Tổng quan nghiên cứu

Thị trường chứng khoán toàn cầu hiện có vốn hóa ước tính khoảng 69 nghìn tỷ USD, đóng vai trò quan trọng trong huy động vốn và phát triển kinh tế quốc gia. Tuy nhiên, dự đoán xu hướng cổ phiếu là một thách thức lớn do sự biến động phức tạp của giá cổ phiếu, chịu ảnh hưởng bởi nhiều yếu tố như tâm lý nhà đầu tư, chính sách kinh tế và các sự kiện bất ngờ. Mục tiêu của nghiên cứu là xây dựng một mô hình dự đoán xu hướng cổ phiếu ngắn hạn dựa trên phương pháp khai thác mẫu tuần tự, nhằm cung cấp công cụ hỗ trợ ra quyết định dễ sử dụng cho cả nhà đầu tư mới và có kinh nghiệm.

Phạm vi nghiên cứu tập trung vào dữ liệu lịch sử của 81 mã cổ phiếu thuộc chỉ số Nasdaq-100, thu thập từ ngày 04/01/2021 đến 12/05/2021, trong bối cảnh dịch bệnh Covid-19 diễn biến phức tạp. Mô hình đề xuất dự đoán xu hướng cổ phiếu ngày thứ 6 dựa trên dữ liệu 5 ngày giao dịch trước đó, với đầu ra là xu hướng tăng, giảm hoặc đi ngang. Nghiên cứu có ý nghĩa thực tiễn lớn trong việc giảm thiểu rủi ro đầu tư và nâng cao hiệu quả giao dịch trên thị trường chứng khoán.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên lý thuyết chuỗi tuần tự và khai thác mẫu tuần tự trong khai thác dữ liệu, với các khái niệm chính bao gồm:

  • Chuỗi tuần tự (Sequence): Là tập hợp các tập sự kiện được sắp xếp theo thứ tự, trong đó mỗi tập sự kiện có thể chứa một hoặc nhiều sự kiện đồng thời.
  • Mẫu tuần tự (Sequential Pattern): Chuỗi tuần tự phổ biến có độ hỗ trợ vượt ngưỡng tối thiểu, được sử dụng để phát hiện các mẫu lặp lại trong dữ liệu.
  • Cây nến Nhật (Candlestick): Biểu diễn dữ liệu giá cổ phiếu gồm giá mở cửa, giá đóng cửa, giá cao nhất và giá thấp nhất trong một phiên giao dịch, được mã hóa thành các ký hiệu đơn giản để biểu diễn chuỗi c-line.
  • Độ chính xác mẫu c-line: Tỷ lệ giữa số lần mẫu c-line dự đoán đúng xu hướng trên tổng số lần xuất hiện mẫu trong dữ liệu.
  • Độ tương tự chuỗi tuần tự: Đo lường mức độ giống nhau giữa hai chuỗi tuần tự dựa trên trọng số các phần tử và thứ tự xuất hiện, được tính theo cả chiều thuận và ngược thời gian.

Ngoài ra, mô hình được so sánh với các phương pháp máy học phổ biến như Support Vector Machines (SVM) và Long Short-Term Memory (LSTM) để đánh giá hiệu quả dự đoán.

Phương pháp nghiên cứu

Dữ liệu thực nghiệm gồm 81 mã cổ phiếu thuộc Nasdaq-100, thu thập từ website tài chính công khai trong khoảng thời gian từ 04/01/2021 đến 12/05/2021. Dữ liệu được chia thành 80% tập huấn luyện và 20% tập kiểm thử, đảm bảo tính liên tục và chuỗi thời gian.

Quy trình nghiên cứu bao gồm:

  1. Tiền xử lý dữ liệu: Mã hóa dữ liệu cây nến Nhật thành chuỗi c-line với các ký hiệu đại diện cho các hình thái nến khác nhau.
  2. Phân đoạn và gán nhãn xu hướng: Chuỗi c-line được phân đoạn theo các điểm thay đổi trên đường giá đóng cửa, gán nhãn xu hướng tăng (1), giảm (-1) hoặc đi ngang (0).
  3. Khai thác mẫu tuần tự: Sử dụng thuật toán kiểm tra chuỗi con tuần tự để xác định tần suất xuất hiện và độ chính xác của các mẫu c-line trong tập dữ liệu.
  4. Tính độ tương tự: Đánh giá mức độ tương tự giữa mẫu cần dự đoán và các mẫu c-line trong tập mẫu chi tiết, kết hợp với độ chính xác để xác định mẫu phù hợp nhất.
  5. Xây dựng mô hình dự đoán: Mô hình đề xuất dự đoán xu hướng cổ phiếu ngày thứ 6 dựa trên mẫu c-line có độ phù hợp cao nhất.

Phương pháp phân tích sử dụng thuật toán khai thác mẫu tuần tự kết hợp với tính toán độ tương tự chuỗi tuần tự, so sánh với mô hình SVM và LSTM để đánh giá hiệu quả. Thời gian nghiên cứu kéo dài trong khoảng 5 tháng, từ thu thập dữ liệu đến hoàn thiện mô hình và đánh giá.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả mô hình đề xuất: Mô hình khai thác mẫu tuần tự kết hợp độ tương tự chuỗi tuần tự đạt độ chính xác trung bình khoảng 78% trên tập dữ liệu Nasdaq-100, cao hơn so với mô hình SVM (khoảng 70%) và LSTM (khoảng 74%) trong cùng điều kiện thử nghiệm.
  2. Tác động của độ tương tự: Việc bổ sung tính toán độ tương tự giúp giải quyết tình trạng mẫu c-line có cùng độ chính xác nhưng xu hướng trái ngược, nâng cao độ chính xác dự đoán lên khoảng 5% so với chỉ sử dụng độ chính xác mẫu.
  3. Tính ổn định trên các tập dữ liệu: Mô hình đề xuất duy trì hiệu quả dự đoán ổn định khi áp dụng trên dữ liệu chứng khoán Hàn Quốc và Trung Quốc, với độ chính xác dao động trong khoảng 75-80%.
  4. Thời gian xử lý: Mô hình khai thác mẫu tuần tự có thời gian huấn luyện và dự đoán nhanh hơn đáng kể so với mô hình LSTM, phù hợp với môi trường giao dịch cần phản hồi nhanh.

Thảo luận kết quả

Kết quả cho thấy phương pháp khai thác mẫu tuần tự là hướng tiếp cận hiệu quả trong dự đoán xu hướng cổ phiếu ngắn hạn, đặc biệt khi kết hợp với độ tương tự chuỗi tuần tự để lựa chọn mẫu dự đoán phù hợp nhất. So với các mô hình máy học truyền thống như SVM và LSTM, mô hình đề xuất không chỉ đạt độ chính xác cao hơn mà còn giảm thiểu yêu cầu về tài nguyên tính toán và kiến thức chuyên môn trong việc hiệu chỉnh tham số.

Việc mã hóa dữ liệu cây nến Nhật thành chuỗi c-line giúp giảm chiều dữ liệu và đơn giản hóa quá trình khai thác mẫu, đồng thời giữ được các đặc trưng quan trọng của biến động giá. Kết quả cũng phù hợp với các nghiên cứu trước đây cho thấy khai thác mẫu tuần tự có thể ứng dụng hiệu quả trong phân tích chuỗi thời gian tài chính.

Biểu đồ so sánh độ chính xác giữa các mô hình trên các tập dữ liệu khác nhau minh họa rõ sự vượt trội của mô hình đề xuất, đồng thời bảng thống kê chi tiết số lượng mã cổ phiếu đạt độ chính xác cao cũng cho thấy tính khả thi và ứng dụng rộng rãi của phương pháp.

Đề xuất và khuyến nghị

  1. Triển khai công cụ dự đoán tích hợp: Phát triển phần mềm hoặc ứng dụng hỗ trợ nhà đầu tư sử dụng mô hình khai thác mẫu tuần tự để dự đoán xu hướng cổ phiếu, nhằm nâng cao khả năng ra quyết định nhanh chóng và chính xác. Thời gian thực hiện dự kiến 6 tháng, do các công ty công nghệ tài chính đảm nhận.
  2. Mở rộng dữ liệu đầu vào: Kết hợp thêm các yếu tố bên ngoài như tin tức tài chính, dữ liệu mạng xã hội để cải thiện độ chính xác dự đoán, đặc biệt trong các sự kiện bất thường như dịch bệnh hoặc biến động chính trị. Thời gian nghiên cứu mở rộng khoảng 1 năm.
  3. Đào tạo và nâng cao nhận thức: Tổ chức các khóa đào tạo cho nhà đầu tư mới về cách sử dụng công cụ dự đoán dựa trên khai thác mẫu tuần tự, giúp họ giảm thiểu rủi ro và nâng cao hiệu quả đầu tư. Chủ thể thực hiện là các tổ chức đào tạo tài chính trong vòng 3-6 tháng.
  4. Nghiên cứu phát triển mô hình đa chiều: Phát triển mô hình khai thác mẫu tuần tự đa biến, kết hợp nhiều chỉ số kỹ thuật và dữ liệu tài chính để dự đoán xu hướng dài hạn và phức tạp hơn. Thời gian nghiên cứu dự kiến 1-2 năm, do các viện nghiên cứu và trường đại học thực hiện.

Đối tượng nên tham khảo luận văn

  1. Nhà đầu tư cá nhân: Đặc biệt là những người mới tham gia thị trường chứng khoán, giúp họ có công cụ dự đoán xu hướng đơn giản, dễ sử dụng mà không cần kiến thức chuyên sâu về kinh tế tài chính.
  2. Chuyên gia phân tích tài chính: Cung cấp phương pháp mới trong khai thác dữ liệu chuỗi tuần tự để nâng cao hiệu quả dự đoán và hỗ trợ ra quyết định đầu tư.
  3. Các tổ chức tài chính và công ty công nghệ tài chính (Fintech): Là cơ sở để phát triển các sản phẩm phần mềm dự đoán chứng khoán tích hợp công nghệ khai thác mẫu tuần tự, giúp tăng tính cạnh tranh trên thị trường.
  4. Nhà nghiên cứu và sinh viên ngành công nghệ thông tin, tài chính: Tham khảo mô hình, thuật toán và phương pháp phân tích dữ liệu chuỗi tuần tự trong lĩnh vực tài chính, làm nền tảng cho các nghiên cứu tiếp theo.

Câu hỏi thường gặp

  1. Phương pháp khai thác mẫu tuần tự là gì?
    Khai thác mẫu tuần tự là kỹ thuật tìm kiếm các chuỗi sự kiện lặp lại theo thứ tự trong dữ liệu tuần tự, giúp phát hiện các mẫu phổ biến để dự đoán xu hướng tương lai. Ví dụ, trong chứng khoán, nó giúp nhận diện các chuỗi biến động giá lặp lại.

  2. Mô hình đề xuất có ưu điểm gì so với SVM và LSTM?
    Mô hình khai thác mẫu tuần tự có độ chính xác cao hơn khoảng 4-8%, đồng thời yêu cầu tài nguyên tính toán thấp hơn và dễ triển khai hơn, phù hợp với nhà đầu tư không chuyên.

  3. Dữ liệu sử dụng trong nghiên cứu có đặc điểm gì?
    Dữ liệu gồm 81 mã cổ phiếu Nasdaq-100, thu thập liên tục trong 4 tháng đầu năm 2021, bao gồm các thông tin giá mở cửa, đóng cửa, cao nhất, thấp nhất và khối lượng giao dịch, được mã hóa thành chuỗi c-line.

  4. Làm thế nào để tính độ tương tự giữa các chuỗi c-line?
    Độ tương tự được tính dựa trên trọng số các phần tử trong chuỗi và thứ tự xuất hiện, xét cả chiều thuận và ngược thời gian, chọn giá trị lớn nhất trong các trường hợp tương tự để đánh giá mức độ giống nhau.

  5. Mô hình có thể áp dụng cho các thị trường chứng khoán khác không?
    Có, mô hình đã được thử nghiệm trên dữ liệu chứng khoán Hàn Quốc và Trung Quốc với kết quả ổn định, cho thấy tính khả thi áp dụng rộng rãi trên nhiều thị trường khác nhau.

Kết luận

  • Mô hình dự đoán xu hướng cổ phiếu dựa trên khai thác mẫu tuần tự và độ tương tự chuỗi tuần tự đạt độ chính xác trung bình khoảng 78%, vượt trội so với các mô hình SVM và LSTM truyền thống.
  • Việc mã hóa dữ liệu cây nến Nhật thành chuỗi c-line giúp giảm chiều dữ liệu và giữ được đặc trưng quan trọng của biến động giá.
  • Độ tương tự chuỗi tuần tự là yếu tố then chốt giúp giải quyết các trường hợp mẫu có cùng độ chính xác nhưng xu hướng trái ngược, nâng cao hiệu quả dự đoán.
  • Mô hình có thể áp dụng trên nhiều thị trường chứng khoán khác nhau và phù hợp với nhà đầu tư không chuyên, giảm thiểu rủi ro đầu tư.
  • Các bước tiếp theo bao gồm phát triển công cụ ứng dụng, mở rộng dữ liệu đầu vào và nghiên cứu mô hình đa chiều để nâng cao hiệu quả dự đoán.

Hành động khuyến nghị: Các nhà đầu tư và tổ chức tài chính nên cân nhắc áp dụng mô hình khai thác mẫu tuần tự để nâng cao hiệu quả dự đoán và ra quyết định đầu tư trong môi trường thị trường biến động liên tục.