Nghiên cứu và thử nghiệm một số kỹ thuật dự đoán ứng dụng cho thị trường chứng khoán việt nam

TRẦN ANH TUẤN LUẬN VĂN THẠC SỸ KỸ THUẬT Hình 28:Mô hình hệ chuyên gia neuro-fuzzy dự đoán giá chứng khoán thị trường chứng khoán Việt Nam .... TRẦN ANH TUẤN LUẬN VĂN THẠC SỸ KỸ THUẬT MỞ

Trang 1

TRẦN ANH TUẤN LUẬN VĂN THẠC SỸ KỸ THUẬT

MỤC LỤC

LỜI CAM ĐOAN 3

DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT 4

DANH MỤC CÁC BẢNG 6

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ 7

MỞ ĐẦU 9

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT 11

1.1.Các phương pháp dự đoán thị trường chứng khoán Việt Nam 11

1.2.Hệ chuyên gia neuro-fuzzy 12

1.2.1 Sự kết hợp giữa logic mờ và mạng nơron 12

1.2.2 Hệ chuyên gia neuro-fuzzy theo kiến trúc ANFIS 22

1.2.3 Mô tả một ứng dụng hệ ANFIS trong thị trường chứng khoán Istanbul 26

1.3.Phân tích kỹ thuật trong thị trường chứng khoán 26

1.3.1 Phân tích kỹ thuật 26

1.3.2 Nghiên cứu một số phương pháp phân tích kỹ thuật trong thị trường chứng khoán 27

1.4.Kết chương 37

CHƯƠNG 2: ỨNG DỤNG LÝ THUYẾT CHO THỬ NGHIỆM HỆ DỰ ĐOÁN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM 39

2.1 Phát biểu bài toán thử nghiệm 39

2.2 Xây dựng bộ chỉ số phân tích kỹ thuật đầu vào và bộ đầu ra cho việc học và kiểm thử 40

2.2.1 Bộ chỉ số phân tích kỹ thuật đầu vào 40

2.2.2 Bộ tỉ lệ biến động tăng/giảm ngày giao dịch tiếp theo đầu ra 49

2.3 Xây dựnghệ chuyên gia neuro-fuzzy theo kiến trúc ANFIS dự đoán giá chứng khoán thị trường chứng khoán Việt Nam 51

2.3.1 Nguyên tắc thiết kế 51

2.3.2 Mô hình thiết kế và giải thuật 53

2.4 Kết chương 56

CHƯƠNG 3: THỬ NGHIỆMVÀ ĐÁNH GIÁ HỆ DỰ ĐOÁN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM 57

Trang 2

3.1.1 Mục tiêu xây dựng phần mềm 57

3.1.2 Công nghệ sử dụng 57

3.1.3 Kiến trúc ứng dụng 58

3.1.4 Mô tả bộ dữ liệu chi tiết 59

3.1.5 Kết quả thử nghiệm 60

3.2 Đánh giá hệ dự đoán thị trường chứng khoán Việt Nam 61

3.2.1 Đánh giá chung 61

3.2.2 Đánh giá chi tiết 61

3.3 Một số hình ảnh chương trình 62

3.4 Kết chương 65

KẾT LUẬN VÀ KIẾN NGHỊ 67

A Kết luận 67

B Kiến nghị 69

C Hướng phát triển của đề tài 70

DANH MỤC TÀI LIỆU THAM KHẢO 71

Trang 3

LỜI CAM ĐOAN

Tôi cam đoan :

- Những nội dung trong luận văn này là do tôi thực hiện dưới sự hướng dẫn

trực tiếp của PGS.TS Huỳnh Quyết Thắng

- Mọi tham khảo dùng trong luận văn đều được trích dẫn rõ ràng tên tác giả,

tên công trình, thời gian, địa điểm công bố

- Mọi sao chép không hợp lệ, vi phạm quy chế đào tạo, hay gian trá, tôi xin

hoàn toàn chịu trách nhiệm

Học viên Trần Anh Tuấn

Trang 4

DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT

System

Bands

Directional Movement Index)

CCI(Commodity Channel Index) WILLIAMS%R hay

WILLR

Phương pháp phân tích kỹ thuật dự đoán WILLIAMS%R

Trang 5

%D(14,3)

thuật khác nhau

Trang 6

DANH MỤC CÁC BẢNG

Bảng 1: Bảng thông số khởi tạo hệ thống 60 Bảng 2: Bảng thông số tối ƣu trên bộ dữ liệu học 61

Trang 7

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Hình 1: Mô hình hệ mờ - nơron 13

Hình 2: Cấu trúc chung của hệ mờ-nơron 14

Hình 3: Nơron mờ 17

Hình 4: Nơron mờ AND 17

Hình 5: Nơron mờ OR 18

Hình 6: Mô hình mạng nơron mờ cơ bản 21

Hình 7: Sơ đồ cấu trúc ANFIS 22

Hình 8: Cách thức sử dụng phương pháp kỹ thuật Bollinger Bands 28

Hình 9: Cách thức sử dụng phương pháp kỹ thuật ADX 30

Hình 10: Cách sử dụng phương pháp kỹ thuật TAZ 30

Hình 11: Cách sử dụng phương pháp kỹ thuật PSAR 31

Hình 12: Cách sử dụng phương pháp kỹ thuật SKD 32

Hình 13: Cách sử dụng phương pháp kỹ thuật RSI 33

Hình 14: Cách sử dụng phương pháp kỹ thuật MFI 34

Hình 15: Cách sử dụng phương pháp kỹ thuật CCI 35

Hình 16: Cách sử dụng phương pháp kỹ thuật WILLR 36

Hình 17: Cách sử dụng phương pháp kỹ thuật MACD 37

Hình 18: Sơ đồ logic các tập mờ của phương pháp kỹ thuật Bollinger Bands 40

Hình 19: Sơ đồ các tập mờ của thuộc tính Bollinger Bands 41

Hình 20: Sơ đồ các tập mờ của thuộc tính ADX 42

Hình 21: Sơ đồ các tập mờ của thuộc tính TAZ 43

Hình 22: Sơ đồ các tập mờ của thuộc tính SDK 44

Hình 23: Sơ đồ các tập mờ của thuộc tính RSI 45

Hình 24: Sơ đồ các tập mờ của thuộc tính MFI 46

Hình 25:Sơ đồ các tập mờ của thuộc tính CCI 47

Hình 26: Sơ đồ các tập mờ của thuộc tính WILLR 48

Hình 27: Sơ đồ các tập mờ của thuộc tính output 49

Trang 8

Hình 28:Mô hình hệ chuyên gia neuro-fuzzy dự đoán giá chứng khoán thị trường

chứng khoán Việt Nam 53

Hình 29: Mô hình kiến trúc ứng dụng 58

Hình 30: Dữ liệu giá hàng ngày của chứng khoán BVH được xử lý để tính toán ra các chỉ số kỹ thuật qua ứng dụng XLTRADER 62

Hình 31: Dữ liệu học của chứng khoán BVH sau khi tính toán ra chỉ số 63

Hình 32: Dữ liệu kiểm tra của chứng khoán BVH 63

Hình 33: Bảng mô tả thông số hệ thống 64

Hình 34: Kết quả hệ thống học để kết xuất bộ tham số tối ưu 64

Hình 35: Thông số nhập hệ thống để Dự đoán dữ liệu 65

Hình 36: Kết quả dự đoán dữ liệu 65

Trang 9

MỞ ĐẦU

Việc dự báo lợi nhuận cổ phiếu chính xác trên thị trường chứng khoán trong nhiều năm qua là thách thức không nhỏ của nhiều nhà khoa học tính toán, có rất nhiều bài báo/luận văn/đề tài về dự đoán thị trường chứng khoán của nhiều thị trường trên thế giới Tuy nhiên tại thị trường chứng khoán Việt Nam thì chưa có nhiều bài báo/luận văn/đề tài dạng này, vì vậy tác giả hi vọng thông qua luận án thạc sĩ này để đóng góp một phần tri thức về công nghệ kỹ thuật điện toán mềm cho việc dự đoán trên thị trường chứng khoán Việt Nam Mỗi ngày thị trường chứng khoán Việt Nam đều có giá đóng cửa của tất cả các mã chứng khoán, đây là một nguồn thông tin vô cùng hữu ích với phương pháp tính toán kỹ thuật đầu tư, có rất nhiều phương pháp kỹ thuật dự đoán hiệu quả và được công nhận rộng khắp trong giới đầu tư chứng khoán trên thế giới Có thể kể ra rất nhiều phương pháp đầu tư hiệu quả như: Bollinger bands, SMA, EMA, TAZ, RSI, MFI, CCI, ADX, MACD, WILLIAM %R, … Hiện tại các công ty tài chính đa quốc gia, hay các công ty quỹ đầu tư chứng khoán tại Việt Nam đang sử dụng những chương trình tính toán đầu tư chứng khoán theo phương pháp kỹ thuật với giá rất đắt đỏ do các công ty nước ngoài sở hữu hoặc sản xuất như HSBC, Reuters, Standard Chartered Bank, … Việc có một nghiên cứu và thử nghiệm một số kỹ thuật dự đoán ứng dụng cho thị trường chứng khoán Việt Nam để tạo tiền đề hình thành một sản phẩm Việt tuân thủ các tiêu chuẩn khoa học tính toán và giá rẻ là thực sự rất cần thiết

Mục đích của luận án thạc sĩ này là để thử nghiệm một bộ chỉ số kỹ thuật thông dụng và hiệu quả được nhiều chuyên gia trong nghành chứng khoán trong nước và nước ngoài công nhân tính hiệu quả (RSI, SDK, MFI, CCI, WILLIAM %R), và ứng dụng linh hoạt vào mô hình hệ chuyên gia điều chỉnh neuro-fuzzy cho việc dự đoán thị trường chứng khoán Việt Nam Kết quả đạt được của luận án thạc sĩ này là xây dựng thành công một chương trình tuân thủ theo cơ sở lý thuyết về hệ chuyên gia Neuro-Fuzzy theo kiến trúc ANFIS

Trang 10

về việc dự đoán được việc Mua/Giữ/Bán một chứng khoán vào ngày giao dịch

tiếp theo

Luận văn này bao gồm 3 chương

Chương 1: Cơ sở lý thuyết

Chương 2: Ứng dụng lý thuyết cho thử nghiệm hệ dự đoán thị trường

chứng khoán tại Việt Nam

Chương 3: Thử nghiệm và đánh giá hệ dự thị trường chứng khoán tại Việt

Nam

Luận văn này được hoàn thành tại trường Đại học Bách khoa Hà Nội, dưới

sự dẫn dắt của PGS.TS Huỳnh Quyết Thắng Nhân dịp này tác giả bày tỏ lòng

kính trọng và biết ơn sâu sắc tới Thầy, đã trực tiếp hướng dẫn giúp đỡ tác giả

hoàn thành luận văn

Luận văn không tránh khỏi những thiếu sót, tác giả mong nhận được các ý

kiến góp ý của Thầy, Cô và các Bạn

Hà Nội, tháng 3 năm 2016

Tác giả

Trang 11

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT 1.1 Các phương pháp dự đoán thị trường chứng khoán Việt Nam

Trong tài liệu “Surveying stock market forecasting techniques – Part II: Soft computing methods” của George S Atsalakis và Kimon P Valavanis đã tổng hợp rất nhiều phương pháp khác nhau được ứng dụng tại rất nhiều thị trường chứng khoán quốc tế [4], tác giả tổng hợp lại các nội dung chính cơ bản như sau :

• 29 bài báo về công nghệ dự đoán cho các thị trường chứng khoán (châu âu, châu mỹ, một số nước Châu Á như Hong Kong, Singapore, …)

• 91 bộ thông số đầu vào cho từng công nghệ dự đoán của các tác giả (chỉ số INDEX, giá cuối ngày, giá cao, giá thấp, số lượng giao dịch, các chỉ số phân tích kỹ thuật, các thông số vĩ mô, tỉ giá, …)

• 98 các phương pháp công nghệ và kích thước dữ liệu học (3 tháng đến nhiều năm) được so sánh trong từng bài báo

• 73 các phương pháp công nghệ được dùng đồng thời trong từng bài báo (ANNs, LR, MLR, ARMA, ARIMA, GA, RW, B & H, khác)

• 73 các phương pháp độ đo lỗi được sử dụng làm của từng bài báo (RSME, HIT, R2, MAD, MAPE, MSE, …)

George S Atsalakis và Kimon P Valavanis [4] đã kết luận rằng “các quan sát cho thấy rằng các mô hình mạng thần kinh và các mô hình neuro-fuzzy rất thích hợp cho các dự báo thị trường chứng khoán Các thí nghiệm chứng minh rằng kỹ thuật của các mô hình trong bài báo thực hiện tốt hơn các mô hình thông thường trong hầu hết các trường hợp Chúng cho kết quả với độ chính xác cao dựa trên kết quả giao dịch từ các sở giao dịch của các thị trường”, chính những kết quả trên, tác giả đã quyết định thử nghiệm công nghệ dự đoán neuro-fuzzy và và lựa chọn bộ dữ liệu chỉ số phân tích kỹ thuật làm đầu vào cho công nghệ dự đoán neuro-fuzzy

Trang 12

1.2 Hệ chuyên gia neuro-fuzzy

1.2.1 Sự kết hợp giữa logic mờ và mạng nơron

lý dữ liệu để nhận dạng đối tượng) thì làm thế nào ?

- Đối với mạng nơron, chúng có một số ưu điểm như xử lý song song nên tốc

độ xử lý rất nhanh, mạng nơron có khả năng học hỏi, ta có thể huấn luyện mạng để xấp xỉ một hàm phi tuyến bất kỳ, đặc biệt khi đã biết một tập dữ liệu vào/ra Song nhược điểm cơ bản của mạng nơron là khó giải thích rõ ràng hoạt động của mạng nơron như thế nào Do vậy việc chỉnh sửa trong mạng nơron rất khó khăn

Từ những phân tích trên, chúng ta thấy rằng nếu kết hợp logic mờ và mạng nơron, ta sẽ có một hệ lai với ưu điểm của cả hai [1]: logic mờ cho phép thiết kế

hệ dễ dàng, tường minh trong khi mạng nơron cho phép học những gì mà ta yêu cầu về bộ điều khiển

Trang 13

Hình 1: Mô hình hệ mờ - nơron

1.2.1.2 Kết hợp điều khiển mờ và mạng nơron

Có nhiều cách khác nhau để kết hợp mạng nơron với logic mờ Cấu trúc chung của hệ Mờ - Nơron (fuzzy-neuro) như hình 2 Sử dụng các nơron mô tả dưới đây,

sự mờ hoá có thể đạt được rất dễ dàng Mỗi biến ngôn ngữ được xây dựng bằng 1 nơron Chú ý rằng kiểu hàm của nơron không nhất thiết phải là hàm Gaus mà có thể là hàm khác Trong phần này hàm liên thuộc kiểu tam giác có thể không được

sử dụng vì chúng không trơn Các nơron mờ hoá đóng vai trò lớp vào của mạng [1]

Trang 14

Hình 2: Cấu trúc chung của hệ mờ-nơron

Biểu diễn luật If-Then theo cấu trúc mạng nơron

- Đối với hệ SISO (single input-single output), luật điều khiển có dạng [1]:

tầng bằng cách lấy phần “Nếu” làm đầu vào và phần “Thì” làm đầu ra của mạng

Từ đó ta chuyển khối luật thành tập dữ liệu sau:

- Đối với hệ MISO (multiple input-single output), việc biểu diễn khối luật

dưới dạng tập dữ liệu cũng tương tự như đối với hệ SISO

1, , n

- Đối với hệ MIMO thì khối luật :

mờ, i = 1, , n

Trang 15

Phương pháp Umano - Ezawa

Theo phương pháp này, một tập mờ được biểu diễn bởi một số xác định các giá trị của hàm liên thuộc của nó [1] Ta thực hiện theo các bước sau :

nơron rõ với N đầu vào và M đầu ra Từ đó có thể cho mạng học bằng giải thuật

huấn luyện mạng nơron đã biết

Xét một hệ có 3 luật mờ với các tập mờ vào và ra như như sau:

= -y ; -1 ≤ y ≤ 0

= 1 – 2|y| ; -12≤ y ≤12

= y ; 0 ≤ y ≤ 1

Trang 16

+ Tập dữ liệu đƣợc rút ra từ các luật này có dạng:

Trang 17

Trang 18

1.2.1.4 Huấn luyện mạng nơron mờ

Giải mờ theo phương pháp trung bình trọng tâm ta có[1]:

Trang 19

mỗi biến ngôn ngữ có 7 tập mờ: {NB, NM, NS, ZE, PS, PM, PB}

Các hàm liên thuộc có hình dạng tam giác được đặc trưng bởi 3 tham số: tâm,

độ rộng trái, độ rộng phải Các tham số này của tam giác cũng được học bằng phương thức giảm

Vậy giá trị ra của luật là:

Trang 20

Trang 21

Những nút này đƣợc gán nhãn T bởi vì chúng ta có thể chọn nhiều phép toán t-norm khác nhau cho phép AND (VÀ)

Trang 22

1.2.2 Hệ chuyên gia neuro-fuzzy theo kiến trúc ANFIS 1.2.2.1 Giới thiệu

Mạng thích nghi dựa trên cơ sở hệ suy luận mờ (Adaptve Network-based

Trang 23

Lớp 2: Mỗi phần tử là một hàm liên thuộc

có dạng hình tam giác, hình Gauss, hoặc hàm hình vuông , … Trong đó các thông số của các dạng hàm liên thuộc ở lóp 2 là các thông số điều chỉnh

Lớp 3: Mỗi phần tử π tương ứng thực hiện một luật thứ j:

Nếu cho trước hàm liên thuộc đầu ra mong muốn là: f(x) =

Sử dụng tiêu chuẩn bình phương của sai lệch giữa hàm đầu ra mong muốn

Trang 24

Trang 25

- Sau 4 kỳ gần nhất sự sai lệch đều giảm thì tăng step_sizelên 10%

- Sau 2 kỳ gần nhất một kỳ sự sai lệch tăng, một kỳ sự sai lệch giảm thì giảm step_size xuống 10%

Có một trọng lượng nhất định (đồng nhất) cho mỗi một nguyên tắc

Khi không train đủ những ràng buộc trên, cấu trúc FIS sẽ bị sai số

Hơn nữa, anfis không thể chấp nhận các tuỳ chọn thông thường mà suy luận

mờ cơ bản cho phép.Vì vậy chúng ta không thể tùy ý tạo ra các hàm liên thuộc và các phương pháp giải mờ của mình mà phải sử dụng những chức năng đã cho

Trang 26

1.2.3 Mô tả một ứng dụng hệ ANFIS trong thị trường chứng khoán

Istanbul

Trong qua trình tìm hiểu tác giả đã tìm hiểu tài liệu “An Adaptive Based Fuzzy Inference System (ANFIS) for the prediction of stock market return: The case of the Istanbul Stock Exchange” của Melek Acar Boyacioglu , Derya Avci về việc ứng dụng hệ ANFIS vào thị trường chứng khoán Istanbul với các đầu vào là dữ liệu sau [5]:

Network Giá bán vàng

- Tỉ giá USD và đồng bản tệ

- Lãi suất tiết kiệm

- Chỉ số tiêu dùng

- Chỉ số sản xuất công nghiệp

- Lãi suất trái phiếu kho bạc

và đầu ra là:

- Chỉ số ISE National 100

Trong nghiên cứu này, các tác giả này đã sử dụng hai hàm thuộc và ba hàm thuộc cho tất cả các biến đầu vào với dạng gbell và gauss theo đúng luật của ANFIS và sai số bình phương theo công thức sau :

Trang 27

thuyết Dow, lý thuyết này được phát triển vào khoảng năm 1900 và chỉ số tiêu biểu là Dow Jones nổi tiếng [3]

Phân tích kỹ thuật nghiên cứu các thông tin giá (close-giá đóng cửa, high-giá cao nhất trong phiên, low-giá thấp nhất trong phiên, volume-tổng số lượng khớp trong ngày, Open interest - tổng số các mã/hợp đồng chứng khoán hiện hành, Ask

- giá mà nhà tạo lập thị trường mua mã/hợp đồng chứng khoán, Bid - giá mà nhà tạo lập thị trường bán mã/hợp đồng chứng khoán) để hình thành các chỉ số của các phương pháp kỹ thuật khác nhau

Dưới đây là các phương pháp phân tích kỹ thuật tiêu biểu:

1.3.2 Nghiên cứu một số phương pháp phân tích kỹ thuật trong thị

trường chứng khoán

1.3.2.1 Dải băng Bollinger Bands

Phương pháp này được John Bollinger phát triển, Bollinger Bands [3] Công

cụ này bao gồm 03 đường chính sau

Một đường trung bình SMA ở giữa

Một đường bên trên (chỉ số SMA cộng 2 * độ lệch chuẩn)

Một đường bên dưới (chỉ số SMA trừ 2 * độ lệch chuẩn)

Độ lệch chuẩn là một đơn vị đo lường thống kê cung cấp sự đánh giá độ bất ổn định của đồ thị giá Sử dụng độ lệch chuẩn đảm bảo các đường bollinger sẽ đáp ứng nhanh với các biến động giá và phản hồi độ bất ổn định cao hay thấp Giá tăng hoặc giảm đột ngột sẽ tạo thành dãy băng rộng

Trang 28

Hình 8: Cách thức sử dụng phương pháp kỹ thuật Bollinger Bands

1.3.2.2 Chỉ số biến động hướng trung bình – ADX

ADX là chỉ số thể hiện thị trường đang trong trạng thái có xu hướng hay không có xu hướng.ADX là xác định rõ xu hướng hiện tại của đường giá.Xu hướng thị trường sẽ giúp ích cho chúng ta rất lớn, vì nó sẽ chỉ dẫn giúp cho nhà đầu tư sử dụng những kỹ thuật chỉ báo khác để phân tích

Cách sử dụng

Dưới 20: thị trường không có xu hướng

Trang 29

Tăng từ dưới lên trên 20: báo hiệu bắt đầu một xu hướng mới Nhà đầu

tư suy nghĩ đến việc mua hoặc bán trong xu hướng ngắn hạn hiện tại

Dao động giữa 20 – 40: Nếu ADX tăng theo hướng từ 20 lên 40; nó

hàm ý xác nhận mạnh xu hướng mới đã hình thành trước đó và tiếp tục

di chuyển theo hướng đã bắt đầu Điều này có nghĩa là nhà đầu tư có thể

sử dụng lệnh mua hoặc bán khống (short-sell) tuỳ theo hướng đi của xu hướng thị trường

Trên 40: xu hướng hiện tại là rất mạnh Nhà đầu tư thận trọng quyết

định của mình

Cắt lằn 50 theo hướng tăng: xu hướng cực kỳ mạnh.Nhà đầu tư thận

trọng quyết định của mình

Cắt theo hướng tăng trên 70: Vô địch (power trend), điều này rất hiếm

khi xảy ra Nhà đầu tư thận trọng quyết định của mình

Trang 30

Hình 9: Cách thức sử dụng phương pháp kỹ thuật ADX

đồ thị giá

Cách sử dụng

Trang 31

Hình 11: Cách sử dụng phương pháp kỹ thuật PSAR

1 Thông thường những vùng mua mạnh/bán mạnh là những vùng chỉ báo có

sự biến động Tín hiệu bán khi chỉ báo SKD tăng mạnh lên trên 80 và cho tín hiệu mua khi SKD rơi xuống dưới 20

2 Khi fast stochastic (%K) các low stochastic (%D) và hướng từ dưới lên sẽ cho tín hiệu mua, việc này có hiệu quả cao khi nằm trong vùng dưới 20 Tương

Trang 32

tự, khi %K cắt %D từ trên xuống sẽ cho tín hiệu bán, điều này có hiệu quả cao khi nằm trong vùng trên 80

Hình 12: Cách sử dụng phương pháp kỹ thuật SKD

1.3.2.6 Chỉ số sức mạnh tương đối – RSI

Các RSI là một bộ dao động phổ biến Nó lần đầu tiên được giới thiệu bởi Welles Wilder [3] RSI là một công cụ đo dao động (oscillator) có biên trên

và biên dưới dao động từ 0 đến 100

Trang 33

Hình 13: Cách sử dụng phương pháp kỹ thuật RSI

1.3.2.7 Chỉ số đo dòng tiền – MFI

Chỉ số đo dòng tiền MFI là chỉ báo kỹ thuật dùng để đo sức mạnh của dòng tiền ra vào của một chứng khoán trong giai đoạn phân tích [3] MFI liên quan chặt chẽ với RSI nhưng RSI liên quan đến với giá chứng khoán, còn MFI liên quan đến khối lượng

Trang 34

Hình 14: Cách sử dụng phương pháp kỹ thuật MFI

1.3.2.8 Chỉ số giao động CCI

CCI là chỉ số giao động được sáng lập bởi ông Donald Lambert, nó đo lường

sự biến động của giá chứng khoán từ trung bình thống kê của nó [3] Giá trị cao chỉ ra rằng giá thường cao bất thường so với mức giá trung bình, trong khi giá trị thấp chỉ ra rằng giá thấp một cách bất thường so với mức giá trung bình Trái ngược với tên gọi của nó, CCI có thể được sử dụng hiệu quả trên bất kỳ loại chứng khoán, không chỉ hàng hóa

Trang 35

Hình 15: Cách sử dụng phương pháp kỹ thuật CCI

1.3.2.9 Phần trăm R - WILLIAMS %R

Williams’ %R là một chỉ báo đo lường các điều kiện mua quá nhiều và bán quá nhiều Williams’ %R được phát triển bởi Larry Williams [3]

Cách sử dụng

Mua khi đường Williams’ %R cắt xuống dưới -80, hình thành đáy

và sau đó quay lên cắt qua -80 Bán khi đường Williams’ %R cắt lên trên -20, tạo thành đỉnh và sau

đó quay xuống cắt qua -20

Định dạng
Số trang	71
Dung lượng	1,76 MB