Dự báo vnindex bằng rnn (recurrent neural network) kết hợp với arima đồ án tốt nghiệp ngành kỹ thuật dữ liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ĐỒ ÁN TỐT NGHIỆP NGÀNH KỸ THUẬT DỮ LIỆU DỰ BÁO VNINDEX BẰNG RNN (RECURRENT NEURAL NETWORK) KẾT HỢP VỚI ARIMA GVHD: TS NGUYỄN THÀNH SƠN SVTH: VŨ NGỌC KHANG NGUYỄN PHƯỚC SANG SKL009322 Tp.Hồ Chí Minh, tháng 7/2022 - TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP.HCM KHOA CÔNG NGHỆ THÔNG TIN NGÀNH KỸ THUẬT DỮ LIỆU - - KHÓA LUẬN TỐT NGHIỆP VŨ NGỌC KHANG - 17133033 NGUYỄN PHƯỚC SANG – 17133055 ĐỀ TÀI: DỰ BÁO VNINDEX BẰNG RNN (RECURRENT NEURAL NETWORK) KẾT HỢP VỚI ARIMA GIẢNG VIÊN HƯỚNG DẪN TS NGUYỄN THÀNH SƠN Tp Hồ Chí Minh, tháng năm 2022 ĐH SƯ PHẠM KỸ THUẬT TP.HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM KHOA CNTT Độc lập - Tự Hạnh phúc ******* ******* PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN Họ tên Sinh viên 1: Vũ Ngọc Khang MSSV 1: 17133033 Họ tên Sinh viên 2: Nguyễn Phước Sang MSSV 2: 17133055 Ngành: Kỹ thuật liệu Tên đề tài: DỰ BÁO VNINDEX BẰNG RNN (RECURRENT NEURAL NETWORK) KẾT HỢP ARIMA Họ tên Giảng viên hướng dẫn: TS Nguyễn Thành Sơn NHẬN XÉT Về nội dung đề tài khối lượng thực hiện: Ưu điểm: Khuyết điểm: Đề nghị cho bảo vệ hay không? Đánh giá loại: Điểm: Tp Hồ Chí Minh, ngày tháng Giáo viên hướng dẫn (Ký & ghi rõ họ tên) năm 202 ĐH SƯ PHẠM KỸ THUẬT TP.HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM KHOA CNTT Độc lập - Tự Hạnh phúc ******* ******* PHIẾU NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN Họ tên Sinh viên 1: Vũ Ngọc Khang MSSV 1: 17133033 Họ tên Sinh viên 2: Nguyễn Phước Sang MSSV 2: 17133055 Ngành: Kỹ thuật liệu Tên đề tài: DỰ BÁO VNINDEX BẰNG RNN (RECURRENT NEURAL NETWORK) KẾT HỢP ARIMA Họ tên Giảng viên phản biện: TS Võ Xuân Thể NHẬN XÉT Về nội dung đề tài khối lượng thực hiện: + Nhóm sinh viên có hiểu biết RNN(mạng Nơ ron hồi quy), ARIMA mơ hình cải tiến lai ghép ARIMA với LSTM (Long-Short Term Memory) + Đề tài vận dụng ARIMA lai ghép LSTN vào toán chuỗi liệu thời gian dự báo số chứng khốn VN-Index + Có cài đặt chương trình thực nghiệm Ưu điểm: + Nhóm sinh viên có kiến thức kỹ đảm bảo yêu cầu chuyên mơn bậc Đại học + Có đầu tư thực đề tài nghiêm túc + Tiếp thu điều chỉnh góp ý phản biện nghiêm túc Khuyết điểm: + Có lẽ giới hạn thời gian, nên nhóm sv chưa mở rộng đề tài nghiên cứu thông qua so sánh đánh giá giải thuật với nhiều toán thực tiễn khác với nhiều giải thuật khác Đề nghị cho bảo vệ Câu hỏi: + Chuỗi thời gian ? minh họa với toán đề tài? + Tại tham số LSTM dùng số unit 128 (64), số lớp NN 6? Dùng số khác không? Đánh giá loại: XUẤT SẮC Điểm: Tp Hồ Chí Minh, ngày 14 tháng 07 năm 2022 Giáo viên phản biện (Ký & ghi rõ họ tên) VÕ XUÂN THỂ LỜI CẢM ƠN Nhóm chúng tơi xin chân thành cảm ơn q thầy cô trường Đại Học Sư phạm kỹ thuật TP Hồ Chí Minh tận tình dạy cho kiến thức sở năm học tập vừa qua tạo điều kiện để thực đề tài Đặc biệt nhóm chúng tơi xin bày tỏ lòng biết ơn T.S Nguyễn Thành Sơn Thầy tận tình hướng dẫn bảo cho thực đề tài Cuối cùng, nhóm chúng tơi xin cảm ơn đến tác giả báo khoa học tham khảo Các báo giúp cho nhóm tiếp thu thêm nhiều kiến thức quan trọng hiểu rõ đề tài nghiên cứu MỤC LỤC DANH MỤC HÌNH ẢNH .1 DANH MỤC BẢNG BIỂU .4 DANH MỤC CÁC TỪ VIẾT TẮT TÓM TẮT PHẦN 1: MỞ ĐẦU TÍNH CẤP THIẾT CỦA ĐỀ TÀI MỤC ĐÍCH CỦA ĐỀ TÀI NHIỆM VỤ CỦA ĐỀ TÀI CÁCH TIẾP CẬN VÀ PHƯỚNG PHÁP NGHIÊN CỨU .8 BỐ CỤC TIỂU LUẬN PHẦN 2: NỘI DUNG .9 CHƯƠNG 1: BÀI TOÁN DỰ BÁO CHUỖI THỜI GIAN 1.1 BÀI TOÁN DỰ BÁO 1.1.1 Dự báo hỗ trợ trình định tình .9 1.1.2 Chuỗi thời gian (Time Series) 10 1.2 TIẾN TRÌNH CỦA MỘT BÀI TOÁN DỰ BÁO 11 1.2.1 Tiến trình chung tốn dự báo .11 1.2.2 Tiêu chuẩn dự báo 11 CHƯƠNG 2: TỔNG QUAN VỀ CHỨNG KHOÁN VÀ CHỈ SỐ VN-INDEX 13 2.1 CHỨNG KHOÁN LÀ GÌ VÀ TẠI SAO NÊN ĐẦU TƯ CHỨNG KHỐN? 13 2.2 LỢI NHUẬN RỦI RO VÀ SỐ VỐN ĐỂ BẮT ĐẦU 14 2.3 CƠ HỘI ĐẦU TƯ MÀ CHỨNG KHOÁN MANG LẠI 14 2.4 RỦI RO .15 2.5 VẬY MUỐN ĐẦU TƯ CHỨNG KHỐN THÌ SỐ VỐN CẦN LÀ BAO NHIÊU? .16 2.6 THỜI GIAN MỖI NGÀY VÀ THỜI ĐIỂM ĐẦU TƯ .19 2.7 TỔNG QUAN CHỈ SỐ VN-INDEX 20 2.7.1 Chỉ số VN-Index gì? 20 2.7.2 Ý nghĩa số VN-Index 21 2.7.3 Chỉ số VN-Index qua năm 22 2.7.4 Kết kinh doanh sơ công ty 24 2.7.5 Cách tính số Vn-Index .24 2.7.6 Các cơng trình liên quan 27 2.7.6.1 Phần mềm phân tích chứng khoán Amibroker 27 2.7.6.2 Phần mềm chứng khoán Metastock .27 2.7.6.3 Phần mềm phân tích chứng khốn FireAnt 28 2.7.6.4 Phần mềm chứng khoán SSI Pro Trading 28 CHƯƠNG 3: RECURRENT NEURON NETWORK 29 3.1 GIỚI THIỆU .29 3.2 CÁCH RNN HOẠT ĐỘNG .30 3.2.1 Huấn luyện thông qua RNN 32 3.2.2 Supervised learning (Học có có giám sát) .32 3.2.3 Unsupervised Learning (Học khơng có giám sát) 33 3.2.4 Hàm mục tiêu 33 3.2.5 Thuật toán lan truyền ngược (Backward propagation) 34 3.2.6 Ưu điểm RNN 34 3.2.7 Nhược điểm RNN .35 3.3 LSTM – LONG-SHORT TERM MEMORY 35 3.3.1 Tổng quan 35 3.3.2 Tóm tắt nhanh 35 3.3.3 Sơ lược LSTM 36 3.3.4 Hoạt động bên LSTM 38 3.3.4.1 Cổng đầu vào .39 3.3.4.2 Cổng quên 40 3.3.4.3 Cổng đầu 42 3.4 ỨNG DỤNG RNN VÀO DỰ BÁO CHUỖI THỜI GIAN 42 3.4.1 Cấu trúc hoat động mạng RNN 42 3.4.2 Thiết lập liệu dùng để huấn luyện, thử nghiệm 44 3.4.2.1 Vấn đề Overfiting Underfiting 44 3.4.2.2 Training Set (Tập huấn luyện) .45 3.4.2.3 Testing Set (Tập kiểm thử) 45 3.4.2.4 Validation (Tập kiểm chứng) .47 CHƯƠNG 4: ARIMA 49 4.1 GIỚI THIỆU .49 4.2 MÔ HÌNH TỰ HỒI QUY KẾT HỢP TRUNG BÌNH TRƯỢT (ARIMA) .49 4.2.3 Mơ hình tự hồi quy (AR(p) – Autoregressive model) .49 4.2.4 Mơ hình trung bình trượt (MA (q) – Moving Average Mode) .50 4.2.5 Sai phân I(d) 51 4.2.6 Mơ hình ARMA 53 4.2.7 Mơ hình ARIMA (p,d,q) 53 4.2.8 Cách lựa chọn tham số cho mơ hình ARIMA 55 4.2.9 Các bước phát triển mơ hình ARIMA .55 CHƯƠNG 5: DỰ BÁO TRÊN CHUỖI THỜI GIAN SỬ DỤNG MƠ HÌNH LAI GHÉP ARIMA VÀ LSTM 57 5.1 MƠ HÌNH LAI GHÉP GIỮA ARIMA VÀ LSTM CHO BÀI TOÁN DỰ BÁO TRÊN CHUỖI THỜI GIAN .57 5.2 CẢI TIẾN MƠ HÌNH LAI GHIÉP BẰNG CÁCH THỰC HIỆN SONG SONG HAI MÔ HÌNH ARIMA VÀ LSTM .58 CHƯƠNG 6: TRIỂN KHAI THỰC NGHIỆM VÀ ĐÁNH GIÁ MƠ HÌNH 60 6.1 MƠ HÌNH ARIMA 60 6.2 MƠ HÌNH LSTM .60 6.3.MƠ HÌNH ARIMA-LSTM 62 6.4 MƠ HÌNH ARIMA-LSTM CẢI TIẾN 63 CHƯƠNG 7: CÀI ĐẶT MƠI TRƯỜNG THỰC NGHIỆM MƠ HÌNH 65 7.1 MÔI TRƯỜNG VÀ DỮ LIỆU THỰC NGHIỆM .65 7.2 TIÊU CHÍ ĐÁNH GIÁ 65 7.4 CÁC TRƯỜNG HỢP THỰC NGHIỆM 66 7.4.1 Tập liệu AAPL 69 7.4.2 Tập liệu HSG 71 7.4.3 Tập liệu AGR .74 7.4.4 Tập liệu VNINDEX 76 7.4.5 Tập liệu HPG 79 7.4.6 Tập liệu FTSE-100 .82 7.5 NHẬN XÉT KẾT QUẢ THỰC NGHIỆM Ở CÁC TẬP DỮ LIỆU 84 PHẦN 3: KẾT LUẬN 86 KẾT QUẢ ĐẠT ĐƯỢC 86 HẠN CHẾ .86 HƯỚNG PHÁT TRIỂN 86 TÀI LIỆU THAM KHẢO .87 PHỤ LỤC 89 MÔI TRƯỜNG THỰC NGHIỆM 89 CÁC BƯỚC THỰC HIỆN DEMO .89 Hình 7.13 Kết dự báo tập liệu AGR mơ hình dùng 128 nút Nhận xét: Khi tăng số nút lên 128 mơ hình ARIMA khơng bị ảnh hưởng, hai mơ hình LSTM, ARIMA-LSTM cải thiện nhiều kết dự báo thời gian tăng lên đáng kể, cịn mơ hình ARIMA LSTM cải tiến cho kết hiệu 7.4.4 Tập liệu VNINDEX Hình 7.14 Biểu đồ thể liệu chuỗi thời gian VNINDEX 76 Trường hợp 1: 64 nút Qua thực nghiệm tập liệu VNINDEX.csv kết cho bảng 11 thể thời gian số đánh giá mơ sau: Bảng 11 Kết thực nghiệm tập liệu VNINDEX với 64 nút Mơ hình VNINDEX 64 Time (s) RMSE MAE ARIMA 3.7338 0.2229 0.1625 LSTM 341.8060 0.0472 0.0366 ARIMA-LSTM 94.7650 0.0451 0.0385 ARIMA-LSTM cải tiến 0.0090 0.0472 0.0366 Hình 7.15 Kết dự báo tập liệu VNINDEX mơ hình dùng 64 nút Nhận xét: Với kết thực nghiệm chạy tập liệu VNINDEX với số nút mơ hình LSTM 64 cho thấy thời gian thực thi mơ hình ARIMA-LSTM cải tiến tốt nhất, nhanh nhiều lần so với mơ hình ARIMA-LSTM nhiên độ xác lại khơng ARIMA-LSTM điều cho thấy vấn đề tiền xử lý 77 liệu điều quan trọng ảnh hưởng nhiều tới kết dự báo mơ hình Trường hợp 2: 128 nút Kết thực nghiệm tập liệu VNINDEX.csv cho bảng 12 thể thời gian số đánh giá mơ sau: Bảng 12 Kết thực nghiệm tập liệu VNINDEX với 128 nút Mơ hình VNINDEX 128 Time (s) RMSE MAE ARIMA 3.3113 0.2229 0.1625 LSTM 655.3999 0.0381 0.0277 ARIMA-LSTM 177.6429 0.0403 0.0290 ARIMA-LSTM cải tiến 0.0100 0.0381 0.0277 Hình 7.16 Kết dự báo tập liệu VNINDEX mơ hình dùng 128 nút 78 Nhận xét: Khi tăng số nút lên 128, xét mặt thời gian thực thi mơ hình ARIMA-LSTM cải tiến nhanh mơ hình ARIMA-LSTM, mặt kết mơ hình thấy tốt so với trường hợp sử dụng 64 nút ẩn 7.4.5 Tập liệu HPG Hình 7.17 Biểu đồ thể liệu chuỗi thời gian HPG Trường hợp 1: 64 nút Qua thực nghiệm tập liệu HPG.csv kết cho bảng 13 thể thời gian số đánh giá mơ sau: 79 Bảng 13 Kết thực nghiệm tập liệu HPG với 64 nút Mơ hình HPG 64 Time (s) RMSE MAE ARIMA 4.6667 0.4760 0.3879 LSTM 176.7278 0.1193 0.0935 ARIMA-LSTM 52.5937 0.1148 0.0961 ARIMA-LSTM cải tiến 0.0120 0.1155 0.0906 Hình 7.18 Kết dự báo tập liệu HPG mơ hình dùng 64 nút Nhận xét: Với kết thực nghiệm chạy tập liệu HPG với số nút mơ hình LSTM 64 cho thấy thời gian thực thi ARIMA-LSTM cải tiến tốt nhiều so với mơ hình ARIMA-LSTM, xét độ xác cải thiện tốt cụ thể bảng 13 cho thấy Trường hợp 2: 128 nút Kết thực nghiệm tập liệu HPG.csv cho bảng 14 thể thời gian số đánh giá mơ sau: 80 Bảng 14 Kết thực nghiệm tập liệu HPG với 128 nút Mơ hình HPG 128 Time (s) RMSE MAE ARIMA 4.3024 0.4760 0.3879 LSTM 828.7896 0.0785 0.0633 ARIMA-LSTM 237.3971 0.0597 0.0498 ARIMA-LSTM cải tiến 0.0170 0.0709 0.0542 Hình 7.19 Kết dự báo tập liệu HPG mơ hình dùng 128 nút Nhận xét: Khi tăng số nút lên 128, xét mặt thời gian thực thi mơ hình ARIMA-LSTM cải tiến nhanh mơ hình ARIMA-LSTM, mặt kết mơ hình chưa thấy tốt so với mơ hình ARIMA-LSTM 81 7.4.6 Tập liệu FTSE-100 Hình 7.20 Biểu đồ thể liệu chuỗi thời gian FTSE-100 Trường hợp 1: 64 nút Qua thực nghiệm tập liệu FTSE-100.csv kết cho bảng 15 thể thời gian số đánh giá mơ sau: Bảng 15 Kết thực nghiệm tập liệu FTSE-100 với 64 nút Mơ hình FTSE-100 64 Time (s) RMSE MAE ARIMA 67.5336 0.1406 0.1299 LSTM 579.5063 0.0509 0.0354 ARIMA-LSTM 168.7683 0.0353 0.0273 ARIMA-LSTM cải tiến 0.0160 0.0509 0.0354 82 Hình 7.21 Kết dự báo tập liệu FTSE-100 mơ hình dùng 64 nút Nhận xét: Với kết thực nghiệm chạy tập liệu FTSE-100 với số nút mơ hình LSTM 64 cho thấy thời gian thực thi ARIMA-LSTM cải tiến tốt nhiều so với mơ hình ARIMA-LSTM, xét độ xác chưa cải thiện tốt cụ thể bảng 15 cho thấy Trường hợp 2: 128 nút Kết thực nghiệm tập liệu FTSE-100.csv cho bảng 16 thể thời gian số đánh giá mơ sau: Bảng 16 Kết thực nghiệm tập liệu FTSE-100 với 128 nút Mơ hình FTSE-100 128 Time (s) RMSE MAE ARIMA 61.0031 0.1406 0.1299 LSTM 1182.3140 0.0519 0.0332 ARIMA-LSTM 302.9340 0.0317 0.0236 ARIMA-LSTM cải tiến 0.0170 0.0491 0.0315 83 Hình 7.22 Kết dự báo tập liệu FTSE-100 mơ hình dùng 128 nút Nhận xét: Khi tăng số nút lên 128, xét mặt thời gian thực thi mơ hình ARIMA-LSTM cải tiến nhanh mơ hình ARIMA-LSTM, mặt kết mơ hình chưa thấy tốt so với mơ hình ARIMA-LSTM 7.5 NHẬN XÉT KẾT QUẢ THỰC NGHIỆM Ở CÁC TẬP DỮ LIỆU Sau thực nghiệm tập liệu, tập liệu thực nghiệm hai trường hợp cho kết sau: - Về thời gian thực thi Các trường hợp thực nghiệm cho thấy, thời gian thực thi mơ hình phụ thuộc nhiều vào tập liệu, tập liệu nhỏ thời gian thực thi mơ hình khơng thay đổi nhiều, mơ hình ARIMA-LSTM cải tiến so với mơ hình khác đa số hiệu quả, nhiên dự báo tập liệu lớn chênh lệch mặt thời gian mơ hình ARIMA-LSTM cải tiến với mơ hình ARIMA-LSTM lớn Điều cho thấy mơ hình ARIMA-LSTM cải tiến ứng dụng nhiều lĩnh vực, lĩnh vực lượng liệu ngày nhiều Mơ hình ARIMA-LSTM cải tiến nhanh mơ hình ARIMA-LSTM trường hợp thực nghiệm - Về độ xác Trong thực nghiệm sử dụng hai giá trị RMSE MAE để đánh giá độ xác 84 mơ hình dự báo Qua thực nghiệm cho thấy mơ hình ARIMA-LSTM cải tiến đa số ln cho kết thấp mơ hình ARIMA-LSTM, mơ hình dự báo cho kết khơng tốt tập liệu lớn Nguyên nhân tập liệu đầu vào chưa xử lý Đối với mơ hình ARIMA-LSTM tận dụng ưu điểm mô hình, ARIMA xử lý tốt thành phần tuyến tính tập liệu LSTM xử lý tốt thành phần phi tuyến lại (sau ARIMA thực thi) tập liệu, cịn mơ hình ARIMA-LSTM cải tiến thực song song tập liệu dó kết chưa mong đợi Điều cho thấy tập liệu xử lý trước thực mơ hình ARIMA-LSTM cải tiến cách phân tách thành hai tập liệu riêng biệt, tập chứa thành phần tuyến tính liệu làm đầu vào cho mơ hình ARIMA, tập cịn lại chứa thành phần phi tuyến liệu làm đầu vào cho mơ hình LSTM Khi kết dự báo thay đổi theo hướng tích cực 85 PHẦN 3: KẾT LUẬN KẾT QUẢ ĐẠT ĐƯỢC - Nghiên cứu tổng quan số VN-Index phương pháp dự báo chỉsố VN-Index - Nghiên cứu mạng nơ-ron hồi quy mạng LTSM (Long Short Term Memory) - Nghiên cứu ứng dụng mạng nơ-ron hồi quy vào dự báo số VN-Index - Nắm lý thuyết mơ hình như: tự hồi quy(AR), mơ hình trung bình trượt (MA), mơ hình ARMA, mơ hình ARIMA - Tìm hiểu thư viện python để xây dựng mạng ARIMA LTSM sử dụng dự báo - Nghiên cứu sử dụng mơ hình lai ghép cách thực song song hai mô hình ARIMA LSTM HẠN CHẾ - Về lý thuyết nắm kiến thức mơ hình, chưa sâu vào tìm hiểu chi tiết mơ hình - Ứng dụng xây dựng chức mặt thẩm mỹ chưa HƯỚNG PHÁT TRIỂN - Về lý thuyết chúng tơi tìm hiểu chi tiết mơ hình - Ứng dụng thực nghiệm mơ hình chúng tơi cần thêm vào chức khác hay hơn, xây dựng ứng dụng có thẩm mỹ hơn, ứng dụng chạy nhanh xác 86 TÀI LIỆU THAM KHẢO [1] Long Short-Term Memory: From Zero to Hero with PyTorch [2] https://gomoney.vn/chi-so-vn-index-la-gi/ [3] https://i.ndh.vn/attachment/2022/06/09/vnd-chien-luoc-thang-6-pdf.pdf [4] Dương Ngân Hà Tạp chí Khoa học & Đào tạo Ngân hàng [5] https://www.geeksforgeeks.org/introduction-to-recurrent-neural- network/ M T Farrell and A Correa, “Gaussian process regression models for [6] predicting stock trends,” Relation, vol 10, pp.1–9, 2007 [7] Nguyễn Thị Vinh phân tích chuỗi thời gian [8] https://thinhvuongtaichinh.com/phan-mem-phan-tich-chung-khoan/ [9] Rob J Hyndman, George Athanasopoulos “Forecasting: Principles and Practice” [10] Robert H Shumway, David S Stoffer “Time Series Regression and ARIMA Models” [11] G.P Zhang, “Time series forecasting using a hybrid ARIMA and neural network model”, Neurocomputing 50 (2003) [12] P J Brockwell, R A Davis, “Introduction to Time Series and Forecasting”, 2nd edition, Springer Publication; March, 2003 [13] BeriDang “Dự báo số VNIndex mơ hình ARIMA” (2018) [14] Rob J Hyndman, George Athanasopoulos “Forecasting: Principles and Practice” [15] http://en.wikipedia.org/wiki/Time_series [16] https://en.wikipedia.org/wiki/Autoregressive%E2%80%93moving-average _model 87 [17] Ratnadip Adhikari R K Agrawal An Introductory Study on Time Series Modeling and Forecasting (2013), pages: 18-23 [18] Robert H Shumway David S Stoffer “Time Series Analysis and Its Applications”, pages:137-144 [19] S K Lahiri, K.C Ghanta “Artificial neural network model with the parameter tuning assisted by a differential evolution technique: the study of the hold up of the slurry flow in a pipeline” Chemical Industry & Chemical Engineering Quarterly 15 (2) 103−117, (2009) [20] Miroslav R Radovanović Optimal Selection of ANN Training and Architectural Parameters Using Taguchi Method: A Case Study Full Professor University of Niš Faculty of Mechanical Engineering [21] L Zhang, G X Zhang, and R R Li “Water Quality Analysis and Prediction Using Hybrid Time Series and Neural Network Models” JAST_Volume 18_Issue 4_Pages 975-983 (2018) [22] https://www.vndirect.com.vn/kien-thuc-co-ban/co-phieu/ [23] https://emime.vn/kien-thuc-dau-tu/nhung-co-hoi-va-rui-ro-nao-khi-dau-tu- chung-khoan-496/ [24] Phạm Chí Công “Dự báo chuỗi thời gian sử dụng mô hình lai ghép ARIMA RBFNN” Luận văn thạc sĩ, Trường Đại học Sư phạm Kỹ thuật, TPHCM, (2021) 88 PHỤ LỤC Hướng dẫn sử dụng chương trình demo MÔI TRƯỜNG THỰC NGHIỆM - Hệ thống thực nghiệm máy tính Dell Inspiron 5558, Inter® core™ i5-5200U CPU @ 2.2 GHz, GB RAM trở lên, hệ điều hành Windows 10 - Sử dụng tốt phần mềm Python 3.8.8, sử dụng thư viện numpy, pandas, tensorflow, warnings, auto_arima, mean_squared_error, mean_absolute_error, math, streamlit, mathplotlib, plotly, MinMaxScaler, Dense, Dropout, LSTM, Sequential, datetime CÁC BƯỚC THỰC HIỆN DEMO - Từ sổ Command Prompt thực chương trình cách gọi ứng dụng Demo: streamlit run arima_lstm.py - Chọn tập liệu dự báo: Browse files - Chọn cột liệu để dự báo - Chọn số lượng Training data rate - Chọn tham số bắt đầu cho mơ hình ARIMA để tìm tham số tốt - Chọn tham số cho mơ hình LSTM - Chọn số lượng Dropout - Bấm vào nút “Apply Changes” để chạy chương trình - Bấm  cửa sổ Demo cửa sổ Command Prompt để kết thúc chương trình 89 S K L 0