Ứng Dụng Mô Hình Hồi Quy Tuyến Tính Trong Phân Tích Kỹ Thuật

Khám phá ứng dụng của mô hình hồi quy tuyến tính trong phân tích kỹ thuật, giúp tối ưu hóa quyết định đầu tư và dự đoán xu hướng thị trường.

• Tác giả: Nguyễn Hải Ninh
• Người hướng dẫn: TS. Nguyễn Hữu Xuân Trường
• Trường học: Học viện Chính sách và Phát triển
• Chuyên ngành: Kinh tế số
• Đề tài: Ứng Dụng Mô Hình Hồi Quy Tuyến Tính Trong Phân Tích Kỹ Thuật
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. Tổng quan về học máy
• 1.1.1. Khái niệm Machine Learning
• 1.1.2. Các kĩ thuật trong Học máy
• 1.2. Tổng quan Phương pháp phân tích kỹ thuật
• 1.2.1. Khái niệm Phân tích kỹ thuật
• 1.2.2. Ưu điểm của Phân tích kỹ thuật
• 1.2.3. Nhược điểm của phân tích kỹ thuật
• 1.2.4. Công cụ Phân tích kỹ thuật
• 1.3. Thuật toán hồi quy tuyến tính
• 1.3.1. Khái niệm hồi quy tuyến tính
• 1.3.2. Các loại hồi quy tuyến tính
• 1.3.3. Thiết lập công thức
• 1.3.4. Kiểm định mô hình
• 1.3.5. Hạn chế của Hồi quy tuyến tính
• 2. CHƯƠNG 2: ỨNG DỤNG PYTHON TRONG PHÂN TÍCH KỸ THUẬT
• 2.1. Thu thập dữ liệu chứng khoán
• 2.2. Biểu đồ Giá cổ phiếu
• 2.3. Xây dựng biểu đồ Nến
• 2.4. Xây dựng đường Simple Moving Average
• 2.5. Xây dựng chỉ báo RSI
• 2.6. Xây dựng chỉ báo MACD
• 2.7. Xây dựng chỉ báo OBV
• 2.8. Xác định tín hiệu mua/bán với MACD, RSI, OBV
• 3. CHƯƠNG 3: TRIỂN KHAI THUẬT TOÁN HỒI QUY TUYẾN TÍNH TRONG DỮ BÁO GIÁ CỔ PHIẾU
• 3.1. Thông tin khái quát về quá trình hình thành, phát triển của công ty
• 3.2. Triển khai thuật toán Hồi quy tuyến tính với Python
• KẾT LUẬN CHƯƠNG 2
• KẾT LUẬN CHƯƠNG 3
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Ứng Dụng Hồi Quy Tuyến Tính APD 2024

Bài viết này khám phá ứng dụng mô hình hồi quy tuyến tính trong phân tích kỹ thuật tại Học viện Chính sách và Phát triển. Học viện Chính sách và Phát triển (APD) đang chứng kiến sự gia tăng trong việc sử dụng các phương pháp định lượng để phân tích dữ liệu kinh tế và tài chính. Mô hình hồi quy tuyến tính là một công cụ mạnh mẽ để xác định mối quan hệ giữa các biến số, từ đó đưa ra dự báo và quyết định đầu tư hiệu quả hơn. Nghiên cứu này tập trung vào việc áp dụng mô hình này trong bối cảnh thị trường chứng khoán Việt Nam, một thị trường đầy biến động và tiềm năng. Việc hiểu rõ cơ sở lý thuyết và ứng dụng thực tiễn của hồi quy tuyến tính là rất quan trọng đối với sinh viên và các nhà nghiên cứu tại APD. Bài viết sẽ trình bày chi tiết các bước xây dựng, kiểm định và sử dụng mô hình, cùng với các ví dụ minh họa cụ thể.

1.1. Giới thiệu về Học viện Chính sách và Phát triển

Học viện Chính sách và Phát triển (APD) là một trung tâm đào tạo và nghiên cứu hàng đầu về chính sách và phát triển kinh tế ở Việt Nam. APD luôn khuyến khích việc ứng dụng các phương pháp phân tích hiện đại, bao gồm cả kinh tế lượng và thống kê ứng dụng, vào nghiên cứu và giảng dạy. Việc sử dụng mô hình hồi quy tuyến tính trong phân tích kỹ thuật là một phần trong nỗ lực này. APD mong muốn trang bị cho sinh viên những kiến thức và kỹ năng cần thiết để thành công trong lĩnh vực tài chính và đầu tư.

1.2. Tầm quan trọng của phân tích kỹ thuật trong đầu tư

Phân tích kỹ thuật là một phương pháp dự báo giá cả dựa trên việc nghiên cứu dữ liệu thị trường trong quá khứ, chủ yếu là giá và khối lượng giao dịch. Nó giúp nhà đầu tư xác định các xu hướng, mô hình và tín hiệu giao dịch tiềm năng. Trong bối cảnh thị trường chứng khoán Việt Nam, nơi thông tin có thể không đầy đủ hoặc minh bạch, phân tích kỹ thuật trở thành một công cụ quan trọng để đưa ra quyết định đầu tư nhanh chóng và hiệu quả. Ứng dụng hồi quy tuyến tính trong phân tích kỹ thuật có thể giúp nhà đầu tư định lượng hóa các mối quan hệ và dự báo giá chính xác hơn.

II. Thách Thức Khi Dùng Hồi Quy Tuyến Tính APD Nghiên Cứu

Mặc dù mô hình hồi quy tuyến tính là một công cụ mạnh mẽ, việc áp dụng nó trong phân tích kỹ thuật cũng đối mặt với nhiều thách thức. Thị trường chứng khoán là một hệ thống phức tạp, chịu ảnh hưởng của nhiều yếu tố khác nhau, không phải tất cả đều có thể đo lường hoặc dự đoán được. Sai số mô hình là một vấn đề thường gặp, do giả định tuyến tính có thể không phù hợp với thực tế. Ngoài ra, việc thu thập và xử lý dữ liệu, đặc biệt là dữ liệu lịch sử, cũng đòi hỏi sự cẩn trọng và kỹ năng chuyên môn. Đánh giá hiệu quả mô hình và kiểm định mô hình là các bước quan trọng để đảm bảo tính tin cậy của kết quả dự báo. Bài viết sẽ thảo luận chi tiết về các hạn chế này và đề xuất các phương pháp cải tiến mô hình.

2.1. Hạn chế của mô hình hồi quy tuyến tính trong tài chính

Mô hình hồi quy tuyến tính có một số hạn chế khi áp dụng vào tài chính. Thứ nhất, nó giả định mối quan hệ tuyến tính giữa các biến, điều này có thể không đúng trong thực tế. Thứ hai, nó nhạy cảm với các giá trị ngoại lệ (outliers) trong dữ liệu. Thứ ba, nó có thể bị ảnh hưởng bởi hiện tượng đa cộng tuyến (multicollinearity), khi các biến độc lập có mối tương quan cao với nhau. Cuối cùng, nó không thể nắm bắt được các mối quan hệ phi tuyến tính hoặc các yếu tố định tính ảnh hưởng đến giá chứng khoán.

2.2. Vấn đề dữ liệu và độ tin cậy của thông tin chứng khoán

Việc thu thập và xử lý dữ liệu chứng khoán là một thách thức lớn. Dữ liệu có thể bị thiếu, sai sót hoặc không nhất quán. Ngoài ra, thông tin trên thị trường chứng khoán có thể không đầy đủ hoặc minh bạch, dẫn đến việc phân tích dữ liệu không chính xác. Các nhà nghiên cứu cần phải cẩn trọng trong việc lựa chọn nguồn dữ liệu, kiểm tra tính hợp lệ của dữ liệu và sử dụng các phương pháp làm sạch dữ liệu để đảm bảo tính tin cậy của kết quả phân tích.

2.3. Các yếu tố tác động đến giá cổ phiếu ngoài mô hình

Giá cổ phiếu chịu ảnh hưởng của nhiều yếu tố, không chỉ là các biến số kỹ thuật. Các yếu tố kinh tế vĩ mô, chính sách tài chính, chính sách tiền tệ, tin tức doanh nghiệp, tâm lý nhà đầu tư và các sự kiện bất ngờ đều có thể tác động đến giá cổ phiếu. Mô hình hồi quy tuyến tính có thể không nắm bắt được tất cả các yếu tố này, dẫn đến sai số dự báo. Do đó, cần kết hợp phân tích hồi quy với các phương pháp phân tích khác để có cái nhìn toàn diện hơn về thị trường.

III. Phương Pháp Ứng Dụng Hồi Quy Tuyến Tính APD Chia Sẻ

Để ứng dụng mô hình hồi quy tuyến tính hiệu quả trong phân tích kỹ thuật, cần tuân thủ một quy trình chặt chẽ. Đầu tiên, cần xác định rõ mục tiêu phân tích và lựa chọn các biến số phù hợp. Tiếp theo, cần thu thập và xử lý dữ liệu, đảm bảo tính chính xác và đầy đủ. Sau đó, cần xây dựng mô hình, ước lượng các hệ số và kiểm định ý nghĩa thống kê. Cuối cùng, cần đánh giá hiệu quả mô hình và sử dụng nó để dự báo giá cổ phiếu. Bài viết sẽ trình bày chi tiết từng bước trong quy trình này, cùng với các ví dụ minh họa cụ thể.

3.1. Lựa chọn biến độc lập và biến phụ thuộc phù hợp

Việc lựa chọn biến số là một bước quan trọng trong xây dựng mô hình hồi quy. Biến phụ thuộc thường là giá cổ phiếu hoặc một chỉ số kỹ thuật liên quan đến giá. Biến độc lập có thể là các chỉ số kỹ thuật khác, chẳng hạn như đường trung bình động (Moving Average), chỉ số sức mạnh tương đối (RSI), MACD, hoặc các biến kinh tế vĩ mô. Cần lựa chọn các biến số có ý nghĩa lý thuyết và có khả năng giải thích sự biến động của giá cổ phiếu.

3.2. Xây dựng và kiểm định mô hình hồi quy tuyến tính

Sau khi lựa chọn biến số, cần xây dựng mô hình hồi quy tuyến tính. Mô hình này biểu diễn mối quan hệ giữa biến phụ thuộc và biến độc lập dưới dạng một phương trình tuyến tính. Cần sử dụng các phương pháp ước lượng (estimation) để tìm ra các hệ số của phương trình. Sau đó, cần kiểm định ý nghĩa thống kê của các hệ số và đánh giá độ phù hợp của mô hình bằng các chỉ số như R-squared và P-value.

3.3. Sử dụng phần mềm thống kê SPSS R Python để phân tích

Việc phân tích hồi quy tuyến tính thường được thực hiện bằng các phần mềm phân tích thống kê, chẳng hạn như SPSS, R, hoặc Python. Các phần mềm này cung cấp các công cụ và hàm số để thu thập dữ liệu, xử lý dữ liệu, xây dựng mô hình, ước lượng hệ số, kiểm định ý nghĩa và đánh giá hiệu quả mô hình. Việc sử dụng thành thạo các phần mềm này là rất quan trọng đối với các nhà nghiên cứu và phân tích tài chính.

IV. Ứng Dụng Thực Tế Dự Báo Giá Cổ Phiếu APD Case Study

Một ứng dụng quan trọng của mô hình hồi quy tuyến tính là dự báo giá cổ phiếu. Bằng cách sử dụng dữ liệu lịch sử và các chỉ số kỹ thuật, có thể xây dựng một mô hình để dự đoán giá cổ phiếu trong tương lai. Tuy nhiên, cần lưu ý rằng dự báo giá cổ phiếu là một nhiệm vụ khó khăn và không thể đạt được độ chính xác tuyệt đối. Sai số dự báo là điều không thể tránh khỏi, và cần phải quản lý rủi ro một cách cẩn thận. Bài viết sẽ trình bày một ví dụ minh họa về việc sử dụng hồi quy tuyến tính để dự báo giá cổ phiếu, cùng với các phân tích về ưu điểm và nhược điểm của phương pháp này.

4.1. Phân tích case study về cổ phiếu cụ thể VNDIRECT

Nghiên cứu này tập trung vào việc áp dụng mô hình hồi quy tuyến tính để phân tích và dự đoán giá cổ phiếu của công ty chứng khoán VNDIRECT. Dữ liệu lịch sử về giá cổ phiếu, khối lượng giao dịch và các chỉ số kỹ thuật khác của VNDIRECT được thu thập và sử dụng để xây dựng mô hình. Kết quả phân tích cho thấy mô hình hồi quy có thể giúp nhà đầu tư xác định các xu hướng và tín hiệu giao dịch tiềm năng, nhưng cũng cần phải cẩn trọng với các rủi ro và hạn chế của mô hình.

4.2. Đánh giá hiệu quả dự báo và quản lý rủi ro đầu tư

Sau khi xây dựng mô hình và dự báo giá cổ phiếu, cần đánh giá hiệu quả dự báo bằng cách so sánh kết quả dự báo với giá thực tế. Các chỉ số như sai số trung bình tuyệt đối (MAE), sai số bình phương trung bình (MSE) và sai số gốc bình phương trung bình (RMSE) có thể được sử dụng để đo lường độ chính xác của dự báo. Ngoài ra, cần phải quản lý rủi ro đầu tư bằng cách sử dụng các công cụ như stop loss và take profit.

V. Kết Luận và Hướng Phát Triển APD Nghiên Cứu Tương Lai

Mô hình hồi quy tuyến tính là một công cụ hữu ích trong phân tích kỹ thuật và dự báo giá cổ phiếu. Tuy nhiên, nó không phải là một giải pháp hoàn hảo và cần được sử dụng một cách cẩn trọng. Trong tương lai, có thể cải tiến mô hình bằng cách kết hợp nó với các phương pháp phân tích khác, sử dụng các mô hình phức tạp hơn (ví dụ: mô hình hồi quy đa biến, mô hình hồi quy phi tuyến), hoặc áp dụng các kỹ thuật học máy tiên tiến. Học viện Chính sách và Phát triển có thể đóng vai trò quan trọng trong việc nghiên cứu và phát triển các ứng dụng mới của hồi quy tuyến tính trong lĩnh vực tài chính và đầu tư.

5.1. Tổng kết ưu điểm và nhược điểm của mô hình

Ưu điểm của mô hình hồi quy tuyến tính bao gồm tính đơn giản, dễ hiểu và dễ thực hiện. Nó cũng cung cấp các kết quả có thể giải thích được và có thể được sử dụng để dự báo giá cổ phiếu. Nhược điểm của mô hình bao gồm giả định tuyến tính, nhạy cảm với giá trị ngoại lệ và khả năng bị ảnh hưởng bởi đa cộng tuyến. Ngoài ra, nó không thể nắm bắt được các mối quan hệ phi tuyến tính hoặc các yếu tố định tính.

5.2. Đề xuất cải tiến mô hình và hướng nghiên cứu tiếp theo

Để cải tiến mô hình, có thể sử dụng các kỹ thuật như chuẩn hóa dữ liệu, loại bỏ giá trị ngoại lệ, hoặc sử dụng các mô hình hồi quy phức tạp hơn. Ngoài ra, có thể kết hợp hồi quy tuyến tính với các phương pháp phân tích khác, chẳng hạn như phân tích chuỗi thời gian hoặc phân tích kỹ thuật dựa trên các chỉ báo kỹ thuật. Hướng nghiên cứu tiếp theo có thể tập trung vào việc áp dụng các kỹ thuật học máy tiên tiến để dự báo giá cổ phiếu.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Thị trường chứng khoán Việt Nam sau hơn 20 năm hình thành và phát triển đã khẳng định vai trò là "phong vũ biểu" của nền kinh tế, đóng vai trò là kênh huy động vốn trung và dài hạn quan trọng cũng như cửa ngõ liên thông với thị trường tài chính quốc tế. Trong những năm gần đây, thị trường thu hút mạnh mẽ sự tham gia của nhiều nhóm nhà đầu tư, từ các cá nhân nhỏ lẻ đến các tổ chức chuyên nghiệp với đa dạng chiến lược giao dịch nhằm tìm kiếm tỷ suất sinh lời cao. Tuy nhiên, đi kèm với tiềm năng lợi nhuận là mức độ rủi ro lớn.

Thực tiễn thị trường cho thấy tính minh bạch của số liệu đôi khi còn hạn chế, các rào cản và kẽ hở hành lang pháp lý tạo điều kiện cho các hành vi thao túng giá diễn ra. Trong bối cảnh đó, các báo cáo phân tích thuần túy định tính không còn đáp ứng đầy đủ nhu cầu ra quyết định khách quan của nhà đầu tư. Vấn đề đặt ra là việc ứng dụng tài chính định lượng, cụ thể là các mô hình học máy kết hợp với phân tích kỹ thuật, có thể hỗ trợ chuẩn hóa quy trình phân tích và dự báo biến động giá trên thị trường chứng khoán Việt Nam hay không.

Khóa luận được xây dựng với hệ thống mục tiêu và nhiệm vụ nghiên cứu cụ thể như sau:

1. Mục tiêu chung:

   • Hệ thống hóa tổng quan cơ sở lý thuyết về học máy (Machine Learning) và phương pháp phân tích kỹ thuật.
   • Đi sâu vào nghiên cứu, phân tích và dự báo biến động giá cổ phiếu của Công ty Cổ phần Chứng khoán VNDIRECT (mã chứng khoán: VND) trong giai đoạn 2017 – 2022.

2. Mục tiêu cụ thể:

   • Ứng dụng ngôn ngữ lập trình Python để thu thập dữ liệu và xây dựng các công cụ, chỉ báo trong phân tích kỹ thuật.
   • Ứng dụng lập trình Python triển khai thuật toán hồi quy tuyến tính phục vụ dự báo chuỗi giá.
   • Đánh giá, rút ra các ưu điểm và hạn chế của thuật toán hồi quy tuyến tính khi ứng dụng vào dữ liệu chuỗi thời gian tài chính.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Dữ liệu giá, khối lượng giao dịch và các chỉ báo phân tích kỹ thuật của cổ phiếu Công ty Cổ phần Chứng khoán VNDIRECT (mã: VND).
• Phạm vi không gian: Dữ liệu giao dịch thực tế trên thị trường chứng khoán Việt Nam.
• Phạm vi thời gian: Giai đoạn từ năm 2017 đến năm 2022.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình nghiên cứu

Nghiên cứu tích hợp hai trụ cột lý thuyết chính: phương pháp phân tích kỹ thuật trong tài chính và các thuật toán học máy thống kê (học có giám sát).

1. Lý thuyết Học máy (Machine Learning):

   • Học có giám sát (Supervised Learning): Xây dựng hàm mục tiêu ánh xạ từ không gian biến đầu vào sang biến mục tiêu liên tục (bài toán hồi quy) hoặc nhãn rời rạc (bài toán phân loại).
   • Học không giám sát (Unsupervised Learning): Nhận diện cấu trúc phân bố, phân cụm dữ liệu mà không có nhãn trước (như K-Means, GMM, Hierarchical Clustering, PCA, t-SNE).
   • Học bán giám sát (Semi-supervised Learning): Kết hợp tập dữ liệu có nhãn và không có nhãn để tối ưu hóa hiệu quả phân lớp.

2. Lý thuyết Phân tích kỹ thuật và Chỉ báo tài chính:

   • Biểu đồ giá: Sử dụng biểu đồ đường (Line chart), biểu đồ thanh (Bar chart) và biểu đồ nến Nhật Bản (Candlestick chart) bao gồm 4 mức giá then chốt: Mở cửa (Open), Cao nhất (High), Thấp nhất (Low), Đóng cửa (Close).
   • Đường trung bình động giản đơn (Simple Moving Average - SMA): Xác định xu hướng vận động trung bình của giá trong một khoảng thời gian $n$ phiên theo công thức: $$\text{SMA} = \frac{A_1 + A_2 + \dots + A_n}{n}$$
   • Chỉ số sức mạnh tương đối (Relative Strength Index - RSI): Chỉ báo đo lường động lượng trên thang đo từ 0 đến 100 theo chu kỳ 14 ngày, phân tách thành vùng quá mua ($>70$) và vùng quá bán ($<30$): $$\text{RSI} = 100 - \frac{100}{1 + \text{RS}}$$ (trong đó $\text{RS}$ là tỷ số giữa trung bình mức tăng và trung bình mức giảm).
   • Đường trung bình động hội tụ phân kỳ (MACD): Đo lường tính hội tụ/phân kỳ giữa hai đường trung bình hàm mũ EMA(12) và EMA(26), kết hợp đường Signal (EMA(9) của MACD) và đường Histogram.
   • Chỉ số khối lượng cân bằng (On Balance Volume - OBV): Phản ánh áp lực tích lũy hoặc phân phối của dòng tiền dựa trên biến động giá đóng cửa kết hợp khối lượng giao dịch.

3. Mô hình Hồi quy tuyến tính (Linear Regression):

   • Thiết lập phương trình biểu diễn mối quan hệ tuyến tính: $Y = W_1X + W_0$.
   • Tối ưu hóa hệ số thông qua hàm mất mát (Loss Function) đo sai số bình phương trung bình: $$J = \frac{1}{2N} \sum_{i=1}^{N} (\hat{Y}_i - Y_i)^2$$
   • Thước đo kiểm định và đánh giá sai số mô hình: Hệ số xác định hiệu chỉnh ($R^2$), Sai số tuyệt đối trung bình (MAE) và Căn bậc hai sai số toàn phương trung bình (RMSE): $$\text{MAE} = \frac{1}{n} \sum_{i=1}^{n} |y_i - \hat{y}i|$$ $$\text{RMSE} = \sqrt{\frac{1}{n} \sum{i=1}^{n} (y_i - \hat{y}_i)^2}$$

Phương pháp nghiên cứu và Nguồn dữ liệu

• Phương pháp thu thập dữ liệu: Khai thác dữ liệu lịch sử giá và khối lượng giao dịch cổ phiếu thông qua giao diện lập trình của các thư viện Python (pandas_datareader, yfinance), kết hợp tham chiếu từ các cơ sở dữ liệu chứng khoán như Yahoo Finance, Cophieu68.vn, SEC, Stockbiz.
• Phương pháp xử lý và mô hình hóa: Xử lý dữ liệu dạng bảng với thư viện pandas, chuyển đổi định dạng thời gian (datetime), tính toán chuỗi chỉ số kỹ thuật và triển khai thuật toán hồi quy.
• Phương pháp thống kê mô tả và trực quan hóa: Sử dụng thư viện matplotlib, seaborn, mpl_finance để vẽ đồ thị giá chuỗi thời gian, biểu đồ nến OHLC, các đường xu hướng kỹ thuật và đồ thị so sánh giữa giá trị thực tế với giá trị dự báo.
• Phương pháp phối hợp tín hiệu: Áp dụng thuật toán lọc tín hiệu giao dịch theo nguyên tắc đa số (Majority Voting Rule), phát tín hiệu Mua/Bán khi có ít nhất 2 trên 3 chỉ báo (MACD, RSI, OBV) đồng thuận.

---

Nội dung chính theo từng chương

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT

Chương 1 thiết lập nền tảng lý thuyết toàn diện về Trí tuệ nhân tạo, Học máy và Phân tích kỹ thuật trong tài chính:

• Tổng quan học máy: Khái quát tiến trình phát triển từ Cách mạng công nghiệp lần thứ nhất đến Cách mạng 4.0; định nghĩa học máy theo Arthur Samuel (1959) và Tom Mitchell (1997). Phân loại chi tiết ba nhánh học máy chính (học có giám sát, học không giám sát, học bán giám sát), làm rõ các ưu điểm và hạn chế trong việc sử dụng dữ liệu gắn nhãn và không gắn nhãn.
• Cơ sở phân tích kỹ thuật: Phân tích bản chất của phương pháp nghiên cứu hành vi giá trong quá khứ nhằm nhận diện xu hướng ngắn hạn. Trình bày chi tiết cấu tạo, cách đọc và ý nghĩa phân tích của ba dạng biểu đồ: biểu đồ đường (Line chart), biểu đồ thanh (Bar chart) và biểu đồ nến Nhật Bản (Candlestick chart).
• Nguyên lý các chỉ báo kỹ thuật: Phân loại chỉ báo giá (SMA) và chỉ báo động lượng (RSI, MACD, OBV). Làm rõ các ngưỡng giao dịch kỹ thuật:
  • Ngưỡng RSI quá mua ($>70$) và quá bán ($<30$).
  • Tín hiệu giao cắt giữa đường MACD và đường Signal, cũng như sự hội tụ/phân kỳ của MACD Histogram so với trục 0.
  • Tín hiệu lũy kế khối lượng của chỉ báo OBV trong việc phát hiện sự phân kỳ đảo chiều của xu hướng.
• Lý thuyết hồi quy tuyến tính: Trình bày mô hình hồi quy đơn biến và hồi quy bội, thiết lập bài toán tối ưu hàm mất mát để tìm tham số $w_0, w_1$. Trình bày các tiêu chuẩn thống kê kiểm định mô hình gồm $R^2$, MAE, RMSE; đồng thời chỉ ra nhược điểm lớn của hồi quy tuyến tính là tính nhạy cảm cao đối với các điểm dữ liệu nhiễu (outliers).

CHƯƠNG 2: ỨNG DỤNG PYTHON TRONG PHÂN TÍCH KỸ THUẬT

Chương 2 tập trung vào việc hiện thực hóa các công cụ phân tích kỹ thuật trên dữ liệu cổ phiếu VND (CTCP Chứng khoán VNDIRECT) thông qua ngôn ngữ Python:

• Quy trình thu thập và tiền xử lý dữ liệu: Sử dụng yfinance và pandas_datareader trích xuất tập dữ liệu giao dịch của mã VND với 7 trường thông tin: Date (Thời gian), Open (Giá mở cửa), High (Giá cao nhất), Low (Giá thấp nhất), Close (Giá đóng cửa), Adj Close (Giá đóng cửa điều chỉnh), và Volume (Khối lượng giao dịch).
• Phân tích diễn biến giá thực tế: Trực quan hóa biến động giá đóng cửa của VND giai đoạn 2017 – 2022. Ghi nhận giai đoạn tăng trưởng mạnh từ đầu tháng 01/2018 đến cuối tháng 05/2018 khi giá tăng từ mức 15.000 đồng/cổ phiếu lên gần 35.000 đồng/cổ phiếu (mức tăng xấp xỉ 130%), sau đó giảm sâu trở lại trong hơn 2 tháng và đi ngang cho đến đợt phục hồi mạnh vào cuối tháng 09/2020.
• Xây dựng hệ thống đồ thị và chỉ báo:
  • Lập trình vẽ biểu đồ nến bằng hàm candlestick_ohlc từ thư viện mpl_finance.
  • Tính toán và vẽ đồng thời ba đường trung bình động: SMA-20 (ngắn hạn), SMA-50 (trung hạn), và SMA-100 (dài hạn).
  • Lập trình chỉ báo RSI chu kỳ 14 ngày, thiết lập hai đường ngưỡng giới hạn 70 và 30 để tạo bộ lọc tín hiệu Mua/Bán tự động.
  • Lập trình chỉ báo MACD (dựa trên EMA 12 và EMA 26), đường Signal (EMA 9 của MACD) và Histogram; thiết lập thuật toán xác định điểm giao cắt.
  • Lập trình chỉ báo OBV lũy kế và đường trung bình động của OBV (OBV_EMA).
• Tổng hợp và kiểm thử quy tắc giao dịch kết hợp (Final Signal): Tác giả xây dựng thuật toán quét toàn bộ chuỗi dữ liệu lịch sử để phát hiện các tín hiệu đồng thuận khi có ít nhất 2 trong 3 chỉ báo (OBV, MACD, RSI) cùng xác nhận vị thế. Bảng tổng hợp một số điểm giao dịch tiêu biểu được trích xuất từ kết quả thực nghiệm:

Ngày giao dịch	Tín hiệu OBV	Tín hiệu MACD	Tín hiệu RSI	Mức giá xác định (VNĐ)	Tín hiệu tổng hợp
2017-08-21	Bán	Bán	Mua	17.793,6	Bán
2018-03-22	Bán	Bán	Giữ	28.800,0	Bán
2018-04-18	Bán	Bán	Giữ	33.650,0	Bán
2018-06-05	Mua	Mua	Giữ	19.650,0	Mua
2019-03-19	Bán	Bán	Giữ	18.200,0	Bán
2019-07-22	Bán	Bán	Giữ	15.200,0	Bán
2020-01-21	Mua	Mua	Giữ	14.400,0	Mua
2020-02-03	Bán	Bán	Giữ	14.550,0	Bán
2020-04-09	Mua	Mua	Giữ	10.900,0	Mua

CHƯƠNG 3: TRIỂN KHAI THUẬT TOÁN HỒI QUY TUYẾN TÍNH TRONG DỰ BÁO GIÁ CỔ PHIẾU

Chương 3 trình bày bối cảnh doanh nghiệp nghiên cứu thực nghiệm và triển khai mô hình học máy:

• Tổng quan về Công ty Cổ phần Chứng khoán VNDIRECT:
  • Thông tin pháp nhân: Thành lập ngày 07/11/2006 (đã hoạt động 16 năm tính đến thời điểm viết khóa luận), mã chứng khoán: VND, địa chỉ trụ sở tại số 01 Nguyễn Thượng Hiền, phường Nguyễn Du, quận Hai Bà Trưng, Hà Nội; người đại diện theo pháp luật: Điêu Ngọc Tuấn.
  • Quá trình phát triển và bối cảnh ngành: Gắn liền với sự kiện thành lập thị trường chứng khoán Việt Nam (ngày 28/07/2000 tại Trung tâm Giao dịch Chứng khoán TP.HCM). Khái quát các mốc pháp lý quan trọng định hình hoạt động của công ty: Nghị định số 144/2003/NĐ-CP và Luật Chứng khoán năm 2006.
  • Các mốc hợp tác chiến lược: Ngày 29/01/2013 gia nhập Hiệp hội Thương mại điện tử Việt Nam (VECOM); ngày 21/05/2013 ký kết hợp tác phân phối chứng chỉ quỹ mở với Công ty TNHH Quản lý Quỹ Eastspring Investments (thuộc Tập đoàn Prudential - Anh Quốc); năm 2014 ký thỏa thuận hợp tác chiến lược với Công ty Chứng khoán Quốc tế CIMB (Singapore) trong nghiên cứu phân tích và dịch vụ thị trường vốn.
• Triển khai thuật toán hồi quy trên Python: Ứng dụng mô hình hồi quy để ước lượng xu hướng vận động của giá cổ phiếu VND, so sánh đối chiếu giữa đường giá thực tế, đường trung bình động SMA-10 và chuỗi giá trị dự báo từ mô hình hồi quy; đánh giá độ lệch dựa trên các thước đo sai số thống kê.

---

Kết quả và đóng góp

Kết quả nghiên cứu chính

1. Chuẩn hóa quy trình thu thập và xử lý dữ liệu tài chính bằng Python: Đề tài đã xây dựng thành công bộ mã nguồn thu thập dữ liệu lịch sử tự động từ các nguồn trực tuyến (thông qua yfinance và pandas_datareader), xử lý làm sạch tập dữ liệu OHLCV giai đoạn 2017 – 2022 của cổ phiếu VND.
2. Hiện thực hóa 4 nhóm chỉ báo kỹ thuật cốt lõi: Lập trình hoàn chỉnh các thuật toán tính toán và vẽ đồ thị cho các công cụ: biểu đồ nến Nhật Bản (mpl_finance), hệ thống 3 đường trung bình động (SMA-20, SMA-50, SMA-100), chỉ số sức mạnh tương đối RSI (14 ngày), chỉ báo MACD (12-26-9) và chỉ báo dòng tiền OBV.
3. Xây dựng quy tắc phát tín hiệu đa chỉ báo (Voting System): Đề xuất và kiểm thử thành công hệ thống lọc nhiễu dựa trên nguyên tắc đồng thuận 2/3 chỉ báo (MACD, RSI, OBV). Quy tắc này giúp loại bỏ nhiều tín hiệu nhiễu đơn lẻ, xác định được các thời điểm vào lệnh (Mua) và thoát lệnh (Bán) rõ ràng trong các đợt biến động giá lớn của cổ phiếu VND (điển hình như các tín hiệu bán vùng giá cao năm 2018 tại 28.800 – 33.650 đồng và tín hiệu mua bắt đáy tháng 04/2020 tại mức 10.900 đồng).
4. Đánh giá thực nghiệm thuật toán hồi quy tuyến tính: Ứng dụng mô hình hồi quy để mô phỏng mối quan hệ tuyến tính của giá cổ phiếu, chỉ ra sự tương quan và độ lệch sai số thông qua các chỉ số MAE, RMSE và $R^2$.

Đóng góp của đề tài

• Về mặt học thuật và phương pháp luận: Kết nối giữa lý thuyết học máy cơ bản (Machine Learning) với lĩnh vực phân tích tài chính định lượng trên thị trường chứng khoán Việt Nam, cung cấp quy trình phân tích kết hợp giữa thống kê toán học và phân tích kỹ thuật truyền thống.
• Về mặt ứng dụng thực tiễn: Cung cấp khung lập trình Python mẫu cho phép tự động hóa việc tính toán chỉ báo và trích xuất tín hiệu giao dịch, giúp giảm thiểu tính chủ quan và định tính của nhà phân tích khi theo dõi bảng điện tử.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

• Độ nhạy cảm của thuật toán Hồi quy tuyến tính: Thuật toán hồi quy tuyến tính có nhược điểm lớn là đặc biệt nhạy cảm với các điểm dữ liệu nhiễu (outliers). Chỉ cần xuất hiện một vài điểm dữ liệu bất thường hoặc các phiên biến động giá cực đoan, đường hồi quy sẽ bị sai lệch đáng kể.
• Giới hạn của giả định tuyến tính: Chuỗi giá chứng khoán trong thực tế có tính phi tuyến và biến động phức tạp dưới tác động của tâm lý thị trường, do đó một đường thẳng tuyến tính khó có thể phản ánh trọn vẹn toàn bộ quy luật biến động giá trong dài hạn.
• Độ trễ của các chỉ báo kỹ thuật: Các đường trung bình động (SMA) và chỉ báo động lượng có độ phản ứng tương đối chậm so với những biến động giá ngắn hạn, dẫn đến việc phát tín hiệu đôi khi bị trễ so với điểm đảo chiều thực tế của thị trường.
• Phạm vi mẫu nghiên cứu: Thực nghiệm mới chỉ tập trung vào một mã cổ phiếu đơn lẻ (VND) trong một khung thời gian cụ thể (2017 – 2022), chưa mở rộng kiểm thử trên toàn bộ rổ chỉ số hoặc các nhóm ngành khác.

Hướng nghiên cứu tiếp

• Nâng cao kỹ thuật tiền xử lý dữ liệu và lọc nhiễu trước khi đưa vào mô hình huấn luyện.
• Mở rộng nghiên cứu áp dụng các thuật toán học máy phi tuyến và mô hình chuỗi thời gian nâng cao để cải thiện độ chính xác dự báo.
• Kiểm thử mở rộng chiến lược giao dịch đa chỉ báo trên tập mẫu lớn gồm nhiều nhóm cổ phiếu khác nhau trên thị trường chứng khoán Việt Nam.

---

Giá trị tham khảo

• Đối tượng thụ hưởng:
  • Sinh viên, học viên chuyên ngành Kinh tế số, Tài chính - Ngân hàng, Công nghệ Tài chính (Fintech) và Khoa học dữ liệu ứng dụng.
  • Các nhà đầu tư cá nhân và chuyên viên phân tích định lượng đang tìm kiếm phương pháp lập trình tự động hóa các chỉ báo kỹ thuật.
• Nội dung có giá trị tham khảo cao:
  • Cấu trúc thuật toán và các đoạn mã nguồn Python triển khai trích xuất dữ liệu, vẽ biểu đồ nến và tính toán các chỉ báo kỹ thuật (SMA, RSI, MACD, OBV).
  • Thuật toán kết hợp tín hiệu đa chỉ báo theo nguyên tắc đồng thuận số đông (2/3) nhằm tối ưu hóa điểm vào/ra thị trường.
  • Khung lý thuyết và công thức toán học về hàm mất mát, các thước đo kiểm định sai số mô hình hồi quy ($R^2$, MAE, RMSE).

---

Câu hỏi thường gặp

1. Khóa luận sử dụng đối tượng và phạm vi dữ liệu nào để thực hiện phân tích thực nghiệm?
Nghiên cứu tập trung vào chuỗi dữ liệu giá và khối lượng giao dịch lịch sử của cổ phiếu Công ty Cổ phần Chứng khoán VNDIRECT (mã chứng khoán: VND) niêm yết trên thị trường chứng khoán Việt Nam trong phạm vi thời gian từ năm 2017 đến năm 2022.

2. Các thư viện lập trình Python nào được tác giả sử dụng chính trong đề tài?
Tác giả sử dụng pandas_datareader, yfinance, và datetime để thu thập dữ liệu; pandas để xử lý cấu trúc dữ liệu bảng; matplotlib.pyplot và seaborn để vẽ đồ thị thống kê; cùng với mpl_finance (hàm candlestick_ohlc) để dựng biểu đồ nến Nhật Bản.

3. Chiến lược kết hợp tín hiệu giao dịch trong Chương 2 được thiết lập theo nguyên tắc nào?
Chiến lược giao dịch được xây dựng dựa trên nguyên tắc đồng thuận đa số: hệ thống quét 3 chỉ báo kỹ thuật độc lập (MACD, RSI, OBV); nếu có từ 2 trong 3 chỉ báo cùng phát tín hiệu "Mua" hoặc cùng phát tín hiệu "Bán", hệ thống sẽ đưa ra quyết định giao dịch tổng hợp tương ứng (Final_Signal), trường hợp ngược lại sẽ duy trì trạng thái "Giữ".

4. Khóa luận chỉ ra nhược điểm cốt lõi nào của thuật toán Hồi quy tuyến tính khi ứng dụng vào giá chứng khoán?
Nhược điểm lớn nhất được tác giả nhấn mạnh là mô hình hồi quy tuyến tính rất nhạy cảm với dữ liệu nhiễu (outliers). Trong dữ liệu chuỗi thời gian tài chính, chỉ cần một điểm dữ liệu dị biệt cũng có thể làm sai lệch hoàn toàn tham số của đường hồi quy, đòi hỏi quy trình tiền xử lý dữ liệu phải cực kỳ chặt chẽ.

5. Khóa luận đề cập đến những mốc pháp lý và sự kiện liên kết quan trọng nào của CTCP Chứng khoán VNDIRECT?
Khóa luận nêu rõ VNDIRECT được thành lập ngày 07/11/2006 sau dấu mốc của Nghị định 144/2003/NĐ-CP và Luật Chứng khoán 2006. Công ty gia nhập VECOM ngày 29/01/2013, hợp tác phân phối chứng chỉ quỹ với Eastspring Investments (thuộc Prudential) ngày 21/05/2013 và ký hợp tác chiến lược với CIMB (Singapore) vào năm 2014.

---

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Hải Ninh đã hoàn thành việc hệ thống hóa cơ sở lý thuyết về học máy có giám sát và các công cụ phân tích kỹ thuật kinh điển trong tài chính. Đề tài đã xây dựng thành công khung lập trình Python thực nghiệm để tự động hóa việc tính toán các chỉ báo (SMA, RSI, MACD, OBV), đồng thời đề xuất cơ chế lọc tín hiệu giao dịch đa chỉ báo áp dụng trên cổ phiếu VND giai đoạn 2017 – 2022. Mặc dù mô hình hồi quy tuyến tính bộc lộ những giới hạn nhất định trước tính chất nhiễu của dữ liệu chuỗi thời gian, công trình vẫn mang lại giá trị tham khảo thiết thực về phương pháp kết hợp công nghệ thông tin vào phân tích đầu tư tài chính định lượng.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT 1.1 Tổng quan về học máy. Trong thời gian gần đây, Trí tuệ nhân tạo (tiếng anh: Artificial intelligence) được viết tắt: AI đanng trở thành một xu hướng và đang nổi lên như một minh chứng cho cuộc cách mạng công nghiệp 4. Sau cuộc cách mạng công nghiệp lần thứ nhất của động cơ hơi nước (bắt đầu vào khoảng những năm 1784 đến năm 1840), cuộc cách mạng công nghiệp 2.0 về năng lượng điện (được diễn ra từ năm 1871- 1914) và cách mạng công nghiệp 3.0 của cách mạng kỹ thuật số. Và hiện tại Trí tuệ nhân đang dần khẳng định mình đã và đang trở thành nhân tố cốt lõi trong các hệ thống công nghệ cao.1 Khái niệm Machine Learning.

 Theo định nghĩa tổng quát: Machine learning là lĩnh vực nghiên cứu nhầm giúp máy tính có khả năng học mà không cần lập trình một cách tường minh. Arthur Samuel, 1959  Theo định nghĩa mang tính kỹ thuật: Machine learning là một chương trình máy tính được cho là học từ kinh nghiệm E và tác vụ T và cho phép đo chất lượng P, sẽ được cải thiện dựa theo kinh nghiệm E. Tom Mitchell, 1997  Tổng quát hơn có thể giới thiệu Machine learning: Machine Learning hay được gọi với Học máy là một lĩnh vực của Trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ dữ liệu để giải quyết những vấn đề cụ thể. Máy học là cách trích xuất kiến thức từ dữ liệu.

Nó là một lĩnh vực tập trung vào sự phức tạp của các giải thuật trong việc thực thi tính toán, nghiên cứu ở giao điểm của Thống kê, Trí tuệ nhân tạo và Khoa học máy tính và còn được gọi là phân tích dự đoán hoặc học thống kê. Học máy hiện nay được áp dụng rộng rãi bao gồm máy truy tìm dữ liệu, chẩn đoán y khoa, phát hiện thẻ tín dụng giả, phân tích thị trường chứng khoán, phân loại các chuỗi DNA, nhận dạng tiếng nói và chữ viết, dịch tự động. Khái niệm học máy Học máy (tiếng anh: Machine Learning) là một lĩnh vực của Trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ dữ liệu để giải quyết những vấn đề cụ thể. Máy học là cách trích xuất kiến thức từ dữ liệu, là một lĩnh vực tập trung vào sự phức tạp của các giải thuật trong việc thực thi tính toán, nghiên cứu ở giao điểm của Thống kê, Trí tuệ nhân tạo và Khoa học máy tính và còn được gọi là phân tích dự đoán hoặc học thống kê.

Các kĩ thuật trong Học máy a. Học có giám sát Học có giám sát (Supervised Learning) là một kĩ thuật của ngành học máy để xây dựng một hàm (Function) từ dữ liệu huấn luyện. Dữ liệu huấn luyện bao gồm các cặp gồm đối tượng đầu vào (thường dạng Vectơ), và đầu ra mong muốn. Đầu ra của một hàm có thể là một giá trị liên tục (Hồi quy), hay có thể là dự đoán một nhãn phân loại cho một đối tượng đầu vào (Phân loại).

Nhiệm vụ của chương trình học có giám sát là dự đoán giá trị của hàm cho một đối tượng bất kì là đầu vào hợp lệ, sau khi đã xem xét một số ví dụ huấn luyện (nghĩa là, các cặp đầu vào và đầu ra tương ứng).  Xác định cấu trúc của hàm chức năng cần tìm và giải thuật học tương ứng.  Hoàn thành thiết kế. Ưu diểm: Học có giám sát cho phép thu thập dữ liệu và tạo ra dữ liệu đầu ra từ những kinh nghiệm trước đó.

Giúp tối ưu hóa các tiêu chí hiệu suất với sự trợ giúp của kinh nghiệm và giúp giải quyết nhiều vấn đề trong thực tế Nhược điểm: Việc đào tạo các mô hình giải quyết bài toàn cho học có giám sát cần rất nguồn lực và thời gian để có thể tính toán việc này đòi hỏi rất nhiều thời gian.a Ví dụ về học có giám sát. Học không giám sát Học không giám sát (Unsupervised Learning) là một phương pháp của ngành học máy nhằm tìm ra một mô hình mà phù hợp với các quan sát. Nó khác biệt với học có giám sát ở chỗ là đầu ra đúng tương ứng cho mỗi đầu vào là không biết trước. Trong học không có giám sát, một tập dữ liệu đầu vào được thu thập.

Học không có giám sát thường đối xử với các đối tượng đầu vào như là một tập các biến ngẫu nhiên. Sau đó, một mô hình mật độ kết hợp sẽ được xây dựng cho tập dữ liệu đó. Học không có giám sát có thể được dùng kết hợp với suy luận Bayes để cho ra xác suất có điều kiện (nghĩa là học có giám sát) cho bất kì biến ngẫu nhiên nào khi biết trước các biến khác. Học không có giám sát cũng hữu ích cho việc nén dữ liệu: về cơ bản, mọi giải thuật nén dữ liệu hoặc là dựa vào một phân bố xác suất trên một tập đầu vào một cách tường minh hay không tường minh.

Một dạng khác của học không có giám sát là phân nhóm dữ liệu, nó đôi khi không mang tính xác suất. Các thuật toán của Học không giám sát:  K-mean  Mô hình hỗn hợp Gaussian  Phân cụm phân cấp  PCA / T-SNE  KNN Ưu diểm: Học không có giám sát được sử dụng cho các tác vụ phức tạp hơn so với học có giám sát bởi vì trong học không giám sát chúng ta không có dữ liệu đầu vào được gắn nhãn Học không giám sát được ưu tiên hơn vì dễ dàng lấy dữ liệu không được dán nhãn so với dữ liệu được dán nhãn. Nhược điểm: Học không giám sát về bản chất khó hơn học có giám sát vì nó không có đầu ra tương ứng Kết quả của thuật toán học không giám sát có thể kém chính xác hơn do dữ liệu đầu vào không được gắn nhãn và thuật toán không biết trước kết quả chính xác. Ví dụ về học không giám sát Nguồn: javatpoint.

Học bán giám sát Học bán giám sát (Semi-supervised learning) là một loại thuật toán Học máy nằm giữa Học máy có giám sát và Học máy không giám sát. Nó đại diện cho nền tảng trung gian giữa các thuật toán Học tập được giám sát (Có dữ liệu đào tạo được gắn nhãn) và Học không giám sát (không có dữ liệu đào tạo được gắn nhãn) và sử dụng kết hợp các bộ dữ liệu được gắn nhãn và không được gắn nhãn trong suốt thời gian đào tạo. Nhiệm vụ của học bán giám sát: là huấn luyện tập phân lớp tốt hơn học có giám sát từ dữ liệu gán nhãn và chưa gán nhãn.2 Tổng quan Phương pháp phân tích kỹ thuật Trong phân tích chứng khoán các nhà đầu tư sẽ lựa chọn một trong hai phương pháp phân tích chứng khoán là Phân tích cơ bản và phân tích kỹ thuật. Đối với phương pháp phân tích cơ bản các nhà đầu tư đo lường các yếu tố kinh tế, tài chính và các yếu tố khác (bằng yếu tố định lượng và định tính) để xác định các cơ hội mà giá trị của cổ phiếu thay đổi so với giá thị trường hiện tại của cổ phiếu.

Vây đối với Phân tích kỹ thuật các nhà đầu tư quyết định đầu tư bằng các yếu tố nào, thì trong phần này bài sẽ tổng quát về phân tích kỹ thuật để làm rõ những yếu tố đó.1 Khái niệm Phân tích kỹ thuật Phân tích kỹ thuật là phương pháp giải thích hành động giá của một cổ phiếu công ty. Phân tích kỹ thuật giúp xác định các mô hình và hành vi giá có liên quan trong lịch để xác định hướng tiềm năng của sản phẩm tài chính. Phương pháp này chỉ tập trung vào phân tích giá, không tập trung vào phân tích hoạt động cơ bản về dữ liệu kinh tế, tin tức… 1.2 Ưu điểm của Phân tích kỹ thuật Xác định thời điểm thích hợp. Một số nhà phân tích sử dụng phân tích cơ bản để quyết định mua gì và phân tích kỹ thuật để quyết định khi nào mua.

Diễn biến giá thường đi trước phân tích cơ bản. Bằng cách tập trung vào diễn biến giá cả, các nhà phân tích kỹ thuật sẽ dự đoán được giá tương lai. Phân tích biểu đồ đơn giản có thể giúp xác định mức hỗ trợ và kháng cự. Chúng thường được đánh dấu bởi các khoảng thời gian nghẽn giao dịch, trong đó giá di chuyển trong phạm vi hạn hẹp trong một khoảng thời gian dài cho ta biết rằng lực cung và cầu đã bế tắc.3 Nhược điểm của phân tích kỹ thuật Không phải tất cả tín hiệu và mô hình kỹ thuật đều hoạt động đúng.

Khi bạn bắt đầu nghiên cứu phân tích kỹ thuật bạn sẽ gặp một loạt các mô hình và chỉ số với các quy tắc để kết hợp. Phân tích kỹ thuật là chủ quan và những ý kiến cá nhân của chúng ta có thể được phản ánh trong phân tích. Điều quan trọng là phải nhận thức được những ý kiến này khi phân tích biểu đồ. Nếu nhà phân tích thị trường bullish, thì xu hướng tăng sẽ làm lu mờ sự phân tích.

Mặt khác, nếu nhà phân tích tin rằng thị trường bearish thì phân tích sẽ nghiêng về xu hướng giảm.4 Công cụ Phân tích kỹ thuật Phương pháp Phân tích kỹ thuật chủ yếu sử dụng đồ thị giá, khối lượng và chỉ báo thống kê khác nhau để xác định mức hỗ trợ (kháng cự), phạm vi và xu hướng. Phân tích kỹ thuật được sử dụng cho giao dịch ngắn hạn, phụ thuộc vào biểu đồ chứng khoán và biến động giá cả.1 Biểu đồ giá Biểu đồ đóng vai trò như bức tranh nơi câu chuyện được kể. Các loại biểu đồ phổ biến là biểu đồ nền, thanh và đường. Biểu đồ có thể biểu thị giá nơi giao dịch đã được thực hiện.

Khung thời gian biểu đồ có thể chỉ định thông qua cài đặt. Biểu đồ Đường (Line chart) Biểu đồ đường là loại biểu đồ quen thuộc, được sử dụng phổ biến trong các ngành khoa học dùng để mô phỏng các hiện tượng kinh tế và xã hội vì tính trực quan và dễ hiểu. Đối với chứng khoán, biểu đồ đường đơn giản là hình ảnh thể hiện xu hướng thay đổi của giá theo thời gian. Dữ liệu về giá sử dụng trong biểu đồ thường là giá đóng cửa khi kết thúc phiên giao dịch của chứng khoán.

Ưu điểm của dạng biểu đồ này chính là sự đơn giản, các nhà phân thích có thể dễ dàng nhận biết được xu hướng của giá ngay khi nhìn vào biểu đồ.a Biểu đồ biến động giá ngân hàng VCB Nguồn:google b.