Hcmute ứng dụng mô hình mạng thần kinh nhân tạo (ann) và kinh tế lượng 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 ỨNG DỤNG MƠ HÌNH MẠNG THẦN KINH NHÂN TẠO (ANN) VÀ KINH TẾ LƯỢNG TRONG DỰ BÁO LẠM PHÁT TẠI VIỆT NAM S K C 0 9 MÃ SỐ: T2013-155 S KC 0 6 Tp Hồ Chí Minh, 2013 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƢỜNG ỨNG DỤNG MƠ HÌNH MẠNG THẦN KINH NHÂN TẠO (ANN) VÀ KINH TẾ LƢỢNG TRONG DỰ BÁO LẠM PHÁT TẠI VIỆT NAM Mã số: T2013-155 Chủ nhiệm đề tài: Th.S Nguyễn Khắc Hiếu TP HCM, 11 / 2013 Luan van TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA: KINH TẾ BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƢỜNG ỨNG DỤNG MƠ HÌNH MẠNG THẦN KINH NHÂN TẠO (ANN) VÀ KINH TẾ LƢỢNG TRONG DỰ BÁO LẠM PHÁT TẠI VIỆT NAM Mã số: T2013-155 Chủ nhiệm đề tài: Th.S Nguyễn Khắc Hiếu TP HCM, 11 / 2013 Luan van MỤC LỤC DANH MỤC BẢNG v DANH MỤC HÌNH vi CÁC TỪ VIẾT TẮT CHƢƠNG 1: MỞ ĐẦU 1.1 Tổng quan nghiên cứu 1.2 Mục tiêu nghiên cứu 1.3 Phạm vi nghiên cứu 1.4 Ý nghĩa thực tiễn 1.5 Bố cục đề tài CHƢƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Lạm phát 2.2 Phân loại lạm phát 2.3 Các yếu tốt tác động đến lạm phát 2.4 Khung phân tích 10 2.5 Số liệu nghiên cứu 11 2.6 Ứng dụng mạng thần kinh nhân tạo thực tế 11 CHƢƠNG 3: PHƢƠNG PHÁP NGHIÊN CỨU 15 Luan van 3.1 Mạng thần kinh nhân tạo 15 3.2 Ước lượng hệ số mơ hình ANN thuật toán lan truyền ngược 16 3.3 Xây dựng cấu trúc mạng 20 3.4 Hàm kích hoạt việc chuẩn hoá liệu 21 CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU 23 4.1 Thống kê mô tả liệu 23 4.2 Xây dựng mơ hình hồi quy tuyến tính 23 4.3 Kiểm định số giả thiết mơ hình hồi quy tuyến tính 27 4.4 Xây dựng mơ hình mạng thần kinh nhân tạo 30 4.5 So sánh kết dự báo mơ hình ANN hồi quy tuyến tính 37 CHƢƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ 40 TÀI LIỆU THAM KHẢO 42 Luan van DANH MỤC BẢNG Bảng 1: Thống kê mô tả biến số 23 Bảng 2: Kiểm định tính dừng biến 26 Bảng 3: Kết hồi quy 27 Bảng 4: Ký hiệu mơ hình ANN 32 Bảng 5: Kết dự báo mơ hình ANN 33 Bảng 6: So sánh thơng số dự báo trung bình 37 Bảng 7: Giá trị kiểm định t 37 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: Mơ hình nghiên cứu 10 Hình 4: Cấu tạo mạng thần kinh nhân tạo 15 Hình 5: Mạng nơron truyền thẳng lớp ẩn 17 Hình 6: hàm kích hoạt 21 Hình 7: Kết dự báo ngồi mẫu 39 Luan van CÁC TỪ VIẾT TẮT ANN Atificial Neural Network CPI Consumer Price Index HQTT Hồi quy tuyến tính LRM Linear Regression Model Luan van TRƯỜNG ĐẠI HỌC SƯ 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 THƠNG TIN KẾT QUẢ NGHIÊN CỨU Thơng tin chung: - Tên đề tài: Ứng dụng mơ hình mạng thần kinh nhân tạo (ANN) kinh tế lượng dự báo lạm phát Việt Nam - Mã số: T2013-155 - Chủ nhiệm: Th.S Nguyễn Khắc Hiếu - Cơ quan chủ trì: Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh - Thời gian thực hiện: từ tháng 12-2012 đến tháng 11-2013 Mục tiêu: - Ứng dụng mơ hình ANN vào dự báo lạm phát cho Việt Nam - So sánh hiệu dự báo mơ hình ANN mơ hình hồi quy tuyến tính Tính sáng tạo: Mơ hình dự báo lạm phát cho Việt Nam Kết nghiên cứu: Mơ hình ANN dự báo tốt cho lạm phát Việt Nam mơ hình có cấu trúc ANN-10-5-2-1, hàm kích hoạt sử dụng hàm Tan-hyperpolic Mơ hình ANN dự báo ngồi mẫu tốt mơ hình hồi quy tuyến tính cịn dự báo mấu khơng mơ hình hồi quy tuyến tính Sản phẩm: Mơ hình ANN dự báo lạm phát Trƣởng Đơn vị (ký, họ tên, đóng dấu) Luan van Chủ nhiệm đề tài (ký, họ tên) INFORMATION ON RESEARCH RESULTS General information: - Project title: Applying ANN and LRM model in forecasting inflation of VietNam - Code number: T2013-155 - Coordinator: Nguyen Khac Hieu - Implementing institution: UTE - Duration: from 12/2012 to 11/ 2013 Objective(s): - Applying ANN in forecasting inflation of Vietnam - Testing the forecasting efficiency of ANN and LRM Creativeness and innovativeness: Inflation forecasting model of Vietnam Research results: The best ANN structure for inflation forecast is ANN-10-5-2-1, activate function is Tan-hyperpolic ANN is better than LRM insample but is not better than LRM outsample forecasting Products: Inflation forecasting model of Vietnam Luan van 30 D10^2 -1.88E-07 3.18E-05 -0.005895 0.9953 D11^2 2.74E-06 3.11E-05 0.9299 R-squared 0.213645 Mean dependent var 2.72E-05 Adjusted R-squared 0.082586 S.D dependent var 6.16E-05 S.E of regression 5.90E-05 Akaike info criterion 16.50037 Sum squared resid 3.55E-07 Schwarz criterion 16.08224 Log likelihood 1008.022 Hannan-Quinn criter 16.33056 F-statistic 1.630146 Durbin-Watson stat Prob(F-statistic) 0.069923 0.088144 1.960964  Kiểm định tương quan chuỗi: ta sử dụng kiểm định nhân tử Lagrange Kết cho thấy, có tượng tương quan chuỗi Nhưng theo Ramarathan (1998) giá trị dự báo không thiên lệch quán Nó làm cho giá trị dự báo khơng cịn hiệu sai số dự báo lớn Breusch-Godfrey Serial Correlation LM Test: F-statistic 6.990567 Prob F(2,100) 0.0014 Obs*R-squared 14.71942 Prob Chi-Square(2) 0.0006 4.4 Xây dựng mơ hình mạng thần kinh nhân tạo Để xây dựng mạng thần kinh nhân tạo ta phải lựa chọn biến đầu vào cần đưa vào mơ hình Ta tham khảo biến từ mơ hình hồi quy tuyến tính Tuy Luan van 31 nhiên, ta lấy tất biến từ mơ hình hồi quy tuyến tính, kết dự báo mơ hình ANN khơng thể tốt mơ hình hồi quy tuyến tính Lý mơ hình ANN thích hợp cho mối quan hệ phi tuyến, biến lấy từ mơ hình hồi quy tuyến tính biến có quan hệ tuyến tính với biến phụ thuộc Chính tác giả lựa chọn 10 biến sau để đưa vào phân tích dự báo mơ hình ANN: Month: Biến mang giá trị 12 tháng năm, thể yếu tố mùa vụ If1: Biến trễ bậc lạm phát (trễ tháng) If12: Biến trễ bậc 12 lạm phát (trễ 12 tháng) Oil: Giá dầu Oil1: Biến trễ bậc giá dầu Oil6: Biến trễ bậc giá dầu R: Lãi suất cho vay R2: Biến trễ bậc lãi suất cho vay M21: Biến trễ bậc cung tiền M23: Biến trễ bậc cung tiền Quá trình xây dựng lớp ẩn cho mạng ANN trình thử sai Ta thay đổi số lớp ẩn số nơron lớp ẩn sau thiết lập mơ hình Mơ hình lựa chọn mơ hình cho kết dự báo tốt mơ hình phân tích Để tìm mơ hình ANN tốt nhất, tác giả lựa chọn mơ hình sau để đưa vào phân tích: Luan van 32 Bảng 5: Ký hiệu mơ hình ANN Số biến vào Số nơron lớp ẩn Số nơron lớp ẩn 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 Số biến Ký hiệu Hàm kích hoạt sử dụng trường hợp hàm Tan-hyperpolic Dữ liệu đưa vào huấn luyện mạng bao gồm 132 quan sát (từ tháng năm 2001 đến tháng 12 năm 2011), 70% sử dụng cho tập huấn luyện 30% sử dụng cho tập xác nhận, trình phân chia thực cách ngẫu nhiên 12 quan sát cuối (từ tháng đến tháng 12 năm 2012) sử dụng cho việc kiểm định dự báo mẫu Ngoài ra, liệu đầu vào đầu chuẩn hoá theo phân phối chuẩn (trừ giá trị trung bình chia cho độ lệch chuẩn) Sau trình huấn luyện mạng kết thúc, ta sử dụng mơ hình để đưa kết dự báo Kết dự báo mơ sau: Luan van 33 Bảng 6: Kết dự báo mơ hình ANN Mơ hình Dự báo mẫu Dự báo 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 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-10-5-2-1 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 mẫu Luan van 34 Bảng 7: Mơ hình ANN-10-5-2-1 Parameter Estimates Predicted Hidden Layer Predictor Input Layer H(1:1) H(1:2) H(1:3) Hidden Layer H(1:4) H(1:5) (Bias) -.018 1.079 006 215 344 [month=1.00] -.087 636 237 121 566 [month=2.00] -.701 747 -.750 673 -.064 [month=3.00] 875 -.875 159 -.347 -.653 [month=4.00] 082 237 058 -.182 -.456 [month=5.00] 260 825 345 -.414 018 [month=6.00] 363 079 503 -.201 252 [month=7.00] 230 -.299 766 -.397 057 [month=8.00] -.112 -.583 -.354 -.365 154 [month=9.00] -.567 202 405 -.181 -.116 [month=10.00] -.165 -.012 343 580 -.323 [month=11.00] -.578 -.423 168 -.163 -.250 [month=12.00] -.470 448 -.508 -.026 -.413 if1 -.234 -.552 -.474 483 796 Oil 376 770 -.163 -.276 496 Oil1 -.076 068 228 -.417 577 Luan van H(2:1) H(2:2) Output IF 35 r 071 510 -.209 640 517 m23 137 132 -.810 -.199 476 m21 335 867 -.140 -.278 217 if12 575 -.248 -.254 865 830 oil6 -.053 591 -.310 120 -.571 709 -.145 -.398 759 126 r2 Hidden Layer (Bias) 074 881 H(1:1) -.092 983 H(1:2) -.231 -.830 H(1:3) 948 367 H(1:4) -1.261 -.790 H(1:5) 111 -.767 Hidden Layer (Bias) 521 H(2:1) 423 H(2:2) -1.907 Luan van 36 Mức độ quan trọng biến phân tích: Luan van 37 4.5 So sánh kết dự báo mơ hình ANN hồi quy tuyến tính Ta so sánh hiệu dự báo mơ hình ANN hồi quy tuyến tính dựa vào tiêu chí RMSE, MAE R2 mẫu lẫn ngồi mẫu Do ta có tất mơ hình ANN nên trước tiên ta so sánh giá trị trung bình mơ hình ANN mơ hình hồi quy tuyến tính Kết so sánh cho bảng sau: Bảng 8: So sánh thơng số dự báo trung bình Dự báo mẫu Dự báo ngồi mẫu Mơ hình R2 RMSE MAE R2 RMSE MAE ANN 75.1% 0.00462 0.00334 46.5% 0.00563 0.00413 HQTT 68.2% 0.00521 0.00355 32.7% 0.00618 0.00377 Kết cho thấy, mơ hình ANN dự báo vượt trội so với mơ hình hồi quy tuyến tính tất tiêu chí Tuy nhiên, kết khác biệt giá trị trung bình, muốn kết luận thuyết phục ta thực T-test với quan sát mơ hình ANN giá trị mơ hình hồi quy tuyến tính Kết kiểm định sau: Bảng 9: Giá trị kiểm định t Kiểm định Giá trị t-Stat R2 Sig one-tail 3.830 0.0043 -3.539 0.0061 Trong mẫu RMSE Luan van 38 MAE -1.887 0.0540 2.492 0.0235 RMSE -2.811 0.0154 MAE 2.709 0.0176 R2 Ngồi mẫu Dựa vào kết ta kết luận, mơ hình ANN dự báo ngồi mẫu tốt mơ hình hồi quy tuyến tính tất tiêu chí Trong dự báo mẫu, mơ hình ANN tốt mơ hình hồi quy tuyến tính hai tiêu chí R2 RMSE, cịn tiêu chí MAE khơng tốt (Sig=0.054) Đồ thị sau thể rõ hiệu dự báo hai mơ hình Luan van 39 Hình 7: Kết dự báo mẫu Luan van Chương 5: Kết luận kiến nghị CHƢƠNG 5: 40 KẾT LUẬN VÀ KIẾN NGHỊ Từ kết ta thấy mơ hình ANN dự báo ngồi mẫu tốt mơ hình hồi quy tuyến tính với mức ý nghĩa 5%, kết dự báo mẫu khơng tốt tất số Ta kết luận tốt cho dự báo ngồi mẫu chấp nhận mức ý nghĩa 10% Kết cải thiện ta thực nhiều quan sát Đề tài cách tiếp cận cho việc dự báo lạm phát nói riêng dự báo kinh tế nói riêng Ngồi kết đạt được, đề tài số hạn chế sau: Thứ nhất, biến đưa vào dự báo hai mơ hình khơng giống Nên việc so sánh bị khập kiễng Vì mơ hình hồi quy tuyến tính, ta đưa thêm biến vào mơ hình R2 tăng lên, cho dù biến có ý nghĩa hay khơng Nhưng ta khơng thể thấy tồn biến đầu vào giống cho hai mơ hình ta lấy tồn biến mơ hình hồi quy tuyến tính đưa vào mơ hình ANN khơng cơng cho mơ hình ANN mơ hình ANN có ưu dự báo quan hệ phi tuyến tuyến tính Ngược lại, ta khơng thể lấy tồn biến mơ hình ANN để đưa vào mơ hình hồi quy tuyến tính Do đó, tác giả lựa chọn biến đầu vào khác cho mơ hình, tinh thần biến giải thích tốt cho dự báo đầu chọn Thứ hai, có biến có tác động đến lạm phát GDP, thâm thụt ngân sách Tuy nhiên, liệu biến có theo quý theo năm Do đó, các biến đầu vào chưa giải thích tồn biến đầu Thứ ba, có yếu tố tác động đến thiên tai, lũ lụt (một vấn đề phổ biến Việt Nam) chưa nghiên cứu đưa vào mơ hình Luan van Chương 5: Kết luận kiến nghị 41 Cuối cùng, ta so sánh giá trị R2, RMSE MAE mô hình mà khơng có phương sai biến Việc ước lược phương pháp OLS không cho ta biết phương sai tiêu chí Kết so sánh cải thiện ta sử dụng phương pháp phân tích Bootstap thơng số Luan van Phụ lục 42 TÀI LIỆU THAM KHẢO Danh mục tài liệu tiếng Việt 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 Nguyễn Trọng Hồi Nguyễn Hồi 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 phát triển kinh tế số 242, tháng 12/2010 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, số 12 năm 2009 Sử Đình Thành, 2012 Thâm hụt ngân sách lạm phát: Minh chứng thực nghiệm Việt Nam Tạp chí phát triển kinh tế, số 259, tháng 5/2012 Vũ Sỹ Cường (2011), Tác động sách tài khóa tiền tệ đến lạm phát: Mơ hình lý thuyết thực tiễn Việt Nam, Tạp chí phát triển kinh tế số 247, tháng 5/2011 Luan van Phụ lục 43 Danh mục tài liệu tiếng Anh Emi Nakamura, 2005 Inflation forecasting using a neural network Harvast University Guoqiang Zhang, 1998 Forecasting with artificial neural networks: The state of the art International Journal of Forecasting, No.14 pp.35–62 Jane M.Binner et al, 2010 Does money matter in inflation forecasting? Federal Reserve Bank of St Louis, Working Paper 2009-030B Jingtao Yao et al, 1999 Neural Network for technical analysis: A study on KLCI International Journal of Theoretical and Applied Finance, Vol 2, No Jon Faust and Jonathan H Wright, 2012 Forecasting inflation Department of Economics, Johns Hopkins University Keynes, 1936, The General Theory of Employment, Interest and Money, [http://www.marxists.org/reference/subject/economics/keynes/general-theory/] Luis San Vicente Portes, 2012, Macroeconomic and financial effects of high and volatile oil prices Journal of Economics and Economic Education Research, Volume 13, Number 2, 2012 Michael Dotsey et al, 2011 Do Phillips curves conditionally help to forecast inflation? Federal Reserve Bank of Philadelphia, working paper no 11-40 Mohsin S Khan and Abdelhak S Senhadji, 2001 Threshold Effects in the Relationship Between Inflation and Growth IMF Staff paper, Vol 48 Paul McNelis and Peter McAdam, 2004 Forecasting inflation with thick model and neural network European Central Bank, Working paper No.352 Ramarathan, 1998, Nhập môn kinh kế lượng với ứng dụng, Hào Thi Thục Đoan biên dịch, Chương trình giảng dạy kinh tế Fulbright Recep Duzgun, 2010 Generalized Regression Neural Networks for Inflation Forecasting International Research Journal of Finance and Economics, ISSN 1450-2887 Issue 51 Robert R Trippi and Afrain Turban, 1996 Neural Network in Finance and Investing IRWIN Professional Publishing Luan van Luan van