Tiếp cận các phương pháp học sâu trong dự báo dữ liệu hướng thời gian

Chia sẻ: Tưởng Trì Hoài | Ngày: | Loại File: PDF | Số trang:11

Thêm vào BST

Báo xấu

4
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Trong bài báo "Tiếp cận các phương pháp học sâu trong dự báo dữ liệu hướng thời gian" nhóm tác giả trình bày một số phương pháp cách tiếp cận dùng các kỹ thuật học sâu như: CNN, LSTM, DNN để dự báo giá chứng khoán. Kết quả thực nghiệm cho thấy sự hiệu quả nhất định của 3 loại mô hình trên. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tiếp cận các phương pháp học sâu trong dự báo dữ liệu hướng thời gian

Kỷ yếu Hội thảo khoa học Khoa Công nghệ thông tin, năm 2024 TIẾP CẬN CÁC PHƯƠNG PHÁP HỌC SÂU TRONG DỰ BÁO DỮ LIỆU HƯỚNG THỜI GIAN Bùi Công Danh1,*, Nguyễn Thị Diệu Hiền1, Phạm Nguyễn Huy Phương1 Trường Đại học Công Thương Thành phố Hồ Chí Minh 1 Email: danhbc@huit.edu.vn* Ngày nhận bài 03/04/2024; Ngày chấp nhận đăng: 20/5/2024 TÓM TẮT Dự báo dữ liệu hướng thời gian là một khía cạnh quan trọng trong lĩnh vực chứng khoán, giúp nhà đầu tư có cái nhìn sâu sắc hơn về xu hướng giá cổ phiếu và thị trường trong tương lai. Dự báo này dựa trên việc phân tích dữ liệu lịch sử và xu hướng hiện tại, từ đó rút ra dự đoán về tình hình thị trường sắp xảy ra. Xuất phát từ những vấn đề nêu trên, trong bài báo này nhóm tác giả trình bày một số phương pháp cách tiếp cận dùng các kỹ thuật học sâu như: CNN, LSTM, DNN để dự báo giá chứng khoán. Kết quả thực nghiệm cho thấy sự hiệu quả nhất định của 3 loại mô hình trên. Từ khóa: dự báo, cổ phiếu, học sâu 1. GIỚI THIỆU TỔNG QUAN Các nghiên cứu về dự báo giá chứng khoán tại Việt Nam đã được tiến hành với nhiều phương pháp khác nhau, từ phân tích kỹ thuật truyền thống đến việc áp dụng các kỹ thuật tiên tiến như học máy và trí tuệ nhân tạo (AI). Những nghiên cứu này đều nhằm mục tiêu cung cấp cái nhìn sâu sắc hơn và dự báo chính xác hơn về xu hướng giá cổ phiếu trên thị trường chứng khoán Việt Nam. Dưới đây là một số phương pháp và kết quả nổi bật từ các nghiên cứu trong lĩnh vực này [23]: 1. Phân tích kỹ thuật Nhiều nghiên cứu đã tập trung vào việc sử dụng các chỉ số kỹ thuật như Bollinger Bands, Moving Averages, RSI (Relative Strength Index), MACD (Moving Average Convergence Divergence) để dự báo xu hướng giá cổ phiếu. Các nghiên cứu này thường tìm kiếm mô hình giá và thị trường, nhằm xác định những thời điểm mua vào hay bán ra lý tưởng. 2. Phân tích cơ bản Nghiên cứu dự báo giá cổ phiếu cũng tập trung vào việc đánh giá các yếu tố cơ bản của công ty như doanh thu, lợi nhuận, tỷ lệ PE (Price to Earning), và ROI (Return on Investment). Cách tiếp cận này giúp đánh giá giá trị nội tại của cổ phiếu và dự đoán triển vọng tăng trưởng trong tương lai. 3. Mô hình học máy và AI 81
Bùi Công Danh và CS Gần đây, việc áp dụng công nghệ AI và kỹ thuật học máy trong dự báo giá chứng khoán đã trở nên phổ biến tại Việt Nam. Các nghiên cứu sử dụng mô hình như máy vector hỗ trợ (SVM), mạng lưới thần kinh nhân tạo (ANN), và mô hình hồi quy logistic để dự đoán xu hướng thị trường. Những phương pháp này cho phép phát hiện mẫu phức tạp và dự báo chính xác hơn so với phương pháp truyền thống. 4. Phân tích cảm xúc Một số nghiên cứu đã tập trung vào việc phân tích cảm xúc của nhà đầu tư dựa trên dữ liệu thu thập từ các bình luận trên mạng xã hội, tin tức, và diễn đàn để dự đoán sự biến động của giá cổ phiếu. Việc tiếp cận này giúp nắm bắt được những yếu tố tâm lý có thể ảnh hưởng đến thị trường. 5. Sự kiện và phân tích ảnh hưởng Một số nghiên cứu khác nhắm vào việc phân tích tác động của các sự kiện kinh tế, chính trị đối với thị trường chứng khoán. Cách tiếp cận này giúp nhận diện các yếu tố ngoại vi có khả năng gây ra biến động giá cổ phiếu mạnh mẽ. Dự báo giá cổ phiếu là một phần không thể thiếu trong quá trình ra quyết định đầu tư trên thị trường chứng khoán. 2. TỔNG QUAN VỀ CÁC MÔ HÌNH HỌC SÂU Trong bài báo này, tác giả giới thiệu về các mô hình bài toán cũng như các phương pháp sử dụng để giải quyết các bài toán về dự báo dữ liệu hướng tời gian, bao gồm: CNN, RNN, LSTM. 2.1. Mô hình mạng Neural hồi quy (Recurrent Neural Network – RNN) Mạng neural hồi quy (Recurrent Neural Network) là một mạng neural chứa một vòng lặp bên trong nó. Với một mạng nơron hồi quy, đầu ra của nơron này sẽ được sử dụng để làm đầu vào của nơron tiếp theo và đối với nơron đầu tiên không có nơron nào trước nó thì đầu vào này sẽ được khởi tạo mặc định. Hình 1. Mô hình mạng Neural hồi quy (RNN) (Nguồn ảnh: https://tek4.vn/recurrent-neural-network-tu-hoc-tensorflow ) 82
Trong hình trên, RNN là mạng neural hồi quy. Nó nhận một đầu vào input , tiến hành xử lý và đưa ra đầu ra output . Điểm đặc biệt của input là nó sẽ lưu lại giá trị của output để sử dụng cho đầu vào tiếp theo. Có thể coi một mạng neural hồi quy là một chuỗi những mạng con giống hệt nhau, mỗi mạng sẽ truyền thông tin nó vừa xử lý cho mạng phía sau”. “Chuỗi các input là những sự kiện xảy ra theo thứ tự thời gian. Những sự kiện này đều có mối liên hệ thông tin với nhau và thông tin của chúng sẽ được giữ lại để xử lý sự kiện tiếp theo trong mạng neural hồi quy. Với tính chất này, mạng neural hồi quy phù hợp cho những bài toán với dữ liệu đầu vào dưới dạng chuỗi với các sự kiện trong chuỗi có mối liên hệ với nhau. Vì thế, mạng neural hồi quy có ứng dụng quan trọng cho các bài toán xử lý ngôn ngữ tự nhiên như: Dịch máy - Neural Machine Translation, Phân loại ngữ nghĩa - Semantic classification, Nhận dạng giọng nói: Speech Recognition”. 2.2. Convolutional Neural Network (CNN) Là một trong những mô hình Deep Learning vô cùng tiên tiến. CNN sẽ cho phép xây dựng các hệ thống thông minh với độ chính xác vô cùng cao. Mạng CNN được thiết kế với mục đích xử lý dữ liệu thông qua nhiều lớp mảng và duỗi dữ liệu từ nhiều chiều thành một chiều để giảm độ phức tạp của dữ liệu, từ đó thông qua các công thức tính sai số trung bình đưa ra đánh giá độ chính xác.. (Groups Tini, 2022). Hình 2. Sơ đồ mô phỏng CNN [8] (Đỗ Văn Thành, 2017) Một mạng nơ-ron tích tụ bao gồm một lớp đầu vào, các lớp ẩn và một lớp đầu ra. Trong bất kỳ mạng nơron chuyển tiếp nào, bất kỳ lớp giữa nào được gọi là ẩn vì các đầu vào và đầu ra của chúng bị che bởi hàm kích hoạt và tích chập cuối cùng. Trong một mạng nơron tích chập, các lớp ẩn bao gồm các lớp thực hiện các phép chập. Thông thường, điều này bao gồm một lớp thực hiện tích điểm của nhân chập với ma trận đầu vào của lớp. Sản phẩm này thường là sản phẩm bên trong Frobenius và chức năng kích hoạt của nó thường là ReLU. Khi hạt nhân tích chập trượt dọc theo ma trận đầu vào cho lớp, phép toán tích chập tạo ra một bản đồ đặc trưng, bản đồ này sẽ đóng góp vào đầu vào của lớp tiếp theo. Tiếp theo là các lớp khác như lớp gộp, lớp được kết nối đầy đủ và lớp chuẩn hóa. 83
Bùi Công Danh và CS “Mạng CNN gồm nhiều lớp Convolution chồng lên nhau, sử dụng các hàm nonlinear activation như ReLU và tanh để kích hoạt các trọng số trong các node. Mỗi một lớp sau khi thông qua các hàm kích hoạt sẽ tạo ra các thông tin trừu tượng hơn cho các lớp tiếp theo. Trong mô hình mạng truyền ngược (feedforward neural network) thì mỗi neural đầu vào (input node) cho mỗi neural đầu ra trong các lớp tiếp theo. Mô hình này gọi là mạng kết nối đầy đủ (fully connected layer) hay mạng toàn vẹn (affine layer). Layer tiếp theo là kết quả convolution từ layer trước đó, nhờ vậy mà ta có được các kết nối cục bộ. Như vậy mỗi neuron ở lớp kế tiếp sinh ra từ kết quả của filter áp đặt lên một vùng ảnh cục bộ của neuron trước đó”. “Trong quá trình huấn luyện mạng (traning) CNN tự động học các giá trị qua các lớp filter dựa vào cách thức mà bạn thực hiện”. “Có 2 điều cần quan tâm ở mô hình CNN là tính bất biến (Location Invariance) và tính kết hợp (Compositionality). Với cùng một đối tượng, nếu đối tượng này được chiếu theo các gốc độ khác nhau (translation, rotation, scaling) thì độ chính xác của thuật toán sẽ bị ảnh hưởng đáng kể”. “Đối với phép dịch chuyển (translation), phép quay (rotation) và phép co giãn (scaling) sẽ sử dụng pooling layer sẽ cho tính bất biến. Tính kết hợp cục bộ cho ta các cấp độ biểu diễn thông tin từ mức độ thấp đến mức độ cao và trừu tượng hơn thông qua convolution từ các filter. Đó là lý do tại sao CNN cho ra kết quả với độ chính xác rất cao ở các mô hình”. “Cấu trúc cơ bản của CNN gồm 3 phần chính là các trường tiếp nhận cục bộ (local receptive field), trọng số chia sẻ (shared weights and bias) và tổng hợp (pooling)”: ➢ Local receptive field: giúp tách lọc các dữ liệu, thông tin của ảnh và chọn được những vùng ảnh có giá trị sử dụng nhất cho việc đánh giá phân lớp. ➢ Shared weights and bias: một convolutional layer bao gồm các feature map khác nhau. Mỗi một feature map giúp detect một vài feature trong bức ảnh. Lợi ích lớn nhất của trọng số chia sẻ là giảm tối đa số lượng tham số trong mạng CNN. ➢ Pooding: đây gần như là lớp cuối dùng để đơn giản hóa thông tin đầu ra để giảm bớt số lượng neuron.. (Jing-Wei Liu, 2021) Hình 3. Quá trình huấn luyện của CNN [8] 2.3. Mạng nơ-ron ngắn dài LSTM (Long-short term memory) 84
Mạng bộ nhớ dài-ngắn (Long Short Term Memory networks, viết tắt LSTM) là một phiên bản đặc biệt của RNN, được giới thiệu vào năm 1997 bởi Hochreiter và Schmidhuber. LSTM được thiết kế để giải quyết các bài toán phụ thuộc xa (long-term dependency) trong mạng RNN do bị ảnh hưởng bởi vấn đề gradient biến mất. Chúng có đặc tính mặc định là nhớ thông tin trong suốt thời gian dài ngay trong nội tại mà không cần bất kỳ can thiệp nào. Không những vậy, LSTM còn có các kết nối phản hồi, tức là nó có khả năng xử lý toàn bộ chuỗi dữ liệu, ngoại trừ các điểm dữ liệu đơn lẻ như hình ảnh. Điều này tìm thấy ứng dụng trong nhận dạng giọng nói, dịch máy, v.v. Chính nhờ sự hoạt động cực kỳ hiệu quả và vượt trội trên nhiều vấn đề khác nhau nên chúng đã dần trở nên phổ biến như ngày nay. Hình 4. Mô hình LSTM đề xuất [8] Các ký hiệu trên biểu đồ: kí hiệu σ, tanh là bước đấy dùng sigma, tanh activation function. Phép nhân ở đây là element-wise multiplication, phép cộng là cộng ma trận. Ft,it,ot tương ứng với forget gate, input gate và output gate + Forget gate: ft=σ(Uf∗ xt + Wf ∗ ht-1 + bf) (1) + Input gate: it=σ(Ui ∗ xt + Wt ∗ ht-1 + bi) (2) + Output: ot=σ(Uo ∗ xt + Wo ∗ ht-1 + bo) (3) Nhận xét: 0 < ft,it,ot < 1; bf, bi, bo là các hệ số bias; hệ số W, U ct ̃ = tanh(Uc ∗ xt + Wc∗ ht-1+ bc) (4) 85
Bùi Công Danh và CS Cổng quên (forget gate) xác định bao nhiêu thông tin sẽ được giữ lại từ trạng thái ô (cell state) trước đó, trong khi cổng đầu vào (input gate) quyết định lượng thông tin nào sẽ được lấy từ đầu vào hiện tại và từ trạng thái ẩn của lớp trước đó. ct=ft ∗ ct-1 + it ∗ ct ̃ (5) Cổng đầu ra (output gate) xác định bao nhiêu thông tin từ trạng thái ô (cell state) sẽ trở thành đầu ra của trạng thái ẩn (hidden state). Đồng thời, trạng thái ẩn cũng được sử dụng để tính ra đầu ra y(t) cho trạng thái t. ht=ot ∗ tanh (ct) (6) 3. XÂY DỰNG TÂP DỮ LIỆU VÀ ĐÁNH GIÁ CÁC MÔ HÌNH 3.1. Xây dựng tập dữ liệu Trong bài báo này, chúng tôi sử dụng 03 bộ dữ liệu của ba mã cổ phiếu: {AAPL, AMZN, MSFT} được thu thập từ ngày 01/01/2010 đến ngày 30/12/2020 với 2767 mẫu. Hình 3. Dữ liệu cắt ngang mô tả bộ dữ liệu Bảng 1. Các chỉ số biểu diễn chất lượng nước được mô tả như sau: Thuộc tính Mô tả Date Ngày Open Giá mở cửa High Giá cao nhất Low Giá thấp nhất Close Giá đóng cửa Adj. Close Giá đóng cửa điều chỉnh 86
Thuộc tính Mô tả Volume Khối lượng giao dịch 3.2. Một số chỉ số đánh giá chất lượng dự báo Có rất nhiều chỉ số dùng để đo lường hoặc kiểm định để đánh giá chất lượng của một mô hình bất kì. Một số chỉ số thường được dùng trong đánh giá chất lượng mô hình dự báo là: MSE (Mean Squared Error) MSE cho ta biết giá trị trung bình của tổng bình phương sự sai lệch giữa giá trị dự đoán và giá trị thực sự. MSE có một đặc tính quan trọng đó là nó "phạt" các giá trị sai lệch lớn hơn so với MAE. Điều này dẫn đến việc MSE rất hữu ích khi ta muốn đảm bảo rằng mô hình của mình không thực hiện các dự đoán sai lệch lớn. Khi tính độ lệch tuyệt đối trung bình, chúng ta không tính trọng số của các quan sát, và chúng ta cho các quan sát một trọng số như nhau. Còn trong trường hợp này, các sai số lớn thì có trọng số lớn và ngược lại. Công thức của Mean Square Error (MSE) như sau: 𝑁 ∑ 𝑖=1(𝐷 𝑖 −𝐹 𝑖 )2 (7) 𝑛 RMSE (Root Mean Squared Error) Là căn bậc hai của giá trị thu được từ hàm Mean Square Error. Sử dụng RMSE, chúng ta có thể dễ dàng vẽ biểu đồ chênh lệch giữa giá trị ước tính và giá trị thực tế của một tham số của mô hình. Qua đó, chúng ta có thể đánh giá rõ ràng hiệu quả của mô hình. Công thức tính như sau: 𝑁 2 √∑ 𝑖=1=(𝑃𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑𝑖−𝐴𝑐𝑡𝑢𝑎𝑙𝑖) (8) 𝑁 MAE (Mean Absolute Error) MAE là giá trị trung bình của tổng giá trị tuyệt đối của sự sai lệch giữa giá trị dự đoán và giá trị thực sự. MAE là một chỉ số trực tiếp và dễ hiểu, bởi vì nó đơn giản chỉ cho ta biết dự đoán trung bình sai lệch bao nhiêu so với thực tế. 1 ∑ 𝑁 |𝑦 − ̂| 𝑦 (9) 𝑁 𝑖=1 𝑖 4. KẾT QUẢ THỰC NGHIỆM 87
Bùi Công Danh và CS 4.1. Môi trường cài đặt Kết quả được thực nghiệm trên máy tính sử dụng hệ điều hành windows 8.1 Pro 64bit, RAM 12GB, Chip Intel(R) Core(TM) i3-6820HQ, ~2.7 GHz, train model và sử dụng ngôn ngữ lập trình python phiên bản 3.7.7. 4.2. Dữ liệu Tác giả đã thực nghiệm trên 2767 mẫu, dữ liệu được chia thành hai phần: một phần dùng để huấn luyện và một phần để dự báo. Nguồn dữ liệu được lấy từ Yahoo Finance. Tập dữ liệu mẫu: AAPL.csv, AMZN.csv, MSFT.csv 4.3. Kết quả thực nghiệm so sánh đánh giá các mô hình Bảng 2: Thông số độ chính xác của các mô hình với các tập kiểm thử Mô hình CNN RNN LSTM Tỷ lệ tập kiểm thử: 0.2 mã AAPL MSE 2.10 2.32 3.00 RMSE 3.91 2.56 2.39 MAE 2.10 1.77 2.39 Tỷ lệ tập kiểm thử: 0.2 mã AMZN MSE 5.81 2.86 4.76 RMSE 15.88 4.69 15.84 MAE 5.81 3.32 13.37 Tỷ lệ tập kiểm thử: 0.2 mã MSFT MSE 2.89 3.32 1.72 RMSE 4.52 4.69 4.53 MAE 2.89 3.32 3.23 Bảng 2 trình bày kết quả về mức độ chính xác trên các tập kiểm thử có kích thước khác nhau. Dựa vào đó có thể thấy, các kết quả của 3 mô hình trên các tập dữ liệu đều cho các kết quả khả tốt. Với kết quả thực nghiệm như Bảng 2 cho chúng ta thấy rằng việc dự báo giá chứng khoán cho kết quả khả quan tốt trên các mô hình học sâu khác nhau. 5. KẾT LUẬN 88
Bài báo đã phân tích được tầm quan trọng trong việc dự báo giá chứng khoán nói chung. Đồng thời qua việc tiến hành thực nghiệm thu được những giá trị kiểm thử có độ chính xác khá cao. Cho thấy tính ưu việt của việc ứng dụng học sâu vào việc xác phân loại dự báo giá cổ phiếu. Mở ra một hướng đi khả quan cho việc ứng dụng các công cụ thuật toán vào giải quyết bài toán đánh giá cổ phiếu tại Việt Nam. TÀI LIỆU THAM KHẢO 1. Forecasting daily attendances at an emergency department to aid resource planning. Yan Sun,corresponding author Bee Hoon Heng, Yian Tay Seow, and Eillyne Seow. 2009, BMC Emerg Med. 2. Developing a hybrid artificial intelligence model for outpatient visits forecasting in hospitals. Esmaeil Hadavandi, Hassan Shavandi, Arash Ghanbari, Salman Abbasian-Naghneh. 2012, Applied Soft Computing, pp. 700-711. 3. Knowing what to expect forecasting monthly emergency department visits: A time-series analysis. J. Bergs, P. Heerinckx and S. Verelst. 2014, Int. Emerg. Nurs, pp. 112-115. 4. Predictive analysis of outpatient visits to a grade 3, class a hospital using ARIMA model. Yunming Li, F Wu, C Zheng, K Hou, K Wang, N Sun. 2015, Proceedings of the 2014 International symposium on information technology (ISIT 2014). Dalian: CRC Press, p. 285. 5. Hybridization of support vector regression and firefly algorithm for diarrhoeal outpatient visits forecasting. Wang Y, Gu J. 2014, International conference on tools with artificial intelligence, p. 70. 6. A retrospective analysis of the utility of an artificial neural network to predict ED volume. Nathan Benjamin Menke MD, PhD, Nicholas Caputo MD, MSc, Robert Fraser MD, Jordana Haber MD, Christopher Shields MD, Marie Nam Menke MD, MPH. 2014, The American Journal of Emergency Medicine, pp. 614-617. 7. A universal deep learning approach for modeling the flow of patients under different severities. Jiang, S., Chin, K. S., & Tsui, K. L. 2018, Computer Methods and Programs in Biomedicine, pp. 191–203. 8. A deep-learning prediction model for imbalanced time series data forecasting. Hou, C., Wu, J., Cao, B. and Fan, J. 2021, Big Data Mining and Analytics, pp. 266–278. 9. 25 years of time series forecasting. Jan G. Gooijer and Rob Hyndman. 2006, International Journal of Forecasting, pp. 443-473. 89
Bùi Công Danh và CS 10. Forecasting: theory and practice. Fotios Petropoulos et al. 2022, International Journal of Forecasting, pp. 705-871. 11. Evaluating qualitative forecasts: The FOMC minutes, 2006–2010. Herman Stekler, Hilary Symington. 2016, International Journal of Forecasting, pp. 559-570. 12. Forecasting by Machine Learning Techniques and Econometrics: A Review. G. Shobana; K. Umamaheswari. 2021, 2021 6th International Conference on Inventive Computation Technologies (ICICT). 13. Benefits of surgical smoothing and spare capacity: an econometric analysis of patient flow. Diwas Singh KC, Terwiesch C. 9, s.l. : Prod Oper Manag, 2017, Vol. 26. 14. Time series modelling and forecasting of emergency department overcrowding. Kadri F, Harrou F, Chaabane S. s.l. : systems CT-J of medical, 2014 undefined, 2014. 15. Ensemble-based methods for forecasting census in hospital units. Koestler DC, Ombao H, Bender J. s.l. : BMC Med Res Methodol, 2013. 16. Forecasting Patient Visits to Hospitals using a WD&ANN-based Decomposition and Ensemble Model. Yu L, Hang G, Tang L, Zhao Y, Lai KK. s.l. : Eurasia J Math Sci Technol Educ, 2017. 17. Probability of severe adverse events as a function of hospital occupancy. Boyle J, Zeitz K, Hoffman R, Khanna S, Beltrame J. 2014, IEEE J Biomed Heal Inform, pp. 15-20. 18. Stuart J. Russell and Peter Norvig. Artifical Intelligence: A Modern Approach. s.l. : Prentice Hall, 2002. 19. Sử dụng Deep Neural Networks biểu diễn các thuộc tính cho bài toán phát hiện cảnh bạo lực trong video. Đỗ Văn Tiến, Lâm Quang Vũ, Phan Lê Sang, Ngô Đức Thành, Lê Đình Duy, Dương Anh Đức. 2016, Đại học quốc gia Thành phố Hồ Chí Minh. 20. Manaswi, Navin Kumar. Deep learning with Applications Using Python. Bangalore, Karnataka, India : Apress, 2018. 21. An overview of gradient descent optimization algorithms. Ruder, S. 2016, arXiv preprint arXiv. 22. Root mean square error (RMSE) or mean absolute error (MAE). Chai, T., & Draxler, R. R. 2014, Geoscientific model development discussions, pp. 1525-1534. 23. Đỗ Văn Thành. Mô hình hóa dự báo giá cổ phiếu trong ngữ cảnh dữ liệu số chiều cao, Kỷ yếu Hội nghị Quốc gia lần thứ X về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), Đà Nẵng, 2017. 90
ABSTRACT AN APPROACH OF DEEP LEARNING METHODS IN TIME-ORIENTED DATA AND ITS FORECASTING Bùi Công Danh1, Nguyễn Thị Diệu Hiền1, Phạm Nguyễn Huy Phương1 1 Ho Chi Minh University of Industry and Trade Email: danhbc@huit.edu.vn Time-oriented data and its forecasting is crucial in the securities sector, as it provides investors with valuable insights into future stock and market price trends. This forecast relies on analyzing historical data and current trends to predict the upcoming market situation. In this article, the authors present some approaches using deep learning models such as CNN, LSTM, and DNN to forecast stock prices. The experimental results demonstrate the effectiveness of these three types of models. Keywords: forecasting, stocks, deep learning. 91