Đồ án môn học chuyên Đề chuyên sâu về khoa học dữ liệu 1 phân tích thị trường chứng khoán và soft mobile mua bán

Sự khảo sát sâu rộng về các yếu tố ảnh hưởng đến giá Bitcoin, từ các yêu tô kỹ thuật như cụng và cầu đến những ảnh hưởng ngoại vi như chính trị và kinh tê, sẽ được thực hiện dé xây dựng

BỘ GIÁO DỤCVÀ ĐÀOTẠO

TRƯỜNG ĐẠI HỌC NGUYÊN TẤT THÀNH

KHOA CONG NGHE THONG TIN

NGUYEN TAT THANH

CHUYEN DE CHUYEN SAU VE KHOA HOC DU LIEU 1 PHAN TICH THI TRUONG CHUNG KHOAN

VA

SOFT MOBILE-MUA BAN

Giảng viên giảng dạy: Hà Minh Tân

Sinh viên thực hiện: Lương Công Thuận

Chuyên ngành : KHOA HỌC DỮ LIỆU

Tp.HCM, ngay 18 thang 1 Nam 2024

BỘ GIÁO DỤCVÀ ĐÀOTẠO

TRƯỜNG ĐẠI HỌC NGUYÊN TẤT THÀNH

KHOA CONG NGHE THONG TIN

NGUYEN TAT THANH

CHUYEN DE CHUYEN SAU VE KHOA HOC DU LIEU 1 PHAN TICH THI TRUONG CHUNG KHOAN

VA

SOFT MOBILE-MUA BAN

Giảng viên giảng dạy: Hà Minh Tân

Sinh viên thực hiện: Đỗ Nguyễn Tùng Dương

Chuyên ngành : KHOA HỌC DỮ LIỆU

Tp.HCM, ngay 18 thang 1 Nam 2024

Họ vàtên: Lương Công Thuận MSSV: 2100011144

Chuyén nganh: KHOA HOC DU LIEU Lép: 21DTH2C

Email: luongcongthuann@gmail.com SDT : 039418613

Tên đề tài: Phân tích thị trường chứng khoáng và soft mobile-mua bán

Giảng viên giảng dạy: Hà Minh Tân

Thời gian thực hiện: 9/10/2023 đến 18/1/2024

Nhiệm vựw/nội dung (mô tả chỉ tiết nội dung, yêu cầu, phương pháp ):

Nội dung và yêu cầu đã được thông qua bộ môn

Đồ án này không chỉ là một nỗ lực để hiểu rõ hơn về cơ chế hoạt động của thị 4rường Bitcom ma con nham muc tiêu dự đoán giá của nó trong tương lai Sự khảo sát sâu rộng

về các yếu tố ảnh hưởng đến giá Bitcoin, từ các yêu tô kỹ thuật như cụng và cầu đến

những ảnh hưởng ngoại vi như chính trị và kinh tê, sẽ được thực hiện dé xây dựng một

mô hình dự đoán chính xác và đáng tin cậy

Với lòng tò mỏ và sự hứng thú với sự phức tạp của thị trường tiền điện tử, chúng tôi bắt đầu hành trình này với niềm tin rằng nắm bắt được xu hướng giá của Bitcoin không chí là

một thách thức mà còn là cơ hội đề hiệu sâu hơn về bản chất của tiền tệ sô và tác động của nó đôi với thê giới tài chính

Với sự phát triên ngày càng mạnh mẽ của trí tuệ nhân tạo Nó đã đem lại những ứng dụng

to lớn trong nhiêu lĩnh vực khác nhau như xử lý ngôn ngữ tự nhiên, tự động hoá, thị giác máy tính, Trí tuệ nhân tạo ngày cảng trờ thành một phân không thê thiêu c của cuộc sông Sự ton tai va phat triển của một doanh nghiệp, cơ quan, tô chức nhà nước, Không thê thiêu sự trợ giúp của trí tuệ nhân tạo Trong việc thu nhận và xử lý thông tin với khôi lượng ngày cảng lớn, nhiều lúc với những việc thủ công không đem lại hiệu quả mong muôn, lại tôn nhiêu công sức và thời gian Nhằm đem lại sự nhanh chóng và chính xác, giảm _ thiêu công sức của con người Nhóm em đã chọn đề tài “PHÁN TÍCH THI TRUONG CHUNG KHOANG VA SOFT MOBILE —- MUA BẢN” để nghiên cứu và viét bao cao

LOI CAM ON

Đề thực hiện và hoàn thành bài đề tài này, em đã nhận được sự hỗ trợ, giúp đỡ cũng như

là quan tâm, động viên từ quý Thây cô trường Đại học Nguyên Tat Thanh, dac biet là khoa Công nghệ thông tin, đã tận tình hướng dân, BIÚp đỡ Trước hết, em xin bày tỏ tắm lòng biết ơn sâu sắc với Th.S H6 Khéi — giang viên b6 mén “Deep Learning trong khoa hoc đữ liệu” người trực tiếp hướng dẫn, cung, cấp cho em những kiến thức, kỹ năng cần thiết để hoàn thành đề tài đã cung, cấp một số tải liệu liên quan đến đề tài mà em đang nghiên cửu và nhắc nhở em đến tiến độ thực hiện đồ án này, mặc dù lịch giảng dạy dày nhưng luôn đành nhiều thời gian, công suc hướng dẫn em trong suốt quá trình thực hiện nghiên cứu và hoàn thành đề tài này Xin gửi lời cảm ơn chân thành đến thây cô khoa CNTT, với sự quan tâm, dạy dỗ, chỉ bảo tận tình chu đáo thầy cô đã truyền đạt những kiến thức quý báu cho em trong suốt thời gian vừa qua Giúp em hiểu thêm nhiều kiến thức bồ ích, tinh than học tập hiệu quả và nghiêm túc, để hoàn thành được đồ án môn học này Tuy có nhiều có gắng trong bài tiêu luận môn học nhưng em còn nhiều hạn chế và bỡ ngỡ nên không tránh khỏi những thiếu sót Em rất mong nhận được những ý kiến đóng góp, giúp đỡ của thầy để bài tiêu luận của em được hoàn thiện hơn đồng thời tạo điều kiện để em bồ sung, nâng cao ý thức và trình độ chuyên môn của mình trong lĩnh vực này

Một lần nữa em xin chân thành cảm ơn!

Sinh viên thực hiện

TRUNG TÂM KHẢO THÍ HQC KY I NĂM HỌC 2023 - 2024

Môn thi: Chuyên Đề Chuyên Sâu Khoa Học Dữ Liệu Lớp học phần: 2IDTH2D

Nhóm sinh viên thực hiện :

1 Phan Thanh Phong Tham gia dong gop: 10%

3 Diệp Anh Tuần Tham gia đóng góp: 10%

4, Ngô Thủy Tiên Tham gia đóng góp: 10%

5 Lương Công Thuận Tham gia dong gop: 15%

6 Truong Thanh Tin Tham gia đóng góp: 15%

7 Nguyễn Đức Lương Tham gia đóng góp 5%

Đề tài tiểu luận/báo cáo của sinh viên :PHÂN TÍCH VÀ DỰ ĐOÁN GIÁ BITCOIN

Phân đánh giá của giảng viên (căn cứ trên thang rubries của môn học):

Cấu trúc của | Gồm 7 chương I

Giảng viên chấm thi (ky, ghỉ rõ họ tên)

h 1 Mang RNN

NHAN XET CUA GIANG VIEN GIANG DAY

Tp.HCM, Ngày 18 tháng 1 năm 2024

Giảng viên giảng dạy

(Ký tên và ghi rõ họ tên)

KÍ HIỆU CÁC CỤM TỪ VIẾT TẮT

Chữ viết tắt Ý nghĩa

RNN Recurrent Neural Network

GRU Gated Recurrent Unit

LSTM Long Short-Term Memory

BRNN Bidirectional Recurrent Neural Network

DRNN Deep Recurrent Neural Network

CNN Convolutional Neural Network

NN Neural Network

GD Gradient Descent

SGD Stochastic Gradient Descent

MSE Mean Squared Error

MAE Mean Absolute Error

CHUONG 1 GIOI THIEU

1.1 Giới thiệu đề tài

Dự đoán giá Bifcoin là một đề tài quan trọng trọng lĩnh vực tài chính và tiền điện tử, đặc biệt là trong bối cảnh Bitcoin trở thành một phan quan trọng của hệ thông tài chính toàn cầu Gia của Bitcom biến đôi mạnh mẽ theo thời gian và được ảnh hưởng bởi nhiều yếu

tố khác nhau, bao gồm cầu và cung, sự quan tâm từ phía các nhà đầu tư, tin tức và sự kiện thị trường, cũng như tình hình kinh tế toàn cầu

Dự đoán giá Bitcoin là một nhiệm vụ phức tạp đòi hỏi sự hiểu biết về nền kinh tế, thị trường tài chính, và công nghệ blockchain Các nhà nghiên cứu và chuyên gia tài chính

đã áp dụng nhiều phương pháp khác nhau để cô gắng dự đoán giá của loại tiền điện tử này, bao gôm phân tích kỹ thuật, phân tích cơ bản, mô hình hóa toán học, và sử dụng trí

tuệ nhân tạo

Đề tài này có ý nghĩa lớn trong việc đánh giá rủi 1o và cơ hội đầu tư trong lĩnh vực tiền điện tử Chúng tạ hy vọng răng ` việc nghiên cứu về dự đoán giá Bitcoin sẽ đóng góp vào

sự hiểu biết về tiền điện tử và tiền tệ kỹ thuật số giúp người dùng đưa ra quyết định thông minh trong việc quản lý tài sản và đầu tư trong thị trường này

1.2 Lý do chọn đề tài

Lý đo chọn đề tài "Dự đoán giá Bitcoin" là để hiểu biết thêm về tiền điện tử, cách thức

hoạt động cũng những ảnh hưởng đến tiên điện tử, giúp hiểu rõ thị trường tiền điện tử và tài chính kỹ thuật sô Nó có thê giúp đôi tượng nghiên cứu và người đầu tư đưa ra quyết định thông minh, tôi ưu hóa lợi nhuận và giảm rủi ro trong môi trường đầu tư đây thách thức này

1.3 Mục tiêu đề tài

Mục tiêu của đề tài "Dự đoán giá Bitcoin” là tập trung vào việc nghiên cứu và phat triển phương pháp dự đoán giá của loại tiên điện tử này Nghiên cứu sâu về yêu tô ảnh hưởng đến giá Bitcoin, phát triển mô hình dự đoán sử dụng các phương pháp phân tích kỹ thuật,

mô hình hóa toán học, và trí tuệ nhân tạo đê xây dựng các mô hình dự đoán giá Bitcoin

1.4 Phương pháp đề tài

Áp dụng các phương pháp học máy và trí tuệ nhân tạo như học sâu (deep leaming) để xây

dựng mô hình dự đoán dựa trên đữ liệu lịch sử và thông tin thị trường liên quan Mạn,

no-ron, LSTM (Long Short-Term Memory), va RNN (RecurrentNeural Network) có thê

được sử dụng trong việc dự đoán gia

Phương pháp kết hợp các khía cạnh của phân tích kỹ thuật, phân tích cơ bản, mô hình

toán học và trí tuệ nhân tạo có thê giúp tạo ra các dự đoán giá Bitcoin đáng tin cậy và hữu

ích cho người dùng cuôi trong việc đưa ra quyết định đầu tư

1.5 Đối tượng và phạm vỉ nghiên cứu

Đối tượng nghiên cứu:

Thị truong bitcoin

Pham vi của đề tài :

Sử dụng dữ liệu lịch sử từ năm 2010-2023 về giá Bitcoin, giao địch, cầu và cung, và các yếu tố thị trường liên quan đề phát triển mô hình dự đoán

Sử dụng phân tích kỹ thuật, phân tích cơ bản, mô hình toán học, và trí tuệ nhân tạo dé xây

CHƯƠNG 2

ỨNG DỤNG VÀ THUẬT TOÁN

2.1Giới thiệu bài toán

RNN (Mạng Nơ-ron Hồi Quy): Sử dụng kiến trúc vòng lặp đề duy trì thông tin trạng thái trước đó RNN có thể xử lý thông tin dang chuỗi (sequence/ time- series), có thé mang thong tin của frame (ảnh) từ state trước tới các stafe sau, rôi ở sfafe cuôi là sự kết hợp của tất cả các ảnh đề dự đoán hành động

LSTM (Long Short-Term Memory): Cai tién của RNN, giải quyết vấn đề vanishing gradient bang cach str dụng các công (gates) để kiểm soát luéng thông tin

Dự đoán giá Bitcoin là một thách thức quan trọng trong thị trường tài chính và tiền điện

tử Bài toán này đặt ra đề hứng thủ nhà đầu tư, giao dịch viên, và những người quan tâm đến thị trường tiền điện tử

2.2 Mô tả thuật toán

2.2.1 Mạng RNN

Kiến trúc mạng RNN truyền thông: Các mạng neural hồi quy, còn được biến đến như là RỊNNs, là một lớp của mạng ncural cho phép đầu ra được sử dụng như đầu vào trong khi

CÓ các tạng thai ân Thông thường là như sau: |

Tại mối bước t, giá trị kích hoạt và đâu ra duoc biéu diễn như sau:

Voi, ,,, là các hệ s6 duoc chia sé\tam—thoi va la cac ham kích hoạt

2.2.2 Phân loại bài toán RNN

- One to one: mẫu bài toán cho Neural Network (NN) va Convolutional Neural Network (CNN), | input va | output, vi du voi CNN input la anh va output là ảnh duoc segment

- One to many: bai toan co | input nhung nhiéu output, vi du: bai toan caption cho anh, input là l ảnh nhưng output là nhiều chữ mô tả cho ảnh đấy, dưới dạng một câu

- Many to one: bài toán có nhiều input nhung chi co | output, vi du bai toan phan loai hành động trong video, input là nhiều anh (frame) tach ra từ video, ouptut là hành động trong video

- Many to many: bài toán có nhiều input va nhiéu output, vi du bài toán dịch từ tiếng anh sang tiêng việt, input là Ï câu gôm nhieu chit: “I love Vietnam” va output cting la 1 cau gôm nhiêu chữ ““Tôi yêu Việt Nam”

2.2.3 Hàm tối ưu, hàm mắt mát

+ Ham téi vu

Hàm tối uu(optimization function) la một hàm được sử dụng trong quả trình tối ưu hóa Mục tiêu chính của quá trình tôi ưu hóa là tìm ra giá trị của các tham sô của mô hình sao cho ham mat mat dat gia trị nhỏ nhất (trong trường hợp tối thiêu hóa) Hàm mất mat

thường là một đo lường của sự chênh lệch giữa giá trị mô hình dự đoán và giá trị thực tế của đữ liệu dao tao

Các hàm tối ưu thông dụng:

- Adam:

Trong đó và là các véc-tơ trung bình chuyển động, và là các ước lượng được điều chỉnh, là tỉ lệ học, và là các hệ số trọng số, là gradient, là một giá trị nhỏ dé tránh chia cho 0

- Gradient Descent (GD):

Trong đó là vector tham số tại bước thời gian là tỉ lệ học, là đạo hàm của hàm mất mát

theo

- Stochastic Gradient Descent (SGD):

Trong đó là một chỉ số ngẫu nhiên, thường được chọn từ tập dữ liệu đào tao

+ Ham mat mat

Cac ham mat mat (loss function) duoc su dung đề đo lường sự chênh lệch giữa giá tri dự đoán của mô hình và giá trị thực tế của đữ liệu Mục tiêu chính của một mô hình máy học

la toi thiéu hóa giá trị của hàm mắt mát, tức là làm cho đự đoán của mô hình càng gần giá trị thực tế càng tot

Các hàm mắt mát thường dùng :

- Mean Squared Error (MSE):

Với là giá trị thực tế, là giá trị dự đoán ứng với mẫu thứ trong đữ liệu

- Mean Absolute Error (MAE):

2.2.4 GRU/LSTM

- GRU: Là một kiến trúc mạng nợ-ron hồi vn (RNN) được thiết kế đề giải quyết van dé

ề gradient bién mat Str dụng các công (gates) đề kiêm soát dòng thông tin qua thời gian và giữ cho mô hình có khả năng học các phụ thuộc dài hạn trong đữ liệu tuân tự

tương lai đều quan trọng đê dự đoán một gia trị tại một thời điểm cụ thê BRNN giúp cải

thiện khả năng dự đoán trong các tình huông như vậy

Trong đó là trạng thái ân từ hướng trái sang phải và là trạng thái ân từ hướng phải sang trái

- Deep RNN mô hình mạng nơ-ron hồi quy (RNN) mà có nhiều tầng (layers) hơn so với RNN thông thường Mỗi tâng trong mang thường tương ứng với một lớp RNN Ý tưởng

là sử dụng nhiều tầng để học các mức biểu diễn phức tạp và hierarchical từ đữ liệu đầu

vào

2.3 Xây dựng bộ dữ liệu

Bộ đữ liệu được lấy từ trang Finance với các đữ liệu sau:

Date: Ngày tháng năm

Price: Gia cua bitcoin day là dữ liệu muốn dự đoán

Open: Gia bitcoin khi mo phién giao dich

High: Gia cao nhat

Low: Gia thap nhat

Vol.: Chênh lệch tỉ giá có thể giúp đo lường mức độ biến động của giá

CHƯƠNG 3 XÂY DỰNG ỨNG DỤNG NGÔN NGỮ PYTHON

3.1 Xây dựng ứng dụng và giải thích

3.1.1 Lên kế hoạch thiết kế

Mục tiêu: thiết kế ứng dụng dùng thuật toán RNN / LSTM đề dự đoán giá cỗ phiếu của ngày tiếp theo

- Thiết kế UI bằng tkinter va customtkinter

- Cho phép chọn file dữ liệu (csv) hoặc nhập mã đề lây dữ liệu từ internet

- Hiển thị biểu đồ tông quan

- Thiết kế model ( batch size, epoch, optimizer, loss function, layer, unit per layer)

- Hién thị biêu đồ huấn luyện

-Dự đoán giá cho ngày tiếp theo

3.1.2 Thiết kế từng phần

Đề khởi tạo chương trình dùng tkinter ta thực hiện như sau:

Khởi tạo một cửa số tên là ‘window’ voi 1280 x 720 pixel va phan tiéu dé la ‘Predict MaketPlace’

Hàm on closing sẽ được thực hiện khi đóng chương trình và trong ứng dụng này nó sẽ xóa những hình biêu đồ khi thoát chương trình

- Thành phân đưa dữ liệu vào:

Tạo table với scrollbar bằng tkinter Treeview nam trong frame data

Sửa lại định dạng và kiêu mầu của table băng tkinter Style ; Ộ

Vì phải sửa lại headimng (dòng đầu của bảng) và phân đữ liệu hiện thị nên sẽ cân 2 câu lệnh configure ,

Dinh dang lai cho table dé chi su dụng không gian bên trong frame_ data mà không ảnh hưởng đên kích thước cửa sô

+ Nút và đường dân file dữ liệu

rr | : |

|

Tao mot lable rong (chưa có text) dùng đề hiện đường dẫn file

Tạo một nút đề mở cửa sô chọn file

Đê thực hiện việc chọn file và xử lý dữ liệu ta tạo 2 hàm: - ‹

file mput() cho viéc lây dữ liệu từ file và xử lý dữ liệu đề đưa dữ liệu về dạng phù hợp

cho chương trình (được lưu dưới biện toàn cục df) —ˆ ; -

show _ table() dùng cho việc chuyên dữ liệu trong biên toàn cục đỀ biêu điền dưới dạng

bảng

+ Lay đữ liệu từ internet

Đề lấy đữ liệu từ internet thông qua thư viện yfnance ta cần 3 thành phần bao gồm: Tên -> mput label_ name : Dùng Textbox đề nhận dữ liệu

Ngày bat đầu -> date start -> cal start: Dùng DateEntry từ thư viện tkcalendar

Ngày kết thúc -> đate_end -> cal_end: Dùng DateEntry từ thư viện tkcalendar

Hai hàm get stock data() va get date from_cal() dung để lấy đữ liệu từ input label_name, date_start và date_end chuyên đỡ liệu date thành dạng phù hợp và bắt đầu lây đữ liệu và gán vào df cuối cùng là gọi hàm show _ table() đề biêu điển dữ liệu đưới

Tao hai nút với hai cách tạo biêu đồ khác nhau từ thư viện plotly

- Dự đoán :

+ Optimizer: Cho phép chon cac optimizer dé huan luyén va dự đoán

+ Loss function: Cho phép chon loss function cho mô hình

+ Batch size : Cho phép tùy chỉnh kích thước mỗi batch

+ Epoch : Điều chỉnh số bước lặp quá trình train

+ Layer : Có thé thêm số lượng các lớp LSTM tối thiểu là 1 tối đa là 15 ( trong lớp mô

hình đã có sẵn I lớp)

+ io 5 A ° = oO 5 3 5 @ ° 5 2 gz = 5 5 ou E- @ ° a Oo = 5

+ Checkbox: Tuy chon xem biéu đồ huấn luyện mô hình ( Có chọn: Mở xem ở browser,

Không chọn: Xem dưới dạng ảnh)

x x

+ Processbar: Biéu diễn quá trình huấn luyện mô hình