BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA CÔNG NGHỆ THÔNG TIN






Phạm Thanh Bách: 19133007
Bùi Quốc Kiệt: 19133030
Võ Thành Đạt: 19133019

ĐỀ TÀI:
ỨNG DỤNG DỰ ĐOÁN GIÁ CHỨNG KHOÁN BẰNG MÔ
HÌNH LAI GHÉP GIỮA ARIMA VÀ RNN
KHÓA LUẬN TỐT NGHIỆP

GIÁO VIÊN HƯỚNG DẪN

TS. NGUYỄN THÀNH SƠN

KHÓA 2019 - 2023

1

ĐH SƯ PHẠM KỸ THUẬT TP.HCM

CỘNG HOÀ 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: Phạm Thanh Bách

MSSV: 19133007

Họ và tên Sinh viên 2: Bùi Quốc Kiệt

MSSV: 19133030

Họ và tên Sinh viên 3: Võ Thành Đạt

MSSV: 19133019

Ngành: Kỹ thuật dữ liệu
Tên đề tài: Ứng dụng dự đoán chứng khoán bằng mô hình lai ghép giữa ARIMA và RNN
Họ và tên giáo viên hướng dẫn: TS. Nguyễn Thành Sơn
NHẬN XÉT
1. Về nội dung đề tài khối lượng thực hiện:
………………………………………………………………………………………………………
………………………………………………………………………………………………………
………………………………………………………………………………………………………
2. Ưu điểm:
………………………………………………………………………………………………………
………………………………………………………………………………………………………
3. Khuyết điểm
………………………………………………………………………………………………………
………………………………………………………………………………………………………
4. Đề nghị cho bảo vệ hay không?
5. Đánh giá loại:
6. Điểm:
Tp. Hồ Chí Minh, ngày

tháng

năm 2023

Giáo viên hướng dẫn
(Ký &amp ghi rõ họ tên)
2

ĐH SƯ PHẠM KỸ THUẬT TP.HCM

CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM

KHOA CNTT

Độc lập – Tự do – Hạnh Phúc

********

********

PHIẾU NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN
Họ và tên Sinh viên 1: Phạm Thanh Bách

MSSV: 19133007

Họ và tên Sinh viên 2: Bùi Quốc Kiệt

MSSV: 19133030

Họ và tên Sinh viên 3: Võ Thành Đạt

MSSV: 19133019

Ngành: Kỹ thuật dữ liệu
Tên đề tài: Ứng dụng dự đoán chứng khoán bằng mô hình lai ghép giữa ARIMA và RNN
Họ và tên giáo viên phản biện: ThS. Lê Thị Minh Châu
NHẬN XÉT
1. Về nội dung đề tài khối lượng thực hiện:
………………………………………………………………………………………………………
………………………………………………………………………………………………………
2. Ưu điểm:
………………………………………………………………………………………………………
………………………………………………………………………………………………………
3. Khuyết điểm
………………………………………………………………………………………………………
………………………………………………………………………………………………………
4. Đề nghị cho bảo vệ hay không?
5. Đánh giá loại:
6. Điểm:
Tp. Hồ Chí Minh, ngày

tháng

năm 2023

Giáo viên hướng dẫn
(Ký &amp ghi rõ họ tên)

3

MỤC LỤC
MỤC LỤC HÌNH ẢNH.................................................................................................7
PHẦN 1: MỞ ĐẦU ...............................................
...

...
khoán tốt hơn mô
hình cũ trên cùng các tập dữ liệu đã sử dụng cho mô hình trước đó.
Thực hiện lai ghép 2 mô hình (ARIMA, RNN) bằng lai ghép tuần tự và song
song cho ra kết quả tốt hơn 2 mô hình riêng lẻ.
Giao diện demo dễ nhìn, dễ sử dụng, có các chức năng như (nhập tập dữ liệu
đầu vào, chọn tỉ lệ train/test, đưa ra tham số tối ưu của mô hình, đưa ra lỗi dự đoán,
dự báo được giá chứng khoán của tương lai, đưa ra biểu đồ dự báo,…)
2. Những đóng góp, đề xuất mới
- Thực hiện dự đoán giá chứng khoán tương lai mô hình RNN, LSTM
- Lai ghép mô hình ARIMA và RNN
- Cải tiến, hiệu chỉnh trang web thêm các chức năng như (hiện biểu đồ dự báo
ở khung cửa sổ mới, đưa toàn bộ khung demo vào chung một màn hình,…)
3. Ưu, nhược điểm đề tài
Ưu điểm:
- Mô hình có quá trình học tập tương đối nhanh
- Độ chính xác cao nhưng chưa đạt mức đưa vào áp dụng thực tiễn
- Trang web demo dễ nhìn, dễ sử dụng đầy đủ các tính năng cơ bản
Nhược điểm:
- Thời gian dự đoán của mô hình còn chưa nhanh
- Độ chính xác của mô hình chưa đạt mức để đưa vào thực tiễn 95%
4. Phương hướng phát triển đề tài
- Thử nghiệm lai ghép với các mô hình khác để tăng độ chính xác dự đoán
(SVM,…)
- Phát triển website có đầy đủ giao diện (đăng nhập, đăng ký, thao tác với
web,…).
- Kết nối bằng API để lấy dữ liệu thời gian thực.
- Lưu các giá trị đã thực thi

69

Tài liệu tham khảo
[1]. phamdinhkhanh. (2019). Mô hình ARIMA trong time series.
https://phamdinhkhanh.github.io/2019/12/12/ARIMAmodel.html
[2]. Mohd Zamri Ibrahim, R. Z. (2019). Foreing and Time Series Analysis of
Air Pollutants in Several Area of Malaysia. American Journal of
Environmental Sciences 5 (5): 625 – 632. ISSN 1553-345X
[3]. Huyền, N. T. (2021). Recurrent Neural Network: Từ RNN đến LSTM.
https://viblo.asia/p/recurrent-neural-network-tu-rnn-den-lstm-gGJ597z1ZX2
[4]. Nttuan8. (2019). Recurrent neural network. https://nttuan8.com/bai-13recurrent-neural-network/
[5]. Alsuwaylimi, A. A. (2022). Comparison of ARIMA, ANN and Hybrid ARIMAANN Models for Time Series Foreing (3.3.1 Additive Hybrid Model).
Department of Information Technology, College of Computing and
Information Technology, Northern Border University, Saudi Arabia
[6]. Công, P. C. (2021). DỰ BÁO TRÊN CHUỖI THỜI GIAN SỬ DỤNG MÔ HÌNH
LAI GHÉP ARIMA VÀ RBFNN (3.4. Nghiên cứu cải tiến mô hình lai ghép
bằng cách thực hiện song song hai mô). Luận văn Thạc sĩ, ngành: Khoa học
máy tính - 8480101, trường Đại học Sư phạm Kỹ thuật TP. HCM

70

S

K

L

0

0

2

1

5

4