Các kết quả và dữ liệu được nêu trong luận văn là hoàn toàn trưng thực và rõ ràng. Mọi thông tím trich dan déu được tuân theo luật sở hữu trí t8, liệt kẻ rõ rằng các tải liệu tham khảo. Tôi xin chịu hoàn toàn trách nhiệm với những nội dung được viết trong luận vẫn này.

1.1. Giới thiệu Kỹ thuật khai phá dữ liệu trong chứng khoán

Kỹ thuật khai phá dữ liệu cho thị trường chứng khoán là quá trình sử dụng các công cụ và thuật toán để tự động tìm kiếm, phân tích và trích xuất thông tin hữu ích từ lượng dữ liệu khổng lồ được tạo ra hàng ngày trên thị trường. Các nguồn dữ liệu này bao gồm giá cổ phiếu, khối lượng giao dịch, tin tức tài chính, báo cáo phân tích, và nhiều nguồn thông tin khác. Mục tiêu chính là tìm ra các mẫu, xu hướng và quy luật tiềm ẩn, từ đó đưa ra các dự báo và quyết định đầu tư chính xác hơn. Kỹ thuật này bao gồm nhiều phương pháp khác nhau, từ các thuật toán thống kê truyền thống đến các mô hình học máy phức tạp. Một số phương pháp phổ biến bao gồm phân tích hồi quy, phân tích chuỗi thời gian, mạng nơ-ron, cây quyết định và luật kết hợp. Các kỹ thuật phân tích kỹ thuật chứng khoán và phân tích cơ bản chứng khoán cũng được sử dụng để hỗ trợ quá trình khai phá dữ liệu. Các nhà phân tích chứng khoán sử dụng những công cụ này để tìm ra cơ hội đầu tư tiềm năng và giảm thiểu rủi ro đầu tư chứng khoán.

1.2. Luật kết hợp mờ Giải pháp cho dữ liệu không chắc chắn

Luật kết hợp mờ là một mở rộng của luật kết hợp truyền thống, cho phép xử lý các dữ liệu không chắc chắn và mơ hồ. Trong bối cảnh thị trường chứng khoán, thông tin thường không chính xác và có nhiều yếu tố chủ quan ảnh hưởng. Ví dụ, các nhà đầu tư có thể có những nhận định khác nhau về tiềm năng của một công ty, hoặc tin tức tài chính có thể mang tính chất dự đoán và không hoàn toàn chính xác. Luật kết hợp mờ sử dụng logic mờ để biểu diễn và xử lý các thông tin này. Thay vì chỉ có giá trị đúng hoặc sai, mỗi thuộc tính có thể có một mức độ thuộc về một tập mờ nào đó. Điều này cho phép mô hình hóa các khái niệm như “giá cổ phiếu cao”, “khối lượng giao dịch lớn”, hoặc “tin tức tích cực” một cách linh hoạt và chính xác hơn. Việc ứng dụng luật kết hợp mờ giúp phân tích rủi ro và tối đa hóa lợi nhuận đầu tư chứng khoán.

II. Các Bước Khai Phá Luật Kết Hợp Mờ Trong Chứng Khoán

Quá trình khai phá luật kết hợp mờ trong lĩnh vực đầu tư chứng khoán bao gồm nhiều bước, từ thu thập và tiền xử lý dữ liệu đến xây dựng mô hình và đánh giá kết quả. Bước đầu tiên là xác định mục tiêu nghiên cứu và thu thập dữ liệu từ các nguồn khác nhau. Dữ liệu này có thể bao gồm giá cổ phiếu, khối lượng giao dịch, chỉ số thị trường, tin tức tài chính, và các báo cáo phân tích. Tiếp theo, dữ liệu cần được tiền xử lý để loại bỏ các giá trị thiếu, nhiễu và không nhất quán. Bước này cũng bao gồm việc chuẩn hóa và rời rạc hóa dữ liệu để phù hợp với các thuật toán khai phá luật kết hợp. Sau khi dữ liệu đã được chuẩn bị, các thuật toán khai phá luật kết hợp mờ được áp dụng để tìm ra các mối quan hệ tiềm ẩn giữa các yếu tố khác nhau. Các luật kết hợp được đánh giá dựa trên các độ đo như độ hỗ trợ, độ tin cậy và độ nâng. Cuối cùng, các luật kết hợp có giá trị được sử dụng để xây dựng mô hình dự đoán và hệ thống khuyến nghị đầu tư.

2.1. Thu thập và tiền xử lý dữ liệu chứng khoán hiệu quả

Việc thu thập và tiền xử lý dữ liệu là một bước quan trọng trong quá trình khai phá luật kết hợp mờ. Dữ liệu chứng khoán thường có định dạng khác nhau và chứa nhiều giá trị thiếu, nhiễu và không nhất quán. Việc tiền xử lý dữ liệu bao gồm các bước như làm sạch dữ liệu, chuẩn hóa dữ liệu và rời rạc hóa dữ liệu. Làm sạch dữ liệu bao gồm việc loại bỏ các giá trị thiếu và các giá trị không hợp lệ. Chuẩn hóa dữ liệu bao gồm việc chuyển đổi dữ liệu về một phạm vi chung để đảm bảo rằng các thuộc tính khác nhau có ảnh hưởng tương đương đến quá trình khai phá luật kết hợp. Rời rạc hóa dữ liệu bao gồm việc chuyển đổi các thuộc tính liên tục thành các thuộc tính rời rạc. Việc này giúp đơn giản hóa quá trình khai phá luật kết hợp và làm cho các luật kết hợp dễ hiểu hơn.

2.2. Áp dụng thuật toán khai phá luật kết hợp mờ tối ưu

Có nhiều thuật toán khai phá luật kết hợp mờ khác nhau có thể được sử dụng trong lĩnh vực chứng khoán. Một trong những thuật toán phổ biến nhất là thuật toán Apriori. Thuật toán Apriori là một thuật toán lặp, tìm kiếm các tập mục phổ biến bằng cách bắt đầu với các tập mục có kích thước nhỏ và dần dần tăng kích thước của các tập mục cho đến khi không còn tập mục phổ biến nào được tìm thấy. Tuy nhiên, các phương pháp quản trị và khai thác cơ sở dữ liệu truyền thống ngày cảng không đáp ứng được thực Lễ đã làm phát triển một khuynh hướng kỹ thuật mới đó là Kỹ thuật phát hiện trí thức và khai phá đữ liệu (KDD - Knowledge Discovery and Data Mining). Thuật toán Apriori nhị phân cũng thường được sử dụng. Sau khi các tập mục phổ biến đã được tìm thấy, các luật kết hợp có thể được tạo ra từ các tập mục này. Các luật kết hợp được đánh giá dựa trên các độ đo như độ hỗ trợ, độ tin cậy và độ nâng. Các luật kết hợp có giá trị được sử dụng để xây dựng mô hình dự đoán và hệ thống khuyến nghị đầu tư.

2.3. Đánh giá và diễn giải luật kết hợp mờ trong thực tế

Sau khi luật kết hợp mờ được khai phá, bước quan trọng tiếp theo là đánh giá và diễn giải chúng để rút ra những thông tin có giá trị và áp dụng vào thực tế. Đánh giá luật kết hợp bao gồm việc xem xét các độ đo thống kê như độ hỗ trợ, độ tin cậy và độ nâng để xác định mức độ quan trọng và tin cậy của các luật. Diễn giải luật kết hợp đòi hỏi sự hiểu biết sâu sắc về lĩnh vực tài chính và thị trường chứng khoán. Việc này bao gồm việc xác định ý nghĩa kinh tế của các luật, đánh giá tính hợp lý của chúng, và tìm ra các yếu tố gây ảnh hưởng đến mối quan hệ giữa các thuộc tính. Các chuyên gia tài chính có thể sử dụng luật kết hợp để hiểu rõ hơn về động lực thị trường, dự đoán xu hướng giá cổ phiếu, và đưa ra các quyết định đầu tư thông minh hơn.

III. Ứng Dụng Luật Kết Hợp Mờ vào Bài Toán Đầu Tư Chứng Khoán

Việc ứng dụng luật kết hợp mờ vào bài toán đầu tư chứng khoán mang lại nhiều lợi ích. Đầu tiên, nó giúp các nhà đầu tư hiểu rõ hơn về các yếu tố ảnh hưởng đến giá cổ phiếu và đưa ra các quyết định đầu tư dựa trên dữ liệu thực tế. Thứ hai, nó có thể được sử dụng để xây dựng các mô hình dự đoán và hệ thống khuyến nghị đầu tư, giúp các nhà đầu tư tiết kiệm thời gian và công sức trong việc phân tích thị trường. Thứ ba, nó giúp các nhà đầu tư quản lý rủi ro và tối đa hóa lợi nhuận bằng cách xác định các cơ hội đầu tư tiềm năng và tránh các khoản đầu tư rủi ro. Trong quá trình thực hiện luận văn này, mặc dù đã rất cố gắng, song không thé tranh khỏi những sai sót, tôi rất mong nhận được sự chỉ bão và giúp đỡ của thầy giáo và cáo bạn.

3.1. Xây dựng mô hình dự đoán giá cổ phiếu với luật mờ

Sử dụng luật kết hợp mờ để xây dựng mô hình dự đoán giá cổ phiếu là một ứng dụng quan trọng. Các luật kết hợp có thể được sử dụng để xác định các yếu tố dự báo giá cổ phiếu trong tương lai. Ví dụ, một luật kết hợp có thể cho thấy rằng nếu giá cổ phiếu của một công ty tăng trong ba ngày liên tiếp, thì có khả năng cao là giá cổ phiếu sẽ tiếp tục tăng trong ngày tiếp theo. Mô hình dự đoán có thể được xây dựng bằng cách kết hợp các luật kết hợp khác nhau và sử dụng các thuật toán học máy để tối ưu hóa độ chính xác của dự đoán. Các mô hình này có thể được sử dụng để đưa ra các khuyến nghị đầu tư cho các nhà đầu tư.

3.2. Phát triển hệ thống khuyến nghị đầu tư dựa trên luật kết hợp

Hệ thống khuyến nghị đầu tư là một ứng dụng tiềm năng khác của luật kết hợp mờ. Các hệ thống này có thể sử dụng luật kết hợp để đưa ra các khuyến nghị đầu tư cá nhân hóa cho từng nhà đầu tư. Ví dụ, một hệ thống có thể khuyến nghị một nhà đầu tư mua một cổ phiếu cụ thể nếu nhà đầu tư có một hồ sơ rủi ro cụ thể và các điều kiện thị trường hiện tại phù hợp với các luật kết hợp liên quan đến cổ phiếu đó. Hệ thống này có thể sử dụng thông tin về rủi ro đầu tư và lợi nhuận đầu tư mong muốn của nhà đầu tư để đưa ra các khuyến nghị đầu tư phù hợp.

IV. Kết Quả Nghiên Cứu và Đánh Giá Hiệu Quả Ứng Dụng trong Chứng Khoán

Luận văn này đã thực hiện các thử nghiệm thực tế để đánh giá hiệu quả của việc ứng dụng luật kết hợp mờ vào bài toán đầu tư chứng khoán. Kết quả cho thấy rằng phương pháp này có thể cải thiện đáng kể độ chính xác của các mô hình dự đoán và hiệu quả của các hệ thống khuyến nghị đầu tư. Các thử nghiệm được thực hiện trên dữ liệu lịch sử của thị trường chứng khoán Việt Nam và so sánh với các phương pháp truyền thống khác. Kết quả cho thấy rằng luật kết hợp mờ có khả năng phân tích dữ liệu và đưa ra các dự đoán chính xác hơn, đặc biệt trong các điều kiện thị trường biến động. Ngoài ra, hệ thống còn giúp các nhà đầu tư chứng khoán giảm bớt rủi ro

4.1. So sánh hiệu quả với các phương pháp phân tích truyền thống

Để đánh giá hiệu quả của việc khai phá luật kết hợp mờ, luận văn đã so sánh với các phương pháp phân tích chứng khoán truyền thống, như phân tích kỹ thuật và phân tích cơ bản. Phân tích kỹ thuật dựa trên việc nghiên cứu các biểu đồ giá và khối lượng giao dịch để dự đoán xu hướng giá cổ phiếu trong tương lai. Phân tích cơ bản dựa trên việc nghiên cứu các yếu tố kinh tế vĩ mô, tình hình tài chính của công ty và các yếu tố khác để đánh giá giá trị thực của cổ phiếu. Kết quả cho thấy rằng luật kết hợp mờ có thể cung cấp thông tin bổ sung và cải thiện độ chính xác của các dự đoán so với các phương pháp truyền thống.

4.2. Đánh giá tác động của luật kết hợp mờ đến lợi nhuận đầu tư

Một trong những mục tiêu quan trọng của việc ứng dụng luật kết hợp mờ là cải thiện lợi nhuận đầu tư. Để đánh giá tác động của phương pháp này đến lợi nhuận, luận văn đã thực hiện các thử nghiệm mô phỏng giao dịch dựa trên các khuyến nghị đầu tư được tạo ra bởi hệ thống sử dụng luật kết hợp mờ. Các thử nghiệm được thực hiện trên dữ liệu lịch sử và so sánh với các chiến lược đầu tư thụ động, như mua và nắm giữ. Kết quả cho thấy rằng luật kết hợp mờ có thể giúp các nhà đầu tư đạt được lợi nhuận cao hơn so với các chiến lược truyền thống, đồng thời giảm thiểu rủi ro.

V. Thách Thức và Hướng Nghiên Cứu Tiếp Theo Cho Thuật Toán Mờ

Mặc dù luật kết hợp mờ mang lại nhiều tiềm năng, vẫn còn một số thách thức cần vượt qua. Một trong những thách thức lớn nhất là việc lựa chọn các tham số phù hợp cho các thuật toán khai phá luật kết hợp. Các tham số này có thể ảnh hưởng đáng kể đến chất lượng của các luật kết hợp được tìm thấy. Ngoài ra, việc xử lý dữ liệu lớn và phức tạp đòi hỏi các thuật toán hiệu quả và khả năng mở rộng. Hướng nghiên cứu tiếp theo có thể tập trung vào việc phát triển các thuật toán mới, cải thiện khả năng xử lý dữ liệu lớn, và tích hợp luật kết hợp mờ với các kỹ thuật khác, như học sâu và mạng nơ-ron.

5.1. Giải quyết vấn đề hiệu suất trong khai phá dữ liệu lớn

Một trong những thách thức lớn nhất trong việc khai phá luật kết hợp mờ là xử lý dữ liệu lớn. Dữ liệu chứng khoán thường có kích thước rất lớn và phức tạp, đòi hỏi các thuật toán hiệu quả và khả năng mở rộng. Các hướng nghiên cứu có thể tập trung vào việc phát triển các thuật toán song song và phân tán, sử dụng các kỹ thuật giảm chiều dữ liệu, và tối ưu hóa các cấu trúc dữ liệu để cải thiện hiệu suất. Bên cạnh đó, việc sử dụng các phần mềm khai phá dữ liệu chuyên dụng có thể giúp tăng tốc quá trình phân tích và khai phá dữ liệu.

5.2. Kết hợp luật kết hợp mờ với các kỹ thuật học máy khác

Việc kết hợp luật kết hợp mờ với các kỹ thuật học máy khác, như học sâu và mạng nơ-ron, có thể mang lại những kết quả hứa hẹn. Các kỹ thuật học máy có thể được sử dụng để tự động lựa chọn các tham số phù hợp cho các thuật toán khai phá luật kết hợp, cải thiện độ chính xác của các mô hình dự đoán, và phát hiện các mẫu phức tạp hơn trong dữ liệu. Ví dụ, mạng nơ-ron có thể được sử dụng để học các biểu diễn đặc trưng từ dữ liệu và sau đó sử dụng luật kết hợp mờ để tìm ra các mối quan hệ giữa các đặc trưng này.

VI. Kết luận Tiềm Năng Ứng Dụng Rộng Rãi của Giải Thuật Mờ

Luận văn này đã trình bày một nghiên cứu về việc ứng dụng luật kết hợp mờ vào bài toán đầu tư chứng khoán. Kết quả cho thấy rằng phương pháp này có tiềm năng cải thiện đáng kể độ chính xác của các mô hình dự đoán và hiệu quả của các hệ thống khuyến nghị đầu tư. Mặc dù vẫn còn một số thách thức cần vượt qua, luật kết hợp mờ là một công cụ mạnh mẽ để khám phá ra các mối quan hệ tiềm ẩn trong dữ liệu chứng khoán và hỗ trợ các nhà đầu tư đưa ra các quyết định thông minh hơn. Trong tương lai, việc nghiên cứu và phát triển các thuật toán mới, cải thiện khả năng xử lý dữ liệu lớn, và tích hợp luật kết hợp mờ với các kỹ thuật khác sẽ mở ra nhiều cơ hội mới cho việc ứng dụng trong lĩnh vực tài chính.

6.1. Tóm tắt đóng góp của luận văn trong lĩnh vực chứng khoán

Luận văn này đã đóng góp vào lĩnh vực chứng khoán bằng cách trình bày một phương pháp mới để phân tích dữ liệu và dự đoán xu hướng giá cổ phiếu. Phương pháp này dựa trên việc ứng dụng luật kết hợp mờ, một kỹ thuật cho phép xử lý các dữ liệu không chắc chắn và mơ hồ. Luận văn đã chứng minh rằng phương pháp này có thể cải thiện độ chính xác của các mô hình dự đoán và hiệu quả của các hệ thống khuyến nghị đầu tư. Ngoài ra, luận văn cũng đã đề xuất các hướng nghiên cứu tiếp theo để giải quyết các thách thức còn tồn tại và mở rộng phạm vi ứng dụng của luật kết hợp mờ.

6.2. Triển vọng của luật kết hợp mờ trong các lĩnh vực khác

Mặc dù luận văn này tập trung vào việc ứng dụng luật kết hợp mờ trong lĩnh vực chứng khoán, kỹ thuật này cũng có tiềm năng ứng dụng rộng rãi trong các lĩnh vực khác, như y tế, marketing, và quản lý rủi ro. Ví dụ, trong lĩnh vực y tế, luật kết hợp mờ có thể được sử dụng để xác định các yếu tố nguy cơ gây bệnh và đưa ra các khuyến nghị phòng ngừa. Trong lĩnh vực marketing, luật kết hợp mờ có thể được sử dụng để phân tích hành vi khách hàng và đưa ra các chiến dịch quảng cáo cá nhân hóa. Trong lĩnh vực quản lý rủi ro, luật kết hợp mờ có thể được sử dụng để đánh giá và quản lý các rủi ro tài chính.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan về khai phả đữ liệ 1.1 Phát hiện và khai phá dữ liệu 1.2 Quả trình phát biện trí thứ từ cơ sở đữ u œ 1.1 Lấn đề phát hiện trí thức từ cơ sở dit Hid ®& 1.2 Thu thập và tiền xứ lý dữ hậu s „1. Chọn lọo dữ liệu. Làm sạch dữ liệu. Làm giàu dữ liệu.3 Khai phá dữ liệu 1.4 Minh họa và đánh giá.5 Đưa kết quả vào thực lẾ.3 Nội dưng bài toán khai phá đữ liệu - A? 1.1 Phát hiện luật tôi wu truy van ngit nghia 1.2 Phát biện sự phụ thuộc cơ sở dữ liệu.3 Phát biện sai lậch 1.4 Phát hiện luật kết hợp .5 Mô hình hóa sự phụ thuộc.

DANH MUC CAC HiNH VE Trang Hinh 1.1: Qua trinh phát hiện trị thức từ cơ sở dữ TTïnh 2.1: Đề thị hàm thuộc của 3 tập mờ Hình 3.1: Hàm thuộc hình thang cho các lập mua trái phiếu íL Và mua trải phiêu trung bình Hình 3.2 : Các bước tiễn hành khai phá dữ liệu chứng khoán.3 : Trang thông tin chúng khoán TIình 3.4: Giao diện chính chương trình Hình 3.5 Mừ hóa database phần Vnlndex Tinh 3.6 ab Két qui tim luật Ilinh 3.7 Giao điện chức năng tinh cuslomer index Hỉnh 3.9 Người dùng lựa chọn loai chứng khoán quan tâm.9 : Mù hóa đaLabase theo Customer Index Hình 3.10 : Kết quả tìm luật của Cuslomer Tndex Hình 3.11 : Dễ thị cỗ phiếu BBC trong tháng 12 DANH MUC CAC BANG Trang Bang 2.1: Vidu về một cơ sở dữ liệu đạng giao tác Đăng 2.2 : Các tập phổ biến với dộ hỗ trợ tối thiểu 50% Bảng 2.3 - luật kết hợp sinh ra từ tập phổ biến ABE, Bang 2.4: Rời rạc hóa thuộc tính số. Ký hiệu sử dụng trong thuật toán khai phá luật kết hợp mờ Dăng 2.6 Ví dụ cơ sở dữ liệu 13 cuộc gọi điện thoại Bang 2.7 —Tr- Giá trị các thuộc tỉnh tại các bản ghỉ đã được mờ hôa Bang 2.8 : Fị- Tập tất cá các thuộc tính mờ phổ biển có lực lượng bing 1 Bảng 3. ví dụ về dữ liệu giao địch chứng khoán theo ngày Bảng 3. ví dụ về dữ liệu giao dịch của từng cỗ phiếu theo ngày Bang 3.3 : Giao địch của cô phiéu BBC trong thang 12 LOT NOT DAU Trong những năm gần đây, vai trỏ của máy tính trong việc lưu trữ và xử lý thông tin ngày cảng quan trọng.

Củng với việc phát triển mạnh mẽ của công nghệ, đặc biệt trong lĩnh vực nhát triển khả năng của bộ vi xử lý, các thiết bị lưu trữ và các thiết bị thu nhập dữ liệu tự động dã tạo ra những kho đữ liệu khẳng lồ như dữ liệu ngân hàng, bán hàng. Vẫn để đặt ra là làm thế nào để xứ lý khối lượng thông tin cực lớn như vậy đỂ phát hiện ra các trí thức tiềm ấn. Những trí thức thu được, được chuyên môn hoá theo các lĩnh vực như ứng dụng tài chính, sản xuât, nghiên cứu. Đổ có dược trị thức từ cơ sở đữ liệu người ta đã phát triển các lý thuyết và kỹ thuật mới, một trong số đó là kỹ thuật khai phá di liêu, nhằm tìm ra những théng tin Gém ẩn có giả trị mà trước đó chưa được phát hiện cũng như từn ra những xu hướng phát triển và tác đông lên chung Khai phá luật kết hợp là bài toán được nhiều nhà nghiên cứu quan tâm bởi nó dược ứng dụng rộng rãi trong cáo lĩnh vực cũng như chứa dựng nhiều hướng mở rộng khác nhau.

Luận văn tốt nghiệp này nhằm tim hiểu về “Khai phá luật kết hợp mờ và áp dụng vào bài toán dầu tư chứng khoán”. Qua luận văn tôi cũng xin được bảy tổ lời cắm ơn sâu sắc nhất dến thầy giáo PG8.LS Trần Đình Khang đã giúp đỡ trong quá trình thực hiện. "Trong quá trình thực hiện luận văn này, mặc dù đã rất cố gắng, song không thé tranh khỏi những sai sót, tôi rất mong nhận được sự chỉ bão và giúp đỡ của thầy giáo và cáo bạn. LOT NOT DAU Trong những năm gần đây, vai trỏ của máy tính trong việc lưu trữ và xử lý thông tin ngày cảng quan trọng.

Củng với việc phát triển mạnh mẽ của công nghệ, đặc biệt trong lĩnh vực nhát triển khả năng của bộ vi xử lý, các thiết bị lưu trữ và các thiết bị thu nhập dữ liệu tự động dã tạo ra những kho đữ liệu khẳng lồ như dữ liệu ngân hàng, bán hàng. Vẫn để đặt ra là làm thế nào để xứ lý khối lượng thông tin cực lớn như vậy đỂ phát hiện ra các trí thức tiềm ấn. Những trí thức thu được, được chuyên môn hoá theo các lĩnh vực như ứng dụng tài chính, sản xuât, nghiên cứu. Đổ có dược trị thức từ cơ sở đữ liệu người ta đã phát triển các lý thuyết và kỹ thuật mới, một trong số đó là kỹ thuật khai phá di liêu, nhằm tìm ra những théng tin Gém ẩn có giả trị mà trước đó chưa được phát hiện cũng như từn ra những xu hướng phát triển và tác đông lên chung Khai phá luật kết hợp là bài toán được nhiều nhà nghiên cứu quan tâm bởi nó dược ứng dụng rộng rãi trong cáo lĩnh vực cũng như chứa dựng nhiều hướng mở rộng khác nhau.

Luận văn tốt nghiệp này nhằm tim hiểu về “Khai phá luật kết hợp mờ và áp dụng vào bài toán dầu tư chứng khoán”. Qua luận văn tôi cũng xin được bảy tổ lời cắm ơn sâu sắc nhất dến thầy giáo PG8.LS Trần Đình Khang đã giúp đỡ trong quá trình thực hiện. "Trong quá trình thực hiện luận văn này, mặc dù đã rất cố gắng, song không thé tranh khỏi những sai sót, tôi rất mong nhận được sự chỉ bão và giúp đỡ của thầy giáo và cáo bạn.2 Cải dặt và thử nghiệm. ch nung rereriirerie 59 3.1 Các bước xây đựng chương trình.2 Các chức năng của chương trình .1 Chite nang Muzzy Database.2 Chute ndng Find Association Rules .3 Chức năng calculaie Index.3 Cài đặt - 67 KẾT LUẬN VÀ KIÊN NGHI.

- - - 71 TAL LIBU THAM KHAO usec cseccsssscsssssssseisnssisssiinsseusstetesieisseevatsnsseanee FO TOM TAT LUAN VAN LOT NOT DAU Trong những năm gần đây, vai trỏ của máy tính trong việc lưu trữ và xử lý thông tin ngày cảng quan trọng. Củng với việc phát triển mạnh mẽ của công nghệ, đặc biệt trong lĩnh vực nhát triển khả năng của bộ vi xử lý, các thiết bị lưu trữ và các thiết bị thu nhập dữ liệu tự động dã tạo ra những kho đữ liệu khẳng lồ như dữ liệu ngân hàng, bán hàng. Vẫn để đặt ra là làm thế nào để xứ lý khối lượng thông tin cực lớn như vậy đỂ phát hiện ra các trí thức tiềm ấn. Những trí thức thu được, được chuyên môn hoá theo các lĩnh vực như ứng dụng tài chính, sản xuât, nghiên cứu.

Đổ có dược trị thức từ cơ sở đữ liệu người ta đã phát triển các lý thuyết và kỹ thuật mới, một trong số đó là kỹ thuật khai phá di liêu, nhằm tìm ra những théng tin Gém ẩn có giả trị mà trước đó chưa được phát hiện cũng như từn ra những xu hướng phát triển và tác đông lên chung Khai phá luật kết hợp là bài toán được nhiều nhà nghiên cứu quan tâm bởi nó dược ứng dụng rộng rãi trong cáo lĩnh vực cũng như chứa dựng nhiều hướng mở rộng khác nhau. Luận văn tốt nghiệp này nhằm tim hiểu về “Khai phá luật kết hợp mờ và áp dụng vào bài toán dầu tư chứng khoán”. Qua luận văn tôi cũng xin được bảy tổ lời cắm ơn sâu sắc nhất dến thầy giáo PG8.LS Trần Đình Khang đã giúp đỡ trong quá trình thực hiện. "Trong quá trình thực hiện luận văn này, mặc dù đã rất cố gắng, song không thé tranh khỏi những sai sót, tôi rất mong nhận được sự chỉ bão và giúp đỡ của thầy giáo và cáo bạn.4 Các kỹ thuật khai phá đít liệu - - - ".1 Công on tray vẫn ,oác kỹ thuật thông kê hiện thị 1.2 Các công cụ trợ) vẫn trực tiếp 1.3 láng giêng gần nhất.5 Cây quyết định.46 Luậi kết hợp Chương 2: Khai nhá luật kết hợp mờ.1 Luat két hop .1 Ý ng]ấu luật kết hợp.

2,1,2 Mật số hướng tiếp cận trong khai phá luật kết hợp .3 Phát biểu bài laám khai phá luật kết họp 2.4 Thudt todn Aprivri.5 Thuật toán Apriori nhj phan dé tim tập phé bién.6 Phuong phap réi rac hoa dit ign.2 Khai phá luật kết hợp mờ.2 Các phép toán cơ bản trên tập mờ.3 Ap dụng tập mờ để rời rạc hỏa dữ liệu và các wu điềm.4 Luật kết hợp mờ.5 Thuật loán khai phá luật kết hợp mở Chương 3: Bài toàn dầu tư chứng khoản.1 Nội dimg bai todn .1 Mê hình bài toà 3.2 Cách giải quyết bài toán .3 Chuyên đôi cơ sử dữ liệu .4 Trich rit thong tin và mở hỏa .5 Xây dụng công thức tính toán chỉ số. LOT NOT DAU Trong những năm gần đây, vai trỏ của máy tính trong việc lưu trữ và xử lý thông tin ngày cảng quan trọng. Củng với việc phát triển mạnh mẽ của công nghệ, đặc biệt trong lĩnh vực nhát triển khả năng của bộ vi xử lý, các thiết bị lưu trữ và các thiết bị thu nhập dữ liệu tự động dã tạo ra những kho đữ liệu khẳng lồ như dữ liệu ngân hàng, bán hàng. Vẫn để đặt ra là làm thế nào để xứ lý khối lượng thông tin cực lớn như vậy đỂ phát hiện ra các trí thức tiềm ấn.

Những trí thức thu được, được chuyên môn hoá theo các lĩnh vực như ứng dụng tài chính, sản xuât, nghiên cứu. Đổ có dược trị thức từ cơ sở đữ liệu người ta đã phát triển các lý thuyết và kỹ thuật mới, một trong số đó là kỹ thuật khai phá di liêu, nhằm tìm ra những théng tin Gém ẩn có giả trị mà trước đó chưa được phát hiện cũng như từn ra những xu hướng phát triển và tác đông lên chung Khai phá luật kết hợp là bài toán được nhiều nhà nghiên cứu quan tâm bởi nó dược ứng dụng rộng rãi trong cáo lĩnh vực cũng như chứa dựng nhiều hướng mở rộng khác nhau. Luận văn tốt nghiệp này nhằm tim hiểu về “Khai phá luật kết hợp mờ và áp dụng vào bài toán dầu tư chứng khoán”. Qua luận văn tôi cũng xin được bảy tổ lời cắm ơn sâu sắc nhất dến thầy giáo PG8.LS Trần Đình Khang đã giúp đỡ trong quá trình thực hiện.

"Trong quá trình thực hiện luận văn này, mặc dù đã rất cố gắng, song không thé tranh khỏi những sai sót, tôi rất mong nhận được sự chỉ bão và giúp đỡ của thầy giáo và cáo bạn.2 Cải dặt và thử nghiệm. ch nung rereriirerie 59 3.1 Các bước xây đựng chương trình.2 Các chức năng của chương trình .1 Chite nang Muzzy Database.