SỬ DỤNG MÔ HÌNH HỌC SÂU LSTM TRONG DỰ ĐOÁN GIÁ TRỊ CỔ PHIẾU

Trần Quang Quý; Nguyễn Vũ Hải; Hà Văn Ninh; Nguyễn Thị Thúy

doi:10.34238/tnu-jst.11554

SỬ DỤNG MÔ HÌNH HỌC SÂU LSTM TRONG DỰ ĐOÁN GIÁ TRỊ CỔ PHIẾU

Thông tin bài báo

Ngày nhận bài: 14/11/24 Ngày hoàn thiện: 18/12/24 Ngày đăng: 18/12/24

Các tác giả

1. Trần Quang Quý , Trường Đại học Công nghệ thông tin và Truyền thông - ĐH Thái Nguyên
2. Nguyễn Vũ Hải, Trường Đại học Công nghệ thông tin và Truyền thông - ĐH Thái Nguyên
3. Hà Văn Ninh, Trường Đại học Công nghệ thông tin và Truyền thông - ĐH Thái Nguyên
4. Nguyễn Thị Thúy, Phòng Giáo dục và Đào tạo thành phố Thái Nguyên

Tóm tắt

Trong thời gian gần đây, thị trường chứng khoán đã thu hút nhiều đối tượng khác nhau, từ những tổ chức và các chuyên gia tài chính với các cách thức đầu tư khác nhau. Mục tiêu chung của nhà đầu tư là gia tăng lợi nhuận nhờ việc đầu tư. Nhiều cách thức về dự đoán đảm bảo rủi ro đã được đề xuất, tuy nhiên sử dụng trí tuệ nhân tạo trong dự đoán giá trị cổ phiếu vẫn được quan tâm và nghiên cứu. Đặc biệt, việc dự đoán dữ liệu chuỗi thời gian trở nên thách thức khi dữ liệu mang tính bất thường, không tuân theo quy luật cố định, điển hình là dữ liệu giá trị cổ phiếu, với các biến động khó lường và không theo mô hình định trước. Bài báo đưa ra phương pháp sử dụng mô hình học sâu Long Short-Term Memory trong dự đoán giá trị cổ phiếu và nghiên cứu tổng quan về mô hình này. Kết quả bài báo có thể dự đoán được xu hướng giá trị cổ phiếu của giá đóng điều chỉnh với sai số độ lệch bình phương trung bình gốc, sai số tuyệt đối trung bình lần lượt là 0,1387 và 0,1007. Tuy phương pháp Long Short-Term Memory không thể dự đoán giá trị cổ phiếu ở mức độ chính xác cao nhưng có thể cung cấp một kết quả theo xu hướng gần đúng so với dữ liệu thực tế.

Từ khóa

Học sâu; Dữ liệu chuỗi thời gian; Long Short-Term Memory; Dự đoán giá trị cổ phiếu; Mạng nơ ron hồi quy

Toàn văn:

PDF

Tài liệu tham khảo

[1] J. H. Stock and M. W. Watson, “Variable Trends in Economic Time Series,” Journal of Economic Perspectives, vol. 2, no. 3, pp. 147-174, Sep. 1988, doi: 10.1257/jep.2.3.147.

[2] T. H. H. Nguyen, “The Impact of Profit Forecasts on Stock Returns in Listed Companies in Vietnam,” Economy and Forecast Review, 2022. [Online]. Available: https://lib.hutech.edu.vn/chi-tiet?id=413220. [Accessed Oct. 13, 2024].

[3] F. G. D. C. Ferreira, A. H. Gandomi, and R. T. N. Cardoso, “Artificial Intelligence Applied to Stock Market Trading: A Review,” IEEE Access, vol. 9, pp. 30898-30917, 2021, doi: 10.1109/ACCESS.2021.3058133.

[4] T. K. Tran, T. T. Banh, and H. T. A. Nguyen, “A Hybrid GA-SVR Approach for Vietnam Stock Price Prediction,” Journal on Information Technologies & Communications, vol. V-1, no. 7( 27), pp. 12-22, 2012, doi: 10.32913/mic-ict-research-vn.v1.n27.101.

[5] D. H. Nguyen and M. T. Le, “The TSK fuzzy model extracted from Support-vector-machine-for-regression for stock price forecasting,” CTU Journal of Science, special issue on Information Technology, pp. 144-151, 2015.

[6] T. L. Vu, T. A. T. Nguyen, T. H. L. Nong, and M. L. Vu, “Forecasting Stock Price Using Financial and Non-financial Information: Application of Event Study and Random Forest Analysis,” VNU Journal of Economics and Business, vol. 3, no. 3, 2023, doi: 10.57110/jebvn.v3i3.178.

[7] W. Lu, J. Li, J. Wang, and L. Qin, “A CNN-BiLSTM-AM method for stock price prediction,” Neural Comput & Applic, vol. 33, no. 10, pp. 4741-4753, May 2021, doi: 10.1007/s00521-020-05532-z.

[8] M. Vijh, D. Chandola, V. A. Tikkiwal, and A. Kumar, “Stock Closing Price Prediction using Machine Learning Techniques,” Procedia Computer Science, vol. 167, pp. 599-606, Jan. 2020, doi: 10.1016/j.procs.2020.03.326.

[9] S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Computation, vol. 9, no. 8, pp. 1735-1780, Nov. 1997, doi: 10.1162/neco.1997.9.8.1735.

[10] K. Chen, Y. Zhou, and F. Dai, “A LSTM-based method for stock returns prediction: A case study of China stock market,” in 2015 IEEE International Conference on Big Data (Big Data), Oct. 2015, pp. 2823-2824, doi: 10.1109/BigData.2015.7364089.

[11] Amazon.com Inc., “Amazon.com Inc (AMZN) Stock Price & News,” Google Finance, 2024. [Online]. Available: https://www.google.com/finance/quote/AMZN:NASDAQ. [Accessed Oct. 16, 2024].

[12] S. Jansen, Machine learning for algorithmic trading: predictive models to extract signals from market and alternative data for systematic trading strategies with Python, 2nd edition. Birmingham Mumbai: Packt, 2020.

[13] N. Yehia, “Understanding Long Short-Term Memory (LSTM) Networks," 2024. [Online]. Available: https://mlarchive.com/deep-learning/understanding-long-short-term-memory-networks/. [Accessed Oct. 17, 2024].

[14] S. Khirirat, H. R. Feyzmahdavian, and M. Johansson, “Mini-batch gradient descent: Faster convergence under data sparsity,” in 2017 IEEE 56th Annual Conference on Decision and Control (CDC), Dec. 2017, pp. 2880-2887, doi: 10.1109/CDC.2017.8264077.

[15] T. O. Hodson, “Root-mean-square error (RMSE) or mean absolute error (MAE): when to use them or not,” Geoscientific Model Development, vol. 15, no. 14, pp. 5481-5487, Jul. 2022, doi: 10.5194/gmd-15-5481-2022.

DOI: https://doi.org/10.34238/tnu-jst.11554

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ