Khóa luận nghiên cứu ứng dụng hai mô hình Random Forest và LSTM trong dự báo giá cổ phiếu SSI của Công ty Cổ phần Chứng khoán SSI nhằm đánh giá hiệu quả của hai phương pháp học máy và học sâu trong bối cảnh chuyển đổi số. Dữ liệu nghiên cứu được thu thập từ lịch sử giao dịch cổ phiếu SSI giai đoạn 2016–2026, bao gồm các biến giá, khối lượng giao dịch và các chỉ báo kỹ thuật như RSI, MACD, Signal Line, EMA và Bollinger Bands. Sau khi tiền xử lý dữ liệu, xây dựng đặc trưng và chia dữ liệu theo chuỗi thời gian, các mô hình được huấn luyện và đánh giá thông qua các chỉ tiêu MAE, RMSE, MAPE, R² và Directional Accuracy (DA). Kết quả cho thấy cả hai mô hình đều dự báo hiệu quả, trong đó Random Forest đạt độ chính xác cao hơn trên tập kiểm tra, góp phần hỗ trợ nhà đầu tư trong phân tích và dự báo giá cổ phiếu.

Từ khóa:

Random Forest, LSTM, Dự báo giá cổ phiếu

Abstract:

This thesis investigates the application of Random Forest and Long Short-Term Memory (LSTM) models to forecast the stock price of SSI Securities Corporation (SSI), with the aim of evaluating the effectiveness of machine learning and deep learning approaches in the context of digital transformation. The study utilizes historical trading data of SSI stock from 2016 to 2026, including price variables, trading volume, and technical indicators such as RSI, MACD, Signal Line, EMA, and Bollinger Bands. After data preprocessing, feature engineering, and time-series data splitting, the models were trained and evaluated using MAE, RMSE, MAPE, R², and Directional Accuracy (DA). The results indicate that both models achieved satisfactory forecasting performance, with Random Forest outperforming LSTM on the test dataset. The findings provide a useful tool to support investors in stock price analysis and forecasting.

Key word:

Random Forest, LSTM, Stock price prediction