Ứng dụng kỹ thuật học máy để xây dựng mô hình dự báo đầu ra cho dữ liệu khoảng giá trị của chuỗi thời gian

Tính mới và sáng tạo: - Mô hình dự báo theo dạng khoảng thời gian là dạng mô hình dự báo mới trên thế giới bởi tính chất dự báo và nội hàm các thông tin trong dữ liệu đầu ra.. Tóm tắt kế

ĐỂ XÂY DỰNG MÔ HÌNH DỰ BÁO ĐA

ĐẦU RA CHO DỮ LIỆU KHOẢNG GIÁ TRỊ

CỦA CHUỖI THỜI GIAN

Mã số: T2019-06-128

Chủ nhiệm đề tài: ThS Lê Thị Thùy Linh

Đà Nẵng, Tháng 6/2020

0

ĐỂ XÂY DỰNG MÔ HÌNH DỰ BÁO ĐA

ĐẦU RA CHO DỮ LIỆU KHOẢNG GIÁ TRỊ

CỦA CHUỖI THỜI GIAN

Mã số: T2019-06-128

Xác nhận của cơ quan chủ trì đề tài Chủ nhiệm

đề tài

1

DANH SÁCH THÀNH VIÊN THAM GIA NGHIÊN CỨU ĐỀ TÀI

1 Lê Thị Thùy Linh

DANH SÁCH ĐƠN VỊ PHỐI HỢP CHÍNH

1 Trường Đại học Sư phạm Kỹ thuật - Đại học Đà Nẵng

2

Dự báo khoảng thời gian 16 1.2.1 Chuỗi thờigian 16 1.2.2

Phân loại dự báo dữ liệu chuỗi thờigian 181.2.3 Tầm quan trọng của dự báo chuỗi thời gian trong thị trường tài

chính 19

1.2.4 Dự báo khoảng thời gian của dữ liệu chuỗi thờigian .21 1.3 Các thuật toán tối ưu hóa siêu dữliệu 23 1.3.1 Kỹ thuật họcmáy 23 1.3.2

Các thuật toán tối ưu hóa siêu dữliệu 27

CỨU 32 2.1 Mô hình dự báo 32 2.2.Ứng dụng phương pháp “trễ” cho dự báo chuỗi thờigian 34 2.3 Phương pháp kỹ thuật họcmáy 38 2.3 Thuật

số 40 2.4 Đánh giá hiệu suất dựbáo 43

CHƯƠNG III MÔ HÌNH LAI ĐA ĐẦU RA CHO DỰ BÁO CHUỖI

THỜI

GIAN 45

3.1 Đánh giá thuật toán tối ưuhóa 45 3.2 Cấu trúc mô

hình dự báo 47

3.3 Phần mềm ứngdụng 49

CHƯƠNG IV ỨNG DỤNG MÔ HÌNH DỰ BÁO 51 4.1 Thu thập dữ liệu 51 4.1.1

Sàn chứng khoáng thành phố Hồ Chí Minh 51 4.1.2 Cặp dữ liệu chứng khoáng VN-

Index 100 và S&P500 544.2 Dự báo giá chứng khoáng dựa trên dữ liệuthực 57 KẾT LUẬN VÀ KIẾNNGHỊ 62 TÀI LIỆUTHAM

KHẢO 64

3

Đánh giá hiệu suất dự báo trước một bước 46

Đánh giá hiệu suất dự báo trước ba bước 48

4

Chỉ số chứng khoáng của VN-Index 100Đàn cá săn mồi

Đàn chim bayGiá trị khoảng thời gian hằng ngày của chỉ số VN-Index 100

Cấu trúc khoảng thời gianXây dựng cửa sổ trượt và không gian pha

Cửa sổ trượt cho nghiên cứu chuỗi thời gian

Tái tạo không gian pha để phân tích chuỗithời gian

Minh họa MLSSVR

Mô hình dự báo MIMO-S-LSSVRChỉ số VN-Index100 nửa đầu năm 2020Chỉ số S&P500 nửa đầu năm 2020Đánh giá hiệu suất dự báo trước một bướccủa chỉ số (a) VN-Index 100 và (b)

S&P500Đánh giá hiệu suất dự báo trước ba bước của chỉ số (a) VN-Index 100 và (b)

S&P500

Trang31019202223242526273942464748

5

DANH MỤC CÁC CHỮ VIẾT TẮT

ABC Artificial Bee Colony

AI Artificial intelligence

AIS artificial immune system

ANN Artificial neural network

ARMA Autoregressive moving average

ARIMA Autoregressive integrated moving average

CPU Central processing unit

CPSO Chaotic Particle Swarm Optimization

DAX German stock price

DE Differential Evolution

GANN Genetic neural network

GRNN Generalized neural network

GUI Graphical user interface

GUIDE Graphical user interface development environment iMLP Multi-layer perceptron model adapted to interval data ITS Interval-valued time series

LSSVR Least squares support vector regression

MAE Mean absolute error

MAPE Mean absolute percentage error

MCR MATLAB complier runtime

MIMO Multi-Input Multi-Output

MISO Multi-Input Single-Output

6

Mean square error Opposition-based Particle Swarm Optimization Particle Swarm Optimization

Particle Swarm Optimization - Multi-Output Least Squares Support

Vector Regression Quadratic Programming Correlation coefficient Root Mean Squared Error Support Vector Regression Tabu search

vector autoregressive

7

THÔNG TIN KẾT QUẢ NGHIÊN CỨU

1 Thông tin chung:

- Tên đề tài: ỨNG DỤNG KỸ THUẬT HỌC MÁY ĐỂ XÂY DỰNG

MÔ HÌNH

DỰ BÁO ĐA ĐẦU RA CHO DỮ LIỆU KHOẢNG GIÁ TRỊ CỦA

CHUỖI THỜI GIAN

- Mã số: T2019-06-128

- Chủ nhiệm: ThS Lê Thị Thùy Linh

- Cơ quan chủ trì: Trường Đại học Sư phạm Kỹ thuật - Đại

học Đà Nẵng - Thời gian thực hiện: 12 tháng

2 Mục tiêu:

Nghiên cứu này phát triển một mô hình dự báo đa đầu ra

ứng dụng kỹ thuật máy véc tơ hỗ trợ kết hợp với tối ưu hóa hạt

siêu tốc cho dự báo dạng khoảng thời gian

3 Tính mới và sáng tạo:

- Mô hình dự báo theo dạng khoảng thời gian là dạng

mô hình dự báo mới trên thế giới bởi tính chất dự báo

và nội hàm các thông tin trong dữ liệu đầu ra

- Mô hình ứng dụng kỹ thuật chuyển đổi dữ liệu mới “Lagmethod” của Brownlee (2017) nhằm hạn chế dữ liệu giúp

tối ưu hóa dữ liệu đầu vào

4 Tóm tắt kết quả nghiên cứu:

- Xây dựng mô hình dự báo mới theo dạng đa đầu ra cho dự

báo dữ liệu theo dạng khoảng thời gian, đưa ra được phương pháp dự báo mới

- Áp dụng phương pháp mới trong xử lý dữ liệu lớn có

độ khó cao - Thử nghiệm mô hình trên dữ liệu thực

đạt kết quả tốt.

8

5 Tên sản phẩm:

- Phương pháp dự báo kiểu mới bằng mô hình đa đầu ra

theo dạng Muti input-Muti output model

- Bài báo khoa học có chỉ số ISSN nằm trong danh mục Hội đồng Chức danh Giáo sư Nhà nước

6 Hiệu quả, phương thức chuyển giao kết quả nghiên cứu và khả năng áp dụng:

- Hiệu quả: Nghiên cứu đề xuất một mô hình dự báo mới, đặc biệt là phương pháp dự báo đa đầu ra cho chuỗi dữ liệu thời gian theo dạng khoảng thời gian Nghiên cứu này mang tính ứng dụng cao cho thị

trường tài chính và quản lý đầu tư cho thị trường tài chính Là tiền đề cho việc mở rộng sang các lĩnh vực khác như phân tích dự báo nhu cầu, dự báo năng lượng,

dự báo thiên tai Bên cạnh đó, mô hình nghiên cứu và các thuật toán của nó có thể được sử dụng để làm ví

dụ giảng dạy trong cả lĩnh vực kinh tế và kỹ thuật

- Phương thức chuyển giao kết quả nghiên cứu và khả năng

áp dụng: Nghiên cứu này được chuyển giao cho trườngĐại học Sư phạm Kỹ thuật, Đại học Đà Nẵng sau khihoàn thành

9

7 Hình ảnh, sơ đồ minh họa chính

Mô hình dự báo MIMO-S-LSSVR

Dữ liệu đào tạo

Thuật toán tối

ưu hóa PSO

Chạy mô hình

Hàm mục tiêu

Mô hình dự báo đã được tối ưu hóa

Đúng Tối ưu hóa siêu tham số của

mô hình

Kết quả

dự báo

Độ chính xác dự báo

10

Bảng đánh giá hiệu suất dự báo trước một bước

Tên cổ phiếu Khoảng

11.63 1.30% 0.8313.56 1.55% 0.7724.16 0.89% 0.9032.44 1.21% 0.87

Bảng đánh giá hiệu suất dự báo trước ba bước

12.99 1.45% 0.7815.23 1.73% 0.7241.79 1.51% 0.7652.04 1.92% 0.71

Ngày 09 tháng 6 năm 2020

Hội đồng KH&ĐT Khoa

SPCN

Nguyễn Đức Sỹ Chủ nhiệm đề tài

Lê Thị Thùy Linh

XÁC NHẬN CỦA TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

11

INFORMATION ON RESEARCH RESULTS

1 General information:

- Project title: BUILDING A MULTI-OUTPUT HYBRID MODEL

FOR INTERVAL-VALUED TIME SERIES FORECASTING

- Code number: T2019-06-128

- Coordinator: Le Thi Thuy Linh

- Implementing institution: University of Technology and

Education, the University of Danang

- Duration: 12

months 2

Objective(s):

This research develops a Multi-input multi-output system

using ML and PSO to forecast the interval-valued time series data analysis

3 Creativeness and innovativeness:

- The proposed model is one of the newest forecasting

models in time series data analysis

- Applying a new method to optimize data that was proposed

by Brownlee in 2017 called “Lag method”

4 Research results

A using forecasting model for interval-valued time series

data analysis This model can be used in many filed as energy,

demand, environment, etc

5 Products:

- Muti input-Muti output forecasting model

- A journal has ISSN index in the state council for professor

title of vietnam 6 Effects, transfer alternatives of reserach

results and applicability:

- Public papers, participated in the workshop reports, conferences

- This is a document that can be used to teach forecasting

and mathematical simulation in colledge

12

PHẦN MỞ ĐẦU

Các mô hình chuỗi thời gian truyền thống đang dần để lộ

các khuyết điểm bởi tính độc lập của nó Đặc biệt đối với các thị

trường nhạy cảm như thị trường tài chính vốn chịu rất nhiều ảnh

hưởng bởi các yếu tố bên ngoài Bằng cách phân tích một loạt các

giá trị thay vì việc ước tính điểm truyền thống, dự báo khoảng thời

gian chính xác là điều cần thiết cho sự thành công của các

quyết định đầu tư trên thị trường chứng khoáng

Nghiên cứu này phát triển tối ưu hóa siêu dữ liệu cửa sổ trượt để dự báo chuỗi

thời gian có giá trị trong khoảng thời gian, sử dụng hồi quy vectơ tối thiểu

13

CHƯƠNG I TỔNG QUAN NGHIÊN CỨU

1.1 Công nghệ trí thông minh nhân tạo trong lĩnh vực dự báo

Trí tuệ nhân tạo (AI) là một nhánh của ngành khoa học máy tính, hỗtrợ việc

nghiên cứu, thiết kế và ứng dụng dựa trên máy tính thông minh Các phương pháp

truyền thống để mô hình hóa và tối ưu hóa các hệ thống cấu trúc phức tạp phải đòi

hỏi một lượng lớn tài nguyên điện toán Trong khi đó, trí tuệ nhân tạo thường có thể

cung cấp các giải pháp thay thế hữu hiệu giúp giải quyết hiệu quả các vấn đề trong

nhiều lĩnh vực của nhiều ngành khác nhau kể cả khoa học công nghệ, kỹ thuật, kinh

Hình 1.1 Trí tuệ nhân tạo [16]

Trí tuệ nhân tạo đã nhận được sự chú ý ngày càng tăng trong nhữngnăm gần

đây Sự đổi mới, được thực hiện thông qua Internet, đã đưa AI đến gần hơn với cuộc

sống hàng ngày của chúng ta Những tiến bộ này, bên cạnh sự quan tâm đến các tác

động kinh tế xã hội và đạo đức tiềm năng của công nghệ, đưa AI lên hàngđầu trong

nhiều cuộc tranh luận đương đại Đầu tư của các lĩnh vực vào AI đang tăng nhanh

động cơ mới cho tăng trưởng kinh tế [16].

Trí thông minh nhân tạo được định nghĩa xa hơn là AI hẹp “narrow AI” hay

AI cơ bản “general AI” AI hẹp mà chúng ta tương tác với ngày nay, đượcthiết kế

để thực hiện các tác vụ cụ thể trong một miền (ví dụ: dịch ngôn ngữ) AI nói chung

15

là giả thuyết và không phải là miền cụ thể, nhưng có thể học và thực hiệncác nhiệm

vụ ở bất cứ đâu Những tiến bộ trong AI hẹp, đặc biệt là phát triển các thuật toán và

mô hình mới trong một lĩnh vực khoa học máy tính được gọi là học máy [4, 23]

Trong kỹ thuật học máy, các thuật toán là một chuỗi các hướng dẫnđược sử

dụng để giải quyết vấn đề Các thuật toán, được phát triển bởi các lập trình viên để

hướng dẫn máy tính trong các nhiệm vụ mới, là các khối xây dựng của thế giới kỹ

thuật số tiên Các thuật toán máy tính tổ chức một lượng lớn dữ liệu vàothông tin

và dịch vụ, dựa trên các hướng dẫn và quy tắc nhất định

Thay vì lập trình máy tính từng bước, phương pháp này đưa ra các hướng dẫn

máy tính cho phép nó học từ dữ liệu mà không cần hướng dẫn từng bước mới của

lập trình viên Điều này có nghĩa là máy tính có thể được sử dụng cho các tác vụ

mới, phức tạp không thể lập trình thủ công Những thứ như ứng dụng nhận dạng ảnh

cho người khiếm thị, hoặc dịch hình ảnh thành lời nói

Trong lĩnh vực tài chính, với lưu lượng dữ liệu khổng lồ, các

đưa ra một kết quả dự báo đáng tin

1.2 Dự báo khoảng thời gian

1.2.1 Chuỗi thời gian

Dữ liệu chuỗi thời gian là dữ liệu được thu thập tại các thời điểm khác nhau

Điều này trái ngược với dữ liệu rời rạc quan sát các cá nhân, công ty v.v… tại một

thời điểm duy nhất Bởi vì các điểm dữ liệu trong chuỗi thời gian được thu thập tại

các khoảng thời gian liền kề, có khả năng tương quan giữa các quan sát Đây là một

trong những tính năng phân biệt dữ liệu chuỗi thời gian với dữ liệu rời rạc [11]

Chuỗi thời gian là một chuỗi thông tin gắn một khoảng thời gian chomỗi giá

trị Giá trị có thể là khá nhiều thứ có thể đo được phụ thuộc vào thời giantheo một

cách nào đó, như giá cả, độ ẩm hoặc một số người Miễn là các giá trị chúng được

ghi lại rõ ràng, bất kỳ phương tiện nào cũng có thể được đo bằng chuỗi thời gian

Không có bất kỳ giới hạn nào về tổng khoảng thời gian của một chuỗi thời

gian Nó có thể là một phút, một ngày, một tháng hoặc thậm chí là một thế kỷ Điều

16

bắt buộc để tạo nên khoảng thời gian giá trị là điểm khởi đầu và điểm kết thúc Tất

nhiên, thường có rất nhiều điểm ở giữa và khoảng thời gian phân tách haiđiểm liên

tiếp được gọi là một khoảng thời gian khác Ví dụ: nếu dữ liệu được ghi lạimột lần

mỗi ngày từ 01/01/2000 đến đêm giao thừa năm 2009, một khoảng thờigian duy

nhất sẽ là một ngày, trong khi toàn bộ khoảng thời gian sẽ là một thập kỷ[4, 10, 11]

Tần số đầu ra của bộ dữ liệu cho chúng tôi biết tần suất của các tập dữ liệu

được ghi lại Để có thể phân tích chuỗi thời gian một cách có ý nghĩa, tất cả các

khoảng thời gian phải bằng nhau và được xác định rõ ràng Điều này sẽ dẫn đến một

tần số không đổi, hai tính năng này có ảnh hưởng lẫn nhau trong dữ liệu chuỗi thời

gian Tần số này là một phép đo thời gian và có thể dao động từ vài miligiây đến

vài thập kỷ Tuy nhiên, những thứ chúng ta thường gặp nhất là hàng ngày, hàng

mỗi giá trị, dữ liệu ít liên quan hơn nhiều.

Dữ liệu chuỗi thời gian trong tài chính là một ví dụ khác Trong thế giới kinh

doanh, dữ liệu chuỗi thời gian tìm thấy ứng dụng lớn trong tài chính Đối với các

nhà đầu tư, cũng như chủ sở hữu công ty, điều quan trọng là phải xác định liệu giá,

lợi nhuận, lợi nhuận và doanh số sẽ tăng hay giảm trong tương lai Do

đó, một chủ

đề phổ biến trong phân tích chuỗi thời gian là xác định hiệu quả và tính

ổn định của

thị trường tài chính và danh mục đầu tư [5, 6, 8]

Dữ liệu chuỗi thời gian trong dự báo bán hàng Một ứng dụng khác của chuỗi

thời gian trong kinh doanh đến dưới dạng dự báo bán hàng Nói cách khác, chúng ta

đang xem xét các xu hướng từ trước để dự đoán nhu cầu trong

tương lai Điều này 17

cho phép các công ty lấp đầy kho của họ, vì vậy họ không hết hàng Ngoài ra, nó

giúp họ điều chỉnh giá để kiếm lợi nhuận lớn nhất có thể

Một ví dụ điển hình cho hành vi như vậy đến từ các công ty Boeing,

hiện tại, như giá trị vừa đề xuất đang xử lý sự phụ thuộc thời gian [18]

Dữ liệu chuỗi thời gian thường là phụ thuộc vào thời gian Điều này

1.2.2 Phân loại dự báo dữ liệu chuỗi thời gian

a) Theo thời đoạn dự báo: Dự báo ngắn hạn, trung hạn và dài hạn [11,17]

- Dự báo ngắn hạn: thời đoạn dự báo ngắn, thường không

quá 3 tháng, ít khi đến 1 năm Loại dự báo này cần cho việc

mua sắm, điều độ công việc, phân giao nhiệm vụ, cân đối

các mặt trong quản trị tác nghiệp

- Dự báo trung hạn: Thời đoạn dự báo thường từ 3 tháng đến

3 năm, loại dự báo này cần thiết cho việc lập kế hoạch bán

hàng, kế hoạch sản xuất, dự thảo ngân sách, kế hoạch tiền

mặt và huy động các nguồn lực

18

- Dự báo dài hạn: Thời đoạn dự báo từ 3 năm trở lên Loại dự

báo này cần cho việc lập các dự án sản xuất sản phẩm mới,

xác định địa điểm cho các cơ sở mới, lựa chọn các dây

chuyền công nghệ, thiết bị mới, mở rộng doanh nghiệp hiện

có hoặc thành lập doanh nghiệp mới

Sự phân chia về thời đoạn dự báo phụ thuộc vào lĩnh vực cần dự báo Chẳng

hạn trong dự báo năng lượng thì thời đoạn của dự báo ngắn hạn là không quá 2 tuần,

thời đoạn của dự báo trung hạn là từ 2 tuần đến 3 năm Ngoài ra còn có

dự báo rất

ngắn hạn với thời đoạn dưới 1 ngày

b) Theo giai đoạn dự báo: dự báo hậu nghiệm và dự báo tiền nghiệm [28]

- Dự báo hậu nghiệm (dự báo quá khứ): dự báo trong giai đoạn

này nhằm kiểm nghiệm sự chính xác tính dự báo của mô

hình Nếu như mô hình không đảm bảo độ chính xác theo

yêu cầu thì người dự báo cần tìm các giải pháp khác như

tìm kiếm mô hình thay thế hoặc mở rộng mẫu dự báo

- Dự báo tiền nghiệm (dự báo tương lai): Đây là mục tiêu của

dự báo, nhưng vì chưa xảy ra nên không thể so sánh được

Tuy nhiên, độ tin cậy của mô hình có thể được đánh giá

thông qua một số chỉ tiêu thống kê

c) Theo lĩnh vực dự báo: dự báo kinh tế-tài chính, dự báo năng

lượng, dự báo trong lĩnh vực môi trường, thủy văn,

- Dự báo trong lĩnh vực kinh tế-tài chính gồm dự báo doanh

thu, dự báo lạm phát, dự báo thị trường chứng khoán (chỉ

số chứng khoán, giá cổ phiếu, sự biến động của thị trường),

dự báo tỷ giá hối đoái, dự báo giá vàng,…

- Dự báo trong lĩnh vực năng lượng: gồm dự báo năng lượng

tiêu thụ, dự báo nhu cầu năng lượng, dự báo tốc độ gió,…

- Dự báo trong lĩnh vực thủy văn: dự báo lượng mưa

- Dự báo trong lĩnh vực môi trường: dự báo nồng độ các chất

ô nhiễm trong không khí, dự báo bức xạ mặt trời,…

1.2.3 Tầm quan trọng của dự báo chuỗi thời gian trong thị trường tài chính.

Thị trường tài chính rất biến động và tạo ra lượng dữ liệu khổng lồ hàng ngày.

Đầu tư là một cam kết về tiền hoặc các nguồn lực khác để có được lợi ích trong

tương lai Chứng khoán là công cụ thị trường tài chính phổ biến nhất và giá trị của

nó thay đổi nhanh chóng Nó có thể được định nghĩa là một dấu

hiệu tham gia vốn 19

của một người hoặc một doanh nghiệp trong một công ty hoặc một công ty trách

tế tăng trưởng và tạo nên sự thịnh vượng [2, 6]

Thị trường chứng khoán chỉ là nơi giao dịch, nó không phải là nơi thực hiện

giao dịch (mua - bán) chứng khoán trực tiếp của những người muốn mua hay bán

chứng khoán mà là của những nhà môi giới Nếu một người muốn mua hay bán

chứng khoán, người này sẽ thông qua người môi giới chứng khoán của mình trên thị

trường chứng khoán để tiến hành việc mua bán chứ không trực tiếp tham gia mua

Thị trường chứng khoán tạo cơ hội cho các nhà môi giới và các công ty đầu

tư vào nền tảng trung lập và giá trị của nó là một trong những chỉ số chính về tình

trạng kinh tế của một quốc gia Giá cổ phiếu được dự đoán sẽ xác định giá trị tương

lai của các công ty Cổ phiếu hay các công cụ tài chính khác được bán trên các sàn

giao dịch tài chính [21] Tuy nhiên, thị trường chứng khoán được đặc trưng bởi sự

phi tuyến tính, sự không liên tục và các thành phần đa thức tần số cao bởi vì nó

tương tác với nhiều yếu tố như sự kiện chính trị, điều kiện kinh tế chung

Tất cả dữ liệu của thị trường tài chính đều được thể hiện dưới dạng chuỗi thời

gian và phân tích chuyên sâu chuỗi thời gian Các giá trị này lập nên các biểu đô

hình nến mà chúng ta thường gặp trong các bảng phân tích và dự báo thịtrường tài

chính

1.2.4 Dự báo khoảng thời gian của dữ liệu chuỗi thời gian.

Nhiều chuyên gia kinh tế chấp nhận rằng quan niệm chỉ sử dụng hệ

giá trị dữ liệu cao và thấp, như sau

Đầu tiên, mức cao và thấp của một tài sản từ lâu đã trở thành chỉ báo kỹ thuật

phổ biến được gọi là biểu đồ nến [29] Thứ hai, mức cao và mức thấp tương ứng để

thể hiện xu hướng nhu cầu và hướng thay đổi của nó [14] Thứ ba, biếnđộng thị

trường tài chính được đánh giá dựa trên sự khác biệt giữa giá cao và giáthấp [14,

17] Thứ tư, dữ liệu có giá trị “Interval” chứa lợi thế của việc tính đến tính biến thiên

và / hoặc độ không đảm bảo, làm giảm lượng biến đổi ngẫu nhiên trong

dữ liệu đơn

[27] Giá trị khoảng thời gian và các điểm là cở sở của đồ thị hình nến trong các biểu

đồ chứng khoáng thường gặp

Hình 1.2 Chỉ số chứng khoáng của VN-Index 100

21

Theo giả định rằng các quan sát và ước tính trong thế giới thực không thể đủ

để thể hiện chính xác dữ liệu thực, Lu và cộng sự (2012) [16] đã đề xuất phân tích

khoảng thời gian như một công cụ để tự động kiểm soát lỗi trong các kết quả tính

toán hữu hạn phát sinh từ lỗi đầu vào và lỗi tính toán phát sinh từ xấp

mỗi giai đoạn [4]

Các nhà nghiên cứu cũng như các chuyên gia về phân tích dữ liệu

huống trong đó dữ liệu đó thể hiện sự không chắc chắn (ví dụ như

khoảng tin cậy)

hoặc độ biến thiên (như nhiệt độ tối thiểu và tối đa hàng ngày) Chou (2005) [7] và

Arroyo (2011) [14] cho rằng trong lĩnh vực phân tích khoảng, các quan sát và ước

tính trong thế giới thực thường không đầy đủ hoặc không chắc chắn và do

đó không

thể hiện chính xác dữ liệu thực

Dữ liệu khoảng thời gian là dạng dữ liệu mới được nhiều nhà nghiên cứu chú

trọng trong khoảng thời gian gần đây

Dữ liệu có giá trị giữa các khoảng thời gian cũng đã được xem xét trong lĩnh

vực phân tích dữ liệu tượng trưng (SDA) Chúng phát sinh trong các tình huống như

ghi lại nhiệt độ khoảng thời gian hàng ngày tại các trạm khí tượng, hoặc giá cổ phiếu

khoảng thời gian hàng ngày Do đó, nếu cần độ chính xác, dữ liệu phải được thể hiện

bằng cách sử dụng các khoảng của số lượng thực [14] Do đó, việc phân