Tổng quan nghiên cứu

Thị trường giao dịch hàng hóa tương lai tại Việt Nam và quốc tế là môi trường tài chính biến động phức tạp với quy mô giao dịch hàng triệu USD mỗi ngày. Trên các sàn giao dịch hàng hóa toàn cầu như Chicago Mercantile Exchange (CME) hay New York Board of Trade (NYBOT), các mặt hàng nông sản chủ lực như cà phê, cacao, đường và bông liên tục chịu áp lực điều chỉnh giá từ các yếu tố kinh tế vĩ mô. Trong phân tích đầu tư truyền thống, phương pháp phân tích kỹ thuật dựa trên biểu đồ nến OHLC và các đường trung bình động (SMA, EMA) thường bộc lộ độ trễ lớn và mang tính chủ quan cao, đặc biệt khi thị trường xuất hiện các điểm đảo chiều cục bộ. Khi xu hướng được nhận diện rõ ràng, biên độ giá thường đã dịch chuyển từ 5% đến 10%, làm giảm đáng kể hiệu quả quản trị rủi ro của nhà đầu tư.

Nghiên cứu được triển khai nhằm giải quyết bài toán dự báo chính xác giá đóng cửa ngày tiếp theo của các hợp đồng hàng hóa tương lai thông qua kỹ thuật khai phá dữ liệu và mạng nơ-ron nhân tạo (ANN). Mục tiêu cụ thể là xây dựng kiến trúc mạng nơ-ron truyền thẳng đa tầng tối ưu kết hợp quy tắc chuỗi 5 điểm lịch sử, khắc phục nhược điểm của các mô hình dự báo đơn điểm truyền thống. Phạm vi dữ liệu được thực hiện trên các mã hợp đồng nông sản quốc tế điển hình như KCZ13 và KCN13 thu thập trong giai đoạn 2008 – 2013. Kết quả nghiên cứu mang ý nghĩa thực tiễn sâu sắc khi giảm chỉ số sai số toàn phương trung bình (MSE) xuống mức 8,518 và nâng cao hệ số tương quan giữa giá thực tế với giá dự báo tiệm cận mức tối ưu, tạo tiền đề vững chắc cho việc phát triển các hệ thống giao dịch tự động.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên nền tảng lý thuyết thị trường hiệu quả kết hợp với lý thuyết phân tích kỹ thuật hiện đại, trong đó giả định toàn bộ thông tin cung cầu, biến động tỷ giá và chỉ số tài chính đều phản ánh vào chuỗi giá lịch sử. Mô hình mạng nơ-ron nhân tạo truyền thẳng nhiều lớp (Multilayer Perceptron - MLP) được lựa chọn làm khung tính toán chủ đạo mô phỏng cấu trúc thần kinh sinh học gồm thân nơ-ron, sợi trục và khớp synapse.

Khung lý thuyết tập trung vào 4 khái niệm cốt lõi:

  1. Dữ liệu OHLCV: Tập hợp 5 biến số giao dịch cơ bản gồm giá mở cửa, giá cao nhất, giá thấp nhất, giá đóng cửa và khối lượng khớp lệnh trong phiên.
  2. Thuật toán lan truyền ngược (Backpropagation): Cơ chế tối ưu hóa trọng số liên kết thông qua tính toán đạo hàm riêng của hàm lỗi sai số toàn phương (MSE) theo hướng ngược từ tầng ra về tầng vào.
  3. Hiện tượng quá khớp (Overfitting) và thiếu khớp (Underfitting): Trạng thái mô hình học quá mức dẫn đến mất khả năng tổng quát hóa trên tập dữ liệu mới, hoặc học chưa đủ sâu khiến độ chính xác giảm sút.
  4. Hệ số tương quan (Correlation Coefficient - r): Thước đo thống kê tuyến tính trong khoảng từ -1 đến 1 nhằm đánh giá mức độ đồng pha giữa chuỗi giá thực nghiệm và kết quả dự báo.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu chuỗi thời gian thực nghiệm thu thập từ cổng thông tin tài chính Barchart trong suốt 5 năm (2008 – 2013), bao gồm hơn 1.250 phiên giao dịch liên tục. Bộ dữ liệu đầu vào bao quát 11 biến số vĩ mô và vi mô: 5 biến số nội tại của mặt hàng (Open, High, Low, Close, Volume), 3 chỉ số chứng khoán quốc tế (Dow Jones với 65 mã hàng đầu New York, S&P 500 đại diện cho 500 doanh nghiệp vốn hóa lớn của Mỹ, Nikkei 225 của Nhật Bản), cùng 3 cặp tỷ giá tiền tệ và kim loại quý chủ chốt (EUR/USD, USD/JPY, XAU/USD).

Phương pháp chọn mẫu áp dụng kỹ thuật phân chia chuỗi thời gian tuần tự để bảo toàn tính quy luật thị trường: 80% dữ liệu từ năm 2008 đến 2012 làm tập huấn luyện (training set), và 20% dữ liệu năm 2013 làm tập kiểm định (testing set). Dữ liệu thô được chuẩn hóa về đoạn [0, 1] trước khi đưa vào mạng nhằm tăng tốc độ hội tụ. Phương pháp phân tích dựa trên mô hình trượt 5 điểm thời gian (5-point sliding window) tương ứng với 55 nơ-ron đầu vào (11 biến số nhân 5 phiên liên tiếp), tích hợp cơ chế học liên tục (online continuous learning) cập nhật trọng số ngay khi có phiên giao dịch mới đóng cửa. Thư viện mã nguồn mở Encog Framework trên nền tảng .NET được ứng dụng để thiết lập kiến trúc và kiểm thử thuật toán.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đa tầng trên tập dữ liệu hợp đồng cà phê KCZ13 mang lại những phát hiện quan trọng về cấu trúc mạng và độ chính xác dự báo:

Thứ nhất, việc tối ưu hóa số lớp ẩn cho thấy mô hình 3 lớp ẩn (mỗi lớp 14 nơ-ron) mang lại độ ổn định vượt trội so với mô hình 1 lớp ẩn và 2 lớp ẩn. Cụ thể, mạng 1 lớp ẩn (42 nơ-ron) cho sai số MSE dao động thất thường giữa các lần chạy từ 1,745 đến 62,374. Khi nâng lên 2 lớp ẩn, sai số trung bình giảm xuống 9,590. Với cấu trúc 3 lớp ẩn, giá trị sai số trung bình MSE đạt mức thấp nhất là 8,518, giảm hơn 86% mức độ biến động sai số so với mô hình 1 lớp ẩn.

Thứ hai, mô hình dự báo chuỗi 5 điểm (5-point) chứng minh ưu thế áp đảo so với mô hình đơn điểm (1-point). Biểu đồ thực nghiệm cho thấy đường dự báo của mô hình 5-point bám sát đường giá thực tế với biên độ lệch cực tiểu, triệt tiêu gần như hoàn toàn các điểm dị biệt (outliers) xa trục trung bình.

Thứ ba, nghiên cứu xác lập được ngưỡng dừng huấn luyện tối ưu tại 8.000 chu kỳ lặp (epochs) với mức sai số mục tiêu MSE 0,0004. Việc ép mô hình học vượt quá 8.000 vòng lặp không làm tăng độ chính xác mà kích hoạt hiện tượng quá khớp, khiến sai số kiểm định thực tế tăng thêm khoảng 12% đến 18%.

Thảo luận kết quả

Hiệu năng vượt trội của mô hình 5 điểm bắt nguồn từ khả năng ghi nhận động lượng và độ dốc biến thiên của đường giá. Trong thực tế, các biến động giá hàng hóa không diễn ra độc lập mà phụ thuộc vào quán tính của các phiên liền kề. Việc kết hợp 11 biến số trong 5 phiên liên tiếp giúp mạng nơ-ron nhận diện sớm các tín hiệu đảo chiều tại các vùng kháng cự và hỗ trợ, thay vì chỉ phản ứng thụ động như các chỉ báo kỹ thuật đơn lẻ.

Dữ liệu thực nghiệm được trực quan hóa qua biểu đồ phân tán tương quan (scatter plot) và biểu đồ đường so sánh giá thực tế - giá dự báo. Trên đồ thị tương quan của mô hình 5-point, các điểm dữ liệu phân bố tập trung dày đặc quanh đường tuyến tính 45 độ, khoảng cách từ các điểm biên lớn nhất đến đường trung bình thu hẹp hơn 60% so với mô hình 1-point. Cơ chế học bù dữ liệu mới (continuous learning) đóng vai trò then chốt: khi trọng số được tái điều chỉnh hàng ngày theo dữ liệu vừa phát sinh, mô hình thích ứng linh hoạt với các cú sốc thị trường vĩ mô, khắc phục hoàn toàn hiện tượng suy giảm hiệu năng theo thời gian thường gặp ở các hệ thống mạng nơ-ron tĩnh.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, 4 nhóm giải pháp cụ thể được đề xuất nhằm ứng dụng hiệu quả khai phá dữ liệu vào hoạt động giao dịch hàng hóa:

  1. Chuẩn hóa quy trình tiền xử lý và tích hợp dữ liệu đa nguồn: Các công ty môi giới và nhà đầu tư cần xây dựng hệ thống tự động thu thập và chuẩn hóa dữ liệu OHLCV kết hợp các chỉ số vĩ mô (Dow Jones, S&P 500, Nikkei, tỷ giá XAU/USD, EUR/USD) theo thời gian thực. Đơn vị kỹ thuật cần áp dụng hàm chuẩn hóa Min-Max Scaling để duy trì đầu vào trong miền [0, 1], giảm thiểu 100% tình trạng trôi độ dốc gradient trong vòng 3 tháng đầu triển khai.

  2. Áp dụng kiến trúc mạng 3 lớp ẩn đa điểm trong các thuật toán giao dịch tự động: Bộ phận phát triển thuật toán (Quants) tại các quỹ đầu tư tài chính nên tái cấu trúc mô hình dự báo theo khung 55 nơ-ron đầu vào, 3 lớp ẩn (14 nơ-ron mỗi lớp) và 1 nơ-ron đầu ra. Mục tiêu là duy trì sai số MSE dưới ngưỡng 9,0 trong suốt chu kỳ giao dịch hàng quý.

  3. Thiết lập cơ chế tái huấn luyện tự động sau mỗi phiên chốt giá: Doanh nghiệp công nghệ tài chính cần lập trình module tự động cập nhật dữ liệu lịch sử ngay khi phiên giao dịch kết thúc vào cuối ngày, thực hiện huấn luyện bổ sung với ngưỡng dừng 8.000 chu kỳ nhằm duy trì hệ số tương quan thực tế luôn đạt trên 0,85.

  4. Xây dựng khung giám sát và cảnh báo rủi ro biến động giá: Cơ quan quản lý thị trường hàng hóa và các sàn giao dịch cần triển khai hệ sinh thái cảnh báo sớm các điểm đảo chiều bất thường dựa trên độ phân kỳ giữa giá dự báo và giá khớp lệnh thực tế, hoàn thành thử nghiệm diện rộng trong thời gian 6 đến 12 tháng.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả thực nghiệm của luận văn là tài liệu tham khảo giá trị cho 4 nhóm đối tượng chuyên môn:

  1. Nhà đầu tư cá nhân và tổ chức giao dịch hàng hóa phái sinh: Nắm bắt được phương pháp kết hợp phân tích kỹ thuật với dữ liệu liên thị trường (chứng khoán, tiền tệ), từ đó tối ưu hóa điểm vào/ra lệnh cho các hợp đồng cà phê, cacao, bông và đường, nâng cao tỷ lệ giao dịch sinh lời thực tế.

  2. Chuyên viên phân tích định lượng (Quantitative Analyst) và Lập trình viên FinTech: Tiếp cận quy trình xây dựng, cấu hình tham số và tối ưu hóa thư viện mạng nơ-ron (như Encog Framework), ứng dụng trực tiếp vào việc thiết kế bot giao dịch tự động (algorithmic trading) có tính năng tự học thích nghi.

  3. Học viên, nghiên cứu sinh ngành Công nghệ thông tin và Hệ thống thông tin: Sử dụng luận văn như một công trình mẫu về ứng dụng học máy trong chuỗi thời gian tài chính, tham khảo phương pháp luận phân chia tập mẫu, xử lý quá khớp và lựa chọn hàm kích hoạt phi tuyến.

  4. Các cơ quan quản lý và đơn vị vận hành sàn giao dịch hàng hóa: Hiểu rõ cơ chế hình thành xu hướng và mức độ tác động của các chỉ số tài chính toàn cầu lên thị trường nội địa, phục vụ công tác dự báo cung cầu và điều tiết thị trường nông sản quốc gia.

Câu hỏi thường gặp

1. Tại sao mô hình lại sử dụng quy tắc 5 điểm thay vì chỉ lấy dữ liệu của ngày hôm trước?
Dữ liệu của một phiên đơn lẻ (1-point) không phản ánh được gia tốc và xu hướng vận động liên tục của thị trường. Việc sử dụng cửa sổ 5 điểm liên tiếp tạo ra ma trận 55 đầu vào, giúp mạng nơ-ron nhận diện chính xác độ dốc xu hướng và phát hiện sớm các điểm quay đầu cục bộ tại vùng hỗ trợ, kháng cự với độ chính xác cao hơn rõ rệt.

2. Hàm kích hoạt nào mang lại hiệu năng cao nhất trong mô hình mạng nơ-ron dự báo giá?
Nghiên cứu xác định hàm truyền biến thể dạng sigmoid đối xứng với công thức $y = \frac{2}{1 + e^{-2x}} - 1$ mang lại hiệu quả tối ưu. Hàm này giúp phân bổ giá trị đầu ra đối xứng qua gốc tọa độ, giúp thuật toán lan truyền ngược cập nhật trọng số nhanh hơn và tránh bão hòa tín hiệu so với hàm sigmoid chuẩn.

3. Tại sao mạng nơ-ron cần cơ chế học liên tục thay vì sử dụng một bộ trọng số cố định?
Thị trường hàng hóa luôn chịu tác động liên tục từ các biến cố kinh tế vĩ mô và địa chính trị mới. Một bộ trọng số cố định sau khi huấn luyện sẽ suy giảm độ chính xác nhanh chóng theo thời gian. Cơ chế học liên tục cho phép mạng hấp thụ dữ liệu giá mới đóng cửa mỗi ngày, giữ hệ số tương quan luôn ở mức cao.

4. Số lượng lớp ẩn và nơ-ron ẩn được xác định dựa trên nguyên tắc nào?
Nghiên cứu áp dụng quy tắc thực nghiệm kết hợp lý thuyết Baily & Thompson (số nơ-ron ẩn chiếm khoảng 75% nơ-ron vào). Qua kiểm thử thực tế từ 1 đến 3 lớp ẩn, cấu trúc 3 lớp ẩn với 14 nơ-ron mỗi lớp cho kết quả sai số MSE thấp nhất (8,518) và phân tán sai số ổn định nhất qua 10 lần chạy thử nghiệm.

5. Mô hình có thể áp dụng cho các loại hàng hóa hoặc thị trường khác như chứng khoán, tiền tệ không?
Hoàn toàn có thể. Quy trình 8 bước của mô hình từ thu thập dữ liệu, chuẩn hóa, thiết kế cửa sổ trượt đến huấn luyện lan truyền ngược mang tính tổng quát cao, có thể mở rộng dễ dàng sang dự báo chỉ số chứng khoán (VN-Index, S&P 500) hoặc tỷ giá ngoại hối bằng cách thay đổi tập biến số đầu vào tương ứng.

Kết luận

  • Luận văn đã giải quyết thành công bài toán ứng dụng khai phá dữ liệu và mạng nơ-ron nhân tạo MLP vào dự báo giá hợp đồng hàng hóa tương lai với độ tin cậy khoa học cao.
  • Xác lập cấu trúc mạng tối ưu gồm 55 nơ-ron đầu vào, 3 lớp ẩn (14 nơ-ron/lớp), 1 nơ-ron đầu ra kết hợp hàm kích hoạt phi tuyến đối xứng, đạt sai số MSE trung bình 8,518.
  • Chứng minh tính ưu việt vượt trội của quy tắc trượt 5 điểm lịch sử và cơ chế học liên tục so với các phương pháp phân tích kỹ thuật đơn lẻ truyền thống.
  • Đóng góp bộ khung 8 bước chuẩn hóa trong xử lý dữ liệu chuỗi thời gian tài chính, tạo nền tảng vững chắc cho các hệ thống hỗ trợ ra quyết định đầu tư tự động.
  • Lộ trình tiếp theo hướng tới việc mở rộng thử nghiệm trên các thuật toán học sâu (Deep Learning) như LSTM, GRU kết hợp xử lý dữ liệu tin tức vĩ mô theo thời gian thực; khuyến khích các chuyên gia và nhà nghiên cứu kết nối ứng dụng mô hình vào thực tiễn giao dịch.