Luận văn tập trung nghiên cứu và ứng dụng mô hình học sâu LSTM (Long Short-Term Memory) vào bài toán dự đoán giá trị cổ phiếu. Dữ liệu lịch sử về giá đóng cửa, khối lượng giao dịch và các chỉ báo kỹ thuật được thu thập và tiền xử lý để huấn luyện mô hình. Nghiên cứu tiến hành xây dựng, tối ưu hóa các tham số và đánh giá hiệu năng của mô hình LSTM so với các phương pháp truyền thống như ARIMA và hồi quy tuyến tính. Kết quả thực nghiệm cho thấy mô hình LSTM có khả năng nắm bắt các phụ thuộc phi tuyến tính và chuỗi thời gian dài trong dữ liệu tài chính, từ đó đưa ra các dự báo có độ chính xác cao hơn đáng kể so với các mô hình so sánh. Luận văn khẳng định tiềm năng ứng dụng của học sâu trong lĩnh vực tài chính, đồng thời đề xuất các hướng phát triển như kết hợp thêm dữ liệu tin tức hoặc sử dụng các kiến trúc phức tạp hơn để nâng cao độ tin cậy của dự báo.