0085 ứng dụng svm trong dự báo tài chính theo chuỗi thời gian luận văn tốt nghiệp

BỘGIÁODỤCVÀ ĐÀOTẠO TRƢỜNGĐẠIHỌCQUYNHƠN NGUYỄNMINHTIẾN ỨNG DỤNG SVM TRONG DỰ BÁO TÀI CHÍNHTHEOCHUỖITHỜIGIAN Chunngành :Khoa họcmáy tính Mãsố :8.48.01.01 Khóa :2019–2021 Ngƣờihƣớngdẫn:TS.LÊXNVIỆT BìnhĐịnh–Năm2021 LỜICAMĐOAN Tơi xin cam đoan tồn nội dung luận văn với đề tài: “Ứng dụngSVMtrongdựbáotàichínhtheochuỗithờigian”nàylàdotơithựchiệndƣớisự hƣớngdẫntrựctiếpcủaTS.LêXnViệt-TrƣờngĐạihọcQuyNhơn.Phần thực nghiệm chƣơng trình tơi tự xây dựng có hƣớng dẫn củagiảng viên, có sử dụng số thƣ viện chuẩn thuật toán đƣợccáctácgiảxuấtbảncôngkhai.Kếtquảthựcnghiệm đƣợcminhhọatrongluậnvănlàtrungthực Nội dung luận văn chƣa đƣợc cơng bố hay xuất dƣới bấtkỳ hình thức Các tài liệu tham khảo đƣợc sử dụng luận văn cónguồn gốc rõ ràng trích dẫn xác, đầy đủ Nếu sai tơi xin hồn tồnchịutráchnhiệm Phù Cát,ngàyt h n g n ă m 2021 Ngƣờicamđoan NguyễnMinhTiến LỜICẢMƠN Trong trình nghiên cứu luận văn, cịn gặp nhiều khókhăn,nhƣngtơivẫnlnnhậnđƣợcsựquantâm,giúpđỡcủaqthầycơ,bạn bè ngƣời thân Đây nguồn động lực lớn giúp tơi hồn thành đề tàiluậnvănnày Tôi xin gửi lời cảm ơn chân thành lịng biết ơn sâu sắc đến qThầy(Cơ),nhữngngƣờiđãnidƣỡngvàchắpcánhƣớcmơchobảnthântơiđếnvớicon đƣờngnghiêncứukhoahọcđầyđammê,đặcbiệtlàTS.LêXnViệt-TrƣờngĐạihọcQuiNhơn.Vớitâmhuyếtcủa mình,t h ầ y đ ã c h ỉ b ả o tậntình chuđáođểbản thân hồnthànhtốt cơng việc củamình Và xin cảm ơn cán bộ, nhân viên phòng Đào tạo Sau đại học,trƣờng Đại học Quy Nhơn tạo điều kiện tốt cho tơi suốt qtrình họctậptại trƣờng Cuối cùng, cho đƣợc gửi lời biết ơn đến gia đình, bạn bè tất cảnhữngngƣờithân,lnbêncạnhđộngviênbảnthântơitrongsuốtthờigianhọctậpvà nghiêncứu Kính chúc q Thầy (Cơ) anh chị em lớp cao học ngànhKhoahọc Máytính khóa 22sứckhỏe,hạnhphúc vàthànhđạt Xinchân thành cảmơn! NguyễnMinhTiến MỤCLỤC Trang LỜI CAM ĐOANLỜICẢM ƠN DANH MỤC CÁC CHỮ VIẾT TẮTDANHMỤCCÁCHÌNHẢNH MỞĐẦU 1 Lý dochọnđềtài Mụcđíchnghiêncứu Đối tƣợng vàphạmvinghiên cứu .2 Phƣơngphápnghiêncứu Ýnghĩakhoahọc vàthựctiễncủađề tài Chƣơng1.TỔNGQUANVỀCHUỖI THỜIGIAN 1.1 Giớithiệuvề chuỗithời gian 1.1.1 Độ nhiễu 1.1.2 Tính khơngcốđịnh .7 1.1.3 Tính khơngchắc chắn 1.1.4 Tính xu hƣớng 1.1.5 Tính chukỳ 1.2 Cáckhungdựbáo chuỗithờigian 1.3 Cáckỹthuậtxửlýchuỗithờigian .11 1.3.1 Xửlýdữliệu .11 1.3.2 Kỹthuậtlàmmịn 11 1.3.3 Differencing(Làmkhác) 13 1.4 Quytrìnhdựbáo .14 1.5 Một sốmơhìnhdựbáochuỗithờigian .15 1.5.1 Mơ hìnhtuyếntính 15 1.5.2 Mơ hìnhphituyếntính .16 1.5.3 Mơ hìnhARMA .18 1.5.4 Mơ hình SMA 19 1.5.5 Mơ hình LSTM .21 1.5.6 Mơ hìnhSVM 23 1.6 Kếtluậnchƣơng1 24 CHƢƠNG2.ỨNGDỤNGSVMT R O N G D Ự B Á O C H U Ỗ I T H Ờ I GIAN TÀICHÍNH 25 2.1 Mơ hìnhSVC .25 2.2 Vectorhỗ trợ hồiquy(SVR) 28 2.3 CácloạihàmkernelđƣợcsửdụngtrongSVM 35 2.3.1 Cơ sởtoánhọc củahàmkernel 38 2.3.2 Tínhchất củacáchàmkernel 41 2.3.3 Mộtsố hàmkernel thôngdụng 42 2.4 Các ứng dụng SVR dự đoán chuỗi thời gian tài 432.5.Đ n h giáđộ chínhxácvới MAPE .45 2.6 PhƣơngphápdựbáodựavàomơhìnhSVR 46 2.7 Kếtluậnchƣơng2 49 CHƢƠNG3.THỬNGHIỆM 50 3.1 Giớithiệubàitoán 50 3.2 Chitiếthóa 50 3.3 Dữliệu 52 3.4 Cài đặtthựcnghiệm .52 3.6.K ế t luậnchƣơng3 56 KẾTLUẬN 57 TÀILIỆUTHAMKHẢO .59 QUYẾTĐỊNH GIAOĐỀTÀILUẬNVĂNTHẠCSĨ(BẢNSAO) DANHMỤCCÁCCHỮVIẾTTẮT Chữtắt Dạngđầyđủ Mô tả SVM SupportVectorMachine Máyhỗtrợvector LSTM Long-shorttermmemory Bộ nhớdài-ngắn hạn SVC SupportVectorClassifier Vectorhỗtrợphânloại SVR SupportVectorRegression Vectorhỗ trợ hồiquy ANN Artificialneuralnetwork Mạngthần kinhnhântạo SMA Simplemovingaverage Đƣờngt r u n g bình độngđ n giản EMA Exponentialmovingaverage ARIMA AutoRegressive MovingAverage Đƣờngt r u n g b ì n h đ ộ n g h m mũ Integrate Trungb ì n h t r ƣ ợ t k ế t h ợ p tự ARMA Autoregressivemovingaverage hồi quy Tựhồiquytrungbìnhtrƣợt SNR Signal-To-NoiseRatio Chỉsốđolƣờngcơngsuấttín hiệuvàđộnhiễu DANHMỤCCÁCHÌNHẢNH Số hiệu 1.1 1.2 1.3 Tênhình Một chuỗithờigianđiểnhình Cácgiaiđoạn xâydựng mơhìnhvàdựbáocủa hệ thốngdựbáo GiácủacổphiếuMcDonaldstừ03/07/1995đến 31/12/1997 Trang 10 14 1.4 BiểudiễnSMA 21 1.5 MơhìnhmạngLSTM 22 2.1 Bàitốnphânloạinhịphântuyếntính 25 2.2 MaxmarginbiênSVM 26 2.3 MơhìnhmạngSVRsosánhvớiSVC 28 2.4 Minhhọahàmlỗithơngthƣờngvàhàmlỗiđộnhạy 30 2.5 Mơ hình SVR 32 2.6 VídụvềKernelSVR 36 2.7 Sơđồ khối củabàitốn 46 2.8 Mơhìnhchuỗithờigiancủalịchsửgiácổphiếucơngty Apple 47 2.9 SơđồsửdụngphƣơngphápGridSearch 49 3.1 TríchmộtphầntrongbộdữliệuAAPL_30.CSV 52 3.2 Mơhìnhthểhiện kếtquảdựđốn giữacáckernel 55 MỞĐẦU Lýdochọnđềtài Hiện nay, nghiên cứu liệu chuỗi thời gian đem lại ứngdụng quan trọng, mang tính thực tế cao lĩnh vực nhƣ thống kê, tàichính, dự báo thiên tai, xử lý liệu số,… Một số tốn Dự báochuỗi thời gian (hay dự báo giá trị tƣơng lai chuỗi thời gian từ giátrịtrongqkhứ)kếthợpxâydựngmơ hìnhdựbáothíchhợp Dự báo tài theo chuỗi thời gian đƣợc coi ứngdụng thách thức nhấtcủadựđoán chuỗithời gianhiện đại Đãcónhiềunghiêncứusửdụngmạngnơronnhântạo(ANN)vàmộtsốl ƣợnglớ ncác ứ n g dụng t hành cô ng chothấy rằngANN l àm ộ t c ôn g cụ hữu íchđểlậpmơhìnhvàdựbáochuỗithờigian.Tuynhiên,mộtsốnghiêncứu ANN gặp số hạn chế liệu chứng khốn tài cóđộnhiễulớnvà sốchiềuphức tạp Gần đây, máy hỗ trợ vector (SVM), thuật tốn mạng nơron mới, đãđƣợcpháttriểnbởiVapnikvàcộngsự.Khơnggiốngcácmạngnơrontruyềnthống khác tối thiểu hóa rủi ro tập liệu hữu hạn, SVM thựchiện nguyên tắc giảm thiểucấu trúcrủi ro cáchgiảm cận trêncủa lỗitổng quát thay lỗi đào tạo Dựa nguyên tắc này, SVM đảm bảo mộtmạng nơron tối ƣu, tạo cân phù hợp lỗi thực nghiệm vàkhoảng tin cậy Vapnik - Chervonenkis (VC)[1] Ngồi ra, giải pháp SVMcóthểtổngqthóatốthơnvàtốiƣutồnmạngnơron,trongkhicácmơhìnhxây dựngmạngkhácchỉcóthểtốiƣucụcbộ.ĐềtàinàytậptrungnghiêncứuSVMvàápdụngSVMvàodựbáotàichínhtheo chuỗi thời gian, đồng thời sosánht í n h k h ả t h i c ủ a n ó v i c c m n g A N N t r o n g d ự b o t h e o c h u ỗ i t h i gian Từ lý trên, tơi chọn đề tài“ỨNG DỤNG SVM TRONGDỰBÁO TÀICHÍNH THEO CHUỖITHỜI GIAN” Mụcđíchnghiêncứu Tìm hiểu nghiên cứu giải pháp SVM Kiểm tra tính khả thi việcứngdụng SVMtrong dự báo tài bằngcáchsử dụngcách m k e r n e l khác nhau, đồng thời so sánh độ xác Ứng dụng SVM dự báo tàichínhtheochuỗithờigianvàkhảosátcácđặcđiểmchứcnăngđƣợcthểhiện Đốitƣợngvàphạmvinghiêncứu 3.1 Đốitƣợngnghiêncứu: Dữ liệu chứng khốn dạng chuỗi thời gian, thuật toán thực dựbáo chuỗithờigian 3.2 Phạmvinghiêncứu: Phạm vi nghiên cứu đề tài ứng dụng mơ hình SVM vào dựbáo liệu chứng khoán chuỗi thời gian Nhƣ vậy, đề tài cần liệuchứng khốn cơng ty sàn chứng khoán để xâydựng sở liệu, từ tiến hành dự báo giá trị chứng khốn cho cơng ty đótrongthờiđiểmtƣơnglai định Phƣơngphápnghiêncứu Phƣơng pháp nghiên cứu đề tài đƣợc lựa chọn lý thuyết kết hợpvới thực nghiệm Các vấn đề cần giải liên quan đến thuật toán lýthuyết chuỗi thời gian, nhƣ học máy mạng nơron nhân tạo.Phân tích, dự báo tài chuỗi thời gian đƣợc thực máy tính vớiđầu vào làcácthông tinthu nhậnđƣợctừthựctế Ýnghĩa khoahọcvàthựctiễncủa đềtài Nhữnggiátrị khoahọcvàthựctiễn củađềtài: - Các mơ hình dựa SVM đƣợc phát triển tính khả thi việcứngdụngcácmơhìnhnàyvàodựđốngiáchứngkhốnđƣợckiểmchứng - Sự kết hợp tốt thơng số SVR đƣợc sử dụng đểxây dựng mơ hình SVR đƣợc xác định cho liệu cổ phiếu sosánhđiểmtƣơngđồng giữacácgiátrị - So sánh hiệu suất độ xác hàm kernel mơ hìnhSVRkhiứngdụng chochuỗithờigiantàichính NỘIDUNGCHÍNH Nộidungcủađềtàiđƣợcchiathành3chƣơng Chƣơng1:Tổngquanvềchuỗithờigianvàbàitốndựđốnchuỗithờigian Trong chƣơng này, đề tài giới thiệu tổng quan khái niệm bảntrong lĩnh vực chuỗi thời gian, kỹ thuật mơ hình đƣợc sử dụng để phântíchvà dựđốnchuỗithờigian Chƣơng2:ỨngdụngmơhìnhSVRvàobàitốndựđốnchuỗithờigian Lý thuyết mơ hình SVM SVR Ứng dụng SVR để dự đốn chuỗithời gian Kỹ thuật GridSearch tối ƣu tham số MAPE để đánh giá hiệu suấtmơhình Chƣơng3:Chƣơngtrìnhthửnghiệm Giới thiệu tốn, mơ tả tập liệu đầu vào đƣợc sử dụng, cài đặt thửnghiệm,vàđánh giákếtquảthựcnghiệmkhigiảiquyết bàitoántheo thựctế