Dự đoán xu thế chỉ số chứng khoán Việt Nam sử dụng phân tích hồi quy quá trình Gauss và mô hình tự hồi quy trung bình động
Abstract
Trong bài báo, chúng tôi trình bày phương pháp dự đoán xu thế chỉ số chứng khoán Việt Nam (VN-Index) gồm bốn bước, trong đó dữ liệu đầu vào là chuỗi thời gian chứa lịch sử chỉ số giá của VN-Index. Các tác giả thực hiện phân tách dữ liệu đầu vào thành các chuỗi thời gian thành phần bao gồm: xu thế, thời vụ và ngẫu nhiên. Chúng tôi áp dụng mô hình tự hồi quy trung bình động (ARMA: Autoregressive moving average) để dự đoán thành phần thời gian ngẫu nhiên ở một bước kế tiếp, phân tích hồi quy quá trình Gauss (GPR: Gaussian process regression) để dự đoán thành phần thời gian xu thế. Cuối cùng, kết quả dự đoán các thành phần riêng lẻ được tổng hợp lại để đưa ra kết quả dự đoán cuối cùng cho phương pháp kết hợp GPR-ARMA. Trong bài báo cũng trình bày các kết quả cài đặt thử nghiệm và phân tích hiệu quả của phương pháp được đề xuất.References
C. E. Rasmussen and C. K. Williams, “Gaussian processes for machine learning. 2006,” The MIT Press, Cambridge, MA, USA, vol. 38, pp. 715–719, 2006.
B. Wang and T. Chen, “Gaussian process regression with multiple response variables,” Chemometrics and Intelligent Laboratory Systems, vol. 142, pp. 159–165, 2015.
M. T. Farrell and A. Correa, “Gaussian process regression models for predicting stock trends,” Relation, vol. 10, pp. 1–9, 2007.
P. J. Brockwell, R. A. Davis, and M. V. Calder, Introduction to time series and forecasting, 2nd ed. Springer, 2010.
G. E. Box, G. M. Jenkins, G. C. Reinsel, and G. M. Ljung, Time series analysis: forecasting and control, 5th ed. John Wiley & Sons, 2015.
P. Mondal, L. Shit, and S. Goswami, “Study of effectiveness of time series modeling (arima) in forecasting stock prices,” International Journal of Computer Science, Engineering and Applications, vol. 4, no. 2, pp. 13–29, 2014.
G. Dutta, P. Jha, A. K. Laha, and N. Mohan, “Artificial neural network models for forecasting stock price index in the bombay stock exchange,” Journal of Emerging Market Finance, vol. 5, no. 3, pp. 283–295, 2006.
Y. Zuo and E. Kita, “Up/down analysis of stock index by using bayesian network,” Engineering Management Research, vol. 1, no. 2, pp. 46–52, 2012.
S. S. Patil, K. Patidar, and M. Jain, “Stock market prediction using support vector machine,” International Journal of Current Trends in Engineering & Technology, vol. 2, no. 1, pp. 18–25, 2016.
T. Awokuse and T. Ilvento, “Using statistical data to make decisions-module 6: Introduction to time series forecasting,” University of Delaware, College of Agriculture and Natural Resources, Food and Resource Economics, 2012. [Online]. Available: http://www1.udel.edu/FREC/ilvento/
BUAD820/MOD604.pdf
E. Haven, P. Molyneux, J. O. Wilson, S. Fedotov, and M. Duygun, The Handbook of Post Crisis Financial Modelling. Springer, 2016.
Đỗ Văn Thành, Nguyễn Minh Hải, “Phân tích và dự báo chỉ số thị trường chứng khoán bằng sử dụng chỉ số báo trước,” in Kỷ yếu Hội nghị Khoa học Quốc gia lần thứ IX “Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR’9), Cần Thơ, Việt Nam, Aug., pp. 559–565.
Hồ Thủy Tiên, Hồ Thu Hoài, Ngô Văn Toàn, “Mô hình hóa biến động thị trường chứng khoán: Thực nghiệm từ việt nam,” Tạp chí Khoa học ĐHQGHN: Kinh tế và Kinh doanh, vol. 33, no. 3, pp. 1–11, 2017.
M. H. Nguyen and O. Darné, “Forecasting and risk management in the vietnam stock exchange,” Laboratoire
d’Economie et de Management Nantes-Atlentique Université de Nantes, 2018. [Online]. Available: https://halshs.archivesouvertes.fr/halshs-01679456
M. Neumann, S. Huang, D. E. Marthaler, and K. Kersting, “pygps: A python library for gaussian process regression and classification,” The Journal of Machine Learning Research, vol. 16, no. 1, pp. 2611–2616, 2015.
C. D. Manning, P. Raghavan, and H. Schutze, Introduction to information retrieval. Cambridge University Press, 2012.
