Mạng nơ ron tích hợp với các kỹ thuật ra quyết định thông minh cho lớp các bài toán dự báo và ứng dụng Mạng nơ ron tích hợp với các kỹ thuật ra quyết định thông minh cho lớp các bài toán dự báo và ứng dụng luận văn tốt nghiệp thạc sĩ
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI ĐÀO ĐỨC CHÍNH ĐÀO ĐỨC CHÍNH CƠNG NGHỆ THƠNG TIN MẠNG NƠ RON TÍCH HỢP VỚI CÁC KỸ THUẬT RA QUYẾT ĐỊNH THÔNG MINH CHO LỚP CÁC BÀI TOÁN DỰ BÁO VÀ ỨNG DỤNG LUẬN VĂN THẠC SĨ KỸ THUẬT CÔNG NGHỆ THÔNG TIN 2014B Hà Nội – 2016 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI ĐÀO ĐỨC CHÍNH MẠNG NƠ RON TÍCH HỢP VỚI CÁC KỸ THUẬT RA QUYẾT ĐỊNH THÔNG MINH CHO LỚP CÁC BÀI TOÁN DỰ BÁO VÀ ỨNG DỤNG Chuyên ngành: Công Nghệ Thông Tin LUẬN VĂN THẠC SĨ KỸ THUẬT CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC : TS Phạm Văn Hải Hà Nội – 2016 Lời cam đoan Những kiến thức trình bày luận văn tơi tìm hiểu, nghiên cứu trình bày theo kiến thức tổng hợp cá nhân Kết nghiên cứu luận văn chưa cơng bố cơng trình khác Trong q trình làm luận văn, tơi có tham khảo tài liệu có liên quan ghi rõ nguồn tài liệu tham khảo Tôi xin cam đoan cơng trình nghiên cứu tơi khơng chép Tơi xin chịu hồn tồn trách nhiệm, sai, tơi xin chịu hình thức kỷ luật theo quy định Hà Nội, ngày 15 tháng 10 năm 2016 Học viên Đào Đức Chính i Lời cảm ơn Để hồn thành luận văn này, tơi nhận nhiều giúp đỡ nhiều cá nhân, tập thể tổ chức Trước tiên, xin bày tỏ lòng biết ơn sâu sắc tới TS Phạm Văn Hải, giảng viên môn Hệ Thống Thông Tin, viện Công Nghệ Thông Tin Truyền Thông, trường Đại Học Bách Khoa Hà Nội TS Lê Hoàng Sơn, giảng viên Trung tâm Tính tốn Hiệu cao, trường Đại Học Khoa Học Tự Nhiên, Đại Học Quốc Gia Hà Nội nhiệt tình hướng dẫn tạo điều kiện thuận lợi cho tơi nghiên cứu hồn thành luận văn cách tốt Tôi gửi lời cảm ơn đến anh chị em bạn Trung tâm Tính tốn Hiệu cao, trường Đại Học Khoa Học Tự Nhiên, Đại Học Quốc Gia Hà Nội giúp đỡ tơi q trình nghiên cứu tìm hiểu kết nghiên cứu liên quan Tôi xin gửi lời cảm ơn đến anh chị bạn nhóm nghiên cứu trí tuệ nhân tạo khai phá liệu trường Đại Học Bách Khoa Hà Nội có nhiều ý kiến đóng góp q báu giúp tơi hồn thiện luận văn Cuối cùng, xin gửi lời cảm ơn đến gia đình bạn bè, người ln bên tơi, động viên giúp đỡ tơi suốt q trình nghiên cứu thực luận văn Học viên Đào Đức Chính ii Mục lục Lời cam đoan i Lời cảm ơn ii Danh sách hình vẽ vi Danh sách bảng viii Mở đầu I ix Tổng quan tốn dự báo tài số kiến thức sở 1.1 1.2 Giới thiệu chuỗi thời gian Cơ mạng nơ ron phương pháp học 1.2.1 Giới thiệu mạng nơ ron sinh học 1.2.2 Mơ hình hóa nơ ron nhân tạo 1.2.3 1.2.4 Một số cấu trúc mạng nơ ron nhân tạo Thiết lập trọng số phương pháp học mạng nơ ron nhân tạo 1.2.5 Một số kỹ thuật học có giám sát mạng nơ ron nhân tạo 11 1.3 1.4 1.5 Một số kiến thức biến ngẫu nhiên phân phối xác suất 20 1.3.1 1.3.2 Lý thuyết tập hợp phần tử 20 Không gian mẫu độ đo xác suất 22 1.3.3 Biến ngẫu nhiên phân phối xác suất 24 1.3.4 Một số đại lượng đặc trưng biến ngẫu nhiên 27 1.3.5 Giới thiệu phân phối chuẩn 29 Lý thuyết tập mờ 30 1.4.1 Giới thiệu tập mờ 30 1.4.2 Luật mờ ứng dụng suy diễn 33 Bài tốn dự báo tài 35 1.5.1 Thị trường tài số liệu tài 36 1.5.2 Mơ hình tốn học liệu tài 38 1.5.3 Bài tốn dự báo tài 39 1.5.4 Một số nghiên cứu dự báo tài 39 iii 1.5.5 1.6 Bài toán dự báo xu hướng liệu tài 41 Tổng kết chương 42 II Thu thập tiền xử lý liệu tài 2.1 Thu thập liệu tài 43 2.1.1 2.1.2 2.2 2.3 43 Đồ thị liệu tài 43 Bảng liệu tài 45 Một số đặc trưng liệu tài 45 2.2.1 Mẫu đồ thị 46 2.2.2 2.2.3 Mẫu đồ thị tam giác cân 46 Mẫu đồ thị tam giác diễn tiến tăng 47 Phân tích sóng liệu tài 48 2.3.1 Đỉnh đáy chuỗi thời gian liệu tài 48 2.4 2.3.2 Bước sóng chuỗi thời gian liệu tài 48 Vấn đề chuẩn hóa liệu miền giá trị thực 51 2.5 Tổng kết chương 54 III Mơ hình mạng nơ ron tích hợp với kỹ thuật định thơng minh cho lớp tốn dự báo 3.1 3.2 3.3 Mơ hình tốn dự báo tài 55 3.1.1 Giả thiết mơ hình xác suất đề xuất 55 3.1.2 Bài toán dự báo xu hướng liệu tài ngắn hạn 56 3.1.3 Sơ đồ phương pháp dự báo xu hướng tài 57 Cấu trúc mạng nơ ron trình học 60 3.2.1 Xây dựng liệu học 61 3.2.2 Cấu trúc mạng nơ ron 61 3.2.3 Thuật toán học lan truyền ngược sai số 62 3.2.4 3.2.5 Áp dụng mạng nơ ron huấn luyện đưa kết dự báo 62 Chuyển kết đầu miền xác suất 64 Mơ hình hệ logic mờ trợ giúp định 67 3.3.1 3.4 55 Tích hợp kết dự báo từ liệu với khung thời gian khác 67 3.3.2 Xây dựng hệ logic mờ tập luật 67 Tổng kết chương 70 IV Cài đặt kết thử nghiệm 71 4.1 Môi trường cài đặt liệu 71 4.2 Phương pháp đo độ xác 71 4.3 4.4 Kết thử nghiệm 72 So sánh với số nghiên cứu liên quan 75 iv V Kết luận 77 5.1 Kết đạt 77 5.2 Định hướng phát triển 78 Tài liệu tham khảo 79 v Danh sách hình vẽ 1.1 Chuỗi thời gian doanh số bán rượu vang đỏ Úc khoảng thời gian năm 1980 đến 1991 1.2 Cấu tạo nơ ron sinh học 1.3 1.4 Mơ hình nơ ron nhân tạo Hàm đồng 1.5 Hàm bước nhảy với tham số θ 1.6 Hàm sigmoid với tham số σ 1.7 1.8 Hàm bipolar sigmoid với tham số σ = Mạng nơ ron lớp 1.9 Mạng nơ ron nhiều lớp với lớp ẩn 1.10 Một lớp cạnh tranh mạng nơ ron MAXNET 10 1.11 Ví dụ toán nhận dạng ký tự sử dụng phương pháp học có giám sát mạng nơ ron nhân tạo 11 1.12 Ví dụ liệu học sử dụng toán nhận dạng ký tự 12 1.13 Không gian liệu véc tơ đầu vào phân lớp A 13 1.14 Mạng simple perceptron giải toán nhận dạng ký tự thuộc lớp A 13 1.15 Véc tơ điều chỉnh trọng số trình học 14 1.16 Mơ hình mạng nơ ron nhân tạo truyền thẳng nhiều lớp 16 1.17 Lan truyền ngược sai số mạng nơ ron nhiều lớp 18 1.18 Trường hợp lý tưởng sai số mạng tiến dần giá trị cực tiểu 18 1.19 Cực tiểu địa phương (local minimum) cực tiểu toàn cục (global minimum) 19 1.20 Ví dụ hàm mật độ xác suất(a) hàm phân phối xác suất(b) 27 1.21 Đồ thị hàm mật độ xác suất (a) hàm phân phối xác suất (b) phân phối chuẩn m = σ = 31 1.22 Ví dụ tập thô tập mờ “short men”, “average men” “tall men” 33 1.23 Mơ hình suy diễn dựa luật mờ 34 1.24 Phép giải mờ trọng tâm 36 1.25 Đồ thị giá cổ phiếu Apple khoảng thời gian từ 17/8/2016 đến 30/8/2016 37 1.26 Đồ thị giá EUR/USD khoảng thời gian từ 6h GMT đến 23h GMT ngày 30/8/2016 37 vi 1.27 Biểu diễn đồng thời giá trị open, high, low, close thời điểm quan sát 38 2.1 Đồ thị liệu tỷ giá EUR/USD với khung thời gian T0 = phút từ 22h GMT ngày 2/9/2016 đến 4h GMT ngày 3/9/2016 44 2.2 Đồ thị liệu tỷ giá EUR/USD với khung thời gian T0 = ngày từ ngày 2.3 30/5/2016 đến ngày 2/9/2016 44 Symmetrical Triangle pattern với xu hướng tăng (a) xu hướng giảm (b) 47 2.4 Ascending Triangle pattern với đường nằm ngang qua đỉnh đường hướng lên qua đáy 47 2.5 Đỉnh đáy chuỗi thời gian liệu tỷ giá ngoại tệ EUR/USD, T0 = phút từ 10h GMT đến 6h GMT ngày 18/4/2016 51 2.6 Bước sóng chuỗi thời gian liệu tỷ giá ngoại tệ EUR/USD, T0 = phút từ 15h GMT đến 18:30 GMT ngày 18/4/2016 52 2.7 Tính chất phân bố giá trị biến ngẫu nhiên có phân phối chuẩn 53 3.1 Bài tốn dự báo xu hướng tài đề xuất: dựa đáy đỉnh dự báo xu hướng bước sóng 57 3.2 3.3 Sơ đồ mơ hình dự báo xu hướng liệu tài 58 Đoạn liệu đáy đỉnh liệu tỷ giá EUR/USD, khung thời gian T0 = phút, khoảng thời gian từ 11h GMT đến 14h GMT ngày 22/4/2016 58 3.4 3.5 Cấu trúc mạng nơ ron đề xuất 62 Hệ trợ giúp định từ thông tin dự báo tài 68 3.6 Các tập mờ cho xu hướng TĂNG 69 3.7 Các tập mờ cho xu hướng GIẢM 69 4.1 Kết trích đoạn liệu đỉnh đáy liệu EUR/USD 73 4.2 Kết dự báo xu hướng liệu EUR/USD thể đồ thị 73 4.3 4.4 Kết trích đoạn liệu đỉnh đáy liệu TAIEX 74 Kết dự báo xu hướng liệu TAIEX thể đồ thị 74 vii Danh sách bảng 1.1 Bảng tương quan lý thuyết tập hợp lý thuyết xác suất 23 1.2 Một số nghiên cứu dự báo tài năm gần 40 2.1 Bảng liệu tỷ giá ngoại tệ EUR/USD, T0 = phút, khoảng thời gian 4:25 GMT đến 5:05 GMT ngày 14/4/2016 45 2.2 Bảng liệu giá dầu thô theo đơn vị USD, T0 = giờ, khoảng thời gian 1:00 GMT đến 9:00 GMT ngày 1/4/2016 46 3.1 Các ký hiệu, định nghĩa cơng thức tính mạng nơ ron 64 3.2 Bảng giá trị hàm error function erf (x) 66 4.1 Kết thử nghiệm toán dự báo xu hướng liệu tài 72 viii Bảng 3.2: Bảng giá trị hàm error function erf (x) x erf (x) x erf (x) x erf (x) x erf (x) 0.05 0.01994 0.80 0.28814 1.55 0.43943 2.30 0.48928 0.10 0.03983 0.85 0.30234 1.60 0.44520 2.35 0.49061 0.15 0.05962 0.90 0.31594 1.65 0.45053 2.40 0.49180 0.20 0.07926 0.95 0.32894 1.70 0.45543 2.45 0.49286 0.25 0.09871 1.00 0.34134 1.75 0.45994 2.50 0.49379 0.30 0.11791 1.05 0.35314 1.80 0.46407 2.55 0.49461 0.35 0.13683 1.10 0.36433 1.85 0.46784 2.60 0.49534 0.40 0.15542 1.15 0.37493 1.90 0.47128 2.65 0.49597 0.45 0.17365 1.20 0.38493 1.95 0.47441 2.70 0.49653 0.50 0.19146 1.25 0.39435 2.00 0.47726 2.75 0.49702 0.55 0.20884 1.30 0.40320 2.05 0.47982 2.80 0.49744 0.60 0.22575 1.35 0.41149 2.10 0.48214 2.85 0.49781 0.65 0.24215 1.40 0.41924 2.15 0.48422 2.90 0.49813 0.70 0.25804 1.45 0.42647 2.20 0.48610 2.95 0.49841 0.75 0.27337 1.50 0.43319 2.25 0.48778 3.00 0.49865 Từ công thức (3.7), giá trị y biểu diễn bằng: y = − P r(X ≤ µ) = − 0.5 + erf µ−µ σ (3.11) Suy ra: erf µ−µ σ = 0.5 − y (3.12) Với y biết, vế phải (3.12) tính Tra bảng giá trị hàm erf (x) để xác định đối số từ giá trị hàm Bảng 3.2 trình bày số giá trị hàm erf (x) Dựa vào bảng giá trị hàm erf (x), xác định đối số công thức (3.12), ký hiệu giá trị u: µ−µ =u σ (3.13) µ = µ − uσ (3.14) Suy ra: Với giả thiết mơ hình xác suất, độ lệch chuẩn khơng thay đổi bước sóng kế tiếp, σ = σ, ta tính giá trị kỳ vọng µ dựa kỳ vọng µ độ lệch chuẩn σ thời điểm tại: µ = µ − uσ 66 (3.15) Sau tham số µ σ biến ngẫn nhiên X tính được, giá trị T rend cơng thức (3.8) hồn tồn tính dựa định nghĩa hàm phân phối xác suất 3.3 Mơ hình hệ logic mờ trợ giúp định Quá trình đưa giá trị dự báo xu hướng T rend mô tả phần trước, toán dự báo xu hướng giải Tuy nhiên, xét khía cạnh đưa thơng tin tư vấn cho nhà đầu tư tài chính, thơng tin chưa đủ hữu ích Phần trình bày q trình xử lý sau có thơng tin dự báo từ phần trước, hệ logic mờ trợ giúp định 3.3.1 Tích hợp kết dự báo từ liệu với khung thời gian khác Vấn đề thu thập liệu tài trình bày phần 2.1 chương 2, với loại sản phẩm hàng hóa, khung thời gian T0 khác nhau, chuỗi thời gian thu khác Do đó, kết dự báo hàng hóa với khung thời gian khác khác Xét ví dụ tỷ giá ngoại tệ EUR/USD, với khung thời gian T0 = phút, dự báo xu hướng TĂNG, với khung thời gian T0 = ngày, dự báo xu hướng GIẢM Điều có nghĩa xét khoảng ngắn hạn vài tiếng tiếp theo, tỷ giá ngoại tệ có xu hướng TĂNG, nhiên khoảng dài hạn vài ngày tới, tỷ giá ngoại tệ GIẢM Vấn đề đặt xây dựng hệ trợ giúp định dựa thông tin dự báo xu hướng có từ mơ hình xác suất kết hợp mạng nơ ron trình bày phần trước Mơ hình phương pháp xây dựng hệ trợ giúp định từ kết dự báo xu hướng tài mơ tả hình sau Phương pháp đề xuất sử dụng thông tin dự báo với khung thời gian khác nhau, T0 = phút, T0 = T0 = ngày Các thông tin dự báo xu hướng tích hợp sử dụng hệ logic mờ luật mờ Quá trình suy diễn đưa thông tin trợ giúp định cho người sử dụng 3.3.2 Xây dựng hệ logic mờ tập luật Khái niệm tập mờ hệ logic mờ dựa tập luật trình bày phần 1.4 chương Phần mô tả hệ logic mờ tập luật trợ giúp định đầu tư tài 67 Hình 3.5: Hệ trợ giúp định từ thơng tin dự báo tài Ký hiệu giá trị xu hướng T rend ứng với khung thời gian T0 T rendT Cụ thể, T rend5m xu hướng ứng với khung thời gian phút, T rend1h xu hướng ứng với khung thời gian giờ, T rend1D xu hướng ứng với khung thời gian ngày Xây dựng tập luật Tập luật trợ giúp định đầu tư tài dựa kiến thức chuyên gia xây dựng sau Luật 1: IF T rend1D có khả TĂNG AND T rend1h có khả TĂNG AND T rend5m TĂNG THEN định MUA Luật 2: IF T rend1D có khả GIẢM AND T rend1h có khả GIẢM AND T rend5m GIẢM THEN định BÁN Tập luật gồm hai luật mô tả có đặc điểm ưu tiên xu hướng dài hạn T rend1D so với xu hướng ngắn hạn T rend5m , nguyên lý dựa nguyên tắc đầu tư nhiều nhà đầu tư tài tiếng [19] 68 Hình 3.6: Các tập mờ cho xu hướng TĂNG Hình 3.7: Các tập mờ cho xu hướng GIẢM Xây dựng tập mờ Các giá trị T rend1D , T rend1h T rend5m kết dự báo xu hướng, có miền giá trị nằm khoảng [0, 1], từ ta xây dựng tập mờ tập [0, 1] Tập mờ cho có khả TĂNG, có khả TĂNG TĂNG thể hình 3.6 Một cách tự nhiên, TĂNG GIẢM hai tính chất đối lập, xây dựng tập mờ cho xu hướng GIẢM có tính chất đối xứng quanh trục T rend = 0.5 với tập mờ cho xu hướng TĂNG Tập mờ cho xu hướng GIẢM thể hình 3.7 69 Đánh giá luật Như trình bày phần 1.4, bước đánh giá luật thực phép tính kết hợp mệnh đề IF thường sử dụng phép max OR phép AND Phương pháp luận văn đề xuất thực phép tích độ thuộc mệnh đề IF, tức là: µ(Rule) = µ(T rend1D ) × µ(T rend1h ) × µ(T rend5m ) (3.16) Với giá trị tính µ(Rule) ≥ 0.7 đưa thơng tin tư vấn tư vấn MUA BÁN cho nhà đầu tư 3.4 Tổng kết chương Chương trình bày chi tiết phương pháp dự báo xu hướng giá tài dựa giả thiết mơ hình phân phối xác suất chuẩn kết hợp huấn luyện mạng nơ ron nhân tạo Cấu trúc mạng nơ ron nhân tạo thuật toán học lan truyền ngược sai số mô tả chi tiết Kết dự báo từ mạng nơ ron sử dụng tiếp hệ logic mờ trợ giúp định đầu tư tài Về bản, mạng nơ ron để học mơ hình liệu tài đưa thông tin dự báo, hệ logic mờ để xử lý tích hợp nhiều thơng tin dự báo thời điểm đưa tư vấn đầu tư tài 70 Chương IV Cài đặt kết thử nghiệm 4.1 Môi trường cài đặt liệu Chương trình thử nghiệm ứng dụng Web, phần xử lý back-end Spring Framework với ngôn ngữ lập trình Java Chương trình cài đặt tảng Cloud Platform as a Service (PaaS) OpenShift [20] Dữ liệu thử nghiệm tỷ giá ngoại tệ EUR/USD tháng năm 2016 lấy từ website [19] số chứng khoán TAIEX năm 2002, 2003, 2004 lấy từ báo [16] Dữ liệu EUR/USD thu thập theo khung thời gian phút liệu TAIEX theo khung thời gian ngày 4.2 Phương pháp đo độ xác Xét chuỗi thời gian liệu tài thời điểm N : F T S = {ohlc1 , ohlc2 , ohlcN } (4.1) Tập giá trị K thời điểm tương lai là: F = {ohlcN +1 , ohlcN +2 , ohlcN +K } (4.2) • Đối với tốn dự báo xu hướng tài chính, độ đo accuracy tính sai khác giá trị T rendf dự báo (forecast) giá trị T renda thực tế (actual) T rendf = P r(X ≥ closeN ) (4.3) kết từ mơ hình dự báo trình bày chương T renda = |x : x ∈ F, x ≥ closeN | |F | 71 (4.4) Bảng 4.1: Kết thử nghiệm toán dự báo xu hướng liệu tài [6] Dữ liệu N M K Right Wrong Accuracy EUR/USD 1948 1393 25 759 534 58.70% TAIEX 738 189 25 119 70 62.96% EUR/USD - - - - 83% giá trị xu hướng từ liệu thực tế Với quy ước T rend = với xu hướng TĂNG T rend = với xu hướng GIẢM, độ đo accuracy tính bởi: accuracy = M i=1 |T rendf == T renda | × 100% M (4.5) với M độ dài mẫu liệu test, ký hiệu == có giá trị T rendf = T renda ngược lại Giá trị accuracy cơng thức (4.5) đạt gần 100% phương pháp đưa có độ xác cao • Đối với tốn dự báo tài chính, giá trị dự báo giá hàng hóa tương lai Đây hướng nghiên cứu hầu hết báo trình bày chương Phương pháp đề xuất luận văn khơng đưa xác dự báo giá, dựa vào giả thiết mô hình xác suất, biến ngẫu nhiên giá hàng hóa biến đổi liên tục với phân phối chuẩn (µ, σ), nên ta coi giá dự báo thời điểm tương lai µ Từ cơng thức đánh giá độ xác accuracy tính dựa root-mean-square-error (RMSE) sau: RM SE = 4.3 M i=1 (f orecasted valuei − actual valuei )2 M (4.6) Kết thử nghiệm Ký hiệu N tổng số mẫu liệu thu thập, M số mẫu thử nghiệm, N − M phần liệu sử dụng để học mạng nơ ron nhân tạo Số mẫu dự báo thời điểm tương lai K Kết thử nghiệm toán dự báo xu hướng liệu tài thể bảng 4.1 Kết thực nghiệm liệu tỷ giá ngoại tệ EUR/USD, khung thời gian phút, liệu tháng năm 2016 cho kết dự báo xu hướng 25 mẫu đạt độ xác 58.70% So với kết báo [6] đưa dự báo xu hướng mẫu đạt độ xác 83% với liệu EUR/USD, kết dự báo 72 Hình 4.1: Kết trích đoạn liệu đỉnh đáy liệu EUR/USD Hình 4.2: Kết dự báo xu hướng liệu EUR/USD thể đồ thị 73 Hình 4.3: Kết trích đoạn liệu đỉnh đáy liệu TAIEX Hình 4.4: Kết dự báo xu hướng liệu TAIEX thể đồ thị luận văn có độ xác thấp hơn, nhiên phạm vi dự báo rộng mang nhiều ý nghĩa tốn dự báo xu hướng Mơ hình phương pháp thử nghiệm liệu số chứng khoán TAIEX năm 2002, 2003, 2004, kết dự báo xu hướng tháng cuối năm 2004 độ xác đạt 62.96%, nhiên sai số trung bình bình phương RMSE = 166.19, so với kết 87.98 [15] 86.14 [16] phương pháp đề xuất có sai số RMSE lớn xét tốn dự báo giá chứng khốn đóng cửa ngày hơm sau Chương trình cài đặt tảng Cloud OpenShift với thời gian đáp ứng xử lý tính tốn đưa thơng tin dự báo nhỏ giây 74 4.4 So sánh với số nghiên cứu liên quan Một số nghiên cứu dự báo tài năm gần trình bày bảng 1.2 Hầu hết nghiên cứu tập trung giải toán dự báo mẫu kế tiếp, dựa số phương pháp chuỗi thời gian ARIMA [2] hay chuỗi thời gian mờ [15] [16], phương pháp dựa mơ hình mạng nơ ron bao gồm Multilayer Neural Network [12] [18], Adaptive Neuro Fuzzy Inference System [9], Convolutional Neural Network [6] Recurrent Neural Network [13] Nhìn chung, phương pháp nghiên cứu có ưu điểm sau: • Xây dựng hàm số (thường phi tuyến) biến giá trị hàng hóa tương lai dựa số lượng hữu hạn giá hàng hóa khứ Hàm số xác định dựa mơ hình mạng nơ ron mơ hình chuỗi thời gian • Kết nghiên cứu áp dụng cho khơng chuỗi thời gian liệu tài mà cịn liệu biểu diễn dạng chuỗi thời gian Đây điểm mạnh phương pháp Tuy nhiên, xét đặc trưng toán dự báo liệu tài chính, phương pháp tồn số vấn đề phương pháp trình bày luận văn giải vấn đề này: • Khơng sử dụng đầy đủ liệu tài chính, cụ thể sau thời điểm quan sát, chuỗi thời gian liệu tài thu bao gồm giá trị Open, High, Low, Close Hầu hết nghiên cứu sử dụng dự báo giá trị Close giá trị trung bình ngày khơng sử dụng giá trị lại Luận văn đưa phương pháp tận dụng liệu giá trị • Phương pháp nghiên cứu áp dụng cho liệu biểu diễn dạng chuỗi thời gian, phương pháp khơng phân tích đặc trưng liệu tài Luận văn dựa nghiên cứu Chart Patterns phần 2.2 từ đưa khái niệm đỉnh, đáy bước sóng liệu tài đề xuất phương pháp dự báo dựa đặc trưng liệu • Hầu hết nghiên cứu đưa phương pháp dự báo giá mẫu tương lai Bài toán dự báo tài mơ tả phân tích phần 1.5.3, tốn dự báo tài tổng quát với số mẫu dự báo trước K > tốn khó phức tạp Tuy nhiên, xét góc nhìn nhà đầu tư tài chính, thông tin dự báo vài ngày quan trọng Từ đó, luận văn đề xuất giải tốn dự báo tài mức độ đơn giản hơn, toán dự báo xu hướng liệu tài chính, kết thử nghiệm dự báo xu hướng số mẫu tương lai K = 25 • Hầu hết nghiên cứu sử dụng liệu tài theo ngày, thực tế liệu tài biến động phút Vấn đề ảnh hưởng nhiều 75 đến kết dự báo tài Để giải vấn đề này, luận văn đưa phương pháp sử dụng hệ logic mờ tích hợp kết dự báo từ khung thời gian liệu khác Từ đó, kết thu sau q trình tích hợp từ luật mờ có độ tin cậy cao kết thành phần 76 Chương V Kết luận 5.1 Kết đạt Luận văn trình bày phương pháp dự báo xu hướng liệu tài chính, dựa khai thác số đặc trưng liệu tài đề xuất mơ hình xác suất cho liệu Một số kết đạt bật luận văn thể • Luận văn đưa mơ hình tốn học tốn dự báo tài dựa kết nghiên cứu số báo, từ đề xuất tốn dự báo tài mới, tốn dự báo xu hướng tài • Luận văn nghiên cứu sâu đặc trưng liệu tài chính, mơ hình hóa liệu tài từ đề xuất giả thiết mơ hình xác suất cho biến thiên liệu tài • Mơ hình mạng nơ ron, cấu trúc mạng phương pháp học dựa mơ hình mạng nơ ron truyền thẳng nhiều lớp, khơng có nhiều tính nhiên luận văn sâu vào xây dựng liệu học nhằm mục đích huấn luyện mạng nơ ron học mơ hình đồ thị tài • Mơ hình hệ logic mờ suy diễn dựa tập luật tác giả luận văn đề xuất dựa tham khảo ý kiến chun gia • Chương trình cài đặt thử nghiệm ứng dụng Web dựa tảng Cloud có tính ứng dụng cao Phương pháp đề xuất thử nghiệm với liệu tỷ giá ngoại tệ liệu số chứng khoán, kết dự báo xu hướng 25 mẫu đạt độ xác khoảng 60%, kết tạm chấp nhận toán dự báo xu hướng liệu tài So với số nghiên cứu liên quan, luận văn đề xuất hướng tiếp cận tốn dự báo tài chính, dự báo xu hướng phạm vi nhiều mẫu thay dự 77 báo xác giá trị mẫu Vì vậy, điểm khác biệt lớn phương pháp đề xuất số nghiên cứu liên quan phạm vi ứng dụng phương pháp trình bày luận văn liệu tài chính, phạm vi ứng dụng phương pháp dự báo tài liệu trích dẫn áp dụng với liệu biểu diễn dạng chuỗi thời gian 5.2 Định hướng phát triển Phương pháp đề xuất luận văn có khả dự báo xu hướng tài ngắn hạn kết tương đối tốt Một số hướng cải thiện phát triển phương pháp sau • Phân tích đoạn liệu đầu vào: ngồi giá trị đỉnh đáy, nghiên cứu thêm số thơng số thống kê khác ví dụ giá trị trung vị, giá trị moment trung tâm, • Tăng số đầu vào mạng nơ ron, nhiều giá trị đỉnh đáy, đồng thời với số giá trị thống kê liệu sử dụng làm đầu vào cho mạng nơ ron 78 Tài liệu tham khảo [1] Ajith Abraham (2016), “Engineering Applications of Artificial Intelligence: Change in Editorship”, International Federation of Automatic Control, Newsletter February 2016, pp 1-3 [2] Babu AS and Reddy SK (2015), “Exchange Rate Forecasting using ARIMA, Neural Network and Fuzzy Neuron”, Journal of Stock & Forex Trading, Vol 4, Issue 3, 1000155 [3] Đào Đức Chính, Phan Anh Phong, Trần Đình Khang (2013), “Một phương pháp heuristic xây dựng hệ logic mờ loại hai đại số gia tử”, Hội thảo khoa học Quốc gia vấn đề ứng dụng công nghệ thông tin (FAIR) lần thứ 6, tr 308-315 [4] Kevin Matras (2014), Chart Patterns Trader, Lecture Note Supplement of subject FIN 610 Securities Analysis of Investments, Master of Science in Financial Services Program, Saint Joseph’s University, Philadelphia, USA [5] Laurene V Fausett (1994), Fundamentals of Neural Networks: Architectures, Algorithms and Applications, Prentice-Hall, USA [6] Luca Di Perio and Oleksandr Honchar (2016), “Artificial neural networks approach to the forecast of stock market price movements”, International Journal of Economics and Management Systems, Vol 1, pp 158-162 [7] M Isabel Ribeiro (2004), “Gaussian Probability Density Functions: Properties and Error Characterization”, Instituto de Sistemas e Robotica, IST [8] Michael Negnevitsky (2005), Artificial Intelligence, A Guide to Intelligent Systems, Second Edition, Addison-Wesley, England [9] Mustain Billah and Sajjad Waheed (2015), “Predicting Closing Stock Price using Artificial Neural Network and Adaptive Neuro Fuzzy Inference System, The Case of the Dhaka Stock Exchange”, International Journal of Computer Applications, Vol 129, No 11 79 [10] Oludele Awodele and Olawale Jegede (2009), “Neural Networks and Its Application in Engineering”, Proceedings of Informing Science & IT Education Conference, pp 83-95 [11] Peter J Brockwell and Richard A Davis (2002), Introduction to Time Series and Forecasting, Second Edition, Springer, USA [12] Rupinder kaur and Vidhu Kiran (2015), “Efficient Artificial Neural Network based Practical Approach of Stock Market Forecasting”, International Journal of Advanced Research in Computer and Communication Engineering, Vol 4, Issue 8, pp 263-267 [13] Sanju Singh Saini, Omkar Parkhe and T.D.Khadtare (2016), “Analysis of Feedforward and Recurrent Neural Network in Forecasting Foreign Exchange Rate”, Imperial Journal of Interdisciplinary Research, Vol 2, Issue 6, pp 822-826 [14] Shyi-Ming Chen and Yu-Chuan Chang (2010), “Multi-variable fuzzy forecasting based on fuzzy clustering and fuzzy rule interpolation techniques”, Information Sciences 180, Elsevier, pp 4772–4783 [15] Shyi-Ming Chen, Huai-Ping Chu and Tian-Wei Sheu (2011), “TAIEX Forecasting Using Fuzzy Time Series and Automatically Generated Weights of Multiple Factors”, IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans, Vol 42, No 6, pp 1485-1495 [16] Shyi-Ming Chen and Pei-Yuan Kao (2013), “Forecasting the TAIEX Based on Fuzzy Time Series, PSO Techniques and Support Vector Machines”, Intelligent Information and Database Systems, Volume 7802 of Lecture Notes in Computer Science, pp 89-98 [17] T.T Soong (2004), Fundamentals of Probability and Statistics for Engineers, John Wiley & Sons, England [18] Victor Devadoss and Antony Alphonnse Ligori (2013), “Stock Prediction Using Artificial Neural Networks”, International Journal of Data Mining Techniques and Applications, Vol 02, pp 283-291 [19] www.investing.com, Stock Market Quotes & Financial News [20] www.openshift.com, OpenShift: PaaS by Red Hat 80 ... GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI ĐÀO ĐỨC CHÍNH MẠNG NƠ RON TÍCH HỢP VỚI CÁC KỸ THUẬT RA QUYẾT ĐỊNH THÔNG MINH CHO LỚP CÁC BÀI TOÁN DỰ BÁO VÀ ỨNG DỤNG Chuyên... 1.8: Mạng nơ ron lớp lớp đầu Mạng nơ ron lớp thể hình 1.8, nơ ron khối đầu vào kết nối toàn tới lớp đầu ra, nơ ron lớp đầu hồn tồn khơng kết nối với Chú ý mạng nơ ron lớp, trọng số tới nơ ron. .. xếp nơ ron vào lớp kết nối lớp mạng nơ ron gọi cấu trúc mạng [5] Mạng nơ ron thường phân loại theo mạng lớp mạng nhiều lớp Trong việc xác định số lượng lớp mạng, lớp đầu vào thường khơng tính lớp