Ở đây SVR đƣợc chúng tôi đƣa ra kết quả dự đoán từ sau ngày 29/07/2013, các ngày dự đoán là ngày 30/07/2013 và ngày 02/08/2013 với các mã chứng khoán trên. Kết quả dự đoán dựa trên 20 điểm dữ liệu trong quá khứ:
ACB SAM REE SSI STB
1 ngày 5 ngày 1 ngày 5 ngày 1 ngày 5 ngày 1 ngày 5 ngày 1 ngày 5 ngày Dự đoán -1 1 0 -1 1 -1 0 1 -1 0 Thực tế -1 1 0 1 1 1 1 -1 1 0
Bảng 4.5: Kết quả dự đoán của từng mã với thuật toán SVR
Chú thích: 1 : Là xu hướng tăng -1 : Là xu hướng giảm
0 : Là không có xu hướng (Có thể là không thay đổi)
Kết luận chương 4
Với kết quả đánh giá trên ta thấy giá trị kết quả đều khá tốt, mô hình chạy cho kết quả ổn định với các dữ liệu đầu vào khác nhau. Ở đây ta dễ nhận thấy mô hình SVR cho kết quả tốt hơn 2 mô hình còn lại là Random Tree và ANN do mô hình thuật toán SVR cho chỉ số R cao hơn, còn chỉ số MAE và RMSE thấp hơn so với hai mô hình Random Tree và ANN. Từ kết quả trên ta thấy mô hình SVR là đƣợc đánh giá là tốt, phù hợp hơn các mô hình kia trong bài toán toán dự báo với dữ liệu phi tuyến nhƣ bài toán dự báo xu hƣớng chứng khoán trên.
KẾT LUẬN
Luận văn với định hƣớng nghiên cứu vào một số phƣơng pháp học máy và tập trung vào phƣơng pháp Máy véc tơ hồi quy hỗ trợ. Chúng tôi đã áp dụng mô hình kết hợp các chỉ số kỹ thuật này với mô hình máy véc tơ hồi quy hỗ trợ (SVR) để giải quyết bài toán dự báo xu hƣớng chứng khoán. Luận văn đã đạt đƣợc những kết quả là:
Đã giới thiệu các kiến thức tổng quát về thị trƣờng chứng khoán.
Nghiên cứu và giới thiệu chi tiết các chỉ số kỹ thuật quan trọng và thông dụng dùng trong phân tích, dự báo chứng khoán.
Nghiên cứu về khai phá dữ liệu và một vài kỹ thuật cơ bản dùng trong khai phá dữ liệu, đặc biệt với mô hình máy véc tơ hỗ trợ.
Nghiên cứu xây dựng mô hình thử nghiệm dự báo chỉ số chứng khoán. Kết quả thu đƣợc có chỉ số đánh giá tƣơng đối tốt, song đây chỉ đƣợc coi là một yếu tố dùng tham khảo cho quyết định mua bán chứng khoán trong thực tế, do sự biến động của giá chứng khoán còn phụ thuộc vào nhiều yêu tố khác nữa nhƣ chính trị, kinh tế, tâm lý đám đông …
Với các kết quả thu đƣợc, đã giúp tác giả có những định hƣớng tốt trong việc nghiên cứu ứng dụng các thuật toán học máy trong việc giải quyết các bài toán dự báo đang ngày càng đƣợc quan tâm hiện nay.
Do thị trƣờng chứng khoán Việt Nam hiện này còn non trẻ, thói quen đƣa ra bình luận, nhận xét nghiêm túc và có giá trị tham khảo trên các diễn đàn còn hạn chế nên việc áp dụng với các dạng dữ liệu là siêu dữ liệu đƣợc thu thập từ các trang web hoặc các diễn đàn gặp nhiều khó khăn. Trong thời gian tới chúng tôi sẽ tiếp tục nghiên cứu các phƣơng pháp học máy dùng trong khai phá dữ liệu và kết hợp với khai phá các dữ liệu trên mạng xã hội nhƣ Face book, các diễn đàn chuyên về chứng khoán tại Việt Nam. Nhằm nâng cao kết quả dự báo xu hƣớng chỉ số chứng khoán tại Việt Nam đƣợc tốt hơn.
TÀI LIỆU THAM KHẢO Tiếng Việt
[1] Hoài, N.T., Bình, P.T & Duy, N.K. (2009), Dự Báo và Phân Tích Dữ Liệu trong Kinh Tế và Tài Chính, NXB Thống Kê.
[2] The McGraw Hill Companies (2007), Phân tích kỹ thuật từ A đến Z (Technical Analysis From A to Z, Vietstock dịch và xuất bản.
[3] TS. Lê Văn Phùng; ThS. Quách Xuân Trƣởng (2012), Khai phá dữ liệu, NXB Thông tin và Truyền thông.
Tiếng Anh
[4] Anurag Srivastava, Eui- Hong Han, Vipin Kumar, Vieet Singh. Parallel Formulations of Decision-Tree Classification Algorithm. Kluwer Academic Publisher, 1999.
[5] Ailun Yi (2009), Stock Market Prediction Based on Public Attentions: a Social Web Mining Approach, Master of Science School of InformaticsUniversity of Edinburgh
[6] Colby R. W.(2003), The Encyclopedia of Technical Market Indicators 2nd Edition, McGraw-Hill.
[7] MacQueen J. B. (1967), Some Methods for classification and Analysis of Multivariate Observations, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press. [8] Robert J. Van Eyden (1996). The Application of Neural Networks in the Forecasting of Share Prices. Finance and Technology Publishing.
[9] The Morgan Kaufmann Series in Data Management Systems, Jim Gray (2000),
Datamining - Concepts and Techniques, Chapter 7 - Classification and Prediction, Series Editor Morgan Kaufmann Publishers.
[10] Vapnik V.N., Jordan M., Lauritzen S.L., Lawless J.F. (1999), Nature of Statistical Learning Theory. Berlin: Springer.
[11] Vatsal H. Shah (2007), Machine Learning Techniques for Stock Prediction,