5. Ý nghĩa khoa học và thực tiễn của đề tài
3.6. Kết luận chƣơng 3
Trong chƣơng này, luận văn đã tiến hành cài đặt thử nghiệm các hàm kernel trong mô hình SVR đƣợc trình bày trong chƣơng hai nhằm giải quyết bài toán mục tiêu là “Dự đoán giá cổ phiếu dựa vào dữ liệu chuỗi thời gian trong quá khứ”. Kết quả đánh giá đạt đƣợc là sự thành công từ ý tƣởng và áp dụng các mô hình đã đề ra. Độ chính xác này nằm ở mức tƣơng đối cao đối với tập dữ liệu không quá lớn. Trong trƣờng hợp tập dữ liệu lớn cùng với nhiều yếu tố ngoại lai thì có thể kết quả không nhƣ mong muốn, cần phải phát triển và khắc phục một số hạn chế để đạt đƣợc kết quả tốt hơn.
KẾT LUẬN
1. Nội dung nghiên cứu và kết quả đạt đƣợc của luận văn
Bài toán dự đoán giá chứng khoán đã đƣợc đặt ra từ lâu và đi cùng nó là hàng loạt các nghiên cứu và đề tài đƣợc xác lập, các ứng dụng đƣợc triển khai. Bài toán luôn đặt ra nhiều thách thức vì những khó khăn của nó. Các khó khăn chứng tỏ rằng bất cứ phƣơng pháp nào giải quyết bài toán sẽ không thể tránh khỏi một số khiếm khuyết nhất định. Mỗi hƣớng tiếp cận đƣợc đƣa ra đều đã đạt đƣợc những thành quả nhất định, hƣớng nào cũng có những thành công, những hạn chế. Vì bài toán này là bài toán không có lời giải tối ƣu cho mọi trƣờng hợp. Tuy nhiên, do tính cấp thiết từ yêu cầu của thực tế mà đây luôn là một đề tài hấp dẫn các nhà khoa học, các chuyên gia nghiên cứu và ứng dụng.
Trong nội dung nghiên cứu đề tài “Ứng dụng SVM dự đoán chuỗi thời gian tài chính” bản thân đã tìm hiểu các thuật toán, mô hình xử lý và dự báo
chuỗi thời gian, cũng nhƣ áp dụng các mô hình này để giải quyết bài toán đặt ra. Qua nghiên cứu, những kết quả chính mà luận văn đã đạt đƣợc nhƣ sau:
-Khái quát về chuỗi thời gian, dự báo chuỗi thời gian và cụ thể là chuỗi thời gian tài chính.
-Trình bày một số kỹ thuật, các hàm kernel trong mô hình SVM và cụ thể là SVR đƣợc dùng để dự đoán chuỗi thời gian tài chính hiệu quả.
-Trình bày kỹ thuật GridSearch để tìm siêu tham số tối ƣu cho SVR và phƣơng pháp MAPE dùng để đánh giá hiệu suất của mô hình huấn luyện.
-Cài đặt thử nghiệm mô hình SVR áp dụng các hàm kernel dự đoán giá trị cổ phiếu vào ngày xác định dựa vào dữ liệu chuỗi thời gian giá trị lịch sử trong quá khứ, sử dụng MAPE để đánh giá và so sánh hiệu suất của các mô hình.
2. Kiến nghị và hƣớng nghiên cứu tiếp theo
Dự đoán chuỗi thời gian tài chính, đặc biệt là giá trị cổ phiếu hay cryto vẫn và tiếp tục là một bài toán đƣợc nhiều nhà nghiên cứu và cộng đồng quan tâm với nhiều ứng dụng to lớn, có tầm quan trọng không chỉ trong khoa học mà còn trong thực tiễn.
Với những hạn chế khó khăn còn gặp trong quá trình phát triển, giải quyết bài toán, hƣớng nghiên cứu tiếp theo của luận văn sẽ là tiếp tục đào sâu hơn vào các mô hình học máy, học sâu, song song với phiên tiền xử lý dữ liệu để nâng cao hiệu suất và đầu ra của bài toán.
TÀI LIỆU THAM KHẢO
[1] Cherkassky, V., & Mulier, F. (1999). Vapnik-Chervonenkis (VC) learning theory and its applications. IEEE Transactions on Neural
Networks, 10(5), 985-
987. https://doi.org/10.1109/TNN.1999.788639
[2] Aoki, M., (1990). State space modeling of time series. Springer-Verlag; NewYork: Springer-Verlag, 2nd edition.
[3] Chatfield, C., (2001). Time Series Forecasting. Chapman and Hall. [4] Granger, C.W.J., and Joyeux, R., (1980). An introduction to long-
memory time series models and fractional differencing, Journal of Time Series Analysis, vol. 1.
[5] Priestley, M.B., (1981). Spectral Analysis and Time Series, New York: AcademicPress, London.
[6] Tong, I., (1990). Non-Linear Time Series. Clarendon Press, Oxford. [7] Jain, A.K, Murty, M.N., and Flynn, P.J, (1999). Data Clustering: a
review, ACM Computing Surveys, Vol. 31, No. 3: 264 - 323.
[8] Baestaens, D.E., (1994). Neural Network Solutions for Trading in Financial Markets, London: Financial Times: Pitman Pub.
[9] Chatfield, C., (2004). The analysis of time series: an introduction. Chapman andHall, Sixth edition.
[10] S. Hochreiter and J. Schmidhuber, "Long Short-Term Memory," in Neural Computation, vol. 9, no. 8, pp. 1735-1780, 15 Nov. 1997. [11] Cortes C., and Vapnik, V.N. (1995). Support-Vector Networks,
Machine Learning, Vol.20,No.3: 273 - 297.
[12] Burges, C. and Crisp, D., (2000). Uniqueness of the SVM Solution, In Solla, S.A.,Leen, T.K., and Muller, K.-R., editors, Advances in
Neural InformationProcessing Systems, Vol.12: 223 - 229, Cambridge, MA, MIT Press.
[13] Burges, C.J.C., (1998). A Tutorial on Support Vector Machines for Pattern Recognition, Data Miningand Knowledge Discovery Vol.2:121 – 167
[14] Mukherjee, S., Osuna E., and Girosi, F.,(1997). Nonlinear prediction of chaotictime series using support vector machines, Proc. of IEEENNSP‟97, AmeliaIsland, FL.
[15] Bennett, K.,and Bredensteiner, E.J.,(2000). Duality andgeometry in SVMclassifiers, In Langley, P., editor, Proc. of Seventeenth Intl. Conf. on MachineLearning, pages 57 - 64, SanFrancisco, Morgan Kaufmann.
[16] Joachims, I. (1997). Text Categorization with Support Vector Machines, Technical Report
[17] Schmidt, M., (1996). Identifying speaker with support vector networks, Interface1996 Proceedings, Sydney.
[18] Scholkopf, B., Burges, C., and Smola, A.,(1999). Advances in Kernel Methods:Support Vector Learning, MIT Press, Cambridge, Massachusetts.
[19] Harris Drucker, Chris J. C. Burges, Linda Kaufman, Alex Smola, and Vladimir Vapnik. 1996. Support vector regression machines. In Proceedings of the 9th International Conference on Neural Information Processing Systems (NIPS'96). MIT Press, Cambridge, MA, USA, 155–161.
[20] Siwei Lyu, "Mercer kernels for object recognition with local features," 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05), 2005, pp. 223-229 vol.
2, doi: 10.1109/CVPR.2005.223.
[21] Lin, H.T., and Lin, C.J., (2003). A study on sigmoid kernels for SVM and thetraining of non-PSD kernels by SMO-typemethods, Technical Report.
[22] Kwok, J.T., and Tsang I.W., (2003). Linear dependency between & and the input noise in &-support vector regression. IEEE Transactions on Neural Networks, Vol. XX, No. YY: 1 – 8
[23] CherKassky, V., and Mulier, F., (1998).Learning from Data: Concepts, Theory and Methods. John Wiley & Sons Inc. New York, NY. [24] Cherkassky, V., and Ma, Y., (2004). Practical selection of SVM
parameters andnoise estimation for SVM regression, Neural Networks,Vol.17,No.1: 113 - 126.
[25] Mattera, D., and Haykin, S., (1999). Support vector machines for dynamic reconstruction of a chaotic system.
[26] Kyoung-jae Kim, Financial time series forecasting using support vector machines, Neurocomputing, Volume 55, Issues 1–2, 2003, Pages 307-319, ISSN 0925-2312.
[27] Tay, F.EH., and Cao, L.J., (2001). Application of support vector machines infinancial time series forecasting, Omega Vol. 29: 309 - 317
[28] Tay, F.F.H, Cao, L.J., (2002). Modified support vector machines in financialtime series forecasting, Neurocomputing Vol. 48: 847 - 861
[29] Tay, FEM., Cao, L.J., (2003). &-Descending Support Vector Machines forFinancial Time Series Forecasting, Neural Processing Letters Vol. 15:179 – 195
marginapproach to stock market prediction using Support Vector Regression, In theProceedings of ICONIP 2002, Singapore.
[31] Yang, H., Chan, L., and King, I., (2002b). Support vector machine regression forvolatile stock market prediction, Lecture notes in Computer Science, Vol.2412:391 – 396
[32] Thissen, U., Brakel, R.V., de Weijer, A.P., Melssen, W.J., Buydens L.M.C.(2003). Using support vector machines for time series prediction, Chemometrics and Intelligent Laboratory Systems Vol. 69, 35 – 49
[33] K. Kim, I. Han, Genetic algorithms approach to feature discretization in arti-cial neural networks for the prediction of stock price index, Expert Syst. Appl. 19 (2) (2000) 125–132.
[34] Heizer, Jay dan Render, Barry. 2015.Manajemen Operasi. Jakarta: Salemba Empat.p.129.