Phân tích dữ liệu lớn với R: Dự đoán giá cổ phiếu Công ty Cổ phần Tập đoàn Hòa Phát bằng Học máy
MỤC LỤC
CƠ SỞ LÝ THUYẾT VỀ MACHINE LEARNING VÀ DỰ ĐOÁN GIÁ CỔ PHIẾU
Các mô hình trong Machine Learning thường được sử dụng 1. Random Forest
GARCH cũng là một mô hình được ứng dụng rộng rãi trong việc dự đoán giá cổ phiếu và quản lý rủi ro trong lĩnh vực tài chính. GARCH có thể giúp dự đoán mức độ biến động của giá cổ phiếu và điều này quan trọng cho việc đánh giá rủi ro và xác định kích thước của vị thế giao dịch. GARCH cho phép xác định các ngưỡng rủi ro dựa trên biến động dự đoán.
Nhà đầu tư và người quản lý tài sản có thể sử dụng thông tin này để xác định ngưỡng mức rủi ro chấp nhận được và đưa ra quyết định giao dịch tương ứng. GARCH có thể được sử dụng để đánh giá hiệu suất của các chiến lược đầu tư dựa trên giá cổ phiếu. Nó giúp xác định liệu một chiến lược cụ thể có độ ổn định và hiệu quả không, bằng cách so sánh biến động thực tế với biến động dự đoán.
GARCH tập trung vào việc mô hình hóa biến động (volatility) của dữ liệu, trong khi ARIMA tập trung vào việc mô hình hóa giá trung bình của chuỗi thời gian. GARCH thường được sử dụng cho dữ liệu có tính biến động không đều, trong khi ARIMA thích hợp cho dữ liệu có tính ổn định hơn. Sự lựa chọn giữa hai mô hình này phụ thuộc vào mục tiêu cụ thể của phân tích và đặc điểm của dữ liệu được nghiên cứu.
Hồi quy tuyến tính là một kỹ thuật phân tích dữ liệu dự đoán giá trị của dữ liệu không xác định bằng cách sử dụng một giá trị dữ liệu liên quan và đã biết khác. Nó mô hình toán học biến không xác định hoặc phụ thuộc và biến đã biết hoặc độc lập như một phương trình tuyến tính. Các mô hình hồi quy tuyến tính tương đối đơn giản và cung cấp một công thức toán học dễ giải thích để đưa ra các dự đoán.
Hồi quy tuyến tính là một kỹ thuật thống kê được sử dụng từ lâu và áp dụng dễ dàng cho phần mềm và tính toán. Các doanh nghiệp sử dụng nó để chuyển đổi dữ liệu thô một cách đáng tin cậy và có thể. Nhiều phương pháp khoa học dữ liệu, chẳng hạn như máy học và trí tuệ nhân tạo, sử dụng hồi quy tuyến tính để giải quyết các bài toán phức tạp.
XÂY DỰNG MÔ HÌNH DỰ ĐOÁN VÀ ĐÁNH GIÁ HIỆU SUẤT MÔ HÌNH
Nếu MA50 cắt đường giá và nằm trên đường giá thì trong trung hạn giá cổ phiếu sẽ có xu hướng giảm và ngược lại MA100 (Moving Average 100): Đây là đường trung bình động của 100 ngày gần nhất của dữ liệu. MACD (Moving Average Convergence Divergence) là một trong những chỉ báo phổ biến và mạnh mẽ trong phân tích kỹ thuật được sử dụng để đo lường sự hội tụ và phân kỳ giữa hai đường trung bình di động (đường MACD và đường trung bình động khác gọi là đường tín hiệu). Sự hội tụ và phân kỳ: Khi đường MACD cắt qua đường tín hiệu từ dưới lên, nó tạo ra một tín hiệu mua (golden cross) và cho thấy sự hội tụ giữa hai đường này.
Divergence (Phân kỳ): Khi giá của tài sản tài chính và MACD diễn biến ngược hướng (giá tài sản tăng trong khi MACD giảm hoặc ngược lại), điều này có thể là dấu hiệu của một sự phân kỳ và tín hiệu tiềm năng. Sau khi sử dụng mô hình GARCH để xây dựng biểu đồ dự báo giá cổ phiếu HPG trong trong tương lai ta thấy, giai đoạn cuối năm 2023 đến đầu tháng 2 năm 2024 giá có xu hướng giảm và tích lũy ở thời điểm này. Đi cùng với dự báo, để chắc chắn thì có thể nhìn vào bức tranh của toàn ngành trong thời điểm hiện tại, khi giá thép giảm, sản lượng tiêu thụ chậm thép xây dựng đến từ nguyên nhân thị trường bất động sản còn ảm đạm, đầu tư công chưa khởi sắc.
Tóm lại, mô hình GARCH đã chạy cho thấy rằng biến động của dãy lợi suất của cổ phiếu HPG có một thành phần phụ thuộc vào biến động trong quá khứ (GARCH) và một thành phần phụ thuộc vào giá trị lợi suất trước đó (ARCH). Người ta ước tính rằng, trong giai đoạn 2022-2031, đường xá, sân bay và các cơ sở hạ tầng khác, xây dựng nhà ở, ô tô, đồ gia dụng và các ngành công nghiệp khác của Việt Nam đều sẽ duy trì tốc độ tăng trưởng cao. Tôi cho rằng kế hoạch kinh doanh này đã được đưa ra trên quan điểm thận trọng của ban lãnh đạo HPG, đặc biệt trong bối cảnh giá nguyên liệu đầu vào biến động và nhu cầu thép yếu như hiện nay.
Nhà đầu tư có thể xem xét mua cổ phiếu HPG với giá thấp hơn để tận dụng tiềm năng tăng giá trong tương lai khi thị trường hoặc công ty phục hồi. Giá cổ phiếu giảm có thể tác động đến tài chính của công ty bằng cách làm giảm giá trị vốn hóa thị trường và giảm khả năng huy động vốn thông qua việc phát hành cổ phiếu mới. Có thể cần xem xét và thực hiện các biện pháp để cải thiện hiệu suất công ty hoặc cắt giảm chi phí để cân đối tài chính và tối ưu hóa lợi nhuận.
Điều này có thể bao gồm việc sử dụng các công cụ tài chính để bảo vệ khỏi biến động giá cổ phiếu hoặc điều chỉnh chiến lược tài chính của công ty. Trong đề tài này, chúng em đã tiến hàng nghiên cứu về việc sử dụng các mô hình học máy đặc biệt là mô hình GARCH để dự đoán giá cổ phiếu Công ty Cổ phần Tập đoàn Hoà Phát (HPG). Từ việc sử dụng các mô hình trên, chúng em đã đưa ra các biểu đồ để dễ dàng quan sát được sự biến động giá của Tập đoàn Hoà Phát từ năm 2015 trở lại đây.
Các kết quả của đề tài này cho thấy rằng Machine Learning có tiềm năng lớn để ứng dụng trong việc dự đoán giá cổ phiếu của Công ty Cổ phần Tập đoàn Hòa Phát. Việc sử dụng Machine Learning để dự đoán giá cổ phiếu là một lĩnh vực nghiên cứu hứa hẹn và có thể cung cấp giá trị cho các nhà đầu tư và nhà quản lý tài sản trong việc ra quyết định đầu tư.
