DỰ BÁO GIÁ CỔ PHIẾU BẰNG CÁC MÔ HÌNH HỌC SÂU ĐƯỢC TỐI ƯU BẰNG PSO: XÉT TRƯỜNG HỢP MÃ CỔ PHIẾU VCB
Tập 135 Số 5A (2026), Nghiên cứu
Tập 135 Số 5A (2026)

DỰ BÁO GIÁ CỔ PHIẾU BẰNG CÁC MÔ HÌNH HỌC SÂU ĐƯỢC TỐI ƯU BẰNG PSO: XÉT TRƯỜNG HỢP MÃ CỔ PHIẾU VCB

Nghiên cứu
https://doi.org/10.26459/hueunijed.v135i5A.8144
Đã xuất bản 2026-03-17
Thái Hòa Trần
Trường Đại học Kinh tế, Đại học Huế, 99 Hồ Đắc Di, Huế, Việt Nam
Ngọc Lưu Quang Lê
Trường Đại học Kinh tế, Đại học Huế, 99 Hồ Đắc Di, Huế, Việt Nam
Lien Thi Quynh Le
Trường Đại học Kinh tế, Đại học Huế, 99 Hồ Đắc Di, Huế, Việt Nam
PDF

Từ khóa

Stock price forecasting Dự báo giá cổ phiếu
LSTM
GRU
Bi-LSTM
Tối ưu hoá siêu tham số

Tóm tắt

Dự báo chính xác giá cổ phiếu là nhiệm vụ quan trọng trong phân tích đầu tư và quản trị rủi ro trên thị trường tài chính. Nghiên cứu này nhằm nâng cao độ chính xác dự báo giá đóng cửa hằng ngày của cổ phiếu VCB niêm yết trên HOSE bằng các mô hình học sâu. Ba kiến trúc mạng nơ-ron hồi quy gồm LSTM, GRU và BiLSTM được xây dựng và so sánh trong cùng một khuôn khổ thực nghiệm. Bài toán được thiết lập dưới dạng dự báo chuỗi thời gian đơn biến, chỉ sử dụng chuỗi giá đóng cửa, với kỹ thuật cửa sổ trượt 10–1, tức dùng dữ liệu của 10 phiên trước để dự đoán giá của phiên kế tiếp. Để giảm sự phụ thuộc vào quá trình thử–sai thủ công, nghiên cứu áp dụng giải thuật tối ưu bầy đàn hạt (PSO) nhằm tối ưu các siêu tham số quan trọng, gồm số nút ẩn, tỷ lệ dropout, tốc độ học và kích thước batch. Kết quả thực nghiệm cho thấy PSO cải thiện đáng kể hiệu năng dự báo của cả ba mô hình, trong đó GRU sau tối ưu đạt kết quả tốt nhất trên tập kiểm tra với RMSE = 0,6851 và R² = 0,9693. Nghiên cứu góp phần khẳng định hiệu quả của việc kết hợp học sâu và tối ưu siêu tham số trong dự báo giá cổ phiếu tại Việt Nam.

https://doi.org/10.26459/hueunijed.v135i5A.8144
PDF

Tài liệu tham khảo

  1. J. S. Bhullar (2024), Developing a Time Series Financial Market Forecasting Model Based on Machine Learning Tools and Techniques, IJTBM, vol. 14, no. 1, pp. 78–87, doi: 10.37648/ijtbm.v14i01.010.
  2. S. Syaharuddin (2024), Time-Series Analysis in Financial Prediction: A Literature Review, Sainstek: Jurnal Sains dan Teknologi, doi: http://dx.doi.org/10.31958/js.v16i2.13117.
  3. G. J. Ross (2013), Modeling Financial Volatility in the Presence of Abrupt Changes, Physica A: Statistical Mechanics and its Applications, vol. 392, no. 2, pp. 350–360, doi: 10.1016/j.physa.2012.08.015.
  4. T.-N. Nguyen, M.-N. Tran, D. Gunawan, and R. Kohn (2022), A Statistical Recurrent Stochastic Volatility Model for Stock Markets, arXiv: arXiv:1906.02884. doi: 10.48550/arXiv.1906.02884.
  5. M. Wiese, R. Knobloch, R. Korn, and P. Kretschmer (2020), Quant GANs: Deep Generation of Financial Time Series,” Quantitative Finance, vol. 20, no. 9, pp. 1419–1440, doi: 10.1080/14697688.2020.1730426.
  6. Y. Gao, R. Wang, and E. Zhou (2021), Stock Prediction Based on Optimized LSTM and GRU Models,” Scientific Programming, vol. 2021, pp. 1–8, doi: 10.1155/2021/4055281.
  7. Y. L. Sukestiyarno, D. T. Wiyanti, L. Azizah, and W. Widada (2024), Algorithm Optimizer in GA-LSTM for Stock Price Forecasting,” Contemp. Math., doi: 10.37256/cm.5120243367.
  8. G. Kumar, U. P. Singh, and S. Jain (2022), An adaptive particle swarm optimization-based hybrid long short-term memory model for stock price time series forecasting, Soft Computing, vol. 26, no. 22, pp. 12115–12135, doi: 10.1007/s00500-022-07451-8.
  9. N. T. Co, H. H. Son, N. T. Hoang, T. T. P. Lien, and T. M. Ngoc (2020), Comparison Between ARIMA and LSTM-RNN for VN-Index Prediction, doi: 10.1007/978-3-030-39512-4_168.
  10. S. Pasak and R. Jayadi (2023), Investment Decision on Cryptocurrency: Comparing Prediction Performance Using ARIMA and LSTM, Journal of Information Systems and Informatics, vol. 5, pp. 407–427, doi: 10.51519/journalisi.v5i2.473.
  11. N. T. Hương and B. Q. Trung (2015), Ứng dụng mô hình kết hợp ARIMA-GARCH để dự báo chỉ số VN-Index, Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng, pp. 118–122.
  12. B. Aditya Pai, L. Devareddy, S. Hegde, and B. S. Ramya (2022), A Time Series Cryptocurrency Price Prediction Using LSTM, in Emerging Research in Computing, Information, Communication and Applications, N. R. Shetty, L. M. Patnaik, H. C. Nagaraj, P. N. Hamsavath, and N. Nalini, Eds., Singapore: Springer, pp. 653–662, doi: 10.1007/978-981-16-1342-5_50.
  13. Y. Khodke and S. Deshpande (2023), Stock Price Prediction Using LSTM and GRU, IJRASET, vol. 11, no. 6, pp. 1163–1167, doi: 10.22214/ijraset.2023.53826.
  14. M. J. Hamayel and A. Y. Owda (2021), A Novel Cryptocurrency Price Prediction Model Using GRU, LSTM and bi-LSTM Machine Learning Algorithms, AI, vol. 2, no. 4, pp. 477–496, doi: 10.3390/ai2040030.
  15. F. Barez, P. Bilokon, A. Gervais, and N. Lisitsyn (2023), Exploring the Advantages of Transformers for High-Frequency Trading, arXiv: arXiv:2302.13850. doi: 10.48550/arXiv.2302.13850.
  16. X. Zhang (2022), Financial Time Series Forecasting Based on LSTM Neural Network optimized by Wavelet Denoising and Whale Optimization Algorithm, AJCIS, vol. 5, no. 7, doi: 10.25236/ajcis.2022.050701.
  17. N. A. Hitam, A. R. Ismail, and F. Saeed (2019), An Optimized Support Vector Machine (SVM) based on Particle Swarm Optimization (PSO) for Cryptocurrency Forecasting, Procedia Computer Science, vol. 163, pp. 427–433, doi: 10.1016/j.procs.2019.12.125.
  18. P. Deka, M. Cordeiro-Costas, R. Pérez-Orozco, M. Chabiński, and A. Szlęk (2025), Novel NSGA-II optimized LSTM and GRU models for short-term forecasting of residential heating load, Energy and Buildings, vol. 344, p. 115999, doi: 10.1016/j.enbuild.2025.115999.
  19. W. Zhai (2023), Stock Price Prediction Based on Optimized LSTM Model, in Proceedings of the 2nd International Conference on Financial Innovation, FinTech and Information Technology, Chongqing, China, EAI, 2023. doi: 10.4108/eai.7-7-2023.2338038.
  20. S. Hochreiter and J. Schmidhuber (1997), Long Short-Term Memory, Neural Computation, vol. 9, no. 8, pp. 1735–1780, doi: 10.1162/neco.1997.9.8.1735.
Creative Commons License

công trình này được cấp phép theo Creative Commons Ghi công-Chia sẻ tương tự 4.0 License International .

Bản quyền (c) 2025 Array