|
Dòng
|
Nội dung
|
|
1
|
Dự báo giá cổ phiếu trên thị trường chứng khoán thông qua mô hình phức hợp Lstm – Gru Hybrid / Trịnh Viết Giang // Tạp chí tài chính . - 2024. - tr. 50-53. - ISSN: 2615-8973
Ký hiệu phân loại (DDC): 657.4
Trình bày Giá cổ phiếu là dữ liệu phi tuyến rất phức tạp, bị ảnh hưởng bởi nhiều yếu tố, do đó dự đoán chỉ số giá cổ phiếu là công việc rất khó khăn. Tại Việt Nam, hiện rất ít mô hình phức hợp sử dụng máy học và học sâu được thiết kế bởi Python với các gói hỗ trợ có sẵn để dự báo biến số kinh tế. Nghiên cứu này đánh giá so sánh các mô hình học sâu LSTM, GRU và mô hình phức hợp của chúng để dự báo cho chỉ số Vn-Index trên Sở Giao dịch Chứng khoán Hồ Chí Minh từ ngày 01/01/2009 đến ngày 01/01/2024. Kết quả đánh giá mô hình học sâu phức hợp cho thấy tỷ lệ sai lệch so với thực tế là thấp nhất, từ đó, khuyến nghị các doanh nghiệp, các nhà đầu tư và nhà hoạch định chính sách nên tăng cường sử dụng công nghệ trong việc dự báo nhằm hỗ trợ đưa ra quyết định.
Số bản sách:
(0)
Tài liệu số:
(1)
|
|
2
|
Dự đoán giá cổ phiếu sử dụng mô hình GRU và LSTM : Khóa luận tốt nghiệp chuyên ngành Trí tuệ nhân tạo / Hoàng Nguyên Long, Lê Mậu Long hướng dẫn
Tp. Hồ Chí Minh : Đại học Nguyễn Tất Thành, 2024
64 tr. : hình ảnh ; 29 cm.
Ký hiệu phân loại (DDC): 006.3
Nghiên cứu nhằm phát triển một mô hình dự báo trong lĩnh vực tài chính sử dụng công nghệ LSTM (Long Short-Term Memory) - GRU, nhằm mục đích cải thiện năng lực dự báo và quản lý rủi ro trong ngành tài chính. Nghiên cứu và hiểu về LSTM - GRU: Nghiên cứu kỹ lưỡng về cấu trúc và nguyên lý hoạt động của LSTM - GRU, hiểu rõ cách mô hình này xử lý và duy trì thông tin trong dài hạn; Khảo sát các ứng dụng thực tế; Phân tích ưu và nhược điểm trong dự báo tài chính, từ đó phát triển phương pháp tiếp cận hiệu quả nhất cho từng loại dữ liệu. Chuẩn bị và xử lý dữ liệu: Thu thập dữ liệu tài chính từ các nguồn đáng tin cậy; Tiến hành các bước tiền xử lý như chuẩn hóa, loại bỏ nhiễu và xử lý các vấn đề dữ liệu cụ thể. Xây dựng mô hình LSTM - GRU: Thiết kế kiến trúc mô hình LSTM - GRU phù hợp với đặc điểm của dữ liệu tài chính; Xác định và tinh chỉnh các siêu tham số của mô hình. Tối ưu hóa và đánh giá mô hình: Đánh giá hiệu suất mô hình qua các chỉ số chính xác và độ tin cậy; Sử dụng các kỹ thuật tối ưu hóa tiên tiến; Thử nghiệm độ bền và ổn định của mô hình; Phân tích khả năng quẩn lý rủi ro của mô hình.
Số bản sách:
(1)
Tài liệu số:
(1)
|
|
3
|
|
|
4
|
|
|
5
|
|
|
|
|
|