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

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP.HỒ CHÍ MINH  LÊ ĐẠT CHÍ ỨNG DỤNG MÔ HÌNH MẠNG THẦN KINH NHÂN TAỌ TRONG DỰ BÁ O KINH TẾ – TRƯỜ NG HƠP̣ THỊ TRƯỜNG CHỨNG KHỐN VIỆT NAM Chun ngành : Kinh tế Tài – Ngân hàng Mã số : 62.31.12.01 LUẬN ÁN TIẾN SĨ KINH TẾ Người hướng dẫn khoa học: GS TS TRẦN NGỌC THƠ TP.HỒ CHÍ MINH Năm 2011 i Mục lục Lời cam đoan Mục lục i Danh mục bảng biểu v Danh mục hình vii Danh mục từ viết tắt ix Phần mở đầu Chương 1: Quan điểm chứng thực nghiệm việc ứng dụng mơ hình mạng thần kinh nhân tạo dự báo 1.1 Quan điểm lựa chọn cơng cụ phân tích dự báo 1.2 Mơ hình mạng thần kinh nhân tạo – ANN .11 1.2.1 Mạng thần kinh nhân tạo đặ c điể m bả n củ a bô ̣ naõ 11 1.2.2 Những yếu tố tạo nên mơ hình mạng thần kinh nhân tạo 13 1.2.3 Cách thức huấn luyện mô hiǹ h maṇ g thầ n kinh nhân taọ 1.2.4 Mô số thướ c đo ṭ viêc̣ 15 lư cho cấ u trú c maṇ g ANN 16 ạ ṇ 1.2.5 Các đặc trưng mơ hình mạng thần kinh nhân tạo 17 1.3 Một số mơ hình mạng thần kinh nhân tạo điển hình 19 1.3.1 Mơ hình mạng truyền thẳng .19 1.3.2 Mơ hình mạng truyền thẳng đa lớp 21 1.3.3 Mơ hình mạng lặp lại 23 1.4 Sự vượt trội mơ hình mạng thần kinh việc phân tích dự báo 25 ii 1.5 Việc ứng dụng mơ hình ANN dự báo – chứng thực nghiệm 29 1.6 Thiết kế mơ hình mạng thần kinh nhân tạo 32 Chương 2: Thiết kế ứng dụng mạng thần kinh nhân tạo để dự báo giá chứng khoán thị trường chứng khoán Việt Nam 37 2.1 Thiết kế mạng thần kinh nhân tạo để dựa báo giá chứng khoán vớ i nhóm biến kinh tế vi mô .38 2.1.1 Lựa chọn biến kinh tế vi mô tác động đến giá chứng khoán 38 2.1.2 Thu thập liệu kinh tế .38 2.1.3 Tiền xử lý liệu 39 2.1.4 Phân chia liệu thu thập để huấn luyện ANN 40 2.1.5 Xây dựng cấu trúc – Xác định thông số ANN .41 2.1.6 Tiêu chuẩn đánh giá tính phù hợp kết dự báo ANN 44 2.1.7 Huấn luyện hệ thống ANN 45 2.1.8 Kết sử dụng mô hình maṇ g ANN để dự báo VN-Index .45 2.2 Sử dụng mạng thần kinh khái quát hóa mạng truyền thẳng để dự báo giá chứng khoán vớ i nhó m biến kinh tế vi mô 47 2.2.1 Dự báo giá chứng khoán bằ ng cấ u trú c mạng thầ n kinh nhân đươc̣ taọ khái quát hóa 47 2.2.2 Dự báo giá chứng khoán dựa phân tích tác động biến kinh tế vi mô theo cấ u trú c mạng truyền thẳng 50 2.2.3 So sánh khả dự báo giá chứng khốn mơ hình mạng thần kinh nhân với mơ hình hồi quy tuyến tính 51 taọ 2.3 Sự vượt trội mô hiǹ so vớ i mô h hồi hiǹ quy tuyến tính sử dụng biến số tài 54 h maṇ g thầ n kinh nhân taọ 2.3.1 Mơ hình mạng ANN tuyến tính 55 2.3.2 Kết mơ hình hồi quy tuyến tính truyền thống .56 2.3.3 Mơ hình mạng ANN phi tuyến khảo sat́ biến tài 57 2.4 Phân tích dự báo giá chứng khoán TTCK VN tác động biến động TTCK giới 61 2.5 Sử duṇ g sự thay đổ i giá quá khứ để dự bá o giá chứ ng khoá n TTCK VN 66 2.6 Dự báo giá chứng khoán TTCK VN tác động báo tâm lý thị trường 71 2.6.1 Lựa chọn nhập lượng đầu vào 72 2.6.2 Thu thập xử lý liệu 72 2.6.3 Mơ hình mạng thần kinh nhân tạo 74 2.6.4 Xây dựng mơ hình mạng thần kinh tuyến tính 76 2.6.5 So sánh kết luận 76 Chương 3: Một số đề xuất từ trình phân tích dự báo giá chứng khốn thị trường chứng khoán Việt Nam 79 3.1 Khả dự báo giá chứng khoán thị trường chứng khoán Việt Nam 80 3.2 Hành vi tài nhà đầu tư tác động mạnh mơ hình ANN 84 3.3 Mô số đề xuấ t từ quá h phân tích và dự bá o giá chứ ng khoá n ṭ triǹ TTCK VN 85 3.3.1 Gia tăng điều kiện phát hành chứng khoán nhằm kiểm soát hoạt động huy động vốn doanh nghiệp 87 3.3.2 Sớm thay đổi quy định tín dụng đầu tư chứng khốn hiện ngân hàng nhà nước .89 3.3.3 Gia tăng điều kiện niêm yết sàn giao dịch chứng khoán Viêṭ Nam để tạo khác biệt thực thị trường 93 3.3.4 Tăng tính chủ động cho Ủy ban chứng khoán nhà nước tiến tới độc lập hoạt động quản lý phủ 96 3.4 Những hạn chế trình nghiên cứu 97 3.5 Những ứng dụng khác mơ hình mạng thần kinh nhân tạo .98 Kết luận 100 Các cơng trình nghiên cứu khoa học công bố 101 Danh mục tài liệu tham khảo 102 Phụ lục 1:Môṭ số hà m kích hoaṭ củ a maṇ g thầ n kinh nhân 109 taọ Phụ lục 2: Quá trình phân loại biến theo mơ hình ANN 116 Phụ lục 3: Xây dưṇ g mô hinh ̀ hồ i quy tuyến tinh ́ truyền thố ng để phân tich ́ dự báo VN-Index .123 Phụ lục 4: Cách tính chi số phân tích ky thuật 152 Danh mục bảng biểu Bảng 1.1: Tám bước thiết kế mô hình phân tích dự báo ANN .36 Bảng 2.1: Các biến kinh tế đưa vào thiết kế ANN để dựa báo VN-Index 39 Bảng 2.2: Kết trình tiền xử lý liệu đưa lần lược biến đầu vào biến để dự báo VN-Index .40 Bảng 2.3: Hai cấu trúc mạng ANN cho kết dự báo tốt nhất 45 Bảng 2.4: Kết huấn luyện hệ thống mạng GNN-14PE 47 Bảng 2.5: Kết kiểm định ngồi mẫu mơ hình GNN-14PE 48 Bảng 2.6: Kết kiểm định mẫu cấu trúc GNN-4PE GNN-5PE .49 Bảng 2.7: Kết dự báo mẫu theo cấ u trú c mạng ANN truyền thẳng MFF-2PE, MFF-3PE, MFF-4PE, MFF-5PE 51 Bảng 2.8: Kết kiểm định mẫu cấ u trú c mạng ANN tuyến tính 52 Bảng 2.9: Kết kiểm định mẫu cấu trúc mạng MLN 9-3-1, MLN 9-4-1, MLN 9-5-1, MLN 9-6-1 59 Bảng 2.10: Kết kiểm định mẫu GNN 9-5-1 GNN 9-6-1 .60 Bảng 2.11: Kết kiểm định mẫu mạng ANN tuyến tính 63 Bảng 2.12: Kết kiểm định mẫu cấ u trú c 65 Bảng 2.13: Kết kiểm định mẫu cấ u trú c MLF 3-5-3-1 GNN 3-5-3-1 68 Bảng 2.14: Kết kiểm định cấ u trú c MLF 5-3-1 chuỗi ty suất sinh lợi VNI theo ngày 69 Bảng 2.15: Kiểm định mẫu mơ hình ANN với liệu thu thập năm 2010 71 Bảng 2.16: Các chi báo ky thuật sử dụng làm nhập lượng đầu vào cho mơ hình .73 Bảng 2.17: Kết mơ hình mạng thần kinh lớp ẩn với số lượng neuron khác 75 Bảng 2.18: Kết mô hình mạng truyền thẳng lớp ẩn với 10 neuron .76 Bảng 2.19: Kết mơ hình mạng thần kinh tuyến tính 76 Bảng 3.1: Thống kê số lượng doanh nghiệp niêm yết TTCK VN huy động vốn phát hành cổ phiếu 86 Bảng 3.2: Điều kiện niêm yết tại sở giao dịch chứng khoán 93 Bảng 3.3: Quan sát quy mô vốn công ty niêm yết sàn chứ ng khoá n và o thờ i điể m kế t thú c quý 3/2010 94 vii Danh mục hình Hình 1.1: Minh hoạ bả n củ a mơṭ neuron .13 Hình 1.2: Mơ hình phi tuyến neuron 14 Hình 1.3: Phương phá p điề u chỉnh cá c troṇ g số synapse theo nguyên tắ c giảm độ dốc Gradient .16 Hình 1.4: Mơ hình mạng truyền thẳng .19 Hình 1.5: Mơ hình mạng truyền thẳng với hai lớp ẩn 21 Hình 1.6: Mơ hình mạng lặp lại Elman 24 Hình 1.7: Thiết kế mơ hình mạng thần kinh nhân tạo 34 Hình 2.1: Kết mơ hình ANN sử dụng để phân tích dự báo VNI 42 Hình 2.2: Kết dự báo theo mơ hình ANN thực tế VNI mơ hình mơ hình 46 Hình 2.3: VNI dự báo từ mơ hình GNN-14PE so với VNI thực tế 48 Hình 2.4: Mô tả mạng GRNN với neuron lớp ẩn GNN-4PE .49 Hình 2.5: Giá trị VNI dự báo từ GNN-4PE GNN-5PE với giá trị VNI thực tế 50 Hình 2.6: VNI thực tế dự báo cấ u trú c mạng ANN tuyến tính 52 Hình 2.7: VNI dự báo thực tế từ cấ u trú c mạng ANN tuyến tính tập kiểm tra lại 56 Hình 2.8: VNI dự báo thực tế từ cấ u trú c MLN 9-3-1 MLN 9-4-1 .58 Hình 2.9: VNI dự báo thực tế từ cấ u trú c MLN 9-6-1 .58 Hình 2.10: VNI dự báo thực tế tập kiểm tra lại từ cấ u trú c maṇ g GNN 9-5-1 GNN 9-6-1 60 Hình 2.11: Chuỗi ty suất sinh lợi VNI dự báo mẫu từ mạng ANN tuyến tính VNI thực tế 62 Hình 2.12: Chuỗi ty suất sinh lợi VNI dự báo mẫu từ mạng MLF 4-4-1 MLF 4-3-2-1 với giá trị thực tế 65 Hình 2.13: Chuỗi ty suất sinh lợi VNI dự báo mẫu từ mạng MLF 4-4-3-1 GNN 4-3-1 với giá trị thực tế 65 Hình 2.14: Chuỗi ty suất sinh lợi VNI theo tuần từ tháng 1/2005 đến tháng 9/2010 67 Hình 2.15: Chuỗi ty suất sinh lợi VNI theo tuần dự báo từ cấ u trú c MLF 3-5-3-1, GNN 3-5-3-1 chuỗi ty suất sinh lợi thực tế .68 Hình 2.16: Chuỗi ty suất sinh lợi VNI theo ngày dự báo từ cấ u trú c MLF 5-3-1 chuỗi VNI thực tế 69 Hình 2.17: Chuỗi ty suất sinh lợi VNI dự báo thực tế mạng MLF 5-3-1 MLF 5-4-3-1 năm 2010 70 Hình 2.18: Chuỗi ty suất sinh lợi VNI theo ngày năm 2010 dự báo từ MLF 5-4-3-2-1, GNN 5-4-3-1 chuỗi thực tế 70 Hình 2.19: Chuỗi giá trị Ln(VNI) từ ngày 2/1/2008 đến ngày 22/9/2010 73 Hình 2.20: Chuỗi giá trị Ln(VNI) thực tế dự báo từ mơ hình mạng ANN tập hợp quan sát kiểm tra lại .77 Hình 2.21: Phần trăm sai lệch giá trị Ln(VNI) dự báo so với thực tế tập hợp quan sát kiểm tra lại 78 Hình 3.1: Số liệu doanh nghiệp huy động vốn qua năm doanh nghiệp niêm yết TTCK VN (ĐVT: nghìn ty đồng) 86 Hình 3.2: Thống kê ty lệ vốn cổ phần huy động thông qua nguồn năm 2010 doanh nghiệp niêm yết TTCK VN .88 Hình 3.3: Quy trình thưc̣ hiê hoaṭ đôṇ g cấ p tiń duṇ g đầ u tư ṇ kinh doanh chứ ng khoá n 92 Danh mục từ viết tắt ANN : Mạng thần kinh nhân tạo BP ngươc̣ : Thuâṭ toá n truyề n GDP nhâp̣ : Tổ ng thu GRNN taọ : Mô hình maṇ g thầ n kinh nhân HNX : Sở giao dịch chứng khoán Hà Nội HSX : Sở giao dic̣ h chứ ng khoá n Tp.HCM IMF MFF Backpropagation quố c dân đươ khaí quat́ hó a c̣ : Quy tiền tệ quố c tế : Mô hình maṇ g truyề n thẳ ng NHNN : Ngân hà ng nhà nướ c PE môṭ : Số neuron TTCK : Thị trường chứng khoán VN : Viêṭ Nam VNI : Chi số thị trường chứng khoán Việt Nam – VN-Index lớ p ẩ n 180 Hồ i quy tuyế n tí nh đa biế n và kiểm điṇ h • Từ mơ hình hờ i quy đơn biế n ta tiế n hà nh kiể m điṇ h hiêṇ tươṇ g sai thay đổ i kiểm định tự tương quan phương Kiể m điṇ h tươṇ g phương sai thay đổ i : Kiể m điṇ h White Giả thiết hiêṇ H0 : Không có tươṇ g phương sai thay đổ i hiêṇ Kế t quả kiể m điṇ h: Heteroskedasticity Test: White F-statistic Kế t luâṇ : Chấ p nhâṇ 0.673796 Prob F(2,296) giả thiế t H0, mô hình không có hiêṇ 0.5106 tươṇ g phương sai thay đổ i - Kiể m điṇ h tươṇ g tư ̣ tương quan : Kiểm định Breusch- Godfrey Giả hiêṇ thiế t H0: Không có tươṇ g tư ̣ tương quan hiêṇ Kế t quả kiể m điṇ h: Breusch-Godfrey Serial Correlation LM Test: F-statistic 16.48881 Prob F(1,296) Kế t luâṇ : Bác bỏ giả thiết H0, mô hình có hiêṇ 0.0001 tươṇ g tư ̣ tương quan Như vậy, xây dựng mơ hình hồi quy tuyến tính theo liệu nhân tố thị trường tài khác Các biến số thị trường điều chỉnh độ trễ (trường hợp theo tháng) Hồi quy tuyến tính đơn biến Biến kết hợp Coefficient t-Statistic Prob R-Squared VNI1m 0.383975 4.102325 0.0001*** 0.146558 VNI2m 0.097281 0.964422 0.3372 0.009402 VNI3m -0.05245 -0.51991 0.6043 0.002751 ***: Mức ý nghia 1% Kết luân : Mô hình hồ i quy tuyến tính đơn biến giữa VNI 1m VNI m có nghia 181 Hồ i quy tuyế n tí nh đa biế n và kiểm điṇ h • Từ mơ hình hờ i quy đơn biế n ta tiế n hà nh kiể m điṇ h hiêṇ tươṇ g thố ngphương kê vớ i mứ c ý % nghiã Mô hinh: ̀ VNIm = 0.383975 * VNI1m + 0.008382 182 Hồ i quy tuyế n tí nh đa biế n và kiểm điṇ h tươṇ g phương sai - Từ mô hình hồ i quy đơn biế n ta tiế n hà nh kiể m điṇ h hiêṇ thay đổ i và kiể m điṇ h tư ̣ tương quan - Kiể m điṇ h tươṇ g phương sai thay đổ i : Kiể m điṇ h White Giả thiết H hiêṇ Không có : tươṇ g phương sai thay đổ i hiêṇ Kế t quả kiể m điṇ h: Heteroskedasticity Test: White F-statistic Kế t luâṇ : Chấ p nhâṇ Kiể m điṇ h hiêṇ 0.549705 Prob F(2,97) giả thiế t H0, mô hình không có hiêṇ 0.5789 tươṇ g phương sai thay đổ i tươṇ g tư ̣ tương quan: Kiểm định Breusch- Godfrey Giả thiết H0: Không có tươṇ g tư ̣ tương quan hiêṇ Kế t quả kiể m điṇ h: Breusch-Godfrey Serial Correlation LM Test: F-statistic 0.334717 Prob F(1,97) 0.5642 Kế t luâṇ : Chấ p nhâṇ Như vâỵ mô hinh ̀ hồ i quy đơn biến giữa VNI1m VNIm phù hợp - giả thiế t H0, mô hình không có hiêṇ tươṇ g tư ̣ tương quan Từ mô hình đơn biế n ta tiế n hà nh kiể m điṇ h xem mô hình có bỏ só t cá c biến cò n laị hay không Phương pháp: Sử duṇ g kiểm định Omited Variables-Likelihoodratio phần mềm Eview 6.0 Giả thiết H0: ̣ số hồ i quy củ a biến đưa thêm vào mơ hình không Kế t quả kiể m điṇ h: 183 Biến đưa vào F-statistic Prob F(1,97) Kết luận: Chấ p nhâṇ - VNI2m 0.32311 0.5711 VNI3m 0.90408 0.3441 giả thiế t H0, tứ c là không xảy trường hợp thiếu biến Kiểm định trường hợp đưa đưa thêm đồng thời biến cịn lại vào mơ hình Giả thiết H0: Hệ số hồi quy biến đưa thêm vào mơ hình = c(vni2m) = c(vni3m)=0 Kết kiểm định: Omitted Variables: VNI2m VNI3m F-statistic 0.474584 Log likelihood ratio 0.983861 Prob F(2,96) Prob Chi-Square(2) 0.6236 0.6114 Kết luận: Chấp nhận giả thiết Ho, mơ hình khơng thiếu biến giải thích Vậy, mơ hình hồi quy tuyến tính phù hợp mơ hình xây dựng dựa biến giải thích VNI1m Các biến số thị trường điều chỉnh độ trễ (trường hợp theo tuần) Hồi quy tuyến tính đơn biến Biến kết hợp Coefficient t-Statistic Prob R-Squared VNI1w 0.250109 4.421367 0.000* 0.062545 VNI2w 0.135148 2.334618 0.0202** 0.018262 VNI3w 0.101195 1.741042 0.0827*** 0.01024 ****: mức ý nghia 1%; **: Mức ý nghia 5%; *: Mức ý nghia 10% Kết luân: Mô hinh ̀ hồ i quy tuyến tinh ́ đơn biến giưã VNI 1w, VNI2w VNI3w vớ i VNIw có ý nghia thống kê Mô hinh: VNIw = 0.250109* VNI1w + 0.002591 ̀ VNIw= 0.135148* VNI2w + 0.002982 VNIw = 0.101195* VNI3w + 0.003102 Hồ i quy tuyế n tí nh đa biế n và kiểm điṇ h tươṇ g phương - Từ mô hình hồ i quy đơn biế n ta tiế n hà nh kiể m điṇ h hiêṇ sai thay đổ i và kiể m điṇ h tư ̣ tương quan - Kiể m điṇ h tươṇ g phương sai thay đổ i : Kiể m điṇ h White Giả thiết H hiêṇ Không có 0: tươṇ g phương sai thay đổ i hiêṇ Kế t quả kiể m điṇ h F-statistic 1.827408 4.796707 4.1849 VNI1w VNI2w VNI3w Kiểm định White Prob.F(2,292) 0.1627 0.0089*** 0.0161** Kết luận Chấp nhận Ho Bác bỏ Ho Bác bỏ Ho ****: Mức ý nghia 1%; **: Mức ý nghia 5% Kế t luâṇ :  Mô hinh ̀ hồ i quy tuyến tinh ́ đơn biến vớ i biến giải thich ́ VNI 2w VNI3w có xảy hiện tượng phương sai thay đổi  Mô hình hồ i qu y tuyến tính đơn biến vớ i biến giải thích VNI1w không xảy hiên tươṇ g phương sai thay đổ i nên ta tiế n hà nh kiể m điṇ h tươṇ g tư ̣ tương hiêṇ quan vớ i hai mô hinh ̀ Kiể m điṇ h hiêṇ H0: Không có tươṇ g tư ̣ tương quan : Kiểm định Breusch – Godfrey Giả thiết tươṇ g tư ̣ tương quan hiêṇ Kế t quả kiể m điṇ h: Kiểm định Breusch-Godfrey F-statistic 1.756501 VNI1w nhâṇ Prob F(1,292) 0.1861 Kết luận Chấ p Kế t luâṇ : Mô hình không có hiêṇ Như vâỵ mô hinh ̀ hồ i quy đơn biến giữa VNI1w VNIw phù hợp - giả thiết Ho tươṇ g tư ̣ tương quan Từ mô hình đơn biế n ta tiế n hà nh kiể m điṇ h xem mô hình có bỏ só t cá c biến cò n laị hay không Phương pháp: Sử g ki ểm định Omited Variables-Likelihoodratio phần duṇ mềm Eview 6.0 Giả thiết H0: ̣ số hồ i quy củ a biến đưa thêm vào mơ hình = Biến đưa vào VNI2w VNI3w F-statistic Prob F(1,292) Kết luận: Chấ p nhâṇ - 1.757691 0.1859 1.44875 1.44875 giả thiế t H0, tứ c là không xảy trường hợp thiếu biến Kiểm định trường hợp đưa đưa thêm đồng thời biến cịn lại vào mơ hình 187 Giả thiết H0: Hệ số hồi quy biến đưa thêm vào mơ hình = c(vni2w) = c(vni3w) = Kết kiểm định: Omitted Variables: VNI2w VNI3w F-statistic 1.309276 Log likelihood ratio 2.642673 Prob F(2,291) Prob Chi-Square(2) 0.2716 0.2668 Kết luận: Chấp nhận giả thiết H0, mơ hình khơng thiếu biến giải thích Vậy, mơ hình hồi quy tuyến tính phù hợp mơ hình xây dựng dựa biến giải thích VNI1w KẾT LUẬN Trong trình xây dựng mơ hình hồi quy tuyến tính đa nhân tố để xác định ty suất sinh lợi thị trường chứng khoán, người viết đưa số kết luận sau: - Những nhân tố ảnh hưởng đến ty suất sinh lợi thị trường có ý nghia thống kê xây dựng mơ hình PB (chi số giá sổ sách/ giá thị trường) VNI1 (chi số thị trường điều chinh độ trễ tháng) - Đối với nhân tố vi mô, mặc dù tiến hành kiểm định, nhân tố không cho kết đáng tin cậy, điều cần nhấn mạnh nhân tố vi mô điều chinh độ trễ cho kết thống kê cải thiện so với chưa điều chinh độ trễ - Đối với nhân tố độ trễ thị trường, tiến hành xây dựng mơ hình, dù trường hợp mơ hình xây dựng theo t̀n hay theo tháng, chi có nhân tố chi số thị trường điều chinh trễ kì có ý nghia thống kê - Từ biến PB VNI1, người viết tiến hành xây dựng mơ hình thu kết mơ hình đa nhân tố với độ giải thích 48% Đây mơ hình hồi quy tuyến tính tốt nhất có thể xây dựng từ liệu nhân tố mà người viết tập hợp Dependent Variable: VNI Method: Least Squares Variable VNI1 BP C R-squared Adjusted R-squared S.E of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient Std Error t-Statistic 0.195256 0.459210 0.003534 0.112971 0.086552 0.014733 1.728369 5.305568 0.239857 0.483751 Mean dependent var 0.459168 S.D dependent var 0.098466 Akaike info criterion 0.407209 Schwarz criterion 42.01231 Hannan-Quinn criter 19.67808 Durbin-Watson stat 0.000001 Prob 0.0913 0.0000 0.8116 -0.002556 0.133892 -1.733880 -1.613436 -1.688980 1.938519 Theo đó, mơ hình hồi quy tuyến tínhgiúp xác định ti suất sinh lợi thị trường có dạng: VNI = 0.195255718065*VNI1 + 0.459210023695*BP + 0.00353392919441 Phụ lục Cách tính số phân tích kỹ thuật Chỉ báo trung bình di động (Moving average MA) Chi báo cho biết giá trị trung bình giá chứng khốn khoảng thời gian nhất định Nó hữu ích việc loại trừ phần yếu tố nhiễu chuỗi ban đầu cho bức trang tổng quát xu hướng Hai loại trung bình di động sử dụng phổ biến nhất trung bình di động giản đơn (Simple Moving Average – SMA) trung bình di động theo hàm mũ (Exponential Moving Average – EMA) Trung bình di động giản đơn SMA Trong khoảng thời gian nhất định, trung bình di động giản đơn SMA tính tốn theo công thức sau: n i=1 C i SMA = n Với: SMA trung bình di động giản đơn (simple moving average) Ci giá trị thứ i chuỗi liệu i số liệu chuỗi Theo đó, khoảng thời gian tính tốn ngắn đường trung bình di động nhạy cảm với thay đổi giá Chi báo trung bình di động ngắn hạn điển hình thường tính tốn cho khoảng thời gian từ đến 25 ngày, trung hạn từ 25 đến 100 ngày, 200 đến 250 ngày trung bình di động dài hạn Trung bình di động hàm mũ EMA EMA có phần khác so với trung bình di động giản đơn chỗ EMA thiết lập trọng số cao mức giá gần nhất Mức trọng số ứng với mức giá gầy nhất phụ thuộc vào độ dài khoảng thời gian sử dụng để tính tốn chi báo Bình qn di động theo hàm mũ tính tốn qua ba bước, trước hết tính tốn trung bình di động giản đơn điểm khởi đầu chuỗi trung bình di động theo hàm mũ Tiếp đó việc tính tốn trọng số cho mức giá gần nhất cuối tính tốn trung bình di động theo hàm mũ Cuối cùng, trung bình di động hàm mũ thực hiện theo công thức sau: α C1 + − α C2 + … + (1 − α)n−1Cn EMA = α + 1−α +⋯+ 1− α Với: EMA trung bình di động hàm mũ n−1 α ty trọng giá trị gần nhất chuỗi liệu, xác định bằng: � �= �+ � Ci giá trị chuỗi liệu (i = 1, 2, …, n) với i = giá trị gần nhất I = n giá trị xa nhất Đường trung bình di động hội tụ phân kỳ (Moving Average Convergence Divergence - MACD) Được xây dựng Gerald Appel vào cuối năm 1970 chi báo đơn giản sử dụng phổ biến nhất Thông qua MACD, chi báo trung bình di động chuyển thành chi báo dao động xu lượng cách lấy hiệu số đường trung bình di động dài hạn (thường 26 ngày) với đường trung bình di động ngắn hạn (thường 12 ngày) Sự dao động đường MACD lên mức không cho thấy hội tụ, phân kỳ hoặc giao hai đường bình quân di động Cụ thể, MACD tính tốn theo cơng thức: MACD = EMA dài ngày − EMA ngắn ngày Chỉ báo cường độ tương đối (Relative Strength Index - RSI) Chi báo cường độ tương đối RSI chi báo thuộc nhóm Oscillator, xây dựng J Welles Wilder lần đầu vào năm 1978 dựa chênh lệch trung bình kỳ tăng giá so với trung bình kỳ giảm giá khoảng thời gian xác định Chi số so sánh mức độ lần tăng giá gần với lần giảm giá tương ứng RSI tính theo công thức sau: 100 ] RSI = 100 − [ + RS Với: RSI chi báo cường độ tương đối (Relative strength index) RS cường độ tương đối, tính trung bình mức tăng giá đóng cửa n ngày chia cho trung bình mức giảm giá đóng cửa n ngày đó Chỉ báo dòng tiền (Money Flow Index - MFI) Chi báo dòng tiền MFI chi số động lượng (momentum indicator) Nó liên quan mật thiết với RSI cách diễn đạt lẫn tính tốn Tuy nhiên, chi báo có điểm so với RSI chỗ nó có đưa thêm vào thành phần khối lượng giao dịch kỳ Vì vậy, MFI trở thành cơng cụ tốt để đo lường dòng tiền vào thị trường chứng khoán Có thể nói RSI kết hợp chặt chẽ với đường giá MFI xem đường khối lượng MFI thực hiện cách so sánh “dòng tiền dương” với “dòng tiền âm” để từ đó hình thành báo có thể đem so sánh với giá, nhằm xác định độ mạnh hoặc yếu xu hướng hiện tại Tương tự RSI, chi báo thiết lập khoảng từ đến 100 thường tính khoảng thời gian 14 kỳ Chi số MFI tính sau: • Tính giá điển hình (Typical price - TP): Giá cao nhất + Giáđóng thấp cửa nhất3+ Giá TP = • • Dịng tiền (Money flow): Dịng tiền = TP ∗ khối lượng giao dịch Nếu giá điển hình hơm lớn giá điển hình hơm qua nó gọi dòng tiền dương (positive money flow) Cịn thấp gọi dịng tiền âm (negative money flow) • Ty số dịng tiền (Money Ration - MF): Dòng tiền dương Dòng tiền âm MF = • Chi báo dịng tiền (Money flow index MFI): 100 MFI = 100 − 1+ MF Chỉ báo kênh hàng hóa (Commodity Channel Index - CCI) CCI xây dựng Donald Lambert dùng để đo lường chênh lệch giá chứng khoán đó với mức trung bình nó Khi chi báo mức cao hoặc thấp cho thấy chênh lệnh bất thường giá so với mức trung bình nó Không tên gọi vốn có, chi báo CCI có thể sử dụng với bất cứ loại chứng khoán nào, không chi loại hàng hóa Cụ thể, có bốn bước để tính CCI: • Tính giá điển hình (Typical price - TP): Giá cao nhất + Giáđóng thấp cửa nhất3+ Giá TP = • Tính trung bình di động giản đơn giá điển hình chu kỳ tính tốn (Simple Moving Average of Typical Price - SMATP) Ví dụ với chu kỳ 20 ngày tính SMATP (20) • Tính độ lệch trung bình (Mean Deviation) TP SMATP 20 ngày: Tìm chênh lệch SMATP kỳ cuối TP cho giai đoạn 20 ngày trước đó Sau đó, tính tổng khoảng chênh lệch chia cho 20 để tìm độ lệch TP SMATP • Cuối kết hợp TP, SMATP, độ lệch trung bình hệ số 0.015 theo công thức để có CCI: TP − SMATP CCI = 0,015 ∗ độ lệch trung bình Chỉ báo dao động ngẫu nhiên (Stochastic Oscillator – K% D%) Chi báo dao động ngẫu nhiên xây dựng để đo lường mối liên hệ hiệu số giá đóng cửa hiện tại giá thấp nhất so với giá cao nhất khoảng thời gian nhất định, thể hiện qua công thức sau: Giá đóng cửa − Giá thấp nhất thời kỳ K% = 100 Giá cao nhất thời kỳ − Giá thất nhất ∗ thời kỳ D% = Trung bình di động ba thời kỳ K% Theo đó, giá trị K% cho biết mức giá đóng cửa hiện tại nằm vị trí khoảng giá cao nhất thấp nhất thời kỳ xem xét Giá trị K% tiến đến không cho thấy giá đóng cửa hiện tại gần mức giá thấp nhất ngược lại giá trị K% 100 đồng nghia với việc giá đóng cửa hiện tại mức cao nhất khoảng thời gian đó ... kế ứng dụng mạng thần kinh nhân tạo để dự báo giá chứng khoán thị trường chứng khoán Việt Nam 37 2.1 Thiết kế mạng thần kinh nhân tạo để dựa báo giá chứng khốn vớ i nhóm biến kinh tế vi... mơ hình mạng thần kinh việc phân tích dự báo 25 ii 1.5 Việc ứng dụng mô hình ANN dự báo – chứng thực nghiệm 29 1.6 Thiết kế mơ hình mạng thần kinh nhân tạo 32 Chương 2: Thiết kế ứng. .. g ANN để dự báo VN-Index .45 2.2 Sử dụng mạng thần kinh khái quát hóa mạng truyền thẳng để dự báo giá chứng khoán vớ i nhó m biến kinh tế vi mô 47 2.2.1 Dự báo giá chứng khoán bằ ng