Luận án Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế ­ Trường hợp thị trường chứng khoán Việt Nam

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  Lê Đạt Chí  Chủ tịch hội đồng cấp cơ sở  PGS.TS. Phan Thị Bích Nguyệt 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  Ký hiệu Miêu tả dữ liệu  1  Lạm phát  CPI  Sự thay đổi tốc độ chỉ số giá tiêu dùng qua các  tháng từ nguồn dữ liệu của tổng cục thống kê  2  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  3  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  4  Sản  lượng  công  nghiệp  IP  Sự thay đổi giá trị tăng trưởng sản lượng công  nghiệp  qua  các  tháng.  Số  liệu  từ  tổng  cục  thống kê  5  Cán cân thương mại  TB  Thay  đổi  giá  trị  của  cán  cân  thương mại  qua  các tháng. Số liệu từ tổng cục thống kê  6  Cung tiền M2  M2  Tốc  độ  thay đổi  cung  tiền M2 qua  các  tháng.  Số liệu từ ngân hàng nhà nước và IMF  7  Tăng trưởng tín dụng  CR  Tăng trưởng tín dụng qua các tháng. Số liệu từ  ngân hàng nhà nước và IMF  8  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  CPI, USD, M2  3  0,019331  0,073505  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  Số PE  MSE (Training)  MSE (CV)  R ­ Square  Mô hình 1  CPI­IP­M2­CR  3  0,013783  0,131202  5,51%  Mô hình 2  LR­IP­TB­CR  3  0,019331  0,073505  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 21  sát các nhóm biến khác được đưa vào mô hình mạng ANN và so sánh chúng với mô  hình hồi quy tuyến tính.  2.3.  Sự vượt  trội  của mô hình mạng thần kinh nhân  tạo  so  với mô hình hồi  quy tuyến tính khi sử dụng các biến số tài chính  Bên cạnh các biến kinh  tế vĩ mô  thì  các biến phản ánh  tình hình  tài  chính của các  doanh nghiệp niêm yết cũng thường được sử dụng làm nhập lượng đầu vào cho các  mô hình dự báo tỷ suất sinh lợi của các tài sản tài chính trên TTCK. Nghiên cứu của  Fama và French (1992) dựa trên các chứng khoán sàn giao dịch New York trong giai  đoạn từ 1963 đến 1990 đã đưa ra kết luận về sự tồn tại mối tương quan giữa tỷ suất  sinh lợi chứng khoán với các tỷ số tài chính như: tỷ số giá/giá trị sổ sách (P/B), tỷ số  giá/thu  nhập mỗi  cổ  phần  (P/E)… Trong những năm  sau  đó,  nhiều nghiên  cứu  sử  dụng  những  phương pháp  kiểm định  khác nhau  đã đi đến  kết  luận  về  sự  hạn  chế  trong khả năng dự báo của các tỷ số này. Tuy nhiên, John Y. Campbell và Motohiro  Yogo (2003) đã đưa ra một phương pháp kiểm định mới, củng cố cho kết luận về khả  năng dự báo của các tỷ số tài chính: cổ tức/giá và giá/thu nhập mỗi cổ phần.  Bên cạnh các biến số đầu vào thì loại mô hình được sử dụng cũng sẽ ảnh hưởng đến  kết quả cuối cùng của quá trình phân tích và dự báo. Mặc dù phần lớn các nghiên cứu  trước đây đều chỉ ra mối quan hệ tuyến tính giữa các tỷ số tài chính và tỷ suất sinh  lợi của chứng khoán. Tuy nhiên, thực tế là các mô hình phi tuyến sẽ có khả năng mô  tả chính xác hơn mối  tương quan giữa hai yếu tố này. Nghiên cứu của Mohammed  Omran (2002), dựa trên mẫu dữ liệu từ năm 1996 đến 2000 của 46 doanh nghiệp trên  thị trường Ai Cập đã góp phần minh chứng cho kết luận này. Tương tự, nghiên cứu  của Reza Gharoie Ahangar (2010) sử dụng mô hình phi tuyến cũng đã cho kết quả dự  báo tốt hơn so với mô hình tuyến tính thông thường. Bài nghiên cứu sử dụng mẫu dữ  liệu của các công ty niêm yết  trên sàn giao dịch Tehran và mô hình phi tuyến được  lựa chọn là mô hình mạng ANN.  Dựa trên nền tảng đó, phần nghiên cứu này của luận án sẽ thiết lập hai loại mô hình  dự báo khác nhau sử dụng các tỷ số tài chính làm nhập lượng đầu vào để phân tích và  dự  báo  tỷ  suất  sinh  lợi  của  chỉ  số VN­Index  trên  TTCK VN.  Trước  hết, mô hình  tuyến  tính  truyền  thống sẽ được sử dụng như một mô hình chuẩn. Sau đó, các cấu  trúc mạng ANN phi  tuyến khác nhau được xây dựng và kết quả dự báo của những  cấu trúc mạng này sẽ được so sánh với mô hình tuyến tính đã được thiết lập.  Nhập lượng đầu vào bao gồm các biến tỷ số tài chính lần lượt là: tỷ suất sinh lợi trên  vốn cổ phần ­ ROE, tỷ suất sinh lợi trên tổng tài sản  ­ ROA, tỷ số giá trên thu nhập  mỗi cổ phần ­ PE, tỷ số giá trên giá trị sổ sách mỗi cổ phần ­ PB, giá trị vốn hóa của 22  thị  trường –  CM,  dòng  tiền mỗi  cổ  phần  –  CF,  thu  nhập mỗi  cổ  phần  –  EPS,  lợi  nhuận biên – PM, và tỷ lệ nợ trên vốn cổ phần – D/E. Bộ dữ liệu theo tháng được thu  thập từ Sở giao dịch chứng khoán Tp.HCM và Bloomberg từ tháng 1/2007 đến tháng  9/2010. Các dữ liệu trên được tính trên cơ sở tỷ lệ thay đổi để đảm bảo tính dừng khi  sử dụng cùng bộ dữ liệu để so sánh với phương pháp hồi quy tuyến tính.  2.3.1.  Mô hình mạng ANN tuyến tính  Trước khi đi vào xây dựng mô hình, với tập hợp dữ liệu thu thập được, chia dữ liệu  thành 3 tập nhỏ bao gồm: tập dữ liệu được dùng để huấn luyện, tập dữ liệu dùng để  xác nhận và tập dữ liệu để kiểm tra lại lần lược 60%, 15% và 25%. Sau khi xác định  được ba tập dữ liệu cần thiết, quá trình chạy mô hình ANN không có lớp ẩn và sử  dụng hàm truyền là hàm tuyến tính có kết quả MSE là khá thấp chỉ là 0,0014, tương  quan giữa kết quả dự báo và giá trị thực tế lên đến 87%.  2.3.2.  Kết quả của mô hình hồi quy tuyến tính truyền thống  Phụ lục 3 “Xây dựng mô hình hồi quy tuyến tính truyền thống để phân tích và dự báo  VN­Index”  trong việc khảo sát các biến  tài  chính để phân  tích và dự báo VNI trên  TTCK VN thời gian qua cho chúng ta kết quả sau:  ­  Mô hình hồi quy đơn biến với biến giải  thích lần lược là biến CM và PE có  hiện tượng phương sai thay đổi hay nói cách khác, mô hình hồi quy đơn biến  với  hai biến trên không phù hợp.  ­  Mô hình hồi quy tuyến tính đơn biến với biến giải thích lần lược là biến ROA,  ROE, PB, EPS, PM không có hiện tượng phương sai thay đổi. Tuy nhiên, mô  hình hồi quy đơn biến với biến giải  thích ROA có hiện tượng tự tương quan  nên mô hình với biến này không phù hợp. Nói cách khác, biến ROA không  thể sử dụng để giải thích cho sự thay đổi trong VNI.  ­  Với mô hình hồi quy đơn biến, các biến giải thích còn lại  là ROE, PB, EPS,  PM thì mô hình đơn biến với biến PB cho ra mức độ giải  thích cao nhất  lên  đến 44,7% trong mô hình. Như vậy chúng ta có thể kết luận mô hình hồi quy  đơn biến với biến PB là mô hình tối ưu nhất, chúng ta sử dụng mô hình này để  đưa thêm biến vào mô hình.  ­  Kết quả hồi quy đa biến với một biến PB được lựa chọn và đưa thêm các biến  còn lại vào mô hình để kiểm định thì biến giải thích PE thích hợp cho mô hình  khi dừng lại việc kiểm định phương sai thay đổi và tự tương quan. Tuy nhiên 23  khi  kiểm định  tính  chất đa  cộng  tuyến  giữa  các  biến  giải  thích  thì mô  hình  không phù hợp.  Kết luận: Nếu cấu trúc mạng ANN tuyến tính đã cho kết quả dự báo tốt hơn mô hình  hồi quy tuyến tính truyền thống. Tuy nhiên, liệu rằng mô hình phi tuyến của hệ thống  mạng ANN có thể hoàn thiện hơn kết quả dự báo này hay không? Phần tiếp theo sẽ  đi vào xây dựng các cấu trúc mạng ANN phi  tuyến và tiến hành dự báo ngoài mẫu  cho VN­Index và so sánh với kết quả của cấu trúc mạng ANN tuyến tính trên.  2.3.3.  Mô hình mạng ANN phi tuyến khi khảo sát các biến tài chính  Sau khi xác định các biến số đầu vào cho mô hình, thuật toán để huấn luyện mạng và  số quan sát cần thiết của các tập huấn luyện, xác nhận và kiểm định lại, ta tiến hành  xây dựng các mạng ANN với cấu trúc khác nhau.  Trước hết  sẽ  là  các mạng ANN đa  lớp  truyền  thẳng,  với một  lớp  ẩn duy  nhất.  Số  neuron trong lớp ẩn sẽ lần lượt là 3, 4, 5, 6. Các mô hình này sẽ được ký hiệu lần lượt  là MLN 9­3­1; MLN 9­4­1; MLN 9­5­1; MLN  9­6­1. Kết  quả  của  quá  trình  huấn  luyện mạng ANN này cho kết quả ở bảng 2.9. 24  Bảng 2.9: Kết quả kiểm định ngoài mẫu của cấu trúc mạng MLN 9­3­1, MLN 9­  4­1, MLN 9­5­1, MLN 9­6­1  Chỉ tiêu  MLN 9­3­1  MLN 9­4­1  MLN 9­5­1  MLN 9­6­1  MSE  0,001610352  0,001660062  0,000475635  0,000612894  MAE  0,026933572  0,031146098  0,019459597  0,018091013  r  0,837726021  0,943107444  0,982771487  0,97801643  Mặc dù cấu trúc mạng ANN tuyến tính ban đầu đã cho ra kết quả dự báo VNI khá  tốt, nhưng độ chính xác của dự báo đã được cải thiện đáng kể khi sử dụng cấu trúc  mạng ANN phi tuyến.  Bên  cạnh  cấu  trúc  mạng  ANN  truyền  thẳng  đa  lớn  thì  một  dạng  cấu  trúc  mạng  GRNN cũng được sử dụng khá phổ biến. Trong phần này sẽ chỉ tiến hành xây dựng  và huấn luyện hệ thống mạng GRNN với một lớp ẩn với lần lượt 5 và 6 neuron ẩn,  được ký hiệu lần lượt là GNN 9­5­1 và GNN 9­6­1. Kết quả dự báo ngoài mẫu đối  với hai cấu trúc này sau khi được huấn luyện lần lượt là:  Bảng 2.10: Kết quả kiểm định ngoài mẫu của GNN 9­5­1 và GNN 9­6­1  Chỉ tiêu  GNN 9­5­1  GNN 9­6­1  MSE  0,00132333  0,00064198  MAE  0,030073692  0,0218326  r  0,910328807  0,95020783  Đối với trường hợp của mạng GRNN, kết quả dự báo của cấu trúc mạng này trên tập  kiểm định lại cũng cho thấy sự hoàn thiện hơn của cấu trúc phi tuyến so với cấu trúc  tuyến tính.  Tóm lại, qua các kết quả trên, ta có thể kết luận rằng, các biến số tài chính thật sự có  khả năng dự báo đối với  tỷ suất sinh  lợi của chỉ số VNI. Bên cạnh đó, mặc dù mô  hình hồi quy tuyến tính truyền thống cho kết quả dự báo tương đối khả quan với biến  giải thích PB lên đến 44,7%, song mô hình mạng ANN lại cho kết quả tốt hơn. Tuy  nhiên, hiệu quả dự báo của mô hình hoàn toàn có thể được nâng cao thông qua việc  sử hệ thống mạng ANN phi tuyến.  Qua hai nhóm biến được khảo sát là nhóm biến kinh tế vĩ mô và nhóm biến tài chính  của các doanh nghiệp niêm yết đã phần nào trả lời được mục tiêu nghiên cứu. Tuy  nhiên, phần tiếp theo, luận án tiếp tục khảo sát thêm một số nhóm biến khác để phân 25  tích sự thay đổi VNI. Mục đích của quá trình này không nằm ngoài mục tiêu của luận  án  là  tiếp  tục  tìm kiếm nhóm biến  thích hợp để dự báo VNI  và xác định mô hình  mạng ANN có khả năng dự báo tốt hơn mô hình hồi quy tuyến tính không.  2.4.  Phân tích và dự báo giá chứng khoán trên TTCK VN dưới tác động của  sự biến động các TTCK thế giới  Dự báo trên TTCK từ trước đến nay đã thu hút sự quan tâm của rất nhiều nhà nghiên  cứu. Xuất phát từ những góc độ khác nhau, những nghiên cứu này đã có những đóng  góp đáng kể. Các nghiên cứu của Bhattacharyya  và Banerjee  (2004), Eun và Shim  (1989), Taylor và Tonks  (1989), Yang và cộng sự  (2003) đã khẳng định sự  tồn tại  mối  tương quan giữa các TTCK trên  thế giới. Bên cạnh đó, những nghiên cứu của  Becker (1990), Eun và Shim (1989), Wu và Su (1989) cũng chỉ ra rằng TTCK Mỹ có  sự tác động mạnh đến hầu hết các thị trường khác. Điều này gợi ý những nghiên cứu  sâu hơn nhằm mục đích vận dụng mối tương quan giữa các thị trường trong việc dự  báo chỉ số chứng khoán.  Nghiên  cứu  của  Yochanan  Shachmurvoe  và Dorota Witkowsha  (2000)  đã  sử  dụng  chuỗi dữ liệu theo ngày của các chỉ số thị  trường Canada, Pháp, Ðức, Nhật, Anh và  Mỹ để tiến hành dự báo bằng các mô hình ANN đa lớp. Kết quả so sánh với mô hình  tuyến tính truyền thống sử dụng phương pháp bình phương nhỏ nhất (OLS) cho thấy  mạng ANN phi tuyến ANN cho kết quả dự báo tốt hơn.  Xuất  phát  từ những ý  tưởng  trên, phần nghiên cứu này của  luận  án  tiến hành  xây  dựng hệ thống ANN để dự báo cho chỉ số VNI của TTCK VN bằng cách sử dụng các  chỉ  số  thị  trường  khác  bao  gồm  chỉ  số  Dow  (Mỹ),  FTSE  (Anh),  N225  (Nhật)  và  SSEC (Shanghai – Trung Quốc).  Kết  quả  cho  thấy  cấu  trúc mạng ANN  tuyến  tính  thật  sự  đã  không  thể  “nắm bắt”  được mối tương quan giữa VNI với các chỉ số thị trường khác. Tuy chỉ tiêu MSE khá  nhỏ, ở mức 0,001634 và chỉ  tiêu MAE cũng chỉ ở mức 0,0279, nhưng chỉ tiêu r  lại  đạt mức ­0,078%.  Tuy nhiên, dưới góc độ kỹ thuật, kết quả dự báo trên có thể là do mô hình được sử  dụng,  trong  trường hợp này  là  cấu  trúc mạng ANN  tuyến  tính, phải  chăng  là chưa  phù hợp. Thực tế có thể là mối tương quan giữa chỉ số VNI của TTCK VN với các  chỉ số thị trường khác là phi tuyến. Để làm rõ điều này, luận án tiếp tục tiến hành xây  dựng cấu trúc mạng ANN và so sánh kết quả kiểm định ngoài mẫu với cấu trúc trên.  Về cấu trúc của hệ thống mạng, sau nhiều thử nghiệm khác nhau,  luận án lựa chọn  xây dựng bốn cấu trúc lần lượt là: MLF 4­4­1: Cấu trúc mạng truyền thẳng đa lớp chỉ 26  1 lớp ẩn với 4 neuron; MLF 4­3­2­1: Cấu trúc mạng truyền thẳng đa lớp với 2 lớp ẩn  có số neuron lần lượt là 3 và 2 neuron; MLF 4­4­3­1: Cấu trúc mạng truyền thẳng đa  lớp với 2 lớp ẩn có số neuron lần lượt là 4 và 3 neuron; GNN 4­3­1: Cấu trúc mạng  truyền thẳng được khái quát hóa với 1 lớp ẩn duy nhất có 3 neuron. Việc lựa chọn  cấu trúc hệ thống mạng thật chất là quá trình “thử và sai” để đi đến kết luận về cấu  trúc mạng phù hợp nhất với dữ liệu và biến số đang khảo sát. 27  Bảng 2.12: Kết quả kiểm định ngoài mẫu của các cấu trúc mạng  Performance  MLF 4­4­1  MLF 4­3­2­1  MLF 4­4­3­1  GNN 4­3­1  MSE  0,001701937  0,00191072  0,001795325  0,001692893  MAE  0,029705558  0,032034907  0,032734725  0,029852306  r  0,344853422  0,126066256  0,122359768  0,101416485  So sánh kết quả kiểm định ngoài mẫu giữa cấu trúc mạng tuyến tính với các cấu trúc  ANN  trên  cho  thấy  rằng:  về  cơ  bản,  hầu  như không  có  sự  thay  đổi  trong  chỉ  tiêu  MSE và MAE giữa cấu trúc mạng tuyến tính và cấu trúc mạng phi tuyến. Tuy nhiên,  lại có sự khác biệt lớn trong chỉ tiêu r. Điều này cho thấy rằng, ở một mức độ nào đó,  cấu trúc mạng phi  tuyến thật sự đã có sự cải  thiện hơn so với cấu trúc mạng tuyến  tính trong việc dự báo VNI.  Trong khi đó, cùng chuỗi dữ liệu này, phần nghiên cứu ở phụ lục 3 của luận án khi  khảo sát bằng mô hình hồi quy tuyến tính đã cho thấy: mô hình hồi quy đơn biến chi  có biến SSEC của TTCK Shanghai Trung Quốc có  tác động đến sự biến động của  VNI với mức ý nghĩa 1% nhưng mức độ giải thích của mô hình quá thấp. Điều này  cho thấy sự vượt trội của mô hình mạng ANN so với mô hình hồi quy tuyến tính.  2.5.  Sử dụng sự thay đổi giá trong quá khứ để dự báo giá chứng khoán trên  TTCK VN  Nghiên cứu của Fama (1970) khẳng định rằng, giá của tài sản tài chính tại mỗi thời  điểm đã phản ánh tất cả thông tin liên quan đến nó. Do vậy xu hướng biến động trong  tương  lai của thông tin phụ thuộc hoàn toàn “ngẫu nhiên” vào sự xuất hiện của các  thông tin mới. Điều này đồng nghĩa rằng các nỗ lực dự báo giá chứng khoán trong  tương  lai  dựa  trên  thông  tin  hiện  tại  là  không  thể.  Tuy  nhiên,  kết  quả  của  nhiều  nghiên cứu sau đó kiểm định tính hiệu quả của thị trường đã cho thấy sự hoài nghi về  giả  thiết  này.  Trong  số  những  cách  tiếp  cận  để  kiểm  định  tính  hiệu  quả  của  thị  trường, nhiều bài nghiên cứu chỉ sử dụng các mô hình tuyến tính truyền thống. Trong  trường hợp đó, kết quả phủ nhận khả năng dự báo xu hướng giá chứng khoán rất có  thể là do hạn chế của bản thân mô hình. Do vậy, phần nghiên cứu này muốn tận dụng  ưu điểm  chủ  yếu  của mô hình ANN là  khả năng nắm bắt các mối  tương quan phi  tuyến để xem rằng liệu dữ liệu quá khứ của bản thân chuỗi chỉ số chứng khoán có thể  dự báo cho xu hướng tương lai của chính nó hay không. Nếu điều này là có thể thì  TTCK tồn tại xu hướng và chưa đạt đến trạng thái thị trường hiệu quả. 28  Kết quả kiểm định ngoài mẫu cho  thấy  rằng, hai  cấu trúc mạng ANN truyền  thẳng  hai lớp ẩn MLF 3­5­3­1 và GNN 3­5­3­1 cho kết quả tương đối khả quan nhất nhưng  giá trị dự báo ngoài mẫu quá thấp, giá chứng khoán không thể dùng chính nó để dự  báo? Vậy liệu rằng với chuỗi dữ liệu theo ngày, kết quả dự báo có được cải thiện hơn  hay không?  Kết quả kiểm định với chuỗi dữ liệu ngày cho thấy dường như không có sự cải thiện  đáng kể trong hiệu quả dự báo. Chỉ  tiêu r vẫn chỉ đạt mức thấp 6,8% vẫn chưa cho  thấy mối  tương quan  trong chuỗi  tỷ suất  sinh lợi quá khứ với  tỷ  suất  sinh  lợi VNI  hiện tại. Tuy nhiên, vấn đề lại được đặt ra rằng, liệu có phải do chuỗi dữ liệu trong  thời  kỳ  thu  thập  không miêu  tả  được  những  đặc  trưng  của  một  giai  đoạn  của  thị  trường? Rất có thể sự thay đổi nhanh chóng của TTCK VN trong suốt thời gian qua  đã khiến cho mô hình mạng được huấn luyện dựa trên các dữ liệu quá khứ đã không  có giá trị lâu dài. Để làm rõ vấn đề này, một lần nữa luận án đi vào điều chỉnh nguồn  dữ liệu đầu vào, sử dụng bộ dữ liệu tỷ suất sinh lợi theo ngày từ đầu năm 2010 đến  tháng 09/2010. Với các cấu trúc mạng khác nhau, kết quả kiểm định ngoài mẫu bảng  2.15.  Mặc dù xét về các chỉ tiêu khác nhau MSE và MAE, kết quả dự báo từ các cấu trúc  mạng  sử  dụng  bộ  dữ  liệu  tỷ  suất  sinh  lợi  trong  khoảng  thời  gian  ngắn  hơn  (năm  2010) so với cấu trúc cũ có sự khác biệt không lớn, nhưng riêng chỉ tiêu tương quan  giữa chuỗi giá trị dự báo với chuỗi giá trị thực tế lại có sự cải thiện đáng kể. Đặc biệt  là  với  cấu  trúc  MLF  5­3­1  và  GNN  5­4­3­1,  chỉ  tiêu  này  lần  lượt  là  38,17%  và  27,3%. Điều  này  cho  thấy  sự  trùng  hợp  với  kết  luận  của Wilton, Vincent  và  Tam  (2008) về việc sử dụng bộ dữ liệu trong thời gian ngắn hơn sẽ cho kết quả dự báo khả  quan hơn đối với TTCK Shanghai của Trung Quốc. Nói cách khác, mô hình ANN có  thể  sử  dụng để  dự báo VNI  trên  TTCK VN  trong  khoảng  thời  gian  quan  sát  theo  ngày  sẽ  cho mức  độ  giải  thích  lớn  hơn. Nhưng mặt  khác,  điều  này  còn  cho  thấy  TTCK VN bị  tác động bởi nhân  tố momentum  lớn. Kết quả này càng minh chứng  cho những nghiên cứu gần đây trên TTCK VN về tác động của tâm lý nhà đầu tư là  rất lớn. Chính sự phản ứng thái quá của nhà đầu tư là nguồn gốc của tình trạng xuất  hiện  của biến momentum này. Để  làm rõ hơn  tính  chất này,  phần  nghiên  cứu  tiếp  theo của luận án sử dụng những chỉ báo của phân tích kỹ thuật để phân tích sự thay  đổi của VNI thời gian qua.  Bảng 2.15: Kiểm định ngoài mẫu đối với các mô hình ANN với dữ liệu thu thập  trong năm 2010  Performance  MLF 5­3­1  MLF 5­4­3­1  MLF 5­4­3­2­1  GNN 5­4­3­1  MSE  0,000189239  0,000162405  0,000146995  0,000196657 29  MAE  0,01035996  0,00875276  0,008767146  0,011025464  r  0,381748919  0,179258371  0,197218582  0,273073181  2.6.  Dự báo giá chứng khoán  trên TTCK VN dưới tác động của các chỉ báo  tâm lý thị trường  Không dừng lại ở việc chỉ sử dụng các biến số kinh tế vĩ mô và tài chính để làm nhập  lượng đầu vào, một  số nghiên cứu khác đã ứng dụng phân  tích kỹ  thuật  trong việc  xây  dựng  nên mô  hình mạng  ANN.  JingTao  Yao,  Chew  L.  Tan  và  Hean  L  Poh  (1999) đã sử dụng các chỉ báo kỹ thuật như trung bình di động (MA), chỉ số cường  độ  (RSI)… để dự báo chỉ  số Kuala Lumpur Composite  Index của TTCK Malaysia  thông qua mô hình mạng ANN. Kết quả thực nghiệm đã cho thấy rằng mô hình này  sẽ cho ra khả năng dự báo tỷ suất sinh lợi cao hơn so với việc sử dụng một số mô  hình truyền thống như mô hình ARIMA.  Nhận  thấy  rằng việc sử dụng các chỉ báo của phân  tích kỹ thuật  là khả  thi đối với  việc dự báo chỉ số chứng khoán, nội dung của phần này tập trung vào việc lựa chọn  một số các chỉ báo tiêu biểu để thiết lập nên mô hình mạng ANN nhằm mục đích dự  báo  cho  chỉ  số VNI  và  so  sánh  kết  quả dự báo  của mô hình  này với  các mô hình  tuyến tính thông thường.  Phần nghiên cứu này đã chứng minh cho quan điểm TTCK VN tồn  tại hiện  tượng  momentum rất cao. Điều này khẳng định cho kết  luận trong phần 2.5 khi phân tích  giá chứng khoán trong quá khứ có tác động đến giá hiện tại và tương lai. Nói cách  khác, luận án càng cho thấy TTCK VN chưa đạt đến trạng thái thị trường hiệu quả,  thị  trường luôn tồn tại xu hướng. Giá chứng khoán trên TTCK VN có thể được dự  báo từ những thay đổi giá trong quá khứ, tuy nhiên mức độ tác động là không lớn khi  chỉ tiêu dựa báo ngoài mẫu là r­Square từ mô hình mạng ANN thấp.  Tóm lại, quá trình phân tích trong chương 2 đã cho chúng ta kết luận rằng, mô hình  mạng ANN thật sự là một công cụ hữu ích cho việc ước lượng mối quan hệ phi tuyến  của các biến số. Nghĩa là mô hình mạng ANN vượt trội hơn mô hình tuyến tính khi  mối quan  hệ giữa  các biến  là mối quan hệ phi  tuyến. Chính  vì  vậy  cấu  trúc mạng  ANN truyền thẳng với hàm truyền là hàm phi  tuyến cho ra kết quả dự báo VNI tốt  hơn các cấu trúc mạng ANN khác. Đồng thời nhóm các biến phản ánh tình hình tài  chính của các doanh nghiệp niêm yết  trên TTCK tác động mạnh đến sự biến động  của VNI. Điều này  cho  thấy  khả năng dự báo  giá  chứng khoán  trên TTCK VN  từ  nhóm biến tài chính sẽ phần nào chuẩn xác hơn các nhóm biến khác. 30  Chương 3: MỘT SỐ ĐỀ XUẤT TỪ QUÁ TRÌNH PHÂN TÍCH VÀ DỰ BÁO  GIÁ  CHỨNG  KHOÁN  TRÊN  THỊ  TRƯỜNG  CHỨNG KHOÁN  VIỆT NAM  Trong chương 2 tôi đã trả lời cho những mục tiêu nghiên cứu được đặt ra: Thứ nhất,  thiết  kế và ứng dụng mô hình mạng ANN  trong  việc dự báo giá  chứng khoán  trên  TTCK VN là hoàn toàn có thể. Thứ hai, mô hình ANN tỏ ra tối ưu hơn mô hình hồi  quy tuyến tính truyền thống và cấu trúc mạng ANN truyền thẳng với hàm phi tuyến sẽ  là mô hình dự báo giá chứng khoán tốt nhất trên TTCK VN thời gian qua. Thứ ba,  trong số các biến giải  thích cho sự thay đổi giá chứng khoán thì các biến tài chính  lại cho ra kết quả dự báo tốt nhất. Nói cách khác, giá chứng khoán trên TTCK VN  được  giải  thích  từ  những  thay đổi  trong  chính  những biến  phản ánh  tình  hình  tài  chính  của  doanh  nghiệp.  Nói  như  vậy,  không  có  nghĩa  là  các  biến  kinh  tế  vĩ  mô  không tác động đến sự thay đổi giá chứng khoán. Phần 2.1 và 2.2, việc sử dụng mô  hình ANN để phân tích tác động của các biến kinh tế vĩ mô đã cho thấy mức độ ảnh  hưởng là khá lớn lên sự thay đổi này. Trong khi đó, việc khảo sát sự thay đổi của các  biến tài chính cũng phản ánh  những tác nhân kinh tế lên mức độ ảnh hưởng của các  biến tài chính.  Chẳng hạn, khi dùng các biến kinh tế vĩ mô, nghiên cứu của tôi phát hiện ra các biến  về tăng  trưởng tín dụng, lãi suất và lạm phát ảnh hưởng đến sự thay đổi giá chứng  khoán nhưng nếu nhìn từ các biến tài chính thì mức độ tài trợ từ nợ của các doanh  nghiệp niêm yết lại là một biến tác động đến giá chứng khoán, do đó mức độ tài trợ  từ nợ càng lớn đã cho thấy tác động của các biến kinh tế vĩ mô như tăng trưởng tín  dụng và lãi suất ảnh hưởng mạnh lên giá chứng khoán trên TTCK VN.  Như vậy, quá trình nghiên cứu này giúp cho chương 3 của luận án đề xuất hướng đi  mới từ công cụ phân tích và dự báo là mô hình ANN. Ngoài ra,  luận án có đề xuất  một số giải pháp được phát hiện liên quan đến quá trình phân tích dữ liệu trung việc  dự báo giá chứng khoán trên TTCK VN để nhằm mục đích vừa phát triển TTCK VN  nhưng đồng thời sẽ giúp quá trình dự báo giá chứng khoán sau này trở nên tốt hơn.  Trước tiên, luận án đưa ra một số kết luận từ quá trình phân tích ở chương 2 và một  số vấn đề đặt ra từ quá trình phân tích dữ liệu giúp cho quản lý TTCK tốt hơn.  3.1.  Khả năng dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam  3.2.  Hành vi  tài  chính  của  nhà  đầu  tư  tác  động mạnh  trong mô hình mạng  ANN 31  3.3.  Một số đề xuất  từ quá  trình phân  tích và dự báo giá chứng khoán  trên  TTCK VN  3.3.1.  Gia  tăng điều  kiện  phát  hành  chứng  khoán nhằm  kiểm  soát  hoạt  động huy  động vốn của các doanh nghiệp  3.3.2.  Sớm thay đổi các quy định về tín dụng đầu tư chứng khoán hiện nay của ngân  hàng nhà nước  3.3.3.  Gia tăng điều kiện niêm yết trên các sàn giao dịch chứng khoán ở VN để tạo  ra sự khác biệt thực sự giữa các thị trường  3.3.4.  Tăng  tính chủ động cho Ủy ban chứng khoán nhà nước,  tiến  tới sự độc  lập  trong hoạt động dưới sự quản lý của chính phủ  3.4.  Những hạn chế của quá trình nghiên cứu này  3.5.  Những ứng dụng khác của mô hình mạng ANN 32  KẾT LUẬN  Thành công của một  số nghiên cứu  trên  thế giới và một phần  trong việc  triển khai  quá trình ứng dụng mô hình mạng ANN ở chương 2 của luận án đã cho thấy mô hình  mạng ANN cho ra kết quả dự báo tốt các biến kinh tế và nhất  là dự báo giá chứng  khoán trên TTCK VN. Mô hình mạng ANN có thể cải thiện mô hình tuyến tính nếu  các mối quan hệ được nghiên cứu có sự phi tuyến đáng kể. Mô hình mạng ANN nên  được xem như là một sự bổ sung tốt cho mô hình hồi quy tuyến tính. Các nhà nghiên  cứu quan tâm đến việc xây dựng một mô hình mạng ANN có thể sử dụng mô hình  tuyến tính như là điểm bắt đầu tốt nhất. Nói chung, mô hình mạng ANN là hữu ích  để hỗ trợ cho các nhà kinh tế  trong việc dự báo kinh tế vĩ mô. Ít nhất, chúng xứng  đáng để được nghiên cứu thêm nữa. Bằng cách sử dụng mô hình mạng ANN trong  một bối cảnh cụ thể, sẽ cho phép các nhà kinh tế đánh giá đúng tính hữu ích của nó.  Tất nhiên, yêu cầu thực hiện một mô hình mạng ANN có chất lượng cao sẽ phải đầu  tư nhiều  thời gian và công sức. Sự đầu  tư này  có  thể đáng giá chỉ khi chúng  ta có  được sự cải thiện tính chính xác trong việc dự báo lớn hơn những đầu tư cần thiết để  thực hiện mô hình. Nói chung sẽ đúng trong trường hợp của các biến số kinh tế vĩ  mô vốn còn nhiều cơ hội để gia tăng việc cải thiện dự báo, nghĩa là các biến số vẫn  có sai số dự báo khá lớn đối với các kỹ thuật hiện tại. Điều này cũng sẽ đúng cho các  biến có mức độ ảnh hưởng lớn khi mà mức độ cải thiện biến trong tính chính xác là  đáng mong đợi. Như vậy có thể là trường hợp của tăng trưởng GDP danh nghĩa, lãi  suất hoặc tỷ giá hối đoái,  là những biến số quan trọng trong việc hoạch định chính  sách tài khóa và tiền tệ.  Kết quả nghiên cứu của luận án đã góp phần cung cấp bằng chứng cho tính hiệu quả  khi ứng dụng mô hình mạng ANN trong dự báo kinh tế điển hình là giá chứng khoán.  Dựa trên việc khảo sát các nhóm biến khác nhau, mô hình mạng ANN luôn cho kết  quả  tốt  hơn mô hình hồi quy  tuyến  tính đặc biệt  là cấu  trúc mạng  truyền  thẳng  và  hàm phi  tuyến  sẽ  cho  kết quả  cho  sự  tác động của  các biến khi đưa vào mô hình.  Đồng thời, qua việc khảo sát cách biến khác nhau,  luận án đã chỉ ra nhóm viến tài  chính có tác động mạnh đến sự thay đổi giá chứng khoán trên TTCK VN. Quá trình  phân tích từ mô hình mạng ANN đã giúp cho luận án thấy được mức độ tác động của  các biến giải thích lên giá chứng khoán để làm cơ sở cho một số đề xuất chính sách  trong chương 3. Chính vì vậy, luận án đề xuất quá trình triển khai ứng dụng mô hình  mạng ANN trong công tác phân tích và dự báo kinh tế như là một bằng chứng củng  cố thêm cho những phương pháp truyền thống đang được thực hiện. 33  Phần 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: 34  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  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 35  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  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 36  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.  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 37  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: ·  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. 38  Chương 1  QUAN ĐIỂM VÀ BẰNG CHỨNG THỰC NGHIỆM VIỆC ỨNG  DỤNG MÔ HÌNH MẠNG THẦN KINH NHÂN TẠO TRONG  DỰ BÁO  TÓM TẮT  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. 39  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. Ban đầu, phương pháp  phân phối chuẩn được tìm thấy khi thực hiện các thí nghiệm tung đồng xu (một cách  ngẫu  nhiên) và  phát hiện  ra  đồ  thị hình  chuông. Sau  đó,  những người đi  theo học  thuyết  thị  trường hiệu quả  cho  rằng,  tỷ  suất  sinh  lợi  của  giá  chứng khoán  cũng  có  hình dạng đường cong hình chuông như vậy.  Bill William (1995) cho rằng, việc các nhà tài chính hiện nay sử dụng phương pháp  phân phối chuẩn là vì chúng ta chịu ảnh hưởng của những tư duy triết học từ xa xưa,  mà ông gọi đây là bản đồ logic văn hóa. Ông nói: “Bản đồ logic văn hóa của bạn tác  động đến mọi  thứ bạn  làm: bài nói chuyện của bạn,  suy nghĩ của bạn, hành vi của  bạn, cách bạn ăn và bạn giao dịch trên thị trường tài chính. Các khái niệm của bạn về  tất cả các hành động phụ thuộc vào bản đồ logic văn hóa mà bạn đang sử dụng”.  Bản  đồ  logic  văn  hóa  hiện  nay  bị  thống  trị  bởi  quan điểm  triết  học  của Aristotle.  Aristotle đúc kết  thế giới với ý tưởng rằng: “nếu bạn không biết về điều gì, bạn có  thể đi hỏi người khác, người mà bạn cho là hiểu biết hơn bạn”. Hàm ý của câu nói  trên cho rằng, mọi  thứ trên thế giới đều độc lập và ngẫu nhiên với nhau. Trong thế  giới của Aristotle, mọi  thứ  là đứng yên, bất biến và có một  ranh giới phân chia  rõ  ràng giữa các sự vật. Ứng dụng trên thị trường tài chính, tư tưởng về sự độc lập ngẫu  nhiên của giá chứng khoán chính là quan điểm của Aristotle.  Trong khi đó, Heraclitus lại có một câu nói nổi tiếng: “Không ai tắm hai lần trên một  dòng sông”. Điều này có nghĩa rằng, bất kể bạn đặt chân vào dòng nước nhanh như  thế nào và sau đó rút ra và đặt vào lần nữa, không chỉ dòng sông đã chuyển động mà  bàn chân của bạn cũng đã  thay đổi. Hàm ý câu nói của Heraclitus  là mọi  thứ  luôn  chuyển động và không có gì  là bất biến và ổn định. Trong  thế giới của Heraclitus,  không có ranh giới rõ ràng và không có gì  là đứng yên mãi mãi, mọi  thứ có sự kết  nối  với nhau. Trên  thị  trường  tài  chính,  quan điểm  của Heraclitus  chính  là  sự phụ  thuộc lẫn nhau trong các chỉ tiêu kinh tế được xem như là các biến giải thích cho giá  cả chứng khoán hay nói cách khác, chính bản thân các biến kinh tế hay các chỉ tiêu  kinh  tế  được đặt  trong mối quan  hệ  tương  tác  qua  lại  chứ không phải độc  lập  lẫn  nhau và giá chứng khoán không hề độc lập ngẫu nhiên với nhau. Giá cả chứng khoán  thay đổi theo một xu hướng. 40  Có thể nói, khoa học cổ điển đã tạo ra nhiều thành tựu đáng chú ý. Các phát minh  như ô tô, nhà máy, hàng không, máy tính và những phát minh khác… là kết quả mà  loài người ghi nhận. Tuy nhiên, khoa học cổ điển có sự giới hạn của nó bởi chính tư  duy của Aristotle. Các lĩnh vực nghiên cứu về cơ thể sống và các biến động hỗn loạn  (như chuyển động của dòng nước) không thể giải thích bằng khoa học cổ điển hay tư  duy của Aristotle. Bill William viết: “Vật lý cổ điển có thể mô tả sự chuyển động của  vũ  trụ  từ  sau  hiện  tượng  “big  bang”, nhưng nó  không  thể mô  tả  hay  giải  thích  sự  chuyển động của máu trong tĩnh mạch trái hay sự hỗn loạn của dòng nước”.  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). Sự phát triển của khoa học hiện đại chính là sự phát triển của tư duy  Heraclitus. Như vậy, những quy luật của khoa học cổ điển không phải là hoàn toàn  đúng. Ví  dụ,  đối  với  hình  học  Euclid. Một  trong  những định  luật  của  tam  giác  là  “tổng các góc trong của bất kỳ tam giác nào cũng sẽ bằng 180 độ, nếu không thì đó  không phải  là  tam giác”. Điều này chỉ đúng nếu ứng với  trọng  trường của  trái đất.  Khi chúng ta thoát khỏi trọng trường của trái đất, tổng các góc trở nên lớn hơn 180  độ vì độ cong của không gian. Đối với chúng ta, sự thay đổi này không phải là vấn đề  vì tất cả chúng ta không sống ở mặt trăng. Tuy nhiên, điểm này cho thấy quy tắc trên  của tam giác chỉ là một trường hợp cụ thể không phải là quy luật chung. Khái niệm  này  sẽ  trở  nên  cực  kỳ  quan  trọng  khi  chúng  ta  nghiên  cứu  sâu  vào  thị  trường  tài  chính. Hình học phi Euclid  là một sự phát  triển của ngành  toán học hiện đại. Hình  học phi Euclid bác bỏ một số tiên đề của hình học Euclid. ·  Thuyết tương đối của Einstein đã thống nhất mối quan hệ giữa khối lượng và  năng  lượng,  thời  gian  và  không  gian,  điều mà khoa  học  cổ  điển  phủ  nhận.  Trong phân  tích giá chứng khoán, đặc biệt  là những người  theo  trường phái  phân tích kỹ thuật, mối quan hệ này được chỉ ra khi phân tích mối liên hệ giữa  khối lượng giao dịch (khối lượng) và sự dao động của giá chứng khoán (năng  lượng). ·  Sự phát triển của khoa học định lượng cho thấy rằng có thể sử dụng một lực  nhỏ để gây tác động to lớn đến vật khác. Thậm chí một vật chuyển động mà  không do gì tác động lên nó. Hay nói cách khác, không tồn tại ranh giới phân  biệt giữa nguyên nhân và hệ quả như vật lý cổ điển. Năm 1964, Johm Stuart  Bell, đã giới thiệu khái niệm mà ông ta gọi là “sự không xác định của nguyên  nhân”. Bell cho rằng nguyên nhân là do chúng ta sống trong một thế giới mà  mọi  thứ  luôn được  gắn kết  với nhau  và không  thể phân định đâu  là  nguyên  nhân  và đâu  là hệ quả. Sự phát  triển  của hạt  nguyên  tử đã  cho phát hiện  ra 41  rằng  có  những  vật  còn  chuyển  động  nhanh  hơn  cả  vận  tốc  ánh  sáng,  điều  không hề tồn tại trong vật lý cổ điển.  Sự phát triển của khoa học tự nhiên mà đặc biệt là sự ra đời của 3 lý thuyết: thuyết  tương đối, kỹ thuật định lượng và khoa học hỗn loạn 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.  Từ thế giới của Euclid và Newton, chúng ta đã phát triển ra toán học tuyến tính, bao  gồm các phương pháp thống kê tĩnh thường được ký hiệu là “phân phối chuẩn” hay  đường  cong hình  chuông. 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 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? ·  Khoa học hỗn loạn có thể giúp chúng ta trả  lời câu hỏi này. Tuy nhiên,  tính  hỗn loạn nghe qua thì rất dễ bị hiểu nhầm. Cần lưu ý,  tính hỗn loạn (chaos)  không phải  là  sự ngẫu nhiên  (randomness). Tính hỗn  loạn  là  trật  tự cao hơn  của ngẫu nhiên và có tính cấu trúc. Nói một cách đơn giản, nhìn bề ngoài các  chuyển  động  của  tính  hỗn  loạn  cũng hỗn  loạn  như  tính  ngẫu nhiên. Nhưng  điểm khác biệt là những dao động này lại đi theo một xu hướng và hình thành  nên cấu trúc.  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 42  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).  Tính hỗn loạn trong suy nghĩ của chúng ta đã được phản ánh trong thị trường. Tính  ổn định và  tính hỗn  loạn cũng được mô  tả như  là  tính tuyến  tính và  tính phi  tuyến  tính. Nếu chúng ta tạo nên một thế giới từ quan điểm của não trái, chúng ta sẽ tạo nên  một dòng sông phẳng lặng, những đám mây hình tròn, những ngọn núi có hình nón  (thuộc về hình học Euclid). Tuy nhiên, tự nhiên lại hoàn toàn khác. Thế giới tự nhiên  của chúng ta có nguồn gốc phi tuyến tính và TTCK cũng vậy, Bill William (1995)  Trong lĩnh vực tài chính, những người  theo  thuyết  thị  trường hiệu quả cho  rằng,  tỷ  suất  sinh  lợi  chứng khoán sẽ  tuân  theo quy luật phân phối chuẩn của nhà  toán học  Gauss  giống  như đường  cong hình  chuông khi  thực hiện  tung  đồng xu  (theo  cách  ngẫu nhiên). Theo quan điểm của Gauss, hầu hết các quan sát đều xoay quanh mức  bình thường, khả năng xảy ra một độ lệnh ngày càng suy yếu nhanh theo hàm mũ khi  rời xa mức bình thường này. Chính sự suy giảm mạnh mẽ về khả năng gặp phải một  điều gì đó chính là thứ cho phép bạn lờ đi các yếu tố ngoại lai. Do đó, trên thị trường  tài chính, rủi ro thị trường được đo lường bằng độ lệch chuẩn và các biến động xa rời  giá trị trung bình được loại bỏ khỏi quan sát vì họ cho rằng điều đó là ngẫu nhiên, bất  bình thường.  Tuy nhiên, nhiều học  thuyết và  thực  tiễn  đã chứng minh đường  cong hình  chuông  không tồn tại trên thị trường tài chính. Nassim Nicholas Taleb (2007) lập luận: “Nếu  thế giới tài chính tuân theo đường cong Gauss, thì phải mất vài tỷ thời gian sống của  đời người để một biến cố kiểu như sự sụp đổ TTCK năm 1987 mới xảy ra”. Nói cách  khác, theo đường cong Gauss, xác suất xảy ra một cuộc khủng hoảng là cực kỳ nhỏ.  Nhưng trên thực tế, chúng ta lại có rất nhiều cuộc khủng hoảng. Sự thất bại của quỹ  Longterm Capital Management vào năm 1999  là một minh chứng  rõ ràng nhất cho  việc  ứng  dụng  đường  cong Gauss  vào  thị  trường  tài  chính  của  hai  tác  giả Myron  Scholes và Robert C.Merton (được trao giải Nobel).  Taleb cho biết, không phải bây giờ mà ngay từ thập niên 60 đã có những nghiên cứu  phản biện sự tồn tại của đường cong hình chuông. Vào thập niên 60, Mandelbrot đã  trình bày ý tưởng của mình về giá cả hàng hóa và chứng khoán với các tổ chức kinh 43  tế học và các nhà tài chính đều rất hào hứng. “Mandelbrot cho biết các nghiên cứu  dựa trên kinh nghiệm của ông về dãy giá cả đã chỉ ra một hiệu ứng ghi nhớ, theo đó  các diễn biến giá cả trong tương lai  lặp lại hành vi gần nhất của chúng, chứ không  phải là một quá trình ngẫu nhiên” (George Cooper, (2008)).  Taleb giải thích, một trong những giả định của đường cong Gauss là các biến cố quan  sát độc lập ngẫu nhiên với nhau giống như việc tung các đồng xu. Nhưng trên thực  tế, giá cả tài chính là không ngẫu nhiên vì các nhà đầu tư có “trí nhớ”. Đôi lúc họ nhớ  ra  rằng  tại một mức giá nào đó, cổ phiếu  thường  tăng  (trong ngôn ngữ kỹ  thuật  là  mức chống đỡ). Điều này  giống như việc người  thực hiện  tung đồng xu có  trí nhớ  trong kỹ năng tung đồng xu khiến cho các lần tung đồng xu không còn ngẫu nhiên.  Những người theo học thuyết thị trường hiệu quả đã quên rằng, chủ thể tham gia trên  TTCK là các nhà đầu tư, là những con người. Con người không phải là cái máy, điều  những nhà thống kê sử dụng để tạo nên các biến cố ngẫu nhiên, nên không thể tạo ra  những hành động ngẫu nhiên. Nói  cách  khác,  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 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  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  Não người là một máy tính phức tạp nhất mà chúng ta biết đến. Để hiểu một cách rõ  hơn về bộ não, nhiều nhà nghiên cứu đã cố gắng mô phỏng bản sao nhiều khả năng  của bộ não khi phát  triển hệ thống thông minh nhân tạo. Một phần của nghiên cứu  này, được nhiều nhà khoa học nhiều kinh nghiệm nghiên cứu hơn nửa cuối thế kỷ 20,  tập trung vào mô hình mạng ANN. Nói một cách đơn giản, mô hình mạng ANN là  một mô hình  thuật  toán được cấu  trúc giống như bộ não và cố gắng xác định mẫu 44  hình của một nhóm các biến số. Các nhà khoa học tiên phong trong việc nghiên cứu  về lĩnh vực thần kinh nhân tạo đã có gắng để phát triển một hệ thống có thể học từ  kinh nghiệm nhằm tăng cường hiểu biết về khả năng học hỏi của bộ não. Tuy nhiên,  khả năng “học hỏi” được thể hiện trong mô hình mạng ANN sau đó đã đưa đến việc  ứng dụng cho nhiều vấn đề chẳng hạn như chuyển chữ tiếng Anh được in sang bài  diễn văn (Sejnowski và Rosenberg, 1986), chơi cờ thỏ cáo (Tesauro, 1989) và nhận  diện các chữ cái viết tay (LeCun, 1990), chơi nhạc (Brecht và Aiken, 1995), hệ thống  tắt động cơ tự động (Armstrong và Gross, 1998)…  Nghiên cứu gần đây cũng cho  thấy  rằng mạng ANN có thể hữu  ích để dự báo các  biến  số  kinh  tế mang  tính biến động mà  rất khó để dự báo bằng  các phương pháp  thống  kê  truyền  thống  như  tỷ  giá  hối  đoái  (Verkooijen,  1996),  giá  chứng  khoán  (Refenes, Zapranis và Francis, 1994). Mô hình mạng ANN cũng đã ứng dụng thành  công cho các dự báo về biến số vĩ mô như  tăng trưởng kinh  tế  (Tkacz, 1999),  sản  lượng công nghiệp (Moody, Levin và Rehfuss, 1993) và tổng mức tiêu thụ điện (Mc  Menamin, 1997)… Các ứng dụng về kinh  tế vĩ mô  là khá mới  lạ và vẫn còn được  xem là phương pháp kinh tế tiên phong.  Như các nhà khoa học nhiều kinh nghiệm đã nghiên cứu về bộ não và các khả năng  của bộ não  trong việc học hỏi, họ đã phát hiện  ra vài đặc điểm chính được xem là  quan trọng đối với bộ não. Những thuộc tính này sau đó được dùng như một nền tảng  để xây dựng mô hình mạng ANN. Để hiểu biết nhiều hơn về mô hình này, điều cần  thiết là kiểm tra các đặc điểm chính của bộ não.  Bộ não bao gồm hàng tỷ các đơn vị đơn giản được gọi là các neuron (xem hình 1.1)  được nhóm thành một mạng lưới rộng lớn. Các nghiên cứu sinh học đề nghị rằng, các  neuron  thực hiện nhiệm vụ  tương đối đơn giản  là chuyển các xung điện  (electrical  impulse) sang các neuron khác. Khi một neuron nhận được xung điện từ các neuron  kế bên, phản ứng của nó sẽ phụ thuộc vào cường độ của xung điện nhận được và độ  nhạy riêng của nó đối với các neuron mà nó nhận được. Vài neuron sẽ không phản  ứng với tất cả đối với xung điện nhất định. Khi một neuron phản ứng (hoặc bị kích  động), nó sẽ truyền xung điện đến các neuron khác. Độ nhạy của xung điện được tạo  ra sẽ tỷ lệ với độ nhạy của xung điện nhận được. Khi các xung điện được truyền giữa  các  neuron,  cuối  cùng  sẽ  dẫn  đến một nhóm  các neuron  được  kích  hoạ