Mô Hình Học Sâu Dự Đoán Xu Hướng Giá Chứng Khoán Tại Trường Đại Học Sư Phạm TPHCM

Tài liệu nghiên cứu Xây dựng mô hình học sâu dự đoán xu hướng giá chứng khoán, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về kỹ thuật.

• Tác giả: Dương Thị Hòa Bình
• Người hướng dẫn: TS. Kiều My
• Trường học: Trường Đại Học Sư Phạm TPHCM
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Mô Hình Học Sâu Dự Đoán Xu Hướng Giá Chứng Khoán
• Loại tài liệu: Khóa Luận Tốt Nghiệp
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Tóm tắt

I. Tổng Quan Về Mô Hình Học Sâu Dự Đoán Giá Chứng Khoán

Thị trường chứng khoán đóng vai trò quan trọng trong nền kinh tế, thu hút nhà đầu tư cá nhân và tổ chức. Sự phát triển của công nghệ thông tin giúp truy xuất dữ liệu giao dịch, hỗ trợ quyết định đầu tư. Tuy nhiên, thị trường chứng khoán có tính ngẫu nhiên và phi tuyến tính, khiến việc dự đoán xu hướng giá trở nên khó khăn. Các yếu tố như cung cầu, tình hình thế giới, chính trị xã hội, biến động kinh tế và báo cáo tài chính đều ảnh hưởng đến giá cổ phiếu. Sự bùng nổ của trí tuệ nhân tạo, đặc biệt là học sâu, đã mở ra cơ hội giải quyết bài toán này. Các ứng dụng xử lý ảnh y khoa và xử lý ngôn ngữ tự nhiên đã đạt được những bước tiến lớn, tạo nền tảng cho việc xây dựng mô hình dự đoán chứng khoán. Dữ liệu chứng khoán là yếu tố then chốt cho mọi mô hình.

1.1. Vai Trò của Deep Learning Chứng Khoán Trong Đầu Tư

Việc ứng dụng deep learning chứng khoán không chỉ giúp các nhà đầu tư cá nhân, tổ chức giảm thiểu rủi ro, tăng lợi nhuận. Mà còn tạo điều kiện để họ đưa ra quyết định đầu tư chính xác, nhanh chóng, nhờ khả năng phân tích và xử lý dữ liệu quy mô lớn của mô hình học sâu. Tuy nhiên cần lưu ý, độ chính xác của mô hình dự đoán chứng khoán vẫn cần được kiểm chứng thông qua backtesting cẩn thận.

1.2. Thách Thức Khi Áp Dụng Học Sâu Tài Chính vào Chứng Khoán

Mặc dù học sâu tài chính hứa hẹn nhiều tiềm năng, nhưng việc áp dụng vào thị trường chứng khoán cũng đối mặt với nhiều thách thức. Dữ liệu chứng khoán thường nhiễu, phi tuyến tính và chịu ảnh hưởng bởi nhiều yếu tố bên ngoài. Việc lựa chọn kiến trúc mạng phù hợp, tối ưu hóa tham số và đảm bảo tính ổn định của mô hình là những vấn đề cần giải quyết. Đòi hỏi chuyên gia phải có kiến thức sâu rộng về cả tài chính và khoa học máy tính.

II. Vấn Đề Độ Chính Xác Mô Hình Dự Đoán Giá Cổ Phiếu

Mục tiêu của nghiên cứu là xây dựng mô hình học sâu dự đoán xu hướng giá chứng khoán có độ tin cậy cao. Thị trường chứng khoán Việt Nam và Mỹ được chọn làm đối tượng nghiên cứu do có nguồn dữ liệu thời gian thực và sự hỗ trợ của các chuyên gia tài chính. Phương pháp tiếp cận tập trung vào các mô hình học sâu kết hợp với phân tích kỹ thuật. Kết quả đầu ra là dự đoán giá cao (High) và giá thấp (Low) của cổ phiếu trong ngày tiếp theo dựa trên dữ liệu lịch sử. Các mô hình máy học Support Vector Machine, Decision Tree, Random Forest và các mô hình học sâu như Convolutional Neural Network (CNN), Recurrent Neural Network (RNN) đã được nghiên cứu và phát triển. LSTM (Long-Short Term Memory) được đánh giá là mô hình phù hợp và hiệu quả cao với dữ liệu tuần tự.

2.1. Tại Sao Cần Dự Báo Giá Cổ Phiếu Bằng AI Chính Xác

Dự báo giá cổ phiếu bằng AI chính xác có ý nghĩa quan trọng đối với nhà đầu tư, doanh nghiệp và cả nền kinh tế. Giúp nhà đầu tư ra quyết định sáng suốt, tối ưu hóa lợi nhuận, giảm thiểu rủi ro. Doanh nghiệp có thể sử dụng thông tin dự báo để quản lý rủi ro, huy động vốn hiệu quả. Nền kinh tế được hưởng lợi từ sự ổn định và phát triển của thị trường chứng khoán, thu hút vốn đầu tư và thúc đẩy tăng trưởng. Cần xây dựng hệ thống backtesting mô hình chứng khoán để đánh giá chính xác nhất.

2.2. Các Yếu Tố Ảnh Hưởng Đến Độ Chính Xác Của Mô Hình

Nhiều yếu tố ảnh hưởng đến độ chính xác của mô hình dự đoán chứng khoán. Chất lượng và lượng dữ liệu đầu vào là yếu tố then chốt. Lựa chọn đặc trưng (features) phù hợp, áp dụng các phương pháp tiền xử lý dữ liệu hiệu quả, và sử dụng các kỹ thuật học máy tiên tiến. Các yếu tố ảnh hưởng đến giá chứng khoán như tin tức, sự kiện chính trị, tâm lý thị trường cũng cần được xem xét. Việc đánh giá độ chính xác cần thực hiện trên nhiều mã cổ phiếu và giai đoạn khác nhau.

2.3. Ứng Dụng Học Sâu Trong Đầu Tư Chứng Khoán Cơ Hội và Rủi Ro

Ứng dụng học sâu trong đầu tư chứng khoán mang lại nhiều cơ hội, như khả năng phân tích dữ liệu lớn, phát hiện các mẫu ẩn và đưa ra dự đoán chính xác. Tuy nhiên, cũng tiềm ẩn rủi ro, như overfitting, thiếu dữ liệu và khó giải thích kết quả. Nhà đầu tư cần hiểu rõ về thuật toán dự đoán chứng khoán được sử dụng, đánh giá độ chính xác và rủi ro trước khi đưa ra quyết định đầu tư.

III. Cách Xây Dựng Mô Hình CNN LSTM Dự Đoán Xu Hướng Giá

Mô hình CNN-LSTM kết hợp là một giải pháp hiệu quả để dự đoán xu hướng giá chứng khoán. CNN được sử dụng để trích xuất đặc trưng từ dữ liệu đầu vào, trong khi LSTM xử lý chuỗi thời gian và đưa ra dự đoán. Mô hình bao gồm các lớp tích chập, lớp gộp, lớp LSTM và lớp fully connected. Phương pháp đánh giá sử dụng dữ liệu thực nghiệm từ thị trường chứng khoán Việt Nam và nước ngoài. Dữ liệu được tiền xử lý và chuẩn hóa trước khi đưa vào mô hình. Quá trình thực nghiệm và đánh giá mô hình được thực hiện trong môi trường Python với các thư viện TensorFlow và Keras. Kết quả được so sánh với các công trình đã công bố.

3.1. Chi Tiết Kiến Trúc Mạng Nơ Ron Dự Đoán Giá Chứng Khoán

Kiến trúc mạng nơ-ron dự đoán giá chứng khoán CNN-LSTM kết hợp bao gồm các lớp Convolutional, Pooling, LSTM và Fully Connected. Lớp Convolutional trích xuất đặc trưng từ dữ liệu đầu vào, lớp Pooling giảm chiều dữ liệu, lớp LSTM xử lý chuỗi thời gian và lớp Fully Connected đưa ra dự đoán cuối cùng. Cần lựa chọn hàm kích hoạt phù hợp (ví dụ ReLU) và tối ưu hóa các tham số của mô hình (ví dụ sử dụng Stochastic Gradient Descent).

3.2. Phương Pháp Phân Tích Kỹ Thuật Chứng Khoán Bằng AI Để Cải Thiện

Để cải thiện độ chính xác, có thể tích hợp phân tích kỹ thuật chứng khoán bằng AI vào mô hình. Các chỉ báo kỹ thuật như Moving Average, RSI, MACD có thể được sử dụng làm đặc trưng đầu vào cho mô hình. AI có thể giúp tự động hóa quá trình lựa chọn và tối ưu hóa các chỉ báo kỹ thuật, cũng như kết hợp chúng một cách hiệu quả để đưa ra dự đoán tốt hơn. Cần cân nhắc lựa chọn các chỉ báo phù hợp với từng loại cổ phiếu và thị trường.

IV. Ứng Dụng Thực Tế Mô Hình Dự Đoán Chứng Khoán Việt Nam

Mô hình CNN-LSTM đã được thử nghiệm trên dữ liệu chứng khoán Việt Nam. Kết quả cho thấy mô hình có khả năng dự đoán xu hướng giá với độ chính xác tương đối cao. Mô hình có thể được sử dụng để hỗ trợ nhà đầu tư đưa ra quyết định giao dịch. Tuy nhiên, cần lưu ý rằng thị trường chứng khoán luôn biến động và không có mô hình nào có thể dự đoán chính xác 100%.

4.1. Đánh Giá Hiệu Quả Với Dữ Liệu Thị Trường Chứng Khoán

Việc đánh giá hiệu quả của mô hình trên dữ liệu thị trường chứng khoán Việt Nam là rất quan trọng. Cần sử dụng các phương pháp đánh giá phù hợp như MAE, RMSE và MAPE. So sánh kết quả của mô hình với các phương pháp truyền thống và các công trình nghiên cứu khác. Phân tích ưu nhược điểm của mô hình trong điều kiện thị trường Việt Nam.

4.2. Phân Tích Dữ Liệu Chứng Khoán Khó Khăn và Giải Pháp

Phân tích dữ liệu chứng khoán đối mặt với nhiều khó khăn, như dữ liệu nhiễu, phi tuyến tính và thiếu thông tin. Cần áp dụng các kỹ thuật tiền xử lý dữ liệu hiệu quả, như làm sạch dữ liệu, chuẩn hóa và trích xuất đặc trưng. Sử dụng các mô hình học máy phù hợp để xử lý dữ liệu phi tuyến tính. Kết hợp dữ liệu chứng khoán với các nguồn thông tin khác, như tin tức và mạng xã hội, để có cái nhìn toàn diện hơn.

V. Kết Luận Triển Vọng Của Học Sâu Trong Dự Báo Chứng Khoán

Học sâu có tiềm năng to lớn trong việc dự báo thị trường chứng khoán. Với khả năng phân tích dữ liệu phức tạp và học các mẫu phi tuyến tính, các mô hình như CNN-LSTM có thể cải thiện độ chính xác của dự báo và hỗ trợ các nhà đầu tư đưa ra quyết định thông minh hơn. Tuy nhiên, cần tiếp tục nghiên cứu và phát triển để giải quyết các thách thức và tận dụng tối đa tiềm năng của học sâu trong lĩnh vực này.

5.1. Hướng Phát Triển Mô Hình Dự Đoán Thị Trường Chứng Khoán

Hướng phát triển của mô hình dự đoán thị trường chứng khoán bao gồm: Kết hợp với các nguồn dữ liệu khác như tin tức, mạng xã hội; Sử dụng các kiến trúc mạng tiên tiến hơn như Transformer; Phát triển các mô hình giải thích được (Explainable AI) để hiểu rõ hơn về quá trình dự đoán; Ứng dụng học tăng cường để xây dựng các chiến lược giao dịch tự động.

5.2. Deep Learning Cho Giao Dịch Chứng Khoán Lợi Ích và Rủi Ro

Deep learning cho giao dịch chứng khoán mang lại nhiều lợi ích, như khả năng tự động hóa giao dịch, tối ưu hóa lợi nhuận và giảm thiểu rủi ro. Tuy nhiên, cũng tiềm ẩn rủi ro, như phụ thuộc quá nhiều vào mô hình, thiếu kiểm soát và khả năng bị tấn công mạng. Cần sử dụng deep learning một cách cẩn trọng và kết hợp với các phương pháp quản lý rủi ro truyền thống.

Trích đoạn nội dung tài liệu

Chương 1 TỔNG QUAN VỀ BÀI TOÁN DỰ ĐOÁN XU HƯỚNG GIÁ CHỨNG KHOÁN 1.1 Tổng quan về thị trường chứng khoán 1.1 Khái niệm về chứng khoán Chứng khoán là loại tài sản, bao gồm: Cổ phiếu, trái phiếu, chứng chỉ quỹ; Chứng quyền, chứng quyền có bảo đảm, quyền mua cổ phần, chứng chỉ lưu ký; Chứng khoán phát sinh; Các loại chứng khoán khác do Chính phủ quy định.2 Tầm quan trọng của thị trường chứng khoán • Đối với nhà đầu tư: Thị trường chứng khoán là một kênh đầu tư tiềm năng và phong phú với đa dạng danh mục đầu tư. Các loại chứng khoán này khác nhau về tính chất, giá cả, mức độ rủi ro và tính thanh khoản, do vậy các nhà đầu tư có thể lựa chọn mã cổ phiếu phù hợp với sở thích và khả 17 năng của mình. Việc tham gia vào thị trường chứng khoán cũng dễ dàng, thủ tục đơn giản giúp cho các cá nhân nhỏ lẻ hay các tổ chức có nguồn vốn lớn có thể tiếp cận một cách nhanh chóng. • Đối với doanh nghiệp: Thị trường chứng khoán giúp các doanh nghiệp đa dạng các hình thức huy động vốn đầu tư bằng việc phát hành cổ phiếu hay trái phiếu, điều này giúp cho cho doanh nghiệp có được một số vốn đầu tư dài hạn mà còn tránh được các khoản vay ngân hàng với lãi suất cao.

Hơn thế nữa, việc doanh nghiệp có chứng khoán niêm yết trên sàn giao dịch giúp tạo được niềm tin và sự uy tín đối với công chúng, nhờ đó mà doanh nghiệp có thể huy động được nguồn vốn một cách linh hoạt, hiệu quả và rẻ hơn. Ngoài ra việc mở của trị trường chứng khoán còn giúp cho doanh nghiệp thu hút được thêm các nguồn vốn từ thị trường quốc tế, mở rộng cơ hội của doanh nghiệp. • Đối với nền kinh tế: Thị trường chứng khoán tạo ra các công cụ có tính thanh khoản cao, có thể tích tụ, tập trung và phân phối vốn, chuyển thời hạn của vốn phù hợp với yêu cầu phát triển kinh tế, giúp tạo vốn cho nền kinh tế quốc dân. Nhờ có thị trường chứng khoán, Chính phủ có thể huy động các nguồn lực tài chính mà không bị áp lực về lạm phát, đặc biệt khi nguồn vốn đầu tư từ khu vực nhà nước còn hạn chế.3 Khái niệm về cổ phiếu Cổ phiếu là loại chứng khoán xác nhận quyền và lợi ích hợp pháp của người sở hữu đối với một phần vốn cổ phần của tổ chức phát hành.

Hay nói cách khác cổ phiếu là giấy chứng nhận số tiền mà cổ đông đầu tư vào doanh nghiệp. Các công ty cổ phần phát hành cổ phiếu để huy động vốn vào việc kinh doanh của họ. Cổ phiếu được mua và bán chủ yếu trên các sàn giao dịch chứng khoán. Tại thị trường chứng khoán Việt Nam, một cổ phiếu cơ sở là đại diện cho 10.000 18 đồng vốn điều lệ của doanh nghiệp.

Các nhà đầu tư mua bán cổ phiếu vì các mục đích sau: • Khai thác lợi nhuận từ việc chênh lệch giá mua và bán, hưởng cổ tức – phần lợi nhuận sau thuế để chia cho cổ đông của công ty. • Để tham gia biểu quyết, nắm quyền quyết định, điều hành của công ty/doanh nghiệp.2 Tổng quan về bài toán hồi quy 1.1 Khái niệm về hồi quy Hồi quy (regression) là phương pháp thống kê toán học để ước lượng và kiểm định các quan hệ giữa các biến ngẫu nhiên, và có thể từ đó đưa ra các dự báo. Các quan hệ ở đây được viết dưới dạng các hàm số hay phương trình.2 Bài toán hồi quy trong Học máy Bài toán hồi quy là một trong những bài toán lớn trong lĩnh vực học máy, liên quan đến việc dự đoán một giá trị số thực bằng cách sử dụng các biến số học được thông qua dữ liệu để tìm mối quan hệ giữa các biến số đó. Có nhiều mô hình hồi quy có thể kể đến như: Hồi quy đơn biến, hồi quy đa biến, hồi quy tuyến tính hoặc phi tuyến Trong những năm gần đây, với sự phát triển bùng nổ của khoa học công nghệ, các nhà nghiên cứu đã nỗ lực để trong việc tìm ra những giải pháp, những phương pháp đánh giá, tối ưu hóa để nâng cao độ chính xác của mô hình.

Chính vì lẽ đó mà các bài toán khó tưởng chừng không thể giải quyết đã ngày một được giải đáp thúc đẩy cho nền kinh tế phát triển từ đó các rào cản về công nghệ cũng được tháo gỡ.3 Bài toán dự đoán xu hướng giá chứng khoán Một trong những bài toán được phần đông những nhà khoa học, nhà kinh tế quan tâm nhất chính là bài toán dự đoán xu hướng giá chứng khoán. Ngay từ những ngày đầu khi thị trường chứng khoán đầu tiên được thành lập vào những năm 1600, các nhà kinh tế đã thấy được sự tiềm năng mà chứng khoán đem lại. Lần lượt các nhà tiên phong về phương pháp dự đoán chuỗi thời gian đã xuất hiện, có thể kể đến mô hình AutoRegressive được nhà thống kê Udny Yule và các đồng nghiệp phát minh vào những năm 1920. Mô hình này là nền tảng cho một số mô hình thống kê và kinh tế lượng sau này như ARMA, ARIMA.

Điều đó cho thấy từ trước những năm phát triển vượt bậc của lĩnh vực trí tuệ nhân tạo, sự quan tâm của các nhà khoa học đối với bài toán này là không hề nhỏ. Trong những năm gần đây, các mô hình máy học đã được ứng dụng vào bài toán này để hỗ trợ các nhà đầu tư tạo ra lợi nhuận, tuy nhiên với những mô hình máy học truyền thống thì độ chính xác vẫn còn những hạn chế nhất định. Tuy nhiên với sự phát triển của những mô hình học sâu, việc nhận dạng được những mẩu phi tuyến tính trong chuỗi thời gian của chứng khoán đã trở nên dễ tiếp cận hơn bao giờ hết. Một hướng tiếp cận khá phổ biến và hiệu quả trong những năm gần đây cho bài toán dự đoán chuỗi thời gian là sử dụng mô hình LSTM đây là mô hình học sâu thu hút được nhiều sự quan tâm của các nhà nghiên cứu trong và ngoài nước.

LSTM được sử dụng rất nhiều cho các bài toán có dữ liệu thời gian hay tuần tự như dịch máy, nhận diện giọng nói, dự báo thời tiết với độ chính xác cao.3 Tình hình nghiên cứu Từ các phương pháp máy học truyền thống đến các mô hình học sâu, có rất nhiều kĩ thuật khác nhau dùng để dự đoán chuỗi thời gian tài chính nói chung 20 Hình 1.1: Mô hình tổng quát bài toán dự đoán xu hướng giá chứng khoán và dự đoán giá/xu hướng giá chứng khoán nói riêng. Đầu tiên có thể kể đến RNN - một mạng nơ ron được thiết kế đặc biệt với khả năng xử lý được dữ liệu thời gian và trích xuất thông tin cũng như dự đoán dựa trên chuỗi thông tin trước đó. Vì vậy, các mô hình RNN và biến thể của nó dường như phù hợp để dự đoán cho chuỗi thời gian và cụ thể là chuỗi thời gian về tài chính. CNN là một trong những mô hình học sâu khác có thể áp dụng cho bài toán dự đoán giá chứng khoán nhờ vào khả năng trích xuất thông tin hiệu quả qua các bộ lọc.

Theo một số kết quả thực nghiệm, CNN có một vai trò đáng kể trong việc xử lý dữ liệu đầu vào và trích xuất đặc trưng. Ví dụ, theo [27] có thể áp dụng cho nhiều dữ liệu từ các nguồn khác nhau, bao gồm nhiều thị trường khác nhau, và trích xuất đặc trưng để dự đoán cho các thị trường này. Các kết quả đánh giá cho thấy so với thuật toán cơ sở (baseline algorithm) tốt nhất, hiệu suất dự đoán khi sử dụng CNN cho cải thiện đáng kể. Ngoài ra các nhà nghiên cứu cũng đã áp dụng mô hình Học tăng cường - một phương pháp học sâu, đưa ra hành động dựa trên tình huống hiện tại để tối đa hóa lợi nhuận.

Học tăng cường học cách thực hiện giao dịch (có thể là mua, bán hoặc giữ cổ phiếu) theo tình hình của thị trường hiện tại. Mô hình xem thông tin ngữ cảnh (giá cả, tin tức, dư luận, phí giao dịch, hành động giao 21 dịch, lợi nhuận, thua lỗ) như một môi trường để học tăng cường. Coi lãi hoặc lỗ có thể coi như phần thưởng, các giao dịch (bán, mua, giữ) được coi như các hành động và mô hình cần tối ưu các hành động này để đưa ra lợi nhuận tối ưu.1 Tình hình nghiên cứu trong nước Tại Việt Nam trong những năm gần đây có nhiều nhóm nghiên cứu về mô hình học sâu để giải quyết bài toán dự đoán giá chứng khoán. Điển hình là một số công trình của: • Nhóm tác giả Ngoc Hai trình bày về các thực nghiệm trên các biến thể của mô hình LSTM với dữ liệu chứng khoán ở Việt Nam.

Trong bài báo này nhóm tác giả thực nghiệm trên 3 mô hình đề xuất là Vanilla LSTM, Stacked LSTM và Bi-LSTM. [8] • Nhóm tác giả Huỳnh Quyết Thắng trình bày phương pháp dự đoán xu thế chỉ số chứng khoán Việt Nam (VN-Index) gồm bốn bước, trong đó dữ liệu đầu vào là dữ liệu lịch sử chỉ số giá của VN-Index. Các tác giả áp dụng mô hình hồi quy trung bình động (ARMA) để dự đoán thành phần thời gian ngẫu nhiên ở bước kế tiếp, phân tích hồi quy quá trình Gauss (GPR) để dự đoán thành phần thời gian xu thế. Cuối cùng kết quả dự đoán các thành phần riêng lẻ được tổng hợp lại để đưa ra kết quả dự đoán cuối cùng cho phương pháp tổng hợp GPR-ARMA.

Nghiên cứu đạt độ chính xác kết quả dự đoán xu thế là 61,73% và độ lệch trung bình của chỉ số dự đoán so với chỉ số thực tế khoảng 0. [9] • Quang Hung Doa và Tran Van Trang phát triển hai mô hình dự đoán và so sánh hiệu suất dự đoán bằng kết quả dự đoán ngày tiếp theo của chỉ số VN-Index. Hai mô hình phát triển gồm hệ thống suy luận mờ dựa trên mạng thích ứng (ANFIS) và bộ nhớ dài-ngắn hạn (LSTM). Kết quả cho thấy rằng mô hình LSTM vượt trội hơn so với mô hình ANFIS trong việc dự đoán chỉ số VN-Index của thị trường chứng khoán Việt Nam.2 Tình hình nghiên cứu nước ngoài Với cách tiếp cận theo mô hình RNN và biến thể của nó, đã có nhiều công trình trên thế giới được công bố, có thể kể đến: • Weiling Chen và các cộng sự đề xuất mô hình RNN-Boost sử dụng các chỉ báo kĩ thuật, đặc trưng cảm xúc và thuật toán Latent Dirichlet allocation (LDA) để dự đoán giá chứng khoán.

Kết quả chỉ ra rằng mô hình đề xuất đem lại kết quả tốt hơn mô hình RNN cơ bản.