Phân tích và dự báo tỷ suất sinh lời của cổ phiếu sử dụng dữ liệu VN30 tần suất cao bằng phương pháp Deep Learning

Abstract

Luận văn này nghiên cứu việc áp dụng mạng học sâu (deep learning networks) để phân tích và dự đoán thị trường chứng khoán, với dữ liệu từ 30 cổ phiếu thuộc chỉ số VN30. Dữ liệu được thu thập với tần suất cao, mỗi 5 phút một lần trong khoảng thời gian từ ngày 01/04/2021 đến ngày 16/04/2024. Mục tiêu chính của nghiên cứu là đánh giá khả năng của các thuật toán học sâu trong việc trích xuất đặc trưng và dự đoán giá cổ phiếu, dựa trên các phương pháp như Phân tích thành phần chính (PCA), Autoencoder, và Máy Boltzmann Hạn chế (RBM). Phương pháp nghiên cứu bao gồm việc tính toán lợi nhuận logarit của cổ phiếu, tạo các đặc trưng trễ (lagged features) và sử dụng các mô hình học sâu để dự đoán hành vi thị trường tương lai. Kết quả nghiên cứu chỉ ra rằng mạng nơ-ron sâu có khả năng trích xuất thông tin từ các phần dư của mô hình hồi quy tự hồi và cải thiện hiệu suất dự đoán thị trường chứng khoán. Ngoài ra, mô hình này cũng giúp ước lượng hiệp phương sai chính xác hơn khi áp dụng trong phân tích cấu trúc thị trường. Kết quả của nghiên cứu không chỉ cung cấp một cái nhìn sâu sắc về tiềm năng của các mô hình học sâu trong việc dự đoán thị trường chứng khoán, mà còn mở ra các hướng nghiên cứu mới về việc áp dụng các công cụ học sâu trong lĩnh vực tài chính.