Số 222 | Tháng 9/2024
Dự báo dài hạn và ngắn hạn chỉ số chứng khoán Việt Nam sử dụng mô hình học máy
Trần Kim Toại, Võ Thị Xuân Hạnh, Võ Minh Huân
Tóm tắt:
Dự báo chỉ số VN-Index dài hạn và ngắn hạn giúp nhà đầu tư lên kế hoạch tài chính để quản lý rủi ro. Các mô hình học máy thường đồng nhất dự báo dài hạn và ngắn hạn, mà chưa phân tích đặc điểm mô hình khác nhau có khả năng dự báo đặc trưng kỹ thuật chu kỳ dữ liệu khác nhau. Nghiên cứu này so sánh độ chính xác giữa những thuật toán học máy truyền thống thường được sử dụng trong ứng dụng tài chính bao gồm ARIMA, SVR, ARIMA kết hợp SVR và LSTM. LSTM thường được biết đến như một mô hình học sâu có độ chính xác cao cho dữ liệu thời gian liên tục và ARIMA được sử dụng để xử lý dữ liệu tuyến tính theo thời gian. Nghiên cứu đánh giá mô hình dự báo trong các khoảng thời gian ngắn hạn và dài hạn bao gồm dự báo một ngày (ngắn hạn), bảy ngày, và 30 ngày (dài hạn). Dựa trên thước đo RMSE và MAE, nghiên cứu kết luận rằng LSTM phù hợp với dự báo dài hạn hơn ARIMA. Trong khi đó ARIMA có độ chính xác tốt hơn LSTM với chu kỳ dự báo ngắn. Kết hợp ARIMA-SVR giúp cải thiện hiệu suất của dự đoán của mô hình ARIMA bởi vì phần dữ liệu tuyến tính đã được xử lý bởi mô hình ARIMA, còn phần không tuyến tính sẽ được xử lý bởi SVR.
Tài liệu tham khảo:
- Adhikari, R., & Agrawal, R. K. (2013). An Introductory Study on Time series Modeling and Forecasting. LAP Lambert Academic Publishing.
- Althelaya, K. A., El-Alfy, E. -S. M., & Mohammed S. (2018). Evaluation of bidirectional LSTM for short-and long-term stock market prediction. 2018 9th International Conference on Information and Communication Systems (ICICS), Irbid, Jordan, 151-156, doi: 10.1109/IACS.2018.8355458
- Celestino, O., Fernando, S. L., Javier, R., & Francisco, J. (2019). A hybrid ARIMA-SVR model for the study of the remaining useful life of aircraft engines. Journal of Computational and Applied Mathematics 346, 184-191.
- Chaojie, W., Yuanyuan, C., Shuqi, Z., & Qiuhui, Z. (2022). Stock market index prediction using deep Transformer model. Expert Systems with Applications 208, 2022, 118128, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2022.118128
- Do Quang Hung & Tran Quang Trang (2020). Forecasting Vietnamese stock index: A comparison of hierarchical ANFIS and LSTM. Decision Science Letters, 9(2), 193-206.
- Hum, N. B., Binod, R., Nawa, R. P, Ramchandra, R., Keshab, R. D., & Rajendra, K. C. K. (2022). Predicting stock market index using LSTM. Machine Learning with Applications, Volume 9, 2022, 100320, ISSN 2666-8270, https://doi.org/10.1016/j.mlwa.2022.100320
- Huỳnh Quyết Thắng (2018). Dự đoán xu thế chỉ số chứng khoán Việt Nam VN-Index sử dụng phân tích hồi quy Gaussian Process và mô hình tự hồi quy trung bình động ARMA. Research and Development on Information and Communication Technology. 10.32913/rd-ict.571
- Meftah, E. & Adel, M. (2021). A Comparative Analysis of the ARIMA and LSTM Predictive Models and Their Effectiveness for Predicting Wind Speed. Energies 14.
- Nguyễn Thị Như Quỳnh, & Võ Thị Hương Linh. (2019). Tác động của một số yếu tố kinh tế vĩ mô đến chỉ số giá chứng khoán tại Việt Nam. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 14(3), 47-63. DOI:10.46223/HCMCOUJS.econ.vi.14.3.477.2019
- Nguyen Trong Co, Huynh Huu Son, Ngo Thanh Hoang, Tran Thi Phuong Lien, & Tran Minh Ngoc. (2020). Comparison Between ARIMA and LSTM-RNN for VN-Index Prediction. Advances in Intelligent Systems and Computing, vol 1131, Springer, Cham. https://doi.org/10.1007/978-3-030-39512-4_168
- Rahmad, S., Afshin, D., Marischa, E., Ashish, K. K., Mahyuddin, Nasution, K. M., & Alamgir H. Md.. (2021). Forecasting Daily Electricity Price by Hybrid Model of Fractional Wavelet Transform, Feature Selection, Support Vector Machine and Optimization Algorithm. Electronics 10.
- Salcedo‐Sanz, S., Rojo-Álvarez, J. L., Martínez‐Ramón, M., & Camps‐Valls, G. (2014). Support vector machines in engineering: an overview. WIREs Data Mining and Knowledge Discovery, 4(3), 234-267. https://doi.org/10.1002/widm.1125
- Sharma, K., & Bhalla, R. (2022). Stock Market Prediction Techniques: A Review Paper, Second International Conference on Sustainable Technologies for Computational Intelligence, Advances in Intelligent Systems and Computing, vol. 1235. Springer, Singapore. https://doi.org/10.1007/978-981-16-4641-6_15.
- Shen, J., & Shafiq, M.O. (2020). Short-term stock market price trend prediction using a comprehensive deep learning system. J Big Data 7, 66 https://doi.org/10.1186/s40537-020-00333-6
- Song, H., & Hyunjun, C. (2023). Forecasting Stock Market Indices Using the Recurrent Neural Network Based Hybrid Models: CNN-LSTM, GRU-CNN, and Ensemble Models. Applied Sciences 13(7), 4644. https://doi.org/10.3390/app13074644
- Trương Thị Thùy Dương. (2021). Dự báo chỉ số chứng khoán bằng mạng bộ nhớ dài-ngắn hạn. Tạp chí công thương, Số 13, 408-413
- Trần Đăng Tuyền (2024). Đánh giá hiệu suất mô hình phức hợp lstm-gru: nghiên cứu điển hình về dự báo chỉ số đo lường xu hướng biến động giá cổ phiếu trên sàn giao dịch chứng khoán Hồ Chí Minh. Tạp chi Khoa học Đại học Cần Thơ, 60(1D), 235-249. DOI: 10.22144/ctujos.2023.232
- Võ Minh Huân, Trần Kim Toại, & Võ Thi Xuân Hạnh (2023). Hybrid Random Forest and Long Short-Term Memory to Mitigate Overfitting Issue in Time Series Stock Data, IEEE International Conference on System Science and Engineering (ICSSE).
- Yanran, W., Tingting L., Liyan H., & Libo, Y. (2018). Optimistic bias of analysts' earnings forecasts: Does investor sentiment matter in China? Pacific-Basin Finance Journal. Vol. 49, 147-163, ISSN 0927-538X.
Long-Term and Short-Term Prediction of VN-Index Using Machine Learning Models
Abstract:
Long-term and short-term prediction of VN-Index helps investors make financial plans to manage risks. Normally, machine learning models agree on long-term and short-term prediction without analyzing the characteristics of different models that can forecast engineering features of different time series data cycles. The study evaluates and compares ARIMA, SVR, hybrid ARIMA-SVR, and LSTM algorithm models in the short and long term. Commonly, LSTM is known as a high-precision deep learning model for time series data, and ARIMA is used to process linear data linearly. The proposed models are analyzed and are used to predict VN-index data over short-time and long-term periods, including one day (short term), seven days and 30 days (long term). Based on the accuracy assessment metrics such as RMSE and MAE, the study concludes that LSTM is more suitable for long-term forecasting than ARIMA. In contrast, ARIMA has higher accuracy compared to LSTM in forecasting in the short term. The hybrid ARIMA-SVR model helps improve the expected performance of the ARIMA model because ARIMA handles the data linearity, while SVR handles the non-linearity part.