3.5. t uận.
Trong chương này, luận văn của t i đã thực hi n kết hợp giữa kiến thức khoa học máy tính với các kiến thức tài chính để dự đốn xu thế thị trường chứng khốn. Dựa vào các kết quả đạt được, t i đưa ra lời khuyên hỗ trợ cho các nhà đầu tư, kinh doanh ra quyết định mua hay bán c phiếu trong phiên tiếp theo. Các kết quả thực nghi m của t i tuy chưa thực sự giải quyết được hết các vấn đề của thị trường chứng khốn nhưng cũng đủ để cung cấp th ng tin và định hướng ban đầu cho các nghiên cứu tiếp theo của tơi.
T UẬN
Kết quả đạt được:
Từ vi c nghiên cứu yêu cầu bài tốn và thực nghi m trên dữ li u lịch sử giao dịch c phiếu, luận văn của tơi đã thực hi n được một số nội dung sau:
-Tìm hiểu về thị trường chứng khốn và các kỹ thuật truyền thống trong vi c dự báo thị trường chứng khốn.
-Tìm hiểu mơ hình khai phá dữ li u - mơ hình mạng neural, mơ hình hồi quy - RIM và kỹ thuật cải tiến gia tăng độ chính xác cho mạng neural mà điển hình là phương pháp ensemble.
-Tiến hành thực nghi m và so sánh đánh giá các kết quả đạt được.
-Hỗ trợ người dùng trong vi c đưa ra lời khuyên cho người dùng nên mua, bán hay giữ nguyên giá c phiếu trong phiên tiếp theo.
Hướng phát triển của luận văn:
Trong thời gian tới, tơi sẽ tiếp tục xây dựng, hồn thi n h thống dự báo chứng khốn nh m hỗ trợ người dùng trong vi c đưa ra lời khuyên chính xác. Thêm vào đĩ, tơi sẽ tiếp tục nghiên cứu các phương pháp học máy dùng trong khai phá dữ li u và kết hợp với khai phá dữ li u trên mạng xã hội như Facebook, các diễn đàn chuyên về chứng khốn nh m nâng cao kết quả dự báo xu thế thị trường chứng khốn.
T ỆU T M ẢO
Ti n việt:
1. Nguyễn Trọng Hồi, Phùng Thanh Bình, Nguyễn Khánh Duy, (2009), Dự Báo và Phân Tích Dữ Liệu trong Kinh Tế và Tài Chính, NXB Thống Kê.
2. Nguyễn Minh Phong, 2007 , "Nhận di n rủi ro trong đầu tư chứng khốn," ạp h ài h nh 5 511 .
3. Hà Quang Thụy, 2013 , ài giảng nhập m n h i phá dữ liệu, Đại học C ng Ngh - ĐHQG Hà Nội.
Ti n an :
4. E. Barnard, L. Wessels, (1992), "Avoiding False Local Minima by Proper Initialization of Connections", IEEE Trans. on Neural Networks, vol. 3, no. 6, pp. 809- 905.
5. E. Bauer, R. Kohavi, 1999 , “ n empirical comparison of voting classification algorithms: Bagging, Boosting and variants”, Machine Learning 36 (1-2) (1999), pp. 105-139.
6. G. Box, G. Jenkins, (1970), Time series analysis: Forecasting and control, Wiley, San Francisco.
7. Samprit A. Chattefuee, Ali S. Hadi, (2006), Regression Analysis by Example, Fourth Edition, Wiley Interscience, Canada, pp. 1, 21-44.
8. H. Demuth, M. Beale, (1998), Neural network toolbox for use with MATLAB, The MathWorks Inc., Massachusetts, USA.
9. H. Drucker, R. Schapire, P. Simard, 1993 , “Improving performance in neural networks using a boosting algorithm”, Advances in Neural Information Processing Systems 5, California, pp. 42-49.
10. B. Efron, R. Tibshirani, (1993), An Introduction to the Bootstrap, Chapman & Hall, New York.
11. David Hand, Heikki Mannila, Padhraic Smyth, (2001), Principles of Data Mining, MIT Press, Massachusetts.
12. L.K. Hansen, P. Salamon, “Neural network ensembles”, 1990 , IEEE Trans. Pattern Analysis and Machine Intelligence 12 (10) 993-1001.
13. Rob J Hyndman, George Athanasopoulos, (2014), Forecasting: principles and practice, OTexts, Australia, pp. 63-77.
14. Kiyoshi Kawaguchi, (2000), A multithreaded software model for backpropagation neural network applications, MSc. Thesis, The University of Texas at El Paso.
15. Zabir Haider Khan, Tasnim Sharmin Alin, Md. Akter Hussain, (2011), "Price prediction of share market using Artificial Neural Network (ANN)", International Journal of Computer Applications (0975 – 8887), Volume 22, No.2.
16. Rushi Longadge, (2013), "Class Imbalance Problem in Data Mining: Review",
International Journal of Computer Science and Network, vol. 2, no. 1.
17. Jian Pei, Jiawei Han, Micheline Kamber, (2006), Data Mining: Concepts and Techniques, 2rd edition, Morgan Kaufmann, pp. 327-337.
18. Jian Pei, Jiawei Han, Micheline Kamber, (2011), Data Mining: Concepts and Techniques, 3rd edition, Morgan Kaufmann, pp. 377-38.
19. Mariela Qirici, Sebastian Franco, Jonathan Baiden, Craig Nesbitt, (2013), Forex Trading and Investment, Project Report, Worcester Polytechnic Insitute, pp. 38-55. 20. Saed Sayad, (2015), artificial neural network,
http://www.saedsayad.com/artificial_neural_network.htm 21. Neural Network Toolbox (version 8.2.1 – R2014b), http://www.mathworks.com/help/stats/
22. Joaquín Torres Sospedra, 2011 , Ensembles of Artificial Neural Network and development of design methods, Ph.D Thesis, The Universitat Jaume in Spanish.
23. Dave Touretzky and Kornel Laskowski, 2006 , “Neural Networks for Time Series Prediction”, 15-486/782: Artificial Neural Network, School of Computer Science, Carnagie Mellon.
24. Kuo-Cheng Tseng, Ojoung Kwon, Luna C. Tjung, (2012), "Time series and neural network forecast of daily stock prices", Investment Management and Financial Innovations, vol. 9, no. 1.
25. Zhi-Hua Zhou, Jianzin u, ei Tang, 2002 , “Ensembling neural networks: Many could be better than all”, Artificial Intelligence 137(1-2), pp 239-263.