Lưu Đoàn Anh Thi, Lê Thúy An, Lương Đinh Linh Chi
Sinh viên K60 – Tài chính quốc tế
Cơ sở II Trường Đại học Ngoại thương tại TP. Hồ Chí Minh, Việt Nam
Đào Quốc Phương
Giảng viên Bộ môn Khoa học Cơ bản
Cơ sở II Trường Đại học Ngoại thương tại TP. Hồ Chí Minh, Việt Nam
Tóm tắt
Trong những năm gần đây, sự giao thoa giữa kỹ thuật học máy với thị trường tài chính đã thu hút được sự chú ý đáng kể, đặc biệt là trong lĩnh vực dự đoán tỷ giá hối đoái và thị trường chứng khoán. Bài nghiên cứu này cung cấp cái nhìn tổng quan toàn diện về các phương pháp tiên tiến hiện nay, trong đó các vấn đề về tiền xử lý dữ liệu, những tiến bộ trong việc sử dụng học máy, trong đó mô hình học sâu đang được sự quan tâm rất lớn của cộng đồng để lập mô hình dự đoán trên thị trường tài chính vì có độ chính xác cao. Trong bài nghiên cứu, chúng tôi trình bày một số mô hình mạng thần kinh quan trọng như mạng thần kinh tích chập (CNNs), mạng thần kinh nhân tạo (ANNs), mạng thần kinh tái phát (RNNs) và các biến thể của chúng, bao gồm mạng bộ nhớ ngắn hạn (LSTM) và các đơn vị tái phát có kiểm soát (GRUs). Ngoài ra, chúng tôi còn thảo luận về các phương pháp tổng hợp và mô hình kết hợp học sâu với các phương pháp thống kê truyền thống. Thông qua phân tích so sánh các nghiên cứu thực nghiệm, chúng tôi nêu bật những điểm mạnh và hạn chế của các phương pháp tiếp cận khác nhau, làm sáng tỏ những thách thức như mô hình quá khớp, dữ liệu khuyết và sự kém hiệu quả của thị trường. Bài khảo sát này củng cố các tài liệu hiện có, cung cấp cho các nhà nghiên cứu, người thực hành và những người đam mê các hiểu biết có giá trị về xu hướng hiện tại và hướng đi tương lai trong lĩnh vực này, bao gồm việc tích hợp các nguồn dữ liệu thay thế, kỹ thuật học tăng cường và áp dụng các phương pháp Trí tuệ nhân tạo có thể giải thích để cải thiện khả năng diễn giải mô hình và quản lý rủi ro.
Từ khóa: Học sâu, Học máy, tỷ giá hối đoái, thị trường chứng khoán, dự báo.
Abstract
In recent years, the intersection of machine learning techniques with financial markets has garnered significant attention, particularly in the domain of exchange rate and stock market prediction. This survey paper provides a comprehensive overview of the current state-of-the-art methodologies, data preprocessing, and advancements in utilizing machine learning, especially deep learning for predictive modeling in financial markets with high accuracy. In this survey, we highlight key neural network architectures such as convolutional neural networks (CNNs), artificial neural networks (ANNs), recurrent neural networks (RNNs), and their variants, including long short-term memory (LSTM) networks, and gated recurrent units (GRUs). Additionally, we discuss ensemble methods and hybrid models that combine deep learning with traditional statistical approaches. Through a comparative analysis of empirical studies, we highlight the strengths and limitations of different approaches, shedding light on challenges such as overfitting, data sparsity, and market inefficiencies. This survey consolidates existing literature, providing researchers, practitioners, and enthusiasts with valuable insights into current trends and future directions in the field, including the integration of alternative data sources, reinforcement learning techniques, and the adoption of explainable AI methods for improved model interpretability and risk management.
Keywords: Deep Learning, Machine Learning, exchange rate, stock market, prediction.