Bối cảnh và vấn đề nghiên cứu

Thị trường tài chính toàn cầu, đặc biệt là thị trường chứng khoán, tiền mã hóa và ngoại hối, ghi nhận sự phát triển mạnh mẽ và thu hút đông đảo các nhóm nhà đầu tư tham gia nhờ tiềm năng sinh lợi. Bên cạnh các nhà đầu tư tổ chức hoặc cá nhân có nền tảng kiến thức tài chính và kỹ thuật chuyên sâu, thị trường xuất hiện số lượng lớn các nhà đầu tư không chuyên (nhà đầu tư cá nhân, "tay ngang"). Nhóm này thường thiếu hụt kiến thức phân tích chuyên môn, dễ đưa ra quyết định giao dịch theo xu hướng đám đông hoặc chịu tác động từ các yếu tố thao túng tâm lý, dẫn đến rủi ro thua lỗ cao.

Song song với biến động tài chính, các lĩnh vực khoa học dữ liệu, trí tuệ nhân tạo, học máy và học sâu phát triển với tốc độ nhanh chóng. Sự cải tiến về phần cứng tính toán và thuật toán đã tạo điều kiện ứng dụng máy học vào việc giải quyết bài toán chuỗi thời gian tài chính. Dữ liệu giá cổ phiếu mang bản chất của một chuỗi ngẫu nhiên phi tuyến tính, không cố định, chịu sự chi phối đan xen của nền kinh tế vĩ mô, tình hình chính trị, đặc thù từng nhóm ngành và tâm lý hành vi của thị trường. Việc xây dựng các mô hình định lượng có khả năng nhận diện quy luật và dự báo xu hướng biến động giá đóng cửa trong tương lai có ý nghĩa thực tiễn, đóng vai trò công cụ hỗ trợ ra quyết định nhằm giảm thiểu rủi ro và tối ưu hóa lợi nhuận cho nhà đầu tư không chuyên.

Nhằm giải quyết bài toán trên, khóa luận xác định các nhiệm vụ và mục tiêu nghiên cứu cụ thể:

  1. Thu thập và tổng hợp dữ liệu giao dịch tài chính cùng các chỉ báo kỹ thuật từ hai nguồn Yahoo Finance và Alpha Vantage; thực hiện phân tích thống kê, làm sạch và xử lý dữ liệu thô.
  2. Huấn luyện thực nghiệm, tối ưu hóa các siêu tham số đầu vào cho các thuật toán học máy truyền thống, mô hình thống kê và mạng học sâu; so sánh, đánh giá hiệu quả dự báo giữa các mô hình dựa trên các thang đo sai số chuẩn hóa.

Đối tượng nghiên cứu của đề tài là chuỗi thời gian giá cổ phiếu và hệ thống các chỉ báo kỹ thuật của xấp xỉ 500 doanh nghiệp thuộc nhóm chỉ số S&P 500 niêm yết trên thị trường chứng khoán Mỹ. Biến mục tiêu cần dự báo là giá đóng cửa ("Close") của từng mã cổ phiếu trong 5 ngày giao dịch tiếp theo. Phạm vi không gian nghiên cứu đặt tại thị trường chứng khoán Mỹ. Phạm vi thời gian thu thập dữ liệu kéo dài từ ngày 01/01/2018 đến ngày 15/03/2022.

Cơ sở lý thuyết và phương pháp

Khóa luận tiếp cận lý thuyết học máy dựa trên định nghĩa kinh điển của Tom Mitchell (1997): một chương trình máy tính được xem là học từ kinh nghiệm $E$ đối với nhiệm vụ $T$ và thước đo hiệu suất $P$, nếu hiệu suất thực hiện nhiệm vụ $T$ (đo bằng $P$) được cải thiện dần theo kinh nghiệm $E$. Về mặt phân loại, tác giả hệ thống hóa 4 nhánh phương pháp học máy chính:

  • Học có giám sát (Supervised Learning): Mô hình học quan hệ ánh xạ giữa tập dữ liệu đầu vào và các nhãn mục tiêu quan sát được từ trước, chia thành hai bài toán cơ bản là hồi quy (regression) và phân loại (classification).
  • Học không giám sát (Unsupervised Learning): Thuật toán tự khám phá cấu trúc nội tại của dữ liệu khi không có nhãn đầu ra, phổ biến qua các kỹ thuật gom cụm (clustering) và giảm số chiều dữ liệu.
  • Học bán giám sát (Semi-supervised Learning): Kết hợp một lượng nhỏ dữ liệu đã gán nhãn với khối lượng lớn dữ liệu chưa gán nhãn nhằm giảm thiểu chi phí gắn nhãn thủ công.
  • Học củng cố/tăng cường (Reinforcement Learning): Hệ thống tự động xác định chuỗi hành động tối ưu thông qua cơ chế phản hồi phần thưởng và phạt từ môi trường (tiêu biểu như hệ thống AlphaGo trong cờ vây).

Nghiên cứu triển khai thực nghiệm 10 thuật toán thuộc các trường phái mô hình khác nhau:

  1. Hồi quy tuyến tính (Linear Regression): Đóng vai trò mô hình chuẩn (baseline) để so sánh hiệu suất.
  2. Support Vector Machine / Support Vector Regression (SVM/SVR): Tìm kiếm siêu phẳng tối ưu hóa khoảng cách lề cực đại (maximum margin) trong không gian đặc trưng.
  3. Random Forest: Phương pháp học kết hợp (ensemble) dạng đóng bao (bagging), xây dựng nhiều cây quyết định song song để tổng hợp kết quả.
  4. AdaBoost (Adaptive Boosting): Thuật toán tăng cường tuần tự, tập trung gia tăng trọng số đối với các trường hợp dự báo sai của các bộ phân loại yếu (decision stumps).
  5. Extreme Gradient Boosting (XGBoost): Tối ưu hóa thuật toán tăng cường độ dốc thông qua kỹ thuật xử lý song song, tỉa cành ngược và tích hợp chuẩn hóa L1/L2 nhằm hạn chế quá khớp (overfitting).
  6. Light Gradient Boosting Machine (LightGBM): Thuật toán tăng cường cây quyết định phát triển bởi Microsoft, áp dụng kỹ thuật phân chia theo lá (leaf-wise) và phân vùng đặc trưng thành các thùng (histogram-based), giúp giảm thiểu bộ nhớ và tăng tốc độ xử lý trên tập dữ liệu lớn.
  7. Autoregressive Integrated Moving Average (ARIMA): Mô hình chuỗi thời gian thống kê cổ điển kết hợp ba thành phần: tự hồi quy ($p$), bậc sai phân tích hợp ($d$) và trung bình trượt ($q$).
  8. Recurrent Neural Network (RNN): Mạng nơ-ron hồi quy có khả năng duy trì trạng thái ẩn qua các bước thời gian liên tiếp, tuy nhiên gặp hạn chế về triệt tiêu đạo hàm (vanishing gradient).
  9. Long Short-Term Memory (LSTM): Kiến trúc nơ-ron hồi quy cải tiến, sử dụng ba cổng kiểm soát thông tin (cổng quên, cổng đầu vào, cổng đầu ra) để khắc phục sự suy giảm đạo hàm trên chuỗi thời gian dài.
  10. Gated Recurrent Unit (GRU): Biến thể tối giản của LSTM, tinh gọn cấu trúc thành hai cổng (cổng đặt lại - reset gate và cổng cập nhật - update gate).

Bộ dữ liệu nghiên cứu bao gồm 37 biến thuộc tính, bao gồm các dữ liệu giao dịch cơ bản trong ngày và các chỉ báo kỹ thuật trích xuất từ Yahoo Finance và Alpha Vantage:

STT Tên biến Mô tả đặc tính
1 - 6 Date, Open, High, Low, Close, Adj Close Ngày giao dịch, giá mở cửa, giá cao nhất, giá thấp nhất, giá đóng cửa, giá đóng cửa có hiệu chỉnh
7 - 9 Volume, Dividend Amount, Split Coefficient Khối lượng giao dịch, số cổ tức chi trả, hệ số phân chia cổ phiếu
10 - 15 SMA, EMA, WMA, DEMA, TEMA, TRIMA Các đường trung bình động: đơn giản, lũy thừa, có trọng số, lũy thừa bậc hai, lũy thừa bậc ba, tam giác
16 - 18 KAMA, MAMA, FAMA Các đường trung bình trượt thích ứng: Kaufman, MESA, và thích ứng theo sau
19 - 21 MACD, MACD_Hist, MACD_Signal Đường trung bình động hội tụ/phân kỳ, biểu đồ sai phân và đường tín hiệu MACD
22 - 27 SlowK, SlowD, RSI, ADX, PPO, CCI Các chỉ báo động lượng và dao động: Stochastic chậm, Sức mạnh tương đối, Định hướng trung bình, Dao động giá, Kênh hàng hóa
28 - 31 Aroon Down, Aroon Up, TRIX, ULTOSC Chỉ báo sức mạnh xu hướng đỉnh/đáy, trung bình trượt mịn lũy thừa bậc ba, chỉ báo dao động Ultimate Oscillator
32 - 34 Real Upper Band, Real Middle Band, Real Lower Band Dải trên, dải giữa và dải dưới của chỉ báo Bollinger Bands (chu kỳ 20 ngày, $\pm 2$ độ lệch chuẩn)
35 - 37 SAR, Chaikin A/D, OBV Điểm dừng và đảo chiều Parabolic SAR, đường tích lũy/phân phối Chaikin, chỉ báo cân bằng khối lượng

Phương pháp thực nghiệm phân chia dữ liệu thành hai giai đoạn theo tỷ lệ 9:1:

  • Tập dữ liệu (1): Chiếm 90% (từ ngày 01/01/2018 đến 12/10/2021), sử dụng để huấn luyện mô hình, kiểm tra chéo và dò tìm các bộ siêu tham số thích hợp nhất.
  • Tập dữ liệu (2): Chiếm 10% còn lại (từ ngày 13/10/2021 đến 15/03/2022), đóng vai trò tập kiểm thử độc lập ngoài mẫu để đánh giá và so sánh năng lực dự báo của các mô hình đã chọn.

Nhằm phản ánh đúng đặc tính chuỗi thời gian của thị trường tài chính (giao dịch định kỳ từ thứ Hai đến thứ Sáu, nghỉ cuối tuần và ngày lễ), nghiên cứu áp dụng phương pháp cửa sổ trượt cuốn chiếu tùy biến (custom rolling window) trên toàn bộ quá trình thực nghiệm. Hiệu suất mô hình được định lượng qua 3 độ đo:

  • Sai số bình quân bình phương: $$\text{RMSE} = \sqrt{\frac{1}{n}\sum_{i=1}^{n}\left(A_i - P_i\right)^2}$$
  • Sai số tuyệt đối trung bình: $$\text{MAE} = \frac{1}{n}\sum_{i=1}^{n}\left|A_i - P_i\right|$$
  • Sai số phần trăm tuyệt đối trung bình: $$\text{MAPE} = \frac{1}{n}\sum_{i=1}^{n}\left|\frac{A_i - P_i}{A_i}\right| \times 100%$$ (Trong đó $A_i$ là giá trị thực tế, $P_i$ là giá trị dự báo, $n$ là tổng số quan sát).

Môi trường phát triển sử dụng ngôn ngữ lập trình Python, triển khai trên nền tảng Visual Studio Code và Jupyter Notebook. Các thư viện chuyên dụng gồm có: yfinance, alpha_vantage (thu thập dữ liệu qua REST API); pandas, numpy (thao tác và tính toán ma trận dữ liệu dạng bảng); scikit-learn (huấn luyện Linear Regression, SVM, Random Forest, AdaBoost và tính toán sai số); xgboost, lightgbm (mô hình tăng cường độ dốc); statsmodels (mô hình chuỗi thời gian ARIMA); và torch (PyTorch - xây dựng và huấn luyện các kiến trúc mạng học sâu RNN, LSTM, GRU).

Nội dung chính theo từng chương

CHƯƠNG 1. TỔNG QUAN NGHIÊN CỨU

Chương 1 thiết lập khung nghiên cứu tổng thể của khóa luận:

  • Phân tích bối cảnh gia tăng các kênh đầu tư tài chính và sự xuất hiện của các nhà đầu tư không chuyên đối mặt với biến động phức tạp của giá cổ phiếu.
  • Xác định đối tượng nghiên cứu là dữ liệu chuỗi thời gian của khoảng 500 cổ phiếu thuộc chỉ số S&P 500 cùng hệ thống các chỉ báo phân tích kỹ thuật tại thị trường Mỹ.
  • Đặt ra hai nhiệm vụ nghiên cứu: xây dựng bộ dữ liệu làm sạch từ Yahoo Finance và Alpha Vantage; thiết lập quy trình huấn luyện, tối ưu hóa tham số và đối sánh hiệu suất của 10 mô hình học máy.
  • Giới hạn phạm vi thời gian dữ liệu từ ngày 01/01/2018 đến ngày 15/03/2022.
  • Trình bày ý nghĩa lý thuyết (xác định phương pháp lựa chọn tham số đầu vào và cung cấp dữ liệu tham chiếu) và ý nghĩa thực tiễn (hỗ trợ công cụ ra quyết định định lượng cho nhà đầu tư).
  • Nêu rõ bố cục 5 chương của khóa luận.

CHƯƠNG 2. CƠ SỞ LÝ THUYẾT

Chương 2 tổng hợp nền tảng lý thuyết về học máy và khảo cứu các ứng dụng thực tế trong tài chính:

  • Định nghĩa học máy theo mô hình của Mitchell và quy trình 5 bước: Thu thập dữ liệu (Get Data), Làm sạch và chuẩn bị dữ liệu (Clean, Prepare and Manipulate Data), Huấn luyện mô hình (Train model), Kiểm thử (Test Data) và Cải tiến lặp lại (Improve).
  • Phân tích chi tiết 4 phương pháp học: có giám sát, không giám sát, bán giám sát và học củng cố (dẫn chứng trận đấu cờ vây của hệ thống AlphaGo với không gian trạng thái $10^{170}$ nước đi).
  • Khảo sát các ca ứng dụng thực tế của học máy trong đời sống: hệ thống gợi ý nội dung (Facebook, TikTok), thị giác máy tính, xử lý ngôn ngữ tự nhiên, quy trình sản xuất (tập đoàn 3M dùng AWS Machine Learning tối ưu độ bền vật liệu mài mòn), chăm sóc sức khỏe (Cambia Health Solutions hỗ trợ điều trị thai sản), tối ưu logistics (Amazon Fulfillment - AFT giảm 40% chi phí cơ sở hạ tầng kho bãi), truyền thông giải trí và dịch vụ tài chính (Intuit sử dụng Amazon Textract).
  • Tổng thuật vai trò của học máy trong tài chính định lượng và giao dịch thuật toán (algorithmic trading), phân tích lợi thế của hệ thống máy tính trong việc loại bỏ các thiên kiến tâm lý và cảm xúc của con người khi ra quyết định đầu tư.

CHƯƠNG 3. PHƯƠNG PHÁP NGHIÊN CỨU

Chương 3 trình bày chi tiết quy trình kỹ thuật và phương pháp luận thực nghiệm:

  • Mô tả nguyên lý toán học và cơ chế vận hành của 10 thuật toán dự báo: Hồi quy tuyến tính (đơn biến và đa biến); Support Vector Machine và Support Vector Regression; Random Forest; AdaBoost; XGBoost; LightGBM; ARIMA; các mạng nơ-ron hồi quy tuần tự RNN, LSTM và GRU.
  • Thiết lập kiến trúc mô hình dự báo: đầu vào là toàn bộ các biến thuộc tính đã qua xử lý trong ngày giao dịch hiện tại, đầu ra là giá trị đóng cửa của 5 ngày giao dịch tiếp theo.
  • Liệt kê và định nghĩa chi tiết 37 biến tài chính và chỉ báo kỹ thuật trong Bảng 3.1.
  • Quy định không gian tìm kiếm các siêu tham số tiềm năng phục vụ quá trình tinh chỉnh mô hình:
    • Linear Regression: Giữ các tham số mặc định làm mốc tham chiếu.
    • SVM: Thử nghiệm các hàm nhân (kernel) gồm linear, poly (n=3), rbf.
    • Random Forest, AdaBoost, XGBoost, LightGBM: Thử nghiệm số lượng cây n_estimators tại các mức 50, 100, 200, 300, 500.
    • ARIMA: Thử nghiệm các bộ tham số bậc tự hồi quy và sai phân order như (1, 0, 0), (0, 1, 0), (1, 1, 1).
    • RNN, LSTM, GRU: Thử nghiệm số nút ẩn hidden_dim (32, 64, 128) và số tầng ẩn layer_dim (3, 4).
  • Trình bày kỹ thuật cửa sổ trượt cuốn chiếu tùy biến và công thức xác định các độ đo hiệu suất RMSE, MAE, MAPE.

CHƯƠNG 4. KẾT QUẢ NGHIÊN CỨU

Chương 4 báo cáo toàn bộ dữ liệu thống kê mô tả, quy trình xử lý dữ liệu và kết quả thực nghiệm:

  • Thống kê mô tả (Bảng 4.1): Dữ liệu sau bước chuẩn hóa có giá trị nhỏ nhất bằng 0 và lớn nhất bằng 1; giá trị trung bình, độ lệch chuẩn và các phân vị Pctl(25), Pctl(75) tập trung quanh ngưỡng 0.2 - 0.6. Đa số các biến có phân phối đối xứng, riêng các thuộc tính Volume, Dividend Amount, Split Coefficient, DEMA, TEMA, MACD, MACD_Hist, MACD_Signal, PPO, CCI, Aroon Down có mức độ biến động mạnh và không ổn định.
  • Phân tích tương quan: Xác định mối tương quan tuyến tính giữa các thuộc tính đầu vào với giá đóng cửa 5 ngày tiếp theo. Các biến giá trực tiếp (Open, High, Low, Close, Adj Close) đạt mức tương quan cao nhất, tiếp đến là các chỉ báo xu hướng dài hạn như TEMA, WMA, EMA. Các biến Dividend Amount và Split Coefficient không có ý nghĩa thống kê; các chỉ báo Volume, Aroon Up, Aroon Down, SlowK, SlowD có hệ số tương quan tiệm cận 0.
  • Xử lý dữ liệu: Loại bỏ 16 biến gây nhiễu gồm: Volume, Dividend Amount, Split Coefficient, MACD, MACD_Hist, MACD_Signal, SlowK, SlowD, Aroon Down, Aroon Up, RSI, ADX, PPO, CCI, TRIX, ULTOSC. Tiến hành bù lấp dữ liệu khuyết thiếu bằng phương pháp nội suy tuyến tính (interpolation), sau đó thay thế các giá trị không xác định còn sót lại bằng giá trị trung vị (median) của từng biến.
  • Kết quả huấn luyện 45 cấu hình trên Tập dữ liệu (1):
    • Random Forest: Hiệu suất tăng nhẹ khi tăng n_estimators, nhưng khi tăng từ 50 lên 500 cây, thời gian huấn luyện tăng từ 8 phút lên hơn 1 giờ trong khi sai số MAPE chỉ biến động quanh mức 7.99%.
    • AdaBoost, XGBoost, LightGBM: Có xu hướng tương tự nhóm cây quyết định; việc tăng số cây làm tiêu tốn tài nguyên tính toán nhưng hiệu suất không có bước nhảy vọt. RMSE toàn nhóm dao động trong khoảng 17.0 - 18.x, MAE quanh mức $15 \pm 0.5$, MAPE giữa mô hình tốt nhất (6.72%) và kém nhất (7.33%) không có sự chênh lệch lớn.
    • ARIMA và Mạng học sâu (RNN, LSTM, GRU): Việc tăng số tầng ẩn từ 3 lên 4 hoặc tăng số nút ẩn từ 32 lên 128 làm mô hình phức tạp và kéo dài thời gian tính toán nhưng không mang lại sự cải thiện rõ rệt về sai số dự báo.
  • Kết quả kiểm thử trên Tập dữ liệu (2): Chọn cấu hình tốt nhất của từng thuật toán để dự báo trên 10% dữ liệu độc lập còn lại:
    • Linear Regression: Đạt độ chính xác 80.2% (thấp nhất trong 10 mô hình).
    • ARIMA, RNN, LSTM, GRU: Đạt độ chính xác trong dải từ 91.0% đến 91.x%.
    • Nhóm mô hình cây (RF, AdaBoost, XGBoost, LightGBM): Thể hiện hiệu suất vượt trội so với baseline và nhóm học sâu.
    • Support Vector Machine: Đạt độ chính xác cao nhất trong toàn bộ nghiên cứu (đạt trên 93.x%), với sai số kiểm thử RMSE đạt 18.067849.
  • Đồ thị hóa đường dự báo so với giá trị thực tế trên 4 cổ phiếu công nghệ có vốn hóa lớn: Apple (AAPL), Microsoft (MSFT), Alphabet/Google (GOOGL) và Amazon (AMZN), xác nhận khả năng bám sát xu hướng thực tế của mô hình.

CHƯƠNG 5. THẢO LUẬN KẾT QUẢ

Chương 5 tổng kết các phát hiện chính từ kết quả thực nghiệm:

  • Đánh giá năng lực của các thuật toán máy học truyền thống và học sâu trong bài toán dự báo chuỗi thời gian tài chính.
  • Phân tích hiện tượng đánh đổi giữa chi phí tính toán (thời gian huấn luyện, độ sâu tham số) và mức độ cải thiện độ chính xác thực tế.
  • Khái quát các hạn chế về nguồn dữ liệu và phạm vi nghiên cứu, đồng thời đề xuất định hướng phát triển mô hình cho các giai đoạn tiếp theo.

Kết quả và đóng góp

Nghiên cứu tiến hành đánh giá thực nghiệm 10 mô hình dự báo giá đóng cửa chuỗi thời gian trên tập dữ liệu kiểm tra độc lập (Tập 2), thu được các kết quả định lượng cụ thể:

Mô hình thuật toán RMSE MAE MAPE (%) Đánh giá độ chính xác tổng thể
Linear Regression - - - 80.20% (Thấp nhất, mô hình tham chiếu)
ARIMA 23.x - - 91.0% - 91.x%
RNN 20.x - - 91.0% - 91.x%
LSTM 22.x - - 91.0% - 91.x%
GRU 21.085773 - - 91.0% - 91.x%
Random Forest 18.x $15 \pm 0.5$ 7.99% Nhóm vượt trội
AdaBoost 17.x $15 \pm 0.5$ 6.72% - 7.33% Nhóm vượt trội
XGBoost 17.x $15 \pm 0.5$ 6.72% - 7.33% Nhóm vượt trội
LightGBM 17.069104 $15 \pm 0.5$ 6.72% - 7.33% Nhóm vượt trội
Support Vector Machine (SVM) 18.067849 - - > 93.x% (Độ chính xác cao nhất)

(Ghi chú: Các giá trị sai số được tổng hợp trực tiếp từ kết quả báo cáo tại Bảng 4.2 đến Bảng 4.10 của khóa luận).

Các giải pháp kỹ thuật do tác giả đề xuất:

  • Quy trình sàng lọc đặc trưng dựa trên phân tích tương quan tuyến tính, loại bỏ 16 biến gây nhiễu không có ý nghĩa thống kê hoặc có hệ số tương quan tiệm cận 0 trước khi huấn luyện mô hình.
  • Kỹ thuật xử lý giá trị khuyết kết hợp hai giai đoạn: áp dụng nội suy tuyến tính (interpolation) cho các khoảng trống cục bộ trong chuỗi thời gian, sau đó bù lấp phần còn lại bằng giá trị trung vị (median) của thuộc tính.
  • Thiết lập cơ chế cửa sổ trượt cuốn chiếu tùy biến (custom rolling window) mô phỏng chính xác nhịp độ làm việc của sàn chứng khoán (nghỉ thứ Bảy, Chủ nhật).

Đóng góp của khóa luận:

  • Về mặt lý thuyết: Chứng minh phương pháp lựa chọn tối ưu tham số đầu vào cho các thuật toán học máy trong bài toán dự báo chuỗi thời gian; chỉ ra thực tế rằng việc gia tăng độ phức tạp mô hình (tăng số cây trong ensemble từ 50 lên 500, tăng số tầng/nút ẩn trong RNN/LSTM/GRU) làm tăng chi phí tính toán đột biến nhưng không mang lại sự cải thiện tương xứng về độ chính xác dự báo; cung cấp bộ chỉ số đối sánh thực nghiệm giữa 10 thuật toán học máy, thống kê và học sâu.
  • Về mặt thực tiễn: Cung cấp cơ sở dữ liệu và giải pháp mô hình hóa có khả năng phát triển thành công cụ hỗ trợ ra quyết định đầu tư, hỗ trợ giảm thiểu rủi ro cho các nhà đầu tư cá nhân không có kiến thức tài chính chuyên sâu.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ ra một số hạn chế gắn liền với phạm vi triển khai:

  • Dữ liệu nghiên cứu mới chỉ tập trung vào nhóm doanh nghiệp thuộc rổ chỉ số S&P 500 niêm yết tại thị trường chứng khoán Mỹ, chưa thực hiện kiểm chứng mở rộng trên các thị trường tài chính phát triển khác hoặc thị trường cận biên/mới nổi.
  • Khung thời gian dữ liệu dừng lại ở giai đoạn từ ngày 01/01/2018 đến ngày 15/03/2022.
  • Các mô hình thuần túy sử dụng biến số định lượng từ lịch sử giá và các chỉ báo kỹ thuật nội tại, chưa tích hợp các yếu tố ngoại sinh như dữ liệu kinh tế vĩ mô, biến động tin tức chính trị, báo cáo tài chính định kỳ hoặc phân tích tâm lý thị trường (sentiment analysis).
  • Chưa áp dụng các giải pháp tìm kiếm không gian siêu tham số tự động ở quy mô sâu hơn cho mô hình thống kê ARIMA và các mạng nơ-ron hồi quy học sâu.

Các hướng mở rộng được đề xuất:

  • Nghiên cứu cơ chế tối ưu hóa siêu tham số tự động và chuyên sâu hơn nhằm khai thác hết tiềm năng của mô hình ARIMA cũng như các cấu trúc mạng học sâu RNN, LSTM, GRU.
  • Mở rộng phạm vi không gian và thời gian của bộ dữ liệu sang các thị trường tài chính và các lớp tài sản khác nhau.
  • Tích hợp thêm các nguồn dữ liệu phi cấu trúc và các chỉ số kinh tế vĩ mô nhằm nâng cao năng lực phản ứng của mô hình trước các biến động đột ngột của thị trường.

Giá trị tham khảo

Khóa luận là tài liệu học thuật hữu ích cho:

  • Sinh viên, học viên cao học và nghiên cứu sinh chuyên ngành Khoa học dữ liệu, Hệ thống thông tin, Trí tuệ nhân tạo và Công nghệ tài chính (Fintech) đang tìm kiếm tài liệu tham khảo về quy trình xây dựng bài toán dự báo tài chính đầu - cuối (end-to-end).
  • Các nhà nghiên cứu quan tâm đến việc ứng dụng học máy vào chuỗi thời gian: khóa luận cung cấp mã nguồn tham khảo chi tiết tại phần phụ lục (từ Phụ lục 1 đến Phụ lục 7) về các bước lập trình thu thập dữ liệu qua API, tiền xử lý, cấu hình và huấn luyện các mô hình RNN, LSTM, GRU bằng PyTorch.
  • Nội dung tại Chương 3 (bảng mô tả 37 biến thuộc tính, phương pháp rolling window tùy biến) và Chương 4 (ma trận so sánh hiệu suất và bài toán đánh đổi tài nguyên tính toán giữa 10 mô hình) là nguồn đối chiếu thực nghiệm có giá trị cho các nghiên cứu tiếp theo về thị trường tài chính.

Câu hỏi thường gặp

1. Khóa luận sử dụng các nguồn dữ liệu nào và bao gồm bao nhiêu thuộc tính ban đầu?
Dữ liệu được thu thập từ hai nguồn chính là Yahoo Finance và Alpha Vantage thông qua các thư viện Python chuyên dụng (yfinance, alpha_vantage). Bộ dữ liệu ban đầu bao gồm 37 thuộc tính, gồm các chỉ số giá cơ bản trong phiên (Open, High, Low, Close, Adj Close, Volume), thông tin doanh nghiệp (Dividend Amount, Split Coefficient) và 28 chỉ báo kỹ thuật thuộc các nhóm đường trung bình trượt, chỉ báo dao động và chỉ báo khối lượng.

2. Vì sao tác giả loại bỏ 16 biến kỹ thuật trong quá trình tiền xử lý dữ liệu?
Dựa trên phân tích phân phối thống kê và ma trận tương quan ở Chương 4, tác giả phát hiện các biến này hoặc có mức độ biến động dị thường, không có ý nghĩa thống kê (Dividend Amount, Split Coefficient), hoặc có hệ số tương quan tiệm cận mức 0 đối với giá đóng cửa 5 ngày tiếp theo (Volume, Aroon Up, Aroon Down, SlowK, SlowD, RSI, ADX, PPO, CCI, TRIX, ULTOSC, MACD...). Việc loại bỏ 16 biến này nhằm giảm thiểu hiện tượng nhiễu dữ liệu và tối ưu hóa hiệu quả huấn luyện mô hình.

3. Phương pháp cửa sổ trượt cuốn chiếu tùy biến (custom rolling window) được thiết kế nhằm mục đích gì?
Phương pháp này được xây dựng nhằm khắc phục tính chất ngắt quãng đặc thù của thị trường tài chính. Khác với các chuỗi thời gian liên tục 7 ngày trong tuần, các sàn giao dịch chứng khoán chỉ hoạt động từ thứ Hai đến thứ Sáu (loại trừ các ngày nghỉ lễ). Kỹ thuật rolling window tùy biến giúp mô hình duy trì tính liên tục của chuỗi dữ liệu giao dịch thực tế mà không bị sai lệch bởi các khoảng trống thời gian phi giao dịch.

4. Trong 10 mô hình được thử nghiệm, mô hình nào cho độ chính xác cao nhất và thấp nhất?
Mô hình hồi quy tuyến tính (Linear Regression) đóng vai trò tham chiếu cho kết quả thấp nhất với độ chính xác 80.2% trên tập dữ liệu kiểm thử. Mô hình Support Vector Machine (SVM) đạt độ chính xác cao nhất trong toàn bộ nghiên cứu (đạt trên 93.x%), xếp trên nhóm các thuật toán cây quyết định nâng cao (LightGBM, XGBoost, Random Forest, AdaBoost) và nhóm mô hình học sâu/thống kê (ARIMA, RNN, LSTM, GRU với độ chính xác đạt khoảng 91% - 91.x%).

5. Việc gia tăng số lượng cây (n_estimators) trong các thuật toán ensemble dạng cây mang lại ảnh hưởng như thế nào?
Thực nghiệm ở Chương 4 chứng minh rằng việc tăng n_estimators từ 50 lên 500 cây (tăng gấp 10 lần) khiến thời gian huấn luyện tăng mạnh (ví dụ với Random Forest tăng từ 8 phút lên hơn 1 giờ đồng hồ), nhưng sai số dự báo MAPE chỉ suy giảm không đáng kể (quanh mức 7.99%). Do đó, việc mở rộng tham số quá mức gây lãng phí tài nguyên tính toán mà không mang lại giá trị cải thiện hiệu suất rõ rệt.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Hoàng Nhân đã xây dựng thành công bộ dữ liệu giao dịch và chỉ báo kỹ thuật của 500 cổ phiếu S&P 500 tại thị trường Mỹ giai đoạn 2018 - 2022 nhằm giải quyết bài toán dự báo giá đóng cửa 5 ngày tiếp theo. Thông qua việc tinh chỉnh và đánh giá 45 cấu hình của 10 mô hình học máy, thống kê và học sâu, nghiên cứu khẳng định thuật toán Support Vector Machine cùng các mô hình cây quyết định (LightGBM, XGBoost) mang lại hiệu quả dự báo vượt trội với độ chính xác đạt trên 93%. Đồng thời, công trình cung cấp bằng chứng thực nghiệm quan trọng về sự đánh đổi giữa tài nguyên tính toán và độ chính xác dự báo, đặt nền tảng định lượng tin cậy cho các nghiên cứu chuỗi thời gian tài chính tiếp theo.