Chia sẻ chuyên mục Đề Tài Luận văn: PPNC Hiệu quả trong dự báo chỉ số giá chứng khoán hay nhất năm 2026 cho các bạn học viên ngành đang làm luận văn thạc sĩ tham khảo nhé. Với những bạn chuẩn bị làm bài luận văn tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm luận văn thì với đề tài Luận Văn: Hiệu quả trong dự báo chỉ số giá chứng khoán tại Việt Nam: Một sự so sánh giữa các mô hình dự báo phổ biến dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.
3.1 QUY TRÌNH THỰC HIỆN
Quy trình thực hiện được tác giả triển khai qua bốn bước chính nhằm đảm bảo tính logic cũng như gia tăng độ tin cậy trong quá trình xây dựng và lựa chọn mô hình dự báo phù hợp nhất với bộ dữ liệu đầu vào (hình 3.2):
Bước 1 – Thu thập dữ liệu, dựa vào việc xác định rõ mục tiêu nghiên cứu, từ đó lựa chọn các biến phù hợp, bao gồm biến mục tiêu (biến phụ thuộc) là giá trị cần được dự báo và các biến độc lập (các yếu tố có ảnh hưởng đến kết quả dự báo đã được kế thừa từ các nghiên cứu trước). Đồng thời, cũng cần xác định khoảng thời gian nghiên cứu cụ thể và thu thập dữ liệu từ các nguồn đáng tin cậy. Việc lưu trữ dữ liệu cần đảm bảo có cấu trúc rõ ràng để thuận tiện cho xử lý sau này.
Bước 2 – Khám phá dữ liệu, bước này sẽ thực hiện việc phân tích sơ bộ để hiểu rõ đặc điểm của bộ dữ liệu. Các công việc bao gồm kiểm tra tổng quan số lượng quan sát, số lượng biến, xác định dữ liệu thiếu, phát hiện dữ liệu ngoại lai và các giá trị bất thường. Đồng thời, người nghiên cứu cũng sẽ tiến hành phân tích thống kê mô tả, như tính toán giá trị trung bình, phương sai, phân phối, để đánh giá mối quan hệ giữa các biến. Việc này giúp xác định hướng tiếp cận phù hợp cho bước xử lý dữ liệu tiếp theo.
Bước 3 – Tiền xử lý dữ liệu, tiến hành làm sạch và chuẩn hóa dữ liệu. Các công việc thường gặp bao gồm xử lý giá trị thiếu (như loại bỏ, thay thế), xử lý ngoại lệ, chuyển đổi định dạng dữ liệu, mã hóa biến phân loại (nếu có), và chuẩn hóa dữ liệu về cùng thang đo nếu mô hình yêu cầu. Sau đó, dữ liệu sẽ được chia thành hai tập: tập huấn luyện và tập kiểm tra theo tỷ lệ phù hợp (cụ thể 70:30), nhằm phục vụ cho việc huấn luyện và đánh giá mô hình.
Bước 4 – Xây dựng mô hình, trong bước này, các mô hình học máy và mô hình kinh tế lượng phù hợp được lựa chọn và triển khai nhằm phục vụ mục tiêu dự báo chỉ số. Các mô hình được xem xét bao gồm Mô hình tự hồi quy vector (Vector Autoregression – VAR), Mô hình phân phối trễ tự hồi quy (Autoregressive Distributed Lag – ARDL), XGBoost (Extreme Gradient Boosting), và LSTM (Long Short-Term Memory). Các mô hình này được huấn luyện trên tập dữ liệu huấn luyện (training set) nhằm học và nhận diện mối quan hệ động giữa các biến độc lập và biến phụ thuộc, từ đó tối ưu hóa khả năng dự báo của mô hình.
Bước 5 – Đánh giá mô hình, sau khi hoàn thành quá trình huấn luyện, các mô hình được đánh giá hiệu suất trên tập dữ liệu kiểm tra (test set) nhằm xác định mức độ chính xác và khả năng tổng quát hóa. Việc đánh giá mô hình được thực hiện thông qua các chỉ tiêu định lượng phổ biến trong phân tích dự báo, bao gồm hệ số xác định (R-squared – R²), sai số bình phương trung bình (Mean Squared Error – MSE), căn bậc hai của sai số bình phương trung bình (Root Mean Squared Error – RMSE), và sai số tuyệt đối trung bình (Mean Absolute Error – MAE). Các chỉ số này phản ánh mức độ chênh lệch giữa giá trị dự báo và giá trị thực tế, qua đó cung cấp cơ sở định lượng để so sánh, lựa chọn và xác định mô hình có hiệu suất dự báo tối ưu nhất.
- Hình 3.1 Quy trình thực hiện
3.2 PHƯƠNG PHÁP THU THẬP DỮ LIỆU Luận văn: PPNC Hiệu quả trong dự báo chỉ số giá chứng khoán.
Trong nghiên cứu này, dữ liệu được thu thập theo tần suất hàng tháng, bắt đầu từ tháng 01 năm 2008 đến tháng 06 năm 2024, nhằm đảm bảo tính dài hạn và phản ánh đầy đủ các chu kỳ biến động của thị trường tài chính – kinh tế. Việc xác định rõ khoảng thời gian nghiên cứu cho phép đánh giá được cả những giai đoạn khủng hoảng tài chính, hồi phục và tăng trưởng, từ đó giúp nâng cao độ tin cậy của mô hình dự báo. Sau khi xác định rõ mục tiêu nghiên cứu là ứng dụng và đánh giá hiệu quả của các mô hình dự báo truyền thống và hiện đại, được xây dựng trên các khía cạnh tác động của các chỉ số kinh tế trong nước và toàn cầu đến chỉ số giá chứng khoán Việt Nam. Tác giả đã lựa chọn các biến độc lập phù hợp, các biến này được chọn lọc dựa trên các lý thuyết kinh tế và các nghiên cứu thực nghiệm trước đó cho thấy có ảnh hưởng đến chỉ số giá chứng khoán và đã được trình bày cụ thể rõ ràng trong mục 2.6. Bên cạnh đó dữ liệu được tác giả thu thập từ các nguồn uy tín và đáng tin cậy cụ thể là Investing.com: cung cấp dữ liệu về giá chứng khoán, vàng, dầu, trái phiếu, tỷ giá và khối lượng giao dịch; Quỹ Tiền tệ Quốc tế (IMF): cung cấp dữ liệu lãi suất điều hành; Tổng cục Thống kê Việt Nam: cung cấp số liệu về CPI, IIP, cung tiền M2. Tất cả dữ liệu đều được chuyển đổi về dạng tỷ suất tăng trưởng tháng, bằng công thức:
Trong đó:
- Xt: là giá trị của biến số tại tháng t (tháng hiện tại)
- Xt−1: là giá trị của biến số tại tháng t-1 (tháng trước)
Cách tính này giúp chuẩn hóa đơn vị đo giữa các biến, làm giảm sai lệch và tăng khả năng xử lý khi đưa vào mô hình học máy. Dữ liệu sau thu thập được lưu trữ có cấu trúc rõ ràng, thuận tiện cho các bước xử lý và phân tích sau này. Chi tiết về dữ liệu nghiên cứu được tác giả trình bày trong bảng 3.1
- Bảng 3.1: Các biên được sử dụng trong mô hình
3.3 PHƯƠNG PHÁP XÂY DỰNG VÀ ĐÁNH GIÁ HIỆU QUẢ MÔ HÌNH DỰ BÁO CHỈ SỐ GIÁ CHỨNG KHOÁN
3.3.1 Xử lý và làm sạch dữ liệu Luận văn: PPNC Hiệu quả trong dự báo chỉ số giá chứng khoán.
Tác giả sẽ sử dụng ngôn ngữ lập trình Python để xử lý dữ liệu, bao gồm các bước: nhập dữ liệu vào môi trường phân tích, kiểm tra các thông tin cơ bản, rà soát dữ liệu bị thiếu. Sau khi thực hiện khám phá dữ liệu, tác giả thực hiện chỉnh sửa, định định dạng hoặc loại bỏ các giá trị dữ liệu bất thường nhằm đảm bảo cho các hoạt động nghiên cứu tiếp theo.
3.3.2 Phân chia tập huấn luyện và kiểm tra
Trong quá trình xây dựng và huấn luyện mô hình, việc lựa chọn tỷ lệ phân chia dữ liệu giữa tập huấn luyện (train) và tập kiểm tra (test) đóng vai trò quan trọng trong việc đảm bảo độ chính xác và khả năng tổng quát hóa của mô hình. Tỷ lệ 70% dữ liệu dành cho huấn luyện và 30% dữ liệu dành cho kiểm tra được lựa chọn nhằm đạt được sự cân bằng hợp lý giữa hai mục tiêu này. Cụ thể, việc sử dụng 70% dữ liệu cho quá trình huấn luyện giúp mô hình có đủ thông tin để học hỏi, nhận diện và trích xuất các đặc trưng quan trọng từ tập dữ liệu, qua đó tối ưu hóa các tham số bên trong mô hình. Trong khi đó, 30% dữ liệu còn lại được sử dụng cho quá trình kiểm tra giúp đánh giá khách quan hiệu suất của mô hình trên các dữ liệu chưa từng được tiếp xúc, từ đó phản ánh chính xác khả năng tổng quát của mô hình đối với dữ liệu thực tế. Tỷ lệ 70/30 cũng được xem là tỷ lệ phổ biến và phù hợp đối với các bộ dữ liệu có quy mô trung bình, giúp hạn chế hiện tượng overfitting hoặc underfitting, đồng thời tạo điều kiện thuận lợi cho việc so sánh kết quả với các nghiên cứu có liên quan.
3.3.3 Chuẩn hóa dữ liệu
Chuẩn hóa dữ liệu (data normalization hoặc feature scaling) là một bước tiền xử lý quan trọng trong học máy nhằm đưa các đặc trưng (features) về cùng một thang đo, từ đó cải thiện hiệu suất và độ ổn định của các thuật toán mô hình hóa. Trong nghiên cứu này, tác giả thực hiện chuẩn hóa dữ liệu theo phương pháp Z-Score Standardization (Chuẩn hóa theo phân phối chuẩn). Biến đổi dữ liệu để có trung bình bằng 0 và độ lệch chuẩn bằng 1, công thức chuẩn hóa Standard Scaler được thể hiện cụ thể như hình sau: Luận văn: PPNC Hiệu quả trong dự báo chỉ số giá chứng khoán.
Trong đó:
- x là giá trị gốc
- μ là giá trị trung bình (mean) của biến
- σ là độ lệch chuẩn (standard deviation) của biến
- x′là giá trị sau khi được chuẩn hóa
3.3.4 Phương pháp xây dựng các mô hình dự báo
Trong nghiên cứu, tác giả tiến hành dự báo chỉ số VN-Index bằng bốn mô hình gồm: LSTM (Long Short-Term Memory), XGBoost, VAR (Vector Autoregression), và ARDL (Autoregressive Distributed Lag). Các mô hình này được lựa chọn lựa chọn nhằm mục tiêu so sánh hiệu quả dự báo giữa các phương pháp truyền thống và các phương pháp hiện đại trong phân tích tài chính định lượng, đồng thời đánh giá mức độ phù hợp của từng loại mô hình trong bối cảnh thị trường chứng khoán Việt Nam – một thị trường có đặc trưng biến động mạnh, phi tuyến tính và chịu ảnh hưởng của nhiều yếu tố vĩ mô lẫn tâm lý nhà đầu tư. Thứ nhất, mô hình LSTM được lựa chọn do khả năng xử lý dữ liệu chuỗi thời gian phức tạp và phi tuyến, đặc biệt là khả năng ghi nhớ thông tin dài hạn và ngắn hạn thông qua cơ chế “bộ nhớ” đặc trưng. Trong bối cảnh dữ liệu chứng khoán có tính phụ thuộc theo thời gian, giàu nhiễu và chứa đựng quan hệ phi tuyến giữa các biến, LSTM là một trong những mô hình học sâu tiên tiến nhất, được chứng minh có hiệu quả vượt trội trong dự báo giá cổ phiếu, chỉ số thị trường và các biến tài chính trong nhiều nghiên cứu quốc tế gần đây. Việc đưa LSTM vào mô hình nghiên cứu giúp kiểm định khả năng ứng dụng trí tuệ nhân tạo trong dự báo tài chính tại Việt Nam. Thứ hai, mô hình XGBoost (Extreme Gradient Boosting) đại diện cho nhóm thuật toán học máy hiện đại dựa trên cây quyết định.
Mô hình này được lựa chọn nhờ khả năng mô phỏng mối quan hệ phi tuyến giữa các biến, tốc độ huấn luyện nhanh, và hiệu quả cao với tập dữ liệu vừa và lớn. XGBoost còn có ưu điểm về khả năng kiểm soát hiện tượng quá khớp (overfitting) thông qua cơ chế regularization và có độ ổn định cao trong dự báo ngắn hạn. Trong nghiên cứu này, XGBoost được xem là một đại diện tiêu biểu của mô hình học máy có khả năng ứng dụng thực tiễn cao trong lĩnh vực tài chính, đặc biệt đối với các tổ chức cần kết quả dự báo nhanh và đáng tin cậy. Thứ ba, mô hình VAR (Vector Autoregression) được lựa chọn như một mô hình kinh tế lượng truyền thống, có khả năng phân tích mối quan hệ động giữa nhiều biến kinh tế tài chính mà không cần giả định biến phụ thuộc độc lập. VAR đặc biệt hữu ích trong việc đánh giá ảnh hưởng qua lại giữa các biến vĩ mô và chỉ số thị trường, đồng thời giúp kiểm định cấu trúc tác động theo thời gian của các yếu tố này. Việc đưa mô hình VAR vào nghiên cứu nhằm cung cấp một điểm so sánh có tính nền tảng, qua đó đánh giá liệu các mô hình học máy hiện đại có thực sự vượt trội hơn so với phương pháp truyền thống hay không. Cuối cùng, mô hình ARDL (Autoregressive Distributed Lag) được sử dụng nhằm xem xét mối quan hệ ngắn hạn và dài hạn giữa các biến kinh tế trong chuỗi thời gian. Mô hình này có ưu điểm là vẫn ước lượng được trong trường hợp các biến có tích hợp bậc khác nhau (I(0), I(1)), và phù hợp với các mẫu dữ liệu nhỏ hoặc trung bình – đặc điểm thường gặp trong dữ liệu kinh tế Việt Nam. Việc sử dụng ARDL trong nghiên cứu giúp bổ sung góc nhìn kinh tế lượng truyền thống và kiểm tra khả năng giải thích quan hệ nhân quả kinh tế giữa các yếu tố vĩ mô và chỉ số chứng khoán.
Tổng thể, việc lựa chọn kết hợp bốn mô hình này vừa đảm bảo tính so sánh giữa hai hướng tiếp cận – truyền thống và hiện đại, vừa phản ánh mức độ tiến hóa của các phương pháp dự báo tài chính trong kỷ nguyên dữ liệu lớn. Thông qua đó, nghiên cứu không chỉ đánh giá hiệu quả dự báo về mặt định lượng, mà còn góp phần xác định mô hình phù hợp nhất cho từng mục tiêu sử dụng – từ phân tích vĩ mô, hoạch định chính sách, đến hỗ trợ ra quyết định đầu tư tại thị trường chứng khoán Việt Nam.
Như đã trình bày trong mục 3.2, các biến độc lập sử dụng trong mô hình là các yếu tố kinh tế – tài chính vĩ mô và các chỉ số quốc tế được xác định trong quá trình phân tích lý thuyết và dữ liệu. Dữ liệu đầu vào được chia theo tỷ lệ 70% để huấn luyện và 30% để kiểm tra, tuân thủ nguyên tắc không xáo trộn, đảm bảo trật tự thời gian được giữ nguyên như đã nêu trong mục 3.3.2. Sau khi huấn luyện và dự báo bằng bốn mô hình trên, tác giả sẽ tiến hành đánh giá hiệu suất của từng mô hình thông qua các chỉ số phổ biến gồm: R² (hệ số xác định), MSE (Mean Squared Error), RMSE (Root Mean Squared Error), và MAE (Mean Absolute Error).
- (i) Mô hình LSTM (Long Short-Term Memory) Luận văn: PPNC Hiệu quả trong dự báo chỉ số giá chứng khoán.
Trong nghiên cứu này, dữ liệu được xử lý thành dạng chuỗi thời gian nhằm phù hợp với đặc điểm của mô hình học sâu LSTM. Cụ thể, hàm create_sequences() được sử dụng để tạo ra các tập mẫu với số bước thời gian cố định, gọi là timesteps. Mỗi tập mẫu bao gồm một chuỗi con độ dài 10 từ tập dữ liệu đầu vào (biến X) và giá trị dự báo tương ứng từ biến mục tiêu (y). Tập dữ liệu sau khi chuyển đổi được chia theo tỷ lệ 70:30 thành tập huấn luyện và tập kiểm tra, đảm bảo giữ nguyên thứ tự thời gian nhằm tránh hiện tượng rò rỉ dữ liệu trong bài toán dự báo.
Mô hình LSTM được xây dựng dưới dạng kiến trúc tuần tự (Sequential), bao gồm hai lớp LSTM và một lớp đầu ra Dense. Lớp LSTM đầu tiên có 100 đơn vị và trả về toàn bộ chuỗi đầu ra (return_sequences=True) để làm đầu vào cho lớp LSTM tiếp theo, lớp này có 50 đơn vị và chỉ lấy giá trị đầu ra tại bước cuối cùng (return_sequences=False). Cuối cùng, lớp Dense có một nút duy nhất nhằm thực hiện dự báo giá trị liên tục. Mô hình được biên dịch với bộ tối ưu hóa Adam và hàm mất mát là sai số bình phương trung bình (MSE), đây là lựa chọn phổ biến cho các bài toán hồi quy.
Quá trình huấn luyện mô hình được thực hiện trong 100 vòng lặp (epoch) với kích thước lô là 32. Kết quả mô hình cho thấy tổng số tham số huấn luyện được là 79.051, trong đó lớp LSTM đầu tiên chiếm 48.800 tham số và lớp thứ hai là 30.200 tham số. Việc thiết lập mô hình như trên giúp khai thác tốt mối quan hệ tuần tự trong dữ liệu chuỗi thời gian, từ đó hỗ trợ mô hình trong việc học và dự báo các xu hướng kế tiếp một cách hiệu quả.
- (ii) Mô XGBoost, ARDL (Autoregressive Distributed Lag)
Trong nghiên cứu này, mô hình XGBoost Regressor được sử dụng như một công cụ học máy mạnh mẽ nhằm thực hiện nhiệm vụ dự báo giá trị chỉ số giá chứng khoán. Sau khi dữ liệu được chia thành tập huấn luyện và kiểm tra theo tỷ lệ 70:30, mô hình được khởi tạo với các siêu tham số được lựa chọn cẩn thận nhằm tối ưu hiệu suất học và khả năng khái quát hoá. Cụ thể, hàm mục tiêu của mô hình được thiết lập là reg:squarederror, tương ứng với bài toán hồi quy sử dụng hàm mất mát sai số bình phương (squared error loss function), phù hợp với mục tiêu dự báo giá trị liên tục. Mô hình được cấu hình với tỷ lệ chọn ngẫu nhiên đặc trưng theo mỗi cây là colsample_bytree, nghĩa là mỗi cây trong quá trình huấn luyện chỉ sử dụng x% số lượng đặc trưng ban đầu. Việc này giúp giảm thiểu hiện tượng overfitting và tăng tính đa dạng giữa các cây. Ngoài ra, tốc độ học (learning_rate) được đặt ở mức cao là 1, số tầng sâu tối đa của cây (max_depth) là 10, hệ số điều chuẩn L1 (alpha) là 1 nhằm kiểm soát độ phức tạp của mô hình, và tổng số cây (n_estimators) được thiết lập là 1000, cung cấp cho mô hình đủ năng lực để học từ dữ liệu một cách hiệu quả. Sau khi cấu hình, mô hình được huấn luyện trên tập X_train và y_train thông qua phương thức .fit(), cho phép XGBoost học được các mối quan hệ phi tuyến phức tạp giữa các đặc trưng đầu vào và biến mục tiêu..
- (iii) Mô hình VAR (Vector Autoregression) Luận văn: PPNC Hiệu quả trong dự báo chỉ số giá chứng khoán.
Trong mô hình VAR, mô hình được khởi tạo thông qua phương thức VAR () và được huấn luyện trên tập train_data bằng cách sử dụng tối đa độ trễ (maxlags) được xác định dựa trên tiêu chí thông tin Akaike (AIC), một phương pháp phổ biến nhằm lựa chọn mô hình tối ưu có sự cân bằng giữa độ chính xác và độ phức tạp. Sau khi huấn luyện, mô hình được sử dụng để dự báo các giá trị trong tương lai với số bước dự báo bằng đúng số quan sát trong tập kiểm tra (n_test). Đầu vào dự báo là các giá trị gần nhất trong chuỗi huấn luyện tương ứng với độ trễ được chọn (results.k_ar). Kết quả dự báo được chuyển đổi thành một DataFrame với cùng chỉ số thời gian như tập kiểm tra để thuận tiện trong việc so sánh.
- (iv) ARDL (Autoregressive Distributed Lag)
Trước khi tiến hành xây dựng mô hình ARDL, dữ liệu được kiểm tra tính dừng thông qua kiểm định Augmented Dickey-Fuller (ADF) để đảm bảo rằng chuỗi thời gian đáp ứng giả định của mô hình. Trong quá trình này, biến mục tiêu (y_train) được chuyển đổi sang dạng chuỗi pandas.Series để phục vụ cho kiểm định, sau đó được lấy sai phân bậc nhất nhằm loại bỏ xu hướng. Kết quả kiểm định ADF cho biết giá trị thống kê kiểm định và p-value, từ đó giúp đánh giá mức độ dừng của chuỗi. Nếu chuỗi đạt tính dừng ở sai phân bậc nhất, việc sử dụng mô hình ARDL trở nên phù hợp. Tiếp theo, mô hình ARDL được xây dựng với biến phụ thuộc là y_train và biến giải thích là X_train. Mô hình được cấu hình với độ trễ là 12 và xu hướng tuyến tính (trend=’t’) để phản ánh động lực dài hạn trong dữ liệu. Sau khi huấn luyện, mô hình ARDL được sử dụng để dự báo tập kiểm tra (y_test) thông qua phương thức predict(), trong đó tham số start và end được xác định dựa trên chiều dài của tập huấn luyện và kiểm tra. Vì dự báo có thể tạo ra giá trị bị thiếu (NaN), các giá trị này được thay thế bằng 0 nhằm đảm bảo tính toàn vẹn cho việc tính toán các chỉ số đánh giá.
3.3.5 Phương pháp đánh giá các mô hình dự báo Luận văn: PPNC Hiệu quả trong dự báo chỉ số giá chứng khoán.
Để đánh giá hiệu quả dự báo của các mô hình, nghiên cứu sử dụng bốn chỉ số phổ biến trong phân tích định lượng gồm: Sai số tuyệt đối trung bình (Mean Absolute Error – MAE), Sai số bình phương trung bình (Mean Squared Error – MSE), Căn bậc hai của MSE (Root Mean Squared Error – RMSE) và Hệ số xác định (R-squared -R²). Đây là những thước đo quan trọng nhằm định lượng mức độ chênh lệch giữa giá trị thực tế và giá trị dự báo, từ đó đánh giá độ chính xác và khả năng mô hình hoá của các thuật toán học máy hoặc kinh tế lượng.
Cụ thể, MAE đo lường trung bình tuyệt đối của các sai số giữa giá trị thực tế và giá trị dự báo, phản ánh sai lệch trung bình mà không bị ảnh hưởng bởi các giá trị ngoại biên. Trong khi đó, MSE là trung bình của bình phương sai số, làm nổi bật sự ảnh hưởng của các sai số lớn nhờ việc bình phương hoá, do đó thường được sử dụng khi cần nhấn mạnh các sai lệch nghiêm trọng. RMSE được tính bằng căn bậc hai của MSE, mang cùng đơn vị với biến được dự báo và dễ diễn giải hơn trong thực tiễn. Cuối cùng, hệ số xác định R² phản ánh tỷ lệ phương sai của biến phụ thuộc có thể giải thích được bởi mô hình. Giá trị R² nằm trong khoảng từ 0 đến 1, trong đó giá trị gần 1 cho thấy mô hình có khả năng giải thích tốt biến mục tiêu, trong khi giá trị gần 0 cho thấy mô hình kém hiệu quả. Tổng hợp các chỉ số này cung cấp một cái nhìn toàn diện về hiệu suất dự báo, cho phép so sánh giữa các mô hình và lựa chọn mô hình phù hợp nhất với mục tiêu nghiên cứu.
- KẾT LUẬN CHƯƠNG 3
Chương 3 đã trình bày một cách hệ thống phương pháp nghiên cứu được sử dụng trong đề tài, bao gồm: mô hình nghiên cứu, quy trình thực hiện và phương pháp thu thập dữ liệu. Trên cơ sở các lý thuyết nền tảng và các nghiên cứu trước và các nội dung đã được trình bày ở chương này đóng vai trò quan trọng làm nền tảng cho các phân tích thực nghiệm và kết quả nghiên cứu trong chương tiếp theo. Qua đó, giúp đảm bảo tính khoa học, khách quan và chính xác cho quá trình đánh giá hiệu quả của các mô hình dự báo phổ biến Luận văn: PPNC Hiệu quả trong dự báo chỉ số giá chứng khoán.
XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:
===>>> Luận văn: KQNC Hiệu quả trong dự báo chỉ số giá chứng khoán