Mục lục

Nội dung Trang

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

3. Các kỹ thuật khai phá dữ liệu 4

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

12

1. Giới thiệu 13

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

4. Mô hình dự báo 25

Chương 3: Phân tích thiết kế chương trình 28

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

2. Phân tích yêu cầu người dùng 31

3. Phân tích thiết kế 32

Chương 4: Hướng dẫn sử dụng 38

Tài liệu tham khảo 42

1

Chương 1

Giới thiệu một số phương pháp phân tích - dự báo thị trường chứng khoán bằng phương

pháp định lượng

2

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. Hiện nay, nhiều phương pháp phân tích - dự báo đã được phát triển để phân tích - dự báo xu hướng biến động giá cổ phiếu, thị trường hoặc tìm kiếm các cổ phiếu tiềm năng để đầu tư.

Ở Việt Nam, phương pháp phân tích - dự báo được nhiều người biết đến nhất là phân tích kỹ thuật và phân tích cơ bản.Bên cạnh đó, phương pháp phân tích - dự báo 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 về phương pháp phân tích - dự báo định lượng.Chúng tôi cho rằng đây là một phương pháp khá hiệu quả và giúp hạn chế những khiếm khuyết của 2 phương pháp phân tích - dự báo phổ biến phân tích kỹ thuật và phân tích cơ bản.

3

Phân tích - dự báo thị trường bằng phương pháp định lượng được sử dụng một cách khá phổ biến trên thế giới.Nhiều quỹ đầu tư đã thiết lập các hệ thống giao dịch tự động bằng phương pháp định lượng (quantitative trading).Hiệu quả từ phương 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 đưa khá 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 nên giảm thiểu sự sai sót do yếu tố con người. Dù vậy, nếu lạm dụng quá mức phương 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 dụng phương pháp định lượng để phân tích - dự báo thị trường chứng khoán và biến động cổ phiếu.Tuy nhiên, những nghiên cứu này phần lớn mới chỉ dừng lại ở mục tiêu tham khảo hoặc làm tiền đề cho những nghiên cứu có tính ứng dụng sâu hơn. Nguyên nhân ngoài hạn chế về kinh nghiệm, trình độ của những nhà làm phân tích - dự báo, còn do dữ liệu thời gian ngắn và không đầy đủ cũng khiến 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 hình toán 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 dữ liệu quá khứ để phát hiện chiều hướng vận động trong tương lai của các yếu tố theo một quy luật nào đó. Để phân tích - dự báo diễn biến trong tương lai của một biến, người ta có thể sử dụng mô hình chuỗi thời gian hoặc sử dụng biến nhân quả.Ngoài ra, người ta còn sử dụng phương pháp khá phức tạp là mạng neural.

a. Phân tích - dự báo chuỗi thời gian

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

4

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 - dự báo 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 tiên sau khi chấm dứt giai đoạn mẫu Yn+1 tới quan sát mới nhất YN. Giai đoạn hậu nghiệm là giai đoạn kiểm nghiệm sự chính xác tính phân tích - dự báo của mô hình. Nếu như mô hình không đảm bảo độ chính xác theo yêu cầu thì lúc đó người phân tích - dự báo cần tìm các giải pháp khác như tìm kiếm mô hình thay thế hoặc mở rộng mẫu phân tích - dự báo.

- Giai đoạn phân tích - dự báo tiền nghiệm: Là giai đoạn phân tích - dự báo tương 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 cho chúng ta đánh giá được mức độ tin cậy của mô hình.

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

5

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 tố với nhau, trong đó biến phân tích - dự báo (biến phụ thuộc) có quan hệ nhân quả với các biến khác (biến độc lập).

Để thực hiện được phân tích - dự báotheo mô hình nhân quả người làm phân tích - dự báo dựa trên các lý thuyết về kinh tế, tài chính, các nghiên cứu thực nghiệm có liên quan, kinh nghiệm thực tế. Trước khi xây dựng mô hình người làm phân tích - dự báo phải thiết lập các cơ sở lý thuyết, mối liên hệ giữa 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

6

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

3. Ứng dụng phương pháp định lượng phân tích - dự báo trên thị trường chứng khoán

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 động của thị trường chứng khoán đã được chứng minh khá rộng rãi.Nhiệm vụ của nhà phân tích - dự báo là thiết lập các mô hình để có thể phân tích - dự báo những xu thế thị trường trong tương lai.

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

7

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

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

Dưới đây, chúng tôi xin giới thiệu một số phương pháp phân tích - dự báo phổ biến.Chúng tôi sẽ có những nghiên cứu sâu hơn về việc áp dụng tại thị trường Việt 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 số thị 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 cho phân tích - dự báo thị trường chứng khoán. Tuy nhiên, nhược điểm của nó là không hiệu quả trong việc phân tích - dự báo được xu thế dài hạn của thị trường.

Mô hình chuỗi thời gian thường được sử dụng nhất là mô hình ARIMA và phương pháp Box-Jenkins.Mô hình ARIMA (Autoregressive Integrated Moving Average - Tự hồi qui tích hợp Trung bình trượt), được George Box và Gwilym Jenkins (1976) nghiên cứu. Phương pháp Box-Jenkins bao gồm bốn bước: nhận dạng mô hình thử nghiệm; ước lượng; kiểm định bằng chẩn đoán; 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 phân tích - dự báo rủi ro. Mô hình này dùng để phân tích - dự báo độ giao động suất sinh lời của cổ phiếu theo thời gian. Mô hình ARCH (Autogressive Conditional Heteroskedasticity) do Robert Engle và Clive Granger phát triển năm 1982. Mô hình GARCH (Generalised Autogressive Conditional Heteroskedasticity) được Tim Bollerslev đề xuất năm 1986 để khắc phục những hạn chế của ARCH. Ngày nay, GARCH được sử dụng một cách phổ biến và phù hợp với số liệu chuỗi thời gian ngắn như giá cổ phiếu trên thị trường.

8

b. Phân tích - dự báo bằng mô hình nhân quả

Mô hình nhân quả thường sử dụng số liệu bảng.Trong phân tích - dự báo chứng khoán, biến phụ thuộc (biến cần phân tích - dự báo) là suất sinh lời của 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, tăng trưởng, giá hàng hóa liên quan đến quá trình sản xuất của doanh nghiệp. Nói tóm lại là bất kỳ yếu tố nào tác động đến sự biến động của thị trường, giá cổ phiếu 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 biến phụ 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 chứng khoán hay thị trường.

Ưu điểm của phương pháp này là có thể phân tích - dự báo một cách khá chính xác xu hướng biến động dài hạn của giá cổ phiếu hay thị trường. Tuy nhiên, 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 đã được ứng dụng rộng rãi trong nhiều lĩnh vực. Lý thuyết Neural Network nhanh chóng trở thành một hướng nghiên cứu triển vọng trong mục đích xây dựng các máy thông minh tiến gần tới trí tuệ con người. Đối với lĩnh vực chứng khoán, Neural Network được sử dụng khá phổ biến để phân tích - dự báo thị trường, giá cổ phiếu.

Neural Network được xây dựng xuất phát từ một thực tế là bộ não con người. Có thể coi bộ não là một máy tính hay một hệ thống xử lý thông tin song 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 khớp nối thần kinh (synapse), nhằm thực hiện một số tính toán như nhận dạng mẫu và điều khiển vận động nhanh hơn nhiều lần các máy tính nhanh nhất hiện 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.

9

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 trường như giá, khối lượng…. Ngoài ra, các dữ liệu trong nền kinh tế, dữ liệu của doanh nghiệp cũng có thể làm đầu vào cho quá trình phân tích - dự báo. Các thông tin đầu vào sẽ được xử lý bằng những thuật toán phức tạp thông qua tiến 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 tải trên mạng Internet.Tuy nhiên việc vận dụng thành thạo để phân tích - dự báo thị trường là một công việc không dễ dàng.Để làm được điều này người phân tích - dự báo cần phải có hàng loạt các kiến thức sâu rộng khác để bổ trợ.

4. Kết luận

Trên đây chúng tôi vừa giới thiệu những cơ sở lý thuyết và một số phương thức phổ biến sử dụng để phân tích - dự báo trên thị trường chứng khoán. Ưu điểm của các phương pháp định lượng này là phân tích số liệu để đưa ra được những phân tích - dự báo khách quan, để giảm thiểu rủi ro của việc phân tích cảm tính của 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 thay thế hoàn toàn trực giác trong đầu tư.

10

Chúng tôi cho rằng đây là một hướng phát triển trong tương lai đối với công tác phân 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 về kinh 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 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.

11

Chương 2

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

12

1. Giới thiệu

Hệ mờ(fuzzy systems) đã được áp dụng rộng rãi trong các hệ chuyên gia, điều khiển tự động, người máy... Gần đây, việc nghiên cứu ứng dụng hệ mờ vào các bài toán tài chính đã và đang thu hút được nhiều sự quan tâm nhờ điểm mạnh của việc xử lý các thuộc tính không rõ ràng trong thông tin vủa hệ mờ. Trong một nghiên cứu của Zhou và Dong [1] đã đưa ra một mô hình tri thức không chắc chắn được dùng trong phân tích kỹ thuật theo hướng tiếp cận logic mờ. Thuật toán của họ có có thể cung cấp độ chính xác cao hơn trong việc phát hiện và giải thích các mô hình kỹ thuật qua 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 rằng lợi 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 tư khác. Hiemstra [3] theo một cách tiếp cận tương tự với một hệ thống suy luận 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 hứa hẹn.Do các hệ thống dự báo khác nhau đều có điểm mạnh và hạn chế khác nhau, thế nên hệ thống lai (hybrid) cũng đã được nghiên cứu để có được sự kết hợp các điểm mạnh của các phương pháp. Abraham và Nath [4] cung cấp một phương pháp tổng quan về kết hợp các mô hình dự báo khác nhau.Đặc biệt, sự kết hợp của các hệ thống mờ với các mạng thần kinh và/hoặc các thuật toán di truyền xuất hiện để triển khai trong các bài toàn thực tế là hết sức khả thi. Một hệ thống neuron mờ được dùng để dự đoán chuỗi thời gian tài chính được mô tả trong[5]. Dự đoán giá chứng khoán và chọn tùy chọn của chỉ số S&P và Dow Jones đã được kiểm chứng, kết quả trong chiến lược kinh doanh có lợi nhuận. Kết quả từ bài báo cho thấy tiềm năng 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 Hy Lạp [6] và chỉ số giá chứng khoán của Hàn Quốc [7]. Phương pháp này cũng đã được áp dụng cho [8] dùng để đánh giá danh mục đầu tư. Mô hình lai 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 hình ngôn ngữ không chắc chắn.

13

Các vấn đề của việc tìm kiếm các quy tắc mờ mong muốn là một quá trình rất quan trọng trong sự phát triển của hệ thống mờ.Trong thực tế, việc đánh giá 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 phân cấp bằng cách sử dụng thuật toán di truyền để dự đoán lãi suất tại Úc.Sử dụng một thuật toán di truyền như là một phương pháp đào tạo cho học tập quy tắc mờ, số lượng các quy tắc có thể được giảm đáng kể, kết quả trong các hệ thống hiệu quả hơn.Kết quả cho thấy hệ thống có thể đưa ra dự đoán chính xác của các mức lãi suất.

Trong phần sau đây, chúng tôi mô tả một hệ thống mờ(dựa trên lý thuyết đại số gia tử) để dự đoán biến động giá thị trường cho đầu tư trong danh mục đầu tư cổ phiếu của Việt Nam.Hệ thống này tạo ra một tín hiệu mua hoặc bán, nhưng nó cũng có thể được kết hợp với cơ chế phân bổ danh mục 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 sử dụng.

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 quan trọng trong phân tích kĩ thuật có thể giúp ích rất lớn trong việc dự báo xu hướng 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), Relative Strength Index (RSI), Moving Average Hội tụ và phân kỳ (MACD) và Bollinger Band. Dưới đây, chúng tôi mô tả sơ lược về 4 chỉ số nàytheo lí thuyết của các nhà đầu tư chứng khoán.

a. CCI

Chỉ số kênh hàng hóa ( CCI) được hình thành dựa trên giá trị trung bình của giá trong quá khứ, sự phân tán của giá từ giá trị trung bình và độ biến động của giá trước đó.Nếu giá trung bình của một cặp đồng tiền đang tăng lên thì đường CCI cũng 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 tiền

14

biến 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 CCI cũng sẽ di chuyển xuống thấp hơn. Đường CCI di chuyển xuống thấp hơn nhanh hay chậm phụ thuộc vào độ biến động của cặp đồng tiền. Nếu cặp đồng tiền biến động mạnh, đường CCI di chuyển xuống nhanh hơn và ngược lại.

Đường CCI di chuyển ra sau và lên trước, đi qua vùng 100, 0 và -100 trong chu 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 ra sau 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 xuống dưới mốc 100 thì bạn có thể bán cặp đồng tiền xuống bởi người mua đã hết động 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 thì bạn có thể mua cặp đồng tiền lên bởi người bán đã hết động lực theo và giá của cặp đồng tiền sẽ tăng trong tương lai gần.

Dấu hiệu ra: Khi đường CCI đảo chiều và bắt đầu di chuyển lên cao hơn sau 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 mức

15

cản, 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 bạn mua một cặp đồng tiền, đặt lệnh dừng lỗ dưới một chút so với mức hỗ trợ gần 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 loại chứng khoán khi nó tự so sánh với chính nó trong một khoảng thời gian nhất 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 của biểu 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 hay giảm giá. Nếu đường RSI tăng vượt qua đường này, đó là dấu hiệu giá của loại chứng khoán đó có kỳ vọng tăng giá (Bullish). Ngược lại, nếu đường RSI 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 (hoặc giảm).

Đường 70 phía trên được coi là ngưỡng lỗ mua (overbought) nghĩa là đã mua 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 đó sắp 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

16

sẽ mua thêm để đẩy giá lên).Thường khi đường RSI từ dưới lên và vượt ngưỡng 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 cụ chỉ báo này hữu dụng đó là nó kết hợp một số nguyên tắc của dao động.Bạn có thể nhìn qua biểu đồ (ảnh).

Đường di động nhanh hơn (đường MACD) là sự chênh lệch giữa hai đường 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 của đường MACD.

Các tín hiệu mua và bán thực chất được đưa ra khi hai đường này cắt nhau.Khi đường MACD cắt hướng lên đường tín hiệu chậm hơn thì đó là tín hiệu mua.Khi đường MACD cắt xuống dưới đường tín hiệu chậm hơn thì đó là tín hiệu bán.Trong ý nghĩa đó, đường MACD giống như cách thức

17

cắt nhau của hai đường trung bình động.Tuy nhiên, giá trị của đường MACD cũng dao động lên trên và xuống dưới đường 0.Đó là nơi nó bắt đầu tương đồng với một dao động.Tình trạng mua quá mức được thể hiện khi hai đường này nằm quá cao so với đường 0.Tình trạng bán quá mức là khi hai đường này nằm quá thấp so với đường 0.

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

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 gian

18

quan 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 luật được xây dựng dựa trên phương pháp thống kê khi các điều kiện trên đi kèm 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 thế trong nghiên cứu này, chúng tối đề xuất sử dụng lý thuyết luật kết hợp dựa

19

trên đại số gia tử để tìm kiếm các luật có độ tin cậy cao trong dữ liệu giao dịch chứng khoán lịch sử.

Khai phá dữ liệu, cụ thể là trích xuất các luật kết hợp từ cơ sở dữ liệu, có xuất phát điểm từ bài toán nghiên cứu số liệu bán hàng trong siêu thị. Ở bài toán này, số liệu được biểu diễn dưới dạng bảng hai chiều, trong đó các cột thể 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 0 chỉ điều ngược lại. Từ bảng dữ liệu rất lớn này, người ta mong muốn rút ra được 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 có dạng như vậy gọi là luật kết hợp và là hướng nghiên cứu quan trọng trong lĩnh vực khai phá dữ liệu.Về sau, người ta thấy sẽ là rất không đầy đủ nếu chỉ 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..có giá trị trong miền số thực rất rộng. Để trích xuất ra các luật kết hợp, một phương 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" với các miền giá trị tương ứng là [0,35], [36,55], [56,80] và nếu một giá trị của CSDL ban đầu rơi vào miền giá trị nào thì ta ghi 1 cho vị trí tương ứng trong 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 ta đưa ra khi tiến hành chuyển đổi. Chẳng hạn hai người tuổi 35 và 36 tuy rất gần 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 chính xác. 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 1 như trên mà sẽ chuyển về một tập giá trị thực thuộc đoạn [0,1], là độ thuộc của 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 phức tạp hơn nhưng dễ chấp nhận hơn về mặt trực quan và hiện đang được nhiều nhà nghiên cứu quan tâm. Mặc dù vậy, theo ý chúng tôi, phương pháp trích xuất luật kết hợp mờ vẫn có một số điểm yếu cần khắc phục. Đó là sự phụ

20

thuộc chủ quan rất lớn vào việc lựa chọn các hàm thuộc cho các tập mờ dẫn đến việc xử lý vừa phức tạp vừa có thể thiếu chính xác. Trong phần này chúng tôi trình bày việc giải bài toán trích xuất luật kết hợp mờ theo cách tiếp cận của Đại số gia tử, ở đó các giá trị độ thuộc mờ sẽ nhận được thông qua các giá trị định lượng ngữ nghĩa, được xác định dựa trên các kết quả 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)

Aj: Thuộc tính thứ j, 1 ≤ j ≤ m, Aj

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

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

fjk(i) giá trị độ thuộc của vj(i) với nhãn gia tử Rjk, 1 ≤ fjk(i) ≤ m;

Sup(Ajk): Độ hỗ trợ của Ajk

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

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

m;

Lr: 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 trị

định lượng được thực hiện như sau:

21

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

minconf

Output: luật kết hợp

Bước 1: Chuyển các giá trị định lượng vj(i) của mỗi giao dịch

D(i), i từ 1 tới n, với mỗi thuộc tính A j, nếu Aj nằm ở ngoài 1 trong 2

đầu mút ( 2 nhãn gia tử cực đại và cực tiểu) thì Aj chỉ có 1 nhãn gia

tử ứng với đầu mút đó, nếu không thì Aj được biểu diễn bởi 2 nhãn

gia tử liên tiếp có đoạn giá trị nhỏ nhất trên trường giá trị của A j, mỗi

nhãn ứng với 1 giá trị biểu diễn độ thuộc f jk(i)(j=1,2) của Aj với

nhãn gia tử đó. Độ thuộc này được tính là khoảng cách của A j tới

giá trị biểu diễn cho nhãn gia tử tương ứng.

Bước 2 : Tính giá trị hỗ trợ ,

¿ ( R jk )=∑j=1

n

f jk

n

Bước 3 : Nếu Sup(Rjk) ≥ minsup thì đưa Rjk vào L1

Bước 4 : Nếu L1 không rỗng, tiếp tục bước sau, nếu rỗng thoát

chương trình.

Bước 5 : Thuật toán xây dựng tập mục lớn mức r từ các tập

mục lớn mức r-1 bằng cách chọn 2 tập mục lớn mức r-1 chỉ khác

nhau duy nhất một mục, hợp 2 tập mục này ta được tập mục ứng

viên Cr, nếu tập mục này xuất hiện trong cơ sở dữ liệu và có giá trị

hỗ trợ thỏa mãn thì nó được đưa vào danh sách các tập mục lớn

mức r.

Bước 6: Thực hiện theo các bước con sau đây lặp lại cho các

tập mục lớn mức lớn hơn được sinh ra tiếp theo dạng (r+1) tập mục

lớn S với mục (s1,s2, …, st, …, sr+1) trong Cr+1, 1≤ t ≤ r+1

22

(a) Tính giá trị hỗ trợ sup(S) của S trong giao dịch

¿ ( S )=∑i=1

k

f jk (si)

n

(b) Nếu Sup(S) ≥ minsup, thì đưa S vào Lr+1.

Bước 7 : Nếu Lr+1 là rỗng, thì thực hiện bước tiếp theo, ngược

lại, đặt r=r+1, thực hiện lại bước 5 và 6.

Bước 8 : Thu thập các tập mục lớn mức lớn hơn nếu có

Bước 9 : Đưa ra các luật kết hợp từ các tập mục lớn vừa thu

thập theo cách sau:

(a) Với mỗi luật kết hợp khả thi sau đây:

s1∩…∩sx∩sy∩…∩sq → sk (k=1 tới q, x=k-1, y= k+1)

(b) Tính độ tin cậy của luật:

Conf ( s1∩…∩ sx ∩ s y ∩ …∩ sq → sk)=¿(S/ sk)¿ (S)

Trên thực tế, trong đầu tư chứng khoán, các quyết định của nhà đầu tư bao gồm các lệnh: Mua, bán và nắm giữ. Việc ra quyết định cũng phụ thuộc vào khối lượng cổ phiếu mà nhà đầu tư tác động vào, ví dụ khi nhà đầu tư quyết định bán mạnh cổ phiếu x tức là họ sẽ bán một lượng lớn số lượng cổ phiếu x đang nắm giữ. Vì thế để phù hợp với thực tế chúng tôi chỉ trích xuất các luật có dạng:

A => buy/sell/holdhoặc A => strong_sell/buy

23

Trong đó A là tập con của {MACD, RSI, CCI, BB} với các nhãn gia tử tương ứng. Việc tính nhạn gia tử tương ứng của các chỉ số được tính dựa trên giá trị độ lệch của chỉ số đó so với đường tiêu chuẩn của nó.

Sau đây là một số luật tham khảo với độ tin cậy 60% với giữ liệu cổ phiếu của công ty nhựa môi trường xanh An Phát(mã AAA – thuộc sở giao dịch chứng khoán Hà Nội) trong tháng 9 – 10 – 11 – 12 năm 2011, trong thử nghiệm trạng thái nắm giữ(hold) tạm thời chưa được thử nghiệm:

{Very_low_MACDf, quite_low_RSI, very_hight_RSI¡1 }=> SELL{very_low_MACDf, middle_RSI} => STRONG SELL{quite_hight_MACDf, middle_RSI} => BUY{quite_hight_MACDf ,quite_low_RSI} => BUY{very_hight_MACDf, very_hight_BB} =>STRONG_ SELLTrong đó khái niệm mua/ mua mạnh hoặc bán/ bán mạnh được hiểu theo cách:

Mua: 2* khối lượng bán>= khối lượng mua>khối lượng bán Mua mạnh: khối lượng mua > 2* khối lượng bán Bán : 2* khối lượng mua >= khối lượng bán>khối lượng mua Mua mạnh: khối lượng bán > 2* khối lượng mua

24

4. Mô hình dự báo

Mô hình dự báo được xây dựng dựa trên ý tưởng sử dụng thuật toán khai phá luật kết hợp dựa trên đại số gia tử đã giới thiệu ở phần 3 để khai phá luật kết hợp giữa 4 chỉ số được nêu ở phần 2 để rút ra các luật nhằm dự báo xu hướng giá của các cổ phiếu trong tương lai dựa vào dữ liệu lịch sử

Mô hình hệ thống dự báo chứng khoán

25

a. Module tính toán chỉ số kĩ thuật

Đầu vào của hệ thống là dữ liệu chứng khoán theo phiên giao dịch. Đầu vào này được đưa vào module tính chỉ số kĩ thuật, mỗi tập giá trị đầu vào của một phiên giao dịch được xem như một bản ghi(transaction), đầu ra là các chỉ số kỹ thuật, cụ thể là MACD, RSI, CCI và Bollinger. Theo kiến thức chuyên môn về các chỉ số kỹ thuật, các chỉ báo MACD sẽ dự báo về xu hướng tăng giá hoặc giảm giá của thị trường , MACD được coi là một chỉ số mang tính cảnh báo xu hướng trong tương lai của thị trường(lagging indicator). Ví dụ đơn giản là đèn vàng trong tín hiệu đèn giao thông là một “lagging indicator” của đèn đỏ. Chỉ báo RSI là chỉ báo thể hiện độ giao động của của cổ phiếu trong một khoảng thời gian xác định, từ đó có thể xác định được sức bật cho xu hướng tương lai của cổ phiếu đó.CCI không thể bất kỳ xu hướng nào, nhưng nó định lượng mạnh như thế nào xu hướng hiện tại, hoặc đi lên hoặc xuống.Các dải Bollinger so sánh biến động với các mức giá. Kết quả đầu ra là giá trị các chỉ số được tính toán theo công thức đã giới thiệu ở trên. Trong nghiên cứu này mới tập vào phân tích trong khoảng thời gian ngắn hạn, cho nên các giá trị chỉ báo kĩ thuật đều được tính trong khoảng thời gian 9 phiên giao dịch(dự báo ngắn hạn).

b. Module gán nhãn mờ

Các giá trị chỉ số kĩ thuật sau khi được tính toán, tiếp tục là đầu vào cho module gán nhãn mờ, module này xác định giá trị mờ và gia tử tương ứng với mỗi chỉ số. Ví dụ chỉ số MACD được tính toán có thể được gán một trong 5 nhãn gia tử: Very_hight, quite_hight, middle,very_low, quite_low. Như vậy đầu ra của module này là các giao dịch(transaction) với các mục đã được gán nhãn mờ tương ứng.

c. Module dự báo

Module dự báo được xây dựng dựa trên tập luật kết hợp được xây dựng từ dữ liệu giao dịch trong quá khứ. Với đầu vào là đầu ra của module gán nhãn mờ, dữ liệu giao dịch cần đánh giá sẽ được so sánh với bộ luật đã khai phá để từ đó rút ra được kết luận về tín hiệu mua/bán nhận được với độ tin cậy(confidence) đã được thống kê từ dữ liệu trong quá khứ.

Sau đây là ví dụ một số luật được rút ra với dữ liệu thử nghiệm tương ứng với 2 gia tử là {very,quite} và nhãn mờ{hight, low}:

26

Luật 1: {very_low_MACD, very_low_RSIuppert, very_hight_RSI-

1}=>strong_Sell Luật 2: {very_hight_MACD, quite_hight_CCI}=> Buy

…

d. Thử nghiệm hoạt động của module phân tích – dự báoVí dụ với dữ liệu chứng khoán AAA đã nếu ở trên trong các phiên giao dịch từ ngày 27/2/2012 – 29/2/2012:

Ngày Mã TC Trần Sàn

MởĐón

g CaoThấp

Trung

Thay đổi giá Khối lượng giao dịch

cửa cửanhấ

tnhấ

t bình +/- %Khớp lệnh

Tổng cộng

Khớp lệnh

29/02/2012

AAA 16.6 17.7 15.5

16.4

16.6

16.7

16.1 16.5

-0.1 -0.6

189,200 189,200

3,115.86

28/02/2012

AAA 17.1 18.2 16

17.6

16.4

17.6

16.2 16.6

-0.5

-2.92

302,900 302,900

5,023.82

27/02/2012

AAA 16.9 18 15.8

17.2

17.4

17.5

16.5 17.1

0.2 1.18

436,000 436,000

7,469.88

Ta có bảng tính chỉ số kĩ thuật tương ứng, do ko tìm thấy luật nào có chỉ số CCI nên trong phần minh họa tạm thời ko tính chỉ số CCI:

Ngày MACD CCI RSI BB29/02/2012 Very_hight NA Quite_low Very_hight28/02/2012 Very_hight NA Quite_low Very_hight27/02/2012 Very_hight NA Very_hight Quite_hight

Từ dữ liệu tính toán được ở trên, khi so sánh với bộ luật minh họa ở phần 3 ta thấy ngày 27/2 có chỉ số Very_hight_MACD và Quite_hight_BB cho tín hiệu bán, sang ngày 28/2 thì giá cổ phiếu AAA đã giảm vì vậy chương trình bước đầu hứa hẹn khả năng nghiên cứu tiếp theo hướng tiếp cận sử dụng luật kết hợp để dự báo cho thị trường chứng khoán.

27

Chương 3Phân tích – thiết kế chương trình

28

1. Khảo sát một số phần mềm chứng khoána. TradeStation

Tradestation là phần mềm chứng khoán có giao diện Tiếng Việt, phần mềm này hiện được bán với giá 1.800.000 VND trong vòng 1 năm.

TradeStation có các chức năng chính:

- Bảng điện tử tốc độ nhanh nhất, đa thông tin & tuỳ chỉnh dễ dàng

- Thống kê Lệnh khớp, lệnh đặt mua / bán REALTIME

- Biểu đồ tương quan giao dịch của thị trường, giúp NĐT nhanh chóng nắm bắt cung cầu

- Phân rã giá khớp theo thời gian

- Phân tích biểu đồ LIVE BAR trên dữ liệu EoD, Intraday

- Dò tìm tín hiệu mua / bán của toàn bộ Mã CK

- VnIndex liên tục suốt 3 phiên giúp NĐT nhận diện biến động thị trường sớm nhất

- Bộ lọc đa năng giúp NĐT khai thác dữ liệu 1 cách nhanh chóng & hiệu quả

- Cảnh báo theo điều kiện

- Hỗ trợ công thức tự nhập bởi người dùng

29

30

b. Amibroker

Phần mền Amibroker là phần mềm chứng khoán hàng đầu(phải trả phí) với sự tích hợp các công cụ phân tích bao gồm hệ thống các chỉ báo (indicator), công cụ vẽ (trendline, kênh xu hướng,...), hệ thống backtest tự động, phân tích tự động, cung cấp dữ liệu giá dưới dạng biểu đồ theo các khung thời gian ngày, tuần, tháng tiện cho việc theo dõi và phân tích, cập nhật dữ liệu dễ dàng và nhanh chóng. Amibroker rất mạnh về mặt thể hiện các công cụ phân tích kĩ thuật, tuy nhiên phần mềm này vẫn chưa cho phép cập nhật trực tuyến dữ liệu chứng khoán Việt Nam, thêm vào đó là giao diện của chương trình cũng không hỗ trợ Tiếng Việt vì thế có thể gây khó khăn cho một số người dùng.

2. Phân tích yêu cầu của người dùng đối với phần mềm chứng khoán

Trong thời gian giao dịch chứng khoán trực tuyến, nhà đầu tư thường quan tâm đến 3 yếu tố chính đó là: Thị trường chung đang tăng hay giảm, cổ phiếu đang quan tâm đang được giao dịch với mức giá tăng hay giảm và khối lượng giao dịch là bao nhiêu. Vì thế một phần mềm chứng khoán yếu tố đầu tiên phải đảm

31

bảo thể hiện chính xác 3 yêu tố trên, theo thông lệ mức giá giảm được biểu thị bằng màu đỏ, tăng là màu xanh lá cây và giữ giá là màu vàng(Ngoài ra ở Việt Nam có màu xanh lơ biểu thị cho mức giá sàn và tím biểu thị cho mức giá trần).

Ngoài các chức năng cơ bản nói trên, một phần mềm chứng khoán còn phải đảm bảo đủ các thông tin phụ trợ giúp người sử dụng ra quyết định trong quá trình giao dịch, các thông tin phụ trợ bao gồm: Các chỉ số kĩ thuật của cổ phiếu như CCI, MACD, RSI,… Các chỉ số này phải được biểu thị bằng đồ thị, qua đó giúp người sử dụng có thể phân biệt rõ ràng các xu hướng của cổ phiếu để từ đó ra quyết định.

Vì vậy các module mà chương trình cần phải có đó là:

Module cập nhật giao dịch trực tuyến với các thông tin: Giá giao dịch, khối lượng giao dịch, khối lượng mua, khối lượng bán

Module phân tích kĩ thuật: Tính toán các chỉ số kĩ thuật cần thiết để hỗ trợ cho người sử dụng

Module dự báo xu hướng giá chứng khoán Module hiển thị thông tin đảm bảo hiển thị các thông tin từ các module kĩ

thuật một cách chính xác, cung cấp các chức năng vẽ biểu đồ để trợ giúp nhà đầu tư đánh giá cổ phiếu một cách trực quan

3. Phân tích thiết kế chương trình

Usecase của hệ thống

32

33

Mô hình UML

34

Biểu đồ tuần tự phân tích giá

Biểu đồ tuần tự tính RSI

35

36

Biểu đồ tuần tự lấy đồ thị giá theo thời gian

37

Chương 4Hướng dẫn sử dụng chương trình

38

Giao diện chính của chương trình

Khi chạy chương trình, các thông tin về giao dịch của các cổ phiếu được cập nhật trực tuyến ngay trên bảng liveboard của chương trình.

Để thay lựa chọn hiển thị thông tin cổ phiếu, chọn Quản lý -> chọn bảng mã cổ phiếu muốn hiển thị, nếu muốn loại bỏ cổ phiếu trên bảng liveboard, chọn chuột phải vào cổ phiếu đó -> chọn xóa

39

Để vẽ biểu đồ của một cổ phiếu quan tâm

Chọn chuột phải vào cổ phiếu cần vẽ -> Biểu đồ

40

41

Tài liệu tham khảo

[1] van den Bergh, W. M.; van den Berg, J., 2002.Mining for pockets of predictability in financial markets. In Meij, J.,

editor, Dealing with the Data Flood, pages 763-770. Stichting Toekomstbeeld der Techniek, Den Haag.

[2] Zhou, Xu Shen; Dong, Ming, 2004. Can fuzzy logic make technical analysis 20/20? Financial Analyst Journal,60:54-73.

[3] Lin, Chin-Shien; Khan, Haider Ali; Huang, Chi-Chung, 2002. Can the neuro fuzzy model predict stock indexes better than its rivals? CIRJE F-Series CIRJE-F-165, CIRJE, Faculty of Economics, University of Tokyo. Available at http://ideas.repec.org/p/tky/fseres/2002cf165.html. Last access 09 sept 2006.

[4] Hiemstra, Ypke, 1994. A stock market forecasting support system based on fuzzy logic. In Proceedings of the

Twenty-Seventh Hawaii International Conference on System Sciences, volume 3, pages 281-287.

[5] Abraham, Ajith; Nath, Baikunth, 2000. Hybrid intelligent systems design. Technical report, School of Computing & Information Technology, Monash University, Australia.

[6] Pantazopoulos, Konstantinos N.; Tsoukalas, Leften H.; Bourbakis, Nikolaos G.; Brun, Michael J.; Houstis, Elias N., 1998. Financial prediction and trading strategies using neurofuzzy approaches. IEEE Transactions on Systems, Man and Cybernetics, Part B, 28(4):520-531.

[7] Atsalakis, George; Ucenic, Camelia; Skiadas, Christos H., 2005. Time series prediction of the greek manufacturing index for the non-metallic minerals sector using a neuro-fuzzy approach ANFIS. Technical report, Department of

Production Engineering and Management, Technical University of Crete, Greece.

[8] Kim, Myoung Jong; Han, Ingoo; Lee, Kun Chang, 2004. Hybrid knowledge integration using the fuzzy genetic algorithm: prediction of the korea stock price index. International Journal of Intelligent Systems in Accounting, Finance and Management, 12:43-60.

[9] Carlsson, Christer; Fuller, Robert, 1996. A neuro fuzzy system for portfolio evaluation. Cybernetics and Systems,pages 296-299.

[10] van den Berg, Jan; Kaymak, Uzay; van den Bergh, Willem-Max, 2004. Financial markets analysis by using a probabilistic fuzzy modelling approach. International Journal of Approximate Reasoning, 35:291-305

42