GIỚI THIỆU ĐỀ TÀI
Đề tài “Ứng dụng mô hình hóa mờ trong dự báo giá cổ phiếu” là một trong những ứng dụng của logic mờ trong bài toán dự đoán Đồ án giúp hiểu rõ hơn về lí thuyết tập mờ loại hai là sự phát triển nâng cao của tập mờ loại một, và ứng dụng trong việc dự đoán giá cổ phiếu thị trường chứng khoán. Đồ án không chỉ giúp ta hiểu được về lí thuyết tập mờ nâng cao, xây dựng được mô hình mờ mà còn giúp ta có thề mở rộng hướng phát triển, xây dựng được mô hình với độ chính xác cao hơn có thể áp dụng được vào bài toán thực tế.
MỤC TIÊU VÀ GIẢ I PHÁP
Mục tiêu
Mục tiêu của đồ án là tìm hiểu về logic mờ sử dụng tập mờ loại hai rời rạc Nghiên cứu và tìm hiểu về hệ mờ, mô hình hóa hệ mờ dựa trên dữ liệu thực nghiệm và mô phỏng hệ thống nhằm dự đoán giá của cổ phiếu trong thị trường chứng khoán.
Giải pháp
1.2.2.1 Tìm hiểu về logic mờ và mô hình hóa
Tìm hiểu các lí thuyết cơ bản về logic mờ loại một Các bước của một quá trình mô hình hóa mờ sử dụng tập mờ loại hai rời rạc
1.2.2.2 Xây dựng bộ mô hình mờ loại một nhúng
Mô hình suy diễn mờ nhúng loại một dựa trên cơ sở mô hình mờ Mamdani với ba đầu vào và một đầu ra Biến vào thể hiện thông tin giá cổ phiếu ngày cần dự báo Thông tin đầu vào đã qua xử lí thô trước khi đưa vào học luật
Xây dựng tập luật cho mỗi mô hình mờ loại một nhúng từ dữ liệu thực nghiệm dựa theo phương pháp phân cụm Fuzzy C-Means với các giá trị độ mờ ( kí hiệu m- xác định độ chồng chéo giữa các cụm mờ ), và với số cụm mờ ( kí hiệu c ) khác nhau.
1.2.2.3 Xây dựng mô hình mờ loại hai
Sau khi xây dựng được bộ các mô hình mờ loại một nhúng, chúng được kết hợp với nhau tạo thành mô hình mờ loại hai, mỗi quan hệ thông qua bảng tra cứu m ( m-lookup table ).
Sau khi xây dựng được tập luật bằng việc học từ dữ liệu thực nghiệm, sử dụng công cụ Matlab để xây dựng lại hệ suy diễn mờ cho bài toán.
Hoạt động của mô hình: Từ một vector giá trị rõ đầu vào biểu thị thông tin cho giá cổ phiếu, lựa chọn mô hình mờ nhúng phù hợp, qua quá trình suy diễn ta có được thông tin giá cổ phiếu.
Công cụ dự kiến sử dụng Fuzzy logic toolbox của Matlab.
NỘI DUNG ĐỒ ÁN
Đồ án Chia làm năm chương và phụ lục các bảng và hình vẽ và kết quả tập luật thu được từ thuật toán Nội dung gồm có:
Chương I: Giới thiệu đề tài
Chương này nhằm giới thiệu nội dung của đề tài, mục tiêu và giải pháp cho đề tài.
Chương II: Các khái niệm cơ bản
Giới thiệu các khái niệm cơ bản về logic mờ cũng như mô hình hóa mờ.
Chương III: Xây dựng mô hình mờ sử dụng tập mờ loại hai cho bài toán dự báo thị trường chứng khoán Đưa ra thuật toán xây dựng tập các mô hình mờ sử dụng tập mờ loại một nhúng mờ dự trên tập dữ liệu thực nghiệm Kết hợp bộ các mô hình mờ nhúng đó thành mô hình mờ loại hai
Chương IV: Xây dựng hệ thống dự đoán giá cổ phiếu trong thị trường chứng khoán
Thực hiện mô phỏng hệ thống bằng công cụ Matlab So sánh và đánh giá với các phương pháp khác.
Chương V: Kết luận và hướng phát triển Đưa ra kết luận những kết quả đạt được, những kết quả hướng tới và so sánh với kết quả khi sử dụng những phương pháp khác Từ đó đề ra phương hướng phát triển đề tài để ứng dụng vào thực tế.
CÁC KHÁI NIỆM CƠ BẢN
GIỚI THIỆU
Kỹ thuật mô hình hóa mờ là một hướng tiếp cận của bài toán mô hình hóa Để trình bày một cách có hệ thống, đồ án đưa ra các khái niệm cơ bản trong lý thuyết tập mờ có liên quan Tiếp theo sẽ trình bày các vấn đề về mô hình hóa nói chung và xoay quanh vần đề chính - mô hình mờ.
CÁC KHÁI NIỆM CƠ BẢN
Mô hình mờ là cơ cấu tính toán dựa trên các khái niệm của lý thuyết tập mờ, các tập luật if-then mờ, cùng với cơ chế suy diễn mờ Lý thuyết tập mờ lần đầu tiên được
Lotfi.A.Zadeh, một giáo sư thuộc trường Đại học Caliornia, Berkley, giới thiệu trong một công trình nghiên cứu vào năm 1965 Lý thuyết tập mờ bao gồm logic mờ, số học mờ, quy hoạch toán học mờ, hình học tôpô mờ, lý thuyết đồ thị mờ, và phân tích dữ liệu mờ, mặc dù thuật ngữ logic mờ thường được dùng chung cho tất cả.
Logic mờ là siêu tập hợp các phép toán thông thường Đại số Boolean để mở rộng chấp nhận khái niệm gần đúng nằm giữa hai khái niệm tương ứng với hai mức logic hoàn toàn đúng và hoàn toàn sai.
2.2.1 Tập mờ loại một (type 1 fuzzy sets)
Về mặt toán học: Một tập mờ F xác định trên một tập kinh điển X là một tập mà mỗi phần tử của nó là các cặp giá trị (x, μ F
(x): X → [0.0;1.0] (2-1) Ánh xạ μ F được gọi là hàm thuộc của tập mờ F Tập kinh điển X được gọi là tập nền hay tập vũ trụ của tập mờ F.
F là nhãn mờ biến x, thường mang một ý nghĩa ngôn ngữ nào đó, mô tả định tính thuộc tính của đối tượng , chẳng hạn như già, trung niên, trẻ, cao, trung bình, thấp… x là một biến ngôn ngữ Biến ngôn ngữ là một biến nhận các giá trị ngôn ngữ (linguistic tems) Trong đó mỗi giá trị ngôn ngữ là một tập mờ được xác định bằng hàm thuộc và một khoảng giá trị xác định Lý thuyết mờ cho phép các tập mờ này có thể phủ lên nhau
Về mặt logic: Tập mờ diễn đạt mức độ chân lí của một phát biểu (mệnh đề) với 0.0 đại diện cho mức hoàn toàn sai và 1.0 đại diện cho mức hoàn toàn đúng.
Chẳng hạn khi đưa ra mệnh đề:
Nếu như ông Minh đang ở tuổi 72, chúng ta có thể gán cho phát biểu trên một giá trị chân lý là 0.80.
Về phương diện lý thuyết tập hợp, tập mờ biểu thị mức độ trực thuộc khác nhau của các cá thể trong một tập hợp Trở lại ví dụ trên, ta có thể hiểu là: “Ông Minh là một thành viên của tập những người già với độ thuộc là 0.8”.
Diễn đạt hình thức ta có :
Trong đó, Mem OLD ( ) là một hàm thuộc dùng để biểu diễn tập mờ Người già, trả về giá trị nằm trong khoảng [0.0, 1.0] ở đây, cần lưu ý tới sự khác biệt giữa hệ mờ với xác suất Cả hai đều xác định trên cùng một khoảng số, những giá trị tương tự nhau : 0.0 đại diện cho trạng thái Sai ( hay không thuộc ), và 1.0 tượng trưng cho trạng thái Đúng ( hay thuộc ) Tuy nhiên, cùng ví dụ nêu trên, nếu diễn đạt bằng ngôn ngữ tự nhiên, theo quan điểm xác suất ta nói : " Có 80% cơ hội để kết luận ông Minh đã già ", trong khi đó, theo quan điểm lý thuyết tập mờ ta nói : " Ông Minh có mức độ trực thuộc nhóm những người già là 0.8 "
Xét về ngữ nghĩa rõ ràng có sự khác biệt : Phát biểu đầu cho biết ông Minh có thể già hoặc không già ( nghĩa là vẫn tuân theo logic hai trị kinh điển); ta chỉ chắc chắn 80% về việc ông Minh đã già Ngược lại, phát biểu thứ hai cho phép ta khẳng định ông Minh ít nhiều đã già, và mức độ già của ông được đánh giá bằng một con số tương ứng là 0.8.
2.2.2 Một số dạng hàm thuộc loại một và các tính chất
Hàm thuộc là đường cong định nghĩa mỗi điểm tương ứng ở không gian đầu vào ánh xạ tương ứng sang mức trực thuộc một giá trị ngôn ngữ nằm giữa 0.0 và 1.0 ( page 37
Fuzzy Logic Toolbox User’s Guide)
Hình 2.1: Một số dạng hàm thuộc thông dụng
(x) có dạng “trơn” được gọi là các hàm thuộc kiểu S Đối với hàm liên thuộc kiểu S do các công thức biểu diễn μ F
(x) có độ phức tạp lớn nên thời gian tính toán cho độ thuộc của một phần tử lâu Một hàm thuộc tuyến tính từng đoạn gọi là hàm thuộc có mức chuyển đổi tuyến tính.
Hình 2.2: Hàm thuộc có mức chuyển đổi tuyến tính
Hàm thuộc có mức chuyển đổi tuyến tính từng mức được xác định bởi các đặc tính như: Độ cao của tập mờ F (trên tập nền X) là giá trị: h x∈sup M μ F
(x) chỉ giá nhỏ nhất trong tất cả các giá trị chặn trên của μ F
Một tập mờ có ít nhất một phần tử có độ thuộc bằng 1 được gọi là tập mờ chính tắc tức là h=1. Ngược lại tập mờ có h> fuzzy tipper
Sau khi đã khai báo xong thông tin chung của hệ suy diễn ta có thể đặt tên lưu file vào workspace để sử dụng và phải lưu vào ổ cứng để có khả năng sử dụng lại hệ suy diễn trong các phiên làm việc tiếp theo.
Membership Function Editor
Ở cửa sổ này ta có thể thấy và chỉnh sửa thông tin về hàm thuộc cho các biến vào và ra cho từng hệ mờ. Để vào được cửa sổ này ta chạy lệnh sau:
Hình 4.4: Hàm thuộc tương ứng với các biến vào ra
Màn hình này để định nghĩa hàm thuộc cho các biến được tạo ra ở màn hình FIS Editor trước đó bằng cách tải file theo tên đã được lưu trong workspace.
Với mỗi biến tương ứng ta định nghĩa các hàm thuộc tương ứng Phần màn hình định nghĩa hàm thuộc cho từng biến được chọn như sau:
Hình 4.5: Định nghĩa hàm thuộc cho từng biến Ở cửa sổ này ta có thể định nghĩa miền xác định, miền hiển thị Một số dạng hàm thuộc được Matlab cung cấp như gaussmf, gbellmf sigmf… và các tham số hệ thống tương ứng của các hàm thuộc.
Rule editor
Ở cửa sổ này cho phép tạo ra các luật bằng cách kết hợp các biến vào và ra bằng các phép logic and hay or ở mệnh đề điều kiện. Để vào được cửa sổ này ta chạy lệnh sau:
Cách thực hiện được chỉ ra như hình sau:
The Rule Viewer
Hình 4.7: Sơ đồ của quá trình suy diễn
Rule Viewer hiển thị sơ đồ của toàn bộ quá trình suy diễn Nó dựa trên sơ đồ suy diễn đã được mô tả ở phần trước (thông tin mô tả trong các cửa sổ Fis Editor, Membership Function Editor, Rule editor)
Ba cột tượng trưng cho các biến vào ở tiền đề điều kiện Mỗi luật là một hàng, mỗi cột là một biến Số thứ tự của luật hiển thị trên phía trái mỗi luật
Hai cột đầu tiên(6 khe màu vàng) chỉ ra hàm thuộc của mệnh đề điều kiện, hay phần của mệnh đề if của mỗi luật.
Cột thứ 3 của các khe (3 khe màu xanh) chỉ ra hàm thuộc của mệnh đề kết quả hay phần mệnh đề then của mỗi luật
Khe thứ cuối cùng trong cột cuối (mệnh đề kết luận) tương ứng tập mờ tổng hợp cho mỗi hệ suy diễn, quyết định bởi các biến vào của hệ thống và trọng số luật Giải mờ biến đầu ra được hiển thị như một vector thẳng đứng ở khe này là cột dọc mầu đỏ.
The Surface Viewer
Surface Viewer ứng dụng tốt cho trường hợp hai đầu vào và một đầu ra, khoảng hình hộp được giới hạn không gian ba chiều tương ứng cho dải giá trị xác định của 3 biến vào ra
Trên màn hình giao diện: Hai trục X,Y tương ứng với hai biến vào service và food, Z ứng với biến ra tip Plot points là số điểm rời rạc hóa hàm thuộc của mỗi biến Ref Input chỉ sử dụng trong trường hợp thêm biến đầu vào.
Mục đích của giao diện này là cho phép ta thấy được surface của đầu ra Mỗi nút trên lưới là giá trị hàm thuộc của đầu ra Click button Evaluate hệ thống sẽ tự khởi tạo tính toán và vẽ các điểm
Bộ Fuzzy Tool Box của Matlab cung cấp demo phân cụm mờ FCM 2-D Để sử dụng chúng ta gõ lệnh :
Hình 4.9: Fuzzy C-means Clustering Demo
Nó giúp chúng ta có thể hình dung một cách trực quan cách làm việc của phương pháp phân cụm mờ với bộ dữ liệu luyện tập và các tham số cho trước
Demo trên phân cụm mờ theo giải thuật FCM ở trên sử dụng tốt để phân cụm cho dữ liệu hai chiều một đầu vào, một đầu ra Chúng ta có thể chọn bộ dữ liệu luyện tập, điều chỉnh các tham số gồm có : số cụm (clusters), mức độ mờ (expo), số vòng lặp (interat); hay độ sai số (improv) dùng để kết thúc thuật toán sau khi ấn nút Start
Xây dựng hệ suy diễn bằng công cụ của Matlab
Ta sẽ đi xây dựng bộ mô hình mờ nhúng cho hệ suy diễn trong bài toán dự đoán giá cổ phiếu Với bộ dữ liệu đã cho của cổ phiếu A gồm 50 dữ liệu luyện tập và 50 dữ liệu kiểm thử, cùng với bộ tham số mô hình {m,c} ta phải đi xây dựng tổng cộng 209 mô hình, do số lượng mô hình mờ là rất lớn nên ta chỉ xét trường hợp các mô hình sau khi đã được tối ưu số phân cụm mờ c*.
Sử dụng công cụ Matlab xây dựng các hệ suy diễn mờ nhúng với 3 đầu vào, 1 đầu ra.
Hình 4.10: Khai báo số biến vào ra mô hình
Với mỗi biến vào ra có các dạng hàm thuộc tam giác (Trimf).
Hình 4.11: Dạng hàm thuộc tương ứng với các biến vào ra
Từ tập luật thu được bằng thực nghiệm, được đưa vào mô hình thông qua màn hình Rule Editor.
Hình 4.12: Tập luật được học từ tập dữ liệu huấn luyện
Ta thu được hệ suy diễn lưu dưới tên file “FLS1.fis” ứng với mô hình mờ nhúng thứ nhất, tương tự với các mô hình mờ nhúng khác.
Hình 4.13: Cấu trúc mô hình suy diễn, hàm thuộc của các biến vào ra và tập luật của mô hình mờ nhúng thứ nhất
Hình 4.14: Cấu trúc mô hình suy diễn, hàm thuộc của các biến vào ra và tập luật của mô hình mờ nhúng thứ tư
Xây dựng hệ thống dự báo giá cổ phiếu
Sau khi xây dựng xong bộ mô hình mờ nhúng cụ thể là “FLS1.fis” đến “FLS11.fis” chúng ta sẽ sử dụng trong hệ thống dự báo giá cổ phiếu Khi cho dữ liệu đầu vào qua bảng tra cứu m ta sẽ tìm ra được mô hình mờ nhúng nào thích hợp đối với dữ liệu đó Áp dụng bộ luật cơ sở để tiếp tục suy diễn ra kết quả rõ là giá của cổ phiếu Y.
4.2.2.1 Chức năng và phạm vi sử dụng
Chương trình có năm chức năng chính:
1 Nhập dữ liệu đầu vào.
2 Khởi tạo mô hình từ tập dữ liệu luyện tập.
4 Suy diễn ra kết quả.
5 Hiển thị các kết quả.
Biểu đồ phân rã chức năng
Hình 4.15: Biểu đồ phân rã chức năng của hệ thống.
Hệ thống dự báo giá cổ phiếu
Nhập dữ liệu Khởi tạo mô hình Xử lí dữ liệu Hiển thị kết quả
Chọn bộ dữ liệu luyện tập
Chọn bộ tham số đầu vào
Số cụm mờ c Độ mờ m
Tạo mô hình mờ nhúng
Tối ưu mô hình theo c
Tính các tâm cụm mờ
Tính kết quả đầu ra
Hiển thị số cụm tối ưu c*
Hiển thị mô hình mờ
Hiển kết quả đầu ra
- Chức năng nhập dữ liệu:
Mục đích để đưa vào bộ dữ liệu luyện tập để huấn luyện bộ mô hình mờ nhúng từ đó kết hợp tạo thành bộ mô hình mờ cần dùng trong đồ án Gồm các chức năng :
+ Chức năng chọn bộ dữ liệu huấn luyện: dữ liệu được người dùng đưa vào thống để huấn luyện.
+ Chức năng nhập bộ tham số mô hình {m,c} trong đó m là mức độ mờ, c là số phân cụm mờ
- Chức khởi tạo mô hình :
Mục đích tạo ra các mô hình mờ nhúng Bao gồm:
+ Tạo mô hình mờ nhúng.
+ Tối ưu theo tham số c vơi số lượng cụm tốt nhất là c*.
- Chức năng xử lí dữ liệu:
Mục đích tiếp tục tính toán với dữ liệu sau khi phân cụm tính ra được các giá trị:
+ Kết quả đầu ra rõ của mô hình.
+ Hiển thị số cụm mờ tối ưu c*.
+ Hiển thị mô hình mờ nhúng.
+ Hiển thị kết quả đầu ra rõ.
Biểu đồ mức khung cảnh:
Chọn bộ dữ liệu luyện tập
Thông tin hệ thống ( số cụm tối ưu c* và bảng m-lookup table) Nhập dữ liệu kiểm thử đầu vào
Hình 4.16: Biểu đồ mức khung cảnh.
Form giao diện được thiết kế như sau
Hình 4.17: Thiết kế form giao diện chương trình
Người dùng Hệ thống dự báo giá cổ phiếu
Các Component của GUI nằm phía trái cửa sổ gồm 14 loại cơ bản.
Các Button “Import Training Data”, “Setup System”, “Optimal ”, “Look-up table”,
“Display”, “Calculate”, “RMSE”, “Introduction”, “Help”, được chọn là loại Push Button. Các khung hiển thị c, m và giá trị được nhập vào và giá trị đầu ra được chọn là loại edit text
Khi lập trình giao diện: Để các điều khiển tương ứng được hoạt động khi có các sự kiện kích hoạt ta phải định nghĩa file Matlab lập trình các sự kiện. Đối với mỗi loại sự kiện ta cần có ứng xử tương ứng Các ứng xử được xây dựng trong hàm Callback Mỗi khi xảy ra sự kiện, hàm Callback tương ứng được gọi.
Hàm Callback của “Setup System”:
Hình 4.18: Hàm Callback của button “Setup System”
4.2.2.2 Hoạt động của chương trình
Hình 4.19: Giao diện chương trình Để khởi tạo mô hình ta click button “Import Traning Data”:
Hình 4.20: Chọn bộ dữ liệu huấn luyện
Sau đó ta click button “Setup System” để khởi tạo mô hình dùng cho hệ thống
Tiếp đến để tối ưu mô hình theo tham số c ta click button “Optimal c”
Và bước cuối cùng trong khởi tạo mô hình cho hệ thống là ta thiết lập bảng tra cứu m, chúng ta click button “Look-up Table” để thực hiện việc thiết lập.
Sau khi khởi tạo xong, chúng ta sẽ kiểm thử mô hình bằng bộ 50 dữ liệu cung cấp ở trên.
Chạy chương trình kiểm thử:
Sau khi đã khởi tạo xong mô hình ta tiếp tục tiến hành kiểm thử bằng cách ấn Button RUN để bắt đầu và đánh giá sai số.
Cho các giá trị đầu vào là: x 4 : present separation ratio moving average over a middle period
( tỉ lệ khoảng cách trung bình động trung hạn ở hiện tại) x 8 : past separation ratio moving average over a short period
( tỉ lệ khoảng cách trung bình động ngắn hạn trong quá khứ) x 10 : present separation ratio moving average over a short period
( tỉ lệ khoảng cách trung bình động ngắn hạn hiện tại)
Tính đầu ra: deltaY : prediction of stock price
( mức thay đổi giá cổ phiếu)
Chạy thử khi nhập các giá trị đầu vào x4, x8, x10 để có thể tính được giá trị đầu ra DeltaY ta click button “Calculate” khi đó ta sẽ tính được các giá trị đầu ra Delta Y và giá trị m tương ứng trong bảng tra cứu Và để hiển thị ra mô hình mờ nhúng tương ứng với giá trị m vừa tính được ta click button “Display Model”.
Hình 4.22: Thực hiện kiểm thử và hiện mô hình mờ nhúng tương ứng
Với bộ dữ liệu đầu vào: x4=-10.440 x8= 2.981 x10= -2.483
Kết quả đầu ra của mô hình:
4.3 SO SÁNH VÀ ĐÁNH GIÁ VỚI CÁC PHƯƠNG PHÁP KHÁC
Thị trường chứng khoán đã, đang và sẽ đóng góp một giá trị phần không nhỏ cho nền kinh tế toàn cầu; thế nên các hoạt động nghiên cứu xung quanh các vấn đề dự báo giá cổ phiếu luôn được chú ý và quan tâm của không chỉ các nhà phân tích tài chính mà cả những nhà đầu tư chứng khoán hay tất cả những người hoạt động kinh doanh trong lĩnh vực liên quan. Đã có rất nhiều các cách sử dụng các giải thuật khác nhau để dự báo giá của cổ phiếu, sau đây em sẽ trình bày một số phương pháp :
Phương pháp cây quyết định mờ (FDT)
Sử dụng trong “Fuzzy Decision Tree for Data Mining of Time Series Stock Market
Databases” Từ bộ dữ liệu mẫu lấy theo giá mở cửa, giá đóng cửa, giá cao nhất, giá thấp nhất và khối lượng giao dịch trong ngày, kết quả ta có thể sinh một cây quyết định mờ.
Hình 4.23 : Bộ dữ liệu mẫu và dữ liệu huấn luyện mô hình theo giải thuật FDT
Hình 4.24 : Cây quyết định dự báo giá cổ phiếu. Ưu nhược điểm của phương pháp:
+ Phương pháp trên có khả năng biểu diễn nhanh, trực quan chiều tăng giảm của giá cổ phiếu.
+ Bộ dữ liệu mẫu quen thuộc với giao dịch chứng khoán trong thực tế giúp mọi người dễ dàng tìm kiếm được thông tin.
+ Chúng ta chỉ có thể dự báo rằng giá cổ phiếu tăng hay giảm mà không biết cụ thể là bao nhiêu, nhiều hay ít.
+ Với bộ dữ liệu mẫu lớn thì kích cỡ cây quyết định cũng tăng theo dẫn đến rắc rối cho người dùng
So sánh: o Phương pháp được sử dụng trong đồ án giúp ta có thể biết được chính xác giá cổ phiếu tăng hay giảm, và cụ thể là bao nhiêu Từ đó có thể giúp nhà đầu tư lựa chọn chính xác hơn khi đang phân vân giữa nhiều loại cổ phiếu đều có giá đang tăng, hay bán ra trước những loại cổ phiếu có giá bị giảm nhiều nhất Điều này rất có ý nghĩa trong thực tế. o Nhược điểm của phương pháp đề xuất là bộ dữ liệu mẫu chỉ dùng cho người phân tích biểu đồ, kĩ thuật, khó tìm kiếm trên các phương tiện truyền thông đại chúng, dẫn đến phương pháp được dùng với mục đích nghiên cứu và cho những người có trình độ chuyên sâu
Hệ thống suy luận nơron-mờ thích nghi (ANFIS )
Sử dụng trong “Momentum Analysis based Stock Market Prediction using Adaptive
Neuro - Fuzzy Inference System (ANFIS)” Ta có hệ suy diễn mờ và kiến trúc mô hình của phương pháp:
Hình 4.25 : Hệ suy diễn mờ Anfis
Hình 4.26 : Kiến trúc mạng nơron
Mô hình dựa trên hệ suy diễn mờ Sugeno với bộ luật có dạng như sau :
Rule 1: if (x is A 1 ) and (y is B 1 ) then (f 1 = p 1 x +q 1 y + r 1 )
Rule 2: if (x is A 2 ) and (y is B 2 ) then (f 2 = p 1 x +q 2 y + r 2 )
Tập tiền đề vẫn được biểu diễn bằng giá trị ngôn ngữ còn tập kết luận đầu ra thì được biểu diễn bằng một hàm Áp dụng bộ dữ liệu cổ phiếu :
Hình 4.27 : Các bộ dữ liệu kiểm thử và kết quả cho mô hình Anfis Ưu nhược điểm của phương pháp:
+ Nhờ có việc đánh giá trọng số của các luật trong bộ luật cơ sở mà phương pháp Anfis có kết quả chính xác hơn.
+ Nếu đầu ra của mô hình là một hàm tính toán phức tạp thì cho việc tính toán đầu ra rõ sẽ khó khăn
So sánh: o Thứ nhất, phương pháp trong đồ án dựa trên nên tảng mô hình mờ Mamdani với cả tập tiền đề và kết luận đều được biểu diễn bằng giá trị ngôn ngữ, còn phương pháp Anfis trên sử dụng mô hình mờ Sugeno với tập kết luận biểu diễn bằng một hàm. o Thứ hai, phương pháp đề xuất trong đồ án sử dụng tập một bộ các mô hình mờ nhúng để chọn lựa suy diễn, còn Anfis chỉ có một mô hình mờ.
Ngoài ra còn có một số phương pháp khác mà khi áp dụng cùng một bộ dữ liệu như trong đồ án này thì ta thu được các kết quả sai số đánh giá theo RMSE được cung cấp bởi
Ozge Uncu, Kemal Kilic, I.B Turksen, trong “A New Fuzzy Inference Approach Based on Mamdani Inference Using Discrete Type 2 Fuzzy Sets” như sau :
Hình 4.28: Kết quả sai số của các phương pháp khác đánh giá theo RMSE.
NN: Notron Network – phương pháp mạng nơ-ron,
LR: Linear Regression – phương pháp hồi quy tuyến tính
Các chương trước đã lần lượt trình bày từng bước để xây dựng một hệ suy diễn mờ cho bài toán dự báo: Từ các nền tảng cơ sở về mô hình hóa, các thuật toán xây dựng cơ sở luật từ thực nghiệm cho đến thuật toán điều chỉnh tối ưu các tham số hệ thống Trong chương IV ta đã triển khai ý tưởng và thuật toán, giải quyết được vấn đề đặt ra của đồ án: Ứng dụng mô hình hóa mờ trong dự báo giá cổ phiếu Sau đó đã tiến hành đánh giá kết quả so sánh với một số phương pháp khác.
KẾT LUẬN
Sau khi tìm hiểu kiến thức cơ bản về logic mờ, mô hình hóa mờ và thị trường chứng khoán, em đã đạt được một số kết quả:
Cơ bản nắm được về lí thuyết tập mờ, logic mờ.
Nắm được kiến trúc và hoạt động của mô hình mờ loại một từ đó phát triển ứng dụng mô hình mờ loại hai.
Có khả năng xây dựng được mô hình mờ.
Xây dựng được mô hình từ tập dữ liệu thực nghiệm Bằng cách kết hợp với công cụ của Matlab em đã xây dựng được hệ thống dự báo giá cổ phiếu thị trường chứng khoán
Thông tin được phân tích từ thực nghiệm dựa theo hướng phân tích dựa vào biểu đồ dạng đường Đây là loại biểu đồ được sử dụng phổ biến trong các ngành khoa học dùng để mô phỏng các vấn đề trong kinh tế và xã hội đồng thời cũng là loại biểu đồ được sử dụng trong thời gian lâu dài nhất.
Tuy nhiên nhược điểm của phương pháp là có rất ít các bộ dữ liệu mẫu với các loại cổ phiếu khác nhau khi tìm trên các phương tiện thông tin đại chúng, nên chúng ta chưa thế đánh giá một cách khách quan về hiệu quả của nó
Và hiện nay trên thị trường chứng khoán do khoa học kĩ thuật phát triển, diễn biến của thị trường chứng khoán ngày càng phức tạp, nó phụ thuộc vào rất nhiều các yếu tố, cụ thể là 10 yếu tố như trong bộ dữ liệu và trong những khoảng thời gian khác nhau thì ảnh hưởng của các tham số đó tới giá cổ phiếu cũng khác nhau Nhưng hiện tại chúng ta vẫn đang dùng chỉ có bộ 3 tham số với trọng số ngang bằng nhau.
Hoàn chỉnh phần mô hình Để đạt được mô hình hoàn chỉnh hơn cần cải thiện một số yếu tố sau:
1 Sử dụng mô hình mờ Mamdani theo hướng kết hợp hệ mờ và mạng Neuron để tăng thêm độ chính xác cho mô hình.