Hcmute mô hình arima và ann trong dự báo lạm phát tại việt nam

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CƠNG TRÌNH NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG MƠ HÌNHARIMA VÀ ANN TRONG DỰ BÁO LẠM PHÁT TẠI VIỆT NAM S K C 0 9 MÃ SỐ: T2014-10GVT S KC 0 Tp Hồ Chí Minh, 2014 Luan van TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA KINH TẾ BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƢỜNG GIẢNG VIÊN TRẺ MƠ HÌNHARIMA VÀ ANN TRONG DỰ BÁO LẠM PHÁT TẠI VIỆT NAM Mã số: T2014-10GVT Chủ nhiệm đề tài: Th.S Nguyễn Khắc Hiếu TP HCM, 12/2014 Luan van MỤC LỤC: MỞ ĐẦU: CHƢƠNG 1: CƠ SỞ LÝ THUYẾT 1.1 Lạm phát 1.2 Các yếu tốt tác động đến lạm phát 1.3 Các mơ hình dự báo lạm phát 1.4 Mơ hình ARIMA 10 1.5 Mơ hình mạng thần kinh nhân tạo 12 1.5.1 Mạng thần kinh ngƣời 12 1.5.2 Mạng thần kinh nhân tạo 13 CHƢƠNG 2: DỮ LIỆU NGHIÊN CỨU 20 2.1 Nguồn liệu 20 2.2 Phân tích biến động liệu 21 CHƢƠNG 3: KẾT QUẢ NGHIÊN CỨU 25 3.1 Ƣớc lƣợng mơ hình ARIMA 25 3.2 Xây dựng mơ hình mạng thần kinh nhân tạo 28 3.2.1 Mạng thần kinh nhân tạo với biến giải thích độ trễ lạm phát 29 3.2.2 Mơ hình ANN với biến giải thích cung tiền giá đầu lãi suất 31 3.3 Kết hợp mơ hình arima ann dự báo 36 3.4 So sánh kết dự báo 37 CHƢƠNG 4: KẾT LUẬN VÀ GỢI Ý CHÍNH SÁCH 38 4.1 Kết luận 38 4.2 Một số gợi ý sách 38 TÀI LIỆU THAM KHẢO 41 Luan van DANH MỤC HÌNH: Hình 1: Mối liên hệ lạm phát cung tiền Việt Nam Hình 2: Lạm phát theo tháng Việt Nam Hình 3: Cấu tạo nơ-ron thần kinh ngƣời 13 Hình 4: Cấu tạo mạng thần kinh nhân tạo 14 Hình 5: Hàm Sigmoid 18 Hình 6: Tan-hyperbolic 19 Hình 8: Sự biến động lạm phát theo tháng Việt Nam 21 Hình 9: Sự biến động cung tiền theo tháng Việt Nam 22 Hình 10: Sự biến động giá dầu theo tháng Việt Nam 22 Hình 11: Sự biến động lãi suất theo tháng Việt Nam 23 Hình 12: Biểu đồ PACF lạm phát 26 Hình 13: Biểu đồ ACF lạm phát 26 Hình 14: Mức độ quan trọng biến độc lập mơ hình ANN-10-5-2-1 35 Luan van DANH MỤC BẢNG: Bảng 1: Thống kê mô tả biến số 20 Bảng 2: Thống kê mô tả biến số 23 Bảng 3: Kiểm định tính dừng chuỗi IF 25 Bảng 4: Kết hồi quy mơ hình ARIMA(13,0,3) 27 Bảng 5: Kết dự báo mơ hình ARIMA(13,0,3) 28 Bảng 6: Kết ƣớc lƣợng mơ hình ANN-12-5-1 30 Bảng 7: Ký hiệu mơ hình ANN 31 Bảng 8:Các trọng số ƣớc lƣợng mơ hình ANN-10-5-2-1 33 Bảng 9: So sánh kết dự báo mơ hình ANN 34 Bảng 10: Kết dự báo ngồi mẫu mơ hình 36 Bảng 11: So sánh kết dự báo 37 Luan van DANH MỤC CÁC TỪ VIẾT TẮT Ký hiệu Giải thích ACF AutoCorrelation Function: hàm tự tƣơng quan ANN Artificial Neural Network: mạng thần kinh nhân tạo ARIMA AutoCorrelation Integrated Moving Average CPI Consumer Price Index: số giá tiêu dùng GSO General Statistics Office of Vietnam: Tổng cục thống kê Việt Nam MAE Mean Absolute Error: sai số tuyệt đối trung bình PACF Partial AutoCorrelation Function: hàm tự tƣơng quan riêng phần RMSE Root Mean Square Error: sai số trung bình Luan van TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc ĐƠN VỊ Tp HCM, Ngày tháng năm THÔNG TIN KẾT QUẢ NGHIÊN CỨU Thơng tin chung:  Tên đề tài: Mơ hình ARIMA ANN dự báo lạm phát việt nam  Mã số: T2014-10GVT  Chủ nhiệm: Th.S Nguyễn Khắc Hiếu  Cơ quan chủ trì:Đại học Sƣ Phạm Kỹ Thuật Tp.HCM  Thời gian thực hiện:tháng 12 năm 2013 đến tháng 11 năm 2014 Mục tiêu:  Tìm hiểu lý thuyết mơ hình ARIMA ANN  Thu thập liệu lạm phát Việt Nam biến số giải thích có liên quan đến mơ hình  Ứng dụng mơ hình ARIMA ANN vào dự báo lạm phát cho Việt Nam  Tìm mơ hình dự báo lạm phát tối ƣu cho Việt Nam  Đƣa số gợi ý sách Tính sáng tạo: Sự kết hợp mơ hình ARIMA ANN dự báo lạm phát Kết nghiên cứu: Sự kết hợp ARIMA ANN tốt việc sử dụng mơ hình riêng lẻ Việc sử dụng thêm biến giải thích việc dự báo, mơ hình ANN dự báo tốt mơ hinh ARDL Sản phẩm: Bài báo:  “Dự báo lạm phát Việt Nam mơ hình mạng thần kinh nhân tạo” Tạp chí Phát triển kinh tế, số 286 tháng 08/2014  “Mơ hình ARIMA dự báo lạm phát tháng cuối năm” Tạp chí Kinh tế dự báo số 16 (576) Hiệu quả, phƣơng thức chuyển giao kết nghiên cứu khả áp dụng: Trƣởng Đơn vị (ký, họ tên) Chủ nhiệm đề tài (ký, họ tên) Luan van INFORMATION ON RESEARCH RESULTS General information: Project title:ARIMA and ANN in forecasting inflation of Vietnam Code number:T2014-10GVT Coordinator: Nguyen Khac Hieu Implementing institution: HCMUTE Duration: from 12/2013 to 11/2014 Objective(s):  Literature review of ARIMA and ANN model  Collecing data of Inflation and independent variables  Applying ARIMA and ANN in forecasting inflation of Vietnam  Choosing the best model for forecasting inflation  Provide some policy implications Creativeness and innovativeness: The combination of ARIMA and ANN models for forecasting inflation Research results: The combination of ARIMA and ANNis better than using the individual models The use of additional explanatory variables in predicting inflation, the ANN model predicted better ARDL model Products: Journal artical:  "Forecasting inflation of Vietnam by artificial neural networks," Journal of Economic Development, No 286, 08/2014  "ARIMA model and forecasting inflation in the last months" Journal of Economics and Forecasts, No 16 (576) Effects, transfer alternatives of reserach results and applicability: Luan van MỞ ĐẦU: Tổng quan nghiên cứu trƣớc Dự báo biến số kinh tế vấn đề mà nhà kinh tế nhà hoạchđịnh sách quan tâm lập kế hoạch cho đơn vị Kết dự báo xác kế hoạch lập khả thi Có nhiều mơ hình khác đƣợcứng dụng việc dự báo Các mơ hình chia làm dạngđó mơhình kinh tế lƣợng mơ hình mạng thần kinh nhân tạo Mỗi mơ hình dự báo cóƣu nhƣợcđiểm riêng Đối vớimơ hình hình kinh tế lƣợng, mơ hìnhARIMA đƣợc xem lựa chọn tốt Theo Khashei & Bijari (2011) mô hìnhARIMA phù hợp cho việc dự báo quan hệ tuyến tính Cịn mối quan hệ phi tuyến, mơ hìnhARIMA khơng phải lựa chọn tốt Mơ hình mạng thần kinh nhân tạo (ANN) đƣợc đặt móng vào đầu năm 1940 nhƣng thực phát triển vào năm 1990 khoa học máy tính phát triển Tại Việt Nam, Lê Đạt Chí (2010) đãứng dụng mơ hình ANN vào dự báo giá chứng khoán vàđã thu đƣợc kết khả quan Theo Zhang (2003) mơ hình ANN phù hợp cho việc dự báo quan hệ phi tuyến Tuy nhiên, biến số kinh tế, giá trị chúng thƣờng có quan hệ vừa có quan hệ tuyến tính vừa có quan hệ phi tuyến giá trị chúng khứ Chính ta sử dụng mơ hìnhARIMA ANN để dự báo biến số kết thực chƣa hoàn hảo(Duzgun, 2010) Bài viết nhằm nghiên cứu khả kết hợp mơ hìnhARIMA mơ hình ANN dự báo lạm phát theo tháng Việt Nam từđóđƣa số kiến nghị liên quan đến việcứng dụng mơ hình Mục tiêu nghiên cứu  Tìm hiểu lý thuyết mơ hìnhARIMA ANN  Thu thập liệu lạm phát Việt Nam biến số giải thích có liên quan đến mơ hình  Ứng dụng mơ hình ARIMA ANN vào dự báo lạm phát cho Việt Nam Trang Luan van  Tìm mơ hình dự báo lạm phát tối ƣu cho Việt Nam  Đƣa số gợiý sách Phạm vi nghiên cứu  Đề tài giới hạn việc sử dụng mơ hình ARIMA ANN việc dự báo lạm phát Dữ liệu cho dự báo lạm phát đƣợc sử dụng từ 2004-2013  Đề tài đƣợc thực từ tháng 12-2013 đến tháng 11-2014  Đề tài đƣợc thực khoa kinh tế đại học Sƣ Phạm Kỹ Thuật Tp.HCM, số liệu đƣợc thu thập liệu thứ cấp thông số kinh tế vĩ mô Việt Nam Ý nghĩa thực tiễn Đề tài nhằmứng dụng mạng thần kinh nhân tạo (đƣợcứng dụng rộng rãi kỹ thuật) mơ hìnhARIMA vào dự báo lạm phát Việt Nam Đềđài nhằm so sánh hiệu dự báo mơ hình ANN vàARIMA nhƣ mơ hình hỗn hợp nhằm tìm mơ hình dự báo tốt cho Việt Nam Mơ hình dự báo công cụ hỗ trợ cho nhà hoạchđịnh sách việcổnđịnh kinh tế vĩ mơ kiềm chế lạm phát Đề tài giúpích cho doanh nghiệp nhà đầu từ riêng rẽ, giúp họ có đƣợc cơng cụ hữch việc dự báo biến số kinh tế tƣơng lai Bố cục đề tài Nội dung đề tài bao gồm chƣơng: Chƣơng 1: Cơ sở lý thuyết Trình bày tóm tắt nghiên cứu có liên quan, lý thuyếtnền tảng cho việc nghiên cứu đề tài.Đó lý thuyết lạm phát, lý thuyết mạng thần kinh nhân tạo lý thuyết mơ hìnhARIMA Chƣơng 2: Phƣơng pháp nghiên cứu Phƣơng phátđịnh lƣợng dự báo đƣợc sử dụng, mà tiêu tiểu mơ hình mạng thần kinh nhân tạo mơ hìnhARIMA Chƣơng trình bày Trang Luan van 3.2.1 Mạng thần kinh nhân tạo với biến giải thích độ trễ lạm phát Q trình xây dựng mạng thần kinh nhân tạo trình thử sai (try and error) đƣợc hỗ trợ phần mềm SPSS Phần mềm SPSS từ phiên 16.0 trở lên có chức xử lý mạng thần kinh nhân tạo Để ƣớc lƣợng mơ hình ANN, trƣớc tiên ta cho số lớpẩn số nơ-ron lớpẩn thay đổi, từđó ƣớc lƣợng tham số mơ hình Sau ƣớc lƣợng tham số, ta sử dụng mơ hình để dự báo Độ phù hợp mơ hình đƣợcđánh giá thơng qua tiêu chí RMSE MAE Mơ hình cho kết dự báo tốt đƣợc chọn Đối với liệu lạm phát, tác giả lựa chọn biến số đầu vào độ trễ lạm phát, số lớpẩn số nơ-ron lớp ẩn Theo Sharda & Patil (1992), liệu theo tháng, độ trễ thích hợp nên đƣợc chọn 12 Do tác giả ƣớc lƣợng mơ hình mạng thần kinh nhân tạo với 12 biến đầu vào, nơ-ron lớpẩn biến đầu lạm phát Tác giả ký hiệu mơ hình ANN12-5-1 Kết ƣớc lƣợng mơ hình đƣợc thực phần mềm SPSS đƣợc thể bảng dƣớiđây Trang 29 Luan van Bảng 6:Kết ƣớc lƣợng mơ hình ANN-12-5-1 Các hệ số ƣớc lƣợng Biến độc lập Biến phụ thuộc Lớp ẩn H(1:1) Lớp vào Lớp ẩn (Bias) H(1:2) H(1:3) Lớp H(1:4) H(1:5) -0,309 0,280 -0,089 0,298 -0,413 IF1 0,422 -0,501 0,372 -0,166 0,586 IF2 -0,089 -0,395 -0,362 -0,607 -0,107 IF3 0,198 -0,662 -0,088 0,199 0,415 IF4 -0,403 -0,763 -0,159 0,090 -0,164 IF5 -0,246 -0,426 0,531 0,511 0,025 IF6 0,159 0,365 -0,203 -0,184 0,161 IF7 0,463 0,099 -0,011 -0,164 0,204 IF8 0,033 -0,116 -0,154 -0,295 0,456 IF9 0,297 -0,259 0,324 0,459 -0,276 IF10 0,338 -0,484 0,258 0,346 -0,399 IF11 -0,175 -0,209 0,300 -0,460 -0,676 IF12 0,414 0,355 0,516 0,551 0,490 IF (Bias) -0,261 H(1:1) 0,075 H(1:2) -0,077 H(1:3) -0,100 H(1:4) -0,104 H(1:5) 0,367 Trang 30 Luan van 3.2.2Mơ hình ANN với biến giải thích cung tiền giá đầu lãi suất Để tăng thêm tính xác mơ hình, độ trễ lạm phát, tác giảđƣa thêm biến giải thích khác vào mơ hình với độ trễ khác Các độ trễ đƣợc xácđịnh thông qua biểu đồ tự tƣơng quan biến số Sau chi tiết biến giải thích đƣợcđƣa vào mơ hình IFt-1, IFt-12, DOIL, DOILt-1, DOILt-6, Rt, Rt-2, M2t-1, M2t-3, Month Hàm kích hoạt đƣợc sử dụng hàm Tan-hyperbolic liệu đƣợc chuẩn hố theo phân phối chuẩn Q trình xây dựng lớp ẩn cho mạng ANN trình thử sai Ta thay đổi số lớp ẩn số nơron lớp ẩn Để tìm mơ hình ANN tốt nhất, tác giả lựa chọn mơ hình sau để đƣa vào phân tích: Bảng 7: Ký hiệu mơ hình ANN Số biến vào Số nơron lớp ẩn Số nơron lớp ẩn Số biến Ký hiệu 10 ANN-10-5-1 10 ANN-10-4-1 10 ANN-10-3-1 10 ANN-10-7-4-1 10 ANN-10-7-3-1 10 ANN-10-5-3-1 10 ANN-10-5-2-1 Nguồn: Đề xuấtcủa tác giả Việc huấn luyện mạng đƣợc thực phần mềm SPSS, 70% đƣợc sử dụng cho tập huấn luyện 30% đƣợc sử dụng cho tập xác nhận Quá trình phân chia đƣợc thực cách ngẫu nhiên Do tỷ lệ phân chia thực mơ hình khơng xác 70% 30% mà có chênh lệch chút Sau trình huấn luyện mạng kết thúc, ứng với mạng ANN ta có đƣợc Trang 31 Luan van trọng số mơ hình Bộ số thể mối quan hệ biến số đầu vào biến số đầu Ứng với mạng ANN ta có trọng số khác Mạng thần kinh có nhiều lớpẩn có nhiều trọng số.Khi trọng số cạng nhiều việc tính tốn dự báo lâu Ngƣợc lại trọng số quáít q trình tính tốn xác Do ta phải cân nhắc sựđơn giản mô hình xác mơ hình Sau chi tiết trọng số mơ hình ANN-10-5-2-1 mơ hình cho kết dự báo tốt mơ hình mạng thần kinh nhân tạo nhóm Với ký hiệu H2:1 trọng số nơron số lớp thứ Trang 32 Luan van Bảng 8:Các trọng số ƣớc lƣợng mô hình ANN-10-5-2-1 Các biến Lớp ẩn Các biến vào Lớp vào H(1:2) H(1:3) H(1:4) H(1:5) (Bias) -0,018 1,079 0,006 0,215 0,344 [month=1] -0,087 0,636 0,237 0,121 0,566 [month=2] -0,701 0,747 -0,750 0,673 -0,064 [month=3] 0,875 -0,875 0,159 -0,347 -0,653 [month=4] 0,082 0,237 0,058 -0,182 -0,456 [month=5] 0,260 0,825 0,345 -0,414 0,018 [month=6] 0,363 0,079 0,503 -0,201 0,252 [month=7] 0,230 -0,299 0,766 -0,397 0,057 [month=8] -0,112 -0,583 -0,354 -0,365 0,154 [month=9] -0,567 0,202 0,405 -0,181 -0,116 [month=10] -0,165 -0,012 0,343 0,580 -0,323 [month=11] -0,578 -0,423 0,168 -0,163 -0,250 [month=12] -0,470 0,448 -0,508 -0,026 -0,413 IF1 -0,234 -0,552 -0,474 0,483 0,796 DOIL 0,376 0,770 -0,163 -0,276 0,496 DOIL1 -0,076 0,068 0,228 -0,417 0,577 R 0,071 0,510 -0,209 0,640 0,517 DM23 0,137 0,132 -0,810 -0,199 0,476 DM21 0,335 0,867 -0,140 -0,278 0,217 IF12 0,575 -0,248 -0,254 0,865 0,830 -0,053 0,591 -0,310 0,120 -0,571 0,709 -0,145 -0,398 0,759 0,126 DOIL6 R2 Lớp ẩn H(1:1) Lớp ẩn H(2:1) Đầu H(2:2) (Bias) 0,074 0,881 H(1:1) -0,092 0,983 H(1:2) -0,231 -0,830 H(1:3) 0,948 0,367 Trang 33 Luan van IF Lớp ẩn H(1:4) -1,261 -0,790 H(1:5) 0,111 -0,767 (Bias) 0,521 H(2:1) 0,423 H(2:2) -1,907 Nguồn: phân tích tác giả Sau có đƣợc trọng số mơ hình ANN ta tính tốn giá trị dự báo Sau có kết dự báo ta so sánh hiệu dự báo mẫu mẫu mơ hình ANN dự tiêu chí R2, RMSE MAE Bảng sau thể chi tiết hiệu dự báo mơ hình ANN Bảng 9: So sánh kết dự báo mơ hình ANN Mơ hình Dự báo mẫu Dự báo ngồi mẫu R2 RMSE MAE R2 RMSE MAE ANN-10-5-1 70,6% 0,00508 0,00357 45,8% 0,00539 0,00358 ANN-10-4-1 69,8% 0,00509 0,00358 27,4% 0,00670 0,00450 ANN-10-3-1 80,0% 0,00416 0,00320 40,3% 0,00532 0,00408 ANN-10-7-4-1 73,4% 0,00478 0,00353 49,0% 0,00511 0,00390 ANN-10-7-3-1 71,7% 0,00492 0,00358 48,4% 0,00571 0,00466 ANN-10-5-3-1 79,5% 0,00421 0,00308 39,3% 0,00557 0,00410 ANN-10-5-2-1 80,6% 0,00410 0,00287 75,0% 0,00565 0,00414 Nguồn: Tính tốn nhóm tác giả Kết cho thấy, dự báo mẫu, mơ hình ANN-10-5-2-1 cho kết tốt Trong dự báo ngồi mẫu lại có phân tán Mơ hình ANN-10-5-21 cho kết R2 tốt nhất, mơ hình ANN-10-7-4-1 cho kết RMSE tốt cịn mơ hình ANN-10-5-1 cho kết MAE tốt Nhìn chung, mơ hình ANN với lớp ẩn cho kết dự báo tốt mơ hình ANN lớp ẩn mẫu lẫn Trang 34 Luan van mẫu Kết cuối cùng, tác giả lựa chọn mơ hình ANN-10-5-2-1 mơ hình ANN cho việc dự báo lạm phát theo tháng Việt Nam Ngoài việc tính tốn giá trị dự báo, mơ hình ANN cịn phân tích cho ta biết đƣợc biến có mức độ quan trọng lớn dự báo hay biến giải thích đƣợc nhiều cho biến thiên kết đầu Phân tích mức độ quan trọng biến cho mơ hình ANN-10-5-2-1 đƣợc thể hình Từ kết phân tích ta thấy độ trễ bậc lạm phát (IF1=IFt-1) có mức độ quan trọng Kế đến yếu tố mùa vụ (Month) Tiếp theo giá dầu (DOIL1=DOILt-1, DOIL6=DOILt-6), lãi suất cung tiền Hình 13: Mức độ quan trọng biến độc lập mơ hình ANN-10-5-2-1 Nguồn: Phân tích tác giả Trang 35 Luan van 3.3 Kết hợp mơ hình arima ann dự báo Mơ hìnhARIMA đƣợc xếp vào loại mơ hình dự báo tuyến tính, ANN mơ hình dự báo phi tuyến Việc kết hợp mơ hìnhARIMA ANN đƣợc kỳ vọng cho kết dự báo tốt Để kết hợp mơ hìnhARIMA ANN trƣờng hợp này, trƣớc tiên ta dùng mơ hìnhARIMA(13,0,3) đƣợc phân tích từ mục 3.1 để dự báo giá trị lạm phát Từ kết dự báo, ta tính tốn phần dƣ (residual) lƣu lại phần dƣ Mơ hình ANN đƣợc sử dụng để dự báo cho phần dƣ mơ hìnhARIMA ta vừa lƣu lại, tƣơng tự nhƣđãáp dụng cho việc dự báo lạm phátở mục 3.2 Kết ƣớc lƣợng cho thấy mạng thần kinh nhân tạo với 12 biến đầu vào (là độ trễ phần dƣ), nơ-ron lớpẩn biến đầu phù hợp cho việc dự báo phần dƣ mơ hình Kết dự báo chi tiết đƣợc cho bảng Bảng 10: Kết dự báo mẫu mơ hình Tháng Lạm phát ARIMA ANN ARIMA+ANN 2013M01 1.25% 0.49% 0.29% 0.58% 2013M02 1.32% 1.06% 0.47% 1.46% 2013M03 -0.19% 0.53% 0.73% 0.46% 2013M04 0.02% 0.41% 0.80% 0.29% 2013M05 -0.06% 0.46% 0.87% 0.31% 2013M06 0.05% -0.05% 0.19% 0.11% 2013M07 0.03% 0.23% 0.15% 0.33% 2013M08 0.08% 0.48% 0.35% 0.36% 2013M09 1.06% 0.92% 0.57% 0.85% 2013M10 0.49% 0.54% 0.47% 0.48% 2013M11 0.34% 0.41% 0.23% 0.46% 2013M12 0.51% 0.52% 0.31% 0.51% Trang 36 Luan van 3.4 So sánh kết dự báo Ta so sánh hiệu dự báo mô hìnhARIMA ANN dựa vào tiêu chí RMSE MAE mẫu lẫn mẫu Kết so sánh cho thấy, dự báo mẫu mơ hìnhARIMA cho kết tốt mơ hình ANN (các tiêu chí RMSE MAE nhỏ hơn) Tuy nhiên, mơ hình kết hợp giữaARIMA ANN mơ hình cho kết tốt Kết dự báo mơ hình kết hợp tốt kết dự báo mơ hìnhARIMA cho kết tốt ba trƣờng hợp Bảng 11: So sánh kết dự báo Mơ hình Dự báo Dự báo mẫu mẫu RMSE MAE RMSE MAE ARIMA 0,00728 0,00547 0,00388 0,00300 ANN 0,00919 0,00660 0,00603 0,00482 ARIMA ANN + 0,00666 0,00506 0,00332 0,00257 Trang 37 Luan van CHƢƠNG 4: KẾT LUẬN VÀGỢIÝ CHÍNH SÁCH 4.1 Kết luận Bài viếtđã nghiên cứu khả ứng dụng mô hình ARIMA ANN vào việc dự báo lạm phát nhằm tìm mơ hình tốt cho việc dự báo lạm phát Việt Nam Kết nghiên cứu cho thấy, mơ hìnhARIMA(13,0,3) cho kết dự báo lạm phát tốt mơ hình ANN-12-5-1 mẫu lẫn ngồi mẫu Tuy nhiên, kết hợp mơ hìnhARIMA ANN, kết dự báo tốt việc sử dụng hai mơ hình riêng lẻ Ngồi việc kết hợp mơ hình ANN vàARIMA, tác giả sử dụng mơ hình ANN với biến giải thích cung tiền, giá dầu, lãi suất để dự báo lạm phát Kết phân tích dự báo cho thấy, trƣờng hợp trúc mạng truyền thẳng với lớp ẩn, hàm kích hoạt hàm Tan-hyperbolic, liệu đầu vào đầu đƣợc chuẩn hoá theo phân phối chuẩn phƣơng án tốiƣu cho việc xây dựng mơ hình ANN So sánh kết dự báo mơ hình ANN cho thấy, mơ hình ANN với lớp ẩn cho kết dự báo tốt mơ hình ANN lớp ẩn Kết dự báo tốt lạm phát mơ hình ANN-10-5-2-1 Kết phân tích hồi quy cho thấy lãi suất tăng có tác động tức thời làm cho lạm phát tăng Kế đến, giá dầu tăng có tác động làm cho lạm phát tăng tức thời tăng kéo dài thêm tháng Tiếp theo yếu tố tâm lý, yếu tố có tác động dƣơng lạm phát với độ trễ tháng Cuối cùng, cung tiền tăng lạm phát tăng với độ trễ 12 tháng So sánh kết dự báo mẫu mô hình ANN ARDL cho thấy, mơ hình ANN dự báo tốt mơ hình ARDL tất tiêu chí R2, RMSE MAE Đối với dự báo ngồi mẫu mơ hình ANN dự báo tốt hai tiêu chí R2 RMSE Nhìn chung, mơ hình ANN dự báo lạm phát tốt mơ hình ARDL 4.2 Một số gợiý sách Từ kết nghiên cứu trên, tác giả kiến nghị nhà hoạchđịnh sách nhà quản trị doanh nghiệp nên kết hợp mơ hìnhARIMA ANN việc Trang 38 Luan van dựbáo lạm phát nói riêng việc dự báo biến số kinh tế nói chung trƣờng hợp không sử dụng thêm thông tin từ biến giải thích khác Điều làm nâng cao hiệu dự báo nhƣ nâng cao tính khả thi kế hoạch sách Khi dự báo sử dụng thêm thông tin từ biến số kinh tế khác Tác giả kiến nghị nhà dự báo nên sử dụng mơ hình ANN từ kết phân tích ta thấy mơ hình ANN cho kết dự báo tốt mơ hình ARDL Tuy thuật tốn để tính tốn trọng số mơ hình ANN tƣơng đối phức tạp nhƣng để ứng dụng mơ hình ANN vào dự báo ta khơng thiết phải nắm kỹ thuật tốn (Sarle, 1994) Do đó, mơ hình ANN lựa chọn tốt cho nhà hoạch định sách, doanh nghiệp nhà đầu tƣ họ muốn dự báo biến số kinh tế nói chung dự báo lạm phát nói riêng Từ phân tích kết dự báo mơ hình ANN ARDL ta thấy, yếu tố quan trọng tác động đến lạm phát theo tháng yếu tố tâm lý, kết tƣơng đồng với nghiên cứu Phạm Thị Thu Trang (2009) cho yếu tố tâm lý có tác động đến lạm phát với độ trễ tháng Vì để kiềm chế lạm phát ngắn hạn, nhà hoạch định sách cần ổn định đƣợc yếu tố tâm lý ngƣời dân Tuy nhiên, việc làm khó, Việt Nam có lạm phát tƣơng đối cao nhiều năm qua Ngƣời dân kỳ vọng lạm phát tƣơng lai tƣơng tự nhƣ lạm phát khứ Để giảm đƣợc yếu tố tâm lý này, trƣớc tiên nhà nƣớc cần phải giảm lạm phát Theo Mankiw (2009), kinh tế muốn cắt giảm lạm phát phải trải qua giai đoạn thất nghiệp lớn, phải có đánh đổi việc tăng trƣởng giảm lạm phát Do đó, nhà hoạch định sách cần cân nhắc đánh đổi hai yếu tố việc kiềm chế lạm phát Cũng từ kết phân tích mơ hình ANN, yếu tố quan trọng mà nhà nƣớc can thiệp để kiềm chế lạm phát yếu tố mùa vụ việc lên xuống có chu kỳ lạm phát Tại Việt Nam, giá hàng hoá dịch vụ thƣờng tăng cao vào dịp lễ tết Nhà nƣớc hạn chế điều thơng qua chƣơng trình Trang 39 Luan van bình ổn giá trƣớc tết kiểm tra việc tăng giá bất hợp lý doanh nghiệp, nhà phân phối nhà bán lẻ sau tết Cuối cùng, kết nghiên cứu cho thấy cung tiền lãi suất hai yếu tố có tác động đến lạm phát Các nhà hoạch định sách can thiệp vào lãi suất cung tiền nhằm kiềm chế lạm phát Tuy nhiên, hai biến số có mối liên hệ qua lại lẫn nhau, nhà hoạch định sách cần phối hợp sách tài khố tiền tệ nhằm đạt hiệu việc kiềm chế lạm phát Việt nam (Nguyễn Trọng Hoài, 2010) Ngoài kết đạt đƣợc, viết số hạn chế Có biến có tác động đến lạm phát nhƣ GDP, thâm thụt ngân sách nhƣng tác giả không đƣa yếu tố vào mơ hình dự báo đƣợc liệu biến có theo quý theo năm Những yếu tố khác có tác động đến giá từ phía cung nhƣ thiên tai, lũ lụt (một vấn đề phổ biến Việt Nam) nhƣng chƣa đƣợc nghiên cứu Tác giả hy vọng nghiên cứu làm rõ vấn đề Trang 40 Luan van TÀI LIỆU THAM KHẢO Binner cộng sự, 2010 Does money matter in inflation forecasting Physica A: Statistical Mechanics and its Applications, pp.4793–808 Choudhary & Haider, 2012 Neural network models for inflation forecasting: an appraisal Applied economics, pp.2631–35 Duzgun, R., 2010 Generalized Regression Neural Networks for Inflation Forecasting International Research Journal of Finance and Economics, pp.ISSN 1450-2887 Issue 51 Faisal, F., 2012 Forecasting Bangladesh's Inflation UsingTime Series ARIMA Models World Review of Business Research, pp.100-17 Gujarati, 2004 Basic Econometrics McGraw−Hill Haider & Hanif, 2009 Inflation forecasting in Pakistan using Artificial Neural Networks Pakistan Economic and Social Review, pp.123-38 Keynes, 1936 The general theory of employment, interest and momey [http://www.marxists.org/reference/subject/economics/keynes/generaltheory/] Khashei & Bijari, 2011 A novel hybridization of artificial neural networks and ARIMA models for timeseries forecasting Applied Soft Computing, pp.2664–75 Lê Đạt Chí, 2011 Ứng dụng mơ hình mạng thần kinh nhân tạo dự báo kinh tế - Trường hợp thị trường chứng khoán Việt Nam Luận án tiến sỹ Đại học kinh tế Thành Phố Hồ Chí Minh 10 Michael Dotsey cộng sự, 2011 Do Phillips curves conditionally help to forecast inflation Federal Reserve Bank of Philadelphia, working paper no 11-40 11 Moshiri & Cameron, 2000 Neural Network versus Econometric models in forecasting inflation Journal of Forecasting, pp.201-17 12 Nguyễn Trọng Hoài Nguyễn Hoài Bảo, 2010 Khả sách tiền tệ việc khắc phục lạm phát cao dài hạn: Phân tích dựa luật Taylor cho tình Việt Nam Tạp chí kinh tế phát triển, pp.Số 242, tháng 12/2010 13 Phạm Thị Thu Trang, 2009 Các yếu tố tác động tới lạm phát Việt Nam Phân tích chuỗi thời gian phi tuyến Tạp chí kinh tế dự báo, p.Số 12 năm 2009 Trang 41 Luan van 14 Sử Đình Thành, 2012 Thâm hụt ngân sách lạm phát: Minh chứng thực nghiệm Việt Nam Tạp chí phát triển kinh tế, pp.Số 259, tháng 5/2012 15 Vũ Sỹ Cƣờng, 2011 Tác động sách tài khóa tiền tệ đến lạm phát: Mơ hình lý thuyết thực tiễn Việt Nam Tạp chí kinh tế phát triển, pp.Số 247, tháng 5/2011 16 Zhang cộng sự, 1998 Forecasting with artificial neural networks The state of the art International Journal of Forecasting, pp.35–62 17 Zhang, 2003 Time series forecasting using a hybrid ARIMA and neural network model Neurocomputing, pp.159 – 175 Trang 42 Luan van S K L 0 Luan van ... thuyết mơ hình ARIMA ANN  Thu thập liệu lạm phát Việt Nam biến số giải thích có liên quan đến mơ hình  Ứng dụng mơ hình ARIMA ANN vào dự báo lạm phát cho Việt Nam  Tìm mơ hình dự báo lạm phát tối... dụng mơ hình ARIMA ANN vào việc dự báo lạm phát nhằm tìm mơ hình tốt cho việc dự báo lạm phát Việt Nam Kết nghiên cứu cho thấy, mơ hìnhARIMA(13,0,3) cho kết dự báo lạm phát tốt mơ hình ANN- 12-5-1... hạn lạm phát (tại Canada) đƣợc dự báo mơ hình ANN cho kết tốt so với mơ hình VAR ARIMA Tại Mỹ, Nakamura (2005) sử dụng mơ hình ANN để dự báo lạm phát, kết cho thấy ngắn hạn mơ hình ANN dự báo