BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ Nghiên cứu về mạng Neuron áp dụng dự đoán thị trường giá Vàng Giảng viên hướng dẫn VƯƠNG XUÂN CHÍ Sinh viên. Chương 1: Tổng quan về mạng Neural 1.1. Tìm hiểu mạng Neural nhân tạo. 1.1.1. Khái niệm. Là một hệ thống bao gồm nhiều phần tử xử lý đơn giản (hay còn gọi là neural) tựa như neural thần kinh của não người, hoạt động song song và được nối với nhau bởi các liên kết neural. Mỗi liên kết kèm theo một trọng số nào đó, đặc trưng cho tính kích hoạt hoặc ức chế giữa các neural. Có thể xem các trọng số là phương tiện để lưu trữ thông tin dài hạn trong mạng neural và nhiệm vụ của quá trình huấn luyện của mạng là cập nhật các trọng số khi có thêm thông tin về mẫu học. Hay nói một cách khác, các trọng số đều được điều chỉnh sao cho dáng điệu vào ra của mạng sẽ mô phỏng hoàn toàn phù hợp với môi trường đang xem xét. Mô hình mạng neural ở trên gồm 3 lớp: lớp nhập (input), lớp ẩn(hidden) và lớp xuất (output). Mỗi nút trong lớp nhập nhận giá trị của một biến độc lập và chuyển vào mạng. Dữ liệu từ tất cả các nút trong lớp nhập được tích hợp – ta gọi là tổng trọng số – và chuyển kết quả cho các nút trong lớp ẩn. Gọi là “ẩn” vì các nút trong lớp này chỉ liên lạc với các nút trong lớp nhập và lớp xuất, và chỉ có người thiết kế mạng mới biết lớp này (người sử dụng không biết lớp này). Các nút trong lớp xuất nhận các tín hiệu tổng trọng hóa từ các nút trong lớp ẩn. Mỗi nút trong lớp xuất tương ứng với một biến phụ thuộc.
Trang 1BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH
KHOA CÔNG NGHỆ THÔNG TIN
ĐỒ ÁN CƠ SỞ
Nghiên cứu về mạng Neuron áp dụng dự đoán
thị trường giá Vàng
Giảng viên hướng dẫn: VƯƠNG XUÂN CHÍ
Sinh viên thực hiện: QUÁCH MINH QUANG
MSSV: 201154800
Khoá: 2020
Ngành/ chuyên ngành: Khoa học dữ liệu
Tp HCM, tháng 09 năm 2022
Trang 2BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH
KHOA CÔNG NGHỆ THÔNG TIN
ĐỒ ÁN CƠ SỞ
Nghiên cứu về mạng Neuron áp dụng dự đoán
thị trường giá Vàng
Giảng viên hướng dẫn: VƯƠNG XUÂN CHÍ
Sinh viên thực hiện: QUÁCH MINH QUANG
MSSV: 2011549800
Khoá: 2020
Ngành/ chuyên ngành: Khoa học dữ liệu
Tp HCM, tháng 09 năm 2022
Trang 3Trường Đại học Nguyễn Tất Thành
Khoa Công Nghệ Thông Tin
Họ và tên: Quách Minh Quang MSSV: 2011549800
Chuyên ngành: Khoa học dữ liệu Lớp: 20DTH2A
Email: quachminhquang997@gmail.com SĐT: 0942975646 Tên đề tài: Nghiên cứu về mạng Neuron áp dụng dự đoán thị trường giá Vàng
Gíao viên hướng dẫn: Vương Xuân Chí
Thời gian thực hiện: 20 /6 /2022 đến 20 /9 /2022
MÔ TẢ ĐỀ TÀI:
Dự đoán là bài toán khoa học trên cơ sở sử dụng chuỗi dữ liệu theo quy luật nào đó, có nhiều phương pháp dự đoán toán học Sử dụng khả năng và các nguyên tắc để ứng dụng thành công mạng Neural nhân tạo trong việc dự đoán giá vàng trong tương lai
NỘI DU G VÀ PHƯƠNG PHÁP:
- Nghiên cứu khái niệm, các thức tạo mạng Neural nhận tạo nhiều lớp
- Tìm hiểu các đặc trưng của mạng Neural nhân tạo, các bước thiết kế mô hình mạng Neural
- Ứng dụng mạng Neural vào thị trường tài chính, sử dụng mô hình ANNs
Trang 4PAGE \* MERGEFORMAT4
LỜI CẢM ƠN
Trong thực tế ở mọi lĩnh vực, việc được người đi trước chỉ bảo và giúp đỡ là một điều may mắn Em xin được cảm ơn thầy Vương Xuân Chí đã chỉ bảo, dẫn đắt em trong môn học ở học kì này Ngoài việc học lí thuyết thì thầy còn chia sẻ những kĩ nâng giúp ích cho bản thân các em không chỉ ở hiện tại mà còn sau này nữa Cảm ơn thầy vì những buổi học thú vị, vui vẻ nhưng cũng đầy sự nghiêm túc
Em xin trân thành cảm ơn!
Sinh viên thực hiện Quách Minh Quang
Trang 5PAGE \* MERGEFORMAT4
LỜI MỞ ĐẦU
Ngày nay không ai có thể phủ nhận vai trò cực kỳ quan trọng của máy tính trong nghiên cứu khoa học kỹ thuật cũng như trong đời sống Máy tính đã làm được những điều kỳ diệu và giải được những vấn đề tưởng chừng nan giải Một máy tính, dù
có mạnh đến đâu chăng nữa, đều phải làm việc theo một chương trình chính xác đã được hoạch định trước bởi các chuyên gia Bài toán càng phức tạp thì việc lập trình càng công phu Trong khi đó con người làm việc bằng cách học tập và rèn luyện, khi làm việc con người có khả năng liên tưởng, kết nối sự việc này với sự việc khác, và quan trọng hơn hết, họ có thể sáng tạo
Con người có thể dễ dàng làm nhiều điều mà việc lập trình cho máy tính đòi hỏirất nhiều công sức Từ lâu các nhà khoa học đã nhận thấy những ưu điểm của bộ óc con người và tìm cách bắt chước để thực hiện trên những máy tính, tạo cho nó có khả năng học tập, nhận dạng và phân loại Các mạng neural nhân tạo đã ra đời từ những nỗ lực đó Nó thực sự được chú ý và nhanh chóng trở thành một hướng nghiên cứu đầy triển vọng trong mục đích xây dựng các máy thông minh tiến gần tới trí tuệ con người Đặc biệt là lĩnh vực dự đoán thị trường giá vàng
Trang 6PAGE \* MERGEFORMAT4
TRƯỜNG ĐH NGUYỄN TẤT THÀNH
TRUNG TÂM KHẢO THÍ
KỲ THI KẾT THÚC HỌC PHẦN HỌC KỲ III NĂM HỌC 2021 - 2022
PHIẾU CHẤM THI TIỂU LUẬN/ĐỒ ÁN
Môn thi: Đồ án cơ sở Khoa học dữ liệu Lớp học phần: 20DTH2A
Nhóm sinh viên thực hiện:
1 Trần Phát Huy Thamgia đóng góp:
2 Quách Minh Quang Tham gia đóng góp:
Ngày thi: Phòng thi:
Đề tài tiểu luận/báo cáo của sinh viên: Nghiên cứu về mạng Neuron áp dụng dự đoán thị trường giáVàng
Phần đánh giá của giảng viên (căn cứ trên thang rubrics của môn học):
Trang 7PAGE \* MERGEFORMAT4
Trang 8PAGE \* MERGEFORMAT4
1.2.6 Tính chất đồng dạng trong phân tích và thiết kế 4
Trang 9PAGE \* MERGEFORMAT4
DANH MỤC CÁC BẢNG HÌNH
Trang 10PAGE \* MERGEFORMAT6
Chương 1: Tổng quan về mạng Neural
1.1 Tìm hiểu mạng Neural nhân tạo.
1.1.1 Khái niệm.
Là một hệ thống bao gồm nhiều phần tử xử lý đơn giản (hay còn gọi là neural)tựa như neural thần kinh của não người, hoạt động song song và được nối với nhau bởicác liên kết neural Mỗi liên kết kèm theo một trọng số nào đó, đặc trưng cho tính kíchhoạt hoặc ức chế giữa các neural
Có thể xem các trọng số là phương tiện để lưu trữ thông tin dài hạn trong mạngneural và nhiệm vụ của quá trình huấn luyện của mạng là cập nhật các trọng số khi cóthêm thông tin về mẫu học Hay nói một cách khác, các trọng số đều được điều chỉnhsao cho dáng điệu vào ra của mạng sẽ mô phỏng hoàn toàn phù hợp với môi trườngđang xem xét
Mô hình mạng neural ở trên gồm 3 lớp: lớp nhập (input), lớp ẩn(hidden) và lớpxuất (output) Mỗi nút trong lớp nhập nhận giá trị của một biến độc lập và chuyển vàomạng
Dữ liệu từ tất cả các nút trong lớp nhập được tích hợp – ta gọi là tổng trọng số –
và chuyển kết quả cho các nút trong lớp ẩn Gọi là “ẩn” vì các nút trong lớp này chỉliên lạc với các nút trong lớp nhập và lớp xuất, và chỉ có người thiết kế mạng mới biếtlớp này (người sử dụng không biết lớp này)
Các nút trong lớp xuất nhận các tín hiệu tổng trọng hóa từ các nút trong lớp ẩn.Mỗi nút trong lớp xuất tương ứng với một biến phụ thuộc
1.1.2 Neural nhân tạo.
Trang 11PAGE \* MERGEFORMAT6
Hình 1.1: Neural nhân tạo
Neural nhân tạo là một đơn vị tính toán có nhiều đầu vào và một đầu ra, mỗi đầuvào đến từ một liên kết Đặc trưng của neural là một hàm kích hoạt phi tuyến chuyểnđổi tổ hợp tuyến tính của tất cả các tín hiệu đầu vào thành tín hiệu đầu ra Hàm kíchhoạt này đảm bảo tính chất phi tuyến cho tính toán của mạng neural
Một neural được cầu tạo gồm các thành phần chính : liên kết neural, bộ cộng ,hàm kích hoạt
Liên kết neural là một thành phần của mạng neural nhận tạo để liên kết giữa cácneural, nó nối đầu ra của neural lớp này với đầu vào của một neural trong lớp khác.Đặc trưng của thành phần liên kết là một trọng số mà mỗi tín hiệu đi qua đều đượcnhân với trọng số này Các trọng số liên kết chính là các tham số tự do cơ bản củamạng neuron, có thể thay đổi được nhằm thích nghi với môi trường xung quanh
Bộ cộng dùng để tính tổng các tín hiệu đầu vào của neural, đã được nhân vớicác trọng số liên kết tương ứng phép toán được mô tả ở đây tạo nên một bộ hợp tuyếntính
Hàm kích hoạt hay còn gọi hàm kích hoạt phi tuyến, chuyển đổi một tổ hợptuyến tính của tất cả các tín hiệu đầu vào thành tín hiệu đầu ra Hàm kích hoạt này đảmbảo tính chất phi tuyến cho tính toán mạng neural Nó được xem như là một hàm giớihạn, nó giới hạn phạm vi biên độ cho phép của tín hiệu đầu ra trong một khoảng giá trịhữu hạn Hệ số điều chỉnh b có tác dụng tăng lên hoặc giảm đi đầu vào thực của hàmkích hoạt, tùy theo nó dương hay âm
1.1.3 Cấu tạo mạng Neural nhân tạo.
Lớp đầu vào: là lớp làm việc trực tiếp với dữ liệu bên ngoài, cho nên số lượngnơ-ron ở lớp đầu vào phụ thuộc vào số chiều của dữ liệu bên ngoài
Lớp giữa (lớp ẩn): là lớp xử lý dữ liệu nhận từ lớp đầu vào, bạn có thể có nhiềulớp nơ-ron hơn ở lớp giữa, nếu lớp nơ-ron ở giữa mà nhiều hơn 2 người ta gọi đó là môhình học sâu (Deep Learning) Còn số lượng nơ-ron ở mỗi lớp nơ-ron thì tùy bạn muốnchọn bao nhiêu cũng được (nhưng sẽ có kinh nghiệm chọn phù hợp nhất định)
Lớp đầu ra: là lớp xuất ra kết quả, số lượng nơ-ron lớp đầu ra phụ thuộc vào sốlượng kết quả bạn muốn có
Trang 12PAGE \* MERGEFORMAT6
Trang 13PAGE \* MERGEFORMAT6
Hình 1.2: Cấu trúc Neural nhân tạo1.2 Đặc trưng của mạng Neural nhân tạo.
1.2.1 Tính phi tuyến
Một neural có thể tính toán một cách tuyến tính hay phi tuyến Một mạngneural, cấu thành bởi sự kết nối các neural phi tuyến thì tự nó sẽ có tính phi tuyến Hơnnữa, điều đặc biệt là tính phi tuyến này được phân tán trên toàn mạng Tính phi tuyến
là một thuộc tính rất quan trọng, nhất là khi các cơ chế vật lý sinh ra các tín hiệu đầuvào (ví dụ tín hiệu tiếng nói) vốn là phi tuyến
1.2.2 Tính chất tương ứng đầu vào đầu ra
Mặc dù khái niệm “học” hay “huấn luyện” chưa được bàn đến nhưng để hiểuđược mối quan hệ đầu vào-đầu ra của mạng neural, chúng ta sẽ đề cập sơ qua về kháiniệm này Một mô hình học phổ biến được gọi là học với một người dạy hay học cógiám sát liên quan đến việc thay đổi các trọng số liên kết của mạng neural bằng việc ápdụng một tập hợp các mẫu tích luỹ hay các ví dụ tích luỹ Mỗi một ví dụ bao gồm mộttín hiệu đầu vào và một đầu ra mong muốn tương ứng Mạng neural nhận một ví dụ lấymột cách ngẫu nhiên từ tập hợp nói trên tại đầu vào của nó, và các trọng số liên kết củamạng được biến đổi sao cho có thể cực tiểu hoá sự sai khác giữa đầu ra mong muốn vàđầu ra thực sự của mạng theo một tiêu chuẩn thống kê thích hợp Sự tích luỹ của mạngđược lặp lại với nhiều ví dụ trong tập hợp cho tới khi mạng đạt tới một trạng thái ổnđịnh mà ở đó không có một sự thay đổi đáng kể nào của các trọng số liên kết Các ví
dụ tích luỹ được áp dụng trước có thể được áp dụng lại trong thời gian của phiên tích
Trang 14PAGE \* MERGEFORMAT6
luỹ nhưng theo một thứ tự khác Như vậy mạng neural học từ các ví dụ bằng cách xâydựng nên một tương ứng đầu vào-đầu ra cho vấn đề cần giải quyết
1.2.3 Tính chất thích nghi.
Các mạng neural có một khả năng mặc định là biến đổi các trọng số liên kết tuỳtheo sự thay đổi của môi trường xung quanh Đặc biệt, một mạng neural đã được tíchluỹ để hoạt động trong một môi trường xác định có thể được tích luỹ lại một cách dễdàng khi có những thay đổi nhỏ của các điều kiện môi trường hoạt động
1.2.4 Tính chất đưa ra lời giải có bằng chứng
Trong ngữ cảnh phân loại mẫu, một mạng neural có thể được thiết kế để đưa rathông tin không chỉ về mẫu được phân loại, mà còn về sự tin cậy của quyết định đãđược thực hiện Thông tin này có thể được sử dụng để loại bỏ các mẫu mơ hồ hay nhậpnhằng
kỹ thuật Very-large-scale-intergrated (VLSI) Kỹ thuật này cho phép xây dựng nhữngmạch cứng tính toán song song quy mô lớn Chính vì vậy mà ưu điểm nổi bật củaVLSI là mang lại những phương tiện hữu hiệu để có thể xử lý được những hành vi có
độ phức tạp cao
1.2.6 Tính chất đồng dạng trong phân tích và thiết kế
Về cơ bản, các mạng neural có tính chất chung như là các bộ xử lý thông tin.Chúng ta nêu ra điều này với cùng ý nghĩa cho tất cả các lĩnh vực có liên quan tới việcứng dụng mạng neural Đặc tính này thể hiện ở một số điểm như sau:
Các neural, dưới dạng này hoặc dạng khác, biểu diễn một thành phần chung chotất cả các mạng neural
Trang 15PAGE \* MERGEFORMAT6
Tính thống nhất này đem lại khả năng chia sẻ các lý thuyết và các thuật toán họctrong nhiều ứng dụng khác nhau của mạng neural
Các mạng tổ hợp (modular) có thể được xây dựng thông qua một sự tích hợpcác mô hình khác nhau
1.3 Phương pháp học của mạng Neural.
1.3.1 Học có giám sát
Một thành phần không thể thiếu của phương pháp này là sự có mặt của mộtngười thầy (ở bên ngoài hệ thống) Người thầy này có kiến thức về môi trường thể hiệnqua một tập hợp các cặp đầu vào - đầu ra đã được biết trước Hệ thống học (ở đây làmạng neural) sẽ phải tìm cách thay đổi các tham số bên trong của mình (các trọng số
và các ngưỡng) để tạo nên một ánh xạ có khả năng ánh xạ các đầu vào thành các đầu ramong muốn Sự thay đổi này được tiến hành nhờ việc so sánh giữa đầu ra thực sự vàđầu ra mong muốn
1.3.2 Học không giám sát
Trong học không có giám sát, ta được cho trước một số dữ liệu x và hàm chi phícần được cực tiểu hóa có thể là một hàm bất kỳ của dữ liệu x và đầu ra của mạng, f –hàm chi phí được quyết định bởi phát biểu của bài toán Phần lớn các ứng dụng nằmtrong vùng của các bài toán ước lượng như mô hình hóa thống kê, nén, lọc, phân cụm
1.3.3 Học tăng cường
Dữ liệu x thường không được tạo trước mà được tạo ra trong quá trình mộtagent tương tác với môi trường Tại mỗi thời điểm t, agent thực hiện hành động yt vàmôi trường tạo một quan sát xt với một chi phí tức thời Ct, theo một quy trình độngnào đó (thường là không được biết) Mục tiêu là một sách lược lựa chọn hành động đểcực tiểu hóa một chi phí dài hạn nào đó, nghĩa là chi phí tích lũy mong đợi Quy trìnhhoạt động của môi trường và chi phí dài hạn cho mỗi sách lược thường không đượcbiết, nhưng có thể ước lượng được Mạng neural nhân tạo thường được dùng trong họctăng cường như một phần của thuật toán toàn cục Các bài toán thường được giải quyếtbằng học tăng cường là các bài toán điều khiển, trò chơi và các nhiệm vụ quyết địnhtuần tự (sequential decision making) khác
1.4 Một số ứng dụng của mạng Neural
Trang 16PAGE \* MERGEFORMAT6
Trong hàng không: Máy bay không người lái, mô phỏng đường bay của máybay
Hệ thống dẫn đường tự động: Điều khiển bơm nhiên liệu, phanh tự động, phântích hoạt động bảo hành
Ngân hàng: Đánh giá hoạt động tín dụng, phân loại các công ty, đo lường rủi rotín dụng
Trong quốc phòng: Chỉ huy vũ khí, theo dõi mục tiêu, tạo cảm biến mới, ngănchặn tìm kiếm tội phạm
Điện: Bố trí chíp mạch phù hợp, điều khiển quá trình, phân tích lỗi chip
Giải trí: Hoạt hình, dự báo thị trường
Trong các hoạt động dự báo, dự đoán: dự báo thời tiết, giá vàng, chứng khoáng,
Hệ thống dự đoán thị trường giá vàng là chương trình sử dụng các thuật toán để
dự đoán các xu hướng trong tương lai trên thị trường vàng Các thuật toán được sửdụng trong hệ thống dự đoán giá vàng ban đầu được sử dụng để nghiên cứu khoa họctrong các lĩnh vực như di truyền học, thiên văn học và vật lý lượng tử
Tuy nhiên, các nhà khoa học sớm phát hiện ra rằng các thuật toán này có thểđược áp dụng cho thị trường giá vàng vì lĩnh vực này tạo ra một lượng lớn dữ liệu vàtuân theo một số kiểu mẫu
Các kỹ thuật được sử dụng phổ biến nhất trong dự đoán thị trường giá vàng baogồm thuật toán di truyền (GA) và mạng nơ-ron nhân tạo (ANN)
Việc sử dụng các phương pháp ANN để dự đoán giá vàng đã được chứng minh
là rất thành công ANN dự đoán mức thấp nhất trong tương lai bằng cách phân tích giáthấp và độ trễ thời gian, trong khi mức cao trong tương lai được dự đoán bằng cách sử
Trang 17PAGE \* MERGEFORMAT6
dụng mức cao bị trễ Những dự đoán này sau đó được sử dụng để xác định giá mua vàbán
2.1.2 Lợi ích của việc sử dụng Hệ thống dự đoán giá vàng.
Dự đoán hiệu quả hoạt động của thị trường giá vàng là một thách thức và rủi ro
Có nhiều yếu tố được xem xét – yếu tố thể chất, yếu tố tâm lý và hành vi Những khíacạnh này khiến giá cổ phiếu không ổn định và khó dự đoán chính xác Tuy nhiên, vớiviệc sử dụng các thuật toán và khoa học dữ liệu, các dự đoán đã được cải thiện Sauđây là một số lợi ích của việc sử dụng hệ thống dự đoán giá vàng:
- Sử dụng các hệ thống ANN, sử dụng cách tiếp cận phân loại trái ngược vớicách tiếp cận đầu ra định lượng truyền thống, tạo ra độ tin cậy dự đoán tốt hơn
- Một số loại dữ liệu mà trước đó không thể được thu thập hoặc xử lý, chẳnghạn như dữ liệu văn bản không có cấu trúc, có thể được sử dụng để đưa ra dự đoán với
sự trợ giúp của các thuật toán Dữ liệu văn bản phi cấu trúc này đề cập đến các báo cáotin tức hoặc tình cảm của công chúng Sử dụng các kỹ thuật Dữ liệu lớn giúp bạn cóthể theo dõi các giá trị, ý kiến và mô hình hành vi của mọi người trong khi đưa ra dựđoán; điều này có nghĩa là các dự đoán không chỉ dựa trên dữ liệu kỹ thuật hoặc số
- Các thuật toán giúp xử lý nhanh chóng lượng dữ liệu khổng lồ dễ hỏng Trênthị trường giá vàng, các điều kiện thay đổi liên tục và nhanh chóng Điều này có nghĩa
là để dự đoán các sự kiện trong tương lai trên thị trường, cần có một hệ thống đáng tincậy và nhanh chóng Các thuật toán cung cấp lợi ích này Các thuật toán có thể sử dụng
dữ liệu được xử lý trước, giảm không gian lưu trữ dữ liệu và tăng tốc độ tính toán
2.1.3 Cách thức hoạt động.
Dữ liệu được đưa vào hệ thống dự báo thì sẽ được xử lý bởi các thuật toán Saunhiều lần xử lý thì phần mềm sẽ đưa ra kết quả của dữ liệu ở mức chênh lệch thấp nhất.Với mức chênh lệch của kết quả càng thấp thì độ chính xác của dự đoán càng cao.
2.1.4 Chức năng chính của hệ thống.
Hệ thống dự báo thị trường giá vàng cơ bản có các chức năng dự báo như sau:
- Dự báo giá vàng theo ngày
- Dự báo giá vàng theo tháng
- Dự báo giá vàng nữa đầu năm và nữa cuối năm