Trong khóa luận này, bước đầu tôi đã tìm hiểu được lĩnh vực khai phá dữ liệu cùng các vấn đề liên quan đến khai phá dữ liệu nói chung, và cơ sở lý thuyết của mạng noron cũng như là thuật toán lan truyền ngược (back-propagation) thực hiện việc học cho mạng noron để áp dụng vào bài toán dự báo giá chứng khoán nói riêng. Từ những cơ sở lý thuyết đó tôi đã tiến hành:
-
- - -
Xây dựng cho mình một mô hình mạng noron dựa theo tám bước: chọn lựa các biến, thu thập dữ liệu, tiền xử lý dữ liệu, phân hoạch dữ liệu, xác định cấu trúc mạng, xác định tiêu chuẩn đánh giá, huấn luyện mạng, thực thi trong thực tế
Xây dựng thuật toán lựa chọn được bộ tham số tốt nhất cho mạng noron nhằm tạo ra một mô hình với độ chính xác cao.
Áp dụng mô hình thu được để xây dựng phần mềm dự báo giá chứng khoán dựa trên sự kết hợp từ hai phần mềm mã nguồn mở là Jstock và Weka. Cuối cùng tôi so sánh mô hình mạng noron mà tôi đã xây dựng với hai mô
hình khác là mô hình cây quyết định và mô hình naïve bayes. Kết quả thu được từ sự so sánh này cho thấy mô hình mạng noron là tốt hơn, nên bước đầu phản ánh quá trình xây dựng mô hình của tôi là có hiệu quả.
Tuy nhiên do thời gian thực hiện khóa luận không đủ dài nên bên cạnh những điều đã làm được ở trên thì vẫn còn tồn tại một số điểm chưa đạt và cần bổ sung:
-
-
-
Thuật toán tối ưu tham số mà tôi sử dụng trong luận văn chưa thực sự tốt, mặc dù nó chạy khá chính xác nhưng lại chạy rất chậm nên chỉ áp dụng được trong không gian các tham số khá nhỏ. Để khắc phục điều này có thể sử dụng thuật toán sử dụng gradient (gradient descent), thuật toán di truyền (General Algorithm ) …
Việc thu thập dữ liệu từ Jstock là online nhưng việc xây dựng và tiến hành học mô hình là offline. Để làm tăng độ chính xác của việc dự đoán lên nữa có thể chuyển việc học sang học trực tuyến (online learning).
Giao diện xây dựng của mềm phần còn tương đối đơn giản, mới chỉ chọn một vài mẫu chứng khoán làm thử nghiệm. Sau này cần xây dựng giao diện có sự tương tác với người dùng.
