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

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 một trong những nhiệm vụ trọng tâm nhằm hỗ trợ nhà đầu tư ra quyết định và quản trị rủi ro hiệu quả. Nghiên cứu này tập trung dự báo giá đóng cửa hằng ngày của cổ phiếu VCB trên Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE) bằng cách ứng dụng ba kiến trúc mạng nơ-ron hồi quy (RNN) phổ biến gồm LSTM, GRU và BiLSTM, đồng thời đề xuất một khuôn khổ tối ưu hóa siêu tham số dựa trên giải thuật tối ưu hóa bầy đàn hạt PSO (Particle Swarm Optimization). Phương pháp tiếp cận của chúng tôi cho phép tìm kiếm tự động các cấu hình siêu tham số quan trọng (số nút ẩn, tỷ lệ dropout, tốc độ học và kích thước batch), giúp giảm thiểu quá trình thử–sai thủ công và nâng cao tính tái lập thực nghiệm. Kết quả cho thấy tối ưu hóa bằng PSO giúp cải thiện rõ rệt độ chính xác dự báo ở cả ba mô hình, trong đó GRU nổi bật với hiệu năng vượt trội trước và sau tối ưu, đạt RMSE = 0.6851 và R² = 0.9693. Đóng góp của nghiên cứu không chỉ nằm ở việc cung cấp một quy trình tối ưu hóa siêu tham số có hệ thống và dễ áp dụng mà còn đưa ra bằng chứng thực nghiệm trên thị trường Việt Nam – nơi nghiên cứu so sánh đa mô hình vẫn còn hạn chế. Kết quả này có hàm ý thực tiễn quan trọng, hỗ trợ các nhà đầu tư và nhà quản lý danh mục xây dựng chiến lược giao dịch và quản lý rủi ro dựa trên dữ liệu một cách khoa học dựa trên những tiến bộ về ứng dụng của trí tuệ nhân tạo trong lĩnh vực quản trị tài chính.

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

Tài liệu tham khảo

  1. J. S. Bhullar, “Developing a Time Series Financial Market Forecasting Model Based on Machine Learning Tools and Techniques,” IJTBM, vol. 14, no. 1, pp. 78–87, 2024, doi: 10.37648/ijtbm.v14i01.010.
  2. S. Syaharuddin, “Time-Series Analysis in Financial Prediction: A Literature Review | Syaharuddin | Sainstek : Jurnal Sains dan Teknologi,” Dec. 2024, doi: http://dx.doi.org/10.31958/js.v16i2.13117.
  3. G. J. Ross, “Modeling Financial Volatility in the Presence of Abrupt Changes,” Physica A: Statistical Mechanics and its Applications, vol. 392, no. 2, pp. 350–360, Jan. 2013, doi: 10.1016/j.physa.2012.08.015.
  4. T.-N. Nguyen, M.-N. Tran, D. Gunawan, and R. Kohn, “A Statistical Recurrent Stochastic Volatility Model for Stock Markets,” Jan. 22, 2022, arXiv: arXiv:1906.02884. doi: 10.48550/arXiv.1906.02884.
  5. M. Wiese, R. Knobloch, R. Korn, and P. Kretschmer, “Quant GANs: Deep Generation of Financial Time Series,” Quantitative Finance, vol. 20, no. 9, pp. 1419–1440, Sep. 2020, doi: 10.1080/14697688.2020.1730426.
  6. Y. Gao, R. Wang, and E. Zhou, “Stock Prediction Based on Optimized LSTM and GRU Models,” Scientific Programming, vol. 2021, pp. 1–8, Sep. 2021, doi: 10.1155/2021/4055281.
  7. Y. L. Sukestiyarno, D. T. Wiyanti, L. Azizah, and W. Widada, “Algorithm Optimizer in GA-LSTM for Stock Price Forecasting,” Contemp. Math., Jan. 2024, doi: 10.37256/cm.5120243367.
  8. G. Kumar, U. P. Singh, and S. Jain, “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, Aug. 2022, 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, “Comparison Between ARIMA and LSTM-RNN for VN-Index Prediction,” Jan. 2020. doi: 10.1007/978-3-030-39512-4_168.
  10. S. Pasak and R. Jayadi, “Investment Decision on Cryptocurrency: Comparing Prediction Performance Using ARIMA and LSTM,” Journal of Information Systems and Informatics, vol. 5, pp. 407–427, May 2023, doi: 10.51519/journalisi.v5i2.473.
  11. N. T. Hương and B. Q. Trung, “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, Apr. 2015.
  12. B. Aditya Pai, L. Devareddy, S. Hegde, and B. S. Ramya, “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, 2022, pp. 653–662. doi: 10.1007/978-981-16-1342-5_50.
  13. Y. Khodke and S. Deshpande, “Stock Price Prediction Using LSTM and GRU,” IJRASET, vol. 11, no. 6, pp. 1163–1167, Jun. 2023, doi: 10.22214/ijraset.2023.53826.
  14. M. J. Hamayel and A. Y. Owda, “A Novel Cryptocurrency Price Prediction Model Using GRU, LSTM and bi-LSTM Machine Learning Algorithms,” AI, vol. 2, no. 4, pp. 477–496, Oct. 2021, doi: 10.3390/ai2040030.
  15. F. Barez, P. Bilokon, A. Gervais, and N. Lisitsyn, “Exploring the Advantages of Transformers for High-Frequency Trading,” Feb. 20, 2023, arXiv: arXiv:2302.13850. doi: 10.48550/arXiv.2302.13850.
  16. X. Zhang, “Financial Time Series Forecasting Based on LSTM Neural Network optimized by Wavelet Denoising and Whale Optimization Algorithm,” AJCIS, vol. 5, no. 7, 2022, doi: 10.25236/ajcis.2022.050701.
  17. N. A. Hitam, A. R. Ismail, and F. Saeed, “An Optimized Support Vector Machine (SVM) based on Particle Swarm Optimization (PSO) for Cryptocurrency Forecasting,” Procedia Computer Science, vol. 163, pp. 427–433, Jan. 2019, doi: 10.1016/j.procs.2019.12.125.
  18. P. Deka, M. Cordeiro-Costas, R. Pérez-Orozco, M. Chabiński, and A. Szlęk, “Novel NSGA-II optimized LSTM and GRU models for short-term forecasting of residential heating load,” Energy and Buildings, vol. 344, p. 115999, Oct. 2025, doi: 10.1016/j.enbuild.2025.115999.
  19. W. Zhai, “Stock Price Prediction Based on Optimized LSTM Model,” in Proceedings of the 2nd International Conference on Financial Innovation, FinTech and Information Technology, FFIT 2023, July 7–9, 2023, Chongqing, China, EAI, 2023. doi: 10.4108/eai.7-7-2023.2338038.
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