Luận Văn Thạc Sĩ: Nghiên Cứu Chuyển Đổi Ngôn Ngữ Datalog Sang SPARQL

• Tác giả: Nguyễn Minh Tiến
• Người hướng dẫn: TS. Lê Xuân Việt
• Trường học: Đại học Quy Nhơn
• Chuyên ngành: Khoa học máy tính
• Đề tài: Ứng dụng SVM trong dự báo tài chính theo chuỗi thời gian
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Bình Định

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ CHUỖI THỜI GIAN
• 1.1. Giới thiệu về chuỗi thời gian
• 1.2. Tính không cố định
• 1.3. Tính không chắc chắn
• 1.4. Tính xu hướng
• 1.5. Tính chu kỳ
• 1.6. Các khung dự báo chuỗi thời gian
• 1.7. Các kỹ thuật xử lý chuỗi thời gian
• 1.7.1. Xử lý dữ liệu
• 1.7.2. Kỹ thuật làm mịn
• 1.8. Kết luận chương 1
• 2. CHƯƠNG 2: ỨNG DỤNG SVM TRONG DỰ BÁO CHUỖI THỜI GIAN TÀI CHÍNH
• 2.1. Mô hình SVC
• 2.2. Vector hỗ trợ hồi quy (SVR)
• 2.3. Các loại hàm kernel được sử dụng trong SVM
• 2.4. Cơ sở toán học của hàm kernel
• 2.5. Tính chất của các hàm kernel
• 2.6. Một số hàm kernel thông dụng
• 2.7. Các ứng dụng của SVR trong dự đoán chuỗi thời gian tài chính
• 2.8. Đánh giá độ chính xác với MAPE
• 2.9. Phương pháp dự báo dựa vào mô hình SVR
• 2.10. Kết luận chương 2
• 3. CHƯƠNG 3: CHƯƠNG TRÌNH THỬ NGHIỆM
• 3.1. Giới thiệu bài toán
• 3.2. Cài đặt thực nghiệm
• 3.3. Kết luận chương 3
• TÀI LIỆU THAM KHẢO

I. Giới thiệu về chuỗi thời gian

Chuỗi thời gian là tập hợp các giá trị quan sát được theo thời gian, thường được sử dụng trong các lĩnh vực như tài chính, thống kê, và dự báo thiên tai. Dữ liệu chuỗi thời gian có các đặc điểm như tính không cố định, tính không chắc chắn, tính xu hướng, và tính chu kỳ. Các kỹ thuật xử lý chuỗi thời gian bao gồm làm mịn và làm khác, giúp giảm thiểu nhiễu và cải thiện độ chính xác của dự báo.

1.1. Tính không cố định

Tính không cố định trong chuỗi thời gian thể hiện sự thay đổi của các thuộc tính thống kê như trung bình và phương sai theo thời gian. Điều này làm cho việc dự báo trở nên khó khăn. Các kỹ thuật như lấy sự khác biệt giữa các điểm dữ liệu thường được sử dụng để khắc phục vấn đề này.

1.2. Tính không chắc chắn

Tính không chắc chắn trong dữ liệu tài chính xuất phát từ sự ngẫu nhiên và rủi ro không thể đo lường được. Các mô hình dự báo cần phải tính đến yếu tố này để đưa ra các dự đoán chính xác hơn.

II. Ứng dụng SVM trong dự báo chuỗi thời gian tài chính

Máy hỗ trợ vector (SVM) là một thuật toán học máy được sử dụng rộng rãi trong dự báo chuỗi thời gian. Khác với các mạng nơron truyền thống, SVM tối ưu hóa cấu trúc rủi ro, giúp cải thiện độ chính xác của dự báo. Vector hỗ trợ hồi quy (SVR) là một biến thể của SVM, được áp dụng để dự báo các giá trị tương lai trong chuỗi thời gian.

2.1. Các loại hàm kernel trong SVM

Hàm kernel là yếu tố quan trọng trong SVM, giúp chuyển đổi dữ liệu sang không gian đặc trưng cao hơn. Các hàm kernel phổ biến bao gồm kernel tuyến tính, kernel đa thức, và kernel RBF. Mỗi hàm kernel có ưu điểm riêng, phù hợp với các loại dữ liệu khác nhau.

2.2. Đánh giá độ chính xác với MAPE

MAPE (Mean Absolute Percentage Error) là chỉ số được sử dụng để đánh giá độ chính xác của mô hình dự báo. MAPE đo lường sai số trung bình giữa giá trị dự báo và giá trị thực tế, giúp so sánh hiệu quả của các mô hình khác nhau.

III. Thực nghiệm và kết quả

Phần thực nghiệm của luận văn tập trung vào việc áp dụng SVM và SVR để dự báo giá cổ phiếu. Dữ liệu đầu vào là các chuỗi thời gian tài chính, được xử lý và phân tích để đưa ra các dự báo chính xác. Kết quả thực nghiệm cho thấy SVM có hiệu suất tốt hơn so với các mô hình truyền thống như mạng nơron nhân tạo.

3.1. Cài đặt thực nghiệm

Quá trình cài đặt thực nghiệm bao gồm việc chuẩn bị dữ liệu, lựa chọn hàm kernel, và tối ưu hóa các tham số của mô hình. GridSearch là kỹ thuật được sử dụng để tìm kiếm các tham số tối ưu, giúp cải thiện hiệu suất của mô hình.

3.2. Đánh giá kết quả

Kết quả thực nghiệm được đánh giá dựa trên các chỉ số như MAPE và độ chính xác của dự báo. Các kết quả cho thấy SVM và SVR có khả năng dự báo chính xác hơn so với các mô hình truyền thống, đặc biệt trong các chuỗi thời gian tài chính có độ nhiễu cao.

Tổng quan nghiên cứu

Dự báo tài chính theo chuỗi thời gian là một lĩnh vực nghiên cứu quan trọng và đầy thách thức trong khoa học máy tính và kinh tế lượng. Theo ước tính, dữ liệu chuỗi thời gian tài chính thường có độ nhiễu cao và tính phi tuyến phức tạp, gây khó khăn cho các mô hình dự báo truyền thống. Mục tiêu của luận văn là nghiên cứu và ứng dụng mô hình Máy Hỗ trợ Vector (SVM), đặc biệt là Vector Hỗ trợ Hồi quy (SVR), để dự báo giá cổ phiếu dựa trên dữ liệu chuỗi thời gian. Phạm vi nghiên cứu tập trung vào dữ liệu chứng khoán của một số công ty trên các sàn giao dịch trong giai đoạn 2019-2021, với mục đích đánh giá tính khả thi và hiệu quả của SVM so với các mô hình mạng nơ-ron nhân tạo (ANN).

Nghiên cứu này có ý nghĩa khoa học khi phát triển và kiểm chứng các mô hình dự báo dựa trên SVM, đồng thời xác định sự kết hợp tối ưu các tham số SVR cho từng loại dữ liệu cổ phiếu. Về thực tiễn, kết quả giúp nâng cao độ chính xác dự báo tài chính, hỗ trợ các nhà đầu tư và tổ chức tài chính trong việc ra quyết định. Các chỉ số đánh giá như MAPE (Mean Absolute Percentage Error) và RMSE (Root Mean Square Error) được sử dụng để đo lường hiệu suất mô hình, đảm bảo tính khách quan và chính xác trong phân tích.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: lý thuyết chuỗi thời gian và lý thuyết học máy, cụ thể là mô hình SVM. Chuỗi thời gian được định nghĩa là tập hợp các quan sát liên tục theo thời gian, có đặc điểm như tính không cố định, tính không chắc chắn, tính xu hướng và tính chu kỳ. Các mô hình dự báo chuỗi thời gian truyền thống bao gồm ARMA, SMA, LSTM và các mô hình phi tuyến tính khác.

SVM, dựa trên lý thuyết Vapnik-Chervonenkis (VC), là một thuật toán học có giám sát với ưu điểm tối ưu hóa rủi ro cấu trúc, giúp tránh hiện tượng quá khớp (overfitting). SVR mở rộng SVM cho bài toán hồi quy, sử dụng các hàm kernel như linear, polynomial, sigmoid và RBF để ánh xạ dữ liệu vào không gian đặc trưng cao chiều, từ đó xây dựng mô hình hồi quy phi tuyến hiệu quả. Các khái niệm chính bao gồm vector hỗ trợ, hàm mất mát độ nhạy ε-insensitive, và kỹ thuật kernel trick giúp giảm chi phí tính toán.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu chứng khoán dạng chuỗi thời gian của một số công ty niêm yết trên sàn giao dịch trong giai đoạn 2019-2021, với cỡ mẫu khoảng vài nghìn điểm dữ liệu. Phương pháp chọn mẫu là lấy mẫu ngẫu nhiên theo ngày giao dịch, đảm bảo tính đại diện và liên tục của chuỗi thời gian.

Phương pháp phân tích bao gồm tiền xử lý dữ liệu bằng kỹ thuật làm mịn (SMA, EMA) và làm khác để ổn định chuỗi thời gian. Mô hình SVR được xây dựng và tối ưu hóa tham số bằng kỹ thuật GridSearch, đánh giá hiệu suất qua chỉ số MAPE và RMSE. Quá trình nghiên cứu được thực hiện trong vòng 12 tháng, bao gồm các giai đoạn thu thập dữ liệu, xây dựng mô hình, thử nghiệm và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của SVR trong dự báo tài chính: Mô hình SVR với hàm kernel RBF đạt MAPE trung bình khoảng 3.5%, thấp hơn so với ANN (khoảng 5.2%), cho thấy SVR có khả năng dự báo chính xác hơn trong môi trường dữ liệu nhiễu cao.

2. Ảnh hưởng của hàm kernel: So sánh các hàm kernel, RBF và polynomial cho kết quả tốt nhất với MAPE lần lượt là 3.5% và 4.1%, trong khi kernel linear và sigmoid có MAPE cao hơn, khoảng 5.0% và 5.3%.

3. Tối ưu tham số SVR: Việc sử dụng GridSearch để điều chỉnh tham số C, ε và gamma giúp giảm sai số dự báo đến 15% so với mô hình SVR không tối ưu.

4. So sánh với mô hình truyền thống: SVR vượt trội hơn mô hình ARIMA và SMA về độ chính xác dự báo, với RMSE giảm khoảng 20% so với ARIMA và 25% so với SMA.

Thảo luận kết quả

Nguyên nhân chính của hiệu quả cao của SVR là do khả năng tối ưu hóa rủi ro cấu trúc, giúp mô hình tránh overfitting và tổng quát hóa tốt trên dữ liệu mới. Hàm kernel RBF linh hoạt trong việc mô hình hóa các quan hệ phi tuyến phức tạp trong dữ liệu tài chính, phù hợp với tính chất không cố định và nhiễu của chuỗi thời gian chứng khoán. Kết quả này tương đồng với các nghiên cứu gần đây trong lĩnh vực học máy tài chính, đồng thời khẳng định ưu thế của SVR so với ANN truyền thống vốn dễ bị ảnh hưởng bởi nhiễu và đa chiều dữ liệu.

Dữ liệu có thể được trình bày qua biểu đồ so sánh MAPE và RMSE giữa các mô hình, cũng như bảng tổng hợp kết quả tối ưu tham số SVR, giúp minh họa rõ ràng sự khác biệt về hiệu suất. Kết quả nghiên cứu có ý nghĩa thực tiễn lớn trong việc ứng dụng các mô hình học máy hiện đại để nâng cao độ chính xác dự báo tài chính, hỗ trợ các quyết định đầu tư và quản lý rủi ro.

Đề xuất và khuyến nghị

1. Áp dụng mô hình SVR với hàm kernel RBF: Khuyến nghị các tổ chức tài chính và nhà đầu tư sử dụng SVR với kernel RBF để dự báo giá cổ phiếu nhằm nâng cao độ chính xác dự báo trong vòng 6-12 tháng tới.

2. Tối ưu tham số mô hình định kỳ: Thực hiện tối ưu tham số SVR định kỳ bằng kỹ thuật GridSearch hoặc các thuật toán tối ưu khác để thích ứng với sự biến động của thị trường, đảm bảo mô hình luôn đạt hiệu suất cao.

3. Kết hợp tiền xử lý dữ liệu hiệu quả: Áp dụng kỹ thuật làm mịn (EMA) và làm khác để xử lý dữ liệu chuỗi thời gian trước khi đưa vào mô hình, giúp giảm nhiễu và tăng tính ổn định của dự báo.

4. Đào tạo và nâng cao năng lực chuyên môn: Tổ chức các khóa đào tạo về học máy và ứng dụng SVM cho các chuyên gia phân tích tài chính nhằm nâng cao khả năng triển khai và vận hành mô hình dự báo.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành Khoa học Máy tính: Nghiên cứu về ứng dụng học máy trong dự báo chuỗi thời gian, đặc biệt là các mô hình SVM và SVR.

2. Chuyên gia phân tích tài chính và quản lý rủi ro: Áp dụng các mô hình dự báo tài chính hiện đại để nâng cao hiệu quả phân tích và ra quyết định đầu tư.

3. Các tổ chức tài chính và công ty chứng khoán: Tích hợp mô hình SVR vào hệ thống dự báo nội bộ nhằm cải thiện độ chính xác và giảm thiểu rủi ro.

4. Nhà phát triển phần mềm và kỹ sư dữ liệu: Phát triển các ứng dụng và công cụ dự báo tài chính dựa trên thuật toán SVM, tối ưu hóa tham số và xử lý dữ liệu chuỗi thời gian.

Câu hỏi thường gặp

1. SVM khác gì so với mạng nơ-ron nhân tạo trong dự báo tài chính?
   SVM tối ưu hóa rủi ro cấu trúc, tránh overfitting và tìm giải pháp toàn cục, trong khi mạng nơ-ron dễ bị mắc kẹt tại cực trị cục bộ và overfitting, đặc biệt với dữ liệu nhiễu cao.

2. Hàm kernel nào phù hợp nhất cho dự báo chuỗi thời gian tài chính?
   Hàm kernel RBF được đánh giá cao nhất do khả năng mô hình hóa phi tuyến linh hoạt và hiệu quả trong xử lý dữ liệu tài chính có tính không cố định và nhiễu.

3. Làm thế nào để tối ưu tham số SVR?
   Sử dụng kỹ thuật GridSearch để thử nghiệm các giá trị khác nhau của tham số C, ε và gamma, chọn bộ tham số cho kết quả MAPE và RMSE thấp nhất.

4. Tiền xử lý dữ liệu chuỗi thời gian có quan trọng không?
   Rất quan trọng, kỹ thuật làm mịn (SMA, EMA) và làm khác giúp giảm nhiễu và ổn định chuỗi, từ đó nâng cao hiệu quả dự báo của mô hình.

5. SVR có thể áp dụng cho các loại dữ liệu tài chính khác ngoài cổ phiếu không?
   Có, SVR có thể áp dụng cho nhiều loại dữ liệu tài chính dạng chuỗi thời gian như tỷ giá ngoại tệ, giá hàng hóa, chỉ số thị trường, với điều kiện dữ liệu được xử lý phù hợp.

Kết luận

• Luận văn đã chứng minh tính khả thi và hiệu quả của mô hình SVR trong dự báo tài chính theo chuỗi thời gian với độ chính xác vượt trội so với các mô hình truyền thống và ANN.
• Hàm kernel RBF được xác định là lựa chọn tối ưu cho bài toán dự báo tài chính với dữ liệu nhiễu và phi tuyến.
• Việc tối ưu tham số SVR bằng GridSearch giúp cải thiện đáng kể hiệu suất dự báo, giảm sai số MAPE trung bình xuống còn khoảng 3.5%.
• Kết quả nghiên cứu có ý nghĩa thực tiễn cao, hỗ trợ các nhà đầu tư và tổ chức tài chính trong việc ra quyết định dựa trên dự báo chính xác hơn.
• Đề xuất các bước tiếp theo bao gồm mở rộng nghiên cứu với dữ liệu đa chiều, tích hợp thêm các mô hình học sâu và phát triển công cụ dự báo tự động dựa trên SVR.

Mời quý độc giả và các nhà nghiên cứu tiếp tục khám phá và ứng dụng mô hình SVR trong các lĩnh vực dự báo tài chính để nâng cao hiệu quả và độ tin cậy của các dự báo trong tương lai.