Dự đoán thị trường cổ phiếu bằng phương pháp học sâu không giám sát generative adversarial network

Nội dung text: Dự đoán thị trường cổ phiếu bằng phương pháp học sâu không giám sát generative adversarial network

1. Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XIII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), Nha Trang, ngày 8-9/10/2020 DOI: 10.15625/vap.2020.00156 DỰ ĐOÁN THỊ TRƯỜNG CỔ PHIẾU BẰNG PHƯƠNG PHÁP HỌC SÂU KHÔNG GIÁM SÁT GENERATIVE ADVERSARIAL NETWORK Bùi Thanh Hùng, Nguyễn Minh Lợi Lab Phân tích dữ liệu và Trí tuệ nhân tạo Viện Kỹ thuật - Công nghệ Đại học Thủ Dầu Một Số 6 Trần Văn Ơn, phƣờng Phú Hòa, thành phố Thủ Dầu Một, Bình Dƣơng, Việt Nam hungbt.cntt@tdmu.edu.vn, nmloi2010@gmail.com TÓM TẮT: Thị trường cổ phiếu có một vai trò quan trọng trong sự phát triển của xã hội hiện đại. Chúng cho phép triển khai các nguồn lực kinh tế. Sự thay đổi giá cổ phiếu phản ánh những thay đổi trên thị trường. Với khả năng xử lý dữ liệu mạnh mẽ trên nhiều lĩnh vực, học sâu cũng được sử dụng một cách rộng rãi trong lĩnh vực tài chính như: dự đoán thị trường cổ phiếu, đầu tư tối ưu, xử lý thông tin tài chính và thực hiện các chiến lược giao dịch tài chính. Do đó, dự đoán thị trường cổ phiếu được xem là một trong những lĩnh vực khá phổ biến và quý giá nhất trong lĩnh vực tài chính. Trong nghiên cứu này, chúng tôi đề xuất phương pháp học không giám sát Generative Adversarial Network (GAN) trong dự đoán giá cổ phiếu. Mô hình GAN gồm 2 lớp, một lớp bộ nhớ ngắn dài 2 chiều Bidirectional Long Short-Term Memory (Bi-LSTM) được dùng để phân biệt (Discriminator) và lớp Long Short- Term Memory (LSTM) được sử dụng để dự đoán giá cổ phiếu (Generator). LSTM dựa trên dữ liệu cổ phiếu đã giao dịch và tạo ra dữ liệu giả giống như dữ liệu đã phân phối, trong khi đó lớp phân biệt được thiết kế bởi giải thuật Bi-LSTM với mục đích phân biệt dữ liệu cổ phiếu thật và dữ liệu cổ phiếu giả được tạo ra. Chúng tôi thực nghiệm trên cổ phiếu AMZN (Amazon) là cổ phiếu có chuỗi ngày giao dịch trong phạm vi rộng lớn và dùng chúng để thử dự đoán giá đóng hàng ngày. Kết quả thực nghiệm cho thấy phương pháp GAN đề xuất của chúng tôi có thể đạt được kết quả tốt trong việc dự đoán giá cổ phiếu so với nhiều mô hình dự đoán khác. Từ khóa: Học sâu không giám sát; Dự đoán thị trường chứng khoán; GAN; LSTM; Bi-LSTM. I. GIỚI THIỆU Dự đoán thị trƣờng cổ phiếu là một trong những vấn đề quan trọng và nhiều thách thức. Nhiều phân tích và giả định trong lĩnh vực tài chính cho thấy rằng thị trƣờng cổ phiếu hoàn toàn có thể dự đoán đƣợc. Các kỹ thuật phân tích lý thuyết đầu tƣ chính là phƣơng pháp để dự đoán trực tiếp giá cổ phiếu thông qua việc nghiên cứu dữ liệu thị trƣờng cổ phiếu trong quá khứ. Một giả định ý nghĩa có tên là Mean Reversion mà trong đó giá trị cổ phiếu chỉ là tạm thời và chúng có xu hƣớng thay đổi giá trị trung bình theo thời gian. Giả định này có sự phát triển cao hơn gọi là Moving Average Reversion (MAR) [1], mà trong đó giá trị trung bình là giá trị có ý nghĩa trong cửa sổ thời gian trong quá khứ, ví dụ nhƣ khoảng thời gian 5 ngày trong tuần. Trong nghiên cứu này chúng tôi đề xuất mô hình GAN để dự báo giá đóng hàng ngày của cổ phiếu. Mô hình GAN 2 lớp Bi-LSTM và LSTM trong đó lớp Long Short Term Memory (LSTM) đƣợc xem nhƣ là lớp tạo và lớp Bidirectional Long Short-Term Memory (Bi-LSTM) đƣợc xem nhƣ là lớp phân biệt. Phần còn lại của bài báo đƣợc tổ chức nhƣ sau. Phần 2 bài báo đề cập tới các nghiên cứu liên quan. Phần 3 đề cập tới mô hình đề xuất. Phần 4 đánh giá thực nghiệm. Và cuối cùng là kết luận sẽ tổng kết lại những kết quả đạt đƣợc. II. CÁC NGHIÊN CỨU LIÊN QUAN Dự đoán thị trƣờng cổ phiếu đƣợc xem nhƣ là vấn đề dự báo về chuỗi thời gian và một trong những thuật toán giải quyết bài toán này là thuật toán Autoregressive Integrated Moving Average (gọi tắt là ARIMA) [2]. Thuật toán ARIMA thực hiện tốt trên chuỗi thời gian tuyến tính và không thay đổi nhƣng không thực hiện tốt trên dữ liệu phi tuyến tính và biến đổi nhƣ trong thị trƣờng cổ phiếu. Cách tiếp cận khác để giải quyết vấn đề này là kết hợp giữa ARIMA và SVM [3]. Vì trong thực tiễn dự báo có thể đƣợc cấu thành bởi một thành phần tuyến tính và phi tuyến, vì thế có thể dự đoán một phần tuyến tính với ARIMA và một phần phi tuyến tính với SVM. Một cách tiếp cận khác là kết hợp Wavelet với SVM [4], trong đó Wavelet thực hiện phân tích dữ liệu cổ phiếu và SVM dùng để dự báo. Các nghiên cứu về sau sử dụng mạng nơ ron nhân tạo Artificial Neural Network (ANN) kết hợp với thuật toán ARIMA để dự đoán một phần dữ liệu giá cổ phiếu phi tuyến tính [5]. Hỗn hợp biến đổi Wavelet và ANN cũng đƣợc đề xuất là giải pháp hiệu quả trong việc giải quyết vấn đề này [6]. Thuật toán Convolutional Neural Network (CNN) cũng đƣợc dùng trong việc dự đoán giá cổ phiếu [7]. Một số nghiên cứu đề xuất mô hình mạng nơ ron hồi quy - RNN, học tăng cƣờng - Reinforcement learning [8-11]. III. MÔ HÌNH ĐỀ XUẤT GAN là một khung huấn luyện mới với mô hình 2 lớp trong một trò chơi có tổng bằng 0 [12]. Trong quá trình truyền nghịch, Một lớp đƣợc dùng để tạo ra dữ liệu giả giống hệt nhƣ dữ liệu thật, trong khi lớp kiểm tra đóng vai trò thẩm phán để phân biệt dữ liệu thật và dữ liệu giả đƣợc tạo ra. Chúng có thể đạt tới điểm lý tƣởng mà lớp phân biệt không thể phân biệt hai loại dữ liệu. Tại điểm này lớp tạo sẽ chụp lại dữ liệu phân phối tại trò chơi này. Dựa trên nguyên tắc này, chúng tôi đề xuất cấu trúc GAN để dự đoán giá cổ phiếu.
2. 102 DỰ ĐOÁN THỊ TRƢỜNG CỔ PHIẾU BẰNG PHƢƠNG PHÁP HỌC SÂU KHÔNG GIÁM SÁT GENERATIVE 3.1. Lớp tạo - The Generator Mô hình lớp tạo của chúng tôi đƣợc thiết kế bởi Mạng bộ nhớ dài-ngắn (Long Short Term Memory networks - LSTM), LSTM có khả năng xử lý mạnh mẽ đối với dữ liệu chuỗi thời gian, đây là một dạng đặc biệt của RNN, nó có khả năng học đƣợc các phụ thuộc xa. LSTM đƣợc giới thiệu bởi Hochreiter & Schmidhuber (1997) [13], và sau đó đã đƣợc cải tiến và phổ biến bởi rất nhiều ngƣời trong ngành. Chúng hoạt động cực kì hiệu quả trên nhiều bài toán khác nhau nên dần đã trở nên phổ biến nhƣ hiện nay. LSTM đƣợc thiết kế để tránh đƣợc vấn đề phụ thuộc xa (long-term dependency). Việc nhớ thông tin trong suốt thời gian dài là đặc tính mặc định của chúng, chứ ta không cần phải huấn luyện nó để có thể nhớ đƣợc. Tức là ngay nội tại của nó đã có thể ghi nhớ đƣợc mà không cần bất kì can thiệp nào. LSTM cũng có kiến trúc dạng chuỗi nhƣ RNN, nhƣng các môđun trong nó có cấu trúc khác với mạng RNN chuẩn. Thay vì chỉ có một tầng mạng nơron, chúng có 4 tầng tƣơng tác với nhau một cách đặc biệt. Hình 1. Mạng LSTM LSTM có 4 thành phần cơ bản là: Tế bào trạng thái (cell state), Cổng (gates), Sigmoid và Tanh. Cho một chuỗi các vectơ (x1, x2, ,xn), σ là hàm sigmoid logistic, trạng thái ẩn ht, của LSTM tại thời điểm t đƣợc tính nhƣ sau: ht = ot ∗ tanh(ct) ot = tanh(Wx0xt + Wh0ht-1 + Wc0ct + bo) ct = ft ∗ ct-1 + it ∗ tanh(Wxcxt + Whcht-1 + bc) ft = σ(Wxfxt + Whfht-1 + Wcfct-1 + bf) it = σ(Wxixt + Whiht-1 + Wcict-1 + bi) Trong nghiên cứu này, chúng tôi xây dựng mạng LSTM xử lý dữ liệu đầu vào với 5 yếu tố tài chính để dự đoán giá đóng trong tƣơng lai. Năm yếu tố dữ liệu cổ phiếu trong một ngày là High Price, Low Price, Open Price, Close Price, Volume. 5 yếu tố này là những đặc trƣng quan trọng và không có trong dự đoán giá của các phƣơng pháp phân tích Mean Reversion, hoặc MAR. Vì thế những yếu tố này có thể đƣợc dùng nhƣ là 5 đặc trƣng của dữ liệu cho dự đoán giá. Giả sử chúng tôi nhập vào X = * +, bao gồm dữ liệu cổ phiếu hàng ngày của t ngày. Mỗi trong X là một vector đƣợc tạo ra từ 5 đặc trƣng nhƣ sau: [ ] =[ ] Cấu trúc của lớp tạo đƣợc chỉ ra nhƣ trong Hình 2. Để đơn giản chúng tôi bỏ qua những chi tiết của thuật toán LSTM. Với lớp tạo chúng tôi trích xuất ra của thuật toán LSTM và đặt nó vào trong 5 lớp kết nối đầy đủ với 5 tế bào thần kinh để tạo ra ̂ để đạt đƣợc gần đúng và chúng tôi lấy ̂ để dự đoán giá đóng trong t+1 ngày. Hình 2. Lớp tạo đƣợc thiết kế với giải thuật LSTM Đầu ra của lớp tạo G(X) đƣợc định nghĩa nhƣ sau: = g(X), ̂ G(X) = = δ( + )
3. Bùi Thanh Hùng, Nguyễn Minh Lợi 103 g(.) biểu thị đầu ra của LSTM và là đầu ra của LSTM với X = * + đƣợc nhập vào. δ là nơi để hàm Leaky Rectified Linear Unit (ReLU) kích hoạt. và biểu thị cho trọng số và bias trong lớp kết nối đầy đủ. Chúng tôi dùng hàm Dropout nhƣ là phƣơng pháp chính để tránh bị quá tải. Hơn thế nữa chúng tôi có thể tiếp tục dự đoán ̂ với ̂ và X. 3.2. Lớp phân biệt - The Discriminator Mục đích của lớp phân biệt là tạo ra hàm phân biệt D để phân loại dữ liệu vào. Lớp phân biệt mong đợi Output là 0 khi nhập vào là dữ liệu giả. Output là 1 khi nhập vào là dữ liệu thật. Ở đây, chúng tôi chọn lớp Bi-LSTM là lớp phân biệt của chúng tôi với 3 lớp input, lớp output và lớp ẩn. Trong đó, lớp ẩn gồm 2 lớp mạng LSTM đơn đƣợc sử dụng đồng thời và độc lập để mô hình hoá chuỗi đầu vào theo 2 hƣớng: từ trái sang phải (forward LSTM) và từ phải sang trái (backward LSTM). Hàm Leaky ReLU đƣợc dùng nhƣ hàm kích hoạt giữa các lớp với lớp ẩn và hàm sigmoid đƣợc dùng nhƣ một lớp ra. Trong đó, Entropy chéo đƣợc chọn nhƣ hàm loss để tối ƣu Bi-LSTM. Mô hình Bidirectional LSTM [14] đƣợc trình bày trong Hình 3. Hình 3. Mô hình Bidirectional LSTM Cụ thể, chúng tôi so sánh tập X=* + và ̂ để lấy { ̂ } nhƣ là dữ liệu giả Xfake và so sánh X=* + và để lấy * + nhƣ là dữ liệu thật Xreal. Out put của lớp phân biệt đƣợc định nghĩa nhƣ sau: D(Xfake) = σ(d(Xfake)), D(Xreal) = σ(d(Xreal)) d(.) biểu thị cho Output của Bi-LSTM và biểu thị cho hàm kích hoạt Sigmoid. Cả hai Xfake và Xreal có Output là một giá trị vô hƣớng. Hình 4 chỉ ra cấu trúc của lớp phân biệt. Hình 4. Cấu trúc Lớp phân biệt sử dụng Bi-LSTM 3.3. Cấu trúc GAN Với hai mô hình đƣợc đề cập ở trên chúng tôi đề xuất cấu trúc GAN của chúng tôi. Theo đó trong 2 ngƣời chơi trò chơi minimax, cả G và D đề cố gắng tối ƣu giá trị của hàm. Tƣơng tự chúng tôi định nghĩa sự tối ƣu giá trị của V(G, D) nhƣ sau: ( ) E, ( )- , ( ( )- Chúng tôi định nghĩa hàm loss của lớp tạo là Gloss và hàm loss của lớp phân biệt là Dloss để tối ƣu giá trị hàm. Cụ thể, chúng tôi kết hợp hàm Mean Square Error (MSE) với hàm loss của lớp tạo GAN để cấu thành Gloss của cấu trúc của chúng tôi. Gloss và Dloss đƣợc định nghĩa nhƣ sau: =- ∑ ( ) ∑ . ( )/
4. 104 DỰ ĐOÁN THỊ TRƢỜNG CỔ PHIẾU BẰNG PHƢƠNG PHÁP HỌC SÂU KHÔNG GIÁM SÁT GENERATIVE ∑( ̂ ) ∑ ( ( )) Hàm mất mát đƣợc tạo bởi và với và , tƣơng ứng và là những tham số mà chúng tôi đặt tự nhiên. Hình 5 chỉ ra cấu trúc GAN của chúng tôi. Lý do tại sao chúng tôi chọn Xfake và Xreal hơn là ̂ và trong Lớp phân biệt là vì chúng tôi mong đợi Lớp phân biệt chụp đƣợc sự tƣơng quan và thông tin chuỗi thời gian giữa và X. s Hình 5. Cấu trúc GAN đề xuất của chúng tôi IV. THỰC NGHIỆM 4.1. Dữ liệu Chúng tôi đánh giá mô hình của chúng tôi trên dữ liệu cổ phiếu AMZN from Amazon.com Inc. Tất cả dữ liệu cổ phiếu đƣợc lấy từ trang web của Công ty tài chính Alphavantage. Chúng tôi chọn thời gian giao dịch trong khoảng 10 năm (bao gồm 5000 mảnh dữ liệu). Ví dụ, một vài cổ phiếu đƣợc chỉ ra trong Bảng 1. Ngày giao dịch thì không liên tục do giới hạn giao dịch vào cuối tuần và ngày nghỉ. Bảng 1. Dữ liệu cổ phiếu từ AMZN Tên Thời gian Open High Low Close Volumn 10/30/2019 143,52 145 142,79 144,61 18496591 10/31/2019 144,9 144,93 142,99 143,37 24605135 11/1/2019 144,26 144,92 142,965 143,72 33128366 11/4/2019 144,83 145 144,16 144,55 16911999 11/5/2019 144,97 145,02 143,905 144,46 18250172 AMZN 11/6/2019 144,37 144,52 143,2 144,06 16575798 11/7/2019 143,84 144,88 143,77 144,26 17786715 11/8/2019 143,98 145,99 143,76 145,96 16752939 11/11/2019 145,34 146,42 144,73 146,11 14370178 11/12/2019 146,28 147,57 146,06 147,07 18648712 Chúng tôi chuẩn hóa dữ liệu với giả định MAR đƣợc đề cập ở trên nhƣ sau: =( − )/ và để mô tả độ sai lệch chuẩn của X. Chúng tôi chọn t=5 theo kinh nghiệm bởi chúng tôi cố gắng dự đoán dữ liệu trong ngày tới bằng dữ liệu một tuần trƣớc đó (giao dịch đƣợc giới hạn cuối tuần). Ví dụ, chúng tôi tính toán mô tả độ sai lệch chuẩn của dữ liệu trong 5 ngày để chuẩn hóa dữ liệu. Sau đó, dữ liệu chuẩn hóa đƣợc dùng để dự đoán dữ liệu cho ngày thứ 6. Dữ liệu trong quá trình Training và Testing đƣợc xử lý cùng lúc nhƣ nhau. 4.2. Mô hình huấn luyện Mục đích của chúng tôi là từ 5 yếu tố này để dự đoán giá đóng của ngày tới từ dữ liệu t ngày trƣớc đó. Lý do sử dụng 5 yếu tố trong ngày tới là vì lớp tạo sẽ hỗ trợ tìm ra sự phân phối của dữ liệu thật và chúng tôi có thể lấy giá đóng từ dữ liệu đã đƣợc tạo ra. Dữ liệu đƣợc chia làm hai phần cho Training và Testing. Chúng tôi chọn 95 % dữ liệu cổ phiếu cho Traing và sử dụng 5 % (250 mẫu dữ liệu) cho Testing.
5. Bùi Thanh Hùng, Nguyễn Minh Lợi 105 Hàm loss trong quá trình Training do không có tiến trình xử lý đối nghịch giữa lớp phân biệt và lớp tạo suốt trong quá trình huấn luyện. Cả hai lớp phân biệt và lớp tạo đƣợc tối ƣu hóa suốt tiến trình đối nghịch. 4.3. Kết quả Chúng tôi đã đánh giá đƣợc hiệu quả dự báo của mô hình của chúng tôi bằng các tiêu chí thống kê nhƣ: Lỗi bình phƣơng gốc (RMSE), Lợi nhuận trung bình (AR), Phần trăm bình quân tuyệt đối (MAPE) và Lỗi bình quân tuyệt đối (MAE). Giả sử giá đóng thật và giá đóng dự đoán trên k ngày là và ̂ và những tiêu chí đƣợc tính theo các công thức dƣới đây: RMSE=√ ∑ ( ̂ ) AR= ∑ ( ), if ̂ ̂ MAE= ∑ | ̂ | | ̂ | MAPE= ∑ Chúng tôi so sánh mô hình đề xuất của chúng tôi với các mô hình: ANN, véctơ hỗ trợ hồi quy (SVR), Bayes, và LSTM. Kết quả dự đoán đƣợc chỉ ra trong Bảng 2 với phần tô đậm là kết quả tốt nhất. Các độ đo MAE, RMSE và MAPE có giá trị thấp có nghĩa là dự đoán giá đóng gần đúng với dữ liệu thật và AR chỉ ra giá trị trung bình của những cổ phiếu này dựa trên 4 phƣơng pháp dự đoán. Có thể thấy phƣơng pháp dự đoán của chúng tôi đã đạt đƣợc kết quả tốt so với những phƣơng pháp khác. Bảng 2. Kết quả đánh giá các mô hình Mô hình RMSE AR MAE MAPE ANN 9,0264 0,5068 7,2035 0,0708 Bayes 7,4632 0,6326 5,2134 0,0571 SVR 8,1623 0,7134 4,7236 0,0412 LSTM 5,3526 0,6725 4,0268 0,0168 Mô hình đề xuất GAN 4,0346 0,7478 3,4201 0,0145 V. KẾT LUẬN Trong nghiên cứu này chúng ta đã đề xuất phƣơng pháp học không giám sát GAN để dự đoán giá cổ phiếu. Chúng tôi đã tiến hành thực nghiệm trên bộ dữ liệu thực và đánh giá kết quả với các phƣơng pháp khác. Kết quả cho thấy phƣơng pháp GAN chúng tôi đề xuất đạt kết quả tốt nhất. Trong tƣơng lai, chúng tôi sẽ tiếp tục tìm hiểu cách trích xuất những đặc trƣng quan trọng và tối ƣu mô hình của chúng tôi để có thể học dữ liệu phân phối một cách chính xác hơn, từ đó chúng tôi có thể đạt kết quả dự đoán tốt hơn bởi phƣơng pháp chúng tôi đề xuất. TÀI LIỆU THAM KHẢO [1] Li, B., Hoi, S. C. H., “On-line portfolio selection with moving average reversion”, in: Proceedings of the 29th International Conference on Machine Learning, ICML 2012, Edinburgh, Scotland, UK, June 26 - July 1, 2012. [2] Box, G. E. P., Jenkins, G. M., “Time series analysis: Forecasting and control”, Journal of Time 31, pp. 238-242, 1976. [3] Pai, P. F., Lin, C. S., “A hybrid arima and support vector machines model in stock price forecasting”, Omega 33, pp. 497-505, 2005. [4] Huang, S., Wang, H., “Combining time-scale feature extractions with svms for stock index forecasting”, in: Neural Information Processing, 13th International Conference, ICONIP 2006, Hong Kong, China, October 3-6, 2006, Proceedings, Part III, pp. 390-399, 2006. [5] Areekul, P., Senjyu, T., Toyama, H., Yona, A., “A hybrid arima and neural network model for short-term price forecasting in deregulated market”, IEEE Transactions on Power Systems Pwrs, 2010. [6] Chandar, S. K., Sumathi, M., Sivanandam, S. N., “Prediction of stock market price using hybrid of wavelet transform and artificial neural network”, Indian Journal of Science & Technology 9, 2016
6. 106 DỰ ĐOÁN THỊ TRƢỜNG CỔ PHIẾU BẰNG PHƢƠNG PHÁP HỌC SÂU KHÔNG GIÁM SÁT GENERATIVE [7] Tsantekidis, A., Passalis, N., Tefas, A., Kanniainen, J., Gabbouj, M., Iosifidis, A., “Forecasting stock prices from the limit order book using convolutional neural networks”, in: 19th IEEE Conference on Business Informatics, CBI 2017, Thessaloniki, Greece, July 24-27, 2017, Volume 1: Conference Papers, pp. 7-12, 2017 [8] Rather, A. M., Agarwal, A., Sastry, V. N., “Recurrent neural network and a hybrid model for prediction of stock returns”, Expert Syst. Appl. 42, pp. 3234-3241, 2015. [9] Saad, E.W., Prokhorov, D. V., II, D. C. W., “Comparative study of stock trend prediction using time delay, recurrent and probabilistic neural networks”, IEEE Trans. Neural Networks 9, pp. 1456-1470, 1998. [10] Ding, X., Zhang, Y., Liu, T., Duan, J., 2015. “Deep learning for event-driven stock prediction”, in: Proceedings of the Twenty-Fourth International Joint Conference on Artificial Intelligence, IJCAI 2015, Buenos Aires, Argentina, July 25-31, pp. 2327-2333, 2015. [11] Nevmyvaka, Y., Feng, Y., Kearns, M. J., “Reinforcement learning for optimized trade execution”, in: Machine Learning, Proceedings of the Twenty-Third International Conference (ICML 2006), Pittsburgh, Pennsylvania, USA, June 25-29, pp. 673-680, 2006. [12] Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A.C., Bengio, Y., “Generative adversarial nets”, in: Advances in Neural Information Processing Systems 27: Annual Conference on Neural Information Processing Systems 2014, Montreal, Quebec, Canada, pp. 2672-2680, December 8-13 2014. [13] S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory”, Neural Computation, Vol. 9, pp. 1735-1780, 1997. [14] Zhiheng Huang, Wei Xu, and Kai Yu. “Bidirectional LSTM-CRF models for sequence tagging”. arXiv preprint arXiv:1508.01991. 2015. STOCK PREDICTION USING DEEP UNSUPERVISED METHOD GENERATIVE ADVERSARIAL NETWORK Bui Thanh Hung, Nguyen Minh Loi ABSTRACT: The stock market has played a significant role in the modern society. They allow the deployment of the resources in a economy. Stock prices move frequently as the result of the market forces With its advantages to process data efficiently in a wide range of areas, deep learning is also widely used in the financial areasuch as: stock market prediction, optimal investment, financial information processing and Implement financial transaction strategies. Therefore, stock market prediction is considered one of the most popular and most valuable sectors in the financial sector. In this study, we propose a Generative Adversarial Network (GAN) unsupervised learning methodology in stock price prediction. The GAN model consists of 2 layers, Bidirectional Long Short-Term Memory (Bi-LSTM) which is used to distinguish (Discriminator) and the Long Short-Term Memory (LSTM) which is used for prediction of stock prices (Generator). LSTM is based on traded stock data and produces fake data like distributed data, while the differentiation layer is designed by Bi-LSTM algorithm to differentiate real stock data and fake stock data. We do experiment on the AMZN (Amazon) Index that has a wide range of trading days and use it to try to predict daily closing prices. Experimental results show that our proposed GAN method can achieve better results in predicting stock prices in comparison to many other predictive models.