Hoàng Nữ Thanh Tuyền
Sinh viên K61 Kế toán Kiểm toán
Trường Đại học Ngoại thương Cơ sở II tại TP. Hồ Chí Minh
Đoàn Nguyễn Bảo An
Sinh viên K61 Kinh tế Đối ngoại
Trường Đại học Ngoại thương Cơ sở II tại TP. Hồ Chí Minh
Vương Thị Thảo Bình
Giảng viên Bộ môn Khoa học cơ bản
Trường Đại học Ngoại thương Cơ sở II tại TP. Hồ Chí Minh
Tóm tắt
Việc sử dụng học sâu để dự đoán giá và xu hướng thị trường chứng khoán đang ngày càng trở nên phổ biến và đóng vai trò quan trọng trong kỷ nguyên dữ liệu lớn ngày nay. Dự đoán giá cổ phiếu có thể cung cấp cho các nhà đầu tư quan tâm đến thị trường chứng khoán những thông tin có giá trị để có thể đưa ra quyết định mang lại lợi nhuận và hạn chế rủi ro cho nhà đầu tư. Do đó, dự đoán giá cổ phiếu đòi hỏi sự hiểu biết sâu sắc về thị trường, khả năng phân tích dữ liệu và sự linh hoạt để thích ứng với những biến động không lường trước được. Các nhà đầu tư và nhà phân tích thị trường phải kết hợp nhiều phương pháp và công cụ khác nhau, từ phân tích các chỉ số tài chính và phân tích kỹ thuật cơ bản đến sử dụng các mô hình phức tạp như mô hình học máy để giúp cải thiện khả năng dự báo. Nghiên cứu này áp dụng các mô hình Feature Expansion (FE), Recursive Feature Elimination (RFE), Principal Component Analysis (PCA) và Long-Short Memory (LSTM RNN) để dự đoán giá cổ phiếu. Kiểm thử trong thời gian ngắn cho kết quả với độ chính xác tương đối cao lần lượt là : 83.82%, 79.75%, 83.44%, 82,32%, 81,12%. Ngoài ra, phương pháp còn tập trung vào xử lý dữ liệu từ dữ liệu thứ cấp, tiền xử lý để tính toán các chỉ số giá tài chính phục vụ cho việc đưa vào đào tạo mô hình. Mô hình mang lại hiệu quả và ý nghĩa cho các nhà đầu tư và quản trị viên, đóng góp vào cộng đồng nghiên cứu và phân tích chứng khoán trong lĩnh vực tài chính.
Từ khóa: Dự đoán giá cổ phiếu; Mạng nơ-ron; Mở rộng tính năng; Loại bỏ tính năng đệ quy; Phân tích thành phần chính.
Abstract
The use of deep learning to predict stock market prices and trends is becoming increasingly popular and plays an important role in today’s big data era. Stock price prediction can provide investors interested in the stock market with valuable information to be able to make decisions that bring profits and limit risks for investors. Therefore, predicting stock prices requires a deep understanding of the market, the ability to analyze data and the flexibility to adapt to unforeseen fluctuations. Investors and market analysts must combine a variety of methods and tools, from analyzing financial indicators and basic technical analysis to using complex models such as learning models. machine to help improve forecasting capabilities. This study applies Feature Expansion (FE), Recursive Feature Elimination (RFE), Principal Component Analysis (PCA) and Long-Short Memory (LSTM RNN) models to predict stock prices. Short-term testing gives results with relatively high accuracy in training sessions: 83.82%, 79.75%, 83.44%, 82,32%, 81,12%. In addition, the method also focuses on processing data from secondary data, preprocessing to calculate financial price indexes for inclusion in model training. The model brings efficiency and meaning to investors and administrators, contributing to the research and analysis community of securities in the financial sector.
Keywords: Stock price prediction; Neural network; Feature expansion; Recursive feature elimination; Principal component analysis.