Tiểu luận môn hệ hỗ trợ quyết định Ứng dụng logic mờ khai phá dữ liệu trong phân tích kỹ thuật

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH
ĐẠI HỌC CÔNG NGHỆ THÔNG TIN
Bài thu hoạch môn: Hệ hỗ trợ quyết định

Giảng viên hướng dẫn: PGS. TS. Đỗ Phúc
Học viên: Hà Siu
Mã số học viên: CH1301051
MỤC LỤC
1
TP.HCM, Tháng 06 - 2014
Lời nói đầu
Ngày nay, sự bùng nổ của thị trường chứng khoán thúc đẩy mạnh mẽ sự ra đời và
nâng cấp của hàng loạt các công cụ phân tích kĩ thuật. Nhìn chung, các biểu đồ chứa
đựng các thông tin hữu ích về giá cổ phiếu trong quá khứ, hiện tại và dự báo tương đối
chính xác về xu hướng giá trong tương lai. Hệ thống phân tích kĩ thuật giúp cho các
nhà đầu tư cập nhật liên tục và phân tích sâu sát giá chứng khoán tại từng thời điểm và
đưa ra những dự báo nhanh nhạy hơn với những sự thay đổi tức thì của giá chứng
khoán. Tuy nhiên, có một thực tế là tại Việt Nam, một thị trường còn quá non trẻ, các
công cụ phân tích kĩ thuật chưa được áp dụng rộng rãi và chưa minh họa được các xu
hướng giá vốn là yếu tố cốt lõi của phân tích kĩ thuật.
Từ những thực tế nêu trên, em nhận thấy cần thiết phải tìm hiểu và xây dựng một
công cụ phân tích kĩ thuật phù hợp với môi trường tài chính của Việt Nam nói riêng
và tạo ra thêm một công cụ dự báo thống kê đối với thế giới.
Trong tiểu luận này, em tập trung tìm hiểu về logic mờ (Fuzzy logic), một logic
mềm dẻo hơn logic thông thường (logic Boolean) và thích hợp hơn đối với các bài
toán phức tạp (bài toán thế nào được coi là nóng, lạnh, ấm thì logic Boolean không
đưa ra kết luận chính xác được). Từ các nguyên tắc của fuzzy logic để xây dựng nên
các mô hình, kết hợp với các kiến thức chuyên môn về chứng khoán để đưa ra các dự
báo về giá chứng khoán trong tương lai. Kết quả thu được sẽ là một hệ thống với tính
năng chính là đoán nhận và dự báo xu hướng giá chứng khoán và một số tính năng
khác hỗ trợ nhà đầu tư chứng khoán.

Tiểu luận này được chia làm ba chương chính:
Chương 1 tìm hiểu tổng quan về lý thuyết khai phá dữ liệu, từ đó giúp chúng ta có
cái nhìn tổng quan về các kỹ thuật, các phương pháp khác nhau trong khai phá dữ liệu
và từ đó chúng ta lựa chọn một phương pháp cụ thể để triển khai.
Chương 2 tập trung tìm hiểu về phương pháp phân tích kĩ thuật trên thị trường
chứng khoán và logic mờ. Đây là những cơ sở lý thuyết về kinh tế và kĩ thuật quan
trọng để xây dựng nên hệ thống dự báo giá chứng khoán. Đặc biệt, chương này chú
2
trọng vào tìm hiểu chi tiết logic mờ cùng các ứng dụng đã có trong thực tế, các bước
thực hiện một mô hình logic mờ và cơ sở để lựa chọn công cụ thực hiện.
Chương 3 sẽ đi sâu vào cách tổ chức lắp ghép hệ thống dự báo giá chứng khoán,
cụ thể hóa về quá trình xây dựng mô hình và đưa ra được các chức năng cũng như ứng
dụng của mô hình đó trong việc tạo ra một hệ thống dự báo giá chứng khoán trong
tương lai.
Cuối cùng xin gửi lời cảm ơn chân thành đến PGS. TS. Đỗ Phúc đã có những
hướng dẫn tận tình và sâu sắc!
3
CHƯƠNG 1: LÝ THUYẾT TỔNG QUAN VỀ KHAI
PHÁ DỮ LIỆU
1.1. Phát hiện tri thức và khai phá dữ liệu
Trong thời đại bùng nổ công nghệ thông tin, các công nghệ lưu trữ dữ liệu ngày
càng phát triển tạo điều kiện cho các đơn vị thu thập dữ liệu tốt hơn. Đặc biệt trong
lĩnh vực kinh doanh, các doanh nghiệp đã nhận thức được tầm quan trọng của việc
nắm bắt và xử lý thông tin, nhằm giúp các chủ doanh nghiệp trong việc vạch ra các
chiến lược kinh doanh kịp thời mang lại những lợi nhuận to lớn cho doanh nghiệp của
mình. Tất cả lí do đó khiến cho các cơ quan, đơn vị và các doanh nghiệp đã tạo ra một
lượng dữ liệu khổng lồ.
Khi lưu trữ các dữ liệu khổng lồ như vậy thì chúng ta thấy rằng chắc chắn chúng
phải chứa những giá trị nhất định nào đó. Tuy nhiên, theo thống kê thì chỉ có một
lượng nhỏ của những dữ liệu này (khoảng từ 5% đến 10%) là luôn được phân tích, số

còn lại họ không biết sẽ phải làm gì hoặc có thể làm gì với chúng nhưng họ vẫn tiếp
tục thu thập rất tốn kém với ý nghĩ lo sợ rằng sẽ có cái gì đó quan trọng đã bị bỏ qua
sau này có lúc cần đến nó. Mặt khác, trong môi trường cạnh tranh, người ta ngày càng
cần có nhiều thông tin với tốc độ nhanh để trợ giúp việc ra quyết định và ngày càng có
nhiều câu hỏi mang tính chất định tính cần phải trả lời dựa trên một khối lượng dữ liệu
khổng lồ đã có. Với những lý do như vậy, các phương pháp quản trị và khai thác cơ sở
dữ liệu truyền thống ngày càng không đáp ứng được thực tế đã làm phát triển một
khuynh hướng kỹ thuật mới đó là Kỹ thuật phát hiện tri thức và khai phá dữ liệu
(KDD - Knowledge Discovery and Data Mining).
Thông thường chúng ta coi dữ liệu như một dãy các bit, hoặc các số và các ký
hiệu, hoặc các “đối tượng” với một ý nghĩa nào đó khi được gửi cho một chương trình
dưới một dạng nhất định. Chúng ta sử dụng các bit để đo lường các thông tin và xem
nó như là các dữ liệu đã được lọc bỏ các dư thừa, được rút gọn tới mức tối thiểu để
đặc trưng một cách cơ bản cho dữ liệu. Chúng ta có thể xem tri thức như là các thông
tin tích hợp, bao gồm các sự kiện và các mối quan hệ giữa chúng. Các mối quan hệ
này có thể được hiểu ra, có thể được phát hiện, hoặc có thể được học. Nói cách khác,
tri thức có thể được coi là dữ liệu có độ trừu tượng và tổ chức cao.
4
Phát hiện tri thức trong các cơ sở dữ liệu là một qui trình nhận biết các mẫu hoặc
các mô hình trong dữ liệu với các tính năng: hợp thức, mới, khả ích, và có thể hiểu
được. Còn khai thác dữ liệu là một bước trong qui trình phát hiện tri thức gồm có các
thuật toán khai thác dữ liệu chuyên dùng dưới một số qui định về hiệu quả tính toán
chấp nhận được để tìm ra các mẫu hoặc các mô hình trong dữ liệu. Nói một cách khác,
mục đích của phát hiện tri thức và khai phá dữ liệu chính là tìm ra các mẫu và/hoặc
các mô hình đang tồn tại trong các cơ sở dữ liệu nhưng vẫn còn bị che khuất bởi hàng
“núi” dữ liệu.
Nhiều người coi khai phá dữ liệu và khám phá tri thức trong cơ sở dữ liệu là như
nhau. Tuy nhiên trên thực tế, khai phá dữ liệu chỉ là một bước thiết yếu trong quá trình
phát hiện tri thức trong cơ sở dữ liệu.
1.2. Các quan niệm về khai phá dữ liệu

 Khai phá dữ liệu là tập hợp các thuật toán nhằm chiết xuất những thông tin có
ích từ kho dữ liệu khổng lồ.
 Khai phá dữ liệu được định nghĩa như một quá trình phát hiện mẫu trong dữ
liệu. Quá trình này có thể là tự động hay bán tự động, song phần nhiều là bán
tự động. Các mẫu được phát hiện thường hữu ích theo nghĩa: các mẫu mang lại
cho người sử dụng một lợi thế nào đó, thường là lợi thế về kinh tế.
 Khai phá dữ liệu giống như quá trình tìm ra và mô tả mẫu dữ liệu. Dữ liệu như
là một tập hợp của các vật hay sự kiện, còn đầu ra của quá trình khai phá dữ
liệu như là những dự báo của các vật hay sự kiện mới.
 Khai phá dữ liệu được áp dụng trong các cơ sở dữ liệu quan hệ, giao dịch, cơ
sở dữ liệu không gian, cũng như các kho dữ liệu phi cấu trúc, mà điển hình là
World Wide Web.
 Khám phá tri thức là quá trình nhận biết các mẫu hoặc các mô hình trong dữ
liệu với các tính chất: Đúng đắn, mới, khả ích và có thể hiểu được. Khai phá dữ
liệu là một bước trong quá trình khám phá tri thức bao gồm các thuật toán khai
phá dữ liệu chuyên dùng dưới một số quy định về hiệu quả tính toán chấp nhận
được để tìm ra các mẫu và các mô hình trong dữ liệu.
Tóm lại, mục đích của khám phá tri thức và khai phá dữ liệu là tìm ra các mẫu
hoặc mô hình đang tồn tại trong các cơ sở dữ liệu nhưng vẫn còn bị khuất bởi số
lượng dữ liệu quá khổng lồ.
1.3. Nhiệm vụ của khai phá dữ liệu
5
Các bài toán liên quan đến khai phá dữ liệu về bản chất là các bài toán thống kê.
Điểm khác biệt giữa các kỹ thuật khai phá dữ liệu và các công cụ phục vụ tính toán
thống kê mà chúng ta đã biết là ở khối lượng cần tính toán. Một khi dữ liệu đã trở nên
khổng lồ thì những khâu như: thu thập dữ liệu, tiền xử lý và xử lý dữ liệu đều đòi hỏi
phải được tự động hóa. Tuy nhiên ở công đoạn cuối cùng, việc phân tích kết quả sau
khi đã khai phá dữ liệu vẫn luôn là công việc của con người.
Do là một lĩnh vực đa ngành, khai phá dữ liệu thu hút các lĩnh vực khoa học khác
như trí tuệ nhân tạo, cơ sở dữ liệu, hiển thị dữ liệu, marketing, toán học, vận trù học,

tin sinh học, nhận dạng mẫu, tính toán thống kê…
Điều mà khai phá dữ liệu có thể làm rất tốt là phát hiện ra những giả thuyết mạnh
trước khi sử dụng những công cụ tính toán thống kê. Mô hình dự báo sử dụng kỹ thuật
phân cụm (Clustering) để chia nhóm các sự vật, sự kiện sau đó rút ra các luật nhằm
tìm ra đặc trưng cho mỗi nhóm và cuối cùng đề nghị một mô hình. Ví dụ, những bạn
đọc đăng ký dài hạn của một tạp chí có thể phân nhóm dựa theo nhiều tiêu chí khác
nhau (lứa tuổi, giới tính, thu nhập…), sau đó tạp chí căn cứ vào đặc trưng riêng của
từng nhóm để đề ra mức phí thu trong năm sao cho phù hợp nhất.
Từ đó chúng ta thấy, những nhiệm vụ cơ bản nhất của khai phá dữ liệu là:
 Phân cụm, phân loại, phân nhóm, phân lớp: Có nhiệm vụ là trả lời câu hỏi:
Một dữ liệu mới thu thập sẽ thuộc về nhóm nào? Quá trình này thường được
thực hiện một cách tự động.
 Khai phá luật kết hợp: Có nhiệm vụ là phát hiện ra những mối quan hệ giống
nhau của các bản ghi giao dịch. Luật kết hợp X
⇒
Y có dạng tổng quát là: Nếu
một giao dịch đã sở hữu các tính chất X thì đồng thời nó cũng sở hữu các tính
chất Y. Ở một mức độ nào đó, khai phá luật kết hợp được hiểu theo nghĩa: Biết
trước các tính chất X, vậy các tính chất Y là những tính chất nào?
 Lập mô hình dự báo: Bao gồm hai nhiệm vụ hoặc là phân nhóm dữ liệu vào
một hay nhiều lớp dữ liệu đã xác định từ trước, hoặc là sử dụng các trường đã
cho trong một cơ sở dữ liệu để dự báo sự xuất hiện (hoặc không xuất hiện) của
các trường hợp khác.
 Phân tích đối tượng ngoài cuộc: Một cơ sở dữ liệu có thể chứa các đối tượng
không tuân theo mô hình dữ liệu. Các đối tượng dữ liệu như vậy gọi là các đối
tượng ngoài cuộc. Hầu hết các phương pháp khai phá dữ liệu đều coi các đối
tượng ngoài cuộc là nhiễu và loại bỏ chúng. Tuy nhiên trong một số ứng dụng,
chẳng hạn như phát hiện nhiễu thì sự kiện hiếm khi xảy ra lại được chú ý hơn
6
những gì thường xuyên gặp phải. Sự phân tích dữ liệu ngoài cuộc được coi như

là khai phá các đối tượng ngoài cuộc. Một số phương pháp được ứng dụng để
phát hiện đối tượng ngoài cuộc: Sử dụng các hình thức kiểm tra mang tính
thống kê trên cơ sở một phân phối dữ liệu hay một mô hình xác suất cho dữ
liệu, dùng các độ đo khoảng cách mà theo đó các đối tượng có một khoảng
cách đáng kể đến cụm bất kỳ khác được coi là đối tượng ngoài cuộc, dùng các
phương pháp dựa trên độ lệch để kiểm tra sự khác nhau trong những đặc trưng
chính của các nhóm đối tượng.
 Phân tích sự tiến hóa: Phân tích sự tiến hóa thực hiện việc mô tả và mô hình
hóa các quy luật hay khuynh hướng của những đối tượng mà ứng xử của chúng
thay đổi theo thời gian. Phân tích sự tiến hóa có thể bao gồm cả đặc trưng hóa,
phân biệt, tìm luật kết hợp, phân lớp hay phân cụm dữ liệu liên quan đến thời
gian, phân tích dữ liệu theo chuỗi thời gian, so sánh mẫu theo chu kỳ và phân
tích dữ liệu dựa trên tính tương tự.
1.4. Triển khai việc khai phá dữ liệu
Nhìn chung, việc triển khai quá trình khai phá dữ liệu theo 5 bước:
Bước 1: Xác định rõ mục tiêu thương mại cần khai phá.
Bước 2: Chuẩn bị dữ liệu (Thu thập, tiền xử lý, chuyển đổi khuôn dạng dữ liệu
nếu thấy cần thiết).
Bước 3: Khai phá dữ liệu (Chọn thuật toán thích hợp).
Bước 4: Phân tích kết quả thu được (Xem có gì thú vị không?).
Bước 5: Tiêu hóa các tri thức thu lượm được (Nhằm đề ra kế hoạch khai thác các
thông tin mới).
1.5. Quá trình phát hiện tri thức từ cơ sở dữ liệu
Quá trình phát hiện tri thức có thể chia thành các bước như sau:
Bước 1: Làm sạch dữ liệu (Data cleaning): Loại bỏ dữ liệu nhiễu hoặc dữ liệu
không thích hợp.
Bước 2: Tích hợp dữ liệu (Data integration): Tích hợp dữ liệu từ các nguồn khác
nhau.
Bước 3: Chọn dữ liệu (Data Selection): Chọn những dữ liệu liên quan trực tiếp
đến nhiệm vụ.

7
Bước 4: Chuyển đổi dữ liệu (Data Transformation): Chuyển dữ liệu về những
dạng phù hợp cho việc khai phá.
Bước 5: Khai phá dữ liệu (Data mining): Các kỹ thuật được áp dụng để trích xuất
thông tin có ích hoặc các mẫu điển hình trong dữ liệu.
Bước 6: Đánh giá mẫu (Pattern evaluation): Đánh giá mẫu hoặc tri thức đã thu
được.
Bước 7: Trình diễn dữ liệu (Knowledge Presentation): Biểu diễn những tri thức
khai phá được cho người sử dụng.
Quá trình phát hiện tri thức từ cơ sở dữ liệu được diễn tả qua mô hình sau:
Mô hình trên mô tả 5 giai đoạn trong quá trình khám phá tri thức từ cơ sở dữ liệu.
Mặc dù có 5 giai đoạn như trên xong quá trình khám phá tri thức từ cơ sở dữ liệu là
một quá trình tương tác và lặp di lặp lại theo chu trình liên tục kiểu xoắn ốc, trong đó
lần lặp sau hoàn chỉnh hơn lần lặp trước. Ngoài ra, giai đoạn sau lại dựa trên kết quả
thu được của giai đoạn trước theo kiểu thác nước. Đây là một quá trình biện chứng
mang tính chất khoa học của lĩnh vực phát hiện tri thức và là phương pháp luận trong
việc xây dựng các hệ thống phát hiện tri thức.
1.5.1. Giai đoạn xác định vấn đề
Đây là một quá trình mang tính định tính với mục đích xác định được lĩnh vực yêu
cầu phát hiện tri thức và xây dựng bài toán tổng kết. Trong thực tế, các cơ sở dữ liệu
được chuyên môn hóa và phân chia theo các lĩnh vực khác nhau như sản phẩm, kinh
doanh, tài chính,… Với mỗi tri thức phát hiện được có thể có giá trị trong lĩnh vực này
nhưng lại không mang nhiều ý nghĩa đối với một lĩnh vực khác. Vì vậy mà việc xác
định lĩnh vực và định nghĩa bài toán giúp định hướng cho giai đoạn tiếp theo thu thập
và tiền xử lý dữ liệu.
8
1.5.2. Giai đoạn thu thập và tiền xử lý dữ liệu
Các cơ sở dữ liệu thu được thường chứa rất nhiều thuộc tính nhưng lại không đầy
đủ, không thuần nhất, có nhiều lỗi và các giá trị đặc biệt. Vì vậy, giai đoạn thu thập và
tiền xử lý dữ liệu trở nên rất quan trọng trong quá trình phát hiện tri thức từ cơ sở dữ

liệu. Có thể nói rằng giai đoạn này chiếm từ 70% đến 80% giá thành trong toàn bộ bài
toán.
Người ta chia giai đoạn thu thập và tiền xử lý dữ liệu thành các công đoạn như: lựa
chọn dữ liệu, làm sạch, làm giàu, mã hóa dữ liệu. Các công đoạn được thực hiện theo
trình tự đưa ra được một cơ sở dữ liệu thích hợp cho các giai đoạn sau. Tuy nhiên, tùy
từng dữ liệu cụ thể mà quá trình trên được điều chỉnh cho phù hợp vì người ta đưa ra
một phương pháp cho mọi loại dữ liệu.
a. Chọn lọc dữ liệu: Đây là bước chọn lọc các dữ liệu có liên quan trong các
nguồn dữ liệu khác nhau. Các thông tin được chọn lọc sao cho có chứa nhiều thông tin
liên quan tới lĩnh vực cần phát hiện tri thức đã xác định trong giai đoạn xác định vấn
đề.
b. Làm sạch dữ liệu: Dữ liệu thực tế, đặc biệt dữ liệu lấy từ nhiều nguồn khác
nhau thường không đồng nhất. Do đó cần có biện pháp xử lý để đưa về một cơ sở dữ
liệu thống nhất phục vụ cho khai thác. Nhiệm vụ làm sạch dữ liệu thường bao gồm:
(i) Điều hòa dữ liệu: Công việc này nhằm giảm bớt tính không nhất quán do
dữ liệu lấy từ nhiều nguồn khác nhau. Phương pháp thông thường là khử các
trường hợp trùng lặp dữ liệu và thống nhất các ký hiệu. Chẳng hạn, một khách
hàng có thể có nhiều bản ghi do việc nhập sai tên hoặc do quá trình thay đổi
một số thông tin cá nhân gây ra và tạo sự lầm tưởng có nhiều khách hàng khác
nhau.
(ii) Xử lý các giá trị khuyết: Tính không đầy đủ của dữ liệu có thể gây ra hiện
tượng dữ liệu chứa các giá trị khuyết. Đây là hiện tượng khá phổ biến. Thông
thường, người ta có thể lựa chọn các phương pháp khác nhau để thực hiện việc
xử lý các giá trị khuyết như: bỏ qua các bộ có giá trị khuyết, điểm bổ sung bằng
tay, dùng một hằng chung để điền vào giá trị khuyết, dùng giá trị trung bình
của mọi bản ghi cùng lớp hoặc dùng các giá trị mà tần suất xuất hiện lớn.
(iii) Xử lý nhiễu và các ngoại lệ: Thông thường, nhiễu dữ liệu có thể là nhiễu
ngẫu nhiên hoặc các giá trị bất thường. Để làm sạch nhiễu, người ta có thể sử
dụng phương pháp làm trơn nhiễu hoặc dùng các giải thuật phát hiện ra các
ngoại lệ để xử lý.

c. Làm giàu dữ liệu: Việc thu thập dữ liệu đôi khi không đảm bảo tính đầy đủ của
dữ liệu. Một số thông tin quan trọng có thể thiếu hoặc không đầy đủ. Chẳng hạn, dữ
9
liệu về khách hàng lấy từ một nguồn bên ngoài không có hoặc không đầy đủ thông tin
về thu nhập. Nếu thông tin về thu nhập là quan trọng trong quá trình khai thác dữ liệu
để phân tích hành vi khách hàng thì rõ ràng là ta không thể chấp nhận đưa các dữ liệu
khuyết thiếu vào được.
Quá trình làm giàu cũng bao gồm việc tích hợp và chuyển đổi dữ liệu. Các dữ liệu
từ nhiều nguồn khác nhau được tích hợp thành một kho thống nhất. Các khuôn dạng
khác nhau của dữ liệu cũng được quy đổi, tính toán lại để đưa về một kiểu thống nhất,
tiện cho quá trình phân tích. Đôi khi, một số thuộc tính mới có thể được xây dựng dựa
trên các thuộc tính cũ.
d. Mã hóa: Các phương pháp dùng để chọn lọc, làm sạch, làm giàu dữ liệu sẽ
được mã hóa dưới dạng các thủ tục, chương trình hay tiện ích nhằm tự động hóa việc
kết xuất, biến đổi và di chuyển dữ liệu. Các hệ thống con đó có thể được thực thi định
kỳ làm tươi dữ liệu phục vụ cho việc phân tích.
1.5.3. Khai thác dữ liệu
Giai đoạn khai thác dữ liệu được bắt đầu sau khi dữ liệu đã được thu thập và tiến
hành xử lý. Trong giai đoạn này, công việc chủ yếu là xác định được bài toán khai
thác dữ liệu, tiến hành lựa chọn phương pháp khai thác phù hợp với dữ liệu có được
và tách ra các tri thức cần thiết.
Thông thường, các bài toán khai thác dữ liệu bao gồm: các bài toán mang tính chất
mô tả – đưa ra những tính chất chung nhất của các dữ liệu, các bài toán khai thác dự
báo – bao gồm cả việc thực hiện các suy diễn trên dữ liệu. Tùy theo bài toán xác định
được mà ta lựa chọn các phương pháp khai thác dữ liệu cho phù hợp.
1.5.4. Minh họa và đánh giá
Các tri thức phát hiện từ cơ sở dữ liệu cần được tổng hợp dưới dạng các báo cáo
phục vụ cho các mục đích hỗ trợ quyết định khác nhau. Do nhiều phương pháp khai
thác có thể được áp dụng nên các kết quả có mức độ tốt/xấu khác nhau. Việc đánh giá
các kết quả thu được là cần thiết, giúp tạo cơ sở cho những quyết định chiến lược.

Thông thường chúng được tổng hợp, so sánh bằng các biểu đồ và được kiểm nghiệm,
tin học hóa. Công việc này thường là của các chuyên gia, các nhà phân tích và quyết
định.
1.5.5. Đưa kết quả vào thực tiễn
Các kết quả của quá trình phát hiện tri thức có thể được đưa vào ứng dụng trong
những lĩnh vực khác nhau. Do các kết quả có thể là các dự báo hoặc các mô tả nên
chúng có thể được đưa vào các hệ thống hỗ trợ ra quyết định nhằm tự động hóa quá
trình này. Quá trình phát hiện tri thức có thể được tiến hành theo các bước trên.
10
Ngoài ra trong quá trình khai thác người ta có thể thực hiện các cải tiến, nâng cấp
sao cho phù hợp.
1.6. Kiến trúc của hệ thống khai phá dữ liệu
Như đã trình bày ở trên, khai phá dữ liệu là một giai đoạn trong quá trình phát hiện
tri thức từ số lượng lớn dữ liệu lưu trữ trong các cơ sở dữ liệu, kho dữ liệu hoặc các
nơi lưu trữ khác. Bước này có thể tương tác lẫn nhau giữa người sử dụng hoặc cơ sở
tri thức, những mẫu đáng quan tâm được đưa cho người dùng hoặc lưu trữ như là tri
thức mới trong cơ sở tri thức.
Kiến trúc của hệ thống khai phá dữ liệu có các thành phần như sau:
 Cơ sở dữ liệu, kho dữ liệu: Đó là một hoặc tuyển tập các cơ sở dữ liệu, kho
dữ liệu … Các kỹ thuật làm sạch dữ liệu, tích hợp, lọc dữ liệu có thể thực hiện
trên dữ liệu.
 Cơ sở dữ liệu hoặc kho dữ liệu phục vụ: Là kết quả lấy dữ liệu có liên quan
trên cơ sở khai phá dữ liệu của người dùng.
 Cơ sở tri thức: Đó là lĩnh vực tri thức được sử dụng để hướng dẫn việc tìm
hoặc đánh giá các mẫu kết quả thu được.
 Mô tả khai phá dữ liệu: Bao gồm tập các module chức năng để thực hiện các
nhiệm vụ mô tả đặc điểm, kết hợp, phân lớp, phân cụm dữ liệu…
 Đánh giá mẫu: Thành phần này sử dụng các độ đo và tương tác với module
khai phá dữ liệu để tập trung vào tìm các mẫu quan tâm.
 Giao diện người dùng: Đây là module giữa người dùng và hệ thống khai phá

dữ liệu. Cho phép người dùng tương tác với hệ thống trên cơ sở những truy vấn
hay tác vụ, cung cấp thông tin cho việc tìm kiếm.
1.7. Các kỹ thuật khai phá dữ liệu
Kỹ thuật khai phá dữ liệu được chia thành hai nhóm chính:
 Kỹ thuật khai phá dữ liệu mô tả: Có nhiệm vụ mô tả về các tính chất hoặc
các đặc tính chung của dữ liệu trong cơ sở dữ liệu hiện có. Các kỹ thuật này
gồm có: Phân cụm (clustering), tóm tắt (summerization), trực quan hóa
(visualiztation), phân tích sự phát triển và độ lệch (evolution and deviation
analyst), phân tích luật kết hợp (association rules)…
 Kỹ thuật khai phá dữ liệu dự đoán: Có nhiệm vụ đưa ra các dự đoán dựa vào
các suy diễn trên dữ liệu hiện thời. Các kỹ thuật này gồm có: Phân lớp
(classification), hồi quy (regession)… Tuy nhiên, chỉ có một số phương pháp
thông dụng nhất là: Phân cụm dữ liệu, phân lớp dữ liệu, phương pháp hồi quy
và khai phá luật kết hợp.
11
Tuy nhiên, chỉ có một số phương pháp thông dụng và phổ biến nhất là: Phân cụm
dữ liệu, phân lớp dữ liệu, phương pháp hồi quy và khai phá luật kết hợp.
1.7.1. Phân cụm dữ liệu
Mục tiêu chính của phương pháp phân cụm dữ liệu là nhóm các đối tượng tương tự
nhau trong tập dữ liệu vào các cụm sao cho các đối tượng thuộc cùng một lớp là tương
đồng còn các đối tượng thuộc các cụm khác nhau sẽ không tương đồng. Phân cụm dữ
liệu là một ví dụ của phương pháp học không có thầy. Không giống như phân lớp dữ
liệu, phân cụm dữ liệu không đòi hỏi phải định nghĩa trước các mẫu dữ liệu huấn
luyện. Vì thế có thể coi phân cụm dữ liệu là một cách học bằng quan sát (learning by
observation), trong khi phân lớp dữ liệu là học bằng ví dụ (learning by example).
Trong phương pháp này bạn không thể biết kết quả các cụm thu được sẽ thế nào khi
bắt đầu quá trình. Vì vậy, thông thường cần có một chuyên gia về lĩnh vực đó để đánh
giá các cụm thu được. Phân cụm dữ liệu được sử dụng nhiều trong các ứng dụng về
phân đoạn thị trường, phân đoạn khách hàng, nhận dạng mẫu, phân loại trang Web…
Ngoài ra phân cụm dữ liệu còn có thể được sử dụng như một bước tiền xử lý cho các

thuật toán khai phá dữ liệu khác.
1.7.2. Phân lớp dữ liệu
Mục tiêu của phương pháp phân lớp dữ liệu là dự đoán nhãn lớp cho các mẫu dữ
liệu. Quá trình phân lớp dữ liệu thường gồm hai bước: Xây dựng mô hình và sử dụng
mô hình để phân lớp dữ liệu.
Bước 1: Một mô hình sẽ được xây dựng dựa trên việc phân tích các mẫu dữ liệu
sẵn có. Mỗi mẫu tương ứng với một lớp, được quyết định bởi một thuộc tính gọi là
thuộc tính lớp. Các lớp dữ liệu này còn được gọi là lớp dữ liệu huấn luyện (training
data set). Các nhãn lớp của tập dữ liệu huấn luyện đều phải được xác định trước khi
xây dựng mô hình.
Bước 2: Sử dụng mô hình để phân lớp dữ liệu. Trước hết, chúng ta phải tính độ
chính xác của mô hình. Nếu độ chính xác là chấp nhận được, mô hình sẽ được sử
dụng để dự đoán nhãn lớp cho các mẫu dữ liệu khác trong tương lai. Một ví dụ về việc
sử dụng phương pháp phân lớp trong khai phá dữ liệu là ứng dụng phân lớp các xu
hướng trong thị trường tài chính và ứng dụng tự động xác định các đối tượng đáng
quan tâm trong cơ sở dữ liệu ảnh lớn.
1.7.3. Phương pháp hồi quy
Phương pháp hồi quy khác với phân lớp dữ liệu ở chỗ: Hồi quy dùng để dự đoán
về các giá trị liên tục còn phân lớp dữ liệu chỉ dùng để dự đoán về các giá trị rời rạc.
Hồi quy là một hàm toán học ánh xạ một dữ liệu thành một biến dự đoán có giá trị
thực. Có rất nhiều ứng dụng khai phá dữ liệu với nhiệm vụ hồi quy, chẳng hạn như
12
khả năng đánh giá tử vong của bệnh nhân khi biết các kết quả xét nghiệm, chẩn đoán;
dự đoán nhu cầu tiêu thụ một sản phẩm mới bằng một hàm chi tiêu quảng cáo.
1.7.4. Khai phá luật kết hợp
Mục tiêu của phương pháp này là phát hiện và đưa ra các mối liên hệ giữa các giá
trị dữ liệu trong cơ sở dữ liệu. Mẫu đầu ra của giải thuật khai phá dữ liệu là luật kết
hợp tìm được. Chẳng hạn, phân tích cơ sở dữ liệu bán hàng nhận được thông tin về
những khách hàng mua máy tính có khuynh hướng mua phần mềm quản lý tài chính
trong cùng lần mua được miêu tả trong luật kết hợp sau: “Máy tính

⇒
Phần mềm quản
lý tài chính” (Độ hỗ trợ: 2%, độ tin cậy: 60%).
Độ hỗ trợ và độ tin cậy là hai độ đo của sự đáng quan tâm của luật. Chúng phản
ánh sự hữu ích và sự chắc chắn của luật đã khám phá. Độ hỗ trợ 2% có nghĩa là 2%
của tất cả các trường hợp đang phân tích chỉ ra rằng máy tính và phần mềm quản lý tài
chính là đã được mua cùng nhau. Còn độ tin cậy 60% có nghĩa là: 60% các khách
hàng mua máy tính cũng mua phần mềm. Khai phá luật kết hợp được thực hiện qua
hai bước:
Bước 1: Tìm tất cả các tập mục phổ biến, một tập mục phổ biến được xác định qua
tính hỗ trợ và thỏa mãn độ hỗ trợ cực tiểu.
Bước 2: Sinh ra các luật kết hợp mạnh từ tập mục phổ biến, các luật phải thỏa mãn
độ hỗ trợ cực tiểu và độ tin cậy cực tiểu. Phương pháp này được sử dụng rất hiệu quả
trong các lĩnh vực như maketing có chủ đích, phân tích quyết định, quản lý kinh
doanh, phân tích giá thị trường…
1.8. Một số ứng dụng khai phá dữ liệu
Ở thập kỷ 90 của thế kỷ XX, người ta coi khai phá dữ liệu là quá trình phân tích cơ
sở dữ liệu nhằm phát hiện ra các thông tin mới và giá trị, thường thể hiện dưới dạng
các mối quan hệ chưa biết đến giữa các biến số. Những phát hiện này được sử dụng
nhằm tăng thêm tính hiệu quả của doanh nghiệp trong khi phải cạnh tranh trên thương
trường. Nhờ phân tích các dữ liệu liên quan đến khách hàng, doanh nghiệp có khả
năng dự báo trước một số hành vi ứng xử của khách hàng.
Những năm gần đây, người ta quan niệm khai phá dữ liệu (đôi khi còn dùng thuật
ngữ khám phá dữ liệu hay phát hiện tri thức) là một quá trình phân tích dữ liệu từ các
viễn cảnh khác nhau và rút ra các thông tin bổ ích – những thông tin có thể dùng để
tăng lợi nhuận, cắt giảm chi phí hoặc cả hai mục đích. Phần mềm khai phá dữ liệu là
một công cụ phân tích dùng để phân tích dữ liệu. Nó cho phép người sử dụng phân
tích dữ liệu theo nhiều góc nhìn khác nhau, phân loại dữ liệu theo những quan điểm
riêng biệt và tổng kết các mối quan hệ đã được bóc tách. Xét về khía cạnh kỹ thuật,
13

khai phá dữ liệu là một quá trình tìm kiếm các mối tương quan giữa các mẫu ẩn chứa
trong hàng chục trường dữ liệu của một cơ sở dữ liệu quan hệ cỡ lớn.
Hiện nay, kỹ thuật khai phá dữ liệu đang được áp dụng một cách rộng rãi trong rất
nhiều lĩnh vực kinh doanh và đời sống khác nhau như:
 Thương mại: Phân tích dữ liệu bán hàng và thị trường, phân tích đầu tư, quyết
định cho vay, phát hiện gian lận,…
 Thông tin sản xuất: Điều khiển và lập kế hoạch, hệ thống quản lý, phân tích
kết quả thử nghiệm,…
 Thông tin khoa học: Dự báo thời tiết; cơ sở dữ liệu sinh học: Ngân hàng gen,
…; khoa học địa lý: dự báo động đất,…
Thông qua việc khai phá dữ liệu, phát hiện tri thức đã thu được các kết quả đáng
giá. Điều đó được chứng minh bằng thực tế: Chẩn đoán bệnh trong y tế dựa trên kết
quả xét nghiệm đã giúp cho bảo hiểm y tế phát hiện ra nhiều trường hợp xét nghiệm
không hợp lý, tiết kiệm được nhiều kinh phí mỗi năm; trong dịch vụ viễn thông đã
phát hiện ra những nhóm người thường xuyên gọi cho nhau bằng điện thoại di động
và thu lợi hàng triệu USD; IBM Suft-Aid đã áp dụng khai phá dữ liệu vào phân tích
các lần đăng nhập Web vào các trang liên quan đến thị trường để phát hiện sở thích
khách hàng, từ đó đánh giá hiệu quả của việc tiếp thị qua Web và cải thiện hoạt động
của các Website; trang Web mua bán qua mạng Amazon cũng tăng doanh thu nhờ áp
dụng khai phá dữ liệu trong việc phân tích sở thích mua bán của khách hàng.
1.9. Những khó khăn trong khai phá dữ liệu
Việc nghiên cứu và ứng dụng kỹ thuật khai phá dữ liệu gặp nhiều khó khăn, nhưng
không phải là không giải quyết được mà chúng cần được tìm hiểu để có thể phát triển
tốt hơn. Những khó khăn phát sinh trong khai phá dữ liệu chính là dữ liệu trong thực
tế thường động, không đầy đủ, lớn và bị nhiễu. Trong trường hợp khác, người ta
không biết cơ sở dữ liệu có chứa thông tin cần thiết cho việc khai thác hay không và
làm thế nào để giải quyết sự dư thừa thông tin không thích hợp này.
 Dữ liệu lớn: Hiện nay các cơ sở dữ liệu với hàng trăm trường và bảng, hàng
triệu bản ghi với kích thước rất lớn, có thể lên đến GB. Các phương pháp giải
quyết hiện nay là đưa ra một ngưỡng cho cơ sở dữ liệu, lấy mẫu, các phương

pháp tính xấp xỉ, xử lí song song.
 Kích thước lớn: Không chỉ có số lượng bản ghi mà số các trường trong cơ sở
dữ liệu cũng nhiều. Vì vậy mà kích thước của bài toán trở nên lớn làm tăng
không gian tìm kiếm. Hơn nữa, nó cũng làm tăng khả năng một thuật toán khai
phá dữ liệu có thể tìm thấy các mẫu giả. Biện pháp khắc phục là làm giảm kích
thước tác động của bài toán và sử dụng các tri thức biết trước để xác định các
biến không phù hợp.
14
 Dữ liệu động: Đặc điểm cơ bản của hầu hết các cơ sở dữ liệu là nội dung của
chúng thay đổi liên tục. Chẳng hạn như các biến trong cơ sở dữ liệu của ứng
dụng đã cho có thể bị thay đổi, bị xóa hoặc là tăng lên theo thời gian. Dữ liệu
có thể thay đổi theo thời gian và việc khai phá dữ liệu bị ảnh hưởng bởi thời
điểm quan sát dữ liệu, do đó có thể làm cho mẫu khai thác được trước đó mất
giá trị. Vấn đề này được giải quyết bằng giải pháp tăng trưởng để nâng cấp các
mẫu và coi những thay đổi như là cơ hội để khai thác bằng cách sử dụng nó để
tìm kiếm các câu bị thay đổi.
 Các trường dữ liệu không phù hợp: Một đặc điểm quan trọng khác là tính
không thích hợp của dữ liệu – nghĩa là mục dữ liệu trở thành không thích hợp
với trọng tâm hiện tại của việc khai thác. Bên cạnh đó, tính ứng dụng của một
thuộc tính đối với một tập con của cơ sở dữ liệu cũng là một vấn đề đôi khi
cũng liên quan dến độ phù hợp.
 Các giá trị bị thiếu: Sự có mặt hay vắng mặt của giá trị các thuộc tính dữ liệu
phù hợp có thể ảnh hưởng đến việc khai phá dữ liệu. Trong hệ thống tương tác,
sự thiếu vắng dữ liệu quan trọng có thể dẫn tới yêu cầu cho giá trị của nó hoặc
kiểm tra để xác định giá trị của nó. Hoặc cũng có thể sự vắng mặt của dữ liệu
được coi như một điều kiện, thuộc tính bị mất có thể được xem như một giá trị
trung gian và giá trị không biết.
 Các trường dữ liệu bị thiếu: Một quan sát không đầy đủ cơ sở dữ liệu có thể
làm cho dữ liệu có giá trị bị xem như có lỗi. Việc quan sát cơ sở dữ liệu phải
phát hiện được toàn bộ các thuộc tính có thể dùng để thuật toán khai phá dữ

liệu có thể áp dụng để giải quyết bài toán. Giả sử ta có các thuộc tính để phân
biệt các tình huống đáng quan tâm. Nếu chúng không làm được điều đó thì có
nghĩa là đã có lỗi trong dữ liệu. Đây cũng là vấn đề thường xảy ra trong cơ sở
dữ liệu kinh doanh. Các thuộc tính quan trọng có thể sẽ bị thiếu dữ liệu không
được chuẩn bị.
 Khả năng biểu đạt mẫu: Trong rất nhiều ứng dụng, điều quan trọng là những
điều khai thác được phải càng dễ hiểu với con người càng tốt. Vì vậy, các giải
pháp thường bao gồm việc diễn tả dưới dạng đồ họa, xây dựng cấu trúc luật với
các đồ thị có hướng, biểu diễn bằng ngôn ngữ tự nhiên và kỹ thuật khác nhằm
biểu diễn các tri thức và dữ liệu.
 Sự tương tác với người sử dụng các tri thức sẵn có: Rất nhiều công cụ và
phương pháp khai phá dữ liệu không thực sự tương tác với người dùng và
không dễ dàng kết hợp cùng với các tri thức đã biết trước đó. Việc sử dụng tri
thức miền là rất quan trọng trong khai phá dữ liệu. Đã có nhiều biện pháp nhằm
khắc phục vấn đề này như sử dụng cơ sở dữ liệu suy diễn để phát hiện tri thức,
những tri thức này sau đó được sử dụng để hướng dẫn cho việc tìm kiếm khai
phá dữ liệu hoặc sử dụng sự phân bố xác suất dữ liệu trước đó như một dạng
mã hóa tri thức có sẵn.
15
16
CHƯƠNG 2: TÌM HIỂU CHUNG VỀ PHÂN TÍCH KĨ
THUẬT TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VÀ
LOGIC MỜ
2.1. Lí thuyết kinh tế
2.1.1.Thị trường chứng khoán
a. Định nghĩa
Thị trường chứng khoán là một thị trường mà ở nơi đó người ta mua bán, chuyển
nhượng, trao đổi chứng khoán nhằm mục đích kiếm lời. Thị trường chứng khoán có
thể là thị trường chứng khoán tập trung hoặc phi tập trung.
Tính tập trung ở đây là muốn nói đến việc các giao dịch được tổ chức tập trung

theo một địa điểm vật chất. Hình thái điển hình của thị trường chứng khoán tập trung
là Sở giao dịch chứng khoán (Stock exchange). Tại Sở giao dịch chứng khoán, các
giao dịch được tập trung tại một địa điểm; các lệnh được chuyển tới sàn giao dịch và
tham gia vào quá trình ghép lệnh để hình thành nên giá giao dịch.
Thị trường chứng khoán phi tập trung còn gọi là thị trường OTC (over the
counter). Trên thị trường OTC, các giao dịch được tiến hành qua mạng lưới các công
ty chứng khoán phân tán trên khắp quốc gia và được nối với nhau bằng mạng điện tử.
Giá trên thị trường này được hình thành theo phương thức thỏa thuận.
b. Chức năng của thị trường chứng khoán
• Huy động vốn đầu tư cho nền kinh tế
Khi các nhà đầu tư mua chứng khoán do các công ty phát hành, số tiền nhàn rỗi
của họ được đưa vào hoạt động sản xuất kinh doanh và qua đó góp phần mở rộng sản
xuất xã hội. Thông qua thị trường chứng khoán, Chính phủ và chính quyền ở các địa
phương cũng huy động được các nguồn vốn cho mục đích sử dụng và đầu tư phát triển
hạ tầng kinh tế, phục vụ các nhu cầu chung của xã hội.
• Cung cấp môi trường đầu tư cho công chúng
Thị trường chứng khoán cung cấp cho công chúng một môi trường đầu tư lành
mạnh với các cơ hội lựa chọn phong phú. Các loại chứng khoán trên thị trường rất
khác nhau về tính chất, thời hạn và độ rủi ro, cho phép các nhà đầu tư có thể lựa chọn
loại hàng hoá phù hợp với khả năng, mục tiêu và sở thích của mình.
• Tạo tính thanh khoản cho các chứng khoán
17
Nhờ có thị trường chứng khoán các nhà đầu tư có thể chuyển đổi các chứng khoán
họ sở hữu thành tiền mặt hoặc các loại chứng khoán khác khi họ muốn. Khả năng
thanh khoản là một trong những đặc tính hấp dẫn của chứng khoán đối với người đầu
tư. Đây là yếu tố cho thấy tính linh hoạt, an toàn của vốn đầu tư. Thị trường chứng
khoán hoạt động càng năng động và có hiệu quả thì tính thanh khoản của các chứng
khoán giao dịch trên thị trường càng cao.
• Đánh giá hoạt động của doanh nghiệp
Thông qua chứng khoán, hoạt động của các doanh nghiệp được phản ánh một cách

tổng hợp và chính xác, giúp cho việc đánh giá và so sánh hoạt động của doanh nghiệp
được nhanh chóng và thuận tiện, từ đó cũng tạo ra một môi trường cạnh tranh lành
mạnh nhằm nâng cao hiệu quả sử dụng vốn, kích thích áp dụng công nghệ mới, cải
tiến sản phẩm.
• Tạo môi trường giúp Chính phủ thực hiện các chính sách kinh tế vĩ mô
Các chỉ báo của thị trường chứng khoán phản ánh động thái của nền kinh tế một
cách nhạy bén và chính xác. Giá các chứng khoán tăng lên cho thấy đầu tư đang mở
rộng, nền kinh tế tăng trưởng; ngược lại giá chứng khoán giảm sẽ cho thấy các dấu
hiệu tiêu cực của nền kinh tế. Vì thế, thị trường chứng khoán được gọi là phong vũ
biểu của nền kinh tế và là một công cụ quan trọng giúp Chính phủ thực hiện các chính
sách kinh tế vĩ mô. Thông qua thị trường chứng khoán, Chính phủ có thể mua và bán
trái phiếu Chính phủ để tạo ra nguồn thu bù đắp thâm hụt ngân sách và quản lý lạm
phát. Ngoài ra, Chính phủ cũng có thể sử dụng một số chính sách, biện pháp tác động
vào thị trường chứng khoán nhằm định hướng đầu tư đảm bảo cho sự phát triển cân
đối của nền kinh tế.
2.1.2. Phương pháp phân tích kỹ thuật
a. Định nghĩa
Phân tích kỹ thuật là việc sử dụng các mô hình toán học (đồ thị, biến đổi miền, xác
suất thống kê,…) dựa trên dữ liệu thu thập về thị trường trong quá khứ và hiện tại để
chỉ ra trạng thái của thị trường tại thời điểm xác định, thông thường là nhận định xu
hướng thị trường đang lên, đang xuống hoặc nhận định tương quan lực lượng giữa sự
tăng và sự giảm giá.
Phân tích kỹ thuật không để ý đến các chỉ số tài chính, tình hình phát triển hay các
thông tin về thị trường về doanh nghiệp mà chỉ chú trọng vào tập các dữ liệu về giá
cả, khối lượng… của cổ phiếu thu thập được tại các phiên giao dịch trong quá khứ.
Chính vì chỉ dựa vào tập dữ liệu đã tồn tại trên thị trường, tức là các thông tin trong
18
quá khứ – phân tích kỹ thuật không phải là công cụ để dự đoán tương lai giá cả của cổ
phiếu.
Những kết luận thu được từ các biện pháp phân tích kỹ thuật chỉ thị trạng thái của

thị trường đã xảy ra trong quá khứ; thời điểm rút ra kết luận về trạng thái của thị
trường luôn luôn đi sau so với sự kiện đã xảy ra. Khoảng thời gian chênh lệch đó gọi
là độ trễ. Xét ví dụ về một phương pháp phân tích kỹ thuật sử dụng trung bình động.
Giá chứng khoán trong 5 phiên đến ngày 18/05/2007 của Công ty cổ phần nhựa DNP
– Mã chứng khoán DNP.
Bảng 1: Ví dụ về thống kê chứng khoán
Ngày Giá Thay đổi % thay đổi Khối lượng
18/05 76.000 2.000 2,7% 56,350
17/05 74.000 2.000 2,78% 36.190
16/05 72.000 -3.500 -4.64% 43.350
15/05 75.500 3.500 4,86% 30.550
14/05 72.000 3.000 4,35% 52.750
Vậy giá trị trung bình động trong 5 phiên của DNP vào ngày 18/05/2007 là
(76.000 + 74.000 + 72.000 + 75.500 + 72.000) / 5 = 73.900 đồng.
Tập hợp các giá trung bình động của DNP trong các ngày khác nhau sẽ được
đường trung bình động giá trong 5 phiên của DNP.
19
Hình 1: Biểu đồ kỹ thuật chứng khoán trong thực tế
Bằng mắt thường quan sát đường trung bình động có thể nhận định rằng xu thế của
DNP đến thời điểm ngày 18/05/2007 là tăng giá, liệu sau ngày 18/05/2007 giá cổ
phiếu của DNP có tiếp tục tăng không? Đây chính là nhiệm vụ của việc phân tích kỹ
thuật.
b. Các khái niệm cơ bản trong phân tích kỹ thuật
• Điểm đảo chiều
Có điểm đảo chiều lên và đảo chiều xuống, trong trường hợp xu thế của giá chứng
khoán đang tăng xuất hiện điểm đảo chiều mà tại đó giá chứng khoán đi xuống thì gọi
là điểm đảo chiều lên. Ngược lại khi giá chứng khoán đang xuống mà xuất hiện điểm
đảo chiều mà tại đó giá chứng khoán đi lên thì gọi là điểm đảo chiều xuống.
• Phân kỳ
Phân kỳ đóng vai trò phát sinh các tín hiệu mua và bán hoặc giữ vai trò là một

cảnh báo về sự thay đổi xu thế. Có 2 loại phân kỳ là phân kỳ dương và phân kỳ âm.
Phân kỳ dương là phân kỳ mà giá trị của phân tích tăng nhưng giá của chứng khoán
đang có xu hướng giảm; phân kỳ dương báo hiệu về sự thay đổi xu hướng sắp tới của
giá là tăng giá.
Hình 2: Phân kỳ dương
Phân kỳ âm là phân kỳ mà giá trị của phân tích giảm nhưng giá của chứng khoán
tăng; phân kỳ âm báo hiệu về sự thay đổi xu thế sắp tới sẽ là giảm giá. Điều này
không có nghĩa là tại thời điểm mà nhà đầu tư nhìn thấy chu kỳ dương hoặc chu kỳ
âm thì xu thế giá sẽ thay đổi trong tương lai gần, rất khó xác định khi nào sự thay đổi
xu thế sẽ xảy ra. Vì vậy không thể ra quyết định mua hoặc bán chỉ dựa vào phân kỳ
mà phải sử dụng với vai trò củng cố bổ trợ với các tín hiệu khác.
20
• Siêu mua/Siêu bán
Siêu mua và siêu bán là hai ngưỡng giá trị của phân tích. Mọi giá trị nằm trên
ngưỡng siêu mua thì tại đó nó thể hiện giá cổ phiếu tăng. Mọi giá trị nằm dưới ngưỡng
siêu bán là giá cổ phiếu giảm. Phân tích việc xuyên phá các ngưỡng giá trị này nhằm
chỉ ra khi giá cổ phiếu đang biến động dập dềnh nhằm chỉ ra xu thế sắp tới của giá cổ
phiếu sẽ là tăng giá hay giảm giá.
Trong trường hợp giá cổ phiếu biến động có xu thế, sử dụng các ngưỡng siêu mua
hoặc siêu bán thường hay cho tín hiệu không phù hợp nếu việc mua và bán đi ngược
lại xu thế của thị trường. Tuy nhiên vẫn có thể sử dụng các tín hiệu mua hoặc bán khi
giá trị siêu mua hoặc siêu bán bị xuyên phá nhưng phải thuận theo xu thế chung thị
trường mà không được đi ngược lại. Cụ thể nếu có tín hiệu mua và biến động là tăng
thì có thể mua, nếu có tín hiệu bán và biến động là giảm thì có thể bán; xu thế càng
mạnh mẽ thì tín hiệu càng đáng tin cậy.
• Đường trung bình
Đường trung bình là ngưỡng trung bình giá trị của phân tích. Nếu sự xuyên phá là
vượt ngưỡng trung bình, thế trận đổi chiều nghiêng phần thắng về phe bán cổ phiếu.
Ngược lại nếu sự xuyên phá là xuống dưới ngưỡng trung bình điều đó có nghĩa thế
trận đổi chiều nghiêng phần thắng về phe mua cổ phiếu.

• Tín hiệu mua và bán
Để đưa ra các quyết định mua và bán hợp lý, cần có một số tín hiệu khác nhau bổ
trợ lẫn nhau nhằm tăng cường độ chính xác của các tín hiệu và giảm thiểu rủi ro đối
với mỗi quyết định. Các dấu hiệu sau được sử dụng để báo hiện việc mua hoặc bán:
- Nếu giá trị của máy dao động từ dưới vượt qua ngưỡng siêu mua rồi quay
trở lại xuống dưới ngưỡng này, đồng thời xu thế giá là đi xuống hoặc biến
động dập dềnh. Điều đó cảnh báo thị trường sẽ chuyển sang xu thế giảm giá
hoặc đang ở giai đoạn đầu của xu thế giảm giá. Đây là tín hiệu bán ra.
- Nếu giá trị của máy dao động từ dưới vượt qua ngưỡng siêu bán rồi quay
trở lại lên trên ngưỡng này, đồng thời xu thế giá là đi lên hoặc biến động
dập dềnh. Điều đó cảnh báo thị trường sẽ chuyển sang xu thế tăng giá hoặc
đang ở giai đoạn đầu của xu thế tăng giá. Đây là tín hiệu mua vào.
- Nếu xu thế giá đang tăng mạnh, khi giá trị của máy dao động vượt qua
ngưỡng siêu mua có nghĩa là đang ở giai đoạn đầu của xu thế tăng giá và sẽ
tiếp tục tăng. Đây là tín hiệu mua vào. Nếu xu thế giá đang giảm mạnh, khi
giá trị của máy dao động vượt qua ngưỡng siêu bán có nghĩa là đang ở giai
đoạn đầu của xu thế giảm giá và sẽ tiếp tục giảm. Đây là tín hiệu bán ra.
- Nếu giá trị máy dao động đang ở dưới ngưỡng siêu bán nhưng có sự xuất
hiện của phân kỳ dương thì đó là tín hiệu mua vào. Chú ý tính thuận theo xu
thế: nếu thị trường ở trạng thái dập dềnh hoặc xu thế là tăng hoặc giảm nhẹ
21
thì có thể mua, nếu thị trường ở trạng thai giảm mạnh thì tín hiệu này không
đáng tin. Nếu giá trị máy dao động đang ở trên ngưỡng siêu mua nhưng có
sự xuất hiện của phân kỳ âm thì đó là tín hiệu bán ra.
Chú ý tính thuận theo xu thế: nếu thị trường ở trạng thái dập dềnh hoặc xu thế là
giảm hoặc tăng nhẹ thì có thể bán, nếu thị trường ở trạng thái tăng mạnh thì tín hiệu
này không đáng tin.
Nếu giá trị máy dao động tăng vượt qua giá trị trung bình và có sự xuất hiện của
phân kỳ dương và xu thế giá đi lên thì đó là tín hiệu mua vào. Nếu giá trị máy dao
động giảm xuống xuyên qua giá trị trung bình và có sự xuất hiện của phân kỳ âm và

xu thế giá đi xuống thì đó là tín hiệu bán ra.
Ví dụ: Xét ví dụ về sử dụng ngưỡng trung bình của phân tích MACD đối với
chứng chỉ quỹ VF1.
Hình 3: Biểu đồ giúp nhận biết các dấu hiệu đảo chiều
Thời điểm số (1), (5) là thời điểm giai đoạn đầu của xu thế tăng giá mạnh, ngưỡng
siêu mua bị xuyên phá, thuận theo xu thế của thị trường, đây là lúc nên mua vào. Thời
điểm số (2), (3), (4) là thời điểm mà giá cổ phiếu đã vượt từ dưới ngưỡng siêu bán lên
trên. Tại các thời điểm này còn có sự xuất hiện của phân kỳ dương, đây là tín hiệu
mua vào. Để tăng cường chính xác cần theo dõi thêm xu thế lúc đó của thị trường. Tại
thời điểm số (2), về dài hạn giá cổ phiếu đang theo xu thế giảm, nhưng trong ngắn hạn
5 ngày thì tại thời điểm đó giá đang tăng, nếu tuân theo xu thế ngắn hạn thì có thể mua
vào nhưng phải bán ngay ra khi có thể vì sự tăng giá chỉ là ngắn hạn. Tại thời điểm số
(3) và số (4) cho thấy những dấu hiệu chắc chắn hơn vì biến động lúc đó là dập dềnh,
các tín hiệu khẳng định nên mua vào vì tin tưởng ở sự lên giá trong tương lai. Thời
22
điểm số (6) là thời điểm nên bán ra vì ngưỡng siêu bán đã bị xuyên phá trong xu thế
biến động giảm giá mạnh của thị trường. Việc bán ra ở thời điểm này nhằm mục đích
giảm lỗ, chờ đợi sự hồi phục lại của thị trường để tiếp tục mua vào.
Phân tích chứng khoán là một nghệ thuật hơn là một ngành khoa học chính xác. Vì
vậy cần phải sử dụng kết hợp nhiều phương pháp khác nhau để đạt đến kết quả tốt
nhất. Thậm chí ngay trong cùng một phương pháp cũng có nhiều cách sử dụng khác
nhau tùy thuộc vào ngữ cảnh cụ thể. Vì vậy cần phải trải qua rèn luyện kiến thức và
thực hành để tự đào tạo bản thân đạt được sự nhạy bén và chính xác mà không một
phương pháp nào có thể đạt được.
c. Vai trò của phân tích kỹ thuật
Phân tích kỹ thuật đóng vai trò là công cụ trợ giúp nhà đầu tư với ba chức năng
chính: báo động, xác thực và dự đoán.
• Công cụ báo động
Phân tích kỹ thuật cảnh báo sự xuyên phá các ngưỡng an toàn và thiết lập nên các
ngưỡng an toàn mới hay nói cách khác là thiết lập mức giá mới thực sự thay vì dao

động quanh một mức giá cũ. Đối với nhà đầu tư việc nhận biết các dấu hiệu về sự thay
đổi mức giá càng sớm càng tốt giúp cho họ sớm có hành động mua vào hoặc bán ra
kịp thời.
• Công cụ xác nhận
Mỗi phương pháp phân tích kỹ thuật được sử dụng kết hợp với các phương pháp
kỹ thuật khác hoặc các phương pháp phi kỹ thuật để xác nhận về xu thế của giá. Việc
kết hợp và bổ trợ lẫn nhau giữa các phương pháp kỹ thuật khác nhau giúp nhà đầu tư
có được kết luận chính xác và tối ưu hơn.
• Công cụ dự đoán
Nhà đầu tư sử dụng các kết luận của phân tích kỹ thuật để dự đoán giá cả của
tương lai với kỳ vọng về khả năng đoán tốt hơn. Tuy nhiên như trên đã nói, bản chất
của phân tích kỹ thuật không phải là dự báo tương lai mà là chỉ thị trạng thái thị
trường trong quá khứ với một độ trễ; do đó nếu sử dụng như một công cụ dự đoán nhà
đầu tư cần phải tính đến một xác suất an toàn và chấp nhận rủi ro khi dự đoán là
không phù hợp. Không ai có thể nói trước tương lai chỉ bằng thông tin trong quá khứ.
Tuy nhiên nhờ có phân tích kỹ thuật, khả năng đoán sai do đoán được hạn chế rất
nhiều. Mỗi phương pháp kỹ thuật được áp dụng sẽ thể hiện các vai trò trên với các ưu
nhược điểm khác nhau.
2.1.3. Lí thuyết Dow
a. Tìm hiểu chung
23
Lý thuyết Dow là cơ sở đầu tiên cho mọi nghiên cứu kĩ thuật trên thị trường cơ sở
để xây dựng cũng như đối tượng nghiên cứu của lý thuyết chính là những biến động
của bản thân thị trường (thể hiện trong chỉ số trung bình của thị trường) và không hề
dựa trên cùng cơ sở của phân tích cơ bản là các thống kê hoạt động kinh doanh của
doanh nghiệp.
Tìm hiểu về lý thuyết của Dow, trước tiên ta phải nghiên cứu đến chỉ số trung bình
của thị trường. Nhìn chung giá chứng khoán của tất cả các công ty đều cùng lên và
xuống, tuy nhiên một số cổ phiếu lại chuyển động theo hướng ngược lại xu thế chung
của các cổ phiếu khác cho dù là chỉ trong vài ngày hoặc vài tuần. Thực tế cho thấy khi

thị trường lên giá thì giá của một số chứng khoán tăng nhanh hơn những chứng khoán
khác, còn khi thị trường xuống giá thì một số chứng khoán giảm giá nhanh chóng
trong khi có một số khác lại tăng lên, nhưng thực tế vẫn chứng minh rằng hầu như tất
cả các chứng khoán đều dao động theo cùng một xu thế chung.
b. Nguyên lý quan trọng của lý thuyết Dow
Khi nghiên cứu lý thuyết Dow có 12 nguyên lý quan trọng sau:
• Chỉ số bình quân thị trường phản ánh tất cả
Bởi vì nó phản ánh những hoạt động có liên kết với nhau của hàng nghìn nhà đầu
tư, gồm cả những người có kinh nghiệm dự đoán thị trường giỏi nhất, có những thông
tin tốt nhất về xu hướng và các sự kiện, những gì có thể nhận thấy trước và tất cả
những gì có thể ảnh hưởng đến cung và cầu của các loại chứng khoán. Thậm chí cả
những thiên tai hay thảm họa không dự tính được thì ngay khi xảy ra chúng đã được
thị trường phản ánh ngay vào giá của các loại chứng khoán.
• Ba xu thế của thị trường
Thuật ngữ thị trường nhằm chỉ giá chứng khoán nói chung, dao động của thị
trường tạo thành các xu thế giá, trong đó quan trọng nhất là các xu thế cấp 1 (xu thế
chính hay xu thế cơ bản). Đây là những biến động tăng hoặc giảm với qui mô lớn,
thường kéo dài trong một hoặc nhiều năm và gây ra sự tăng hay giảm đến 20% giá của
các cổ phiếu. Chuyển động theo xu thế cấp 1 sẽ bị ngắt quãng bởi các bởi sự xen vào
của các dao động cấp 2 theo hướng đối nghịch - gọi là những phản ứng hay điều chỉnh
của thị trường. Những biến động này xuất hiện khi xu hướng cấp 1 tạm thời vượt quá
mức độ hiện tại của bản thân nó (gọi chung các biến động này là các biến động trung
gian - biến động cấp 2). Những biến động cấp 2 bao gồm những biến động giá nhỏ
hay gọi là những biến động hàng ngày và không có ý nghĩa quan trọng trong Lý
thuyết Dow.
24
Xu thế cấp 1
Như đã nói đến ở phần trước, xu thế cấp 1 là những chuyển động lớn của giá, bao
hàm cả thị trường, thường kéo dài hơn 1 năm và có thể là trong vài năm. Nếu như mỗi
đợt tăng giá liên tiếp đều đạt đến mức cao hơn mức trước đó và mỗi điều chỉnh cấp 2

đều dừng lại ở mức đáy cao hơn mức đáy của lần điều chỉnh trước thì xu thế cấp 1 lúc
này là tăng giá. Còn ngược lại nếu mỗi biến động giảm đều làm cho giá xuống những
mức thấp hơn còn mỗi điều chỉnh đều không đủ mạnh để làm cho giá tăng lên đến
mức đỉnh của những đợt tăng giá trước đó thì xu thế cấp 1 của thị trường lúc này là
giảm giá. Thông thường, về lý thuyết thì xu thế cấp 1 chỉ là một trong 3 loại xu thế mà
một nhà đầu tư dài hạn quan tâm. Mục đích của nhà đầu tư đó là mua chứng khoán
càng sớm càng tốt trong một thị trường lên giá, với một kinh doanh chứng khoán ngắn
hạn thì những biến động của xu thế cấp 2 lại có vai trò quan trọng bởi họ kiếm lợi
nhuận dựa trên những biến động ngắn hạn của thị trường.
Xu thế cấp 2
Xu thế cấp 2 là những điều chỉnh có tác động làm gián đoạn quá trình vận động
của giá theo xu thế cấp 1. Chúng là những đợt suy giảm tạm thời (trung gian) hay còn
gọi là những điều chỉnh xuất hiện ở các thị trường tăng giá; hoặc những đợt tăng giá
hay còn gọi là hồi phục xuất hiện ở các thị trường giảm giá. Thường thì những biến
động trung gian này kéo dài từ 3 tuần đến nhiều tháng. Chúng sẽ kéo ngược lại khoản
1/3 đến 2/3 mức tăng (hay giảm tùy loại thị trường) của giá theo xu thế cấp 1. Do đó,
chẳng hạn trong thị trường tăng giá, nếu chỉ số giá bình quân công nghiệp tăng liên
tục ổn định hoặc có gián đoạn rất nhỏ và mức tăng đạt đến 30 điểm, khi đó xuất hiện
xu thế điều chỉnh cấp 2, thì người ta có thể trông đợi xu thế điều chỉnh này có thể làm
giảm từ 10 đến 20 điểm cho đến khi thị trường lặp lại xu thế tăng cấp 1 ban đầu của
nó. Dẫu sao cũng cần lưu ý là qui tắc giảm 1/3 đến 2/3 không phải là một luật lệ
không thể phá vỡ mà nó đơn giản chỉ là một nhận xét về khả năng có thể xảy ra mà
hầu hết các biến động cấp 2 đều bị giới hạn trong mức này. Rất nhiều trong số đó
ngừng tác động ở điểm gần với mức 50% mà rất hiếm khi đạt đến mức 1/3.
Như vậy có 2 tiêu chí để nhận định một xu thế cấp 2: Tất cả những chuyển động
của giá ngược hướng với xu thế cấp 1 kéo dài ít nhất 3 tuần và kéo hoàn lại ít nhất 1/3
mức biến động thức của xu thế cấp 1 (tính từ điểm kết thúc biến động cấp 2 trước đó
đến biến động cấp 2 này, bỏ qua những dao động nhỏ) thì được coi là thuộc loại trung
gian hay còn gọi là biến động cấp 2. Mặc dù đã có những tiêu chí để xác định một xu
25