4 posts tagged with "machine-learning"

Thị trường chứng khoán luôn là một lĩnh vực đầy biến động và khó dự đoán. Tuy nhiên, với sự phát triển của trí tuệ nhân tạo và machine learning, việc phân tích và dự đoán xu hướng giá cổ phiếu đã trở nên khả thi hơn bao giờ hết. Bài viết này sẽ giới thiệu về cách ứng dụng machine learning trong dự đoán giá cổ phiếu, từ thu thập dữ liệu, xử lý thông tin đến xây dựng và đánh giá hiệu quả của các mô hình dự đoán.

Machine Learning có thực sự dự đoán được giá cổ phiếu?​

Trước khi đi sâu vào các kỹ thuật cụ thể, cần phải hiểu một điều quan trọng: không có mô hình nào có thể dự đoán chính xác 100% giá cổ phiếu. Thị trường chứng khoán chịu ảnh hưởng bởi vô số yếu tố phức tạp, bao gồm:

• Các yếu tố kinh tế vĩ mô (lãi suất, lạm phát, chính sách tiền tệ)
• Tin tức và sự kiện toàn cầu
• Tâm lý nhà đầu tư
• Yếu tố tâm lý thị trường và hiệu ứng bầy đàn
• Các biến động không thể dự đoán được (thiên tai, đại dịch, xung đột địa chính trị)

Tuy nhiên, machine learning có thể giúp chúng ta:

• Nhận diện các mẫu và xu hướng từ dữ liệu lịch sử
• Kết hợp nhiều nguồn dữ liệu khác nhau để đưa ra dự đoán tốt hơn
• Xác định các mối tương quan không rõ ràng giữa các biến số khác nhau
• Tự điều chỉnh và cải thiện dự đoán theo thời gian

Vì vậy, thay vì coi các mô hình machine learning là "quả cầu pha lê" có thể dự đoán chính xác tương lai, chúng nên được xem như công cụ hỗ trợ ra quyết định đầu tư thông minh hơn.

Các loại dữ liệu được sử dụng trong dự đoán giá cổ phiếu​

Để xây dựng một mô hình dự đoán hiệu quả, việc thu thập và xử lý dữ liệu là bước đầu tiên và cực kỳ quan trọng. Các loại dữ liệu thường được sử dụng bao gồm:

1. Dữ liệu giá lịch sử (Historical Price Data)​

Đây là loại dữ liệu phổ biến nhất, bao gồm:

• Giá mở cửa, giá đóng cửa, giá cao nhất, giá thấp nhất
• Khối lượng giao dịch
• Giá điều chỉnh theo cổ tức và phân tách cổ phiếu

2. Chỉ số kỹ thuật (Technical Indicators)​

Các chỉ số được tính toán từ dữ liệu giá và khối lượng, ví dụ:

• Trung bình động (Moving Averages): SMA, EMA
• Chỉ số sức mạnh tương đối (Relative Strength Index - RSI)
• MACD (Moving Average Convergence Divergence)
• Bollinger Bands
• Stochastic Oscillator

3. Dữ liệu cơ bản (Fundamental Data)​

Thông tin về hiệu suất kinh doanh của công ty:

• Báo cáo tài chính (doanh thu, lợi nhuận, nợ, tài sản)
• Các chỉ số định giá (P/E, P/B, EPS, ROE, ROA)
• Cổ tức và lịch sử trả cổ tức
• Thông tin về quản lý và chiến lược công ty

4. Dữ liệu vĩ mô (Macroeconomic Data)​

Các yếu tố kinh tế vĩ mô ảnh hưởng đến thị trường chung:

• Lãi suất và chính sách tiền tệ
• Tỷ lệ lạm phát và thất nghiệp
• GDP và các chỉ số tăng trưởng kinh tế
• Chỉ số niềm tin người tiêu dùng
• Dữ liệu thương mại quốc tế

5. Phân tích tình cảm (Sentiment Analysis)​

Phân tích tâm lý thị trường từ các nguồn:

• Tin tức tài chính và kinh tế
• Mạng xã hội (Twitter, Reddit, forums đầu tư)
• Báo cáo phân tích của các công ty chứng khoán
• Xu hướng tìm kiếm (Google Trends)

6. Dữ liệu thay thế (Alternative Data)​

Các nguồn dữ liệu phi truyền thống:

• Dữ liệu vệ tinh và hình ảnh
• Dữ liệu thanh toán thẻ tín dụng
• Dữ liệu di chuyển (giao thông, vận chuyển hàng hóa)
• Đăng ký bằng sáng chế và hoạt động R&D
• Dữ liệu tuyển dụng và thị trường lao động

Các kỹ thuật tiền xử lý dữ liệu​

Trước khi đưa dữ liệu vào mô hình, cần thực hiện các bước tiền xử lý:

1. Xử lý dữ liệu thiếu (Missing Data)​

• Loại bỏ các mẫu có dữ liệu thiếu
• Điền các giá trị thiếu bằng giá trị trung bình, trung vị, hoặc nội suy
• Sử dụng kỹ thuật điền giá trị dựa trên mô hình (model-based imputation)

2. Chuẩn hóa dữ liệu (Normalization)​

• Min-Max Scaling: Đưa dữ liệu về khoảng [0, 1]
• Standardization: Đưa dữ liệu về trung bình 0, độ lệch chuẩn 1
• Log Transform: Xử lý dữ liệu có phân phối lệch

3. Tạo đặc trưng (Feature Engineering)​

• Tính toán các chỉ số kỹ thuật mới
• Tạo các biến tương tác giữa các đặc trưng
• Window-based features (rolling statistics)
• Phân tích thành phần chính (PCA) để giảm chiều dữ liệu

4. Phân chia dữ liệu (Data Splitting)​

• Chia dữ liệu theo thời gian (không ngẫu nhiên)
• Tập huấn luyện: dữ liệu lịch sử cũ hơn
• Tập kiểm tra: dữ liệu gần đây hơn
• Tập xác thực: dữ liệu mới nhất
• Sử dụng kỹ thuật Walk-forward validation

Các mô hình Machine Learning cho dự đoán giá cổ phiếu​

Có nhiều mô hình machine learning được áp dụng trong dự đoán giá cổ phiếu, từ các mô hình truyền thống đến các mô hình sâu phức tạp.

1. Mô hình hồi quy (Regression Models)​

Linear Regression​

Mô hình đơn giản nhất, tìm mối quan hệ tuyến tính giữa các biến đầu vào và giá cổ phiếu.

Ưu điểm:

• Dễ hiểu và triển khai
• Tốc độ huấn luyện nhanh
• Có thể diễn giải được mối quan hệ giữa các biến

Nhược điểm:

• Không thể mô hình hóa các mối quan hệ phi tuyến
• Dễ bị ảnh hưởng bởi outliers
• Hiệu suất thấp với dữ liệu thị trường phức tạp

Ridge và Lasso Regression​

Các biến thể của hồi quy tuyến tính với điều kiện hóa L2 hoặc L1 để tránh overfitting.

Support Vector Regression (SVR)​

Tìm một siêu phẳng tối ưu, cho phép sai số trong một khoảng nhất định.

Ưu điểm:

• Xử lý tốt dữ liệu phi tuyến thông qua hàm kernel
• Ít bị ảnh hưởng bởi outliers
• Tốt trong không gian đặc trưng nhiều chiều

Nhược điểm:

• Khó mở rộng với tập dữ liệu lớn
• Hiệu suất phụ thuộc nhiều vào lựa chọn kernel và tham số

2. Mô hình cây quyết định (Tree-based Models)​

Random Forest​

Tổng hợp nhiều cây quyết định để cải thiện độ chính xác và giảm overfitting.

Ưu điểm:

• Xử lý tốt dữ liệu phi tuyến và tương tác giữa các biến
• Ít cần tiền xử lý dữ liệu (không cần chuẩn hóa)
• Cung cấp thông tin về tầm quan trọng của các đặc trưng
• Ít bị overfitting so với cây đơn lẻ

Nhược điểm:

• Khó diễn giải mô hình tổng thể
• Có thể chậm với tập dữ liệu rất lớn

Gradient Boosting Machines (GBM)​

Xây dựng mô hình từng bước, mỗi mô hình mới tập trung vào sửa lỗi của mô hình trước.

Ưu điểm:

• Thường cho độ chính xác cao hơn Random Forest
• Linh hoạt với nhiều loại dữ liệu và vấn đề
• Các biến thể như XGBoost, LightGBM, CatBoost rất mạnh mẽ

Nhược điểm:

• Dễ bị overfitting nếu không điều chỉnh tham số cẩn thận
• Tốn thời gian huấn luyện hơn Random Forest
• Khó diễn giải hơn các mô hình đơn giản

3. Mô hình học sâu (Deep Learning Models)​

Recurrent Neural Networks (RNN) và LSTM​

Thiết kế đặc biệt cho dữ liệu chuỗi thời gian, có khả năng "ghi nhớ" thông tin từ các bước thời gian trước.

Ưu điểm:

• Xử lý tốt dữ liệu chuỗi thời gian và phụ thuộc dài hạn
• Không cần nhiều feature engineering thủ công
• Có thể học các mẫu phức tạp trong dữ liệu

Nhược điểm:

• Yêu cầu nhiều dữ liệu để huấn luyện hiệu quả
• Dễ bị overfitting với dữ liệu nhỏ
• Tốn kém về tài nguyên tính toán
• "Hộp đen", khó diễn giải

Convolutional Neural Networks (CNN)​

Thường được sử dụng cho dữ liệu hình ảnh, nhưng cũng hiệu quả cho chuỗi thời gian khi biểu diễn dưới dạng đồ thị 1D.

Transformer Models​

Mạng neural dựa trên cơ chế attention, hiệu quả trong việc nắm bắt các phụ thuộc dài hạn.

Ưu điểm:

• Xử lý tốt các phụ thuộc dài hạn mà không gặp vấn đề về độ dốc như RNN
• Xử lý song song hiệu quả hơn so với RNN
• Hiệu suất tốt trên nhiều loại dữ liệu khác nhau

Nhược điểm:

• Yêu cầu tài nguyên tính toán lớn
• Cần nhiều dữ liệu để huấn luyện
• Phức tạp trong việc triển khai và tinh chỉnh

4. Mô hình kết hợp (Ensemble Models)​

Kết hợp nhiều mô hình khác nhau để tận dụng ưu điểm của từng loại:

• Stacking: Sử dụng đầu ra của các mô hình làm đầu vào cho mô hình meta-learner
• Blending: Tương tự stacking nhưng sử dụng tập dữ liệu hold-out
• Simple Averaging: Lấy trung bình kết quả từ nhiều mô hình
• Weighted Averaging: Trung bình có trọng số dựa trên hiệu suất của từng mô hình

Đánh giá hiệu suất của mô hình dự đoán​

Đánh giá mô hình dự đoán giá cổ phiếu không chỉ dựa vào các chỉ số thống kê mà còn cân nhắc hiệu quả đầu tư thực tế.

1. Các chỉ số đánh giá thống kê​

• MSE (Mean Squared Error): Đo lường trung bình bình phương sai số
• RMSE (Root Mean Squared Error): Căn bậc hai của MSE, dễ diễn giải hơn
• MAE (Mean Absolute Error): Trung bình giá trị tuyệt đối sai số
• MAPE (Mean Absolute Percentage Error): Sai số phần trăm trung bình
• R² (R-squared): Tỷ lệ phương sai được giải thích bởi mô hình
• Directional Accuracy: Tỷ lệ dự đoán đúng hướng thay đổi giá (tăng/giảm)

2. Đánh giá hiệu quả đầu tư​

• Lợi nhuận ròng: Hiệu suất của chiến lược giao dịch dựa trên dự đoán
• Sharpe Ratio: Đánh giá lợi nhuận điều chỉnh theo rủi ro
• Maximum Drawdown: Mức sụt giảm tối đa từ đỉnh đến đáy
• Win Rate: Tỷ lệ giao dịch có lợi nhuận
• Profit Factor: Tỷ lệ giữa tổng lợi nhuận và tổng lỗ

3. Backtesting và Forward Testing​

• Backtesting: Kiểm tra hiệu suất của mô hình trên dữ liệu lịch sử
• Forward Testing: Theo dõi hiệu suất của mô hình trên dữ liệu mới trong thời gian thực
• Walk-forward Analysis: Kết hợp backtesting và forward testing để đánh giá toàn diện

Thách thức và hạn chế trong dự đoán giá cổ phiếu bằng Machine Learning​

1. Thách thức về dữ liệu​

• Nhiễu: Dữ liệu thị trường chứng khoán có nhiều nhiễu
• Phi tuyến tính: Mối quan hệ phức tạp giữa các biến
• Không dừng (Non-stationary): Đặc tính thống kê của dữ liệu thay đổi theo thời gian
• Hiệu ứng Butterfly: Những sự kiện nhỏ có thể gây ra biến động lớn

2. Thách thức về thị trường​

• Giả thuyết thị trường hiệu quả (EMH): Giá đã phản ánh tất cả thông tin sẵn có
• Tự tương quan thấp: Giá trong quá khứ có thể ít liên quan đến giá tương lai
• Yếu tố tâm lý: Tâm lý thị trường khó lượng hóa và dự đoán
• Biến động đột ngột: Các sự kiện "thiên nga đen" không thể dự đoán trước

3. Thách thức về mô hình​

• Overfitting: Mô hình học quá kỹ dữ liệu huấn luyện, không tổng quát hóa tốt
• Underfitting: Mô hình quá đơn giản, không nắm bắt được các mẫu phức tạp
• Feature Selection: Khó khăn trong việc chọn đặc trưng phù hợp
• Model Decay: Hiệu suất của mô hình giảm dần theo thời gian

Hướng tiếp cận hiệu quả cho nhà đầu tư​

Dù có những thách thức, machine learning vẫn có thể đóng vai trò quan trọng trong chiến lược đầu tư. Một số hướng tiếp cận thực tế:

1. Kết hợp nhiều phương pháp​

• Sử dụng machine learning như một công cụ bổ sung, không phải công cụ duy nhất
• Kết hợp phân tích kỹ thuật, phân tích cơ bản và các chỉ số vĩ mô
• Xây dựng hệ thống phân tích đa chiều thay vì chỉ dự đoán giá

2. Tập trung vào dự đoán xu hướng​

• Thay vì dự đoán giá chính xác, tập trung vào hướng di chuyển của giá
• Dự đoán xác suất biến động giá thay vì giá trị tuyệt đối
• Xác định các mẫu và anomaly để đưa ra quyết định

3. Cập nhật liên tục​

• Huấn luyện lại mô hình thường xuyên với dữ liệu mới
• Thiết kế mô hình có khả năng thích ứng với điều kiện thị trường thay đổi
• Giám sát hiệu suất liên tục và điều chỉnh khi cần

4. Quản lý rủi ro nghiêm ngặt​

• Thiết lập giới hạn lỗ (stop-loss) cho mọi giao dịch
• Đa dạng hóa danh mục đầu tư
• Kiểm tra sức chịu đựng (stress-testing) của chiến lược trong các kịch bản khác nhau
• Không đặt quá nhiều niềm tin vào bất kỳ mô hình nào

Công cụ và nguồn dữ liệu cho nhà đầu tư​

1. Thư viện và Framework​

• Python: pandas, numpy, scikit-learn, TensorFlow, PyTorch, Keras
• R: quantmod, TTR, caret, xgboost
• Specialized: TA-Lib (chỉ số kỹ thuật), Prophet (dự báo chuỗi thời gian)
• Visualization: matplotlib, seaborn, plotly

2. Nguồn dữ liệu​

• API Tài chính: Alpha Vantage, Yahoo Finance, Quandl, IEX Cloud
• Dữ liệu vĩ mô: FRED (Federal Reserve Economic Data)
• Tin tức và Sentiment: Bloomberg, Reuters, Twitter API, FinBERT
• Dữ liệu thay thế: Orbital Insight, Thinknum, Quiver Quantitative

3. Nền tảng Backtesting​

• Python: Backtrader, PyAlgoTrade, Zipline
• Commercial: QuantConnect, Alpaca, MetaTrader

Kết luận​

Machine learning mang đến nhiều cơ hội và công cụ mới cho việc phân tích và dự đoán thị trường chứng khoán. Tuy nhiên, điều quan trọng là phải có một cái nhìn thực tế về khả năng và giới hạn của các mô hình này.

Nhà đầu tư thông minh nên xem machine learning như một công cụ hỗ trợ trong bộ công cụ đầu tư rộng lớn hơn, kết hợp với kiến thức cơ bản về thị trường, nguyên tắc quản lý rủi ro và sự hiểu biết về kinh tế vĩ mô. Bằng cách này, chúng ta có thể tận dụng sức mạnh của AI để cải thiện quá trình ra quyết định, đồng thời tránh những cạm bẫy của việc tin tưởng quá mức vào "hộp đen" dự đoán.

Thị trường chứng khoán sẽ luôn chứa đựng yếu tố bất định, nhưng với cách tiếp cận kết hợp giữa khoa học dữ liệu và kiến thức tài chính, chúng ta có thể nâng cao cơ hội thành công trong hành trình đầu tư dài hạn.

Bạn đã từng sử dụng machine learning trong đầu tư chứng khoán? Hãy chia sẻ kinh nghiệm của bạn trong phần bình luận nhé!

Giới thiệu​

Dự đoán giá cổ phiếu là một trong những bài toán phức tạp nhất trong lĩnh vực tài chính, thu hút sự quan tâm của cả nhà đầu tư cá nhân lẫn tổ chức. Tuy nhiên, với sự phát triển của các kỹ thuật học máy (Machine Learning) và trí tuệ nhân tạo (AI), việc dự đoán biến động giá cổ phiếu đã trở nên khả thi hơn. Bài viết này sẽ hướng dẫn cách sử dụng Machine Learning trong Python để dự đoán giá cổ phiếu.

Thu thập dữ liệu​

Bước đầu tiên trong quá trình dự đoán giá cổ phiếu là thu thập dữ liệu lịch sử. Python cung cấp nhiều thư viện hữu ích để lấy dữ liệu tài chính như yfinance, pandas-datareader, hoặc các API từ các sàn giao dịch.

import yfinance as yf
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from datetime import datetime, timedelta

# Xác định khoảng thời gian
end_date = datetime.now()
start_date = end_date - timedelta(days=365*5)  # Lấy dữ liệu 5 năm

# Lấy dữ liệu cổ phiếu
ticker = "AAPL"  # Apple Inc.
data = yf.download(ticker, start=start_date, end=end_date)

# Xem dữ liệu
print(data.head())

Dữ liệu thu thập thường bao gồm giá mở cửa (Open), giá cao nhất (High), giá thấp nhất (Low), giá đóng cửa (Close), giá đóng cửa đã điều chỉnh (Adjusted Close) và khối lượng giao dịch (Volume).

Tiền xử lý dữ liệu​

Trước khi áp dụng các thuật toán học máy, chúng ta cần tiền xử lý dữ liệu như xử lý giá trị thiếu, chuẩn hóa dữ liệu và tạo các tính năng mới.

# Xử lý giá trị thiếu
data = data.dropna()

# Thêm các chỉ báo kỹ thuật
# 1. Trung bình động (Moving Average)
data['MA20'] = data['Close'].rolling(window=20).mean()
data['MA50'] = data['Close'].rolling(window=50).mean()

# 2. MACD (Moving Average Convergence Divergence)
def calculate_macd(data, fast=12, slow=26, signal=9):
    data['EMA_fast'] = data['Close'].ewm(span=fast, adjust=False).mean()
    data['EMA_slow'] = data['Close'].ewm(span=slow, adjust=False).mean()
    data['MACD'] = data['EMA_fast'] - data['EMA_slow']
    data['MACD_signal'] = data['MACD'].ewm(span=signal, adjust=False).mean()
    data['MACD_histogram'] = data['MACD'] - data['MACD_signal']
    return data

data = calculate_macd(data)

# 3. RSI (Relative Strength Index)
def calculate_rsi(data, period=14):
    delta = data['Close'].diff()
    gain = delta.where(delta > 0, 0)
    loss = -delta.where(delta < 0, 0)
    
    avg_gain = gain.rolling(window=period).mean()
    avg_loss = loss.rolling(window=period).mean()
    
    rs = avg_gain / avg_loss
    rsi = 100 - (100 / (1 + rs))
    
    data['RSI'] = rsi
    return data

data = calculate_rsi(data)

# 4. Độ biến động (Volatility)
data['Volatility'] = data['Close'].pct_change().rolling(window=20).std() * np.sqrt(20)

# Loại bỏ các dòng chứa giá trị NaN sau khi tính toán
data = data.dropna()

print(data.head())

Chuẩn bị dữ liệu cho mô hình​

Tiếp theo, chúng ta cần chia dữ liệu thành tập huấn luyện (training set) và tập kiểm tra (test set), đồng thời chuẩn hóa dữ liệu để tăng hiệu suất của mô hình.

from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split

# Tính năng (features) và mục tiêu (target)
features = ['Open', 'High', 'Low', 'Volume', 'MA20', 'MA50', 'MACD', 'RSI', 'Volatility']
X = data[features]
y = data['Close']

# Chuẩn hóa dữ liệu
scaler = MinMaxScaler()
X_scaled = scaler.fit_transform(X)

# Chia tập dữ liệu (80% training, 20% testing)
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42, shuffle=False)

print(f"Kích thước tập huấn luyện: {X_train.shape}")
print(f"Kích thước tập kiểm tra: {X_test.shape}")

Xây dựng và huấn luyện mô hình​

Chúng ta có thể sử dụng nhiều thuật toán khác nhau để dự đoán giá cổ phiếu. Dưới đây là một số mô hình phổ biến:

1. Mô hình hồi quy tuyến tính​

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# Khởi tạo mô hình
model = LinearRegression()

# Huấn luyện mô hình
model.fit(X_train, y_train)

# Dự đoán trên tập kiểm tra
y_pred = model.predict(X_test)

# Đánh giá mô hình
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
r2 = r2_score(y_test, y_pred)

print(f"Mean Squared Error: {mse:.2f}")
print(f"Root Mean Squared Error: {rmse:.2f}")
print(f"R² Score: {r2:.2f}")

# Hiển thị tầm quan trọng của các tính năng
importance = pd.DataFrame({'Feature': features, 'Importance': model.coef_})
importance = importance.sort_values('Importance', ascending=False)
print("\nTầm quan trọng của các tính năng:")
print(importance)

2. Mô hình Random Forest​

from sklearn.ensemble import RandomForestRegressor

# Khởi tạo mô hình
rf_model = RandomForestRegressor(n_estimators=100, random_state=42)

# Huấn luyện mô hình
rf_model.fit(X_train, y_train)

# Dự đoán trên tập kiểm tra
rf_y_pred = rf_model.predict(X_test)

# Đánh giá mô hình
rf_mse = mean_squared_error(y_test, rf_y_pred)
rf_rmse = np.sqrt(rf_mse)
rf_r2 = r2_score(y_test, rf_y_pred)

print(f"Random Forest - MSE: {rf_mse:.2f}")
print(f"Random Forest - RMSE: {rf_rmse:.2f}")
print(f"Random Forest - R²: {rf_r2:.2f}")

3. Mô hình mạng nơ-ron (Neural Network)​

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, LSTM
from tensorflow.keras.optimizers import Adam
from sklearn.preprocessing import MinMaxScaler

# Tái định dạng dữ liệu cho LSTM
def create_sequences(X, y, time_steps=10):
    Xs, ys = [], []
    for i in range(len(X) - time_steps):
        Xs.append(X[i:(i + time_steps)])
        ys.append(y[i + time_steps])
    return np.array(Xs), np.array(ys)

# Chuẩn hóa tất cả dữ liệu
scaler_X = MinMaxScaler()
scaler_y = MinMaxScaler()

X_scaled = scaler_X.fit_transform(data[features])
y_scaled = scaler_y.fit_transform(data[['Close']])

# Tạo chuỗi thời gian
time_steps = 10
X_seq, y_seq = create_sequences(X_scaled, y_scaled, time_steps)

# Chia tập dữ liệu
train_size = int(len(X_seq) * 0.8)
X_train_seq = X_seq[:train_size]
y_train_seq = y_seq[:train_size]
X_test_seq = X_seq[train_size:]
y_test_seq = y_seq[train_size:]

# Xây dựng mô hình LSTM
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(X_train_seq.shape[1], X_train_seq.shape[2])))
model.add(Dropout(0.2))
model.add(LSTM(units=50, return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(units=50))
model.add(Dropout(0.2))
model.add(Dense(units=1))

# Biên dịch mô hình
model.compile(optimizer=Adam(learning_rate=0.001), loss='mean_squared_error')

# Huấn luyện mô hình
history = model.fit(
    X_train_seq, y_train_seq,
    epochs=100,
    batch_size=32,
    validation_split=0.1,
    verbose=1
)

# Dự đoán
y_pred_seq = model.predict(X_test_seq)

# Chuyển đổi về giá trị gốc
y_test_inv = scaler_y.inverse_transform(y_test_seq)
y_pred_inv = scaler_y.inverse_transform(y_pred_seq)

# Đánh giá mô hình
lstm_mse = mean_squared_error(y_test_inv, y_pred_inv)
lstm_rmse = np.sqrt(lstm_mse)

print(f"LSTM - MSE: {lstm_mse:.2f}")
print(f"LSTM - RMSE: {lstm_rmse:.2f}")

Dự đoán giá cổ phiếu trong tương lai​

Một khi đã huấn luyện mô hình, chúng ta có thể sử dụng nó để dự đoán giá cổ phiếu trong tương lai:

def predict_future_prices(model, data, features, scaler, days=30):
    # Lấy dữ liệu cuối cùng
    last_data = data[features].iloc[-time_steps:].values
    last_data_scaled = scaler_X.transform(last_data)
    
    # Tạo danh sách để lưu trữ dự đoán
    future_predictions = []
    
    # Dự đoán cho 'days' ngày tiếp theo
    current_batch = last_data_scaled.reshape(1, time_steps, len(features))
    
    for _ in range(days):
        # Dự đoán giá tiếp theo
        future_price = model.predict(current_batch)[0]
        future_predictions.append(future_price)
        
        # Tạo dữ liệu mới cho dự đoán tiếp theo
        # (Dùng một cách đơn giản để minh họa - trong thực tế cần phức tạp hơn)
        new_data_point = current_batch[0][-1:].copy()
        new_data_point[0][0] = future_price[0]  # Thay đổi giá đóng cửa
        
        # Cập nhật batch hiện tại
        current_batch = np.append(current_batch[:,1:,:], [new_data_point], axis=1)
    
    # Chuyển đổi về giá trị gốc
    future_predictions = scaler_y.inverse_transform(np.array(future_predictions))
    
    return future_predictions

# Dự đoán giá cho 30 ngày tiếp theo
future_prices = predict_future_prices(model, data, features, scaler_X, days=30)

# Hiển thị kết quả
last_date = data.index[-1]
future_dates = pd.date_range(start=last_date + timedelta(days=1), periods=30)

future_df = pd.DataFrame({
    'Date': future_dates,
    'Predicted_Close': future_prices.flatten()
})

print(future_df)

Hiển thị dự đoán​

Cuối cùng, chúng ta có thể trực quan hóa kết quả dự đoán bằng thư viện matplotlib:

plt.figure(figsize=(14, 7))

# Vẽ giá đóng cửa lịch sử
plt.plot(data.index[-100:], data['Close'][-100:], label='Giá lịch sử', color='blue')

# Vẽ giá dự đoán
plt.plot(future_df['Date'], future_df['Predicted_Close'], label='Giá dự đoán', color='red', linestyle='--')

# Thêm vùng tin cậy (mô phỏng - trong thực tế cần tính toán thêm)
confidence = 0.1  # 10% độ không chắc chắn
upper_bound = future_df['Predicted_Close'] * (1 + confidence)
lower_bound = future_df['Predicted_Close'] * (1 - confidence)

plt.fill_between(future_df['Date'], lower_bound, upper_bound, color='red', alpha=0.2, label='Khoảng tin cậy 90%')

plt.title(f'Dự đoán giá cổ phiếu {ticker}')
plt.xlabel('Ngày')
plt.ylabel('Giá (USD)')
plt.legend()
plt.grid(True, alpha=0.3)
plt.xticks(rotation=45)
plt.tight_layout()
plt.savefig('stock_prediction_result.png')
plt.show()

Đánh giá và cải thiện mô hình​

Để có kết quả dự đoán chính xác hơn, chúng ta có thể cải thiện mô hình bằng nhiều cách:

1. Thêm nhiều tính năng hơn: Bổ sung các chỉ báo kỹ thuật khác, dữ liệu từ phân tích tình cảm (sentiment analysis) của tin tức và mạng xã hội.

2. Tinh chỉnh siêu tham số: Sử dụng tìm kiếm lưới (Grid Search) hoặc tìm kiếm ngẫu nhiên (Random Search) để tìm các siêu tham số tối ưu.

3. Sử dụng các mô hình tiên tiến hơn: Thử nghiệm với mô hình Transformer, GRU, hoặc kiến trúc kết hợp CNN-LSTM.

4. Kết hợp nhiều mô hình: Sử dụng phương pháp ensemble để kết hợp dự đoán từ nhiều mô hình khác nhau.

from sklearn.ensemble import VotingRegressor

# Kết hợp các mô hình đã huấn luyện
ensemble_model = VotingRegressor([
    ('linear', LinearRegression()),
    ('random_forest', RandomForestRegressor(n_estimators=100, random_state=42)),
    ('svr', SVR(kernel='rbf', C=100, gamma=0.1, epsilon=.1))
])

# Huấn luyện mô hình kết hợp
ensemble_model.fit(X_train, y_train)

# Dự đoán
ensemble_y_pred = ensemble_model.predict(X_test)

# Đánh giá
ensemble_mse = mean_squared_error(y_test, ensemble_y_pred)
ensemble_rmse = np.sqrt(ensemble_mse)
ensemble_r2 = r2_score(y_test, ensemble_y_pred)

print(f"Ensemble - MSE: {ensemble_mse:.2f}")
print(f"Ensemble - RMSE: {ensemble_rmse:.2f}")
print(f"Ensemble - R²: {ensemble_r2:.2f}")

Kết luận​

Dự đoán giá cổ phiếu bằng Machine Learning là một bài toán thú vị nhưng cũng đầy thách thức. Mặc dù không có mô hình nào có thể dự đoán chính xác 100% do tính chất phức tạp và không dự đoán được của thị trường tài chính, nhưng các kỹ thuật học máy có thể cung cấp cái nhìn sâu sắc và hỗ trợ cho việc ra quyết định đầu tư.

Điều quan trọng cần lưu ý là kết quả dự đoán không nên được xem là lời khuyên đầu tư, mà chỉ nên sử dụng như một công cụ bổ sung trong chiến lược đầu tư tổng thể, kết hợp với phân tích cơ bản, phân tích kỹ thuật, và hiểu biết về các yếu tố kinh tế vĩ mô.

Giới thiệu

Dự đoán giá cổ phiếu là một trong những bài toán phức tạp nhất trong lĩnh vực tài chính, thu hút sự quan tâm của cả nhà đầu tư cá nhân lẫn tổ chức. Tuy nhiên, với sự phát triển của các kỹ thuật học máy (Machine Learning) và trí tuệ nhân tạo (AI), việc dự đoán biến động giá cổ phiếu đã trở nên khả thi hơn. Bài viết này sẽ hướng dẫn cách sử dụng Machine Learning trong Python để dự đoán giá cổ phiếu.

Thu thập dữ liệu​

Bước đầu tiên trong quá trình dự đoán giá cổ phiếu là thu thập dữ liệu lịch sử. Python cung cấp nhiều thư viện hữu ích để lấy dữ liệu tài chính như yfinance, pandas-datareader, hoặc các API từ các sàn giao dịch.

import yfinance as yf
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from datetime import datetime, timedelta

# Xác định khoảng thời gian
end_date = datetime.now()
start_date = end_date - timedelta(days=365*5)  # Lấy dữ liệu 5 năm

# Lấy dữ liệu cổ phiếu
ticker = "AAPL"  # Apple Inc.
data = yf.download(ticker, start=start_date, end=end_date)

# Xem dữ liệu
print(data.head())

Dữ liệu thu thập thường bao gồm giá mở cửa (Open), giá cao nhất (High), giá thấp nhất (Low), giá đóng cửa (Close), giá đóng cửa đã điều chỉnh (Adjusted Close) và khối lượng giao dịch (Volume).

Tiền xử lý dữ liệu​

Trước khi áp dụng các thuật toán học máy, chúng ta cần tiền xử lý dữ liệu như xử lý giá trị thiếu, chuẩn hóa dữ liệu và tạo các tính năng mới.

# Xử lý giá trị thiếu
data = data.dropna()

# Thêm các chỉ báo kỹ thuật
# 1. Trung bình động (Moving Average)
data['MA20'] = data['Close'].rolling(window=20).mean()
data['MA50'] = data['Close'].rolling(window=50).mean()

# 2. MACD (Moving Average Convergence Divergence)
def calculate_macd(data, fast=12, slow=26, signal=9):
    data['EMA_fast'] = data['Close'].ewm(span=fast, adjust=False).mean()
    data['EMA_slow'] = data['Close'].ewm(span=slow, adjust=False).mean()
    data['MACD'] = data['EMA_fast'] - data['EMA_slow']
    data['MACD_signal'] = data['MACD'].ewm(span=signal, adjust=False).mean()
    data['MACD_histogram'] = data['MACD'] - data['MACD_signal']
    return data

data = calculate_macd(data)

# 3. RSI (Relative Strength Index)
def calculate_rsi(data, period=14):
    delta = data['Close'].diff()
    gain = delta.where(delta > 0, 0)
    loss = -delta.where(delta < 0, 0)
    
    avg_gain = gain.rolling(window=period).mean()
    avg_loss = loss.rolling(window=period).mean()
    
    rs = avg_gain / avg_loss
    rsi = 100 - (100 / (1 + rs))
    
    data['RSI'] = rsi
    return data

data = calculate_rsi(data)

# 4. Độ biến động (Volatility)
data['Volatility'] = data['Close'].pct_change().rolling(window=20).std() * np.sqrt(20)

# Loại bỏ các dòng chứa giá trị NaN sau khi tính toán
data = data.dropna()

print(data.head())

Chuẩn bị dữ liệu cho mô hình​

Tiếp theo, chúng ta cần chia dữ liệu thành tập huấn luyện (training set) và tập kiểm tra (test set), đồng thời chuẩn hóa dữ liệu để tăng hiệu suất của mô hình.

from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split

# Tính năng (features) và mục tiêu (target)
features = ['Open', 'High', 'Low', 'Volume', 'MA20', 'MA50', 'MACD', 'RSI', 'Volatility']
X = data[features]
y = data['Close']

# Chuẩn hóa dữ liệu
scaler = MinMaxScaler()
X_scaled = scaler.fit_transform(X)

# Chia tập dữ liệu (80% training, 20% testing)
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42, shuffle=False)

print(f"Kích thước tập huấn luyện: {X_train.shape}")
print(f"Kích thước tập kiểm tra: {X_test.shape}")

Xây dựng và huấn luyện mô hình​

Chúng ta có thể sử dụng nhiều thuật toán khác nhau để dự đoán giá cổ phiếu. Dưới đây là một số mô hình phổ biến:

1. Mô hình hồi quy tuyến tính​

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# Khởi tạo mô hình
model = LinearRegression()

# Huấn luyện mô hình
model.fit(X_train, y_train)

# Dự đoán trên tập kiểm tra
y_pred = model.predict(X_test)

# Đánh giá mô hình
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
r2 = r2_score(y_test, y_pred)

print(f"Mean Squared Error: {mse:.2f}")
print(f"Root Mean Squared Error: {rmse:.2f}")
print(f"R² Score: {r2:.2f}")

# Hiển thị tầm quan trọng của các tính năng
importance = pd.DataFrame({'Feature': features, 'Importance': model.coef_})
importance = importance.sort_values('Importance', ascending=False)
print("\nTầm quan trọng của các tính năng:")
print(importance)

2. Mô hình Random Forest​

from sklearn.ensemble import RandomForestRegressor

# Khởi tạo mô hình
rf_model = RandomForestRegressor(n_estimators=100, random_state=42)

# Huấn luyện mô hình
rf_model.fit(X_train, y_train)

# Dự đoán trên tập kiểm tra
rf_y_pred = rf_model.predict(X_test)

# Đánh giá mô hình
rf_mse = mean_squared_error(y_test, rf_y_pred)
rf_rmse = np.sqrt(rf_mse)
rf_r2 = r2_score(y_test, rf_y_pred)

print(f"Random Forest - MSE: {rf_mse:.2f}")
print(f"Random Forest - RMSE: {rf_rmse:.2f}")
print(f"Random Forest - R²: {rf_r2:.2f}")

3. Mô hình mạng nơ-ron (Neural Network)​

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, LSTM
from tensorflow.keras.optimizers import Adam
from sklearn.preprocessing import MinMaxScaler

# Tái định dạng dữ liệu cho LSTM
def create_sequences(X, y, time_steps=10):
    Xs, ys = [], []
    for i in range(len(X) - time_steps):
        Xs.append(X[i:(i + time_steps)])
        ys.append(y[i + time_steps])
    return np.array(Xs), np.array(ys)

# Chuẩn hóa tất cả dữ liệu
scaler_X = MinMaxScaler()
scaler_y = MinMaxScaler()

X_scaled = scaler_X.fit_transform(data[features])
y_scaled = scaler_y.fit_transform(data[['Close']])

# Tạo chuỗi thời gian
time_steps = 10
X_seq, y_seq = create_sequences(X_scaled, y_scaled, time_steps)

# Chia tập dữ liệu
train_size = int(len(X_seq) * 0.8)
X_train_seq = X_seq[:train_size]
y_train_seq = y_seq[:train_size]
X_test_seq = X_seq[train_size:]
y_test_seq = y_seq[train_size:]

# Xây dựng mô hình LSTM
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(X_train_seq.shape[1], X_train_seq.shape[2])))
model.add(Dropout(0.2))
model.add(LSTM(units=50, return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(units=50))
model.add(Dropout(0.2))
model.add(Dense(units=1))

# Biên dịch mô hình
model.compile(optimizer=Adam(learning_rate=0.001), loss='mean_squared_error')

# Huấn luyện mô hình
history = model.fit(
    X_train_seq, y_train_seq,
    epochs=100,
    batch_size=32,
    validation_split=0.1,
    verbose=1
)

# Dự đoán
y_pred_seq = model.predict(X_test_seq)

# Chuyển đổi về giá trị gốc
y_test_inv = scaler_y.inverse_transform(y_test_seq)
y_pred_inv = scaler_y.inverse_transform(y_pred_seq)

# Đánh giá mô hình
lstm_mse = mean_squared_error(y_test_inv, y_pred_inv)
lstm_rmse = np.sqrt(lstm_mse)

print(f"LSTM - MSE: {lstm_mse:.2f}")
print(f"LSTM - RMSE: {lstm_rmse:.2f}")

Dự đoán giá cổ phiếu trong tương lai​

Một khi đã huấn luyện mô hình, chúng ta có thể sử dụng nó để dự đoán giá cổ phiếu trong tương lai:

def predict_future_prices(model, data, features, scaler, days=30):
    # Lấy dữ liệu cuối cùng
    last_data = data[features].iloc[-time_steps:].values
    last_data_scaled = scaler_X.transform(last_data)
    
    # Tạo danh sách để lưu trữ dự đoán
    future_predictions = []
    
    # Dự đoán cho 'days' ngày tiếp theo
    current_batch = last_data_scaled.reshape(1, time_steps, len(features))
    
    for _ in range(days):
        # Dự đoán giá tiếp theo
        future_price = model.predict(current_batch)[0]
        future_predictions.append(future_price)
        
        # Tạo dữ liệu mới cho dự đoán tiếp theo
        # (Dùng một cách đơn giản để minh họa - trong thực tế cần phức tạp hơn)
        new_data_point = current_batch[0][-1:].copy()
        new_data_point[0][0] = future_price[0]  # Thay đổi giá đóng cửa
        
        # Cập nhật batch hiện tại
        current_batch = np.append(current_batch[:,1:,:], [new_data_point], axis=1)
    
    # Chuyển đổi về giá trị gốc
    future_predictions = scaler_y.inverse_transform(np.array(future_predictions))
    
    return future_predictions

# Dự đoán giá cho 30 ngày tiếp theo
future_prices = predict_future_prices(model, data, features, scaler_X, days=30)

# Hiển thị kết quả
last_date = data.index[-1]
future_dates = pd.date_range(start=last_date + timedelta(days=1), periods=30)

future_df = pd.DataFrame({
    'Date': future_dates,
    'Predicted_Close': future_prices.flatten()
})

print(future_df)

Hiển thị dự đoán​

Cuối cùng, chúng ta có thể trực quan hóa kết quả dự đoán bằng thư viện matplotlib:

plt.figure(figsize=(14, 7))

# Vẽ giá đóng cửa lịch sử
plt.plot(data.index[-100:], data['Close'][-100:], label='Giá lịch sử', color='blue')

# Vẽ giá dự đoán
plt.plot(future_df['Date'], future_df['Predicted_Close'], label='Giá dự đoán', color='red', linestyle='--')

# Thêm vùng tin cậy (mô phỏng - trong thực tế cần tính toán thêm)
confidence = 0.1  # 10% độ không chắc chắn
upper_bound = future_df['Predicted_Close'] * (1 + confidence)
lower_bound = future_df['Predicted_Close'] * (1 - confidence)

plt.fill_between(future_df['Date'], lower_bound, upper_bound, color='red', alpha=0.2, label='Khoảng tin cậy 90%')

plt.title(f'Dự đoán giá cổ phiếu {ticker}')
plt.xlabel('Ngày')
plt.ylabel('Giá (USD)')
plt.legend()
plt.grid(True, alpha=0.3)
plt.xticks(rotation=45)
plt.tight_layout()
plt.savefig('stock_prediction_result.png')
plt.show()

Đánh giá và cải thiện mô hình​

Để có kết quả dự đoán chính xác hơn, chúng ta có thể cải thiện mô hình bằng nhiều cách:

1. Thêm nhiều tính năng hơn: Bổ sung các chỉ báo kỹ thuật khác, dữ liệu từ phân tích tình cảm (sentiment analysis) của tin tức và mạng xã hội.

2. Tinh chỉnh siêu tham số: Sử dụng tìm kiếm lưới (Grid Search) hoặc tìm kiếm ngẫu nhiên (Random Search) để tìm các siêu tham số tối ưu.

3. Sử dụng các mô hình tiên tiến hơn: Thử nghiệm với mô hình Transformer, GRU, hoặc kiến trúc kết hợp CNN-LSTM.

4. Kết hợp nhiều mô hình: Sử dụng phương pháp ensemble để kết hợp dự đoán từ nhiều mô hình khác nhau.

from sklearn.ensemble import VotingRegressor

# Kết hợp các mô hình đã huấn luyện
ensemble_model = VotingRegressor([
    ('linear', LinearRegression()),
    ('random_forest', RandomForestRegressor(n_estimators=100, random_state=42)),
    ('svr', SVR(kernel='rbf', C=100, gamma=0.1, epsilon=.1))
])

# Huấn luyện mô hình kết hợp
ensemble_model.fit(X_train, y_train)

# Dự đoán
ensemble_y_pred = ensemble_model.predict(X_test)

# Đánh giá
ensemble_mse = mean_squared_error(y_test, ensemble_y_pred)
ensemble_rmse = np.sqrt(ensemble_mse)
ensemble_r2 = r2_score(y_test, ensemble_y_pred)

print(f"Ensemble - MSE: {ensemble_mse:.2f}")
print(f"Ensemble - RMSE: {ensemble_rmse:.2f}")
print(f"Ensemble - R²: {ensemble_r2:.2f}")

Kết luận​

Dự đoán giá cổ phiếu bằng Machine Learning là một bài toán thú vị nhưng cũng đầy thách thức. Mặc dù không có mô hình nào có thể dự đoán chính xác 100% do tính chất phức tạp và không dự đoán được của thị trường tài chính, nhưng các kỹ thuật học máy có thể cung cấp cái nhìn sâu sắc và hỗ trợ cho việc ra quyết định đầu tư.

Điều quan trọng cần lưu ý là kết quả dự đoán không nên được xem là lời khuyên đầu tư, mà chỉ nên sử dụng như một công cụ bổ sung trong chiến lược đầu tư tổng thể, kết hợp với phân tích cơ bản, phân tích kỹ thuật, và hiểu biết về các yếu tố kinh tế vĩ mô.

Trong thế giới giao dịch tự động, có hai loại bot chính: bot dựa trên quy tắc (rule-based) và bot sử dụng trí tuệ nhân tạo (AI). Mỗi loại có những ưu điểm và nhược điểm riêng. Bài viết này sẽ giúp bạn hiểu rõ sự khác biệt và lựa chọn loại bot phù hợp với nhu cầu của mình.

Mục lục​

• So sánh giữa bot rule-based và bot AI trong giao dịch
  • Mục lục
  • 1. Bot Rule-Based là gì?
    • Ưu điểm
    • Nhược điểm
  • 2. Bot AI là gì?
    • Ưu điểm
    • Nhược điểm
  • 3. So sánh chi tiết
  • 4. Khi nào nên sử dụng mỗi loại?
    • Nên sử dụng Bot Rule-Based khi:
    • Nên sử dụng Bot AI khi:
  • 5. Kết luận
  • Bài viết liên quan
  • Tài liệu tham khảo

1. Bot Rule-Based là gì?​

Bot rule-based là loại bot giao dịch hoạt động dựa trên một bộ quy tắc được định nghĩa trước. Các quy tắc này thường dựa trên các chỉ báo kỹ thuật, mẫu hình giá, hoặc các điều kiện thị trường cụ thể.

Ưu điểm​

• Dễ hiểu và kiểm soát
• Hiệu suất ổn định và dự đoán được
• Chi phí phát triển và vận hành thấp
• Thời gian phát triển ngắn
• Dễ dàng bảo trì và điều chỉnh

Nhược điểm​

• Khả năng thích nghi với thị trường hạn chế
• Không thể học hỏi từ dữ liệu mới
• Hiệu suất phụ thuộc vào chất lượng quy tắc
• Khó xử lý các tình huống phức tạp

2. Bot AI là gì?​

Bot AI sử dụng các thuật toán machine learning và deep learning để học hỏi từ dữ liệu thị trường và đưa ra quyết định giao dịch. Loại bot này có khả năng tự học và thích nghi với điều kiện thị trường thay đổi.

Ưu điểm​

• Khả năng học hỏi và thích nghi cao
• Xử lý được các tình huống phức tạp
• Phát hiện được các mẫu hình ẩn
• Hiệu suất có thể vượt trội trong điều kiện thị trường phù hợp

Nhược điểm​

• Chi phí phát triển và vận hành cao
• Yêu cầu lượng dữ liệu lớn để huấn luyện mô hình
• Khó kiểm soát và giải thích quyết định
• Có thể bị overfitting hoặc underfitting

3. So sánh chi tiết​

4. Khi nào nên sử dụng mỗi loại?​

Nên sử dụng Bot Rule-Based khi:​

• Bạn mới bắt đầu với giao dịch tự động
• Thị trường tương đối ổn định và có quy luật rõ ràng
• Bạn muốn kiểm soát hoàn toàn chiến lược giao dịch
• Ngân sách phát triển hạn chế
• Cần triển khai nhanh chóng

Nên sử dụng Bot AI khi:​

• Bạn có kinh nghiệm với giao dịch tự động
• Thị trường biến động mạnh và phức tạp
• Có đủ dữ liệu lịch sử để huấn luyện mô hình
• Có ngân sách và thời gian để phát triển
• Cần khả năng thích nghi cao với thị trường

5. Kết luận​

Việc lựa chọn giữa bot rule-based và bot AI phụ thuộc vào nhiều yếu tố như kinh nghiệm, ngân sách, thời gian và yêu cầu cụ thể của chiến lược giao dịch. Trong thực tế, nhiều trader kết hợp cả hai loại bot để tận dụng ưu điểm của mỗi loại.

Bài viết liên quan​

• Các công nghệ thường dùng để lập trình bot giao dịch
• Hướng dẫn xây dựng bot giao dịch rule-based đơn giản
• Giới thiệu về machine learning trong giao dịch

Tài liệu tham khảo​

1. Machine Learning for Trading
2. Algorithmic Trading: Winning Strategies and Their Rationale
3. Deep Learning for Finance
4. Python for Finance