Giới thiệu dự án

Thị trường tiền mã hóa (Cryptocurrency) đã có sự phát triển vượt bậc với tổng giá trị vốn hóa đạt hàng nghìn tỷ USD, trong đó Bitcoin (BTC) chiếm xấp xỉ 40%, Ethereum (ETH) chiếm khoảng 18% và Binance Coin (BNB) chiếm khoảng 3% tỷ trọng toàn cầu. Đặc trưng nổi bật của thị trường này là tính phi tập trung, hoạt động liên tục 24/7 và mức độ biến động giá cực kỳ mạnh mẽ (high volatility). Sự bất ổn này tạo ra cơ hội sinh lời lớn nhưng đồng thời tiềm ẩn rủi ro thanh khoản và thất thoát tài sản nghiêm trọng cho các nhà đầu tư cá nhân lẫn tổ chức nếu thiếu các công cụ định lượng hỗ trợ dự báo xu hướng.

Vấn đề cốt lõi (Problem Statement) nằm ở việc dữ liệu giá tiền mã hóa là dạng chuỗi thời gian đa biến (Multivariate Time Series), phi tuyến tính sâu sắc (highly non-linear), chứa nhiều nhiễu trắng (white noise) và chịu ảnh hưởng của các bước nhảy giá bất thường. Các mô hình thống kê cổ điển như ARIMA hay SARIMA chỉ xử lý tốt chuỗi dừng tuyến tính và thất bại khi đối mặt với dữ liệu có tính biến động dài hạn. Mạng nơ-ron hồi quy truyền thống (RNN) lại vấp phải hiện tượng triệt tiêu đạo hàm (Vanishing Gradient) khi chuỗi thời gian kéo dài, khiến mô hình mất khả năng ghi nhớ các phụ thuộc xa (Long-term dependencies).

Mục tiêu đề tài được xác định cụ thể:

  1. Nghiên cứu cơ sở lý thuyết về phân tích chuỗi thời gian ngắn hạn và dài hạn trên các tập dữ liệu thực tế của BTC, ETH, BNB từ năm 2018 đến 2023.
  2. Xây dựng và đánh giá các mô hình hồi quy kinh điển gồm ARIMA, SARIMA, Support Vector Regression (SVR) và Mạng nơ-ron nhân tạo (ANN).
  3. Triển khai toàn diện 12 biến thể mạng Long Short-Term Memory (LSTM): Vanilla LSTM, Stacked LSTM, Bidirectional LSTM (BiLSTM), Convolutional LSTM (ConvLSTM), Peephole LSTM, Coupled Input and Forget Gate (CIFG) LSTM, Encoder-Decoder LSTM, Deep LSTM, Stateful LSTM, TimeDistributed LSTM, Multiplicative LSTM (mLSTM), Hybrid LSTM-CNN.
  4. Đề xuất cải tiến và thiết kế các kiến trúc mô hình kết hợp lai: Hybrid LSTM-CNN cải tiến, CNN-BiLSTM và Conv-CNN-LSTM nhằm nâng cao độ chính xác dự báo 1 ngày, 7 ngày và 30 ngày.
  5. Phát triển hệ sinh thái hoàn chỉnh gồm API Server (Java Spring Boot) tích hợp tác vụ tự động thu thập dữ liệu (Cron Scheduler) và giao diện trực quan hóa dữ liệu người dùng (Next.js).

Giải pháp kỹ thuật lựa chọn phương pháp tiếp cận đa tầng: Kết hợp trích xuất đặc trưng không gian (Spatial Features) bằng mạng tích chập Convolutional Neural Network (CNN) 1D/2D và trích xuất đặc trưng chuỗi thời gian tuần tự (Temporal Dependencies) bằng BiLSTM/ConvLSTM. Bộ chỉ số kỹ thuật gồm chênh lệch đỉnh - đáy ($H-L$), đường trung bình động đơn giản ($SMA_7, SMA_{14}, SMA_{21}$) được bổ sung vào vector đầu vào đa biến để gia tăng năng lực hội tụ của mô hình.

Phạm vi nghiên cứu tập trung vào ba cặp giao dịch có thanh khoản cao nhất thị trường (BTC/USDT, ETH/USDT, BNB/USDT) với tần suất mẫu theo ngày (Daily Data). Giới hạn của đề tài là không tính toán các yếu tố ngoại sinh đột biến như tin tức chính trị vĩ mô (On-chain/Sentiment analysis) và không can thiệp lệnh giao dịch tự động trực tiếp vào sàn.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu thị trường và các công trình liên quan chứng minh rằng việc kết hợp các cấu trúc học sâu mang lại hiệu suất vượt trội so với các mô hình đơn lẻ:

  • Sima Siami-Namini (2019) chứng minh BiLSTM giảm đáng kể sai số dự báo chuỗi thời gian tài chính so với ARIMA và LSTM tiêu chuẩn.
  • Patel et al. (2020) áp dụng thành công kiến trúc lai giữa LSTM và Gated Recurrent Unit (GRU) trên dữ liệu Litecoin và Monero.
  • Liquan Shan (2021) khẳng định sự kết hợp giữa CNN và BiLSTM cùng cơ chế Attention xử lý tối ưu các phụ thuộc phức tạp trong dữ liệu chuỗi.
Tiêu chí ARIMA / SARIMA Support Vector Regression (SVR) Vanilla LSTM Mô hình lai đề xuất (CNN-BiLSTM / Conv-CNN-LSTM)
Xử lý phi tuyến tính Kém (Yêu cầu chuỗi dừng) Tốt (Sử dụng RBF Kernel) Rất tốt (Activation non-linear) Xuất sắc (Spatial + Temporal learning)
Ghi nhớ ngữ cảnh dài hạn Không hỗ trợ Giới hạn theo sliding window Trung bình (1 chiều) Cao cấp (Học 2 chiều xuôi - ngược)
Tự động trích xuất đặc trưng Thủ công (ACF/PACF) Thủ công Tự động Tự động đa tầng qua Conv Filter
Độ phức tạp tính toán Thấp ($O(n)$) Trung bình ($O(n^2)$) Cao Rất cao (Tối ưu hóa qua GPU)
Độ nhạy với nhiễu thị trường Rất cao (Dễ lệch pha) Trung bình Thấp Rất thấp (Nhờ pooling và dropout)

Yêu cầu người dùng được phân loại theo mô hình MoSCoW:

  • Must-have: Tự động crawl dữ liệu giá mở cửa (Open), cao nhất (High), thấp nhất (Low), đóng cửa (Close), khối lượng (Volume); Huấn luyện và hiển thị kết quả dự đoán với 4 chỉ số sai số chuẩn hóa (MAE, MAPE, MSE, RMSE); Biểu đồ nến và biểu đồ đường so sánh giá thực tế vs dự đoán.
  • Should-have: Lựa chọn linh hoạt tham số thời gian dự báo (1 ngày, 7 ngày, 30 ngày); Cơ chế tự động chạy định thời trên Cloud Server.
  • Could-have: Khuyến nghị trạng thái giao dịch (Buy/Sell/Hold) dựa trên ngưỡng biến động dự báo.
  • Won't-have: Tích hợp ví cá nhân web3 hoặc bot đặt lệnh tự động lên sàn giao dịch.

Thiết kế hệ thống

Hệ thống được thiết kế theo mô hình kiến trúc Microservices 4 tầng độc lập, đảm bảo tính mở rộng và khả năng chịu tải:

[ Data Source: Yahoo Finance API / Binance API ]
[ ETL & Preprocessing Engine (Python / Pandas / MinMaxScaler) ]
[ Deep Learning Inference Service (TensorFlow / Keras / H5 Models) ]
[ Backend API Server (Java Spring Boot 3.1 / Hibernate / REST Controllers) ]
[ Frontend Presentation Client (Next.js 13.5 / Chart.js / TailwindCSS) ]

Nguyên lý tính toán trạng thái trong lõi tế bào LSTM được tối ưu hóa theo hệ phương trình cổng:

  • Cổng quên (Forget Gate): $$f_t = \sigma(U_f x_t + W_f h_{t-1} + b_f)$$
  • Cổng vào (Input Gate): $$i_t = \sigma(U_i x_t + W_i h_{t-1} + b_i)$$
  • Trạng thái ô ứng viên (Candidate Cell State): $$\tilde{C}t = \tanh(U_c x_t + W_c h{t-1} + b_c)$$
  • Cập nhật trạng thái ô (Cell State Update): $$C_t = f_t \odot C_{t-1} + i_t \odot \tilde{C}_t$$
  • Cổng ra (Output Gate) và Trạng thái ẩn (Hidden State): $$o_t = \sigma(U_o x_t + W_o h_{t-1} + b_o)$$ $$h_t = o_t \odot \tanh(C_t)$$

Bảng công nghệ sử dụng và phiên bản:

Phân hệ Công nghệ / Thư viện Phiên bản Chức năng kỹ thuật
Machine Learning Core Python 3.10.12 Môi trường tính toán số học
TensorFlow / Keras 2.13.0 Xây dựng kiến trúc Deep Learning
Scikit-Learn 1.3.0 Tiền xử lý, chuẩn hóa, đánh giá độ đo
Statsmodels 0.14.0 Huấn luyện mô hình ARIMA, SARIMA
Backend API Java OpenJDK 17 LTS Môi trường thực thi ứng dụng máy chủ
Spring Boot Framework 3.1.2 Xây dựng RESTful API và Business Logic
Spring Data JPA / Hibernate 6.2.x Quản lý tầng truy xuất dữ liệu
Database PostgreSQL 15.3 Lưu trữ dữ liệu lịch sử và kết quả dự báo
Frontend Web Next.js 13.5.0 Server-Side Rendering và Single Page App
TailwindCSS / Chart.js 3.3 / 4.4 Xây dựng UI Responsive và Chart trực quan
Infrastructure Ubuntu Linux Server 22.04 LTS Hệ điều hành triển khai máy chủ Cloud
Linux Cron Scheduler System standard Tự động hóa tác vụ định thời

Methodology

Quy trình phát triển dự án tuân theo mô hình linh hoạt Agile-Scrum kết hợp tiêu chuẩn quy trình khai phá dữ liệu CRISP-DM (Cross-Industry Standard Process for Data Mining) trải qua 4 Sprint chính trong vòng 16 tuần:

  • Milestone 1 (Tuần 1 - 4): Thu thập dữ liệu chuỗi thời gian BTC, ETH, BNB từ 2018 đến 2023; Kiểm tra tính dừng bằng kiểm định Augmented Dickey-Fuller (ADF); Xây dựng Pipeline chuẩn hóa dữ liệu với kỹ thuật Sliding Window.
  • Milestone 2 (Tuần 5 - 9): Huấn luyện baseline models (ARIMA, SARIMA, SVR, ANN) và 12 biến thể LSTM; Đánh giá sai số trên tập dữ liệu ngắn và dài; Tinh chỉnh siêu tham số (Hyperparameter Tuning).
  • Milestone 3 (Tuần 10 - 13): Thiết kế và thử nghiệm mô hình cải tiến Hybrid LSTM-CNN, CNN-BiLSTM, Conv-CNN-LSTM; Đóng gói Model Artifacts (.h5 / .onnx).
  • Milestone 4 (Tuần 14 - 16): Xây dựng REST API Spring Boot; Triển khai Cron Task trên Cloud Server Linux; Thiết kế Dashboard trực quan Next.js; Kiểm thử tích hợp toàn diện.

Kế hoạch quản trị rủi ro (Risk Mitigation):

  • Hiện tượng Overfitting khi huấn luyện chuỗi thời gian tài chính: Áp dụng các lớp Dropout(0.2 - 0.5), cơ chế EarlyStopping(patience=10) giám sát hàm mất mát val_loss.
  • Trôi dạt phân phối dữ liệu (Concept Drift): Thiết lập Cron job tự động cập nhật dữ liệu giá mới nhất và định kỳ tái huấn luyện mô hình tuần tự.

Implementation và kết quả

Development process

Quá trình tiền xử lý định dạng lại ma trận đặc trưng đầu vào $X \in \mathbb{R}^{N \times T \times D}$, trong đó $N$ là số mẫu, $T$ là chiều dài bước thời gian (time_step = 7 hoặc 14 ngày), $D = 8$ là không gian đặc trưng bao gồm: Giá mở cửa, Cao nhất, Thấp nhất, Đóng cửa, $H-L$, $SMA_7$, $SMA_{14}$, $SMA_{21}$.

Đoạn mã tiền xử lý dữ liệu và tạo cửa sổ trượt:

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler

def create_multivariate_dataset(data: pd.DataFrame, time_step: int = 7):
    # Trích xuất các chỉ báo kỹ thuật
    data['H-L'] = data['High'] - data['Low']
    data['SMA_7'] = data['Close'].rolling(window=7).mean()
    data['SMA_14'] = data['Close'].rolling(window=14).mean()
    data['SMA_21'] = data['Close'].rolling(window=21).mean()
    data = data.dropna()

    feature_cols = ['Open', 'High', 'Low', 'Close', 'H-L', 'SMA_7', 'SMA_14', 'SMA_21']
    scaler = MinMaxScaler(feature_range=(0, 1))
    scaled_data = scaler.fit_transform(data[feature_cols])

    X, y = [], []
    for i in range(len(scaled_data) - time_step):
        X.append(scaled_data[i:(i + time_step), :])
        y.append(scaled_data[i + time_step, 3])  # Dự báo giá Close

    return np.array(X), np.array(y), scaler

Kiến trúc mô hình kết hợp Conv1D và Bidirectional LSTM (CNN-BiLSTM):

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, MaxPooling1D, Bidirectional, LSTM, Dense, Dropout

def build_cnn_bilstm(time_step: int = 7, n_features: int = 8):
    model = Sequential([
        # Khối trích xuất đặc trưng không gian (Spatial Feature Extraction)
        Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(time_step, n_features)),
        MaxPooling1D(pool_size=1),
        Dropout(0.2),
        
        # Khối học phụ thuộc chuỗi thời gian 2 chiều (Bidirectional Temporal Learning)
        Bidirectional(LSTM(units=100, return_sequences=True)),
        Dropout(0.3),
        Bidirectional(LSTM(units=50, return_sequences=False)),
        Dropout(0.3),
        
        # Lớp hồi quy đầu ra
        Dense(units=25, activation='relu'),
        Dense(units=1)
    ])
    model.compile(optimizer='adam', loss='mean_squared_error', metrics=['mae'])
    return model

Triển khai API Controller trên nền tảng Spring Boot:

package vn.edu.uit.crypto.controller;

import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.http.ResponseEntity;
import org.springframework.web.bind.annotation.*;
import vn.edu.uit.crypto.service.PredictionService;
import vn.edu.uit.crypto.dto.PredictionResponse;

@RestController
@RequestMapping("/api/v1/predictions")
@CrossOrigin(origins = "*")
public class CryptoPredictionController {

    @Autowired
    private PredictionService predictionService;

    @GetMapping("/{symbol}")
    public ResponseEntity<PredictionResponse> getPrediction(
            @PathVariable("symbol") String symbol,
            @RequestParam(defaultValue = "CNN_BILSTM") String modelType,
            @RequestParam(defaultValue = "7") int forecastDays) {
        
        PredictionResponse response = predictionService.executePrediction(symbol.toUpperCase(), modelType, forecastDays);
        return ResponseEntity.ok(response);
    }
}

Testing và validation

Tập dữ liệu được phân chia theo trình tự thời gian (Walk-forward split): 80% cho Training Set và 20% cho Testing Set để tránh rò rỉ dữ liệu tương lai (Look-ahead bias). Đánh giá định lượng dựa trên 4 chỉ số đo lường chuẩn:

  • Mean Absolute Error (MAE): $\text{MAE} = \frac{1}{n} \sum_{t=1}^n |y_t - \hat{y}_t|$
  • Mean Absolute Percentage Error (MAPE): $\text{MAPE} = \frac{100%}{n} \sum_{t=1}^n \left|\frac{y_t - \hat{y}_t}{y_t}\right|$
  • Mean Squared Error (MSE): $\text{MSE} = \frac{1}{n} \sum_{t=1}^n (y_t - \hat{y}_t)^2$
  • Root Mean Squared Error (RMSE): $\text{RMSE} = \sqrt{\text{MSE}}$

Kết quả đạt được

Kết quả thực nghiệm trên tập kiểm thử dữ liệu Bitcoin (BTC) thể hiện năng lực vượt trội của các kiến trúc đề xuất:

Mô hình thử nghiệm MAE (USD) RMSE (USD) MAPE (%) Đánh giá tổng quan
ARIMA (2,1,2) 1,420.50 1,985.30 5.12% Độ trễ lớn khi thị trường biến động mạnh
SARIMA (1,1,1)(1,1,1)7 1,350.20 1,890.15 4.88% Cải thiện nhẹ tính mùa vụ tuần
Support Vector Regression (SVR) 1,180.40 1,640.80 4.25% Bắt kịp xu hướng nhưng nhạy cảm với outlier
Vanilla LSTM 920.15 1,310.50 3.20% Nắm bắt tốt phụ thuộc phi tuyến
ConvLSTM 845.30 1,205.40 2.95% Trích xuất tốt mẫu hình biến động cục bộ
BiLSTM 810.60 1,170.25 2.81% Tối ưu hóa nhờ học 2 chiều thời gian
Hybrid LSTM-CNN Gốc 780.40 1,120.60 2.68% Kết hợp đặc trưng không gian và thời gian
Hybrid LSTM-CNN Cải tiến 695.10 995.80 2.38% Tối ưu hóa số filter và lớp fully connected
Mô hình kết hợp CNN-BiLSTM 612.45 880.30 2.08% Hiệu suất dự báo tổng thể tốt nhất
Mô hình kết hợp Conv-CNN-LSTM 640.20 915.10 2.19% Độ chính xác cao trong dự báo ngắn hạn

Mô hình CNN-BiLSTM đạt sai số phần trăm tuyệt đối trung bình (MAPE) chỉ 2.08% trên đồng BTC, 2.45% trên ETH và 2.62% trên BNB, vượt xa các mô hình hồi quy thống kê truyền thống.

Đổi mới và đóng góp

  1. Khám phá và hệ thống hóa 12 biến thể LSTM: Đề tài cung cấp cái nhìn thực nghiệm toàn diện nhất về hành vi của các cấu hình cổng bộ nhớ khác nhau (CIFG, Peephole, Stateful, BiLSTM) trên cùng một bài toán chuỗi thời gian tài chính.
  2. Cải tiến kiến trúc lai không gian - thời gian: Thiết kế thành công mô hình CNN-BiLSTM và Conv-CNN-LSTM. Việc đưa lớp Conv1D vào trước mạng BiLSTM giúp giảm chiều dữ liệu nhiễu, tăng tốc độ hội tụ thêm 28% và giảm sai số RMSE đến 32.8% so với mô hình Vanilla LSTM cơ bản.
  3. Bộ đặc trưng đa biến kết hợp chỉ báo kỹ thuật: Chứng minh thực nghiệm rằng việc kết hợp các đường $SMA_7, SMA_{14}, SMA_{21}$ và biên độ $H-L$ giúp giảm hiện tượng trễ pha (lagging effect) của đồ thị dự báo so với việc chỉ sử dụng giá đóng cửa đơn biến.
  4. Đóng gói giải pháp Full-stack End-to-End: Không dừng lại ở nghiên cứu học thuật trên Jupyter Notebook, nhóm tác giả đã xây dựng hoàn chỉnh kiến trúc hệ thống thương mại hóa: Data Pipeline $\rightarrow$ Spring Boot Engine $\rightarrow$ Web Dashboard Next.js.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

  • Hệ thống hỗ trợ ra quyết định cho nhà đầu tư cá nhân: Cung cấp góc nhìn khách quan về xu hướng biến động giá 1-7-30 ngày của BTC, ETH, BNB kèm biên độ tin cậy.
  • Tối ưu hóa quản trị rủi ro cho sàn giao dịch và quỹ đầu tư: Thiết lập ngưỡng cảnh báo biến động đột biến, tính toán trước giá trị thanh lý và quản lý danh mục ký quỹ (Margin/Futures).

Chiến lược triển khai và vận hành

  • Hạ tầng máy chủ: Triển khai trên Linux Cloud Server (2 vCPU, 4GB RAM, SSD 50GB).
  • Quy trình định thời tự động (Cron Engine):
    • 00:05 UTC hàng ngày: Kích hoạt Python script crawl dữ liệu chốt phiên từ Yahoo Finance.
    • 00:10 UTC: Thực hiện tiền xử lý và chạy inference trên các checkpoint mô hình đã lưu.
    • 00:12 UTC: Cập nhật kết quả dự báo mới vào PostgreSQL Database để Spring Boot API phục vụ client.

Phân tích chi phí và hiệu quả đầu tư (ROI)

  • Chi phí hạ tầng điện toán đám mây ước tính cực kỳ tiết kiệm: ~15 - 25 USD/tháng cho VPS Linux.
  • Giá trị mang lại: Giảm thiểu rủi ro thua lỗ từ các quyết định giao dịch cảm tính, nâng cao tỷ lệ sinh lời danh mục trung bình từ 8% đến 15%/năm nhờ việc bám sát xu hướng định lượng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Chưa tích hợp dữ liệu phi cấu trúc: Mô hình thuần túy dựa trên biến động giá kỹ thuật, chưa nắm bắt được các sự kiện "Thiên nga đen" (Black Swan events), tin tức vĩ mô hay tâm lý đám đông trên mạng xã hội (Twitter/Reddit Sentiment).
  • Tần suất dự báo theo khung ngày (Daily): Chưa tối ưu cho các chiến lược giao dịch lướt sóng cao tần (High-Frequency Trading - HFT) ở khung phút/giây.

Hướng phát triển mở rộng

  • Tích hợp mô hình ngôn ngữ lớn (LLMs) hoặc FinBERT để tính toán chỉ số Fear & Greed Index từ tin tức thời gian thực kết hợp vào vector đầu vào.
  • Nghiên cứu ứng dụng kiến trúc Transformer chuyên sâu cho chuỗi thời gian như Informer, Autoformer, PatchTST.
  • Nâng cấp hệ thống sang kiến trúc Streaming với Apache Kafka và Apache Flink để xử lý luồng dữ liệu WebSocket từ Binance Real-time API.

Đối tượng hưởng lợi

  • Sinh viên và Học viên kỹ thuật: Cung cấp tài liệu tham khảo thực tế về xử lý chuỗi thời gian đa biến, cách triển khai 12 biến thể mạng LSTM và quy trình kết nối mô hình AI với Web Application.
  • Lập trình viên và Kỹ sư dữ liệu: Nắm vững mẫu thiết kế (Design Pattern) kết hợp giữa Python Deep Learning Service và Java Spring Boot Enterprise Core.
  • Doanh nghiệp Fintech và Nhà đầu tư: Sở hữu công cụ định lượng hỗ trợ quản trị rủi ro danh mục tiền mã hóa với độ chính xác cao và chi phí vận hành thấp.
  • Nhà nghiên cứu AI: Cơ sở dữ liệu thực nghiệm so sánh đối chuẩn (Benchmark) chi tiết giữa các giải pháp học máy truyền thống và các kiến trúc lai cải tiến.

Câu hỏi thường gặp

1. Cấu hình phần cứng tối thiểu để triển khai huấn luyện và chạy hệ thống là gì?

Đối với quá trình huấn luyện (Training), khuyến nghị sử dụng GPU tối thiểu NVIDIA GTX 1650 4GB hoặc Google Colab T4. Đối với quá trình triển khai thực tế (Production Inference), hệ thống chỉ yêu cầu máy chủ Cloud Linux Ubuntu cấu hình tối thiểu 2 vCPU, 4GB RAM và 20GB dung lượng ổ đĩa.

2. Mô hình có gặp hiện tượng quá khớp (Overfitting) khi giá biến động bất thường không?

Hệ thống kiểm soát Overfitting chặt chẽ thông qua việc áp dụng kỹ thuật chuẩn hóa dữ liệu MinMaxScaler([0, 1]), chèn các lớp Dropout(0.2 - 0.3) xen kẽ giữa các khối CNN và LSTM, kết hợp cơ chế EarlyStopping với patience=10 để dừng huấn luyện ngay khi loss trên tập validation không còn giảm.

3. Hệ thống đồng bộ dữ liệu mới từ thị trường như thế nào?

Hệ thống sử dụng tác vụ định thời Cron Job trên Linux Server, tự động chạy script crawl dữ liệu vào lúc 00:05 UTC hàng ngày từ Yahoo Finance / Binance API, tự động làm sạch và chuyển đổi ma trận đặc trưng trước khi thực thi hàm dự báo.

4. Tại sao mô hình CNN-BiLSTM lại vượt trội hơn mô hình LSTM tiêu chuẩn?

Mô hình CNN-BiLSTM vượt trội nhờ cơ chế học hai tầng: Lớp tích chập Conv1D hoạt động như bộ lọc tín hiệu tự động trích xuất các đặc trưng không gian cục bộ quan trọng từ 8 chỉ số kỹ thuật, sau đó lớp BiLSTM học các phụ thuộc thời gian theo cả hai chiều xuôi (quá khứ $\rightarrow$ hiện tại) và ngược (ngữ cảnh đảo ngược), giúp giảm triệt để sai số tích lũy của mô hình LSTM đơn hướng.

5. Chi phí duy trì hệ thống hàng tháng là bao nhiêu?

Nhờ kiến trúc tối ưu hóa tài nguyên, toàn bộ hệ thống API Backend, Cơ sở dữ liệu PostgreSQL và Web Client có thể đóng gói triển khai trong Docker Containers trên một VPS Linux duy nhất với chi phí vận hành chỉ từ 10 - 20 USD/tháng.

Kết luận

Đề tài 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-HCM) đã giải quyết trọn vẹn bài toán dự báo giá tiền mã hóa đa biến phức tạp. Thông qua việc nghiên cứu, thử nghiệm và đánh giá thực nghiệm khắt khe trên các tập dữ liệu Bitcoin, Ethereum và Binance Coin, công trình đã khẳng định tính ưu việt của kiến trúc kết hợp học sâu lai CNN-BiLSTM và Conv-CNN-LSTM, đạt độ chính xác ấn tượng với MAPE chỉ từ 2.08% đến 2.62%.

Không dừng lại ở mô hình lý thuyết, công trình đã hiện thực hóa thành công một sản phẩm phần mềm hoàn chỉnh, đáp ứng tiêu chuẩn kỹ thuật doanh nghiệp từ tầng API Spring Boot đến giao diện trực quan Next.js. Đây là nền tảng vững chắc phục vụ đắc lực cho cả mục tiêu nghiên cứu học thuật lẫn ứng dụng thực tiễn trong lĩnh vực công nghệ tài chính (Fintech).