Ứng dụng mô hình học máy và học sâu để dự báo xu hướng thị trường của tập vn30-Index trong giai đoạn từ 2014 – 2023

Abstract

Trước bối cảnh thị trường chứng khoán ngày càng biến động và khó dự đoán, việc nâng cao độ chính xác trong dự báo giá cổ phiếu trở thành nhu cầu cấp thiết đối với nhà đầu tư và nhà quản lý. Đề tài nghiên cứu ứng dụng các mô hình học máy và học sâu nhằm cải thiện khả năng dự báo xu hướng giá của chỉ số VN30 trong giai đoạn 2014–2023. Nghiên cứu sử dụng các mô hình học máy như Multivariate Linear Regression (MLR), Support Vector Machine (SVM), Random Forest (RF), eXtreme Gradient Boosting (XGBoost) và các mô hình học sâu như Recurrent Neural Network (RNN) và Long Short-Term Memory (LSTM). Kết quả thực nghiệm cho thấy LSTM và RNN đạt hiệu suất dự báo vượt trội, đặc biệt đối với dữ liệu chuỗi thời gian tài chính mang tính phi tuyến. So với các mô hình truyền thống, mô hình học sâu thể hiện độ chính xác cao hơn, khả năng khái quát hóa tốt hơn, từ đó giúp giảm thiểu rủi ro và hỗ trợ xây dựng danh mục đầu tư hiệu quả. Nghiên cứu này không chỉ cung cấp một cách tiếp cận thực tiễn trong việc áp dụng trí tuệ nhân tạo vào tài chính mà còn góp phần làm rõ tiềm năng của học sâu trong phân tích và dự báo thị trường chứng khoán Việt Nam