Mô tả

Nghiên cứu và Áp dụng Deep Learning mô hình mạng nơ-ron hồi tiếp sâu LSTM trong phân tích và dự báo thị trường chứng khoán

Trong bối cảnh thị trường chứng khoán luôn biến động và chịu ảnh hưởng bởi nhiều yếu tố khó lường, việc dự đoán giá cổ phiếu trong tương lai là một bài toán quan trọng, giúp nhà đầu tư đưa ra quyết định tối ưu. Đề tài này tập trung nghiên cứu và xây dựng mô hình trí tuệ nhân tạo (AI) sử dụng mạng nơ-ron hồi tiếp sâu LSTM (Long Short-Term Memory) để phân tích và dự báo giá đóng cửa của cổ phiếu dựa trên dữ liệu lịch sử.Thông qua việc thu thập dữ liệu giá chứng khoán từ cơ sở dữ liệu MySQL và xử lý bằng Python, mô hình LSTM được huấn luyện để dự báo giá cổ phiếu trong một khoảng thời gian nhất định, đồng thời trực quan hóa kết quả dự đoán thông qua biểu đồ giúp người dùng dễ dàng theo dõi.

Lợi ích của đề tài

✅ Ứng dụng AI hiện đại vào tài chính: Giúp nâng cao khả năng dự đoán giá chứng khoán dựa trên dữ liệu lịch sử với công nghệ Deep Learning.

✅ Hỗ trợ quyết định đầu tư: Cung cấp công cụ tham khảo giá cổ phiếu trong tương lai, hỗ trợ nhà đầu tư cân nhắc thời điểm mua – bán hợp lý.

✅ Tự động hóa toàn bộ quy trình: Từ thu thập dữ liệu, xử lý, huấn luyện mô hình đến dự đoán và xuất kết quả đều được tự động hóa.

✅ Khả năng mở rộng: Dễ dàng thay đổi mã cổ phiếu, số ngày dự đoán, hoặc tích hợp thêm nhiều chỉ số phân tích kỹ thuật khác để tăng độ chính xác.

✅ Dễ dàng trực quan hóa: Biểu đồ so sánh giữa giá thực tế và giá dự báo giúp người dùng dễ dàng theo dõi xu hướng thị trường.

✅ Tái huấn luyện liên tục: Mô hình được cập nhật và huấn luyện lại sau mỗi lần dự đoán giúp cải thiện độ chính xác với dữ liệu mới nhất.

Mạng Nơ-ron Hồi Tiếp Sâu (LSTM)

Mạng LSTM (Long Short-Term Memory) là một loại mạng nơ-ron hồi tiếp (RNN - Recurrent Neural Network) được thiết kế đặc biệt để xử lý và dự báo dữ liệu tuần tự hoặc chuỗi thời gian. LSTM khắc phục được nhược điểm của RNN thông thường là "vấn đề tiêu biến hoặc bùng nổ gradient," nhờ khả năng ghi nhớ thông tin dài hạn.

LSTM là một công cụ mạnh mẽ để phân tích dữ liệu chuỗi thời gian và đã được ứng dụng thành công trong nhiều lĩnh vực, bao gồm phân tích và dự báo thị trường chứng khoán.