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.

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

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

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

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.

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

⇒
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

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

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

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

• 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

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

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