BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP. HỒ CHÍ MINH ________________________
Dương Thanh Tâm
ỨNG DỤNG MÔ HÌNH MẠNG THẦN KINH NHÂN TẠO (ANN) VÀO DỰ BÁO CHỈ SỐ THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM
LUẬN VĂN THẠC SĨ KINH TẾ
TP. HỒ CHÍ MINH - NĂM 2019
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP. HỒ CHÍ MINH ________________________
Dương Thanh Tâm
ỨNG DỤNG MÔ HÌNH MẠNG THẦN KINH NHÂN
TẠO (ANN) VÀO DỰ BÁO CHỈ SỐ THỊ TRƯỜNG
CHỨNG KHOÁN VIỆT NAM
Chuyên ngành: Tài Chính – Ngân Hàng (Hướng Ứng Dụng)
Mã số: 8340201
LUẬN VĂN THẠC SĨ KINH TẾ
NGƯỜI HƯỚNG DẪN KHOA HỌC: GS.TS. Trần Ngọc Thơ
TP. HỒ CHÍ MINH - NĂM 2019
LỜI CAM ĐOAN
Tôi xin cam đoan luận văn này là công trình nghiên cứu khoa học của tôi và không trùng
lặp với bất cứ công trình khoa học nào khác. Các số liệu trình bày trong luận văn đã được
kiểm tra kỹ và phản ánh hoàn toàn trung thực. Mọi tham khảo trình bày trong luận văn
đều được trích dẫn rõ ràng tác giả.
Ngày tháng năm 2019
Tác giả luận văn
Dương Thanh Tâm
MỤC LỤC
TRANG PHỤ BÌA
LỜI CAM ĐOAN
MỤC LỤC
DANH MỤC CÁC TỪ VIẾT TẮT
DANH MỤC BẢNG BIỂU, HÌNH VẼ
TÓM TẮT
ABSTRACT
CHƯƠNG 1. GIỚI THIỆU ....................................................................................... 1
1.1 Lý do chọn đề tài ............................................................................................. 1
1.2 Mục tiêu nghiên cứu đề tài .............................................................................. 1
1.3 Phương pháp nghiên cứu................................................................................. 2
CHƯƠNG 2. TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC ĐÂY ......................... 3
CHƯƠNG 3. PHƯƠNG PHÁP NGHIÊN CỨU ...................................................... 6
3.1 TỔNG QUAN PHƯƠNG PHÁP NGHIÊN CỨU ĐỊNH LƯỢNG ............... 6
3.2.1 Thực trạng thị trường chứng khoán Việt Nam năm 2018 ....................... 10
3.2.2 Dự báo chỉ số thị trường chứng khoán Việt Nam với ANN ................... 13
3.2 PHƯƠNG PHÁP DỰ BÁO VỚI ANN .......................................................... 9
CHƯƠNG 4. KẾT QUẢ DỰ BÁO ......................................................................... 18
4.1 Kết quả bằng đồ thị cho các cấu hình mạng bằng phương pháp lai ghép ..... 19
4.2 Kết quả bằng đồ thị cho các cấu hình mạng sử dụng biến kỹ thuật .............. 24
4.3 Dự báo năm 2019 với mô hình được chọn.................................................... 30
CHƯƠNG 5. KẾT LUẬN ....................................................................................... 32
5.1 Ý tưởng đạt được .......................................................................................... 32
5.2 Đề xuất từ kết quả nghiên cứu ...................................................................... 32
5.3 Hạn chế của luận văn .................................................................................... 32
TÀI LIỆU THAM KHẢO
PHỤ LỤC
DANH MỤC CÁC TỪ VIẾT TẮT
ANN Artificial neural network, mạng thần kinh nhân tạo
FED Federal Reserve System, Cục Dự trữ Liên bang Hoa Kỳ
TTCK Thị trường chứng khoán
TTCK VN Thị trường chứng khoán Việt Nam
Arbitrage Pricing Theory, lý thuyết định giá kinh doanh chênh lệch APT
CPI Consumer Price Index, chỉ số giá tiêu dùng
GDP Gross Domestic Product, tổng sản phẩm quốc nội
PPP Purchasing Power Parity theory, lý thuyết ngang giá sức mua
EMH Efficient Market Hypothesis, lý thuyết thị trường hiệu quả
DANH MỤC BẢNG BIỂU, HÌNH VẼ
Hình 3.1.1 Ví dụ về phân tích một chuỗi số liệu trong 1 năm (51 tuần) ................... 7
Hình 3.1.2 Sơ đồ mô tả mạng ANN đơn giản ........................................................... 9
Hình 3.2.1.1 Biểu đồ chỉ số VN-INDEX của TTCK VN trong năm 2018 ............. 11
Hình 3.2.2.1 Mô hình mạng nơ-ron truyền thẳng nhiều lớp dạng cơ bản ............... 14
Hình 3.2.2.2 Mô hình mạng nơ-ron truyền thẳng nhiều lớp dạng chuẩn tắc .......... 15
Bảng 4.1 Kết quả từ phương pháp lai ghép với mô hình dự báo ANN ................... 18
Bảng 4.2 Kết quả từ phương pháp biến kỹ thuật với mô hình dự báo ANN .......... 19
Hình 4.1.1 Đồ thị mô hình dự đoán 10-18-1 ........................................................... 19
Hình 4.1.2 Đồ thị mô hình dự đoán 10-19-1 ........................................................... 20
Hình 4.1.3 Đồ thị mô hình dự đoán 10-20-1 ........................................................... 20
Hình 4.1.4 Đồ thị mô hình dự đoán 10-21-1 ........................................................... 21
Hình 4.1.5 Đồ thị mô hình dự đoán 10-22-1 ........................................................... 21
Hình 4.1.6 Đồ thị mô hình dự đoán 10-23-1 ........................................................... 22
Hình 4.1.7 Đồ thị mô hình dự đoán 10-24-1 ........................................................... 22
Hình 4.1.8 Đồ thị mô hình dự đoán 10-25-1 ........................................................... 23
Hình 4.1.9 Đồ thị mô hình dự đoán 10-26-1 ........................................................... 23
Hình 4.1.10 Đồ thị mô hình dự đoán 10-27-1 ......................................................... 24
Hình 4.2.1 Đồ thị mô hình dự đoán 8-18-1 ............................................................. 24
Hình 4.2.2 Đồ thị mô hình dự đoán 8-19-1 ............................................................. 25
Hình 4.2.3 Đồ thị mô hình dự đoán 8-20-1 ............................................................. 25
Hình 4.2.4 Đồ thị mô hình dự đoán 8-21-1 ............................................................. 26
Hình 4.2.5 Đồ thị mô hình dự đoán 8-22-1 ............................................................. 26
Hình 4.2.6 Đồ thị mô hình dự đoán 8-23-1 ............................................................. 27
Hình 4.2.7 Đồ thị mô hình dự đoán 8-24-1 ............................................................. 27
Hình 4.2.8 Đồ thị mô hình dự đoán 8-25-1 ............................................................. 28
Hình 4.2.9 Đồ thị mô hình dự đoán 8-26-1 ............................................................. 28
Hình 4.2.10 Đồ thị mô hình dự đoán 8-27-1 ........................................................... 29
Hình 4.3.1 Đồ thị so sánh chỉ số VN-INDEX năm 2019 giữa dự báo và thực tế ... 31
Hình 4.3.2 Đồ thị thống kê độ sai số dự báo của các ngày giao dịch năm 2019 .... 31
Bảng P.1 Tổng hợp các giá trị các biến liên quan chỉ số VN-INDEX 2018 ............. e
Bảng P.2 Bảng kết quả dự báo của chỉ số VN-INDEX năm 2019 ............................ o
ỨNG DỤNG MÔ HÌNH MẠNG THẦN KINH NHÂN TẠO (ANN) VÀO DỰ BÁO
CHỈ SỐ THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM
Dương Thanh Tâm
Trường Đại Học Kinh Tế Tp. HCM
tam.duong@outlook.com
TÓM TẮT
Luận văn nghiên cứu thực trạng thị trường chứng khoán tại Việt Nam năm 2018 và sử
dụng phương pháp định lượng hướng lai ghép được chạy trên nền mạng thần kinh nhân
tạo với mô hình mạng nhiều lớp và thuật toán lan truyền ngược để kiểm định các nhân
tố tác động lên thị trường chứng khoán Việt Nam. Kết quả bằng phương pháp lai ghép
là tốt hơn so với phương pháp định lượng đơn thuần sử dụng các biến phân tích kỹ thuật.
Từ khóa: Thực trạng thị trường chứng khoán Việt Nam 2018, định lượng bằng phương
pháp lai ghép, phương pháp lai ghép trên nền mạng tế bào thần kinh nhân tạo, dự báo
chỉ số chứng khoán với phương pháp lai ghép.
APPLICATION OF THE ARTIFICIAL NEURAL NETWORK (ANN) MODEL
INTO FORECASTING THE STOCK MARKET INDEX IN VIETNAM
Dương Thanh Tâm
University of Economics Ho Chi Minh City
tam.duong@outlook.com
ABSTRACT
Researching the reality of stock market in Vietnam in 2018 and applying quantitative
methods by the hybridized approach which is run on an artificial neural network with a
multi-layer network model and Backpropagation algorithm to test the impact of macro
factors on the stock market in Vietnam. Results in the hybridized approach is better than
using only technical analysis variables.
Keywords: the reality of stock market in Vietnam in 2018, quantitative method with
hybridized approach, hybridized approach is run on an artificial neural network, stock
prediction with hybridized approach.
1
CHƯƠNG 1. GIỚI THIỆU
1.1 Lý do chọn đề tài
Dự báo giá chứng khoán là một trong những chủ đề quan trọng của ngành tài chính được
sự đầu tư tỉ mỉ của nhiều nhà nghiên cứu trên toàn thế giới, ở Việt Nam cũng không
ngoại lệ. Năm 2018 khép lại, thị trường chứng khoán Việt Nam đóng cửa với mức lao
dốc xuống còn 892.54 điểm, giảm hơn 9.3% so với đầu năm. Nhưng cũng trong thời gian
này, năm 2018, chỉ số VN-INDEX đã thiết lập mốc cao nhất của mọi thời đại 1204.33
điểm vào ngày 9/4/2018. Vào bốn tháng đầu năm, ngành ngân hàng đã tăng 22.4%,
nguồn vốn đổ dồn vào Việt Nam, thị trường tăng mạnh làm các nhà quản lý quỹ không
biết giải ngân như thế nào. Nhưng với 3 lần tăng lãi suất của FED cùng với sự kiện chiến
thương mại Mỹ-Trung Quốc đã ảnh hưởng mạnh đến dòng vốn chạy vào thị trường
chứng khoán trên toàn cầu. Từ Trung Quốc, sau đó đến Mỹ điểm chứng khoán giảm
mạnh làm ảnh hưởng lan tỏa đến thị trường chứng khoán Việt Nam (TTCK VN). Với
việc bán ròng liên tục của các nhà đầu tư nước ngoài khiến thị trường biến động với biên
độ lớn. Thống kê cho thấy TTCK VN giảm hơn 3% với 7 phiên trong năm, trong đó có
phiên giảm hơn 5%, có thời điểm chỉ số VN-INDEX xuống thấp nhất trong năm là
880.85 điểm ngày 30/10/2018 và đóng cửa ngày này ở mức 888.69 điểm. Với sự biến
động mạnh của thị trường chứng khoán năm 2018, luận văn đã tập trung vào nghiên cứu
thực trạng này và làm rõ nhân tố tác động của chiến tranh thương mại Mỹ-Trung Quốc
lên thị trường chứng khoán như thế nào bằng việc đưa nhân tố chiến tranh thương mại
Mỹ-Trung Quốc vào phương pháp định lượng để dự báo chỉ số chứng khoán và kiểm
thử độ chính xác của dự báo.
1.2 Mục tiêu nghiên cứu đề tài
Mục tiêu nghiên cứu của đề tài là ứng dụng mạng thần kinh nhân tạo để dự báo giá thị
trường chứng khoán tại Việt Nam, đồng thời kiểm định độ chính xác của phương pháp
lai ghép trong dự báo có cải thiện tốt hơn không so với phương pháp tiếp cận thuần kỹ
2
thuật. Mục tiêu của đề tài cũng làm rõ tác động mạnh của chiến tranh thương mại Mỹ-
Trung Quốc khi thêm nhân tố tác động vĩ mô này vào dự báo.
Để đạt được mục tiêu đề ra, luận văn thống kê lại và xem xét nghiên cứu những yếu tố
nào đưa vào mô hình dự báo. Luận văn cũng sẽ cân nhắc tính hiệu quả của mô hình dự
báo lai ghép cho chỉ chứng khoán Việt Nam.
1.3 Phương pháp nghiên cứu
Phương pháp dự báo mà đề tài sử dụng là nền tảng trí tuệ nhân tạo chạy trên mạng thần
kinh nhân tạo với mô hình mạng nhiều lớp và thuật toán lan truyền ngược nhằm tăng tỷ
lệ chính xác cũng như cải thiện thời gian tính toán trên một khối lượng dữ liệu lớn tồn
tại trong thực tế.
Dữ liệu được dùng trong nghiên cứu là những chỉ số liên quan đến VN-INDEX trong
những ngày giao dịch của năm 2018 (như giá mở cửa, giá đóng cửa, giá cao nhất, giá
thấp nhất,…) Những dữ liệu này được lấy từ các nguồn chứng khoán Việt Nam rất dễ
tiếp cận, đối chiếu và tin cậy.
3
CHƯƠNG 2. TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC ĐÂY
TTCK chịu sự tác động bởi nhiều yếu tố từ vi mô cho đến vĩ mô. Còn chỉ số chứng khoán
là đại diện cho tình hình của TTCK. Lý thuyết định giá kinh doanh chênh lệch APT
(Arbitrage Pricing Theory) được phát triển bởi Stephen A. Ross (1976) cho rằng tỉ suất
sinh lời kỳ vọng của chứng khoán được xác định bằng phương trình k nhân tố:
RJ = αj + βj,1F2 +…+ βj,KFK + uj
Bằng thực nghiệm nhiều nhà khoa học đã chứng minh các nhân tố chính này là:
(1) Lạm phát: là nhân tố tác động mạnh mẽ đến giá cổ phiếu. Lạm phát tăng là
một trong những biểu hiện bất ổn của nền kinh tế nhất là khi chính phủ không thành công
trong việc kiềm chế lạm phát leo thang. Tâm lí đám đông xuất hiện trong việc bán tháo
cổ phiếu do khủng hoảng niềm tin lại làm cho chỉ số TTCK giảm. Hậu quả là thị trường
diễn ra tình trạng kém thanh khoản nghiêm trọng. Do đó, lạm phát chỉ tác động trực tiếp
đến giá cổ phiếu ở những quốc gia có lạm phát biến động thất thường cộng với việc nhà
đầu tư mất niềm tin vào khả năng kiểm soát của chính phủ. (Fama, 1991), (Mohamed et
al., 2009).
(2) Lãi suất: trên thị trường tiền tệ, biến động của lãi suất có tác động gián tiếp
nhưng rất nhạy cảm đến TTCK. Lãi suất tăng sẽ thu hút dòng tiền gửi vào hệ thống ngân
hàng làm cho dòng tiền đổ vào TTCK bị ảnh hưởng. Trạng thái này làm cho tỷ suất sinh
lợi kỳ vọng trên TTCK phải tăng do nhà đầu tư đòi hỏi một mức cao hơn tỷ suất sinh lợi
từ hệ thống ngân hàng. Điều này dẫn đến sự sụt giảm giá cổ phiếu. (Fama, 1981)
(3) Tỉ giá hối đoái: là một trong những nhân tố có tác động đến giá cổ phiếu,
những doanh nghiệp xuất khẩu chịu tác động mạnh bởi tỉ giá hối đoái, do đó chúng tác
động mạnh tới sự thay đổi giá cổ phiếu của các doanh nghiệp này. Và tỉ giá hối đoái có
thể ảnh hưởng lên tỷ suất sinh lợi của cổ phiếu thông qua tác động của nó đối với dòng
vốn đầu tư vào TTCK của các quốc gia. Sự lo ngại giảm giá đồng tiền trong nước sẽ làm
4
cho các nhà đầu tư nước ngoài rút khỏi thị trường, còn nếu nội tệ được kỳ vọng tăng giá
thì nó sẽ trở nên hấp dẫn với nhà đầu tư nước ngoài, nên sẽ ảnh hưởng đến TTCK của
quốc gia. Bên cạnh đó, sự gia tăng đột ngột của tỉ giá hối đoái có thể là biểu hiện của
một nền kinh tế và chính sách điều hành kinh tế yếu kém làm cho nhà đầu tư, đặc biệt là
nhà đầu tư nước ngoài mất niềm tin vào nền kinh tế và chính sách điều hành của Chính
phủ sẽ rút vốn ra khỏi TTCK (Bailey & Chung, 1995). Tuy nhiên, các nghiên cứu của
(Christopher et al., 2006), (Suliaman et al., 2012) không tìm thấy tác động của tỉ giá hối
đoái đến giá chứng khoán.
(4) Giá vàng thế giới: vàng được xem là cách để phòng ngừa rủi ro khi nền kinh
tế suy thoái, dòng tiền từ TTCK sẽ dịch chuyển sang thị trường vàng để giảm thiểu rủi
ro. Khi nền kinh tế cơ bản được phục hồi, các nhà đầu tư sẽ bán những tài sản trú ẩn an
toàn này và dòng vốn sẽ lại dịch chuyển vào TTCK. Tuy nhiên, người dân Việt Nam có
xu hướng tích trữ vàng, đặc biệt là trong những giai đoạn nền kinh tế yếu kém, lạm phát
cao. (Trương Đông Lộc, 2014)
(5) Cung tiền: Khi tác động đến nguồn cung tiền đang lưu thông sẽ có tác động
nhạy cảm đến TTCK. Bằng cách hút một lượng tiền lớn ra khỏi lưu thông sẽ gây ảnh
hưởng trực tiếp đến nhà đầu tư bởi bị giới hạn nguồn vốn kinh doanh dẫn đến bị giới hạn
trong việc mua cổ phiếu và TTCK bị ảnh hưởng là một điều tất yếu. Ngược lại việc tăng
lượng tiền trong lưu thông sẽ tác động đến việc tăng sức cầu cổ phiếu và TTCK cũng bị
tác động. (Chen et al., 1986), (Mukherjee, 1995).
(6) Tăng trưởng kinh tế: thường được thể hiện qua tăng trưởng GDP hay chỉ số
sản lượng công nghiệp của quốc gia (đối với những nước công nghiệp phát triển) có mối
quan hệ mật thiết với giá cổ phiếu. Kinh tế tăng trưởng có ảnh hưởng rất rõ đến suất sinh
lợi của cổ phiếu nói riêng và TTCK nói chung. Khi nhà đầu tư kỳ vọng tăng trưởng kinh
tế tốt, họ kỳ vọng giá cổ phiếu tăng và điều này sẽ tăng dòng vốn vào TTCK. Ngược lại,
5
nền kinh tế được kỳ vọng là giảm sút hoặc thậm chí suy thoái thì nhà đầu tư có xu hướng
rút vốn ra khỏi TTCK. (Fama, 1981), (Fama & Schwert, 1990).
(7) Tỉ suất sinh lợi của các TTCK thế giới: việc hội nhập ngày càng sâu rộng vào
thị trường tài chính quốc tế, những biến động của chỉ số chứng khoán khu vực hay từ
các thị trường lớn của thế giới sẽ có tác động nhất định đến giá cổ phiếu của một quốc
gia. Ngoài ra, chỉ số giá của một số thị trường lớn còn phản ánh tình trạng của nền kinh
tế khu vực, thế giới và có thể tác động đến giá chứng khoán của một quốc gia cụ thể.
(8) Giá dầu: giá dầu tăng 1 USD/thùng thì chỉ số VN-Index tăng gần 4.42 điểm.
Theo nghiên cứu, mối tương quan giữa giá dầu với giá chứng khoán ở các nước xuất
khẩu dầu mỏ là tỉ lệ thuận, và ngược lại là tỉ lệ nghịch với những nước nhập khẩu dầu
mỏ. Việt Nam không phải là một quốc gia xuất khẩu dầu mỏ mà lại thể hiện tương quan
thuận vì biến động giá xăng dầu khi thể hiện ra trên thị trường chịu nhiều sự can thiệp
từ chính phủ, nên tín hiệu từ nhân tố này đã sai lệch. (Phan Thị Bích Nguyệt & Phạm
Dương Phương Thảo, 2013).
6
CHƯƠNG 3. PHƯƠNG PHÁP NGHIÊN CỨU
3.1 TỔNG QUAN PHƯƠNG PHÁP NGHIÊN CỨU ĐỊNH LƯỢNG
Phương pháp dùng để dự báo chỉ số VN-INDEX trong nghiên cứu là một phương pháp
định lượng với tên gọi phương pháp lai ghép. Việc áp dụng phương pháp định lượng đã
được thực tiễn chứng minh về độ chính xác rất tốt, nên đề tài nghiên cứu đặt ra một
phương pháp lai ghép với nền tảng mạng thần kinh nhân tạo với kỳ vọng hoàn thiện độ
chính xác của dự báo tốt hơn nữa khi thêm vào biến cơ bản là tác động của nhân tố vĩ
mô chiến tranh thương mại Mỹ-Trung Quốc. Trước khi đi vào phương pháp lai ghép, đề
tài nghiên cứu sẽ hệ thống lại các kiên thức về phương pháp định lượng.
Phương pháp định lượng dựa trên các mô hình toán học và dữ liệu quá khứ để phát hiện
sự vận động trong tương lai theo một quy luật nào đó với giả định các yếu tố trong quá
khứ sẽ lặp lại. Các mô hình được sử dụng rộng rãi ngày nay như mô hình chuỗi thời gian,
biến nhân quả hoặc phương pháp khá phức tạp hơn là mạng tế bào thần kinh nhân tạo
ANN (Artificial neural network).
a/ Mô hình chuỗi thời gian
Là mô hình dự báo giá trị tương lai của một biến số nào đó bằng việc phân tích số liệu
quá khứ và hiện tại của những biến đó với giả định tương lai của biến cần dự báo sẽ giữ
nguyên xu thế trong quá khứ. Việc này thể hiện qua “dừng” (ổn định) của chuỗi dữ liệu,
đây là yếu tố quan trọng để đưa ra những dự báo đáng tin cậy.
Toàn bộ dự báo minh họa trong Hình 3.1.1 được chia làm phần:
• Giai đoạn dự báo hậu nghiệm: để kiểm nghiệm tính đúng đắn dự báo. Cần
phải thay thế mô hình hay mở rộng mẫu dữ liệu nếu mô hình không đảm bảo
tính đúng đắn theo yêu cầu.
7
• Giai đoạn dự báo tiền nghiệm: là mục tiêu chính cần đạt được. Mặc dù chưa
xảy ra nhưng bằng một số tiêu chí, phương pháp thống kê sẽ giúp cho chúng
ta biết được độ tin cậy của mô hình ở mức độ nào.
Hình 3.1.1 Ví dụ về phân tích một chuỗi số liệu trong 1 năm (51 tuần)
Dự báo giá thị trường chứng khoán bằng chuỗi thời gian là được sử dụng khá nhiều vì
đầu vào cần có là những số liệu theo chuỗi thời gian. Nhưng phương pháp này kém hiệu
quả ở việc dự báo dài hạn.
Mô hình chuỗi thời gian phổ biến như ARIMA và phương pháp Box-Jenkins được
George Box và Gwilym Jenkins nghiên cứu năm 1976; Và ARCH/GARCH được dùng
để dự báo rủi ro, và dự báo độ dao động tỷ suất sinh lời của cổ phiếu theo thời gian.
ARCH do Robert Engle và Clive Granger nghiên cứu năm 1982, còn GARCH được Tim
Bollerslev đề xuất năm 1986 để khắc phục những hạn chế của ARCH.
b/ Mô hình nhân quả
Mô hình dự báo này dựa trên mối quan hệ nhân quả hay sự tác động qua lại giữa biến
phụ thuộc và biến độc lập, đòi hỏi các lý thuyết về kinh tế, tài chính, cũng như kinh
8
nghiệm thực tế của nhà dự báo trong việc thiết lập mối quan hệ này. Sau đó cần thu thập
dữ liệu, ước lượng mô hình, kiểm định giả thuyết và cuối cùng là thực hiện dự báo.
Trong dự báo giá chứng khoán, biến phụ thuộc (hay biến cần dự báo) là giá cổ phiếu hay
tỷ suất sinh lời. Còn các biến độc lập như tốc độ lạm phát, mức thất nghiệp, cung tiền
trong nền kinh tế, tăng trưởng công nghiệp…, đây là các biến số của nền kinh tế vĩ mô.
Hoặc các biến vi mô như lợi nhuận, mức độ tăng trưởng, giá hàng hóa của doanh nghiệp.
Và bất kỳ yếu tố nào mà tác động lên thị trường hay giá cổ phiếu đều có thể sử dụng làm
biến độc lập.
Các mô hình hồi quy được sử dụng để tìm kiếm mối quan hệ giữa biến phụ thuộc và biến
độc lập để dự báo xu hướng và những nhân tố tác động đến giá chứng khoán. Phương
pháp này có khuyết điểm là khó khăn trong thu thập dữ liệu, do có ít dữ liệu về doanh
nghiệp cũng như yếu tố vĩ mô trong thực trạng hiện tại của Việt Nam.
c/ Mô hình mạng tế bào thần kinh nhân tạo ANN
Lý thuyết ANN (còn được gọi ngắn gọn là mạng nơ-ron) được phát triển từ những năm
1940 đến nay và đã ứng dụng rộng rãi trong nhiều lĩnh vực. ANN nhanh chóng trở thành
một hướng nghiên cứu đầy triển vọng trong mục đích xây dựng các cổ máy thông minh
tiến gần trí tuệ con người. Trong lĩnh vực chứng khoán, ANN được sử dụng khá phổ
biến và là một trong những phương pháp hàng đầu để dự báo thị trường, giá cổ phiếu.
Sự linh hoạt và khả năng thích ứng của ANN cũng hấp dẫn nhiều đến các nhà nghiên
cứu trong các lĩnh vực khác như ngân hàng, điện tử, robotics, dầu khí,…
ANN được xây dựng bằng cách mô phỏng bộ não con người. Bộ não là một hệ thống
máy tính xử lý tín hiệu thông tin một cách song song, phi tuyến và cực kỳ phức tạp tồn
tại trong tự nhiên. Bộ não gồm các tế bào thần kinh và các khớp nối thần kinh, để tính
toán các việc nhận dạng mẫu, điều khiển vận động nhanh hơn nhiều lần các siêu máy
9
tính và chưa có hệ thống nào có thể thay thế được. Sự mô phỏng bộ não rút ra từ các
nghiên cứu về thần kinh sinh học.
Dữ liệu đầu vào để thực hiện dự báo bằng ANN khá đa dạng và tùy thuộc vào trình độ,
kinh nghiệm, mục tiêu dự báo và những cơ sở dữ liệu mà người làm dự báo có. Trong
dự báo chứng khoán, các dữ liệu đầu vào thường được dùng như giá, khối lượng… Ngoài
ra, các dữ liệu liên quan đến nền kinh tế cũng có thể làm đầu vào cho quá trình dự báo.
Những thuật toán phức tạp thông qua việc mô phỏng xử lý thông tin như bộ não con
người sẽ xử lý các thông tin đầu vào để cho ra kết quả đầu ra mong đợi. Hình 3.1.2 mô
phỏng quy trình làm việc của một ANN đơn giản.
Hình 3.1.2 Sơ đồ mô tả mạng ANN đơn giản
3.2 PHƯƠNG PHÁP DỰ BÁO VỚI ANN
Trước khi đi vào dự báo thị trường trường chứng khoán Việt Nam năm 2018, luận văn
tiến hành nghiên cứu thực trạng thị trường chứng khoán nhằm làm rõ tác động của chiến
tranh thương mại Mỹ-Trung Quốc để quyết định thêm nhân tố này vào dự báo.
10
3.2.1 Thực trạng thị trường chứng khoán Việt Nam năm 2018
Sau khủng hoảng tài chính toàn cầu 2008, năm 2012 đến 2017, chỉ số chứng khoán song
hành với đà tăng trưởng của nền kinh tế đã đạt mức tăng trưởng cao, tăng khoảng 48%
trong năm 2017. VN-INDEX được xếp vào một trong nhóm những chỉ số có mức tăng
ấn tượng nhất thế giới. Các chuyên gia dự báo trong năm 2018 thị trường sẽ rất triển
vọng. Thực tế khẳng định vào 9/4/2018, một mức kỷ lục mới của VN-INDEX được xác
lập tại 1204.33 điểm, và có lúc lên đến 1211.34 điểm vào ngày hôm sau, con số cao nhất
từ trước đến giờ.
Tuy nhiên, TTCK năm 2018 cũng chứng kiến tình trạng biến động mạnh nhất trong 10
năm. Bằng việc các chỉ số tăng mạnh, nó cũng thể hiện mức định giá cổ phiếu trở nên
đắt đỏ hơn và những bất ổn bắt đầu xuất hiện trong trạng thái ổn định của thị trường.
Chiến tranh thương mại Mỹ-Trung Quốc leo thang, chính phủ có xu hướng siết chặt dòng
tiền, tăng lãi suất đã ảnh hưởng không nhỏ tới thị trường tài chính toàn cầu và Việt Nam
cũng bị tác động. Và sau khi FED tiến hành nâng lãi suất khiến dòng chảy vốn xoay
chiều, đồng USD tăng giá, tác động lên thị trường hàng hoá, đặc biệt là dầu thô đã xoay
chiều tất cả những dự báo trước đó. VN-INDEX từ vùng đỉnh 1204.33 điểm đã giảm
xuống vùng 900 điểm trong ba quý cuối năm, tương ứng mức điều chỉnh khoảng 25%.
Mức biến động của VN-INDEX trong năm qua là khá lớn và cũng nằm trong danh sách
10 chỉ số chứng khoán có biến động mạnh nhất trên thế giới. Hình 3.2.1.1 minh họa cho
biến động của VN-INDEX trong năm 2018.
11
Hình 3.2.1.1 Biểu đồ chỉ số VN-INDEX của TTCK VN trong năm 2018
TTCK Việt Nam giảm mạnh chủ yếu do tâm lý của nhà đầu tư trước lo ngại về sự biến
động của thị trường quốc tế vì các yếu tố vĩ mô trong nước được đánh giá tích cực, TTCK
VN vẫn là kênh tốt cho các nhà đầu tư toàn cầu. Báo cáo vĩ mô năm 2018 cho thấy, GDP
Việt Nam tăng 7.08%, vượt xa so với chỉ tiêu và cũng mức tăng mạnh nhất trong 10 năm
trở lại đây. Trong khi đó, CPI tháng 12/2018 giảm nhẹ 0.25%, kéo theo tổng CPI trung
bình cả năm ở mức 3.54% thấp hơn chỉ tiêu đề ra của Chính Phủ. Qua đó, vĩ mô trong
nước là đạt được nhiều điểm tích cực trong năm. Nhưng người dân thì ít quan tâm tới
chiến tranh thương mại còn nhà đầu tư đặc biệt lại quan tâm tới chiến tranh tiền tệ, chính
tâm lý nhà đầu tư đang chịu tác động thái quá từ các yếu tố bên ngoài nên đã ảnh hưởng
tiêu cực lên chỉ số VN-INDEX.
Cùng với xu hướng thắt chặt tiền tệ trên toàn cầu, Mỹ là đầu tiên, từ cuối 2015 với tốc
độ nhẹ, bắt đầu tăng dần vào 2017 và mạnh vào 2018. Đồng USD là đồng tiền được sử
dụng cho thanh toán thương mại quốc tế nhiều nhất, và ngân hàng trung ương các nước
khác sử dụng nhiều nhất. Vì Mỹ tăng lãi suất USD lên sẽ làm cho các đồng tiền khác
12
giảm vì vậy họ cũng phải nâng lãi suất của chính mình lên nếu không đồng tiền họ giảm
nhiều. Theo lý thuyết ngang giá sức mua PPP (purchasing power parity theory) thì đồng
tiền yếu họ sẽ có lợi trong cán cân thương mại nhưng cũng không được yếu quá.
Bên cạnh đó, tính hết tháng 8/2018, tổng nợ thế giới 250 nghìn tỷ USD, lớn gần gấp đôi
tiền nợ của 10 năm trước. Nhưng tốc độ bơm tiền của 3 ngân hàng lớn nhất thế giới gồm
Mỹ, châu Âu và Nhật theo thì gấp 3,4 lần cách đây 10 năm (đây là một trong những lý
do khủng hoảng 10 năm trước là in tiền quá nhiều). Cung tiền nhiều nhưng hiệu quả tăng
trưởng kinh tế lại thấp, tỷ lệ thất nghiệp so với 10 năm tăng thêm 25 triệu người, ngoại
trừ Mỹ.
Cung tiền làm cho kinh tế tăng trưởng nhưng cũng giúp cho chứng khoán và giá nhà đất
tăng mạnh. Khi đó việc thắt chặt tiền, thị trường tài chính bị ảnh hưởng ngay lập tức.
Cùng với chiến tranh thương mại khiến Trung Quốc cố gắng sử dụng chính sách tiền tệ
để điều chỉnh tỷ giá giữa USD và Nhân Dân Tệ để hỗ trợ nền kinh tế đỡ bị ảnh hưởng,
theo đó ảnh hưởng tới dòng tiền trên toàn cầu. Việc thắt chặt tiền tệ làm cho khối ngoại
bán ròng mạnh nhất trong lịch sử. Giao dịch khớp lệnh là giao dịch trực tiếp trên thị
trường còn giao dịch thỏa thuận là giao dịch ở ngoài, nên các nhà đầu tư chủ yếu bị tác
động về mặt tâm lý trên sàn, nghĩa là mang yếu tố gián tiếp nhiều hơn.
Từ các thực trạng và phân tích bên trên, nhân tố tác động mạnh nhất đến TTCK VN năm
2018 đó là trạng thái của chiến tranh thương mại Mỹ-Trung Quốc. Việc dự báo thị trường
chứng khoán được thực hiện trong đề tài này (dự báo chỉ số VN-INDEX) sẽ thêm vào
mô hình dự báo là trạng thái chiến tranh Mỹ-Trung Quốc và các biến phân tích kỹ thuật
để tạo ra một phương pháp lai ghép. Việc dữ liệu chỉ sử dụng năm 2018 vì đề tài nghiên
cứu muốn làm rõ tác động của chiến tranh thương mại cũng như nghiêm cứu xem độ
chính xác của dự báo có được cải thiện hơn không khi thêm vào yếu tố cơ bản là chiến
tranh thương mại Mỹ-Trung Quốc. Những nhân tố tác động khác sẽ là được thêm vào
13
mô hình dự báo trong tương lai để hoàn thiện độ chính xác cao hơn nữa tùy thuộc vào
nhà phân tích trong các trường hợp chứng khoán cụ thể.
3.2.2 Dự báo chỉ số thị trường chứng khoán Việt Nam với ANN
Theo lý thuyết thị trường hiệu quả EMH (Efficient Market Hypothesis), cơ hội để kiếm
lợi nhuận là được khám phá rất nhanh và các nhà đầu tư sẽ chấm dứt cơ hội đó ngay.
Nên trong tác động của thị trường hiệu quả thì không một hệ thống công cộng nào có thể
giúp các nhà đầu tư kiếm được lợi nhuận. Nhưng với việc dự báo giá chứng khoán, hệ
thống ANN thường được sử dụng vì chúng có khả năng tự học và tự khám phá mối quan
hệ giữa các biến phi tuyến, kỹ thuật này cho phép phân tích sâu vào một khối lượng lớn
dữ liệu trong một khoảng thời gian ngắn nên nó có khả năng phân tích vượt trội hơn so
với các phương pháp tính toán khác. Vì vậy ANN là một trong những kỹ thuật khai phá
dữ liệu được chấp nhận cũng như ngày càng sử dụng rộng rãi trong mọi lĩnh vực. Và
ANN được chọn cho việc ứng dụng nghiên cứu trong đề tài này.
Trước tiên về phương pháp phân tích kỹ thuật, việc dự báo giá chứng khoán dựa trên
những chỉ số cốt lõi của thị trường như giá chứng khoán hiện tại, giá mở cửa, giá đóng
cửa, khối lượng giao dịch, giá cao nhất và giá thấp nhất… Trong khi đó phương pháp
phân tích cơ bản lại dựa trên những chỉ số thể hiện năng lực của công ty như EPS, giá trị
sổ sách công ty, tác động vĩ mô từ lãi suất, lạm phát, chiến tranh…
Phương pháp lai ghép là sử dụng việc kết hợp giữa phân tích cơ bản và phân tích kỹ thuật
để tạo ra một mô hình mạng tế bào thần kinh nhân tạo nhằm dự báo chỉ số (giá) chứng
khoán mà cụ thể là chỉ số VN-INDEX được thực hiện trong nghiên cứu. Kết quả của
phương pháp lai ghép sẽ được so sánh với phương pháp phân tích kỹ thuật để kiểm tra
sự cải thiện độ chính xác của dự báo.
Phương pháp dự báo trong nghiên cứu sử dụng mô hình nhiều lớp mạng thần kinh truyền
thẳng (trong đó có nhiều hơn 18 lớp mạng thần kinh ẩn) được huấn luyện với thuật toán
Backpropagation (thuật toán lan truyền ngược). Dữ liệu được dùng là chỉ số VN-Index
14
của thị trường chứng khoán Việt Nam trong năm 2018. Hàm học của các mạng thần kinh
được sử dụng là hàm sigmoid.
𝑓(𝑥) = 1 (1 + 𝑒−𝛽𝑥)
Hình 3.2.2.1 và 3.2.2.2 miêu tả cơ bản về mô hình trong nghiên cứu này
Hình 3.2.2.1 Mô hình mạng nơ-ron truyền thẳng nhiều lớp dạng cơ bản
15
Hình 3.2.2.2 Mô hình mạng nơ-ron truyền thẳng nhiều lớp dạng chuẩn tắc
𝑁
𝑃
Kết quả của mô hình có thể được trình bày ở dạng công thức sau:
𝑖=1
𝑖=1
) ] y = 𝑓2 [∑ 𝑤𝑖𝑜𝑓1 (∑ 𝑤𝑖𝑛𝑥
Với win là trọng số điều chỉnh giữa đầu vào và lớp đơn vị xử lý ẩn, wio là trọng số điều
chỉnh giữa lớp xử lý ẩn và đầu ra. Hàm f1, f2 là hàm chuyển đổi các thành phần ẩn và
đầu ra.
Với phương pháp lai ghép, các biến đầu vào được sự dụng cho huấn luyện mạng nơ-ron
bao gồm các biến kỹ thuât và các biến phân tích cơ bản
Các biến kỹ thuật được sử dụng gồm:
• Oi-1 Chỉ số mở cửa (OPEN) VN-Index ngày i-1
• Oi-2 Chỉ số mở cửa (OPEN) VN-Index ngày i-2
• Ci-1 Chỉ số đóng cửa (CLOSE) VN-Index ngày i-1
• Ci-2 Chỉ số đóng cửa (CLOSE) VN-Index ngày i-2
16
• Hi-1 Chỉ số cao nhất (HIGH) VN-Index ngày i-1
• Hi-2 Chỉ số cao nhất (HIGH) VN-Index ngày i-2
• Li-1 Chỉ số thấp nhất (LOW) VN-Index ngày i-1
• Li-2 Chỉ số thấp nhất (LOW) VN-Index ngày i-2
Các biến kỹ thuật trên dễ dàng tra cứu ở các trang về thị trường chứng khoán Việt
Nam. Các chỉ số này được liệt kê ở “Bảng P.1 Tổng hợp các giá trị các biến liên
quan chỉ số VN-INDEX 2018”.
Các biến phân tích cơ bản được đề xuất trong nghiên cứu gồm:
• Ei-1 (EFFECT) Biến tác động của nền kinh tế vĩ mô (tác động chiến tranh thương
mại Mỹ-Trung là được đề xuất) ngày i-1
• Ei-2 (EFFECT) Biến tác động của nền kinh tế vĩ mô (tác động chiến tranh thương
mại Mỹ-Trung là được đề xuất) ngày i-2
Biến tác động này gồm 3 trạng thái từ việc tác động của chiến tranh thương mại
Mỹ-Trung Quốc: bằng 1 (đại diện cho tin tốt), bằng 0 đại diện cho bình thường,
bằng -1 (đại diện cho tin xấu). Giá trị của các biến này được lấy từ các trang tin
truyền thông đại chúng mà ai cũng được tiếp cận như Bloomberg, CafeF,… Ở
mức độ của đề tài, tác động của biến này có thể là mang tính chủ quan của người
nghiên cứu trong quá trình lấy dữ liệu, nhưng với nền tảng công nghệ máy học
việc truy vấn dữ liệu tự động từ các Big Data (công nghệ khai phá dữ liệu trên
mạng internet) sẽ áp dụng khách quan hơn cho các nhà phân tích trong tương lai.
Giá trị của biến tác động này cũng được tổng hợp trong Bảng P.1.
Các bước dự báo trong nghiên cứu với ANN được thực hiện như sau:
(1) Định nghĩa đầu ra.
17
(2) Chọn thuật toán và kiến trúc mạng thích hợp. Mô hình mạng truyền thẳng
nhiều lớp và thuật toán lan truyền ngược Backpropagation là thành phần chính
được chọn.
(3) Xác định các biến đầu vào và tiền xử lý nếu cần
(4) Chọn hàm học thuật phù hợp
(5) Chọn cấu trúc mạng phù hợp
(6) Thực thi việc huấn luyện và kiểm thử cho mỗi chu kỳ
(7) Nếu mạng trả ra những kết quả chấp nhận được cho toàn bộ chu kỳ thì
chuyển qua bước (8), ngược lại thực thi bước (5) để cấu trúc mạng khác, thực thi
bước (4) để chọn hàm học thuật khác, thực thi bước (3) để điều chỉnh dữ liệu đầu
vào. Nếu vẫn không được thì quay về bước (2) để cố gắng thử những kiến trúc
mạng nơron khác.
(8) Kết thúc – Lưu trữ kết quả.
Trong việc thực hiện phương pháp lai ghép, chúng ta đề nghị thử nghiệm với những cấu
hình mạng nơ-ron sau: 10-18-1, 10-19-1, 10-20-1, 10-21-1, 10-22-1, 10-23-1, 10-24-1,
10-25-1, 10-26-1, 10-27-1. Với số ‘10’ thể hiện số lượng các biến đầu vào, số ở giữa thể
hiện kích thước lớp nơ-ron ẩn, số ‘1’ miêu tả một đầu ra mong đợi cho ANN.
Tương tự, chúng ta sẽ mang ra so sánh với thử nghiệm phương pháp kỹ thuật. Chúng ta
sẽ cấu hình mô hình mạng nơ-ron khác với các biến thuần kỹ thuật là 8-18-1, 8-19-1, 8-
20-1, 8-21-1, 8-22-1, 8-23-1, 8-24-1, 8-25-1, 8-26-1, 8-27-1.
Huấn luyện và kiểm thử cẩn thận với dữ liệu được chọn là các giá trị liên quan đến chỉ
số chứng khoán Việt Nam VN-INDEX trong năm 2018 (được thể hiện trong Bảng P.1).
Quan sát các giá trị đầu ra thu được của các mô hình mạng nơ-ron với phần mềm Matlab
version R2010b.
18
CHƯƠNG 4. KẾT QUẢ DỰ BÁO
Sau khi tiến hành thử nghiệm với các kiến trúc mạng nơ-ron khác nhau. Kết quả cho các
cấu hình mạng phương pháp lai ghép thể hiện ở Bảng 4.1, sơ đồ của các cấu hình mạng
này so sánh với giá trị thực tế được thể hiện từ Hình 4.1.1 đến Hình 4.1.10.
Tương tự, kết quả cho các cấu hình mạng sử dụng các biến kỹ thuật được thể hiện ở bảng
4.2, và sơ đồ so sánh cho các cấu hình mạng này so với thực tế được thể hiện từ Hình
4.2.1 đến Hình 4.2.10
Bảng 4.1 Kết quả từ phương pháp lai ghép với mô hình dự báo ANN
19
Bảng 4.2 Kết quả từ phương pháp biến kỹ thuật với mô hình dự báo ANN
4.1 Kết quả bằng đồ thị cho các cấu hình mạng bằng phương pháp lai ghép
ĐỒ THỊ MÔ HÌNH MẠNG 10-18-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
950.00 940.00 930.00 920.00 910.00 900.00 890.00 880.00 870.00 860.00
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 10-18-1
Hình 4.1.1 Đồ thị mô hình dự đoán 10-18-1
20
ĐỒ THỊ MÔ HÌNH MẠNG 10-19-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
950.00 940.00 930.00 920.00 910.00 900.00 890.00 880.00 870.00 860.00 850.00
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 10-19-1
Hình 4.1.2 Đồ thị mô hình dự đoán 10-19-1
ĐỒ THỊ MÔ HÌNH MẠNG 10-20-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
960.00
940.00
920.00
900.00
880.00
860.00
840.00
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 10-20-1
Hình 4.1.3 Đồ thị mô hình dự đoán 10-20-1
21
ĐỒ THỊ MÔ HÌNH MẠNG 10-21-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
950.00 940.00 930.00 920.00 910.00 900.00 890.00 880.00 870.00 860.00
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 10-21-1
Hình 4.1.4 Đồ thị mô hình dự đoán 10-21-1
ĐỒ THỊ MÔ HÌNH MẠNG 10-22-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
960.00 950.00 940.00 930.00 920.00 910.00 900.00 890.00 880.00 870.00 860.00
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 10-22-1
Hình 4.1.5 Đồ thị mô hình dự đoán 10-22-1
22
ĐỒ THỊ MÔ HÌNH MẠNG 10-23-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
950.00 940.00 930.00 920.00 910.00 900.00 890.00 880.00 870.00 860.00
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 10-23-1
Hình 4.1.6 Đồ thị mô hình dự đoán 10-23-1
ĐỒ THỊ MÔ HÌNH MẠNG 10-24-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
960.00
940.00
920.00
900.00
880.00
860.00
840.00
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 10-24-1
Hình 4.1.7 Đồ thị mô hình dự đoán 10-24-1
23
ĐỒ THỊ MÔ HÌNH MẠNG 10-25-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
950.00 940.00 930.00 920.00 910.00 900.00 890.00 880.00 870.00 860.00
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 10-25-1
Hình 4.1.8 Đồ thị mô hình dự đoán 10-25-1
ĐỒ THỊ MÔ HÌNH MẠNG 10-26-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
950.00 940.00 930.00 920.00 910.00 900.00 890.00 880.00 870.00 860.00
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 10-26-1
Hình 4.1.9 Đồ thị mô hình dự đoán 10-26-1
24
ĐỒ THỊ MÔ HÌNH MẠNG 10-27-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
950.00 940.00 930.00 920.00 910.00 900.00 890.00 880.00 870.00 860.00 850.00
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 10-27-1
Hình 4.1.10 Đồ thị mô hình dự đoán 10-27-1
4.2 Kết quả bằng đồ thị cho các cấu hình mạng sử dụng biến kỹ thuật
ĐỒ THỊ MÔ HÌNH MẠNG 8-18-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
950 940 930 920 910 900 890 880 870 860 850
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 8-18-1
Hình 4.2.1 Đồ thị mô hình dự đoán 8-18-1
25
ĐỒ THỊ MÔ HÌNH MẠNG 8-19-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
980
960
940
920
900
880
860
840
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 8-19-1
Hình 4.2.2 Đồ thị mô hình dự đoán 8-19-1
ĐỒ THỊ MÔ HÌNH MẠNG 8-20-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
960 950 940 930 920 910 900 890 880 870 860
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 8-20-1
Hình 4.2.3 Đồ thị mô hình dự đoán 8-20-1
26
ĐỒ THỊ MÔ HÌNH MẠNG 8-21-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
960 950 940 930 920 910 900 890 880 870 860
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 8-21-1
Hình 4.2.4 Đồ thị mô hình dự đoán 8-21-1
ĐỒ THỊ MÔ HÌNH MẠNG 8-22-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
980
960
940
920
900
880
860
840
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 8-22-1
Hình 4.2.5 Đồ thị mô hình dự đoán 8-22-1
27
ĐỒ THỊ MÔ HÌNH MẠNG 8-23-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
960 950 940 930 920 910 900 890 880 870 860
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 8-23-1
Hình 4.2.6 Đồ thị mô hình dự đoán 8-23-1
ĐỒ THỊ MÔ HÌNH MẠNG 8-24-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
950 940 930 920 910 900 890 880 870 860
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 8-24-1
Hình 4.2.7 Đồ thị mô hình dự đoán 8-24-1
28
ĐỒ THỊ MÔ HÌNH MẠNG 8-25-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
950 940 930 920 910 900 890 880 870 860
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 8-25-1
Hình 4.2.8 Đồ thị mô hình dự đoán 8-25-1
ĐỒ THỊ MÔ HÌNH MẠNG 8-26-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
960 950 940 930 920 910 900 890 880 870 860
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 8-26-1
Hình 4.2.9 Đồ thị mô hình dự đoán 8-26-1
29
ĐỒ THỊ MÔ HÌNH MẠNG 8-27-1 TƯƠNG PHẢN VỚI CHỈ SỐ VN-INDEX THỰC TẾ
960 950 940 930 920 910 900 890 880 870 860
CHỈ SỐ VN-INDEX THỰC TẾ
MẠNG 8-27-1
Hình 4.2.10 Đồ thị mô hình dự đoán 8-27-1
Dựa trên các kết quả dự báo đạt được, ta chọn ra một mô hình có giá trị dự báo tốt nhất
bằng hai yếu tố, một là mô hình chứa các giá trị ngày dự báo có nhiều chênh lệch nhỏ
nhất và hai là đồ thị của những mô hình dự báo chứa những nốt bị đảo chiều là ít nhất
(hay nói cách khác là hình dáng đồ thị giống thực tế nhất) thì mô hình dự báo đó là tốt
nhất trong các mô hình.
Mô hình 10-18-1 đến 10-18-27 trình bày các đồ thị của phương pháp lai ghép so sánh
với chỉ số chứng khoán VN-Index thực tế. Trong đó, mô hình 10-18-1 cho kết quả tốt
nhất theo tiêu chí đánh giá. Nên mô hình dự đoán mạng chính xác nhất là mô hình 10-
18-1 mạng nơ-ron lan truyền ngược Backpropagation sử dụng phương pháp tiếp cận lai
ghép giữa các biến kỹ thuật và phân tích cơ bản
Tương tự, mô hình 8-18-1 đến 8-28 trình bày các đồ thị của phương pháp phân tích kỹ
thuật so sánh với chỉ số VN-Index thực tế. Trong đó, mô hình 8-18-1 cho kết quả tốt nhất
30
theo tiêu chí đánh giá. Nên mô hình 8-18-1 là mô hình cho kết quả tốt nhất ở hướng kỹ
thuật được sử dụng.
Hai kết quả tốt nhất của hai hướng tiếp cận được đem ra so sánh là 10-18-1 và 8-18-1,
chúng ta tìm thấy độ chính xác của phương pháp tiếp cận lai ghép là tốt hơn tiếp cận
phân tích kỹ thuật. Tương tự, bằng cách so sánh các cấu hình khác của hướng tiếp cận
lai ghép và tiếp cân kỹ thuật thì lai ghép cũng có kết quả khá hơn. Vì thế, phương pháp
lai ghép giúp cải thiện độ chính xác của dự báo tốt hơn cho các nhà phân tích chứng
khoán tham khảo.
Phần tiếp theo của nghiên cứu sẽ áp dụng mô hình lai ghép ANN 10-18-1 để dự báo thị
trường chứng khoán trong năm 2019 (từ ngày 2/1/2019 đến ngày 30/8/2019)
4.3 Dự báo năm 2019 với mô hình được chọn
Sử dụng mô hình lai ghép ANN 10-18-1 dự báo chỉ số VN-INDEX với kết quả dự báo
như “Bảng P.2 Bảng kết quả dự báo của chỉ số VN-INDEX năm 2019”.
Dựa trên kết quả thu được, Hình 4.3.1 có đồ thị dự báo thể hiện hình dáng tương đối
giống với đồ thị thực tế và tần suất tỉ lệ sai sót nhỏ (dưới 1%) thống kê trên Hình 4.3.2
là chiếm ưu thế. Trung bình sai số toàn bộ bằng 0.687%. Nên ta có thể tin tưởng vào độ
chính xác của dự báo.
31
Hình 4.3.1 Đồ thị so sánh chỉ số VN-INDEX năm 2019 giữa dự báo và thực tế
Hình 4.3.2 Đồ thị thống kê độ sai số dự báo của các ngày giao dịch năm 2019
32
CHƯƠNG 5. KẾT LUẬN
5.1 Ý tưởng đạt được
Luận văn rút ra được rằng khi dự báo chỉ số thị trường chứng khoán VN-INDEX nói
chung và các chỉ số chứng khoán cụ thể nói riêng, việc nhà phân tích thêm vào các biến
tác động trong phân tích cơ bản bên cạnh các biến kỹ thuật để tạo ra phương pháp lai
ghép sẽ giúp cải thiện độ chính xác của dự báo tốt hơn. Khi các nhà phân tích chứng
khoán thêm vào càng nhiều biến cơ bản ví dụ như thêm vào biến tác động chiến tranh
thương mại Mỹ-Trung Quốc khi phân tích trong năm 2018-2019 sẽ giúp cải thiện tốt
việc dự báo.
5.2 Đề xuất từ kết quả nghiên cứu
Luận văn đề xuất việc ứng dụng mô hình dự báo bằng phương pháp lai ghép với ANN
trên mô hình mạng nhiều lớp và thuật toán lan truyền ngược (có biến tác động chiến
tranh thương mại Mỹ-Trung Quốc) sẽ giúp các nhà phân tích chứng khoán dự báo chính
xác hơn, đặc biệt là trong ngắn hạn khi chiến tranh thương mại Mỹ-Trung Quốc vẫn còn
tiếp diễn.
5.3 Hạn chế của luận văn
Phương pháp dự báo được thực hiện trong luận văn vần còn tồn tại một số thiếu sót như
việc lấy dữ liệu từ tác động bởi chiến tranh thương mại Mỹ-Trung Quốc nên được tiến
hành tự động bởi công nghệ máy học để đảm bảo dữ liệu lấy được ở mức độ chủ quan
nhất. Đồng thời các biến cơ bản khi thêm vào phương pháp lai ghép để dự báo chưa bao
quát hết các biến vĩ mô từ lý thuyết APT.
TÀI LIỆU THAM KHẢO
Danh mục tài liệu tiếng Việt
Bùi Kim Yến và Nguyễn Thái Sơn, 2014. Sự phát triển của thị trường chứng khoán Việt
Nam dưới ảnh hưởng của các nhân tố kinh tế vĩ mô. Tạp chí phát triển và hội nhập, số
16, trang 3-10.
Dương Ngân Hà, 2018. Dự báo biến động của chỉ số VN-Index thông qua khối lượng
giao dịch ròng và giá trị giao dịch ròng của nhà đầu tư nước ngoài. Tạp chí Khoa học &
Đào tạo Ngân hàng, số 195, trang 18-25.
Dương Ngọc Mai Phương và cộng sự, 2015. Tác động của chính sách tiền tệ đến thị
trường chứng khoán: Bằng chứng tại Việt Nam. Tạp chí phát triển và hội nhập, số 25,
trang 3-13.
Nguyễn Công Điều, 2011. Một thuật toán mới cho mô hình chuỗi thời gian mờ Heurictic
trong dự báo chứng khoán. Tạp chí Khoa học và Công nghệ, số 49, trang 11-25.
Phan Ngọc Trung, 2016. Các nhân tố ảnh hưởng đến giá chứng khoán tại thị trường
chứng khoán Tp. Hồ Chí Minh. Tạp chí khoa học công nghệ & thực phẩm, số 10, trang
114-122.
Phan Thị Bích Nguyệt và Phạm Dương Phương Thảo, 2013. Phân tích tác động của các
nhân tố kinh tế vĩ mô đến thị trường chứng khoán VN. Tạp chí phát triển và hội nhập,
số 8, trang 34-41.
Trương Đông Lộc, 2014. Các nhân tố ảnh hưởng đến sự thay đổi giá của cổ phiếu: các
bằng chứng từ sở giao dịch chứng khoán Thành phố Hồ Chí Minh. Tạp chí khoa học
trường Đại học Cần Thơ, số 33, trang 72-78.
Võ Thị Thúy Anh và Nguyễn Thanh Hải, 2013. Nghiên cứu ảnh hưởng của các nhân tố
vĩ mô đến tỉ suất sinh lợi cổ phiếu niêm yết trên HSX. Tạp chí Phát triển kinh tế, số 275,
trang 16-27.
Danh mục tài liệu tiếng Anh
Adebiyi Ayodele et al, 2012. Stock Price Prediction using Neural Network with
Hybridized Market Indicators. Journal of Emerging Trends in Computing and
Information Sciences, 1:Vol.3
Bailey, W., Y.P. Chung, 1995. Exchange rate fluctuations, political risk, & stock returns:
Some evidence from an emerging market. Journal of Financial & Quantitative Analysis,
30:541-562.
Chen et al, 1986. Economic Forces and the Stock Market. The Journal of Business, Vol
59, No.3:383-403.
Christopher Gan et al, 2006. Macroeconomic Variables and Stock Market Interactions:
New Zealand Evidence. Investment Management and Financial Innovations, Volume
3:4.
David Enke et al, 2005. The use of data mining and neural networks for forecasting stock
market returns. Expert Systems with Applications Expert Systems with Applications,
927:940.
Fama, E.F., G. Schwert, 1977. Asset Returns & Inflation. Journal of Financial
Economics, 5:115-146.
Fama, E.F., 1981. Stock returns, real activity, inflation & money. American Economic
Review, 71:545-564.
Fama, E.F., 1991. Efficient capital markets: II. Journal of Finance, 46:1575-1618.
HM.Nijam et al, 2015. The Impact of Macro-Economic Variables on Stock Market
Performance; Evidence From Sri Lanka. Journal of Emerging Trends in Economics and
Management Sciences, 6(2):151-157.
Mohamed et al, 2009. Effects of macroeconomic variables on stock prices in Malaysia:
an approach of error correction model. Munich Personal RePEc Archive, 20970.
Mukherjee, T.K., A. Naka, 1995. Dynamic relations between macroeconomic variables
& the Japanese stock market: an application of a vector error correction model. Journal
of Financial Research, 18,2, 223-237.
Ramon Lawrence, 1997. Using Neural Networks to Forecast Stock Market Prices.
Department of Computer Science University of Manitoba, 12-Dec-1997.
Robert Engle, 2001. GARCH 101: The Use of ARCH/GARCH Models in Applied
Econometrics. Journal of Economic Perspectives, 15:157-168.
Stephen A. Ross, 1976. The Arbitrage Theory of Capital Asset Pricing. Journal of
Economic Theory, 13:341-360.
Suliaman D.M. et al, 2012. Arbitrage Price Theory (APT) and Karachi Stock Exchange
(KSE). Asian Social Science, Vol. 8:2.
Danh mục website tham khảo
Matlab guide [online] Available at: gui.html>. [Accessed 23 May 2019]. Thông tin kinh tế, chính trị tại Bloomberg. May 2019] Thông tin kinh tế, chính trị tại CafeF. 2019] Thông tin kinh tế, chính trị tại NDH.< http://ndh.vn/>.[Ngày truy cập: 23 tháng 5 năm 2019] Thông tin lịch sử giá chứng khoán. truong-chung-khoan/lich-su-gia.shtml>. [Ngày truy cập: 23 tháng 5 năm 2019]. PHỤ LỤC Bảng P.1 Tổng hợp các giá trị các biến liên quan chỉ số VN-INDEX 2018 DATE CLOSE OPEN HIGH LOW VOLUME EFFECT 02/01/2018 995.77 986.05 996.18 984.34 173125210 0 03/01/2018 1005.67 999.86 1010.21 998.41 212755670 1 04/01/2018 1019.75 1009.37 1019.75 1009 235427380 1 05/01/2018 1012.65 1020.34 1020.6 1010.65 267882440 -1 08/01/2018 1022.9 1011.36 1022.9 1004.89 236387900 1 09/01/2018 1033.56 1027.14 1033.56 1017.86 290482980 1 10/01/2018 1038.11 1034.64 1045.63 1033.01 341600970 0 11/01/2018 1048.17 1037.03 1049.73 1031.13 288550670 1 12/01/2018 1050.11 1050.17 1057.88 1046.38 320836070 0 15/01/2018 1063.47 1049.91 1063.47 1043.15 256567310 1 16/01/2018 1062.96 1059.36 1065.39 1052.43 294792490 0 17/01/2018 1034.69 1061.98 1064.77 1034.69 294301610 -1 18/01/2018 1050.25 1028.76 1050.25 1020.01 256859550 1 19/01/2018 1062.07 1054.33 1067.21 1053.37 279706010 1 22/01/2018 1087.42 1066.86 1088.05 1066.61 246215500 1 25/01/2018 1104.57 1098.44 1117.08 1098.44 445940510 1 26/01/2018 1115.64 1119.78 1123.83 1103.06 261062660 1 29/01/2018 1109.8 1121.78 1130.1 1109.8 263321700 -1 30/01/2018 1110.56 1099.98 1110.56 1092.44 287489730 0 31/01/2018 1110.36 1112.23 1128.1 1104.98 312880930 0 01/02/2018 1099.67 1111.74 1111.74 1090.25 233072190 -1 02/02/2018 1105.04 1098.66 1105.04 1091.06 172601930 1 05/02/2018 1048.71 1089.62 1090.88 1048.71 248154720 -1 06/02/2018 1011.6 1026.08 1026.08 983.06 364437550 -1 07/02/2018 1040.55 1040.53 1048.54 1034.13 208749250 1 08/02/2018 1023.25 1031.46 1039.61 1023.25 161025060 -1 09/02/2018 1003.94 991.09 1003.94 973.78 199516810 -1 12/02/2018 1041.79 1011.64 1041.79 1011.64 162098570 1 13/02/2018 1059.73 1053.31 1060.48 1052.86 157958690 1 21/02/2018 1087.15 1073.33 1092.65 1070.43 165043220 1 22/02/2018 1076.03 1080.77 1091.62 1074.27 185011630 -1 23/02/2018 1102.85 1086.81 1102.85 1081.31 177049320 1 26/02/2018 1114.53 1115.9 1127.57 1114.06 221574620 1 27/02/2018 1119.61 1124.03 1124.03 1106.77 175305260 1 28/02/2018 1121.54 1110.3 1129.89 1109.89 213347390 0 01/03/2018 1115.79 1118.13 1129.3 1110.92 207156270 -1 02/03/2018 1121.21 1103.16 1121.91 1103.16 188043270 1 05/03/2018 1093.48 1129.92 1132.69 1093.48 252795970 -1 06/03/2018 1120.29 1093.48 1120.29 1091.67 210241820 1 07/03/2018 1112.26 1121.99 1126.67 1103.29 239942030 -1 08/03/2018 1124.15 1112.24 1126.35 1111.76 186579760 1 09/03/2018 1123.41 1128.73 1135.02 1119.18 205512360 0 12/03/2018 1126.29 1135.37 1135.48 1123.98 197146780 0 13/03/2018 1133.31 1126.53 1133.31 1118.49 208112910 1 14/03/2018 1138.09 1135.99 1142.88 1134.55 222436340 0 15/03/2018 1138.76 1134.51 1140.74 1129.66 207105860 0 16/03/2018 1150.19 1144.54 1152.52 1140.56 260196900 1 19/03/2018 1159.22 1158.16 1165.63 1155.82 221555290 1 20/03/2018 1159.39 1154.48 1166.33 1154.48 189756080 0 21/03/2018 1169.36 1166.51 1172.31 1163.91 212812970 1 22/03/2018 1172.36 1175.22 1180.44 1169.48 215497530 0 23/03/2018 1153.59 1154.25 1157.2 1138.53 237107530 -1 26/03/2018 1171.22 1150.51 1176.95 1150.51 175879690 1 27/03/2018 1171.73 1187.42 1187.42 1169.58 201305790 0 28/03/2018 1172.24 1168.87 1179.18 1165.71 165131520 0 29/03/2018 1167.03 1174.73 1176.45 1164.12 150321430 -1 30/03/2018 1174.46 1169.29 1175.36 1158.49 150318960 1 02/04/2018 1196.61 1180.26 1196.61 1179.73 221037550 1 03/04/2018 1188.29 1197 1199.93 1185.83 217626820 -1 04/04/2018 1191.54 1194.26 1200.71 1189.46 194006930 0 05/04/2018 1193.17 1197.76 1199.15 1186.75 186567260 0 06/04/2018 1199.96 1194.15 1202.59 1194.15 217719530 1 09/04/2018 1204.33 1202.44 1207.45 1197.44 222920660 0 10/04/2018 1198.12 1207.62 1211.34 1192.22 246566650 -1 11/04/2018 1167.11 1201.51 1202.46 1167.11 245785470 -1 12/04/2018 1173.02 1162.48 1173.02 1153.64 168958120 1 13/04/2018 1157.14 1178.57 1181.52 1153.93 156898440 -1 16/04/2018 1148.49 1156.54 1159.45 1141.81 138666630 -1 17/04/2018 1153.28 1149.02 1156.7 1139.33 139854490 0 18/04/2018 1138.53 1157.67 1160.32 1138.42 152174130 -1 19/04/2018 1094.63 1137.99 1137.99 1094.63 183841740 -1 20/04/2018 1119.86 1095.84 1119.86 1078.01 142780270 1 23/04/2018 1076.78 1124.33 1127.24 1076.78 194901680 -1 24/04/2018 1080.74 1064.86 1084.89 1048.68 166004870 0 26/04/2018 1044.86 1082.52 1082.52 1039.35 184919930 -1 27/04/2018 1050.26 1037.36 1054.94 1031.89 152853910 1 02/05/2018 1029.08 1053.26 1053.52 1024.75 151711850 -1 03/05/2018 1026.46 1018.47 1027.38 1003.79 170959320 0 04/05/2018 1026.8 1032.12 1037.02 1022.1 125862200 0 07/05/2018 1062.26 1034.64 1062.26 1028.79 122128310 1 08/05/2018 1060.45 1061.12 1072.28 1057.24 131146470 0 09/05/2018 1056.97 1058.33 1069.8 1051.79 125896530 0 10/05/2018 1028.87 1058.22 1059.34 1025.75 143626080 -1 11/05/2018 1044.85 1026.34 1044.85 1014.3 122737900 1 14/05/2018 1066.98 1051.69 1066.98 1042.31 112785900 1 15/05/2018 1073.5 1072.25 1084.2 1071.02 125232780 1 16/05/2018 1054.62 1070.34 1072.46 1052.18 121268150 -1 17/05/2018 1030.64 1055.21 1057.84 1030.64 107387050 -1 18/05/2018 1040.54 1033.33 1040.84 1013.57 118092350 1 21/05/2018 1014.98 1043.82 1043.82 1014.98 104031010 -1 22/05/2018 985.91 1006.18 1015.97 976.73 158542820 -1 23/05/2018 988.94 974.8 995.25 965.92 126755700 0 24/05/2018 985.92 992.24 995.82 974.14 104772830 0 25/05/2018 963.9 981.47 987.56 963.9 122933860 -1 28/05/2018 931.75 938.86 951.34 927.47 191197120 -1 29/05/2018 952.18 925.89 958.96 916 155301290 1 30/05/2018 948.5 953.41 953.41 932.26 117512290 0 31/05/2018 971.25 947.96 975.51 945.29 140721200 1 01/06/2018 992.87 973.67 995.06 973.56 160913600 1 04/06/2018 1013.78 994.48 1013.78 992.01 146895440 1 05/06/2018 1022.74 1013.59 1025.26 1011.59 173096680 1 06/06/2018 1034.5 1020.97 1034.5 1012.98 147456500 1 07/06/2018 1036.69 1038.93 1043.71 1030.79 151829230 0 08/06/2018 1039.01 1032.59 1039.07 1026.94 124180340 0 11/06/2018 1039.02 1033.55 1045.6 1029.19 133836660 0 12/06/2018 1020.76 1033.55 1033.55 1005.1 169945710 -1 13/06/2018 1030.53 1017.93 1030.53 1017.93 94519770 1 14/06/2018 1015.72 1030.53 1033.46 1015.72 135233070 -1 15/06/2018 1016.51 1012.71 1018.95 1006.75 144865820 0 18/06/2018 987.34 1015.56 1018.98 986.88 145591940 -1 19/06/2018 962.16 972.38 972.62 941.57 203659510 -1 20/06/2018 980.95 957.37 980.95 955.61 119730870 1 21/06/2018 969.4 979.57 979.57 966.28 94237830 -1 22/06/2018 983.17 963.89 983.57 959.91 102746580 1 25/06/2018 990.52 997.34 997.34 988.98 118181310 1 26/06/2018 983.02 977.78 983.78 970.75 114881010 -1 27/06/2018 968.91 981.44 984.46 968.91 126510710 -1 28/06/2018 957.35 964.76 976.12 954.46 130318210 -1 29/06/2018 960.78 955.64 962.93 950.48 110043130 0 02/07/2018 947.15 955.18 956.78 932.66 142222740 -1 03/07/2018 906.01 945.87 946.16 906.01 161389340 -1 04/07/2018 914.99 904.34 914.99 890.83 115604640 1 05/07/2018 899.4 914.48 921.85 892.67 127434590 -1 06/07/2018 917.51 891.16 921.75 884.99 141624520 1 09/07/2018 915.12 922.72 929.5 915.12 106167080 0 10/07/2018 911.12 919.44 921.96 911.12 93102100 0 11/07/2018 893.16 898.08 900.16 885.09 138119530 -1 12/07/2018 898.51 891.21 905.72 884.75 90464330 1 13/07/2018 909.72 904.8 912.53 899.94 121978590 1 16/07/2018 911.11 914.22 917.63 905.27 110882460 0 17/07/2018 921.27 905.32 921.27 902.02 136304660 1 18/07/2018 942.39 926.14 942.39 926.14 184648680 1 19/07/2018 943.97 943.91 947.07 939.58 166922920 0 20/07/2018 933.39 938.83 941.94 930.26 178891900 -1 23/07/2018 936.74 931.52 949.14 930.25 190030610 0 24/07/2018 934.08 933.22 939.07 926.3 169638570 0 25/07/2018 927.58 936.57 938.33 927.58 201884580 -1 26/07/2018 930.16 928.96 930.32 920.99 175235210 0 27/07/2018 935.52 931.9 937.23 928.82 163302090 1 30/07/2018 949.73 940.76 949.73 937.69 184174690 1 31/07/2018 956.39 948.56 959.07 947.32 229774470 1 01/08/2018 952.77 957.35 960.05 949.89 180793930 0 02/08/2018 953.55 952.75 953.55 942.39 197722680 0 03/08/2018 959.6 957.92 966.1 955.13 166126830 1 06/08/2018 960.23 960.12 962.99 955.42 153665970 0 07/08/2018 956.79 957.7 962.02 953.71 138303880 0 08/08/2018 966.27 958.31 966.27 958.31 140667750 1 09/08/2018 963.5 968.57 972.52 963.5 156257390 0 10/08/2018 968.47 962.03 968.47 955.04 171440130 0 13/08/2018 978.04 966.46 978.04 963.41 178091820 1 14/08/2018 978.27 979.66 981.42 974.47 149752820 0 15/08/2018 961.37 980.45 982 961.37 170817950 -1 16/08/2018 964.28 952.83 964.28 947.09 155986290 0 17/08/2018 968.88 971.4 975.52 968.88 136124710 0 20/08/2018 969.62 970.81 973.57 966.46 159945460 0 21/08/2018 979.21 968.46 979.21 968.45 166417760 1 22/08/2018 982.15 979.21 986.36 980.32 165152300 0 23/08/2018 987.36 984.12 989.45 982.48 136864890 1 24/08/2018 987.05 985.49 989.21 982.88 154534730 0 27/08/2018 991.92 990.19 994.54 990.03 172686090 0 28/08/2018 995.19 993.95 995.29 989.81 160331540 0 29/08/2018 988.17 995.05 995.05 987.47 147774090 -1 30/08/2018 998.07 987.62 998.07 983.43 156100950 1 31/08/2018 989.54 998.55 1003.06 989.54 163243740 -1 04/09/2018 975.94 990.79 992.18 975.94 172128470 -1 05/09/2018 968.44 975.05 978.78 964.8 161390790 -1 06/09/2018 958.19 968.37 970.84 957.99 142238280 -1 07/09/2018 968.9 955.5 969.34 955.5 152617370 1 10/09/2018 970.34 969.74 974.59 968.19 150338320 0 11/09/2018 985.06 968.41 985.06 967.92 158843940 1 12/09/2018 987.01 990 994.83 987.01 170858030 0 13/09/2018 987.95 987.48 992.96 984.92 148842470 0 14/09/2018 991.34 990 995.55 989.56 149728940 0 17/09/2018 987.61 990.65 993.83 987.02 146741120 0 18/09/2018 993.49 983.43 993.49 981.89 171104330 1 19/09/2018 995.54 998.65 1001.83 994.5 206247050 0 20/09/2018 1004.74 996.48 1004.74 996.48 179431950 1 21/09/2018 1002.97 1006.25 1009.1 1000.39 273413180 0 24/09/2018 1011.29 1007.52 1011.29 1007.45 169398920 1 25/09/2018 1010.74 1011.94 1014.53 1008.67 198241540 0 26/09/2018 1009.61 1008.93 1014.86 1007.44 219897580 0 27/09/2018 1015.37 1012.57 1017.78 1010.49 180962780 1 28/09/2018 1017.13 1019.34 1020.84 1015.4 224567020 0 01/10/2018 1012.88 1019.49 1023.87 1012.88 225044930 0 02/10/2018 1018.79 1014.26 1021.51 1013.11 203932870 1 03/10/2018 1020.4 1021.08 1024.59 1016.47 160155660 0 04/10/2018 1023.62 1024.68 1024.68 1020.4 183870790 0 05/10/2018 1008.39 1020.21 1020.77 1008.39 206650560 -1 08/10/2018 996.12 1003.31 1006.13 996.12 185949540 -1 09/10/2018 996.19 998.7 1001.87 996.19 178954450 0 10/10/2018 993.96 998.66 999.62 991.22 171846560 0 11/10/2018 945.89 972.21 972.21 938.83 344023630 -1 12/10/2018 970.08 939.2 970.08 933.35 203631780 1 15/10/2018 951.64 968.8 969.36 951.64 123102110 -1 16/10/2018 963.37 950.36 963.69 950.36 117735940 1 17/10/2018 971.6 973.14 975.27 969.06 137768810 1 18/10/2018 963.47 968.93 970.75 962.68 126109950 -1 19/10/2018 958.36 949.94 959.63 945.83 132371320 -1 22/10/2018 953.51 960.63 963.79 953.51 133005070 0 23/10/2018 939.68 950.12 950.42 925.29 181840880 -1 24/10/2018 922.73 935.25 939.06 922.73 132105240 -1 25/10/2018 910.17 902.59 912.07 885.34 163619880 -1 26/10/2018 900.82 918.11 918.16 900.82 133621650 -1 29/10/2018 888.82 895.05 897.84 884.92 113424680 -1 30/10/2018 888.69 881.32 894.8 880.85 119547410 0 31/10/2018 914.76 894.23 914.76 894.23 159222360 1 01/11/2018 907.96 915.52 918.84 905.73 121693330 -1 02/11/2018 924.86 911.35 927.62 910.4 209087970 1 05/11/2018 925.53 920.87 925.53 915.77 121121310 0 06/11/2018 922.05 931 931.27 921.93 120442560 0 07/11/2018 922.16 922.03 924.6 915.41 126800490 0 08/11/2018 926.28 928.69 932.86 925.54 136692720 0 09/11/2018 914.29 921.11 925.31 914.29 131109630 -1 12/11/2018 918.12 909.36 918.99 903.95 109808760 0 13/11/2018 905.38 904.35 910.2 903.48 132807600 -1 14/11/2018 900.93 904.16 910.58 898.83 125187850 0 15/11/2018 897.15 901.13 903.83 892.5 134989500 0 16/11/2018 898.19 901.44 903.21 894.14 142498160 0 19/11/2018 916.06 902.65 916.06 900.61 123860310 1 20/11/2018 919.02 909.76 919.02 909.76 126164590 0 21/11/2018 922.56 909.83 922.56 907.47 119083100 0 22/11/2018 924.42 924.93 926.15 922.02 114412140 0 23/11/2018 917.97 923.91 925.84 916.87 111905790 -1 26/11/2018 921.03 915.67 921.96 914.43 90451440 0 27/11/2018 923.12 925.12 930.37 921.26 109001530 0 28/11/2018 930.2 922.29 930.2 922.03 96777710 1 29/11/2018 926.79 934.88 937.75 926.79 117424890 0 30/11/2018 926.54 924.49 928.92 921.08 128769250 0 03/12/2018 951.59 937.7 951.59 937.1 158946860 1 04/12/2018 958.84 952.97 960.44 950.89 177097760 1 05/12/2018 957.14 950.34 960.87 946.97 153998080 0 06/12/2018 954.82 957.14 959.59 948.44 145040180 0 07/12/2018 958.59 956.49 962.39 955.96 151647570 0 10/12/2018 955.89 955.06 958.25 951.5 129252710 0 11/12/2018 954.58 955.93 957.97 949.34 126821330 0 12/12/2018 961.28 956.32 961.28 956 143971260 1 13/12/2018 960.25 963.65 966.83 960.1 145835490 0 14/12/2018 952.04 958.78 960.09 951.04 131393080 -1 17/12/2018 933.65 948.09 948.09 933.65 143135290 -1 18/12/2018 927.25 921.48 928.2 917.03 155653890 -1 19/12/2018 919.24 926.35 927.03 914.55 119410210 -1 20/12/2018 918.24 915.5 921.79 914.18 107806880 0 21/12/2018 912.26 911.57 915.02 907.88 131219760 -1 24/12/2018 908.56 910.86 916.41 908.56 109246400 0 25/12/2018 897.94 893.71 897.94 882.17 168379500 -1 26/12/2018 891.75 896.63 899.49 890.86 104065930 -1 27/12/2018 900.81 904.8 906.63 900.81 112522140 1 28/12/2018 892.54 903.79 903.79 892.54 123558630 -1 Bảng P.2 Bảng kết quả dự báo của chỉ số VN-INDEX năm 2019 NGÀY GIAO (a) VN-INDEX (b) VN-INDEX % SAI SỐ DỊCH THỰC TẾ DỰ BÁO (|a-b|:a) 02/01/2019 891.75 890.05 0.190% 03/01/2019 878.22 894.07 1.805% 04/01/2019 880.9 874.79 0.694% 07/01/2019 889.64 879.80 1.106% 08/01/2019 887.44 891.13 0.416% 09/01/2019 896.99 881.18 1.762% 10/01/2019 898.3 903.28 0.554% 11/01/2019 902.71 888.81 1.540% 14/01/2019 901.8 901.38 0.047% 15/01/2019 909.68 898.45 1.234% 16/01/2019 908.7 910.11 0.155% 17/01/2019 901.89 900.52 0.152% 18/01/2019 902.3 896.89 0.600% 21/01/2019 911.05 904.26 0.746% 22/01/2019 906.55 913.40 0.756% 23/01/2019 908.18 900.68 0.826% 24/01/2019 908.79 908.10 0.076% 25/01/2019 908.88 905.53 0.369% 28/01/2019 912.18 907.88 0.471% 29/01/2019 915.93 911.78 0.453% 30/01/2019 915.84 913.68 0.236% 31/01/2019 910.65 914.35 0.407% 01/02/2019 908.67 905.42 0.358% 11/02/2019 926.1 912.99 1.416% 12/02/2019 937.54 922.16 1.641% 13/02/2019 945.25 940.70 0.482% 14/02/2019 952.34 945.04 0.766% 15/02/2019 950.89 950.50 0.041% 18/02/2019 961.3 950.20 1.155% 19/02/2019 964.35 965.19 0.087% 20/02/2019 970.58 963.24 0.756% 21/02/2019 987.57 969.21 1.860% 22/02/2019 988.91 989.56 0.065% 25/02/2019 994.43 991.33 0.312% 26/02/2019 987.06 991.90 0.491% 27/02/2019 990.27 981.56 0.880% 28/02/2019 965.47 985.98 2.125% 01/03/2019 979.63 958.10 2.197% 04/03/2019 993.99 976.95 1.715% 05/03/2019 992.45 993.96 0.152% 06/03/2019 994.49 994.78 0.029% 07/03/2019 994.03 982.43 1.167% 08/03/2019 985.25 992.04 0.689% 11/03/2019 984.6 981.25 0.340% 12/03/2019 1001.32 977.94 2.335% 13/03/2019 1005.41 1,008.78 0.335% 14/03/2019 1008.44 1,004.72 0.369% 15/03/2019 1004.12 1,003.38 0.073% 18/03/2019 1011.86 999.52 1.220% 19/03/2019 1006.59 1,008.80 0.220% 20/03/2019 1002.3 1,002.28 0.002% 21/03/2019 981.78 989.65 0.802% 22/03/2019 988.71 972.79 1.610% 25/03/2019 970.07 986.23 1.666% 26/03/2019 969.79 953.80 1.649% 27/03/2019 975.91 967.42 0.870% 28/03/2019 982.98 973.56 0.959% 29/03/2019 980.76 978.18 0.263% 01/04/2019 988.53 976.68 1.199% 02/04/2019 985.81 986.12 0.031% 03/04/2019 984.46 979.51 0.503% 04/04/2019 986.91 977.49 0.954% 05/04/2019 989.26 982.44 0.690% 08/04/2019 997.56 984.26 1.333% 09/04/2019 988.48 996.60 0.822% 10/04/2019 981.91 977.47 0.452% 11/04/2019 985.95 979.77 0.626% 12/04/2019 982.9 982.66 0.025% 16/04/2019 977.17 974.18 0.306% 17/04/2019 972.1 956.16 1.639% 18/04/2019 962.3 966.11 0.396% 19/04/2019 966.21 960.80 0.560% 22/04/2019 965.86 968.57 0.280% 23/04/2019 968 961.51 0.671% 24/04/2019 976.92 965.45 1.174% 25/04/2019 974.13 977.11 0.306% 26/04/2019 979.64 970.85 0.897% 02/05/2019 978.5 976.72 0.182% 03/05/2019 974.14 971.85 0.235% 06/05/2019 957.97 968.27 1.075% 07/05/2019 957.56 944.34 1.380% 08/05/2019 951.22 960.65 0.991% 09/05/2019 947.01 941.61 0.570% 10/05/2019 952.55 948.34 0.442% 13/05/2019 958.54 952.81 0.598% 14/05/2019 965.34 957.20 0.844% 15/05/2019 975.64 968.75 0.707% 16/05/2019 975.69 975.73 0.004% 17/05/2019 976.48 976.41 0.007% 20/05/2019 987.13 973.14 1.417% 21/05/2019 986.29 989.05 0.280% 22/05/2019 983.78 984.27 0.050% 23/05/2019 982.71 977.78 0.502% 24/05/2019 970.03 974.55 0.466% 27/05/2019 975.14 956.04 1.959% 28/05/2019 972 966.28 0.589% 29/05/2019 971.54 964.57 0.717% 30/05/2019 969.34 969.05 0.029% 31/05/2019 959.88 965.53 0.589% 03/06/2019 946.47 950.23 0.397% 04/06/2019 951.16 940.95 1.073% 05/06/2019 951.41 950.54 0.091% 06/06/2019 948.21 950.03 0.192% 07/06/2019 958.28 946.19 1.262% 10/06/2019 962.9 955.73 0.745% 11/06/2019 962.07 959.17 0.301% 12/06/2019 954.17 959.24 0.531% 13/06/2019 950.08 944.68 0.569% 14/06/2019 953.61 950.08 0.370% 17/06/2019 946.95 953.98 0.743% 18/06/2019 944.01 940.42 0.380% 19/06/2019 949.69 946.54 0.332% 20/06/2019 959.18 948.71 1.092% 21/06/2019 959.2 959.68 0.050% 24/06/2019 962.85 957.26 0.580% 25/06/2019 960.13 961.30 0.122% 26/06/2019 959.13 957.82 0.137% 27/06/2019 943.11 958.36 1.617% 28/06/2019 949.94 935.29 1.542% 01/07/2019 965.61 950.00 1.616% 02/07/2019 961.98 960.95 0.107% 03/07/2019 960.39 960.86 0.049% 04/07/2019 973.04 958.05 1.540% 05/07/2019 975.34 976.28 0.096% 08/07/2019 966.35 974.83 0.878% 09/07/2019 969.05 955.90 1.357% 10/07/2019 973.65 969.30 0.447% 11/07/2019 978.63 971.65 0.713% 12/07/2019 975.4 976.59 0.122% 15/07/2019 972.53 971.18 0.139% 16/07/2019 982.11 968.29 1.407% 17/07/2019 982.57 983.89 0.134% 18/07/2019 976.05 979.71 0.375% 19/07/2019 982.34 970.24 1.232% 22/07/2019 982.04 988.66 0.674% 23/07/2019 989.46 981.40 0.815% 24/07/2019 988.41 989.09 0.068% 25/07/2019 994.95 983.99 1.101% 26/07/2019 993.35 995.12 0.178% 29/07/2019 997.94 990.10 0.786% 30/07/2019 986.02 987.85 0.186% 31/07/2019 991.66 975.93 1.586% 01/08/2019 997.39 989.47 0.794% 02/08/2019 991.1 988.21 0.292% 05/08/2019 973.15 973.69 0.055% 06/08/2019 964.61 969.66 0.523% 07/08/2019 965.93 960.77 0.535% 08/08/2019 975.24 962.48 1.309% 09/08/2019 974.34 981.56 0.741% 12/08/2019 975.31 974.60 0.073% 13/08/2019 966.83 972.30 0.566% 14/08/2019 968.91 956.89 1.240% 15/08/2019 979.38 971.90 0.764% 16/08/2019 980 986.62 0.675% 19/08/2019 981.03 981.51 0.049% 20/08/2019 984.67 977.05 0.774% 21/08/2019 994.38 980.32 1.414% 22/08/2019 997.26 996.83 0.043% 23/08/2019 992.45 995.21 0.279% 26/08/2019 982.88 981.51 0.139% 27/08/2019 976.79 967.95 0.905% 28/08/2019 977.26 975.90 0.139% 29/08/2019 978.59 975.79 0.286% 30/08/2019 984.06 972.79 1.145%
