Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế trường hợp thị trường chứng khoán việt nam

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP.HỒ CHÍ MINH   LÊ ĐẠT CHÍ ỨNG DỤNG MÔ HÌNH MẠNG THẦN KINH ́ NHÂN TAỌ TRONG DỰBÁO KINH TÊ– TRƯỜNG HƠPP̣ THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM Chuyên ngành : Kinh tế Tài – Ngân hàng Mã số : 62.31.12.01 LUẬN ÁN TIẾN SĨ KINH TẾ Người hướng dẫn khoa học: GS TS TRẦN NGỌC THƠ TP.HỒ CHÍ MINH Năm 2011 i Mục lục Lời cam đoan Mục lục i Danh mục bảng biểu v Danh mục hình vii Danh mục từ viết tắt ix Phần mở đầu Chương 1: Quan điểm chứng thực nghiệm việc ứng dụng mơ hình mạng thần kinh nhân tạo dự báo 1.1 Quan điểm lựa chọn cơng cụ phân tích dự báo 1.2 Mơ hình mạng thần kinh nhân tạo – ANN 11 1.2.1 Mạng thần kinh nhân tạo đặc điểm của bô ̣nao 11 1.2.2 Những yếu tố tạo nên mơ hình mạng thần kinh nhân tạo 13 1.2.3 Cách thức huấn luyện mô hinh̀ mang ̣ thần kinh nhân taọ .15 1.2.4 Môṭsốthước đo viêc ̣ lưạ choṇ cấu trúc mang ̣ ANN 16 1.2.5 Các đặc trưng của mơ hình mạng thần kinh nhân tạo 17 1.3 Một số mơ hình mạng thần kinh nhân tạo điển hình 19 1.3.1 Mơ hình mạng truyền thẳng 19 1.3.2 Mơ hình mạng truyền thẳng đa lớp 21 1.3.3 Mô hình mạng lặp lại 23 1.4 Sự vượt trội mơ hình mạng thần kinh việc phân tích dự báo 25 ii 1.5 Việc ứng dụng mơ hình ANN dự báo – chứng thực nghiệm 29 1.6 Thiết kế mơ hình mạng thần kinh nhân tạo 32 Chương 2: Thiết kế ứng dụng mạng thần kinh nhân tạo để dự báo giá chứng khoán thị trường chứng khoán Việt Nam 37 2.1 Thiết kế mạng thần kinh nhân tạo để dựa báo giá chứng khoán với nhóm biến kinh tế vĩ mô 38 2.1.1 Lựa chọn biến kinh tế vĩ mô tác động đến giá chứng khoán 38 2.1.2 Thu thập liệu kinh tế 38 2.1.3 Tiền xử lý liệu 39 2.1.4 Phân chia liệu thu thập để huấn luyện ANN 40 2.1.5 Xây dựng cấu trúc – Xác định thông số của ANN 41 2.1.6 Tiêu chuẩn đánh giá tính phù hợp kết dự báo của ANN 44 2.1.7 Huấn luyện hệ thống ANN 45 2.1.8 Kết sử dụng mô hinh̀ mang ̣ ANN để dự báo VN-Index 45 2.2 Sử dụng mạng thần kinh khái quát hóa mạng truyền thẳng để dự báo giá chứng khốn với nhóm biến kinh tế vĩ mơ 47 2.2.1 Dự báo giá chứng khoán bằng cấu trúc mạng thần kinh nhân taọ đươc ̣ khái quát hóa 47 2.2.2 Dự báo giá chứng khốn dựa phân tích tác động của biến kinh tế vĩ mô theo cấu trúc mạng truyền thẳng 50 2.2.3 So sánh khả dự báo giá chứng khốn của mơ hình mạng thần kinh nhân taọ với mơ hình hồi quy tuyến tính 51 2.3 Sự vượt trội mô hinhh̀ mangP̣ thần kinh nhân taọ so với mơ hinhh̀ hời quy tuyến tính sử dụng biến số tài 54 2.3.1 Mơ hình mạng ANN tuyến tính 55 iii 2.3.2 Kết của mơ hình hồi quy tuyến tính truyền thống 56 2.3.3 Mơ hình mạng ANN phi tuyến khảo sát biến tài .57 2.4 Phân tích dự báo giá chứng khoán TTCK VN dưới tác động biến động TTCK giới 61 2.5 Sử dungP̣ sư P̣thay đổi giá quákhứ đểdư P̣báo giáchứng khoán TTCK VN 66 2.6 Dự báo giá chứng khoán TTCK VN dưới tác động báo tâm lý thị trường 71 2.6.1 Lựa chọn nhập lượng đầu vào 72 2.6.2 Thu thập xử lý liệu 72 2.6.3 Mơ hình mạng thần kinh nhân tạo 74 2.6.4 Xây dựng mơ hình mạng thần kinh tuyến tính 76 2.6.5 So sánh kết luận 76 Chương 3: Một số đề xuất từ trình phân tích dự báo giá chứng khốn thị trường chứng khoán Việt Nam 79 3.1 Khả dự báo giá chứng khoán thị trường chứng khoán Việt Nam 80 3.2 Hành vi tài nhà đầu tư tác động mạnh mơ hình ANN 84 3.3 Mơṭsốđềxuất từqtrinhh̀ phân tích vàdư P̣báo giáchứng khoán TTCK VN 85 3.3.1 Gia tăng điều kiện phát hành chứng khoán nhằm kiểm soát hoạt động huy động vốn của doanh nghiệp 87 3.3.2 Sớm thay đổi quy định tín dụng đầu tư chứng khốn hiện của ngân hàng nhà nước 89 3.3.3 Gia tăng điều kiện niêm yết sàn giao dịch chứng khoán ViêṭNam để tạo khác biệt thực thị trường 93 iv 3.3.4 Tăng tính chủ động cho Ủy ban chứng khốn nhà nước tiến tới độc lập hoạt động quản lý của phủ 96 3.4 Những hạn chế trình nghiên cứu 97 3.5 Những ứng dụng khác mơ hình mạng thần kinh nhân tạo 98 Kết luận 100 Các cơng trình nghiên cứu khoa học cơng bố 101 Danh mục tài liệu tham khảo 102 Phụ lục 1:Môṭsốhàm kich́ hoaṭcủa mang ̣ thần kinh nhân taọ 109 Phụ lục 2: Q trình phân loại biến theo mơ hình ANN 116 Phụ lục 3: Xây dưng ̣ mô hinh̀ hồi quy tuyến tinh́ truyền thống đểphân tich́ dự báo VN-Index 123 Phụ lục 4: Cách tính chỉ số phân tích kỹ thuật 152 v Danh mục bảng biểu Bảng 1.1: Tám bước thiết kế mơ hình phân tích dự báo ANN 36 Bảng 2.1: Các biến kinh tế đưa vào thiết kế ANN để dựa báo VN-Index .39 Bảng 2.2: Kết trình tiền xử lý liệu đưa lần lược biến đầu vào biến để dự báo VN-Index 40 Bảng 2.3: Hai cấu trúc mạng ANN cho kết dự báo tốt nhất 45 Bảng 2.4: Kết huấn luyện hệ thống mạng GNN-14PE 47 Bảng 2.5: Kết kiểm định ngồi mẫu của mơ hình GNN-14PE 48 Bảng 2.6: Kết kiểm định mẫu của cấu trúc GNN-4PE GNN-5PE 49 Bảng 2.7: Kết dự báo mẫu theo cấu trúc mạng ANN truyền thẳng MFF-2PE, MFF-3PE, MFF-4PE, MFF-5PE 51 Bảng 2.8: Kết kiểm định mẫu của cấu trúc mạng ANN tuyến tính .52 Bảng 2.9: Kết kiểm định mẫu của cấu trúc mạng MLN 9-3-1, MLN 9-4-1, MLN 9-5-1, MLN 9-6-1 59 Bảng 2.10: Kết kiểm định mẫu của GNN 9-5-1 GNN 9-6-1 60 Bảng 2.11: Kết kiểm định mẫu mạng ANN tuyến tính 63 Bảng 2.12: Kết kiểm định mẫu của cấu trúc 65 Bảng 2.13: Kết kiểm định mẫu của cấu trúc MLF 3-5-3-1 GNN 3-5-3-1 68 Bảng 2.14: Kết kiểm định cấu trúc MLF 5-3-1 chuỗi tỷ suất sinh lợi VNI theo ngày 69 Bảng 2.15: Kiểm định ngồi mẫu mơ hình ANN với liệu thu thập năm 2010 71 Bảng 2.16: Các chỉ báo kỹ thuật sử dụng làm nhập lượng đầu vào cho mơ hình 73 vi Bảng 2.17: Kết mơ hình mạng thần kinh lớp ẩn với số lượng neuron khác 75 Bảng 2.18: Kết mơ hình mạng truyền thẳng lớp ẩn với 10 neuron 76 Bảng 2.19: Kết mơ hình mạng thần kinh tuyến tính 76 Bảng 3.1: Thống kê số lượng doanh nghiệp niêm yết TTCK VN huy động vốn bằng phát hành cổ phiếu 86 Bảng 3.2: Điều kiện niêm yết tại sở giao dịch chứng khoán 93 Bảng 3.3: Quan sát quy mô vốn của cơng ty niêm yết sàn chứng khốn vào thời điểm kết thúc quý3/2010 94 vii Danh mục hình Hình 1.1: Minh hoạ của mơṭ neuron 13 Hình 1.2: Mơ hình phi tuyến của neuron 14 Hình 1.3: Phương pháp điều chinhh̉ ̣ sốsynapse theo nguyên tắc giảm độ dốc Gradient 16 Hình 1.4: Mơ hình mạng truyền thẳng 19 Hình 1.5: Mơ hình mạng truyền thẳng với hai lớp ẩn 21 Hình 1.6: Mơ hình mạng lặp lại Elman 24 Hình 1.7: Thiết kế mơ hình mạng thần kinh nhân tạo 34 Hình 2.1: Kết mơ hình ANN sử dụng để phân tích dự báo VNI 42 Hình 2.2: Kết dự báo theo mơ hình ANN thực tế của VNI mơ hình mơ hình 46 Hình 2.3: VNI dự báo từ mơ hình GNN-14PE so với VNI thực tế 48 Hình 2.4: Mơ tả mạng GRNN với neuron lớp ẩn GNN-4PE 49 Hình 2.5: Giá trị VNI dự báo từ GNN-4PE GNN-5PE với giá trị VNI thực tế .50 Hình 2.6: VNI thực tế dự báo của cấu trúc mạng ANN tuyến tính 52 Hình 2.7: VNI dự báo thực tế từ cấu trúc mạng ANN tuyến tính của tập kiểm tra lại 56 Hình 2.8: VNI dự báo thực tế từ cấu trúc MLN 9-3-1 MLN 9-4-1 58 Hình 2.9: VNI dự báo thực tế từ cấu trúc MLN 9-6-1 58 Hình 2.10: VNI dự báo thực tế của tập kiểm tra lại từ cấu trúc mang ̣ GNN 9-5-1 GNN 9-6-1 60 Hình 2.11: Chuỗi tỷ suất sinh lợi VNI dự báo ngồi mẫu từ mạng ANN tuyến tính VNI thực tế 62 viii Hình 2.12: Chuỗi tỷ suất sinh lợi VNI dự báo mẫu từ mạng MLF 4-4-1 MLF 4-3-2-1 với giá trị thực tế 65 Hình 2.13: Chuỗi tỷ suất sinh lợi VNI dự báo mẫu từ mạng MLF 4-4-3-1 GNN 4-3-1 với giá trị thực tế 65 Hình 2.14: Chuỗi tỷ suất sinh lợi VNI theo tuần từ tháng 1/2005 đến tháng 9/2010 67 Hình 2.15: Chuỗi tỷ suất sinh lợi VNI theo tuần dự báo từ cấu trúc MLF 3-5-3-1, GNN 3-5-3-1 chuỗi tỷ suất sinh lợi thực tế 68 Hình 2.16: Chuỗi tỷ suất sinh lợi VNI theo ngày dự báo từ cấu trúc MLF 5-3-1 chuỗi VNI thực tế 69 Hình 2.17: Chuỗi tỷ suất sinh lợi VNI dự báo thực tế của mạng MLF 5-3-1 MLF 5-4-3-1 năm 2010 70 Hình 2.18: Chuỗi tỷ suất sinh lợi VNI theo ngày năm 2010 dự báo từ MLF 5-4-3-2-1, GNN 5-4-3-1 chuỗi thực tế 70 Hình 2.19: Chuỗi giá trị Ln(VNI) từ ngày 2/1/2008 đến ngày 22/9/2010 .73 Hình 2.20: Chuỗi giá trị Ln(VNI) thực tế dự báo từ mơ hình mạng ANN của tập hợp quan sát kiểm tra lại 77 Hình 2.21: Phần trăm sai lệch giá trị Ln(VNI) dự báo so với thực tế của tập hợp quan sát kiểm tra lại 78 Hình 3.1: Số liệu doanh nghiệp huy động vốn qua năm của doanh nghiệp niêm yết TTCK VN (ĐVT: nghìn tỷ đồng) 86 Hình 3.2: Thống kê tỷ lệ vốn cổ phần huy động thông qua nguồn năm 2010 của doanh nghiệp niêm yết TTCK VN 88 Hình 3.3: Quy trinh̀ thưc ̣ hiêṇ hoaṭđông ̣ cấp tiń dung ̣ đầu tư kinh doanh chứng khoán 92 ix Danh mục từ viết tắt ANN BP GDP GRNN HNX HSX IMF MFF NHNN PE TTCK VN VNI 142 Heteroskedasticity Test: White F-statistic 87.69402 Prob F(2,40) 0.0000 Kết luận: Bác bỏ H0, có hiện tượng phương sai thay đổi Mơ hình khơng phù hợp Bây ta tiến hành tìm mơ hình tốt nhất theo phương pháp loại bớt biến Đầu tiên ta xây dựng mơ hình hồi quy tuyến tính với tất biến giải thích trên: R-squared Adjusted R-squared S.E of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Kế đến, ta loại bỏ dần biến thông qua kiểm định thừa biến Redundant Variables Likelihood Ratio, mơ hình phù hợp nhất sau loại bỏ biến không cần thiết là: Variable ROAD PED EPSD CMD C 143 R-squared Adjusted R-squared S.E of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Tiến hành kiểm định đa cộng tuyến cho mơ hình trên, kết sau: Kết luận: Có hiện tượng đa cộng tuyến, nên bỏ bớt biến EPSd biến Ped hoặc CMd khỏi mơ hình Ped prob EPSd prob CMd prob ***: Mức ý nghĩa 1%; ** : Mức ý nghĩa 5%; * : Mức ý nghĩa 10% Như có hiện tượng đa cộng tuyến EPSd ROAd, Ped, Ped CMd, nên loại bỏ Ped EPSd khỏi mô hình Lúc mơ hình cịn lại biến giải thích: R-squared Adjusted R-squared S.E of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 144 Kết luận: Tiếp tục loại bỏ biến ROAd khỏi mơ hình, mơ hình đa biến chỉ cịn mơ hình đơn biến với CMd biến giải thích Mơ hình hồi quy tuyến tính đơn biến với CMd biến giải thích ta kiểm định phần trên, phát hiện mơ hình có hiện tượng phương sai thay đổi Tóm lại, khơng thể xây dựng mơ hình hồi quy tuyến tính từ liệu biến tài điều chỉnh độ trễ Các biến số thị trường khác (trường hợp theo tháng) Hồi quy tuyến tính đơn biến Biến kết hợp t-Statistic Prob R-Squared ***: Mức ý nghĩa 1%; ** : Mức ý nghĩa 5%; * : Mức ý nghĩa 10% Kết luận: Tất cảcác mô hinh̀ hồi quy đơn biến có ý nghĩa th ống kê với mức ý nghĩa 1% Mơ hình: VNIm = 0.899659*DJm + 0.011105 VNIm = 0.84424*FTSEm + 0.011297 VNIm = 0.773768*N225m + 0.012142 VNIm = 0.323669*SSECm + 0.009781 Hồi quy tuyến tính đa biến kiểm định Từ mơ hình h ồi quy tuyến tính đơn biến trên, ta tiến hành ki ểm định hiêṇ tương ̣ phương sai thay đổi vàkiểm đinḥ tư ̣tương quan - Kiểm đinḥ hiện tượng phương sai thay đổi: Kiểm đinḥ White Giả thiết H0: Không cóhiêṇ tương ̣ phương sai thay đổi Kết quảkiểm đinḥ: DJm FTSEm N225m SSECm 145 Kết luâṇ: Mô hinh̀ hồi quy tuyến tinh́ với biến giải thich́ DJ m, FTSEm, N225m SSECm không xảy hiện tượng phương sai thay đổi Ta tiếp tuc ̣ tiến hành kiểm đinḥ tư t ̣ ương quan cho mô hinh̀  Kiểm đinḥ tư t ̣ ương quan: Kiểm định Breusch- Godfrey Giả thiết H0: Không cóhiêṇ tương ̣ tư t ̣ ương quan Kết quảkiểm đinḥ: Kiểm định Breusch-Godfrey F-statistic DJm 10.5032 FTSEm 12.8208 N225m 10.3582 SSECm 8.69243 ***: Mức ý nghĩa 1% Kết luâṇ: Cả mô hinh̀ hồi quy đơn biến với biến giải thich́ lần lươṭ làDJ FTSEm, N225m, SSECm xảy hiện tượng tự tương quan m,  Khơng thể xây dựng mơ hình hồi quy tuyến tính dựa liệu liệu nhân tố thị trường khác Các biến thị trường khác (trường hợp theo tuần) Hồi quy tuyến tính đơn biến Biến kết hợp Coefficient t-Statistic Prob R-Squared ***: Mức ý nghĩa 1% Kết luâṇ: Mô hinh̀ hồi quy đơn biến SSEC w VNIw mô hinh̀ cóýnghiã thống kê với mức ýnghia ̃ 1% Mô hinh̀: VNIw = 0.18172 * SSECw + 0.002682 146 Hồi quy tuyến tin ́ h đa biến vàkiểm đinh  Từ mô hinh̀ hồi quy đơn biến ta tiến hành kiểm đinḥ hiêṇ tương ̣ phương sai thay đổi kiểm định tự tương quan - Kiểm đinḥ hiêṇ tương ̣ phương H0 : Không cóhiêṇ tương ̣ phươ Kết quảkiểm đinḥ: Heteroskedasticity Test: White F-statistic Kết luâṇ: Chấp nhâṇ gia thiết H - ̀h̉ Kiểm đinḥ hiêṇ tương ̣ tư t ̣ ương thiết H0: Không cóhiêṇ tương ̣ tư Kết quảkiểm đinḥ: Breusch-Godfrey Serial Correlation LM Test: F-statistic Kết luâṇ: Bác bỏ giả thiết H0, mô hinh̀ cóhiêṇ tương ̣ tư t ̣ ương quan Như vậy, khơng thể xây dựng mơ hình hồi quy tuyến tính theo liệu của nhân tố thị trường tài khác Các biến số thị trường điều chỉnh độ trễ (trường hợp theo tháng) Hồi quy tuyến tính đơn biến Biến kết hợp Coefficient t-Statistic Prob R-Squared ***: Mức ý nghĩa 1% Kết luân : Mô hinh hồi quy tuyến tinh đơn biến giưa VNI1m VNI m có nghĩa ̀̀ thống kê vơi mưc y nghia % ̀́́ ́ Mô hinh:̀ VNIm = 0.383975 * VNI1m + 0.008382 147 Hồi quy tuyến tin ́ h đa biến vàkiểm đinh - Từ mô hinh̀ hồi quy đơn biến ta tiến hành kiểm đinḥ hiêṇ tương ̣ phương sai thay đổi vàkiểm đinḥ tư ̣tương quan - Kiểm đinḥ hiêṇ tương ̣ phương sai thay đổi Không cóhiêṇ tương ̣ phương sai thay đổi Kết quảkiểm đinḥ: Heteroskedasticity Test: White F-statistic Kết luâṇ: Chấp nhâṇ gia thiết H - ̀h̉ Kiểm đinḥ hiêṇ tương ̣ tư ̣tương quan: Kiểm định Breusch- Godfrey Giả thiết H0: Không cóhiêṇ tương ̣ tư t ̣ ương quan Kết quảkiểm đinḥ: Breusch-Godfrey Serial Correlation LM Test: F-statistic 0.334717 Prob F(1,97) 0.5642 Kết luâṇ: Chấp nhâṇ giảthiết H0, mô hinh̀ không cóhiêṇ tương ̣ tư t ̣ ương quan Như vâỵ mô hinh̀ hồi quy đơn biến VNI1m VNIm phù hợp - Từ mô hinh̀ đơn biến ta tiến hành kiểm đinḥ xem mơ hinh̀ cóbỏsót biến cịn laịhay khơng Phương pháp: Sử dung ̣ kiểm định Omited Variables-Likelihoodratio phần mềm Eview 6.0 Giả thiết H0: s ̣ ốhồi quy của biến đưa thêm vào mơ hình bằng khơng Kết quảkiểm đinḥ: Biến đưa vào F-statistic Prob F(1,97) Kết luận: Chấp nhâṇ giảthiết H0, tức làkhông xảy trường hợp thiếu biến Kiểm định trường hợp đưa đưa thêm đồng thời biến cịn lại vào mơ hình 148 Giả thiết H0: Hệ số hồi quy của biến đưa thêm vào mơ hình = c(vni2m) = c(vni3m)=0 Kết kiểm định: Omitted Variables: VNI2m VNI3m F-statistic Log likelihood ratio Kết luận: Chấp nhận giả thiết Ho, mơ hình khơng thiếu biến giải thích Vậy, mơ hình hồi quy tuyến tính phù hợp mơ hình xây dựng dựa biến giải thích VNI1m Các biến số thị trường điều chỉnh độ trễ (trường hợp theo tuần) Hồi quy tuyến tính đơn biến Biến kết hợp Coefficient t-Statistic Prob R-Squared ****: mức ý nghĩa 1%; **: Mức ý nghĩa 5%; *: Mức ý nghĩa 10% Kết luân: Mô hinh̀ hồi quy tuyến tinh́ đơn biến VNI 1w, VNI2w VNI3w với VNIw có ý nghĩa thống kê Mô hinh:̀ VNIw = 0.250109* VNI1w + 0.002591 VNIw= 0.135148* VNI2w + 0.002982 VNIw = 0.101195* VNI3w + 0.003102 Hồi quy tuyến tính đa biến vàkiểm đinh - Từ mô hinh̀ hồi quy đơn biến ta tiến hành kiểm đinḥ hiêṇ tương ̣ phương sai thay đổi vàkiểm đinḥ tư ̣tương quan - Kiểm đinḥ hiêṇ tương ̣ phương sai thay đổi Không cóhiêṇ tương ̣ phương sai thay đổi Kết quảkiểm đinḥ : Kiểm đinḥ White Giả thiết H 0: 149 Kiểm định White VNI1w VNI2w VNI3w ****: Mức ý nghĩa 1%; **: Mức ý nghĩa 5% Kết luâṇ:  Mô hinh hồi quy tuyến tinh đơn biến vơi ̀̀ xảy hiện tượng phương sai thay đổi  Mô hinh hồi qu y tuyến tinh đơn biến vơi ̀̀ hiêṇ tương ̣ phương sai thay đổi nên ta tiến hanh kiểm đinḥ hiêṇ tương ̣ tư quan vơi hai mô hinh ̀́ Kiểm đinḥ hiêṇ tương ̣ tư ̣tương quan : Kiểm định Breusch – Godfrey Giả thiết H0: Không cóhiêṇ tương ̣ tư t ̣ ương quan Kết quảkiểm đinḥ: Kiểm định Breusch-Godfrey VNI1w Kết luâṇ: Mô hinh̀ không cóhiêṇ tương ̣ tư t ̣ ương quan Như vâỵ mô hinh̀ hồi quy đơn biến VNI1w VNIw phù hợp - Từ mô hinh̀ đơn biến ta tiến hành kiểm đinḥ xem mô hinh̀ cóbỏsót biến cịn laịhay khơng Phương pháp: Sử dungP̣ ki ểm định Omited Variables-Likelihoodratio phần mềm Eview 6.0 Giả thiết H0: s ̣ ốhồi quy của biến đưa thêm vào mơ hình = Biến đưa vào F-statistic Prob F(1,292) Kết luận: Chấp nhâṇ giảthiết H0, tức làkhông xảy trường hợp thiếu biến Kiểm định trường hợp đưa đưa thêm đồng thời biến cịn lại vào mơ hình 150 Giả thiết H0: Hệ số hồi quy của biến đưa thêm vào mơ hình = c(vni2w) = c(vni3w) = Kết kiểm định: Omitted Variables: VNI2w VNI3w F-statistic Log likelihood ratio Kết luận: Chấp nhận giả thiết H0, mơ hình khơng thiếu biến giải thích Vậy, mơ hình hồi quy tuyến tính phù hợp mơ hình xây dựng dựa biến giải thích VNI1w KẾT LUẬN Trong q trình xây dựng mơ hình hồi quy tuyến tính đa nhân tố để xác định tỷ suất sinh lợi của thị trường chứng khoán, người viết đưa số kết luận sau: - Những nhân tố ảnh hưởng đến tỷ suất sinh lợi của thị trường có ý nghĩa thống kê xây dựng mơ hình PB (chỉ số giá sổ sách/ giá thị trường) VNI1 (chỉ số thị trường điều chỉnh độ trễ tháng) - Đối với nhân tố vĩ mô, mặc dù tiến hành kiểm định, nhân tố không cho kết đáng tin cậy, điều cần nhấn mạnh nhân tố vĩ mô điều chỉnh độ trễ cho kết thống kê cải thiện so với chưa điều chỉnh độ trễ - Đối với nhân tố độ trễ thị trường, tiến hành xây dựng mô hình, dù trường hợp mơ hình xây dựng theo tuần hay theo tháng, chỉ có nhân tố chỉ số thị trường điều chỉnh trễ kì có ý nghĩa thống kê - Từ biến PB VNI1, người viết tiến hành xây dựng mơ hình thu kết mơ hình đa nhân tố với độ giải thích 48% Đây mơ hình hồi quy tuyến tính tốt nhất có thể xây dựng từ liệu nhân tố mà người viết tập hợp 151 Dependent Variable: VNI Method: Least Squares R-squared Adjusted R-squared S.E of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Theo đó, mơ hình hồi quy tuyến tínhgiúp xác định tỉ suất sinh lợi của thị trường có dạng: VNI = 0.195255718065*VNI1 + 0.459210023695*BP + 0.00353392919441 152 Phụ lục Cách tính số phân tích kỹ thuật Chỉ báo trung bình di động (Moving average MA) Chỉ báo cho biết giá trị trung bình của giá chứng khoán khoảng thời gian nhất định Nó hữu ích việc loại trừ phần yếu tố nhiễu chuỗi ban đầu cho bức trang tổng quát xu hướng Hai loại trung bình di động sử dụng phổ biến nhất trung bình di động giản đơn (Simple Moving Average – SMA) trung bình di động theo hàm mũ (Exponential Moving Average – EMA) Trung bình di động giản đơn SMA Trong khoảng thời gian nhất định, trung bình di động giản đơn SMA tính tốn theo cơng thức sau: n i=1 SMA = Ci n Với: SMA trung bình di động giản đơn (simple moving average) Ci giá trị thứ i chuỗi liệu i số liệu chuỗi Theo đó, khoảng thời gian tính tốn ngắn đường trung bình di động nhạy cảm với thay đổi của giá Chỉ báo trung bình di động ngắn hạn điển hình thường tính tốn cho khoảng thời gian từ đến 25 ngày, trung hạn từ 25 đến 100 ngày, 200 đến 250 ngày trung bình di động dài hạn Trung bình di động hàm mũ EMA EMA có phần khác so với trung bình di động giản đơn chỗ EMA thiết lập trọng số cao mức giá gần nhất Mức trọng số ứng với mức giá gầy nhất phụ thuộc vào độ dài khoảng thời gian sử dụng để tính tốn chỉ báo Bình qn di động theo hàm mũ tính tốn qua ba bước, trước hết tính tốn trung bình di động giản đơn điểm khởi đầu của chuỗi trung bình di động 153 theo hàm mũ Tiếp đó việc tính tốn trọng số cho mức giá gần nhất cuối tính tốn trung bình di động theo hàm mũ Cuối cùng, trung bình di động hàm mũ thực hiện theo cơng thức sau: EMA = Với: EMA trung bình di động hàm mũ α tỷ trọng của giá trị gần nhất chuỗi liệu, xác định bằng: = + Ci giá trị của chuỗi liệu (i = 1, 2, …, n) với i = giá trị gần nhất I = n giá trị xa nhất Đường trung bình di động hội tụ phân kỳ (Moving Average Convergence Divergence - MACD) Được xây dựng Gerald Appel vào cuối năm 1970 chỉ báo đơn giản sử dụng phổ biến nhất Thông qua MACD, chỉ báo trung bình di động chuyển thành chỉ báo dao động xu lượng bằng cách lấy hiệu số của đường trung bình di động dài hạn (thường 26 ngày) với đường trung bình di động ngắn hạn (thường 12 ngày) Sự dao động của đường MACD lên mức không cho thấy hội tụ, phân kỳ hoặc giao của hai đường bình qn di động Cụ thể, MACD tính tốn theo công thức: MACD = EMA dài ngày − EMA ngắn ngày Chỉ báo cường độ tương đối (Relative Strength Index - RSI) Chỉ báo cường độ tương đối RSI chỉ báo thuộc nhóm Oscillator, xây dựng J Welles Wilder lần đầu vào năm 1978 dựa chênh lệch trung bình của kỳ tăng giá so với trung bình kỳ giảm giá khoảng thời gian xác định Chỉ số so sánh mức độ của lần tăng giá gần với lần giảm giá tương ứng RSI tính theo cơng thức sau: 100 RSI=100−[1+RS] Với: RSI chỉ báo cường độ tương đối (Relative strength index) 154 RS cường độ tương đối, tính bằng trung bình mức tăng giá đóng cửa của n ngày chia cho trung bình mức giảm giá đóng cửa của n ngày đó Chỉ báo dòng tiền (Money Flow Index - MFI) Chỉ báo dòng tiền MFI chỉ số động lượng (momentum indicator) Nó liên quan mật thiết với RSI cách diễn đạt lẫn tính tốn Tuy nhiên, chỉ báo có điểm so với RSI chỗ nó có đưa thêm vào thành phần khối lượng giao dịch của kỳ Vì vậy, MFI trở thành cơng cụ tốt để đo lường dịng tiền vào thị trường của chứng khoán Có thể nói RSI kết hợp chặt chẽ với đường giá MFI xem đường khối lượng MFI thực hiện bằng cách so sánh “dòng tiền dương” với “dịng tiền âm” để từ đó hình thành nên chỉ báo có thể đem so sánh với giá, nhằm xác định độ mạnh hoặc yếu của xu hướng hiện tại Tương tự RSI, chỉ báo thiết lập khoảng từ đến 100 thường tính khoảng thời gian 14 kỳ Chỉ số MFI tính sau:  Tính giá điển hình (Typical price - TP):  Dịng tiền (Money flow): Dòng tiền = TP ∗ khối lượng giao dịch TP = Giá cao nhất + Giá thấp nhất + Giá đóng cửa  Nếu giá điển hình hơm lớn giá điển hình hơm qua nó gọi dòng tiền dương (positive money flow) Còn thấp gọi dịng tiền âm (negative money flow)  Tỷ số dòng tiền (Money Ration - MF): MF =  Chỉ báo dòng tiền (Money flow index MFI): 100 MFI=100− 1+MF Chỉ báo kênh hàng hóa (Commodity Channel Index - CCI) 155 CCI xây dựng Donald Lambert dùng để đo lường chênh lệch của giá chứng khoán đó với mức trung bình của nó Khi chỉ báo mức cao hoặc thấp cho thấy chênh lệnh bất thường của giá so với mức trung bình của nó Khơng tên gọi vốn có, chỉ báo CCI có thể sử dụng với bất cứ loại chứng khoán nào, không chỉ loại hàng hóa Cụ thể, có bốn bước để tính CCI:  Tính giá điển hình (Typical price - TP): TP =  Giá cao nhất + Giá thấp nhất + Giá đóng cửa Tính trung bình di động giản đơn của giá điển hình chu kỳ tính tốn (Simple Moving Average of Typical Price - SMATP) Ví dụ với chu kỳ 20 ngày tính SMATP (20)  Tính độ lệch trung bình (Mean Deviation) TP SMATP 20 ngày: Tìm chênh lệch SMATP kỳ cuối TP cho giai đoạn của 20 ngày trước đó Sau đó, tính tổng khoảng chênh lệch chia cho 20 để tìm độ lệch TP SMATP  Cuối kết hợp TP, SMATP, độ lệch trung bình hệ số 0.015 theo công thức để có CCI: CCI = TP − SMATP 0,015 ∗ độ lệch trung bình Chỉ báo dao động ngẫu nhiên (Stochastic Oscillator – K% D%) Chỉ báo dao động ngẫu nhiên xây dựng để đo lường mối liên hệ hiệu số của giá đóng cửa hiện tại giá thấp nhất so với giá cao nhất khoảng thời gian nhất định, thể hiện qua công thức sau: K% = 100 ∗ Giá đóng cửa − Giá thấp nhất thời kỳ Giá cao nhất thời kỳ − Giá thất nhất thời kỳ D% = Trung bình di động ba thời kỳ của K% Theo đó, giá trị K% cho biết mức giá đóng cửa hiện tại nằm vị trí khoảng giá cao nhất thấp nhất của thời kỳ xem xét Giá trị K% tiến đến không cho thấy rằng giá đóng cửa hiện tại gần mức giá thấp nhất ngược lại giá trị K% bằng 100 đồng nghĩa với việc giá đóng cửa hiện tại mức cao nhất khoảng thời gian đó ... kế ứng dụng mạng thần kinh nhân tạo để dự báo giá chứng khoán thị trường chứng khoán Việt Nam 37 2.1 Thiết kế mạng thần kinh nhân tạo để dựa báo giá chứng khốn với nhóm biến kinh tế vĩ... số đề xuất từ q trình phân tích dự báo giá chứng khoán thị trường chứng khoán Việt Nam 79 3.1 Khả dự báo giá chứng khoán thị trường chứng khoán Việt Nam 80 3.2 Hành vi... Sự vượt trội mơ hình mạng thần kinh việc phân tích dự báo 25 ii 1.5 Việc ứng dụng mơ hình ANN dự báo – chứng thực nghiệm 29 1.6 Thiết kế mơ hình mạng thần kinh nhân tạo 32 Chương