Ứng dụng mô hình lai ARIMA-RNN, ARIMA-LSTM và một số mô hình học máy trong dự báo chỉ số VN-Index giai đoạn trước, trong và sau thời kỳ COVID-19

Abstract

Nghiên cứu được thực hiện nhằm tìm hiểu các phương pháp dự báo giá đóng cửa chỉ số VN-Index trong bối cảnh thị trường có nhiều biến động đặc thù. Mục tiêu trọng tâm là quan sát khả năng tương thích của các mô hình học máy và mô hình thống kê truyền thống qua những giai đoạn khác nhau, bao gồm cả thời kỳ chịu ảnh hưởng của đại dịch COVID-19. Tác giả sử dụng dữ liệu lịch sử VN - Index trong 20 năm (2005 - 2025), thực nghiệm 06 mô hình: ARIMA, Rừng ngẫu nhiên (RF), RNN, LSTM và hai mô hình lai ARIMA-LSTM và ARIMA - RNN. Kết quả quan sát cho thấy mô hình RF có thể là công cụ tiềm năng nhất khi duy trì sai số MAPE ở mức từ 0,09% đến 0,14% trên các phân kỳ nghiên cứu. Mô hình LSTM cũng cho thấy năng lực ghi nhớ các xu hướng dài hạn khá hiệu quả. Bên cạnh đó, việc kết hợp các cấu trúc tuyến tính và phi tuyến trong các mô hình lai có tiềm năng nhất định, đặc biệt là trong giai đoạn thị trường ổn định hoặc dự báo dài hạn, tuy nhiên trong ngắn hạn và các giai đoạn khủng hoảng thường không đạt hiệu quả cao, có thể xuất phát từ hiện tượng tích lũy sai số giữa các thành phần dự báo. Kết quả nghiên cứu có thể đóng vai trò là tài liệu tham khảo cho các nhà đầu tư trong việc lựa chọn công cụ hỗ trợ quyết định phù hợp với từng trạng thái thị trường. Đề tài cũng mở ra hướng thảo luận về việc hiệu chỉnh các tham số nội tại của mô hình để nâng cao hơn nữa độ tin cậy trong các nghiên cứu tương lai.