Dự đoán xu thế chỉ số chứng khoán Việt Nam sử dụng phân tích hồi quy quá trình Gauss và mô hình tự hồi quy trung bình động

iêu chuẩn thông tin Akaike đạt giá trị nhỏ nhất.
Chúng tôi cài đặt thực nghiệm phương pháp dự đoán
GPR-ARMA và thu được đồ thị biểu diễn trực quan kết quả
dự đoán của phương pháp GPR-ARMA cho cho 81 ngày
giao dịch trong tập kiểm thử từ 14/04/2016 đến 09/08/2016
như Hình 7.
Tiếp đến, chúng tôi tiến hành cài đặt từng phương pháp
dự đoán riêng lẻ là phân tích GPR và mô hình ARMA sử
dụng cùng bộ dữ liệu đầu vào và thực hiện dự đoán cùng
tập dữ liệu kiểm thử với phương pháp kết hợp GPR-ARMA.
Phương pháp phân tích GPR và mô hình ARMA được cài
đặt bằng cách biến đổi dữ liệu đầu vào sử dụng lấy sai
phân bậc một. Dữ liệu biến đổi này là đầu vào cho từng
phương pháp và thực hiện truy ngược kết quả dự đoán cho
chuỗi thời gian đầu vào tương tự công thức (9). Kết quả
thực nghiệm từng phương pháp riêng lẻ, chúng tôi thu được
đồ thị biểu diễn kết quả dự đoán như sau.
Từ các hình 5, 6 và 7, ta có thể nhận thấy phương pháp
kết hợp GPR-ARMA cho kết quả dự đoán tốt hơn khi mật
độ các ngày dự đoán đúng nhiều hơn so với từng phương
pháp riêng lẻ. Để định lượng chính xác, chúng tôi coi bài
toán dự đoán xu thế chỉ số chứng khoán VN-Index là một
bài toán phân lớp, bao gồm lớp tăng và lớp giảm. Kết quả
dự đoán được xếp vào lớp tăng khi dự đoán chỉ số VN-
Hình 7. Kết quả dự đoán xu thế chỉ số VN-Index theo phương
pháp GPR-ARMA.
Bảng I
BẢNG NHẦM LẪN KẾT QUẢ DỰ ĐOÁN XU THẾ
THEO PHƯƠNG PHÁP KẾT HỢP GPR-ARMA
Tất cả các lớp Thuộc lớp Không thuộc lớp
Dự đoán thuộc lớp TP = 50 FP = 31
Dự đoán không thuộc lớp FN = 31 TN = 50
Bảng II
CÁC ĐẠI LƯỢNG SAI SỐ DỰ ĐOÁN CỦA TỪNG
PHƯỚNG PHÁP DỰ ĐOÁN ĐƯỢC NGHIÊN CỨU
Phương pháp RMSE MAD MAPE
ARMA 6,034 4,717 0,0075
GPR 8,176 6,416 0,0102
GPR-ARMA 6,015 4,564 0,0073
Index ngày giao dịch kế tiếp lớn hay bằng chỉ số VN-Index
ngày giao dịch hiện tại. Kết quả dự đoán được xếp vào lớp
giảm khi dự đoán chỉ số VN-Index ngày giao dịch kế tiếp
nhỏ hơn chỉ số VN-Index ngày giao dịch hiện tại. Từ kết
quả thực nghiệm phương pháp GPR-ARMA, chúng tôi thu
được bảng nhầm lẫn dự đoán (Bảng I) [16].
Từ Bảng nhầm lẫn của kết quả dự đoán xu thế chỉ số VN-
Index, chúng tôi tính độ chính xác kết quả dự đoán xu thế
chỉ số VN-Index theo phương pháp kết hợp GPR-ARMA
theo công thức sau [16]:
PGPR-ARMA =
TP
TP + FP
=
50
50 + 31
= 61,73%. (16)
Thực hiện tính toán tương tự, chúng tôi thu được độ chính
xác dự đoán xu thế chỉ số VN-Index của phương pháp phân
tích GPR là 48,15% và độ chính xác của phương pháp
ARMA là 41,98%. Các đại lượng đánh giá sai số dự đoán
bao gồm RMSE, độ lệch trị tuyệt đối trung bình (MAD:
Mean absolute deviation) và phần trăm sai số trị tuyệt đối
trung bình (MAPE: Mean absolute percentage error) của
từng phương pháp được cho trong Bảng II.
Hình 8 biểu diễn trực quan đồ thị dự đoán chỉ số VN-
Index của từng phương pháp. Như vậy kết quả thực nghiệm
cho thấy so với từng phương pháp dự đoán riêng lẻ, phương
pháp dự đoán kết hợp GPR-ARMA cho độ chính xác cao
40
Tập V-1, Số 39, 11.2018
0 10 20 30 40 50 60 70
560
580
600
620
640
660
680
Pr
ic
e
Days
80
GPR-ARMA
GPR
ARMA
Real prices
Hình 8. Kết quả dự đoán giá chỉ số VN-Index của từng phương pháp dự đoán được nghiên cứu.
nhất là 61,73%. Đồng thời, các sai số dự đoán thấp hơn so
với từng phương pháp dự đoán riêng lẻ.
IV. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Chúng tôi đã trình bày một phương pháp mới giải bài
toán dự đoán xu thế VN-Index nhờ việc phân tách chuỗi
thời gian đầu vào và sử dụng kết hợp phân tích GPR và
mô hình ARMA để dự đoán các chuỗi thời gian thành phần
một cách hợp lý, qua đó tận dụng ưu điểm của từng phương
pháp dự đoán riêng lẻ. Thành phần xu thế thể hiện xu thế rõ
ràng hơn nhờ việc loại bỏ nhiễu là thành phần ngẫu nhiên,
nên việc áp dụng phân tích GPR làm tăng khả năng học để
nhận biết các mẫu hình lặp lại trong chuỗi xu thế. Thành
phần ngẫu nhiên có tính dừng, có giá trị biến thiên ngẫu
nhiên, nên phù hợp để áp dụng mô hình ARMA dự đoán
cho thành phần ngẫu nhiên này. Kết quả dự đoán các thành
phần riêng lẻ được tổng hợp lại để đưa ra kết quả dự đoán
cuối cùng cho phương pháp kết hợp GPR-ARMA. Kết quả
thực nghiệm cho thấy, với cùng bộ dữ liệu đầu vào và cùng
tập kiểm thử tiến hành dự đoán, phương pháp kết hợp GRP-
ARMA cho độ chính xác cao nhất là PGPR-ARMA = 61,73%
(dự đoán đúng 50 ngày trong số 81 ngày tiến hành dự đoán).
Các phương pháp dự đoán riêng lẻ là phân tích GPR và mô
hình ARMA có độ chính xác dự đoán thấp hơn nhiều so với
phương pháp kết hợp. Đồng thời, giá trị các sai số dự đoán
RMSE, MAD và MAPE của phương pháp kết hợp GPR-
ARMA đều thấp hơn so với từng phương pháp dự đoán
riêng lẻ. Phương pháp của chúng tôi đã tận dụng được ưu
điểm của từng phương pháp dự đoán riêng lẻ để có kết
quả dự đoán tốt hơn. Từ đó khẳng định tính đúng đắn của
phương pháp dự đoán kết hợp GPR-ARMA được đề xuất.
Mỗi mô hình định lượng được sử dụng trong bài báo
này đều có thể được cải tiến nhằm tăng độ chính xác dự
đoán của phương pháp kết hợp GPR-ARMA. Với mô hình
ARMA, việc biến đổi dữ liệu đầu vào phù hợp để làm giảm
khoảng cách biến thiên giữa các điểm có thể tăng độ chính
xác của phương pháp này. Với phân tích GPR, việc lựa chọn
các lớp hàm hiệp phương sai tốt có thể cải thiện đáng kể
độ chính xác của phương pháp này. Một hướng phát triển
tiếp theo là sử dụng các giải thuật xấp xỉ để cải thiện tốc
độ tính toán cho phân tích GPR khi dữ liệu đầu vào lớn.
Cuối cùng, phương pháp GPR-ARMA là phương pháp dự
đoán tổng quát cho chuỗi thời gian bất kì nên phương pháp
này có thể sử dụng để dự đoán các chuỗi thời gian khác
như giá cổ phiếu, hay giá của các chỉ số chứng khoán khác
như chỉ số S&P 500, Nasdaq, Dow Jones, FTSE 100, BSE
SENSEX.
TÀI LIỆU THAM KHẢO
[1] C. E. Rasmussen and C. K. Williams, “Gaussian processes
for machine learning. 2006,” The MIT Press, Cambridge,
MA, USA, vol. 38, pp. 715–719, 2006.
[2] B. Wang and T. Chen, “Gaussian process regression with
multiple response variables,” Chemometrics and Intelligent
Laboratory Systems, vol. 142, pp. 159–165, 2015.
[3] M. T. Farrell and A. Correa, “Gaussian process regression
models for predicting stock trends,” Relation, vol. 10, pp.
1–9, 2007.
[4] P. J. Brockwell, R. A. Davis, and M. V. Calder, Introduction
to time series and forecasting, 2nd ed. Springer, 2010.
41
Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
[5] G. E. Box, G. M. Jenkins, G. C. Reinsel, and G. M. Ljung,
Time series analysis: forecasting and control, 5th ed. John
Wiley & Sons, 2015.
[6] P. Mondal, L. Shit, and S. Goswami, “Study of effectiveness
of time series modeling (arima) in forecasting stock prices,”
International Journal of Computer Science, Engineering and
Applications, vol. 4, no. 2, pp. 13–29, 2014.
[7] G. Dutta, P. Jha, A. K. Laha, and N. Mohan, “Artificial
neural network models for forecasting stock price index in
the bombay stock exchange,” Journal of Emerging Market
Finance, vol. 5, no. 3, pp. 283–295, 2006.
[8] Y. Zuo and E. Kita, “Up/down analysis of stock index by us-
ing bayesian network,” Engineering Management Research,
vol. 1, no. 2, pp. 46–52, 2012.
[9] S. S. Patil, K. Patidar, and M. Jain, “Stock market prediction
using support vector machine,” International Journal of
Current Trends in Engineering & Technology, vol. 2, no. 1,
pp. 18–25, 2016.
[10] T. Awokuse and T. Ilvento, “Using statistical data to
make decisions-module 6: Introduction to time series fore-
casting,” University of Delaware, College of Agriculture and
Natural Resources, Food and Resource Economics, 2012.
[Online]. Available: 
BUAD820/MOD604.pdf
[11] E. Haven, P. Molyneux, J. O. Wilson, S. Fedotov, and
M. Duygun, The Handbook of Post Crisis Financial Mod-
elling. Springer, 2016.
[12] Đỗ Văn Thành, Nguyễn Minh Hải, “Phân tích và dự báo chỉ
số thị trường chứng khoán bằng sử dụng chỉ số báo trước,”
in Kỷ yếu Hội nghị Khoa học Quốc gia lần thứ IX “Nghiên
cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR’9), Cần
Thơ, Việt Nam, Aug., pp. 559–565.
[13] Hồ Thủy Tiên, Hồ Thu Hoài, Ngô Văn Toàn, “Mô hình
hóa biến động thị trường chứng khoán: Thực nghiệm từ việt
nam,” Tạp chí Khoa học ĐHQGHN: Kinh tế và Kinh doanh,
vol. 33, no. 3, pp. 1–11, 2017.
[14] M. H. Nguyen and O. Darné, “Forecasting and risk
management in the vietnam stock exchange,” Laboratoire
d’Economie et de Management Nantes-Atlentique Université
de Nantes, 2018. [Online]. Available: https://halshs.archives-
ouvertes.fr/halshs-01679456
[15] M. Neumann, S. Huang, D. E. Marthaler, and K. Kersting,
“pygps: A python library for gaussian process regression and
classification,” The Journal of Machine Learning Research,
vol. 16, no. 1, pp. 2611–2616, 2015.
[16] C. D. Manning, P. Raghavan, and H. Schu¨tze, Introduction
to information retrieval. Cambridge University Press, 2012.
Huỳnh Quyết Thắng sinh năm 1967 tại
Hà Nội. Ông tốt nghiệp Trường Đại học
Điện-Máy Varna, Cộng hòa Bungary, năm
1990; nhận bằng Tiến sĩ tại Trường Tổng
hợp kỹ thuật Varna (TU Varna), Cộng hòa
Bungary, năm 1995; nhận học hàm PGS
năm 2007. Hiện nay, ông đang công tác
tại Viện Công nghệ Thông tin và Truyền
thông, Trường Đại học Bách khoa Hà Nội.
Lĩnh vực nghiên cứu ông quan tâm là Techniques and
Math models in Software Quality Prediction/Measurement; Secure
Coding, Program Analysis; Methods in Software Development;
Cost/Effort Evaluation.
Phùng Đình Vũ sinh năm 1989 tại Nam
Định. Ông tốt nghiệp Đại học và Thạc sĩ
Công nghệ thông tin tại Trường Đại học
Bách khoa Hà Nội năm 2012 và 2017.
Lĩnh vực nghiên cứu ông quan tâm là Các
mô hình định lượng như Gaussian Process,
mạng Nơ-ron, Giải thuật di truyền, mạng
Bayes, Support Vector Machine.
Tống Văn Vinh sinh năm 1997 tại Hà Nội.
Tác giả là sinh viên năm thứ tư, lớp Kỹ sư
Tài năng, chuyên ngành Công nghệ Thông
tin, Trường Đại học Bách khoa Hà Nội.
Lĩnh vực nghiên cứu quan tâm của tác giả
là Gaussian Process, mạng Nơ-ron, Support
Vector Machine, mạng Bayes.
42