Nghiên cứu cho thấy mô hình Bi-LSTM cung cáp các dự đoán chính xác nhất cho cả ba loại tiền tệ, tiếp theo là mô hình GRU. Điều này cho tháy rằng sự kết hợp của các dòng cháy tiến và lùi trong các mô hình hai chiều cái thiện hiệu suất của dự đoán chuỗi thời gian. Két luận của nghiên cứu là các thuật toán học sâu có hiệu quả
trong việc dự đoán giá tiền điện tử và mô hình Bi-LSTM hiệu quả hơn trong việc dự
đoán giá tiền điện tử so với LSTM và GRU truyền thống.
Sau khi phân tích, đánh giá và so sánh giữa các mô hình, những két quả chỉ ra sự hiệu quả của học tăng cường kết hợp với xu hướng dữ liệu sẽ có nhiều ưu điểm trong việc dự báo giá thị trường tiền điện tử theo chuỗi dữ liệu thời gian. Mô hình đưa ra sự lựa chọn đúng cho người dùng để đạt được lợi nhuận không những tốt mà
còn giảm nguy cơ thua lễ bởi chỉ số ôn định, đặc biệt quan trọng khi thị trường tiền
điện tử có sự biến động lớn. Những thước đo đánh giá hiệu năng các mô hình trên các thước đo độ chính xác, lợi nhuận tích lũy, độ sụt giảm lớn nhất được sử dụng để so sánh đánh giá. Kết quả chỉ ra rằng, mô hình mua bán dựa trên học tăng cường với
sự kết hợp của xu hướng dữ liệu mang lại nhiều ưu điểm hơn so với mô hình học tăng
cường không xem xét xu hướng dữ liệu. Những kết quả được thực hiện trên tập dữ
liệu Bitcoin.
5.2 Ý nghĩa và giới hạn của nghiên cứu
5.2.1 Ý nghĩa của nghiên cứu:
Nghiên cứu này cung cáp một cái nhìn tông quan về sự tác động của các yếu tố trong môi trường tiền điện tử dẫn đến biến động đáng kê vẻ giá Bitcoin.
Nghiên cứu này có ý nghĩa quan trọng trong việc trợ giúp doanh nghiệp đánh giá rủi ro và đưa ra quyết định đầu tư hiệu quả hơn trong môi trường tài chính biến động bằng cách cung cap các mô hình và dự báo chính xác vẻ tỉnh hình thị trường.
73
Bên cạnh đó, nó cũng có thê giúp doanh nghiệp tối ưu hóa quản lý danh mục đầu tư, tăng cường khả năng dự đoán và ứng phó với biến động thị trường, từ đó tạo ra lợi ích cạnh tranh và bàn vững hơn trong kinh doanh.
Đối với nhà các nghiên cứu, nghiên cứu này như một công cụ giúp các nhà nghiên cứu gia tăng độ hiệu quả của các mô hình học máy trong việc dự đoán giá tiền
điện tử. Qua đó mở rộng kiến thức và định hướng cho các nghiên cứu tương lai nhằm nâng cao độ chính xác của dự đoán, góp phần phát triển một cách minh bạch và hiệu quả của thị trường tiền điện tử. Ngoài ra, bài nghiên cứu còn giúp các họ nhận thức được tầm trọng của việc dự đoán chính xác đối với các quyết định của nhà đầu tư.
Nghiên cứu này cũng sẽ giúp các nhà đầu tư cá nhân đưa ra quyết định đầu tư đúng đắn hơn, giảm thiêu rủi ro và tối đa hóa lợi nhuận. Bên cạnh đó, hỗ trợ họ trong việc quản lý danh mục đầu tư hiệu quả, bao gồm phân bỏ hợp lý giữa các loại tiền điện tử khác nhau. Nhờ vậy, các nhà đầu tư cá nhân có thê nâng cao khả năng thích ứng với biến động thị trường qua đó hình thành kế hoạch chiến lược một cách hợp lý bang cách nhận biết sự khác biệt giữa dòng tiền dự kiến và thực tế, có thẻ thực hiện các biện pháp khắc phục và tối ưu hóa quy trình kinh doanh đề đảm bảo dòng tiền ôn định và hiệu quả.
5.2.2 Giới hạn của nghiên cứu:
Nghiên cứu này cung cấp một cái nhìn tông quan về hiệu quả của các mô hình máy học bằng cách sử dụng nhiều phương pháp phân tích trong nghiên cứu dự đoán giá tiền điện tử. Tuy nhiên, do thời gian nghiên cứu hạn ché, kết quả chưa thê đi sâu vào từng khía cạnh cụ thê và khả năng tông quát của mô hình có thể bị ảnh hưởng bởi sự biến động liên tục của thị trường. Bên cạnh đó, mô hình LSTM được sử dụng trong nghiên cứu có thế không hoạt động tốt khi dữ liệu chuỗi thời gian bị ảnh hưởng bởi các yếu tố bên ngoài. Có thẻ dự đoán sai nêu dữ liệu đầu vào không được xử lý đúng cách. Ngoài ra, nghiên cứu chỉ tập trung vào một số mô hình học máy phô biến nên không thẻ bao quát hết toàn bộ thông tin thị trường. Việc so sánh hiệu quả của các mô hình ít phố biến hơn, kết quả nghiên cứu mà mô hình đem lại vẫn tồn tại nhiều
74
biến số dẫn đến việc dự đoán sai hoặc các mô hình mới được phát triển có thẻ mang lại những kết quả khác biệt. Dữ liệu được sử dụng trong nghiên cứu này chỉ đến từ một số nguồn nhất định chưa đủ lớn, điều này có thẻ dẫn đến việc thiếu sự đa dang và không phản ánh đây đủ về tác động của thị trường tiền điện tử phức tạp và biến
động liên tục.
5.3 Đề xuất 5.3.1 Đề xuất cho Doanh nghiệp e Tập trung vào các mô hình có khả năng giải thích cao: Doanh nghiệp cần
hiểu được lý do dang sau dự đoán của mô hình để đưa ra quyết định đầu tư sáng suốt. Các mô hình như XGBoost hay SHAP có thể cung cấp khả năng giải thích cao hơn so với các mô hình học sâu.
e_ Kết hợp nhiều nguồn dữ liệu: Dữ liệu giá lịch sử chỉ là một phần của câu chuyện. Doanh nghiệp nên két hợp dữ liệu từ các nguồn khác như tin tức, mạng xã hội, tâm lý thi trường đề tăng độ chính xác dự đoán.
e_ Đánh giá hiệu quả mô hình trong thực tế: Doanh nghiệp nên sử dụng mô hình để đưa ra dự đoán thực tế và theo dõi hiệu quả của các dự đoán đó. Điều này giúp doanh nghiệp đánh giá được mức độ hữu ích của mô hình và đưa ra quyết định cải tiến phù hợp.
se Ứng dụng thực tế: Phát triển các công cụ dự đoán giá tiền điện tử: Các nhà nghiên cứu có thê sử dụng kết quá nghiên cứu đề phát triển các công cụ dự đoán giá tiền điện tử có thể được sử dụng bởi các nhà đầu tư và doanh
nghiệp.
e_ Cải thiện chiến lược đầu tư: Các nhà đầu tư có thể sử dụng kết quả nghiên cứu đề cải thiện chiến lược đầu tư của họ và giảm thiểu rủi ro.
5.3.2 Đề xuất cho các nghiên cứu tương lai e© Mở rộng phạm vi nghiên cứu:
75
— Khám phá các loại tiền điện tứ khác nhau: Nghiên cứu này chỉ tập trung
vào BTC và ETH. Việc mở rộng phạm vi nghiên cứu sang các loại tiền điện
tử khác nhau sẽ giúp xác định xem kết quả có thề áp dụng chung cho tát cả các loại tiền điện tử hay không.
— So sánh nhiều mô hình học máy hơn: Nghiên cứu chỉ so sánh một số mô hình học máy phô biến. Việc so sánh nhiều mô hình hơn, bao gồm cả các mô hình mới được phát triển, sẽ giúp xác định mô hình nào hiệu quá nhất cho việc dự đoán giá tiền điện tử.
— Sử dụng nhiều nguồn dữ liệu hơn: Nghiên cứu chỉ sử dụng dữ liệu từ một số nguồn nhất định. Việc sử dụng nhiều nguồn dữ liệu hơn sẽ giúp tăng độ đa dạng và đảm báo tính chính xác của kết quả nghiên cứu.
e Nghiên cứu các mô hình học sâu mới: Các mồ hình học sâu như mạng nơ- ron tích chập (CNN) và mạng nơ-ron hỏi quy (RNN) đã được chứng minh là có hiệu quả cao trong dự đoán giá cô phiếu. Các nhà nghiên cứu có thê áp dụng các mô hình này cho dự đoán giá tiền điện tử.
e Phát triển các phương pháp xử lý dữ liệu mới: Dữ liệu giá tiền điện tử thường có đặc điểm: thường ôn ào (nhiễu) và không đầy đủ (thiếu hụt). Gây khó khăn cho việc phân tích và ảnh hưởng đến độ chính xác dự đoán. Các nhà nghiên cứu có thê phát triển các phương pháp xử lý dữ liệu mới đề cải thiện
chất lượng dữ liệu và tăng độ chính xác dự đoán.
e _ Tích hợp các yếu tố khác vào mô hình: Các yếu tố như tâm lý thị trường, sự kiện kinh tế và chính trị có thẻ ảnh hưởng đến giá tiền điện tử. Các nhà nghiên cứu có thể tích hợp các yếu tố này vào mô hình đề tăng độ chính xác dự đoán.
Ngoài ra:
e_ Cân nhắc sử dụng các mô hình ensemble: Các mô hình ensemble két hợp nhiều mô hình học máy khác nhau để tạo ra dự đoán chính xác hơn.
76
Sử dụng các kỹ thuật tăng cường dữ liệu: Kỹ thuật tăng cường dữ liệu giúp tạo ra thêm dữ liệu từ dữ liệu hiện có, giúp cải thiện hiệu quả mô hình khi dữ liệu ít.
Chú ý đến vẫn đề overfitting: Overfitting xảy ra khi mô hình học quá tốt dữ liệu huần luyện và không thẻ khái quát hóa tốt cho dữ liệu mới. Các nhà nghiên cứu cần sử dụng các kỹ thuật như regularization đề tránh overfitting.
77
—- œ