Tài liệu 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 l...
179 trang |
Chia sẻ: hunglv | Lượt xem: 1186 | Lượt tải: 1
Bạn đang xem trước 20 trang mẫu tài liệu Luận án Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế Trường hợp thị trường chứng khoán Việt Nam, để tải tài liệu gốc về máy bạn click vào nút DOWNLOAD ở trên
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
Các file đính kèm theo tài liệu này:
- NV887427.pdf