Mô hình ARIMA và ANN trong dự báo lạm phát tại việt nam

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CÔNG TRÌNH NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG MÔ HÌNHARIMA VÀ ANN TRONG DỰ BÁO LẠM PHÁT TẠI VIỆT NAM S K C 0 9 MÃ SỐ: T2014-10GVT S KC 0 Tp Hồ Chí Minh, 2014 TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA KINH TẾ BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƢỜNG GIẢNG VIÊN TRẺ MÔ HÌNHARIMA VÀ ANN TRONG DỰ BÁO LẠM PHÁT TẠI VIỆT NAM Mã số: T2014-10GVT Chủ nhiệm đề tài: Th.S Nguyễn Khắc Hiếu TP HCM, 12/2014 MỤC LỤC: MỞ ĐẦU: CHƢƠNG 1: CƠ SỞ LÝ THUYẾT 1.1 Lạm phát 1.2 Các yếu tốt tác động đến lạm phát 1.3 Các mô hình dự báo lạm phát 1.4 Mô hình ARIMA 10 1.5 Mô hình mạng thần kinh nhân tạo 12 1.5.1 Mạng thần kinh ngƣời 12 1.5.2 Mạng thần kinh nhân tạo 13 CHƢƠNG 2: DỮ LIỆU NGHIÊN CỨU 20 2.1 Nguồn liệu 20 2.2 Phân tích biến động liệu 21 CHƢƠNG 3: KẾT QUẢ NGHIÊN CỨU 25 3.1 Ƣớc lƣợng mô hình ARIMA 25 3.2 Xây dựng mô hình mạng thần kinh nhân tạo 28 3.2.1 Mạng thần kinh nhân tạo với biến giải thích độ trễ lạm phát 29 3.2.2 Mô hình ANN với biến giải thích cung tiền giá đầu lãi suất 31 3.3 Kết hợp mô hình arima ann dự báo 36 3.4 So sánh kết dự báo 37 CHƢƠNG 4: KẾT LUẬN VÀ GỢI Ý CHÍNH SÁCH 38 4.1 Kết luận 38 4.2 Một số gợi ý sách 38 TÀI LIỆU THAM KHẢO 41 DANH MỤC HÌNH: Hình 1: Mối liên hệ lạm phát cung tiền Việt Nam Hình 2: Lạm phát theo tháng Việt Nam Hình 3: Cấu tạo nơ-ron thần kinh ngƣời 13 Hình 4: Cấu tạo mạng thần kinh nhân tạo 14 Hình 5: Hàm Sigmoid 18 Hình 6: Tan-hyperbolic 19 Hình 8: Sự biến động lạm phát theo tháng Việt Nam 21 Hình 9: Sự biến động cung tiền theo tháng Việt Nam 22 Hình 10: Sự biến động giá dầu theo tháng Việt Nam 22 Hình 11: Sự biến động lãi suất theo tháng Việt Nam 23 Hình 12: Biểu đồ PACF lạm phát 26 Hình 13: Biểu đồ ACF lạm phát 26 Hình 14: Mức độ quan trọng biến độc lập mô hình ANN-10-5-2-1 35 DANH MỤC BẢNG: Bảng 1: Thống kê mô tả biến số 20 Bảng 2: Thống kê mô tả biến số 23 Bảng 3: Kiểm định tính dừng chuỗi IF 25 Bảng 4: Kết hồi quy mô hình ARIMA(13,0,3) 27 Bảng 5: Kết dự báo mô hình ARIMA(13,0,3) 28 Bảng 6: Kết ƣớc lƣợng mô hình ANN-12-5-1 30 Bảng 7: Ký hiệu mô hình ANN 31 Bảng 8:Các trọng số ƣớc lƣợng mô hình ANN-10-5-2-1 33 Bảng 9: So sánh kết dự báo mô hình ANN 34 Bảng 10: Kết dự báo mẫu mô hình 36 Bảng 11: So sánh kết dự báo 37 DANH MỤC CÁC TỪ VIẾT TẮT Ký hiệu Giải thích ACF AutoCorrelation Function: hàm tự tƣơng quan ANN Artificial Neural Network: mạng thần kinh nhân tạo ARIMA AutoCorrelation Integrated Moving Average CPI Consumer Price Index: số giá tiêu dùng GSO General Statistics Office of Vietnam: Tổng cục thống kê Việt Nam MAE Mean Absolute Error: sai số tuyệt đối trung bình PACF Partial AutoCorrelation Function: hàm tự tƣơng quan riêng phần RMSE Root Mean Square Error: sai số trung bình TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc ĐƠN VỊ Tp HCM, Ngày tháng năm THÔNG TIN KẾT QUẢ NGHIÊN CỨU Thông tin chung:  Tên đề tài: Mô hình ARIMA ANN dự báo lạm phát việt nam  Mã số: T2014-10GVT  Chủ nhiệm: Th.S Nguyễn Khắc Hiếu  Cơ quan chủ trì:Đại học Sƣ Phạm Kỹ Thuật Tp.HCM  Thời gian thực hiện:tháng 12 năm 2013 đến tháng 11 năm 2014 Mục tiêu:  Tìm hiểu lý thuyết mô hình ARIMA ANN  Thu thập liệu lạm phát Việt Nam biến số giải thích có liên quan đến mô hình  Ứng dụng mô hình ARIMA ANN vào dự báo lạm phát cho Việt Nam  Tìm mô hình dự báo lạm phát tối ƣu cho Việt Nam  Đƣa số gợi ý sách Tính sáng tạo: Sự kết hợp mô hình ARIMA ANN dự báo lạm phát Kết nghiên cứu: Sự kết hợp ARIMA ANN tốt việc sử dụng mô hình riêng lẻ Việc sử dụng thêm biến giải thích việc dự báo, mô hình ANN dự báo tốt mô hinh ARDL Sản phẩm: Bài báo:  “Dự báo lạm phát Việt Nam mô hình mạng thần kinh nhân tạo” Tạp chí Phát triển kinh tế, số 286 tháng 08/2014  “Mô hình ARIMA dự báo lạm phát tháng cuối năm” Tạp chí Kinh tế dự báo số 16 (576) Hiệu quả, phƣơng thức chuyển giao kết nghiên cứu khả áp dụng: Trƣởng Đơn vị (ký, họ tên) Chủ nhiệm đề tài (ký, họ tên) INFORMATION ON RESEARCH RESULTS General information: Project title:ARIMA and ANN in forecasting inflation of Vietnam Code number:T2014-10GVT Coordinator: Nguyen Khac Hieu Implementing institution: HCMUTE Duration: from 12/2013 to 11/2014 Objective(s):  Literature review of ARIMA and ANN model  Collecing data of Inflation and independent variables  Applying ARIMA and ANN in forecasting inflation of Vietnam  Choosing the best model for forecasting inflation  Provide some policy implications Creativeness and innovativeness: The combination of ARIMA and ANN models for forecasting inflation Research results: The combination of ARIMA and ANNis better than using the individual models The use of additional explanatory variables in predicting inflation, the ANN model predicted better ARDL model Products: Journal artical:  "Forecasting inflation of Vietnam by artificial neural networks," Journal of Economic Development, No 286, 08/2014  "ARIMA model and forecasting inflation in the last months" Journal of Economics and Forecasts, No 16 (576) Effects, transfer alternatives of reserach results and applicability: MỞ ĐẦU: Tổng quan nghiên cứu trƣớc Dự báo biến số kinh tế vấn đề mà nhà kinh tế nhà hoạchđịnh sách quan tâm lập kế hoạch cho đơn vị Kết dự báo xác kế hoạch lập khả thi Có nhiều mô hình khác đƣợcứng dụng việc dự báo Các mô hình chia làm dạngđó môhình kinh tế lƣợng mô hình mạng thần kinh nhân tạo Mỗi mô hình dự báo cóƣu nhƣợcđiểm riêng Đối vớimô hình hình kinh tế lƣợng, mô hìnhARIMA đƣợc xem lựa chọn tốt Theo Khashei & Bijari (2011) mô hìnhARIMA phù hợp cho việc dự báo quan hệ tuyến tính Còn mối quan hệ phi tuyến, mô hìnhARIMA lựa chọn tốt Mô hình mạng thần kinh nhân tạo (ANN) đƣợc đặt móng vào đầu năm 1940 nhƣng thực phát triển vào năm 1990 khoa học máy tính phát triển Tại Việt Nam, Lê Đạt Chí (2010) đãứng dụng mô hình ANN vào dự báo giá chứng khoán vàđã thu đƣợc kết khả quan Theo Zhang (2003) mô hình ANN phù hợp cho việc dự báo quan hệ phi tuyến Tuy nhiên, biến số kinh tế, giá trị chúng thƣờng có quan hệ vừa có quan hệ tuyến tính vừa có quan hệ phi tuyến giá trị chúng khứ Chính ta sử dụng mô hìnhARIMA ANN để dự báo biến số kết thực chƣa hoàn hảo(Duzgun, 2010) Bài viết nhằm nghiên cứu khả kết hợp mô hìnhARIMA mô hình ANN dự báo lạm phát theo tháng Việt Nam từđóđƣa số kiến nghị liên quan đến việcứng dụng mô hình Mục tiêu nghiên cứu  Tìm hiểu lý thuyết mô hìnhARIMA ANN  Thu thập liệu lạm phát Việt Nam biến số giải thích có liên quan đến mô hình  Ứng dụng mô hình ARIMA ANN vào dự báo lạm phát cho Việt Nam Trang  Tìm mô hình dự báo lạm phát tối ƣu cho Việt Nam  Đƣa số gợiý sách Phạm vi nghiên cứu  Đề tài giới hạn việc sử dụng mô hình ARIMA ANN việc dự báo lạm phát Dữ liệu cho dự báo lạm phát đƣợc sử dụng từ 2004-2013  Đề tài đƣợc thực từ tháng 12-2013 đến tháng 11-2014  Đề tài đƣợc thực khoa kinh tế đại học Sƣ Phạm Kỹ Thuật Tp.HCM, số liệu đƣợc thu thập liệu thứ cấp thông số kinh tế vĩ mô Việt Nam Ý nghĩa thực tiễn Đề tài nhằmứng dụng mạng thần kinh nhân tạo (đƣợcứng dụng rộng rãi kỹ thuật) mô hìnhARIMA vào dự báo lạm phát Việt Nam Đềđài nhằm so sánh hiệu dự báo mô hình ANN vàARIMA nhƣ mô hình hỗn hợp nhằm tìm mô hình dự báo tốt cho Việt Nam Mô hình dự báo công cụ hỗ trợ cho nhà hoạchđịnh sách việcổnđịnh kinh tế vĩ mô kiềm chế lạm phát Đề tài giúpích cho doanh nghiệp nhà đầu từ riêng rẽ, giúp họ có đƣợc công cụ hữuích việc dự báo biến số kinh tế tƣơng lai Bố cục đề tài Nội dung đề tài bao gồm chƣơng: Chƣơng 1: Cơ sở lý thuyết Trình bày tóm tắt nghiên cứu có liên quan, lý thuyếtnền tảng cho việc nghiên cứu đề tài.Đó lý thuyết lạm phát, lý thuyết mạng thần kinh nhân tạo lý thuyết mô hìnhARIMA Chƣơng 2: Phƣơng pháp nghiên cứu Phƣơng phátđịnh lƣợng dự báo đƣợc sử dụng, mà tiêu tiểu mô hình mạng thần kinh nhân tạo mô hìnhARIMA Chƣơng trình bày Trang cách vận hành mạng thần kinh nhân tạo cách thiết lập mạng thần kinh phù hợp với yêu cầu đặt Chƣơng 3: Kết nghiên cứu Các kết nghiên cứu mô hình ANN vàARIMA đƣợc trình bày Đồng thời tác giả so sánh hiệu dự báo mô hình thông qua tiêu RMSE MAE Chƣơng 4: Kết luận kiến nghị Các kết luận đƣợc rút số đề xuất tác giả liên quan đến đề tài Trang CHƢƠNG 1: CƠ SỞ LÝ THUYẾT 1.1 Lạm phát “Lạm phát tình trạng mức giá chung kinh tế tăng lên khoảng thời gian định” (Nguyễn Nhƣ Ý, 2007, trang 75) Lạm phát theo năm đƣợc tính theo công thức: 𝐿ạ𝑚𝑝ℎá𝑡 = 𝐶ℎỉ𝑠ố𝑔𝑖á𝑛ă𝑚𝑡 −𝐶ℎỉ𝑠ố𝑔𝑖á𝑛ă𝑚𝑡 −1 𝐶ℎỉ𝑠ố𝑔𝑖á𝑛ă𝑚𝑡 −1 Chỉ số giá thƣờng đƣợc dùng tính lạm phát số giá tiêu dùng CPI Karl Marx nghiên cứu chế độ vị vàng khẳng định: việc phát hành tiền giấy phải đƣợc giới hạn số lƣợng vàng định đại diện tiền giấy Nếu không đảm bảo điều này, lƣợng tiền giấy vƣợt mức giới hạn tiền giấy dần giấy trị làm gia tăng mức giá chung tất loại hàng hóa tình trạng lạm phát xuất Theo đó, lạm phát, dƣới quan điềm Karl Marx, đƣợc định nghĩa nhƣ sau: lạm phát việc kênh, luồng lƣu thông tràn đầy tờ giấy bạc dƣ thừa dẫn đến tăng vọt mức giá chung Milton Friendman phát biểu lạm phát bàn vấn đề lƣu thông tiền tề: lạm phát lúc nơi tƣợng lƣu thông tiền tệ Lạm phát xuất xuất số lƣợng tiền lƣu thông tăng nhanh so với sản xuất Tuy nhiên, John Keynes với thuyết cầu cho nguồn gốc sâu xa lạm phát biến động cung cầu Khi cung vƣợt xa cầu sản xuất đình đốn, kinh tế bị suy giảm Lúc đó, Nhà Nƣớc buộc phải tung khoản chi tiêu, đầu tƣ công lớn, tăng cƣờng sách tín dụng nhằm kéo mức cầu kinh tế cân vƣợt qua tổng cung Lúc này, lạm phát xuất Trong trƣờng hợp kinh tế phát triển hiệu quả, áp dụng tiến khoa học kỹ thuật, cấu kinh tế đƣợc đổi thành công; lạm phát có tác dụng thúc đẩy sản xuất Ngƣợc lại, lạm phát, theo Keynes, không động lực phát triển kinh tế Trang Nhìn chung, dƣới quan điểm lạm phát đƣợc đặc trƣng điểm yếu sau:  Sự gia tăng mức lƣợng tiền lƣu thông  Dẫn đến giá đồng tiền  Từ đó, khiến cho giá loại mặt hàng tăng cao 1.2 Các yếu tốt tác động đến lạm phát Trong “The general theory of employment, interest and momey” Keynes (1936)khẳng định: dài hạn lạm phát chịu tác động trực tiếp từ cung tiền, ngắn hạn lạm phát chịu tác động tổng cung tổng cầu Có nhiều yếu tố tác động làm dịch chuyển tổng cung tổng cầu Sau xem xét số yếu tố tác động đến tổng cung tổng cầu từ tác động đến lạm phát Cung tiền Khi cung tiền tăng, ngƣời dân có nhiều tiền dƣ thừa họ có nhu cầu tiêu thụ nhiều hàng hoá dịch vụ hơn, đƣờng tổng cầu dịch chuyển sang phải từ làm cho mức giá chung tăng lên Các kết nghiên cứu thực nghiệm khẳng định cung tiền yếu tố có tác động đến lạm phát, tiêu biểu nghiên cứu Sử Đình Thành (2012) vàPhạm Thị Thu Trang (2009) Các nghiên cứu kết luận cung tiền cóảnh hƣởng tích cực đến lạm phát Hình vẽ sau nói lên mối liên hệ lạm phát cung tiền theo năm Việt Nam Hình 1: Mối liên hệ lạm phát cung tiền Việt Nam Trang Nguồn: Ngân hàng phát triển châu Á (ADB) Từ biểu đồ ta thấy, lạm phát cung tiền có xu hƣớng biến đổi nhau, đặc biệt giai đoạn lạm phát cao trƣớc năm 1990 Mức độ thay đổi cung tiền trung bình cao lạm phát từ 10-20% Lãi suất Cũng theo Keynes (1936), ngắn hạn lãi suất thay đổi để điều chỉnh cung cầu tiền tệ Cung cầu tiền tệ tác động đến tiết kiệm đầu tƣ, từ tác động đến tổng cầu làm thay đổi mức giá chung nên kinh tế Theo nghiên cứu Nguyễn Trọng Hoài (2010), ngân hàng vận dụng luật Taylor để ấn định mức lãi suất mà kinh tế đạt đƣợc sản lƣợng mục tiêu lạm phát mục tiêu Do đó, lãi suất yếu tố có tác động đến mức giá chung kinh tế Tuy nhiên Việt Nam, ngân hàng trung ƣơng chƣa vận dụng nguyên tắc mà chủ yếu điều chỉnh lãi suất để đạt đƣợc mức lạm phát mục tiêu Mức sản lƣợng mục tiêu điểu chỉnh thông qua đầu tƣ Mùa vụ Lạm phát Việt Nam đƣợc thu thập theo tháng theo năm Lạm phát đƣợc thu thập theo tháng thƣờng mang tính mùa Tại Việt Nam, giá vào tháng Tết thƣờng cao tháng khác nhu cầu mua sắm lại tăng cao Biểu đồ Trang lạm phát theo tháng sau cho ta thấy tính mùa vụ lạm phát Đỉnh lạm phát thƣờng rơi vào tháng tháng đáy thƣờng rơi vào tháng năm Hình 2: Lạm phát theo tháng Việt Nam Nguồn: Tổng cục thống kê (GSO) Sau năm 2007, lạm phát có diễn biến bất thƣờng chịu ảnh hƣởng suy thoái kinh tế giới nhƣ gia tăng cung tiền mức phủ Tuy nhiên, lạm phát có xu hƣớng cao vào tháng Tết Do khoản thời gian không phản ảnh đƣợc tính mùa vụ rõ ràng nên tác giả không đƣa vào đồ thị Giá dầu giới Xăng dầu chiếm tỷ trọng lớn chi phí sản xuất doanh nghiệp Do đó, việc biến động giá xăng dầu dẫn đến chi phí sản xuất dẫn đến biến động giá bán đầu Theo nghiên cứu Portes (2012) Trung Mỹ Caribbe, giá xăng dầu không ảnh hƣởng đến lạm phát mà ảnh hƣởng đến số biến số vĩ mô khác Tại Việt Nam, phủ có sách bình ổn giá xăng dầu, nhƣng việc biến động giá xăng dầu Việt Nam theo xu hƣớng giá giới, quỹ bình ổn giá phủ có hạn Do đó, việc xem xét tác động Trang giá dầu giới đến lạm phát Việt Nam việc làm cần thiết Tại Việt Nam, lần tăng giá xăng dầu, có sóng tăng giá lên Một số nhân doanh nghiệp tăng giá đơn giản họ kỳ vọng giá mặt hàng khác tăng tƣơng ứng Các độ trễ lạm phát Theo nghiên cứu Phạm Thị Thu Trang (2009), ngƣời dân có khuynh hƣớng kỳ vọng lạm phát tƣơng lai tƣơng tự nhƣ lạm phát khứ Do đó, giá trị lạm phát phụ thuộc vào giá trị khứ Vì vậy, độ trễ lạm phát biến cần thiết đƣợc đƣa vào mô hình để dự báo cho lạm phát Tuy nhiên, để biết đƣợc độ trể thích hợp cần phải có phân tích chi tiết Thiên tai Việt Nam nằm vùng chịu ảnh hƣởng nhiều bão lũ lụt Mỗi địa phƣơng bị thiên tai giá hàng hoá khu vực gia tăng Nếu thiên tai lớn mức độ ảnh hƣởng đến giá lớn Tuy nhiên Việt Nam nhƣ giới có công trình nghiên cứu vấn đề Lý thiên tai không xảy thƣờng xuyên thông số kinh tế đƣợc báo cáo hàng năm Các số liệu thiên tai thƣờng không xác, thu thập thiếu số địa phƣơng cố gắng thổi phồng thật để nhận đƣợc nhiều tiền trợ cấp Tác giả hy vọng, vấn đề đƣợc nghiên cứu thời gian tới 1.3Các mô hình dự báo lạm phát Trong giới hạn viết tác giả chia mô hình dự báo lạm phát làm hai nhóm: nhóm mô hình kinh tế lƣợng nhóm mô hình ANN Các mô hình kinh tế lƣợng: Trong thực tế, có nhiều mô hình kinh tế lƣợng đƣợc ứng dụng vào dự báo lạm phát đặc biệt mô hình chuỗi thời gian nhƣ AR, VAR, ARDL, ARIMA…v.v Tại Việt Nam, Vũ Sỹ Cƣờng (2011) sử dụng mô hình VAR để phân tích lạm phát khẳng định lạm phát Việt Nam chịu ảnh hƣởng rõ rệt từ sách tài Trang khoá Sử Đình Thành (2012) sử dụng mô hình ARDL để phân tích mối quan hệ lạm phát thâm thụt ngân sách từ đƣa gợi ý sách điều hành kinh tế vĩ mô Tại Mỹ, Binner cộng (2006) ứng dụng mô hình AR vào dự báo lạm phát, nhiên nhóm tác giả khẳng định dự báo lạm phát mô hình AR không tốt mô hình tự hồi quy Markov (MS-AR) Tại Bangladesh, Faisal (2012) ứng dụng mô hình ARIMA để dự báo lạm phát đồng thời đƣa gợi ý sách để kiểm soát lạm phát điều hành kinh tế vĩ mô Ngoài mô hình chuỗi thời gian tuyến tính, mô hình phi tuyến đƣợc sử dụng để dự báo lạm phát Điển hình Michael Dotsey cộng (2011) nghiên cứu khả ứng dụng đƣờng cong Philip dự báo lạm phát khẳng định dự báo lạm phát đƣờng cong này, đặc biệt kinh tế yếu (weak economies) Nguyễn Trọng Hoài (2010) sử dụng luật Taylor để phân tích lạm phát đƣa gợi ý sách điều hành kinh tế vĩ mô Các mô hình ANN: Bên cạnh mô hình kinh tế lƣợng, có nhiều công trình nghiên cứu ứng dụng mạng thần kinh nhân tạo dự báo lạm phát khẳng định tính ƣu việt mô hình so với mô hình kinh tế lƣợng Moshiri & Cameron (2000) khẳng định: dài hạn lạm phát (tại Canada) đƣợc dự báo mô hình ANN cho kết tốt so với mô hình VAR ARIMA Tại Mỹ, Nakamura (2005) sử dụng mô hình ANN để dự báo lạm phát, kết cho thấy ngắn hạn mô hình ANN dự báo tốt mô hình AR Ngoài ra, McNelis & McAdam (2005) khẳng định: lạm phát có quan hệ phi tuyến với biến số kinh tế khác, họ sử dụng mô hình “thick model”, kết hợp nhiều mạng ANN để dự báo lạm phát Mỹ số quốc gia Châu Âu Kết cho thấy, mô hình ANN dự báo không thua so với mô hình hồi quy tuyến tính Tiếp theo, Haider Hanif (2009) ứng dụng mô hình ANN, AR(1) ARIMA dự báo lạm phát Pakistan khẳng định mô hình ANN dự báo xác AR(1) ARIMA Duzgun (2010) sử dụng mô hình ANN để dự báo lạm phát Thổ Nhĩ Kỳ khẳng định: mô hình Trang ANN dự báo lạm phát vƣợt trội so với mô hình ARIMA Còn Việt Nam, Lê Đạt Chí (2010) ứng dụng mô hình ANN vào dự báo giá chứng khoán Tp.HCM kết luận: mô hình ANN cho kết dự báo xác mô hình hồi quy tuyến tính truyền thống Gần đây, Choudhary & Haider (2012) ứng dụng mô hình ANN AR(1) dự báo lạm phát 28 quốc gia thuộc Tổ chức Hợp tác Phát triển Kinh tế (OECD) khẳng định: mô hình ANN giải thích đƣợc 45% biến động lạm phát mô hình AR(1) giải thích đƣợc 23% biến động lạm phát Ngoài công trình khẳng định tính ƣu việt, có công trình nêu hạn chế mô hình ANN Zhang cộng (1998) khẳng định mô hình ANN dự báo tốt cho trƣờng hợp phi tuyến mối quan hệ tuyến tính, mô hình ANN dự báo không tốt mô hình hồi quy tuyến tính Trong nghiên cứu khác Binner cộng (2010) lạm phát kinh tế Mỹ, nhóm tác giả kết luận mô hình KRLS dự báo tốt mô hình ANN Ngoài ra, nghiên cứu Zhang (2003); Khashei & Bijari (2011) kết luận thêm mô hình lai tạo (hybrid model) ANN ARIMA cho kết dự báo tốt sử dụng mô hình đơn lẻ Tóm lại, có nhiều kết luận khác liên quan đến hiệu dự báo mô hình ANN tùy thuộc vào quốc gia tùy thuộc vào liệu mà nhà nghiên cứu sử dụng Trong phần tiếp theo, tác giả trình bày kỹ ANN hiệu dự báo so với mô hình hồi quy tuyến tính mà đặc biệt mô hìnhARIMA, sử dụng liệu kinh tế vĩ mô Việt Nam 1.4Mô hìnhARIMA Mô hìnhARIMA xuất phát từ tên tiếng Anh Autoregressive Integrated Moving Average Mô hình lần đƣợcđƣa Box–Jenkins1 vào năm 1970 Mô hình đƣợc kết hợp thành thành phần chính: AR (thành phần tự hồiquy), I Box, George; Jenkins, Gwilym (1970) Time series analysis: Forecasting and control, San Francisco: Holden-Day Trang 10 (tính dừng chuỗi thời gian) MA (thành phần trung bình trƣợt) Theo Gujarati (2004), để ƣớc lƣợng mô hìnhARIMA ta cầnđi qua bƣớc sau: Bƣớc 1: Nhận dạng mô hình Đểáp dụng mô hìnhARIMA(p,d,q) vào dự báo trƣớc tiên ta phải nhận dạng ba thành phần p,d, q mô hình Thành phần d mô hình đƣợc nhận dạng thông qua kiểmđịnh tính dừng chuỗi thời gian Nếu chuỗi thời gian dừng ta có I(d=0), sai phân bậc chuỗi dừng ta có I(d=1), sai phân bậc chuỗi dừng ta có I(d=2)…v.v Phƣơng pháp kiểmđịnh tính dừng thƣờng đƣợcáp dụng kiểm định Dickey-fuller2 Sau kiểmđịnh tính dừng, ta xácđịnh bậc thành phầnAR MA thông qua biểu đồ tự tƣơng quan (ACF) biểu dồ tự tƣơng quan riêng phần (PACF) Đối với thành phầnAR(p), mối quan hệ giá trị khứ đƣợc thể qua phƣơng trình sau: Yt    1Yt 1   2Yt 2    pYt  p (1) Giá trị p đƣợc nhận dạng thông qua biểu đồ PACF vàACF Nếu chuỗi có dạngAR(p) biểu đồ PACF có hệ số tƣơng quan riêng phần cóý nghĩa thống kê từ 1,2…p giá trị sau giảm nhanh không, đồng thờiACF có hệ số tƣơng quan giảm dần không Đối với thành phần MA(q), ta có phƣơng trình: Yt     0ut   1ut 1   2ut 2   q ut q (2) Nếu chuỗi có dạng MA(q) biểu đồACF có hệ số tƣơng quan cóý nghĩa thống kê từ 1,2…q giá trị sau giảm nhanh không Còn PACF hệ số tƣơng quan riêng phần giảm dần không Kết hợp (1) (2) ta có mô hìnhARMA(p,q) Dickey, D A.; Fuller, W A (1979) "Distribution of the Estimators for Autoregressive Time Series with a Unit Root" Journal of the American Statistical Association 74 (366): 427–431 JSTOR 2286348 Trang 11 Yt    1Yt 1   2Yt 2    pYt  p   0ut   1ut 1   2ut 2    q ut q (3) Bƣớc 2: Ƣớc lƣợng tham số lựa chọn mô hình Các tham số mô hình đƣợc ƣớc lƣợng phần mềm Eview Quá trình lựa chọn mô hình trình thực nghiệm so sánh tiêu chí R2 hiệu chỉnh, AIC Schwarz ta chọn đƣợc mô hình tốt cho việc dự báo Bƣớc 3: Kiểm định mô hình Đểđảm bảo mô hình phù hợp, sai số mô hình phải nhiễu trắng (white noice) Ta sử dụng biểu đồ tự tƣơng quan ACF kiểmđịnh BreuschGodfrey kiểm tra tính tự tƣơng quan sai số Đối với phƣơng sai sai số thay đổi, ta sử dụng kiểmđịnhWhite hoặcARCH Bƣớc 4: Dự báo Sau kiểmđịnh sai số, mô hình phù hợp, mô hình đƣợc sử dụng vào việc dự báo Dự báo bao gồm phần chínhđó là: dự báo mẫu dự báo mẫu Các tiêu chí đƣợc sử dụngđể so sánh hiệu dự báo RMSE MAE 1.5Mô hình mạng thần kinh nhân tạo 1.5.1 Mạng thần kinh ngƣời Mạng thần kinh nhân tạo đƣợc mô theo mạng thần kinh ngƣời, ta cần phải tìm hiểu mạng thần kinh ngƣời trƣớc tìm hiểu sâu mạng thần kinh nhân tạo Theo nhà sinh học nghiên cứu não bộ, não ngƣời đƣợc cấu thành 100 tỷ tế bào đƣợc gọi nơ-ron thần kinh Mỗi nơron bao gồm thành phần nhân tế bào, tua gai sợi trục (hình1) Trang 12 Tua gai Nhân tế bào Sợi trục Hướng truyền xung điện Đến nơron kế Hình 3: Cấu tạo nơ-ron thần kinh ngƣời Mỗi nơ-ron thực nhiệm vụ tiếp nhận tín hiệu đầu vào, xử lý chúng tạo tín hiệu đầu Các tín hiệu có dạng xung điện, đƣợc tạo từ phản ứng hóa học phức tạp Bộ phận đầu vào tiếp nhận xung thần kinh tín hiệu đầu nơ-ron khác thông qua khớp thần kinh Khi tiếp nhận tín hiệu đầu vào này, phận xử lý trung tâm nơ-ron tổng hợp chúng lại so sánh với mức “ngƣỡng phản ứng đầu ra” Nếu tổng tín hiệu kích thích đầu vào vƣợt qua mức ngƣỡng nơ-ron đƣợc kích hoạt phản ứng lại cách tạo tín hiệu đầu ra, truyền tín hiệu đầu đến nơ-ron khác Mức độ phản ứng nơ-ron phụ thuộc vào mức độ kích thích đầu vào thân nơron Khi tín đƣợc lan truyền nơ-ron lặp lặp lại nhiều lần dần hình thành nên hệ thống mạng lƣới nơ-ron đƣợc kích hoạt đồng thời hay lối mòn đƣờng truyền tín hiệu Đây nguồn gốc mà não ngƣời nhận dạng mẫu hình từ khứ phản ứng lại thông tin phức tạp từ bên 1.5.2 Mạng thần kinh nhân tạo Mô theo mạng thần kinh ngƣời, mạng thần kinh nhân tạo (ANN) đƣợc McCulloch Pit giới thiệu vào năm 1943 Nó tập tập hợp Trang 13 S K L 0 [...]... khẳng định mô hình ANN dự báo chính xác hơn AR(1) và ARIMA Duzgun (2010) sử dụng mô hình ANN để dự báo lạm phát tại Thổ Nhĩ Kỳ và khẳng định: mô hình Trang 9 ANN dự báo lạm phát vƣợt trội hơn so với mô hình ARIMA Còn tại Việt Nam, Lê Đạt Chí (2010) đã ứng dụng mô hình ANN vào dự báo giá chứng khoán tại Tp.HCM và kết luận: mô hình ANN cho ra kết quả dự báo chính xác hơn mô hình hồi quy tuyến tính truyền... nhân tạo trong dự báo lạm phát và đã khẳng định tính ƣu việt của mô hình này so với mô hình kinh tế lƣợng Moshiri & Cameron (2000) khẳng định: trong dài hạn lạm phát (tại Canada) đƣợc dự báo bằng mô hình ANN cho kết quả tốt hơn so với mô hình VAR và ARIMA Tại Mỹ, Nakamura (2005) cũng sử dụng mô hình ANN để dự báo lạm phát, kết quả cho thấy trong ngắn hạn mô hình ANN dự báo tốt hơn mô hình AR Ngoài ra,... 1.3Các mô hình dự báo lạm phát Trong giới hạn của bài viết này tác giả chia các mô hình dự báo lạm phát ra làm hai nhóm: nhóm các mô hình kinh tế lƣợng và nhóm các mô hình ANN Các mô hình kinh tế lƣợng: Trong thực tế, có nhiều mô hình kinh tế lƣợng đƣợc ứng dụng vào dự báo lạm phát đặc biệt là những mô hình chuỗi thời gian nhƣ AR, VAR, ARDL, ARIMA v.v Tại Việt Nam, Vũ Sỹ Cƣờng (2011) đã sử dụng mô hình. .. định: lạm phát có quan hệ phi tuyến với những biến số kinh tế khác, họ đã sử dụng mô hình “thick model”, một sự kết hợp nhiều mạng ANN để dự báo lạm phát Mỹ và một số quốc gia Châu Âu Kết quả cho thấy, mô hình ANN dự báo không thua kém gì so với mô hình hồi quy tuyến tính Tiếp theo, Haider và Hanif (2009) cũng ứng dụng mô hình ANN, AR(1) và ARIMA dự báo lạm phát tại Pakistan và khẳng định mô hình ANN dự. .. dụng mô hình ANN và AR(1) dự báo lạm phát tại 28 quốc gia thuộc Tổ chức Hợp tác và Phát triển Kinh tế (OECD) và khẳng định: mô hình ANN giải thích đƣợc 45% sự biến động của lạm phát trong khi mô hình AR(1) chỉ giải thích đƣợc 23% sự biến động của lạm phát Ngoài những công trình khẳng định tính ƣu việt, cũng có những công trình nêu ra những hạn chế của mô hình ANN Zhang và cộng sự (1998) khẳng định mô hình. .. tích lạm phát và khẳng định lạm phát tại Việt Nam chịu ảnh hƣởng rõ rệt từ chính sách tài Trang 8 khoá Sử Đình Thành (2012) đã sử dụng mô hình ARDL để phân tích mối quan hệ giữa lạm phát và thâm thụt ngân sách từ đó đƣa ra những gợi ý chính sách trong điều hành kinh tế vĩ mô Tại Mỹ, Binner và cộng sự (2006) đã ứng dụng mô hình AR vào dự báo lạm phát, tuy nhiên nhóm tác giả khẳng định dự báo lạm phát. .. dự báo lạm phát bằng mô hình AR không tốt bằng mô hình tự hồi quy Markov (MS-AR) Tại Bangladesh, Faisal (2012) đã ứng dụng mô hình ARIMA để dự báo lạm phát đồng thời đƣa ra những gợi ý chính sách để kiểm soát lạm phát và điều hành kinh tế vĩ mô Ngoài những mô hình chuỗi thời gian tuyến tính, những mô hình phi tuyến cũng đƣợc sử dụng để dự báo lạm phát Điển hình là Michael Dotsey và cộng sự (2011) đã... giữa ANN và ARIMA cho ra kết quả dự báo tốt hơn khi sử dụng những mô hình này đơn lẻ Tóm lại, có nhiều kết luận khác nhau liên quan đến hiệu quả dự báo của mô hình ANN tùy thuộc vào từng quốc gia và tùy thuộc vào bộ dữ liệu mà nhà nghiên cứu sử dụng Trong những phần tiếp theo, tác giả sẽ trình bày kỹ hơn về ANN và hiệu quả dự báo của nó so với mô hình hồi quy tuyến tính mà đặc biệt là mô hìnhARIMA,... định mô hình ANN chỉ dự báo tốt cho trƣờng hợp phi tuyến còn đối với những mối quan hệ tuyến tính, mô hình ANN dự báo không tốt bằng mô hình hồi quy tuyến tính Trong một nghiên cứu khác của Binner và cộng sự (2010) về lạm phát tại nền kinh tế Mỹ, nhóm tác giả kết luận mô hình KRLS dự báo tốt hơn mô hình ANN Ngoài ra, nghiên cứu của Zhang (2003); Khashei & Bijari (2011) còn kết luận thêm mô hình lai tạo... dụng kiểmđịnhWhite hoặcARCH Bƣớc 4: Dự báo Sau khi kiểmđịnh sai số, nếu mô hình là phù hợp, mô hình sẽ đƣợc sử dụng vào việc dự báo Dự báo bao gồm 2 phần chínhđó là: dự báo trong mẫu và dự báo ngoài mẫu Các tiêu chí đƣợc sử dụngđể so sánh hiệu quả dự báo là RMSE và MAE 1. 5Mô hình mạng thần kinh nhân tạo 1.5.1 Mạng thần kinh con ngƣời Mạng thần kinh nhân tạo đƣợc mô phỏng theo mạng thần kinh con ngƣời,