phân tích thị trường chứng khoán và dự đoán

Các cô phiếu này có thể được niêm yết trên sản giao dịch công khai hoặc được giao dich một cách không công khai, như là cô phần của một doanh nghiệp tư nhân bán cho các nhà đầu tư thông

Thị trường chứng khoán TS nSnS TT n TH HH HH kế 6

Thị truờng chứng khoán là một hệ thống bao gồm người mua và người bán cô phiếu hoặc chứng khoán, đại diện cho quyền sở hữu của họ đối với một công ty Các cô phiếu này có thể được niêm yết trên sản giao dịch công khai hoặc được giao dich một cách không công khai, như là cô phần của một doanh nghiệp tư nhân bán cho các nhà đầu tư thông qua các nền tảng gọi vốn cộng đồng Các giao dịch trên thị trường chứng khoán thường được thực hiện thông qua sự trung gian của các nhả môi giới chứng khoán và các nền tảng giao dịch trực tuyến Có hai loại thị trường chứng khoán là thị trường sơ cấp và thị trường thứ cấp Thị trường chứng khoán sơ cấp là nơi mà cô phiếu được bán ra lần đầu, trong khi thị trường thứ cấp là nơi mà các cỗ phiếu đã có sẵn được giao dịch giữa các nhà đầu tư [1]

Thị trường chứng khoán đóng vai trò quan trọng trong việc cung cấp vốn cho doanh nghiệp và tô chức, giúp họ có nguồn tài chính đề đầu tư vào các hoạt động kinh doanh Đồng thời, nó cũng thu hút sự quan tâm và đầu tư từ các nhà đầu tư trong và ngoài nước, mở ra cơ hội mới và thúc đây sự phát triển của các ngành công nghiệp, góp phần vào tăng trưởng kinh tế của quốc gia Tại Việt Nam, hoạt động của thi trường chứng khoán được quản lý và điều hành bởi Tổng cục Chứng khoán Việt Nam, với hai sản giao dịch chứng khoán chính là Sở giao dịch chứng khoán TP Hồ Chí Minh (HoSE) va So giao dich chứng khoán Hà Nội (HNX).

Các loại chứng khoán phố biến - - 2S 1222212121 E322 512151 xe ce2 7 3 Phương pháp sứ dụng phân tích thị rường chứng khoán

Cổ phiếu (Stocks): Cô phiếu đại điện cho quyền sở hữu trong một công ty Khi các nhà đầu tư mua cỗ phiếu, họ trở thành cô đông và có khả năng kiếm được lợi nhuận thông qua cô tức và quá trình tăng vốn của công ty [2]

Trái phiếu (Bonds): Là hình thức vay mượn mà các nhà đầu tư cung cấp cho các tô chức hoặc chính phủ Chủ nhân trái phiếu nhận lãi suất cô định và trả lại giá trị gốc khi trái phiếu đáo hạn [2]

Quỹ đầu tư (Mutual Funds): Quỹ đầu tư, hay còn gọi quỹ đại chúng là sản phẩm dịch vụ của công ty quản lý quỹ, được thiết lập để huy động vốn từ nhiều nhà đầu tư, nguồn vốn này sau đó mang đi đầu tư vào lĩnh vực có khả năng sinh lời cao như cô phiếu, trái phiếu, chứng khoán, tiền tệ hoặc bất động sản Đề đảm bảo quyền lợi cho nhà đầu tư, quỹ đầu tư được quản lý bởi đội ngũ chuyên gia giàu kinh nghiệm, cũng như được giám sát bởi cơ quan chức năng có thâm quyền [2]

ETFs (Exchange-Traded Funds): Tương tự như quỹ đầu tư, nhưng được giao dịch trên sàn giao dịch như một cô phiếu thông thường [2]

Chứng chỉ quỹ (Unit Trusts): Tương tự như quỹ đầu tư, nhưng không giao dịch trên sản và thường chỉ mua bán qua quỹ đầu tư

Cổ phiếu ưu đãi (Preferred Stocks): Có ưu tiên nhận cô tức và thanh toán so với cô phiếu thông thường, nhưng thường không có quyền bỏ phiếu trong các quyết định của công ty

Tín thác (Derivatives): Bao gồm các hợp đồng tương lai, hợp đồng chênh lệch (swaps), và các sản phẩm tài chính phái sinh khác

3 Phương pháp sử dụng phân tích thị trường chứng khoán

Nhóm chúng em sử dụng phương pháp LSTM cho phân tích thị trường chứng khoán 3.1 Định nghĩa

Mạng LSTM (Long Short Term Memory networks), thường được viết tắt là LSTM, là một loại đặc biệt của mạng nơ-ron hỗồi quy (RNN), được thiết kế để xử lý các phụ thuộc xa Được giới thiệu vào nam 1997 boi Hochreiter & Schmidhuber, LSTM da tro thành một công cụ quan trọng trong lĩnh vực học máy và trí tuệ nhân tạo [3] Đặc điểm quan trọng của LSTM là khả năng duy trì thông tin trong thời gian dài mà không gặp vấn đề về phụ thuộc xa Khả năng này là tính chất cơ bản của LSTM, nghĩa là nó có thể ghi nhớ thông tin mà không cần đến việc điều chỉnh hoặc huấn luyện đặc biệt Điều này khiến cho LSTM trở nên rất hiệu quả trong việc xử lý nhiều bài toán khác nhau, và đóng góp vào sự phố biến của nó trong cộng đồng nghiên cứu và ứng dụng ngày nay.

Ý tưởng cốt lõi của LSTM L1 22221 1212112151 1118111112111111 1E 81T re 8

Trạng thái tế bào (cell state) là yêu tố chính của LSTM Trạng thái tế bào có thể được xem như một loại băng chuyền thông tin, lưu trữ thông tin qua tất cả các mắt xích (các nút mạng) và chỉ tương tác tuyến tính một cách nhỏ nhặt Điều này cho phép thông tin truyền đi một cách liên tục và ôn định mà không lo sợ sự thay đổi đột ngột LSTM có khả năng kiểm soát thông tin truyền qua trạng thái tế bào bằng cách lọc hoặc thêm vào thông tin cần thiết thông qua các công được điều chỉnh cân thận [3]

Các công hoạt động như bộ lọc thông tin, kết hợp một tang mang sigmoid va mét phép nhan

Mỗi tầng sigmoid trong LSTM tạo ra một đầu ra nằm trong khoảng từ 0 đến 1, mô tả mức độ thông tin có thể được truyền qua Khi đầu ra là 0, không có thông tin nào được truyền qua, và khi là 1, tat ca thông tin đều được chấp nhận Một LSTMI bao gồm ba công sigmoid như vậy để duy trì và điều chỉnh trạng thái của tế bào [3]

Dự đoán chuỗi thời gian

Học giai điệu (nhịp điệu)

Nhận dạng chữ viết tay

Nhận dạng hành động của con người

Một số tác vụ dự đoán trong lĩnh vực quản lý quy trình kinh doanh

3.4 LSTM trong phân tích thị trường chứng khoán

LSTM có thể được sử dụng trong phân tích thị trường chứng khoán đề phân tích xu hướng thị trường hoặc dự đoán giá cô phiếu:

Dự đoán giá cô phiếu: LSTM có thể được huấn luyện để dự đoán giá cô phiếu trong tương lai bằng cách sử dụng dữ liệu lịch sử bao gồm khối lượng giao dịch, giá cô phiếu và các chỉ số kỹ thuật khác Các mô hình này cho phép các nhà đầu tư đưa ra quyêt định về việc mua hoặc bán cô phiêu

Phát hiện xu hướng thị trường: LSTM có thể được huấn luyện đề dự đoán giá cô phiếu trong tương lai bằng cách sử dụng dữ liệu lịch sử bao gồm khối lượng giao dịch, giá cô phiếu và các chỉ số kỹ thuật khác Các mô hình này cho phép các nhà đầu tư đưa ra quyết định về việc mua hoặc bán cô phiêu

Dự đoán biến động thị trường: Mức độ biến động của thị trường trong tương lai cũng có thể được dự đoán bằng LSTM Điều này có thể giúp nhà đầu tư thay đối chiến lược giao dịch của họ để phản ứng với những thay đôi trên thị trường

Tối ưu hóa mục đầu tư: LSTM có thê được sử dụng để dự đoán hiệu suất dự kiến của các cô phiêu và các loại tài sản khác đề tôi ưu hóa các danh mục đầu tu Nha dau tư có thê sử dụng các mô hình này đề xem xét và thay đôi ty trọng của các khoản đầu tư trong danh mục của họ

LSTM có thể được huấn luyện trên đữ liệu từ nhiều nguồn khác nhau, chăng hạn như tin tức tài chính, giá cô phiếu, đữ liệu kỹ thuật, dữ liệu cơ bản và chỉ số kinh tế LSTM có thê tạo ra các mô hình dự đoán hành vi thị trường phức tạp hơn bằng cách tích hợp thông tin từ các nguồn này

CHƯƠNG 2 HIỆN THỰC ĐÈ TÀI

1 Tiền Xử Lý Dữ Liệu Ảnh 1 1 Import Thư Viện Đâu tiên, đề chuẩn bị cho quá trình xây dựng model, nhóm cân Import các thư viện cân thiết bao gôm:

MinMaxScaler từ sklearn Ảnh 1 2 Thu Thập Dữ Liệu Thô

Bắt đầu với quá trình khởi tạo model, nhóm sẽ chọn ngày bắt đầu và kết thúc bằng hai lệnh “start” và “end” đề có thê lấy đữ liệu Nhóm chọn cô phiêu “GOOG” của tập đoàn Google đề nghiên cứu

Sau d6, nhom dung yfinance (yf) dé tai dữ liệu cô phiếu GOOG trong khoảng thời gian đã chọn từ trang Yahoo Finance để có được dữ liệu nghiên cứu [5]

Anh 1 3 Tinh Gia Tri Trung Binh ma_100_days = data.Close.rolling( ).mean() ma_200_days = data.Close.rolling( ).mean()

Nhom su dung ham rolling cua pandas dé tinh toan giá trị trung bình 100 phiên và

200 phiên của cô phiếu Ảnh 1 4 Vẽ Biểu DS

.figure(figsize=(8, 6)) pLot(ma_188_ days, , Label pLot(ma_288_ days, , Label plot(data.Close, , Label Legend(toc ) show()

Tiếp tục, nhóm sử dụng thư viện matplotlib dé vé biéu đồ giá trị trung bình 100 phiên và 200 phiên Lần lượt là: Đường thắng màu đỏ đề biểu thị giá trị trung bình 100 phiên Đường thắng màu xanh đương để biểu thị giá trị trung bình 200 phiên Đường thắng màu xanh lá cây để biểu thị giá trị đóng cửa thực của cô phiếu Ảnh 1 5 Tách Dữ Liệu a.Close[9:

11 Ở bước kế tiếp, nhóm sử dụng tách đữ liệu đã có ra thành 2 phần Phần

“data train” sử dụng 80% dữ liệu đã có, phần “data test” sử dụng 20% của dữ liệu còn lại Vậy sẽ có 80% dữ liệu dùng dé dao tao model va 20% dung dé kiém tra két qua

Anh 1 6 Import MinMaxScaler Đề chuẩn hóa đữ liệu, nhóm cần tạo một đối tượng MinMaxScaler giới hạn từ 0 đến l trước tiên Ảnh 1 7 Chuân Hóa Dữ Liệu transform Ở đoạn nảy, nhóm bắt đầu chuẩn hóa dữ liệu đảo tạo bằng MinMaxScaler

Anh 1 8 Tao Danh Sách Rỗng Đề tiến đến bước tiếp theo, nhóm tạo ra hai danh sách rỗng là “x” và “y” để lưu trữ dữ liệu đầu vào

Nhóm bắt đầu tạo một vòng lặp đề lấy dữ liệu đầu vào và ra

“for ¡1n range(100, data train scaled.shape[0])”: Lặp qua các giá trị từ 100 đến số phần tir cudi củng của dữ liệu dao tao

“x,append(data train scale[i-100:i]”: Thêm di liệu đầu vào vào danh sách X_train

“v.append(data train scale[i:0]”: Thêm đữ liệu đầu vào vào danh sách Y_ train Ảnh 1 10 Chuyên Dạng Dữ Liệu

Kết thúc quá trình tiền xử lý, nhóm chuyên dữ liệu từ hai đanh sách “x” và “y sang dạng Numby để chuẩn bị cho bước tiếp theo

2 Khởi Tạo Model Ảnh 2 1 Import Thư Viện keras.layers: Thư viện này cung cấp các lớp (layers) là những thành phần cơ bản để tạo mạng nơ-ron

Dense: Lớp này biểu diễn một lớp kết nối đầy đủ trong mạng nơ-ron Nó thường được sử dụng cho các nhiệm vụ phân loại hoặc hồi quy, trong đó mỗi nơron trong lớp được kết nối với tất cả các nơron trong lớp trước đó Lớp Dense thường được sử dụng ở đầu ra của mạng để đưa ra dự đoán [5]

Dropout: Lớp này thực hiện kỹ thuật Dropout, giúp loại bỏ ngẫu nhiên một tỷ lệ phần trăm nơron trong quá trình huấn luyện để ngăn chặn hiện tượng overfitting

Kỹ thuật này có thê giúp cải thiện khả năng khái quát của mô hình

LSTM: Lớp này biểu diễn một lớp Long Short-Term Memory (LSTM), một loại mạng nơ-ron hồi quy (RNN) có khả năng xử lý đữ liệu tuần tự như chuỗi thời gian hoặc văn bản LSTM có khả năng học các phụ thuộc dai han trong các chuỗi dữ liệu [5] keras.models: Thư viện này cung cấp các lớp để xây dựng và quản lý các mô hình mạng nơ-ron

HIỆN THỰC ĐÈ TÀI Ặ S512 2E122211 1E 1212211 ưg 10 1 Tien Xa LY Dae LIGU ooo cccccecccceseceeeeseseeeeseseecesessesecaestsasststeneesititsesseeneaeeees 10

Dự Đoán Dữ Liệu Từ Model 0 2012211 21112111281 51 112 11 E1 1H Hy rệt 17

3.1 Chuẩn bị dự đoán: Ánh 3.1.1 Trích Xuất Và Gán Dữ Liệu

Nhóm trích xuất 100 hàng cuối cùng từ dữ liệu huấn luyện (data_ train) và gán chúng vào biến mới pas 100 days 100 ngày này sẽ được sử dụng sau để tạo các chuỗi đữ liệu cho dự đoán Ảnh 3.1.1 Gộp Hàm

G day, DataFrame data test được nối với pas 100 days Tham số ignore index=True dam bao rang một chỉ mục mới, liên tục được tao cho

DataFrame kết hợp Ảnh 3.1.2 Chuẩn Hóa Data Test

Dòng này nhóm áp dụng đối tượng scaler (giả sử là một scaler) vào DataFrame data test kết hợp Phương thức ủt transform thực hiện việc chuẩn húa (vớ dụ: chuẩn hóa theo thang chuân hoặc chuẩn hóa Min-Max) dựa trên dữ liệu trong data test và chuyên đổi dữ liệu cho phù hợp [5]

Anh 3.2.1 Tạo Danh Sách Rẵng x= []: Khởi tạo một danh sách trống x để lưu trữ các chuỗi điểm đữ liệu quá khứ cho mục đích dự đoán y =[]: Tạo một danh sách y khác dé lưu trữ các giá trị mục tiêu tương ứng (giá thực tế) cho mỗi chuỗi

Vòng lặp for lặp qua các hàng của DataFrame data test scale đã được chuẩn hóa, bắt đầu từ chỉ mục 100 (giả sử chỉ mục bắt đầu từ 0) ¡ biêu diễn chỉ mục hiện tại x.append(data_test_scale[i-100:i]): Dong nay trích xuất một chuỗi gồm 100 điểm dữ liệu được chuẩn hóa (100 ngày trước) bắt đầu từ ¡-100 (không bao gồm) cho đến, nhưng không bao gồm chỉ mục ¡ Chuỗi này được thêm vào danh sách x y.append(data test scale[i, 0]): Giá trị mục tiêu (giá thực tế) tại chỉ mục hiện tai i (cột đầu tiên, giả sử giá là cột đầu tiên) được trích xuất từ dữ liệu đã được chuẩn hóa và thêm vào danh sách y

3.3 Chuyển đổi thành mảng NumPy:

Anh 3.3.1 Chuyên Dạng Dữ Liệu

Các danh sách x và y được chuyên đối thành các mảng NumPy, hiệu quả hơn cho các tác vụ học máy

3.4 Dự đoán và Đảo ngược chuẩn hóa: Ảnh 3.4.1 Dự Đoán el.predict(x

Mô hình học máy (model) được sử dụng để dự đoán giá dựa trên các chuỗi trong mang x Các dự đoán được lưu trữ trong mảng y_predict Ảnh 3.4.2 Chuyên Dạng Scaler

Dòng này lấy hệ số chuẩn hóa được sử dụng bởi đối tượng scaler Thuộc tính scale_ có thê thay đôi tùy thuộc vào cach trién khai scaler cu thé Ảnh 3.4.3 Đảo Ngược Dữ Liệu y_predict

Giá dự đoán (y_predict) được đảo ngược chuẩn hóa bằng hệ số chuân hóa để đưa chúng trở lại thang đo dữ liệu ban đầu Ảnh 3.4.4 Đảo Ngược Dữ Liệu y

Tương tự, giá thực tế (y) được đảo ngược chuẩn hóa để đảm bảo chúng có cùng thang đo với các dự đoán

3.5 Minh họa: Ảnh 3.5.1 Vẽ Biêu Đồ

Tạo một biểu đồ Matplotlib với kích thước được chỉ định là chiều rộng 10 inch va chiêu cao 8 inch Ảnh 3.5.2 Vẽ Biểu Đà

Vẽ đường biểu diễn giá dự đoán (y_predict) trên biêu đô

'r: Màu sắc của đường vẽ được đặt thành đỏ ('red') label = 'Predicted Price': Thêm nhãn cho đường vẽ, hiển thị là "Predicted Price" (Gia dy doan) trong khung chu giai (legend) Ảnh 3.5.3 Vẽ Biéu Đà

Vẽ đường biểu diễn giá thực tế (y) trên cùng biểu đô

'ứ': Màu sắc của đường vẽ được đặt thành xanh lỏ (green') label = 'Original Price': Thêm nhãn cho đường vẽ, hiển thị là "Original Price" (Gia thực tế) trong khung chú giải Ảnh 3.5.4 Vẽ Biêu Đồ

Thiết lập nhãn cho trục hoành (x-axis) thành "Time" (Thời gian) Ảnh 3.5.5 Vẽ Biéu Đà

Thiết lập nhãn cho trục tung (y-axis) thành "Price" (Giá)

Hiển thị khung chú giải (legend) để phân biệt giữa đường giá dự đoán và giá thực tế dựa trên các nhãn đã đặt ở các dòng plot trước đó Ảnh 3.5.7 Hiên Thị Biểu DS

Hiển thị biểu đồ đã tạo trên màn hình

Phân tích code: Ảnh 4 1 Lưu Model

IIode 1 save model: Biến lưu trữ mô hình học máy đã được huấn luyện để dự đoán giá cô phiếu save(Q: Phương thức được sử dụng để lưu mô hình vào một tệp

"Stock Predictions Model.keras': Tén tép duc chi dinh để lưu mô hình

Dòng code này sử dụng phương thức save() của mô hình đề lưu mô hình đã được huấn luyện vào một tệp với tên 'Stock Predictions Model.keras' Tệp này có phần mở rộng keras cho biết đây là mô hình Keras [5]

5 Triển Khai Model Dưới Dạng Web Ảnh 5 1 Import Thư Viện

Import các thư viện cân thiệt

Sử dụng câu lệnh import numpy as np trong Python sẽ cho phép nhập thư viện

NumPy và sử dụng tên gọi ngắn là np Thư viện NumPy trong Python rất mạnh mẽ, được sử dụng cho tính toán khoa học và toán học số np sẽ được sử dụng để đặt tên rút gọn cho thư viện NumPy, giúp việc sử dụng các hảm từ NumPy trở nên ngắn gọn và dễ đọc hơn trong mã nguồn

Sử dụng câu lệnh import pandas as pd để nhập thư viện Pandas vào chương trình

Python và gán tên viết tắt là pd, đây là công cụ mạnh mẽ cho việc phân tích và xử lý dữ liệu bảng trong Python Gán tên viết tat pd cho thư viện pandas trong phan as của mã nguồn giúp rút ngắn và làm dễ đọc hơn [5]

Trong Python, nhóm có thê sử dụng câu lệnh "from keras.models import load model" để nhập một hàm cụ thẻ từ một module cụ thẻ Trong trường hợp này, chỉ quan tâm đến module models được chỉ định từ thư viện Keras import load_ model: Chúng ta chỉ muốn nhập hàm load_ model từ module models đã được đề Cập trước đó

Ltt MOd el fnr-rớrnéeg(ớ(ú/(c(cớcaẶI

giá trị trung bình của cửa sô trượt này fig1 = plt.figure(figsize=(8,6)): Tạo một đối tượng Figure mới từ thư viện matplotlib với kích thước 8x6 inches Đối tượng này sẽ chứa biểu đồ sắp được vẽ plt.plof(ma_50_ days, 'r'): Vẽ đường trung bình động MA50 trên đối tượng

Figure Đường này sẽ được vẽ màu đỏ (7`) [6] plt.plot(data.Close, 'g'): Vẽ biêu đồ giá đóng cửa trên cùng đối tượng Figure Biểu đồ này sẽ được vẽ màu xanh (g)) plt.show(): Hiển thị biểu đồ trong môi trường lập trình Python (nếu chạy trong môi trường Jupyter Notebook hoac IDE) st.pyplot(fig1): Hiển thị biểu đỗ trong ứng dụng Streamlit Biêu đồ đã được vẽ trước đó trên đối tượng Figure fig1 được truyền vào hàm st.pyplot()

Tương tự cho ba phần “Price vs MA50 vs MA100”, “Price vs MA100 vs MA2007” va “Original Price vs Predicted Price”

Tương tự như ở bước I tại ảnh 1.8, I.9 và L.10

CHUONG 3 KET QUA VA HUONG PHAT TRIEN

1.1 Kết quả giữa giá trị đóng cửa thực và kết quả dự đoán MA50 Ảnh Kết Quả 1

1.2 Kết quả giữa giá trị đóng cửa thực và kết quả dự đoán MA50, MA 100

1.3 Kết quả giữa giá trị đóng cửa thực và kết quả dự đoán MA100, MA200 Ánh Kết Quả 3

1.4 Kết quả giữa giá trị đóng cửa thực và kết quả dự đoán Ảnh Kết Quá 4

Với sự phát triên thần tốc của công nghệ, thị trường chứng khoán cũng theo đó thay đôi nhanh chóng từ truyền thống sang áp dụng những kỹ thuật tiên tiền hiện dai Hiéu

28 được điều đó, trong tương lai, nhóm chúng em hy vọng có thẻ cải tiến và tích hợp thêm nhiều phương pháp mới vào mô hình của nhóm Trong thê giới đang phát triển của thị trường chứng khoán, sự đôi mới không ngừng làm nèn táng cho sự tiền bộ của phân tích thị trường Cùng với sự lan tỏa của công nghệ và dữ liệu lớn, việc cung cấp thông tin chính xác và đáng tin cậy cho các nhà đầu tư đang trở nên linh hoạt hơn bao giờ hét Một xu hướng đáng chú ý là việc sử dụng thuật toán và trí tuệ nhân tạo đề tự động hóa quá trình phân tích, từ việc thu thập dữ liệu đến dự báo và đề xuất giao dịch Điều này giúp tôi ưu hóa quy trình và giảm thiêu sai sót, từ đó tăng cường khả năng ra quyết định chính xác cho các nhà đầu tư

Thêm vào đó, quan tâm ngày càng tăng đối với yếu tố ESG trong việc đánh giá giá trị cô phiêu và rủi ro đầu tư Các nhà đầu tư không chỉ quan tâm đến việc tạo ra lợi nhuận, mà còn đặt ra câu hỏi về bền vững và trách nhiệm xã hội của các công ty mà họ đầu tư Do đó, phân tích ESG đang trở thành một phần không thẻ thiếu trong quy trình đánh giá thị trường Tóm lại, phân tích thị trường chứng khoán đang tiến xa hơn vào việc két hợp công nghệ, dữ liệu lớn và các yếu tô xã hội, kinh tế và môi trường để cung cáp thông tin phân tích chỉ tiết và đa chiều hơn cho các nhà đầu tư

Ngoài ra, không chỉ dừng lại ở phương pháp LTSM, nhóm sẽ tiếp tục nghiên cứu, đưa ra thêm các mô hình khác sử dụng các phương pháp như: hồi quy tuyến tính, prophet, random forest, v.v Qua đó, nhóm sẽ có thẻ nghiên cứu ra mô hình có độ chính xác cao hơn và cao câp hơn hiện tạ