Ứng Dụng Học Máy và Học Sâu Trong Dự Đoán Giá Cổ Phiếu Tại Thị Trường Việt Nam

Khóa luận phân tích ứng dụng mô hình học sâu trong dự báo giá cổ phiếu tại thị trường Việt Nam, mang lại cái nhìn mới cho ngành tài chính ngân hàng.

• Tác giả: Trần Minh Hiếu
• Người hướng dẫn: TS. Lê Hồng Hạnh
• Trường học: Trường Đại Học Kinh Tế - ĐHQGHN
• Chuyên ngành: Tài Chính - Ngân Hàng
• Đề tài: Ứng Dụng Học Máy và Học Sâu Trong Dự Đoán Giá Cổ Phiếu Tại Thị Trường Việt Nam
• Loại tài liệu: Khoa Luận Tốt Nghiệp
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Mục lục chi tiết

• MỞ ĐẦU
• 1. Tính cấp thiết của đề tài
• 2. Mục tiêu nghiên cứu
• 3. Câu hỏi nghiên cứu
• 4. Phạm vi nghiên cứu, đối tượng nghiên cứu
• 5. Phương pháp nghiên cứu
• 6. Dự kiến đóng góp của đề tài
• 7. Bố cục bài nghiên cứu
• 1. CHƯƠNG I: CƠ SỞ LÝ LUẬN VÀ TỔNG QUAN CÁC NGHIÊN CỨU LIÊN QUAN
• 1.1. Khái niệm đầu tư và đầu tư trong thị trường cổ phiếu
• 1.2. Các phương pháp phân tích sử dụng trong thị trường cổ phiếu
• 1.2.1. Phương pháp phân tích cơ bản
• 1.2.2. Phương pháp phân tích kỹ thuật
• 1.3. Học máy, học sâu và ứng dụng của chúng trong thị trường cổ phiếu
• 1.3.1. Khái niệm Học máy và cơ sở lý luận về mạng nơ-ron nhân tạo (ANN)
• 1.3.2. Lịch sử hình thành và phát triển của học máy và học sâu
• 1.3.3. Tổng quan một số nghiên cứu áp dụng học máy và học sâu trong đầu tư cổ phiếu
• 2. CHƯƠNG II: THIẾT KẾ NGHIÊN CỨU
• 2.1. Các mô hình được sử dụng
• 2.1.1. Mô hình Auto-regressive Integrated Moving Average - ARIMA
• 2.1.2. Mô hình Long Short Term Memory — LSTM
• 2.1.3. Mô hình trung bình — phương sai (Mean — variance)
• 2.1.4. Mô hình nghiên cứu đề xuất
• 2.2. Các đặc trưng được sử dụng trong mô hình
• 2.3. Dữ liệu nghiên cứu và phần mềm sử dụng
• 2.4. Quy trình thực hiện nghiên cứu
• 3. CHƯƠNG III: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
• 3.1. Các chỉ tiêu để đánh giá kết quả dự đoán của mô hình
• 3.1.1. Trung bình bình phương sai số (Mean Squared Error — MSE)
• 3.1.2. Độ chính xác dự đoán về chiều thay đổi (Hit accuracy)
• 3.2. Các chỉ tiêu để đánh giá kết quả giao dịch
• 3.2.1. Chỉ tiêu lợi nhuận
• 3.2.2. Chi phí giao dịch
• 3.3. Kết quả dự đoán của mô hình và thảo luận
• 3.4. Kết quả giao dịch và thảo luận
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Ứng Dụng Học Máy Trong Dự Đoán Giá Cổ Phiếu

Học máy và học sâu đã trở thành những công cụ quan trọng trong việc dự đoán giá cổ phiếu tại thị trường chứng khoán Việt Nam. Các mô hình này không chỉ giúp cải thiện độ chính xác của dự đoán mà còn tối ưu hóa quy trình đầu tư. Việc áp dụng các thuật toán học máy cho phép các nhà đầu tư phân tích dữ liệu lớn và đưa ra quyết định nhanh chóng.

1.1. Khái Niệm Học Máy và Học Sâu

Học máy là lĩnh vực cho phép máy tính tự học từ dữ liệu mà không cần lập trình cụ thể. Học sâu, một nhánh của học máy, sử dụng mạng nơ-ron để xử lý và phân tích dữ liệu phức tạp.

1.2. Lợi Ích Của Học Máy Trong Đầu Tư

Việc áp dụng học máy giúp tăng cường khả năng dự đoán, giảm thiểu rủi ro và tối ưu hóa lợi nhuận cho các nhà đầu tư. Các mô hình học máy có thể xử lý hàng triệu dữ liệu trong thời gian ngắn.

II. Thách Thức Trong Việc Dự Đoán Giá Cổ Phiếu Tại Việt Nam

Mặc dù học máy mang lại nhiều lợi ích, nhưng việc áp dụng nó trong dự đoán giá cổ phiếu tại Việt Nam vẫn gặp nhiều thách thức. Các yếu tố như dữ liệu không đầy đủ, biến động thị trường và sự thiếu hụt về kiến thức chuyên môn là những vấn đề cần được giải quyết.

2.1. Dữ Liệu Không Đầy Đủ

Nhiều nhà đầu tư gặp khó khăn trong việc thu thập dữ liệu chính xác và đầy đủ để áp dụng các mô hình học máy. Điều này ảnh hưởng đến độ chính xác của dự đoán.

2.2. Biến Động Thị Trường

Thị trường chứng khoán Việt Nam có sự biến động lớn, điều này làm cho việc dự đoán trở nên khó khăn hơn. Các yếu tố bên ngoài như chính trị và kinh tế cũng ảnh hưởng đến giá cổ phiếu.

III. Phương Pháp Học Máy Được Sử Dụng Trong Dự Đoán Giá Cổ Phiếu

Có nhiều phương pháp học máy được áp dụng trong dự đoán giá cổ phiếu, bao gồm mô hình hồi quy, mạng nơ-ron và cây quyết định. Mỗi phương pháp có ưu điểm và nhược điểm riêng, phù hợp với từng loại dữ liệu và mục tiêu đầu tư.

3.1. Mô Hình Hồi Quy

Mô hình hồi quy giúp xác định mối quan hệ giữa các biến số và giá cổ phiếu. Đây là phương pháp đơn giản nhưng hiệu quả trong nhiều trường hợp.

3.2. Mạng Nơ Ron Nhân Tạo

Mạng nơ-ron nhân tạo có khả năng học từ dữ liệu phức tạp và đưa ra dự đoán chính xác hơn. Phương pháp này thường được sử dụng trong các bài toán lớn.

IV. Ứng Dụng Thực Tiễn Của Học Máy Trong Thị Trường Chứng Khoán Việt Nam

Nhiều công ty chứng khoán tại Việt Nam đã bắt đầu áp dụng học máy để cải thiện quy trình đầu tư. Các ứng dụng này không chỉ giúp dự đoán giá cổ phiếu mà còn tối ưu hóa danh mục đầu tư.

4.1. Các Công Ty Áp Dụng Học Máy

Một số công ty chứng khoán đã tích hợp các thuật toán học máy vào hệ thống của họ để đưa ra các khuyến nghị đầu tư chính xác hơn.

4.2. Kết Quả Nghiên Cứu

Nghiên cứu cho thấy rằng việc áp dụng học máy có thể cải thiện đáng kể hiệu suất đầu tư so với các phương pháp truyền thống.

V. Kết Luận và Tương Lai Của Học Máy Trong Dự Đoán Giá Cổ Phiếu

Học máy và học sâu đang mở ra nhiều cơ hội mới trong lĩnh vực đầu tư chứng khoán tại Việt Nam. Tương lai của công nghệ này hứa hẹn sẽ mang lại những cải tiến đáng kể trong việc dự đoán giá cổ phiếu và tối ưu hóa quy trình đầu tư.

5.1. Tiềm Năng Phát Triển

Với sự phát triển không ngừng của công nghệ, học máy sẽ tiếp tục được cải tiến và ứng dụng rộng rãi hơn trong thị trường chứng khoán.

5.2. Những Thách Thức Cần Giải Quyết

Để tối ưu hóa việc áp dụng học máy, cần giải quyết các vấn đề về dữ liệu và nâng cao kiến thức cho các nhà đầu tư.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh cuộc Cách mạng công nghiệp lần thứ tư diễn ra mạnh mẽ cùng sự bùng nổ của dữ liệu lớn (Big Data) và năng lực tính toán của bộ xử lý đồ họa (GPU), các mô hình học máy (Machine Learning) và học sâu (Deep Learning) đã khẳng định vai trò trụ cột trong nhiều lĩnh vực kỹ thuật phức tạp như thị giác máy tính, xử lý ngôn ngữ tự nhiên và hệ thống tự hành. Trong lĩnh vực tài chính, công nghệ học sâu đã mở ra nhiều hướng tiếp cận mới đối với các bài toán giao dịch thuật toán, đánh giá rủi ro, phát hiện gian lận và quản trị danh mục đầu tư. Tại Việt Nam, sự ra đời của các tổ chức nghiên cứu chuyên sâu như Viện Nghiên cứu Trí tuệ nhân tạo (VinAI Research) vào năm 2019 thể hiện xu thế tiếp cận và làm chủ các công nghệ trí tuệ nhân tạo tiên tiến.

Tuy nhiên, việc dự báo biến động giá trên thị trường chứng khoán luôn là một thách thức lớn do tính phi tuyến, biến động phức tạp và chịu ảnh hưởng của nhiều yếu tố ngẫu nhiên. Nhận thấy tiềm năng của mạng nơ-ron hồi quy trong xử lý chuỗi thời gian tài chính, đề tài "Ứng dụng học máy và học sâu trong dự báo giá cổ phiếu tại thị trường Việt Nam" được thực hiện nhằm cung cấp cơ sở lý luận và thực nghiệm về khả năng dự báo giá và hiệu quả đầu tư thực tế của mô hình học sâu.

Mục tiêu nghiên cứu

Công trình xác định hai mục tiêu nghiên cứu cụ thể:

1. Đánh giá khả năng dự đoán giá cổ phiếu của mô hình học sâu (cụ thể là mô hình Long Short Term Memory - LSTM).
2. Kiểm tra tính thực tiễn và hiệu quả của việc áp dụng mô hình học sâu khi thực hiện giao dịch giả lập trên dữ liệu thực tế tại thị trường chứng khoán Việt Nam.

Câu hỏi nghiên cứu

1. Các phương pháp và chỉ tiêu nào được sử dụng để đo lường mức độ chính xác của mô hình dự đoán?
2. Mức độ chính xác của mô hình học sâu thể hiện như thế nào khi đặt trong tương quan so sánh với mô hình kinh tế lượng truyền thống (ARIMA)?
3. Kết quả giao dịch trên dữ liệu thực tế khi áp dụng chiến lược từ mô hình học sâu có sự khác biệt ra sao so với các phương pháp đầu tư khác?

Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu: Ứng dụng của mô hình học sâu trong việc dự đoán biến động giá cổ phiếu và xây dựng danh mục đầu tư.
• Phạm vi nghiên cứu: 70 doanh nghiệp được niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) từ trước ngày 04/01/2010.

---

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp nền tảng lý thuyết tài chính vi mô, kinh tế lượng chuỗi thời gian và khoa học máy tính nhằm xây dựng một quy trình dự báo và tối ưu danh mục hoàn chỉnh.

Khung lý thuyết và mô hình sử dụng

1. Lý thuyết Thị trường hiệu quả (EMH): Dựa trên nghiên cứu của Malkiel và Fama (1970), ở các dạng hiệu quả vừa hoặc yếu, thông tin quá khứ và các biến động giá được phản ánh qua các chỉ báo kỹ thuật, tạo tiền đề cho việc trích xuất đặc trưng phục vụ dự báo.
2. Mô hình Kinh tế lượng ARIMA ($p, d, q$): Mô hình tích hợp tự hồi quy và trung bình động (Box và cộng sự, 2015). Nghiên cứu sử dụng cấu hình phổ biến ARIMA(1, $d$, 1), trong đó bậc sai phân $d$ được xác định thông qua kiểm định nghiệm đơn vị Dickey-Fuller (ADF) để đảm bảo chuỗi đạt tính dừng (stationary).
3. Mô hình Mạng nơ-ron hồi quy LSTM: Kiến trúc mạng học sâu phát triển bởi Hochreiter và Schmidhuber (1997), khắc phục hiện tượng triệt tiêu đạo hàm (vanishing gradient) và bùng nổ đạo hàm (exploding gradient) của RNN truyền thống. Mô hình quản lý luồng thông tin qua trạng thái tế bào (cell state) và 3 cổng: cổng quên (forget gate), cổng nhập (input gate), cổng xuất (output gate).
4. Mô hình Tối ưu danh mục Trung bình - Phương sai (Mean - Variance): Khung lý thuyết danh mục đầu tư hiện đại của Markowitz (1956), đưa bài toán tối ưu đa mục tiêu (tối đa hóa lợi nhuận kỳ vọng và tối thiểu hóa phương sai rủi ro) về dạng bài toán tối ưu hóa đơn mục tiêu có ràng buộc.

Phương pháp nghiên cứu

Nghiên cứu áp dụng phương pháp định lượng thực nghiệm:

• Xử lý đặc trưng (Feature Engineering): Tính toán 10 chỉ báo kỹ thuật liên tục (thay vì nhị phân hóa) trong chu kỳ ngắn hạn $n = 14$ ngày để giữ trọn vẹn thông tin biên độ giá và khối lượng.
• Quy trình huấn luyện học sâu: Sử dụng thuật toán lan truyền ngược (backpropagation), cơ chế tối ưu hóa đạo hàm, kỹ thuật bỏ học (dropout) để hạn chế hiện tượng quá khớp (overfitting).
• Mô phỏng giao dịch và kiểm định: Xây dựng các danh mục đầu tư theo quy mô $n$ cổ phiếu ($n = 1, 2, 3, 4, 5$), tính toán lợi nhuận tích lũy có tính đến chi phí giao dịch, và sử dụng kiểm định $t$-test để so sánh mức độ vượt trội của danh mục LSTM so với các danh mục đối chuẩn.

---

Nội dung chính theo từng chương

CHƯƠNG I: Cơ sở lý luận và tổng quan các nghiên cứu liên quan

Chương 1 hệ thống hóa các khái niệm nền tảng về đầu tư cổ phiếu, phân biệt hai trường phái đầu tư chủ động (phân tích cơ bản, phân tích kỹ thuật) và đầu tư bị động (theo dõi chỉ số). Tác giả làm rõ cơ sở của mạng nơ-ron nhân tạo (ANN), từ Perceptron đơn lớp (Rosenblatt, 1957), hạn chế hàm XOR (Minsky & Papert, 1969), đến giải thuật lan truyền ngược (Rumelhart, Williams, Hinton, 1986) và sự phát triển của Deep Learning qua các mốc DBN (Hinton, 2006), ImageNet (Fei-Fei Li, 2009), AlexNet (2012).

Phần tổng quan tài liệu điểm lại các nghiên cứu quốc tế tiêu biểu:

• Kara và cộng sự (2011), Patel và cộng sự (2015): Sử dụng ANN, SVM, Random Forest, Naive-Bayes để dự báo chiều biến động chỉ số dựa trên chỉ báo kỹ thuật.
• Krauss và cộng sự (2017), Fischer và cộng sự (2018): Ứng dụng DNN, Gradient-Boosted Trees, LSTM trên rổ S&P 500, chỉ ra ưu thế xử lý dữ liệu chuỗi thời gian của LSTM.
• Freitas và cộng sự (2009), Ta và cộng sự (2020), Ma và cộng sự (2021): Kết hợp dự báo giá trị lợi nhuận định lượng với việc xây dựng danh mục đầu tư, so sánh LSTM với ARIMA, SVR và CNN.

Từ việc phân tích các nghiên cứu tiền nhiệm, tác giả chỉ ra khoảng trống nghiên cứu: phần lớn các nghiên cứu trước đây chỉ dùng chuỗi giá quá khứ đơn thuần hoặc nhị phân hóa chỉ báo kỹ thuật làm mất thông tin; đồng thời tại thị trường Việt Nam còn thiếu vắng các nghiên cứu thực nghiệm toàn diện kết hợp LSTM với giao dịch giả lập có kiểm chuẩn đối kháng.

CHƯƠNG II: Thiết kế nghiên cứu

Chương 2 trình bày chi tiết cấu trúc toán học của các mô hình và quy trình thu thập, tiền xử lý dữ liệu:

1. Bộ đặc trưng kỹ thuật đầu vào: Hệ thống 10 chỉ báo kỹ thuật được chuẩn hóa với chu kỳ $n = 14$ ngày:

STT	Chỉ báo	Ký hiệu	Ý nghĩa kỹ thuật
1	Simple Moving Average	SMA	Đo lường chênh lệch giữa giá đóng cửa và giá trung bình giản đơn
2	Weighted Moving Average	WMA	Trung bình động có trọng số, nhạy cảm hơn với các biến động giá gần nhất
3	Momentum	MTM	Đo lường vận tốc và gia tốc thay đổi của giá trong kỳ
4	Moving Average Convergence Divergence	MACD	Xác định tín hiệu hội tụ/phân kỳ giữa các đường EMA và đường tín hiệu Signal Line
5	Stochastic Oscillator %K	%K	Xác định vị thế giá đóng cửa so với biên độ dao động cao nhất - thấp nhất
6	Stochastic Oscillator %D	%D	Đường trung bình động làm mượt của %K, hỗ trợ tìm điểm quá mua/quá bán
7	Relative Strength Index	RSI	So sánh xung lực tăng và giảm giá, xác định ngưỡng đảo chiều xu hướng
8	Larry William's %R	%R	Đo lường áp lực mua/bán trong biên độ [-100, 0]
9	Accumulation/Distribution Oscillator	A/D	Kết hợp biến động giá với khối lượng giao dịch để đo dòng tiền tích lũy/phân phối
10	Commodity Channel Index	CCI	Đo lường độ lệch chuẩn của giá so với giá trị trung bình thống kê

2. Cơ chế vận hành của đơn vị LSTM:

   • Cổng quên: $f_t = \sigma(W_f x_t + W_{fh} h_{t-1} + b_f)$
   • Cổng nhập: $i_t = \sigma(W_i x_t + W_{ih} h_{t-1} + b_i)$ và giá trị dự bị $\tilde{C}t = \tanh(W_c x_t + W{ch} h_{t-1} + b_c)$
   • Cập nhật trạng thái ô nhớ: $C_t = f_t \circ C_{t-1} + i_t \circ \tilde{C}_t$
   • Cổng xuất: $o_t = \sigma(W_o x_t + W_{oh} h_{t-1} + b_o)$ và trạng thái ẩn $h_t = o_t \circ \tanh(C_t)$

3. Mô hình hóa bài toán danh mục Markowitz: Chuyển đổi bài toán tối ưu đa mục tiêu sang hàm mục tiêu đơn tối thiểu hóa phương sai kết hợp kỳ vọng lợi nhuận có tỷ trọng phân bổ đều.

CHƯƠNG III: Kết quả nghiên cứu và thảo luận

Chương 3 tập trung vào hai nhóm kết quả chính:

1. Đo lường sai số dự báo: Đánh giá thông qua sai số bình phương trung bình (MSE) và độ chính xác chiều biến động (Hit accuracy) giữa mô hình LSTM đề xuất và mô hình ARIMA đối chuẩn.
2. Đánh giá hiệu quả đầu tư và mô phỏng giao dịch: Thiết lập các danh mục đầu tư giả lập theo các quy mô số lượng cổ phiếu khác nhau ($n = 1, 2, 3, 4, 5$). Phân tích lợi nhuận tích lũy sau khi đã khấu trừ chi phí giao dịch, so sánh với danh mục tối ưu Mean-Variance và danh mục đầu tư thụ động.
3. Kiểm định thống kê: Áp dụng kiểm định $t$-test độc lập để kiểm tra tính có ý nghĩa thống kê của mức chênh lệch lợi nhuận giữa danh mục xây dựng từ mô hình LSTM (theo lợi nhuận dự báo và theo tỷ suất lợi nhuận/rủi ro) so với các danh mục đối chuẩn khác.

---

Kết quả và đóng góp

Kết quả chính

• Khả năng dự báo vượt trội của LSTM: Mô hình LSTM sử dụng đầu vào là 10 chỉ báo kỹ thuật dạng liên tục cho kết quả dự báo biến động giá ngắn hạn tốt hơn mô hình kinh tế lượng ARIMA truyền thống trên cả hai tiêu chí sai số MSE và độ chính xác hướng đi (Hit accuracy).
• Hiệu quả giao dịch thực nghiệm: Quá trình giả lập giao dịch trên 70 cổ phiếu niêm yết sàn HOSE chứng minh các danh mục cổ phiếu được lựa chọn dựa trên tín hiệu dự báo của LSTM đạt tỷ suất sinh lời tích lũy cao hơn so với chiến lược đầu tư thụ động và phương pháp tối ưu hóa danh mục Mean-Variance cổ điển.
• Ý nghĩa thống kê: Kết quả kiểm định $t$-test (Bảng 3.3 và Bảng 3.4 trong văn bản) xác nhận mức lợi nhuận vượt trội của các danh mục LSTM (theo lợi nhuận dự báo và theo tỷ số lợi nhuận/rủi ro) là có ý nghĩa thống kê, không phải do biến động ngẫu nhiên.

Đóng góp của đề tài

1. Về mặt học thuật: Cung cấp cơ sở lý luận chi tiết về mạng nơ-ron hồi quy và cơ chế cổng của LSTM; hệ thống hóa quy trình tiền xử lý 10 chỉ báo kỹ thuật liên tục trong dự báo tài chính tại thị trường chứng khoán Việt Nam.
2. Về mặt thực tiễn: Khẳng định tính khả thi của việc ứng dụng mô hình học sâu vào giao dịch thuật toán trên thị trường cận biên/mới nổi, tạo nguồn tài liệu tham khảo định lượng cho các nhà đầu tư và tổ chức quản trị quỹ.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

• Phạm vi mẫu nghiên cứu: Giới hạn ở 70 doanh nghiệp niêm yết trên sàn HOSE có lịch sử giao dịch từ trước ngày 04/01/2010, chưa bao quát toàn bộ các cổ phiếu trên thị trường chứng khoán Việt Nam.
• Đặc trưng đầu vào: Mô hình chủ yếu tập trung vào dữ liệu chuỗi giá, khối lượng và các chỉ báo kỹ thuật; chưa tích hợp các biến số kinh tế vĩ mô, báo cáo tài chính doanh nghiệp hay dữ liệu phi cấu trúc (tin tức, tâm lý thị trường).
• Chi phí tính toán: Các mô hình học sâu yêu cầu thời gian huấn luyện dài và tài nguyên phần cứng lớn so với các mô hình kinh tế lượng truyền thống.

Hướng phát triển của đề tài

• Mở rộng tập dữ liệu cho toàn bộ các mã cổ phiếu trên cả sàn HOSE và HNX.
• Kết hợp dữ liệu định lượng với các mô hình xử lý ngôn ngữ tự nhiên (NLP) để phân tích cảm xúc từ tin tức tài chính và diễn đàn chứng khoán.
• Thử nghiệm các kiến trúc mạng học sâu hiện đại hơn hoặc mô hình lai (hybrid models) kết hợp giữa LSTM với các kỹ thuật tối ưu hóa phi tuyến.

---

Giá trị tham khảo

Khóa luận là tài liệu tham khảo chuyên khảo hữu ích cho:

• Sinh viên và học viên cao học ngành Tài chính - Ngân hàng, Công nghệ Tài chính (Fintech), Toán Kinh tế: Tham khảo phương pháp luận kết hợp giữa kinh tế lượng chuỗi thời gian, học máy và lý thuyết danh mục đầu tư hiện đại.
• Người làm nghiên cứu định lượng (Quantitative Researcher / Trader): Tham khảo chi tiết công thức tính toán và cách xử lý 10 chỉ báo kỹ thuật liên tục (Bảng 2.1) cùng cấu trúc thiết lập mô hình mạng LSTM trong dự báo tài chính ngắn hạn.
• Nhà phát triển thuật toán giao dịch: Tham khảo quy trình giả lập đầu tư trên dữ liệu thực tế có tính toán chi phí giao dịch và kiểm định $t$-test.

---

Câu hỏi thường gặp

1. Đề tài sử dụng mô hình nào làm kiểm chuẩn (benchmark) để so sánh với LSTM?

Đề tài sử dụng mô hình chuỗi thời gian kinh tế lượng ARIMA(1, $d$, 1) làm kiểm chuẩn cho bài toán dự báo sai số, và sử dụng mô hình tối ưu danh mục Mean-Variance của Markowitz cùng chiến lược đầu tư thụ động làm kiểm chuẩn cho hiệu quả giao dịch.

2. Dữ liệu đầu vào của mô hình LSTM trong nghiên cứu này gồm những gì?

Mô hình sử dụng 10 chỉ báo phân tích kỹ thuật ở dạng liên tục với chu kỳ tính toán $n = 14$ ngày, bao gồm: SMA, WMA, MTM, MACD (và Signal Line), Stochastic Oscillator (%K, %D), RSI, Larry William's %R, A/D Oscillator và CCI.

3. Phạm vi mẫu nghiên cứu được thu thập từ đâu và gồm bao nhiêu cổ phiếu?

Nghiên cứu thu thập dữ liệu giá và giao dịch của 70 doanh nghiệp được niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) từ trước ngày 04/01/2010.

4. Đề tài sử dụng những chỉ tiêu nào để đánh giá độ chính xác và hiệu quả đầu tư?

• Độ chính xác dự báo: Đo lường bằng Trung bình bình phương sai số (MSE) và Độ chính xác chiều biến động (Hit accuracy).
• Hiệu quả giao dịch: Đo lường bằng Lợi nhuận tích lũy (đã trừ chi phí giao dịch), biến động lợi nhuận theo các quy mô danh mục ($n = 1$ đến $n = 5$) và kiểm định $t$-test so sánh mức chênh lệch lợi nhuận giữa các danh mục.

---

Kết luận

Khóa luận tốt nghiệp của tác giả Trần Minh Hiếu đã hệ thống hóa cơ sở lý luận về mạng nơ-ron hồi quy LSTM và hiện thực hóa quy trình dự báo giá cổ phiếu tại thị trường HOSE dựa trên 10 chỉ báo kỹ thuật liên tục. Kết quả thực nghiệm khẳng định mô hình LSTM đạt độ chính xác dự báo vượt trội so với mô hình ARIMA truyền thống và mang lại tỷ suất sinh lời tích lũy cao hơn các danh mục đối chuẩn trong điều kiện giao dịch giả lập. Công trình là tài liệu tham khảo có giá trị học thuật và thực tiễn cao cho các nghiên cứu định lượng trong lĩnh vực công nghệ tài chính tại Việt Nam.

Trích đoạn nội dung tài liệu

CHƯƠNG I: CO SỞ LÝ LUẬN VA TONG QUAN CÁC NGHIÊN CỨU LIÊN QUAN 1. Khái niệm đầu tư và đầu tư trong thị trường cỗ phiếu Đầu tư là một hoạt động từ bỏ tiêu dùng ở hiện tại dé lựa chọn và nắm giữ một tai sản với mục tiêu nhận được các khoản lãi hoặc sự gia tang về giá trị của tài sản đó trong giai đoạn năm giữ (Bodie và cộng sự, 2012). Đầu tư trong thị trường cô phiếu có thé hiểu là hoạt động mua bán các cô phiếu hoặc các chứng khoán có giá trị gắn với cô phiếu như chứng khoán phái sinh cổ phiếu, chứng quyền có đảm bảo,. với mục đích sinh lời trong tương lai.

Giống như các loại hình đầu tư khác, các nhà đầu tư khi tham gia vào thị trường đều hướng tới một trong hai hoặc cả hai lợi ích sau: (1) phần lãi nhận được hàng kỳ dưới dạng cô tức và (2) phần lợi vốn phát sinh trong giai đoạn nam giữ chứng khoán. Một con số thường xuyên được nhắc tới đó là 90% các nhà đầu tư thua lỗ trên thị trường cổ phiếu. Tính chính xác của số liệu còn là một van đề dang được tranh luận song có một thực tế khó phủ nhận đó là việc kiếm lời trên thị trường nảy là một công việc yêu cầu nhiều kiến thức lẫn kinh nghiệm. Cũng chính vì thế, có nhiều tranh luận, quan điểm khác nhau giữa các nhà đầu tư về cách thức đề kiếm được lợi nhuận từ thị trường khốc liệt này.

Các nhà đầu tư cô phiếu thường được phân ra thành hai nhóm tương ứng với hai quan điểm đầu tư trái ngược nhau đó là nhóm các nhà đầu tư bị động (passive investors) và các nhà đầu tư chủ động (active investors). Cac nha dau tu chu động luôn tìm moi cach dé đạt được lợi nhuận lớn hơn so với lợi nhuận trung bình của thị trường. Họ tận dụng mọi nguồn thông tin khả, kết hợp với nhiều phương pháp kỹ thuật khác nhau dé dự báo sự biến động của giá cô phiếu trong một vài ngày, một vài tuần, một vài tháng, một vài năm hay thậm chí là nhiều năm tới dé từ đó đưa ra các quyết định đầu tư (mua/bán chứng khoán) mà họ tin rằng là có lợi nhất. Có hai phương pháp chủ yếu được sử dụng bởi các nhà đầu tư chủ động đó là phương 13 pháp phân tích cơ bản (fundamental analysis) và phương pháp phân tích kỹ thuật (technical analysis).

Các nhà dau tư bị động thi hoàn toàn trái ngược, họ cho rang công sức va chi phí bỏ ra trong quá trình tìm kiếm cơ hội đầu tư tốt sẽ bao mòn phần lợi nhuận mà một nhà đầu tư nhận được. Họ đặt niềm tin vào sự phát triển tự nhiên của thị trường chứng khoán và vì thế, họ thực hiện mua các các phiên bản thu nhỏ của toàn bộ thị trường dưới dạng các chỉ số (indices) và hài lòng với lợi nhuận trung bình mà thị trường đạt được. Cho tới này, tranh luận về hai quan điểm đầu tư này vẫn chưa dừng lại và các nghiên cứu mới vẫn tiếp tục thực hiện (French, 2008; Garleanu và Pederson, 2019); Anadu và cộng sự, 2020). Song, công trình nghiên cứu này không tập trung vào so sánh hai quan điểm kể trên mà sẽ sử dụng chiến thuật đầu tư bị động như một thang đo tiêu chuẩn đề đánh giá hiệu quả và tinh kha thi của phương pháp đề xuất.

Các phương pháp phân tích sử dụng trong thị trường cô phiếu 1. Phương pháp phân tích cơ bản Phân tích cơ ban (fundamental analysis) là quá trình phân tích các thông tin quan trọng, cơ bản đối với một doanh nghiệp như năng lực tài chính, môi trường kinh doanh, điều kiện kinh tế vĩ mô, năng lực quản trị,. Phương pháp này cho phép các nhà dau tư có cái nhìn khách quan, toan diện về tiềm năng, khả năng phát triển của doanh nghiệp nhưng có một điểm trừ là yêu cầu khối lượng thời gian lớn và kiến thức am hiểu chuyên sâu về các kiến thức kinh tế vi mô, vũ mô cũng như các ngành nghề khác nhau trong nền kinh tế. Đây là phương pháp chính được các nhà đầu tư theo trường phái đầu tư giá trị ưu tiên sử dụng.

Benjamin Graham (1965) trong cuốn sách nổi tiếng “Nhà dau tư thông minh” đã khái quát quá trình dau tư giá trị băng khái niệm về biên an toàn. Cụ thê, mục tiêu của 3 Từ gốc: margin of safety 14 các nhà đầu tư giá trị là phát hiện và mua nắm giữ các cô phiếu bị định giá thấp hơn giá trị thực của công ty đó thông qua việc áp dụng phân tích cơ bản về nền kinh tế, ngành nghề kinh doanh cũng như tình hình tài chính của doanh nghiệp. Nhà đầu tư giá trị sẽ nhận được lợi nhuận khi thị trường phát hiện ra sai sót trong định giá và giá cô phiếu sẽ được đưa về ngưỡng giá trị thực của nó. Quan niệm đầu tư này đã được áp dụng vô cùng thành công bởi nhà dau tư vĩ dai Warren Buffet — người cũng từng là học trò của tác giả Graham Benjamin.

Phuong pháp phân tích kỹ thuật Phương pháp phân tích kỹ thuật dựa trên lý thuyết về thị trường hiệu quả - Efficient Market Hypothesis (EMH) của Malkiel và Fama (1970). Lý thuyết này cho răng khi thị trường dat mức hiệu qua dạng mạnh (strong form) hoặc dạng vừa (semi-strong form) thì các thông tin trên thị trường sẽ được phản ánh vào biến động giá cả cô phiếu. Hay nói cách khác, dựa vào biến động giá ca của cổ phiếu dưới dang các chỉ báo kỹ thuật, các nhà dau tư có thé dự đoán biến động sắp tới của giá cô phiếu thông qua phân tách các thông tin từ dữ liệu và xác định xu hướng chung thị trường cũng như của từng cô phiếu đơn lẻ, các điểm quá bán hoặc quá mua của các cô phiếu (Blume và cộng sự, 1994). Từ đó mà họ có thê kiếm lời thông qua việc mua đi bán lại cổ phiếu trong ngắn hoặc trung hạn.

Không chỉ vậy, các nhà đầu tư giá trị cũng có thể tham khảo các tín hiệu từ phương pháp phân tích kỹ thuật dé có thé tìm điểm mua và điểm bán tối ưu. Học máy, học sâu và ứng dụng của chúng trong thị trường cỗ phiếu 1. Khái niệm Học máy và cơ sở lý luận về mạng nơ-ron nhân tạo (ANN) Thuật ngữ Học máy (Machine learning) đã được lần đầu được biết đến rộng rãi trong nghiên cứu của Samuel (1959) về ứng dụng của Học máy trong trò chơi cờ đam. Học máy (Machine learning) được Arthur L.

Samuel định nghĩa là lĩnh vực nghiên cứu cho phép máy tính có khả năng tự học mà không cần lập trình cụ thể. Nếu như với việc 15 lập trình truyền thống, lập trình viên phải đưa ra một thuật toán cung cấp cách giải cho máy tính và máy tính chỉ có nhiệm vụ tính toán để đưa ra kết quả thì với học máy, lập trình viên không cần phải có sẵn một cách giải cụ thể mà vẫn có thể đưa ra được kết quả như mong muôn. —— Máy tính ————— Thuật toán (logic) Hình 1.1: Quy trình lập trình truyền thống Dữliệu mẫu ——— Máy tính ————— Kết quả mẫu ——————> Dữ liệu mới ————* May tinh Đối với học máy, thay vì đưa cho máy tính một cách giải cho một bài toán thì lập trình viên sẽ đưa ra thuật toán dé máy tính có thé tự tìm cách dé giải được bài toán đó. Quá trình này hay được gọi là xây dựng mô hình học máy.

Đặc trưng của một mô hình học máy bao gồm (1) cau trúc của mô hình, (2) cách dé đánh giá hiệu suất của mô hình và (3) cách dé tối ưu hóa hiệu suất. Đề tìm hiểu về cách thức hoạt động của học máy, lay mô hình cơ ban nhất của học may là mô hình mang no ron nhân tao (Artificial Neuron Network — ANN) được xây dựng bởi Rosenblatt (1961) làm ví dụ. 16 Mô hình ANN là một tập hợp bao gồm các điểm nút được gọi là nơ ron nhân tạo kết nối với nhau thông qua một cơ chế tương tự như các xynap trong não bộ của con người. Tín hiệu từ các điểm nút đầu tiên (mang đữ liệu thô đầu vào) sẽ được các xynap chuyển tới các điểm nút trung gian và sau đó là tới các điểm nút cuối cùng đưa kết qua phản hồi của mô hình đối với đữ liệu ban đầu.

Trong mô hình ANN, mỗi điểm nút (nơ ron nhân tạo) chứa một số thực biểu thị một thông nao nó, sự vận chuyên thông tin giữa các lớp no ron là một phép chuyền đổi phi tuyến các thông tin ở lớp trước.3 mô phỏng lại ba lớp của mô hình ANN bao gồm: (1) lớp đữ liệu vào, (2) lớp an và (3) lớp dữ liệu ra. Trong đó, lớp thứ nhất chứa các dữ liệu đầu vào cần thiết dé giải quyết bài toán, lớp thứ ba là lớp biểu thị kết quả kỳ vọng của bài toán (đối với quá trình huấn luyện) và kết quả dự đoán của mô hình (đối với quá trình dự đoán). Đặc biệt, lớp ở giữa là lớp tiến hành chuyền đổi phi tuyến các giá trị ở lớp dữ liệu vào sang giá trị ở lớp dir liệu ra. 17 Nguồn: Tác giả tổng hợp Trong đó, mỗi no ron ở lớp trước sẽ được kết nối với tat cả các no ron ở lớp sau.

Mục tiêu của việc huấn luyện mô hình học máy chính là xác định mức độ mạnh hay yếu (ký hiệu đậm hay nhạt) và chiều biến đổi âm hay dương (ký hiệu đỏ hay xanh) của các kết nối giữa các no-ron sao cho khi đưa dữ liệu vào lớp đầu tiên (input layer), thông tin sẽ được vận chuyền tới lớp cuối cùng và trả lại kết quả như kỳ vọng. Vi dụ như bài toán phân loại thu rác trong hom thư email với dữ liệu đầu vào là nội dung của một bức thư, ta cần đưa ra đánh giá xem liệu bức thư đó có phải thư rác hay không? Bài toán này có thê đánh giá là rất phức tạp với các thuật toán lập trình hiện có còn nếu thực hiện thủ công thì sẽ tiêu tốn rất nhiều chi phi. Tuy nhiên, đây lại là một bài toán có thé giải quyết dé dang bằng các mô hình hoc máy. 18 \ Axon benminal Outputs Myelin sheat Myelinated axon Hình 1.4: So sánh mang nơ-ron nhân tạo với cau tạo no-ron bên trong bộ não con người Nguồn: Loc Vu-Quoc (2016) Mô tả lai bai toán, từ nội dung cua email được biểu thị đưới dạng các đặc trưng đầu vào x1, xạ, X3,., x„, ta cần mô hình trả ra kết quả liệu bức thư đó là thư rác hay không (mô hình trả ra 1 nếu là thư rác và 0 nếu không phải thư rác).