BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HCM

KHOA ĐÀO TẠO CHẤT LƯỢNG CAO
---------------------

BÁO CÁO ĐỒ ÁN 2
Ngành: Công nghệ kỹ thuật máy tính
Đề tài:

PREDICTING SHORT-TERM STOCK

PRICES USING ENSEMBLE METHODS
AND ONLINE DATA SOURCES

SVTH: Đoàn Thái Học

MSSV: 19119090

TP.HỒ CHÍ MINH - 12/2022

 BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HCM
KHOA ĐÀO TẠO CHẤT LƯỢNG CAO
---------------------

BÁO CÁO ĐỒ ÁN 2
Ngành: Công nghệ kỹ thuật máy tính
Đề tài:

PREDICTING SHORT-TERM STOCK

PRICES USING ENSEMBLE METHODS
AND ONLINE DATA SOURCES

SVTH: Đoàn Thái Học

MSSV: 19119090

TP.HỒ CHÍ MINH - 12/2022

 LỜI CẢM ƠN
Nhóm của chúng tôi xin chân thành cảm ơn đến thầy Võ Minh Huân là giảng
viên của khoa Điện-Điện Tử trường Đại học Sư Phạm Kỹ Thuật TP.HCM đã hỗ trợ
nhóm chúng tôi truyền đạt những kiến thức bổ ích và dẫn đường chỉ lối cho chúng
tôi trong quá trình học tập và thực hiện môn học đồ án 2.
Cảm ơn đến thầy đã hỗ trợ, giúp đỡ và tạo điều kiện cho chúng tôi trong suốt
quá trình thực hiện đề tài. Kiến thức nhận được sau khi thực hiện là kinh nghiệm và
là hành trang quý báu để nhóm chúng tôi phát triển được công việc và sự nghiệp
trong tương lai sau này.
Sau cùng, tôi đã hoàn thành mục tiêu của đề tài đặt ra nhưng chắc chắn sẽ
không thể tránh khỏi sai lầm, kính mong thầy thông cảm và bỏ qua. Nhóm chúng tôi
mong nhận được những đóng góp, ý kiến từ thầy. Tôi xin chân thành cảm ơn!
 LỜI NÓI ĐẦU
Trí tuệ nhân tạo (hay AI: Articifial Intelligence) là một ngành khoa học ngày
càng phát triển mạnh mẽ và có ứng dụng rộng rãi trong cuộc sống. Lĩnh vực trí tuệ
nhân tạo đóng vai trò rất quan trọng trong sự phát triển của xã hội ngày nay. Một
trong những ứng dụng sử dụng AI trong cuộc sống hàng ngày có thể kể đến đó là
việc dự báo thời tiết, phát hiện vật thể, xác định khuôn mặt, Robot.

Để tìm hiểu sâu hơn về trí tuệ nhân tạo nói chung cũng như các kĩ thuật dự
đoán huấn luyện mô hình, chúng tôi quyết định lựa chọn đề tài:“ Dự đoán giá cổ
phiếu ngắn hạn bằng phương pháp tập hợp và Nguồn dữ liệu trực tuyến” Do thời
gian hạn hẹp cũng như việc thiếu nhiều kĩ năng trong xây dựng, hiểu biết ít các mô
hình đã áp dụng cũng như những hiểu biết về AI, đề tài của chúng tôi vẫn còn nhiều
hạn chế. Rất mong nhận được sự đóng góp ý kiến của thầy và các bạn để đề tài ngày
càng hoàn thiện hơn.
 LIỆT KÊ HÌNH
Hình 2. 1: quá trình biến đổi một chuỗi thời gian thành hình ảnh GADF và GASF..................2

Hình 3. 1: Sơ đồ tạo ảnh GAF...................................................................................................3

Hình 3. 2: Ảnh GAF sau khi được tạo.......................................................................................4

Hình 4. 1: Mô hình code Convolution 2D.................................................................................5

Hình 4. 2: 4D tensor input Conv2D...........................................................................................5

Hình 4. 3: : mô hình Dropout trước và sau khi áp dụng.............................................................6

Hình 4. 4: : Sơ đồ khối mô hình Convolution 2D......................................................................7

Hình 4. 5: Mô-đun lặp lại trong RNN tiêu chuẩn chứa một lớp duy nhất..................................8

Hình 4. 6: Mô-đun lặp lại trong LSTM chứa bốn lớp tương tác................................................8

Hình 4. 7: Mô hình code LSTM................................................................................................9

Hình 4. 8: Sơ đồ khối mô hình LSTM.......................................................................................9

Hình 4. 9: Cấu trúc bên trong của ConvLSTM. Bằng phép toán tích chập..............................10

Hình 4. 10: Mô hình code ConvLSTM....................................................................................10

Hình 4. 11: Sơ đồ khối mô hình ConvLSTM...........................................................................11

Hình 5. 1: Tăng cường dữ liệu sử dụng phương thức flow_from_dataframe()........................12

Hình 6. 1: So sánh mức độ sử dụng của các mô hình..............................................................13

 LIỆT KÊ BẢNG
Bảng 6. 1: so sánh độ chính xác của các mô hình....................................................................12
 MỤC LỤC

CHƯƠNG 1 : MÃ HÓA CHUỖI THỜI GIAN THÀNH HÌNH ẢNH ĐỂ DỰ BÁO TÀI CHÍNH. .1

I. Giới thiệu...............................................................................................................................1

II. Phương pháp.........................................................................................................................1

1. Chiến lược giao dịch......................................................................................................1

2. Hình ảnh trường góc Gramian (GAF)............................................................................1

3. Tạo ảnh GAF từ tập dữ liệu BTC..................................................................................3

4. Mô hình mạng...............................................................................................................5

4.1. Mô hình mạng Convolution 2D..........................................................................5

4.2. Mô hình mạng LSTM.........................................................................................8

4.3. Mô hình mạng ConvLSTM1D............................................................................9

5. Tăng cường dữ liệu......................................................................................................11

6. Kết quả huấn luyện......................................................................................................12

III. Tổng kết............................................................................................................................13

TÀI LIỆU THAM KHẢO...............................................................................................................14

 CHƯƠNG 1 : MÃ HÓA CHUỖI THỜI GIAN THÀNH HÌNH ẢNH ĐỂ DỰ
BÁO TÀI CHÍNH
I. Giới thiệu
Trong nhiều năm qua, dự báo thị trường tài chính đã thu hút sự quan tâm cao
giữa các nhà nghiên cứu trong nhận dạng mẫu. Thông thường, dữ liệu được sử dụng
để phân tích thị trường, và sau đó đánh cược vào xu hướng tương lai của nó, được
cung cấp dưới dạng chuỗi thời gian. Nghiên cứu này có thể rất tốn thời gian, một
phương pháp được đề ra là sử dụng hình ảnh đa độ phân giải GAF kết hợp với mô
hình mạng CNN cho phép phân tích các khoảng thời gian khác nhau cho một lần
quan sát mục đích để dự đoán giá cổ phiếu trong ngày tiếp theo.
II. Phương pháp
1. Chiến lược giao dịch
Chiến lược bao gồm việc mua hoặc bán một công cụ tài chính(Ví dụ: Giá cổ
phiếu BTC) đối với mỗi ngày giao dịch, đầu ra cuối cùng của hệ thống là một trong
những hành động sau:
• A long action, bao gồm mua cổ phiếu và sau đó bán nó trước khi thị trường
đóng cửa;
• A short action, bao gồm bán cổ phiếu (sử dụng cơ chế của việc bán không
được che đậy), và sau đó mua nó trước khi thị trường đóng cửa;
• A hold action, bao gồm quyết định không đầu tư vào ngày hôm đó.
Mục tiêu lý tưởng của chiến lược này yêu cầu hệ thống phải chọn hành động
tối đa hóa lợi nhuận kinh tế trong ngày, đưa ra dự đoán về giá cổ phiếu xu hướng
trong ngày hôm đó (nghĩa là giá sẽ tăng hay giảm).
Như vậy, một hành động dài được thực hiện bất cứ khi nào hệ thống dự đoán
rằng giá sẽ tăng trong ngày hôm đó. Ngược lại, một hành động ngắn là được dự
đoán rằng giá sẽ giảm ngày hôm đó, trường hợp cuối cùng, một hành động giữ được
thực hiện bất cứ khi nào hệ thống không đủ tự tin về hành vi của thị trường.
2. Hình ảnh trường góc Gramian (GAF)
Hình ảnh GAF là một cách để mã hóa chuỗi thời gian dưới dạng hình ảnh.

Trang 1
Khoảng cách giữa hai lần quan sát liên tiếp không phải lúc nào cũng giống nhau, do
đó buộc nhà nghiên cứu phải tổng hợp dữ liệu để thống nhất khoảng cách thông qua
toàn bộ chuỗi thời gian. Việc áp dụng Hình ảnh đa độ phân giải là cần thiết.
Để xây dựng hình ảnh GAF, trước tiên thay đổi kích thước đầu vào của quan
sát của chuỗi thời gian thành khoảng [-1,1]

Sau đó, được chuyển thành một tọa độ cực hệ thống bằng cách tính toán
cosin góc của các thành phần đơn lẻ của chuỗi thời gian được chia tỷ lệ

Cuối cùng, trường góc tổng kết Gramian (GASF) và Trường góc khác biệt
Gramian (GADF) có thể dễ dàng thu được bằng tính tổng/chênh lệch giữa các thời
điểm

Hình 2.1 trình bày quá trình biến đổi một chuỗi thời gian thành hình ảnh
GADF và GASF. Điều chú ý là các phương trình trong (3) sẽ tạo ra ma trận 1D làm
đầu ra của quá trình mã hóa có tính chất như một bản đồ nhiệt

Hình 2. 1: quá trình biến đổi một chuỗi thời gian thành hình ảnh GADF và GASF

Trang 2
3. Tạo ảnh GAF từ tập dữ liệu BTC

Hình 3. 1: Sơ đồ tạo ảnh GAF

Để tạo được ảnh GAF từ chuỗi thời gian thông qua các bước sau:
- Thu thập tập dữ liệu cần thiết về giá cổ phiếu cần tạo ảnh (ví dụ: tập BTC
định dạng theo khung 1 giờ có thể lấy trên trang cryptodatadownload.com)
- Sau khi lấy dữ liệu tiến hành đặt tên cho các cột lần lượt là ['unix',
'Datetime', 'symbol', 'open', 'high', 'low', 'Close', 'Volume BTC', 'Volume USD'] ứng
với tập dữ liệu. Vì tạo ảnh chỉ cần các cột cần thiết nên sẽ loại bỏ đi các cột không
cần thiết như ['unix', 'symbol', 'open', 'high', 'low', 'Volume BTC', 'Volume USD'] và
tạo thêm cột Datetime xây dựng dựa trên 2 cột Date, Time và nhóm chúng lại thành
group 1h. Sau cùng tập dataframe của chúng ta gồm có 4 cột Date, Time, Close,
Datetime
- Lấp đầy dữ liệu cột Close=0 nếu khung giờ đó cột Close không có giá trị

Trang 3
 - Sau khi lọc dữ liệu đầu vào bước tiếp theo là xóa ngày và giờ không giao
dịch. Chỉ lấy các ngày trong tuần, xóa dữ liệu thứ 7 và chủ nhật và các ngày lễ chỉ
lấy các giao dịch nằm trong khung giờ từ 9h đến 16h. Điều này sẽ làm mịn dữ liệu,
loại bỏ sự không nhất quán và giảm mức sử dụng bộ nhớ.
- Tiếp đến sẽ tiến hàng tạo ảnh GAF, bước đầu tiên cần định dạng lại ngày
cho cột Datetime, sau đó loại bỏ các ngày trùng nhau để tạo thành một chuỗi ngày
liên tiếp (đã loại bỏ các ngày cuối tuần và ngày lễ). Tạo vùng lưu ảnh, ảnh sẽ được
phân làm 2 loại Long và Short nếu giá đóng cửa của ngày tiếp theo cao hơn giá
đóng cửa của ngày hiện tại ảnh sẽ được phân vào loại Long và ngược lại.
- Mỗi lần tạo ảnh cần dữ liệu của 20 ngày liên tiếp và sau đó tổng hợp chuỗi
thời gian thành bốn khoảng thời gian khác nhau (một giờ, hai giờ, bốn giờ và một
ngày) sẽ tạo thành 1 ảnh GAF, và dữ liệu hoạt động theo cơ chế thanh trượt, ảnh
tiếp theo sẽ lấy dữ liệu của 20 ngày đầu trượt lên 1 ngày (Ví dụ: ảnh GAF thứ 1 lấy
dữ liệu của ngày thứ 1-20, ảnh GAF thứ 2 sẽ lấy dữ liệu của ngày 2-21)
- Vì 1 ảnh GAF cần dữ liệu của 20 ngày với 4 nhóm thời gian khác nhau, với
nhóm 1 ngày dữ liệu sẽ có 20 dòng, nhóm 1 giờ sẽ có 24x20=480 dòng, nhóm 2 giờ
sẽ có 12x20=240 dòng. Ta thấy các dòng ở mỗi nhóm là khác nhau nhưng để tạo
được ảnh có tỉ lệ bằng nhau cần phải có chung dòng dữ liệu. Giải pháp đưa ra là lấy
dòng dữ liệu nhỏ nhất làm chuẩn (20 dòng) các nhóm sau sẽ lấy 20 dòng dữ liệu
cuối cùng để tạo ảnh.
- Sau khi tạo được ảnh sẽ phân ảnh vừa tạo theo đúng nhóm của chúng gồm
Long và Short dựa trên giá đóng cửa cuối ngày. Và đưa vào mô hình mạng

Hình 3. 2: Ảnh GAF sau khi được tạo

Trang 4
4. Mô hình mạng
Nhằm kiểm tra độ chính xác của mô hình dự đoán, bài viết này kiểm tra trên
3 mô hình khác nhau để đưa ra cái nhìn tổng quan nhất từ đó có thể nhận định mô
hình nào đủ khả năng để dự đoán kết quả của giá cổ phiếu
Trong Keras có hỗ trợ 2 cách dựng models là Sequential model và Function
API. Cả 3 mô hình dưới đây sẽ sử dụng cách dựng models là Sequential.
4.1. Mô hình mạng Convolution 2D
Mô hình bao gồm 3 lớp Convolution và 1 lớp output

Hình 4. 1: Mô hình code Convolution 2D

Với lớp Convolution thứ nhất, input đầu vào của lớp Conv2D là 4D tensor
với hình dạng batch_shape + (rows, cols, channels)

Hình 4. 2: 4D tensor input Conv2D

Trang 5
 Sau đó lớp thứ nhất được thêm vào một lớp BatchNormalization() được sử
dụng để làm cho việc đào tạo mạng nơ-ron nhân tạo nhanh hơn và ổn định hơn
thông qua việc chuẩn hóa đầu vào của các lớp bằng cách căn giữa và thay đổi tỷ lệ.
Lớp Dropout bỏ qua các đơn vị (tức là 1 nút mạng) trong quá trình đào tạo
một cách ngẫu nhiên. Bằng việc bỏ qua này thì đơn vị đó sẽ không được xem xét
trong quá trình trước đó và sau đó. Theo đó, p được gọi là xác suất giữ lại 1 nút
mạng trong mỗi giai đoạn huấn luyện, vì thế xác suất nó bị loại bỏ là (1 - p). Mục
đích dùng lớp Dropout là tránh học tủ (Over-fitting). Nếu 1 lớp fully connected có
quá nhiều tham số và chiếm hầu hết tham số, các nút mạng trong lớp đó quá phụ
thuộc lẫn nhau trong quá trình huấn luyện thì sẽ hạn chế sức mạnh của mỗi nút, dẫn
đến việc kết hợp quá mức.

Hình 4. 3: : mô hình Dropout trước và sau khi áp dụng

Lớp flatten được thêm vào để chuyển đổi không gian 3 chiều thành 1 chiều
có tác dụng làm phẳng dữ liệu đầu ra
Lớp Dense layer hay Fully-connected layer là một lớp cổ điển trong mạng nơ
ron nhân tạo. Mỗi nơ ron nhận đầu vào từ tất cả nơ ron lớp trước đó. Với units=1
tương ứng với ngõ ra 1 chiều.

Trang 6
Hình 4. 4: : Sơ đồ khối mô hình Convolution 2D
Trang 7
4.2. Mô hình mạng LSTM
LSTM[1] Viết tắt của Long-short term memory, là một kiến trúc mạng nơ
ron hồi quy nhân tạo được sử dụng trong deep learning. Không giống như các mạng
truyền thẳng tiêu chuẩn, LSTM có các kết nối phản hồi. Nó không chỉ có khả năng
xử lý các điểm dữ liệu đơn lẻ mà còn xử lý toàn bộ chuỗi dữ liệu mà không gặp phải
vấn đề vanishing gradient.
Mọi mạng hồi quy đều có dạng là một chuỗi các mô-đun lặp đi lặp lại của
mạng nơ-ron. Với mạng RNN chuẩn, các mô-dun này có cấu trúc rất đơn giản,
thường là một tầng tanh.

Hình 4. 5: Mô-đun lặp lại trong RNN tiêu chuẩn chứa một lớp duy nhất.
LSTM cũng có kiến trúc dạng chuỗi như vậy, nhưng các mô-đun trong nó có
cấu trúc khác với mạng RNN chuẩn. Thay vì chỉ có một tầng mạng nơ-ron, chúng
có tới 4 tầng tương tác với nhau một cách rất đặc biệt.

Hình 4. 6: Mô-đun lặp lại trong LSTM chứa bốn lớp tương tác.
LSTM là một bước lớn trong việc sử dụng RNN. Ý tưởng của nó giúp cho tất
cả các bước của RNN có thể truy vấn được thông tin từ một tập thông tin lớn hơn.
Ví dụ, nếu bạn sử dụng RNN để tạo mô tả cho một bức ảnh, nó có thể lấy một phần
ảnh để dự đoán mô tả từ tất cả các từ đầu vào.

Trang 8
 Hình 4. 7: Mô hình code LSTM
Do input shape đầu vào của LSTM chỉ có 3D tensor nên cần phải nới rộng
input shape lên 4D tensor nhờ vào lớp TimeDistributed. Tiếp đến sử dụng lớp
Flatten vào để chuyển đổi không gian 3 chiều thành 1 chiều. Tiếp tục thêm lớp
Dropout giá trị 0.5 và cuối cùng là lớp Dense với unit=1 ngõ ra 1 chiều.

Hình 4. 8: Sơ đồ khối mô hình LSTM

4.3. Mô hình mạng ConvLSTM1D
ConvLSTM là một biến thể của LSTM có chứa thao tác tích chập bên trong
ô LSTM. Cả hai mô hình đều là một loại RNN đặc biệt, có khả năng học các phụ
thuộc dài hạn.

Trang 9
 Hình 4. 9: Cấu trúc bên trong của ConvLSTM. Bằng phép toán tích chập
ConvLSTM thay thế phép nhân ma trận bằng thao tác tích chập ở mỗi cổng
trong ô LSTM. Bằng cách đó, nó nắm bắt các đặc điểm không gian cơ bản bằng các
phép toán tích chập trong dữ liệu nhiều chiều.

Hình 4. 10: Mô hình code ConvLSTM

Mô hình bắt đầu với lớp ConvLSTM1D chứa 4D tensor input đầu vào,
không chọn ConvLSTM2D vì nó yêu cầu tới 5D tensor input đầu vào, điều này sẽ
làm không đồng bộ mô hình hiện tại với lúc train. Tiếp đến thêm lớp Flatten để
chuyển đổi không gian 3 chiều thành 1 chiều. .Tiếp tục thêm lớp Dropout giá trị 0.5
và cuối cùng là lớp Dense với unit=1 ngõ ra 1 chiều.

Trang 10
 Hình 4. 11: Sơ đồ khối mô hình ConvLSTM
Cả ba mô hình đều biên dịnh theo trình biên dịch Adam giúp tối ưu hóa trong
quá trình huấn luyện.
5. Tăng cường dữ liệu
Bước tiếp theo sử dụng Keras ImageDataGenerator[2] , các hình ảnh được
thay đổi kích thước và chia chúng thành các bộ huấn luyện. Tiếp đến chúng ta cần
tăng cường dữ liệu (data augmentation) để phục vụ cho việc nếu chúng ta có ít dữ
liệu, thì chúng ta vẫn có thể tạo ra được nhiều dữ liệu hơn dựa trên những dữ liệu đã
có.
Trong keras có hỗ trợ class ImageDataGenerator cho phép tạo thêm dữ liệu.
Class ImageDataGenerator có 3 phương thức flow(), flow_from_directory() và
flow_from_dataframe() để đọc các ảnh từ một mảng lớn numpy và thư mục chứa
ảnh trong 3 mô hình trên đều sử dụng phương thức flow_from_dataframe() vì tất cả
các hình ảnh đều có trong một thư mục và các lớp tương ứng của chúng được ánh xạ
trong tệp CSV nhưng Keras không hỗ trợ điều này sớm hơn và người ta sẽ phải di
chuyển các hình ảnh để tách riêng các thư mục có tên lớp tương ứng của chúng hoặc

Trang 11
viết một trình tạo tùy chỉnh để xử lý trường hợp này. Vì vậy flow_from_dataframe()
được áp dụng.

Hình 5. 1: Tăng cường dữ liệu sử dụng phương thức flow_from_dataframe()

Ở thời điểm lắp mô hình, để cải thiện hiệu suất chúng ta thêm hàm
ReduceROnPlateau[3] để thiết lập lệnh gọi lại, việc thêm hàm gọi lại sẽ làm giảm
tốc độ học tập nếu hiệu suất mô hình không cải thiện theo thời gian.
6. Kết quả huấn luyện
Sau quá trình huấn luyện từng model sẽ cho ra những ưu nhược điểm khác
nhau dẫn đến kết quả huấn luyện cũng sẽ có phần khác nhau.
Bảng 6. 1: so sánh độ chính xác của các mô hình
Mô hình Training Accuracy Validation Accuracy Test Accuracy
Convolution2D 71.382% 52.692% 46.67%
LSTM 48.462% 49.615% 53.33%
ConvLSTM 50.385% 50.385% 46.67%
Nhìn chung mô hình Convolution2D độ chính xác khi training khá cao
nhưng cho kết quả test chỉ ở ngưỡng 47% trong khi LSTM thì ngược lại kết quả
training khá thấp nhưng kết quả test khá cao ở ngưỡng 54%. Mô hình

Trang 12
Convolution2D cần tiêu tốn rất nhiều thời gian để huấn luyện từ 1-2 tiếng trong khi
đó mô hình LSTM chỉ mất rất ít thời gian chỉ 10 phút để huấn luyện và mô hình
ConvLSTM chỉ mất 5 phút để chạy xong. Nhưng với kết quả cho thấy mô hình
ConvLSTM cho ra kết quả thấp nhất nên ConvLSTM thường không được sử dụng
rộng rãi so với LSTM và Convolution2D.

Hình 6. 1: So sánh mức độ sử dụng của các mô hình

III. Tổng kết
Sau khi thực hiện bài nghiên cứu về trí tuệ nhân tạo AI dự đoán giá cổ phiếu
ngắn hạn đã giúp em hiểu thêm về những thuật toán, từ những dữ liệu thời gian biết
cách để chuyển chúng thành hình ảnh, những cách thức training data và những các
thức làm tăng hiệu suất trong quá trình training. Với những model train khác nhau
sẽ cho ra kết quả dự đoán khác nhau nhưng nhìn chung LSTM vẫn là mô hình được
ưa chuộng hơn vì thời gian train nhanh vượt trội và độ chính xác của nó.
Sau cùng xu hướng AI về trí tuệ nhân tạo vẫn đang không ngừng phát triển,
bài nghiên cứu này đã giúp em có cái nhìn tổng quát hơn về AI, trên đây là những gì
em đã tổng hợp được mong rằng nó sẽ giúp ích được cho những đọc giả, những
người có đam mê về trí tuệ nhân tạo nói riêng tận dụng những kiến thức đã có phát
triển thành những dự án với quy mô lớn hơn.

Trang 13
 TÀI LIỆU THAM KHẢO

[1]."LSTM," Trí tuệ nhân tạo, Ngày xuất bản: 04/12/2019,

URL: https://trituenhantao.io/tu-dien-thuat-ngu/lstm/, Ngày truy cập: 22/12/2022.
[2]. Image data preprocessing – Keras,
URL: https://keras.io/api/preprocessing/image/ ,Ngày truy cập: 22/12/2022.
[3]. ReduceLROnPlateau – Keras
URL: https://keras.io/api/callbacks/reduce_lr_on_plateau/ , Ngày truy cập:
22/12/2022.
[4]. How to encode Time-Series into Images for Financial Forecasting using
Convolutional Neural Networks by Claudio Mazzoni

Trang 14