BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT
THÀNH PHỐ HỒ CHÍ MINH
CÔNG TRÌNH NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG
MÔ HÌNHARIMA VÀ ANN
TRONG DỰ BÁO LẠM PHÁT TẠI VIỆT NAM
S
K
C
0
0
3
9
5
9
MÃ SỐ: T2014-10GVT
S KC 0 0 4 7 8 5
Tp. Hồ Chí Minh, 2014
TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT
THÀNH PHỐ HỒ CHÍ MINH
KHOA KINH TẾ
BÁO CÁO TỔNG KẾT
ĐỀ TÀI KH&CN CẤP TRƢỜNG GIẢNG VIÊN TRẺ
MÔ HÌNHARIMA VÀ ANN TRONG
DỰ BÁO LẠM PHÁT TẠI VIỆT NAM
Mã số: T2014-10GVT
Chủ nhiệm đề tài: Th.S Nguyễn Khắc Hiếu
TP. HCM, 12/2014
MỤC LỤC:
MỞ ĐẦU: ................................................................................................................... 1
CHƢƠNG 1:
CƠ SỞ LÝ THUYẾT ...................................................................... 4
1.1 Lạm phát ........................................................................................................... 4
1.2 Các yếu tốt tác động đến lạm phát .................................................................... 5
1.3 Các mô hình dự báo lạm phát ........................................................................... 8
1.4 Mô hình ARIMA ............................................................................................ 10
1.5 Mô hình mạng thần kinh nhân tạo .................................................................. 12
1.5.1 Mạng thần kinh con ngƣời ....................................................................... 12
1.5.2 Mạng thần kinh nhân tạo .......................................................................... 13
CHƢƠNG 2:
DỮ LIỆU NGHIÊN CỨU ............................................................. 20
2.1 Nguồn dữ liệu ................................................................................................. 20
2.2 Phân tích biến động của dữ liệu ...................................................................... 21
CHƢƠNG 3:
KẾT QUẢ NGHIÊN CỨU............................................................ 25
3.1 Ƣớc lƣợng mô hình ARIMA. ......................................................................... 25
3.2 Xây dựng mô hình mạng thần kinh nhân tạo .................................................. 28
3.2.1 Mạng thần kinh nhân tạo với biến giải thích là độ trễ của lạm phát ........ 29
3.2.2 Mô hình ANN với biến giải thích là cung tiền giá đầu và lãi suất........... 31
3.3 Kết hợp mô hình arima và ann trong dự báo .................................................. 36
3.4 So sánh các kết quả dự báo ............................................................................. 37
CHƢƠNG 4:
KẾT LUẬN VÀ GỢI Ý CHÍNH SÁCH ....................................... 38
4.1 Kết luận ........................................................................................................... 38
4.2 Một số gợi ý chính sách .................................................................................. 38
TÀI LIỆU THAM KHẢO ........................................................................................ 41
DANH MỤC HÌNH:
Hình 1: Mối liên hệ giữa lạm phát và cung tiền của Việt Nam ................................. 5
Hình 2: Lạm phát theo tháng của Việt Nam ............................................................... 7
Hình 3: Cấu tạo nơ-ron thần kinh ngƣời .................................................................. 13
Hình 4: Cấu tạo mạng thần kinh nhân tạo ................................................................ 14
Hình 5: Hàm Sigmoid ............................................................................................... 18
Hình 6: Tan-hyperbolic ............................................................................................ 19
Hình 8: Sự biến động của lạm phát theo tháng của Việt Nam ................................. 21
Hình 9: Sự biến động của cung tiền theo tháng của Việt Nam ................................ 22
Hình 10: Sự biến động của giá dầu theo tháng của Việt Nam ................................. 22
Hình 11: Sự biến động lãi suất theo tháng của Việt Nam ........................................ 23
Hình 12: Biểu đồ PACF của lạm phát ...................................................................... 26
Hình 13: Biểu đồ ACF của lạm phát ........................................................................ 26
Hình 14: Mức độ quan trọng các biến độc lập của mô hình ANN-10-5-2-1 ........... 35
DANH MỤC BẢNG:
Bảng 1: Thống kê mô tả các biến số......................................................................... 20
Bảng 2: Thống kê mô tả các biến số......................................................................... 23
Bảng 3: Kiểm định tính dừng chuỗi IF ..................................................................... 25
Bảng 4: Kết quả hồi quy mô hình ARIMA(13,0,3) ................................................. 27
Bảng 5: Kết quả dự báo của mô hình ARIMA(13,0,3) ............................................ 28
Bảng 6: Kết quả ƣớc lƣợng mô hình ANN-12-5-1 .................................................. 30
Bảng 7: Ký hiệu các mô hình ANN.......................................................................... 31
Bảng 8:Các trọng số ƣớc lƣợng của mô hình ANN-10-5-2-1 .................................. 33
Bảng 9: So sánh kết quả dự báo giữa các mô hình ANN ......................................... 34
Bảng 10: Kết quả dự báo ngoài mẫu của các mô hình ............................................. 36
Bảng 11: So sánh kết quả dự báo ............................................................................. 37
DANH MỤC CÁC TỪ VIẾT TẮT
Ký hiệu
Giải thích
ACF
AutoCorrelation Function: hàm tự tƣơng quan
ANN
Artificial Neural Network: mạng thần kinh nhân tạo
ARIMA
AutoCorrelation Integrated Moving Average
CPI
Consumer Price Index: chỉ số giá tiêu dùng
GSO
General Statistics Office of Vietnam: Tổng cục thống kê
Việt Nam
MAE
Mean Absolute Error: sai số tuyệt đối trung bình
PACF
Partial AutoCorrelation Function: hàm tự tƣơng quan
riêng phần
RMSE
Root Mean Square Error: sai số trung bình
TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ
THUẬT
THÀNH PHỐ HỒ CHÍ MINH
CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT
NAM
Độc lập - Tự do - Hạnh phúc
ĐƠN VỊ
Tp. HCM, Ngày
tháng
năm
THÔNG TIN KẾT QUẢ NGHIÊN CỨU
1. Thông tin chung:
Tên đề tài: Mô hình ARIMA và ANN trong dự báo lạm phát tại việt nam
Mã số: T2014-10GVT
Chủ nhiệm: Th.S Nguyễn Khắc Hiếu
Cơ quan chủ trì:Đại học Sƣ Phạm Kỹ Thuật Tp.HCM
Thời gian thực hiện:tháng 12 năm 2013 đến tháng 11 năm 2014
2. Mục tiêu:
Tìm hiểu lý thuyết mô hình ARIMA và ANN
Thu thập dữ liệu lạm phát của Việt Nam và những biến số giải thích có
liên quan đến mô hình
Ứng dụng mô hình ARIMA và ANN vào dự báo lạm phát cho Việt Nam
Tìm mô hình dự báo lạm phát tối ƣu cho Việt Nam
Đƣa ra một số gợi ý chính sách
3. Tính mới và sáng tạo:
Sự kết hợp mô hình ARIMA và ANN trong dự báo lạm phát
4. Kết quả nghiên cứu:
Sự kết hợp ARIMA và ANN tốt hơn việc sử dụng những mô hình riêng lẻ. Việc
sử dụng thêm các biến giải thích trong việc dự báo, mô hình ANN dự báo tốt
hơn mô hinh ARDL.
5. Sản phẩm:
Bài báo:
“Dự báo lạm phát tại Việt Nam bằng mô hình mạng thần kinh nhân tạo”
Tạp chí Phát triển kinh tế, số 286 tháng 08/2014.
“Mô hình ARIMA và dự báo lạm phát 6 tháng cuối năm” Tạp chí Kinh tế
và dự báo số 16 (576).
6. Hiệu quả, phƣơng thức chuyển giao kết quả nghiên cứu và khả năng áp
dụng:
Trƣởng Đơn vị
(ký, họ và tên)
Chủ nhiệm đề tài
(ký, họ và tên)
INFORMATION ON RESEARCH RESULTS
1. General information:
Project title:ARIMA and ANN in forecasting inflation of Vietnam
Code number:T2014-10GVT
Coordinator: Nguyen Khac Hieu
Implementing institution: HCMUTE
Duration: from 12/2013 to 11/2014
2. Objective(s):
Literature review of ARIMA and ANN model
Collecing data of Inflation and independent variables
Applying ARIMA and ANN in forecasting inflation of Vietnam
Choosing the best model for forecasting inflation
Provide some policy implications
3. Creativeness and innovativeness:
The combination of ARIMA and ANN models for forecasting inflation
4. Research results:
The combination of ARIMA and ANNis better than using the individual
models. The use of additional explanatory variables in predicting inflation,
the ANN model predicted better ARDL model.
5. Products:
Journal artical:
"Forecasting inflation of Vietnam by artificial neural networks," Journal
of Economic Development, No 286, 08/2014.
"ARIMA model and forecasting inflation in the last 6 months" Journal of
Economics and Forecasts, No 16 (576).
6. Effects, transfer alternatives of reserach results and applicability:
MỞ ĐẦU:
Tổng quan các nghiên cứu trƣớc
Dự báo các biến số kinh tế là vấn đề mà các nhà kinh tế và các nhà hoạchđịnh chính
sách đều quan tâm khi lập kế hoạch cho đơn vị của mình. Kết quả dự báo càng
chính xác thì kế hoạch lập ra sẽ càng khả thi. Có nhiều mô hình khác nhau đƣợcứng
dụng trong việc dự báo. Các mô hình này có thể chia ra làm 2 dạngđó là môhình
kinh tế lƣợng và mô hình mạng thần kinh nhân tạo. Mỗi mô hình dự báo đều cóƣu
và nhƣợcđiểm riêng. Đối vớimô hình hình kinh tế lƣợng, mô hìnhARIMA đƣợc
xem là một sự lựa chọn tốt. Theo Khashei & Bijari (2011) mô hìnhARIMA phù hợp
cho việc dự báo đối với những quan hệ tuyến tính. Còn đối với các mối quan hệ phi
tuyến, mô hìnhARIMA không phải là sự lựa chọn tốt.
Mô hình mạng thần kinh nhân tạo (ANN) đƣợc đặt nền móng vào đầu những năm
1940 nhƣng chỉ thực sự phát triển vào những năm 1990 khi khoa học máy tính phát
triển. Tại Việt Nam, Lê Đạt Chí (2010) đãứng dụng mô hình ANN vào dự báo giá
chứng khoán vàđã thu đƣợc những kết quả khả quan. Theo Zhang (2003) thì mô
hình ANN phù hợp cho việc dự báo những quan hệ phi tuyến. Tuy nhiên, đối với
những biến số kinh tế, giá trị hiện tại của chúng thƣờng có quan hệ vừa có quan hệ
tuyến tính vừa có quan hệ phi tuyến đối với giá trị của chúng trong quá khứ. Chính
vì vậy nếu ta chỉ sử dụng mô hìnhARIMA hoặc ANN để dự báo những biến số này
thì kết quả vẫn thực sự chƣa hoàn hảo(Duzgun, 2010) . Bài viết này nhằm nghiên
cứu khả năng kết hợp của mô hìnhARIMA và mô hình ANN trong dự báo lạm phát
theo tháng tại Việt Nam từđóđƣa ra một số kiến nghị liên quan đến việcứng dụng
của các mô hình.
Mục tiêu nghiên cứu
Tìm hiểu lý thuyết mô hìnhARIMA và ANN
Thu thập dữ liệu lạm phát của Việt Nam và những biến số giải thích có liên
quan đến mô hình
Ứng dụng mô hình ARIMA và ANN vào dự báo lạm phát cho Việt Nam
Trang 1
Tìm mô hình dự báo lạm phát tối ƣu cho Việt Nam
Đƣa ra một số gợiý chính sách
Phạm vi nghiên cứu
Đề tài giới hạn trong việc sử dụng mô hình ARIMA và ANN trong việc dự
báo lạm phát. Dữ liệu cho dự báo lạm phát đƣợc sử dụng từ 2004-2013
Đề tài đƣợc thực hiện từ tháng 12-2013 đến tháng 11-2014.
Đề tài đƣợc thực hiện tại khoa kinh tế đại học Sƣ Phạm Kỹ Thuật Tp.HCM,
các số liệu đƣợc thu thập là dữ liệu thứ cấp về các thông số kinh tế vĩ mô của
Việt Nam.
Ý nghĩa thực tiễn
Đề tài nhằmứng dụng mạng thần kinh nhân tạo (đƣợcứng dụng rộng rãi trong kỹ
thuật) và mô hìnhARIMA vào dự báo lạm phát tại Việt Nam. Đềđài cũng nhằm so
sánh hiệu quả dự báo của mô hình ANN vàARIMA cũng nhƣ mô hình hỗn hợp
nhằm tìm ra mô hình dự báo tốt nhất cho Việt Nam. Mô hình dự báo sẽ là một công
cụ hỗ trợ cho các nhà hoạchđịnh chính sách trong việcổnđịnh kinh tế vĩ mô và kiềm
chế lạm phát. Đề tài cũng giúpích cho những doanh nghiệp và những nhà đầu từ
riêng rẽ, giúp họ có đƣợc những công cụ hữuích hơn trong việc dự báo những biến
số kinh tế trong tƣơng lai
Bố cục đề tài
Nội dung của đề tài bao gồm 4 chƣơng:
Chƣơng 1: Cơ sở lý thuyết
Trình bày tóm tắt các nghiên cứu có liên quan, các lý thuyếtnền tảng cho
việc nghiên cứu của đề tài.Đó là lý thuyết về lạm phát, lý thuyết về mạng
thần kinh nhân tạo và lý thuyết về mô hìnhARIMA.
Chƣơng 2: Phƣơng pháp nghiên cứu
Phƣơng phátđịnh lƣợng trong dự báo đƣợc sử dụng, mà tiêu tiểu là mô hình
mạng thần kinh nhân tạo và mô hìnhARIMA. Chƣơng này cũng trình bày về
Trang 2
cách vận hành của mạng thần kinh nhân tạo và cách thiết lập một mạng thần
kinh phù hợp với yêu cầu đặt ra.
Chƣơng 3: Kết quả nghiên cứu
Các kết quả nghiên cứu về mô hình ANN vàARIMA sẽ đƣợc trình bày. Đồng
thời tác giả cũng so sánh hiệu quả dự báo của các mô hình thông qua các tiêu
chỉ RMSE và MAE.
Chƣơng 4: Kết luận và kiến nghị
Các kết luận đƣợc rút ra và một số đề xuất của tác giả liên quan đến đề tài.
Trang 3
CHƢƠNG 1: CƠ SỞ LÝ THUYẾT
1.1 Lạm phát
“Lạm phát là tình trạng mức giá chung của nền kinh tế tăng lên trong một khoảng
thời gian nhất định” (Nguyễn Nhƣ Ý, 2007, trang 75). Lạm phát theo năm đƣợc tính
theo công thức:
𝐿ạ𝑚𝑝ℎá𝑡 =
𝐶ℎỉ𝑠ố𝑔𝑖á𝑛ă𝑚𝑡 −𝐶ℎỉ𝑠ố𝑔𝑖á𝑛ă𝑚𝑡 −1
𝐶ℎỉ𝑠ố𝑔𝑖á𝑛ă𝑚𝑡 −1
Chỉ số giá thƣờng đƣợc dùng tính lạm phát là chỉ số giá tiêu dùng CPI.
Karl Marx nghiên cứu về chế độ bản vị vàng đã khẳng định: việc phát hành tiền
giấy phải đƣợc giới hạn trong số lƣợng vàng nhất định đại diện tiền giấy. Nếu
không đảm bảo điều này, một khi lƣợng tiền giấy vƣợt quá mức giới hạn này thì
tiền giấy sẽ mất dần giấy trị làm gia tăng mức giá chung của tất cả các loại hàng hóa
và tình trạng lạm phát xuất hiện. Theo đó, lạm phát, dƣới quan điềm của Karl Marx,
đƣợc định nghĩa nhƣ sau: lạm phát là việc các kênh, các luồng lƣu thông tràn đầy
những tờ giấy bạc dƣ thừa dẫn đến sự tăng vọt trong mức giá chung.
Milton Friendman cũng từng phát biểu về lạm phát khi bàn về vấn đề lƣu thông tiền
tề: lạm phát ở mọi lúc mọi nơi đều là hiện tƣợng của lƣu thông tiền tệ. Lạm phát
xuất hiện và chỉ xuất hiện khi nào số lƣợng tiền trong lƣu thông tăng nhanh hơn so
với sản xuất. Tuy nhiên, John Keynes với thuyết cầu của mình cho rằng nguồn gốc
sâu xa của lạm phát là sự biến động cung cầu. Khi cung đã vƣợt xa cầu thì sản xuất
sẽ đình đốn, nền kinh tế bị suy giảm. Lúc đó, Nhà Nƣớc buộc phải tung ra các
khoản chi tiêu, đầu tƣ công lớn, tăng cƣờng các chính sách tín dụng nhằm kéo mức
cầu của cả nền kinh tế về cân bằng và vƣợt qua tổng cung. Lúc này, lạm phát đã
xuất hiện. Trong trƣờng hợp nền kinh tế phát triển hiệu quả, áp dụng những tiến bộ
khoa học kỹ thuật, cơ cấu kinh tế đƣợc đổi mới thành công; lạm phát này có tác
dụng thúc đẩy sản xuất. Ngƣợc lại, lạm phát, theo Keynes, đã không còn là động lực
phát triển của nền kinh tế.
Trang 4
Nhìn chung, dƣới bất kỳ quan điểm nào lạm phát cũng đƣợc đặc trƣng bởi 3 điểm
chính yếu sau:
Sự gia tăng quá mức của lƣợng tiền trong lƣu thông.
Dẫn đến sự mất giá của đồng tiền.
Từ đó, khiến cho giá cả các loại mặt hàng tăng cao.
1.2 Các yếu tốt tác động đến lạm phát
Trong cuốn “The general theory of employment, interest and momey” Keynes
(1936)khẳng định: trong dài hạn lạm phát chịu tác động trực tiếp từ cung tiền, còn
trong ngắn hạn lạm phát chịu tác động bởi tổng cung và tổng cầu. Có nhiều yếu tố
tác động làm dịch chuyển tổng cung và tổng cầu. Sau đây chúng ta sẽ xem xét một
số yếu tố tác động đến tổng cung và tổng cầu từ đó tác động đến lạm phát.
Cung tiền
Khi cung tiền tăng, ngƣời dân sẽ có nhiều tiền dƣ thừa hơn và do đó họ sẽ có nhu
cầu tiêu thụ nhiều hàng hoá và dịch vụ hơn, do đó đƣờng tổng cầu sẽ dịch chuyển
sang phải từ đó làm cho mức giá chung tăng lên. Các kết quả nghiên cứu thực
nghiệm đều khẳng định cung tiền là yếu tố có tác động đến lạm phát, tiêu biểu là
nghiên cứu của Sử Đình Thành (2012) vàPhạm Thị Thu Trang (2009). Các nghiên
cứu này đều kết luận cung tiền cóảnh hƣởng tích cực đến lạm phát. Hình vẽ sau nói
lên mối liên hệ giữa lạm phát và cung tiền theo năm của Việt Nam.
Hình 1: Mối liên hệ giữa lạm phát và cung tiền của Việt Nam
Trang 5
Nguồn: Ngân hàng phát triển châu Á (ADB)
Từ biểu đồ trên ta thấy, lạm phát và cung tiền có xu hƣớng biến đổi cùng nhau, đặc
biệt là trong giai đoạn lạm phát cao trƣớc năm 1990. Mức độ thay đổi của cung tiền
trung bình cao hơn lạm phát từ 10-20%.
Lãi suất
Cũng theo Keynes (1936), trong ngắn hạn lãi suất thay đổi để điều chỉnh cung và
cầu về tiền tệ. Cung và cầu về tiền tệ sẽ tác động đến tiết kiệm và đầu tƣ, từ đó tác
động đến tổng cầu và làm thay đổi mức giá chung của nên kinh tế. Theo nghiên cứu
của Nguyễn Trọng Hoài (2010), thì ngân hàng có thể vận dụng luật Taylor để ấn
định một mức lãi suất mà ở đó nền kinh tế có thể đạt đƣợc sản lƣợng mục tiêu và
lạm phát mục tiêu. Do đó, lãi suất là yếu tố có tác động đến mức giá chung của nền
kinh tế. Tuy nhiên tại Việt Nam, ngân hàng trung ƣơng vẫn chƣa vận dụng nguyên
tắc này mà chủ yếu là điều chỉnh lãi suất để đạt đƣợc mức lạm phát mục tiêu. Mức
sản lƣợng mục tiêu có thể điểu chỉnh thông qua đầu tƣ.
Mùa vụ
Lạm phát tại Việt Nam đƣợc thu thập theo tháng và theo năm. Lạm phát đƣợc thu
thập theo tháng thƣờng mang tính mùa. Tại Việt Nam, giá cả vào những tháng Tết
thƣờng cao hơn những tháng khác do nhu cầu mua sắm và đi lại tăng cao. Biểu đồ
Trang 6
lạm phát theo tháng sau đây cho ta thấy tính mùa vụ của lạm phát. Đỉnh của lạm
phát thƣờng rơi vào tháng 1 và tháng 2 còn đáy thƣờng rơi vào tháng 3 trong năm.
Hình 2: Lạm phát theo tháng của Việt Nam
Nguồn: Tổng cục thống kê (GSO)
Sau năm 2007, lạm phát có những diễn biến bất thƣờng do chịu ảnh hƣởng của suy
thoái kinh tế thế giới cũng nhƣ sự gia tăng cung tiền quá mức của chính phủ. Tuy
nhiên, lạm phát vẫn có xu hƣớng cao hơn vào những tháng Tết. Do khoản thời gian
này không phản ảnh đƣợc tính mùa vụ rõ ràng nên tác giả không đƣa vào trong đồ
thị này.
Giá dầu thế giới
Xăng dầu luôn chiếm một tỷ trọng lớn trong chi phí sản xuất của các doanh nghiệp.
Do đó, việc biến động giá xăng dầu sẽ dẫn đến chi phí sản xuất và dẫn đến biến
động giá bán đầu ra. Theo nghiên cứu của Portes (2012) tại Trung Mỹ và Caribbe,
thì giá xăng dầu không chỉ ảnh hƣởng đến lạm phát mà còn ảnh hƣởng đến một số
biến số vĩ mô khác. Tại Việt Nam, mặc dù chính phủ có chính sách bình ổn giá
xăng dầu, nhƣng việc biến động giá xăng dầu của Việt Nam vẫn theo xu hƣớng giá
thế giới, vì quỹ bình ổn giá của chính phủ là có hạn. Do đó, việc xem xét tác động
Trang 7
của giá dầu thế giới đến lạm phát của Việt Nam là việc làm cần thiết. Tại Việt Nam,
mỗi lần tăng giá xăng dầu, là sẽ có một làn sóng tăng giá nổi lên. Một số các nhân
và doanh nghiệp tăng giá đơn giản vì họ kỳ vọng giá các mặt hàng khác cũng sẽ
tăng tƣơng ứng.
Các độ trễ của lạm phát
Theo nghiên cứu của Phạm Thị Thu Trang (2009), ngƣời dân có khuynh hƣớng kỳ
vọng lạm phát trong tƣơng lai sẽ tƣơng tự nhƣ lạm phát trong quá khứ. Do đó, giá
trị lạm phát ở hiện tại luôn phụ thuộc vào giá trị của chính nó trong quá khứ. Vì
vậy, các độ trễ của lạm phát sẽ là một biến cần thiết đƣợc đƣa vào mô hình để dự
báo cho lạm phát ở hiện tại. Tuy nhiên, để biết đƣợc độ trể bao nhiêu là thích hợp
thì cần phải có những phân tích chi tiết hơn.
Thiên tai
Việt Nam nằm trong vùng chịu ảnh hƣởng nhiều của bão và lũ lụt. Mỗi khi một địa
phƣơng nào bị thiên tai là giá cả hàng hoá tại khu vực đó sẽ gia tăng. Nếu thiên tai
càng lớn thì mức độ ảnh hƣởng của nó đến giá cả càng lớn. Tuy nhiên tại Việt Nam
cũng nhƣ trên thế giới có rất ít công trình nghiên cứu về vấn đề này. Lý do là vì
thiên tai không xảy ra thƣờng xuyên còn các thông số kinh tế thì đƣợc báo cáo hàng
năm. Các số liệu về thiên tai thƣờng không chính xác, do thu thập thiếu hoặc một số
địa phƣơng cố gắng thổi phồng sự thật để nhận đƣợc nhiều tiền trợ cấp. Tác giả hy
vọng, đây sẽ là một vấn đề đƣợc nghiên cứu trong thời gian sắp tới.
1.3Các mô hình dự báo lạm phát
Trong giới hạn của bài viết này tác giả chia các mô hình dự báo lạm phát ra làm hai
nhóm: nhóm các mô hình kinh tế lƣợng và nhóm các mô hình ANN.
Các mô hình kinh tế lƣợng:
Trong thực tế, có nhiều mô hình kinh tế lƣợng đƣợc ứng dụng vào dự báo lạm phát
đặc biệt là những mô hình chuỗi thời gian nhƣ AR, VAR, ARDL, ARIMA…v.v.
Tại Việt Nam, Vũ Sỹ Cƣờng (2011) đã sử dụng mô hình VAR để phân tích lạm
phát và khẳng định lạm phát tại Việt Nam chịu ảnh hƣởng rõ rệt từ chính sách tài
Trang 8
khoá. Sử Đình Thành (2012) đã sử dụng mô hình ARDL để phân tích mối quan hệ
giữa lạm phát và thâm thụt ngân sách từ đó đƣa ra những gợi ý chính sách trong
điều hành kinh tế vĩ mô. Tại Mỹ, Binner và cộng sự (2006) đã ứng dụng mô hình
AR vào dự báo lạm phát, tuy nhiên nhóm tác giả khẳng định dự báo lạm phát bằng
mô hình AR không tốt bằng mô hình tự hồi quy Markov (MS-AR). Tại Bangladesh,
Faisal (2012) đã ứng dụng mô hình ARIMA để dự báo lạm phát đồng thời đƣa ra
những gợi ý chính sách để kiểm soát lạm phát và điều hành kinh tế vĩ mô.
Ngoài những mô hình chuỗi thời gian tuyến tính, những mô hình phi tuyến cũng
đƣợc sử dụng để dự báo lạm phát. Điển hình là Michael Dotsey và cộng sự (2011)
đã nghiên cứu khả năng ứng dụng của đƣờng cong Philip trong dự báo lạm phát và
khẳng định có thể dự báo lạm phát bằng đƣờng cong này, đặc biệt đối với những
nền kinh tế yếu (weak economies). Nguyễn Trọng Hoài (2010) đã sử dụng luật
Taylor để phân tích lạm phát và đã đƣa ra những gợi ý chính sách trong điều hành
kinh tế vĩ mô.
Các mô hình ANN:
Bên cạnh những mô hình kinh tế lƣợng, còn có nhiều công trình nghiên cứu ứng
dụng mạng thần kinh nhân tạo trong dự báo lạm phát và đã khẳng định tính ƣu việt
của mô hình này so với mô hình kinh tế lƣợng. Moshiri & Cameron (2000) khẳng
định: trong dài hạn lạm phát (tại Canada) đƣợc dự báo bằng mô hình ANN cho kết
quả tốt hơn so với mô hình VAR và ARIMA. Tại Mỹ, Nakamura (2005) cũng sử
dụng mô hình ANN để dự báo lạm phát, kết quả cho thấy trong ngắn hạn mô hình
ANN dự báo tốt hơn mô hình AR. Ngoài ra, McNelis & McAdam (2005) cũng
khẳng định: lạm phát có quan hệ phi tuyến với những biến số kinh tế khác, họ đã sử
dụng mô hình “thick model”, một sự kết hợp nhiều mạng ANN để dự báo lạm phát
Mỹ và một số quốc gia Châu Âu. Kết quả cho thấy, mô hình ANN dự báo không
thua kém gì so với mô hình hồi quy tuyến tính. Tiếp theo, Haider và Hanif (2009)
cũng ứng dụng mô hình ANN, AR(1) và ARIMA dự báo lạm phát tại Pakistan và
khẳng định mô hình ANN dự báo chính xác hơn AR(1) và ARIMA. Duzgun (2010)
sử dụng mô hình ANN để dự báo lạm phát tại Thổ Nhĩ Kỳ và khẳng định: mô hình
Trang 9
ANN dự báo lạm phát vƣợt trội hơn so với mô hình ARIMA. Còn tại Việt Nam, Lê
Đạt Chí (2010) đã ứng dụng mô hình ANN vào dự báo giá chứng khoán tại
Tp.HCM và kết luận: mô hình ANN cho ra kết quả dự báo chính xác hơn mô hình
hồi quy tuyến tính truyền thống. Gần đây, Choudhary & Haider (2012) ứng dụng
mô hình ANN và AR(1) dự báo lạm phát tại 28 quốc gia thuộc Tổ chức Hợp tác và
Phát triển Kinh tế (OECD) và khẳng định: mô hình ANN giải thích đƣợc 45% sự
biến động của lạm phát trong khi mô hình AR(1) chỉ giải thích đƣợc 23% sự biến
động của lạm phát.
Ngoài những công trình khẳng định tính ƣu việt, cũng có những công trình nêu ra
những hạn chế của mô hình ANN. Zhang và cộng sự (1998) khẳng định mô hình
ANN chỉ dự báo tốt cho trƣờng hợp phi tuyến còn đối với những mối quan hệ tuyến
tính, mô hình ANN dự báo không tốt bằng mô hình hồi quy tuyến tính. Trong một
nghiên cứu khác của Binner và cộng sự (2010) về lạm phát tại nền kinh tế Mỹ,
nhóm tác giả kết luận mô hình KRLS dự báo tốt hơn mô hình ANN. Ngoài ra,
nghiên cứu của Zhang (2003); Khashei & Bijari (2011) còn kết luận thêm mô hình
lai tạo (hybrid model) giữa ANN và ARIMA cho ra kết quả dự báo tốt hơn khi sử
dụng những mô hình này đơn lẻ.
Tóm lại, có nhiều kết luận khác nhau liên quan đến hiệu quả dự báo của mô hình
ANN tùy thuộc vào từng quốc gia và tùy thuộc vào bộ dữ liệu mà nhà nghiên cứu
sử dụng. Trong những phần tiếp theo, tác giả sẽ trình bày kỹ hơn về ANN và hiệu
quả dự báo của nó so với mô hình hồi quy tuyến tính mà đặc biệt là mô
hìnhARIMA, sử dụng bộ dữ liệu kinh tế vĩ mô của Việt Nam.
1.4Mô hìnhARIMA
Mô hìnhARIMA xuất phát từ tên tiếng Anh là Autoregressive Integrated Moving
Average. Mô hình này lần đầu tiên đƣợcđƣa ra bởi Box–Jenkins1 vào năm 1970. Mô
hình này đƣợc kết hợp bởi 3 thành thành phần chính: AR (thành phần tự hồiquy), I
1
Box, George; Jenkins, Gwilym (1970). Time series analysis: Forecasting and control, San Francisco: Holden-Day
Trang 10
(tính dừng của chuỗi thời gian) và MA (thành phần trung bình trƣợt). Theo Gujarati
(2004), để ƣớc lƣợng mô hìnhARIMA ta cầnđi qua 4 bƣớc chính sau:
Bƣớc 1: Nhận dạng mô hình
Đểáp dụng mô hìnhARIMA(p,d,q) vào dự báo trƣớc tiên ta phải nhận dạng ba thành
phần p,d, q của mô hình. Thành phần d của mô hình đƣợc nhận dạng thông qua
kiểmđịnh tính dừng của chuỗi thời gian. Nếu chuỗi thời gian dừng ta có I(d=0), nếu
sai phân của bậc 1 của chuỗi dừng ta có I(d=1), nếu sai phân bậc 2 của chuỗi dừng
ta có I(d=2)…v.v. Phƣơng pháp kiểmđịnh tính dừng thƣờng đƣợcáp dụng là kiểm
định Dickey-fuller2.
Sau khi kiểmđịnh tính dừng, ta sẽ xácđịnh bậc của thành phầnAR và MA thông qua
biểu đồ tự tƣơng quan (ACF) và biểu dồ tự tƣơng quan riêng phần (PACF).
Đối với thành phầnAR(p), mối quan hệ giữa giá trị hiện tại và quá khứ đƣợc thể
hiện qua phƣơng trình sau:
Yt 0 1Yt 1 2Yt 2 .... pYt p
(1)
Giá trị p đƣợc nhận dạng thông qua biểu đồ PACF vàACF. Nếu chuỗi có
dạngAR(p) thì biểu đồ PACF sẽ có các hệ số tƣơng quan riêng phần cóý nghĩa
thống kê từ 1,2…p và các giá trị sau đó sẽ giảm nhanh về không, đồng thờiACF có
các hệ số tƣơng quan sẽ giảm dần về không.
Đối với thành phần MA(q), ta có phƣơng trình:
Yt 0ut 1ut 1 2ut 2 ... q ut q (2)
Nếu chuỗi có dạng MA(q) thì biểu đồACF sẽ có các hệ số tƣơng quan cóý nghĩa
thống kê từ 1,2…q và các giá trị sau đó sẽ giảm nhanh về không. Còn đối với PACF
các hệ số tƣơng quan riêng phần sẽ giảm dần về không.
Kết hợp (1) và (2) ta có mô hìnhARMA(p,q)
2
Dickey, D. A.; Fuller, W. A. (1979). "Distribution of the Estimators for Autoregressive Time Series with a Unit Root".
Journal of the American Statistical Association 74 (366): 427–431. JSTOR 2286348
Trang 11
Yt 0 1Yt 1 2Yt 2 .... pYt p 0ut 1ut 1 2ut 2 .... q ut q
(3)
Bƣớc 2: Ƣớc lƣợng các tham số và lựa chọn mô hình
Các tham số của mô hình sẽ đƣợc ƣớc lƣợng bằng phần mềm Eview. Quá trình lựa
chọn mô hình là quá trình thực nghiệm và so sánh các tiêu chí R2 hiệu chỉnh, AIC
và Schwarz cho đến khi ta chọn đƣợc mô hình tốt nhất cho việc dự báo.
Bƣớc 3: Kiểm định mô hình
Đểđảm bảo mô hình là phù hợp, sai số của mô hình phải là nhiễu trắng (white
noice). Ta có thể sử dụng biểu đồ tự tƣơng quan ACF hoặc kiểmđịnh BreuschGodfrey kiểm tra tính tự tƣơng quan của sai số. Đối với phƣơng sai sai số thay đổi,
ta có thể sử dụng kiểmđịnhWhite hoặcARCH.
Bƣớc 4: Dự báo
Sau khi kiểmđịnh sai số, nếu mô hình là phù hợp, mô hình sẽ đƣợc sử dụng vào việc
dự báo. Dự báo bao gồm 2 phần chínhđó là: dự báo trong mẫu và dự báo ngoài mẫu.
Các tiêu chí đƣợc sử dụngđể so sánh hiệu quả dự báo là RMSE và MAE.
1.5Mô hình mạng thần kinh nhân tạo
1.5.1 Mạng thần kinh con ngƣời
Mạng thần kinh nhân tạo đƣợc mô phỏng theo mạng thần kinh con ngƣời, chính vì
vậy ta cần phải tìm hiểu mạng thần kinh con ngƣời trƣớc khi tìm hiểu sâu hơn mạng
thần kinh nhân tạo. Theo các nhà sinh học nghiên cứu về não bộ, não bộ của con
ngƣời đƣợc cấu thành bởi hơn 100 tỷ tế bào đƣợc gọi là nơ-ron thần kinh. Mỗi nơron bao gồm các thành phần chính đó là nhân tế bào, tua gai và các sợi trục (hình1).
Trang 12
- Xem thêm -