Ứng Dụng Deep Learning Trong Dự Đoán Giá Chứng Khoán VIC

Thị trường chứng khoán Việt Nam đang phát triển mạnh mẽ, với nhiều cơ hội đầu tư hấp dẫn. 56 trang · Trường Đại Học Kinh Tế Quốc Dân · 2021.

• Tác giả: Lê Hà Giang
• Người hướng dẫn: ThS. Nguyễn Thị Thùy Trang
• Trường học: Trường Đại Học Kinh Tế Quốc Dân
• Chuyên ngành: Toán Kinh Tế
• Đề tài: Ứng Dụng Deep Learning Dự Đoán Giá Chứng Khoán VIC
• Loại tài liệu: chuyên đề thực tập
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI MỞ ĐẦU
• 1. Lý do chọn đề tài
• 2. Mục tiêu nghiên cứu
• 3. Phương pháp nghiên cứu
• 4. Đối tượng và phạm vi nghiên cứu
• 5. Đóng góp của nghiên cứu
• 6. Kết cấu của đề tài
• 1. CHƯƠNG 1: CƠ SỞ LÝ LUẬN VÀ TỔNG QUAN NGHIÊN CỨU
• 1.1. LÝ THUYẾT CƠ BẢN VỀ THỊ TRƯỜNG CHỨNG KHOÁN VÀ GIÁ CHỨNG KHOÁN
• 1.1.1. Thị trường chứng khoán
• 1.1.2. Cách thức hoạt động của thị trường chứng khoán
• 1.1.3. Chức năng của thị trường chứng khoán
• 1.1.4. Giá chứng khoán
• 1.2. Mạng nơ-ron nhân tạo và mô hình hoạt động
• 1.2.1. Mạng nơ-ron nhân tạo
• 1.2.2. Mô hình hoạt động
• 1.2.3. Kiến trúc mạng
• 1.2.4. Ứng dụng mạng RNN
• 1.3. Một số các biến thể
• 1.4. Đánh giá sai số dự báo
• 1.5. Tổng quan nghiên cứu
• 2. CHƯƠNG 2: THỰC TRẠNG HOẠT ĐỘNG CỦA VINGROUP VÀ GIÁ CHỨNG KHOÁN VIC
• 2.1. Thực trạng kinh tế và thị trường chứng khoán Việt Nam
• 2.1.1. Tình hình kinh tế Việt Nam trong 10 năm qua
• 2.1.2. Diễn biến thị trường chứng khoán VN trong giai đoạn nghiên cứu
• 2.2. Giới thiệu tập đoàn Vingroup và VIC
• 2.2.1. Tập đoàn Vingroup
• 2.2.2. Giá chứng khoán VIC
• 3. CHƯƠNG 3: KẾT QUẢ DỰ ĐOÁN GIÁ CHỨNG KHOÁN VIC
• 3.1. Giới thiệu bộ dữ liệu
• 3.2. Mô hình LSTM
• 3.2.1. Xây dựng mô hình dự đoán
• 3.2.1.1. Phát biểu bài toán – Tiến trình
• 3.2.1.2. Dữ liệu và trích xuất đặc trưng
• 3.2.1.3. Cấu trúc mô hình LSTM
• 3.2.2. Kết quả thực nghiệm
• 3.2.3. Hạn chế của bài nghiên cứu
• 3.2.4. So sánh với bài nghiên cứu khác, phương pháp khác
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng Deep Learning trong dự đoán giá chứng khoán VIC

Thị trường chứng khoán Việt Nam đang phát triển mạnh mẽ, với nhiều cơ hội đầu tư hấp dẫn. Việc dự đoán giá chứng khoán, đặc biệt là giá cổ phiếu VIC của tập đoàn Vingroup, trở thành một thách thức lớn. Ứng dụng Deep Learning trong dự đoán giá chứng khoán không chỉ giúp cải thiện độ chính xác mà còn tối ưu hóa quy trình ra quyết định đầu tư. Nghiên cứu này sẽ trình bày các khái niệm cơ bản về Deep Learning và cách thức mà nó có thể được áp dụng để dự đoán giá cổ phiếu VIC.

1.1. Khái niệm về Deep Learning và ứng dụng trong tài chính

Deep Learning là một nhánh của Machine Learning, sử dụng các mạng nơ-ron sâu để phân tích và dự đoán dữ liệu. Trong lĩnh vực tài chính, Deep Learning đã được áp dụng để dự đoán xu hướng giá cổ phiếu, phân tích rủi ro và tối ưu hóa danh mục đầu tư.

1.2. Tại sao chọn giá chứng khoán VIC để nghiên cứu

Giá chứng khoán VIC là một trong những chỉ số quan trọng phản ánh tình hình kinh tế của Việt Nam. Nghiên cứu giá cổ phiếu này giúp các nhà đầu tư có cái nhìn tổng quát về xu hướng thị trường và đưa ra quyết định đầu tư chính xác hơn.

II. Thách thức trong việc dự đoán giá chứng khoán VIC

Dự đoán giá chứng khoán không phải là một nhiệm vụ đơn giản. Thị trường chứng khoán thường xuyên biến động và chịu ảnh hưởng bởi nhiều yếu tố như chính trị, kinh tế và tâm lý nhà đầu tư. Những thách thức này đòi hỏi các nhà nghiên cứu phải tìm ra phương pháp hiệu quả để cải thiện độ chính xác của dự đoán.

2.1. Các yếu tố ảnh hưởng đến giá chứng khoán

Giá chứng khoán bị ảnh hưởng bởi nhiều yếu tố vĩ mô như lạm phát, tỷ giá hối đoái và các chính sách kinh tế. Những yếu tố này có thể tạo ra sự biến động lớn trong giá cổ phiếu, làm cho việc dự đoán trở nên khó khăn.

2.2. Tính không ổn định của thị trường chứng khoán

Thị trường chứng khoán thường xuyên thay đổi, và giá cổ phiếu có thể bị ảnh hưởng bởi các tin tức bất ngờ. Điều này tạo ra sự không chắc chắn trong việc dự đoán giá, khiến cho các mô hình dự đoán phải liên tục được cập nhật và điều chỉnh.

III. Phương pháp Deep Learning trong dự đoán giá chứng khoán VIC

Mô hình Long Short-Term Memory (LSTM) là một trong những phương pháp Deep Learning hiệu quả nhất trong việc dự đoán chuỗi thời gian. LSTM có khả năng ghi nhớ thông tin từ quá khứ và sử dụng nó để dự đoán giá trong tương lai. Nghiên cứu này sẽ trình bày cách thức xây dựng mô hình LSTM để dự đoán giá cổ phiếu VIC.

3.1. Cấu trúc mô hình LSTM

Mô hình LSTM bao gồm nhiều lớp nơ-ron, cho phép nó học từ dữ liệu lịch sử và dự đoán giá trong tương lai. Cấu trúc này giúp mô hình xử lý các điểm dữ liệu không liên tục và giảm thiểu sai số dự đoán.

3.2. Quy trình huấn luyện mô hình

Quá trình huấn luyện mô hình LSTM bao gồm việc sử dụng dữ liệu lịch sử giá cổ phiếu VIC để tối ưu hóa các tham số của mô hình. Việc này giúp mô hình học được các mẫu và xu hướng trong dữ liệu, từ đó cải thiện độ chính xác của dự đoán.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn

Nghiên cứu đã áp dụng mô hình LSTM để dự đoán giá cổ phiếu VIC trong khoảng thời gian từ 2013 đến 2021. Kết quả cho thấy mô hình có khả năng dự đoán chính xác xu hướng giá trong ngắn hạn, giúp các nhà đầu tư đưa ra quyết định kịp thời.

4.1. Đánh giá hiệu quả của mô hình

Mô hình LSTM đã cho kết quả dự đoán chính xác với tỷ lệ sai số thấp. Điều này chứng tỏ rằng Deep Learning có thể là một công cụ hữu ích trong việc dự đoán giá chứng khoán.

4.2. Ứng dụng trong thực tiễn đầu tư

Kết quả nghiên cứu có thể được áp dụng trong thực tiễn để hỗ trợ các nhà đầu tư cá nhân và tổ chức trong việc ra quyết định đầu tư. Việc sử dụng mô hình LSTM giúp tối ưu hóa lợi nhuận và giảm thiểu rủi ro.

V. Kết luận và triển vọng tương lai của nghiên cứu

Nghiên cứu đã chỉ ra rằng việc ứng dụng Deep Learning trong dự đoán giá chứng khoán VIC là khả thi và hiệu quả. Tương lai, các phương pháp này có thể được cải tiến và mở rộng để áp dụng cho nhiều loại chứng khoán khác nhau.

5.1. Hướng phát triển tiếp theo

Nghiên cứu có thể được mở rộng để bao gồm nhiều yếu tố khác nhau ảnh hưởng đến giá chứng khoán, từ đó cải thiện độ chính xác của mô hình dự đoán.

5.2. Tác động của công nghệ mới

Sự phát triển của công nghệ AI và Deep Learning sẽ tiếp tục tạo ra những cơ hội mới trong lĩnh vực tài chính, giúp các nhà đầu tư có thể đưa ra quyết định chính xác hơn.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Thị trường chứng khoán (TTCK) giữ vai trò là kênh dẫn vốn trung và dài hạn quan trọng của nền kinh tế, đồng thời là môi trường đầu tư tài chính thu hút sự quan tâm của nhiều cá nhân và tổ chức. Tuy nhiên, giá chứng khoán có đặc tính phi tuyến tính, biến động động và không tham số, chịu sự tác động đồng thời từ các yếu tố kinh tế vĩ mô (lạm phát, tỷ giá, GDP, lãi suất), tình hình hoạt động nội tại của doanh nghiệp và tâm lý hành vi của nhà đầu tư.

Tại Việt Nam, sau giai đoạn biến động mạnh do tác động của đại dịch Covid-19 từ đầu năm 2020, thị trường đã ghi nhận sự phục hồi và tăng trưởng quy mô nhanh chóng trong năm 2020 và 2021 với số lượng nhà đầu tư cá nhân mở mới tài khoản cao kỷ lục. Trong bối cảnh đó, các phương pháp phân tích thống kê và kinh tế lượng truyền thống bộc lộ một số hạn chế khi nắm bắt các mối quan hệ phi tuyến phức tạp trong chuỗi thời gian tài chính. Ngược lại, các mô hình học sâu (Deep Learning), đặc biệt là mạng nơ-ron hồi quy bộ nhớ ngắn-dài (Long Short-Term Memory - LSTM), có khả năng lưu giữ thông tin phụ thuộc thời gian dài và tự động trích xuất đặc trưng từ dữ liệu quá khứ. Nhằm khai thác thế mạnh này, đề tài "Ứng dụng Deep Learning viết chương trình thử nghiệm dự đoán giá chứng khoán VIC" được thực hiện.

Mục tiêu nghiên cứu của khóa luận gồm:

1. Mục tiêu chính: Sử dụng mô hình Deep Learning để xây dựng chương trình dự báo giá chứng khoán, cung cấp góc nhìn tham khảo về biến động giá cổ phiếu VIC trong ngắn hạn cho các nhà đầu tư cá nhân và tổ chức.
2. Mục tiêu cụ thể:
   • Trình bày hệ thống lý thuyết cơ bản về Deep Learning và kiến trúc mạng LSTM.
   • Phân tích thực trạng và biến động lịch sử của giá cổ phiếu VIC trên thị trường chứng khoán Việt Nam.
   • Xây dựng mô hình sử dụng chuỗi dữ liệu giá 30 ngày trước đó để dự đoán giá đóng cửa của ngày kế tiếp ($t+1$).
   • Sử dụng ngôn ngữ lập trình Python để viết và thực thi chương trình thử nghiệm.
   • Giải thích, phân tích và đánh giá kết quả thực nghiệm bằng các thước đo thống kê.
   • So sánh kết quả thu được với một số nghiên cứu và phương pháp liên quan.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Giá cổ phiếu VIC của Tập đoàn Vingroup – Công ty Cổ phần niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE).
• Phạm vi dữ liệu: Dữ liệu chuỗi thời gian lịch sử từ ngày 08/07/2013 đến ngày 29/10/2021 (tương ứng 2.077 ngày giao dịch được trích xuất từ nguồn Investing.com).

---

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 thị trường và các mô hình toán học - trí tuệ nhân tạo:

1. Lý thuyết thị trường chứng khoán: Hệ thống hóa khái niệm về thị trường sơ cấp, thị trường thứ cấp, cơ chế khớp lệnh và các chỉ tiêu giao dịch cơ bản (giá trần, giá sàn, giá tham chiếu, giá mở cửa, giá đóng cửa, giá cao nhất, giá thấp nhất, khối lượng giao dịch).
2. Mạng nơ-ron nhân tạo (ANN): Cấu trúc gồm tầng đầu vào (Input Layer), các tầng ẩn (Hidden Layers) và tầng đầu ra (Output Layer). Giá trị tại mỗi nút mạng được xác định qua tổ hợp tuyến tính trọng số, độ lệch (bias) và đi qua hàm kích hoạt phi tuyến (Sigmoid, Tanh, ReLU, Softmax): $$\text{Output} = f\left(\sum_{i=1}^{m} w_i x_i + \text{bias}\right)$$
3. Mạng nơ-ron hồi quy (RNN): Mô hình mạng có các liên kết vòng cho phép duy trì trạng thái ẩn qua các bước thời gian, phục vụ xử lý dữ liệu dạng chuỗi. Tuy nhiên, RNN truyền thống gặp hiện tượng suy giảm gradient (vanishing gradient) hoặc bùng nổ gradient khi chuỗi thời gian có độ dài lớn.
4. Mạng bộ nhớ ngắn-dài (LSTM): Kiến trúc cải tiến của RNN do Hochreiter và Schmidhuber giới thiệu năm 1997. LSTM kiểm soát luồng thông tin thông qua trạng thái tế bào ($s_t$) và 3 cổng chức năng:
   • Forget gate ($f_t$): Quyết định loại bỏ thông tin không cần thiết từ trạng thái cũ: $$f_t = \sigma(W_{fx} x_t + W_{fh} h_{t-1} + b_f)$$
   • Input gate ($i_t$): Quyết định cập nhật thông tin mới vào trạng thái tế bào cùng giá trị ứng viên $\tilde{s}t$: $$i_t = \sigma(W{ix} x_t + W_{ih} h_{t-1} + b_i)$$ $$\tilde{s}t = \tanh(W{sx} x_t + W_{sh} h_{t-1} + b_s)$$ $$s_t = f_t \odot s_{t-1} + i_t \odot \tilde{s}_t$$
   • Output gate ($o_t$): Quyết định giá trị đầu ra $h_t$ dựa trên trạng thái tế bào đã được chuẩn hóa qua hàm $\tanh$: $$o_t = \sigma(W_{ox} x_t + W_{oh} h_{t-1} + b_o)$$ $$h_t = o_t \odot \tanh(s_t)$$
5. Thước đo đánh giá sai số mô hình:
   • Sai số tuyệt đối trung bình (Mean Absolute Error - MAE): $$\text{MAE} = \frac{1}{n} \sum_{i=1}^{n} |Y_i - \hat{Y}_i|$$
   • Phần trăm sai số tuyệt đối trung bình (Mean Absolute Percentage Error - MAPE): $$\text{MAPE} = \frac{1}{n} \sum_{i=1}^{n} \left| \frac{Y_i - \hat{Y}_i}{Y_i} \right| \times 100%$$
   • Hệ số không ngang bằng Theil (Theil's U): Dùng để so sánh độ chính xác của mô hình với mô hình Naïve, giá trị $U \in [0, 1]$, khi $U < 0.55$ mô hình được coi là có chất lượng dự báo tốt.

Phương pháp nghiên cứu thực tế bao gồm việc thu thập dữ liệu thứ cấp từ Investing.com, xây dựng các chỉ báo kỹ thuật bổ trợ, chuẩn hóa dữ liệu về khoảng $[0, 1]$ bằng MinMaxScaler, phân chia tập Train/Test theo trình tự thời gian, và tiến hành huấn luyện mô hình mạng LSTM sâu trên môi trường Python.

---

Nội dung chính theo từng chương

Chương 1: Cơ sở lý luận và tổng quan nghiên cứu

Chương 1 hệ thống hóa lý thuyết về cơ chế hoạt động, chức năng của TTCK và định nghĩa pháp lý của chứng khoán. Tác giả đi sâu vào bản chất toán học của các mô hình học sâu, phân tích chi tiết cơ chế hoạt động của mạng ANN, RNN, các biến thể RNN hai chiều (Bidirectional RNN), RNN sâu (Deep RNN) và kiến trúc chi tiết của mạng LSTM trong việc khắc phục hiện tượng mất đạo hàm.

Phần tổng quan nghiên cứu phân tích các công trình thực nghiệm tiêu biểu:

• Nghiên cứu của Magnus Hansson (2017) tại Đại học Lund về dự báo chuỗi lợi nhuận cổ phiếu tại thị trường Mỹ, Thụy Điển, Brazil bằng LSTM so với các mô hình ARMA-GJRGARCH.
• Nghiên cứu của Kaisheng Yao và cộng sự về mô hình Depth-Gated RNN trên tập dữ liệu BTEC và PennTreeBank.
• Nghiên cứu của Lê Gia Tiến về việc ứng dụng Python và các mô hình san bằng mũ (Moving Average, Single/Double Exponential Smoothing) dự báo cổ phiếu VNM giai đoạn 2014–2018.
• Nghiên cứu của Nguyễn Lê Nam Phương về ứng dụng ARIMA, ARCH, GARCH dự báo chỉ số VN-Index giai đoạn 2014–2015 và hiệu ứng "Sell in May".
• Nghiên cứu của Lê Xuân Hiền và Hồ Việt Hùng về ứng dụng mạng LSTM dự báo mực nước thời gian thực tại Hải Phòng.

Chương 2: Thực trạng hoạt động của Vingroup và giá chứng khoán VIC

Chương 2 trình bày bối cảnh kinh tế vĩ mô Việt Nam trong giai đoạn 10 năm (2009–2019) với mức tăng trưởng GDP duy trì trên 7% trong các năm 2018–2019, kim ngạch xuất nhập khẩu vượt mốc 500 tỷ USD; mức tăng trưởng GDP năm 2020 đạt 2,91% và 6 tháng đầu năm 2021 đạt 5,64%. TTCK Việt Nam ghi nhận sự phát triển qua 21 năm, vượt qua giai đoạn điều chỉnh cuối năm 2014 do biến động giá dầu thế giới và Thông tư 36/2014/TT-NHNN, bùng nổ thanh khoản và điểm số năm 2021 (chỉ số VN-Index đạt đỉnh 1.420,27 điểm vào ngày 02/07/2021, giá trị giao dịch cao nhất đạt 38.500 tỷ đồng ngày 04/06/2021).

Về phía doanh nghiệp nghiên cứu, Tập đoàn Vingroup (tiền thân là CTCP Thương mại Tổng hợp Việt Nam thành lập năm 2002) là tập đoàn tư nhân đa ngành quy mô lớn với cơ cấu doanh thu:

Lĩnh vực kinh doanh	Tỷ lệ đóng góp doanh thu (%)
Chuyển nhượng bất động sản	65%
Bán lẻ	15%
Dịch vụ khách sạn, du lịch, vui chơi giải trí	8%
Cho thuê bất động sản đầu tư	6%
Dịch vụ bệnh viện	2%
Dịch vụ giáo dục	1%
Lĩnh vực khác	3%

Về diễn biến giá cổ phiếu VIC trên sàn HOSE từ khi niêm yết (19/09/2007) đến tháng 10/2021:

• Giai đoạn 2013 đến giữa năm 2017: Giá dao động quanh mức dưới 50.000 VNĐ/cổ phiếu.
• Giai đoạn tăng trưởng mạnh 2017–2019: Đạt mốc 111.488 VNĐ/cổ phiếu vào ngày 04/09/2017, đưa VIC vào nhóm cổ phiếu vốn hóa lớn nhất thị trường.
• Đáy sụt giảm do dịch bệnh: Giảm xuống 63.556 VNĐ/cổ phiếu vào ngày 24/03/2020.
• Đỉnh lịch sử: Đạt mức 128.000 VNĐ/cổ phiếu vào ngày 19/04/2021 (vốn hóa xấp xỉ 490.000 tỷ đồng, chiếm hơn 10% vốn hóa sàn HOSE).
• Giai đoạn điều chỉnh: Sau đỉnh tháng 5/2021, giá VIC giảm hơn 30% trong 5 tháng, vốn hóa lùi về khoảng 330.300 tỷ đồng.

Chương 3: Kết quả dự đoán giá chứng khoán VIC

Chương 3 trình bày toàn bộ quá trình xử lý số liệu, huấn luyện mô hình và phân tích kết quả dự báo. Bộ dữ liệu gồm 2.077 phiên giao dịch từ 08/07/2013 đến 29/10/2021 với các đặc trưng thống kê mô tả:

Chỉ tiêu thống kê	Giá trị (VNĐ)
Số quan sát	2.077 ngày
Giá trị trung bình (Mean)	63.934,94
Yếu vị (Mode)	34.711,00
Độ lệch chuẩn (Std Dev)	32.722,54
Giá trị nhỏ nhất (Min)	26.307,00 (17/12/2014)
Tứ phân vị 1 ($Q_1$)	34.213,00
Trung vị (Median)	41.697,00
Tứ phân vị 3 ($Q_3$)	98.045,00
Giá trị lớn nhất (Max)	128.000,00 (19/04/2021)

Phân tích hình học qua biểu đồ hộp (Boxplot) và biểu đồ phân phối tần suất cho thấy dữ liệu phân bố lệch trái về phía giá trị nhỏ, không xuất hiện các điểm ngoại lai bất thường ngoài quy luật thị trường.

---

Thiết kế và triển khai chương trình thử nghiệm

Chương trình thử nghiệm được xây dựng và thực thi trên môi trường Google Colab bằng ngôn ngữ Python.

+-------------------------------------------------------------+
|               Thu thập dữ liệu (investpy)                  |
|          2.077 phiên giao dịch VIC (2013 - 2021)            |
+------------------------------+------------------------------+
                               |
                               v
+-------------------------------------------------------------+
|                 Kỹ thuật tạo đặc trưng                      |
|       H-L, O-C, SMA_7, SMA_14, SMA_21, SD_7, SD_21          |
+------------------------------+------------------------------+
                               |
                               v
+-------------------------------------------------------------+
|                Tiền xử lý & Phân chia mẫu                   |
|        - MinMaxScaler đưa dữ liệu về khoảng [0, 1]          |
|        - Chuỗi trượt đầu vào: Lookback Window = 30 ngày     |
|        - Tập Train: 1.713 mẫu | Tập Test: 365 mẫu           |
+------------------------------+------------------------------+
                               |
                               v
+-------------------------------------------------------------+
|                  Kiến trúc mô hình LSTM                     |
|     - LSTM Layer: 1.000 units, return_sequences=True        |
|     - Dense Layer (Output), Optimizer='adam', Loss='MSE'    |
+------------------------------+------------------------------+
                               |
                               v
+-------------------------------------------------------------+
|                 Dự báo & Đánh giá kết quả                   |
|       - Dự báo ngoài mẫu 365 ngày & ngày 30/10/2021         |
|       - Đánh giá chất lượng qua MAE, MAPE, Theil's U        |
+-------------------------------------------------------------+

1. Trích xuất đặc trưng (Feature Engineering)

Từ các biến giá gốc (Open, Close, High, Low), mô hình khởi tạo thêm các biến kỹ thuật phản ánh xu hướng và độ biến động:

• $H - L = \text{High} - \text{Low}$ (biên độ dao động trong phiên).
• $O - C = \text{Open} - \text{Close}$ (chênh lệch giữa giá mở cửa và giá đóng cửa).
• Trung bình trượt 7 ngày, 14 ngày, 21 ngày: $\text{SMA}7$, $\text{SMA}{14}$, $\text{SMA}_{21}$.
• Độ lệch chuẩn trượt 7 ngày và 21 ngày: $\text{SD}7$, $\text{SD}{21}$.

2. Phân vùng dữ liệu và tạo cửa sổ trượt

• Tập huấn luyện (Train set): 1.713 quan sát đầu tiên, cấu trúc thành các chuỗi trượt 30 ngày liên tiếp làm đầu vào để dự báo giá đóng cửa ngày tiếp theo.
• Tập kiểm tra (Test set): 365 quan sát cuối cùng (từ ngày 21/05/2020 đến ngày 29/10/2021) dùng để kiểm định độc lập hiệu năng ngoài mẫu.

3. Cấu hình mạng và huấn luyện

• Thư viện sử dụng: investpy, pandas, numpy, sklearn.preprocessing.MinMaxScaler, tensorflow.keras (Sequential, LSTM, Dense, Dropout), matplotlib, seaborn.
• Kiến trúc mạng: Tầng LSTM gồm 1.000 đơn vị (units=1000), kết nối với tầng đầu ra Dense có số chiều bằng số biến mục tiêu (Close).
• Tham số tối ưu: Thuật toán tối ưu hóa adam, hàm mất mát mean_squared_error (MSE).

---

Kết quả và đóng góp

1. Kết quả thực nghiệm

Quá trình kiểm thử trên 365 phiên giao dịch ngoài mẫu cho thấy đường dự báo của mô hình LSTM bám sát xu hướng vận động thực tế của giá cổ phiếu VIC qua các giai đoạn biến động mạnh.

Trích xuất một số kết quả so sánh giữa giá thực tế và giá dự báo từ mô hình:

Thời điểm quan sát	Giá thực tế (VNĐ)	Giá dự báo bởi LSTM (VNĐ)	Chênh lệch (VNĐ)
Phiên $t-364$	87.111	85.198,7891	-1.912,2109
Phiên $t-363$	85.689	85.945,7266	+256,7266
Phiên $t-362$	86.311	85.269,3594	-1.041,6406
Phiên $t-361$	86.133	85.398,4609	-734,5391
Phiên $t-360$	86.133	85.615,3047	-517,6953
Phiên $t-2$	95.000	93.915,3359	-1.084,6641
Phiên $t-1$	95.000	95.335,8984	+335,8984
Phiên $t$ (29/10/2021)	95.800	95.432,9609	-367,0391

Thực hiện dự đoán giá cổ phiếu VIC cho ngày tiếp theo (ngày 30/10/2021) bằng dữ liệu của 30 phiên gần nhất, mô hình cho kết quả: $$\hat{Y}_{30/10/2021} = 95.476,625 \text{ VNĐ}$$ Kết quả này phản ánh xu hướng giá VIC duy trì dao động ổn định quanh ngưỡng 95.000 VNĐ trong ngắn hạn, biên độ chênh lệch so với phiên liền trước không lớn.

2. Đóng góp của nghiên cứu

• Cập nhật chuỗi dữ liệu giao dịch của cổ phiếu VIC đến thời điểm tháng 10/2021, bao quát các giai đoạn chịu ảnh hưởng của đại dịch Covid-19 và giai đoạn lập đỉnh lịch sử của thị trường chứng khoán Việt Nam.
• Thiết lập quy trình trích xuất đặc trưng kết hợp giữa các giá trị giá cơ bản và các đường chỉ báo kỹ thuật ($\text{SMA}$, $\text{SD}$, biên độ $H-L$, $O-C$) phục vụ mô hình học sâu.
• Hiện thực hóa chương trình thực nghiệm hoàn chỉnh bằng Python, cung cấp quy trình tính toán tự động các chỉ số sai số MAE, MAPE và Theil's U để kiểm soát độ tin cậy của mô hình.

---

Hạn chế và hướng nghiên cứu tiếp

Khóa luận xác định các hạn chế mang tính kỹ thuật và phạm vi nghiên cứu:

• Việc lựa chọn siêu tham số: Quá trình xác định số đơn vị ẩn trong tầng LSTM, tốc độ học (learning rate), số lượng epoch chủ yếu dựa trên thử nghiệm lặp lại (trial-and-error), chưa áp dụng các kỹ thuật tối ưu hóa tự động (Grid Search hoặc Bayesian Optimization).
• Phạm vi biến đầu vào: Mô hình tập trung vào dữ liệu chuỗi thời gian giá lịch sử và các chỉ báo kỹ thuật nội sinh; chưa tích hợp các biến ngoại sinh như chỉ số kinh tế vĩ mô, luồng tin tức tài chính, báo cáo tài chính định kỳ hoặc dữ liệu phân tích cảm xúc thị trường (Sentiment Analysis).
• Khả năng khái quát hóa: Mô hình mới chỉ được kiểm định trên chuỗi dữ liệu đơn lẻ của cổ phiếu VIC, chưa mở rộng so sánh đa dạng trên toàn bộ rổ chỉ số VN30 hoặc các nhóm ngành có tính chất chu kỳ khác.

Hướng nghiên cứu tiếp theo được đề xuất bao gồm: mở rộng nghiên cứu trên các biến thể kiến trúc mạng khác (Bidirectional LSTM, Gated Recurrent Unit - GRU, Depth-Gated LSTM), tối ưu hóa cấu trúc tầng ẩn và kết hợp dữ liệu phi cấu trúc để nâng cao độ chính xác dự báo.

---

Giá trị tham khảo

Đề tài là tài liệu tham khảo chuyên ngành hữu ích cho:

• Sinh viên và học viên chuyên ngành Toán kinh tế, Phân tích dữ liệu, Kinh tế số, Tài chính định lượng: Tham khảo phương pháp xây dựng pipeline xử lý dữ liệu chuỗi thời gian, phương pháp tạo biến đặc trưng kỹ thuật và cách áp dụng mô hình Deep Learning trong bài toán tài chính.
• Các nhà nghiên cứu về học máy: Tham khảo mã nguồn Python triển khai kiến trúc LSTM với Keras/TensorFlow, cách xử lý dữ liệu đầu vào theo dạng mảng 3 chiều (samples, time steps, features) và các hàm tính toán sai số MAE, MAPE, Theil's U.
• Nhà đầu tư cá nhân và tổ chức: Sử dụng phương pháp luận của đề tài như một công cụ hỗ trợ kỹ thuật trong việc theo dõi xu hướng biến động ngắn hạn của cổ phiếu.

---

Câu hỏi thường gặp

1. Khóa luận sử dụng độ dài chuỗi dữ liệu quá khứ bao nhiêu ngày để dự đoán giá ngày tiếp theo?

Mô hình thiết lập tham số cửa sổ trượt (lookback window) là 30 ngày giao dịch liên tiếp ($t, t-1, \dots, t-29$, loại trừ ngày nghỉ thứ Bảy và Chủ nhật) để đưa ra giá đóng cửa dự báo cho ngày $t+1$.

2. Dữ liệu huấn luyện và kiểm định của mô hình được phân chia theo tỷ lệ nào?

Tổng số 2.077 ngày quan sát được chia thành hai phần:

• Tập huấn luyện (Train set): Gồm 1.713 ngày đầu tiên.
• Tập kiểm tra ngoài mẫu (Test set): Gồm 365 ngày cuối cùng (từ ngày 21/05/2020 đến ngày 29/10/2021).

3. Những đặc trưng kỹ thuật nào đã được tạo thêm từ bộ dữ liệu giá gốc?

Ngoài 4 giá trị giá gốc (Open, Close, High, Low), nghiên cứu tạo thêm 7 biến kỹ thuật gồm:

• Biên độ giá trong phiên: $H-L = \text{High} - \text{Low}$.
• Chênh lệch giá mở/đóng: $O-C = \text{Open} - \text{Close}$.
• Trung bình động giá đóng cửa: $\text{SMA}7$, $\text{SMA}{14}$, $\text{SMA}_{21}$.
• Độ lệch chuẩn trượt: $\text{SD}7$, $\text{SD}{21}$.

4. Kết quả dự báo giá đóng cửa của cổ phiếu VIC cho ngày 30/10/2021 là bao nhiêu?

Mô hình LSTM đưa ra mức giá dự báo cho ngày 30/10/2021 là 95.476,625 VNĐ, cho thấy giá cổ phiếu có xu hướng dao động ổn định quanh ngưỡng 95.000 VNĐ so với mức giá thực tế 95.800 VNĐ của phiên liền trước ngày 29/10/2021.

5. Tại sao mô hình LSTM lại được lựa chọn thay vì mạng nơ-ron hồi quy RNN truyền thống?

Mạng LSTM được lựa chọn vì có cấu trúc 3 cổng chức năng (Forget gate, Input gate, Output gate) giúp kiểm soát luồng thông tin truyền qua trạng thái tế bào, giải quyết hiệu quả hiện tượng suy giảm gradient (vanishing gradient) khi huấn luyện trên các chuỗi thời gian tài chính dài.

---

Kết luận

Khóa luận tốt nghiệp của tác giả Lê Hà Giang đã hệ thống hóa cơ sở lý luận về mạng nơ-ron học sâu và triển khai thực nghiệm thành công mô hình LSTM trong bài toán dự báo giá cổ phiếu VIC giai đoạn 2013–2021. Bằng việc kết hợp dữ liệu giá lịch sử với các chỉ báo kỹ thuật trích xuất, chương trình viết bằng Python đã mô phỏng sát xu hướng vận động của giá đóng cửa ngoài mẫu thử nghiệm 365 ngày. Nghiên cứu đóng góp một khung phân tích thực nghiệm hoàn chỉnh, làm cơ sở khoa học cho việc phát triển các mô hình định lượng trong phân tích tài chính tại Việt Nam.

Trích đoạn nội dung tài liệu

Chương 1. CƠ SỞ LÝ LUẬN VA TONG QUAN NGHIÊN CUU 1.1 LY LUAN CO BAN VE THI TRUONG CHUNG KHOAN VA GIA CHUNG KHOAN 1.1 Thi trường chứng khoán Khái niệm Theo Wikipedia “Thị trường chứng khoán là một tập hợp bao gồm những người mua và người bán cô phiếu (hay chứng khoán), thứ đại diện cho quyền sở hữu của họ đối với một doanh nghiệp; chúng có thé bao gồm các cổ phiếu được niêm yết trên sàn giao dịch chứng khoán đại chúng, hoặc những cô phiếu được giao dịch một cách không công khai.” Theo trang Investopedia, TTCK được định nghĩa như sau: “Thi trường chứng khoán là tập hợp các thị trường và sở giao dịch thường xuyên diễn ra các hoạt động mua, bán và phát hành cô phiếu của các công ty đại chúng”. Hai thuật ngữ “thị trường chứng khoán” và “sé giao dịch chứng khoán” không mang tinh chat tương đương mặc dù vẫn được dùng thay thế cho nhau. Thực chất, thuật ngữ “thị trường chứng khoán” mang nghĩa rộng hơn.

Thị trường chứng khoán đóng vai trò là kênh dẫn vốn quan trọng, nhằm mục đích huy động những nguồn vốn tiết kiệm nhỏ trong xã hội tập trung thành nguồn vốn lớn tài trợ cho doanh nghiệp, các tổ chức kinh tế và Chính phủ dé nâng cao sản xuất, thúc đây tăng trưởng kinh tế hoặc tập trung vốn vào các dự án đầu tư lớn. Cách thức hoạt động của thị trường chứng khoán TTCK đem đến cho các nhà đầu tư một môi trường uy tín và được quản lý chặt chẽ, giúp các nhà đầu tư có thể tiến hành giao dịch cổ phiếu và thực hiện các công cụ khác một cách thuận tiện. TTCK hoạt động như “thi trường so cấp” và “thi trường thứ cap” tuân theo các quy tac được nêu ra bởi cơ quan quản lý. Sở giao dịch chứng khoán là bên đảm bảo sự minh bach về giá cả, tính thanh khoản va sự chuẩn mực trong các hoạt động giao dịch đó.

Hầu hết các sàn giao dich chứng khoán lớn trên Thế giới hiện nay đều hoạt động theo phương thức điện tử, do đó hệ thống quản lý các lệnh mua và lệnh bán từ các bên tham gia thị trường được 11181217-Lé Hà Giang Trang 12 Chuyên đề thực tập chuyên ngành Toán Kinh tế chú trọng và duy trì hiệu quả. Chúng thực hiện “chức năng khớp giá” để tạo ra sự công bằng minh bạch trong khi thực hiện giao dịch cho cả người mua và người bán. Một công ty niêm yết có thé bổ sung chào bán cô phiếu thông qua các đợt chào bán ở giai đoạn sau, có thể là thông qua phát hành quyền hoặc thông qua một đợt chào bán tiếp theo. Bên cạnh đó, họ cũng có thé hủy niêm yết hoặc mua lại cổ phiếu của họ.

Các giao dịch đó được sở giao dịch chứng khoán hỗ trợ, tạo điều kiện dé có thé dễ dàng thực hiện. Ngoài ra các tin tức, báo cáo tài chính hay các thông báo của công ty được cập nhật trên trang web chính thức của họ. Sở giao dịch chứng khoán cũng tạo điều kiện giúp đỡ nhiều hoạt động giao dịch khác ở cấp độ doanh nghiệp. Thông thường, khi một công ty có lợi nhuận, họ sẽ trích một phần từ thu nhập của họ dé trả cho các nhà dau tư dưới hình thức cô tức.

Khi đó, các thông tin này sẽ được sàn giao dịch lưu giữ lại và sẽ hỗ trợ xử lý khi các công ty cần đến nó. Chức năng của thị trường chứng khoán Thị trường chứng khoán chủ yếu phục vụ các chức năng sau: Đảm bảo công bằng trong giao dịch chứng khoán: Sở giao dịch chứng khoán giúp tat cả những nhà dau tư hoàn toàn có quyền truy cập dữ liệu như nhau, dam bảo tính công bằng giúp định giá chứng khoán minh bạch. Bên cạnh đó, nó có chức năng thực hiện khớp lệnh giữa lệnh mua và lệnh bán một cách phù hợp và hiệu quả. Khám phá hiệu quả: Thị trường chứng khoán đảm bảo một “cơ chế hiệu quả” để khám phá giá, quyết định giá của một chứng khoán bang cách đánh giá cung-cầu của thị trường và những yếu tổ tác động đến giao dịch.

Duy trì tính thanh khoản: Thị trường chứng khoán giúp cho những ai có đủ điều kiện giao dịch va san sang giao dich đều có thé dễ dàng truy cập đề đặt lệnh và thực hiện giao dịch. Tính bảo mật và tính hợp lệ của các giao dịch: Điều này đem đến su an toàn cho các bên tham gia, không có chỗ cho bat kỳ bên nào trong số các bên vỡ nợ. Mọi người khi tham gia đều phải tuân thủ các quy định đã đề ra và hoạt động trong khuôn khổ pháp lý của các cơ quan quản lý. Bảo vệ nhà đâu tw: Bên cạnh các nhà đầu tư lớn mạnh, thị trường chứng khoán đặc biệt bảo vệ những nhà đầu tư nhỏ, là những nhà đầu tư có kiến thức tài chính hạn 11181217-Lé Hà Giang Trang 13 Chuyên đề thực tập chuyên ngành Toán Kinh tế hẹp.

Họ không có những nhận thức đầy đủ về chứng khoán và dễ dàng mắc phải những cam bay khi tham gia đầu tư. Giúp những nhà dau tư này tránh được tôn thất về tài chính và củng cé lòng tin khách hàng là một trong những nhiệm vụ hang đầu của sở giao dịch chứng khoán.2 Giá chứng khoán Chứng khoán là một tài sản chính có thể giao dịch. Theo luật Chứng khoán: “chứng khoán là băng chứng xác nhận quyền và lợi ích hợp pháp của người sở hữu đối với tài sản hoặc phần vốn của tô chức phát hành. Được thê hiện bằng chứng chỉ, đữ liệu điện tử hoặc bút toán”.

Có 4 loại chứng khoán chính mà các doanh nghiệp thường phát hành: cô phiếu, trái phiếu, chứng khoán phái sinh và chứng chỉ quỹ dau tư. Bảng giá chứng khoán thé hiện các thông tin liên quan đến giao dịch của cô phiếu trên thị trường chứng khoán. Từ những thông tin trên bảng giá chứng khoán ta có thể biết được một mã chứng khoán nào đấy hiện đang được giao dịch với mức giá nào, khối lượng cô phiếu khớp lệnh là bao nhiêu? Nhà đầu tư nước ngoài mua bán bao nhiêu? Các chỉ tiêu chính trên bảng giá chứng khoán Giá trần Mã chứng khoán (MCK) Giá sàn Giá tham chiếu (TC) Tổng khối lượng 1.1 Mạng nơ-ron nhân tạo 12.11 Kiến trúc Mạng nơ-ron nhân tạo (ANN) là một chuỗi những thuật toán được đưa ra dé tim kiếm các mối quan hệ cơ bản trong tập hợp các dữ liệu thông qua việc bat trước cách thức hoạt động của não bộ con người. Nó có thể lưu giữ thông tin và sử dụng các thông tin đó để đưa ra những dự đoán về dữ liệu chưa biết ở tương lai.

11181217-Lé Hà Giang Trang 14 Chuyên đề thực tập chuyên ngành Toán Kinh tế Mạng Neural Network là sự kết hợp của các tầng perceptron, mỗi Neural Network thường bao gồm 3 kiểu tầng sau: - Tang input layer: Tang này năm ngoài cùng bên trái, biểu diễn các thông tin đầu vào. - Tang output layer: tang này nằm ngoài cùng bên phải, biểu diễn các thông tin đầu ra. - Tang hidden layer: Là tang nằm ở vi trí trung gian, biểu diễn quá trình suy @InputLayer @@HiddenLayer @ Output Layer Hình 1. Kiến trúc mạng nơ -ron nhân tao (Nguồn: Internet) Tại mỗi tầng, số lượng nút mạng có thé sẽ khác nhau, tùy thuộc vào bài toán.

Ưu diém lớn nhât của mang ANN là khả năng được sử dụng như một “cơ chê xâp xi hàm tùy ý” mà học được từ các dữ liệu quan sát. Mô hình hoạt động Tại mỗi nút riêng lẻ ta có các dit liệu đầu vào x;, các trọng số w;, độ lệch (bias) và đầu ra. Công thức tính toán như sau: m » W; xX; + bias = Wxạ + W;x; + W3XxX3 + bias i=1 11181217-Lé Ha Giang Trang 15 Chuyên đề thực tập chuyên ngành Toán Kinh tế Lif ) wx +b >0 Output = f(x) = Oif > wi +b <0 Các trong số đóng vai trò phân định tam quan trọng của các biến, xác định biến nao có đóng góp ít, biến nào có đóng góp nhiều. Các giá trị đầu vào x; được nhân với các trọng số tương ứng rồi cộng với giá trị bias.

Sau đó, các giá trị này sẽ đi qua một hàm gọi là Activation, hàm này sẽ trả về giá trị 0 hoặc 1. Cuối cùng dẫn đến kết quả đầu ra và tiếp tục trở thành đầu vào của trạng thái tiếp theo. Quá trình này được minh họa băng sơ đô sau: Summation and Bias Activation Output Hình 1. Mạng no-ron nhiều lớp với chức năng Sigmoid (Nguồn: Internet) Hàm tổng của một nơ-ron cho biết khả năng kích hoạt của nơ-ron đó.

Hàm chuyên đổi thé hiện mối quan hệ giữa hàm tổng và kết quả. Lựa chọn hàm chuyền đổi phù hợp là cực kỳ quan trọng, nó tác động lớn đến output của mang ANN. Một sỐ hàm chuyên đổi phi tuyến được sử dụng phô biến trong mạng ANN: fC) = TS e*-e* f(x) = tanh(x) = e+e flax) = uf x œ(e* — 1) véix <0 với x > 0 11181217-Lé Ha Giang Trang 16 Chuyên đề thực tập chuyên ngành Toán Kinh tế Trong đó, hàm tanh là phiên bản khác tỉ lệ của hàm sigmoid, nói cách khác đó là khoảng giá trị output của hàm chuyên đồi thuộc khoảng [-1,1] nên còn được gọi là hàm chuân hóa. Mạng nơ-ron dự đoán dựa trên lan truyền thang là phép nhân ma trận với hàm kích hoạt dé thu được output.

Nếu input là vector hai chiều thì có thé xác định J như sau: xX, = kM) + bị a, = tanh(x,) Xp =a,W,+ b; ay = ộ = softmax(x2) Trong đó, x, va a, lần lượt là input va output của lớp thứ I sau khi áp dụng hàm kích hoạt. W và b; là các thông số của mô hình mà chúng ta cần đi tìm. Trong các bài toán hồi quy, thường sử dụng các hàm mắt mát như sai số tuyệt đối trung bình (MAE) hay sai số toàn phương trung bình (MSE).3 Ứng dung Mang ANN được áp dung phô biến cho nhiều lĩnh vực khác nhau như phân tích kinh doanh, tài chính, giao dịch, dự báo thời tiết, đánh giá rủi ro, nhận diện vật thể, phát hiện gian lận. Ngoài ra ANN còn được ứng dụng trong phân tích dữ liệu lịch sử, từ đó đưa ra những đánh giá hiện tại và dự báo tương lai.

Một ứng dung phổ biến đó là bài toán phân loại mẫu: nhận dạng kí tự, giọng nói, .2 Mạng nơ-ron hồi quy 1.1 Kiến trúc Mạng nơ-ron hồi quy, còn được biết đến như là RNNs, là một lớp của ANN mà các sự liên kết giữa các nút hình thành một dây truyền tuần tự. Tức là chúng không liên kết thành chuỗi, đầu ra và đầu vào không phụ thuộc nhau. RNN có thé ghi nhớ các thông tin được tính toán trước đó.