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

Thị trường chứng khoán đóng vai trò quan trọng trong nền kinh tế, thu hút nhà đầu tư cá nhân và tổ chức. 92 trang · Trường Đại Học Sư Phạm TPHCM · 2022.

• 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

Mục lục chi tiết

• Lời cảm ơn
• Một số kí hiệu viết tắt
• Danh sách hình vẽ
• Danh sách bảng
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ BÀI TOÁN DỰ ĐOÁN XU HƯỚNG GIÁ CHỨNG KHOÁN
• 1.1. Tổng quan về thị trường chứng khoán
• 1.1.1. Khái niệm về chứng khoán
• 1.1.2. Tầm quan trọng của thị trường chứng khoán
• 1.1.3. Khái niệm về cổ phiếu
• 1.2. Tổng quan về bài toán hồi quy
• 1.2.1. Khái niệm về hồi quy
• 1.2.2. Bài toán hồi quy trong Học máy
• 1.2.3. Bài toán dự đoán xu hướng giá chứng khoán
• 1.3. Tình hình nghiên cứu
• 1.3.1. Tình hình nghiên cứu trong nước
• 1.3.2. Tình hình nghiên cứu nước ngoài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tổng quan về phân tích cơ bản
• 2.2. Tổng quan về phân tích kỹ thuật
• 2.2.1. Một số chỉ báo kỹ thuật
• 2.3. Giới thiệu mô hình chuỗi thời gian ARIMA
• 2.3.1. Lý thuyết mô hình
• 2.3.2. Ưu và nhược điểm của mô hình ARIMA
• 2.4. Ưu và nhược của mô hình Machine Learning
• 2.5. Giới thiệu về mạng nơron nhân tạo
• 2.5.1. Các thành phần cơ bản của ANN
• 2.5.2. Lan truyền thẳng
• 2.5.3. Lan truyền ngược
• 2.6. Giới thiệu về mạng Convolutional Neural Network
• 2.6.1. Kiến trúc cơ bản của CNN
• 2.6.2. Lớp tích chập (Convolutional Layer)
• 2.6.4. Lớp Fully connected
• 2.7. Giới thiệu về mạng Recurrent Neural Network
• 2.7.1. Kiến trúc mô hình
• 2.7.2. Các vấn đề của mạng RNN
• 2.7.3. Các biến thể phổ biến
• 2.8. Giới thiệu về mạng Long-short term Memory
• 2.8.2. Cổng cập nhật (Update gate)
• 2.8.3. Cổng đầu ra (Output gate)
• 2.9. Phương pháp huấn luyện
• 2.9.2. Stochastic Gradient Descent (SGD)
• 3. CHƯƠNG 3: MÔ HÌNH ĐỀ XUẤT
• 3.1. Kiến trúc mô hình CNN - LSTM kết hợp
• 3.1.2. Các lớp thành phần đề xuất
• 3.2. Phương pháp đánh giá
• 4. CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM
• 4.1. Dữ liệu thực nghiệm
• 4.1.1. Bộ dữ liệu ở thị trường chứng khoán Việt Nam
• 4.1.2. Bộ dữ liệu ở thị trường chứng khoán ở nước ngoài
• 4.1.3. Tiền xử lý dữ liệu và chuẩn hóa
• 4.2. Quá trình thực nghiệm và đánh giá mô hình đề xuất
• 4.2.1. Môi trường thực nghiệm
• 4.2.2. Quá trình huấn luận mô hình thành phần và kết quả thực nghiệm
• 4.2.3. So sánh với các công trình đã công bố
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.2. Hướng phát triển
• Tài liệu tham khảo
• Tiếng Việt
• Tiếng Anh

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.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Thị trường chứng khoán giữ vai trò là kênh huy động và luân chuyển vốn cho nền kinh tế, đồng thời là môi trường đầu tư tạo nguồn thu nhập cho nhiều nhóm đối tượng từ cá nhân nhỏ lẻ đến các tổ chức tài chính. Cùng với sự phát triển của hạ tầng công nghệ thông tin, việc tiếp cận dữ liệu giao dịch và thông tin thị trường theo thời gian thực trở nên thuận tiện hơn. Theo số liệu thống kê từ Statista và diễn đàn Asktraders được trích dẫn trong công trình, toàn cầu có khoảng 9,6 triệu nhà đầu tư trực tuyến (chiếm gần 0,12% dân số thế giới); trong đó thị trường chứng khoán Mỹ chiếm gần 52% quy mô toàn cầu, tiếp theo là Nhật Bản và Trung Quốc. Tại Việt Nam, theo dữ liệu thống kê tính đến ngày 30/09/2021, tổng số lượng tài khoản giao dịch (TKGD) trong nước đạt 3.553 tài khoản (gồm 3.168 tài khoản cá nhân và 12.385 tài khoản tổ chức, tương đương khoảng 3,8% dân số cả nước). Dưới tác động của đại dịch Covid-19, dòng vốn cá nhân tham gia thị trường tăng mạnh với 842.405 tài khoản mở mới trong 8 tháng đầu năm 2021, vượt tổng số tài khoản mở mới của cả giai đoạn 2018–2020 cộng lại (837.345 tài khoản).

Tuy nhiên, dữ liệu chuỗi thời gian tài chính có đặc trưng biến động ngẫu nhiên, độ nhiễu cao và tính chất phi tuyến tính phức tạp do chịu tác động đồng thời từ quan hệ cung - cầu, biến động kinh tế vĩ mô, tình hình chính trị - xã hội và sức khỏe tài chính doanh nghiệp. Các mô hình thống kê kinh tế lượng truyền thống hay các thuật toán máy học cơ bản gặp nhiều rào cản khi mô hình hóa các quy luật ẩn trong chuỗi dữ liệu dài hạn. Đề tài khóa luận tốt nghiệp "Xây dựng mô hình học sâu dự đoán xu hướng giá chứng khoán" của sinh viên Dương Thị Hòa Bình và Ngụy Thế Dương (ngành Khoa học máy tính, Khoa Công nghệ Thông tin, Trường Đại học Sư phạm TP. Hồ Chí Minh, thực hiện năm 2022 dưới sự hướng dẫn của TS. Kiều My và TS. Nguyễn Khắc Văn) được thực hiện nhằm giải quyết bài toán này.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài gồm:

1. Nghiên cứu cơ sở lý thuyết về phân tích cơ bản (FA), phân tích kỹ thuật (TA), các mô hình chuỗi thời gian và các kiến trúc mạng nơ-ron học sâu (ANN, CNN, RNN, LSTM, GRU).
2. Thiết kế và xây dựng mô hình học sâu kết hợp giữa mạng tích chập (Convolutional Neural Network - CNN) và mạng bộ nhớ dài - ngắn hạn (Long Short-Term Memory - LSTM) nhằm khai thác đồng thời đặc trưng không gian và đặc trưng chuỗi thời gian.
3. Thu thập, tiền xử lý và chuẩn hóa tập dữ liệu chứng khoán trong nước và quốc tế; tiến hành thực nghiệm huấn luyện, kiểm thử và đánh giá hiệu năng của mô hình đề xuất so với các mô hình thành phần và các nghiên cứu đã công bố.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Dữ liệu chuỗi thời gian giá chứng khoán (giá mở cửa, đóng cửa, giá cao nhất, giá thấp nhất, khối lượng giao dịch) kết hợp cùng hệ thống các chỉ báo phân tích kỹ thuật.
• Phạm vi không gian: Dữ liệu giao dịch tại thị trường chứng khoán Việt Nam (CKVN, điển hình như mã cổ phiếu FPT, chỉ số VN-Index) và thị trường chứng khoán nước ngoài/Mỹ (CKNN).
• Phạm vi phương pháp: Tập trung vào các kỹ thuật học sâu (Deep Learning) kết hợp phân tích kỹ thuật, không đi sâu vào phương pháp học tăng cường (Reinforcement Learning) hay phân tích dữ liệu cơ bản định tính.
• Kết quả đầu ra mục tiêu: Dự đoán giá trị giá cao (High) và giá thấp (Low) (cùng giá đóng cửa - Close) của cổ phiếu trong ngày giao dịch tiếp theo dựa trên chuỗi dữ liệu lịch sử quan sát.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng nghiên cứu dựa trên sự kết hợp giữa lý thuyết tài chính và kỹ thuật học sâu:

• Phương pháp phân tích tài chính:
  • Phân tích cơ bản (Fundamental Analysis - FA): Đánh giá giá trị nội tại của doanh nghiệp thông qua phân tích kinh tế vĩ mô, kinh tế ngành và các báo cáo tài chính định kỳ (doanh thu, lợi nhuận, dòng tiền).
  • Phân tích kỹ thuật (Technical Analysis - TA): Nghiên cứu hành vi giá và khối lượng giao dịch để xác định xu hướng cung - cầu. Khóa luận sử dụng hai nhóm chỉ báo kỹ thuật chính: nhóm Lớp phủ (Overlays) bao gồm Đường trung bình động (MA), Đường trung bình động đơn giản (SMA), Đường trung bình động hàm mũ (EMA), Dải Bollinger (Bollinger Bands); và nhóm Chỉ báo dao động (Oscillators) bao gồm Chỉ số sức mạnh tương đối (RSI), Tỷ lệ thay đổi (ROC), Chỉ báo dòng tiền (MFI), Khối lượng cân bằng (OBV), Đường trung bình động hội tụ phân kỳ (MACD).
• Mô hình chuỗi thời gian cổ điển: Mô hình tự hồi quy tích hợp trung bình trượt ARIMA(p, d, q) của Box và Jenkins (1976), kết hợp ba thành phần: tự hồi quy (AR), tích hợp/sai phân bậc d (I) và trung bình trượt (MA). Quy trình thực hiện gồm 4 bước: nhận dạng mô hình (kiểm định tính dừng Dickey-Fuller, đồ thị tự tương quan ACF và tự tương quan riêng PACF), ước lượng tham số (hợp lý cực đại hoặc bình phương tối thiểu phi tuyến), kiểm định phần dư (Ljung-Box, tiêu chuẩn AIC) và dự đoán.
• Mô hình học máy và học sâu:
  • Mạng nơ-ron nhân tạo (ANN): Cấu trúc gồm lớp đầu vào (Input layer), các lớp ẩn (Hidden layers) và lớp đầu ra (Output layer); hoạt động dựa trên cơ chế tính tổng tuyến tính kèm hệ số chệch (bias) và biến đổi qua các hàm kích hoạt phi tuyến như Sigmoid, Tanh, ReLU, LeakyReLU. Mô hình huấn luyện bằng thuật toán lan truyền xuôi (feed-forward) và lan truyền ngược (backpropagation) sử dụng giải thuật tối ưu Gradient Descent dựa trên quy tắc đạo hàm chuỗi (chain rule).
  • Mạng nơ-ron tích chập (CNN): Cấu trúc gồm lớp tích chập (Convolutional layer) với các bộ lọc (filter/kernel), kỹ thuật đệm (padding) và bước trượt (stride) để trích xuất biểu đồ đặc trưng (feature map); lớp tổng hợp (Pooling layer, tiêu biểu là Max pooling) nhằm giảm số chiều dữ liệu; và lớp kết nối đầy đủ (Fully connected layer) để tổng hợp thông tin.
  • Mạng nơ-ron hồi quy (RNN) và biến thể: Mô hình RNN truyền thống xử lý dữ liệu chuỗi thông qua trạng thái ẩn ($a^{\langle t \rangle}$), song gặp hiện tượng triệt tiêu đạo hàm (vanishing gradient) và bùng nổ đạo hàm (exploding gradient) do phép nhân ma trận lặp lại qua các hàm kích hoạt bão hòa. Khóa luận phân tích các kiến trúc cải tiến gồm BiRNN (mạng hồi quy hai chiều), DeepRNN, GRU (Gated Recurrent Unit với cổng cập nhật Update gate và cổng đặt lại Reset gate), và mạng LSTM (Long Short-Term Memory) với cấu trúc trạng thái tế bào (Cell state), cổng quên (Forget gate), cổng cập nhật/đầu vào (Update/Input gate) và cổng đầu ra (Output gate).
• Thuật toán tối ưu hóa: Stochastic Gradient Descent (SGD), Momentum, RMSprop.
• Hệ thống chỉ số đánh giá sai số: Sai số phần trăm tuyệt đối trung bình (MAPE), Sai số tuyệt đối trung bình (MAE), Căn bậc hai sai số bình phương trung bình (RMSE), Sai số bình phương trung bình (MSE) và Sai số bình phương trung bình hiệu chỉnh (AMSE).

Nội dung chính theo từng chương

Chương 1: Tổng quan về bài toán dự đoán xu hướng giá chứng khoán

Chương 1 trình bày khái niệm về chứng khoán, cổ phiếu (tại thị trường Việt Nam, một cổ phiếu cơ sở đại diện cho 10.000 đồng vốn điều lệ) và vai trò của thị trường đối với nhà đầu tư, doanh nghiệp và nền kinh tế. Tác giả định nghĩa bài toán dự đoán giá dưới dạng bài toán hồi quy (regression) trong học máy trên dữ liệu chuỗi thời gian, truy xuất nguồn gốc từ mô hình AutoRegressive do Udny Yule đề xuất vào những năm 1920 đến các biến thể ARMA, ARIMA.

Về tình hình nghiên cứu trong nước, tác giả tổng thuật các nghiên cứu của Ngoc Hai (thực nghiệm các biến thể Vanilla LSTM, Stacked LSTM, Bi-LSTM trên dữ liệu Việt Nam), Huỳnh Quyết Thắng (kết hợp ARMA dự đoán thành phần ngẫu nhiên và GPR dự đoán thành phần xu thế trên VN-Index, đạt độ chính xác xu thế 61,73% và độ lệch trung bình ~0), Quang Hung Do và Tran Van Trang (so sánh ANFIS và LSTM trên chỉ số VN-Index).

Về tình hình nghiên cứu quốc tế, chương 1 hệ thống các công trình sử dụng RNN-Boost kết hợp phân tích cảm xúc và mô hình LDA (Weiling Chen); ứng dụng LSTM so sánh với ANN, SVR, Random Forest trên quỹ iShares MSCI UK ETF; mô hình kết hợp LSTM và GRU (Hossain); mô hình LSTM tích hợp cơ chế Attention và dữ liệu mạng xã hội Twitter (Keselj); các mô hình 2D-CNN và 3D-CNN với 82 chỉ báo kỹ thuật giúp cải thiện 3–11% so với thuật toán cơ sở (Ehsan Hoseinzade); nghiên cứu sử dụng CNN với 9 chỉ báo theo khung thời gian phút (Hyun Sik Sim); mô hình 2D-CNN đạt độ chính xác 72% và tỷ lệ sinh lời 5:1 (Ozbayoglu); cùng các nghiên cứu kết hợp CNN-LSTM của Shuanglong Liu và Shubin Cai.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày chi tiết bản chất, ưu điểm và hạn chế của hai trường phái phân tích đầu tư: Phân tích cơ bản (FA) và Phân tích kỹ thuật (TA), đồng thời liệt kê công thức và ý nghĩa của các chỉ báo MA, SMA, EMA, Bollinger Bands, RSI, ROC, MFI, OBV, MACD. Tác giả phân tích cấu trúc toán học của mô hình ARIMA(p, d, q) cùng 4 bước xây dựng mô hình.

Chương này tổng hợp bảng so sánh ưu điểm và nhược điểm của các thuật toán học máy phổ biến trong bài toán dự báo tài chính:

Phương pháp	Ưu điểm	Nhược điểm	Tài liệu tham khảo
ARIMA	- Hoạt động tốt với chuỗi thời gian tuyến tính. - Mô hình đơn giản, không tốn nhiều thời gian tính toán. - Chỉ yêu cầu dữ liệu chuỗi thời gian của biến cần dự đoán. - Phù hợp cho dự báo và phân tích ngắn hạn.	- Không phù hợp cho dữ liệu phi tuyến. - Chỉ sử dụng cho chuỗi đơn biến. - Biến đổi về chuỗi dừng có thể làm mất nhiều thông tin quan trọng. - Dự đoán dựa trên dữ liệu lịch sử và lỗi trước đó nên chưa chắc phù hợp với tương lai.	Adebiyi et al. (2014); Hyndman & Athanasopoulos (2018); Selvin et al. (2017)
k-Means	- Thuật toán đơn giản, dễ hiểu. - Hoạt động tốt với các cụm dữ liệu hình cầu.	- Cần xác định trước số tâm cụm. - Nhạy cảm với nhiễu. - Hiệu quả phụ thuộc vào giá trị tâm cụm khởi tạo ban đầu.	Wang et al. (2006); Boomija & Phil (2008)
KNN	- Hoạt động tốt với tập dữ liệu bị nhiễu. - Hiệu quả với tập dữ liệu huấn luyện lớn.	- Tốn nhiều chi phí tính toán và tài nguyên bộ nhớ. - Số lượng phần tử láng giềng gần nhất phải xác định trước.	Archana & Elangovan (2014)
Random Forest	- Xử lý được các giá trị bị thiếu. - Hoạt động tốt với cả biến rời rạc và liên tục. - Phù hợp cho bài toán phân loại và dự đoán đa chiều.	- Yêu cầu nhiều chi phí tính toán và tài nguyên. - Tốn nhiều thời gian tính toán huấn luyện.	Pradeepkumar & Ravi (2017)
SVM	- Hoạt động hiệu quả khi số chiều dữ liệu lớn. - Hiệu quả khi số chiều dữ liệu nhiều hơn số lượng mẫu.	- Không phù hợp với dữ liệu có số lượng mẫu quá lớn. - Hoạt động kém khi dữ liệu có nhiều nhiễu hoặc các lớp mục tiêu bị chồng chéo.	Wang et al. (2011)

Tiếp đó, chương 2 diễn giải chi tiết toán học của mạng ANN (các hàm kích hoạt Sigmoid, Tanh, ReLU, LeakyReLU; thuật toán lan truyền ngược), kiến trúc CNN (công thức tích chập 2 chiều, kỹ thuật padding, stride, max pooling, flatten và fully connected), kiến trúc mạng hồi quy RNN cùng bản chất toán học của hiện tượng suy giảm đạo hàm qua các hàm bão hòa, cấu trúc cổng của mạng GRU và mạng bộ nhớ dài - ngắn hạn LSTM.

Chương 3: Mô hình đề xuất

Chương 3 thiết kế kiến trúc mô hình lai kết hợp giữa CNN và LSTM:

• Tầng trích xuất đặc trưng (CNN): Nhận ma trận đầu vào gồm chuỗi dữ liệu giá lịch sử kết hợp cùng hệ thống các chỉ báo kỹ thuật. Lớp tích chập (Convolutional layer) sử dụng các bộ lọc để trích xuất các đặc trưng không gian cục bộ (spatial features) và quan hệ chéo giữa các chỉ báo; sau đó dữ liệu đi qua lớp pooling và chuyển đổi từ biểu đồ đặc trưng (feature map) sang chuỗi đặc trưng (feature sequence).
• Tầng học phụ thuộc thời gian (LSTM): Tiếp nhận chuỗi đặc trưng từ tầng CNN để mô hình hóa các mối liên hệ phụ thuộc dài hạn theo trục thời gian thông qua cơ chế cổng đóng mở thông tin (cổng quên, cổng cập nhật, cổng đầu ra).
• Tầng đầu ra (Output layer): Sử dụng các lớp kết nối đầy đủ (Dense/Fully Connected) để ánh xạ các đặc trưng đã học thành giá trị dự đoán cụ thể của phiên kế tiếp (giá High và giá Low).
• Thiết lập phương pháp đánh giá: Mô tả quy trình chia tập dữ liệu và áp dụng các thang đo sai số định lượng (MAPE, MAE, RMSE, MSE, AMSE).

Chương 4: Kết quả thực nghiệm

Chương 4 thực hiện các nội dung thực nghiệm:

• Xây dựng dữ liệu và tiền xử lý: Thu thập dữ liệu giao dịch từ thị trường CKVN và CKNN; áp dụng phương pháp chuẩn hóa dữ liệu độc lập và tạo lập tập dữ liệu; phân chia thành 3 tập riêng biệt: Tập huấn luyện (Train), Tập thẩm định (Validation) và Tập kiểm thử (Test).
• Thực nghiệm so sánh cấu hình dữ liệu: So sánh hiệu năng mô hình khi sử dụng tập dữ liệu đơn lẻ (single dataset) so với tập dữ liệu gộp (merged dataset) trên mã cổ phiếu FPT đối với các mục tiêu giá High, giá Low và giá Close.
• Khảo sát tham số: Đánh giá ảnh hưởng của các kích thước bước thời gian (time steps) và các tập đặc trưng chỉ báo kỹ thuật đầu vào khác nhau đối với sai số mô hình.
• Đối sánh mô hình: So sánh kết quả huấn luyện của mô hình CNN-LSTM đề xuất với các mô hình thành phần độc lập (mô hình CNN thuần, mô hình LSTM thuần); đồng thời tiến hành đối chuẩn (benchmark) với kết quả từ các công trình nghiên cứu đã công bố của Huỳnh Quyết Thắng, Đỗ Quang Hưng, Eapen và Hossain.

Chương 5: Kết luận và hướng phát triển

Chương 5 đúc kết các kết quả đạt được về mặt phương pháp luận và thực nghiệm trong việc xây dựng mô hình học sâu kết hợp dự đoán giá chứng khoán, đồng thời chỉ ra các điểm còn hạn chế và xác định các hướng mở rộng cho nghiên cứu tiếp theo.

Kết quả và đóng góp

• Kết quả thực nghiệm:
  • Khóa luận đã thiết lập hoàn chỉnh quy trình xử lý dữ liệu chuỗi thời gian chứng khoán, bao gồm việc tính toán các chỉ báo kỹ thuật nhóm Overlays và Oscillators, xử lý làm sạch, chuẩn hóa độc lập và cấu trúc hóa dữ liệu đầu vào.
  • Xây dựng thành công mô hình học sâu lai kết hợp CNN - LSTM, chứng minh được tính hiệu quả của việc sử dụng tầng tích chập để tự động trích xuất các tổ hợp đặc trưng kỹ thuật trước khi đưa qua mạng LSTM học phụ thuộc thời gian.
  • Kết quả thực nghiệm trên các mã cổ phiếu thị trường Việt Nam (như mã FPT) và dữ liệu quốc tế chỉ ra sự khác biệt rõ rệt về sai số dự đoán giữa việc sử dụng tập dữ liệu đơn và tập dữ liệu gộp, cũng như mức độ nhạy cảm của mô hình đối với kích thước bước thời gian (time step).
  • Kết quả đối chuẩn cho thấy mô hình kết hợp CNN-LSTM đạt hiệu năng dự đoán các mức giá High, Low, Close ổn định hơn so với các mô hình thành phần riêng lẻ và tương thích với các kết quả nghiên cứu đối chuẩn của Huỳnh Quyết Thắng, Đỗ Quang Hưng, Eapen và Hossain.
• Đóng góp học thuật và thực tiễn:
  • Hệ thống hóa toàn diện cơ sở lý thuyết từ các phương pháp phân tích tài chính (FA, TA), mô hình kinh tế lượng cổ điển (ARIMA), các thuật toán học máy (k-Means, KNN, Random Forest, SVM) đến các kiến trúc học sâu hiện đại (ANN, CNN, RNN, GRU, LSTM).
  • Đề xuất một kiến trúc mạng kết hợp (hybrid architecture) phù hợp cho bài toán hồi quy chuỗi thời gian tài chính có độ nhiễu cao, tận dụng thế mạnh trích xuất đặc trưng của CNN và khả năng lưu giữ thông tin dài hạn của LSTM.
  • Cung cấp tài liệu thực nghiệm có giá trị tham khảo về kỹ thuật tiền xử lý, cấu hình tham số bước thời gian và phương pháp đánh giá sai số đa tiêu chí trên thị trường chứng khoán Việt Nam.

Hạn chế và hướng nghiên cứu tiếp

• Hạn chế:
  • Thị trường chứng khoán chịu tác động mạnh bởi các yếu tố ngẫu nhiên ngoài dữ liệu giá như sự kiện kinh tế - chính trị bất ngờ, chính sách vĩ mô, biến động lãi suất và tâm lý đám đông của nhà đầu tư; mô hình hiện tại chỉ khai thác dữ liệu định lượng (giá lịch sử và chỉ báo kỹ thuật) nên chưa phản ánh được toàn diện các biến động đột ngột này.
  • Việc biến đổi và chuẩn hóa dữ liệu chuỗi thời gian đòi hỏi kiểm soát chặt chẽ để tránh hiện tượng rò rỉ dữ liệu (data leakage) giữa các tập Train, Validation và Test.
  • Chi phí tính toán và thời gian huấn luyện của mô hình kết hợp CNN-LSTM lớn hơn so với các mô hình máy học truyền thống hoặc các mạng nơ-ron đơn tầng.
• Hướng nghiên cứu tiếp:
  • Tích hợp thêm các nguồn dữ liệu phi cấu trúc như tin tức tài chính, báo cáo thường niên, bài đăng diễn đàn và mạng xã hội thông qua các kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) và phân tích cảm xúc (Sentiment Analysis).
  • Nghiên cứu áp dụng cơ chế chú ý (Attention Mechanism) hoặc các kiến trúc dựa trên Transformer vào mô hình chuỗi thời gian nhằm tăng cường khả năng tập trung vào các mốc thời gian có biến động mạnh.
  • Mở rộng phạm vi thử nghiệm trên nhiều nhóm ngành, rổ chỉ số (như VN30, S&P 500) và tối ưu hóa thời gian thực để hỗ trợ xây dựng hệ thống giao dịch tự động.

Giá trị tham khảo

• Đối tượng hưởng lợi:
  • Sinh viên, học viên cao học và nghiên cứu sinh thuộc các chuyên ngành Khoa học máy tính, Công nghệ thông tin, Trí tuệ nhân tạo và Khoa học dữ liệu đang thực hiện đề tài về xử lý dữ liệu chuỗi thời gian (time-series forecasting) hoặc mạng nơ-ron kết hợp.
  • Sinh viên và chuyên viên phân tích thuộc khối ngành Tài chính - Ngân hàng, Kinh tế đầu tư và Hệ thống thông tin quản lý quan tâm đến việc ứng dụng công nghệ học máy và chỉ báo phân tích kỹ thuật vào thị trường chứng khoán.
• Phần nội dung có giá trị sử dụng cao:
  • Phần tổng quan lý thuyết toán học và cơ chế hoạt động của các hàm kích hoạt, giải thuật lan truyền ngược, hiện tượng triệt tiêu đạo hàm trong RNN và cấu trúc cổng của LSTM/GRU (Chương 2).
  • Bảng tổng hợp đối sánh ưu nhược điểm của các thuật toán Machine Learning cổ điển (Bảng 2.1).
  • Phương pháp luận thiết kế kiến trúc tích hợp giữa tầng CNN và LSTM, kỹ thuật chuyển đổi biểu đồ đặc trưng thành chuỗi đặc trưng và quy trình phân chia, chuẩn hóa tập dữ liệu (Chương 3 và Chương 4).

Câu hỏi thường gặp

1. Tại sao mô hình ARIMA cổ điển lại bộc lộ hạn chế khi áp dụng dự đoán giá chứng khoán trong nghiên cứu này?

Theo phân tích trong khóa luận, mô hình ARIMA(p, d, q) chỉ hoạt động tốt với các chuỗi thời gian tuyến tính và đơn biến. Dữ liệu chứng khoán có tính chất phi tuyến và biến động ngẫu nhiên cao. Việc biến đổi chuỗi dữ liệu tài chính về dạng chuỗi dừng (thông qua sai phân) trong ARIMA có thể làm mất đi nhiều thông tin quan trọng. Ngoài ra, ARIMA là mô hình nhìn ngược dựa trên lỗi quá khứ nên khả năng dự đoán các điểm ngoặt (turning points) của thị trường kém hiệu quả.

2. Hiện tượng triệt tiêu đạo hàm (Vanishing Gradient) trong mạng RNN truyền thống xảy ra do đâu và được khắc phục như thế nào?

Hiện tượng triệt tiêu đạo hàm xảy ra khi áp dụng quy tắc chuỗi để tính đạo hàm trong quá trình lan truyền ngược qua nhiều bước thời gian dài. Các hàm kích hoạt như Tanh hoặc Sigmoid có đạo hàm nằm trong khoảng hẹp và tiến về 0 ở hai đầu bão hòa; khi thực hiện liên tiếp các phép nhân ma trận trọng số, giá trị đạo hàm suy giảm nhanh về 0. Khóa luận nêu rõ các biện pháp khắc phục gồm: sử dụng hàm kích hoạt ReLU/LeakyReLU (đạo hàm bằng 1 ở miền dương), áp dụng kỹ thuật cắt ngưỡng đạo hàm (Gradient Clipping) và chuyển sang sử dụng các kiến trúc có cơ chế cổng như LSTM hoặc GRU.

3. Vai trò cụ thể của lớp CNN và lớp LSTM trong kiến trúc mô hình kết hợp là gì?

Trong mô hình đề xuất, lớp CNN đóng vai trò là bộ trích xuất đặc trưng không gian (spatial feature extractor): nhận đầu vào là ma trận chứa dữ liệu giá và các chỉ báo kỹ thuật, sử dụng các bộ lọc (kernels) để nhận diện các mối tương quan cục bộ giữa các biến chỉ báo và tạo ra biểu đồ đặc trưng. Lớp LSTM đóng vai trò học phụ thuộc thời gian (temporal learner): tiếp nhận chuỗi đặc trưng đã được trích xuất từ CNN để nắm bắt các quy luật biến đổi dài hạn theo trình tự thời gian thông qua các cổng điều khiển thông tin.

4. Khóa luận sử dụng các nhóm chỉ báo kỹ thuật nào để làm đặc trưng đầu vào cho mô hình?

Khóa luận chia chỉ báo kỹ thuật thành 2 nhóm chính:

• Nhóm Lớp phủ (Overlays): Đường trung bình (MA), Đường trung bình đơn giản (SMA), Đường trung bình mũ (EMA), Dải Bollinger (Bollinger Bands).
• Nhóm Chỉ báo dao động (Oscillators): Chỉ số sức mạnh tương đối (RSI), Tỷ lệ thay đổi (ROC), Chỉ báo dòng tiền (MFI), Khối lượng cân bằng (OBV), Đường trung bình hội tụ phân kỳ (MACD).

5. Dữ liệu thực nghiệm của khóa luận được phân chia và đánh giá dựa trên những tiêu chí nào?

Dữ liệu được thu thập từ thị trường CKVN và CKNN, áp dụng phương pháp chuẩn hóa độc lập và phân chia thành 3 tập dữ liệu: Train (huấn luyện), Validation (thẩm định mô hình) và Test (kiểm thử độc lập). Hiệu năng dự đoán cho các mức giá High, Low, Close được đánh giá định lượng thông qua các chỉ số sai số: MAPE, MAE, RMSE, MSE và AMSE.

Kết luận

Khóa luận tốt nghiệp của tác giả Dương Thị Hòa Bình và Ngụy Thế Dương đã hệ thống hóa toàn diện cơ sở lý luận về phân tích kỹ thuật, mô hình chuỗi thời gian và các kiến trúc mạng nơ-ron học sâu trong bài toán dự báo tài chính. Bằng việc xây dựng và thực nghiệm mô hình lai kết hợp giữa CNN (trích xuất đặc trưng không gian) và LSTM (học phụ thuộc chuỗi thời gian), đề tài đã cung cấp giải pháp dự đoán các mức giá cao nhất, thấp nhất và giá đóng cửa cho cổ phiếu trên thị trường Việt Nam và quốc tế. Công trình là tài liệu tham khảo có giá trị về mặt học thuật và thực nghiệm cho sinh viên, nhà nghiên cứu thuộc các ngành Khoa học máy tính, Công nghệ thông tin và Công nghệ tài chính.

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.