(TIỂU LUẬN) xây dựng hệ thống phân tích và dự báo thị trường chứng khoán

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC HOA SEN KHOA KHOA HỌC VÀ CÔNG NGHỆ BÁO CÁO CÁ NHÂN Tên đề tài: Xây Dựng Hệ Thống Phân Tích Và Dự Báo Thị Trường Chứng Khoán Giảng viên hướng dẫn : Sinh viên thực : Lớp : Nguyễn Thị Phương Liên Nguyễn Anh Khoa – 080835 QL081 Tháng 12/2011 Tieu luan TRÍCH YẾU Trong phạm vi khóa luận, nhóm chúng tơi tìm hiểu lĩnh vực thị trường chứng khốn thực hệ thống phân tích dự báo thị trường chứng khoán dựa kiến thức tìm hiểu được, nhằm mục tiêu cung cấp thơng tin hữu ích cần thiết cho nhà đầu tư Nhiệm vụ tơi khóa luận tìm hiểu phương pháp lập mơ hình dự báo chuỗi thời gian ARIMA Một phương pháp phổ biến đánh giá có độ tin cậy cao lĩnh vực kinh tế tài Trong báo cáo này, tơi trình bày cơng việc mà thực với học kinh nghiệm mà đạt II Tieu luan MỤC LỤC TRÍCH YẾU II LỜI CẢM ƠN V NHẬN XÉT CỦA NGƯỜI HƯỚNG DẪN VI NỘI DUNG I Đóng góp cá nhân khóa luận .7 Tìm hiểu mơ hình ARIMA 1.1 Lý thuyết 1.2 Quy trình dự báo 1.3 Hiện thực Xây dựng trang quản trị cho hệ thống 10 2.1 Nhập liệu giá 10 2.2 Cập nhật giá 10 2.3 Lập mơ hình 11 Hiện thực chức tìm kiếm .11 Hiện thực lọc cổ phiếu 12 Công việc khác .12 II 5.1 Viết hàm APIs .12 5.2 Vẽ sơ đồ phân tích thiết kế 12 5.3 Vẽ đặc tả cấu trúc sở liệu 12 Đánh giá kết hướng phát triển 13 Kết 13 Hạn chế 13 Những vấn đề nảy sinh cách giải 14 Hướng phát triển 14 III Tieu luan II Kinh nghiệm học 15 Về chuyên môn 15 Phương pháp nghiên cứu khoa học 15 Làm việc nhóm .16 Viết tư liệu kỹ thuật 16 TÀI LIỆU THAM KHẢO 17 IV Tieu luan LỜI CẢM ƠN Trong khoảng thời gian làm khóa luận tốt nghiệp, từ ngày 09/09/2011 đến ngày 18/12/2011, học nhiều điều, từ kiến thức chứng khoán, phương pháp phát triển dự án, cách tiếp cận người dùng cách thức giải vấn đề nảy sinh Nhóm chúng tơi xin chân thành gửi lời cảm ơn đến cô Nguyễn Thị Phương Liên – Giảng viên khoa Khoa Học Công Nghệ trường Đại Học Hoa Sen Người tận tâm định hướng, theo sát hỗ trợ nhóm xuyên suốt thời gian vừa qua Cơ đóng vai trị người hướng dẫn, người tư vấn, người trước để giúp chúng tơi hồn tất khóa luận thành cơng Ngồi ra, nhóm xin gửi lời cảm ơn đến toàn tập thể giảng viên khoa Khoa Học Công Nghệ bạn sinh viên khóa QL081, người khích lệ đưa nhiều lời khuyên, lời góp ý bổ ích cho nhóm V Tieu luan NHẬN XÉT CỦA NGƯỜI HƯỚNG DẪN Trong suốt q trình thực khóa luận tốt nghiệp, đánh giá cao thành viên nhóm Các bạn làm việc với thái độ nghiêm túc, chịu khó tìm tịi, nghiên cứu, thơng minh sáng tạo Các thành viên nhóm hỗ trợ phối hợp với tốt, đồng thời cá nhân phát huy khả mạnh Đây khóa luận tốt nghiệp hồn thành xuất sắc Người hướng dẫn ký tên Nguyễn Thị Phương Liên VI Tieu luan NỘI DUNG I Đóng góp cá nhân khóa luận Tìm hiểu mơ hình ARIMA Trong thời gian thực khóa luận tốt nghiệp, nhiệm vụ tơi nghiên cứu tảng lý thuyết mơ hình tự hồi quy kết hợp trung bình trượt (Auto Regressive Integrated Moving Average – ARIMA) Từ nắm bắt phương pháp lập mơ hình để đưa dự báo giá cho tương lại dựa liệu giá đóng cửa phiên trước Xác định mục tiêu lập mơ hình dự báo giá, tơi phân chia cơng việc thành ba cơng đoạn chính, bao gồm: tìm hiểu lý thuyết bản, nắm bắt công thức cơng cụ sử dụng việc lập mơ hình, đào sâu nghiên cứu thực việc lập mơ hình tự động 1.1 Lý thuyết Trong thực tế, quy luật vận động chuỗi kiện thường ghi nhận lại thể dạng chuỗi thời gian (time series) Chuỗi thời gian chuỗi giá trị xếp theo chiều tự nhiên (thuận) thời gian Trong thực tế, chuỗi thời gian ứng dụng rộng rãi khoa học kỹ thuật, kinh tế, tài chính… chúng thường biết đến với tên gọi mơ hình ngẫu nhiên (stochastic), giá trị chuỗi thường bị ảnh hưởng nhiều yếu tố độ nhiễu định Do nhu cầu dự báo giám sát biến động chuỗi ngẫu nhiên này, có nhiều phương pháp lập mơ hình dự báo Exponential Smoothing Method, Additive Analysis, Multiplicative Analysis, Principle Component Analysis, Autoregressive Integrated Moving Average (ARIMA)… Trong đó, mơ hình ARIMA đánh giá cao độ tin cậy tính khả thi dự báo lĩnh vực kinh tế, tài Mơ hình đưa dự báo giá trị tương lai chuỗi thời gian dựa mối liên hệ giá trị liệu khứ Mơ hình đưa dự báo giá trị tương lai chuỗi thời gian dựa mối liên hệ giá trị liệu khứ Tieu luan Về bản, giá trị nội chuỗi thời gian thể qua nhận định giá trị quan sát phụ thuộc vào giá trị trước tùy theo nhiều mức độ Tính chất xem giá trị ứng dụng thực tế đáng giá chuỗi thời gian Phân tích chuỗi thời gian (Time Series Analysis) kỹ thuật phân tích phụ thuộc quan sát nhằm diễn suy quy luật vận động chuỗi Từ đó, đưa mơ hình ngẫu nhiên (stochastic) để ứng dụng vào việc tính tốn giá trị dự báo cho tương lai 1.2 Quy trình dự báo Để đưa dự báo, cần thực bốn bước: nhận dạng mơ hình (model identification), ước lượng mơ hình (model estimation), kiểm định mơ hình (model diagnostic) cuối dự báo (forecasting) Với bước đầu bước xây dựng mơ hình kiểm tra tính xác mơ hình Sau có mơ hình ARIMA với bậc p, d, q tham số tự hồi quy trung bình trượt ước lượng đáng tin cậy, thực bước thứ tư, bước quan trọng nhất, dự báo 1.2.1 Nhận dạng mơ hình (Model Identificatioin) Trong bước này, xác định bậc p, d, q để xác định mơ hình phù hợp Hai cơng cụ hỗ trợ bước nhận dạng hàm tự tương quan (Autocorrelation Function – ACF), hàm tự tương quan riêng phần (Partial Autocorrelation Function – PACF) biểu đồ tương quan (Correlogram) tương ứng Ngoài ra, bước thực phương pháp kiểm định để xác minh tính dừng (stationary), hay cịn gọi tính ổn định chuỗi thời gian kiểm định tự tương quan, kiểm định nghiệm đơn vị (Unit Root Test) Tính dừng tảng sở cho việc đưa dự báo có độ tin cậy cao 1.2.2 Ước lượng mơ hình (Model Estimation) Sau nhận dạng mơ hình ARIMA, cần xác định tham số tự hồi quy α tham số trung bình trượt β Các tham số suy từ phương Tieu luan pháp tính sai số bình phương tối thiểu(Minimum Least Square Error) đơn giản, cần phải áp dụng phương pháp ước lượng tham số phi tuyến (Non-linear Least Squares) ước lượng hợp lý cực đại (Maximum Likelihood) phức tạp 1.2.3 Kiểm định mơ hình (Model Diagnostic) Với mơ hình ARIMA tìm tham số tương ứng bắt đầu thực việc kiểm định tính xác mơ hình Lý việc kiểm định có nhiều mơ hình ARIMA phù hợp với chuỗi thời gian, chưa kể đến việc ước lượng tham số tự hồi quy, tham số trung bình trượt khơng xác Một phép kiểm định thường dùng tìm sai số ước lượng mơ hình dự báo, tính toán hàm tự tương quan (ACF) để xét chuỗi có phải chuỗi ngẫu nhiên túy hay khơng; phải, chấp nhận mơ hình kiểm định; không, ta phải lặp lại từ đầu Có thể nói, “phương pháp luận Box-Jenkins quy trình lặp” [2] 1.2.4 Dự báo (Forecasting) Khi hồn tất bước trên, có mơ hình ARIMA với khả dự báo hiệu Dựa vào mơ hình này, ta đưa dự báo đáng tin cậy với sai số cho ngẫu nhiên Sai số tính cách lấy giá trị thực tế thời điểm t trừ cho giá trị dự báo, sai số sử dụng để ước lượng sai số cho giá trị tương lai từ đưa kết dự báo xác Ngồi ra, tính khoảng tin cậy giá trị dự báo khoảng 50%, khoảng 95% Trong số trường hợp lấy sai phân (để có chuỗi dừng), cần suy ngược lại để có giá trị zt tương ứng 1.3 Hiện thực Sau nắm vững kiến thức mơ hình ARIMA Tơi bắt đầu thực việc lập mơ hình dự báo giá tự động Khi sâu vào lập trình bước lập mơ hình, tiếp tục nghiên cứu sâu phần lý thuyết tương ứng để hiểu thấu đáo Tieu luan công thức ý nghĩa biểu thức, đảm bảo tính xác giai đoạn thực Do tính chất phức tạp nặng chun mơn tốn nên tơi có trao đổi thảo luận nhiều với giảng viên hướng dẫn, từ nhận góp ý hướng dẫn để tiếp tục thực Để kiểm tra tính đắn thuật tốn, tơi sử dụng liệu chuỗi thời gian cung cấp tài liệu nghiên cứu để lập mơ hình đối chiếu với kết mẫu tương ứng Xây dựng trang quản trị cho hệ thống Được xây dựng để đáp ứng nhu cầu thêm mới, cập nhật liệu giá loại cổ phiếu, lập mơ hình dự báo tự động Vì tính chất quản trị nên để truy xuất tới trang cần phải có tài khoản mật admin 2.1 Nhập liệu giá Việc lập mơ hình dự báo chủ yếu dựa vào liệu giá cổ phiếu phiên giao dịch khứ Hiện nay, giá cổ phiếu cung cấp nhiều nguồn bảng giá trực tuyến http://www.hsx.vn, http://vietstock.com, http://cophieu68.com Ở đây, tơi chọn trang http://cophieu68.com kho chun cung cấp liệu giá chứng khốn, có uy tín dễ dàng truy xuất tới Để tiện cho việc thu thập, xây dựng chức nhập liệu tự động thơng qua mã chứng khốn Để lấy liệu giá mã định, việc nhập mã vào trường liệu sau nhấn nút “Import” Hệ thống tự động truy xuất đến địa phù hợp, tải file liệu giá về, duyệt insert vào sở liệu Theo chuẩn liệu giá chứng khốn ghi nhận theo ngày Nhưng để thuận tiện cho việc phân tích thể thơng tin, hệ thống ghi nhận lại liệu giá theo tuần theo tháng 2.2 Cập nhật giá Theo ý nghĩa hệ thống, sau host lên, đoạn script chạy thường trực cập nhật tự động giá mã cổ phiếu tốn hệ thống chốt 10 Tieu luan phiên giao dịch cuối ngày Tuy nhiên, lúc phát triển, nhóm chủ yếu sử dụng localhost để chạy hệ thống nên chốt phiên ngày Do đó, tơi phát triển chức cập nhật giá Khi chọn mã cổ phiếu nhấn nút “Update”, hệ thống tự truy xuất tới nguồn liệu, tải file về, xử lý đưa vào sở liệu Lưu ý chức cập nhật quan tâm đến giá cổ phiếu vòng tháng 2.3 Lập mơ hình Do phải trải qua nhiều cơng đoạn quy trình lặp dẫn xuất mơ hình dự báo cho mã cổ phiếu định nên quy định việc lập mơ hình thực từ trước, đưa dự báo lưu trữ sẵn sở liệu, có nhu cầu cần truy xuất đến kết dự báo Chức lập mơ hình xây dựng cơng cụ back-end, admin chọn mã cổ phiếu bất kỳ, nhấn nút “Modeling”, hệ thống thực quy trình lập mơ hình trả thơng báo kết Lưu ý: việc lập mơ hình cần thực cần xây dựng lại mơ hình Sau đó, chốt phiên giao dịch giá cập nhật hệ thống tự động tính tốn dự báo cho phiên lưu vào sở liệu Hiện thực chức tìm kiếm Với chức tìm kiếm, tơi thực chủ yếu sử dụng công nghệ AJAX jQuery để gửi nhận kết tìm kiếm dựa từ khóa tức thì, tiết kiệm thời gian tiện cho người dùng tra cứu mã hữu hệ thống Hai tiêu chí tìm kiếm chủ yếu tìm theo mã tìm theo tên cơng ty Khi người dùng gõ cụm từ vào khung tìm kiếm, kiện gõ kích hoạt gửi thơng tin cho máy chủ Máy chủ tìm kiếm mã tên cơng ty chứa từ khóa vừa nhận sau trả kết định dạng xml 11 Tieu luan Hiện thực lọc cổ phiếu Bộ lọc cổ phiếu chức tìm kiếm nâng cao, người dùng tìm mã công ty tiềm thông qua thông tin sức mạnh tài cơng ty như: số khoản nhanh, vốn hóa thị trường, hệ số biên lợi nhuận rịng… , giá đóng cửa Tương tự chức search, thực lọc chủ yếu sử dụng AJAX jQuery Có tám thuộc tính sử dụng để lọc thuộc tính bao gồm hai biến max thể miền giá trị tương ứng Mỗi có kiện nhập giá trị vào trường liệu người dùng, yêu cầu bất đồng (asynchronous requeste) gửi máy chủ bao gồm tất điều kiện lọc Sau tìm mã phù hợp, kết trả để hiển thị cho người dùng Trong trường hợp khơng có mã đáp ứng đủ u cầu lọc, thơng báo khơng tìm thấy hiển thị Kết phân theo trang chữ đầu mã cổ phiếu để người dùng dễ dàng duyệt kết Công việc khác 5.1 Viết hàm APIs Cung cấp hàm lấy thông tin liên quan đến mơ hình giá trị dự báo để sử dụng chung hệ thống 5.2 Vẽ sơ đồ phân tích thiết kế Dựa vào nội dung thống nhóm thiết kế khóa luận Tôi vẽ lại Data Flow Diagram, Use case Diagram, số sơ đồ Sequence Diagram dành cho use cases admin, Domain Model 5.3 Vẽ đặc tả cấu trúc sở liệu Sau thảo luận nhóm thống đối tượng bảng tồn sở liệu Tôi viết lại đặc tả cho bảng vẽ sơ đồ sở liệu (Database Diagram) 12 Tieu luan II Đánh giá kết hướng phát triển Kết  Nắm vững khái niệm mơ hình ARIMA, bao gồm sở lý luận, bước lập mơ hình cơng cụ kèm  Hoàn thành trang quản trị với chức thêm mới, cập nhật liệu giá cổ phiếu, mơ hình  Xây dựng thành cơng mơ hình dự báo giá tự động cho mã cổ phiếu với độ tin cậy cao  Chức tìm kiếm theo mã tên cơng ty đơn giản hiệu quả, đảm bảo tính tiện dụng  Cung cấp lọc với nhiều tiêu chí quan trọng, người dùng sử dụng kết hợp nhiều tiêu chí lúc để dễ dàng tìm mã cổ phiếu theo yêu cầu Hạn chế  Mơ hình ARIMA ứng dụng phạm vi khóa luận mơ hình đơn biến Nó phân tích thơng tin liệu giá khứ Tuy nhiên, thực tế, giá cổ phiếu tương lai bị ảnh hưởng nhiều yếu tố khác chẳng hạn như: khối lượng giao dịch q khứ, trạng thái tài cơng ty, lợi nhuận chia cổ phiếu… Do đó, sai số dự báo mơ hình sinh chưa tối ưu  Trong quy luật vận động chuỗi giá diễn sinh, có trường hợp bị nhiễu số kiện đặc biệt diễn ra, ví dụ như: cơng ty mua lại cổ phiếu quỹ, tách cổ phiếu (split), sát nhập với cơng ty khác… Chính yếu tố gây số biến động bất thường tạm thời, làm ảnh hưởng tới việc lập mơ hình  Đối với số trường hợp đặc biệt, hệ thống khơng thể tìm mơ hình tối ưu cho mã cổ phiếu mà phải chấp nhận mơ hình tạm thời tham số hội tụ giá trị (vịng lặp vơ hạn) 13 Tieu luan  Dữ liệu giá thu thập từ nguồn http://cophieu68.com Do hệ thống bị phụ thuộc phần vào mơi trường bên ngồi Nếu trang http://cophieu68.com gặp cố, khơng cung cấp liệu giá hệ thống bị ảnh hưởng  Hiện giá trị tiêu chí dùng lọc cần phải nhập vào bàn phím Nếu thêm vào giá trị dùng chuột để điều chỉnh trực quan, dễ sử dụng Những vấn đề nảy sinh cách giải  Giữa lý thuyết việc thực thành thuật tốn có nhiều khoảng cách mà phải khắc phục Một vấn đề thường hay gặp cách đánh số (index) Trong tư liệu nghiên cứu, việc lập bảng đánh số thứ tự thể –1, –2 tượng trưng cho quan sát phía trước mốc thời gian bắt đầu (index 0) Tuy nhiên, mơi trường lập trình, tơi đánh số thứ tự mảng nhỏ Điều gây nhiều khác biệt số thứ tự Tôi giải vấn đề cách chuyển số thấp điều chỉnh lại số thứ tự nơi khác để cân đối, cộng với việc sử dụng nhiều vòng lặp thuật tốn làm cho việc giám định tính đắn thuật tốn trở nên khó khăn  Để kiểm định tính đắn thuật tốn so với lý thuyết Tơi sử dụng liệu có sẵn tư liệu nghiên cứu để chạy thử việc lập mơ hình so sánh với kết mẫu Nhưng thân liệu cung cấp tư liệu nghiên cứu không khớp với kết mẫu tương ứng Do đó, kết thuật tốn khơng hồn tồn xác kết mẫu mà tồn chênh lệch từ 2.5% đến 8% Do xét thấy mức chênh lệch khơng cao nên tơi chấp nhận tính đắn thuật tốn  Khi tìm hiểu tư liệu nghiên cứu chính, tơi gặp nhiều khó khăn q nặng chun mơn tốn Thêm vào đó, tư liệu cũ nên cách viết phức tạp so với Để giải vấn đề này, tơi tìm hiểu nhiều nguồn tư liệu khác để bổ sung kiến thức tảng Thêm vào đó, tơi tích cực trao đổi với giảng viên để giải vướng mắc nghiên cứu Hướng phát triển  Sử dụng giải thuật AI (Neuron Network, Decision Tree, Genetic Algorithm…) để đánh giá tổng quan yếu tố biến động thị trường, từ đưa dạng mơ hình dự báo thuyết phục 14 Tieu luan  Cải tiến việc lập mô hình phương pháp Phân tích có can thiệp (intervention analysis)  Tiếp tục phát triển thuật tốn lập mơ hình chuỗi thời gian đa biến (multivariate) từ mơ hình đơn biến (univariate) Do thực tế có nhiều số khác ảnh hưởng tới giá tương lai chẳng hạn khối lượng giao dịch, khối lượng niêm yết II Kinh nghiệm học Về chun mơn  Kỹ thuật lập trình có tiến nhiều mặt xếp cấu trúc mã lệnh, bắt lỗi, gom nhóm xử lý trường hợp đặc biệt  Học nhiều kỹ việc phân chia thành phần mã lệnh, gỡ rối kiểm thử chương trình  Có thêm kinh nghiệm quý giá phát triển ứng dụng web Phương pháp nghiên cứu khoa học Qua q trình thực khóa luận lần này, nhận mức độ quan trọng việc nắm vững kiến thức tảng nghiên cứu Trước nghiên cứu mảng lĩnh vực quan tâm, cần phải hiểu cặn kẽ kiến thức trước Bởi chúng thường sử dụng nhiều lặp lại tiến hành tìm hiểu mức cao Và đó, khái niệm sử dụng mà không kèm theo thích giải thích (do trình bày mục nhỏ nhặt so với đề tài quan tâm) Chính vậy, với tài liệu mức cao, việc đọc nhảy chương gần không thể, cần nghiên cứu cẩn thận kiến thức sở để có tảng vững trước tiếp tục đào sâu Khi tiến hành nghiên cứu, cần xác định tài liệu tìm hiểu để tập trung vào đó, chắt lọc thông tin cần thiết tránh lan man Tuy nhiên, cần tham khảo từ nhiều nguồn phụ để xác minh tính đắn hiểu rõ vấn đề qua nhiều góc độ khác 15 Tieu luan Làm việc nhóm Để thực dự án lớn khơng thể thiếu đóng góp hỗ trợ lẫn thành viên nhóm Tuy nhiên để làm việc với hiệu nhịp nhàng khơng phải chuyện đơn giản Thơng qua khóa luận, học nhiều việc phân chia công việc rõ ràng thống chuẩn giao tiếp kỹ thuật từ ban đầu, giảm độ phụ thuộc thành phần (low coupling) hệ thống tăng tính kết dính nội (high cohesion) Viết tư liệu kỹ thuật Viết báo cáo tư liệu kỹ thuật giai đoạn quan trọng dự án phát triển phần mềm Qua khóa luận lần này, tơi có nhiều kinh nghiệm việc viết báo cáo là:  Ghi nhận sở lý thuyết tìm hiểu song song với trình thực để tránh phải tìm kiếm lại sau  Lưu trữ lại địa tư liệu tham khảo cẩn thận để làm minh chứng nguồn tham khảo sau  Cập nhật tư liệu kỹ thuật sau có thay đổi để tránh thông tin sai lệch tiến độ thực tế tư liệu  16 Tieu luan TÀI LIỆU THAM KHẢO [1] “Time Series Analysis: forecasting and control”, Revised Edition 1976, George E P Box and Gwilym M Jenkins [2] “Tính dừng (tĩnh tại), nghiệm đơn vị tính đồng kết hợp”, Chương trình giảng dạy kinh tế FullBright Gujarati D.N chương 21 Cao Hào Thi cộng dịch [3] “Dự báo với mơ hình ARIMA VAR”, Chương trình giảng dạy kinh tế FullBright Gujarati D.N chương 22 Cao Hào Thi cộng dịch [4] “Basic Econometrics”, Time series econometrics: some basic concepts, Gujarati Damodar [5] “Technical Analysis of the Financial Market”, John J.Murphy, New York Institute of Finance, 1999 [6] “Akaike information criterion”, truy cập địa địa http://en.wikipedia.org/wiki/Akaike_information_criterion [7] “Bayesian information criterion”, truy cập http://en.wikipedia.org/wiki/Bayesian_information_criterion [8] “Comparison of Akaike information criterion (AIC) and Bayesian information criterion (BIC) in selection of an asymmetric price relationship”, Henry de-Graft Acquah, truy cập địa http://www.academicjournals.org/jdae/PDF/Pdf2010/Jan/Acquah.pdf [9] “AIC vs BIC”, truy cập địa http://emdbolker.wikidot.com/blog:aic-vs- bic [10] “Identifying the order of differencing”, truy cập địa http://www.duke.edu/~rnau/411arim2.htm 17 Tieu luan [11] “Identifying the orders of AR or MA terms”, truy cập địa http://www.duke.edu/~rnau/411arim3.htm [12] “Box-Jenkins Model Identification”, truy cập địa http://www.itl.nist.gov/div898/handbook/pmc/section4/pmc446.htm [13] “Sample PACF; Durbin – Levinson algorithm”, truy cập địa http://www.pstat.ucsb.edu/faculty/feldman/174-03/lectures/l13.pdf [14] “Maximum Likelihood”, truy cập địa http://en.wikipedia.org/wiki/Maximum_likelihood [15] “Maximum Likelihood Estimation”, truy cập địa http://mercury.bio.uaf.edu/courses/wlf625/readings/MLEstimation.PDF [16] “Tutorial on maximum likelihood estimation”, truy cập địa http://citeseerx.ist.psu.edu/viewdoc/download? doi=10.1.1.74.671&rep=rep1&type=pdf [17] “Maximum Likelihood Estimation”, truy cập địa http://www.itl.nist.gov/div898/handbook/apr/section4/apr412.htm [18] “Maximum Likelihood & Bayesian Parameter Estimation”, truy cập địa http://www.cedar.buffalo.edu/~srihari/CSE555/Chap3.Part1.pdf [19] “MLE (Maximum Likelihood) Parameter Estimation” truy cập địa http://www.weibull.com/AccelTestWeb/mle_maximum_likelihood_parameter_esti mation.htm [20] “Empirical Time Series Analysis and Maximum Likelihood Estimation”, truy cập địa http://www.dcsc.tudelft.nl/Research/PubSSC/dsis/publications/deWaele_S/MLtimse r.pdf 18 Tieu luan [21] “What is Maximum Likelihood”, truy cập địa http://www.cscu.cornell.edu/news/statnews/stnews50.pdf [22] “What is the differences between least squares estimation and maximum likelihood estimation”, truy cập địa http://www.linkedin.com/answers/management/businessanalytics/MGM_ANA/388159-32651588 [23] “Customizable tables of p values for teaching the t, F, and chi-square distributions” truy cập địa http://www.sociology.ohio-state.edu/people/ptv/publications/p %20values/p_value_tables.html 19 Tieu luan ... Trong phạm vi khóa luận, nhóm chúng tơi tìm hiểu lĩnh vực thị trường chứng khốn thực hệ thống phân tích dự báo thị trường chứng khốn dựa kiến thức tìm hiểu được, nhằm mục tiêu cung cấp thông... thi dự báo lĩnh vực kinh tế, tài Mơ hình đưa dự báo giá trị tương lai chuỗi thời gian dựa mối liên hệ giá trị liệu q khứ Mơ hình đưa dự báo giá trị tương lai chuỗi thời gian dựa mối liên hệ giá... đối chiếu với kết mẫu tương ứng Xây dựng trang quản trị cho hệ thống Được xây dựng để đáp ứng nhu cầu thêm mới, cập nhật liệu giá loại cổ phiếu, lập mơ hình dự báo tự động Vì tính chất quản trị