Dự đoán giá cổ phiếu trên thị trường chứng khoán Việt Nam bằng phương pháp lai GA-SVR
Stock price prediction is an interesting problem that has attracted much attention from both investors and researchers. There are, however, not many researchs in this field with Vietnam stock market because this market is still nascent and high nonstationary. In this paper, we propose a hybrid approach, which integrates Genetic Algorithm (GA) with Support Vector Regression (SVR) to predict Vietnam stock price. In this approach, GA solves two problems simultaneously: finding SVR’s optimal parameters and feature selection. Then, SVR’s optimal parameters and selected features serve as input for training SVR model. Our experimental results show that the hybrid GA-SVR approach outperforms SVR, Artificial Neural Network (ANN) and can be used in practice to gain profit
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Trang 6
Trang 7
Trang 8
Trang 9
Trang 10
Tải về để xem bản đầy đủ
Tóm tắt nội dung tài liệu: Dự đoán giá cổ phiếu trên thị trường chứng khoán Việt Nam bằng phương pháp lai GA-SVR
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-1, Số 7 (27), tháng 5/2012 - 12 - Abstract: Stock price prediction is an interesting problem that has attracted much attention from both investors and researchers. There are, however, not many researchs in this field with Vietnam stock market because this market is still nascent and high non- stationary. In this paper, we propose a hybrid approach, which integrates Genetic Algorithm (GA) with Support Vector Regression (SVR) to predict Vietnam stock price. In this approach, GA solves two problems simultaneously: finding SVR’s optimal parameters and feature selection. Then, SVR’s optimal parameters and selected features serve as input for training SVR model. Our experimental results show that the hybrid GA-SVR approach outperforms SVR, Artificial Neural Network (ANN) and can be used in practice to gain profit. I. GIỚI THIỆU Dự đoán giá cổ phiếu là một bài toán thú vị thu hút được sự quan tâm của cả các nhà nghiên cứu lẫn các nhà đầu tư. Tuy nhiên, đây cũng là một bài toán rất khó bởi lẽ giá chứng khoán thường rất phức tạp và nhiễu loạn [8]. Đã có nhiều cố gắng dự đoán thị trường tài chính bằng phương pháp phân tích truyền thống cho đến kỹ thuật trí tuệ nhân tạo như logic mờ và đặc biệt là mạng nơ ron nhân tạo (ANN)[1]. ANN là kỹ thuật được sử dụng nhiều trong lĩnh vực này bởi nó có thể mô tả được mối quan hệ phi tuyến giữa đầu vào với đầu ra. Tuy nhiên, nhược điểm của ANN là dễ bị bẫy bởi cực trị cục bộ. Bên cạnh đó, ANN có số lượng tham số tự do lớn và thường phải chọn bằng phương pháp thử và sai [19]. Gần đây, cộng đồng nghiên cứu có xu hướng tập trung vào một kỹ thuật mới: hồi qui véc tơ hỗ trợ (Support Vector Regression - SVR) [3]. Nguồn gốc của SVR là máy véc tơ hỗ trợ (Support Vector Machine - SVM) [3]. SVM ban đầu được dùng cho bài toán phân lớp, về sau mở rộng cho bài toán hồi qui và gọi là SVR. Nhiều nghiên cứu gần đây cho thấy SVR cho kết quả tốt hơn ANN trong bài toán dự đoán giá cổ phiếu [8]. Đó là do SVR sử dụng nguyên lý tối thiểu hóa rủi ro cấu trúc nên có khả năng tổng quát hóa cao hơn ANN. Ngoài ra, số lượng tham số tự do của SVR cũng ít hơn so với ANN [8]. Khi sử dụng SVR, ta cần giải quyết hai vấn đề: xác định bộ tham số tối ưu cho SVR và chọn lựa các đặc trưng đầu vào. Trong bài toán dự đoán giá cổ phiếu, việc chọn lựa các đặc trưng đầu vào đóng vai trò rất quan trọng. Các đặc trưng đầu vào thường là chỉ số phân tích kỹ thuật. Hiện nay có khá nhiều chỉ số phân tích kỹ thuật (khoảng hơn 100), việc lựa chọn chỉ số phù hợp cho từng mã cổ phiếu là không đơn giản do chỉ số này có thể tốt cho cổ phiếu A nhưng chưa chắc đã tốt cho cổ phiếu B [13]. Rõ ràng, ta cần xây dựng một chiến lược lựa chọn các chỉ số quan trọng tương ứng với một mã cổ phiếu cụ thể. Để chọn đặc trưng đầu vào trong bài toán dự đoán giá cổ phiếu, Ince và Trafalis [13] sử dụng kỹ thuật phân tích thành phần chính (PCA). Huang và Wu [11] sử dụng GA. Huang và Tsai [9] dùng hệ số quyết định Dự đoán giá cổ phiếu trên thị trường chứng khoán Việt Nam bằng phương pháp lai GA-SVR A Hybrid GA-SVR Approach for Vietnam Stock Price Prediction Trần Trung Kiên, Bành Trí Thành, Nguyễn Hoàng Tú Anh Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-1, Số 7 (27), tháng 5/2012 - 13 - r2. Chee [14] đề xuất phương pháp lai giữa F-Score và F_SSFS. Ý tưởng dùng GA để chọn lựa đặc trưng đầu vào cho SVM cũng đã được đề xuất trong một số bài toán áp dụng trên các loại dữ liệu khác [2], [12]. Việc xác định bộ tham số tối ưu cho SVR cũng quan trọng không kém bởi bộ tham số này sẽ ảnh hưởng đến độ chính xác dự đoán của mô hình SVR. Người ta thường sử dụng thuật toán Grid Search [7] để xác định bộ tham số tối ưu cho SVR. Tuy nhiên, thuật toán này tốn thời gian và hiệu quả không cao [10]. Nhằm nâng cao hiệu quả, Chen và Ho [5], Zhu và Wang [19] sử dụng GA để xác định bộ tham số SVR. Nhìn chung, các nghiên cứu trên chỉ tập trung vào giải quyết một trong hai vấn đề đã nêu của SVR. Chẳng hạn, các tác giả [12] đề xuất mô hình kết hợp giữa GA và SVM, trong đó GA được dùng để chọn lựa các đặc trưng đầu vào, còn các tham số SVM được chọn cố định. Còn [5] kết hợp GA và SVR, trong đó GA được dùng để xác định bộ tham số tối ưu của SVR, các đặc trưng đầu vào được chọn bằng phương pháp thử và sai. Ngoài ra, các thị trường chứng khoán được thử nghiệm nhiều nhất là Mỹ và Trung Quốc. Với thị trường chứng khoán Việt Nam, hiện tại có khá ít các nghiên cứu áp dụng kỹ thuật máy học để dự đoán bởi vì thị trường này vẫn còn non trẻ và kém ổn định. Trong bài báo này, chúng tôi đề xuất phương pháp lai GA-SVR để dự đoán giá cổ phiếu ở thị trường chứng khoán Việt Nam. Trong phương pháp lai này, GA thực hiện đồng thời hai nhiệm vụ: xác địnhbộ tham số tối ưu của SVR và lựa chọn các chỉ số kỹ thuật quan trọng nhất để thiết lập đầu vào. Sau đó, bộ tham số tối ưu và các chỉ số kỹ thuật được chọn sẽ được huấn luyện với SVR để cho ra mô hình dự đoán. Các phần tiếp theo được trình bày như sau: phần II trình bày các lý thuyết nền tảng, phần III trình bày phương pháp đề xuất, phần IV trình bày kết quả thử nghiệm và cuối cùng là kết luận. II. LÝ THUYẾT NỀN TẢNG 1. SVR và các tham số của SVR[3] Ý tưởng cơ bản của SVR là ánh xạ phi tuyến tập dữ liệu {(x1, y1), (x2, y2), , (xN, yN)} sang một không gian đặc trưng nhiều chiều mà ở đó có thể sử dụng phương pháp hồi qui tuyến tính. Đặc điểm của SVR là khi xây dựng hàm hồi qui ta không cần sử dụng hết tất cả các điểm dữ liệu trong tập huấn luyện. Những điểm dữ liệu có đóng góp vào việc xây dựng hàm hồi qui được gọi là những vectơ hỗ trợ. Hàm hồi qui của SVR như sau: (1) Trong đó, là véc tơ trọng số, là hằng số, là véc tơ đầu vào, là véc tơ đặc trưng. Để tìm w và b, SVR giải quyết bài toán tối ưu hóa sau: Cực tiểu h ... cross validation (ứng với bộ tham số SVR và các đặc trưng được chọn có được từ nhiễm sắc thể x) Vì mỗi lần tính độ thích nghi phải chạy 5-fold cross validation nên quá trình chạy GA sẽ tốn nhiều thời gian. Để tăng tốc, chúng tôi lưu lại danh sách các nhiễm sắc thể đã từng tính độ thích nghi. Khi đưa một nhiễm sắc thể vào tính độ thích nghi, trước hết hệ thống kiểm tra nhiễm sắc thể đó có nằm trong danh sách này hay không, nếu có thì dùng lại độ thích nghi đã tính mà không cần chạy cross validation nữa. Hình 5. Qui trình tính độ thích nghi Hình 6. Qui trình chạy SVR với 5-fold cross validation Hình 7. Module dự đoán 2. Module dự đoán Sau quá trình huấn luyện, thu được thông tin chuẩn hóa, các chỉ số kỹ thuật được chọn và mô hình dự đoán SVR. Hình 7 mô tả module dự đoán. Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-1, Số 7 (27), tháng 5/2012 - 18 - Trước tiên, giá trị đầu vào mới sẽ qua bước tiền xử lý gồm hai công việc: - Thiết lập lại đầu vào dựa vào các chỉ số kỹ thuật được chọn. - Chuẩn hóa đầu vào mới dựa vào thông tin chuẩn hóa. Đầu vào sau khi tiền xử lý được đưa vào mô hình dự đoán SVR. Kết quả dự đoán của mô hình SVR là giá trị ROC+1 được chuyển sang giá đóng cửa ở bước hậu xử lý và cho ra kết quả dự đoán cuối cùng. IV. KẾT QUẢ THỬ NGHIỆM 1.Mô tả dữ liệu Bảng 1. Mô tả dữ liệu Mã Công ty phát hành Nhóm ngành Số ngày giao dịch ITA Công ty cổ phần đầu tư công nghiệp Tân Tạo Bất động sản 996 SAM Công ty cổ phần đầu tư và phát triển Sacom Công nghệ và thiết bị viễn thông 994 VIP Công ty cổ phần vận tải xăng dầu Vipco Vận tải 994 Chúng tôi tiến hành thử nghiệm trên 3 mã cổ phiếu của sàn giao dịch TP Hồ Chí Minh1. Ba mã cổ phiếu này đại diện cho 3 nhóm ngành khác nhau. Cả ba mã đều được lấy từ ngày 2/1/2007 đến ngày 31/12/2010, bao gồm khoảng gần 1000 ngày giao dịch. Chi tiết về dữ liệu được trình bày ở Bảng 1. Sau khi tiền xử lý, bộ dữ liệu được chia thành 2 tập là tập huấn luyện và tập thử nghiệm, trong đó tập thử nghiệm bao gồm 100 ngày giao dịch gần đây nhất. 2. Các độ đo chất lượng dự đoán Chúng tôi sử dụng hai độ đo là MAPE (Mean Absolute Percentage Error) và Hit Rate [18]. Trong đó, MAPE đo độ lỗi về mặt giá trị, MAPE càng nhỏ 1www.cophieu68.com thì càng tốt. Hit Rate đo độ chính xác về mặt xu hướng, Hit Rate càng lớn thì càng tốt. Công thức tính của hai độ đo này như sau: (10) (11) Trong đó: Với pn và an lần lượt là giá đóng cửa dự đoán và giá đóng cửa thực sự, cn là giá đóng cửa (thực sự) của ngày hiện tại, N là số mẫu của tập thử nghiệm. 3. Kịch bản thử nghiệm và các tham số cài đặt Để đánh giá chất lượng của phương pháp lai GA- SVR, chúng tôi so sánh kết quả dự đoán của phương pháp lai này với SVR sử dụng Grid Search để tìm bộ tham số tối ưu (Grid-SVR) và ANN. Do tính ngẫu nhiên của thuật giải di truyền, GA-SVR được thực thi 5 lần rồi lấy giá trị trung bình. SVR trong cả hai phương pháp GA-SVR và Grid- SVR đều giống nhau với hàm lỗi và hàm nhân Gaussian. Chúng tôi sử dụng thư viện LIBSVM [4] để thực thi SVR, thư viện AForge.NET2 để thực thi GA và thư viện Neural Dot Net3 để thực thi ANN. Bảng 2 mô tả các tham số cài đặt của GA-SVR. Trong đó, kích thước quần thể và số vòng lặp tối đa được chọn thông qua thực nghiệm. Xác suất lai ghép và xác suất đột biến là các giá trị mặc định của thư viện thực thi GA. Miền giá trị của bộ tham số SVR được chọn dựa vào [17] và thực nghiệm. Số bit dùng để biểu diễn mỗi tham số SVR được chọn dựa vào miền giá trị của các tham số này. Với 20 bit dùng để biểu diễn mỗi tham số SVR, ta có chiều dài của một nhiễm sắc thể: 20 × 3 + 13 = 73 bit (với 3 là số lượng 2 3 Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-1, Số 7 (27), tháng 5/2012 - 19 - các tham số SVR, 13 là số lượng các đặc trưng đầu vào). Các tham số cài đặt của Grid-SVR được mô tả ở Bảng 3. Miền giá trị của bộ tham số SVR được chọn giống như GA-SVR. Bước tăng số mũ lưới thưa và lưới dày của Grid Search được chọn theo [7]. Bảng 4 mô tả các tham số cài đặt của ANN. Chúng tôi sử dụng mạng truyền thẳng 3 lớp, trong đó số node tầng ẩn được chọn thông qua thực nghiệm. Hệ số học là giá trị mặc định của thư viện thực thi ANN. Số vòng lặp tối đa được chọn thông qua thực nghiệm. Bảng 2. Các tham số cài đặt GA-SVR GA Kích thước quần thể 200 Số vòng lặp tối đa 500 Điều kiện dừng Đạt số vòng lặp tối đa Xác suất lai ghép 0.75 Xác suất đột biến 0.10 Miền giá trị của C [2-6, 28] Miền giá trị của [2-8, 26] Miền giá trị của [2-11, 2-1] Số bit biễu diễn mỗi tham số SVR 20 Bảng 3. Các tham số cài đặt Grid-SVR Grid Search Miền giá trị của C [2-6, 28] Miền giá trị của [2-8, 26] Miền giá trị của [2-11, 2-1] Bước tăng số mũ của lưới thưa 2 Bước tăng số mũ của lưới dày 0.25 Bảng 4. Các tham số cài đặt ANN ANN Kiến trúc mạng 3 lớp Số node tầng ẩn 4 Hàm kích hoạt Sigmoid Hệ số học Giảm dần qua mỗi vòng lặp từ 0.3 đến 0.05 Số vòng lặp tối đa 1000 4. Kết quả thử nghiệm Bảng 4 so sánh kết quả dự đoán giữa GA-SVR, Grid-SVRvà ANN. Ta thấy ở cả 3 mã cổ phiếu, GA- SVR luôn cho MAPE thấp hơn và Hit Rate cao hơn hai phương pháp còn lại. Hơn nữa, SVR luôn cho kết quả tốt dự đoán tốt hơn ANN. Điều này một lần nữa khẳng định tính vượt trội của SVR so với ANN trong bài toán dự đoán giá cổ phiếu, điều đã được nhiều nghiên cứu đề cập đến. Kết quả dự đoán theo độ đo Hit Rate của ba phương pháp GA-SVR, SVR-Grid và ANN được thể hiện bằng đồ thị ở hình 8. Hit Rate của phương pháp lai GA-SVR ở 3 mã cổ phiếu đạt 58.427%, 57.143% và 60.44%. Đây là tín hiệu khả quan cho thấy khả năng ứng dụng thực tế các kỹ thuật máy học để giải quyết bài toán dự đoán giá cổ phiếu trên thị trường chứng khoán non trẻ Việt Nam. Bảng 5. Kết quả dự đoán trung bình của GA-SVR, Grid-SVR và ANN Mã Phương pháp MAPE Hit Rate GA-SVR 2.45 58.427 Grid-SVR 2.474 55.056 ITA ANN 2.513 53.933 GA-SVR 2.36 57.143 Grid-SVR 2.368 56.044 SAM ANN 2.382 54.945 GA-SVR 2.712 60.44 Grid-SVR 2.763 57.143 VIP ANN 2.839 52.747 Hình 8. So sánh kết quả dự đoán theo độ đo Hit Rate Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-1, Số 7 (27), tháng 5/2012 - 20 - Hình 9. Minh họa kết quả dự đoán mã VIP với phương pháp GA-SVR Hình 10. Thời gian huấn luyện của các phương pháp Hình 9 minh họa kết quả dự đoán mã VIP bằng phương pháp GA-SVR. Trong đó, các điểm được đánh dấu bằng hình thoi thể hiện cho giá đóng cửa thực sự và các điểm được đánh dấu bằng hình dấu cộng thể hiện cho giá đóng cửa dự đoán. Hình 10 cho thấy thời gian huấn luyện trung bình của các phương pháp. Phương pháp GA-SVR có thời gian huấn luyện trung bình lâu nhất trong 3 phương pháp. Tuy nhiên, đánh đổi lại là độ chính xác dự đoán. Về thời gian dự đoán, nhìn chung các phương pháp đều có thời gian dự đoán rất nhanh (thời gian dự đoán cho mỗi mẫu 0.15x10-3 giây). Chúng tôi cũng so sánh mô hình đề xuất GA-SVR với kết quả của Chen và Ho [5]. Ở đây, Chen và Ho sử dụng GA để tìm bộ tham số tối ưu của SVR. Đặc trưng đầu vào trong bài báo này là giá đóng cửa và số đặc trưng đầu vào được chọn một cách thủ công bằng phương pháp thử và sai. Dữ liệu được sử dụng là mã TAIEX (Taiwan Stock Exchange Market Weighted Index) được lấy từ ngày 2/1/2001 đến ngày 23/1/2003 với 504 ngày giao dịch. Tập thử nghiệm bao gồm 100 ngày giao dịch gần đây nhất và số ngày dự đoán kế tiếp là 1 ngày. Bảng 6 cho thấy phương pháp đề xuất của chúng tôi cho độ lỗi MAPE thấp hơn phương pháp của Chen và Ho trên bộ dữ liệu của mã TAIEX. Bảng 6. Kết quả theo độ đo MAPE của GA-SVR và phương pháp của Chen và Ho Độ đo Phương pháp GA-SVR Chen và Ho[5] MAPE 1.308 1.316 V. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Bài báo này đề xuất phương pháp lai GA-SVR để dự đoán giá cổ phiếu Việt Nam. Trong phương pháp lai này, GA thực hiện đồng thời hai nhiệm vụ: xác định bộ tham số tối ưu cho SVR và chọn lựa các đặc trưng đầu vào. Kế đến, bộ tham số tối ưu và các đặc trưng đầu vào được chọn này sẽ được dùng để huấn luyện SVR. Kết quả thử nghiệm cho thấy phương pháp đề xuất cho kết quả dự đoán tốt hơn SVR, ANN và có khả năng ứng dụng thực tế trên thị trường chứng khoánViệt Nam, một thị trường còn non trẻ và kém ổn định. Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-1, Số 7 (27), tháng 5/2012 - 21 - Để chứng minh tính hiệu quả của phương pháp đề xuất, chúng tôi dự định tiếp tục thử nghiệm GA -SVR trên các mã cổ phiếu Việt Nam khác. Mặt khác, chúng tôi sẽ tiến hành thử nghiệm với các chỉ số phân tích kỹ thuật khác cũng như là tăng khoảng thời gian dự đoán từ 1 ngày kế tiếp lên 5-10 ngày kế tiếp. TÀI LIỆU THAM KHẢO [1] Abraham A. , Baikunth N., Mahanti P. K., Hybrid intelligent systems for stock market analysis, LNCS, Springer-Verlag, Vol. 2074, 2001, pp. 337–345. [2] Ang J.H., Teoh E.J., Tan C.H., Goh K.C., Tan K.C., Dimension reduction using evolutionary Support Vector Machines, IEEE Congress on Evolutionary Computation, 2008, pp. 3634-3641. [3] Bishop C.M., Pattern Recognition and Machine Learning, Springer, 2007. [4] Chang C-C., Lin C-J., LIBSVM: A library for Support Vector Machines. [5] Chen K-Y., Ho C-H., An Improved Support Vector Regression Modeling for Taiwan Stock Exchange Market Weighted Index Forecasting, ICNN&B’05, 2005, Vol.3. [6] Goldberg D. E., Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley, 1989. [7] Hsu C-W., Chang C-C., Lin C-J., A Practical Guide to Support Vector Classication. [8] Hsu S-H., Hsieh JJ.P-A., Chih T-C., Hsu K-C., A two-stage architecture for stock price forecasting by integrating self-organizing map and support vector regression, Expert Systems with Applications 36, 2009, pp. 7947–7951. [9] Huang C-L., Tsai C-Y., A hybrid SOFM-SVR with a filter-based feature selection for stock market forecasting, Expert Systems with Applications 36, 2009, pp. 1529–1539. [10] Huang C-L., Wang C-J., A GA-based feature selection and parameters optimization for support vector machines, Expert Systems with Applications 31, 2006, pp. 231–240. [11] Huang S-C., Wu T-K., Integrating GA-based time- scale feature extractions with SVMs for stock index forecasting, Expert Systems with Applications 35, 2008, pp. 2080–2088. [12] Huerta E.B., Duval B., Hao J-K., A Hybrid GA/SVM Approach for Gene Selection and Classification of Microarray Data, EvoWorkshops, 2006, pp. 34-44. [13] Ince H., Trafalis T.B., Kernel Principal Component Analysis and Support Vector Machines for Stock Price Prediction, IIE Transactions on Quality and Reliability, 39(6), 2007, pp. 629-637. [14] Lee M-C., Using support vector machine with a hybrid feature selection method to the stock trend prediction, Expert Systems with Applications 36, 2009, pp. 10896– 10904. [15] Mager J., Paasche U., Sick B., Forecasting Financial Time Series with Support Vector Machines Based on Dynamic Kernels, IEEE Conference on Soft Computing in Industrial Applications, 2008, pp. 252- 257. [16] MingDa W., LaiBin Z., Wei L., YingChun Y., Research on the optimized support vector regression machines based on the differential evolution algorithm, ICIECS’2009, 2009, pp. 1-4. [17] Momma M., Bennett K. P., A pattern search method for model selection of support vector regression, SIAM Conference on Data Mining, 2002, pp. 261-274. [18] Nygren K., Stock Prediction – A Neural Network Approach, Master thesis, 2004. [19] Sapankevych N.I., Sankar R., Time Series Prediction Using Support Vector Machines: A Survey, IEEE Computational Intelligence Magazine, Vol. 4, No. 2, 2009, pp. 24-38. [20] Zhu M., Wang L., Intelligent trading using support vector regression and multilayer perceptrons optimized with genetic algorithms, IJCNN’2010, 2010, pp. 1-5. Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-1, Số 7 (27), tháng 5/2012 - 22 - PHỤ LỤC Công thức tính của các chỉ số phân tích kỹ thuật4 1. BB-Middle(20, 2): chỉ số Bollinger Band gồm có 3 dải ứng với BB-Middle, BB-Upper và BB-Lower (1) (2) (3) Trong đó,SMA20tvà SD20t lần lượt là trung bình và độ lệch chuẩncủa giá đóng cửa của 20 ngày trước ngày t (kể cả ngày t) 2. EMA5 (Exponential Moving Average) (4) Trong đó, Ct là giá đóng cửa ngày t, k là hệ số nhân: k = 2/(1+period) với period = 5 3. MACD(12, 26) (Moving Average Convergence/ Divergence) (5) 4. MACD Signal MACD Signalt=EMA9t của MACD(12,26) (6) 5. RSI7 (Relative Strength Index) (7) Trong đó: Với Ck là giá đóng cửa ngày k 6. ROC-p (Rate Of Change) (8) Với Ck là giá đóng cửa ngày k Nhận bài ngày: 28/3/2011 4www.stockcharts.com SƠ LƯỢC VỀ TÁC GIẢ TRẦN TRUNG KIÊN Ngày sinh 07/08/1989 Tốt nghiệp Trường Đại học Khoa Học Tự Nhiên, Đại học Quốc gia Tp. HCM năm 2011. Hiện là trợ giảng tại Khoa CNTT, Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Tp. HCM Lĩnh vực quan tâm: máy học và ứng dụng. ĐT: 0976044860, Email: ttkien@fit.hcmus.edu.vn BÀNH TRÍ THÀNH Ngày sinh 16/04/1989 Tốt nghiệp Đại học Khoa Học Tự Nhiên, Đại học Quốc gia Tp.HCM năm 2011. Lĩnh vực quan tâm: máy học, xử lý ảnh. ĐT: 0908828391, Email: 89btthanh@gmail.com NGUYỄN HOÀNG TÚ ANH Ngày sinh 02/03/1969 Tốt nghiệp Đại học Tổng hợp Kishinhốp, Cộng hòa Mônđôva năm 1992. Bảo vệ luận án Thạc sĩ ngành Tin học tại Trường Đại học Khoa Học Tự Nhiên, Đại học Quốc gia Tp. HCM, 2002. Hiện là giảng viên Khoa CNTT, Trường Đại học Khoa Học Tự Nhiên, Đại học Quốc gia Tp.HCM Lĩnh vực nghiên cứu: công nghệ tri thức và ứng dụng, khai thác dữ liệu, text mining, web mining. ĐT : 091 826 1438, Email: nhtanh@fit.hcmus.edu.vn
File đính kèm:
- du_doan_gia_co_phieu_tren_thi_truong_chung_khoan_viet_nam_ba.pdf