ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế ­trường hợp thị trường chứng khoán việt nam

  • Số trang: 241 |
  • Loại file: DOCX |
  • Lượt xem: 12 |
  • Lượt tải: 0
nhattuvisu

Đã đăng 26946 tài liệu

Mô tả:

1 THÔNG TIN LÊN MẠNG NHỮNG ĐIỂM MỚI CỦA LUẬN ÁN TIẾN SĨ  Nghiên cứu sinh: Lê Đạt Chí  Tên luận án: “Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế Trường hợp thị trường chứng khoán Việt Nam”  Ngành khoa học của luận án: Kinh tế tài chính – ngân hàng, mã số: 62.31.12.01  Tên đơn vị đào tạo: Trường Đại học Kinh tế TP. Hồ Chí Minh Những điểm mới của luận án: Qua những nghiên cứu trước đây dựa trên các mô hình hồi quy tuyến tính và phi tuyến để phân tích và dự báo thị trường chứng khoán Việt Nam, gần như chưa có một mô hình nào cho thấy khả năng dự báo thị trường chứng khoán Việt Nam, điều này đặt ra cho luận án một số câu hỏi: phải chăng thị trường chứng khoán Việt Nam là không thể dựa báo trước các biến giải thích hiện hữu? hoặc phải chăng mô hình tiếp cận để phân tích và dự báo giá chứng khoán là không phù hợp với đặc điểm của thị trường, của biến dự báo?... Qua quá trình tìm hiểu, những công trình nghiên cứu trên thế giới về lĩnh vực phân tích và dựa báo, Luận án chọn mô hình mạng thần kinh nhân tạo (ANN). Những luận cứ của mô hình mạng ANN phù hợp với biến nghiên cứu (biến động của thị trường tài chính mang tính phi tuyến (Bollerslev (1986), Fang và cộng sự (1994),…), Chatterjee và cộng sự (2000) cung cấp một tổng quan về hệ thống ANN và phạm vi sử dụng rộng rãi của chúng trên thị trường tài chính… làm những bằng chứng thực nghiệm tốt cho quá trình nghiên cứu mô hình mạng ANN. Đồng thời, quá trình nghiên cứu mạng ANN trong việc ứng dụng vào thị trường tài chính không yêu cầu những giả định nghiêm ngặt như mô hình hồi quy. Điều này cho thấy, tính hấp dẫn của mô hình ANN với đặc điểm của thị trường tài chính nhất là những thị trường của những nền kinh tế mới nổi như Việt Nam. Do đó, luận án tập trung nghiên cứu khả năng ứng dụng mô hình ANN trong dự báo thị trường chứng khoán Việt Nam. Dựa trên mục tiêu nghiên cứu của luận án: 1. Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam. 2. Lựa chọn cấu trúc mạng ANN phù hợp trong dự báo giá chứng khoán. 3. Hiệu quả ứng dụng mô hình ANN tốt hơn mô hình hồi quy tuyến tính. 4. Tìm ra nhóm biến có thể giúp dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam qua đó gợi ý một số chính sách liên quan. Luận án đã giải quyết các mục tiêu này để đạt được các kết quả sau: (1). Tìm ra cơ chế vận hành của mô hình mạng ANN khi sử dụng để dự báo các biến kinh tế theo chuỗi thời gian trong thị trường tài chính. (2). Qua đó vận dụng mô hình ANN để khảo sát khả năng dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam. (3). Quá trình nghiên cứu khả năng ứng dụng mô hình mạng ANN vào dự báo giá chứng khoán Việt Nam, luận án đã chỉ ra cấu trúc mạng truyền thẳng với hàm 2 truyền là hàm phi tuyến sẽ cho ra kết quả dự báo tốt hơn các cấu trúc mạng ANN khác. (4). Đồng thời, trong quá trình khả sát khả năng ứng dụng mô hình ANN để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam, luận án đã chứng minh tính hiệu quả và sự vượt trội của mô hình mạng ANN hơn hẳn mô hình hồi quy truyền thống thường được áp dụng lâu nay trên thị trường. Điều này cho thấy, khả năng dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam là hoàn toàn có thể thực hiện được nếu được tiếp cận trên các cấu trúc mạng ANN khác nhau của mô hình ANN. Điều này làm thay đổi những kết luận của những công trình nghiên cứu trước đây khi phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam. (5). Không dừng lại ở kết quả trên, luận án tiếp tục khảo sát các biến giải thích có thể có trên cơ sở thu thập thông tin, luận án đã tìm kiếm các nhóm biến giải thích khác nhau cho những khung thời gian phân tích khác nhau để tìm kiếm các biến có khả năng dự báo tốt nhất. Qua đó, nhóm biến phản ánh tình hình tài chính của doanh nghiệp niêm yết lại cho khả năng dự báo tốt nhất co sự thay đổi giá chứng khoán trên thị trường chứng khoán Việt Nam. Tuy nhiên các biến vĩ mô cũng cho ra tác động mạnh đến sự thay đổi về giá trên thị trường chứng khoán, nhưng mức độ dự báo lại không cho kết quả chính xác hơn nhóm biến tài chính. Điều đáng chú ý là, nếu cùng các biến khảo sát trên thì mô hình hồi quy truyền thống lại tỏ ra kém hiệu quả. (6). Trong quá trình tìm kiếm, khảo sát các nhóm biến, luận án đã phát hiện ra tính chất hành vi của nhà đầu tư tồn tại khá mạnh mẽ, điều này đã tác động đến quá trình biến động giá chứng khoán trên thị trường chứng khoán Việt Nam. Quá trình phân tích này cũng trùng hợp với những nghiên cứu trước đây về sự tồn tại hành vi của nhà đầu tư trên thị trường chứng khoán, chính hành vi này quyết định nên xu hướng biến động trong giá chứng khoán mà chưa có mô hình nào đo lường để dự báo. Như vậy, những thị trường mà nơi đó yếu tố hành vi của con người quyết định nên xu hướng của sự thay đổi thì khả năng ứng dụng mô hình ANN càng tỏ ro tính hiệu quả và sự vượt trội cao. Như vậy, dựa trên các mục tiêu nghiên cứu, luận án đã phát hiện ra những kết quả trên. Điều này cung cấp thêm những phương pháp, công cụ trong phân tích và dự báo các biến kinh tế, điển hình là thị trường chứng khoán Việt Nam. Giáo viên hướng dẫn Nghiên cứu sinh 3 GS.TS. Trần Ngọc Thơ Chủ tịch hội đồng cấp cơ sở PGS.TS. Phan Thị Bích Nguyệt Lê Đạt Chí 4 MỞ ĐẦU 1. Tính cấp thiết của luận án Việc nghiên cứu những công cụ hoặc mô hình dự báo thị trường tài chính và nền kinh tế có một lịch sử lâu đời. Phân tích chuỗi thời gian là một trong những cách tiếp cận truyền thống được sử dụng rộng rãi nhất trong lĩnh vực này. Có hai loại mô hình mô tả hành vi của chuỗi thời gian như sau. Thứ nhất là các mô hình tuyến tính: phương pháp tuyến tính để phân tích chuỗi thời gian thường được áp dụng thông qua một trong những kỹ thuật sau đây: a. Kỹ thuật Box Jenkins b. Bộ lọc Kalman c. Lý thuyết san bằng hàm mũ của Brown d. Hồi quy mẫu nhỏ Thứ hai là các mô hình phi tuyến: a. Lý thuyết Taken b. Phương trình MackeyGlass Những kỹ thuật này cố gắng tái tạo lại chuỗi thời gian dựa trên các mẫu dữ liệu để dự đoán giá trị tương lai. Mặc dù những kỹ thuật này có ý nghĩa thống kê nhưng chúng có tỷ lệ thành công thấp khi được sử dụng để dự báo thị trường tài chính. Những bằng chứng gần đây chỉ ra rằng thị trường tài chính là phi tuyến. Tuy nhiên, phương pháp tuyến tính vẫn cung cấp những cách tiếp cận tốt để mô tả hệ thống phi tuyến được tìm thấy trong phân tích chuỗi thời gian thị trường tài chính (Fang và cộng sự, 1994). Bollerslev (1986) cung cấp một cái nhìn tổng quát về sự tồn tại của tính phi tuyến trong dữ liệu tài chính, và phát triển một mô hình để dự đoán chuỗi thời gian tài chính được gọi là GARCH (Generalized Autoregressive conditional heteroskedasticity GARCH) kết hợp tất cả các đặc trưng quan sát được trong chuỗi này. Nhưng nền kinh tế đang phát triển nhanh chóng (chứ không phải đi từ từ) theo thời gian. Tuy nhiên, những đặc trưng này không dễ dàng được tính toán bằng các mô hình tuyến tính, và điều này được chứng minh qua việc các hệ số ước lượng có độ dốc lớn. Nhiều nhân tố tác động đến thị trường tài chính và nền kinh tế bao gồm 5 các sự kiện chính trị, điều kiện kinh tế nói chung, và kỳ vọng của nhà đầu tư. Vì vậy, dự báo thị trường tài chính và sự chuyển động của nền kinh tế là khá khó khăn. Mạng thần kinh nhân tạo Artificial Neural Network (ANN) là một công cụ hữu ích trong tài chính định lượng hiện đại và được biết đến như một kỹ thuật mô hình hóa thống kê hữu ích. ANN là một công cụ tốt cho cả các nhà nghiên cứu và những nhà thực nghiệm. Mô hình ANN có thể tìm ra mối quan hệ hàm trong một tập hợp dữ liệu và thực hiện các nhiệm vụ như nhận dạng mẫu hình, phân loại, đánh giá, mô hình hóa, dự báo và kiểm soát (Anderson và Rosenfeld, 1988; HechtNielsen, 1990; Hertz và cộng sự, 1991; Hiemstra và Jones, 1994). Một vài tính năng khác biệt của ANN làm cho chúng có giá trị và hấp dẫn trong dự báo. Một số bài viết xem xét những báo cáo trên tạp chí cách mà ANN có thể áp dụng cho thị trường tài chính và nền kinh tế. Chatterjee và cộng sự (2000) cung cấp một tổng quan về hệ thống ANN và phạm vi sử dụng rộng rãi của chúng trên thị trường tài chính. Công trình của họ thảo luận về ưu điểm vượt trội của ANN so với các phương pháp truyền thống. Nghiên cứu kết luận với một mô tả về việc sử dụng thành công ANN bởi nhiều tổ chức tài chính trong việc dự báo giá chứng khoán. Trong sách Neural Network cho dự báo tài chính của Edward Gately, mô tả phương pháp chung để xây dựng, huấn luyện, và kiểm tra một ANN bằng cách sử dụng phần mềm thương mại hiện hữu. Luận án sẽ tập trung vào phương pháp này để triển khai quá trình phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam như là một minh chứng cho khả năng ứng dụng của ANN trong dự báo kinh tế. Không chỉ trong lĩnh vực dự báo giá chứng khoán, luận án còn mong muốn sử dụng phương pháp ANN áp dụng cho các lĩnh vực tài chính và nền kinh tế như là một công cụ dự báo hỗ trợ cho các phương pháp truyền thống. Chính vì vậy, tác giả chọn đề tài với tên gọi “Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế – Trường hợp thị trường chứng khoán Việt Nam” làm nội dung nghiên cứu cho luận án tiến sĩ của mình. 2. Tình hình nghiên cứu liên quan đến nội dung luận án Từ những nghiên cứu sơ khai của Mc Culloch và Pitts trong những năm 1940, trải qua nhiều năm phát triển, cho đến hơn 10 năm trở lại đây cùng với sự phát triển mạnh mẽ của ngành công nghệ thông tin trong việc xử lý dữ liệu cho cả phần cứng và phần mềm đã giúp cài đặt những ứng dụng phức tạp của lý thuyết mạng thần kinh nhân tạo. Lý thuyết mạng thần kinh nhân tạo những năm gần đây mới thực sự được chú ý và nhanh chóng trở thành một hướng nghiên cứu đầy triển vọng trong mục đích xây dựng mô hình mô phỏng theo trí tuệ con người. Sức mạnh thuộc về bản chất tính toán của các thuật toán mạng, song những nghiên cứu thực nghiệm đã thành 6 công trong nhiều lĩnh vực, những nghiên cứu thực nghiệm trong lĩnh vực tài chính cũng được sự quan tâm và cho ra nhiều kết quả tốt ở những nền kinh tế khác nhau. Từ những nghiên cứu việc ứng dụng ANN để phân tích những chuỗi dữ liệu thời gian nên được thực hiện dựa trên trấu trúc ANN nào cho các chỉ tiêu dự báo như tăng trưởng kinh tế, biến động tỷ giá hối đoái, và thậm chí là giá chứng khoán trên các thị trường. Quá trình nghiên cứu mạng ANN còn được so sánh với những mô hình truyền thống hiện đang được sử dụng cho việc phân tích và dự báo trong lĩnh vực kinh tế như mô hình hồi quy tuyến tính, mô hình hồi quy phi tuyến. Quá trình nghiên cứu này đã cho ra những kết quả lợi thế của mô hình ANN đặc biệt là ở những thị trường mới nổi trong phân tích và dự báo. Như vậy, ở thị trường Việt Nam liệu quá trình triển khai nghiên cứu ứng dụng mô hình ANN có hiệu quả không và có vượt trội hơn các công cụ phân tích và dự báo khác? Trên cơ sở tiếp cận này, tôi đi vào nghiên cứu quá trình hoạt động của mạng ANN trong lĩnh vực kinh tế, tài chính và những kết quả nghiên cứu đạt được ở các thị trường khác trên thế giới để làm nền tảng cho việc nghiên cứu. 3. Mục tiêu nghiên cứu Trên phương diện nghiên cứu mô hình mạng ANN và những nguyên lý hoạt động của nó để từ đó ứng dụng vào lĩnh vực kinh tế và tài chính vẫn còn là một nội dung chưa được quan tâm nhiều. Trong phạm vi của nền kinh tế Việt Nam, tác giả tập trung nghiên cứu việc ứng dụng mô hình này để nhằm phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam trước các biến giải thích khác nhau, như là một minh chứng cho khả năng ứng dụng của mô hình ANN trong dự báo kinh tế. Qua quá trình ứng dụng ANN vào thị trường chứng khoán Việt Nam, luận án sẽ giải quyết thêm một số vấn đề khác như: cấu trúc mạng ANN nào tốt cho vấn đề dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam, hiệu quả của mô hình ANN so với mô hình hồi quy tuyến tính biến nào sẽ tác động lên sự biến động của giá chứng khoán… Cụ thể hơn, luận án sẽ giải quyết bốn mục tiêu nghiên cứu sau: 1. Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam. 2. Lựa chọn cấu trúc mạng ANN phù hợp trong dự báo giá chứng khoán. 3. Hiệu quả ứng dụng mô hình ANN tốt hơn mô hình hồi quy tuyến tính. 4. Tìm ra nhóm biến có thể giúp dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam qua đó gợi ý một số chính sách liên quan. 7 Để đạt được mục tiêu nghiên cứu nêu trên, nội dung của luận án tập trung đi vào trả lời các câu hỏi nghiên cứu sau đây: (1). Mô hình mạng ANN là gì và cơ chế vận hành của nó như thế nào trong thị trường tài chính? (2). Những quan điểm và bằng chứng thực nghiệm trong việc ứng dụng mô hình ANN trong phân tích và dự báo trên thị trường tài chính? (3). Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam? (4). Cấu trúc mạng ANN nào sẽ thích hợp để dự báo giá chứng khoán? (5). Liệu khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam có tính hiệu quả hơn mô hình hồi quy tuyến tính truyền thống? (6). Nếu mô hình ANN tốt hơn thì những biến giải thích nào sẽ giúp cho chúng ta sử dụng để phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam? Việc giải quyết các mục tiêu nghiên cứu trên cho thấy giá trị hiệu quả của mô hình ANN trong việc ứng dụng mô hình này trong phân tích và dự báo các biến kinh tế. Chính vì vậy, các chủ thể liên quan trong nền kinh tế bao gồm các nhà nghiên cứu và các nhà thực hành sẽ áp dụng mô hình ANN để thay thế hoặc bổ sung cho các phương pháp hồi quy. 4. Phương pháp nghiên cứu Để giải quyết các nội dung nghiên cứu nêu trên, tác giả luận án đã sử dụng phương pháp định lượng dựa trên việc nghiên cứu những thuật toán mô phỏng của mạng thần kinh nhân tạo để tiến hành lựa chọn cấu trúc ANN thích hợp nhằm ứng dụng trong dự báo giá chứng khoán. Việc triển khai quá trình ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam được dựa trên quy trình đề xuất 8 bước của năm nhà nghiên cứu Deboeck, Masters, Blum và Nelson và Illingworth. Ngoài ra quá trình thử nghiệm các cấu trúc mạng ANN được thực hiện dựa trên phần mềm hỗ trợ xử lý dữ liệu có bản quyền NeuralSolution 5.0. 5. Các phát hiện và kết quả nghiên cứu Luận án của tác giả đã đóng góp các kết quả nghiên cứu sau: 8  Khả năng ứng dụng mô hình ANN để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam là hoàn toàn có thể thực hiện.  Mô hình ANN dùng để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam cho ra kết quả dự báo ngoài mẫu tốt hơn mô hình hồi quy tuyến tính truyền thống.  Cấu trúc mạng thần kinh truyền thẳng cho ra kết quả dự báo tốt hơn một số cấu trúc mạng khác với hàm truyền là hàm phi tuyến. Nói cách khác, mối quan hệ giữa các biến giải thích và biến phụ thuộc là quan hệ phi tuyến tính.  Dựa trên việc nghiên cứu ứng dụng mô hình ANN để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam, luận án đã cho thấy rõ tác động của các nhóm biến kinh tế vĩ mô của nền kinh tế, nhóm biến thể hiện tình hình tài chính của các doanh nghiệp niêm yết… lên sự thay đổi giá chứng khoán, trong khi đó nếu dùng mô hình hồi quy tuyến tính truyền thống thì gần như không tìm thấy sự tác động này.  Qua quá trình phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam, luận án có gợi ý một số chính sách để phát triển thị trường chứng khoán Việt Nam lên một tầm cao mới nhằm phát triển mạnh quá trình chuyển dịch cơ cấu kinh tế. 9 Chương 1: QUAN ĐIỂM VÀ BẰNG CHỨNG THỰC NGHIỆM VIỆC ỨNG DỤNG MÔ HÌNH MẠNG THẦN KINH NHÂN TẠO TRONG DỰ BÁO Mỗi một mô hình phân tích và dự báo đều dựa trên những nền tảng giả định khác nhau. Các mô hình trước nay được sử dụng phổ biến để phân tích và dự báo đều dựa trên phương pháp phân phối chuẩn của các biến đưa vào mô hình. Quan điểm về phân phối chuẩn đã đưa ra nền tảng toán học cho học thuyết thị trường hiệu quả. Quan điểm này đã đưa đến việc hình thành các mô hình phân tích và định giá chứng khoán như mô hình định giá tài sản vốn CAPM, mô hình định giá quyền chọn Black – Scholes, mô hình đa nhân tố, mô hình FamaFrench… Tuy nhiên, các mô hình này lại không mấy hiệu quả khi phân tích và dự báo những chỉ tiêu đầy tính biến động trong thị trường tài chính. Một phương pháp mô phỏng bộ não con người được xây dựng dựa trên những nền tảng tiếp cận khác với các phương pháp trên. Quá trình mô phỏng này được gọi là mô hình mạng thần kinh nhân tạo ANN. Những quy tắc khi ứng dụng mô hình ANN không như những phương pháp dựa trên quan điểm phân phối chuẩn. Quá trình ứng dụng mô hình ANN dựa trên quan điểm: các chủ thể tham gia thị trường, quyết định xu hướng thị trường là những nhà đầu tư với những hiểu biết khác nhau. Nói cách khác, chính nhà đầu tư khi tiếp nhận thông tin và sẽ đưa ra quyết định trước những thông tin này dựa trên những hiểu biết và phân tích của chính mình. Việc ứng dụng mô hình ANN khá phổ biến trong lĩnh vực điện tử, sản xuất rô bốt hay như trong lĩnh vực y học… Quá trình ứng dụng mô hình ANN trong thị trường tài chính để phân tích và dự báo chỉ được quan tâm trong hơn một thập niên gần đây. Quá trình ứng dụng này lớn mạnh nhờ sự hỗ trợ của ngành công nghệ thông tin đã mang lại một số thành tựu nhất định về tính hiệu quả của mô hình. Chính vì vậy, tiếp cận nghiên cứu mô hình ANN ở Việt Nam là rất cần thiết. 1.1. Quan điểm lựa chọn công cụ phân tích và dự báo Phương pháp phân phối chuẩn hay đường cong hình chuông là một công cụ phổ biến trong việc phân tích dữ liệu kinh tế tài chính đặc biệt là trong phân tích giá chứng khoán. Phương pháp phân phối chuẩn chính là nền tảng toán học cho học thuyết thị trường hiệu quả của lĩnh vực tài chính. Quan điểm của phương pháp phân phối chuẩn cho rằng, giá chứng khoán là độc lập ngẫu nhiên với nhau. Phương pháp này giúp chúng ta hiểu một cách dễ dàng bằng cách đơn giản hóa và loại bỏ những yếu tố trừu tượng mà chúng ta nghĩ rằng không phù hợp với hệ thống. Vấn đề ở đây chính là “sự không phù hợp”. Trong thế giới thực, những thứ được xem là “không phù hợp” này không cho thấy là không quan trọng mà hơn thế nó lại rất quan trọng. Benoit Mandelbrot, tại trung tâm nghiên cứu của IBM tại Yorktown Heights, New York, đã 10 phát hiện ra rằng, các con số hoàn toàn khác so với quan điểm của phân phối chuẩn. “Mỗi sự thay đổi giá cụ thể là ngẫu nhiên và không thể dự báo được. Tuy nhiên, chuỗi sự thay đổi lại có sự phụ thuộc nhau trong một phạm vi” (Gleick, 1987, trang 86). Thực tế, giá cả hàng hóa và giá cả chứng khoán có quan hệ phi tuyến. Nhưng câu hỏi đặt ra là tại sao giá chứng khoán lại có mối quan hệ phi tuyến hay có xu hướng? Thế kỷ 20 được đánh dấu bởi 3 phát minh đáng nhớ: (1) thuyết tương đối (relative theory) và (2) kỹ thuật định lượng (quantum mechanic) và (3) khoa học hỗn loạn (chaos science) đã cho thấy rằng bản chất của tự nhiên là không hề độc lập. Sự chuyển động của các vật chất luôn có ảnh hưởng lẫn nhau hay phụ thuộc lẫn nhau. Thị trường chứng khoán (TTCK), một phần của thế giới tự nhiên cũng nằm trong quy luật đó. Điều này đã nói lên khoa học hỗn loạn giúp chúng ta trả lời câu hỏi trên. Bill William (1995) cho rằng, cả thế giới tự nhiên và não người đều là hỗn loạn. TTCK, một phần của thế giới tự nhiên và là nơi phản ánh hoạt động của con người, cũng có tính hỗn loạn. Nói cách khác, chính do não người có tính hỗn loạn là nguồn gốc tạo ra sự phi tuyến tính của giá cả chứng khoán. Bill William (1995) bộ não người gồm 3 bộ phận khác nhau: não trái, não giữa và não phải. Mỗi bộ phận đảm nhận một chức năng khác nhau. Não trái liên quan đến vấn đề lý trí và mang tính tuyến tính. Não giữa có chức năng xử lý các tri thức thành kinh nghiệm. Não phải liên quan đến cảm xúc, là phi tuyến và trông giống như tính hỗn loạn. Bộ não chúng ta cũng tạo nên các hành vi khác nhau, phụ thuộc vào dòng năng lượng. Prigogine viết: “bộ não là một phát minh của tính hỗn loạn” (Prigogin và Stangers, 1984, trang 48). Có thể hình dung rằng khi giao dịch trên thị trường, các nhà kinh doanh bị ảnh hưởng bởi cảm xúc (của não phải) như tham lam và sợ hãi đã tác động đến quyết định đầu tư dẫn đến các hành vi phi tuyến tính. Tuy nhiên, các hành vi tham lam hay sợ hãi đó có tính bầy đàn và hình thành nên xu hướng của giá chứng khoán (chính là cấu trúc). Như vậy, chủ thể tham gia quyết định nên xu hướng thị trường là các nhà đầu tư, là những người không hoàn toàn duy lý (Sargent (1997, 1999)). Dựa trên quan điểm này, luận án tập trung vào việc lựa chọn phương pháp phân tích và dự báo giá chứng khoán theo giả định “sự hợp lý có chừng mực” của nhà đầu tư. Nói cách khác nhà đầu tư không hoàn toàn duy lý trong các quyết định của mình. Phương pháp hồi quy dựa trên các biến cố quan sát là độc lập và ngẫu nhiên, nó dựa trên giả thuyết sự hợp lý hoàn toàn và sự tối ưu của con người. Mô hình mạng thần kinh nhân tạo ANN được mô phỏng theo bộ não con người được dùng để dự báo các biến kinh tế trong thị trường tài chính, đặc biệt là giá chứng khoán được thiết lập trên nền tảng giả định “sự hợp lý có chừng mực” nêu trên. Do đó, luận án sẽ tiếp cận 11 việc ứng dụng mô hình ANN để dự báo giá chứng khoán trên TTCK VN nhằm chứng minh cho mục tiêu nghiên cứu. 1.2. Mô hình mạng thần kinh nhân tạo ANN 1.2.1. Mạng thần kinh nhân tạo và các đặc điểm cơ bản của bộ não 1.2.2. Những yếu tố tạo nên một mô hình mạng thần kinh nhân tạo Hai thành phần chính cấu tạo nên ANN là các neuron và các synapse. Trong kiến trúc của một mô hình kết nối, các neuron chính là các nút mạng, được liên kết với nhau thông qua các synpase, là các cung mạng. Neuron là một đơn vị tính toán có nhiều đầu vào và một đầu ra, mỗi đầu vào đến từ một synapse. Đặc trưng của neuron là một hàm kích hoạt phi tuyến chuyển đổi một tổ hợp tuyến tính của tất cả các tín hiệu đầu vào thành tín hiệu đầu ra. Hàm kích hoạt này đảm bảo tính chất phi tuyến cho tính toán của ANN. Synapse là một thành phần liên kết giữa các neuron, nó nối đầu ra của neuron này với đầu vào của neuron khác. Đặc trưng của synapse là một trọng số mà mỗi tín hiệu đi qua đều được nhận với trọng số này. Các trọng số synapse chính là các tham số tự do cơ bản của ANN, có thể thay đổi được nhằm thích nghi với môi trường xung quanh. Quá trình tích luỹ mạng (học) là một quá trình mà trong đó các tham số tự do (các trọng số synapse) được điều chỉnh nhằm mục đích thích nghi với môi trường. Đối với vấn đề học cho ANN người ta quan tâm tới ba yếu tố sau: Quy tắc học, mô hình học, thuật toán học. Thuật toán BackPropagation là thuật toán học kinh điển nhất và cũng được áp dụng một cách phổ biến nhất cho các mạng tiến đa mức. Nó được xây dựng trên cơ sở Quy tắc học hiệu chỉnh lỗi và Mô hình học với một người dạy. 1.2.3. Cách thức huấn luyện một mô hình mạng thần kinh Mạng ANN được huấn luyện bằng cách liên tục đưa các cặp tín hiệu đầu vào và tín hiệu đầu ra vào mạng, mạng nhanh chóng học hỏi mối quan hệ giữa các biến đầu vào và đầu ra. Quá trình huấn luyện mạng thực chất là việc điều chỉnh các trọng số synapse wk,i kết nối các neuron trong mạng. Trong quá trình huấn luyện, các trọng số w k,i được điều chỉnh cho đến khi đạt được các giá trị đầu ra mong muốn (T ) tgần với giá trị đầu ra thực sự của mạng (Yt). Nói cách khác, sai số giữa giá trị đầu ra mong muốn và giá trị đầu ra của mạng là nhỏ nhất (e t ). 12 et =Tt Yt 1.2.4. Một số thước đo trong việc lựa chọn cấu trúc mạng thần kinh nhân tạo Hàm mục tiêu trong lý thuyết tối ưu hóa có 2 dạng phổ biến nhất là sai số tuyệt đối trung bình (MAE – Mean Absolute Error) và sai số bình phương trung bình (MSE). Tuy nhiên, khi sử dụng chuỗi dữ liệu để dự báo ngoài mẫu thì ngoài các chỉ tiêu trên còn có chỉ tiêu hệ số tương quan (RSquare), chỉ tiêu này nói lên mối tương quan giữa giá trị đầu ra mong đợi và giá trị đầu ra thực của một cấu trúc mạng ANN khi dự báo ngoài mẫu. 1.2.5. Các đặc trưng của mô hình mạng thần kinh nhân tạo  Tính chất phi tuyến  Tính chất tương ứng đầu vàođầu ra  Tính chất thích nghi  Tính chất đồng dạng trong phân tích và thiết kế 1.3. Một số mô hình mạng thần kinh nhân tạo điển hình 1.3.1. Mô hình mạng truyền thẳng (Feedforward Networks) 1.3.2. Mô hình mạng truyền thẳng đa lớp (Multilayer Feedforward Networks) 1.3.3. Mô hình mạng lặp lại (Recurrent Networks) 1.4. Sự vượt trội của mô hình mạng thần kinh trong phân tích và dự báo Mô hình ANN có những ưu điểm sau:  Trước tiên, ANN có thể tính toán dữ liệu phi tuyến. Chúng có khả năng thực hiện mô hình hóa quan hệ phi tuyến mà không cần đến những điều kiện cho trước về mối quan hệ giữa các biến đầu vào và các biến đầu ra.  Mô hình này không đưa ra các giả thiết về giá trị của các hệ số khi ước lượng và quan hệ hàm số giữa biến phụ thuộc và biến độc lập.  Bên cạnh đó, khi sử dụng mô hình phi tuyến, các nhà kinh tế thường sử dụng các thuật toán số học dựa trên giả định rằng chuỗi số liệu là liên tục. Với các phương pháp này, người nghiên cứu thường sẽ phải lập lại việc ước lượng 13 nhiều lần để chắc rằng hệ số được ước lượng không rơi vào một trong số các cực trị cục bộ (local optimum).  Thị trường tài chính của các nước có nền kinh tế mới nổi hoặc là các thị trường có sự thay đổi và cải tiến mạnh mẽ sẽ là nơi thích hợp cho các phương pháp này. Tuy nhiên, bên cạnh những ưu điểm trên, mô hình ANN lại có một số hạn chế:  Thứ nhất, vấn đề khó giải thích các trọng số ước lượng trong mô hình hay còn gọi là vấn đề “hộp đen – Black box”.  Thứ hai, việc ứng dụng mô hình ANN đòi hỏi kích cỡ mẫu lớn.  Thứ ha, việc xây dựng một cấu trúc ANN phù hợp sẽ mất rất nhiều thời gian. 1.5. Việc ứng dụng mô hình ANN trong dự báo – bằng chứng thực nghiệm Ý tưởng về việc xây dựng mô hình mạng ANN đã xuất hiện từ những năm 1958, khởi nguồn bởi Frank Rosenblatt. Tuy nhiên, phải đến những năm cuối thập kỷ 90, những nghiên cứu ứng dụng của mô hình ANN mới dần trở nên phổ biến. Bên cạnh những ứng dụng trong lĩnh vực y học, công nghệ, mô hình mạng ANN còn được ứng dụng rộng rãi trong kinh tế tài chính, đặc biệt là trong việc xây dựng các mô hình dự báo bao gồm dự báo chỉ số chứng khoán và dự báo các biến kinh tế vĩ mô. 1.6. Thiết kế một mô hình mạng thần kinh nhân tạo Chương 2: THIẾT KẾ VÀ ỨNG DỤNG MẠNG THẦN KINH NHÂN TẠO ĐỂ DỰ BÁO GIÁ CHỨNG KHOÁN TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM Mô hình mạng ANN được đưa ra và ứng dụng lần đầu tiên trong lĩnh vực khoa học nhận thức và tích hợp trí tuệ nhân tạo vào kỹ thuật. Qua thời gian, ANN đã được sử dụng rộng rãi trong nhiều lĩnh vực khoa học, trong đó có dự báo kinh tế. Trải qua nhiều nghiên cứu thực nghiệm, ANN tỏ ra là một phương pháp có tính linh hoạt vượt trội so với các phương pháp đã từng được sử dụng trong quá khứ. Trong những năm gần đây, các ứng dụng của ANN trong lĩnh vực tài chính như nhận diện mẫu hình, phân loại, và dự báo theo chuỗi thời gian ngày càng gia tăng nhanh chóng và nhận được nhiều sự quan tâm của cả giới nghiên cứu hàn lâm cũng như thực nghiệm. Thực tế đã cho thấy, các tổ chức cung cấp dịch vụ tài chính đang trở thành nhà tài trợ lớn thứ hai cung cấp nguồn lực hỗ trợ cho công tác nghiên cứu các ứng dụng của ANN. Những ứng dụng phổ biến của ANN trong lĩnh vực tài chính bao gồm xếp hạng 14 rủi ro trong thẩm định các khoản cho vay thế chấp cũng như trong các khoản đầu tư vào chứng khoán nợ, xây dựng chỉ số, mô phỏng hành vi thị trường, lựa chọn và đa dạng hóa danh mục đầu tư, nhận diện cơ chế tác động của các biến giải thích kinh tế cũng như dự báo các chuỗi dữ liệu giá chứng khoán theo thời gian. Tuy nhiên, với việc trên thực tế có quá nhiều thông số đầu vào cần được chọn lựa phù hợp để phát triển một mô hình dự báo hiệu quả cho thấy, quá trình thiết kế ANN vẫn đòi hỏi nhiều thời lượng, công sức và kinh nghiệm của nhà nghiên cứu. Chính vì vậy, mục tiêu của nghiên cứu này nhằm cung cấp một hướng dẫn mang tính thực nghiệm trong thiết kế một hệ thống ANN phục vụ cho mục đích dự báo chuỗi dữ liệu giá chứng khoán theo thời gian. Theo đó, quá trình 8 bước cơ bản trong xây dựng một ANN được trình bày thông qua việc dự báo giá chứng khoán trên TTCN VN. Một vấn đề quan trọng mà luận án tập trung giải quyết là khả năng dự báo giá chứng khoán bằng mô hình ANN? Liệu mô hình ANN cho kết quả dự báo tốt hơn mô hình hồi quy truyền thống? Cấu trúc mạng ANN nào sẽ cho ra kết quả dự báo giá chứng khoán tốt nhất? Khi khảo sát các biến dùng để dự báo thì các biến nào tác động lên sự thay đổi của giá chứng khoán trên TTCK VN? Những vấn đề trên được chứng minh trong phần này. Theo đó việc dự báo giá chứng khoán trên TTCK VN có thể dự báo được khi sử dụng mô hình ANN và cấu trúc mạng truyền thẳng là cấu trúc cho ra kết quả dự báo tốt nhất. Mặt khác, nhóm biến phản ánh tình hình tài chính của các doanh nghiệp là nhóm biến tác động mạnh đến sự biến động giá chứng khoán trên TTCK VN. 2.1. Thiết kế mạng thần kinh nhân tạo để dự báo giá chứng khoán với nhóm biến kinh tế vĩ mô 2.1.1. Lựa chọn biến kinh tế vĩ mô tác động đến giá chứng khoán Để thành công trong việc thiết kế hệ thống ANN phụ thuộc vào khả năng hiểu biết của nhà nghiên cứu về vấn đề đang được nghiên cứu. Việc nhận thức được những biến số nào đóng vai trò quan trọng trong thị trường đang được dự báo là điều kiện tiên quyết và tiên khởi trong quy trình thiết kế một ANN. Dựa trên nền tảng này luận án xem xét nhóm chỉ tiêu kinh tế vĩ mô tác động lên giá chứng khoán này để làm các biến đầu vào cho mô hình trong quá trình thiết kế một ANN. 2.1.2. Thu thập dữ liệu kinh tế Việc thu thập số liệu được cân nhắc dựa trên yếu tố chi phí và tính sẵn có (tức khả năng tiếp cận thông tin của luận án) cho các biến số đã được chọn ở bảng 2.1. Quá trình thu thập dữ liệu được tập hợp từ năm 2002 đến hết tháng 9/2010. Do tính toán dựa trên sự thay đổi qua các tháng nên dữ liệu có tổng cộng 104 quan sát. 15 Bảng 2.1: Các biến kinh tế đưa vào thiết kế ANN để dự báo VNIndex STT Các biến 1 Lạm phát 2 3 4 5 6 7 8 Ký hiệu Miêu tả dữ liệu CPI Sự thay đổi tốc độ chỉ số giá tiêu dùng qua các tháng từ nguồn dữ liệu của tổng cục thống kê Tỷ giá USD Sự thay đổi tốc độ biến động tỷ giá thị trường tự do cuối mỗi tháng. Dữ liệu được thu thập từ IMF và Bloomberg Lãi suất LR Sự thay đổi lãi suất kỳ hạn 12 tháng qua các tháng. Nguồn dữ liệu từ IMF và ngân hàng nhà nước từ năm 2009 Sản lượng công IP Sự thay đổi giá trị tăng trưởng sản lượng công nghiệp nghiệp qua các tháng. Số liệu từ tổng cục thống kê Cán cân thương mại TB Thay đổi giá trị của cán cân thương mại qua các tháng. Số liệu từ tổng cục thống kê Cung tiền M2 M2 Tốc độ thay đổi cung tiền M2 qua các tháng. Số liệu từ ngân hàng nhà nước và IMF Tăng trưởng tín dụng CR Tăng trưởng tín dụng qua các tháng. Số liệu từ ngân hàng nhà nước và IMF VNIndex VNI Sự thay đổi của VNIndex tính theo giá đóng cửa của các tháng. Dữ liệu được thu thập từ Sở giao dịch chứng khoán Tp.HCM 2.1.3. Tiền xử lý dữ liệu Tiền xử lý dữ liệu đề cập đến việc phân tích và chuyển đổi các biến đầu vào và đầu ra để tối thiểu hóa nhiễu, nhấn mạnh các mối quan hệ nổi bật, phát hiện xu hướng, và san bằng phân phối của các biến số để phục vụ cho ANN trong việc huấn luyện và ghi nhớ các mẫu hình liên quan từ bộ dữ liệu đầu vào. Trong 7 biến đưa vào để khảo sát sự biến động của VNI, luận án đã lọc ra mô hình giải thích tốt nhất với 4 biến. Mô hình 1: với biến đầu vào là CPI, IP, M2 và CR với số PE trong mô hình là 3. Mô hình 2: với biến đầu vào là LR, IP, TB, CR cũng với số PE là 3. Bảng 2.2 cho kết quả của quá trình tiền xử lý dữ liệu để xem xét khả năng dự báo VNI. Bảng 2.2: Kết quả quá trình tiền xử lý dữ liệu khi đưa lần lược các biến đầu vào trong 7 biến kinh tế vĩ mô để dự báo VNI Mô hình INPUT Biến loại bỏ Số PE MSE (Training) MSE (CV) 16 Mô hình 1 CPI, IP, M2, CR USD, LR, TB 3 0,013783 0,131202 Mô hình 2 LR, IP, TB, CR 3 0,019331 0,073505 CPI, USD, M2 2.1.4. Phân chia dữ liệu được thu thập để huấn luyện ANN Tập hợp huấn luyện được ANN sử dụng để học tập các mẫu hình tồn tại trong mối quan hệ giữa các biến đầu vào. Trong trường hợp này luận án sử dụng 80% số quan sát để huấn luyện mạng ANN trong tổng số 104 quan sát. Tập hợp dữ liệu kiểm tra và xác nhận kết quả, luận án sử dụng số lượng mẫu bằng khoảng 10% tập hợp dữ liệu quan sát, quá trình này được dùng để ước lượng khả năng khái quát hóa trong phân tích mà ANN đã học tập được sau khi trải qua bước huấn luyện trước đó. Bước cuối cùng trong quá trình huấn luyện là kiểm tra hiệu quả hoạt động của ANN đã trải qua tập hợp huấn luyện và kiểm tra là xác minh hiệu quả dự báo của ANN trên một tập hợp dữ liệu mà ANN chưa từng nhìn thấy trước đó. Tập hợp dữ liệu này được gọi là tập hợp xác nhận tính hiệu quả, chúng được sử dụng để dự báo ngoài mẫu. 2.1.5. Xây dựng cấu trúc – Xác định thông số của ANN Có rất nhiều phương pháp để xây dựng một cấu trúc mạng ANN. Neurodynamic và Architecture là hai thuật ngữ được sử dụng để miêu tả cách thức xây dựng một ANN. Sự kết hợp giữa Neurodynamics và Architecture xác định cấu trúc của ANN. Neurodynamic là thuật ngữ miêu tả tính chất của từng neuron trong ANN, bao gồm loại hàm truyền (tuyến tính, phi tuyến, hàm phức…), cách thức kết hợp các biến số đầu vào. Architecture là thuật ngữ miêu tả cách thức lựa chọn để liên kết các neuron với nhau, bao gồm loại liên kết neuron và số lượng neuron trên mỗi lớp. Mô hình được xây dựng gồm có 3 lớp, một lớp đầu vào với các biến kinh tế vĩ mô được miêu tả trong bảng 2.1, một lớp ẩn, một lớp đầu ra – đây là kết quả của VNI. Klimasauskas (1993) qua thực nghiệm đã chứng minh được rằng, nếu mối quan hệ giữa các biến đầu vào mà ANN đang giả lập chỉ xoay quanh giá trị trung bình, hàm truyền sin là hàm phù hợp nhất. Tuy nhiên, nếu mối quan hệ giữa các biến đầu vào quá phân tán ra xa khỏi giá trị trung bình, hàm truyền dạng Tang hyperbol nên được sử dụng. Vì dữ liệu đầu vào có chứa giá trị âm và phân tán do đó hàm Tanh hyperbol là hàm thích hợp để xử lý mối quan hệ phi tuyến giữa dữ liệu đầu vào và VNI.  Trong Axon ẩn có chứa từ 1 đến 4 PE, số PE này được tính toán theo quy tắc “kim tự tháp” – số lượng PE trong lớp ẩn sẽ bằng ½ tổng số đầu vào và đầu ra của mô hình – tuy nhiên trong quá trình chạy mô hình để có được mô hình tốt 17 nhất, luận án đã thay đổi số lượng PE xung quanh kết quả của quy tắc này, cụ thể luận án sử dụng mô hình có từ 1 đến 4 PE. Mô hình có hai hệ thống đường liên kết đầy đủ, hệ thống đầu tiên nối lớp đầu vào với lớp ẩn, hệ thống thứ hai nối lớp ẩn với lớp đầu ra. Mỗi hệ thống là tập hợp những trọng số, những trọng số này sẽ kết hợp với đầu ra của lớp phía trước hệ thống tạo thành đầu vào cho lớp phía sau hệ thống. Các liên kết này được kết hợp thông qua một hàm truyền được đề cập ở trên. Ngoài ra, mô hình sử dụng thuật toán BackPropagation kết hợp với Momentum để điều chỉnh trọng số của mô hình và giảm thiểu sai số nhằm tìm được mô hình tối ưu. 2.1.6. Tiêu chuẩn đánh giá tính phù hợp kết quả dự báo của ANN Trong một quá trình huấn luyện, MSE sẽ liên tục được cập nhật và ANN sẽ liên tục điều chỉnh các tham số theo hướng cực tiểu hóa tổng bình phương này. Mặc khác, quá trình đánh giá tính phù hợp của mô hình dự báo ngoài tiêu chuẩn MSE, ANN còn có một tiêu chuẩn khác là mức độ giải thích của mô hình, chỉ số r – Square. 2.1.7. Huấn luyện hệ thống ANN Quá trình huấn luyện ANN chủ yếu là để ANN đọc những dữ liệu trong quá khứ nhiều lần. Để huấn luyện ANN, trước tiên cần xác định số lần Epoch được ANN đọc lại trong huấn luyện. Quá trình chạy mô hình để tìm ra những nhóm biến nào tác động mạnh nhất đến VNI, đồng thời tìm ra mô hình thích hợp cho từng nhóm biến, đòi hỏi phải huấn luyện nhiều lần trên mỗi mô hình – trung bình Epoch từ 3.000 đến 10.000 lần. Mỗi 1.000 lần huấn luyện, luận án lại dừng lại để kiểm tra xem mô hình đã tối ưu chưa và có bị quá khít hay không. 2.1.8. Kết quả sử dụng mô hình mạng ANN để dự báo VNIndex Thực hiện các bước xử lý đã được trình bày ở các bước trên, luận án đã đưa ra hai cấu trúc mạng ANN để phân tích và dự báo giá chứng khoán VNI với cách thức phân loại biến với MSE nhỏ nhất như bảng 2.3. Bảng 2.3: Hai cấu trúc mạng ANN cho ra kết quả dự báo tốt nhất Mô hình INPUT Mô hình 1 CPIIPM2CR Mô hình 2 LRIPTBCR Số PE MSE (Training) 3 0,013783 3 0,019331 MSE (CV) 0,131202 0,073505 R Square 5,51% 25,46% Điều đáng chú ý là MSE được thực hiện trong quá trình huấn luyện dữ liệu cho ra kết quả thấp nhất cho các biến đưa vào mô hình trong quá trình phân loại biến. Việc giải 18 thích cho sự thay đổi trong VNI thời gian qua trên TTCK VN do tác động của các biến: lạm phát, sản lượng công nghiệp, cung tiền M2 và tăng trưởng tín dụng của nền kinh tế. Tuy nhiên, khi sử dụng mô hình đã được huấn luyện để tiến hành dự báo ngoài mẫu từ dữ liệu kiểm tra thì mô hình 1 có sai số lớn hơn mô hình 2. Điều quan trọng mô hình 2 cho ra hệ số tương quan (rSquare.) cao hơn giữa giá trị dự báo và giá trị thực tế của VNI. Nói cách khác mô hình 2: tác động của lãi suất, sản lượng công nghiệp, cán cân thương mại và tăng trưởng tín dụng sẽ là những biến có thể dự báo tốt nhất cho VNI. Mối quan hệ giữa giá trị dự báo và giá trị thực tế dù chỉ ở mức độ giải thích thấp 25,46% nhưng đã nói lên khả năng dự báo chiều hướng của VNI. Như vậy, có thể thấy rằng khi đưa các biến kinh tế vĩ mô vào để phân tích và dự báo giá chứng khoán của TTCK VN thì mức độ giải thích và khả năng dự báo của mô hình còn nhiều hạn chế, giá trị dự báo chưa cao. Một vấn đề đặt ra là phải chăng cấu trúc mạng ANN trên chưa giải thích được tác động của các biến đầu vào này lên sự thay đổi của VNI trong thời gian qua? Hoặc mô hình ANN không hiệu quả hơn mô hình hồi quy tuyến tính truyền thống? Phần tiếp theo, luận án tiếp tục thay đổi cấu trúc mạng ANN và so sánh với mô hình hồi quy tuyến tính. 2.2. Sử dụng mạng thần kinh nhân tạo được khái quát hóa và mạng truyền thẳng để dự báo giá chứng khoán với nhóm biến kinh tế vĩ mô 2.2.1. Dự báo giá chứng khoán bằng cấu trúc mạng thần kinh nhân tạo được khái quát hóa Về cấu trúc của mô hình mạng thì bài nghiên cứu trên chỉ xây dựng cấu trúc mạng một lớp ẩn duy nhất với 14 neuron và sử dụng thuật toán LevenbergMarquardt (LM) để tiến hành điều chỉnh các trọng số trong quá trình huấn luyện nhằm đạt đến mục tiêu tối thiểu hóa MSE giữa giá trị dự báo của mô hình với giá trị thực tế. Phần nghiên cứu này sẽ sử dụng tỷ lệ của ba tập hợp huấn luyện là 70%, 20% và 10%. Thực tế là không có nguyên tắc chung nào cho sự phân chia này và tỷ lệ trên là gợi ý trong nghiên cứu của Jing Tao (2000). Cấu trúc mạng được khái quát hóa GRNN với cấu trúc một lớp ẩn và 14 neuron ẩn (GNN14PE) đã cho kết quả rất tốt trong quá trình huấn luyện khi giá trị MSE cuối cùng đạt đến 7,7943E31, một giá trị lý tưởng cho sự chênh lệch giữa giá trị dự báo và thực tế. Tuy nhiên, khi tiến hành kiểm định ngoài mẫu đối với mô hình trên, kết quả cho thấy sự hạn chế lớn của mô hình trong việc dự báo giá trị VNI. Đặc biệt là chỉ số tương quan – r là giá trị âm. Qua đó, có thể kết luận rằng, mô hình trên đã rơi vào tình trạng “quá khít” trong khi huấn luyện, nhưng lại thiếu khả năng khái quát hóa để phản ánh đầy đủ mối tương quan phi tuyến giữa các biến số. 19 Phần tiếp theo sau, luận án sẽ không khảo sát các biến được làm trễ, chỉ khảo sát 7 biến như đã đề cập trong bảng 2.1. Tuy nhiên, số lượng PE trong lớp ẩn cũng giảm đi nhiều. Để khắc phục tình trạng “quá khít” trong cấu trúc mạng GNN14PE, luận án đã tiến hành điều chỉnh cấu trúc mạng, vẫn giữ nguyên các yếu tố khác nhưng số lượng neuron ẩn sẽ lần lượt là 4 và 5, ký hiệu cho hai cấu trúc mạng này là GNN 4PE và GNN5PE, kết quả kiểm định ngoài mẫu đối với 2 cấu trúc mạng đã có sự cải thiện đáng kể khi MSE giảm và rSquare cải thiện đáng kể, đạt 39,1% đối với cấu trúc GNN4PE. Tuy nhiên, nếu so với mô hình ANN được trình bày trong phần 2.1 thì hiệu quả của cấu trúc mạng GNN4PE cho dự báo tốt hơn. Tuy nhiên, mức độ giải thích của mạng vẫn chưa cao chỉ mới đạt 39,17%. Chính vì vậy, luận án tiếp tục thay đổi cấu trúc mạng ANN khác. 2.2.2. Dự báo giá chứng khoán dựa trên phân tích tác động của các biến kinh tế vĩ mô theo cấu trúc mạng truyền thẳng Trong phần này luận án tiến hành thử nghiệm với cấu trúc mạng ANN khác để kiểm tra tính hiệu quả của mô hình dự báo. Bên cạnh mạng GRNN thì cấu trúc mạng được sử dụng phổ biến nhất vẫn là mạng ANN truyền thẳng với một lớp ẩn. Lần lượt tiến hành huấn luyện mạng với cùng một cấu trúc dữ liệu như trên nhưng thay đổi số neuron của lớp ẩn. Mạng ANN truyền thẳng, một lớp ẩn với số neuron ẩn lần lượt là 2, 3, 4, 5 được ký hiệu: MFF2PE, MFF3PE, MFF4PE, MFF5PE. Bảng 2.7: Kết quả dự báo ngoài mẫu theo cấu trúc mạng ANN truyền thẳng MFF2PE, MFF3PE, MFF4PE, MFF5PE Mô hình MFF5PE MFF2PE MFF3PE MFF4PE MSE 0,009396214 0,003751625 0,005980783 0,00241921 MAE 0,065259439 0,042116996 0,057105411 0,038226213 r 0,316865644 0,370211421 0,433968335 0,653517847 Qua những kết quả trên, cấu trúc mạng truyền thẳng một lớp ẩn có khả năng dự báo VNI tương đối tốt hơn so với cấu trúc mạng GRNN trên TTCK VN, đặc biệt là nếu xét đến chỉ báo tương quan tuyến tính giữa giá trị VNI dự báo với VNI thực tế đạt đến mức 65,35% trong trường hợp cấu trúc MFF5PE, chỉ tiêu MSE = 0,0024 và MAE = 0,038 ở mức rất thấp. Tuy nhiên, vấn đề thứ tiếp theo là liệu rằng mô hình mạng ANN dự báo tốt hơn so với mô hình hồi quy tuyến tính? Phần tiếp theo, luận án sẽ đi vào chứng minh điều này. 20 2.2.3. So sánh khả năng dự báo giá chứng khoán của mô hình mạng thần kinh nhân tạo với mô hình hồi quy tuyến tính  Sử dụng mô hình mạng ANN không có lớp ẩn và hàm truyền tuyến tính Trong phần này luận án sẽ tiến hành xây dựng mô hình tuyến tính để có cơ sở so sánh giữa hai loại mô hình với nhau. Với các dữ liệu đầu vào đã sử dụng ở bảng 2.1, luận án tiến hành xây dựng mô hình tuyến tính bằng cách sử dụng hàm truyền là hàm tuyến tính và không có lớp ẩn trong mô hình của mạng ANN. Kết quả của quá trình huấn luyện mô hình ANN này kém hơn mô hình mạng phi tuyến trên.  Sử dụng mô hình hồi quy tuyến tính truyền thống Một phần của phụ lục 3 “Xây dựng mô hình hồi quy tuyến tính truyền thống để phân tích và dự báo VNIndex” đã cho ra kết quả của việc sử dụng phương pháp hồi quy tuyến tính trong việc dự báo VNI như sau: Thứ nhất: Nếu tuân thủ yêu cầu giả định của phương pháp hồi quy tuyến tính truyền thống thì các biến đưa vào mô hình phải tuân theo quy luật phân phối chuẩn, các biến kinh tế vĩ mô khảo sát ở bảng 2.1 được đưa vào mô hình không đạt được điều kiện này. Thứ hai: Trong phần xây dựng mô hình hồi quy tuyến tính truyền thống và kiểm định của phụ lục 3 đã cho ra kết quả: 1. Khi sử dụng hồi quy đơn biến để giải thích cho sự thay đổi trong VNI thì không có mô hình hồi quy đơn biến nào có ý nghĩa thống kê. Tuy nhiên, nếu chúng ta điều chỉnh dữ liệu mang tính độ trễ một kỳ thì biến cung tiền – M2 lại có thể giải thích cho sự thay đổi của VNI. Kết quả giải thích của biến M2 rất thấp, chỉ là 2,83%. 2. Khi sử dụng hồi quy đa biến thì mô hình không có ý nghĩa thống kê, không thể xây dựng được mô hình hồi quy tuyến tính đa nhân tố từ các biến kinh tế vĩ mô để giải thích cho sự thay đổi của VNI. Tóm lại, kết quả nghiên cứu này đã góp phần chứng minh được ưu thế vượt trội của mô hình mạng ANN phi tuyến trong việc phân tích và dự báo giá chứng khoán trên TTCK VN so với mô hình tuyến tính truyền thống trong trường hợp sử dụng các biến số kinh tế vĩ mô làm nhập lượng đầu vào. Tuy nhiên, kết quả từ các mô hình mạng ANN còn có một số hạn chế trong mức độ dự báo. Phần tiếp theo của luận án sẽ khảo
- Xem thêm -