Như bất kỳ ai trong chúng ta cũng có thể đoán được, thị trường không ổn định và thường không thể đoán trước. Trong nhiều thập kỷ, các nhà nghiên cứu đã sử dụng dữ liệu chuỗi thời gian để dự đoán giá trị tương lai – trong đó ứng dụng thách thức nhất và có khả năng sinh lợi cao nhất là dự đoán giá trị cổ phiếu của một công ty nhất định. Tuy nhiên, như dự kiến, sự thay đổi của thị trường phụ thuộc vào nhiều thông số mà chỉ một số ít có thể định lượng được, chẳng hạn như dữ liệu chứng khoán lịch sử, khối lượng giao dịch, giá hiện tại. Tất nhiên, các yếu tố cơ bản như giá trị nội tại của công ty, tài sản, kết quả hoạt động hàng quý, các khoản đầu tư gần đây và chiến lược đều ảnh hưởng đến niềm tin của nhà giao dịch đối với công ty và do đó ảnh hưởng đến giá cổ phiếu của công ty. Chỉ một vài cái sau có thể được kết hợp hiệu quả vào một mô hình toán học. Điều này làm cho việc dự đoán giá cổ phiếu bằng máy học trở nên khó khăn và không đáng tin cậy ở một mức độ nhất định. Hơn nữa, gần như không thể đoán trước được một tin tức sẽ phá vỡ hoặc thúc đẩy thị trường chứng khoán trong những tuần tới – một đại dịch hay một cuộc chiến.
Dự án phân tích chuỗi thời gian trong R về dự báo thị trường chứng khoán
Mã giải pháp có thể tải xuống. video giải thích. Hô trợ ky thuật
bắt đầu dự ánVì vậy, thay vì tập trung vào việc khớp các giá trị thực tế với độ chính xác cao, các nhà phân tích chỉ tập trung vào việc đưa ra các dự đoán ngắn hạn để có được ước tính xác suất về thị trường “có thể” sớm như thế nào. Với đủ dữ liệu lịch sử và các tính năng hữu ích, các mô hình máy học và toán học có thể dự đoán các biến động ngắn hạn trên thị trường trong một ngày thị trường bình thường, không có biến cố
Dự đoán giá cổ phiếu bằng cách sử dụng máy học là quá trình dự đoán giá trị tương lai của một cổ phiếu được giao dịch trên sàn giao dịch chứng khoán để thu lợi nhuận. Với nhiều yếu tố liên quan đến việc dự đoán giá cổ phiếu, rất khó để dự đoán giá cổ phiếu với độ chính xác cao và đây là lúc máy học đóng vai trò quan trọng.
Giá cổ phiếu dưới dạng dữ liệu chuỗi thời gian
Xử lý dữ liệu chứng khoán dưới dạng chuỗi thời gian, người ta có thể sử dụng giá cổ phiếu trong quá khứ [và các thông số khác] để dự đoán giá cổ phiếu cho ngày hoặc tuần tiếp theo. Các mô hình học máy như Mạng thần kinh tái phát [RNN] hoặc LSTM là những mô hình phổ biến được áp dụng để dự đoán dữ liệu chuỗi thời gian như dự báo thời tiết, kết quả bầu cử, giá nhà và tất nhiên là giá cổ phiếu. Ý tưởng là cân nhắc tầm quan trọng của dữ liệu gần đây và dữ liệu cũ hơn và xác định tham số nào ảnh hưởng nhiều nhất đến giá “hiện tại” hoặc “tiếp theo”. Mô hình máy học gán trọng số cho từng đặc điểm thị trường và xác định lịch sử mà mô hình nên xem xét để dự đoán giá cổ phiếu trong tương lai
Sự phát triển của các ứng dụng học máy trong tài chính. Từ lý thuyết đến thực hành
Dự đoán giá cổ phiếu bằng cách sử dụng chuỗi thời gian trung bình động
Để bắt đầu, chúng ta có thể sử dụng đường trung bình động [hoặc MA] để hiểu lượng lịch sử [hoặc số điểm dữ liệu trong quá khứ] được xem xét ảnh hưởng như thế nào đến hiệu suất của mô hình. Đường trung bình động đơn giản tính toán giá trị trung bình của N điểm dữ liệu trong quá khứ và lấy giá trị này làm giá trị N+1 được dự đoán
Cho nên,
Trong đó P1 đến Pn là n điểm dữ liệu tức thời xảy ra trước thời điểm hiện tại, do đó, để dự đoán điểm dữ liệu hiện tại, chúng tôi lấy SMA có kích thước n [nghĩa là chúng tôi thấy tối đa n điểm dữ liệu trong quá khứ]. SMA là giá trị dự đoán của chúng tôi. Độ chính xác của mô hình sẽ thay đổi đáng kể với sự lựa chọn n. N cao hơn có nghĩa là chúng ta sẵn sàng đi sâu hơn vào quá khứ để tính giá trị hiện tại. Ví dụ: n=2 có nghĩa là chúng tôi lấy giá trị trung bình của giá cổ phiếu trong hai ngày qua, trong khi n=50 sẽ xem xét giá cổ phiếu trong 50 ngày. Rõ ràng, dữ liệu có giá trị trong 50 ngày sẽ có nhiều thông tin hơn về xu hướng của cổ phiếu và sẽ dẫn đến những dự đoán tốt hơn. Tuy nhiên, dựa trên bối cảnh, một n lớn cũng có thể làm mất ổn định mô hình vì các biến động chi tiết hơn được làm dịu đi – việc xem xét giá trong 300 ngày qua sẽ không tối ưu
Một đường trung bình động khác là đường trung bình động hàm mũ [EMA], mang lại nhiều trọng lượng hơn cho các mẫu gần đây hơn. Với điều này, chúng ta có thể xem xét nhiều điểm dữ liệu hơn trong quá khứ và vẫn không làm giảm các xu hướng biến động gần đây hơn.
Trong đó Pt là giá tại thời điểm t và k là trọng số cho điểm dữ liệu đó. EMA[t-1] biểu thị giá trị được tính từ các điểm t-1 trước đây. Rõ ràng, điều này sẽ hoạt động tốt hơn so với một đường MA đơn giản. Trọng số k được tính là k = 2/[N+1]
Trong khi triển khai các phương pháp này, chúng ta sẽ thấy EMA hoạt động tốt hơn SMA như thế nào, chứng minh rằng việc gán trọng số cao hơn cho các điểm dữ liệu gần đây hơn sẽ mang lại kết quả hiệu quả hơn. Nhưng hiện tại, chúng ta hãy giả sử rằng đó là trường hợp của giá cổ phiếu dưới dạng dữ liệu chuỗi thời gian.
Vì vậy, khi xem xét nhiều dữ liệu trong quá khứ hơn và coi trọng các mẫu mới hơn, EMA hoạt động tốt hơn SMA. Tuy nhiên, do tính chất tĩnh của các tham số, EMA có thể không hoạt động tốt trong mọi trường hợp. Trong EMA, chúng tôi đã cố định giá trị của k [trọng số/ý nghĩa của dữ liệu trong quá khứ] và nó được liên kết với kích thước cửa sổ N [chúng tôi muốn xem xét bao nhiêu trong quá khứ]
Có thể khó đặt các tham số này theo cách thủ công và không thể tối ưu hóa. Do đó, chúng tôi có thể sử dụng các mô hình phức tạp hơn có thể tính toán tầm quan trọng của từng điểm dữ liệu trong quá khứ và tối ưu hóa các dự đoán của chúng tôi. Điều này có thể đạt được khi cập nhật trọng lượng trong khi huấn luyện mô hình máy học. Và nghĩ đến việc sử dụng dữ liệu trong quá khứ để tính toán tương lai, mô hình ngay lập tức xuất hiện trong đầu là mô hình LSTM
Hiểu về mạng bộ nhớ dài hạn ngắn hạn để dự đoán giá cổ phiếu
LSTM là Mạng thần kinh tái phát hoạt động trên các chuỗi dữ liệu, học cách chỉ giữ lại thông tin liên quan từ một cửa sổ thời gian. Thông tin mới mà mạng học được sẽ được thêm vào một “bộ nhớ” được cập nhật theo từng dấu thời gian dựa trên mức độ quan trọng của mẫu mới đối với mô hình. Trong những năm qua, LSTM đã cách mạng hóa nhận dạng giọng nói và chữ viết tay, hiểu ngôn ngữ, dự báo và một số ứng dụng khác đã trở thành tiêu chuẩn mới ngày nay.
Một tế bào LSTM tiêu chuẩn bao gồm ba cổng. cổng đầu vào, đầu ra và quên. Các cổng này tìm hiểu trọng số của chúng và xác định nên nhớ bao nhiêu mẫu dữ liệu hiện tại và bao nhiêu nội dung đã học trong quá khứ nên bị lãng quên. Cấu trúc đơn giản này là một cải tiến so với mô hình RNN trước đó và tương tự
Như đã thấy trong các phương trình bên dưới, i, f và o đại diện cho ba cổng. đầu vào, quên và đầu ra. C là trạng thái ô lưu trữ dữ liệu đã học, được đưa ra dưới dạng đầu ra h. Tất cả điều này được tính cho mỗi dấu thời gian t, xem xét dữ liệu đã học từ dấu thời gian [t-1]
Cổng quên quyết định thông tin nào và bao nhiêu thông tin có thể bị xóa khỏi trạng thái ô hiện tại, trong khi cổng đầu vào quyết định những gì sẽ được thêm vào trạng thái ô hiện tại. Cổng đầu ra, được sử dụng trong phương trình cuối cùng, kiểm soát độ lớn của đầu ra được tính bởi hai cổng đầu tiên
Vì vậy, trái ngược với các mạng thần kinh chuyển tiếp nguồn cấp dữ liệu tiêu chuẩn, LSTM có khả năng ghi nhớ hoặc xóa các phần của cửa sổ dữ liệu trong quá khứ một cách chủ động. Tính năng đọc và đào tạo trên các cửa sổ [hoặc dấu thời gian] của dữ liệu làm cho việc đào tạo của nó trở nên độc đáo. Hãy xây dựng mô hình bằng Python
Đánh giá hiệu suất dự đoán cho dự đoán giá cổ phiếu
Trước khi đưa các thuật toán vào thực tế, hãy làm rõ số liệu để đo lường hiệu suất của các mô hình của chúng tôi. Dự đoán giá cổ phiếu là một vấn đề hồi quy cơ bản, chúng ta có thể sử dụng RMSE [Lỗi bình phương trung bình gốc] hoặc MAPE [Lỗi tỷ lệ phần trăm tuyệt đối trung bình] để đo mức độ gần hoặc xa của dự đoán giá của chúng ta so với thế giới thực
Xem kỹ công thức của RMSE, chúng ta có thể thấy cách chúng ta có thể xem xét chênh lệch [hoặc lỗi] giữa giá trị giá thực tế [At] và dự đoán [Ft] cho tất cả N dấu thời gian và nhận được thước đo sai số tuyệt đối
Mặt khác, MAPE xem xét sai số liên quan đến giá trị thực – nó sẽ đo lường một cách tương đối khoảng cách giữa các giá trị dự đoán với giá trị thực thay vì xem xét sự khác biệt thực tế. Đây là một biện pháp tốt để kiểm tra phạm vi sai số nếu chúng ta xử lý các giá trị quá lớn hoặc nhỏ. Chẳng hạn, RMSE cho các giá trị trong phạm vi 10e6 có thể vượt quá tỷ lệ, trong khi MAPE sẽ giữ lỗi trong một phạm vi cố định
Dự án dự đoán giá cổ phiếu bằng Machine Learning trong Python với mã nguồn
Đầu tiên, chúng tôi sẽ triển khai một mạng LSTM đơn giản bằng Keras trong Python. Hãy xem bộ dữ liệu. Chúng tôi có thể làm việc trên dữ liệu chứng khoán thực tế từ các công ty đại chúng lớn như Facebook, Microsoft hoặc Apple bằng cách tải xuống dữ liệu từ tài chính. Yahoo. com
Tải xuống Bộ dữ liệu giá cổ phiếu
đi đến tài chính. Yahoo. com/ và tìm kiếm công ty bạn muốn dự đoán cổ phiếu của. Ví dụ của chúng tôi, chúng tôi sẽ xem xét cổ phiếu Netflix [NFLX] trong 3 năm
Đi đến tài chính. Yahoo. com/quote/NFLX/history?p=NFLX trong phần “Dữ liệu lịch sử”, chúng tôi thấy dữ liệu chứng khoán được liệt kê mỗi ngày. Chúng tôi có thể lọc ra thời gian mà chúng tôi muốn phân tích và tải xuống tệp CSV bằng nút tải xuống ở bên phải
Tệp CSV tải xuống sẽ chứa dữ liệu về Mở, Cao, Thấp, Đóng, Đóng Điều chỉnh, Khối lượng cho từng ngày, như minh họa trong hình trên
Đang tải Bộ dữ liệu giá cổ phiếu
Tải tệp CSV dưới dạng DataFrame bằng Pandas. Vì dữ liệu được lập chỉ mục theo ngày [mỗi hàng đại diện cho dữ liệu từ một ngày khác nhau], chúng tôi cũng có thể lập chỉ mục DataFrame của mình theo cột ngày. Chúng tôi đã lấy dữ liệu từ tháng 3 năm 2019 đến tháng 3 năm 2022. Điều này cũng sẽ thách thức mô hình của chúng tôi hoạt động với những thay đổi khó lường do đại dịch COVID-19 gây ra
Vẽ các điểm cao và thấp của cổ phiếu Netflix trong 3 năm, chúng ta thấy biểu đồ bên dưới
Đáng chú ý, vào khoảng tháng 3 năm 2020, chúng tôi thấy giá giảm đột ngột, sau đó báo cáo tăng trưởng ổn định cho đến gần đây
Sẽ là một thách thức đối với một mô hình máy học để ước tính chính xác những thay đổi nhanh chóng mà chúng ta có thể thấy vào tháng 3 năm 2020 và tháng 2 năm 2022. Chúng tôi sẽ tập trung vào việc đánh giá hiệu suất của mô hình trong việc dự đoán các giá trị gần đây hơn sau khi đào tạo nó trên dữ liệu trong quá khứ
Tương tự, vẽ giá trị Mở và Đóng của cổ phiếu cho mỗi ngày cho các quan sát tương đương
Mã để vẽ các biểu đồ này như hình dưới đây. Chúng tôi sử dụng matplotlib để vẽ trực tiếp các cột DataFrame dựa trên cột Chỉ mục ngày. Để làm cho mọi thứ trở nên linh hoạt trong khi vẽ biểu đồ theo ngày, các dòng 6-8 chuyển đổi các chuỗi ngày của chúng ta thành định dạng ngày giờ và vẽ chúng rõ ràng và dễ đọc. Tham số khoảng thời gian trong dòng 7 xác định khoảng thời gian tính bằng ngày giữa mỗi lần đánh dấu trên trục ngày
Chúng tôi sẽ sử dụng các cột Mở, Cao và Thấp để dự đoán Giá trị đóng của cổ phiếu Netflix cho ngày hôm sau
Nhập thư viện
Chúng tôi sẽ xây dựng các mô hình LSTM của mình bằng cách sử dụng Tensorflow Keras và tiền xử lý dữ liệu của chúng tôi bằng cách sử dụng scikit-learning. Những lần nhập này được sử dụng trong các bước khác nhau của toàn bộ quy trình, nhưng thật tốt khi kết hợp các câu lệnh này lại với nhau. Bất cứ khi nào chúng tôi muốn nhập một cái gì đó mới, chỉ cần thêm câu lệnh tùy ý vào nhóm bên dưới
Tiền xử lý dữ liệu
Như với bất kỳ mô hình học máy nào khác, việc chuẩn hóa hoặc thay đổi tỷ lệ dữ liệu trong một phạm vi cố định khi xử lý dữ liệu thực luôn là điều tốt. Điều này sẽ tránh các tính năng có giá trị số lớn hơn can thiệp và sai lệch mô hình một cách bất công và giúp đạt được sự hội tụ nhanh chóng
Đầu tiên, chúng tôi xác định các tính năng và mục tiêu như đã thảo luận ở trên
Tiếp theo, chúng tôi sử dụng StandardScaler để thay đổi tỷ lệ các giá trị của chúng tôi trong khoảng từ -1 đến 1
Scikit-learning cũng cung cấp mô-đun tiền xử lý MinMaxScaler phổ biến. Tuy nhiên, xem xét bối cảnh, giá cổ phiếu có thể tăng tối đa hoặc giảm tối đa vào những ngày khác nhau và việc sử dụng các giá trị đó để gây ảnh hưởng đến người khác có thể không tốt. Sự thay đổi về giá trị khi sử dụng một trong hai phương pháp này sẽ không nhiều, vì vậy chúng tôi sử dụng StandardScaler
Chúng tôi có 757 mẫu dữ liệu trong bộ dữ liệu
Vì vậy, bước tiếp theo sẽ là chia nó thành các tập huấn luyện và kiểm tra. Như đã giải thích ở trên, việc đào tạo mô hình LSTM yêu cầu một cửa sổ hoặc dấu thời gian của dữ liệu trong mỗi bước đào tạo. Chẳng hạn, LSTM sẽ lấy 10 mẫu dữ liệu để dự đoán mẫu thứ 10 bằng cách cân chín mẫu đầu vào đầu tiên trong một bước. Vì vậy, chúng tôi cần một cách tiếp cận khác với train_test_split được cung cấp bởi scikit-learning
Hãy xác định hàm phân tách có tên là lstm_split[] sẽ tạo các cửa sổ có kích thước “n_steps” bắt đầu từ mẫu dữ liệu đầu tiên và kết thúc ở mẫu thứ n_steps [nếu n_steps=10 thì mẫu thứ 10] từ cuối. Chúng tôi hiểu phần sau bởi vì, đối với mỗi bước thời gian, LSTM sẽ lấy n_steps-1 mẫu để đào tạo và dự đoán mẫu cuối cùng. Tính toán tổn thất được thực hiện dựa trên lỗi trong dự đoán này. Vì vậy, nếu n_steps=10, bạn không thể sử dụng 9 mẫu cuối cùng để dự đoán bất kỳ điều gì vì điểm dữ liệu “thứ 10” cho bước hiện tại không tồn tại trong tập dữ liệu
Hàm bên dưới lấy toàn bộ dữ liệu và tạo các cửa sổ có kích thước n_steps bắt đầu từ đầu. Mục tiêu y sẽ chứa giá trị mục tiêu tương ứng với chỉ mục thứ n_steps. Vì vậy, nếu n_steps là 10, phần tử đầu tiên trong X sẽ có các tính năng từ 10 mẫu dữ liệu và y sẽ chứa mục tiêu của mẫu dữ liệu thứ 10
Tập huấn luyện và kiểm tra để dự đoán giá cổ phiếu
Chúng tôi chia dữ liệu của mình thành các tập huấn luyện và kiểm tra. Xáo trộn không được phép trong bộ dữ liệu chuỗi thời gian. Ban đầu, chúng tôi thực hiện hai bước giá trị của dữ liệu trong quá khứ để dự đoán giá trị hiện tại. Do đó, mô hình sẽ xem xét các giá trị của ngày hôm qua và ngày hôm nay để dự đoán giá đóng cửa của ngày hôm nay
Lưu ý ở trên rằng kích thước của X1 nhỏ hơn n_steps so với kích thước của tập dữ liệu gốc. Như chúng tôi đã giải thích ở trên, bạn không thể sử dụng hai mẫu cuối cùng của tập hợp ban đầu trong quá trình đào tạo hoặc dự đoán vì chúng tôi không có giá trị thực cơ bản tương ứng của chúng
Xây dựng mô hình LSTM
Chúng tôi sẽ sử dụng các mô-đun Sequential và LSTM do Tensorflow Keras cung cấp để xây dựng một mô hình LSTM đơn, đơn giản
Bây giờ chúng ta có thể khớp mô hình đơn giản này với dữ liệu đào tạo
Do tính đơn giản của mô hình và dữ liệu, chúng tôi lưu ý rằng việc giảm tổn thất bị đình trệ chỉ sau 20 kỷ nguyên. Bạn có thể quan sát điều này bằng cách vẽ sơ đồ tổn thất đào tạo theo số lượng kỷ nguyên và LSTM không học được nhiều sau 10-20 kỷ nguyên
Đánh giá hiệu suất trên Bộ kiểm tra
Tuy nhiên, chúng ta có thể kiểm tra hiệu suất của mô hình của mình trên bộ thử nghiệm như bên dưới
Để đánh giá, trước tiên, chúng tôi vẽ đường cong cho các giá trị thực và chồng nó với đường cong cho các giá trị dự đoán
Như vậy, chúng ta có thể thấy rằng LSTM có thể mô phỏng xu hướng của giá cổ phiếu ở một mức độ nhất định. Dựa trên đợt giảm giá gần đây, nó cũng phù hợp với đường cong giảm
Như chúng tôi đã quyết định trước đó, chúng tôi cũng có thể kiểm tra các giá trị RMSE và MAPE để đánh giá hiệu suất. Chúng tôi sẽ sử dụng các giá trị này để so sánh trong tương lai
Hãy cố gắng đạt được kết quả tốt hơn với cùng một tập dữ liệu nhưng mô hình LSTM sâu hơn
Chúng tôi đã thêm một lớp LSTM khác và tăng số lượng đơn vị LSTM trên mỗi lớp lên 50.
Mặc dù tổn thất vẫn hội tụ sớm, nhưng đường cong phù hợp hơn với giá trị thực
Hơn nữa, các giá trị RMSE và MAPE cũng tốt hơn
Do đó, chúng tôi quan sát thấy sự cải thiện đáng kể bằng cách thêm một lớp LSTM khác vào mô hình. Tuy nhiên, việc thêm nhiều lớp hơn nữa sẽ không hiệu quả vì mô hình có thể quá khớp hoặc bị đình trệ trong quá trình đào tạo
Bây giờ chúng ta sẽ thử lắp mô hình tương tự nhưng với các bước thời gian tăng lên. Chúng tôi sẽ thử cho n_steps=10
Chúng tôi thay đổi giá trị trong khối bên dưới và chạy lại toàn bộ quy trình với cùng một mô hình như trước đây
Mô hình chúng tôi đã sử dụng ở trên
Đáng ngạc nhiên, chúng tôi nhận được hiệu suất tương tự như trước đây
Chúng tôi lưu ý rằng LSTM có thể đạt được các giá trị RMSE và MAPE khá mặc dù độ phức tạp của dữ liệu. Hơn nữa, chúng tôi lưu ý rằng việc tạo các mạng thậm chí sâu hơn không giúp cải thiện hiệu suất thử nghiệm
Trước khi chúng tôi kết luận, như đã hứa trước đó, hãy xem LSTM hoạt động tốt hơn hay kém hơn như thế nào so với các kỹ thuật thống kê như SMA và EMA
LSTM so với. Trung bình di chuyển đơn giản so với. Đường trung bình động hàm mũ để dự đoán giá cổ phiếu
Đường trung bình động đơn giản
Dựa trên điều này, chúng tôi tìm thấy kết quả như dưới đây
LSTM hoạt động tốt hơn trong các điều kiện tương tự
Tương tự, chúng ta cũng hãy kiểm tra xem đường trung bình động hàm mũ hoạt động như thế nào. Như chúng tôi đã lưu ý ban đầu, nó được cho là hoạt động tốt hơn SMA
Hãy tự tin để xây dựng các dự án end-to-end
Truy cập vào thư viện được tuyển chọn gồm hơn 250 dự án công nghiệp từ đầu đến cuối với mã giải pháp, video và hỗ trợ kỹ thuật
Yêu cầu bản trình diễnĐường trung bình động hàm mũ
Thay vì triển khai EMA từ đầu, chúng ta có thể sử dụng mô-đun do mô hình thống kê cung cấp trong Python. Hiện tại, chúng tôi có thể sử dụng mô-đun SimpleExpSmoothing của API TSA từ mô hình thống kê. Trong khi điều chỉnh mô hình này, chúng tôi có thể điều chỉnh tham số smoothing_level để có hiệu suất tối ưu – chúng tôi lưu ý rằng giá trị tương đối thấp hơn sẽ mang lại kết quả tốt hơn
Vì vậy, trong trường hợp dự đoán dữ liệu giá cổ phiếu, SMA và EMA có hiệu suất tương tự nhau và thua xa khi so sánh với LSTM. Chúng tôi có thể cải thiện mô hình LSTM của mình bằng cách tinh chỉnh các siêu đường kính như số lượng ô, kích thước lô hoặc hàm mất mát. Tuy nhiên, việc sử dụng dữ liệu sau năm 2019 [dữ liệu có giá trị lên tới 5-10 năm] sẽ giúp ích rất nhiều cho mô hình
Trong bài báo, chúng tôi đã xem xét cách giải quyết vấn đề dự đoán giá thị trường chứng khoán bằng cách xem xét dữ liệu thị trường chứng khoán dưới dạng chuỗi thời gian. Hơn nữa, chúng tôi đã xem xét lý thuyết về ba phương pháp hiện có được sử dụng thường xuyên để dự báo chuỗi thời gian. đường trung bình động đơn giản [SMA], đường trung bình động hàm mũ [EMA] và LSTM. Chúng tôi cũng đã sử dụng dữ liệu chứng khoán thực tế để dự đoán giá của cổ phiếu Netflix bằng ba phương pháp này và tiến hành phân tích hiệu suất so sánh bằng cách sử dụng chỉ số lỗi RMSE và MAPE
Tuy nhiên, sự đồng thuận của các chuyên gia từ lĩnh vực tài chính và lĩnh vực AI nói rằng các kỹ thuật ML hoạt động kém trong thế giới thực để dự đoán thị trường. Ngay cả khi hàng trăm biến số và trình điều khiển thị trường trong thế giới thực được lượng tử hóa và tích hợp vào dữ liệu cũng như được tối ưu hóa bằng các phương pháp học máy tốt nhất hiện có, mô hình vẫn sẽ không đưa ra được những dự đoán có giá trị khi chúng quan trọng. Các chuyên gia lưu ý rằng các mô hình AI không thể đi theo các xu hướng bị phá vỡ bởi đại dịch COVID-19 – không phải trong hoặc thậm chí là khi kết thúc đại dịch. Tương tự, trong các trường hợp chung, AI không thể thay thế trí thông minh và trực giác của con người về xu hướng thị trường. Hiệu quả của trí tuệ nhân tạo trong dự đoán thị trường chứng khoán dựa trên học máy. Tuy nhiên, những thiếu sót này chỉ là các đường cong học tập để phát triển các mô hình dự đoán giá cổ phiếu mạnh mẽ và phân tích khả năng của các mô hình hiện có một cách chi tiết hơn
câu hỏi thường gặp
Thuật toán học máy nào là tốt nhất để dự đoán giá cổ phiếu?
Dựa trên các thử nghiệm được thực hiện trong bài viết này, LSTM dường như là cách tiếp cận ban đầu tốt nhất để giải quyết vấn đề dự đoán giá cổ phiếu. Các phương pháp khác có thể kết hợp các tính năng được trích xuất từ các mô hình LSTM hoặc Bi-LSTM và đưa vào bộ hồi quy ANN cổ điển. Cách tiếp cận này có thể giúp trích xuất thông tin trước đây bị bỏ qua bởi một mô hình hồi quy LSTM đơn giản. Nhiều nghiên cứu gần đây sử dụng mạng nơ ron đồ thị và cơ chế chú ý nhiều đầu, trong khi những nghiên cứu khác sử dụng phương pháp học tăng cường. Các phương pháp tiếp cận dựa trên LSTM gần đây cũng đang được sử dụng và nghiên cứu tích cực mặc dù các cơ chế phức tạp như vậy được đề xuất thường xuyên—Trích Dự đoán thị trường chứng khoán. Papers With Code để xem tác phẩm mới nhất trong lĩnh vực này.
Làm thế nào các kỹ thuật học máy có thể dự đoán thị trường chứng khoán?
Người ta có thể hiển thị các mô hình máy học một lượng lớn dữ liệu lịch sử về cổ phiếu của công ty [dữ liệu có giá trị trong vài thập kỷ] và sử dụng mô hình để trích xuất các xu hướng chính và các tính năng thiết yếu xác định hiệu suất cổ phiếu của công ty. Nếu các xu hướng, tham số và tính năng như vậy được trích xuất một cách hiệu quả, mô hình có thể dự đoán hiệu suất cổ phiếu trong tương lai