88623469 dự bao thị trường chứng khoan bằng phương phap định lượng

Theo một số kết quả nghiên cứu bước đầu cho thấy phương pháp định lượng hoàn toàn có thể áp dụng để phân tích - dự báo đối với thị trường Việt Nam.Sử dụng phương pháp định lượng phân tíc

Mục lục

Chương 1: Giới thiệu một số phương pháp phân tích - dự báo thị

trường chứng khoán bằng phương pháp định lượng

2

1 Một số kĩ thuật áp dụng cho bài toán dự báo 3

2 Cơ sở lý thuyết về phân tích - dự báo bằng phương pháp định

lượng

4

Chương 2: Cơ sở lý thuyết về phân tích - dự báo bằng phương pháp

định lượng

12

2 Các chỉ số quan trọng trong phân tích kĩ thuật 14

3 Thuật toán khai phá luật kết hợp dựa trên đại số gia tử 19

1 Khảo sát một số phần mềm phân tích chứng khoán 29

Chương 1

Giới thiệu một số phương pháp phân tích

-dự báo thị trường chứng khoán bằng phương

pháp định lượng

Theo một số kết quả nghiên cứu bước đầu cho thấy phương pháp định lượng hoàn toàn có thể áp dụng để phân tích - dự báo đối với thị trường Việt Nam.Sử dụng phương pháp định lượng phân tích - dự báo thị trường khá hiệu quả và hiệu quả càng tăng lên khi kết hợp với các phương pháp phân tích

- dự báo khác.

1 Một số kĩ thuật áp dụng cho bài toán dự báo

Phân tích - dự báo giá cổ phiếu, biến động của thị trường là một chủ đề thú vị,thu hút được sự quan tâm của nhiều nhà đầu tư, chuyên gia, nhà khoa học Hiệnnay, nhiều phương pháp phân tích - dự báo đã được phát triển để phân tích - dựbáo xu hướng biến động giá cổ phiếu, thị trường hoặc tìm kiếm các cổ phiếutiềm năng để đầu tư

Ở Việt Nam, phương pháp phân tích - dự báo được nhiều người biết đến nhất làphân tích kỹ thuật và phân tích cơ bản.Bên cạnh đó, phương pháp phân tích - dựbáo bằng định lượng thông quá các mô hình toán học đang dần được quan tâm

Trong phần này chúng tôi giới thiệu những nguyên tắc cơ bản và định hướng vềphương pháp phân tích - dự báo định lượng.Chúng tôi cho rằng đây là mộtphương pháp khá hiệu quả và giúp hạn chế những khiếm khuyết của 2 phươngpháp phân tích - dự báo phổ biến phân tích kỹ thuật và phân tích cơ bản

Phân tích - dự báo thị trường bằng phương pháp định lượng được sử dụng mộtcách khá phổ biến trên thế giới.Nhiều quỹ đầu tư đã thiết lập các hệ thống giaodịch tự động bằng phương pháp định lượng (quantitative trading).Hiệu quả từphương pháp này đã được chứng minh tại rất nhiều thị trường.

Ưu điểm của phương pháp phân tích - dự báo định lượng là những tín hiệu đưakhá khách quan, dựa vào tiêu chí của những chỉ tiêu thống kê từ mô hình.Những tín hiệu mua bán được đưa ra dựa trên những phân tích khách quan nêngiảm thiểu sự sai sót do yếu tố con người Dù vậy, nếu lạm dụng quá mứcphương pháp này thì cũng sẽ tạo ra những hệ quả xấu

Tại Việt Nam trong thời gian qua cũng đã có một số nghiên cứu sử dụngphương pháp định lượng để phân tích - dự báo thị trường chứng khoán và biếnđộng cổ phiếu.Tuy nhiên, những nghiên cứu này phần lớn mới chỉ dừng lại ởmục tiêu tham khảo hoặc làm tiền đề cho những nghiên cứu có tính ứng dụngsâu hơn Nguyên nhân ngoài hạn chế về kinh nghiệm, trình độ của những nhàlàm phân tích - dự báo, còn do dữ liệu thời gian ngắn và không đầy đủ cũngkhiến cho việc xây dựng mô hình gặp khó khăn

2 Cơ sở lý thuyết về phân tích - dự báo bằng phương pháp định lượng

Các phương pháp định lượng dùng để phân tích - dự báo dựa trên các mô hìnhtoán với giả định rằng mối liên hệ giữa các yếu tố được thiết lập trong quá khứ

sẽ lặp lại trong tương lai Nói cách khác phương pháp định lượng dựa trên dữliệu quá khứ để phát hiện chiều hướng vận động trong tương lai của các yếu tốtheo một quy luật nào đó Để phân tích - dự báo diễn biến trong tương lai củamột biến, người ta có thể sử dụng mô hình chuỗi thời gian hoặc sử dụng biếnnhân quả.Ngoài ra, người ta còn sử dụng phương pháp khá phức tạp là mạngneural

a Phân tích - dự báo chuỗi thời gian

Các mô hình phân tích - dự báo chuỗi thời gian là phân tích - dự báo giá trịtương lai của một biến số nào đó, bằng cách phân tích số liệu quá khứ vàhiện tại của những biến số đó.Giả định của phân tích - dự báo chuỗi thờigian là sự vận động trong tương lại của biến phân tích - dự báo sẽ giữnguyên xu thế vận động trong quá khứ và hiện tại.Như vậy, chỉ có chuỗi ổnđịnh mới đưa ra được những phân tích - dự báo tin cậy.Tính ổn định củachuỗi dữ liệu thể hiện qua tính “dừng”, đây là điều kiện quan trọng để phântích và phân tích - dự báo chuỗi thời gian

Phân tích dự báo quá khứ là phân tích dự báo hậu nghiệm và phân tích

-dự báo các giai đoạn trong tương lai gọi là phân tích - -dự báo tiền nghiệm

Toàn bộ phân tích - dự báo được phân chia làm 2 giai đoạn là phân tích - dựbáo hậu nghiệm (ex-post) và phân tích - dự báo tiền nghiệm (ex-ante)

- Giai đoạn phân tích - dự báo hậu nghiệm: Là thời gian từ quan sát đầu tiênsau khi chấm dứt giai đoạn mẫu Yn+1 tới quan sát mới nhất YN Giai đoạnhậu nghiệm là giai đoạn kiểm nghiệm sự chính xác tính phân tích - dự báocủa mô hình Nếu như mô hình không đảm bảo độ chính xác theo yêu cầu thìlúc đó người phân tích - dự báo cần tìm các giải pháp khác như tìm kiếm môhình thay thế hoặc mở rộng mẫu phân tích - dự báo

- Giai đoạn phân tích - dự báo tiền nghiệm: Là giai đoạn phân tích - dự báotương lai Đây chính là mục tiêu của phân tích - dự báo, nhưng vì chưa xảy

ra nên không thể so sánh được Tuy vậy, một số tiêu chí thống kê sẽ chochúng ta đánh giá được mức độ tin cậy của mô hình

Toàn bộ quá trình dự báo được tóm tắt ở sơ đồ sau:

b Phân tích - dự báo mô hình nhân quả

Mô hình phân tích - dự báo này dựa trên sự tác động qua lại giữa các yếu tốvới nhau, trong đó biến phân tích - dự báo (biến phụ thuộc) có quan hệ nhânquả với các biến khác (biến độc lập)

Để thực hiện được phân tích - dự báotheo mô hình nhân quả người làm phântích - dự báo dựa trên các lý thuyết về kinh tế, tài chính, các nghiên cứu thựcnghiệm có liên quan, kinh nghiệm thực tế Trước khi xây dựng mô hìnhngười làm phân tích - dự báo phải thiết lập các cơ sở lý thuyết, mối liên hệgiữa biến phụ thuộc (biến phân tích - dự báo) và biến số khác (biến độc lập).Sau khi xác định các bước trên sẽ cần phải tiến hành thu thập dữ liệu, xây

dựng, ước lượng mô hình, kiểm định giả thuyết và cuối cùng là thực hiệnphân tích - dự báo.

3 Ứng dụng phương pháp định lượng phân tích - dự báo trên thị trường chứngkhoán

Chúng ta vừa tìm hiểu các nguyên lý chung nhất về phân tích - dự báo kinh tế

Sự biến động của thị trường chứng khoán phản ánh sức khỏe của nền kinh tế và

kỳ vọng của nhà đầu tư Cơ sở lý thuyết cho việc phân tích - dự báo biến độngcủa thị trường chứng khoán đã được chứng minh khá rộng rãi.Nhiệm vụ củanhà phân tích - dự báo là thiết lập các mô hình để có thể phân tích - dự báonhững xu thế thị trường trong tương lai

Thực tế chúng ta phải chấp nhận rằng không có một mô hình nào là hoàn hảo đểphân tích - dự báo mọi sự biến động của thị trường.Việc phân tích - dự báo bằngđịnh lượng có thể sai sót khi gặp những cú sốc của các biến số ngoài mô hình

khiến thị trường đảo chiều một cách đột ngột Ngoài ra, nếu nguồn dữ liệu đầuvào không được thu thập một cách khoa học, chính xác cũng có thể làm chotính phân tích - dự báo thiếu chính xác.

Tại Việt Nam, nghiên cứu định lượng để phân tích - dự báo thị trường chứngkhoán xuất hiện chưa nhiều.Nguyên nhân chính là lực lượng những người làmphân tích - dự báo có đủ trình độ chuyên môn để thực hiện những phép toánphức tạp là khá ít.Ngoài ra, do số liệu về kinh tế, doanh nghiệp và thị trườngchưa đủ dài và độ tin cậy chưa cao nên việc thực hiện các phân tích - dự báo trởnên khó khăn hơn

Dưới đây, chúng tôi xin giới thiệu một số phương pháp phân tích - dự báo phổbiến.Chúng tôi sẽ có những nghiên cứu sâu hơn về việc áp dụng tại thị trườngViệt Nam

a Phân tích - dự báo chuỗi thời gian

Sử dụng chuỗi thời gian để phân tích - dự báo giá cổ phiếu hoặc các chỉ sốthị trường được sử dụng khá nhiều Phương pháp phân tích - dự báo này có

ưu điểm là chỉ sử dụng số liệu theo chuỗi thời gian nên khá phù hợp chophân tích - dự báo thị trường chứng khoán Tuy nhiên, nhược điểm của nó làkhông hiệu quả trong việc phân tích - dự báo được xu thế dài hạn của thịtrường

Mô hình chuỗi thời gian thường được sử dụng nhất là mô hình ARIMA vàphương pháp Box-Jenkins.Mô hình ARIMA (Autoregressive IntegratedMoving Average - Tự hồi qui tích hợp Trung bình trượt), được George Box

và Gwilym Jenkins (1976) nghiên cứu Phương pháp Box-Jenkins bao gồmbốn bước: nhận dạng mô hình thử nghiệm; ước lượng; kiểm định bằng chẩnđoán; và phân tích - dự báo

Mô hình sử dụng để phân tích - dự báo rủi ro ARCH/GARCH.ARCH/GARCH được sử dụng khá phổ biến trong ngành tài chính để phântích - dự báo rủi ro Mô hình này dùng để phân tích - dự báo độ giao độngsuất sinh lời của cổ phiếu theo thời gian Mô hình ARCH (AutogressiveConditional Heteroskedasticity) do Robert Engle và Clive Granger phát triểnnăm 1982 Mô hình GARCH (Generalised Autogressive ConditionalHeteroskedasticity) được Tim Bollerslev đề xuất năm 1986 để khắc phụcnhững hạn chế của ARCH Ngày nay, GARCH được sử dụng một cách phổbiến và phù hợp với số liệu chuỗi thời gian ngắn như giá cổ phiếu trên thịtrường

b Phân tích - dự báo bằng mô hình nhân quả

Mô hình nhân quả thường sử dụng số liệu bảng.Trong phân tích - dự báochứng khoán, biến phụ thuộc (biến cần phân tích - dự báo) là suất sinh lờicủa cổ phiếu, thị trường hay giá cổ phiếu và chỉ số thị trường Trong khi đó,các biến độc lập là các biến số của nền kinh tế như lạm phát, thất nghiệp,cung tiền, tăng trưởng công nghiệp, tăng trưởng bán lẻ, niềm tin tiêu dùng

… hoặc là các biến số liên quan đến doanh nghiệp như lợi nhuận, tăngtrưởng, giá hàng hóa liên quan đến quá trình sản xuất của doanh nghiệp Nóitóm lại là bất kỳ yếu tố nào tác động đến sự biến động của thị trường, giá cổphiếu đều có thể trở thành biến độc lập sử dụng cho phân tích - dự báo

Phương pháp này sử dụng các mô hình hồi quy để tìm mối liên hệ giữa biếnphụ thuộc và biến độc lập.Qua mô hình hồi quy, chúng ta có thể phân tích -

dự báo được xu thế và những nhân tố tác động đến biến động của giá chứngkhoán hay thị trường

Ưu điểm của phương pháp này là có thể phân tích - dự báo một cách kháchính xác xu hướng biến động dài hạn của giá cổ phiếu hay thị trường Tuynhiên, việc thu thập dữ liệu là một công việc khó khăn và tốn nhiều chi phí.Đối với Việt Nam, do các dữ liệu về doanh nghiệp và nền kinh tế còn ít nên

áp dụng phương pháp phân tích - dự báo này càng trở nên khó khăn

c Phân tích - dự báo bằng mạng thần kinh (Neural Network)

Lý thuyết Neural Network được phát triển từ những năm 1940 đến nay và đãđược ứng dụng rộng rãi trong nhiều lĩnh vực Lý thuyết Neural Networknhanh chóng trở thành một hướng nghiên cứu triển vọng trong mục đích xâydựng các máy thông minh tiến gần tới trí tuệ con người Đối với lĩnh vựcchứng khoán, Neural Network được sử dụng khá phổ biến để phân tích - dựbáo thị trường, giá cổ phiếu

Neural Network được xây dựng xuất phát từ một thực tế là bộ não conngười Có thể coi bộ não là một máy tính hay một hệ thống xử lý thông tinsong song, phi tuyến và cực kỳ phức tạp Bộ não có khả năng tự tổ chức các

bộ phận cấu thành của nó, như là các tế bào thần kinh (neural) hay các khớpnối thần kinh (synapse), nhằm thực hiện một số tính toán như nhận dạngmẫu và điều khiển vận động nhanh hơn nhiều lần các máy tính nhanh nhấthiện nay Sự mô phỏng bộ não con người của mạng neural được dựa trên cơ

sở một số tính chất đặc thù rút ra từ các nghiên cứu về thần kinh sinh học

Dữ liệu đầu vào để thực hiện phân tích - dự báo bằng Neural Network khá

đa dạng và tùy thuộc vào trình độ, kinh nghiệm, mục tiêu phân tích - dự báo

và những cơ sở dữ liệu mà người làm phân tích - dự báo có Thông thường

dữ liệu bao gồm các dữ liệu liên quan đến giao dịch cổ phiếu trên thị trườngnhư giá, khối lượng… Ngoài ra, các dữ liệu trong nền kinh tế, dữ liệu củadoanh nghiệp cũng có thể làm đầu vào cho quá trình phân tích - dự báo Cácthông tin đầu vào sẽ được xử lý bằng những thuật toán phức tạp thông quatiến trình mô phỏng việc xử lý thông tin như bộ não con người

Hiện nay, có khá nhiều phần mền miễn phí về Neural Network được đăng tảitrên mạng Internet.Tuy nhiên việc vận dụng thành thạo để phân tích - dự báothị trường là một công việc không dễ dàng.Để làm được điều này ngườiphân tích - dự báo cần phải có hàng loạt các kiến thức sâu rộng khác để bổtrợ

4 Kết luận

Trên đây chúng tôi vừa giới thiệu những cơ sở lý thuyết và một số phương thứcphổ biến sử dụng để phân tích - dự báo trên thị trường chứng khoán Ưu điểmcủa các phương pháp định lượng này là phân tích số liệu để đưa ra được nhữngphân tích - dự báo khách quan, để giảm thiểu rủi ro của việc phân tích cảm tínhcủa con người Tuy nhiên, áp dụng phương pháp định lượng trong phân tích -

dự báo sẽ có không ít thách thức và nó cũng không phải là phương pháp thaythế hoàn toàn trực giác trong đầu tư

Chúng tôi cho rằng đây là một hướng phát triển trong tương lai đối với công tácphân tích - dự báo ở Việt Nam.Tuy vậy, đây là công việc khó khăn và phức tạp,đòi hỏi người làm công tác phân tích - dự báo cần có trình độ chuyên môn vềkinh tế, tài chính, toán học và kinh nghiệm phân tích - dự báo.

Kết quả nghiên cứu bước đầu của chúng tôi cho thấy phương pháp định lượnghoàn toàn có thể áp dụng để phân tích - dự báo đối với thị trường Việt Nam.Sửdụng phương pháp định lượng phân tích - dự báo thị trường khá hiệu quả vàhiệu quả càng tăng lên khi kết hợp với các phương pháp phân tích - dự báokhác

Chương 2

Ứng dụng lý thuyết đại số gia tử - luật kết hợp trong việc phân tích - dự báo chứng khoán

phân tích mô hình trực quan được thực hiện bởi các chuyên gia Lin et al

[2].Đã sử dụng một hệ thống mờ với chỉ số kỹ thuật KD để dự đoán chỉ số

chứng khoán.KD là chỉ số một bộ dao động ngẫu nhiên, bao gồm hai dòng

là K và D, trong đó D là Kđược làm mịn.Nghiên cứu của họ cho thấy rằnglợi nhuận được tạo ra với các hệ thống mờ lớn hơn đáng kể hơn so với các

mô hình hồi quy tuyến tính, mạng lưới thần kinh và chiến lược đầu tưkhác Hiemstra [3] theo một cách tiếp cận tương tự với một hệ thống suyluận mờ, nhưng với các chỉ số khác để dự đoán thị trường chứng khoán

Có thể thấy rằng kết quả kết hợp phân tích kỹ thuật và logic mờ rất hứahẹn

Do các hệ thống dự báo khác nhau đều có điểm mạnh và hạn chế khácnhau, thế nên hệ thống lai (hybrid) cũng đã được nghiên cứu để có được sựkết hợp các điểm mạnh của các phương pháp Abraham và Nath [4] cungcấp một phương pháp tổng quan về kết hợp các mô hình dự báo khácnhau.Đặc biệt, sự kết hợp của các hệ thống mờ với các mạng thần kinhvà/hoặc các thuật toán di truyền xuất hiện để triển khai trong các bài toànthực tế là hết sức khả thi Một hệ thống neuron mờ được dùng để dự đoánchuỗi thời gian tài chính được mô tả trong[5] Dự đoán giá chứng khoán vàchọn tùy chọn của chỉ số S&P và Dow Jones đã được kiểm chứng, kết quảtrong chiến lược kinh doanh có lợi nhuận Kết quả từ bài báo cho thấy tiềmnăng của hệ neuron mờ trong lĩnh vực tài chính.Mô hình neuron mờ cũng

đã được sử dụng để dự đoán chuỗi thời gian khác như chỉ số sản xuất HyLạp [6] và chỉ số giá chứng khoán của Hàn Quốc [7] Phương pháp nàycũng đã được áp dụng cho [8] dùng để đánh giá danh mục đầu tư Mô hìnhlai kết hợp của hệ thống mờ và xác suất cũng đã được đề xuất.Ví dụ, van

den Berg et al phân tích thị trường tài chính bằng cách sử dụng một mô

hình xác suất mờ [9], trong đó người ta kết hợp giữa xác suất với mô hìnhngôn ngữ không chắc chắn

Các vấn đề của việc tìm kiếm các quy tắc mờ mong muốn là một quá trìnhrất quan trọng trong sự phát triển của hệ thống mờ.Trong thực tế, việc đánhgiá lại các quy tắc từ các chuyên gia chỉ là một nhiệm vụ khá khó

khăn.Alcala et al [10] đưa ra một cái nhìn tổng quan về cách tiếp cận khác nhau.Cho việc học và điều chỉnh của một hệ thống mờ Herrera et al

[11].đề xuất một phương pháp để tìm hiểu các quy tắc từ các ví dụ (đầu

vào-đầu ra dữ liệu) bằng cách sử dụng một thuật toán di truyền.Mohammadian và Kingham [13] phát triển một hệ thống logic mờ phâncấp bằng cách sử dụng thuật toán di truyền để dự đoán lãi suất tại Úc.Sửdụng một thuật toán di truyền như là một phương pháp đào tạo cho học tậpquy tắc mờ, số lượng các quy tắc có thể được giảm đáng kể, kết quả trongcác hệ thống hiệu quả hơn.Kết quả cho thấy hệ thống có thể đưa ra dự đoánchính xác của các mức lãi suất

Trong phần sau đây, chúng tôi mô tả một hệ thống mờ(dựa trên lý thuyếtđại số gia tử) để dự đoán biến động giá thị trường cho đầu tư trong danhmục đầu tư cổ phiếu của Việt Nam.Hệ thống này tạo ra một tín hiệu muahoặc bán, nhưng nó cũng có thể được kết hợp với cơ chế phân bổ danhmục đầu tư cho giao dịch tự động.Dưới đây, chúng tôi đầu tiên thảo luận

về phân tích kỹ thuật và các chỉ số mà các hệ thống mờ được đề xuất sửdụng

2 Các chỉ số quan trọng trong phân tích kĩ thuật

Theo các chuyên gia trong lĩnh vực tài chính thì có một số chỉ số quantrọng trong phân tích kĩ thuật có thể giúp ích rất lớn trong việc dự báo xuhướng của thị trường chứng khoán hoặc một cổ phiếu nhất định.Trong đó,

4 chỉ số quan trọng nhất đó là Commodity Channel Index (CCI), RelativeStrength Index (RSI), Moving Average Hội tụ và phân kỳ (MACD) vàBollinger Band Dưới đây, chúng tôi mô tả sơ lược về 4 chỉ số nàytheo líthuyết của các nhà đầu tư chứng khoán

a CCI

Chỉ số kênh hàng hóa ( CCI) được hình thành dựa trên giá trị trung bìnhcủa giá trong quá khứ, sự phân tán của giá từ giá trị trung bình và độ biến

Nếu giá trung bình của một cặp đồng tiền đang tăng lên thì đường CCIcũng sẽ di chuyển cao hơn Đường CCI di chuyển lên cao hơn nhanh hay

chậm phụ thuộc vào độ biến động của cặp đồng tiền Nếu cặp đồng tiềnbiến động mạnh, đường CCI di chuyển lên nhanh hơn và ngược lại.

Nếu giá trung bình của một cặp đồng tiền đang giảm xuống thì đường CCIcũng sẽ di chuyển xuống thấp hơn Đường CCI di chuyển xuống thấp hơnnhanh hay chậm phụ thuộc vào độ biến động của cặp đồng tiền Nếu cặpđồng tiền biến động mạnh, đường CCI di chuyển xuống nhanh hơn và

Đường CCI di chuyển ra sau và lên trước, đi qua vùng 100, 0 và -100 trongchu kỳ của nó

Dấu hiệu kinh doanh của kênh chỉ số hàng hóa ( CCI)

Kênh chỉ số hàng hóa chỉ ra các dấu hiệu kinh doanh khi nó di chuyển rasau và lên trước ở trên và dưới mốc 100 và -100

Dấu hiệu vào: Khi CCI tăng lên trên mốc 100 và sau đó đảo chiều đi xuốngdưới mốc 100 thì bạn có thể bán cặp đồng tiền xuống bởi người mua đã hếtđộng lực theo và giá của cặp đồng tiền sẽ giảm trong tương lai gần.Khi CCI xuống dưới mốc -100 và sau đó đảo chiều đi lên trên mốc -100 thìbạn có thể mua cặp đồng tiền lên bởi người bán đã hết động lực theo và giácủa cặp đồng tiền sẽ tăng trong tương lai gần.Dấu hiệu ra: Khi đường CCI đảo chiều và bắt đầu di chuyển lên cao hơnsau khi bạn bán một cặp đồng tiền, đặt lệnh dừng lỗ trên một chút so với

mức cản gần nhất Nếu cặp đồng tiền đảo chiều và di chuyển lên trên mứccản, điểm dừng lỗ sẽ đưa bạn ra ngoài giao dịch.Khi đường CCI đảo chiều và bắt đầu di chuyển xuống thấp hơn sau khi bạnmua một cặp đồng tiền, đặt lệnh dừng lỗ dưới một chút so với mức hỗ trợgần nhất.Nếu cặp đồng tiền đảo chiều và di chuyển xuống dướ mức hỗ trợ,điểm dừng lỗ sẽ đưa bạn ra ngoài giao dịch.

Một số luật dựa trên chỉ số CCI do các nhà phân tích rút ra:

 Nếu CCI tăng lên trên 100 thì xu hướng tăng

 Nếu CCI giảm xuống dưới 100 thì xu hướng giảm

 Nếu CCI giảm xuống dưới -100 thì xu hướng giảm

 Nếu CCI tăng lên trên -100 thì xu hướng tang

b RSI

Chỉ số RSI dùng để đo sức mạnh hoặc độ yếu tương đối của một loạichứng khoán khi nó tự so sánh với chính nó trong một khoảng thời giannhất định (thường dùng là 14 ngày) RSI là một công cụ đo dao động(oscillator) có biên trên và biên dưới dao động 0-100 (Phần dưới cùng củabiểu đồ trên: RSI – 14 ngày) Đường trung bình nằm giữa màu xám 50.Biểu đồ RSI có các đường chính đáng chú ý sau:

Đường 50 ở giữa, là một dấu hiệu nhận biết chứng khoán sắp tăng giá haygiảm giá Nếu đường RSI tăng vượt qua đường này, đó là dấu hiệu giá củaloại chứng khoán đó có kỳ vọng tăng giá (Bullish) Ngược lại, nếu đườngRSI giảm xuống dưới đường này, đó là dấu hiệu giá của loại chứng khoán

đó có kỳ vọng giảm giá (Bearish)

Ở đây ta nhấn mạnh là kỳ vọng vì biểu đồ thể hiện quá khứ của cổ phiếu.Khi xác lập xu thế mới sẽ làm cho các nhà đầu tư tin tưởng tăng (hoặcgiảm)

Đường 70 phía trên được coi là ngưỡng lỗ mua (overbought) nghĩa là đãmua lỗ quá nhiều so với mức cân bằng của thị trường Khi đó, nhà đầu tư

sẽ bán bớt ra để trở về mức cân bằng làm cho giá giảm xuống).Thường khi

đường RSI rớt xuống dưới ngưỡng 70, đó là dấu hiệu giá chứng khoán đósắp giảm.

Đường 30 ở dưới được coi là ngưỡng lỗ bán (oversold) nghĩa là lượng bán

ra quá nhiều làm giá giảm xuống thấp hơn so với giá cân bằng Nhà đàu tư

sẽ mua thêm để đẩy giá lên).Thường khi đường RSI từ dưới lên và vượtngưỡng 30, đó là dấu hiệu giá chứng khoán đó sắp tăng

Công thức tính:

M

Một số luật dựa trên chỉ số RSI:

 Nếu RSI tăng trên 70, thì xu hướng tăng

 Nếu RSI giảm dưới 70, thì xu hướng giảm

 Nếu RSI tăng trên 50, thì xu hướng tăng

 Nếu RSI giảm dưới 50, thì xu hướng giảm

 Nếu RSI tăng trên 30, thì xu hướng tăng

 Nếu RSI giảm dưới 30, thì xu hướng giảm

c MACD

Công cụ chỉ báo MACD do Gerald Appel phát triển Điều làm cho công cụchỉ báo này hữu dụng đó là nó kết hợp một số nguyên tắc của daođộng.Bạn có thể nhìn qua biểu đồ (ảnh)

Đường di động nhanh hơn (đường MACD) là sự chênh lệch giữa haiđường trung bình động san bằng hàm mũ của các mức giá đóng cửa(thường là 12 và 26 ngày hoặc tuần vừa qua).Đường di động chậm hơn(đường tín hiệu) thì thường sử dụng trung bình động san bằng mũ 9 kỳ củađường MACD

Các tín hiệu mua và bán thực chất được đưa ra khi hai đường này cắtnhau.Khi đường MACD cắt hướng lên đường tín hiệu chậm hơn thì đó làtín hiệu mua.Khi đường MACD cắt xuống dưới đường tín hiệu chậm hơnthì đó là tín hiệu bán.Trong ý nghĩa đó, đường MACD giống như cách thứccắt nhau của hai đường trung bình động.Tuy nhiên, giá trị của đườngMACD cũng dao động lên trên và xuống dưới đường 0.Đó là nơi nó bắtđầu tương đồng với một dao động.Tình trạng mua quá mức được thể hiệnkhi hai đường này nằm quá cao so với đường 0.Tình trạng bán quá mức làkhi hai đường này nằm quá thấp so với đường 0.

Tín hiệu mua tốt nhất được cho là khi những đường giá nằm nhiều dướiđường 0 (tức là khi bị bán quá mức) Những điểm băng lên trên hay xuốngdưới đường 0 là cách thức khác để tạo ra các tín hiệu mua và bán tươngứng

Một số luật dựa trên chỉ số MACD:

 Nếu MACD tăng lên trên đường tín hiệu thì mua

 Nếu MACD giảm xuống dưới đường tín hiệu thì bán

d Dải Bollinger

Đường Bollinger giúp cho người dùng so sánh độ biến động và mức giá tương đối của một chứng khoán hay giá hàng hoá, tiền tệtheo một thời gianquan sát cụ thể Các đường biên được tạo nên từ đường trung bình và một

độ lệch chuẩn được áp dụng xung quanh đường trung bình này.Thông thường mặc định của đường trung bình là 20 ngày và độ lệch chuẩn là 2 Bởi vì độ lệch chuẩn dùng để đo lường biến động nên Bollinger Bands trở nên một công cụ linh động có thể điều chỉnh mở rộng hay hẹp lại dựa trên mức độ biến động thật sự của thị trường

Thông thường dãy Bollinger band gồm 3 đường:

- Một đường trung bình động ở giữa (hay còn gọi là đường trung tuyến)

- Một đường biên trên

- Một đường biên dưới

(một số phần mềm như phần mềm SAXO Bank không có hiển thị đường trung bình động ở giữa (đường trung tuyến), trong trường hợp này chúng ta

có thể kết hợp đường trung bình 20 (MA 20) để xác định đường trung tuyến)

Các Ứng Dụng Của Bollinger Band:

 Chỉ ra thị trường đang ở tình trạng overbought/oversold: giá ở gần

biên dưới tức thị trường đang oversold, ngược lại là overbought

 Dùng kết hợp với đường RSI, Stochastic để chỉ ra dấu hiệu mua/

bán: Dấu hiệu mua/bán xuất hiện khi Bollinger cho thấy dấu hiệu

overbought/oversold, trong khi RSI, Stochastic cho thấy dấu hiệu phân kỳ (divergence)

 Chỉ ra dấu hiệu cảnh báo sắp có một sự biến động giá mạnh: những

đường biên (bands) thường hẹp trước khi bắt đầu một sự biến động giá mạnh

3 Thuật toán khai phá luật kết hợp dựa trên đại số gia tử

Có thể thấy các luật cơ bản được các nhà phân tích đưa ra ở trên là các luậtđược xây dựng dựa trên phương pháp thống kê khi các điều kiện trên đikèm với nhau với xác suất cao Ta dễ dàng nhận thấy cấu trúc của các luật

ở trên là cấu trúc của luật kết hợp trong lĩnh vực khai phá dữ liệu Vì thếtrong nghiên cứu này, chúng tối đề xuất sử dụng lý thuyết luật kết hợp dựatrên đại số gia tử để tìm kiếm các luật có độ tin cậy cao trong dữ liệu giaodịch chứng khoán lịch sử

Khai phá dữ liệu, cụ thể là trích xuất các luật kết hợp từ cơ sở dữ liệu, cóxuất phát điểm từ bài toán nghiên cứu số liệu bán hàng trong siêu thị Ở bàitoán này, số liệu được biểu diễn dưới dạng bảng hai chiều, trong đó các cộtthể hiện các loại mặt hàng (item), các hàng thể hiện các giao dịch(transactions) đã được tiến hành, số 1 cho thấy mặt hàng được mua, số 0chỉ điều ngược lại Từ bảng dữ liệu rất lớn này, người ta mong muốn rút rađược các quy luật giúp cho quản lý, kiểu như "Nếu một người đã mua bánh

mỳ và bơ, khả năng người đó cũng mua giăm bông là rất cao" Luật códạng như vậy gọi là luật kết hợp và là hướng nghiên cứu quan trọng tronglĩnh vực khai phá dữ liệu.Về sau, người ta thấy sẽ là rất không đầy đủ nếuchỉ xem xét các cơ sở dữ liệu chỉ bao gồm các phần tử 0 và 1 Chẳng hạn,trong CSDL nhân sự của một cơ quan có các mục như tuổi, thu nhập cógiá trị trong miền số thực rất rộng Để trích xuất ra các luật kết hợp, mộtphương pháp thường được sử dụng là chuyển số liệu trong CSDL đã cho

về CSDL chỉ chứa các giá trị 0, 1 và áp dụng các kết quả đã có Thí dụ,trong mục "tuổi", có thể chia ra các miền "trẻ", "trung niên" và "già" vớicác miền giá trị tương ứng là [0,35], [36,55], [56,80] và nếu một giá trị củaCSDL ban đầu rơi vào miền giá trị nào thì ta ghi 1 cho vị trí tương ứngtrong CSDL chuyển đổi, ngược lại gán giá trị 0 Phương pháp này đơn giản

về mặt thực thi nhưng có thể gây băn khoăn do ranh giới cứng mà người tađưa ra khi tiến hành chuyển đổi Chẳng hạn hai người tuổi 35 và 36 tuy rấtgần nhau về mặt tuổi tác nhưng lại thuộc hai lớp khác nhau là "trẻ" và

"trung niên", dẫn tới việc đưa ra những luật kết hợp có thể thiếu tính chínhxác Và người ta sử dụng cách tiếp cận mờ để khắc phục điều này, theo đó,một giá trị bất kỳ của CSDL ban đầu không chuyển đổi về giá trị 0 hoặc 1như trên mà sẽ chuyển về một tập giá trị thực thuộc đoạn [0,1], là độ thuộccủa giá trị đã cho vào các tập mờ được xác định trước Thí dụ, người tuổi

35 trong ví dụ trên, ở CSDL đã chuyển đổi sẽ nhận tập giá trị (trẻ, 0,8),

(trung niên, 0,6), (già, 0,1) Phương pháp này, tuy dẫn tới việc xử lý phứctạp hơn nhưng dễ chấp nhận hơn về mặt trực quan và hiện đang được nhiềunhà nghiên cứu quan tâm Mặc dù vậy, theo ý chúng tôi, phương pháp tríchxuất luật kết hợp mờ vẫn có một số điểm yếu cần khắc phục Đó là sự phụthuộc chủ quan rất lớn vào việc lựa chọn các hàm thuộc cho các tập mờdẫn đến việc xử lý vừa phức tạp vừa có thể thiếu chính xác Trong phầnnày chúng tôi trình bày việc giải bài toán trích xuất luật kết hợp mờ theocách tiếp cận của Đại số gia tử, ở đó các giá trị độ thuộc mờ sẽ nhận đượcthông qua các giá trị định lượng ngữ nghĩa, được xác định dựa trên các kếtquả nghiên cứu lý thuyết về ĐSGT đã có từ trước

Ký hiệu các tham số của thuật toán như sau

n: Tổng số giao dịch trong cơ sở dư liệu(được sinh ra sau quá trình chuyển dữ liệu thô(n’) thành nhãn gia tử tương ứng)

m: Tổng số các thuộc tính(số thuộc tính của dữ liệu thô(m’)* số

nhãn gia tử)

A j : Thuộc tính thứ j, 1 ≤ j ≤ m, A j

D(i) dữ liệu giao dịch thứ i, 1 ≤ i ≤ n

v j (i): Giá trị định lượng của Aj trong D(i);

f jk (i) giá trị độ thuộc của v j (i) với nhãn gia tử R jk , 1 ≤ f jk (i) ≤ m;

Sup(A jk ): Độ hỗ trợ của A jk

Sup: Giá trị hỗ trợ của mỗi tập mục lớn;

Conf: độ tin cậy của mỗi tập mục lớn

Minsup: Giá trị hỗ trợ tối thiểu cho trước

Minconf: Giá trị tin cậy cho trước

C r : Tập các tập mục có khả năng với r thuộc tính (tập mục), 1 ≤ r ≤ m;

L r : Tập các tập mục lớn thỏa mãn với r nhãn gia tử (tập mục) 1 ≤ r ≤ m;

Thuật toán khai phá dữ liệu dựa trên đại số gia tử cho các giá trịđịnh lượng được thực hiện như sau:

Input: m’,n’, theta(tỉ lệ giữa 2 phần tử sinh), minsup và minconf

Output: luật kết hợp