Đồ án tốt nghiệp - Dự báo Vnindex bằng RNN (Recurrent neural network) kết hợp với ARIMA: Đồ ÁTNNKTDL

Tên môn học: Khóa luận tốt nghiệp

Giá: 86.000đ

Tổng thanh toán:

86.000đ

Người đăng tải:

#10377

Chi tiết tài liệu :

Đồ án tốt nghiệp ngành Kỹ thuật dữ liệu - Dự báo Vnindex bằng RNN (Recurrent neural network) kết hợp với ARIMA: Đồ án tốt nghiệp ngành Kỹ thuật dữ liệu - Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (HCMUTE)

Định dạng	PDF
Dung lượng	6.66 MB
Số trang	98
Ngành	Kỹ thuật dữ liệu

Lượt xem	5
Ngày đăng	06/02/2026

-

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP.HCM
KHOA CÔNG NGHỆ THÔNG TIN
NGÀNH KỸ THUẬT DỮ LIỆU
- -

KHÓA LUẬN TỐT NGHIỆP

VŨ NGỌC KHANG - 17133033
NGUYỄN PHƯỚC SANG – 17133055
ĐỀ TÀI:

DỰ BÁO VNINDEX BẰNG RNN (RECURRENT NEURAL NETWORK)
KẾT HỢP VỚI ARIMA

GIẢNG VIÊN HƯỚNG DẪN
TS. NGUYỄN THÀNH SƠN

Tp. Hồ Chí Minh, tháng 7 năm 2022

ĐH SƯ PHẠM KỸ THUẬT TP.HCM

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

KHOA CNTT

Độc lập - Tự do Hạnh phúc

*******

*******

PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN
Họ và tên Sinh viên 1: Vũ Ngọc Khang

MSSV 1: 17133033

Họ và tên Sinh viên 2: Nguyễn Phước Sang

MSSV 2: 17133055

Ngành: Kỹ thuật dữ liệu
Tên đề tài: DỰ BÁO VNINDEX BẰNG RNN (RECURRENT NEURAL NETWORK)
KẾT HỢP ARIMA
Họ và tên Giảng viên hướng dẫn: TS. Nguyễn Thành Sơn
NHẬN XÉT
1. Về nội dung đề tài và khối lượng thực hiện:
...........................................................................................................................................
...........................................................................................................................................
...........................................................................................................................................
...........................................................................................................................................
2. Ưu điểm:
...........................................................................................................................................
...........................................................................................................................................
...........................................................................................................................................
...........................................................................................................................................
3. Khuyết điểm:
...........................................................................................................................................
...........................................................................................................................................
...........................................................................................................................................
......................................................................................
...

...
er Publication March, 2003
[13] BeriDang. “Dự báo chỉ số VNIndex bằng mô hình ARIMA” (2018)
[14] Rob J Hyndman, George Athanasopoulos. “Foreing: Principles and
Practice”.
[15] http://en.wikipedia.org/wiki/Time_series
[16]

https://en.wikipedia.org/wiki/Autoregressive%E2%80%93moving-average

_model
87

[17] Ratnadip Adhikari R. K. Agrawal An Introductory Study on Time Series
Modeling and Foreing (2013), pages: 18-23
[18] Robert H. Shumway David S. Stoffer “Time Series Analysis and Its
Applications”, pages:137-144
[19] S. K. Lahiri, K.C. Ghanta. “Artificial neural network model with the
parameter tuning assisted by a differential evolution technique: the study of the
hold up of the slurry flow in a pipeline”. Chemical Industry &amp Chemical
Engineering Quarterly 15 (2) 103−117, (2009)
[20] Miroslav R. Radovanović. Optimal ion of ANN Training and
Architectural Parameters Using Taguchi Method: A Case Study. Full Professor
University of Niš Faculty of Mechanical Engineering
[21] L. Zhang, G. X. Zhang, and R. R. Li. “Water Quality Analysis and Prediction
Using Hybrid Time Series and Neural Network Models”. JAST_Volume
18_Issue 4_Pages 975-983 (2018)
[22] https://www.vndirect.com.vn/kien-thuc-co-ban/co-phieu/
[23]

https://emime.vn/kien-thuc-dau-tu/nhung-co-hoi-va-rui-ro-nao-khi-dau-tu-

chung-khoan-496/
[24] Phạm Chí Công. “Dự báo trên chuỗi thời gian sử dụng mô hình lai ghép
ARIMA và RBFNN”. Luận văn thạc sĩ, Trường Đại học Sư phạm Kỹ thuật,
TPHCM, (2021)

88

PHỤ LỤC
Hướng dẫn sử dụng chương trình demo
1. MÔI TRƯỜNG THỰC NGHIỆM
-

Hệ thống thực nghiệm trên máy tính Dell Inspiron 5558, Inter® core™ i5-5200U
CPU @ 2.2 GHz, 8 GB RAM trở lên, hệ điều hành Windows 10.

-

Sử dụng tốt trên phần mềm Python 3.8.8, sử dụng các thư viện numpy, pandas,
tensorflow, warnings, auto_arima, mean_squared_error, mean_absolute_error,
math, streamlit, mathplotlib, plotly, MinMaxScaler, Dense, out, LSTM,
Sequential, datetime.

2. CÁC BƯỚC THỰC HIỆN DEMO
-

Từ của sổ Command Prompt thực hiện chương trình bằng cách gọi ứng dụng Demo:
streamlit run arima_lstm.py.

-

Chọn tập dữ liệu dự báo: Browse files.

-

Chọn cột dữ liệu để dự báo.

-

Chọn số lượng Training data rate.

-

Chọn các tham số bắt đầu cho mô hình ARIMA để tìm ra tham số tốt nhất.

-

Chọn các tham số cho mô hình LSTM.

-

Chọn số lượng out.

-

Bấm vào nút “Apply Changes” để chạy chương trình.

-

Bấm  ở cửa sổ Demo và cửa sổ Command Prompt để kết thúc chương trình.

89