ĐỒ ÁN CƠ SỞ : NGHIÊN CỨU VỀ MẠNG NEURAL ÁP DỤNG DỰ ĐOÁN GIÁ THỊ TRƯỜNG CHỨNG KHOÁN

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ NGHIÊN CỨU VỀ MẠNG NEURAL ÁP DỤNG DỰ ĐOÁN GIÁ THỊ TRƯỜNG CHỨNG KHOÁN Giảng viên giảng dạy VƯƠNG XUÂN CHÍ Sin. CHƯƠNG I: KHÁI NIỆM MẠNG CÁCH THỨC TẠO MẠNG NEURAL NHÂN TẠO NHIỀU LỚP VÀ TỔNG QUAN THỊ TRƯỜNG CHỨNG KHOÁN 1. Tổng quan chung về thị trường chứng khoán 1.1. Khái niệm thị trường chứng khoán Thị trường chứng khoán là nơi diễn ra các giao dịch mua bán, trao đổi các loại chứng khoán. Chứng khoán được hiểu là các loại giấy tờ có giá hay là bút toán ghi sổ, nó cho phép chủ sở hữu có quyền yêu cầu về thu nhập và tài sản của tổ chức phát hành hoặc quyền sở hữu. Các quyền yêu cầu này có sự khác nhau giữa các loại chứng khoán, tùy theo tính chất sở hữu của chúng. 1.2. Vai trò của thị trường chứng khoán Xu thế hội nhập kinh tế quốc tế và khu vực với sự ra đời của tổ chức thương mại thế giới (WTO), của liên minh Châu Âu, của các khối thị trường chung, đòi hỏi các quốc gia phải thúc đẩy phát triển kinh tế với tốc độ và hiệu quả cao. Thực tế phát triển kinh tế ở các quốc gia trên thế giới đã khẳng định vai trò quan trọng của thị trường chứng khoán trong phát triển kinh tế. Vai trò của thị trường chứng khoán thể hiện trên nhiều khía cạnh khác nhau. Song vai trò tích cực hay tiêu cực của thị trường chứng khoán có thực sự phát huy hay hạn chế phụ thuộc đáng kể vào các chủ thể tham gia thị trường và sự quản lý của nhà nước.6 1.3. Nhóm yếu tố thị trường Các yếu tố thị trường, là những nhân tố bên trong của thị trường, bao gồm sự biến động thị trường và mối quan hệ cung cầu có thể được coi là nhóm yếu tố thứ ba tác động tới giá cổ phiếu. Sự biến động thị trường là một hiện tượng chờ đợi thái quá từ việc dự tính quá cao giá trị thực chất của cổ phiếu khi giá cổ phiếu cao nhờ sự phát đạt của công ty, và ngược lại do dự đoán thấp giá trị tại thời điểm thị trường đi xuống. Mối quan hệ giữa cung và cầu được trực tiếp phản ánh thông qua khối lượng giao dịch trên thị trường, hoạt động của những nhà đầu tư có tổ chức, giao dịch ký quỹ … cũng có ảnh hưởng đáng kể. Mặc dù số lượng giao dịch ký quỹ tăng khi mà giá cổ phiếu tăng, nhưng một khi giá cổ phiếu giảm số lượng cổ phiếu bán ra tăng và làm cho giá càng giảm.

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ NGHIÊN CỨU VỀ MẠNG NEURAL ÁP DỤNG DỰ ĐOÁN GIÁ THỊ TRƯỜNG CHỨNG KHOÁN Giảng viên giảng dạy : VƯƠNG XUÂN CHÍ Sinh viên thực : NGUYỄN KHÁNH MINH MSSV : 2000006157 Chuyên ngành : Khoa Học Dữ Liệu Môn học : Đồ án sở Khoa Học Dữ Liệu Khóa : 2021 – 2022 Tp.HCM, tháng năm BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ NGHIÊN CỨU VỀ MẠNG NEURAL ÁP DỤNG DỰ ĐOÁN GIÁ THỊ TRƯỜNG CHỨNG KHOÁN Giảng viên giảng dạy : VƯƠNG XUÂN CHÍ Sinh viên thực : NGUYỄN KHÁNH MINH MSSV : 2000006157 Chuyên ngành : Khoa Học Dữ Liệu Môn học : Đồ án sở Khoa Học Dữ Liệu Khóa : 2021 – 2022 Tp.HCM, tháng năm Trường Đại học Nguyễn Tất CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Thành Độc lập – Tự – Hạnh phúc � � � � Khoa Công Nghệ Thông Tin � � � � NHIỆM VỤ ĐỒ ÁN CƠ SỞ (Sinh viên phải đóng tờ vào báo cáo) Họ tên: Nguyễn Khánh Minh MSSV: 2000006157 Chuyên ngành: Khoa học liệu Lớp: 20DTH1D Email: nguyenkhanhminh2002@gmail.com SĐT: 0983962254 Tên đề tài:Nghiên cứu mạng Neural áp dụng dự đốn giá thị trường chứng khốn Gíao viên hướng dẫn: Vương Xuân Chí Thời gian thực hiện: 20 /6 /2022 đến 20 /9 /2022 MÔ TẢ ĐỀ TÀI: (Để trống) NỘI DUNG VÀ PHƯƠNG PHÁP: (Để trống) YÊU CẦU: - Có kiến thức, đam mê, hiểu biết cơng nghệ Mạng neural, Machine Learning, Deep Learning… Đọc hiểu tài liệu tiếng Anh, kỹ trình bày văn máy tính tốt - Có tác phong làm việc chăm chỉ, tinh thần trách nhiệm cao, có khả làm việc độc lập làm việc nhóm tốt Nội dung yêu cầu thông qua Bộ môn TP.HCM, ngày 26 tháng 06 năm 2022 TRƯỞNG BỘ MÔN GIÁO VIÊN HƯỚNG DẪN (Ký ghi rõ họ tên) (Ký ghi rõ họ tên) ThS Vương Xuân Chí ThS Vương Xuân Chí LỜI CẢM ƠN Em xin bày tỏ lịng kính trọng biết ơn sâu sắc tới Thầy ThS.Vương Xn Chí tận tình hướng dẫn động viên chúng em nhiều trình làm đồ án nhóm chúng em Nhờ kiến thức thầy dạy cho chúng em mà nhóm chúng em hồn thành phần nghiên cứu đề tài mạng neural áp dụng dự đoán giá thị trường chứng khốn cách hồn chỉnh đầy đủ Cảm ơn bạn nhóm đồng hành để hồn thành đồ án nhóm.Tuy nhiều lúc có khó khăn q trình hồn thành sản phẩm, nhờ đồng tâm hiệp lực mà nhóm vượt qua khó khăn Ngồi cịn cảm ơn bạn thuộc nhóm khác hỗ trợ nhóm gặp khó khăn khơng thể giải tốt Sản phẩm nhóm hoàn thành nhờ phần giúp đỡ bạn LỜI MỞ ĐẦU Hiện nay, thời đại thời đại mang xu hướng tồn cầu hóa khu vực hóa Khi trờ thành thành viên tổ chức thương mại giới đồng nghĩa Việt Nam gặp nhiều khó khăn đồng thời gặt hái nhiều thành công Để thu kết tốt từ trình hội nhập phải đánh giá, nhận định hội thách thức đặt ra, phải mạnh phải phát huy đâu điểm yếu cần phải khác phục Và đặt biệt phải nhận định xu hướng chung giới, yếu tố nước trọng Chính điều đó, mà chúng em thấy thị trường chứng khốn giới Việt Nam thị trường nóng bỏng có nhiều triển vọng lên Nó khơng kênh huy động vốn có hiệu cho hoạt động đầu tư kinh tế mà nhân tố thúc đẩy hoạt động đầu tư kinh tế mà nhân tố thúc đầy hoạt động kinh tế diễn sn sẻ Thị trường chứng khốn vào hoạt động với nhiều biến động đóng góp vào phát triển kinh tế nước ta Đến thị trường đóng vai trị kênh huy động vốn hiệu cho người cần vốn đồng thời mang lại mức lợi nhuận cao cho nhà đầu tư Chính thị trường không thu hút quan tâm nhà đầu tư nước mà cịn đơng đảo nhà đầu tư nước ngồi Do đó, đề tài “ Mạng Neural ứng dụng dự báo giá chứng khoán “ đề tài mà em nghiên cứu vào nhàm giúp cho nhà đầu tư dự báo giá chứng khốn cách tốt từ đưa định đầu tư Mục tiêu nghiên cứu đề tài : Hướng đến việc xây dựng mơ hình mạng Neural phù hợp để dự báo giá chứng khốn Để hồn thành mục tiêu trên, đề tài trả lời câu hỏi sau - Nghiên cứu khái niệm mạng Neural, cách thức tạo mạng Neural nhân tạo nhiều lớp Các bước thiết kế mơ hình mạng Neural - Ứng dụng mạng Neural vào thị trường tài chính, sử dụng mơ hình ANNs TRƯỜNG ĐH NGUYỄN TẤT THÀNH KỲ THI KẾT THÚC HỌC PHẦN TRUNG TÂM KHẢO THÍ HỌC KỲ III NĂM HỌC 2021 2022 PHIẾU CHẤM THI TIỂU LUẬN/ĐỒ ÁN Môn thi: Đồ án sở Khoa học liệu Lớp học phần: 20DTH2A Nhóm sinh viên thực hiện: 1.Tham gia đóng góp: Nguyễn Khánh Minh 2.Tham gia đóng góp: Nguyễn Hồng Hiếu Ngày thi: Phịng thi: Đề tài tiểu luận/báo cáo sinh viên: Tìm hiểu giải thuật di truyền ứng dụng Phần đánh giá giảng viên (căn thang rubrics mơn học): Tiêu chí (theo CĐR HP) Đánh giá GV Điểm tối đa Điểm đạt Cấu trúc báo cáo Nội dung Các nội dung thành phần Lập luận Kết luận Trình bày TỔNG ĐIỂM Giảng viên chấm thi (ký, ghi rõ họ tên) PHẦN NHẬN XÉT + CHẤM ĐIỂM CỦA GIẢNG VIÊN Điểm giáo viên hướng dẫn: Điểm giảng viên chấm vòng 2: TPHCM, Ngày …… tháng …… năm Giáo viên chấm vòng Giáo viên hướng dẫn Mục lục Chương I: Khái niệm mạng cách thức tạo mạng Neural nhân tạo nhiều lớp tổng quan thị trường chứng khoán Tổng quan chung thị trường chứng khoán 1.1 Khái niệm thị trường chứng khoán .9 1.2 Vai trị thị trường chứng khốn 1.3 Nhóm yếu tố thị trường 1.4 Chỉ số chứng khoán việt nam (VN – Index) .10 Mạng Neural nhân tạo .10 2.1 Khái niệm 10 2.2 Lịch sử Neural nhân tạo 11 Các đặc trưng mạng nơron 12 Các thành phần mạng nơ-ron nhân tạo 12 4.1 Đơn vị xử lý .12 4.2 Hàm kích hoạt .13 Các hình trạng mạng 15 5.1 Mạng truyền thẳng (Feed-forward neural network): 15 5.2 Mạng hồi quy (Recurrent neural network): 16 Huấn luyện mạng 17 Với mạng Neural Network nút mạng sigmoid nơron chúng lại có hàm kích hoạt khác Thực tế, người ta thường sử dụng có loại với để việc tính tốn thuận lợi Tại tầng, số lượng nút mạng khác cịn tùy vào tốn cách giải Tuy nhiên, làm việc người ta để tầng ẩn số với số lượng nowrowrron khác Ngoài ra, nơron nằm tầng thường liên kết đôi với để tạo thành mạng kết nối đầy đủ Khi đó, người dùng tính tốn kích cỡ mạng dựa vào tầng số lượng nơ ron Các hình trạng mạng Hình trạng mạng định nghĩa bởi: số lớp (layers), số đơn vị lớp, liên kết lớp Các mạng tổng thể chia thành hai loại dựa cách thức liên kết đơn vị: 5.1 Mạng truyền thẳng (Feed-forward neural network): Dòng liệu từ đơn vị đầu vào đến đơn vị đầu truyền thẳng Việc xử lý liệu mở rộng nhiều lớp, khơng có liên kết phản hồi Nghĩa là, liên kết mở rộng từ đơn vị đầu tới đơn vị đầu vào lớp hay lớp trước khơng cho phép Hình : Mạng Neural truyền thẳng nhiều lớp (Feed-forward neural network) 5.2 Mạng hồi quy (Recurrent neural network): Có chứa liên kết ngược Khác với mạng truyền thẳng, thuộc tính động mạng quan trọng Trong số trường hợp, giá trị kích hoạt đơn vị trải qua q trình nới lỏng (tăng giảm số đơn vị thay đổi liên kết) mạng đạt đến trạng thái ổn định giá trị kích hoạt không thay đổi Trong ứng dụng khác mà cách chạy động tạo thành đầu mạng thay đổi giá trị không đáng quan tậm Hình : Mạng Neural hồi quy Huấn luyện mạng Chức mạng nơron định nhân tố như: hình trạng mạng (số lớp, số đơn vị tầng, cách mà lớp liên kết với nhau) trọng số liên kết bên mạng Hình trạng mạng thường cố định, trọng số định thuật toán huấn luyện (training algorithm) Tiến trình điều chỉnh trọng số để mạng “nhận biết” quan hệ đầu vào đích mong muốn gọi học (learning) hay huấn luyện (training) Rất nhiều thuật toán học phát minh để tìm tập trọng số tối ưu làm giải pháp cho tốn Các thuật tốn chia làm hai nhóm chính: Học có thầy (Supervised learning) Học khơng có thầy (Unsupervised Learning) 6.1 Học có thầy (Supervised learning): Mạng huấn luyện cách cung cấp cho cặp mẫu đầu vào đầu mong muốn (target values) Các cặp cung cấp "thầy giáo", hay hệ thống mạng hoạt động Sự khác biệt đầu thực tế so với đầu mong muốn thuật tốn sử dụng để thích ứng trọng số mạng Điều thường đưa toán xấp xỉ hàm số - cho liệu huấn luyện bao gồm cặp mẫu đầu vào x, đích tương ứng t, mục đích tìm hàm f(x) thỏa mãn tất mẫu học đầu vào Hình : Mơ hình học có thầy 6.2 Học khơng có thầy (Unsupervised Learning): Với cách học khơng có thầy, khơng có phản hồi từ môi trường để đầu mạng Mạng phải khám phá đặc trưng, điều chỉnh, mối tương quan, hay lớp liệu vào cách tự động Trong thực tế, phần lớn biến thể học khơng có thầy, đích trùng với đầu vào Nói cách khác, học khơng có thầy ln thực công việc tương tự mạng tự liên hợp, cô đọng thông tin liệu đầu vào Hàm mục tiêu Để huấn luyện mạng xét xem thực tốt đến đâu, ta cần xây dựng hàm mục tiêu (hay hàm giá) để cung cấp cách thức đánh giá khả hệ thống cách không nhập nhằng Việc chọn hàm mục tiêu quan trọng hàm thể mục tiêu thiết kế định thuật toán huấn luyện áp dụng Để phát triển hàm mục tiêu đo xác muốn việc dễ dàng Một vài hàm sử dụng rộng rãi Một số chúng hàm tổng bình phương lỗi (sum of squares error function) Trong đó: p: số thứ tự mẫu tập huấn luyện i : số thứ tự đơn vị đầu tpi ypi : tương ứng đầu mong muốn đầu thực tế mạng cho đơn vị đầu thứ i mẫu thứ p Trong ứng dụng thực tế, cần thiết làm phức tạp hàm số với vài yếu tố khác để kiểm sốt phúc tạp cảu mơ hình 10 Mạng truyền thẳng thuật toán lan truyền ngược Để đơn giản tránh hiểu nhầm, mạng truyền thẳng trình bày phần mạng truyền thẳng có nhiều lớp (MLP - MultiLayer Perceptron) Đây mạng truyền thẳng điển hình, thường sử dụng hệ thống nhận dạng 8.1 Mạng truyền thẳng MLP Một mạng truyền thẳng nhiều lớp bao gồm lớp vào, lớp nhiều lớp ẩn Các nơron đầu vào thực chất nơron theo nghĩa, lẽ chúng không thực tính tốn liệu vào, đơn giản tiếp nhận liệu vào chuyển cho lớp Các nơron lớp ẩn lớp thực thực tính tốn, kết định dạng hàm đầu (hàm chuyển) Cụm từ “truyền thẳng” (feed forward) (không phải trái nghĩa lan truyền ngược) liên quan đến thực tế tất nơron kết nối với theo hướng: tới hay nhiều nơron khác lớp (loại trừ nơron lớp ra) Hình : Mơ hình mạng Neural truyền thẳng nhiều lớp (MLP) Trong P: Vector đầu vào (vector cột) Wi: Ma trận trọng số nơron lớp thứ i (SixRi : S hàng (nơron) - R cột (số đầu vào)) bi : Vector độ lệch (bias) lớp thứ i (Six1: cho S nơron) : net input (Si x1) fi : Hàm chuyển (hàm kích hoạt) 11 : net output (Si x1) ⊕: Hàm tổng thông thường Mỗi liên kết gắn với trọng số, trọng số thêm vào q trình tín hiệu qua liên kết Các trọng số dương, thể trạng thái kích thích, hay âm, thể trạng thái kiềm chế Mỗi nơron tính tốn mức kích hoạt chúng cách cộng tổng đầu vào đưa hàm chuyển Một đầu tất nơron lớp mạng cụ thể thực xong tính tốn lớp bắt đầu thực tính tốn đầu lớp tạo đầu vào lớp Khi tất nơron thực tính tốn kết trả lại nơron đầu Tuy nhiên, chưa u cầu, thuật tốn huấn luyện cần áp dụng để điều chỉnh tham số mạng.Xét trường hợp mạng có hai lớp hình 2.14, cơng thứctính tốn cho đầu sau: Mạng có nhiều lớp có khả tốt mạng có lớp, chẳng hạn mạng hai lớp với lớp thứ sử dụng hàm sigmoid lớp thứ hai dùng hàm đồng áp dụng để xấp xỉ hàm toán học tốt, mạng có lớp khơng có khả 8.2 Thiết kế cấu trúc mạng Mặc dù, mặt lý thuyết, có tồn mạng mơ tốn với độ xác Tuy nhiên, để tìm mạng khơng phải điều đơn giản Để định nghĩa xác kiến trúc mạng như: cần sử dụng lớp ẩn, lớp ẩn cần có đơn vị xử lý cho tốn cụ thể cơng việc khó khăn Số lớp ẩn: Vì mạng có hai lớp ẩn thể hàm với dáng điệu bất kỳ, nên, lý thuyết, khơng có lý sử dụng mạng có nhiều hai lớp ẩn Người ta xác định phần lớn toán cụ thể, cần sử dụng lớp ẩn cho mạng đủ Các toán sử dụng hai lớp ẩn xảy thực tế Thậm chí tốn cần sử dụng nhiều lớp ẩn phần lớn trường hợp thực tế, sử dụng lớp ẩn cho 12 ta hiệu tốt sử dụng nhiều lớp Việc huấn luyện mạng thường chậm mà số lớp ẩn sử dụng nhiều Số đơn vị lớp ẩn: Một vấn đề quan trọng việc thiết kế mạng cần có đơn vị lớp Sử dụng q đơn vị dẫn đến việc khơng thể nhận dạng tín hiệu đầy đủ tập liệu phức tạp, hay thiếu ăn khớp (underfitting) Sử dụng nhiều đơn vị tăng thời gian luyện mạng, có lẽ nhiều để luyện mà luyện mạng khoảng thời gian hợp lý Số lượng lớn đơn vị dẫn đến tình trạng thừa ăn khớp (overfitting), trường hợp mạng có nhiều thông tin, lượng thông tin tập liệu mẫu (training set) không đủ liệu đặc trưng để huấn luyện mạng Số lượng tốt đơn vị ẩn phụ thuộc vào nhiều yếu tố - số đầu vào, đầu mạng, số trường hợp tập mẫu, độ nhiễu liệu đích, độ phức tạp hàm lỗi, kiến trúc mạng thuật toán luyện mạng Trong phần lớn trường hợp, khơng có cách để dễ dàng xác định số tối ưu đơn vị lớp ẩn mà luyện mạng sử dụng số đơn vị lớp ẩn khác dự báo lỗi tổng quát hóa lựa chọn Cách tốt sử dụng phương pháp thử-sai (trial-and-error) Trong thực tế, sử dụng phương pháp Lựa chọn tiến (forward selection) hay Lựa chọn lùi (backward selection) để xác định số đơn vị lớp ẩn Lựa chọn tiến bắt đầu với việc chọn luật hợp lý cho việc đánh giá hiệu mạng Sau đó, ta chọn số nhỏ đơn vị ẩn, luyện thử mạng; ghi lại hiệu mạng Sau đó, tăng chút số đơn vị ẩn; luyện thử lại lỗi chấp nhận được, khơng có tiến triển đáng kể so với trước Lựa chọn lùi, ngược với lựa chọn tiến, bắt đầu với số lớn đơn vị lớp ẩn, sau giảm dần Q trình tốn thời gian giúp ta tìm số lượng đơn vị phù hợp cho lớp ẩn 13 8.3 Thuật toán lan truyền ngược (Back-Propagation) Cần có phân biệt kiến trúc mạng thuật toán học nó, mơ tả mục mục đích nhằm làm rõ yếu tố kiến trúc mạng cách mà mạng tính tốn đầu từ tập đầu vào Sau mơ tả thuật tốn học sử dụng để điều chỉnh hiệu mạng cho mạng có khả sinh kết mong muốn Về có hai dạng thuật tốn để luyện mạng: học có thầy học khơng có thầy Các mạng nơron truyền thẳng nhiều lớp luyện phương pháp học có thầy.Phương pháp dựa việc yêu cầu mạng thực chức sau trả lại kết quả, kết hợp kết với đầu mong muốn để điều chỉnh tham số mạng, nghĩa mạng học thơng qua sai sót Thuật tốn lan truyền ngược dạng tổng quát thuật toán trung bình bình phương tối thiểu (Least Means Square-LMS) Thuật tốn thuộc dạng thuật tốn xấp xỉ để tìm điểm mà hiệu mạng tối ưu Chỉ số tối ưu (performance index) thường xác định hàm số ma trận trọng số đầu vào mà q trình tìm hiểu tốn đặt Bỏ qua phức tạp mặt tốn học, thuận tốn phát biểu đơn giản sau: � Bước 1: Lan truyền xi tính tốn mạng truyền thẳng - Khi đó, đầu lớp trở thành đầu vào lớp Phương trình thể hoạt động sau (trong M số lớp mạng) : - Các nơron lớp thứ nhận tín hiệu từ bên ngồi (với p điểm bắt đầu phương trình hình 1.8) a0 = p, - Đầu lớp cuối xem đầu mạng: a = aM 14 � Bước 2: Lan truyền lỗi (hay độ nhạy cảm) ngược lại qua mạng - Thuật toán lan truyền ngược sử dụng số hiệu trung bình bình phương lỗi đầu so với giá trị đích Đầu vào thuật tốn tập cặp mơ tả hoạt động mạng: Trong pi đầu vào ti đầu mong muốn tương ứng, với i=1 Q - Mỗi đầu vào đưa vào mạng, đầu mạng đem so sánh với đầu mong muốn.Thuật toán điều chỉnh tham số mạng để tối thiểu hóa trung bình bình phương lỗi � Bước 3: Cập nhật lại trọng số độ lệch tương ứng Các bước thiết kế mơ hình mạng nơ-ron Thiết kế mơ hình mạng neural tn theo số quy luật hệ thống Nói chung, có năm bước bản: - Thu nhập liệu (Collecting data) Tiền xử lý liệu (Preprocessing data) Xây dựng mạng (Building the network) Đào tạo (Training) Kiểm tra hiệu mô hình (Test performance of model) Thu nhập liệu (Data collecting) - Thu thập chuẩn bị liệu mẫu bước việc kế mô hình ANN Việc thu thập liệu đầy đủ giúp cho mơ hình ANN xác định hướng đắn cho liệu hợp lý Tiền xử lý liệu (Data pre-processing) - Sau thu thập liệu, ba quy trình tiền xử lý liệu tiến hành để đào tạo ANN hiệu Các quy trình : (1) giải vấn đề thiếu liệu, (2) chuẩn hóa liệu, (3) ngẫu nhiên hóa liệu Dữ liệu bị thiếu thay giá trị trung bình giá trị lân cận Quy trình chuẩn hóa trước trình bày liệu đầu vào lên mạng nói chung phương pháp hay, việc trộn các biến có cường độ lớn cường độ nhỏ gây nhầm lẫn cho thuật toán học tầm quan trọng biến cuối buộc phải từ chối biến có độ lớn nhỏ 15 Hình : Quy trình thiết kế mạng Neural Xây dựng mạng (Building the network) - Ở giai đoạn này, nhà thiết kế định hướng số lượng lớp ẩn, tế bào thần kinh lớp, chức truyền tải lớp, chức huấn luyện, chức học tập trọng số (weight), bias chức hiệu suất Đào tạo mạng (Training the network) - Trong trình đào tạo, trọng số (sử dụng mức tăng giảm tốc độ học tập (learning rate)) điều chỉnh liên tục để làm cho kết đầu ( dự đoán ) với đầu mục tiêu ( đo lường ) mạng kiểm tra hiệu mơ hình ( Test performance of model) - Bước kiểm tra hiệu suất mơ hình Ở giai đoạn này, liệu khơng nhìn thấy tiếp xúc với mơ hình Để đánh giá hiệu suất mơ hình mạng ANN xác đinh thông qua sai số tuyệt đối trung bình (MAE), độ lệch trung bình lỗi (MBE) , sai số trung bình phương (RMSE) hệ số xác định ( ) MAE hay MBE thể mức trung bình tổng sai số mơ hình đánh giá mức độ gần dự đoán so với giá trị thực tế Trong RMSE biểu thị khác biệt tổng thể giá trị thực tế giá trị dự đoán Và hàm số nhỏ độ xác cao 16 CHƯƠNG II: ỨNG DỤNG MẠNG NEURAL VÀO THỊ TRƯỜNG TÀI CHÍNH Dự báo dựa vào giá ngày khứ 1.1 Chuẩn bị liệu 1.1.1 Lựa chọn, thu thập, tổ chức liệu Chuẩn bị liệu dạng file text Dữ liệu dạng file text cần chuẩn bị thành hàng cột Đầu tiên ID, sau đầu vào đầu Các giá trị phân cách dấu phẩy với file CSV (Comma Separated Value File Format) Có thể dùng MS Excel để biên soạn liệu, sau lưu vào file file text file csv 1.1.2 Tính số neural liệu: 1.1.3 Chuẩn hóa liệu 1.1.4 Phân chia liệu 1.2 Tìm thơng số thích hợp cho mạng neural 1.2.1 Lựa chọn số neural cho lớp ẩn => Số neural ẩn phụ thuộc vào người sử dụng 1.2.2 Lựa chọn hàm biến đổi cho lớp ẩn 1.2.3 Lựa chọn hàm biến đổi cho lớp ẩn 1.2.4 1.2.5 Điều kiện dừng: 1.2.5.1 Số lần lặp 1.2.5.2 Thời gian học 1.3 Huấn luyện mạng: ANN huấn luyện (Training) hay học (Learning) theo kỹ thuật học có giám sát (Supervised Learning) 17 Supervised learning: Quá trình Training lặp lại kết (output) ANN đạt giá trị mong muốn (Desired value) biết Áp dụng cho kỹ thuật mạng Neural lan truyền ngược (Backpropagation) Quá trình học mạng Neural Network mơ tả sau: 1.Tính giá trị output So sánh output với giá trị mong muốn (desired value) Nếu chưa đạt giá trị mong muốn hiệu chỉnh thơng tính lại output Sau tính tốn từ input value cho, ta có output Giá trị mong muốn (Desired) biết trước Sự chênh lệch output kết mong muốn gọi lỗi = Desired – Output Mục đích việc Learning cho lỗi nhỏ tốt (Nếu lỗi = hoàn hảo nhất) cách điều chỉnh thông số liệu vào Hình 10 : Mơ tả quy trình học mạng Neural Tiến hành huấn luyện mạng vài lần chọn lần huấn luyện có lỗi training error testing error nhỏ 1.4 Kiểm tra liệu mơ hình hóa (modeling) Sau mạng học xong, kiểm tra liệu học phần “Xem liệu”, đầu liệu học (training data) mạng MLP đưa (NN Outputs) có dạng như: 18 Hình 11 : Đồ thị so sánh kết thực tế mong muốn Chữ nhật màu đỏ: Thực tế (dự báo) Chữ nhật màu xanh: Desired (đã biết trước) => Với liệu học, đầu mạng gần trùng khớp với đầu yêu cầu (hình chữ nhật màu đỏ gần trùng khớp với hình chữ nhật màu xanh) Nhận thấy mạng neural MLP học tốt, dự báo 95% Dự báo dựa vào giá biến động thị trờng: 2.1 Dựa vào biến động kinh tế 10 năm trước: => Với liệu học, đầu mạng trùng khớp với đầu yêu cầu (hình chữ nhật màu đỏ trùng khớp với hình chữ nhật màu xanh) Nhận thấy mạng neural MLP học tương đối, dự báo chưa tốt 2.2 Dựa vào biến động kinh tế năm tại: (tương tự cách tính 10 năm trước) => Với liệu học, đầu mạng trùng khớp với đầu yêu cầu (hình chữ nhật màu đỏ trùng khớp với hình chữ nhật màu xanh) Nhận thấy mạng neural MLP học tốt, dự báo xác khoảng 90% KẾT LUẬN Mạng neural nhân tạo lĩnh vực nghiên cứu rộng lớn Nó ngày ứng dụng nhiều thực tế Mạng với ưu điểm như: cấu trúc đơn giản, độ xác cao,… Tuy nhiên khn khổ đồ án sở em tìm hiểu cấu tạo noron sinh học, mơ hình mạng noron nhân tạo, mơ hình mạng, số phương pháp huấn 19 luyện mạng, ứng dụng mạng tốn dự đốn Trên sở lý thuyết tìm hiểu em tiến hành cài đặt thuật toán backpropagation dự báo giá thị trường chứng khốn Chương trình dự báo hoạt động tốt việc dự báo thời gian ngắn hạn, với tỉ lệ xác thường xuyên đạt ngưỡng 90% Chương trình hoạt động gần xác ta muốn dự đốn kết tuần trở lại Nó giúp ích nhiều cho nhà đầu tư đư định đầu tư củamình với mục đích sinh lời hạn chế rủi ro cho thấp Với mơ hình Neural Network ta thấy việc dự đốn giá thời gian ngắn kết cho độ xác cao độ xác giảm dần dự đoán khoản thời gian rộng Chương trình dự đốn tương đối xác giá ngày mai, hay tháng sau, giảm dần độ xác dự đốn theo q, đặc biệt chương trình khơng cịn xác dự đốn phiên giao dịch đóng cửa cuối năm (xác suất xác thấp) TÀI LIỆU THAM KHẢO -https://text.123docz.net/document/2345493-mang-neural-va-ung-dung-trong-du-baogia-chung-khoan-tai-trung-tam-giao-dich-chung-khoan-tp-ho-chi-minh.html 20 -https://kinhtevadubao.vn/ung-dung-mang-no-ron-nhan-tao-anns-trong-du-bao-giadong-cua-cac-ma-co-phieu-niem-yet-tren-san-chung-khoan-16719.html https://itnavi.com.vn/blog/neural-network-la-gi -https://github.com/321rohit/CapstoneProjectonFinanceDomain/blob/main/FinanceProj ect.ipynb -https://text.123docz.net/document/2345493-mang-neural-va-ung-dung-trong-du-baogia-chung-khoan-tai-trung-tam-giao-dich-chung-khoan-tp-ho-chi-minh.htm 21 ...BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ NGHIÊN CỨU VỀ MẠNG NEURAL ÁP DỤNG DỰ ĐOÁN GIÁ THỊ TRƯỜNG CHỨNG KHOÁN Giảng viên giảng dạy : VƯƠNG... MẠNG NEURAL NHÂN TẠO NHIỀU LỚP VÀ TỔNG QUAN THỊ TRƯỜNG CHỨNG KHOÁN Tổng quan chung thị trường chứng khoán 1.1 Khái niệm thị trường chứng khoán Thị trường chứng khoán nơi diễn giao dịch mua bán,... quan thị trường chứng khoán Tổng quan chung thị trường chứng khoán 1.1 Khái niệm thị trường chứng khoán .9 1.2 Vai trị thị trường chứng khốn 1.3 Nhóm yếu tố thị trường