|
Dòng
|
Nội dung
|
|
1
|
|
|
2
|
|
|
3
|
Khai thác mô hình học máy tiên tiến cho dự báo lợi nhuận: Nghiên cứu so sánh giữa Arima và LSTM : Khóa luận tốt nghiệp chuyên ngành Khoa học dữ liệu / Bùi Tiến Sang, Hà Minh Tân hướng dẫn
Tp. Hồ Chí Minh : Đại học Nguyễn Tất Thành, 2024
xiii, 75 tr. : Hình ảnh minh họa ; 29 cm.
Ký hiệu phân loại (DDC): 332.8
Nghiên cứu tận dụng ưu điểm của các học máy tiên tiến để thực hiện dự đoán lợi nhuận trong lĩnh vực tài chính nhằm đưa lại một chính sách hiệu quả nhất. Nghiên cứu này chỉ tập trung vào việc so sánh hiệu suất giữa hai mô hình cụ thể là Arima và LSTM trong quá trình dự đoán của lợi nhuận. Sử dụng các chỉ số quan trọng như MSE, MAE và RMSE để tiến hành một phân tích tổng quan, tập trung vào so sánh kết quả các giá trị của hai mô hình. Cung cấp thông tin rất chi tiết về các mỗi mô hình hoạt động, bao gồm cơ chế của Arima và LSTM tương quan của chúng trong việc dự báo lợi nhuận tài chính. Nghiên cứu sẽ xây dựng, tinh chỉnh cho các mô hình học hỏi trên dữ liệu lịch sử, điều chỉnh các tham số quan trọng để đảm bảo hiệu quả cà tính linh hoạt trong dự báo. Đưa ra đánh giá chất lượng dự báo dựa trên MSE và RMSE, MAE. Kết quả so sánh giữa Arima và LSTM giúp đưa ra kết luận rằng một trong hai có khả năng dự báo tốt hơn trong ngữ cảnh tài chính.
Số bản sách:
(1)
Tài liệu số:
(0)
|
|
4
|
Phân tích bài toán chuỗi thời gian và dự đoán độ ẩm không khí với Arima : Khoá luận tốt nghiệp chuyên ngành Khoa học dữ liệu / Từ Thanh Vy; Trần Châu Thanh Thiện hướng dẫn
Tp. Hồ Chí Minh : Trường Đại học Nguyễn Tất Thành, 2024
36 tr. : hình ảnh ; 29 cm.
Ký hiệu phân loại (DDC): 005.74
Nghiên cứu và kết hợp ARIMA với mô hình học máy (như cây quyết định, hồi quy tuyến tính, mạng nơ-ron) để cải thiện dự báo độ ẩm.
ARIMA là mô hình thống kê hiệu quả trong việc dự báo chuỗi thời gian với tính chất chu kỳ và xu hướng, sử dụng dữ liệu quá khứ để đưa ra dự đoán. Mô hình học máy, đặc biệt là học sâu, có khả năng nhận diện các đặc trưng phức tạp trong dữ liệu lớn, nhưng yêu cầu tài nguyên tính toán cao. Sự kết hợp giữa ARIMA và các mô hình học máy có thể mang lại kết quả dự báo chính xác hơn.
Qua đó, đánh giá và so sánh các phương pháp này nhằm nâng cao chính xác trong dự báo, ứng dụng trong nông nghiệp, y tế và khí tượng học; phân tích chuỗi thời gian và dự đoán độ ẩm không khí với ARIMA, dự đoán các yếu tố thời tiết cơ bản.
Số bản sách:
(1)
Tài liệu số:
(0)
|
|
5
|
Xây dựng mô hình dự đoán tài chính bằng LSTM : Khóa luận tốt nghiệp chuyên ngành Khoa học dữ liệu / Nguyễn Khánh Toàn, Hà Minh Tân hướng dẫn
Tp. Hồ Chí Minh : Đại học Nguyễn Tất Thành, 2024
53 tr. : hình ảnh ; 29cm.
Ký hiệu phân loại (DDC): 005.5
Nghiên cứu này nhằm phát triển và áp dụng các mô hình LSTM và ARIMA để đánh giá hiệu quả dự báo cổ phiếu SYM trong các khoảng thời gian khác nhau. Nghiên cứu sẽ tiến hành so sánh kết quả dự báo giữa 2 phương pháp này để xác định mô hình nào có độ chính xác cao hơn trong việc dự đoán xu hướng giá cổ phiếu. Thông qua việc sử dụng các mô hình học máy tiên tiến như LSTM kết hợp với phương pháp thống kê ARIMA, nghiên cứu này không chỉ đóng góp vào việc cải thiện các phương pháp dự báo trong lĩnh vực tài chính mà còn mở rộng ứng dụng của các kỹ thuật phân tích dữ liệu vào môi trường tài chính tại Việt Nam
Số bản sách:
(1)
Tài liệu số:
(0)
|
|
|
|
|