Dự báo giá cổ phiếu CATL đóng cửa và các chiến lược giao dịch sử dụng XGBoost và thuật toán tối ưu hóa Optuna
DOI:
https://doi.org/10.62831/202502011Từ khóa:
dự báo giá cổ phiếu CATL mô hình XGBoost pin xe điện thuật toán tối ưu hóa Optuna năng lượng bền vữngTải xuống
Đã Xuất bản
Số
Chuyên mục
Cách trích dẫn
Tóm tắt
Trong nghiên cứu này, chúng tôi đã áp dụng thuật toán XGBoost kết hợp với tối ưu hóa tham số qua Optuna để dự báo giá cổ phiếu CATL và phát triển các chiến lược giao dịch hiệu quả. Kết quả đánh giá cho thấy mô hình XGBoost đạt chỉ số R2 là 0.9201, MAE là 0.1982 và MSE là 0.0825, vượt trội hơn so với các mô hình khác như ElasticNet và Decision Tree. Đồng thời, chiến lược giao dịch sử dụng dự báo giá cổ phiếu đã đưa ra các khuyến nghị mua, bán, hoặc giữ trong 30 ngày tới, giúp nhà đầu tư tối ưu hóa lợi nhuận. Mô hình XGBoost thể hiện khả năng dự đoán chính xác và ổn định, đặc biệt khi được tối ưu hóa thông qua Optuna, giúp tăng cường hiệu quả trong việc đưa ra các quyết định giao dịch. Tuy nhiên, nghiên cứu cũng chỉ ra rằng, việc tích hợp các mô hình deep learning phức tạp hơn, hoặc các thuật toán tối ưu hóa khác có thể mở ra cơ hội cải thiện thêm độ chính xác và tính hiệu quả. Các hướng nghiên cứu tiếp theo có thể bao gồm ứng dụng các phương pháp deep learning, hoặc kết hợp thêm các yếu tố từ dữ liệu phi cấu trúc để cải thiện dự báo và chiến lược giao dịch.
Tài liệu tham khảo
Dương, T. T. T. (2023). Dự báo chiều biến động của chỉ số chứng khoán bằng thuật toán tăng cường. Tạp chí Khoa học và Đào tạo Ngân hàng, 252, 2537.
Balaneji, F., Maringer, D., & Spasić, I. (2024). The power of words: Predicting stock market returns with fine-grained sentiment analysis and XGBoost. In Intelligent Systems and Applications (pp. 577-596). Springer. https://doi.org/10.1007/978-3-030-69722-7-30.
DOI: https://doi.org/10.1007/978-3-031-47721-8_39
https://doi.org/10.1007/978-3-030-69722-7-30.">
Dezhkam, A., & Manzuri, M. T. (2023). Forecasting stock market for an efficient portfolio by combining XGBoost and Hilbert-Huang transform. Engineering Applications of Artificial Intelligence, 112, 105626.
https://doi.org/10.1016/j.engappai.2022.105626.
DOI: https://doi.org/10.1016/j.engappai.2022.105626
https://doi.org/10.1016/j.engappai.2022.105626.">
El Zaar, A., Benaya, N., Bakir, T., Mansouri, A., & El Allati, A. (2023). Prediction of US 30-years-treasury-bonds movement and trading entry point using the robust 1DCNN-BiLSTM-XGBoost algorithm. Expert Systems, 40(3), e13459.
DOI: https://doi.org/10.22541/au.168079685.52841217/v1
Iwai, K., & Hamagami, T. (2022). A new XGBoost inference with boundary conditions in real estate price prediction. IEEE Transactions on Engineering Management, 69(4), 1282-1290.
Jabbar, A., & Jalil, S. Q. (2024). A comprehensive analysis of machine learning models for algorithmic trading of Bitcoin. arXiv:2407.18334v1 [q-fin.TR]. [Online] Available at https://arxiv.org/abs/2407.18334v1.
https://arxiv.org/abs/2407.18334v1.">
Li, T. (2024). Research on electricity price forecast model based on electricity price formation mechanism and XGBoost and highly automated Optuna algorithm. In Proceedings of the 2024 IEEE 2nd International Conference on Sensors, Electronics and Computer Engineering (pp. 1-6). IEEE Xplore.
DOI: https://doi.org/10.1109/ICSECE61636.2024.10729548
Sadorsky, P. (2022). Forecasting solar stock prices using tree-based machine learning classification: How important are silver prices? The North American Journal of Economics and Finance, 58, 101378.
DOI: https://doi.org/10.1016/j.najef.2022.101705
Xiao, J., Wen, Z., Jiang, X., Yu, L., & Wang, S. (2024). Three-stage research framework to assess and predict the financial risk of SMEs based on hybrid method. Decision Support Systems, 177, 114090.
DOI: https://doi.org/10.1016/j.dss.2023.114090
Yun, K. K., Yoon, S. W., & Won, D. (2021). Prediction of stock price direction using a hybrid GA-XGBoost algorithm with a three-stage feature engineering process. Expert Systems with Applications, 168, 115716.
DOI: https://doi.org/10.1016/j.eswa.2021.115716
