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

• 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.