mạng nơ ron nhân tạo
MỤC LỤC Tóm tắt đề tài Danh mục hình Chương 1: Mơ hình Neural Network dự báo tài 1.1 Giới thiệu sơ lược mơ hình Neural Network 1.2 Nền tảng mơ hình Neural Network 1.3 Hoạt động Neural Network 1.4 Các mơ hình mạng Neural Network 1.4.1 Các dạng mơ hình Neuron Mơ hình cấu trúc Neuron Mơ hình Neuron với vectơ nhập 1.4.2 Các dạng mơ hình Mơ hình mạng lớp Neuron Mơ hình mạng nhiều lớp Neuron 1.5 Mơ hình Backpropagation Neural Network 1.5.1 Hoạt động mạng Backpropagation 1.5.2 Các thông số phổ biến thiết kế Backpropagation 1.5.3 Mục đích, cơng dụng mơ hình Neural Network Chương 2: Các bước thiết kế mơ hình dự báo Neural Network 2.1 Sơ lược việc thiết kế mơ hình dự báo Neural Network 11 2.2 Quá trình lựa chọn biến số 11 2.3 Quá trình thu thập liệu 13 2.4 Quá trình xử lý phân tích liệu 13 2.5 Phân chia liệu cho giai đoạn: huấn luyện, kiểm tra công nhận 16 2.6 Xác định thông số cho Neural Network 18 2.6.1 Tính tốn số lượng lớp ẩn 18 2.6.2 Tính tốn số lượng neuron ẩn 19 2.6.3 Tính tốn số lượng neuron đầu 21 2.6.4 Xác định loại hàm truyền 21 2.7 Xác định tiêu chuẩn đánh giá kết 22 2.8 Lựa chọn kiểu huấn luyện mơ hình Neural Network 23 2.8.1 Xác định thông số lặp lại trình huấn luyện 23 2.8.2 Lựa chọn learning rate momentum 26 2.9 Tiến hành thực mơ hình 27 Chương 3: Ứng dụng Neural Network vào thị trường tài Việt Nam 3.1 Dự báo kinh tế Việt Nam 2008 29 3.1.1 Lạm phát 30 3.1.2 Tỷ giá hối đoái 30 3.1.3 Kinh tế đoái ngoại 31 3.2 Lựa chọn phần mềm xử lý mơ hình 31 3.3 Cách thức thu thập xử lý liệu thô 33 3.3.1 Các nhân tố ảnh hưởng thị trường chứng khoán Việt Nam 33 3.3.2 Cách thức thu thập điều chỉnh liệu đầu vào 34 3.3.3 Tổ chức file liệu 36 3.3.4 Phân tích biến đầu vào Data Manager 36 3.4 Quá trình xử lý mơ hình phân tích kết 37 3.4.1 Cách thực chạy chương trình Neuro Solutions 37 3.4.2 Kết nhận từ phần mềm Neuro Solutions 38 3.4.3 Kết dự báo VN-INDEX từ tháng 4/2008 đến tháng 5/2008 39 3.4.4 Phân tích kết 39 3.5 Chứng ứng dụng mô hình Neural Network 40 3.5.1 Jason E.Kutsurelis ứng dụng mơ hình Neural Network để dự báo S&P 500 40 3.5.2 Trường hợp 1: Đầu giá lên từ tháng năm 1994 41 3.5.3 Trường hợp 2: Sự sụp đổ vào tháng 10 năm 1986 44 3.5.4 Kết thử nghiệm cho hai trường hợp 47 Kết luận Tài liệu tham khảo Phụ lục CHƯƠNG 1: MƠ HÌNH NEURAL NETWORK TRONG DỰ BÁO TÀI CHÍNH 1.1 GIỚI THIỆU SƠ LƯỢC VỀ MƠ HÌNH NEURAL NETWORK Neural Network vài năm trở lại nhiều người quan tâm áp dụng thành công nhiều lĩnh vực khác nhau, tài chính, y tế, địa chất vật lý Thật vậy, đâu có vấn đề dự báo, phân loại điều khiển, Neural Network ứng dụng Sự thành cơng nhanh chóng mạng Neural Network số nhân tố sau: Năng lực : Neural Network kỹ thuật mơ tinh vi, có khả mô hàm phức tạp Đặc biệt, Neural Network hoạt động phi tuyến Trong nhiều năm, mơ hình tuyến tính kỹ thuật sử dụng rộng rãi hầu hết lĩnh vực, mơ hình tuyến tính có tính chiến lược tối ưu hóa biết nhiều Dễ sử dụng : Neural Network có tính học theo ví dụ Người sử dụng Neural Network thu thập liệu đặc trưng, sau gọi thuật tốn huấn luyện để tự học cấu trúc liệu Mặc dù người sử dụng làm tất điều cần thiết để chọn chuẩn bị liệu, sử dụng loại mạng phù hợp hiểu kết quả, mức độ người sử dụng biết cách áp dụng thành công Neural Network thấp nhiều người sử dụng phương pháp thống kê truyền thống… 1.2 NỀN TẢNG CỦA MÔ HÌNH NEURAL NETWORK Neural Network phát triển từ nghiên cứu trí tuệ nhân tạo; đặc biệt cố gắng bắt chước não có cấu trúc cấp thấp khả học chấp nhận sai hệ thống neuron sinh học Bộ não người gồm số lớn neuron (khoảng 10.000.000.000 neuron) kết nối với (trung bình neuron kết nối với hàng chục ngàn neuron khác) Mỗi neuron tế bào đặc biệt, truyền tín hiệu điện Neuron có cấu trúc rễ ngõ vào, thân tế bào cấu trúc rễ ngõ (sợi thần kinh) Các sợi thần kinh tế bào kết nối với tế bào khác thơng qua synapse Khi neuron kích hoạt, tạo xung điện hóa học dọc theo sợi thần kinh Tín hiệu qua synapse đến neuron khác, tiếp tục bị kích hoạt Neuron hoạt động tất tín hiệu nhận thân tế bào thông qua rễ ngõ vào vượt mức (ngưỡng hoạt động) Cường độ tín hiệu thu neuron phụ thuộc vào độ nhạy synapse Chỉ có việc học làm thay đổi cường độ kết nối synapse Do đó, từ số lớn đơn vị xử lý đơn giản (mỗi đơn vị thực tổng trọng số ngõ vào sau kích hoạt tín hiệu nhị phân tổng ngõ vào vượt ngưỡng), não điều khiển để hoạt động cơng việc phức tạp Dĩ nhiên, phức tạp hoạt động não khơng thể trình bày hết, dù mạng trí tuệ nhân tạo đạt vài kết đáng ý với mơ hình khơng phức tạp não 1.3 HOẠT ĐỘNG CỦA MỘT NEURAL NETWORK Mỗi neuron nhận số ngõ vào (từ liệu gốc, hay từ ngõ neuron khác mạng) Mỗi kết nối đến ngõ vào có cường độ (hay trọng số), trọng số tương ứng với tác dụng synapse neuron sinh học Mỗi neuron có giá trị ngưỡng Tín hiệu truyền qua hàm kích hoạt (hay cịn gọi hàm truyền) tạo giá trị ngõ neuron Nếu sử dụng hàm truyền nấc (nghĩa ngõ neuron ngõ vào nhỏ 0, ngõ vào lớn hay 0) neuron hoạt động giống neuron sinh học Thực tế, hàm nấc sử dụng mạng trí tuệ nhân tạo Lưu ý trọng số âm, nghĩa synapse có tác dụng kiềm chế kích hoạt neuron, neuron kiềm chế tìm thấy não Trên mô tả neuron đơn lẻ Trong thực tế neuron kết nối với Khi mạng hoạt động, chúng phải có ngõ vào (mang giá trị biến giới thực) ngõ (dùng để dự báo điều khiển) Ngõ vào ngõ tương ứng với neuron giác quan vận động, tín hiệu đưa vào mắt điều khiển cánh tay Tuy nhiên chúng cịn có neuron ẩn đóng vai trị ẩn mạng Ngõ vào, neuron ẩn ngõ cần kết nối với Ta có mạng Neural Network tiến (feed-forward) cho hình Các neuron xếp theo cấu trúc liên kết lớp riêng biệt Lớp ngõ vào neuron thực: neuron hoạt động đơn giản giới thiệu giá trị biến vào Các neuron lớp ẩn lớp ngõ kết nối với tất neuron lớp trước Cũng định nghĩa mạng có kết nối phần với vài neuron lớp trước đó; nhiên, hầu hết ứng dụng mạng có kết nối đầy đủ tốt Hình 1.1 Cấu trúc Neural Network Khi mạng hoạt động, giá trị biến ngõ vào đặt vào neuron ngõ vào, sau neuron lớp ẩn lớp ngõ kích hoạt Mỗi neuron tính giá trị kích hoạt chúng cách lấy tổng trọng số ngõ neuron lớp trước đó, trừ cho ngưỡng Giá trị kích hoạt truyền qua hàm kích hoạt tạo giá trị ngõ neuron Khi toàn mạng hoạt động, ngõ lớp ngõ hoạt động ngõ toàn mạng 1.4 CÁC MƠ HÌNH MẠNG NEURAL NETWORK CƠ BẢN Mơ hình mạng Neural tổng qt có dạng theo hình 1.2 Hình 1.2 Mơ hình mạng Neural tổng qt Ngày nay, mạng Neural Network giải nhiều vấn đề phức tạp người, áp dụng nhiều lĩnh vực nhận dạng, định dạng, phân loại, xử lý tín hiệu, hình ảnh v.v… 1.4.1 Các dạng mơ hình Neuron Mơ hình cấu trúc Neuron Ngõ vào neuron đại lượng vơ hướng có hướng, đại lượng nhân với trọng số tương ứng để đưa vào neuron, cộng thêm ngưỡng (bias), thường Hình 1.3 mơ hình neuron với ngõ vào vơ hướng p khơng có ngưỡng b có ngưỡng b Ngõ vào vơ hướng p nhân với trọng số vô hướng w tạo thành wp, đối số wp qua hàm truyền f cho kết đầu vô hướng a = f(wp) Hình bên phải neuron có ngưỡng b, giá trị b cộng với wp qua hàm truyền f cho kết đầu vô hướng a = f(wp+b) Có thể điều chỉnh thơng số neuron trọng số ngưỡng (w b) để đạt yêu cầu mong muốn nghĩa “huấn luyện” mạng Hình 1.3 Mơ hình cấu trúc Neuron Mơ hình Neuron với vector nhập Một neuron cho hình 1.4 với vector nhập p = [p1, p2, ……pR ], trọng số W = w1,1, w1,2,……w1,R, ngưỡng b hàm truyền f Tổng đối số ngưỡng tạo ngõ n là: n = w1,1p1 + w1,2,p2 + ……w1,R pR + b hay n = W*p + b Nếu có nhiều neuron cách biểu diễn khơng hiệu quả, định nghĩa lớp gồm nhiều neuron theo hình 1.5 Hình 1.4 Mơ hình Neuron với vector nhập Hình 1.5 Một lớp gồm nhiều neuron 1.5.1 Các dạng mạng mơ hình Mơ hình mạng lớp Neuron Trong hình mơ tả lớp neuron với : R : số phần tử vectơ đầu vào S : số neuron lớp a : vector ngõ lớp neuron Hình 1.6 Mơ hình mạng lớp Neuron Ma trận trọng số W : w1,1 w ,1 W wS ,1 w1, w1, wS , w1, R w2, R wS , R Một lớp mạng vẽ gọn theo hình 1.7 Hình 1.7 Mơ hình mạng lớp vẽ gọn 3.4.3 Kết dự báo VN-INDEX từ tháng 4/2008 đến tháng 5/2008 Do hạn chế phiên Demo nên không cho kết tốt dự báo tuần thứ thứ Chúng tơi cho thực mơ hình với số dự báo bước chọn từ đến 8, ta có kết dự báo cho tuần thứ thứ cho mơ hình 3.5 Số liệu VN-INDEX thực tế lấy từ trang web Sở giao dịch chứng khốn Thành phố Hồ Chí Minh để đối chiếu với kết có từ chạy phần mềm Dùng hai cột số liệu ta vẽ đồ thị hình 3.6 Hình 3.5 Dữ liệu VN-INDEX dự báo từ mơ hình liệu thực tế từ tuần thứ đến tuần thứ liệu ban đầu Tuần dự báo Kết 525.92 510 537.17 548.19 537 485 Thực tế 530.9 530.62 522.36 518.35 483.92 449.24 Hình 3.6 Đồ thị so sánh VN-INDEX từ kết dự báo VN-INDEX thực tế 3.4.4 Phân tích kết Thật với mơ hình Neural Network thơng qua q trình xử lý thơng tin phức tạp, với trình training testing cho kết dự báo xác với độ tin cậy cao Khác với công cụ dự báo truyền thống, mô hình Neural Network mơ hoạt động não người để tạo mơ hình trí tuệ nhân tạo nhằm giải vấn đề phức tạp dự báo Đây công cụ dự báo thực hữu ích cho nhà đầu tư tương lai nhằm giúp họ đưa định đắn trình đầu tư Sự sai lệch kết dự báo thực tế ngun nhân sau: - Do có sai số liệu đầu vào bị hạn chế thời gian nguồn thông tin - Do giới hạn việc tìm kiếm biến số có liên quan đến Vn-Index, số yếu tố khơng thể lượng hóa vào mơ tâm lý bầy đàn nhà đầu tư, tính chưa hiệu phát triển thị trường chứng khốn Việt Nam 3.5 CHỨNG CỨ ỨNG DỤNG MƠ HÌNH NEURAL NETWORK 3.5.1 Jason E.Kutsurelis ứng dụng mơ hình Neural Network để dự báo S&P 500 Trong nhiều năm qua, việc sử dụng mơ hình Neural Network ngày rộng rãi phổ biến lĩnh vực kinh tế - tài Nhiều tổ chức, cá nhân công bố rộng rãi kết nghiên cứu mình, bật nghiên cứu dự báo tỷ lệ lạm phát Chính Phủ Nhật Hồng Kơng (được trình bày phần phụ lục) dự báo số S&P 500 Jason E.Kutsurelis Vào năm 1998, Jason E.Kutsurelis đưa kết nghiên cứu việc ứng dụng mơ hình Neural Network để dự báo S&P 500 Ông sử dụng biến đầu vào thu thập từ 1/3/1991 đến 18/8/1998 để dự báo cho số S&P 500 cho 10 ngày sau, bao gồm: - Chỉ số S&P 500 - Chỉ số ngành vận tải Dow Jones - Chỉ số ngành công nghiệp Dow Jones - Chỉ số ngành dịch vụ công cộng Dow Jones - Thông tin nghiên cứu hàng hóa - Chỉ số dầu AMEX - Chỉ số vàng bạc Mơ hình Neural Network huấn luyện việc sử dụng backpropagation chuẩn cho hai trường hợp kiểm nghiệm Hình 3.7 cho thấy thay đổi số S&P 500 đuợc mô nhằm để tham khảo tới Có thể thấy thị trường rơi xuống nhanh chóng 730 điểm (10/10/1986) đầu giá lên 1110 điểm (21/1/1994) Thật bị hấp dẫn nhìn thấy mơ hình hoạt động trường hợp xấu nhất, từ hoạt động tốt việc huấn luyện thử nghiệm liệu xếp hạng Hình 3.7 Chỉ số S&P 500 từ năm 1972 đến 1996 Để thử nghiệm mơ hình vùng then chốt này, mơ hình huấn luyện để sử dụng liệu khoảng thời gian năm trước sụp đổ năm 1986 trước khởi đầu đầu giá lên năm 1994 Trong hai trường hợp thử nghiệm mơ hình sử dụng có lớp ẩn với neuron ẩn 19 neuron đầu vào Các giá trị tham số ban đầu cho vào chương trình máy tính để định giá trị cách ngẫu nhiên [-1,1] Các lớp ẩn đầu sử dụng chức kích hoạt sigmoid Trong số lượng khoảng trống cho lớp ẩn cung cấp phần tử đơn vị đầu cố định neuron đầu thứ 19, khơng có số lượng khoảng trống cho sigmoid lớp đầu Những trường hợp thử nghiệm kết thu được phân tích 3.5.2 Trường hợp 1: Đầu giá lên từ tháng năm 1994 Theo hình 3.8 cho thấy việc huấn luyện thử nghiệm liệu bình thường hóa cho số S&P 500, hình 3.9 cho thấy việc huấn luyện thử nghiệm liệu bình thường hóa cho lãi suất Dữ liệu liệu điểm 850 việc huấn luyện liệu với chiều dài 275 tuần việc thử nghiệm liệu có chiều dài 50 tuần Có thể thấy lãi suất dài hạn gia tăng hầu hết phần việc đầu giá lên (thử nghiệm liệu) chấp nhận vào lúc cuối, trong ngắn hạn lãi suất bị trì hỗn 20 tuần tăng lên vào lúc ban đầu sau cố định Sự thay đổi từ việc gia tăng cố định trơng đợi có tác động đến thị trường Tuy nhiên, lĩnh vực tác động trơng đợi lại đến từ động lực thị trường, phân tích nhà kinh tế học nơi khác Kết kiểm nghiệm Hình 3.10 cho thấy kết kiểm nghiệm trường hợp Việc thử nghiệm đuợc hoàn thành việc huấn luyện mạng lưới đầu cho tuần so sánh với đầu kỳ vọng Có thể nhìn thấy từ số liệu mơ hình dự đốn chắn việc đầu giá lên trước tuần Nó dự báo xác xu hướng số cổ phiếu đến mức 43 lần vượt phạm vi mẫu 50 điểm Phần trăm sai số lớn đạt phần trăm đầu mong muốn 4.044%, sai số trung bình 0.95% Vì vậy, mơ hình hoạt động tốt thể sử dụng cách phù hợp để lực chọn thời điểm cho thị trường Hình 3.8 Việc huấn luyện thử nghiệm liệu (chỉ số S&P 500) trường hợp đầu giá lên Hình 3.9 Việc huấn luyện thử nghiệm liệu cho lãi suất trường hợp đầu giá lên Thậm chí sau detrending bình thường hóa, việc dựa việc huấn luyện liệu, đầu mong muốn từ mơ hình cao giá trị mà huấn luyện hình 3.8 Thật vậy, mơ hình có khả dự báo gia tăng đầu khơng huấn luyện cho giá trị xác việc xếp loại giá trị đầu Những tiên đoán tốt cho thấy viễn cảnh tốt đẹp tương lai, nhằm quan tâm đưa nhằm bình thường hóa liệu để gia tăng đột ngột giá trị số khơng bão hịa với giá trị bình thường hóa Điều tiên đốn mơ hình huấn luyện tuần giữ dựa việc huấn luyện, điều trở nên cũ vào gần cuối tuần thứ 50 Việc dịch chuyển cửa sổ huấn luyện tuần huấn luyện lại mơ hình cách tiếp cận hợp lý, điều cần thiết thực tế Tuy nhiên, có sai lầm lớn việc huấn luyện mơ hình việc kế thừa thay đổi theo tuần theo hoạt động mơ hình tồi tệ Trong trường hợp nào, thủ tục sửa đổi cho thích hợp cửa sổ dự báo giảm bớt để phù hợp với yêu cầu Hình 3.10 Chỉ số S&P 500 dự báo kỳ vọng trường hợp đầu giá lên 3.5.3 Trường hợp 2: Sự sụp đổ vào tháng 10 năm 1986 Hình 3.11 cho thấy giá trị số phần huấn luyện thử nghiệm cho trường hợp thứ hai, nơi mà việc huấn luyện liệu liệu điểm thứ 500 liệu điểm dài 200 liệu thử nghiệm vượt 75 tuần theo sau việc huấn luyện liệu bao gồm sụp đổ mạnh Hình 3.12 cho thấy lãi suất cho việc huấn luyện thử nghiệm kết nối Trong trường hợp này, lãi suất trì hỗn dài hạn rơi xuống chu kỳ huấn luyện số S&P 500 có xu hướng gia tăng, trong suốt chu kỳ thử nghiệm lãi suất gia tăng nhanh, số rơi xuống Lãi suất trì hỗn ngắn hạn 20 tuần gia tăng lên với mức độ chậm thời kỳ thử nghiệm Vì vậy, trường hợp này, trông đợi tác động việc gia tăng lãi suất dự báo sụp đổ Điều khơng động lực việc huấn luyện liệu cho số, từ số gia tăng rơi xuống theo hướng khác thay đổi số dao động giá trị tốt xấu Mạng lưới có neuron lớp ẩn huấn luyện cho 900 trình lặp lặp lại, với kích cỡ bước cố định 0.4 kết thử nghiệm giới thiệu chi tiết phần sau Hình 3.11 Việc huấn luyện thử nghiệm liệu (chỉ số S&P 500) trường hợp giá xuống Các kết kiểm nghiệm Hình 3.13 cho thấy kết kiểm nghiệm trường hợp Biểu đồ cho thấy mô hình có khả dự báo sụp đổ mạnh trước tuần thật xảy Mặc dù vậy, đầu mơ hình thấp giá trị thực tế cho phần ban đầu việc phân loại thử nghiệm, khơng có xu hướng cho số cổ phiếu, mà tác động lên mơ hình để dự báo vụ sụp đổ Vì vậy, mơ hình sử dụng giá trị số q khứ khơng có khả dự báo sụp đổ, mà phân phối nhằm gia tăng lãi suất dài hạn Trong trường hợp này, mơ hình dự đốn xác xu hướng số cổ phiếu 65 lần vượt mẫu thử nghiệm 75 điểm Phần trăm sai số lớn đạt phần trăm đầu kỳ vọng cao nhiều so với với trường hợp đạt mức 13.7%, sai số trung bình 4.18% Nguồn sai số mạng lưới dự báo tốt gia tăng ban đầu thị trường Trong thực tế thận trọng này, mơ hình dự báo tốt gia tăng ban đầu nhận lấy khơng xác hấp tấp đặt lệnh mua cách nhanh chóng theo sau lệnh bán Như thay đổi nhanh chóng điều khơng mong muốn kể từ khối lượng giao dịch gia tăng với chi phí giao dịch thích hợp Hình 3.12 Việc huấn luyện kiểm nghiệm liệu cho lãi suất trường hợp giá xuống Hình 3.13 Chỉ số S&P 500 dự báo kỳ vọng trường hợp giá xuống 3.5.4 Kết thử nghiệm cho hai trường hợp Sau đưa dự báo kết so sánh với thực tế theo hình 3.14 Hình 3.14 Kết so sánh S&P 500 thực tế dự báo Ta có kết thống kê kết đầu sau: R square 0.9935 Mean square error 130.975 Mean absolute error 8.821 Min absolute error 0.039 Max absolute error 31.792 Correlation coefficient r 0.9968 Xác suất xác mơ hình Dự báo Xác suất Thị trường lên 88.1335% Thị trường xuống : 84.21035% So sánh với phương pháp thống kê truyền thống mơ hình hồi quy tuyến tính đa biến ta có kết sau: Neural network Mơ hình hồi quy tuyến tính đa biến R square 0.9935 0.9671 Trung bình 0.1759 0.2914 Độ lệch chuẩn 11.50 24.95 88.13% 84.21% 72.5% 57.71% Xác suất xác thị trường lên Xác suất xác thị trường xuống Từ xác suất xác mơ hình cho thấy mơ hình neural network dự đốn xác thị trường tài có liệu đầu vào thích hợp Khi so sánh với phân tích hồi quy, neural network tốt cho nhà đầu tư số lý do: - Khi sử dụng hồi quy tuyến tính đa biến, giả định hồi quy chủ yếu phải Giả định tuyến tính tự thân khơng chứa đựng nhiều trường hợp Neural Network xử lý tuyến tính phi tuyến - Khi sử dụng phân tích hồi quy tuyến tính đa biến, nhà đầu tư cần có kiên thức sâu rộng thống kê để đảm bảo biến độc lập càn thiết cần sử dụng - Sau nghiên cứu, kết cho thấy Neural Network xác đáng kể so với hồi quy tuyến tính đa biến KẾT LUẬN Ngày nay, với phát triển kinh tế Thế giới, kinh tế Việt Nam dự báo đà tăng trưởng, đầu tư tư nhân nước phát triển, khu vực công nghiệp tiếp tục nhân tố để thúc đẩy tăng trưởng kinh tế Trước tình hình đó, nhu cầu sử dụng mơ hình Neural Network ngày tăng nên phần mềm thiết kế, xử lý đời ngày nhiều bên cạnh chương trình truyền thống thường sử dụng MATLAB Hiện nay, phần mềm phổ biến thiết kế dùng cho mơ hình Neural Network gồm có Alyuda NeuroIntelligence, Stuttgart Neural Network Simulator, Emergen, JavaNNS NeuroSolutions qua trình thử nghiệm tìm hiểu phần mềm NeuroSolutions phần mềm có nhiều tính ưu việt phù hợp để thực mô hình Neural Network NeuroSolutions chương trình mạnh mơ mơ hình Neural Network cung cấp hai chương trinh để thiết lập mô hình Neuro Expert Neuro Builder Với phần mềm này, bắt đầu tiến hành thu thập, xử lý liệu thô tiến hành điều chỉnh liệu đầu vào cho liệu mặt thời gian phải quán với Sau tiến hành tổ chức file liệu phân tích biến đầu vào Data Manager Cuối trình xử lý mơ hình phân tích kết DANH MỤC CÁC HÌNH Hình 1.1 Cấu trúc Neural Network Hình 1.2 Mơ hình mạng Neural tổng qt Hình 1.3 Mơ hình cấu trúc Neuron Hình 1.4 Mơ hình neuron với vector nhập Hình 1.5 Một lớp gồm nhiều Neuron Hình 1.6 Mơ hình mạng lớp Neuron Hình 1.7 Mơ hình mạng lớp vẽ gọn Hình 1.8 Mơ hình mạng nhiều lớp Neuron Hình 2.1 Phép chuyển đổi logaric khối lượng giao dịch tương lai hàng tháng lúa mì 14 Hình 2.2 Phép thử Walk-forward chuỗi thời gian 18 Hình 2.3 Ví dụ đơn giản bề mặt sai số Neural Network 26 Hình 3.1 Giới thiệu giao diện phần mềm NeuroSolutions 32 Hình 3.2 Lựa chọn NeuralExpert 32 Hình 3.3 Biểu đồ thể mức độ tương quan biến đầu vào biến đầu 37 Hình 3.4 Chỉ số VN-INDEX đầu mong đợi sau trình huấn luyện 38 Hình 3.5 Dữ liệu VN-INDEX dự báo từ mơ hình liệu thực tế từ tuần thứ đến tuần thứ liệu ban đầu 39 Hình 3.6 Đồ thị so sánh VN-INDEX từ kết dự báo VN-INDEX thực tế 39 Hình 3.7 Chỉ số S&P 500 từ năm 1972 đến 1996 41 Hình 3.8 Việc huấn luyện thử nghiệm liệu (chỉ số S&P 500) trường hợp đầu giá lên 42 Hình 3.9 Việc huấn luyện thử nghiệm liệu cho lãi suất trường hợp đầu giá lên 43 Hình 3.10 Chỉ số S&P 500 dự báo kỳ vọng trường hợp đầu giá lên 44 Hình 3.11 Việc huấn luyện thử nghiệm liệu (chỉ số S&P 500) trường hợp giá xuống 45 Hình 3.12 Việc huấn luyện thử nghiệm liệu cho lãi suất trường hợp giá xuống 46 Hình 3.13 Chỉ số S&P 500 dự báo kỳ vọng trường hợp giá xuống 46 Hình 3.14 Kết so sánh S&P 500 thực tế dự báo 47 ... trường hợp 47 Kết luận Tài liệu tham khảo Phụ lục CHƯƠNG 1: MƠ HÌNH NEURAL NETWORK TRONG DỰ BÁO TÀI CHÍNH 1.1 GIỚI THIỆU SƠ LƯỢC VỀ MƠ HÌNH NEURAL NETWORK Neural Network vài năm trở lại nhiều... ngõ tồn mạng 1.4 CÁC MƠ HÌNH MẠNG NEURAL NETWORK CƠ BẢN Mơ hình mạng Neural tổng qt có dạng theo hình 1.2 Hình 1.2 Mơ hình mạng Neural tổng quát Ngày nay, mạng Neural Network giải nhiều vấn đề... mơ hình cịn có khả xử lý so sánh kết dự báo từ đưa kết xác dựa tiêu chuẩn tối thiểu hóa sai số CHƯƠNG 2: CÁC BƯỚC THIẾT KẾ MỘT MƠ HÌNH DỰ BÁO NEURAL NETWORK 2.1 SƠ LƯỢC VỀ VIỆC THIẾT KẾ MƠ HÌNH