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.
