5. Ý nghĩa khoa học và thực tiễn của đề tài
3.2. Chi tiết hóa
Chi tiết hóa cho thuật toán trong Chƣơng 2 với bài toán trên:
Dữ liệu đầu vào là lịch sử giá cổ phiếu của một công ty chứng khoán bất kỳ đƣợc niêm yết trên các sàn chứng khoán trong nƣớc hoặc ngoài nƣớc,
ở đây chúng tôi lựa chọn công ty Apple với mã cổ phiếu là AAPL, đƣợc niêm yết trên sàn chứng khoán NASDAQ. Dữ liệu lịch sử giá cổ phiếu các công ty thƣờng đƣợc xuất bản dƣới dạng file excel có đuôi .CSV. File dữ liệu kiểu này cũng phù hợp và thuận tiện cho ngôn ngữ Python có thể đọc đƣợc dữ liệu.
Dữ liệu sau khi đƣợc load vào sẽ đƣợc tiền xử lý dữ liệu để trở thành dạng dữ liệu chuẩn, phù hợp làm dữ liệu đầu vào cho mô hình SVR. Với tập dữ liệu chuẩn sau công đoạn tiền xử lý, chúng tôi tiến hành xử lý và chia tập dữ liệu thành hai tập gồm tập huấn luyện phục vụ cho xây dựng và đào tạo mô hình, và tập kiểm thử nhằm đánh giá kết quả đầu ra mô hình.
Với tập dữ liệu huấn luyện, tiến hành đào tạo SVR với ba trƣờng hợp ứng với sử dụng ba hàm kernel khác nhau, lần lƣợt là kernel linear, kernel poly và kernel RBF. Trƣớc khi tiến hành xây dựng và huấn luyện các mô hình kernel SVR, có thể tìm tập các siêu tham số tối ƣu cho từng hàm với kỹ thuật GridSearch.
Sau khi tiến hành đào tạo lần lƣợt từng mô hình hàm kernel trên tập dữ liệu huấn luyện với các tập siêu tham số cụ thể của từng kernel, ta sử dụng các mô hình đã huấn luyện để dự đoán giá cổ phiếu vào một ngày nhất định trong tƣơng lai thuộc chuỗi thời gian. Với từng mô hình hàm kernel và các giá trị siêu tham số khác nhau trong từng mô hình sẽ cho ra giá trị dự đoán khác nhau.
So sánh giá dự đoán của các mô hình với nhau và đối sánh với giá đóng cửa thực của cổ phiếu vào thời điểm dự đoán, ta đánh giá đƣợc độ chính xác và hiệu suất của từng mô hình với kỹ thuật MAPE, từ đó xác định kỹ thuật tốt nhất khi làm việc với dự đoán giá cổ phiếu, cụ thể khi làm việc với dữ liệu AAPL trong khung thời gian nhất định.