Chuyên đề thực tập: Ứng dụng deep learning viết chương trình thử nghiệm dự đoán giá chứng khoán VIC

Chuyên đề thực tập chuyên ngành Toán Kinh tếTTCK ML DANH MUC TU VIET TAT Thi trường chứng khoán Machine learning Deep learning Long Short Term Memory Recurent Neural Network Artificial N

Trang 1

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC KINH TE QUOC DÂN

Chuyên ngành: Toán kinh tế

Đề tài: UNG DUNG DEEP LEARNING VIET CHUONG

TRÌNH THU NGHIEM DU DOAN GIA CHUNG KHOAN VIC

Sinh viên thực hiện: Lê Ha Giang Mã sinh viên: 11181217

Lớp: Toán Kinh tế 60

Giảng viên hướng dẫn: ThS Nguyễn Thị Thùy Trang

Hà Nội, tháng 12 năm 2021

Trang 2

Chuyên đề thực tập chuyên ngành Toán Kinh tế

LỜI CẢM ƠN

Với lòng kính trọng và biết ơn sâu sắc, em xin gửi lời cảm ơn chân thành đến

Trường đại học Kinh tế Quốc dân nói chung và đặc biệt các thầy cô khoa Toán kinh

tế nói riêng đã tận tâm giảng dạy và trang bị cho chúng em kiến thức quý báu.

Đặc biệt, em muốn gửi lời cảm ơn đến cô Nguyễn Thị Thùy Trang, nhờ sự tậntâm hướng dẫn của cô em đã trau dồi được những kinh nghiệm và kiến thức cần thiết,

giúp em khắc phục những khó khăn, thiếu sót dé hoàn thành đề tài tốt nghiệp của mình

một cách tốt nhất

Cuôi cùng, em xin gửi lời cảm ơn sâu sắc nhât đên gia đình và bạn bè đã luôn

động viên, giúp đỡ em hoàn thành chuyên đề thực tập

Bài viết không thể tránh những thiếu sót, kính mong nhận được sự đóng góp ýkiến từ các thầy cô dé em có thé nâng cao và bổ sung kiến thức cũng như kinh nghiệm

Trang 3

Lý do chọn để tài -:- s52 2E12E12212117171717111112112112111111111 1111 11c cre 7

Muc tidu nghién COU 0111 10 Phương pháp nghiên CỨU - - E113 1E* 1199111911191 1 11T HH key 10

Đối tượng và phạm vi nghiên cứu - 2-2 + E+EE££E+£E2E£EE2EE2EE+EE+Ekrrkereee 10

Đóng góp của nghiÊn CỨU - - G1191 9E TH TH HT HH nh 10

Kết cấu của đề tài 5c Stcnnt t 21111 111111151111111517111111151111511111ET1E1ETE E1 Trcei 11

CHƯƠNG 1 CƠ SỞ LÝ LUẬN VA TONG QUAN NGHIÊN CỨU 12

1.1 LÝ LUẬN CƠ BẢN VỀ THỊ TRƯỜNG CHỨNG KHOÁN VÀ GIÁCHUNG KHOÁN 2: ©2£5E+2ESEE921122121127112112712117121111.211 11 1xx cre 12

1.1.1 Thị trường Chứng khOÁáH c- ch gtưệt 12

98a 01 12 Cách thức hoạt động của thị trường chứng khoán «+-«++s<++s++ 12

Chức năng của thị trường chứng khoán - 55+ +<k+++t++eexeeerseerseeers 13 1.1.2 Giá chứng khOÁáH «ch ng ng trệt 14 1.2 DEEP LEARNING 6027 -:-Ö:1 14

1.2.1 Mạng no-ron nhân ÍQO «cty 14

5n ‹ 7 3 14

1.2.1.2 Mô hình hoạt động - - + E* SE S9 19 1 ket 15

1.2.1.3 Ung dung 171.2.2 Mang no-ron NOt Quy csesscsssessesssesssessesssesssssessssssessusssesssessesssessesssessssseesees 17

V.2.2.1 Ki@mn tric nn ẽ ajJỤ Ả 171.2.2.2 Một số mô hình RNN mở l0) HD 191.2.2.3 Ứng dụng mạng RNN -2¿©5222E2EEEECEEEEEEEEEerkrerrerrree 20

1.2.3 Mạng LLS TÌM - << xxx nh 20

1.2.3.1 Kiến trúc mạng - 2 2+c<+Ek+EEEEEEEEEEEEEEEE211211211211 1111 xe 201.2.3.2 Một số các biến thỂ - - + St StÉEEEE+EEEEEEEEEEEEEEEEEESEEEEEEkerksrerver 24c0 .Ỗ 251.2.3.4 Đánh giá sai số dự báo eo 251.3 TONG QUAN NGHIÊN CỨU - 2-5 SSk‡SE+E£EE£EEEEEEEEEEEEEEEEEerkerkrrerg 26

11181217-Lé Hà Giang Trang 3

Trang 4

CHƯƠNG 2 THỰC TRẠNG HOẠT ĐỘNG CỦA VINGROUP VÀ GIÁ CHUNG KHOOAN VIC 2 <2 s£©SeEs£©Ss£EssESsEESeEESEESeEEserseerserseerserssee 30

2.1 THỰC TRANG KINH TE VÀ THỊ TRƯỜNG CHUNG KHOAN VIET

1 30

2.1.1 Tình hình kinh tế Việt Nam trong 10 năm qia -. -5:©-s55z©5s¿ 302.1.2 Diễn biến thị trường chứng khoán VN trong giai đoạn nghiên cứu 31

2.2 GIỚI THIỆU TAP DOAN VINGROUP VA VIC ssssscsssesssessesssesseesseeseesseens 34

2.2.1 Tập đoàn Vin group Ăn KH 34 2.2.2 Giá chứng khoán VÌÍ(C - s «xxx 9E k9 nh rệt 37

CHUONG 3 KET QUÁ DU DOAN GIÁ CHUNG KHOAN VIC 40

3.1 GIỚI THIỆU BO DU LIỆU -¿- 2 + k£EE+SE+E£EE£EE+EEEEEEEEEEtErkerkrrerxee 403.2 MÔ HÌNH LLSTM 2 2+52+SE+EE9EE9E1EE1EE15717171711211211111111 111 crk 42

3.2.1 Xây dựng mô hình dự DGO - c- cĂcSSSckStkkEitikkrikkrrsreeerrkre 42

3.2.1.1 Phát biểu bài toán — Tiến trình ¿22+ ++£++£z+z++rxzrxerxee 423.2.1.2 Dữ liệu và trích xuất đặc trưng - 2 ss+x+zxerxezxerrezrerree 443.2.1.3 Cấu trúc mô hình L.STÌM - 2-5 22 +E£+E£+E£+E++EE+EE+E+zExerxrxee 453.2.2 Kết quả thực NghiéM oecceccecsessessssseessessessessessessessesseessssessessessessessessessesseees 453.3 DANH GIÁ -©2- 55c S21 E2E1211211211211271111111117111E111111 1111 1xEcre 51KET LUAN 0 ,ôÔỎ 52

L Kết Ua dat QUOC 1115 7Ỷ 522 Hạn chế của bài nghiên COU eeccccsesssessesssesssessessssssesssessecssecsessusssessseesessseesesens 52

3 So sánh với bai nghiên cứu khác, phương pháp khác ‹ -«+«: 53

TÀI LIEU THAM KHAO - 2-2 s° se s2 SssEss£EsseEssersserssersserssere 55

Trang 5

Hình

Hình 1 Hình 1 Hình 1 Hình 1 Hình 1 Hình 1 Hình 1 Hình 1 Hình 1.

Hình 2 Hình 2 Hình 2 Hình 2.

Hình 3 Hình 3 Hình 3 Hình 3 Hình 3 Hình 3.

Bảng

Bảng 1.

Bảng 3 Bảng 3 Bảng 3 Bảng 3.

e œẰG¬I CA MN SB WN =

WN = @&A Ơi + WN =

bh 2 bò =

DANH MỤC BANG BIEU, HÌNH

Kiến trúc mạng neural nhân tạO - - s6 xxx 15 Mạng nơ-ron nhiều lớp với chức năng S1gmoId « «+ 16 Kiến trúc mạng RNN nhân tạo - . Ăn re 18 Mạng neural hồi quy cheatsheet - 2: 5¿©s©z+x+£x+zxezxeerxerreee 18

Mô hình mạng RNN 2 chiều cccccssessessesssssessessessessessessessessecssssseeeeeseess 19

Mô hình mạng RNN sâu - - G- Ă LH HH ng ng rệt 20

So sánh kiến trúc mạng RNN truyền thống và mạng LSTM 22

Sơ đồ biểu diễn kiến trúc bên trong của một tế bào LSTM 23

Các hàm kích hoạt thường dùng - + +5 k*sxk+skEseksseereeeseree 24

Ty lệ doanh thu từ các lĩnh vực của VingrOUp -.- ‹+-«<+<++s++ 35

Cơ cau sở hữu của Vingroup (nguồn vietstock.Vn) -: : 36 Biến động giá chứng khoán V]C 2-2-2 £+£+E+E++£++£x+xxrrxsrxee 37 Đồ thị giá cô phiếu VIC trên TTCK (6/5/2021-24/10/2021) 39

Đồ thị biểu diễn bộ dit liệu giá đóng cửa VIC -¿ 2-czccz+ce2 41 Biêu đồ hộp giá đóng cửa VIC eecececsessesseeseessessessessessessessessesseesesesees 41 Biểu đồ tần suất giá đóng cửa VIC - s+ckeckerkerkerkrrrrrrrrree 42 Tiến trình chung của bài toán dự báo 2-5 s2 ++2+zxzzz+xzzxee 43

Đồ thị biểu diễn dữ liệu giá đóng cửa VIC - 2-2+cs+cscrssred 45 Đồ thị thé hiện kết quả dự báo sử dụng phương pháp LSTM 49

Kết quả BTEC từ tiếng Trung sang tiếng Anh «se seesseee 27

Bảng tóm tắt các đặc trưng thống kê mô tả giá đóng cửa của VIC 40

« MG ta vu 44

Kết qua dự đoán bang mô hình LSTM 2- 2z 48

Đánh giá kết quả dự báo của mô hình LSTM 2-5 5252 51

Trang 6

TTCK ML

DANH MUC TU VIET TAT

Thi trường chứng khoán

Machine learning Deep learning

Long Short Term Memory Recurent Neural Network Artificial Neural Network Mã chứng khoán tập đoàn Vingroup

Công ty cô phần

Việt Nam

Trí tuệ nhân tạo

11181217-Lé Hà Giang

M6 hinh hoc may

Mô hình hoc sâu Mạng LSTM

Mạng nơ ron hồi quy

Mạng nơ ron nhân tạo

Trang 6

Trang 7

LỜI MỞ ĐẦU

1 Lý do chọn đề tài

Thị trường chứng khoán là yếu tố cơ bản của nền kinh tế thị trường hiện tại Một

trong những chức năng quan trọng nhất của nó là giúp huy động vốn đầu tư cho nền

kinh tế và là một kênh đầu tư lành mạnh, mang đến cho công chúng những cơ hội đầutư phù hợp với mục tiêu cũng như khả năng tài chính của mỗi người Bên cạnh đó,

đây còn là một môi trường cực kì hấp dẫn, bởi lẽ mức sinh lợi mà thị trường đem đếncho các nhà đầu tư là vô cùng lớn Tuy nhiên, bên cạnh mức sinh lợi cao, TTCK cũnglà nơi chứa day rủi ro tiềm ấn Điều quan trọng mà mỗi nha dau tư cần lưu ý đó làphán đoán được xu hướng của giá cô phiếu trong tương lai Trong bối cảnh kinh tế xãhội mà cụ thể là TTCK đang vận động không ngừng, bài toán dự báo tài chính ngàycàng trở nên quan trọng và được nhiều người quan tâm Việc dự báo chính xác đóngmột vài trò lớn trong việc đưa ra những quyết định đầu tư phù hợp Ngoài ra, dự báochính xác xu hướng thị trường sẽ giúp đề ra được một chiến lược đúng đắn, hỗ trợ cho

công việc phát triên kinh doanh của cá nhân, tô chức.

Giá chứng khoán được nhìn nhận là một trong những thước đo hiệu quả hoạt động

kinh tế của quốc gia Vì vậy, một dự báo chính xác đem lại nhiều thông tin hữu íchcho các nhà hoạch định chính sách Ở Việt Nam, chứng khoán đang ngày càng pháttriển và trở thành một kênh đầu tư được nhiều người quan tâm Song song đó, thịtrường chứng khoán thê hiện rõ là kênh dẫn vốn quan trong của nền kinh tế, đóng gópmột phan lớn trong bước tiến của nền kinh tế nước nhà Tuy nhiên, TTCK Việt Namđã chịu những tốn thất nặng nề từ cuối tháng 1/2020 khi đại dịch Covid-19 hoànhhành, điều này đã dẫn đến một cơn khủng hoảng sụt giảm nhanh và mạnh chưa từngthấy Ngay lập tức, Chính phủ đã có những biện pháp nhằm kiểm soát tình hình dịchbệnh, thị trường chứng khoán Việt Nam đã nhanh chóng phục hồi trong giai đoạn cònlại của năm 2020 Với mức độ phục hồi vượt trội của TTCK và “hệ thống lãi suất duytrì thấp ky luc”, “dòng tiền đã chảy mạnh vào kênh đầu tư chứng khoán” (Tổng cụcthống kê) Thị trường chứng khoán Việt Nam ghi nhận “quy mô tham gia của các nhàđầu tư mới cao nhất trong lịch sử” và có những bước tăng trưởng mạnh mẽ vượt ngoàimọi dự đoán ở những ngày đầu năm 2021 Theo Số chứng khoán Nhà nước “ViệtNam là một trong số ít những nước giữ được mức tăng trưởng dương 2,91% và đượcdự báo sẽ phục hồi ở mức 6,5 - 6,8% trong năm 2021” (Tổng cục thống kê) Trước

Trang 8

những biến động không ngừng từ TTCK, việc nghiên cứu biến động của TTCK nướcta trong thời gian này là thực sự cần thiết

Bài toán dự báo giá chứng khoán được xem là một bài toán kinh dién trong lĩnh

vực dự báo và được nghiên cứu trên toàn thế giới Thực tế đã có nhiều nghiên cứu chỉ

ra rằng “giá chứng khoán bị tác động bởi các yếu tố vĩ mô như lạm phát, tỷ giá hốiđoái, tong sản phâm quốc nội, cung tiền, lãi suất dài hạn và lãi suất ngắn hạn” (Gan

và cộng sự, 2006) Thậm chí nó còn chịu tác động bởi ban thân công ty đó như hiệu

suất công ty, tin tức công ty, hiệu quả ngành, lãi suất, chính sách kinh tế, các cú sốckinh tế, chính trị Do đó, việc dự báo giá chứng khoán gặp rất nhiều khó khăn Đếnnay, việc tìm ra một phương pháp dự báo tối ưu nhất van là dấu cham hỏi được rấtnhiều nhà nghiên cứu đầu tư thời gian, công sức để đi tìm Những biến động củaTTCK trong dài hạn được nhiều nhà kinh tế học nhận định rằng nó bị ảnh hưởng mộtphần nào đó bởi tâm lý của những người tham gia Từ đó, “Tài chính hành vi đã trởthành nền tảng của hai phương pháp tiếp cận cổ điển dùng dé phân tích giá chứng

khoán quen thuộc: phân tích kỹ thuật và phân tích cơ bản” (Shiller, 2003).

Dự báo giá chứng khoán không phải là đề tài mới, tuy nhiên nó vẫn mang tháchthức vì tính không thể đoán trước Giả thuyết thị trường hàng ngày là không thé dựbáo giá cổ phiêu và giá cô phiếu ngẫu nghiên Mặc dù vậy, bằng các phân tích kỹ thuậtcho thấy hầu hết các giá cô phiếu được phản ánh trong các dữ liệu trước đó, do đó xuhướng vận động là rất quan trọng dé dự đoán giá hiệu quả Hơn nữa, các nhóm côphiếu và thị trường chứng khoán còn chịu tác động bởi rất nhiều những yếu tổ khác.Ban chat của sự vận động giá cô phiếu là mơ hồ và làm cho các khoản đầu tư có tínhrủi ro cao Trên thực tế, giá chứng khoán nói chung là động, không tham số và phi

tuyến tính, do đó chúng thường làm giảm thiểu năng lực của các mô hình thống kê vàkhông thê dự đoán giá cũng như sự vận động chính xác của nó

Machine Learning là công cụ mạnh bao gồm các thuật toán khác nhau dé tăng hiệunăng trong một số trường hợp nhất định Machine Learning có khả năng xác định

thông tin và phát hiện các mẫu từ bộ dit liệu Các mô hình học nhóm dựa trên máy

học như học tăng cường (Boosting), học bao đóng (Bagging) cho kết quả vượt trội sovới từng phương pháp khi dự đoán chuỗi thời gian Gần đây các mô hình dựa trên câynhư thuật toán tăng cường độ dốc (Gradient boosting) và XGBoost được các nhà khoahọc dữ liệu hàng đầu sử dụng trong các cuộc thi Một xu hướng hiện đại của Machine

Trang 9

Learning đó chính là Deep Learning có khả năng tuyệt vời dé trích xuất các thông tintừ chuỗi thời gian tài chính Có thê thấy, ứng dụng trí tuệ nhân tạo hay cụ thể là DeepLearning được xem là một bước đột phá trong lĩnh vực giao dịch và đầu tư chứngkhoán Tuy nhiên, tại Việt Nam, phương pháp này vẫn chưa được nhiều doanh nghiệpkhai thác vì độ phức tạp về kỹ thuật cũng như thời gian của công nghệ này

Mang nơ-ron hồi quy (RNN) đã đạt được thành công đáng ké trong lĩnh vực phântích tài chính với hiệu năng tuyệt vời của nó Có thê thấy, quá trình dự đoán của thịtrường chứng khoán không chỉ liên quan đến thông tin hiện tại ma dit liệu trước đóđóng vai trò rất quan trọng Việc huấn luyện mô hình sẽ không thê tốt nếu chỉ sử dụngdữ liệu vào thời điểm gần nhất RNN có thé xử dụng mạng dé duy trì bộ nhớ của cácsự kiện gần đây và xây dựng các kết nối giữa mỗi đơn vị của mạng, do đó nó hoàntoàn phù hợp với các dự báo kinh tế Mô hình Long Short-Term Memory (LSTM) làmột cải tiễn của phương pháp RNN được sử dụng trong lĩnh vực DL LSTM có bađầu ra khác nhau dé loại bỏ các vấn đề trong các no-ron RNN và cũng có thể xử lý

các “điểm dữ liệu” đơn lẻ hoặc toàn bộ chuỗi dữ liệu.

Thực tế, trên Thế giới đã thực sự chú tâm vào việc phát triển trí tuệ nhân tạo, ngàycàng nhiều những công trình nghiên cứu được đầu tư với quy mô lớn ra đời Có thểnhắc đến quỹ phòng hộ Man Group là một ví dụ điển hình trong những công ty tiênphong trong việc áp dụng TTNT trong các giao dịch của mình Và sau nhiều lần thửnghiệm, hệ thống dự đoán ứng dụng các phương pháp Machine Learning (ML) đãchứng minh được hiệu quả của nó khi đem lại mức lợi nhuận gấp 4 lần Hệ thong cácchương trình dựa trên phương pháp ML được cung cấp các đữ liệu cần thiết như báocáo về doanh thu, các yếu tố tác động như tin tức, tình hình kinh té, dong tién, Đồng thời, phương pháp nay sử dung những biến động giá trong quá khứ dé phân tích,đánh giá và đặc biệt là đưa ra dự đoán trong tương lai Từ đó có thé chỉ ra rằng, việcứng dụng trí tuệ nhân tạo hay cụ thé là các phương pháp ML va DL được xem là cần

thiết và là bước đột phá trong lĩnh vực đầu tư chứng khoán Tuy nhiên, hiện nay các

doanh nghiệp ở Việt Nam vẫn chưa khai thác được những lợi thế của phương phápnày bởi tính phức tạp về kỹ thuật của công nghệ

Trong bối cảnh đó, tác giả nghiên cứu đề xuất đề tài “Ứng dụng Deep Learningviết phương trình thử nghiệm dự đoán giá chứng khoán VIC” Nghiên cứu này sử

Trang 10

dụng các kỹ thuật DL dé khai thác ưu thế ứng dụng vào bài toán dữ liệu chuỗi thời

gian.

2 Mục tiêu nghiên cứu

Mục tiêu chính: Sử dụng mô hình Deep Learning viết chương trình dự báo giá

chứng khoán, giúp các nhà đâu tư cá nhân và tô chức có cái nhìn tông quát vê giá

chứng khoán VỊC trong thời gian ngắn.

So sánh kết quả đạt được với những nghiên cứu khác, phương pháp khác

3 Phương pháp nghiên cứu

Nghiên cứu lý thuyết: Tìm hiểu về mô hình LSTM, tham khảo các bài viếttrong và ngoài nước dé chọn lọc và áp dụng Tìm hiéu về Python, vận dụngviết code lập trình

Khai khác các mô hình mà trước đó đã được kiểm định dé tiến hành áp

dụng cho các dữ liệu tương tự.

4 Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu: Giá chứng khoán VIC của tập đoàn VingroupPham vi nghiên cứu: 08/07/2013 — 29/10/2021 (từ khi Investing bắt đầu thống kê

lịch sử giá của VIC đến khi chạy mô hình này)

(Nguồn số liệu Investing.com)

5 Đóng góp của nghiên cứu

Đóng góp của nghiên cứu được thể hiện:

Trang 11

- _ Nghiên cứu sử dụng bộ dữ liệu mới nhất về giá chứng khoán VIC từ trang

Investing.com

- _ Nghiên cứu áp dung phương pháp DL, phương pháp được kì vọng đem lại

kết quả chính xác hơn, tốt hơn những phương pháp cũ6 Kết cấu của đề tài

Đề tài bao gồm 3 chương:

CHƯƠNG I: CƠ SỞ LÝ LUẬN VA TONG QUAN NGHIÊN CUU

Trình bày những kiến thức cơ bản về thị trường chứng khoán và giá chứng khoán,mô hình Deep learning (RNN, ANN, LSTM), tổng quan nghiên cứu

CHƯƠNG 2: THỤC TRẠNG HOẠT ĐỘNG CỦA VINGROUP VÀ GIÁ CHỨNG

KHOÁN VIC

Trình bày những thông tin về tập đoàn Vingroup cũng như lịch sử phát triển của

VIC

CHUONG 3: KET QUA DỰ DOAN GIA CHUNG KHOAN VIC

Trình bày tổng quan, giới thiệu về bộ dữ liệu, trình bày quá trình xây dựng cũng

như các kết quả đạt được từ chương trình dự đoán giá chứng khoán, đánh giá mô hình.

Trang 12

Chương 1 CƠ SỞ LÝ LUẬN VA TONG QUAN NGHIÊN CUU 1.1 LY LUAN CO BAN VE THI TRUONG CHUNG KHOAN VA

GIA CHUNG KHOAN

1.1.1 Thi trường chứng khoán

Khái niệm

Theo Wikipedia “Thị trường chứng khoán là một tập hợp bao gồm nhữngngười mua và người bán cô phiếu (hay chứng khoán), thứ đại diện cho quyền sở hữucủa họ đối với một doanh nghiệp; chúng có thé bao gồm các cổ phiếu được niêm yếttrên sàn giao dịch chứng khoán đại chúng, hoặc những cô phiếu được giao dịch một

cách không công khai ”

Theo trang Investopedia, TTCK được định nghĩa như sau: “Thi trường chứng

khoán là tập hợp các thị trường và sở giao dịch thường xuyên diễn ra các hoạt động

mua, bán và phát hành cô phiếu của các công ty đại chúng” Hai thuật ngữ “thị trườngchứng khoán” và “sé giao dịch chứng khoán” không mang tinh chat tương đương mặcdù vẫn được dùng thay thế cho nhau Thực chất, thuật ngữ “thị trường chứng khoán”

mang nghĩa rộng hơn.

Thị trường chứng khoán đóng vai trò là kênh dẫn vốn quan trọng, nhằm mụcđích huy động những nguồn vốn tiết kiệm nhỏ trong xã hội tập trung thành nguồn vốnlớn tài trợ cho doanh nghiệp, các tổ chức kinh tế và Chính phủ dé nâng cao sản xuất,thúc đây tăng trưởng kinh tế hoặc tập trung vốn vào các dự án đầu tư lớn

Cách thức hoạt động của thị trường chứng khoán

TTCK đem đến cho các nhà đầu tư một môi trường uy tín và được quản lý chặtchẽ, giúp các nhà đầu tư có thể tiến hành giao dịch cổ phiếu và thực hiện các công cụkhác một cách thuận tiện TTCK hoạt động như “thi trường so cấp” và “thi trường thứ

cap” tuân theo các quy tac được nêu ra bởi cơ quan quản lý.

Sở giao dịch chứng khoán là bên đảm bảo sự minh bach về giá cả, tính thanh khoản va sự chuẩn mực trong các hoạt động giao dịch đó Hầu hết các sàn giao dichchứng khoán lớn trên Thế giới hiện nay đều hoạt động theo phương thức điện tử, do

đó hệ thống quản lý các lệnh mua và lệnh bán từ các bên tham gia thị trường được

Trang 13

chú trọng và duy trì hiệu quả Chúng thực hiện “chức năng khớp giá” để tạo ra sựcông bằng minh bạch trong khi thực hiện giao dịch cho cả người mua và người bán

Một công ty niêm yết có thé bổ sung chào bán cô phiếu thông qua các đợt chào

bán ở giai đoạn sau, có thể là thông qua phát hành quyền hoặc thông qua một đợt chào

bán tiếp theo Bên cạnh đó, họ cũng có thé hủy niêm yết hoặc mua lại cổ phiếu củahọ Các giao dịch đó được sở giao dịch chứng khoán hỗ trợ, tạo điều kiện dé có thé

dễ dàng thực hiện Ngoài ra các tin tức, báo cáo tài chính hay các thông báo của công

ty được cập nhật trên trang web chính thức của họ Sở giao dịch chứng khoán cũng

tạo điều kiện giúp đỡ nhiều hoạt động giao dịch khác ở cấp độ doanh nghiệp Thôngthường, khi một công ty có lợi nhuận, họ sẽ trích một phần từ thu nhập của họ dé trảcho các nhà dau tư dưới hình thức cô tức Khi đó, các thông tin này sẽ được sàn giaodịch lưu giữ lại và sẽ hỗ trợ xử lý khi các công ty cần đến nó

Chức năng của thị trường chứng khoán

Thị trường chứng khoán chủ yếu phục vụ các chức năng sau:Đảm bảo công bằng trong giao dịch chứng khoán: Sở giao dịch chứng khoángiúp tat cả những nhà dau tư hoàn toàn có quyền truy cập dữ liệu như nhau, dam bảotính công bằng giúp định giá chứng khoán minh bạch Bên cạnh đó, nó có chức năng

thực hiện khớp lệnh giữa lệnh mua và lệnh bán một cách phù hợp và hiệu quả.

Khám phá hiệu quả: Thị trường chứng khoán đảm bảo một “cơ chế hiệu quả”

để khám phá giá, quyết định giá của một chứng khoán bang cách đánh giá cung-cầu

của thị trường và những yếu tổ tác động đến giao dịch

Duy trì tính thanh khoản: Thị trường chứng khoán giúp cho những ai có đủ

điều kiện giao dịch va san sang giao dich đều có thé dễ dàng truy cập đề đặt lệnh và

thực hiện giao dịch.

Tính bảo mật và tính hợp lệ của các giao dịch: Điều này đem đến su an toàncho các bên tham gia, không có chỗ cho bat kỳ bên nào trong số các bên vỡ nợ Mọingười khi tham gia đều phải tuân thủ các quy định đã đề ra và hoạt động trong khuônkhổ pháp lý của các cơ quan quản lý

Bảo vệ nhà đâu tw: Bên cạnh các nhà đầu tư lớn mạnh, thị trường chứng khoánđặc biệt bảo vệ những nhà đầu tư nhỏ, là những nhà đầu tư có kiến thức tài chính hạn

Trang 14

hẹp Họ không có những nhận thức đầy đủ về chứng khoán và dễ dàng mắc phải nhữngcam bay khi tham gia đầu tư Giúp những nhà dau tư này tránh được tôn thất về tàichính và củng cé lòng tin khách hàng là một trong những nhiệm vụ hang đầu của sở

giao dịch chứng khoán.

1.1.2 Giá chứng khoán

Chứng khoán là một tài sản chính có thể giao dịch Theo luật Chứng khoán:“chứng khoán là băng chứng xác nhận quyền và lợi ích hợp pháp của người sở hữu

đối với tài sản hoặc phần vốn của tô chức phát hành Được thê hiện bằng chứng chỉ,

đữ liệu điện tử hoặc bút toán”.

Có 4 loại chứng khoán chính mà các doanh nghiệp thường phát hành: cô phiếu,

trái phiếu, chứng khoán phái sinh và chứng chỉ quỹ dau tư

Bảng giá chứng khoán thé hiện các thông tin liên quan đến giao dịch của côphiếu trên thị trường chứng khoán Từ những thông tin trên bảng giá chứng khoán ta

có thể biết được một mã chứng khoán nào đấy hiện đang được giao dịch với mức giánào, khối lượng cô phiếu khớp lệnh là bao nhiêu? Nhà đầu tư nước ngoài mua bán

bao nhiêu?

Các chỉ tiêu chính trên bảng giá chứng khoán

Giá trần Mã chứng khoán (MCK)Giá sàn Giá tham chiếu (TC)

Trang 15

Mạng Neural Network là sự kết hợp của các tầng perceptron, mỗi NeuralNetwork thường bao gồm 3 kiểu tầng sau:

- Tang input layer: Tang này năm ngoài cùng bên trái, biểu diễn các thông

tin đầu vào.- Tang output layer: tang này nằm ngoài cùng bên phải, biểu diễn các thông

tin đầu ra.- Tang hidden layer: Là tang nằm ở vi trí trung gian, biểu diễn quá trình suy

@InputLayer @@HiddenLayer @ Output Layer

Hình 1 1 Kiến trúc mạng nơ -ron nhân tao

(Nguồn: Internet)Tại mỗi tầng, số lượng nút mạng có thé sẽ khác nhau, tùy thuộc vào bài toán

Ưu diém lớn nhât của mang ANN là khả năng được sử dụng như một “cơ chê xâp xi hàm tùy ý” mà học được từ các dữ liệu quan sát.

1.2.1.2 Mô hình hoạt động

Tại mỗi nút riêng lẻ ta có các dit liệu đầu vào x;, các trọng số w;, độ lệch (bias)

và đầu ra Công thức tính toán như sau:

m

» W; xX; + bias = Wxạ + W;x; + W3XxX3 + bias

i=1

11181217-Lé Ha Giang Trang 15

Trang 16

Lif ) wx +b >0

Output = f(x) =

Oif > wi +b <0

Các trong số đóng vai trò phân định tam quan trọng của các biến, xác định biến

nao có đóng góp ít, biến nào có đóng góp nhiều Các giá trị đầu vào x; được nhân với

các trọng số tương ứng rồi cộng với giá trị bias Sau đó, các giá trị này sẽ đi qua một

hàm gọi là Activation, hàm này sẽ trả về giá trị 0 hoặc 1 Cuối cùng dẫn đến kết quả

đầu ra và tiếp tục trở thành đầu vào của trạng thái tiếp theo Quá trình này được minh

họa băng sơ đô sau:

Summation and Bias Activation Output

Hình 1 2 Mạng no-ron nhiều lớp với chức năng Sigmoid

(Nguồn: Internet) Hàm tổng của một nơ-ron cho biết khả năng kích hoạt của nơ-ron đó Hàm chuyên đổi thé hiện mối quan hệ giữa hàm tổng và kết quả Lựa chọn hàm chuyền đổiphù hợp là cực kỳ quan trọng, nó tác động lớn đến output của mang ANN Một sỐ

hàm chuyên đổi phi tuyến được sử dụng phô biến trong mạng ANN:

Trang 17

Trong đó, hàm tanh là phiên bản khác tỉ lệ của hàm sigmoid, nói cách khác

đó là khoảng giá trị output của hàm chuyên đồi thuộc khoảng [-1,1] nên còn được

gọi là hàm chuân hóa.

Mạng nơ-ron dự đoán dựa trên lan truyền thang là phép nhân ma trận với hàmkích hoạt dé thu được output Nếu input là vector hai chiều thì có thé xác định J như

Trong đó, x, va a, lần lượt là input va output của lớp thứ I sau khi áp dụng

hàm kích hoạt W và b; là các thông số của mô hình mà chúng ta cần đi tìm Trong

các bài toán hồi quy, thường sử dụng các hàm mắt mát như sai số tuyệt đối trung bình(MAE) hay sai số toàn phương trung bình (MSE)

1.2.1.3 Ứng dung

Mang ANN được áp dung phô biến cho nhiều lĩnh vực khác nhau như phân tíchkinh doanh, tài chính, giao dịch, dự báo thời tiết, đánh giá rủi ro, nhận diện vật thể,

phát hiện gian lận Ngoài ra ANN còn được ứng dụng trong phân tích dữ liệu lịch sử,

từ đó đưa ra những đánh giá hiện tại và dự báo tương lai Một ứng dung phổ biến đó

là bài toán phân loại mẫu: nhận dạng kí tự, giọng nói,

1.2.2 Mạng nơ-ron hồi quy1.2.2.1 Kiến trúc

Mạng nơ-ron hồi quy, còn được biết đến như là RNNs, là một lớp của ANN màcác sự liên kết giữa các nút hình thành một dây truyền tuần tự Tức là chúng khôngliên kết thành chuỗi, đầu ra và đầu vào không phụ thuộc nhau RNN có thé ghi nhớ

các thông tin được tính toán trước đó Thông thường, một mạng RNN có dạng như

Sau:

Trang 18

Hình 1 3 Kiến trúc mạng RNN nhân tạo

Tai mỗi trạng thái t, giá trị kích hoạt a

(Nguon: Stanford.edu)

<t> và đầu ra y< được biểu diễn như sau:

ast? = g,(W,,as 7 + Wax + ba)

Uu điểm

- C6 thê xử lí dau vào ở moi độ dài

- _ Kích cỡ đầu vào không ảnh hưởng đến kích cỡ mô hình

Trang 19

- Cac thông tin cũ được sử dụng trong quá trình tính toán

- _ Trọng số được chia sẻ trong suốt thời gian

Hạn chế

- Tinh toán chậm

- _ Những thông tin ở quá xa trước đó rat khó dé truy cập

- _ Không thé xem xét bat kì đầu vào sau này nào cho trạng thái hiện tại

Đôi với mạng nơ-ron hôi quy, hàm mât mát được định nghĩa như sau:

1.2.2.2 Một số mô hình RNN mở rộngRNN 2 chiều

Trong mô hình này, output tại trạng thái t không chỉ chịu ảnh hưởng của các phầntử phía trước mà còn cả các phan tử phía sau Giống như việc “chồng hai mạng RNN

ngược hướng lên nhau”, được minh họa như Hình 1.5.

Deep (Bidirectional) RNN hay còn gọi là RRN sâu có mô hình tựa như mạng RNN

2 chiều nhưng tại mỗi bước, chúng chứa nhiều tang an hơn, từ đó chúng giúp cho việc

Trang 20

học ở mức độ cao hơn Nhược điêm của mô hình này là cân nhiêu dữ liệu hơn đề thực hiện việc train dữ liệu.

ở trạng thái s¿_¡ và input x; ở trạng thái s¿ Bên trong hộp đen sé tự diễn ra các quá

trình loại bỏ thông tin nào và ghi nhớ những thông tin nào Chính vì vậy chúng ta có

thể “truy xuất được quan hệ của các thông tin phụ thuộc xa nhau” một cách hiệu quả.Nội dung này sẽ được trình bày chỉ tiết ở phần tiếp theo

1.2.2.3 Ứng dụng mạng RNN

Các mô hình RNN được ứng dụng rộng rãi trong các lĩnh vực xử lí ngôn ngữ, nhận diện giọng nói, mô tả hình ảnh Ngoài ra tùy thuộc vào loại mạng sẽ thực hiện những

công việc khác nhau như: Mạng nơ-ron truyền thống, sinh nhạc, phân loại ý kiến, ghi

nhan thuc thé tén, dich may,

1.2.3 Mang LSTM

1.2.3.1 Kiến trúc mang

Trang 21

Mạng Long Short-Term Memory (LSTM) là một phiên bản đặc biệt của mạng RNN Được Jurgen Schimidhuber và Sepp Hochreiter giới thiệu vào năm 1997 đã giải

quyết các “bài toán về phụ thuộc xa” trong RNN khi chịu ảnh hưởng bởi các vấn đề“sradient biến mat” Những thông tin ở các bước quá xa trước đó, RNN khó có théghi nhớ chúng Chính vì vậy, những phan tử đầu vào đó sẽ không có tác động nhiềuđến kết quả đầu ra ở các bước sau Tức là, trên thực tế RNN không có khả năng lưugiữ “sự phụ thuộc dài hạn” bởi vì việc tính toán gradient rất khó khi sự phụ thuộc làlớn LSTM đã giải quyết được những nhược điểm của RNN, tuy nhiên cấu trúc củaLSTM được cho là phức tạp hơn nhiều mặc dù vẫn giữ được tư tưởng sao chép cáckiến trúc dạng chuỗi của RNN Chúng chứa các cổng dé theo dõi sự phụ thuộc giữacác phan tử của chuỗi đầu vào và điều chỉnh trạng thái của 6 cho phù hợp Các côngnày liên tục kết nối với nhau thay vì các đơn vi an mà chúng ta đã gặp trước đó Mụcđích cuối cùng vẫn là giải quyết van dé gradient biến mat và “bùng nổ” do việc nhânlặp lại các giá tri có thé rất nhỏ hoặc rất lớn (gradient có thể giảm dần về 0 hoặc tănglên cực lớn) bằng cách cho phép các gradient đi qua không thay đổi (Hochreiter và

Schmidhuber, 1996).

LSTM chống vanishing gradient (gradient biến mắt)Nguyên nhân gây nên việc gradient biến mắt trong RNN:

Ở các bước càng xa, khi nhân nhiêu sô bé lại với nhau két quả sẽ tiên dân vê 0, đạo

hàm ngày càng bé sẽ gây ra hiện tượng gradient biến mắt

cau trúc cơ bản của RNN.

Trang 22

6) @ @ ®) ® 6)

Hinh a Hinh b

Hình 1 7 So sánh kiến trúc mang RNN truyền thống và mạng LSTM

(Nguồn: Hai's Blog)

Hình a là sự lặp lại kiến trúc module trong mạng RNN chứa một tầng an và Hìnhb là sự lặp lại kiến trúc module trong mạng LSTM chứa 4 tang ấn tương tác Có théthấy, LSTM có dạng chuỗi như RNN nhưng phần kiến trúc phức tạp hơn LSTM cócác thành phan: tế bào trạng thái (cell state), công (gate), sigmoid, tanh Tuy nhiên

một số biến thể có thé có các công bổ sung hoặc thiếu một số cơ chế này Thống nhất một số ký hiệu:

- x, là input ở trạng thái thứ t - br, bg, bị, bạ là các vector bias (độ lệch)

- Wx, Wen, Wax, W;x Win, Wox, Won là các ma trận trọng số- #, ig, o, lần lượt chứa các giá trị kích hoạt cho các cổng forget, input, output

- % là vector đại diện cho cell internal state; § là vector đại diện cho candidate

value (những thông tin tiềm năng dé thêm vào s,)

- h, là output

Một mạng LSTM bao gồm nhiều tế bào LSTM memory cell liên kết với nhau.Ý tưởng của LSTM là thêm các trạng thái bên trong tế bào sự và ba công forget gateƒ; và input gate i, và output gate o, nhằm mục đích sàng lọc thông tin Tại mỗi trạngthái thứ t, các cổng đều nhận các giá trị x, và h,_¡ Mỗi công đều có những nhiệm vụ

khác nhau:

- Forget gate: Công chon lọc thông tin, tại đây những thông tin không cần

thiết sẽ được loại bỏ Nó nhận được trạng thái an trước đó, hị_¡ và đầu vào

hiện tai x; làm input Sau đó thực hiện tính toán kích hoạt sigmoid.

Trang 23

- Input gate: Những thông tin cần thiết được chon loc dé thêm vào cell

internal state Cổng này cũng tính toán kích hoạt sigmoid từ hy_1 và z¿.Hàm kích hoạt tanh đưa các giá tri về khoảng [-1,1]

- Output gate: Những thông tin từ cell internal state được chọn dé sử dụng

như output Thông tin được chuẩn hóa trong phạm vi [-1,1] bằng hàm tanh

Xt Mer Xt hẹn

candidate

Hình 1 8 Sơ đồ biểu diễn kiến trúc bên trong của một tế bào LSTM

(Nguồn: Nguyentruonglong.net)

Trong quá trình lan truyền, cell internal state s, va output h¿ được tính như sau:

Bước 1: LSTM quyết định loại bỏ những thông tin không cần thiết từ cell

internal state ở trạng thái s,_, Tại forget gate của trạng thái thứ t, f, được tính dựa

trên giá tri của x¿, h,_; và by Ham sigmoid function biến đổi các ƒ, về miền giá trị

trong khoảng (0,1):

f= O (We x Xt + Wrnhe-1 + br)

Bước 2: Thêm vào cell internal state những không tin cần thiết Bước nay gồm

hai quá trình tính toán Š; và í; như sau:

St = tanh(WM „x: + Wa phe-1 + bz)

i, = tanh(W; x, + Winh¿—+ + bi)

Trang 24

trong đó §, là candidate value biểu diễn những thông tin được thêm vào cell internal

state và i, là activation value của input gate.

Bước 4: Thực hiện tính toán h¿ qua hai công thức:

Oo = O(Wo xXt + Wonhe-1 + bo)

Trang 25

Một sô các biên thê khác:

ig = øŒMj.[CŒy_+,h¿—+,x¿| + bị) 0, = ø(M, [C;, hịT—+,x¿] + bạ)

MAE là sai số trung bình tuyệt đối (Mean absolute error) MAE đo lường mức độ

trung bình của các lỗi trong một tập hợp các dự đoán mà không xem xét hướng của11181217-Lé Hà Giang Trang 25

Trang 26

Chuyên đề thực tập chuyên ngành Tốn Kinh tế

chúng MAE tính tốn tất cả các khác biệt với trọng sỐ bằng nhau Khi tồn tại một sốsai số lớn thì ta dung MAE

i=1 Yi — ¥i| _ i=1 le: |

n n

MAE =

trong đĩ: Y; là giá trị ước lượng; Y; là giá trị phụ thuộc

MAPE

MAPE là phan trăm sai số trung bình tuyệt đối (Mean absolute percentage

error) MAPE là thước do thong kê mức độ chính xác của một mơ hình dự báo Lỗiphan trăm tuyệt đối trung bình được sử dụng khá phơ biến dé dự báo lỗi, đặc biệt khikhơng cĩ cực trị đối với dữ liệu và khơng cĩ số 0

Hệ số khơng ngang bằng Theil’s U

Hệ sơ Theil’s U được sử dụng dé so sánh các mơ hình dự báo khác so với mơ

hình dự báo thơ (Nạve)

U= wet (FP Ee +1 — APE +41)”

rer (APE ¢ 41)?

trong đĩ

Ft+4 — YtPBExa = —y

t

Yra1 — Ÿ,APEi.+ = an

t

Giá trị của U sẽ nằm trong khoảng [0,1] U càng gần giá trị 0, dự báo càng chínhxác, nếu U bằng 0 thì mơ hình đĩ là hồn hảo Trong thực tế U < 0.55 mơ hình dựbáo là tốt

1.3 TỎNG QUAN NGHIÊN CỨU

Trang 27

Đề tài “Dự báo chứng khoán” là một đề tài quen thuộc và được rất nhiều tác giảquan tâm Ở Việt Nam cũng như trên Thế giới đã có rất nhiều bài nghiên cứu về đềtài này Trong những năm gần đây, mọi người nói rất nhiều về cụm từ “Machine

Learning” hay “Deep Learning” và đây cũng là phương pháp được các nhà nghiên

đánh giá cao, tin tưởng lựa chọn đề nghiên cứu trong rất nhiều lĩnh vực

Nghiên cứu “On stock return prediction with LSTM networks” (2017) của tác giả

Magnus Hansson (Lund University) về sử dung mạng LSTM dự báo giá chứng khoánở ba thị trường Barzil, Thụy Điển và Mỹ đã chỉ ra:

- _ Kết quả nghiên cứu cho thấy mạng nơ-ron LSTM có thê được sử dung dé

dự đoán chuỗi lợi nhuận tài chính - _ Mô hình mạng LSTM có đủ khả năng cạnh tranh với những mô hình chuỗi

thời gian thông thường Các kết quả kiểm nghiệm chỉ ra răng mô hìnhLSTM đủ tinh vi dé mang lại kết quả bằng hoặc hơn các mô hình ARMA-GJRGARCH nổi tiếng Máy học các thuật toán phân tích tài chính và kinhtế lượng đang ngày một tốt hơn và phù hợp với chuỗi thời gian dài

- Duong như hướng của thị trường Thụy Điền có thé dự đoán được, trong

khi hướng của thị trường Mỹ và Brazil thì không Điều này chứng tỏ dạngyếu (weak form) của giả thuyết thị trường hiệu quả không áp dụng đối vớithị trường Thụy Điền, trong khi nó áp dụng cho Mỹ và Brazil

Bài nghiên cứu “Depth-Gated Recurrent Neural Networks” của các tác giả

Kaisheng Yao (Microsoft Research), Trevor Cohn (Đại học Melbourne), Katerina

Vylomova (Đại hoc Melbourne), Kevin Duh (Viện khoa học và công nghệ Nara),

Chris Dyer (Đại học Carnegie Mellon) đã nêu rằng mô hình LSTM định lượng sâu(DGLSTM) có hiệu suất tốt hơn LSTM và GRU khi sử dụng trên bản dịch máy thử

nghiệm và nhiệm vụ mô hình hóa ngôn ngữ Thí nghiệm đã áp dụng DGLSTM trên

hai tập dữ liệu là bản dịch máy từ tiếng Trung sang tiếng Anh của BTEC và thứ hai làbộ dữ liệu PennTreeBank Kết quả dịch máy cho thấy DGLSTM vượt trội hơn LSTMvà GRU ở tất cả các độ sâu, kết quả cụ thê được thể hiện qua bảng sau:

Bảng 1 1 Kết quả BTEC từ tiếng Trung sang tiếng Anh

Depth GRU LSTM DGLSTM

3 33.95 32.43 34.48

Trang 28

5 32.73 33.52 33.81 10 30.72 31.99 32.19

Nguôn: Bài nghiên cứu Depth-Gated Recurrent Neural Networks

Kết quả thử nghiệm mô hình ngôn ngữ trên tập dữ liệu PennTreeBank (PTB) cũng

cho kết quả tương tự

Bài nghiên cứu “Tìm hiểu ngôn ngữ lập trình Python — Viết chương trình thử

nghiệm dự báo sự biến động của giá chứng khoán” của Lê Gia Tiến, trường Đại học

Quản lý và Công nghệ Hải Phòng Dữ liệu mà tác giả lựa chọn là giá của mã chứng

khoán VNM của công ty cô phần Vinamilk Nghiên cứu của tác giả được thực hiệnvới khoảng thời gian từ năm 2014 đến năm 2018, sử dung ba mô hình khác nhau dédự báo giá chứng khoán Bài nghiên cứu chỉ ra rằng: “Cả 3 mô hình (Moving Average,Exponential smooting, Double exponential smoothing) đều có điểm chung là giá trịdự báo phụ thuộc vào giá trị quan sát được gần hay xa trong quá khứ, nếu càng gầnthì độ chính xác dự báo càng cao và ngược lại Tác giả Lê Gia Tiến cũng chỉ ra, môhình MA (Moving Average) bị phụ thuộc vào các đữ liệu đầu vào vì vậy chỉ nên ápdụng khi số quan sát ít và “tập dữ liệu có tính ồn định theo thời gian” Trong ba phươngpháp thì Double exponential smoothing cho kết quả khả quan nhất, đặc biệt khi tập

dt liệu lớn và có tính xu hướng.

Bài nghiên cứu “Ứng dụng mô hình ARIMA, ARCH và GARCH dé dự báo chỉ sốVNIndex trong ngắn hạn” của Nguyễn Lê Nam Phương Tác giả Nguyễn Lê NamPhuong sử dụng phương pháp dự báo ARIMA, ARCH, GARCH nổi tiếng dé dự báochỉ số VN-Index trong khoảng thời gian từ tháng 10/2014 đến tháng 4/2015 Bàinghiên cứu đã phát hiện một điểm đặc biệt của thị trường chứng khoán Việt Nam, cótuân theo quy tắc của thị trường Mỹ Châm ngôn “Sell in May and go away” phản ánhsự suy giảm bất thường của thị trường, điều này cũng đúng cho thị trường chứngkhoán Việt Nam Nguyên nhân là tháng 5 thường được cho là có mức sinh lợi thấp vàkhuyên các nhà đầu tư nên bán vào giai đoạn này, năm giữ tiền mặt dé dau tư vào giaiđoạn sau (tháng 11) dé tránh yếu tố mùa vụ Châm ngôn này đã thực sự ảnh hưởngđến tư duy của các nhà đầu tư, họ thường thận trọng hơn trong giai đoạn này Bàinghiên cứu cũng đã chứng tỏ một điều, phương pháp ARIMA, ARCH, GARCH vẫncho kết quả khá tốt khi ứng dụng dự báo giá chứng khoán

Tiêu đề	Ứng dụng deep learning viết chương trình thử nghiệm dự đoán giá chứng khoán VIC
Tác giả	Lộ Hà Giang
Người hướng dẫn	ThS. Nguyễn Thị Thụy Trang
Trường học	Trường Đại học Kinh tế Quốc dân
Chuyên ngành	Toán kinh tế
Thể loại	Chuyên đề thực tập chuyên ngành
Năm xuất bản	2021
Thành phố	Hà Nội

Định dạng
Số trang	56
Dung lượng	16,62 MB