1 Weighted Avg. === Confusion Matrix === a b <-- classified as 167 0 | a = Down 0 88 | b = Up 3.3. Th o lu nả ậ
Việc so sánh kết quả thực nghiệm cĩ thể xem ở Hình 16 dƣới đây
Kết quả của thực nghiệm đƣợc chỉ ra ở Hình 7. Dễ dàng nhận thấy rằng cây quyết định đã cho kết quả dự báo là 100% so với SVM là 99.6%.
Hình 18: Độchính xác của Kỹthuật SVM và DT
Để chi tiết hĩa kết quả thực nghiệm, các kết quả dự báo đƣợc thể hiện trên ma trận nhầm lẫn (Confusion Matrix) ở Bảng 3 dƣới đây.
Bảng 3: Kết quả bảng ma trận nhầm lẫn của SVM và DT
Rõ ràng từ Bảng 3 ta thấy kỹ thuật đã dự báo nhầm lẫn 1 trƣờng hợp. Để tìm hiểu thực sự mẫu nhầm lẫn này cĩ thể quay lại vị trí của bảng dữ liệu dựa trên cột thời gian và kết quả cĩ thể đƣợc giải thích cho ngƣời dùng một cách thỏa đáng (ví dụ nhƣ ở thí nghiệm này, tỷ giá Low; High, Open đã bị thấp một cách bất thƣờng 5VND thay vì khoảng 22735VND).
KẾT LUẬN VÀ KIẾN NGHỊ
Kết luận
Trên thị trƣờng hiện nay đã cĩ rất nhiều việc áp dụng cơng nghệ Robot vào các lĩnh vực khác nhau và lĩnh vực dự báo cũng là một trong những thị trƣờng tiềm năng của cơng nghệ này. Ứng dụng các kỹ thuật của trí tuệ nhân tạo và cụ thể là học máy vào các giao dịch trên sàn giao dịch tỷ giá ngoại hối đã thể hiện sức mạnh của việc ứng dụng cơng nghệ vào thực tiễn. Việc áp dụng các kỹ thuật này giúp hỗ trợ ngƣời dùng một cách tự động hay bán tự động nhƣ đƣợc chỉ ra ở Hình 2. Tuy nhiên, trên thực tế con ngƣời cũng vẫn chƣa cĩ thể giao phĩ hồn tồn (cài đặt tự động) cho Robot giao dịch mà khơng cĩ sự kiểm sốt của con ngƣời, mà cụ thể là các nhà đầu tƣ. Việc này cĩ thể lý giải rằng, mặc dù trong một số trƣờng hợp, việc dự báo cĩ thể đạt 100% (nhƣ
ở thực nghiệm trên) nhƣng số lƣợng thu thập mẫu cịn ít và việc học của các mơ hình cũng cịn rất chậm.
Ngồi ra, các yếu tố khách quan nhƣ chính trị, mơi trƣờng,…luơn ảnh hƣởng đến việc thay đổi bất thƣờng của các cặp tỷ giá trên sàn giao dịch. Vì vậy, việc dự báo chỉ nên cĩ tính chất tham khảo, thêm kênh thơng tin cho nhà đầu tƣ, giúp học cĩ các quyết định chính xác hơn của riêng mình trong giao dịch. Các vấn đề về tác động khách quan, và các yếu tố ảnh hƣởng đến cặp USD/VND sẽ cần phải nghiên cứu để tích hợp vào mơ hình với hy vọng các mơ hình huấn luyện cĩ thể tạo ra các kết quả cĩ ý nghĩa hơn cho ngƣời dùng.
Một số kiến nghị
Để sinh viên cĩ thể tìm hiểu một cách sâu sắc về Data Mining với mục đích là biết cách vận dụng nĩ trong mơn học của mình, đề tài xin đƣợc đề xuất một số kiến nghị sau:
Đƣa nội dung của tài liệu thành một phần tham khảo trong sách giáo trình hoặc tài liệu tham khảo của mơn Khai phá dữ liệu trong kinh doanh hoặc các mơn học khác cĩ liên quan đến khai phá dữ liệu.
DANH MỤC TÀI LIỆU THAM KHẢO SÁCH
1. Gujarati, Damodar, Xuân Thành (Biên dịch) and Cao Hào Thi (Hiệu đính), (2009), "Kinh tế lƣợng về chuỗi thời gian - Dự báo với mơ hình ARIMA và VAR", Kinh tế lƣợng cơ sở, 3 ed., Chương trình Giảng dạy Kinh tế Fulbright, pp. 2-21.
BÀI BÁO Tiếng Việt
2. Đặng Cơng Tâm, Trần Hồng Trang, Dƣơng Minh Đức, (2015), Dự báo thời điểm mua bán chứng khốn kết hợp phƣơng pháp phân đoạn dữ liệu và véc tơ hỗ trợ hồi quy. Tập san Tin học Quản lý, số 1&2, trang 55-68.
3. Giao dịch Forex (2017). Thực trạng thị trƣờng Forex Việt Nam 2017 Website: https://giaodichforex.net/thuc-trang-thi-truong-forex-viet-nam-2017/
4. Nguyễn Đức Cƣờng (2000). TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU . Kỷ Yếu Hội Nghị Khoa Học & Cơng Nghệ Lần Thứ 9, ĐH Bách Khoa Tp. HCM, Phân Ban CNTT.
5. Phạm Anh Cƣờng và Phạm Văn Hiền, 2011, “Ứng dụng mạng nơron để dự báo phụ tải điện tỉnh Gia Lai,” Tạp chí khoa học và cơng nghệ, đại học Đà Nẵng, số 2, pp. 14-19.
Tiếng Anh
1. Cortes, C., Vapnik, V. (1995). Support-vector networks. Machine Learning 20:273- 297
2. Haykin, O.S. (1999). Neural Networks and Learning Machines, 3rd Edition. Pearson.
3. Murthy, S.K. (1998). Automatic Construction of Decision Trees from Data: A Multi-Disciplinary Survey. Data Mining and Knowledge Discovery. Vol. 2, 4, pp. 345–389
4. Nwokorie, E. C and Nwachukwu, E. O. (2017). A Model for Trading the Foreign Exchange
Market.website:https://www.ajol.info/index.php/wajiar/article/download/128072/1 17623
5. P. Chapman, J. Clinton, R. Kerber, T. Khabaza, T. Reinartz, C. Shearer and R. Wirth, CRISP-DM 1.0 Process and User Guide, http://www.crisp-dm.org, (2000).
6. Peter Koning (2017). Artificial Intelligence (AI) for Financial Services. White Paper for Stakeholder Engagement. Website: www.simularity.com
7. Sercan, A., Burc, E., & Adam, G. (2013). Supervised classfication-based stock prediction and portfolio optimization.
8. T. Mitchell, Machine Learning and Data Mining, Communications of the ACM, Vol. 42 (1999), No. 11, pp. 30--36.
9. U. M. Fayyad, G. Piatetsky-Shapiro, P. Smyth and R. Uthurusamy: Advances in Knowledge Discovery and Data Mining, AAAI Press, Menlo Park, CA, (1996). 10. Vietnam Retail Banking Forum 2017, web site: http://autoxe.net/doi-
song/hyperlogy-gioi-thieu-phan-mem-ung-dung-tri-tue-nhan-tao-vao-cac-ngan- hang-viet.html
11. WEF (2015). The Future of Financial Services. World Economics Forum 2015.
12. Woon-Seng G. & Kah-Hwa Ng. (2010). Multivariate FOREX Forecasting using Artificial Neural Networks, IEEE Xplore.