Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế trường hợp thị trường chứng khoán Việt Nam Tiêu đề: Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế trường hợp thị trường chứng khoán Việt Nam 2012 2012 (1 luận án) Hiển thị tất cả luận án của luận án này Liệt kê theo năm bảo vệ — Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế trường hợp thị trường chứng khoán Việt Nam
Trang 1
BỘ GIÁO DỤC VẢ ĐẢO TẠO
TRƯỜNG ĐẠI HỌC KINH TẾ TP.HƠ CHÍ MINH an
LÊ ĐẠT CHÍ
UNG DUNG MO HINH MANG THAN KINH NHAN TAO TRONG DY BAO KINH TẾ - TRUONG HOP THI TRUONG CHUNG KHOAN
VIET NAM
Chuyên ngành : Kinh tế Tai chính — Ngân hàng Mãsố : 6231.1201
LUẬN AN TIEN Si KINH TE
"Người hướng dẫn khoa học
GS TS TRAN NGOC THO
TP.HO CHI MINH ‘Nam 2011
Trang 2Lời cam đoan Mạc he, i "Danh mục các băng biểu v "Danh mục các hình vũ Danh mục các ừ tiết tắt ix Phân mở đâu
Chương l: Qun đến và ng chứng thực gh is Sng dang mơ hình mạng thần kinh nhân tạo trong dự báo LL Quan điểm lựa chọn cơng cụ phân ich vi dy bio
12 Mo hinh mgng than kinh nhin tg — ANY Ml
12.1 Mang thin kinh nhân tạo vả các đặc điểm co bin cia b8 no uw
Trang 3
“Chương 2: Thiết và ứng dung mạng thân kinh nhân tạo để dự báo
giá chứng khốn trên thị trường chứng khốn Việt Nam 31 Thết kế mạng thân kinh nhân tạo để dựa báo giá chứng khoản với
nhĩm biến kinh tế mỏ
3.11 Lựa chen bin nh tổ mơ tác động đến giá chứng khốn 38
2.1.2, Thu tip db ign 38
3113 Tiền sử] db lige »
2.14, Phin chia dig dupe tha thập để huấn hyện ANN, 40 315 Xây đụng cấu tric = Xác inh thing ob oda ANN 4 316 Tiêu chuễn đính gáthh phủ bọ kết qu dr bio cia ANN 4
317 Huẫn hyện hệ tơng ANN 5
218 Két qui si dung mo inh mang ANN để dự báo VN Inưex 45 2 Sở đựng mang thin kinh được khái quất hĩa và mạng truyền
bio giá chững khốn với nhơm biến ảnh t vĩ mơ
.32.1 Dự báo giá chứng khốn bằng cấu trúc mạng thân kinh nhân tạo được
khái quất hĩa 4
"Dự báo giá chứng khốn dụa trên phân tích tác động của các bién kink TẾ ĩ mơ theo cầu trúc mạng truyền thẳng, 50
3 So sinh Kh ming dy béo giá chứng khốn của mơ hình mang thin kink nhân tạo với mơ hình hỗi quy tuyển tính sỉ
của mơ hình mạng thần kinh nhân tạo so với mơ hình hồi ‘quy tuyén tính khi sẽ đụng các biển số tài chính
Trang 4
“Chương Ư: Một số đề xuất từ quá trình phân tích và dự báo giá chứng khốn
L2 Kết quả của mơ hù i quy uyén tính tuyên thẳng 56
2.33, MB hh mang ANN phi tuyén ido ited bi i hit Phân tích và dự báo giá chúng khốn trên TICK VN dui tie dug cia sự biển động các TTCK thể giới 6 Sử dụng sự thay dai giá trong quá khứ để dự báo giá chứng khốn trên TICK - - 66 "Dự báo giá chứng khốn trên TICK VN đưới tác động của các chỉ báo tâm lý tị trường n 3 61 Lựa chọn thập lượng đầu vào 2 362 Thụ thập vàxửý dữ tậu n 363 Mơ bình mạng thần nh hân to ” 364 Xây dựng mơ hình mạn thần nh tyể inh, 1 365 So ánh vả kế hận 1
trên thị trường chứng khốn Việt Nam ”
331 Khả hãng dự bo gi chứng khuẩn trên thị trường chúng khoản Việ Nam ac 80 32 Hlinh ải chính cũa nhà đầu tr tác động mạnh trong nĩ hình ANN 33 "Mật số đề xuất từ quá trình phân tích và dự báo giá chứng khốn trên
TTCK VN = ,
3.3.1 Gia tăng điều kiện phát bành chứng khốn nhằm kiêm sốt hoạt động
uy động vấn của các doanh nghiệp
$ Som thay Bi các quy định về tín dụng đầu tư chứng khốn hiện nay
“của ngân bàng nhà nước $6
Trang 53.3.4, Tăng tính chủ động cho Uy ban chứng khốn nhà nước tiền tới sự độc
lập tong hoạt động đưới sự quân lý của chính phủ 96 3.4 Những hạn chế cđa quá trình nghiên cứu này
3⁄4 Những ứng dụng khác cũa mơ hình mạng thân kinh nhân tạo,
Kết hận, 100
“Các cơng trình nghiên cứu khoa học đã cơng bổ, 101
‘Dan mục tả liệu tham kho, 102
Phụ lục L.Một số hằm lách hoạt của mạng thễn kink nin tao 109 Phụ lục 2: Quá tình phân loại biến theo mơ hình ANN, 116 Phụ lụ 3: Xây dụng mơ hình hỗi quy tuyén tinh truyén thing 48 phn tich
và dự báo VN-Indes 13
Trang 6Danh mục các băng biểu
Băng Li: Tên buốc kh tuễt kế mơ hùh phân ích v dir béo ANN 36 ‘Bing 2.1: Céc bin inh tế đa do thit hb ANN? da bio VNIndex 39 [Bing 22: Kt qd qu rn tin ir đã êulài đ lên lược các biển đ vẫn
trong 7 bin rind dự báo VN-indem 40
‘Bing 23: Hal cd tric mang ANN cho ra Lết quả dự bo ốtnhất 43
Bing 24: Két qd hudn uyén hd thing mang GNN-L4PE 4
Băng 3S: Kết qu kiêm di ngồi nếu của mơ hi GNN-14PE 48 Bảng 36: Kết quả kiêm đnh ngồi mu cia cia tc GNNAPE va GNNSPE 40 Bing 27: Kt qui dr bdo ngồi miu theo cfu trie mang ANN myẫn thẳng MFF-2PE, MFF-3PE, MFF-APE, MFF-SPE st Bing 26: Kết qu kiêm đnh ngồi rẫu củ cấu trúc mang ẨNN yến ti 52 Bảng 29: Kết qui đêm đnh ngồi rễu củ câu trúc mạng MÙN 9.3.1 MEN 9-1-1
NỮN 9-3-1.MUN 9⁄61 »
Bảng 310: Kết quả in dit ngodi miu oda GNN 95-1 va GNN9.6.1 6 Băng 211: Kết qu kn di ngodi maa mang ANN tuyén tinh 6
Bing 212: Két qd i dt ngodi miu of cá cân trúc “
Băng 3 l5: Kết quả Liễm đnh ngồi nêu của câu rie MLF 3.53.1 v8 GNN4341
Bảng 2.1: Kết qu kiêm định cắn trúc MU 5.11 đối với đuỗi tỷ sất nh li
VNI theo ngy “
Bảng 215: Kiểm đh ngồi nếu đối vi các mồ nh ANN wai
Trang 7lăng 2.17: Kết quả mơ hình mạng thần kinh một lớp ân với số lượng các neuron khác nhau
‘Bang 2.18: Két qua mơ bình mạng truyền thẳng một lớp dn với 10 neurơn "Bảng 2.19: Kết quả mơ bình mạng thần kinh tuyển tính
Bảng 3 1: Thẳng Lẻ sổ lượng doanh nghiệp niêm vết trên TTCK VN uy động vẫn bằng hát hành cỗ hiền
Trang 8Danh mục các hình
Hình 1.1: Minh họa cơ bản của một neuron 1
Hin 12:0 inh phi tpén oda mt neuron "
inh 13: Phuong hấp điều chỉnh các họng 6 synapse theo nguyén the
iim & dc Gradient 16
Hin 14:M nh mạng tray thing »
Tinh L5:Mơ hành mang tryền thing vi bai op dn 2
Hi 16M inh mang ip li Elan, 24
Hin 17: Tht im hin mang thin Lin nhân tạo 4
in 2.1: Kt qui ms hich ANN duge dang phn tic vd bfo VNL 42 Tinh 22: Kết quả dg báo theo mơ hinh ANN vả thực tổ của VAT trong hin 1 vm inh 2 46 Tình 23: VNI dự báo từmơ bình GNN-LMPE so v6i VNI thực tế 48 inh 24:6 td mang GRNN vei 4 neuron trong hip in GNN-PE 9
"Hình 2.5: Gid tr] VNI dy bao tit GNN-APE va GNN-SPE với giá trị VNT the #8 50
Hin 26: VNT thy tv bo oa eu tie mang ANN tuyén tinh 2 Tinh 21: VNI ủy bá tả thục tic tric mang ANN tu th: sữa tập kiêm tr lại 56 inh 28: VNI dbo va the té tired ric MIN 93.1 MLN 941 ss
Hinh 29: VNI dybáo và thục từ cấu tric MLN 9-61 =
tình 2.10: VNI dự báo và thực tế của tập kiểm ta lạ từ cấu trúc mạng GNN 9-5-1
oo Hình 21 Chuỗi tỷ sất nh lợi VAT dự bá ngồi nễu từ mạng ANN tryển tin và
Trang 9Hình 212 Chuỗi tỷ suất nh lợi VNT dự bác ngồi mu trang MLE 4-41 vt XHE +5.31 với đá tị thực tế
Hình 215 Chuỗi tỷ mất nh lợi VAT dự bác ngồi mu tirmang MLF 4443.1 va GẦN ¿3.1 với gi tí thực tệ
Hình 2 1é Chuỗi tỷ suất nh lợi VAT theo tuân từ tháng 1 2005 đấ tháng 92010
"Hình 2.15: Chuỗi tỷ suất sinh lợi VNI theo tuần được dự báo
từ cầu trúc MLF 3-5-3-1, GNI 3-1 va chuỗi tỷ suất sinh lợi thực tế
Tình 216 Chuỗi tỷ suất snh lợi VAT theo ngày được dự báo tru trúc MU 53-1 và chuối VNI thực tế
"Hình 2.17: Chuỗi tỷ suất sinh lợi VNI dự báo và thực tế của
mạng MLF 5-3-1 va MLF 5-4.3-1 trong năm 2010
Hình 216 Chuỗi tỷ suất nh lợi VNT theo ngày tong năm 2010 được ấy bảo từ MU 34L3.-1, GNN 545-1 vd ch thực tế
Tinh 219: Chỗi giá bị La(VND từngủy 2/1/2008 đến ngày 2292010 Tinh 220: Chỗi giá tị La(VND tt và dự báo từ 1 bith mang ANN cia tip hop cfc quan sâm ra
inh 221: Phần trăm sai lệch giữa giá trị Ln(VNI) dự báo so với thực tế “của tập hợp các quan sắt kiểm tr lại
THình 3 : Số liệu doanh nghiệp huy động vẫn qua các năm của các đoanh nghiệp niém yết rên TTCK VN @VT: nghìn tỷ đồng)
Trang 10ANN BP oop GRNN my HSY MF ME NHNN TICK VN VNI ‘Mang thần kênh nhân tạo
Thut tần tuyển ngưọc Baaropagaion Tổng thụ nhập quốc dân
Xơ Hit mạng thin Knh nto pe hi quit hia Sở giao dịch chứng khon Hà Nội
Sở go địch chứng khốn Tp HCM nợ tên tạ ude
‘M6 bin mang ruyén thing Nein hing nk mde
Trang 111
SViệ niên cửu những cơng cụ boặc mơ h:h dự báo thị tường tả ch và nền THnh tế cĩ một ch sở lầu đời Phân tích chuỗi thời gian l mt rong những cách tiếp cận truyền thống được sử dụng rộng rã nhất trong lĩnh vực này Cĩ hai loại mơ hình
sd td nh vì củ chuỗi hoi gian nh sau
Thứ nhất a ode mn tpn tin phương pháp tuyến túh để nhân tích chuỗi thời ien huống được áp đụng thơng qua một trong những kỹ thuật an đ " bì BBleRadlmm Lý thuyết san bằng bàn mũ của Bmovm dc Hồng mẫnhộ Thứ ai là các rộ hùh ghi tuyến + LýthyftTaien b Phuong tinh Mackey-Glass
cĩ tỷ lệ thành cơng thấp khi được sử dụng để dự báo thị tường tải chính
Trang 12‘Mang hin Iinh nn tao - Artificial Neural Networks (ANN) - là mt cơng cụ bu {ch tong ti chin dinh lượng hiện đai vẻ được biết din ahurmét that min hồn thống bê hữu í: ANN Ia mt cOng cu tt cho od ede aha nghin cava thống hả thục nghiệm Mơ hinh ẨNN cơ hẻm re mỗi qua bệ bảm trong mat tip hop dt liệu và thực hiện các nhiệm cụ như nhận đang miêu hùh, phân loi, đánh gi, mơ hinh a, dro vi em sod (Anderson vd Rosenfeld, 1988: Hecit Nielsen, 1990, Hertz o cGug nr, 1991: Hiemstra vd Jones, 1999), Một vồ tinh ning hc bit cia ‘ANN lim cho ching od git vi ip dln trong dirbéo
(Mt sé bai vit xem xét những báo cáo trên tạp chí cách mã ANN cĩ thể áp dụng cho thị tưởng tải chính và nên kinh tế Chadlejse và cơng sự (2000) cung cắp một tổng quan về bệ thống ANN và phạm vi sở dụng rộng rãi của chứng tiên thị trường tài chính Cơng trình của họ thảo luận về ưu điểm vượt trội của ẢNN so với các phương pháp truyền thống Nghiên cứu kết huận với một mơ tả về việc sử dụng thành cơng ANN bối nhiều tơ chức tải chính rong việc dự báo giá chứng khốn Trong sách ‘Neural Nehvork cho dự báo tải chính của Eduuard Gaichy, mơ tả phương pháp chung để xây dựng, huấn luyện, và kiêm tra mot ANN bing cách sử dụng phân mềm thương mại biện hữu Luận án sẽ tập trung vào phương pháp này để tiện khai quá trình phân tích và dự báo giá chúng khốn trên thị trường chứng khốn Việt Nam như
là một mình chứng cho khả năng ứng dụng của ANN trong dự báo kinh tế Khơng chỉ trong lĩnh vực dự báo giá chứng khốn, luận án cịn mong muễn sử đụng phương pháp ANN dp dụng cho các lnh vực tải chính và nên kinh tế như là một cơng cụ dự
"báo hỗ trợ cho các phương pháp truyện thơng, Chính vì vậy, tác giả chọn đề ti với tên gọi "Ủng dụng mơ hình mạ ng thân kinh nhân tạo trong dự báo kính Ế — Trường
hop thi rường chứng khốn Việt Nam” lim nội dung nghiên cứu cho luận án tiễn của mình 2 Tình hình nghiên cứu liên quan đến nội đung luận án
“Từ những nghiên cứu sơ kh ai của Me CHlloch và Pitz trong những năm 1940, tei cqua nhiều năm pháttiễn „ cho đến hơn 10 năm trởlại đây cùng với sự phát tiên "mạnh mê của ngành cơng nghệ thơng tin trong việc xử Lý dỡ liệu cho cả phân cứng
và phần mềm đã giúp cải đặt những ứng dụng phúc tạp của ý thuyết mạng thân nh hân tạo, Lý thuyết mạng thân kinh nhân tạo những năm gần đây mới thực sự được chú vả nhanh chống trở thành một hướng nghiền cứu đy triển vọngtr — engmmc đích xây dụng mơ hình mơ phẳng theo tí tuệ con người Sức mạnh thuộc vễ bản chất tổnh toần cũ các huật tốn mạng song hững nghiên cứu thực nghiệm đã thành,
cơng trong nhiêu lũ vực hững nghiên cứu thục nghiệ m trong li vục ti chỉnh cơng được sự quan tim vi cho ra nhiêu kết uả ốt ở những nề kinh tế Khác nhan
Trang 13snên được thực hiện dựa trên tấu _trác ANN nào cho các chỉtiên dự báo như tăng trường lãnh tế, biên động tỷ gi hơi đối, rẻ thậm chí là giá chúng khốn tên các thị
trường Quả trình nghiên cứu mạng ANN cơn được so sảnh với những mơ hình truyện thống hiên đang được sử dụng cho việc phân tích và dự báo rong lĩnh vực
ảnh t như mơ hình hỗi quy tuyến th, mơ hình bỗi quy pồi uyền Quá tình nghiên cu nấy đã cho ra những kết qu lợi thể của mơ bình ANN đặc biệt là nh tag thi
trường mới nỗi tong phân ích và dự báo Như vậy, ð thị rường Việt Nam liệu quá
trình tiên khai nghiên cứu ứng dụng mơ hình ANN cĩ hiệu quả khơng vã cổ vượt trội hơn các cơng cụ phân tích và dự báo khác 7 Trêncơ sở tiếp cận nấy, tơđi tảo "nghiên cơu quả tình hoạt động của mạng ANN trong lĩnh vục kinhtế _ ti chỉnh và những kết quả nghiên cu đạt được ở các thị trưởng khác rên thể giới đ lâm nền
ting cho iệc nghiên cứu
3 — Mục tiêu nghiên cứu
“rên phương diện nghiên cứu mơ bình mạng ANN và những nguyên lý hoạt động, ccủa nĩ đổ từ đĩ ứng dụng vào lĩnh vực kinh tế và tài chính vẫn cịn là một nội dụng chưa được quan tâm nhiêu Trong pham vỉ của nền kim hi Việt Nam.„ tác gid tip
trung nghiên cứu việc ứng dụng mơ hinh này để nhằm phân tích và dự báo giá chứng hốn trên thị trường chứng khốn Việt Nam trước các biển giải thích khác nhan như là một mình chứng cho khả năn g ứng dụng của mơ hình ẨNN trong dự bảo kinh
tẾ Qua quá trình ứng dụng ANN vào thị tưởng chứng khốn Việt Nam luện án sẽ giải quyết thêm một số vấn đề khác như cầu trúc mạng ANN nào tốt cho vẫn để dự
báo giá chứng khốn trên thị trường chứng khốn Việt Nam hiệu quả của mơ hình ANN so với mơ bình bỗi quy tuyển tính biên nĩo sẽ tác động lần sự biển động của giá chứng khốn Cụ thê hơn, luân án sẽ giới quyết bến mục tiêu nghiên cứu su:
1 Rhẩnõng ứngdegmơhùh ẨNN tongdy bác giá hứngihốnơntị tnrong ching loan Vist Nam
2 Lya chon céu tric mang ANN phủ hợp trong dự báo giá chúng khốn 3 Hiện quảng dung mơ bình ANN tếthơn mơ bình hỗi quy tuyển tinh,
4, Timra nhém biến cĩ thể giúp dự báo giá chứng khốn trên thị trường chứng khốn Việt Nam qua đồ gợi Ý một số chính sách liên quan
Trang 14(Œ) - Mơ hình mạng ANN là gi và cơ ch vận bành của nĩ như thể nào rong thị trường tải chính?
() _ Những quanđiềm và bằng chứng thục nghiệm trong việc ứng dụng mơ hình "ANN trong phân tích và đự báo trên thị trường ti chính?
(G) _ Khả năng ứng dụng mơ hình ANN trong dự báo giá chứng khốn trên thị trường chứng khốn Việt Nam?
(Œ) _ Cẩntrúc mạng ANN nào sẽ thích hợp đễ dự báo gi chứng khốn?
(G9 Liệu khá năng ứng dụng mơ hình ANN ong dự báo gi chứng khốn trên tị trường chúng khốn Việt Nam cĩ nh hiệu quả hơn mơ bình hồi quy tuyển tink truyền thơng?
(© NẵmơbinhANN tếthơn thì những biến giải thích nào sẽ giúp cho chúngta sử dụng để phân tích và dự báo giá chứng khốn trên thị trường chúng khoản Việt Nam?
Việc gi quyết các mục tiêu nghiên cứ trên cho thấy g tị hiệu quả của mổ HữH: ANN tong vig ing dime mo hh nay Hong phân ích và dy báo các iến kh tế Chính vi vy, các chủ hổ liên quan ong sẵn kinh ế ao sẵm cấc hả nghiên cứ vã các nhà thạc hành sẽ áp dụng mơ hàn ANN để thay thé hoặc bổ sơng cho các
phương pháp bi quy
4 — Phương pháp nghiên cứu
Đổ giải quyết các nội dung nghiên cu nêu rên tác giá luận án đã sử dụng phương pháp định hượng dựa rên tiệc nghiên cứu những thuật tốn mơ phơng của mạng thân
ảnh nhân tạo đề tiên hành lựa chọn cu trúc ANN thích hợp nhằm ứng dụng — tong cảy bêo giá chứng khoản Việc tiện kha qué tinh ơng dụng mơ hình ANN rong đự
bến giá chứng khốn rên thị rường chứng khốn Việt Nam được dựa trên quy tình đề xuất 8 bước của năm nhà nghiên cốu Deboeck, Masters, Blum và Nelson và
THingwerh, Ngồi ra quá tỉnh thử nghiệm các cầ trú mạng ANN được thực biện
dia tn phn mim i tro xử lý dữ iệu cĩ bản quyên NeurdSoluien 50
5 Các pháthiện và kết quã nghiên cứu
Luận án của tác giã đã đĩng gop các kết quả nghiên cứu sau:
Trang 15Mơ binh ANN đừng để đy báo id chimg Khodn trén thịmuồng chống hốn ‘Vig Nam cho ra at qua dr bio ngồi mẫu tết hơn mồ tận hi quy tpn nh truyền thơng
“Cấu trúc mang thân kính truyền thẳng cho ra kết quả dự báo tốt hơn một số cấu trúc mạng khác với hàm truy _nlà hàm phi tuyển Nĩi cách khác, mỗi
cquan bệ giữa các biến giả thích và biển phụ thuộc lš quan hệ ph tuyển tính
To trên tiệc nghiên cứu ống dụng mơ hình ANN để dự báo giá chứng [hốn trên tị trường chứng khoan Việ Nam, luận án đã cho thấy r tác động của sắc nhơm biến kh tế mơ của nền ơnh tế nhém tiến th hiện tị hình tải
chính của các đoanh nghiệp niêm yết lên sơ hay đội giá chứng hốn, trong Thi đĩ nến dùng mơ hình hồi quy tuyến tính truyện hơng tỉ ồn nay khơng
tơm thấy sự tc động nay
Trang 16Chương L
QUAN DIEM VA BANG CHUNG THỰC NGHIỆM VIEC UNG
DUNG MO HINH MANG THAN KINH NHAN TAO TRONG
DU BAO
TOMTAT
Bi mit mé hinh phn tich vache Bd đều dựa trên những nơn tảng giả định khác nen Các mơ lùn rước nay được cử Àụng phổ biên đã phân ích và dự láo đều dựa rên phương pháp phốn phải chuẩn của các biến đưa vào mồ lì nh Quan đểm về _phơn phối chuân đã ưa ra nền tổng toơn lọc co lọc thuết thị trường hiệu quả
‘Quan dim nix 23 dea ẩn vi ¿ hình Dành các mồ hình phơn tích và định gid chiong "hốn nhục mơ hùnh đụnh gi tài sốn vẫn - CAPM, mổ hình định giả quyên chọn Black — §clolss, mồ hình ấu nhân tổ, mồ hình FemarFrench Ty nhiên, các mổ hình này lại khơng mấy hiệu quả Khi phân tích và dụ báo những chỉ tiêu đẩy tình biến động tong tị trường tài chính Mội phương pháp mơ phịng bộ não con người được xây cheng cea trên những nền tặng tiếp cân Đúc với các phương pháp tên Qua trink
Trang 17LL Quanđiểm la chọn -y phần tích và dự báo
Phương pháp phân phối chuẫn bay đường cong bình chuơng là một cơng cụ phố biến trong tiệc phân tch di liệu nh t ải chính đặc biệt là ong phân ích giá chứng khoản Phương pháp phân phối chuẫn chính là rên tăng tốn học cho học thuyết thị trường hiệu quả của li vục ti chính Quan điểm của phương pháp phân phối chuẩn cho rằng, giả chúng khốn là độc lập ngẫu nhiên với nhan Ban đầu, phương pháp phân phối chuẩn được tìm thấy khi thực hiện các thí nghiệm tung đồng xu (một cách "ngẫu nhiên) và phát hiện ra đồ thị hình chuơng Sau đồ, những người theo học thuyết tị trường higu qua cho ring tf suit sinh loi cia giá chứng khốn cũng cố ình dạng đường cong hình chuơng như vậy
Bill William (1995) cho rằng, việc các nhà tải chỉnh hiện nay sử đựng phương phẩp phân phối chuẩn là vỉ chúng ta chị ảnh hưởng của những tr uy tiết học ừ xa xưa,
mẻ ơng gọi đây là bản đồ logic văn hĩa Ơng ndi: “Ban do logic văn hỗa của bạn tắc động đến moi thứ bạn lâm: bài nồi chuyện của bạn, suy nghĩ của bạn, hành vỉ của "bạn, cách bạn ăn và bạn giao dịch rên thị rường tải chính, Các khi niệm cũa bạn về tất cả các hành động phụ thuộc tảo bản đồ logic văn ha mà bạn đang sử đụng”
Tân đồ logic văn hĩa hiện nay bị thống t bởi quan điền tiết họ cia Aristotle Arisote đúc kết thể giới với Ý tơn rừng "nấu bạ khơng bết vẻ điều gi, bạ cĩ thế đi hối người khác, nguời mã bạn cho là iếu biết hon ban’ Him ý của câu nồi trén cho ring, mọi thứ tên th giới đều độc lập tả ngẫu nhiên với nhan, Trong thể isi cia Aristotle, mọi thứ là đứng yên, bt bin vo mit ra giới phn chia 18 ring gta cde vt Ứng đụng rên tị tng ti chin, tur tudng ves fe lp neu hiền của gi chứng khốn chính la quan điềm cia Aristotle
Treng lài đã, Eersdius li cơ một cầ nĩi nỗi tổng: "hơng tắm ha lên trên một dng sing’ Dida nay o6 nga ring bit Id ban dt chin vio ding nude thanh nhự thé nio a sau do rit ra dt lần nữa, Kg chi déng sing di chuyén dng ma bn chin oi bạn cơng đã the db, Ham ý cu nội của Hamscitu là mọi thứ luơn chuyên động và khơng cổ gì là bất in và Šn đựh: Treng thể đới ca Hanaeifts, Thêng cĩ ranh gi rễ rơng và thơng cơ là đĩng yên mồi mỗi, mơi thứ cĩ sự lét nối với nheu Trên thị trường ti chữ, quan điểm của Eeclroz chữ là sự phụ
thuộc lẫn nhau rong các tiêu Linh tế được xem như là các iển giã tích co giá sẽ chứng khốn hạ nội cách khác, cính bản tiên các biến inh thay cd chi Xenh tế được đặ rong mỗi guan tuong tée qua lại chữ khơng ghấi độc lập lẫn be và giá chứng lhốn thơng bề độc lận nẫ nhiên với nhan, Giá cả chúng Ehoẩn
Trang 18C8 thể nĩ, làos học cổ điễn đã tạo ra nhiề thành tu đồng chữ ý Các nhất mình hơ tơ, nhà máy, hàng kiêng mấy th và những ghất minh khác l kết quả mã leặi người ghỉ hận, Tơ nhiên, khos học cổ điện c sự giới hạn của nổ bởi chữ tơ uy ois Aristotle Cc nh vực nghiên cửu về cơ thể sơng về các biển dng ha loan (si chuyễn động của đồng nước) khơng th gi thí bơng khos học cơ điền hay tr uy ca Aristotle Bill Wiliam tiết "Vật lý cĩ điễn cĩ hệ mơ tả sự chuyên động cũa về trụ từ sau biện tượng "big bang”, hung no Lng thé md td bạy gi thích sự chgyền động của trêu trong tinh mach tt hay sự hỗ loan oa doug mde
“Thế kỹ 20 được đánh đầu bởi 3 phát minh đáng nhớ: (1) thuyết tương đổi (clstite theory) va 2) kỹ thuật định lượng (quantum mecbanic) và (3) khoa học hỗn loạn (Chaos science) Su phát tiễn của khoa học hiện đại chính là sự phát triển của tư duy Heraclitus Nhu vậy, những quy luật của khoa học cơ điễn khơng phải là hồn toên đứng Ví dụ, đếi với hình học Eucid Một trong những định luật của tam giác là “tơng các gĩc trong của bất kỹ tam giác nào cũng sẽ bằng 180 độ, nêu khơng thì đĩ khơng phải là tạm giác” Điều này chỉ đúng nếu ứng với trọng trường của trái đất “Khi chúng ta thốt khơi trọng trường của trái đất, tơng các gĩc trở nên lớn hơn 180 độ vỉ đơ cong của khơng gian Đối với chúng ta sự thay đổi này khơng phải là vẫn đề vi tt cé ching ta khơng sơng ở mặt tring Tuy nhiên, điểm này cho thấy quy tắc trên của tạm giấc chỉ là một trường hợp cụ thể khơng phối là quy luật chưng Khái niệm, này sẽ trở nên cục kỳ quan trọng khi chúng ta nghiên cứu sâu vào thị trường tải chính Hình học phi Eucid là một sự phát triển của ngành tốn học hiện đại Hình học phi Euclid bác bộ một số iên đề của hình học Euclid
« ——_ Thuyế trong đối cia Einstein di thing nit mdi quan bệ giờ khối lượng và xếng lượng, thời gian và khơng gian, điều mã khoa học cổ điễn phủ nhận “rong phân th giáching khốn, đặc tệ là những người heo tường phái pn tic that, mi quan bộ nấy được chỉ roi phân tích mỗi liên bệ giữa Thơi lượng giáo dịch (thối lượn) và sự đao động của gi ching Koda (ning tượng)
© Sự phâttriễn của khoa học định lượng cho thấy rằng cĩ thể sử dụng một lực nhỏ để gây tác động to lớn đến vật khác Thậm: chí một tật chuyên động ma khơng do gì tác động lên nĩ, Hay nĩi cách khác, khơng tổn tại ranh giới phân biệt giữa nguyên nhân và hệ quả nh vật lý cỗ điền Nam 1964, Johm Stuart all, đã giới thiệu khái niệm mã ơng ta gọi là “sự khơng xác định của nguyên shin” Bell cho ring nguyên nhân là đo chúng ta sống trong một thể giới mà mọi thứ luơn được gắn kết với nhan và khơng thể phân định đâu là nguyên nhân và đầu là hệ quả Sự phát tiễn của bạt nguyên tử đã cho phát hiện ra
Trang 19ring cĩ những vật cịn chuyển động nhanh hơn cả vận tốc ánh sáng, điều khơng hé ton tal trong vit lý cổ điền
Šự ph tiễn của làcs họ tr nhiên mã đặc bi là sự đời của 3 lý thuyết thuyết tương đi, kỹ thut đạh lượng và hos bọc hẫ loạn đã co thấ rừng bên chất của tơ
hiên là ¡hơng hệ độc lšp Sự chuyên động của các vật chết oên cd nh eng lin báu bay phụ thuộc lẫn thao Thị tường chững khốn (TTCR), một phần của thé giế trthiên cũng nằm trong chy uit 48
Từ th gới cia Euclid va Newton, chúng ta đã thất tiễn ra tốn học tin nh, bao gồm các phương pháp thơng kệ th thường được kỹ iệu la ‘phn phi chun” bay đương cong Hùh chuơng Phương pháp nấy giúp chúng ta hiểu một cách dễ ding tẳng cách đơn giản ĩa và loi bỗ những yếu tổ tấu tượng mrả chúng ta nghĩ ring hing phi hop với bệ thơng Vấn độ ở đây chín las thong pas hop” Trong the di thục, những thứ được xem à "Khơng phù hợp” này khơng cho thấy là khơng quan trong ma hon thé nb lit quan trọng
[Benoit Mandelbrot, tì tung tin nghn cia cia BM tai Yorktonm Heights, New ‘York, 4g phithién re rằng, các con ỗ hoần tôn khác so với quan điểm ois phn hối chuẫn "MỖI sự hay đi giácụ th là ngẫ nhiên và ơng thé dbo dupe Tuy hiên, cuỖi sự thay độ lạ cổ sự hy thuge nha trong mit pm vi" (Gleick, 1987 tang 86, Thực tế, gi cả hàng hie va gi cố chứng khodn cĩ quan bệ phi yến, Thang câu hồi đt ra là sao gi chống khốn li cĩ mỗi quan hệ gi tryển bay cơ xa hướng?
+ Rhos he ha loan of thé giúp chúng ta lồi ca hội nề: Tuy nhiên tính Tên loạn nghe qua thi rit ds bi hia nhim Cin hf, tinh hin len (chaos) thơng phải là se ngdu nha (condomnes) Tinh hin log ltt tr cao hơn cis ng hiện và cơ hồ câu túc Nĩi mệt cách đơn giản, thn chuyên động của tạh hÕn loạn cing hồn loạn thư th ngẫu nhiên Nhưng bệ ngồi các dim lnc bet a ing dao dng nay ai i theo mgt xu hoớng và nh thành nin ci trắc
Bill William (1995) cho rằng, cả thể giới tự nhiên và ršo người đều 1a bn loan,
Trang 20liên quan đến cảm xúc, là hỉ tuyển và tơng giống như tính
te cũng tạo nên các hành ĩ khác nhau, phụ thuộc wdo dong rồng lượng Pizogine side “bd ndo [a mt phat minh oa tinh hi loan” (Prigogin va Stanger, 1984, ane 48) Cổ thể hình dưng tơng khi giao dich tr thi tường các nhã an doanh bị nh
hưởng bởi cảm xúc (của não phảj) như tham lam và sợ hãi đã tác động đến quyết
định đu tr dẫn đến các nơ vi ph yến dọh Tuy niên, các hành ỉ tham lam hay 3g hãi đơ cổ tinh bly din va hin thánh nên xu hướng của giá chứng boda (chin la
‘cau tric),
n loan, BO néo ching
Tin hin loan tong suy nghĩ của chủng ta đã được phẫn nh tong thị rudmg Tinh ấn đính và tính hỒn loạn cng được mộ tỉ như là th yến th vả tính ghi hyền tinh, Nế chứng tatá nên một th giới từ quan diém oi rã tá, chúng ta sẽ tạo nên
một đồng sơng phẳng lặng, những đấm mây hình trịn, những neẹn nối cĩ hình nồn (dhuộc về bình học Euclid) Tuy nhiên, tự nhiên lại hồn tồn khác Thể giới tự nhiên cđa chúng ta cĩ nguồn gốc pồi tuyến th va TICK cing vay, Bill Wiliam (1995)
“rong lĩnh vực tải chí, những người theo thuyết thị trường hiệu quả cho rằng, tỷ suit cính lợi chứng khốn sẽ tuân theo quy luật phân phối chuỗn của nhà tốn học (Gauss giống như đường cong hình chuơng khi thực hiện tng đồng xu (heo cách "ngẫu nhiên), Theo quan điểm của Gauss, hau hết các quan sất đều xoay quanh mức tình thường, khả năng xấy ra một độ nh ngấy cảng suy yếu nhanh theo hàm mũ khi Tời xa mốc bình thường này, Chinh sự uy giảm mạnh mễ về khả năng gặp phải một điều gì đĩ chính lã thứ cho phếp bạn lờ đi các yến tổ ngoại lai Do đĩ, tiên thị tưởng tơi dính, rồio thị tường được đo lường bằng độ lệch chuẩn vả các biển động xarời tia trị rùng bình được loại bộ khơi quan sất vĩ họ cho rằng điều đĩ là ngẫu nhiên, bắt
bình thường
Trang 21
tẾ học và cấc nhà tải cính đều rt hào hing “Mandelbrot cho biết các nghiền cứ cảm trên lãnh nghiệm của ơng về đấy cá c đã chỉ re một hiệu ứng ghi nhố, theo đồ ct didn bin gi cd trong tuong lai lp Ini hin vỉ gần nhất của chứng, chứ khơng
dil mt qudtrnh ng nhién” (George Cooper (2008)
Taleb giả thích, một trong nhăng giá định của đường cong Gauss I cd tiến cổ quan sất độc lập ngẫu nhiên với thao giếng như việc tung ode dng ma Nhung trén the te, dct chin a hơng ngẫu nhiên vĩ cá nhà đậu srcĩ "ví nhá”, Đội lúc họ nhớ re ring tsi mit mic gi nfo đ, cỗ pin thuống tăng (treng ngồn ngữ kỹ thutlà xrúc chống đổ), Đi niy giỗng nhữ việc nguờ thục iện tong đồng xu cổ tỉ nhớ trong if ning ting ding wa ign cho các lân tung đồng xu khơng cịn ngẫ nhiên Thơng người theo học thuyết hi tường hiệ qui quân ơng, chủ th thơm gia rên “TTCK là ác há đầu tv là những con người Con người khơn phải l cá mấy, điền hơng nhà thơng kệ cỡ dạng đ tro nên các biến cổ ngẫu hiện, nên [hơng thẻ tạo re hơng bình động ngẫu nhiễn, Nãi cánh khác, chủ thể tham ia quyết định nên xu hướng thị nường là các nhà đầu t, là những nguời khơng hồn tồn uy If Sargent (4997, 1999)
Dye tén quan điểm này, luận ấn tập tung vân tiệc lựa chọn phương pháp phân tín: về dy bio giá chứng khốn theo giá định “sự hợp lý cĩ chồng mục" của nhà đầu tr "Nỗi ánh khác nhà đầu tr khơng bồn oên duy lý ng các quyết định của mình, Phương pháp hồi quy đựa tên các biến cổ qua sấtlà độc lập tả ngẫu nhiền , nồ đục trên giá thuyết sự bợp lý hồn tồn và sự tối ưu của con người Mơ hình ANN duge "hơ phơng the bộ nấo con người được đồng để dự báo các biến nh
trường tài chính, đặc tt là giá chứng khốn được thiét ip trên nên tần
“sự hợp lý cĩ chững myc "nêu trên Do đĩ, luận án sẽ tiếp cận việc
dụng mơ hình ANN để dự báo giá chứng khốn trên TTCK VN nhằm chúng minh cho mục
tiêu nghiên cứu
"Não người là một máy tính phức tạp nhất mà chúng ta biết đến Để hiểu một cách rõ hơn về bộ não, nhiều nhà nghiên củu đã cố gắng mơ phơng bản sao nhiều khả năng ccủa bộ não khi phát triển hệ thống thơng minh nhân tạo Một phần của nghiên cứu nấy, được nhiều nhà khoa học nhieu kinh nghiệm nghiên cứu hơn nửa cuối thể kỹ 20, tập trung vào mơ hình mạng ANN Nĩi một cách đơn giản, mơ bình mang ANN la "một mơ hình thuật tốn được cấu trúc giống như bộ não và cỗ gắng xác định mẫu
Trang 22ảnh của một nhĩm các biến số Các nhà khoa học iên phong trong việc nghiên cửu về lãnh vực thần kảnh nhân tạo đã cĩ gắng để phát triển một hệ thơng cổ thể học từ kinh nghiệm nhằm tăng cường hiểu biết về khả năng học hồi của bộ não Tuy nhiên, khả năng “học hồi” được thể hiện rong mơ hình mang ANN sau đĩ đã đưa đến tiệc ‘img dung cho nhiều vẫn đề chẳng hạn như chuyên chữ tiếng Anh được in sang bai ign vin (Sejnowaki va Rosenberg, 1986), chơi cỡ thổ cáo (Tesauro, 1989) và nhận diện các chữ cái tiết tay (LeCum, 1990), choi nhac (Brecht và Aiken, 1995), bệ thơng tất động cơ t động (Armzrong và Gioas, 1998)
"Nghiên cứu gần đây cũng cho thấy rằng mạng ANN cổ thể hữu ích để dự báo các biến số kinh tế mang tính biến động mã rất khĩ để dự báo bằng các phương pháp thống kê truyền thống như tỷ giá hỗi đeđi (Vekeojen, 1996), giá chứng khoản (Refenes, Zaprani và Francis, 1994) Mơ hình mạng ANN cũng đã ứng đụng thành cơng cho các dự báo về biến số vĩ mơ như tăng trưởng kinh tế (Tkacz, 1999), sẵn lượng cơng nghiệp (Moody, Lein và Rehiiss, 1998) và tổng mức tiêu thụ điện (Me ‘Menamin, 1997) Céc ing dụng về kinh tế vĩ mơ là khá mi lạ và vẫn cơn được Xem lã phương pháp kinh tên phong,
‘Nhu các nhà khoa học nhiễu kính nghiệm đã nghiên cứu về bộ não và các khá ming của bộ não trong việc học hồi, họ đã phát hiện ra vải đặc điểm chính được xem là cquan trọng đối với bộ não Những thuộc tính nấy sau đồ được đùng như một nên ng để xây dựng mơ hình mạng ANN Để hiễu biết nhiều hơn về mơ hình này, điều cần
thiết là kểm tra các đặc điềm chính của bộ rã
Bộ ão bao sẵm bảng ỷ các đơn vị đơn giãn được sợi là các neuron (xem hh 11) được nhĩm rãnh mệt mạn lồi rộn ln Cc nin ci sinh học đề nghị ng, các xeuren thọ hin thiện vụ trong đời đơn giả là hyền các ming dea (lees impulse) sang céc neuron Khe Khi một nezon hận được xung dia ti cdc neuron kế bên, phân ứng củ nĩ sẽ nụ thuộc vào cuồng độ của sun điện nhận được tả độ nhạy rêng của hồ đối với các nezen mã nố nhận đợc Vải teron sẽ thơng phân ứng với ttc bi vi ming dia mht dink Ki mt neuron phn img (oe bi ich
đồng), nĩ sẽ truyền xung điện đến các neurơn khác Độ nhạy của xung điện được tạo
xa sẽ ý lệ với độ nhạy của xung điện nhận được Khi các sung điện được truyện giữa cc neuron, cỗi cũng sẽ dẫn đến một nhĩm các neton đc Lích hoi, vi chin điều này đã mang cho chúng ta sỹ ngủĩ bay cm xúc
Trang 23
"Hình 1.1: Minh họa cơ bản cũa một neuron
Nguén: Brown va Benchmark Introductory Peychology Electronic Image Bank, 1995 Times Mirror Higher Education Group, Ine
142 Những yế tổ tạo nên một mơ hình mạng thin kinh nhân tạo
Cũng hư các mơ nh tuyến chữ hoặc đa thúc khác, hinh AN xc lip mii quan hệ giữa một tập hợp các iến đu vào (s), =1, 1 với một hoặc hiệu tiến đầu
Ta, (y}, j = 1, 2 ` Hai thành phân chính cấu tạo nên ANN là các neuron (mơ
phơng các tổ bảo thần kib) và các aapse (mơ phơng các khớp nộ thin Kink Trong kiến trúc của một mơ hình kết nối, các neon chính là các nút mang, được Hiên kết với nhau thơng qua các sgrpase, lồ các cũng mang
‘Neuron là một đơn vi tính tốn cĩ nhiều đầu vào và một đầu ra, mỗi đầu vào đến tir
"một synapse, Đặc rừng của neuron là một hàm kích hoạt phi tuyển chuyên đổi một tổ hợp tuyển títh của tắt cổ các tín hiệu đâu vào thành tin hiệu đầu ra Hàm kích hoạt này đâm bảo tính chất phi tuyển cho tính tốn của ANN Phụ lục 1 sẽ tình bảy một số hàm kích hoạt này
Symapse là một thành phân liên kết giữa các neuron nĩ nối đầu ra của neuren này
ổi đâu tảo của neuron khác, Đặc trơng của sợrapse là một trọng số mỗi í iệu i qua dé dupe nbn vi trong sé nly Cae tong ỗ guapse chúh l các tham số tự do eo bin của ANN, cĩ thê thay đối được nhằm thích ngh với mơi tường xung
cquanh
Mang tin da mic la mit trong những kiến trúc mang cin bin nhất, ð đổ các neuron được chúa thánh tổng mức Cĩ ba lagi trúc: mức đều vào Dao gồm cc nt nguồn
(khơng phải neuron) cung cấp các tí hiệu đầu vào chưng nhận được từ mơi trường:
tic dn bao gồm cde neuron king quan hé tc tgp với tội tường: mắc đền re đa xe các tín hiệu đầu ra cho mỗi tường, Lân lượt trúc đẫu tả tối mốc đu ra cũ in
Trang 24iệu đầu ra cũa một nút mạng thuộc mức tước sẽ tin hiệu đầu tả cho nit mang thuộc trứctếp sau Từ tric nly tac thi nh dưng trạng neron thư một bộ xế lý tơng t cổ hiều đầu vào và hiện đần re
Các tin hiệu đầu,
Các trọng sơ
"Hình 1.2: Mơ hình phí tuyển cũa một neuron
Nguẫn: Newal Networks in Finance gaining predictive edge in the market cia Paul D.MeNelis
“Quá trình tích luỹ mạng (học) là một quá trình ma trong đĩ các tham số tự do (các trọng số symapse) được điều chỉnh nhằm mục địch thích nghỉ với mơi trường Đối với vấn đề bọc cho ANN người ta quan tâm tới ba yếu tổ sau:
* Quy tc học: Phương thức nền tăng cho tiệc thay đơi trong 26 synapse (ci đụ: “Quy tắc bọc hiệu chính lỗi, Quy ắc học kiểu He, )
« —_ Mơ bình học: Cách thức mạng neuron quan hệ với mơi trường trong quá trình: học (ví dụ: Mơ bình học với một người dạy,
«—_ Thuật tốn học: Các bước tiến hành cụ thể cho một quá trình học
“Thuittoin BackPropagition li thuit ton hoe lin điễ nhất à cơng được áp dong st cdch ph biến nhất cho cc mạng tiền đe mức Nĩ được xây đựng trên cơ sở Ơny tắc học hiệu ch lỗ vã Mơ nh họ với miệt người đạp: Thu toên bao gồm bai giả đè th tốn: giả đoạn tiến ma cc tn hu chức răng i tr mite du vo tt rúc đầu ra của mạng nhầm th tốn các tia hiệ lỗ, gai đạn lùi trong d6 ode tin
Trang 25iệ lỗi quay trở tờ mức đu re lần lượt qua ce nic tin ed de (gradient) cặc bộ ti mỗi nen
Các mạng hồi quy t là một lớp liến trúc mổ rộng trù họp quan điền vỗ các syuapee thễ vẻ lễ trúc bồ cư đực trên cơ sỡ mang tiến da me Mot synapse 0 báo gồm nhiễu thánh, mỗi nhánh cổ trọng ỗ riêng cả đặc biệt ld ob mt ta tb tb theo thời giãn (7° nim quan tơm tối sự ảnh hướng lÊn nhan giữa các newon tai
hơng thời điểm khác nhau Lớp liến trúc nấy được đưa re để xử lý cc tín hiệu cổ đặc tí thơng kệ tin thiên theo thời cm
"Như vậy, điều khác biệt giữa mơ hình ANN này với các mơ hình ước lượng khác chính là ở sự tên tại của các “lớp An” (hidden layer) Tai €6, ofc bién iu vio 28 được nén lại heặc chuyên đơi bi một hàm số đặc biệt nào đĩ, thường là bảm logistic hoặc logsiemoid Mặc dù việc sử dụng các "lớp ân” này trơng cĩ vẽ lạ nhưng đồ lã "một cách rất tốt để mơ bình hĩa các quan hệ thơng kê pồi tuyển Sau đây là tơm tắt một số đặc trưng của một mơ bình ANN
14.3 Cách thúc huần luyện một mơ hình mạng thần lánh
Mong trên kh được huấn huyện bằng cách liên tục đưa các cập tín hiệu đu vác về tin hiệu đền ra vào mang, mang hanh chồng bọc hồi mi quan bệ giã các biển đầu
"vào và đầu ra Quá trình huận luyện mạng thực chất là việc điều chỉnh các trọng sẽ
“gapoe tụ, kế nội các etron trong mang Trong qu tỉnh buận luyện các trọng số "Noi được điều chỉnh cho đến tài đạt được các gi tdi ra mong mun (T) gin vt gi tí đu ra thục sự của mạng (TU) Nỗi cách khác, si số giữa g trị đồn rế men Thuần tả gá tị đầu r của mang là nhổ nhết (6)
«
“Thuật tốn truyền ngược BackPropagation là một thuật tốn điều chỉnh các trọng số synapse duge sử dụng rất phố biến Thuật ngữ truyền ngược đề cập đến chiêu truyền, ccủa sai số, Mục tiêu quan trọng nhất là thục hiện điều chỉnh những trọng số và độ ch của mạng nhằm tơi thiệu hồa sai số trong ham mu tiéu
Mang ANN tạo ra các gá tị đầu ra đợa ào các trọng số Giáị đẫnr nấy được so sảnh với iá tị đầu ra mong muốn cho tước và si số bị phương trưg nh (MSE ean Square Enor) dupe sth osm va én aso sn nay Gia tsa s được truyện nguge tr li qua mang thn kin, va ning tong sé synapse tgp tục được tinh tin v in chinh trong nỗi Ip nhim lim gidm si 6 tén Qué tinh nly dupe lip la cho mi gi rd vo - đầu r cho đến this số cụ bộ giảm xuống dồi guồng cho trước Tạ kết qu nấy, mơ inh mang ANN được huấn loyệ ố thất
Trang 26
Cổ nhiễu nguyên ắc và thuật ton thể hiện quá tình điều chỉnh các trong số synapse "Một trong những thuật tốn điều chỉnh trọng số nấy là nguyên tắc giảm độ dốc (Gradient) thé ign trong inh 13 Nea l cdc trọng số được di chuyên the hướng "ngược với đường cong, do đĩ nĩ sẽ địch chuyển đến điểm cĩ bê mặt phẳng hơn ax twa, EE oe Hinh 13: Phương pháp điều chỉnh các trọng số synapse theo nguyên ắc giấm dốc Gradient gud: Newal Networks in Finance gaining predictive edge in the mariet của Paul D Me Nelis
Các tong tiên tụ thợ đội độ dốc để sa mỗi vịng lặp ơi các trọng sỗ cũ hướng tơi vĩ cde tong gỗ mới cổ giát tối ưu hơn sử đổ, sai số củ mơ binh cơng sẽ được cả thiện Day cia bé mst là một vồng phơng nơi cơ độ cong nhất Các trọng
2 img wh sổ ơi thi là các trong ot a cia mt cu tre mang ANN
1224 Mặt số thước đ trung iệc lựa chọn cấu trúc mạng thẫ kinh nhân tạo
Mơ hình mang ANN sử dụng si số hoặc hàm mục tiêu để đo lường sự khác nhay ta giá tị lầu ra mong muơn (T về giá tị đầu ra thực sự củ: mạng (V), Những tong sổ được đề chnh so cho sai ỗ hoặc hâm mục tiêu cơng nhỏ cũng ốt
eat Ÿy -Với T, là gi trị đầu ra mong muễn ở vịng lập thử
`Y,lã giá tị đầu ra thực sự của mạng được tính tốn ở tơng lập thứ t
Trang 27già học ồi một người dạ bay học cĩ giảm cất liên quan én ve thay đội cic tong 26 synapse cia mang ANN bing vie dp dụng tộttậy hợp các mẫu tic ha hay cic vi ditch Iu Mi mtv bao gbm mt tn ida di vo va tiêu ra mong mun omg tng Mang ẨNN hận một ví d lấy mot ech gu nhiên tập hợp ếi trên tại đầ vần củ nĩ, và các trọng s rrapoe của rạng được biến đồi sao che cơ hế cục iễ hố sự si khác giữa đâu ra mong Tuần và đền re thực sự của mạng theo mộttiêu cn thồng kệ tích hợp, Sự tic lu của mang được lập lạ với nhiễ ví đụ trong tp hợp cho tớ lồi rang đạt tối một trạng thế Ên đụh mà ư độ khơng cơ một sợ hay đội đăng nào ci cd trong sỗ synapse Cc ví đụ tích lu de gp dung tide co thể được áp dang la rong thời gian của phiên tích luỹ nhưng theo một thứ tr khếc Naurvay mang ANN hee từ các ví đ bằng ch ây dựng rên rột tương ống đầu vậo Tấn ra co tấn đ cần gi quyết
"Tính chất thích nghỉ, Các mang ANN cĩ một khả năng mặc định là biến đổi các trọng số synapse ty theo su thay Gi của mơi trường xung quanh Đặc tiệt một mạng ANN đã được tích hỷ để hot động trong một mơi trường xác định cĩ thể được tích lu lại một cách đễ đăng khi cĩ những thay đỗi nhỏ của các điều kiện mơi trường hot động, Hơn nữa, khi hoạt động trong một mỗi trường khơng ơn định (các số liệ thơng kê thay đội theo thời giam), một mạng [ANN cb thé dupe thiét kế sao cho cĩ khả năng thay đối các trong 96 synapse ccủa nỗ theo thời gian thực
Tính chất đồng dạng trong phân tích và thiết kế, Về cơ bẫn, các rang CĂN cĩ tù chết chưng như là các bộ xử lý thong tin Ching ta néu a dieu ấy với củng ý nghĩa co tất cũ các lnh vực c liên quan soi ve img dmg sang ANN, Dic tinh ny the ign ở một số đệm như sa
= Cc nearon, dui dang ny hofe dạng khác biểu dễn một thành phần ching co tt ee mang ANN,
= Tinh thống nhất nãy đem lại khả năng chỉa sẽ các lý thuyết và các thuật team hoc trong nhiều ứng dụng khác nhau của mạng ANN,
Trang 28già học ồi một người dạ hay bọc cĩ giảm cất liên quan én ve thay đội cc tong 26 synapse cia mang ANN bing vie dp dụng một tận hợp các mẫn tic hg hay cic vi dtc lu: MỖI một bao adm mt tn ida dn vo va nit dura mong min tuong img Mang ẨNN nhận một ví dụ lê một cách gu nhiên tập hợp ri trên tại đầ vần cũ nĩ, v các trọng số rrapoe của xăng được biến đồi sao cho cĩ hể cục iu hố sự si khắc giữa đâu ra mong Tuần và đền re thực sự của mạng theo mộttiêu cn thồng kệ thích hợp, Sự tic hu của mạng được lập lạ tới nồiễ ví đụ trong tị hợp cho tớ lồi mang đạt tới một trạng thế Ên đụh mà ư độ khơng cơ một sợ hay đỗi đăng nao ci cde trong 9 synapse Céc ví dụ tích lu de dụng trước cĩ thể được 4p dang lai rong thời gian của phiên tt luỹ nhưng theo một thứ tr khếc Naar vay mang ANN hee từ các i du bing cdc niy dựng rên rột tương ống đầu vào Tân ra co vin d cần giả quyết
"Tính chất thích nghỉ, Các mang ANN cĩ một khả năng mặc định là biến đối các trọng số synapse ty theo su thay Gi cũa mỗi trường xung quanh Đặc tiệt một mạng ANN đã được tích hỷ để hot động trong một mỗi trường xác định cĩ thể được tích lu lại một cách đễ đăng khi cĩ những thay đỗi nhỏ của các điều kiện mơi trường hoạt động, Hơn nữa, khi hoạt động trong một mỗi trường khơng ơn đnh (các số liệ thơng kê thay đội theo thời giam), một mạng [ANN cb thé dupe thiét kế sao cho cĩ khả năng thay đối các trong 96 synapse cđa nỗ theo thời
lan thực,
Tính chất đồng dạng trong phân tích và thiết kế, Ve oo bin, cde mang CĂN cĩ trù chết chưng như là các bộ xử lý thơng tị Chứng tr rêu ra điệu ấy với cùng ý nghĩa co tất cũ cc lnh vực c liên quan soi ve img dang sang ANN Dic thh này thể hiện ở một số đệm như sa
~ — Cáeneon đưới dạng nà hoặc dạng thác, biểu dễn một thành phẫn ching co tt ee mang ANN,
= Tinh thing nbét nay đem lại khả năng chỉa sẽ các lý thuyết và các thuật toda hoc trong nhiều ứng dụng khác nhau của mạng ANN,
Trang 29sẽ hoạt động đồng thời và được kế nỗi bội các dp thân ánh để cho ra những phân ng cơ thiệu ắc thai hom
Điều hiễn nhiên là, với những đã liệu ích thích đề vào đơn giản, chẳng hạn ahr Tình nghiệm về hiết độ quá nơng hoc quá lờ, ơi khơng cần phái được xử E bối quế nhiều hetro nhiễu lép ân rước li cho ra kết quả nhân ng lại Tuy nền, Tài liệu ki thích đầu vào tr nên phúc tạp hoặc da dang hon, nhiêu tron hơn Š các lấp Ê sẽ được Lí hoạt và các phân ứng hoặc những quyết đnh được đựa re sẽ là kết quỗ của quế tỉnh cân nhấc lãi it hop cfc tn hu tir ah neuron ois hiên lớp n khác nhan
Loại ANN nây được ứng dụng rộng rãi rong lĩnh vực “thần kính — ngơn ngữ học dũng để nhận dạng mẫu hình Tuy nhiên, tong lĩnh vục kính tế tải chính, sự kết
hop của các in đầu vào tới một loạt các neuron ở các lớp n mang một Ý nghĩa khác Trong lnh vực nấy, các biển số ngằm như kỳ vọng đồng một tai trỏ quan trọng trên thị trường nĩi riêng và nền kinh tế nối chung Keynes đề cập đến chúng cưới gốc độ là “hành vĩ by đân” của nhà đầu tư tại các thời điềm “bơng - v8" cia nên nh tế mã ta thường bảo đĩ lã lúc thị trường đang lạc quan hoặc bi quan Tuy chúng ta cổ thể cĩ được đữ liệu kháo sắt về kỹ' vọng của mọi người, nhưng các dữ liệu này thường cĩ độ trễ Hơn nữa, những gỉ được thể hiện tên các băng khảo sắt chưa chắc đã thật sự phân ánh được kỳ tọng của người tr lồi
Tre bỗi cảnh đơ, sựtồ tạ của các lớp ẫ vái những guá tinh xử lý một cách đơn sen than di wi cde di iệu qua sấ đầu vần trở nên vơ cơng cổ Ý nghữc Những giá
trị ễ (lagged value) và giá trị hiện tại của lãi suất, tỷ giá, thay đơi trong GDP cùng
‘oi cdc lai thing tin Koo td động đến nn nh tế băng cách tác động đến những Tỷ vong chủ quan của người the ga tên i trường Những kỹ vong nấy li cấu tắc đồng của lãnh nghiệm, minh độ, văn bốc củ: nơng mỗi người Tất cố những neiron nay ác động qua lạ với nhau hinh thành nên kỹ vọng heặc dự báo đồ rỗi sừ đề đến đế hành động boặc quyết inh cia moi nga tr th trong Cu the mọi thguời sẽ cĩ động th ting hoe idm gd, bin hot mua, hinh déng mét cdc lac quấn hoặc bì quan, VỆ cơ bản là những dự báo mã được hạh thánh ừ quả inh tie dng qua li song song ci cdc neuron thin linh sf quyétdinh inh động của mỗi
người rên hi tường
'Việc sử dụng mơ hình ANN để mơ phơng quá trnh ra quyết định được dựa trên “nguyên lý về sự tách biệt các chức năng” mà Rusicbini, Dickbaut, Ghirardato, Smith va Pardo (2002) đã định nghĩa rằng: "khơng phải tất cả chức năng của não bộ được thực biện bởi tồn bộ não bộ” [Eusicbini (2002), tr 3] Một nguyên lý thứ bai được gọi là "nguyên lý về sự hợp tác các chức năng” cho rằng: "mỗi khu vục của não
Trang 30
sẽ hoạt động đồng thời và đợc kết nỗi bối các khớp thân khu để cho ra những phần ứng cĩ nhiều ắc thi ơn
Điều kễn nhiền là, với những dữ lệ kích thích đu tảo đơn gián, đẳng bạn nhờ Tính nghiệm vẻ hi độ quá nồng hoặc qu lab, thi hing can phải đợc sử lý ổi quá nhiều neoro ở nhiều lớp Šn trước tồi cho a kết quả pha ứng lạ Tuy hiền, ải dữ liệu kíc: thích đầu ảo trở nên phúc tạp hoặc đa dạng hơn, nhiễu neuron hon ở cc ớp ẫnsẽ được kích hoạt ả các phần ứng hoc những quyết định được đưa ra sẽ kết qui của quả tình cân nhấc kh kết hợp cáctía hiệu từ nhiều neron cũ» hiền lớp ấn Khác nhan
Losi ANN nữy được ứng dong rồng rãi trong lh we “thin kth ~ ngơn ng học đồng để thận dang mỗu bù: Tuy nhiên, rong inh cục nh t ải chữ, sự ết hợp cổ các iển đầu vào với một lost các neuron ð các lớp in mang mit juga thác Trong lĩnh vục nh, các biến số nghm như kỷ vong ng một vi Hơ quan tong trên tị trường nối đệng và nên nh tỉ nĩi chưng ernes đề cập đến chúng
cđưới gốc độ là “hành vi bay đản” của nhà đầu tr tại các thời điểm “bùng - vỡ” của
ến kh tế mà t thường báo đ là lĩ tơi trường đang lạc quan hoặc bi quan Tuy chững te cơ thể cĩ được đữ iu lưäo sất về kỹ vọng của mọi người, nhưng các để liệu này thường c độ t Hơn mia, những gì được thể iện rên các bằng khếo dt ch chốc đã thật ự phân ảh được kỷ vong của người trả li
Tre bỗi cảnh đĩ, sựtồ tạ của các lớp ẫ vái những guá tinh xử lý một cơch đơn sen than di wi cde di iệu quan sấ đầu vân trở nên vơ cơng cổ Ý nghữc Những giá
‘tri tr (lagged value) và giá trị hiện tại của lãi suất, tỷ giá, thay đơi trong GDP cùng
‘oi cdc lai tng tin Keo td dng dn nn nh tế băn cách tác động đến những Tỷ vong chủ quan của người the ga trên i tường Những kỹ vong nấy li cấu tắc đồng của lãnh nghiệm, minh độ, văn bốc củ: đơng mỗi người Tết cố những tren nêy ác động qua lạ với nha hinh thành nên kỹ vọng heặc dự bá đồ rỗi sừ đề đến đế hành động boặc quyết định của mọi nguời tê thi tường Cụ th là mọi guời vẽ cĩ động th ting boặc giảm đá, bán hoặc mu, bành động một ch lác quấn hoc dng qua lai song song ci cdc neuron thin linh of quyétdinh bì quan, Về cơ bản là những dự báo mà được inh thin ừ quả inh tie inh động của mỗi
người rên thị tường
Trang 31
được kích hoạt cho các chức năng khác nhau nhưng cũng cĩ những khu vực giao nhau được sử dụng cho những chức năng khác rhau” [Eusicbini (2002) tr 3] ‘Dye trén di iệu thực nghiệm và mơ phống não bộ, Rusichini, Diekhau, Ghbardto, SenHh và Parle (2002) đã chứng minh ting céc chi th ra quyết dinh dựa trên việc đánh giá, ốc lượng đặc biệt là trong trường hợp phải phân ứng lại rong một thời gian ngắn Bên cạnh đồ, các ơng cũng đã tranh luận cho sự ton tại của việc chuyên "mơn hồa trong quá trình xử lý các số liệu gần đúng” [Rustichini (2001) tr 16]
Suy rồng re đưới gc độ củ thng Lê tì mơ Hậh sĩc lượng AND la mit “cB may sảng lọc Trong trường hợp đơn iển, với in đâu ảo ảy nhất l x, một hàm rác lượng bậc m Ÿ, đa tiên một chui các khơng gian mốc lượng khơng lơng vào nhat
Wace [ono (2): Bona (2), ons Pram]
Beresteamu (2003) a chi raring mỗi một sự mỡ rộng hữu hạn, V„ „(x): Wa (2) e2 sẽ cĩ thể sử dụng những tập hợp hẻm khác nhau [Beresteanu (2003) tr ] “rong phần phụ lục "các dạng him phổ biển trong ANN” sẽ đề cập chỉ tết các dạng him nay
132 Mo hinh mạng truyền thing da lep (Multilayer Feedforward Networks) “Việc thiết lập nhiều lớp ân bơn sẽ lâm cho cấu trúc của mơ hình mạng trở nên phức
tap hơn Hình 1.5 minh hoa một mang lưới truyền thẳng với hai lớp ân và 2 neuron ở mỗi lớp Biênđâuvảo-x — Sơnetenlếp Sơnemonlếp Biênđầurz-y âml.n in2-p oP n Le” xl b
THình LS: Mơ hình mạng truyền thẳng ới hai lớp ẩn
Trang 32Mơ ảnh 8ư được đễn đạt dưới đăng bệ thống phương nh tốn họ vi biển đầu
vào: K’ neuron 6 lớp Ân đâu tiên và Ï neuron ở lớp Ân thứ hai: ty = oust Yt Nes Đụ = Địa + TẾ PoÄcx Py £ nant She
"Điền dễ thấy là khi thêm một lớp Ân thử bai tỉ số bệ số cần phải trúc lượng sẽ tăng một lượng là + 1) -1)= ("+ 1); Vi wei mạng uyên thẳng một lớp ¡ biến đền vào và
KỶ neurn, tạ sẽ cĩ (Ï * Dk" + (k + 1) hệ số, trong khi đĩ, khi thêm một lớp ân với ψ
nerronthìsố hệ số bây giờ sẽ ã 6°+ ĐỀ + @ + TẾ + f +1),
"Mạng tuyển thẳng đa lớp sẽ lâm cho mơ hình trở nên phức tạp hom Voi mé bind ây, a ẽ phải tĩc lượng nhiều bệ số hơn mã đến lượt nơ sẽ khiến a phải chịu nhiều Tâng buộc hơn rong điều kiện số mẫu quan sắt cĩ giới bạn Bên cạnh đĩ, mơ hình tây cũng đơi hối thời gian huỗn huyện nhiều hơn Cơng nhiều hệ số thì khả năng các trớc lượng bệ số rơi vào các tối rụ cục bộ, thay vỉ các tối ru tỗn cục, ẽ căng lớn “Tuy vậy, a cũng để tâm đến tu điểm của việc sử dụng nhiễu lớp ân Daybof và Deleo (2001), dựa tên nghiên cứu trước đồ của Homik, Sưachocomb và White (1989) khi nĩi về vấn đề này, đã cho rằng:
Định lý o quả tỉnh ĩc lượng hơm đã được chứng mình với ANN ba lớp Kết dn niy cho thiy ring ANN ai lớp với các ọns số được huấn hyện sẽ cổ Khả năng ĩc lượng được ất cũ hâm phí tuyến no Đặy là một đặc điểm rất quan trọng và nĩ là nin tng cho vig ing dung mo hinh ANN 6 rit niu cdc Hah vục khác, Mơ Hình
ANN o6 thé ĩc lượng một hàm số đa bin bing eich nay dmg nén him 46 dng thời điều chính bảm số đĩ cho phù hợp Trong ki đĩ, các mơ hinh hi quy phi ty truyện thống chỉ đồng được nh săn Chi lợi thế này đã giúp cho mơ hùh ANN tr nên vượt tội so ới lạ ở tiệc cổ ng điều chính cho thích hợp với một hàm 3 đã
các cơng c hồi quy iếng kê cổ đền khác [Dashotf và Deleo (200), 1621]
Trang 331.4.3 Mơ hình mạng lặp lại Recurrent Networks)
Một cấu trúc mạng thân Linh phố biến khá là mạng lặp lạ Ebman Mơ hinh nà cho hp các neuron pu tude hing chi vo cde bién x ma cin vo git ca chữ:
nổ Nơi cách khác, Elmman đã thêm mơ hình yếu tổ “trí nhớ” của các neuron trong quá
nh tến hĩa Mê hàn nềy cơ điềm trơng ty với phương ph hân tích sở dụng trang bin di động (moring soeage ~ MÃ) Treng phương pháp binh quân di động, tiến hụ thuộc y khơng ch là một hàm theo iển đâu vào mrả cịn phụ thuộc vậ gi hiện tại về gã tị rể a “hid” - «Vi vy mg wh binh qui động bậc qtø si cohim y dane
¥e= Bor Tin Ba + + XE UyếC,
“Tip hep bệ số q điền): = 1,19 Gage ude lượng theo phương pháp để quy Cổ trờh tĩc lượng bất đu với iệc sử dụng phương pháp tình phương nhỏ nhất thêng thường bộ gu phần di tị tỗ của nhu (&, ] J = 1, g.Smg đổ, ta sẽ
dung chad s liệu phần dư thu được sử bước hồi quy nấy (9 để tạh các gi tị tỄ
' " vả các hệ số của các
thảnh phần nhiễu t (}sj = , g Qu tình ny iế tạ hiền bước cho đến khi đạt được sự hội tụvề đênlài sựlp lạ cho r các bệ sỗ ĩc lượng khác biệt í nhất
‘Voi tring trong tụ Elan đã đưa vân mơ Hù các gi thn sắc neưon chưa được nên ại ở các lớp ấn Mê hin lp nt cia Elman de th hiện ti va gid tr t của trong hinh Ì 6 với ba bién din vo, hai neoro ở một lớp ẫn và một biến đều r Cả xuơ hình của Emsn lÊn phong pháp bnh quần di động đều đi hi ta phải sử dụng sittin tinh ude lượng nhiễu bước Quy trừ được bắt đâu với mit vector cho trước của neuron tễ cĩ được tự mơ bình meng truyền thẳng đơn giản Bước tp theo sẽ là tiến hành ĩc lượng bệ s và nh tên li vector của nen tổ Giá tị của hệ
số được tái tước lượng dưới dang để quy Quá trình này tiếp tục cho đến khi tiếp cân
điểm hội tr
Trang 34
Mang Elman la mgt md hin mang déng (explicit namic networl) Mang tray thăng được xem là một mang tnh mã tong đổ với rệt tập hợp biến du vio ta thời điểm sẽ được sử dựng để dự báo một iển đầu ra cơng tạ tời đệm r Tấ thiền, mổ hinh rạng tuyên tổng cũng cĩ thể đưa vo trung để giá tỷ Bề của biến đến vàn đùi đồ, mb nh ong truyện đã Hh thành nên một câu trốc động khác chữ khơng chỉ gi hạn rong việc đưa ng sẽ mang th "động Tuy nhiễn mơ hnh Elmtsn
thêm vào mơ hình các giá tỉ t của biến pu tube, yey sus you Ban cath
‘Mandic và Chambers (2001) đã chỉ ra rằng, cầu trúc động của mơ hình mạng truyền
thẳng thọc biện bằng cách ga tăng thêm biển đầu vào sẽ đẫn đn việc ia tổng số bệ
số phải tĩc lượng một ích khơng cơn thất Trong ki đĩ, mơ hình mạng Dp lạ Elman o th đạt được cùng mức hiệu quả như vậy chỉ với việc tiêm vào một biến
tcl Kết qu là mơ bì of od it ho hon va qua tinh uc lượng cũng như h
Tuyện cũng sẽ đến ra nồanh hơi
L4 _ Sự vượt tội của mơ hình mạng than kinh trong phân tích và dự báo, Mặt đồ việc khảo số dã liệu quá thử, đưa ra các dự bo, v cc quyết nh thục diễn trong lin vục ơi chính yêu cu các kỹ năng, thuật toần khác nhau nhưng chủng đặc sị iến quan đến nhau, Khi khảo cất đ liệu và dự báo, người phân tích cần thi cổ hồng phsong phấp xử lý thủ hợp sao cho chui dỡ liệu tr nên đồng nhất đ từ để sẽ thể đụ ra kết quá tốt nhấ Các quyết đồ ti chín, chẳng hơn nhờ ma, bán eặc nh iá các cơng cụ tải chính, đồi bồi ph tht lp các giã đnh cụ thể nhực cách thức phân log ri ro, quan điễm củ nhã đầu t về sự đảnh đối giữ tỷ sất ng loi về rồi ro, Do đổ, lết quả cối cơng phụ thuộc chủ yêu vào "thêu vĩ hay mức
thơa mẫn của nhà đầu tr về tỷ suất sinh lợi trên cơ sở rủi ro chấp nhận được
“Cĩ quan điểm cho rằng tác động của việc khảo sát và dự đốn lên các quyết định tải chính là một chiều Theo đồ, khảo sát và dự đốn chỉ đơn thuần cng cấp các dữ liệu đầu vào, các tĩc lượng về tỷ suất sinh lợi mong đợi và mức độ bắt ơn, cho quả trình ra quyết định Những dự báo này là những yếu tố quan trọng giúp xác định giá cã chứng khốn trên thị trường cũng nh các cơng cụ tài chỉnh, vi đụ như quyền chon "mua, quyền chọn bán, bay các loại chứng khốn phái sinh khác phúc tạp hơn
Trang 35những biến động lớn rong nén knh té Trong cả ba trường ắc nh từ các cuộc điễ tra hay tri ro him ý khi đnh giá chứng khốn hợp, ác thơng tin được ẽ yên tổ tiêm ảo nhậm cũng cơ mơ hít dr bo Ching tac th sẽ quan tâm đến việc dự bio cfr ro hàm ý của qu tinh ih ei
Tương tự nhu vấn, quyét din chi od giá nào được sỡ dụng để đc lường về dự báo len pht sẽ phụ thuộc ảo việc kết quả cuỗi cùng được sử đọng để làm gi Neu me ich la gap thà nước bạn hành chữ sách uhm dm sot lm pit thi ating ci sb ti củo chuỗi s liệu cĩ nhiễu biến động trong ngắn bạn sẽ khing thich bgp Tong trường bợp nấy, chuỗi sơ liệu đơ sẽ cĩ thể gây re các phân ng thi qud tong việc ban bánh các mĩc li suất ngơn bạt Ngược lạ, một chỉ số gi với chuối s liệu quá hiến động lại cổ thẻ sẽ dẫn đến một chính sách iện tệ tần động, khơng cơ hd ning Ind cha lem phat Vi vay, vide thụ thấy đhệng tí từ nhiễu chỉ ỗ gi hoặc tỷ sát
sinh lợi, sẽ giáp ích rất thiện trong vet ra các xử hướng củ túi rường hoặc các hân tơ đang dẫn đất xu hong đĩ, Mơ hinh ANN sẽ gip thọc hiện du nay hiệu quả hết
Khi xây đựng các mơ bình ước lượng cho tỷ suất sinh lợi của thị trường tải chính thật ra là chúng ta đang cổ gắng “dự báo các dự báo của người khác” Khi cĩ sự thay đổi trong thong tin, nhà đầu tư sẽ phân ứng lại bằng cách tiền hành mua hoặc bán tài sản, từ đồ dẫn đến sự thay đơi trong tỷ suất sinh lợi Vì vậy, bản chất của việc ước lượng các mơ bình là ìm hiểu cách thức mã các nh đầu tư tiếp cận, xử lý thơng ti: vàra quyết định
Xghiên cứu gần đây cia Sergent (1997, 1999), di nhắn man rằng: thục tổ các hề đầu tr— chữ thé mata dang man ude lượng thơng que các mộ nh ~lä khơng hồn
tấn dư lệ hay nội cách khác, họ lhêng phi lš người hiễu biết hồn tn về tị tường Giêng như chứng ta, họ phải học bội từ những g dang didn ra Vi vay phương hấp ANN ef la mit kh đầu tt cho việc nức lượng ở các tị uống ti chính Phương gháp ANN được xây đọng tên cách thức hot động cũ nấo bộ ong vie tấp nhận và xổ lý hệng tín Điệu ny sẽ được mừnh hoa ch thon trong cde thơ bình ANN ou thể, Tơm lại phân ích ANN đã trở thánh một nhẫn quan rọng của nghiên củi thực nghiệm tin ti trường ti chính nhất à tong việc dự bảo gá chứng oda Moin ANN cơ những trụ điền sar
Trang 36cho iệc mơ hình hề them số boặc cơ ổ lượng lớn các yế tổ ngoại li tong
‘tap hop dit ligu (Lawrence, 1991: Rumelhart va Meclelland 1986: Waite và
Hardenbergh, 1998; Wasserman, 1993) Theo Paul D Me Nels (2005) tỉ sự hip din cia md hinh ANY la vin dua trén eid dinh“arhop i cĩ chứng trục" Nhi thực iện dự bá trên tị tường ti chín, 4 li a dang dbo dir bắo của nguời khác, cing ong là đang túc lượng sự kỹ rong của cấc chỉ thể khác bên tồi tường, Vì vệ, các hành iên nên thị tường ti chữ kiên gên liền trong một quá tình học bồi iên tục đi chữ niềm tinting sai lima trong gua
i ny, dim ia nh ANN được trễ hận ở cỗ nĩ sẽ co ph sriỗn
tại của “ngương phân ứng” rước sự thay đối chính sách hoc bién ngoại nh nào đồ cđa
ce chi th kích ế hi ra quyết Ảnh Ví dụ iit suit tng tr mic 10” hoặc 102 lên l0 phn ing của hả đầu tơ nếu cổ, sẽ là ít Tuy idm, na i sat vin
tấp tụ ga tăng nhà đầu r sẽ chỉ ý nhiễu hơn Đến lúc nào đĩ Kili suit woot qua một ngrống hất đụ, cổ Để 12, hả đẫ rsẽ cĩ hơng phản ứng manh, ư"bồn thio” ed chủng khốn ả chuyến ang mưa các oi ri phi chin pi
`Ý trơng cốt lõi cũa ví đụ nấy chính lã: phân ứng của các chủ thể ánh tế khi ra quyết định trước sự thay đối của một biến ngoại sih khơng phải tuyến th hoặc cân xứng,
"mơ thay vào đĩ, nĩ là bắt đối xứng và phiuyển Mơ bình ANN ước lượng các nh vỉ cđa chủ thế kinh tổ ải chính tong quá tình ra quyết đph một cách tự nhiên Chữb, điều nấy lam cho mơ hình ANN khác biệt với các mơ hình kinh tế lượng cơ điễn dụa
trên gi thuyết sự hợp hodm tồn và sự ơi ưu của con người
"Mơ hình nấy khơng đưa ra các giá thiết về giá tị của các hệ số khi ĩc lượng về quan hệ hàm số giữa biến phụ thuộc vã biến độc lập Với các mơ hình kinh Ế lượng cỗ điễn, mọi nỗ lực đều hướng đến việc mĩc lượng mật cách chính xác nhất, tong phạm ví cĩ thể, các bệ số của mơ hình Trong khi đồ, với các "mơ bình ANN, chúng ta hẳn nhu khơng thể diễn giải một cách rổ răng Ý nghĩa các hệ số được ước lượng trong mơ hinh vì nĩ tơn tại ong khơng gian đa chiêu chứ khơng phải trong hin học phẳng Đây chính lã điêm khác biệt của ai loại mơ bình Sự khác biệt nấy đã giúp cho mơ hình ANN thưởng xuyên được thích ống với mơi tưởng
‘Bin coud, ki sir dmg mi hi phí nyễn, các nhà ah tế thường sỡ đụng sắc thuật tốn s học dựa tên gi đồ răng chuỗi ola I ign tục, Với ác phương pháp nữy, nguời nghiễn cứ thường sẽ hãi lập lạ việc ĩc lượng hiên lên đề ch răng hệ sẽ được tĩc lượng lƠng rơi tảo một treng sổ các
Trang 37tốn tiến héa (evolutionary algorithm) 83 gp cho cdc nha nghién ciu c6 thi ầm tiệc với c chuỗi dữ liệu khơng liên tục và xác định được cấc cực tr tồn cox (global optimum) tét hơn Đây là một tín hiện tất Tuy nhiên, ẽ phải tên nhiều thời gian hơn để cĩ được kết quả Như vậy, ANN cĩ khả năng ĩc lượng nhiều dạng hàm Điều để cho thấy rằng một ANN cổ thê mơ phống bất cứ dạng hàm liên tục để cố được một dự báo chính xác (Homik, 1993; Homik
vẻ cơng sự, 1989)
+ Thi ting tdi chính của các nước cĩ nền lãnh tế mới nỗi hoặc lã các thị trường cổ sự hay đối vã cải tiến mạnh mẽ sẽ lã nơi thích bợp cho các phương pháp này bởi hai lý đe sau Lý do thứ nhất là bởi vỉ chuỗi đữ lệ ở các thị trường nà thường bị “nhiễu” (noi), Đồ cĩ thể lã đo các thị trường may con non rẽ hoặc tốc độ lan tuyển thơng tin chưa cao Vĩ vậy, chúng ta khơng thé
giã định khơng tần tại sự bất đối xứng và mỗi quan hệ ph tuyến trên thị trường Lý do thứ bai chính là các chỗ thệ tham ga tên thị trường này lên tục thực hiện quá bình ty hoc hi (eaming process) bằng cách thử tả si trước những thay đỗi trong chính sách, pháp luật cũ thị rường đĩ, Hệ số được trớc
lượng bơi mơ hình ANN chính là kết qué cia quả tình tự học hỗi nấy Điền nay theo Leandro S Maciel và Rosangela Balini (2008) thi ANN cf thé ting «quit hoa Sau khi “ge” các đữ liệu được đưa vào, ANN cé thé suy luận một cách chính xác những phân ân của tập hợp mặc đà mẫu dữ liệu chứa những thơng tin nhiễu, ANN cổ thể tính tốn mẫn hình cơ bản hoặc câu trắc tự tương
cquan rong chuỗi thời gian
“Tuy nhiên, bên cạnh những ưu điểm tiên mơ bình ANN lại cĩ một số bạn chế nhất định khiến cho người sử dụng hồi ngh về giá tr của nĩ như lễ
+ Thữnhất vấn để khổ gi thích các trọng số nĩc lượng tong mơ hình hay cơn sill vin dé “hop den — Blsek box” Trong mơ hình hồi quy, các giá tị cũa sắc bệ sé ude lượng giả thí tác động trực tiếp của mỗi biến số đầu tảo với
tiến đầu ra Trong khi đĩ mơ hình ANN với các trọng sỗ ước lượng khơng,
giã thích được chính sắc cho mỗi qua hệ này Do đỏ iệc sử dụng mơ hình
‘rong minh AD mit sé tat SHE en ce) ti i" i” (es) Đợi a sow md Hạn thơng kệ tà hit lượng ổ ida ah âu le Bên te” (ụể ơm) CC“ (enfida) đc mĩ
Trang 38-ANN sẽ khơng được áp dụng tron gphin tich độ nhạy (Refnse,Z2prmis và Francis (1994)
« — Thứ bai, việc ứng dung mơ bình ANN đổi hồi kích cỗ mẫu lớn Mơ bình AN) đổi hỏi một số lượng lớn các trọng số „ rêu mẫu dữ liệu quá nhỏ đưa đến tỉnh
trang "khi quá mức” vi mơ hình ANN yéu ciu chia tép quan sétthanh ba
+ Thiéha, vige xdy dung mat clu tric ANN phủ hợp sẽ mất rấtnhiề thời gian “Tuy nhiên, cơng việc cĩ hễ được rốt ngắn nu tiệc xây dựng mơ hình cĩ sự ỗ trợ từ phương pháp hồi quy trong việc lựa chọn biến đầu vào cho mơ bình
ANN
LS._Vige dug dụng mơ hình ANN trong dự báo - bằng chứng thực nghiệm,
`Ý thơng việc niy dmg minh mang ANN đã xuất hiện ừ những nm 1958, thi gu bởi Frank Roserblat Tuy nhiên, phải đến những năm cuỗi hp kệ 90, những nghiên cứu ứng dụng của mơ hinh mang ANN mci dẫn trở nên hỗ biến Bên cạnh những ứng đụng tron nh vực y bọc, cơng nghệ, mồ Hừh mạng ẨNN cịn được ứng ding rng ri tong inh tt chin, debit arog vide ay dmg ede md ich dự áo bao gơm đgbáo đỉ số chúng khốn và dự báo các biến ơn t fm
‹ghiên cứu của Jozef Barui: (2007) ứng dụng mơ bình mạng ANN phi tuyén 48 dự "báo tỷ suất sinh lợi của các chỉ số chứng khốn trên thị trường Phần Lan, Hungary (Czech va Đức trên cơ sở bộ dữ liệu trong giai đoạn từ năm 2000 ~ 2006 đã kết luận
Trang 39(C001) đã ng dạng mơ nh mạng xác mất (Œicbabbsie Neal Nenwol2 để đy báo xa hướng thị tuơng Rt qu thục nghiệm của các ơng cho thế chiến lược giao địch được xây đựng trên ả từ đĩ xây đụng chiến lược giao dich để tế đa bĩ li nhuận sơ sở những dự báo của mơ nh tạng ANN cho mic nh lợi cao bơn so tối cấc chiên lược hĩc Trong Hi độ, đngTeo Che và em (986) với £ trống tương tr trong tiệc dự báo cỉ số KLCT của TTCK Kuals Lumpr nhưng l sử dụng các iến din ảo là những chỉ báo của ph tích kỹ thật để so ánh với mồ huh ARIMA, truyền thing
“Trong khi đĩ, nghiên cứu của Heping Pan, Chandima va John 2005) ại minh chứng hiệu quả của mơ hình mạng ANN truyền thẳng khi xây dụng mơ hình mạng truyền thẳng đa lớp để dự báo chỉ số AORD (S&P/ASX All Ordinaries) si dung biến đâu, vào lã giátrị quả khứ của chính chỉ số này và chỉ số chứng Khoản của một sẽ thị trường cĩ liên quan Kết quả thực nghiệm từ bài nghiên cu đã cho thấy với việc sử
dung biến đầu vào là tỷ suất sinh lợi của chỉ số AORD 6 ngày trước đĩ và ý suất sinh lợi củachỉ số S&P 500 (Mỹ) của ngày giao dịch liên kỳ, mơ hình mạng ANN đã cảy báo 80%% chính sắc xu hướng cđa chỉ số AORD Bên cạnh đĩ, rên cơ sổ so sơnh hiệu quả dự báo của những câu rúc mơ bình Khác nhau, các tác giá đi đấn kế luận tắng, mơ hình mạng truyền thẳng một lớp ân với hai nươn sẽ cĩ khả năng cho kết cquê dự báo trong đổi tất nhất Tương tư vây, nghiền cứu Yochanan và Dorota (2000) tên dụng mỗi tương quan giữa các TTCK để tiến bình dự báo cho các chỉ số thị trường Canada, Pháp, Đức, Nhậ, Anh và Mỹ cũng đã kết luận rằng mơ hìh mang
ANN cổ phần tốt hơn so với mơ hình dự báo truyện thống trên cơ sở chỉ tiêu MSE (Gai số bình phương trung binh) thấp bơn Tuy nhiền, nghiên cứu của các tác giả chỉ Ta tằng, mơ hình mạng truyền thẳng một lớp ẩn với 5 neuron sẽ tốt hơn so với mơ hình chỉ với 2 neuron Šn tong việc dự báo các chỉ số thị trường nấy Các tác giả cơng ũng hộ việc mơ hình mạng ANN được sử dụng nhiều hơn bởi các định chế tải chính như Goldman Sacbs, Mergan Starley với t cách là một cơng cụ bỗ trợ bên cạnh các phương phẩp truyén thong
Bên cạnh chứng khon thì mơ hình mạng ANN cơn được sẽ đụng 48 dự báo các loại bằng hỗa cơ bản, Nghiên cũa của Komsan Suriys 2006) đã sử dụng mơ hình mạng -ANN truyền thẳng để dự báo giá dầu thơ bằng các biến đều vào lã mức giá của 10 ngiy trước đĩ, Bằng chứng thục nghiệm từ bãi nghiên cứu cho thấy, mơ hình mạng ‘vGi 200 neuron in cĩ khả năng dự bảo tốt nhất với chỉ tiêu MAPE (rung bình các phần tăm sai số tuyệt độ) đạt đến mức 1.891 Nghiên cứu trong tự cũng đã được thực hiện bối Siddhivipayak và mậ (2009) Bên cạnh việc sử dụng mức giá quá khử đễ âm biến đầu vào cho mơ hình dự báo mức giá dầu thơ giao ngay, nghiên cứu trên cịn sử dụng giá kỳ hạn để âm cơ sở dự báo Kết quả cho thất, giá đầu thơ của
Trang 40cic hop ding ij han Ì và 2 thắng cơ gp phần rào hiện qỗ dự bảo ốt hơn so với trúc giá của các hợp đồng 3 đến {thống Bên cạnh dẫu thê, văng cũng là một ong hơng đổi trọng cia các nghiền city img dang md hith mane tong dx bio
‘Antonino, Franco và David (2008) sử dụng biến đầu vào gầm sai phân bậc nhất của
xúc giá quả khử với độ tổ tơi đa là 4 cùng với đồ là si hân bậc nhất cũ chỉ số TDow Joner Averse trơng ống, Sử đụng các củ trúc mộ hàh mạng khác hau, cde tắc gi đ li đên kế luận về khả năng dự báo của mơ hổ mạng ANN phi tuyén về tiềm tăng của mồ hình nấy rong việc the thể các mơ Hình truyện thơng thự mơ nh ARIMA "Nhằm hồn thiện hơn hiệu quả dự báo, một số ứng dụng “tí tuệ nhân tạo” khác đã được kết hợp với mơ hình mạng ANN như lý thuyết logic mờ (Fuzzy-logic) và thuật toấn di truyền (genetic alzorim) Nghiên cứu của George và Kimon (2009) cho thấy sự cải thiện trong kết quả dự báo của mơ hình mạng ANN khi kết hợp với lý thuyết legic mờ đặc biệt là trong trường hop dự báo xu hướng ngắn hạn của TICK “Trong khí đĩ nghiên cứu của Yung-Keun và Byune-Ro (2007) i vào xây dựng mơ ình mang ANN kết hợp với thuật tốn di ruyển Kết quả nghiên cứu cho thấy, chiến lược kinh doanh trên cơ sở gợi ý từ mơ hình trên đối với các chứng khốn rên thị trường NYSE và NASDAQ 5 phin vugt trội so với chiến lược "mua và giữ” thơng thường
Bén cạnh việc dự báo giá các chứng khốn thì mơ hình mạng ANN cin được ứng cdụng tong các dự báo biển vĩ mơ như tÝ giá, tăng trưởng kinh tế vả lạm phát
"Nghiên cửu cđa Tingiao (1995) đã sử dụng mơ hình mạng ANN kính đễ dự báo xu "hướng biển động của đồng GBP., JPY, AUD và CEH bằng các chỉ báo kỹ: tuậtđơn giên lâm biến đầu vào Kết quả nghiên của cho thấy mơ bình hồn tồn cĩ khả giúp nhà đầu trđạt được mức lợi nhuận đáng kỹ vọng
Trên c sở dề liệu của cặp tỷ gid CADIUSD, sir dng tituchudn RMSE, hai tc giã sins Gradojere @ Ting Yang (2000), thugengin hing img wong Canad, đã co kế lận về sự ượt tội ong hiệu uả đự báo của mơ hình ng ẨNN so ối io hh tuyé thử Đây cũng là kết luận của AshoE sả Amit C002) tồi ứng dựng mơ hình mạng ANN cổ sự kế hợp với thuậ ốn di uyên để dự báo cuỗi tổ gá của ding matk Dic so ới ơng USD,