Khảo sát và đánh giá khả năng ứng dụng mô hình mạng nơron trong lĩnh vực dự báo tại thị trường chứng khoán việt nam

Đại Học Quốc Gia Tp Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA - TRIỆU VIỆT CƯỜNG KHẢO SÁT VÀ ĐÁNH GIÁ KHẢ NĂNG ỨNG DỤNG MƠ HÌNH MẠNG NƠRON TRONG LĨNH VỰC DỰ BÁO TẠI THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM Chuyên ngành : Quản Trị Kinh Doanh TP HỒ CHÍ MINH, tháng 06 năm 2008 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học : TS Vương Đức Hoàng Quân Cán chấm nhận xét : Cán chấm nhận xét : Luận văn thạc sĩ bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày tháng năm ĐẠI HỌC QUỐC GIA TP HCM CỘNG HOÀ XÃ HỘI CHỦ NGHIÃ VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc Lập - Tự Do - Hạnh Phúc -oOo - Tp HCM, ngày 30 tháng 06 năm 2008 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên : TRIỆU VIỆT CƯỜNG Giới tính : Nam Ngày, tháng, năm sinh : 02/12/1982 Nơi sinh : Đồng Nai Chuyên ngành : Quản Trị Kinh Doanh Khoá : 17 1- TÊN ĐỀ TÀI: KHẢO SÁT VÀ ĐÁNH GIÁ KHẢ NĂNG ỨNG DỤNG MƠ HÌNH MẠNG NƠRON TRONG LĨNH VỰC DỰ BÁO TẠI THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM 2- NHIỆM VỤ LUẬN VĂN:  Tìm hiểu Mạng Nơron khả ứng dụng mơ hình Mạng Nơron lĩnh vực dự báo biến động thị trường chứng khốn  Phân tích ưu khuyết điểm phương pháp dự báo truyền thống Đề xuất phương pháp xây dựng mơ hình dự báo dựa kết hợp công cụ Mạng Nơron phương pháp dự báo truyền thống  Đánh giá khả dự báo mơ hình Mạng Nơron thơng qua việc so sánh kết dự báo số Vn-Index mơ hình Mạng Nơron mơ hình Hồi Quy 3- NGÀY GIAO NHIỆM VỤ : 21/01/2008 4- NGÀY HOÀN THÀNH NHIỆM VỤ : 30/06/2008 5- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN : TS.Vương Đức Hoàng Quân Nội dung đề cương Luận văn thạc sĩ Hội Đồng Chuyên Ngành thông qua CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM BỘ MƠN QUẢN LÝ CHUN NGÀNH TS.Vương Đức Hồng Quân LỜI CÁM ƠN Đầu tiên, xin chân thành cảm ơn quý Thầy Cô Khoa Quản Lý Công NghiệpTrường Đại Học Bách Khoa Thành phố Hồ Chí Minh tận tình truyền đạt cho tơi kiến thức q báu thời gian năm vừa qua Đặc biệt xin gởi lời tri ân sâu sắc đến TS.Vương Đức Hồng Qn, người nhiệt tình hướng dẫn giúp đỡ suốt thời gian thực luận văn Tôi xin gởi lời cảm ơn đến bạn học viên MBA khóa 17 giúp đỡ tơi nhiều trình thu thập số liệu đóng góp ý kiến q báu giúp tơi hồn thành tốt luận văn Vì quỹ thời gian có hạn nên chắn luận văn khó tránh khỏi hạn chế thiếu sót, mong nhận ý kiến đóng góp q Thầy Cơ bè bạn để luận văn trở nên hoàn thiện TP.HCM, ngày 30 tháng 06 năm 2008 Học Viên Triệu Việt Cường TĨM LƯỢC Thị trường chứng khốn kênh đầu tư hấp dẫn có lợi nhuận kỳ vọng lớn Để đạt mục tiêu tối ưu lợi nhuận, nhà đầu tư cố gắng dự báo biến động thị trường Tuy nhiên, việc dự báo thị trường chứng khoán thách thức lớn Với khả nhận dạng mối quan hệ phi tuyến phức tạp từ tập hợp liệu lớn, Mạng Nơron tỏ có ưu phương pháp khác thực dự báo biến động phức tạp thị trường chứng khoán Tuy nhiên, Mạng Nơron chất cơng cụ tốn học túy, để xây dựng mơ hình dự báo hiệu đòi hỏi phải biết kết hợp Mạng Nơron với phương pháp phân tích dự báo truyền thống Mục tiêu đề tài khảo sát đánh giá khả ứng dụng Mạng Nơron lĩnh vực dự báo thị trường chứng khoán Việt Nam Để đánh giá hiệu mơ hình Mạng Nơron, đề tài thực so sánh kết dự báo mơ hình Mạng Nơron mơ hình Hồi Quy Kết cho thấy mơ hình Mạng Nơron có khả dự báo tốt biến động thị trường có hiệu mặt tài cao nhiều so với mơ hình Hồi Quy Điều chứng tỏ ưu vượt trội mơ hình Mạng Nơron Trong điều kiện thị trường chứng khốn Việt Nam cịn non trẻ nay, rõ ràng công cụ Mạng Nơron chưa thể phát huy sức mạnh hạn chế mặt số liệu Tuy nhiên, với tốc độ phát triển nhanh ngày mang tính chuyên nghiệp hơn, hạn chế mặt số liệu thị trường chứng khốn Việt Nam dần xóa bỏ mơ hình Mạng Nơron hứa hẹn cơng cụ dự báo hữu ích Việt Nam ABSTRACT Stock Market is an attractive channel investment because of its high profits In order to get more profits, investors try to predict the fluctuation of stock market However, until now stock market prediction remains a big challenge With its ability to discover nonlinear relationship from a large and complex data set, Neural Network offers the ability to predict market directions more accurately than other techniques However, Neural Network is essentially a mathematics model Hence, to design an effect model for predicting stock market, we must combine Neural Network with traditional analyzing and predicting method The objective of this study is to survey and evaluate the ability of applying Neural Networks to predict in Viet Nam stock market To evaluate the effective of Neural Network model, this study compares the prediction result of Neural Network model with Regression model The result shows that the Neural Networks model can predict the fluctuation of price in stock market more accurately and effectively than Regression model This proves the great advantage of Neural Network The Viet Nam stock market is only established in a few years, so that the Neural Network still cannot display its power because of the data limitation However, with the fast development, the Viet Nam stock market is becoming more professional with every passing day In the near future, the data limitation will not exist and at that time, the Neural Network will become a useful tool in Viet Nam stock market i MỤC LỤC CHƯƠNG TỔNG QUAN 1.1 Giới Thiệu 1.2 Mục tiêu đề tài 1.3 Phạm vi nghiên cứu 1.4 Ứng dụng đề tài 1.5 Kết cấu đề tài CHƯƠNG MẠNG NƠRON NHÂN TẠO 2.1 Giới thiệu 2.1.1 Khái niệm sơ lược cấu trúc mạng 2.1.2 Lịch sử phát triển 2.1.3 Ứng dụng 10 2.2 Một số khái niệm quan trọng 11 2.2.1 Hàm xử lý 11 2.2.2 Tiến trình học 13 2.2.3 Giải thuật lan truyền ngược (Back-Propagation) 14 2.3 2.3.1 Vấn đề thiết kế cấu trúc mạng 15 Số lớp ẩn 16 ii 2.3.2 2.4 Số đơn vị lớp ẩn 16 Tóm tắt 18 CHƯƠNG THỊ TRƯỜNG CHỨNG KHOÁN VÀ VẤN ĐỀ DỰ BÁO 3.1 Thị trường chứng khoán 20 3.1.1 Lý thuyết đầu tư 20 3.1.2 Những liệu có liên quan 22 3.2 Vấn đề dự báo thị trường chứng khoán 24 3.2.1 Giả thuyết thị trường hiệu 24 3.2.2 Các phương pháp dự báo 25 3.3 Các nghiên cứu sử dụng Mạng Nơron 29 3.3.1 Dự báo sử dụng giá khứ 30 3.3.2 Dự báo sử dụng giá khứ số số khác 31 3.4 So sánh Mạng Nơron mơ hình dự báo khác 33 3.5 Tóm tắt 34 CHƯƠNG PHƯƠNG PHÁP NGHIÊN CỨU 4.1 Sơ lược q trình xây dựng mơ hình dự báo 36 4.2 Thu thập liệu 37 4.2.1 Xác định yêu cầu liệu 37 4.2.2 Xác định nguồn liệu 37 4.2.3 Xác định lượng liệu 37 iii 4.3 Xử lý liệu 37 4.3.1 Kiểm tra tính hợp lý liệu 37 4.3.2 Hiệu chỉnh liệu 38 4.3.3 Phân tích liệu 38 4.3.4 Một số công thức xác định độ tương quan 39 4.4 Kết hợp phương pháp truyền thống để thu thập xử lý liệu 40 4.4.1 Kết hợp phân tích 41 4.4.2 Kết hợp phân tích kỹ thuật 43 4.4.3 Kết hợp phân tích hồi quy 44 4.5 Xây dựng Mạng Nơron 45 4.5.1 Chuẩn hóa liệu 45 4.5.2 Phân chia liệu 46 4.5.3 Xác định cấu trúc mạng 47 4.5.4 Huấn luyện điều kiện dừng huấn luyện 48 4.6 Phương pháp dự báo tiêu chí đánh giá 49 4.6.1 Phương pháp dự báo 49 4.6.2 Tiêu chí đánh giá 50 4.7 Các bước thực nghiên cứu 51 4.7.1 Thu nhập liệu 52 4.7.2 Xử lý liệu 52 4.7.3 Xác định cấu trúc mạng 52 4.7.4 Huấn luyện mạng 53 4.7.5 Thực thi 53 iv 4.8 Tóm tắt 54 CHƯƠNG THU THẬP VÀ XỬ LÝ DỮ LIỆU 5.1 Thu thập liệu 55 5.2 Xác định biến cần dự báo 56 5.2.1 Xác định khử tính mùa vụ có 57 5.2.2 Xác định khử thành phần xu 57 5.3 Xử lý biến độc lập 58 5.3.1 Xử lý liệu 58 5.3.2 Xử lý liệu kỹ thuật 61 5.4 Đáng giá tổng thể biến độc lập 67 CHƯƠNG KẾT QUẢ VÀ ĐÁNH GIÁ 6.1 Mơ hình dự báo theo tuần 69 6.1.1 Mơ hình Hồi Quy 69 6.1.2 Mơ hình Mạng Nơron 70 6.2 Mơ hình dự báo theo tháng 71 6.2.1 Mơ hình Hồi Quy 71 6.2.2 Mơ hình Mạng Nơron 71 6.3 So sánh kết dự báo số Vn-Index 72 6.3.1 Mơ hình dự báo tuần 72 6.3.2 Mơ hình dự báo tháng 73 91 Phụ Lục Thuật Toán Huấn Luyện Mạng Nơron Thuật toán Gradient giảm dần (Gradient descent) Gradient descent giải thuật tối ưu dùng để tìm giá trị cực tiểu hàm vô hướng Gọi f(X) hàm vô hướng n biến xi Các biến biểu diễn dạng vectơ sau : 𝑥𝑥1 𝑥𝑥2 𝑋𝑋 = � ⋮ � 𝑥𝑥𝑛𝑛 Đạo hàm hàm f theo vectơ X gọi gradient hàm f (ký hiệu ∇𝑋𝑋 𝑓𝑓) hướng tăng cực đại hàm f Gradient hàm f được tính theo cơng thức sau : ∇X 𝑓𝑓 = 𝜕𝜕𝜕𝜕(𝑥𝑥) ⎫ ⎧ 𝜕𝜕𝑥𝑥 ⎪ ⎪ ⎪𝜕𝜕𝜕𝜕(𝑥𝑥)⎪ 𝑑𝑑𝑑𝑑(𝑋𝑋) 𝑑𝑑𝑑𝑑 ⎨ 𝜕𝜕𝑥𝑥2 ⎬ ⋮ ⎪𝜕𝜕𝜕𝜕(𝑥𝑥)⎪ ⎪ ⎪ ⎩ 𝜕𝜕𝑥𝑥𝑛𝑛 ⎭ Thuật tốn gradient mơ tả khái quát sau : Bước :Lấy ngẫu nhiên giá trị ban đầu X0 Bước : Tính gradient hàm f(X) X0 : ∇X 𝑓𝑓 = 𝑑𝑑𝑑𝑑(𝑋𝑋0 ) 𝑑𝑑𝑑𝑑 92 Bước : Chỉnh X0 nhận X1 cách di chuyển ngượi lại với gradient, nghĩa là: 𝑑𝑑𝑑𝑑(𝑋𝑋0 ) � X1 = 𝑋𝑋0 − 𝐾𝐾 ∙ � 𝑑𝑑𝑑𝑑 Bước : Dừng lại (Xn+1 − 𝑋𝑋𝑛𝑛 ) đủ nhỏ Thuật toán Gradient liên hợp ( Conjugate Gradient) Thuật toán Gradient liên hợp phương pháp cải tiến thuật toán Gradient giảm dần Phương pháp Gradient liên hợp cho kết hội tụ nhanh phương pháp Gradient giảm dần Phương pháp Gradient liên hợp mô tả đơn giản sau : Bước : Chọn hướng bắt đầu ngược với gradient (p0 = -g0) Bước : Thực bước (Δxk = (xk+1 - xk) = αkpk) Chọn αk để tối thiểu hàm theo hướng tìm kiếm chọn Có thể chọn sau: 𝛼𝛼𝑘𝑘 = 𝑔𝑔𝑘𝑘𝑇𝑇 𝑝𝑝𝑘𝑘 𝑝𝑝𝑘𝑘𝑇𝑇 𝐴𝐴𝑘𝑘 𝑝𝑝𝑘𝑘 (Phương trình suy cách chọn αk để tối thiểu hóa hàm F(xk + αkpk) Để thực hiện, ta lấy đạo hàm F theo αk, đặt ta thu phương trình trên.) Bước : Chọn hướng dựa vào ba phương trình tính βk 𝛽𝛽𝑘𝑘 = 𝑇𝑇 ∆𝑔𝑔𝑘𝑘−1 ∆𝑔𝑔𝑘𝑘 (1) 𝑇𝑇 ∆𝑔𝑔𝑘𝑘−1 𝑝𝑝𝑘𝑘−1 𝛽𝛽𝑘𝑘 = 𝑇𝑇 𝑔𝑔𝑘𝑘−1 𝑔𝑔𝑘𝑘 (2) 𝑇𝑇 𝑔𝑔𝑘𝑘−1 𝑔𝑔𝑘𝑘−1 Bước : Nếu thuật toán chưa hội tụ quay lại bước 𝛽𝛽𝑘𝑘 = 𝑇𝑇 ∆𝑔𝑔𝑘𝑘−1 𝑔𝑔𝑘𝑘 (3) 𝑇𝑇 𝑔𝑔𝑘𝑘−1 𝑔𝑔𝑘𝑘−1 93 Phụ lục Kết Quả Dự Báo Theo Tuần Tuần Vn-Index Dự báo Hồi Quy Mạng Nơron Lợi nhuận tích lũy Hồi Quy Mạng Nơron 23-2006 548,92 509,50 538,14 0,9842 1,0158 24-2006 538,40 532,64 548,79 1,0291 1,0623 25-2006 506,81 530,16 533,35 1,0549 1,0888 26-2006 507,77 498,84 506,11 1,0446 1,0782 27-2006 504,23 517,13 510,78 1,0298 1,0630 28-2006 505,26 509,82 506,39 1,0254 1,0584 29-2006 480,61 500,05 503,11 1,0927 1,1279 30-2006 443,08 460,61 476,76 1,1696 1,2073 31-2006 416,06 413,38 436,88 1,1805 1,2185 32-2006 432,60 425,82 418,54 1,2020 1,2407 33-2006 473,35 436,57 432,30 1,3073 1,1320 34-2006 477,43 480,13 474,58 1,2941 1,1205 35-2006 490,77 466,93 477,50 1,2378 1,1693 36-2006 514,38 497,15 496,59 1,2746 1,2041 37-2006 507,50 519,71 517,94 1,2654 1,1954 38-2006 513,35 509,52 507,19 1,2764 1,1850 39-2006 522,01 522,85 515,13 1,3086 1,2149 40-2006 536,53 529,99 534,85 1,3329 1,2374 41-2006 527,63 543,97 544,35 1,3067 1,2131 42-2006 523,33 535,93 531,38 1,3128 1,2188 43-2006 524,39 535,75 524,77 1,2945 1,2018 44-2006 515,20 536,99 524,01 1,2764 1,2186 45-2006 525,13 508,29 512,52 1,2340 1,1781 46-2006 557,95 526,06 530,49 1,3339 1,2735 47-2006 619,02 590,36 576,84 1,5471 1,4772 48-2006 631,81 703,76 640,06 1,4675 1,4012 49-2006 662,73 557,80 633,45 1,3168 1,5451 50-2006 742,76 716,33 677,94 1,4671 1,7214 51-2006 782,35 825,91 763,20 1,4077 1,6517 52-2006 748,54 727,10 778,02 1,3933 1,6347 1-2007 776,08 748,87 764,00 1,5133 1,7755 2-2007 867,19 827,62 796,35 1,6954 1,9892 3-2007 980,37 894,15 887,93 1,8961 2,2247 4-2007 1009,68 1088,93 1005,22 1,8066 2,1196 5-2007 1036,63 972,39 1010,58 1,6216 2,3367 94 6-2007 1065,92 1119,16 1061,80 1,5557 2,2417 7-2007 1071,29 1067,54 1065,82 1,6347 2,1279 9-2007 1140,96 1078,07 1080,57 1,7319 2,2544 10-2007 1144,34 1162,34 1154,55 1,7440 2,2702 11-2007 1123,69 1211,27 1147,33 1,6747 2,1800 12-2007 1110,52 1049,79 1116,26 1,7037 2,2177 13-2007 1055,65 1092,36 1100,43 1,7337 2,2568 14-2007 1043,29 1035,47 1062,52 1,7942 2,1780 15-2007 1031,25 1038,41 1040,17 1,8306 2,2221 16-2007 983,36 986,17 1018,95 1,9103 2,3188 17-2007 920,20 912,62 974,37 1,9990 2,4265 18-2007 940,04 924,23 912,64 2,0494 2,3653 19-2007 1015,74 921,25 944,33 1,8494 2,5961 20-2007 1057,61 1049,07 1028,42 1,8973 2,6634 21-2007 1096,20 1066,54 1061,74 1,9383 2,7209 22-2007 1085,83 1079,78 1102,19 1,9600 2,6904 23-2007 1052,89 1043,67 1080,77 1,9964 2,7403 24-2007 1041,41 1055,72 1053,51 1,9791 2,7165 25-2007 1041,39 1081,86 1044,56 1,9517 2,6790 26-2007 1036,35 1023,93 1035,07 1,9687 2,7023 27-2007 1001,68 960,10 1024,04 1,9959 2,7396 28-2007 1019,31 1001,16 998,78 1,9857 2,7255 29-2007 991,33 1007,60 1026,81 2,0529 2,6332 30-2007 966,14 996,80 981,76 1,9673 2,7431 31-2007 912,12 916,18 952,42 2,0666 2,8816 32-2007 912,95 893,22 899,23 1,9675 2,7434 33-2007 907,17 928,59 926,32 1,8671 2,6034 34-2007 894,18 897,32 899,75 1,8302 2,5520 35-2007 905,03 917,52 904,51 1,8361 2,5601 36-2007 929,48 901,88 913,16 1,7840 2,6327 37-2007 924,12 938,33 937,88 1,7770 2,6224 38-2007 947,68 926,47 927,04 1,8309 2,7019 39-2007 1012,51 973,43 970,55 1,9993 2,9504 40-2007 1091,97 1059,69 1047,20 2,0657 3,0484 41-2007 1098,16 1123,23 1115,67 2,1096 3,1132 42-2007 1099,23 1128,12 1119,79 2,0952 3,0919 43-2007 1089,05 1135,75 1110,20 2,0864 3,0790 44-2007 1068,32 1088,39 1085,98 2,1358 3,1519 45-2007 1030,96 1053,63 1063,29 2,2326 3,2947 46-2007 994,88 997,02 1019,43 2,2766 3,3596 47-2007 981,37 959,45 982,61 2,3275 3,4347 95 48-2007 983,29 961,84 971,23 2,3360 3,4473 49-2007 980,43 959,76 974,37 2,3305 3,4392 50-2007 939,66 952,62 985,29 2,4561 3,2538 51-2007 928,61 929,67 923,63 2,4215 3,2080 52-2007 924,49 939,83 935,62 2,4007 3,1804 1-2008 910,80 933,33 928,35 2,3387 3,0983 2-2008 894,85 901,12 2,4483 3,2434 3-2008 874,01 835,35 829,94 856,30 2,4873 3,2951 4-2008 791,69 859,28 826,05 2,2788 3,5714 5-2008 828,70 733,86 777,77 2,0334 3,1867 7-2008 824,65 854,84 845,70 1,9303 3,0251 8-2008 740,37 808,64 824,20 2,2353 3,5031 9-2008 687,17 719,43 719,33 2,3127 3,6245 10-2008 615,78 597,94 678,91 2,3934 3,7510 11-2008 646,46 628,40 607,62 2,4071 3,7296 12-2008 577,58 634,07 645,40 2,7740 4,2980 13-2008 508,77 505,59 554,78 2,9416 4,5577 14-2008 525,04 476,33 501,63 2,8252 4,3773 15-2008 545,54 497,28 534,88 2,7933 4,4266 16-2008 535,42 508,91 539,98 2,8021 4,4406 17-2008 524,36 521,06 543,18 2,9139 4,2635 18-2008 512,51 465,35 525,05 3,0017 4,1350 19-2008 496,36 549,23 505,35 3,0017 4,1350 20-2008 462,88 537,80 487,53 2,7600 4,4679 21-2008 440,20 464,92 447,04 2,5681 4,7786 22-2008 420,51 384,06 434,89 2,6518 4,9344 96 Phụ Lục Kết Quả Dự Báo Theo Tháng Tháng Vn-Index Dự báo Hồi Quy Mạng Nơron Lợi nhuận tích lũy Hồi Quy Mạng Nơron 6-2006 526,59 506,37 560,19 1,0433 0,9567 7-2006 480,40 561,00 522,96 0,8547 1,1296 8-2006 457,85 370,40 474,80 0,7156 0,9457 9-2006 513,50 550,83 482,90 0,7674 1,0142 10-2006 526,52 533,41 539,77 0,7452 0,9849 11-2006 572,29 506,89 527,84 0,5682 1,2189 12-2006 729,20 681,33 613,61 0,6748 1,4475 1-2007 929,54 777,74 768,97 0,9347 2,0050 2-2007 1083,77 1182,65 1014,45 1,0212 2,1905 3-2007 1110,99 1120,69 1107,83 0,9616 2,0628 4-2007 1002,78 986,86 1107,22 1,0939 2,3466 5-2007 1046,35 964,70 1000,58 0,9073 1,9464 6-2007 1044,65 1084,19 1156,62 0,8597 1,8441 7-2007 987,53 1039,44 1028,79 0,9576 2,0542 8-2007 905,38 937,69 965,55 0,9572 2,0533 9-2007 954,71 948,43 953,22 1,1031 2,3663 10-2007 1090,92 1010,45 1039,51 1,1223 2,4075 11-2007 1004,32 1084,38 1115,68 1,2201 2,1979 12-2007 943,30 997,03 990,96 1,2769 2,3004 1-2008 841,89 960,25 964,26 1,1627 2,0946 2-2008 753,06 894,96 834,80 0,9137 2,5433 3-2008 583,80 693,69 730,39 1,1154 3,1048 4-2008 531,89 473,34 565,66 1,1035 3,0717 5-2008 469,73 403,93 520,57 1,3322 3,7083 97 Phụ Lục Mô Mạng Nơron phần mềm SPSS 16 Bước :Xác định biến  Dependent variables : biến cần dự báo  Factors : Biến đầu vào biến danh  Covariates : Biến đầu vào biến thứ tự biến khoảng  Rescaling of Covariates : Chuẩn hóa biến đầu vào, bao gồm : - Standardized : Chuẩn hóa theo phân phối chuẩn 𝑥𝑥 − 𝑥𝑥̅ 𝑥𝑥 ′ = 𝜎𝜎 - Normalized : chuẩn hóa khoảng (0,1) 𝑥𝑥 − 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 𝑥𝑥 ′ = 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 − 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 - Adjusted Normalized : chuẩn hóa khoảng (-1,1) 𝑥𝑥 ′ = 2(𝑥𝑥 − 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 ) −1 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 − 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 98 Bước : Phân chia tập liệu Phân chia tập liệu thành tập huấn luyện (training), kiểm tra (test) kiểm định (holdout) Có cách phân chia :  Phân chia cách ngẫu nhiên biến theo tỷ lệ xác định tập huấn luyện, kiểm tra kiểm định Tỷ lệ khai báo giao diện hình bên  Dùng biến phụ ta tự tạo để phân chia biến (ví dụ biến partion, hình bên dưới) Các mẫu tập liệu ứng với biến partion có giá trị dương tập huấn luyện, giá trị tập kiểm tra giá trị âm tập kiểm định 99 Bước : Xác định cấu trúc mạng  Xác định số lớp ẩn : lớp, lớp để mạng tự động chọ số lớp ẩn  Số nơron lớp : định để mạng tự động chọn  Hàm kích hoạt hay hàm chuyển (Activation function) : Hyberbolic tangent sigmoid ( bao gồm hàm kích hoạt lớp ẩn lớp đầu ra)  Chuẩn hóa đầu : Standardized, Normalizes, Adjusted Normalized không sử dụng (None) 100 Bước : Huấn luyện mạng Có dạng huấn luyện : Batch : phương pháp thực thay đổi trọng số liên kết nơron sau đưa toàn mẫu liệu vào mơ hình Phương pháp sử dụng thơng tin toàn mẫu để điều chỉnh trọng số liên kết nên phương pháp tốn thời gian huấn luyện nhiều Phương pháp sử dụng cho tập liệu nhỏ Online : sử dụng thông tin mẫu để thay đổi trọng số liên kết nơron Phương pháp có thời gian huấn luyện nhanh hiệu không cao Phương pháp sử dụng cho tập liệu cực lớn Mini-batch : Phân chia tập liệu thành tập liệu Mỗi tập liệu huấn luyện tương tự phương pháp Batch Phương pháp dùng cho tập liệu có kích thước trung bình Có thuật tốn tối ưu dùng huấn luyện mạng : Conjugate gradient Gradient descent Thuật tốn Conjugate gradient có tốc độ hội tụ nhanh dùng cho dạng huấn luyện Batch Thuật tốn Gradient descent có tốc độ hội tụ châm sử dụng cho dạng huấn luyện 101 Bước 5: Xác định điều kiện dừng Mạng dừng huấn luyện thỏa điều kiện sau : Số bước lặp tối đa giá trị hàm lỗi tập kiểm tra không giảm (Stopping rules without a decrease in error ) Thời gian huấn luyện tối đa (Maximum training time) Số lần lặp tối đa trình huấn luyện (Maximum training epochs ) Độ thay đổi giá trị tỷ lệ tối thiểu hàm lỗi tập huấn luyện lần lặp gần (Minimum relative change in training error or error ratio) Trong toán dự báo, điều kiện quan trọng 102 TÀI LIỆU THAM KHẢO Ben Krose, Patrick van der Smagt, “An introdution to Neural Networks”, 8th edition, The University of Amsterdam, November 1996 Chenoweth, T., Obradovic, Z and Lee, S., “Technical trading rules as a prior knowledge to a neural networks prediction system for the S&P 500 index,” Northcon/95, p.111-115, Portland, Oct 1995 Erdinỗ Altay; M Hakan Satman, Stock Market Forecasting: Artificial Neural Network And Linear Regression Comparison In An Emerging Market”, Journal of Financial Management & Analysis; Jul-Dec 2005; 18, 2; ABI/INFORM Global, pg 18 Freisleben, B., “Stock market prediction with backpropagation networks”, 5th Intl Conf on the Industrial and Engineering Applications of Artificial Intelligence and Expert Systems,pp.451-60 Germany, June 1992 Gia Shuh Jang et al, “An intelligent stock portfolio management system based on shortterm trend prediction using dualmodule neural networks,” Proc of the 1991 International Conference on Artificial Neural Networks, vol 1, p.447- 52, Finland, June 1991 Helstrom T & Holmstrom K.,”Predicting the stock market”, Published as Opuscula ISRN HEV-BIB-OP-26-SE, 1998 Hirotaka Mizuno, Michitaka Kosaka, Hiroshi Yajima,Norihisa Komoda “Application Of Neural Network To TechnicalAnalysis Of Stock Market Prediction”, Osaka University, Japan, 1998 Iebeling Kaastra, Milton Boyd “Designing a neural network for forecasting financial and economic time series”, Elsevier, Neurocomputing 10 (1996) 215-236 Kamijo, K and Tanigawa, T., “Stock price pattern recognition - a recurrent neural network approach,” Proc IJCNN 1990, vol 1,pp.215-21, San Diego, June 1990 103 10 Kimoto, T and Asakawa, K., “Stock market prediction system with modular neuralnetworks,” Proc IJCNN 1990, vol 1,pp.1-6, San Diego, June 1990 11 Lakshimi S Narain; Rama L Narain, “Stock market prediction: A comparitive study of multi vairate statistical and Artificial Neural Network Models”, Journal of Accounting and Finance Research; Summer 2002; 10, 2; Banking Information Source, pg 85 12 Lê Minh Trung, “Mạng Nơron Nhân Tạo”, Nhà xuất thống kê, 2001 13 Malkei B G "A random walk down wall street”, 7th edition, New York, London: W W Norton & Company, 1999 14 Matsuba I., “Neural sequential associator and its application to stock price prediction”, Proc IECON ‘91, vol 1476-9, Japan, Nov 1991 15 Olson, D., & Mossman, C., “Neural network forecasts of Canadian stock returns using accounting ratios”, International Journal of Forecasting, 19, 453-465, 2002 16 Pan, H “Swingtum-A computational Theory of Fractal Dynamic Swings and Physical Cycles of Stock Market in A Quantum Price-Time Space”, Proceedings of the 2003 Hawaii International Conference on Statistics and Related Fields Hawaii 17 Paul D.McNelis (2005), “Neural Networks in Finance : Gaining predictive edge in the market”, Elsevier Academic Press, Burlington, MA01, ISBN: 0-12-485967-4 18 Qi, Min, “Nonlinear Predictability of Stock Returns Using Financial and Economic Variables”, Journal of Business & Economic Statistics, 17(4), p.419-429,1999 19 Ramon Lawrence,“Using Neural Networks to Forecast Stock Market Prices”, Department of Computer Science, University of Manitoba, 1997 20 Refenes, A N., Zapranis, A., & Francis, G., “Stock Performance Modeling Using Neural Networks: A comparative Study With Regression Models”, Neural Networks, 7(2), 375-388, 1994 21 Robert J Van Eyden, “The Application of Neural Networks in the Forecasting of Share Prices”, Finance and Technology Publishing, ISBN 0-9651332-0-6,1996 104 22 Weiss, S M., & Kulikowski, “Computer systems that learn”, California: Morgan Kaufmann, C A (1991) 23 White, H , “Economic Prediction Using Neural networks: The Case of IBM Daily Stock Returns”, Proceedings of the Second Annual IEEE Conference on Neural Networks, p.451-458 New York: IEEE Press, 1998 LÝ LỊCH TRÍCH NGANG Họ tên: Triệu Việt Cường Giới tính : Nam Ngày sinh: 02/12/1982 Nơi sinh: Đồng Nai Địa liên lạc: 377/22 Đường Bạch Đằng, P.15, Q Bình Thạnh, TP.HCM QUÁ TRÌNH ĐÀO TẠO 2000-2005 : Sinh viên khoa Điện – Điện Tử, chuyên ngành Điện tử viễn thông, Trường Đại Học Bách Khoa TP.HCM 2006-2008 : Học viên cao học, ngành Quản trị kinh doanh, khoa Quản Lý Công nghiệp, Trường Đại Học Bách Khoa TP.HCM Q TRÌNH CƠNG TÁC 2005 đến : Làm việc Trung tâm Viễn thông Điện lực Miền Nam, Công ty Thông tin Viễn thông Điện Lực ... MẠNG NƠRON TRONG LĨNH VỰC DỰ BÁO TẠI THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM 2- NHIỆM VỤ LUẬN VĂN:  Tìm hiểu Mạng Nơron khả ứng dụng mơ hình Mạng Nơron lĩnh vực dự báo biến động thị trường chứng khoán. .. tài khảo sát đánh giá khả ứng dụng mơ hình Mạng Nơron thị trường chứng khoán Việt Nam Mục tiêu bao gồm mục tiêu cụ thể sau :  Tìm hiểu Mạng Nơron khả ứng dụng mơ hình Mạng Nơron lĩnh vực dự báo. .. tài khảo sát đánh giá khả ứng dụng Mạng Nơron lĩnh vực dự báo thị trường chứng khoán Việt Nam Để đánh giá hiệu mơ hình Mạng Nơron, đề tài thực so sánh kết dự báo mơ hình Mạng Nơron mơ hình Hồi Quy