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].