Bối cảnh và vấn đề nghiên cứu

Thị trường chứng khoán là một kênh đầu tư có tiềm năng sinh lời cao nhưng luôn đi kèm với mức độ biến động phức tạp và rủi ro lớn. Việc đưa ra quyết định giao dịch đòi hỏi nhà đầu tư phải liên tục cập nhật, phân tích đa dạng nguồn thông tin từ kinh tế vĩ mô, tình hình chính trị cho đến báo cáo tài chính của từng doanh nghiệp. Nhằm giải quyết các rào cản về năng lực phân tích dữ liệu lớn và tâm lý giao dịch của nhà đầu tư cá nhân, khóa luận tốt nghiệp ngành Hệ thống Thông tin tại Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM (năm 2024) của nhóm tác giả Hồ Tuấn Trung và Hồ Bảo An đã tập trung nghiên cứu đề tài: "Xây dựng ứng dụng dự đoán, phát hiện sự bất thường và gợi ý giao dịch chứng khoán trong tương lai thông qua sự kết hợp các mô hình học máy và mô hình học tăng cường".

Mục tiêu nghiên cứu và nhiệm vụ của đề tài được xác định cụ thể như sau:

  1. Nghiên cứu, xây dựng và kết hợp mô hình bộ nhớ dài - ngắn (Long Short-Term Memory - LSTM) cùng thuật toán rừng cô lập (Isolation Forest) nhằm dự báo giá và phát hiện sớm các điểm dữ liệu bất thường trong chuỗi thời gian tương lai của các mã chứng khoán.
  2. Ứng dụng học tăng cường (Reinforcement Learning - RL) kết hợp thuật toán tiến hóa sâu (Deep Evolution Strategy - DES) để xây dựng hệ thống tác nhân tự động ("Bot Trading") có khả năng đưa ra quyết định mua, bán, nắm giữ theo 3 chiến lược đầu tư tương ứng với các khẩu vị rủi ro khác nhau.
  3. Nghiên cứu kết hợp mô hình chuỗi thời gian LSTM với tác nhân học tăng cường nhằm nâng cao hiệu quả đầu tư và định vị các điểm giao dịch tối ưu trong tương lai.
  4. Thiết kế và triển khai một ứng dụng di động hoàn chỉnh hỗ trợ nhà đầu tư theo dõi dự báo, nhận cảnh báo bất thường theo thời gian thực và quản lý danh mục đầu tư mô phỏng.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Ứng dụng các mô hình học sâu LSTM, thuật toán phát hiện bất thường Isolation Forest, mô hình học tăng cường RL và kiến trúc phần mềm di động vào lĩnh vực phân tích và giao dịch chứng khoán.
  • Phạm vi dữ liệu và không gian: Thu thập chuỗi dữ liệu giá lịch sử giai đoạn từ tháng 01/2014 đến tháng 06/2024 từ trang Investing.com và giao diện lập trình ứng dụng (API) của trang eodhd.com. Dữ liệu thực nghiệm tập trung vào mã cổ phiếu TSLA (Tesla, Inc.) niêm yết trên sàn NASDAQ (Hoa Kỳ) và các mã cổ phiếu tiêu biểu trên Sở Giao dịch Chứng khoán TP.HCM (HOSE) gồm STB (Sacombank), FPT, MWG (Thế Giới Di Động), PNJ (Vàng bạc Đá quý Phú Nhuận), ACB (Ngân hàng Á Châu) và BSI (Chứng khoán BIDV).
  • Phạm vi thời gian thực nghiệm: Huấn luyện mô hình RL trên dữ liệu từ tháng 01/2014 đến tháng 01/2023; thực nghiệm kiểm chứng hiệu quả đầu tư trong hai giai đoạn: từ 18/05/2023 đến 18/06/2024 và từ 17/11/2023 đến 17/05/2024.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng tính toán và giải thuật dựa trên các lý thuyết học máy, học sâu và học tăng cường chuyên sâu:

  • Mô hình chuỗi thời gian LSTM (Long Short-Term Memory): Một dạng mạng nơ-ron hồi quy đặc biệt giải quyết triệt để vấn đề suy giảm đạo hàm (vanishing gradient) khi học các chuỗi phụ thuộc dài hạn. Kiến trúc gồm trạng thái ô nhớ ($C_t$) và 3 cổng điều khiển:
    • Cổng quên (Forget Gate): $f_t = \sigma(U_f x_t + W_f h_{t-1} + b_f)$
    • Cổng vào (Input Gate): $i_t = \sigma(U_i x_t + W_i h_{t-1} + b_i)$
    • Cổng ra (Output Gate): $o_t = \sigma(U_o x_t + W_o h_{t-1} + b_o)$ Trong đó, $\sigma$ là hàm kích hoạt sigmoid, $x_t$ là đầu vào tại thời điểm $t$, $h_{t-1}$ là trạng thái ẩn trước đó, $U$ và $W$ là các ma trận trọng số, $b$ là vector độ lệch. Mô hình sử dụng cửa sổ trượt (sliding window) 60 ngày để dự đoán giá đóng cửa tiếp theo, được đánh giá qua chỉ số sai số toàn phương trung bình (RMSE).
  • Thuật toán rừng cô lập (Isolation Forest): Cấu trúc tập hợp các cây cách ly nhị phân (Isolation Tree - iTree) để phân tách dữ liệu ngoại lệ. Điểm số bất thường $s$ đối với nút $x$ trong tập mẫu kích thước $\psi$ được xác định qua công thức: $$s(x, \psi) = 2^{-\frac{E(h(x))}{c(\psi)}}$$ Trong đó $E(h(x))$ là chiều cao trung bình của nút $x$, $c(\psi) = 2\left(\ln(\psi - 1) + 0.5772156649\right) - \frac{2(\psi - 1)}{\psi}$ là độ dài đường đi trung bình tiêu chuẩn. Điểm $s \to 1$ biểu thị xác suất cao là điểm bất thường; $s < 0.5$ là điểm bình thường.
  • Học tăng cường và thuật toán tiến hóa sâu (DES - Deep Evolution Strategy): Hệ thống hóa bài toán giao dịch theo tiến trình quyết định Markov (MDP). Trạng thái ($S_t$) là vector chênh lệch giá đóng cửa trong cửa sổ 30 ngày; không gian hành động ($A_t$) gồm Mua, Bán, Nắm giữ; phần thưởng ($R_t$) là phần trăm lợi nhuận thu được. Thuật toán DES tối ưu hóa trực tiếp các trọng số của mạng nơ-ron thông qua quá trình khởi tạo quần thể, thêm nhiễu Gaussian, đánh giá hàm thích nghi (fitness function) và cập nhật trung bình có trọng số theo phần thưởng.
  • Ba chiến lược đầu tư được mô hình hóa:
    1. Dollar-Cost Averaging (DCA): Mua tích lũy từng phần định kỳ và bán ra từng phần nhỏ; mức rủi ro thấp.
    2. Accumulation and Distribution (AD): Mua tích lũy theo từng điểm giá và bán toàn bộ số lượng cổ phiếu đang giữ khi đạt ngưỡng lợi nhuận; mức rủi ro trung bình.
    3. Bulk Buying and Selling (BBS): Sử dụng 50% tổng vốn khả dụng để mua một lượng lớn cổ phiếu và thanh lý toàn bộ khi đạt mục tiêu; mức rủi ro cao.
Thu thập dữ liệu (Investing, eodhd.com)
Tiền xử lý & Làm sạch (Pandas, NumPy)

Nội dung chính theo từng chương

Chương 1: Tổng quan đề tài

Chương 1 thiết lập lý do lựa chọn nghiên cứu dựa trên sự kết hợp giữa nhu cầu thực tế của thị trường tài chính và sự phát triển của các mô hình trí tuệ nhân tạo. Tác giả tổng quan các công trình tiền đề tiêu biểu như nghiên cứu của David W. Lu (kết hợp RL và LSTM trong giao dịch), Bram Bakker (ứng dụng LSTM giải quyết bài toán RL dài hạn) và khảo sát của Thomas G. Fischer trên 50 công trình về RL trong tài chính. Chương này xác định rõ mục tiêu xây dựng ứng dụng di động, phạm vi nghiên cứu trên 2 sàn HOSE và NASDAQ với các mã STB, TSLA, cùng ý nghĩa khoa học và thực tiễn trong việc giảm thiểu rủi ro đầu tư.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày có hệ thống các khái niệm cốt lõi:

  • Tổng quan mối quan hệ phân tầng giữa Trí tuệ nhân tạo (AI), Học máy (Machine Learning) và Học sâu (Deep Learning); quy trình 5 bước xây dựng mô hình học máy.
  • Cấu trúc toán học và luồng xử lý thông tin qua các cổng của mạng LSTM, kỹ thuật áp dụng LSTM trên chuỗi giá chứng khoán lịch sử.
  • Nguyên lý hoạt động của thuật toán Isolation Forest, cách thiết lập cấu trúc cây iTree và công thức toán học tính toán chỉ số bất thường Anomaly Score.
  • Lý thuyết học tăng cường, cơ chế phần thưởng trì hoãn, thuật toán tiến hóa (EAs) và thuật toán tiến hóa sâu (DES) trong việc tối ưu hóa mạng nơ-ron không cần đạo hàm. Chi tiết hóa 3 chiến lược giao dịch DCA, AD, BBS.

Chương 3: Kết hợp thuật toán và thực nghiệm

Nội dung chương 3 là trọng tâm thực nghiệm của khóa luận, gồm 3 phần chính:

  1. Phương pháp kết hợp LSTM và Isolation Forest: Đề xuất quy trình sử dụng LSTM để dự báo trước giá cổ phiếu trong 15 ngày tiếp theo, sau đó hợp nhất dữ liệu dự báo vào chuỗi dữ liệu gốc và chạy qua Isolation Forest để bóc tách các điểm bất thường trong tương lai.
  2. Thực nghiệm phát hiện bất thường trên mã STB và TSLA: Chia thành 3 khung thời gian đánh giá đối chứng với thực tế:
    • Giai đoạn 15/09/2023 – 03/10/2023
    • Giai đoạn 03/10/2023 – 16/10/2023
    • Giai đoạn 16/10/2023 – 31/10/2023
  3. Thực nghiệm học tăng cường và chiến lược đầu tư: Huấn luyện các Agent trên dữ liệu 01/2014 – 01/2023 và kiểm thử trên 5 mã cổ phiếu (FPT, MWG, PNJ, ACB, BSI) trong khoảng thời gian từ 18/05/2023 đến 18/06/2024 với các mức vốn khởi điểm từ 500.000 VNĐ đến 10.000.000 VNĐ. Khảo sát thêm các biến thể mô hình dự báo gồm LSTM tiêu chuẩn, LSTM-Attention và LSTM-GRU trên tập kiểm tra các mã ACB, MWG, STB.

Chương 4: Thiết kế và xây dựng ứng dụng

Chương 4 tập trung vào quy trình kỹ thuật phần mềm:

  • Phân tích kiến trúc tổng thể kết hợp Clean Architecture và mẫu thiết kế CQRS (Command Query Responsibility Segregation).
  • Đặc tả các ca sử dụng (Use Case) chính: thực hiện giao dịch qua Bot, thực hiện giao dịch thủ công, xem thông tin dự đoán giá, kích hoạt dự báo chứng khoán.
  • Thiết kế mô hình dữ liệu quan hệ gồm 8 bảng thuộc tính.
  • Xây dựng sơ đồ hoạt động (Activity Diagram), sơ đồ tuần tự (Sequence Diagram) cho các luồng nghiệp vụ gợi ý, dự báo, đặt lệnh mua/bán.
  • Hiện thực hóa 12 màn hình giao diện người dùng trên nền tảng iOS.

Chương 5: Kết quả và hướng phát triển

Chương 5 tổng kết các kết quả đạt được về mặt giải thuật nghiên cứu và mức độ hoàn thiện của sản phẩm ứng dụng di động; đồng thời chỉ ra các điểm giới hạn còn tồn tại về quy mô thử nghiệm và vạch ra định hướng nghiên cứu mở rộng trong tương lai.

Thiết kế và triển khai hệ thống

Khóa luận đã hiện thực hóa toàn bộ các thuật toán thành một hệ sinh thái phần mềm hoàn chỉnh:

Thành phần Công nghệ / Mẫu thiết kế Vai trò & Đặc tả kỹ thuật
Kiến trúc phần mềm Clean Architecture & CQRS Phân tách rõ ràng giữa tầng nghiệp vụ, tầng dữ liệu và phân chia luồng ghi (Command) - luồng đọc (Query).
Ứng dụng di động (Client) Swift (iOS Platform) Xây dựng giao diện người dùng di động, tương tác thời gian thực, quản lý ví và theo dõi danh mục.
Dịch vụ Backend (API) ASP.NET Web API Tiếp nhận yêu cầu, xử lý xác thực, điều phối logic nghiệp vụ và điều hướng cơ sở dữ liệu.
Module AI / Xử lý dữ liệu Python, Keras, Scikit-learn, Pandas Triển khai các thuật toán LSTM, Isolation Forest, mô phỏng Agent học tăng cường DES.
Hạ tầng triển khai (Hosting) Microsoft Azure Web Service Vận hành hệ thống máy chủ, cung cấp API trực tuyến cho ứng dụng di động.
Quản lý mã nguồn GitHub Kiểm soát phiên bản và tích hợp mã nguồn của nhóm phát triển.

Cơ sở dữ liệu của hệ thống được thiết kế chuẩn hóa gồm 8 thực thể chính:

  • User: Quản lý thông tin tài khoản người dùng.
  • Transaction: Lưu trữ lịch sử giao dịch mua/bán cổ phiếu.
  • Wallet & Wallet History: Quản lý số dư tiền ảo và biến động số dư.
  • Stock Hold: Theo dõi số lượng và khối lượng cổ phiếu người dùng đang nắm giữ.
  • Stock Info & Stock Data: Lưu trữ danh mục mã cổ phiếu, sàn giao dịch và chuỗi dữ liệu giá lịch sử.
  • Notification: Quản lý các thông báo biến động thị trường và cảnh báo điểm bất thường tương lai.

Hệ thống giao diện di động hoàn thiện gồm 12 màn hình chức năng: Màn hình Đăng nhập, Màn hình Trang chủ, Màn hình Chi tiết mã chứng khoán, Màn hình Báo giá và dữ liệu bất thường tương lai, Màn hình Xem dự báo chi tiết, Màn hình Cài đặt Bot Trading, Màn hình Xem Bot Trading đầu tư, Màn hình Ví tiền, Màn hình Lịch sử ví tiền, Màn hình Nạp/rút tiền, Màn hình Thông báo và Màn hình Thông tin người dùng.

Kết quả và đóng góp

Kết quả thực nghiệm đối chứng mô hình

1. Phát hiện điểm bất thường tương lai (Kết hợp LSTM và Isolation Forest)

Kết quả so sánh giữa dự báo của mô hình và diễn biến thị trường thực tế trên 2 mã đại diện:

Mã CP Khung thời gian Diễn biến dự báo & Điểm bất thường Diễn biến thực tế của thị trường Đánh giá độ phù hợp
STB 15/09/2023 – 03/10/2023 Biểu đồ giảm mạnh, xuất hiện 5 điểm bất thường tại đoạn giảm dốc. Giá thực tế giảm mạnh và đột ngột. Dự báo trùng khớp với biến động giá giảm thực tế.
STB 03/10/2023 – 16/10/2023 Biểu đồ tăng nhẹ trở lại, phát hiện điểm bất thường ở đỉnh tăng. Giá thực tế tăng nhẹ trở lại, có sự điều chỉnh giảm nhẹ về cuối. Trùng khớp xu hướng tăng phục hồi.
STB 16/10/2023 – 31/10/2023 Biểu đồ giảm mạnh đột ngột, phát hiện các điểm bất thường ở pha giảm. Giá thực tế giảm mạnh. Trùng khớp xu hướng giảm giá sâu.
TSLA 15/09/2023 – 03/10/2023 Biểu đồ dự báo giảm mạnh đột ngột, xuất hiện nhiều điểm bất thường. Biểu đồ thực tế giữ sự ổn định. Sai lệch (mô hình dự báo quá nhạy cảm so với thực tế).
TSLA 03/10/2023 – 16/10/2023 Biểu đồ duy trì ổn định, không có dấu hiệu bất thường. Biểu đồ thực tế giữ sự ổn định. Dự báo chính xác trạng thái thị trường.
TSLA 16/10/2023 – 31/10/2023 Biểu đồ duy trì ổn định, không có dấu hiệu bất thường. Biểu đồ thực tế giữ sự ổn định. Dự báo chính xác trạng thái thị trường.

2. Hiệu quả của tác nhân giao dịch học tăng cường (Agent Trading)

Thực nghiệm kiểm chứng trên mã FPT (giai đoạn 18/05/2023 – 18/06/2024) với các mức tiền nạp ban đầu cho thấy hiệu quả sinh lời rõ rệt của mô hình học tăng cường:

Chiến lược Vốn nạp ban đầu (VNĐ) Tiền lãi thu được (VNĐ) Tỷ suất lợi nhuận (%)
DCA 500.000 113.145 22,79%

Đồng thời, nhóm tác giả đã tiến hành khảo sát mở rộng các biến thể nâng cao của mạng nơ-ron hồi quy (LSTM, LSTM-Attention, LSTM-GRU) trên các tập dữ liệu ACB, MWG, STB nhằm tối ưu hóa độ chính xác dự báo trước khi cấp tín hiệu cho Agent giao dịch trong giai đoạn 17/11/2023 – 17/05/2024.

Đóng góp chính của đề tài

  1. Đóng góp học thuật: Đề xuất và kiểm chứng thành công quy trình kết hợp hai pha (two-phase pipeline): sử dụng LSTM để ngoại suy chuỗi thời gian 15 ngày tương lai, sau đó dùng Isolation Forest để dò tìm các dị biệt trên chuỗi ngoại suy. Đây là cách tiếp cận mới khắc phục hạn chế truyền thống của Isolation Forest (vốn chỉ áp dụng được cho dữ liệu tĩnh hoặc dữ liệu quá khứ).
  2. Đóng góp kỹ thuật: Hiện thực hóa giải thuật tối ưu hóa tiến hóa sâu (Deep Evolution Strategy) vào bài toán phân bổ lệnh chứng khoán, xây dựng thành công 3 cấu hình chiến lược (DCA, AD, BBS) đáp ứng các mức độ chấp nhận rủi ro khác nhau.
  3. Đóng góp ứng dụng: Triển khai một sản phẩm di động hoàn chỉnh đáp ứng đầy đủ tiêu chuẩn kỹ thuật phần mềm (Clean Architecture, CQRS, ASP.NET, Swift, Azure), đưa các thuật toán phức tạp từ môi trường nghiên cứu thành công cụ hỗ trợ trực quan cho người dùng cuối.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận tự chỉ ra một số hạn chế nội tại cần được khắc phục:

  • Sự phụ thuộc chuỗi giải thuật: Hiệu quả phát hiện điểm bất thường của Isolation Forest phụ thuộc hoàn toàn vào độ chính xác của mô hình dự báo LSTM ở bước trước đó. Nếu LSTM dự báo sai lệch xu hướng (như trường hợp thử nghiệm mã TSLA đợt 1), kết quả phát hiện bất thường sẽ không còn chính xác.
  • Phương pháp đánh giá bất thường: Do chuỗi dữ liệu chứng khoán trong tương lai không có sẵn nhãn phân loại (unlabeled data), đề tài chưa thể áp dụng các độ đo định lượng chuẩn tắc như F1-Score, ROC-AUC hay ma trận nhầm lẫn (Confusion Matrix), mà chủ yếu dựa trên phương pháp trực quan hóa đồ thị đối chứng.
  • Phạm vi dữ liệu đầu vào: Mô hình học tăng cường chủ yếu tiếp nhận dữ liệu chuỗi giá và khối lượng giao dịch kỹ thuật, chưa tích hợp dữ liệu phân tích cơ bản, chỉ số tài chính doanh nghiệp hay tin tức tâm lý thị trường (NLP).

Hướng nghiên cứu mở rộng:

  1. Nghiên cứu tích hợp các mô hình kiến trúc Transformer hoặc cơ chế Attention sâu hơn nhằm gia tăng độ chính xác dự báo chuỗi thời gian dài hạn.
  2. Bổ sung module xử lý ngôn ngữ tự nhiên (NLP) để phân tích cảm xúc tin tức tài chính và diễn đàn kinh tế, tích hợp vào vector trạng thái của tác nhân học tăng cường.
  3. Hoàn thiện kết nối API trực tiếp với hệ thống giao dịch của các công ty chứng khoán để chuyển đổi từ môi trường đầu tư mô phỏng (tiền ảo) sang hỗ trợ giao dịch thực tế.

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo chuyên môn cao đối với:

  • Sinh viên ngành Hệ thống Thông tin, Khoa học Dữ liệu và Công nghệ Thông tin: Tham khảo phương pháp xây dựng pipeline kết hợp giữa mô hình học sâu chuỗi thời gian (LSTM) và học không giám sát (Isolation Forest), cùng kỹ thuật ứng dụng Reinforcement Learning / Evolution Strategies vào bài toán thực tế.
  • Sinh viên ngành Công nghệ Phần mềm: Tham khảo cấu trúc tài liệu đặc tả phần mềm chuẩn mực, cách áp dụng mẫu kiến trúc Clean Architecture kết hợp CQRS trên nền tảng ASP.NET Core Web API và ứng dụng di động iOS (Swift).
  • Các nhà nghiên cứu và kỹ sư FinTech: Tham khảo thuật toán và mã giả về việc xây dựng Bot Trading tự động hóa theo các chiến lược đầu tư DCA, AD, BBS trên thị trường chứng khoán Việt Nam (sàn HOSE).

Câu hỏi thường gặp

1. Mô hình kết hợp LSTM và Isolation Forest giải quyết bài toán gì mà Isolation Forest đơn lẻ không làm được? Thuật toán Isolation Forest truyền thống chỉ có thể phân tích và cô lập các điểm ngoại lai trên tập dữ liệu đã diễn ra từ quá khứ đến hiện tại. Bằng cách kết hợp với mô hình LSTM để dự báo chuỗi giá trong 15 ngày tiếp theo, hệ thống có thể mở rộng dữ liệu và đưa tập dữ liệu dự báo tương lai này vào Isolation Forest để phát hiện sớm các điểm bất thường sắp xảy ra.

2. Ba chiến lược đầu tư tích hợp trong Bot Trading hoạt động như thế nào và dành cho đối tượng nào?

  • DCA (Dollar-Cost Averaging): Mua và bán theo từng đợt nhỏ định kỳ, giảm thiểu rủi ro biến động giá, phù hợp cho nhà đầu tư ưu tiên an toàn.
  • AD (Accumulation and Distribution): Mua tích lũy dần theo từng thời điểm nhưng bán ra toàn bộ lượng cổ phiếu khi chạm mục tiêu lợi nhuận, phù hợp cho mức độ chấp nhận rủi ro trung bình.
  • BBS (Bulk Buying and Selling): Dùng 50% tổng vốn để mua một lượng lớn cổ phiếu và bán toàn bộ tại một thời điểm, tối ưu lợi nhuận nhanh nhưng có mức độ rủi ro cao nhất.

3. Tác nhân học tăng cường (Agent) được tối ưu hóa bằng thuật toán nào và hàm phần thưởng được tính ra sao? Agent sử dụng Chiến lược Tiến hóa Sâu (Deep Evolution Strategy - DES), tối ưu hóa các trọng số của mạng nơ-ron thông qua việc thêm nhiễu Gaussian và tính trung bình có trọng số của các cá thể có hiệu suất cao. Hàm phần thưởng ($R_t$) được đo lường trực tiếp bằng phần trăm lợi nhuận thu được từ các quyết định giao dịch Mua/Bán/Giữ so với số vốn ban đầu.

4. Ứng dụng di động được xây dựng bằng những công nghệ và kiến trúc nào? Ứng dụng di động được phát triển native trên iOS bằng ngôn ngữ Swift, giao tiếp với hệ thống backend xây dựng bằng ASP.NET Web API theo mẫu kiến trúc Clean Architecture kết hợp mô hình phân tách CQRS. Hệ thống được lưu trữ trên nền tảng đám mây Microsoft Azure Web Service và tích hợp cơ sở dữ liệu gồm 8 bảng thực thể.

5. Kết quả thực nghiệm đầu tư của Agent trên mã cổ phiếu FPT đạt tỷ suất bao nhiêu? Trong giai đoạn kiểm thử từ ngày 18/05/2023 đến 18/06/2024 trên mã FPT, với chiến lược DCA và số tiền nạp ban đầu là 500.000 VNĐ, Agent tự động đã tạo ra mức tiền lãi 113.145 VNĐ, đạt tỷ suất lợi nhuận 22,79%.

Kết luận

Khóa luận tốt nghiệp của sinh viên Hồ Tuấn Trung và Hồ Bảo An đã nghiên cứu và tích hợp thành công các mô hình học sâu LSTM, rừng cô lập Isolation Forest và học tăng cường tiến hóa sâu (DES) nhằm giải quyết bài toán dự báo giá, cảnh báo bất thường tương lai và tự động hóa gợi ý giao dịch chứng khoán. Công trình không chỉ dừng lại ở các đánh giá thực nghiệm trên dữ liệu sàn HOSE và NASDAQ mà còn đóng gói giải thuật thành một ứng dụng di động hoàn chỉnh theo chuẩn kiến trúc Clean Architecture và CQRS. Đây là tài liệu học thuật có cấu trúc mẫu mực, cung cấp giải pháp tham khảo giá trị cho các nghiên cứu ứng dụng trí tuệ nhân tạo vào lĩnh vực công nghệ tài chính.