1. Trang chủ
  2. » Luận Văn - Báo Cáo

Ứng dụng khai phá dữ liệu trong dự báo biến động thị trường chứng khoán việt nam

4 390 5

Đang tải... (xem toàn văn)

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 4
Dung lượng 305,71 KB

Nội dung

Ứng dụng khai phá dữ liệu trong dự báo biến động thị trường chứng khoán Việt Nam Vũ Hữu Dũng Trường Đại học Công nghệ.. Tìm hiểu các khái niệm cơ bản , các ứng dụng của biến động thị

Trang 1

Ứng dụng khai phá dữ liệu trong dự báo biến động thị trường chứng khoán Việt Nam

Vũ Hữu Dũng

Trường Đại học Công nghệ Đại học Quốc gia Hà Nội Luận văn ThS Công nghệ thông tin : 60 48 05 Người hướng dẫn : TS Nguyễn Văn Hùng

Năm bảo vệ: 2013

59 tr

Abstract Tìm hiểu các khái niệm cơ bản , các ứng dụng của biến động thị trường chứng khoán Tìm hiểu các khái niệm cơ bản , các mô hình th ống kê, các mô hình học máy sử dụng để dự báo biến động thị trường Thử nghiệm các mô hình dự báo biến động trên thị trường chứng khoán Việt Nam So sách các sai số dự báo của các mô hình trên

Keywords.Hệ thống thông tin; Khai phá dữ liệu; Thị trường chứng khoán

Content

Biến động đã trở thành một phần không thể thiếu trong thị trường tài chính cho hoạt động quản lý rủi ro, quản lý danh mục đầu tư, các nhà đầu tư, các nhà nghiên cứu và gần như tất cả những gì có thể làm với các thị trường tài chính Dự báo biến động một cách chính xác và xác định các mối tương quan là cần thiết để quản lý rủi ro, quản lý danh mục đầu tư Biến động và mối tương quan được ước tính từ các dữ liệu quá khứ

từ lợi xuất của tài sản hoặc lựa chọn từ các giá quan sát được vì nó không thể quan sát trực tiếp

Hiện nay trên thế giới, ở các thị trường chứng khoán phát triển, các nhà phân tích và

dự báo đã áp dụng và đưa ra nhiều công cụ giúp cho các nhà đầu tư trên thị trường dự báo được biến động của thị trường với tỷ lệ chính xác cao nhằm giúp cho các nhà đầu

tư quản lý được danh mục đầu tư của mình Đối với các nước phát triển thì việc ứng dụng các mô hình phân tích dự báo này trở nên đơn giản vì thông tin minh bạch và thị trường cũng trở nên ổn định hơn.Tuy nhiên, việc ứng dụng các công cụ này trên các thị trường là khác nhau Đối với thị trường các nước đang phát triển, trong đó có Việt

Trang 2

Nam, thì việc ứng dụng các công cụ này liệu có chính xác? Đồng thời thị trường chứng khoán Việt Nam những năm gần đây được đánh giá là một trong những thị trường biến động mạnh nhất khu vực châu Á[1]

Do đó, đề tài “Ứng dụng khai phá dữ liệu trong dự báo biến động thị trường

chứng khoán Việt Nam” là đề tài mà chúng tôi tập trung nghiên cứu vào một số mô

hình dự báo biến động hay được sử dụng trên thế giới và áp dụng thử nghiệm cho thị trường chứng khoán Việt Nam

Nô ̣i dung luâ ̣n văn tâ ̣p trung vào những vấn đề sau:

 Tìm hiểu các khái niệm cơ bản, các ứng dụng của biến động thị trường chứng khoán

 Tìm hiểu các khái niệm cơ bản , các mô hình th ống kê, các mô hình học máy

sử dụng để dự báo biến động thị trường

 Thử nghiệm các mô hình dự báo biến động trên thị trường chứng khoán Việt Nam So sách các sai số dự báo của các mô hình trên

Luâ ̣n vă ̣n được trình bày gồm các phần sau đây :

Chương 1: Cơ sở lý thuyết giới thiệu tổng quan khái niệm về biến động của

thị trường chứng khoán, các ứng dụng của theo dõi biến động Giới thiệu tổng quan về khai phá dữ liệu

Chương 2: Ứng dụng khai phá dữ liệu dự báo biến động thị trường chứng khoán trình bầy một số phương pháp khai phá dữ liệu sử dụng để dự

báo báo biến động của thị trường

Chương 3: Thực nghiệm và đánh giá trình bầy quá trình thử nghiệm các

mô hình dự báo trên áp dụng vào chỉ số VNINDEX, HNXINDEX trên thị trường chứng khoán Việt Nam Đưa ra một số đánh giá, nhận xét kết quả đạt được

TÀI LIỆU THAM KHẢO

Tiếng Việt

1 Bài “Chứng khoán Việt Nam tăng trưởng mạnh nhất châu Á” ngày 04/08/2013 đăng trên Báo Dân trí

Trang 3

1 Nguyễn Thị Hải Yến (2007), “Phân lớp bán giám sát và ứng dụng thuật toán

SVM vào phân lớp trang Web”, Khóa luận tốt nghiệp đại học, trường Đại học

công nghệ - Đại học quốc gia Hà Nội

2 Lê Tuấn Bách (2010), “Phân tích dự báo giá và rủi ro thị trường cổ phiếu niêm

yết Việt Nam”, Luận văn thạc sỹ, trường Đại học Kinh tế TP.Hồ Chí Minh

3 Lư Nhật Vinh (2001), “Kết hợp mạng Nơron và Logic mờ để giải quyết bài

toán kinh tế”, Luận văn thạc sỹ, trường Đại học Khoa học Tự nhiên - ĐHQG

TP.Hồ Chí Minh

4 Thục Đoan, Cao Hào Thi, “Nhập môn kinh tế lượng với các ứng dụng”, Chương

trình Giảng dạy Kinh tế Fulbright

Tiếng Anh

5 Alex J Smola and Bernhard Scholkopf (2003), “A Tutorial on Support Vector

Regression”, Machine Learning Department, Carnegie Mellon University

6 HaiqinYang, Laiwan Chan, and Irwin King, (2002), “Support Vector Machine

Regression for Volatile Stock Market Prediction”, Department of Computer

Science and Engineering, The Chinese University of Hong Kong, trang 391–

396

7 Jeremy Andre, Alfred Wechselberger, Shanbin Zhao, “Volatility Forecasting

using SVM”, Project for CS229 Machine Learning, Stanford University

8 MaxWelling , “Support Vector Regression”, Department of Computer Science,

University of Toronto

9 Rafik Nazarian, Nadiya Gandali Alikhani, Esmaeil Naderi, Ashkan Amiri,

“Forecasting Stock Market Volatility: A Forecast Combination Approach”,

MPRA Paper No 46786, March 2013

10 Richard Minkah, (2007), “Forecasting volatility”, U.U.D.M Project Report

2007, Uppsala University

11 Rob Reider, (2009), “Volatility Forecasting I: GARCH Models”, The

Department of Mathematics at the Courant Institute

12 Saurabh Karsoliya (1996), "Approximating Number of Hidden layer neurons in

Multiple Hidden Layer BPNN Architecture" International Journal of

Engineering Trends and Technology- Volume3Issue6- 2012

13 Sergiy Ladokhin, (2009), “Forecasting Volatility in the Stock Market”, BMI

paper

14 Sergiy Ladokhin, (2009), “Volatility modeling in financial markets”, Master

Thesis, VU University Amsterdam

Trang 4

15 Shaikh A Hamida, Zahid Iqbalb, (2004), “Using neural networks for

forecasting volatility of S&P 500 Index futures prices”, Journal of Business

Research 57 (2004) trang – 1125

16 Shiyi Chen, Kiho Jeong, Wolfgang Härdle, (2008), “Support Vector Regression

Based GARCH Model with Application to Forecasting Volatility of Financial Returns”, SFB 649 Humboldt-Universität zu Berlin

17 Torben G Andersen, Tim Bollerslev, Francis X Diebold and Heiko Ebens,

(2001), “The Distribution of Stock Return Volatility”, Journal of Financial

Economics, 61, trang 43-76

Websites

giá chéo k-nhóm

19 http://www.inside-r.org và http://www.r-project.org/ Ngôn ngữ R

động từ dữ liệu hàng ngày

nước trên thế giới

hướng dẫn phương pháp phân tích kỹ thuật thị trường chứng khoán

Ngày đăng: 25/08/2015, 12:13

TỪ KHÓA LIÊN QUAN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w