iii
TÓM TẮT LUẬN VĂN
Thị trƣờng cổ phiếu có một vai trò quan trọng trong sự phát triển
của xã hội hiện đại. Chúng cho phép triển khai các nguồn lực kinh tế. Sự
thay đổi giá cổ phiếu phản ánh những thay đổi trên thị trƣờng. Với khả
năng xử lý dữ liệu mạnh mẽ trên nhiều lĩnh vực, học sâu cũng đƣợc sử
dụng một cách rộng rãi trong lĩnh vực tài chính nhƣ: dự đoán thị trƣờng
cổ phiếu, đầu tƣ tối ƣu, xử lý thông tin tài chính và thực hiện các chiến
lƣợc giao dịch tài chính. Do đó, dự đoán thị trƣờng cổ phiếu đƣợc xem là
một trong những lĩnh vực khá phổ biến và quý giá nhất trong lĩnh vực tài
chính.
Trong nghiên cứu này, chúng tôi đề xuất phƣơng pháp học
không giám sát Generative Adversarial Network (GAN) trong dự đoán
giá cổ phiếu. Mô hình GAN gồm 2 lớp, một lớp bộ nhớ ngắn dài 2 chiều
Bidirectional Long Short-Term Memory (Bi-LSTM) đƣợc dùng để phân
biệt (Discriminator) và lớp Long Short-Term Memory (LSTM) đƣợc sử
dụng để dự đoán giá cổ phiếu (Generator). LSTM dựa trên dữ liệu cổ
phiếu đã giao dịch và tạo ra dữ liệu giả giống nhƣ dữ liệu đã phân phối,
trong khi đó lớp phân biệt đƣợc thiết kế bởi giải thuật Bi-LSTM với mục
đích phân biệt dữ liệu cổ phiếu thật và dữ liệu cổ phiếu giả đƣợc tạo ra.
Chúng tôi thực nghiệm trên cổ phiếu AMZN (Amazon) và một
số cổ phiếu khác là cổ phiếu có chuỗi ngày giao dịch trong phạm vi rộng
lớn và dùng chúng để thử dự đoán giá đóng hàng ngày. Kết quả thực
nghiệm cho thấy phƣơng pháp GAN đề xuất của chúng tôi có thể đạt
đƣợc kết quả tốt trong việc dự đoán giá cổ phiếu so với nhiều mô hình dự
đoán khác.
