Đăng ký Đăng nhập
Trang chủ Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế ­trường hợp thị tr...

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

.PDF
179
100
92

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 t) gần 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  e t  = T t  ­ Y t  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  MFF­2PE  MFF­3PE  MFF­4PE  MFF­5PE  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 -

Tài liệu liên quan