Tiếp cận các phương pháp học sâu trong dự báo dữ liệu hướng thời gian

Trong bài báo "Tiếp cận các phương pháp học sâu trong dự báo dữ liệu hướng thời gian" nhóm tác giả trình bày một số phương pháp cách tiếp cận dùng các kỹ thuật học sâu như: CNN, LSTM, DNN để dự báo giá chứng khoán. Kết quả thực nghiệm cho thấy sự hiệu quả nhất định của 3 loại mô hình trên. Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Tiếp cận các phương pháp học sâu trong dự báo dữ liệu hướng thời gianKỷ yếu Hội thảo khoa học Khoa Công nghệ thông tin, năm 2024 TIẾP CẬN CÁC PHƯƠNG PHÁP HỌC SÂU TRONG DỰ BÁO DỮ LIỆU HƯỚNG THỜI GIAN Bùi Công Danh1,*, Nguyễn Thị Diệu Hiền1, Phạm Nguyễn Huy Phương1 Trường Đại học Công Thương Thành phố Hồ Chí Minh 1 Email: danhbc@huit.edu.vn* Ngày nhận bài 03/04/2024; Ngày chấp nhận đăng: 20/5/2024 TÓM TẮT Dự báo dữ liệu hướng thời gian là một khía cạnh quan trọng trong lĩnh vực chứng khoán,giúp nhà đầu tư có cái nhìn sâu sắc hơn về xu hướng giá cổ phiếu và thị trường trong tươnglai. Dự báo này dựa trên việc phân tích dữ liệu lịch sử và xu hướng hiện tại, từ đó rút ra dựđoán về tình hình thị trường sắp xảy ra. Xuất phát từ những vấn đề nêu trên, trong bài báo nàynhóm tác giả trình bày một số phương pháp cách tiếp cận dùng các kỹ thuật học sâu như: CNN,LSTM, DNN để dự báo giá chứng khoán. Kết quả thực nghiệm cho thấy sự hiệu quả nhất địnhcủa 3 loại mô hình trên.Từ khóa: dự báo, cổ phiếu, học sâu 1. GIỚI THIỆU TỔNG QUAN Các nghiên cứu về dự báo giá chứng khoán tại Việt Nam đã được tiến hành với nhiềuphương pháp khác nhau, từ phân tích kỹ thuật truyền thống đến việc áp dụng các kỹ thuật tiêntiến như học máy và trí tuệ nhân tạo (AI). Những nghiên cứu này đều nhằm mục tiêu cung cấpcái nhìn sâu sắc hơn và dự báo chính xác hơn về xu hướng giá cổ phiếu trên thị trường chứngkhoán Việt Nam. Dưới đây là một số phương pháp và kết quả nổi bật từ các nghiên cứu tronglĩnh vực này [23]: 1. Phân tích kỹ thuật Nhiều nghiên cứu đã tập trung vào việc sử dụng các chỉ số kỹ thuật như Bollinger Bands,Moving Averages, RSI (Relative Strength Index), MACD (Moving Average ConvergenceDivergence) để dự báo xu hướng giá cổ phiếu. Các nghiên cứu này thường tìm kiếm mô hìnhgiá và thị trường, nhằm xác định những thời điểm mua vào hay bán ra lý tưởng. 2. Phân tích cơ bản Nghiên cứu dự báo giá cổ phiếu cũng tập trung vào việc đánh giá các yếu tố cơ bản củacông ty như doanh thu, lợi nhuận, tỷ lệ PE (Price to Earning), và ROI (Return on Investment).Cách tiếp cận này giúp đánh giá giá trị nội tại của cổ phiếu và dự đoán triển vọng tăng trưởngtrong tương lai. 3. Mô hình học máy và AI 81Bùi Công Danh và CS Gần đây, việc áp dụng công nghệ AI và kỹ thuật học máy trong dự báo giá chứng khoánđã trở nên phổ biến tại Việt Nam. Các nghiên cứu sử dụng mô hình như máy vector hỗ trợ(SVM), mạng lưới thần kinh nhân tạo (ANN), và mô hình hồi quy logistic để dự đoán xuhướng thị trường. Những phương pháp này cho phép phát hiện mẫu phức tạp và dự báo chínhxác hơn so với phương pháp truyền thống. 4. Phân tích cảm xúc Một số nghiên cứu đã tập trung vào việc phân tích cảm xúc của nhà đầu tư dựa trên dữliệu thu thập từ các bình luận trên mạng xã hội, tin tức, và diễn đàn để dự đoán sự biến độngcủa giá cổ phiếu. Việc tiếp cận này giúp nắm bắt được những yếu tố tâm lý có thể ảnh hưởngđến thị trường. 5. Sự kiện và phân tích ảnh hưởng Một số nghiên cứu khác nhắm vào việc phân tích tác động của các sự kiện kinh tế, chínhtrị đối với thị trường chứng khoán. Cách tiếp cận này giúp nhận diện các yếu tố ngoại vi cókhả năng gây ra biến động giá cổ phiếu mạnh mẽ. Dự báo giá cổ phiếu là một phần không thể thiếu trong quá trình ra quyết định đầu tưtrên thị trường chứng khoán. 2. TỔNG QUAN VỀ CÁC MÔ HÌNH HỌC SÂU Trong bài báo này, tác giả giới thiệu về các mô hình bài toán cũng như các phương phápsử dụng để giải quyết các bài toán về dự báo dữ liệu hướng tời gian, bao gồm: CNN, RNN,LSTM.2.1. Mô hình mạng Neural hồi quy (Recurrent Neural Network – RNN) Mạng neural hồi quy (Recurrent Neural Network) là một mạng neural chứa một vòng lặpbên trong nó. Với một mạng nơron hồi quy, đầu ra của nơron này sẽ được sử dụng để làm đầuvào của nơron tiếp theo và đối với nơron đầu tiên không có nơron nào trước nó thì đầu vàonày sẽ được khởi tạo mặc định. Hình 1. Mô hình mạng Neural hồi quy (RNN) (Nguồn ảnh: https://tek4.vn/recurrent-neural-network-tu-hoc-tensorflow ) 82 Trong hình trên, RNN là mạng neural hồi quy. Nó nhận một đầu vào input , tiến hành xửlý và đưa ra đầu ra output . Điểm đặc biệt của input là nó sẽ lưu lại giá trị của output để sửdụng cho đầu vào tiếp theo. Có thể coi một mạng neural hồi quy là một chuỗi những mạng congiống hệt nhau, mỗi mạng sẽ truyền thông tin nó vừa xử lý cho mạng phía sau”. “Chuỗi các input là những sự kiện xảy ra theo thứ tự thời gian. Những sự kiện này đềucó mối liên hệ thông tin với nhau và thông tin của chúng sẽ được giữ lại để xử lý sự kiện tiếptheo trong mạng neural hồi quy. Với tính chất này, mạng neural hồi quy phù hợp cho nhữngbài toán với dữ liệu đầu vào dưới dạng chuỗi với các sự kiện trong chuỗi có mối liên hệ vớinhau. Vì thế, mạng neural hồi quy có ứng dụng quan trọng cho các bài toán xử lý ngôn ngữ tựnhiên như: Dịch máy - Neural Machine Translation, Phân loại ngữ nghĩa - Semanticclassification, Nhận dạng giọng nói: Speech Recognition”.2.2. Convolutional Neural Network (CNN) Là một trong những mô hình Deep Learning vô cùng tiên tiến. CNN sẽ cho phép xâydựng các hệ thống thông minh với độ chính xác vô cùng cao. Mạng CNN được thiết kế vớimục đích xử lý dữ liệu thông qua nhiều lớp mảng và duỗi dữ liệu từ nhiều chiều thành mộtchiều để giảm độ phức tạp của dữ liệu, từ đó thông qua các công thức tính sai số trung bìnhđưa ra đánh giá độ chính xác.. (Groups Tini, 2022). Hình 2. Sơ đồ mô phỏng CNN [8] (Đỗ Văn Th ...