Ứng Dụng Mô Hình Học Máy và Học Sâu Trong Dự Đoán Giá Tiền Mã Hóa

Luận văn tốt nghiệp y tế nghiên cứu tốt nghiệp hệ thống thông tin ứng dụng mô hình học máy học sâu và các biến thể cho việc dự đoán giá, điều tra thực trạng, phân tích số liệu, đề

• Tác giả: Lê Thị Ai Nhi - 19521963
• Người hướng dẫn: PGS. TS Nguyễn Đình Thuận
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Ứng Dụng Mô Hình Học Máy và Học Sâu Trong Dự Đoán Giá Tiền Mã Hóa
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
• 1.1. Đối tượng nghiên cứu
• 1.2. Phạm vi nghiên cứu
• 1.3. Kiến trúc đề tài
• 1.4. Các công trình nghiên cứu liên quan
• 2. CHƯƠNG 2: CÁC PHƯƠNG PHÁP DỰ BÁO
• 2.1. Phương pháp định tính
• 2.2. Phương pháp định lượng
• 2.3. Phương pháp ngoại suy
• 2.4. Phương pháp chuyên gia
• 2.5. Phương pháp mô phỏng
• 2.6. Tính chất của dự báo
• 2.7. Các ứng dụng của dự báo
• 3. CHƯƠNG 3: LÝ THUYẾT VỀ MÔ HÌNH DỰ BÁO
• 3.1. Lý thuyết về chuỗi thời gian
• 3.1.1. Chuỗi thời gian
• 3.1.2. Các thành phần của chuỗi thời gian
• 3.1.3. Cách hoạt động theo dự báo chuỗi thời gian
• 3.2. Mô hình ARIMA
• 3.2.1. Lý thuyết về mô hình ARIMA
• 3.2.2. Lựa chọn tham số ARIMA (p, d, q)
• 3.2.3. Chỉ số AIC — Akaike Information Criteria
• 3.2.4. Mô hình SARIMA
• 3.3. Thuật toán Support Vector Regression
• 3.4. Mạng Neural Network
• 3.4.1. Sơ lược về mô hình Long Short-Term Memory (LSTM)
• 3.4.1.1. Giá trị đầu vào của mô hình (Input)
• 3.4.1.2. Bidirectional Long Short-Term Memory
• 3.4.1.3. Convolutional Long Short-Term Memory
• 3.4.1.4. Peephole Long Short-Term Memory
• 3.4.1.5. Encoder-Decoder Long Short-Term Memory
• 3.4.1.6. Coupled Input and Forget Gate Long Short-Term Memory
• 3.4.1.7. Deep Long Short-Term Memory Network
• 3.4.1.8. Stateful Long Short-Term Memory
• 3.4.1.9. Stacked Long Short-Term Memory
• 3.4.1.10. Multiplicative Long Short-Term Memory
• 3.4.2. Sơ lược về Mạng Recurrent Neural Network (RNN)
• 3.4.3. Convolutional Neural Network (CNN)
• 3.4.3.1. Convolutional Neural Network LSTM
• 3.4.3.2. Hybrid Long Short-Term Memory - Convolutional Neural Network
• 3.4.4. Vanilla Long Short-Term Memory
• 3.4.5. TimeDistributed Long Short-Term Memory
• 3.4.6. CNN — Bidirectional Long Short-Term Memory
• 3.4.7. Convolutional - CNN — Long Short-Term Memory
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Framework cơ bản của bài toán và tiền xử lý
• 4.2. Quy trình chia dữ liệu
• 4.3. Các chỉ số đánh giá
• 4.4. Kết quả và đánh giá
• 4.4.1. Kết quả đánh giá trên từng mô hình dự báo của tập dữ liệu ngắn
• 4.4.2. Kết quả mô hình đã cải tiến
• 4.4.3. Kết quả mô hình kết hợp trên cả tập dữ liệu thời gian dài và ngắn
• 4.4.4. Kết quả mô hình kết hợp CNN — LSTM và BiLSTM
• 4.4.5. Kết quả mô hình kết hợp CNN — LSTM và ConvLSTM
• 4.4.6. Kết quả mô hình chạy thực tế
• 5. CHƯƠNG 5: NỘI DUNG VÀ PHƯƠNG PHÁP
• 5.1. Các giai đoạn
• 5.1.1. Phrase 1 — Học mô hình dự báo
• 5.1.2. Phrase 2 — Quy trình xây dựng hệ thống API
• 5.1.3. Phrase 3 — Triển khai hệ thống API lên Server Cloud
• 5.1.4. Phrase 4 — Xây dựng giao diện trang web và giao tiếp API
• DANH MỤC HÌNH
• DANH MỤC BẢNG
• DANH MỤC TỪ VIẾT TẮT

Tóm tắt

I. Tổng Quan Về Ứng Dụng Mô Hình Học Máy Trong Dự Đoán Giá Tiền Mã Hóa

Trong bối cảnh thị trường tiền mã hóa ngày càng phát triển, việc dự đoán giá trị của các đồng tiền này trở nên quan trọng hơn bao giờ hết. Mô hình học máy và học sâu đã được áp dụng để phân tích và dự đoán giá tiền mã hóa như Bitcoin, Ethereum và Binance Coin. Những mô hình này không chỉ giúp nhà đầu tư đưa ra quyết định chính xác mà còn giảm thiểu rủi ro trong giao dịch.

1.1. Khái Niệm Về Tiền Mã Hóa Và Tầm Quan Trọng Của Dự Đoán Giá

Tiền mã hóa là một loại tài sản kỹ thuật số sử dụng công nghệ blockchain. Việc dự đoán giá trị của chúng giúp nhà đầu tư tối ưu hóa lợi nhuận và quản lý rủi ro hiệu quả.

1.2. Lợi Ích Của Việc Sử Dụng Mô Hình Học Máy Trong Dự Đoán

Mô hình học máy giúp phân tích dữ liệu lớn và phát hiện các mẫu giá trị, từ đó đưa ra dự đoán chính xác hơn về xu hướng giá trong tương lai.

II. Thách Thức Trong Dự Đoán Giá Tiền Mã Hóa Bằng Mô Hình Học Máy

Dự đoán giá tiền mã hóa không phải là một nhiệm vụ đơn giản. Thị trường này có tính biến động cao và chịu ảnh hưởng bởi nhiều yếu tố bên ngoài. Các thách thức chính bao gồm việc thu thập dữ liệu chính xác, xử lý dữ liệu lớn và lựa chọn mô hình phù hợp.

2.1. Tính Biến Động Cao Của Thị Trường Tiền Mã Hóa

Giá tiền mã hóa có thể thay đổi nhanh chóng do nhiều yếu tố như tin tức, sự kiện kinh tế và tâm lý thị trường. Điều này tạo ra khó khăn trong việc dự đoán chính xác.

2.2. Khó Khăn Trong Việc Thu Thập Và Xử Lý Dữ Liệu

Dữ liệu về giá tiền mã hóa thường không đồng nhất và có thể thiếu sót. Việc xử lý dữ liệu này đòi hỏi các kỹ thuật tiên tiến để đảm bảo độ chính xác.

III. Phương Pháp Dự Đoán Giá Tiền Mã Hóa Bằng Mô Hình Học Máy

Có nhiều phương pháp khác nhau để dự đoán giá tiền mã hóa, bao gồm các mô hình hồi quy, mô hình chuỗi thời gian và mạng nơ-ron. Mỗi phương pháp có ưu điểm và nhược điểm riêng, và việc lựa chọn mô hình phù hợp là rất quan trọng.

3.1. Mô Hình Hồi Quy Và Ứng Dụng Của Nó

Mô hình hồi quy giúp xác định mối quan hệ giữa giá tiền mã hóa và các yếu tố ảnh hưởng khác. Đây là một trong những phương pháp đơn giản nhưng hiệu quả.

3.2. Mô Hình Chuỗi Thời Gian ARIMA Trong Dự Đoán

Mô hình ARIMA là một trong những mô hình phổ biến trong phân tích chuỗi thời gian, giúp dự đoán giá dựa trên dữ liệu lịch sử.

3.3. Mạng Nơ Ron Và Học Sâu Trong Dự Đoán Giá

Mạng nơ-ron, đặc biệt là LSTM, đã chứng minh hiệu quả trong việc dự đoán giá tiền mã hóa nhờ khả năng xử lý dữ liệu phi tuyến tính và chuỗi thời gian.

IV. Kết Quả Nghiên Cứu Về Dự Đoán Giá Tiền Mã Hóa

Nghiên cứu đã chỉ ra rằng việc áp dụng mô hình học máy và học sâu có thể cải thiện độ chính xác trong dự đoán giá tiền mã hóa. Các mô hình như LSTM và CNN-LSTM đã cho kết quả khả quan trong việc dự đoán giá Bitcoin, Ethereum và Binance Coin.

4.1. Kết Quả Dự Đoán Giá Bitcoin

Mô hình LSTM đã cho kết quả dự đoán chính xác hơn so với các mô hình truyền thống, giúp nhà đầu tư có cái nhìn rõ hơn về xu hướng giá Bitcoin.

4.2. Kết Quả Dự Đoán Giá Ethereum

Nghiên cứu cho thấy mô hình CNN-LSTM có khả năng dự đoán giá Ethereum tốt hơn, nhờ vào khả năng xử lý dữ liệu hình ảnh và chuỗi thời gian.

4.3. Kết Quả Dự Đoán Giá Binance Coin

Mô hình kết hợp đã cho thấy hiệu quả trong việc dự đoán giá Binance Coin, giúp tối ưu hóa lợi nhuận cho nhà đầu tư.

V. Kết Luận Và Hướng Phát Triển Trong Dự Đoán Giá Tiền Mã Hóa

Việc ứng dụng mô hình học máy và học sâu trong dự đoán giá tiền mã hóa đã mở ra nhiều cơ hội mới cho nhà đầu tư. Tuy nhiên, cần tiếp tục nghiên cứu và cải tiến các mô hình để nâng cao độ chính xác và khả năng dự đoán.

5.1. Tương Lai Của Mô Hình Dự Đoán Giá

Các mô hình học sâu sẽ tiếp tục được phát triển và cải tiến, giúp nâng cao khả năng dự đoán giá tiền mã hóa trong tương lai.

5.2. Khuyến Nghị Cho Nhà Đầu Tư

Nhà đầu tư nên kết hợp các mô hình dự đoán khác nhau để có cái nhìn toàn diện hơn về thị trường và đưa ra quyết định đầu tư chính xác.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong thị trường tài chính hiện đại, tiền mã hóa (cryptocurrency) đã trở thành một kênh đầu tư thu hút sự quan tâm lớn từ các cá nhân và tổ chức tài chính. Đặc tính nổi bật nhất của loại tài sản kỹ thuật số này là mức độ biến động giá trị (volatility) rất cao theo thời gian. Sự biến động mạnh mẽ mang lại cơ hội sinh lời lớn nhưng đồng thời tiềm ẩn rủi ro thua lỗ nghiêm trọng đối với các nhà đầu tư nếu không có khả năng phân tích và dự báo trước các biến động giá.

Song song với sự phát triển của công nghệ Blockchain trong việc bảo mật thông tin và đảm bảo tính toàn vẹn dữ liệu, các đồng tiền mã hóa hàng đầu đã xác lập vị thế chi phối trên thị trường. Tại thời điểm nghiên cứu, Bitcoin (BTC) chiếm khoảng 40% tổng giá trị vốn hóa toàn thị trường, trong khi Ethereum (ETH) và Binance Coin (BNB) lần lượt chiếm khoảng 18% và 3%. Do đó, việc nghiên cứu các công cụ định lượng nhằm dự báo xu hướng biến động giá của ba đồng tiền mã hóa này đóng vai trò thiết yếu trong việc hỗ trợ ra quyết định đầu tư và quản trị rủi ro.

Đề tài khóa luận đặt ra 6 mục tiêu và nhiệm vụ nghiên cứu cụ thể:

1. Tìm hiểu về dự báo chuỗi thời gian dài và ngắn, ứng dụng dự báo giá trị thời gian ngắn và dài trong tương lai dựa trên các đặc trưng và tính chất từ dữ liệu trong quá khứ.
2. Nghiên cứu các mô hình hồi quy trong machine learning dự báo chuỗi thời gian bao gồm: ARIMA, SARIMA, SVR, Mạng Neural Network.
3. Kết hợp các biến thể của LSTM với các thuật toán dự báo hồi quy để dự báo giá các đồng tiền mã hóa.
4. Nghiên cứu về cách cải tiến mô hình và kết hợp các mô hình dự báo.
5. Phân tích kết quả thực nghiệm để đưa ra khuyến nghị mua, bán hay giữ cho người dùng.
6. Xây dựng website trực quan hóa kết quả dự báo các đồng tiền mã hóa dựa trên các mô hình và thuật toán trên.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Dữ liệu chuỗi thời gian giá của ba đồng tiền mã hóa phổ biến gồm Bitcoin (BTC), Ethereum (ETH) và Binance Coin (BNB) từ năm 2018 đến thời điểm thực hiện (năm 2023).
• Phạm vi mô hình: Các mô hình thống kê chuỗi thời gian (ARIMA, SARIMA); mô hình học máy hồi quy (SVR, Mạng Neural Network); mô hình học sâu chuỗi thời gian gồm LSTM và 12 biến thể (Vanilla LSTM, Stacked LSTM, BiLSTM, ConvLSTM, Multiplicative LSTM, Peephole LSTM, CIFG LSTM, Encoder - Decoder LSTM, Deep LSTM Network, TimeDistributed LSTM, Stateful LSTM, Hybrid LSTM-CNN); các kiến trúc mô hình kết hợp (CNN-BiLSTM trên chuỗi ngắn và dài, Conv-CNN-LSTM trên chuỗi ngắn).
• Phạm vi đánh giá: Đánh giá hiệu năng dựa trên 4 chỉ số sai số hồi quy gồm MAE, MAPE, MSE, RMSE.
• Phạm vi công nghệ hệ thống: Java Spring Boot, Python, NextJS, máy chủ đám mây Linux và cơ chế lập lịch tự động CRON Schedule.

Cơ sở lý thuyết và phương pháp

Nghiên cứu tiếp cận bài toán dự báo chuỗi thời gian đa biến (Multivariate Time Series Forecasting). Bộ dữ liệu quan sát đầu vào được mô hình hóa thành một ma trận các biến độc lập biến thiên theo thời gian $T$, bao gồm các thuộc tính giá cơ bản và các chỉ báo kỹ thuật: Giá mở cửa (Open), Giá cao nhất (High), Giá thấp nhất (Low), Giá đóng cửa (Close), Chênh lệch đỉnh - đáy ($H-L$), và các đường trung bình động giản đơn gồm $SMA_7$, $SMA_14$, $SMA_21$. Mục tiêu của mô hình là dự báo giá trị đầu ra $y_{T+h}$ với $h$ là khoảng thời gian dự báo tương lai mong muốn.

Khung lý thuyết và mô hình toán học

Nghiên cứu sử dụng và đối sánh các hệ thống mô hình từ thống kê cổ điển đến học sâu:

1. Mô hình chuỗi thời gian thống kê:

   • ARIMA (AutoRegressive Integrated Moving Average): Biểu diễn sự kết hợp giữa quá trình tự hồi quy $AR(p)$, quá trình lấy sai phân bậc $d$ để đưa chuỗi về trạng thái dừng ($I(d)$), và quá trình trung bình trượt $MA(q)$ biểu diễn mối quan hệ tuyến tính với các phần tử nhiễu trắng $\varepsilon_t \sim WN(0, \sigma^2)$. Tính dừng được kiểm định thông qua các phương pháp Dickey-Fuller (DF), Phillips-Perron (PP) và Dickey-Fuller mở rộng (ADF). Bậc của mô hình $(p, d, q)$ được xác định qua hàm tự tương quan (ACF) và tiêu chí thông tin Akaike: $$AIC = 2k - 2\ln(L)$$
   • SARIMA (Seasonal ARIMA): Mở rộng từ ARIMA bằng cách bổ sung các tham số chu kỳ mùa vụ $(P, D, Q)_m$ với $m$ là số lần quan sát trong một chu kỳ năm nhằm xử lý các biến động có tính lặp lại.

2. Mô hình hồi quy học máy:

   • Support Vector Regression (SVR): Sử dụng hàm nhân (kernel function) để ánh xạ dữ liệu đầu vào lên không gian nhiều chiều hơn nhằm tìm kiếm siêu phẳng tối ưu, giảm thiểu sai số trong dải dung sai $\varepsilon$ kết hợp tham số phạt $C$ và các biến bù $\xi_i, \xi_i^*$.
   • Mạng Neural Network (ANN): Mạng nơ-ron nhân tạo với các lớp liên kết, trọng số $w_{kj}$, hàm tổng, độ lệch (bias) $b_k$ và hàm truyền $f$ để ước lượng quan hệ phi tuyến.

3. Mạng nơ-ron hồi quy và các biến thể LSTM:

   • LSTM tiêu chuẩn: Giải quyết hạn chế triệt tiêu đạo hàm (vanishing gradient) của RNN truyền thống khi xử lý phụ thuộc dài hạn. LSTM duy trì đường truyền trạng thái ô (Cell state $C_t$) và điều tiết thông tin qua 3 cổng:
     • Cổng quên (Forget gate): $f_t = \sigma(U_f x_t + W_f h_{t-1} + b_f)$
     • Cổng vào (Input gate): $i_t = \sigma(U_i x_t + W_i h_{t-1} + b_i)$ cùng trạng thái ứng viên $\tilde{C}t = \tanh(U_c x_t + W_c h{t-1} + b_c)$
     • Cập nhật trạng thái ô: $C_t = f_t * C_{t-1} + i_t * \tilde{C}_t$
     • Cổng ra (Output gate): $o_t = \sigma(U_o x_t + W_o h_{t-1} + b_o)$ và trạng thái ẩn $h_t = o_t * \tanh(C_t)$
   • Bidirectional LSTM (BiLSTM): Thiết lập hai tầng LSTM song song xử lý chuỗi theo cả hai hướng (xuôi từ $1 \to t$ và ngược từ $t \to 1$), giúp giảm sự tích lũy lỗi dự đoán theo thời gian.
   • Convolutional LSTM (ConvLSTM): Thay thế các phép nhân ma trận trong ô LSTM bằng các phép toán tích chập (convolutional), cho phép nắm bắt đồng thời các phụ thuộc không gian và thời gian.
   • Peephole LSTM: Bổ sung các đường nối trực tiếp từ trạng thái ô ($C_{t-1}$ hoặc $C_t$) vào các cổng điều khiển (Forget, Input, Output).
   • CIFG-LSTM (Coupled Input and Forget Gate): Ghép nối cổng vào và cổng quên dùng chung trọng số nhằm tối giản số lượng tham số huấn luyện.
   • Encoder - Decoder LSTM: Kiến trúc giải quyết bài toán sequence-to-sequence (seq2seq), mã hóa chuỗi đầu vào độ dài tùy ý thành một vectơ ngữ cảnh cố định $c$ trước khi giải mã thành chuỗi dự báo.
   • Deep/Stacked LSTM, Stateful LSTM, TimeDistributed LSTM, Multiplicative LSTM, Hybrid LSTM-CNN: Các cấu trúc phân cấp, lưu giữ trạng thái qua các batch hoặc phối hợp tầng trích xuất đặc trưng Conv1D với tầng học chuỗi LSTM.

Phương pháp nghiên cứu và tiền xử lý dữ liệu

Quy trình xử lý dữ liệu thực nghiệm gồm các bước:

1. Thu thập dữ liệu: Thu thập dữ liệu lịch sử giá hàng ngày từ website tài chính (Yahoo Finance).
2. Trích xuất đặc trưng: Tính toán các thuộc tính kỹ thuật phụ trợ gồm $H-L$ (High trừ Low), các đường trung bình động $SMA_7$, $SMA_14$, $SMA_21$.
3. Phân đoạn cửa sổ trượt (Sliding Windows): Chia chuỗi thời gian thành các chuỗi con tương ứng với kích thước bước thời gian ($time_step$).
4. Chuẩn hóa dữ liệu: Tính độ lệch chuẩn và áp dụng kỹ thuật MinMaxScaler đưa toàn bộ giá trị về khoảng $[0, 1]$.
5. Phân chia tập dữ liệu: Phân chia thành tập dữ liệu ngắn hạn và tập dữ liệu dài hạn phục vụ huấn luyện và kiểm thử.
6. Độ đo đánh giá hiệu năng:
   • Sai số tuyệt đối trung bình (MAE - Mean Absolute Error)
   • Sai số phần trăm tuyệt đối trung bình (MAPE - Mean Absolute Percentage Error)
   • Sai số bình phương trung bình (MSE - Mean Squared Error)
   • Căn bậc hai sai số bình phương trung bình (RMSE - Root Mean Square Error)

Thiết kế và triển khai hệ thống

Hệ thống dự báo được thiết kế và vận hành theo mô hình kiến trúc gồm 4 giai đoạn (4 Phrase) hoàn chỉnh:

Giai đoạn (Phrase)	Tên giai đoạn	Nội dung kỹ thuật và công nghệ triển khai
Phrase 1	Học mô hình dự báo & Tiền xử lý	Thu thập dữ liệu lịch sử hàng ngày của BTC, ETH, BNB từ nguồn dữ liệu (Yahoo Finance). Áp dụng quy trình tiền xử lý: trượt cửa sổ (sliding windows), tính toán các biến kỹ thuật ($H-L$, $SMA$), chuẩn hóa bằng MinMaxScaler $[0, 1]$ để tạo tập dữ liệu huấn luyện.
Phrase 2	Xây dựng hệ thống API	Huấn luyện và đóng gói các mô hình đơn lẻ (SVR, ARIMA, SARIMA, ANN, LSTM, BiLSTM, ConvLSTM...) và các mô hình kết hợp (CNN-BiLSTM, Conv-CNN-LSTM). Xây dựng hệ thống API Backend, các Controller quản lý luồng dữ liệu, Service CRUD và tầng Repository tương tác cơ sở dữ liệu.
Phrase 3	Triển khai Server Cloud	Đưa hệ thống API lên máy chủ Cloud Linux. Thiết lập cơ chế lập lịch tự động CRON Schedule của hệ điều hành Linux để định thời tự động kích hoạt API crawl dữ liệu mới từ các sàn giao dịch và chạy định kỳ các mô hình máy học. Điều phối quy trình qua Spring Boot.
Phrase 4	Xây dựng giao diện Client	Phát triển giao diện người dùng bằng NextJS. Cung cấp các chức năng cho phép người dùng lựa chọn đồng tiền mã hóa (BTC, ETH, BNB), thuật toán dự báo, bước thời gian dự báo; hiển thị kết quả trực quan dưới dạng biểu đồ đường/biểu đồ nến và bảng thống kê chỉ số sai số.

Các trường hợp sử dụng (Use Cases) chính của hệ thống:

• Usecase trực quan hóa dự báo: Hiển thị biểu đồ chuỗi thời gian và diễn biến giá dự báo.
• Usecase xem kết quả dự báo: Cung cấp dữ liệu chi tiết về mức giá ước tính theo từng bước thời gian.
• Usecase xuất kết quả đánh giá: Xuất các bảng đo lường sai số (MAE, MAPE, MSE, RMSE) của từng mô hình.
• Usecase dự báo giá: Xử lý yêu cầu tính toán giá trị tương lai theo các khoảng thời gian 1 ngày, 7 ngày, 30 ngày.
• Usecase xem kết quả hiện tại & Auto crawl data: API Controller tự động đồng bộ giá mới nhất của các đồng tiền mã hóa vào hệ thống.

Nội dung chính theo từng chương

Chương 1. Đối tượng và phạm vi nghiên cứu

Chương này thiết lập bối cảnh thực tiễn của thị trường tiền mã hóa, nhấn mạnh vai trò của công nghệ Blockchain trong bảo mật thông tin và sự cần thiết của việc dự báo giá BTC, ETH, BNB để quản lý rủi ro đầu tư. Tác giả xác định rõ 6 mục tiêu nghiên cứu, phạm vi đối tượng dữ liệu từ năm 2018, hệ thống các mô hình thử nghiệm và bộ 4 chỉ số sai số hồi quy. Sơ đồ kiến trúc 4 Phrase của đề tài được mô tả khái quát cùng công thức ma trận hóa bài toán dự báo chuỗi thời gian đa biến với các biến độc lập Open, High, Low, Close, H-L, SMA_7, SMA_14, SMA_21.

Chương 2. Các công trình nghiên cứu liên quan

Chương 2 tổng hợp các công trình nghiên cứu trong nước và quốc tế về ứng dụng học máy và học sâu trong dự báo chuỗi thời gian tài chính. Tác giả khảo cứu chi tiết các nghiên cứu tiêu biểu:

• Nghiên cứu của Seabe, Moutsinga và Pindza (2023) so sánh LSTM, GRU và BiLSTM trên dữ liệu BTC, ETH, LTC, chứng minh BiLSTM đạt hiệu năng tốt hơn.
• Nghiên cứu của Liquan Shan và cộng sự (2021) về mô hình kết hợp BiLSTM và CNN tích hợp cơ chế attention.
• Nghiên cứu của Zhifang Liao, Peng Lan và cộng sự (2021) kết hợp mô hình SIRVD với các biến thể LSTM (Vanilla LSTM, Stacked LSTM, BiLSTM, GRU) trên chuỗi thời gian dài hạn.
• Nghiên cứu của Patel và cộng sự (2020) kết hợp LSTM và GRU dự báo giá Litecoin và Monero.
• Nghiên cứu của Sima Siami-Namini và cộng sự (2019) so sánh hiệu suất BiLSTM với LSTM tiêu chuẩn và ARIMA trên dữ liệu Bitcoin.

Chương 3. Giới thiệu về dự báo, đối tượng và các kỹ thuật lý thuyết

Chương 3 trình bày hệ thống lý thuyết toàn diện phục vụ khóa luận:

• Phân loại các phương pháp dự báo: Định tính (chuyên gia, kỹ thuật Delphi), định lượng (kinh tế lượng, tiếp cận chỉ báo), ngoại suy và mô phỏng; nêu rõ tính chất không chắc chắn và sự suy giảm độ chính xác khi kéo dài khoảng thời gian dự báo.
• Đặc tả ba đối tượng nghiên cứu:
  • Bitcoin (BTC): Tiền kỹ thuật số phi tập trung P2P do Satoshi Nakamoto phát hành tháng 1/2009 qua khai thác sớm, vốn hóa khoảng 1.200 tỷ USD.
  • Ethereum (ETH): Nền tảng Blockchain 2.0 hỗ trợ Smart Contract do Vitalik Buterin và cộng sự phát hành tháng 7/2015 qua Presale 18 triệu USD bằng Bitcoin, vốn hóa khoảng 450 tỷ USD.
  • Binance Coin (BNB): Token sàn Binance do Changpeng Zhao phát hành tháng 6/2017 qua ICO, vốn hóa khoảng 33 tỷ USD.
• Lý thuyết chuỗi thời gian: Phân tích 4 thành phần cấu thành (Xu hướng - Trend, Mùa vụ - Seasonality, Chu kỳ - Cycle, Yếu tố bất thường/Nhiễu trắng - Irregular remainder).
• Cơ sở toán học chi tiết của các mô hình: ARIMA, SARIMA, SVR, Mạng Neural Network (3 dạng học: có giám sát, không giám sát, học tăng cường), Mạng RNN, LSTM tiêu chuẩn và 12 biến thể/mô hình kết hợp của LSTM (BiLSTM, ConvLSTM, Peephole LSTM, CIFG-LSTM, Encoder-Decoder LSTM, Deep LSTM Network, Stateful LSTM, Stacked LSTM, Multiplicative LSTM, TimeDistributed LSTM, Hybrid LSTM-CNN, Conv-CNN-LSTM).

Chương 4. Thực nghiệm và đánh giá

Chương 4 tập trung vào quy trình thực nghiệm và phân tích kết quả định lượng:

• Thiết lập framework tiền xử lý: sliding windows, độ lệch chuẩn, chuẩn hóa MinMaxScaler $[0, 1]$.
• Đánh giá các mô hình hồi quy và học máy cơ bản trên 3 tập dữ liệu ngắn của BTC, ETH, BNB.
• Thử nghiệm cải tiến mô hình Hybrid LSTM-CNN và so sánh độ chính xác trước và sau cải tiến trên 3 đồng tiền mã hóa.
• Thực nghiệm các mô hình kết hợp sâu: Đánh giá mô hình CNN-BiLSTM trên cả tập dữ liệu ngắn hạn và dài hạn; đánh giá mô hình Conv-CNN-LSTM trên tập dữ liệu ngắn.
• Thử nghiệm dự báo thực tế đa bước thời gian trên tập dữ liệu Bitcoin: Thực hiện dự báo đa khung thời gian 1 ngày, 7 ngày và 30 ngày tương ứng với các cấu hình bước trễ $time_step = 7$ và $time_step = 14$ trên hai mô hình LSTM và ConvLSTM.

Chương 5. Nội dung và phương pháp (Triển khai ứng dụng)

Chương 5 đặc tả việc xây dựng hệ thống phần mềm hoàn chỉnh:

• Chi tiết hóa 4 giai đoạn triển khai (Phrase 1 đến Phrase 4).
• Xây dựng sơ đồ Use Case và đặc tả chi tiết 5 usecase chức năng: Trực quan hóa dự báo, xem kết quả dự báo, xuất kết quả đánh giá, dự báo giá và xem kết quả hiện tại.
• Thiết kế cơ sở dữ liệu, các lớp thực thể (Bitcoin Class, cấu trúc thuộc tính và phương thức API).
• Hiện thực hóa API auto crawl data tại Controller, xây dựng giao diện người dùng NextJS với màn hình trang chủ, màn hình tổng quan dự báo, màn hình chọn mô hình và màn hình hiển thị biểu đồ kết quả.

Tổng kết và hướng phát triển

Tóm lược các kết quả đạt được về mặt mô hình lý thuyết, kết quả thực nghiệm và sản phẩm ứng dụng; đề xuất các hướng mở rộng nghiên cứu trong tương lai.

Kết quả và đóng góp

Kết quả định lượng và phát hiện chính

1. So sánh các đồng tiền mã hóa đối tượng nghiên cứu:

Đặc tính	Bitcoin (BTC)	Ethereum (ETH)	Binance Coin (BNB)
Khái niệm (Concept)	Tiền kỹ thuật số (Digital money)	Hợp đồng thông minh (Smart contracts)	Giao dịch ký quỹ (Margin trading)
Vốn hóa thị trường (Market cap)	~ 1.200 tỷ USD ($1.2 trillion)	~ 450 tỷ USD ($450 billion)	~ 33 tỷ USD ($33 billion)
Người sáng lập (Founder)	Satoshi Nakamoto (Ẩn danh)	Vitalik Buterin và nhóm phát triển	Changpeng Zhao
Thời điểm phát hành (Release date)	Tháng 01/2009	Tháng 07/2015	Tháng 06/2017
Phương thức phát hành	Khai thác sớm (Early mining)	Presale huy động 18 triệu USD bằng BTC	Chào bán lần đầu ra công chúng (ICO)

2. Khảo sát và đối sánh các biến thể kiến trúc LSTM: Nghiên cứu đã phân loại và làm rõ cơ chế vận hành của các cấu trúc mạng học sâu:

• BiLSTM: Loại bỏ hiện tượng tích lũy sai số một chiều bằng cách kết hợp hai luồng tính toán xuôi (forward) và ngược (backward).
• ConvLSTM: Kết hợp các phép toán tích chập trong ô nhớ để nắm bắt quan hệ không gian giữa các biến thuộc tính đầu vào bên cạnh phụ thuộc thời gian.
• Peephole LSTM: Cho phép các cổng truy cập trực tiếp vào trạng thái ô $C_{t-1}$, cải thiện khả năng điều tiết thông tin dài hạn.
• CIFG-LSTM: Đơn giản hóa cấu trúc cổng bằng cách ghép chung cổng vào và cổng quên, tiết kiệm tài nguyên tính toán.
• Encoder - Decoder LSTM: Khắc phục sự sai lệch độ dài giữa chuỗi đầu vào và chuỗi đầu ra (vấn đề seq2seq) thông qua vectơ biểu diễn ngữ cảnh cố định $c$.
• Hybrid LSTM-CNN & Conv-CNN-LSTM: Tận dụng lớp Conv1D để trích xuất đặc trưng cục bộ kết hợp với các tầng LSTM/BiLSTM để mô hình hóa chuỗi thời gian.

3. Kết quả thử nghiệm thực tế đa bước thời gian: Thực nghiệm so sánh giữa mô hình LSTM tiêu chuẩn và ConvLSTM trên tập dữ liệu Bitcoin cho thấy:

• Sai số dự báo biến thiên rõ rệt khi thay đổi độ dài khoảng thời gian dự báo (1 ngày, 7 ngày, 30 ngày). Độ chính xác có xu hướng cao nhất ở khoảng cách dự báo ngắn hạn (1 ngày) và giảm dần khi mở rộng khoảng dự báo lên 30 ngày.
• Việc thay đổi cấu hình bước thời gian trễ ($time_step = 7$ và $time_step = 14$) có ảnh hưởng trực tiếp đến khả năng nắm bắt mẫu dữ liệu quá khứ của cả hai mô hình LSTM và ConvLSTM.

Đóng góp của khóa luận

• Về mặt học thuật: Hệ thống hóa toàn diện cơ sở toán học và cơ chế vận hành của 12 biến thể và mô hình lai dựa trên kiến trúc LSTM trong bài toán dự báo chuỗi thời gian tài chính. Thực hiện đối sánh thực nghiệm trên cả hai kịch bản tập dữ liệu ngắn hạn và dài hạn đối với 3 loại tiền mã hóa có quy mô vốn hóa lớn nhất.
• Về mặt kỹ thuật và ứng dụng: Đề xuất kiến trúc cải tiến cho mô hình Hybrid LSTM-CNN và mô hình kết hợp Conv-CNN-LSTM. Xây dựng thành công hệ thống phần mềm hoàn chỉnh khép kín từ khâu tự động crawl dữ liệu (Yahoo Finance), xử lý trên Cloud Server Linux bằng tiến trình định thời CRON Schedule qua Spring Boot API, đến giao diện trực quan hóa NextJS hỗ trợ người dùng theo dõi và đánh giá sai số mô hình.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận

• Dữ liệu đầu vào của các mô hình chủ yếu dựa trên chuỗi thời gian giá lịch sử và các chỉ báo kỹ thuật nội tại ($Open, High, Low, Close, H-L, SMA$), chưa bao quát các yếu tố ngoại sinh phi cấu trúc như tin tức truyền thông, chính sách pháp lý hoặc tâm lý thị trường.
• Độ chính xác của các mô hình suy giảm khi khoảng cách thời gian dự báo kéo dài (dự báo 30 ngày có sai số lớn hơn đáng kể so với dự báo 1 ngày và 7 ngày).
• Trong các kiến trúc xử lý chuỗi phức tạp như BiLSTM, khi lượng dữ liệu chuỗi thời gian tăng cao có thể xuất hiện hiện tượng biến mất hoặc bùng nổ gradient nếu thiếu độ rộng cửa sổ trượt phù hợp.

Hướng nghiên cứu và phát triển tiếp theo

• Hoàn thiện và tối ưu hóa các siêu tham số của mô hình kết hợp và các biến thể LSTM cải tiến nhằm nâng cao hiệu suất dự báo dài hạn.
• Mở rộng phạm vi thử nghiệm sang nhiều loại token và đồng tiền mã hóa khác trên thị trường.
• Nâng cấp hệ thống website, hoàn thiện các tính năng khuyến nghị giao dịch tự động và tối ưu hóa tốc độ giao tiếp API thực thời giữa Client và Cloud Server.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo có giá trị chuyên môn cao cho các nhóm đối tượng:

• Sinh viên và học viên ngành Hệ thống Thông tin, Khoa học Dữ liệu và Trí tuệ Nhân tạo: Cung cấp tài liệu tham khảo chi tiết về cơ sở toán học của các thuật toán chuỗi thời gian cổ điển (ARIMA, SARIMA), hồi quy học máy (SVR) và cơ chế cổng của 12 biến thể mạng nơ-ron hồi quy sâu (LSTM, BiLSTM, ConvLSTM, Peephole, CIFG, Encoder-Decoder).
• Kỹ sư phát triển phần mềm ứng dụng dữ liệu: Tham khảo quy trình tổ chức kiến trúc hệ thống 4 Phrase kết hợp backend Java Spring Boot, mô hình tính toán Python, máy chủ Linux với cơ chế lập lịch tự động CRON và giao diện frontend NextJS.
• Người nghiên cứu bài toán phân tích chuỗi thời gian tài chính: Đáng tham khảo phần xây dựng ma trận thuộc tính đa biến kết hợp chỉ báo kỹ thuật ($H-L, SMA_7, SMA_14, SMA_21$) và phương pháp chuẩn hóa dữ liệu trượt cửa sổ (sliding windows) tại Chương 3 và Chương 4.

Câu hỏi thường gặp

1. Khóa luận sử dụng những thuộc tính nào trong tập dữ liệu đầu vào để huấn luyện các mô hình dự báo chuỗi thời gian đa biến?
Tập dữ liệu đầu vào được cấu trúc dưới dạng ma trận đa biến theo thời gian hàng ngày, bao gồm 4 thuộc tính giá cơ bản là Giá cao nhất ($High$), Giá mở cửa ($Open$), Giá thấp nhất ($Low$), Giá đóng cửa ($Close$), kết hợp với thuộc tính chênh lệch biên độ giá ($H-L$) và ba đường trung bình động giản đơn gồm $SMA_7$, $SMA_14$, $SMA_21$.

2. Điểm khác biệt cốt lõi trong cơ chế hoạt động giữa mô hình CIFG-LSTM và mô hình LSTM tiêu chuẩn là gì?
Trong mô hình LSTM tiêu chuẩn, cổng vào ($input\ gate$) và cổng quên ($forget\ gate$) hoạt động độc lập với hai ma trận trọng số riêng biệt. Trong mô hình CIFG-LSTM (Coupled Input and Forget Gate), hai cổng này được ghép nối trực tiếp và dùng chung một ma trận trọng số; mức độ lưu giữ hoặc loại bỏ thông tin của trạng thái ô trước đó được quyết định đồng thời thông qua một cơ chế cổng thống nhất, giúp giảm số lượng tham số và giảm độ phức tạp tính toán của mạng.

3. Kiến trúc triển khai hệ thống phần mềm trong khóa luận được chia thành mấy giai đoạn và sử dụng những công nghệ gì?
Kiến trúc hệ thống được chia thành 4 giai đoạn (Phrase): Phrase 1 thu thập và tiền xử lý dữ liệu từ Yahoo Finance; Phrase 2 huấn luyện mô hình máy học/học sâu và xây dựng hệ thống API backend; Phrase 3 đưa hệ thống API lên máy chủ Cloud Linux và thiết lập cơ chế lập lịch CRON Schedule tự động crawl dữ liệu và chạy mô hình định kỳ qua Spring Boot; Phrase 4 phát triển giao diện người dùng bằng NextJS để trực quan hóa biểu đồ nến/đường và bảng sai số đánh giá.

4. Khóa luận sử dụng các độ đo sai số nào để đánh giá và so sánh độ chính xác của các mô hình dự báo?
Khóa luận sử dụng 4 chỉ số đo lường sai số hồi quy tiêu chuẩn gồm: Sai số tuyệt đối trung bình (MAE - Mean Absolute Error), Sai số phần trăm tuyệt đối trung bình (MAPE - Mean Absolute Percentage Error), Sai số bình phương trung bình (MSE - Mean Squared Error) và Căn bậc hai sai số bình phương trung bình (RMSE - Root Mean Square Error).

5. Tại sao mô hình BiLSTM (Bidirectional LSTM) lại khắc phục được nhược điểm tích lũy sai số của mô hình LSTM thông thường?
Mô hình LSTM thông thường chỉ truyền biến đầu vào theo một chiều từ quá khứ đến tương lai, khiến sai số dự đoán bị tích lũy liên tục và tăng dần theo các bước thời gian. Mô hình BiLSTM giải quyết vấn đề này bằng cách thiết lập hai tầng LSTM hoạt động song song theo hai chiều độc lập: một tầng tính toán xuôi từ trước ra sau ($1 \to t$) và một tầng tính toán ngược từ sau ra trước ($t \to 1$), cho phép mô hình lưu trữ và khai thác đồng thời cả thông tin quá khứ và tương lai tại bất kỳ bước thời gian nào.

Kết luận

Khóa luận tốt nghiệp của sinh viên Lê Thị Ái Nhi và Lê Hữu Thắng (Khoa Hệ thống Thông tin, Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM) đã nghiên cứu chuyên sâu việc ứng dụng các mô hình học máy, học sâu và các biến thể của mạng LSTM vào bài toán dự báo giá ba đồng tiền mã hóa Bitcoin, Ethereum và Binance Coin. Đề tài đã hệ thống hóa cơ sở toán học của các mô hình chuỗi thời gian từ ARIMA, SARIMA, SVR đến 12 biến thể và mô hình lai của LSTM, đồng thời tiến hành thực nghiệm đa khung thời gian để chứng minh tính hiệu quả của các kiến trúc cải tiến và mô hình kết hợp (Hybrid LSTM-CNN, CNN-BiLSTM, Conv-CNN-LSTM). Toàn bộ giải pháp dự báo đã được hiện thực hóa thành một ứng dụng web hoàn chỉnh vận hành trên nền tảng Spring Boot, NextJS và Cloud Server Linux với cơ chế lập lịch tự động CRON Schedule, cung cấp công cụ trực quan hỗ trợ phân tích và quản trị rủi ro đầu tư.

Trích đoạn nội dung tài liệu

Đặt vấn đề Ngày nay, sự quan trọng của bảo mật thông tin là không thể chối cãi. Với sự phát triển của công nghệ, các hoạt động kinh doanh, tài chính và giao tiếp của con người đã diễn ra chủ yếu trên Internet. Điều này có nghĩa là thông tin của cá nhân và tổ chức đang được truyền qua lại một cách liên tục trên mạng. Vì vậy, bảo mật thông tin trở thành một trong những vấn dé chính của xã hội hiện đại.

Trong đó, công nghệ Blockchain là công nghệ đang được coi là tiên tiến nhất trong lĩnh vực bảo mật thông tin và đảm bảo tính toàn vẹn dữ liệu. Sự tin tưởng vào công nghệ này đã đưa đến sự phát triển nhanh chóng của Cryptocurrencies, hay còn được gọi là tiền mã hóa. Đặc biệt là Bitcoin, Ethereum và Binance Coin đều có khối lượng giao dịch lớn trên các sàn giao dịch tiền điện tử hàng dau. Bitcoin ! là đồng tiền điện tử đầu tiên được tạo ra và được coi là "vàng kỹ thuật số" đang chiếm khoảng 40% tổng giá trị vốn hóa thị trường tiền điện tử và Ethereum và Binance Coin lần lượt chiếm khoảng 18% và 3% trong thời gian gần đây.

Sự phổ biến này cùng với các tiềm năng tăng trưởng đã tạo ra sự quan tâm lớn từ các cá nhân và doanh nghiệp sử dụng và đầu tư vào các tiền mã hóa trở nên phổ biến trên các sàn giao dịch. Tuy nhiên việc bat én về giá và các đặc trưng về tính năng của các loại tiền mã hóa dẫn đến việc cần chính xác trong việc dự báo. Do đó, việc phân tích xu hướng giá của hai loại đồng tiền mã hóa phổ biến nhất hiện nay BTC, ETH và BNB để dự báo giá trị của chúng là vô cùng quan trọng. Tuy nhiên, khi đưa ra khuyến nghị cho các hành động giao dịch trên hai loại tiền này, cần phải tính toán và đưa ra khuyến nghị một cách cần thận.

Vì vậy, việc nghiên cứu và thử nghiệm dé dự báo giá trị của Bitcoin, Ethereum và Binance, cũng như đưa ra khuyến nghị cho các hành động giao dịch là rất cần thiết và tất yếu. Việc này sẽ giúp cho các nhà đầu tư và doanh nghiệp có được thông tin quan trong dé ra quyết định đầu tư và quản lý rủi ro hiệu quả.net/bitcoin-btc-la-gi 1. Mục tiêu đề tài Tìm hiểu về dự báo chuỗi thời gian dài và ngắn, ứng dung dự báo giá trị thời gian ngắn và dai trong tương lai dựa trên các đặc trưng và tinh chat từ dữ liệu trong quá khứ. Nghiên cứu các về các mô hình hồi quy trong machine learning dự báo chuỗi thời gian bao gồm: ARIMA, SARIMA, SVR, Mạng Neural Network.

Kết hợp các biến thé của LSTM với các thuật toán dự báo hồi quy dé dự báo giá các đồng tiền mã hóa. Nghiên cứu về cách cách cải tiễn mô hình và kết hợp các mô hình dự báo. Phân tích kết quả thực nghiệm để đưa ra khuyến nghị mua, bán hay giữ cho người dùng. Xây dựng website trực quan hóa kết quả dự báo các đồng tiền mã hóa dựa trên các mô hình và thuật toán trên.

Đối tượng và phạm vi nghiên cứu 1. Đối tượng nghiên cứu Nghiên cứu dữ liệu giá tiền mã hóa (BTC, ETH, BNB) từ năm 2018 đến nay. Pham vi nghiên cứu Trong đề tài này, phạm vi nghiên cứu hướng đến: Mô hình dự báo chuỗi thời gian: ARIMA, SARIMA Mô hình dự báo hồi quy: SVR Mô hình máy hoc: Mang Neural Network, LSTM và các biến thé của LSTM bao gồm Vanilla LSTM, Stacked LSTM, Bi-LSTM, CNN LSTM, ConvLSTM, Multiplicative LSTM, Peephole LSTM, CIFG LSTM, Encoder - Decoder LSTM, Deep LSTM Network, Time-Distributed LSTM, Stateful LSTM, Hybrid LSTM-CNN model Mô hình kết hop: CNN - BiLSTM dự báo trên cả thời gian ngắn và dai; Conv —€CNN - LSTM dự báo trên tập thời gian ngắn. e Cải tiến mô hình có kết quả tốt nhất trong tập dữ liệu của các loại tiền mã hóa.

e Sử dụng độ đo dé đánh giá mô hình dự báo: MAE, MAPE, MSE, RMSE. e Kiến thức xây dựng website: Java String Boot, Python, NextJS, các framework và thư viện liên quan. Kiến trúc đề tài PART 1: Cryptocurrency Prediction System PART 2: Building API server | ae ty ¿? TS = —— oN — ‘ ` , ` Repository Class Extending H CRUD Services Crawl data from YahooFinance , Building single model (Mathematica statistics, Machine learning, Deep learning) ' ro = mm Data pre-processing Technical Analysis ' ' h ' Evaluating model » ' , 4 h —. —s ' h h : ' ì «: " ombine model (CNN BILSTM, Conv CNN-LSTM) egies :_ Masatnpromagpent ' ; _— ae F KLTN AiNhi - HuuThang re Database ` —.

c : ' | Data preparation -- , compare results ' Controller Application server ‘ ' Œ CD «= User's input h Tyee cwocurency _ ) + h h 4 — H \ A ~~ Trading with the 1 1 noha : world’s most popular 1o ị ype Algarlhm i a Fa , crypto wall 1 » là ý "Ÿ h a - H # a ' i ; h a Time Prediction ya “ sf i ` ; PART 3: Building Client Hình 1. Mô hình kiến trúc đề tài Mô tả kiến trúc đề tài gồm 4 phrase cơ bản như sau: e_ Triển khai Phrase 1: Thu thập thông tin dir liệu trong quá khứ hàng ngày từ Website của các loại tiền mã hóa. Sau đó xử lí dữ liệu và tạo một Dataset mới với các thuộc tính hỗ trợ cho việc dự báo chuỗi thời gian. se Triển khai Phrase 2: Học các mô hình dự báo SVR, ARIMA, SARIMA, Neural Network, LSTM và các biến thể LSTM.

Sau đó chọn mô hình tốt nhất dự báo tốt nhất dé cải tiễn và các mô hình kết hợp đưa ra kết quả dự báo tốt hơn. Tất cả mô hình máy học được đưa vào PART 2 thư mục public. Xây dựng các API clone dữ liệu từ Website Bitcoin, Ethereum và Binance về, Xây dựng các Controller, kiến trúc CSDL. « Triển khai Phrase 3: Giai đoạn đưa API lên Cloud Server Linux, dùng cơ chế CRON Schedule của hệ điều hành Linux cho các hoạt động định thời chạy các mô hình máy học hoặc lấy di liệu từ Website Data Bitcoin, Ethereum va Binance.

Triển khai theo quy trình của Spring Boot dé tổ chức xây dựng các mô hình dự báo. ¢ Trién khai Phrase 4: Xây dựng Website Client để người dùng có thé chọn loại tiền mã hóa, thời gian dự báo, thuật toán sử dụng để xem giá trị dự báo theo dạng nến hoặc dạng đồ thị và bảng đánh giá độ đo của các thuật toán. Kiến trúc dé tài Trong bài báo này, quan tâm đến bài toán dự báo chuỗi thời gian đa biến. Nhằm mục đích đưa ra một bộ giá tri đã được quan sát đầy đủ Y{ y;,y;,.

,yr} trong đó y, € R”, van là giá trị kích thước, nhằm mục đích dự đoán một loạt các giá trị trong tương lai với các khoảng thời gian khác nhau. Với Output là giá trị kết quả dự đoán của yp4p trong đó h là khoảng thời gian mong muốn dự đoán kết quả sắp tới khi đã có sẵn bộ dữ liệu {,y;,. Do đó tương tự cũng sẽ có sin bộ dữ liệu {yu2¿,.r,yr+: } nên đã xây dung input là bộ ma trận sau: xt xP. xf 1 2 TL yale xi ~ % xh xR.

x† trong đó xq = (xẢ,x4,., x7) là giá trị thuộc tính của nhiều giá trị theo T thời gian hàng ngày, trong đó x” = (x?, x”, ., x7) là các thuộc tính của biến độc lập theo thời gian của High, Open, Low, Close, H-L, SMA_7, SMA_14, SMA_21 sẽ được giải thích cụ thể trong phần bộ dữ liệu để dự đoán kết quả với Output là giá trị dự đoán cua Yr+nti- Chương 2. CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN Dựa vào các đặc điểm, từ khóa liên quan về các thử nghiệm liên quan đến dự đoán, học máy, học sâu, v.v chúng tôi đã tìm kiếm các bài báo liên quan trong những năm gan đây và dựa vào các bai báo đó dé thực hiện nghiên cứu này và thé hiện chi tiết qua Bảng 2. Những thành tựu về trí tuệ nhân tạo trong những năm gần đây đã làm cho các nghiên cứu về dự báo giá tiền kỹ thuật số được cải thiện về độ chính xác và hiệu suất. Có rất nhiều các nghiên cứu đã được thực hiện với việc áp dụng nhiều mô hình dự báo khác nhau.

Trong đó, nghiên cứu của các tác giả Seabe P.B và Pindza E đã thực hiện dự báo dựa trên mô hình LSTM, GRU và Bi-LSTM. Kết quả của nghiên cứu đã chỉ ra rằng mô hình biến thé BiLSTM có khả năng dự báo tốt hơn so với LSTM và GRU [41]. Ngoài ra, việc kết hợp các mô hình dự báo, đặc biệt là các biến thé của LSTM cũng giúp cho kết quả dự báo tối ưu hơn, điều này đã được chứng minh qua bài viết của tác giả Liquan Shan cùng các cộng sự. Tác giả tiền hành nghiên cứu một mô hình thuật toán kết hợp giữa BiDirectional LSTM va CNN dé nhằm mục đích dự đoán giá trị thiếu hụt nguồn nước dựa trên các yếu tố ảnh hưởng [32].

Hay nghiên cứu vào năm 2021 của nhóm tác giả Zhifang Liao, Peng Lan cùng các cộng sự tiến hành đưa ra các phương pháp dự đoán xu hướng phát triển sự lây lan của COVID-19. Nhóm tác giả đã nghiên cứu thực nghiệm trên mô hình cơ bản của SIRVD, tuy nhiên kết quả không thể xử lý được trên bộ dữ liệu dài hạn. Do đó nhóm tác giả đã đề xuất mô hình dự báo học sâu của mạng thần kinh tái phát và các biến thé, cụ thé là Vanilla LSTM, Stacked LSTM, Bi-LSTM và GRU. Kết quả đã cho thay rằng không chi cai thiện 50% dự đoán so với phương pháp thuần túy ma còn có thé điều chỉnh dự báo được ngắn hạn và trung hạn cho kết quả tốt hơn [47].

Patel và cộng sự của mình đã đề xuất một phương pháp dự đoán tiền điện tử tập trung vào tiền điện tử Litecoin và Monero. Mô hình được đề xuất dựa trên hồi quy kiến trúc mạng thần kinh sử dụng các lớp LSTM và GRU. Dữ liệu trong nghiên cứu của họ chứa dữ liệu Litecoin hàng ngày từ ngày 24 thang 8 năm 2016 đến ngày 23 tháng 2 năm 2020 va dữ liệu Monero từ ngày 30 tháng 1 năm 2015 đến ngày 23 tháng 2 năm 2020 liên quan đến giá trung bình, giá mở cửa, giá đóng cửa giá, giá cao và thấp, cũng như khối lượng giao dịch. Các thí nghiệm được báo cáo đã chứng minh rằng mô hình kết hợp được đề xuất hoạt động tốt hơn các mạng LSTM tốt hơn [36].