Một số quy trình tính toán mờ và ứng dụng

Bộ giáo dục đào tạo Trờng đại học bách khoa hà nội Vị ViƯt Dịng Mét số quy trình tính toán mờ ứng dụng Chuyên ngành: Đảm bảo toán học cho máy tính hệ thống tính toán Luận văn thạc sĩ khoa học Đảm bảo toán HọC cho máy tính Và Hệ thống tính toán Ngời hớng dẫn khoa học: Pgs.tsKH Bùi công cờng Hà nội - 2010 Một số quy trình tính toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 Lời cam đoan Kính gửi: Trung tâm Đào tạo Bồi dỡng sau Đại học - Trờng Đại học Bách Khoa Hà Nội Tên là: Vũ Việt Dũng Sinh ngày: 09-07-1984 Học viên cao học khóa 2008-2010 Tôi xin cam đoan, toµn bé kiÕn thøc vµ néi dung bµi luËn văn kiến thức tự nghiên cứu từ tài liệu tham khảo nớc, chép hay vay mợn dới hình thức để hoàn thành luận văn tốt nghiệp cao học chuyên ngành Đảm bảo toán học cho máy tính hệ thống tính toán Tôi xin chịu hoàn toàn trách nhiệm nội dung luận văn trớc Trung tâm Đào tạo Bồi dỡng sau Đại học Trờng Đại học Bách khoa Hà Nội Một số quy trình tính toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 mục lục Lời cam đoan môc lôc Tõ viÕt t¾t Danh mục bảng Danh mục hình vẽ, đồ thị Mở đầu I C¬ së lý thuyÕt 10 Mét số khái niệm hệ mờ Takagi - Sugeno 10 1.1 Mét sè kh¸i niệm 10 1.2 Suy diƠn mê vµ hƯ mê 11 1.3 LuËt mê Takagi - Sugeno 13 Mạng nơ - ron nhân tạo (Artificial neural network) 13 2.1 Cấu trúc mạng nơ - ron 14 2.2 Phân loại cấu trúc mạng nơ - ron 16 2.3 Hàm hoạt động 17 2.4 TiÕn tr×nh häc 18 M¹ng thÝch nghi(Adaptive network) 19 3.1 M¹ng thÝch nghi 19 3.2 Phơng pháp luyện mạng thuật toán lan truyền ngợc 20 3.3 Phơng ph¸p lun lai (hybrid learning) 22 Hệ thống suy diễn mờ dựa mạng thÝch nghi( Adaptive network based fuzzy inference system: ANFIS) 25 4.1 CÊu tróc m¹ng ANFIS 25 4.2 Phơng pháp luyện lai 27 II Mô hình mạng ANFIS để dự báo giá cổ phiếu 28 Mét sè quy tr×nh tÝnh toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 Thị trờng chứng khoán 28 1.1 Thị trờng chứng khoán giíi 28 1.2 Thị trờng chứng khoán Việt Nam 29 1.3 Các nghiên cứu dự báo thị trờng chứng khoán 30 1.4 Các số thị trờng chứng khoán Việt Nam 31 Mô hình mạng nơ - ron kết hợp suy diễn mờ để dự báo giá chøng kho¸n 33 2.1 Lùa chọn đầu vào tiền xử lý liệu 33 2.2 Mê hãa d÷ liƯu đầu vào 34 ứng dụng mô hình mạng ANFIS thực tế TTCK Việt Nam 34 Các hạn chế mô hình 42 III Hớng phát triển mô hình mạng nơ ron dự báo tình trạng cổ phiếu 43 HƯ thèng dù b¸o chØ sè chøng kho¸n dùa luật mờ dạng Takagi Sugeno 43 Phơng pháp phân cụm K-Means 46 2.1 Đặt vấn đề 46 2.2 Thuật toán gần giải toán K - Means 46 LuyÖn tham số phơng pháp SA 47 KÕt luËn 50 Tài liệu tham khảo 51 Vị ViƯt Dịng §BT2008 Một số quy trình tính toán mờ ứng dụng Từ viết tắt ANN Artificial neural network Mạng nơ -ron nhân tạo LSE Least squares estimate Ước lợng bình phơng tèi thiĨu ANFIS Adaptive network based fuzzy HƯ thèng suy diễn mờ dựa inference system mạng thích nghi TTCK Thị trờng chứng khoán TTGDCK Trung tâm giao dịch chứng khoán HOSE Trung tâm giao dịch chứng khoán Tp Hồ Chí Minh HASTC, HNX Trung tâm giao dịch chứng khoán Hà Nội UpCom Trung tâm giao dịch chứng khoán công ty đại chúng cha niêm yết OTC Cổ phiếu cha niêm yết thị trờng VN - Index Chỉ số chứng khoán đại diện cho TTGDCK Tp Hồ Chí Minh HNX - Index Chỉ số chứng khoán đại diƯn cho TTGDCK Hµ Néi MA Six days moving average Đờng trung bình 06 ngày BIAS Six days bias Độ chênh giá trung bình 06 ngày RSI Six days relative strength Chỉ số sức mạnh tơng đối 06 ngày index MACD Moving average convergence Đờng hội nhập phân ly trung and divergence bình PSY 13 days psychological line Chỉ số tâm lý 13 ngày SA Simulated annealing Thuật toán mô trình luyện kim MAPE Mean absolutely percentage Trung bình phần trăm sai số tuyệt error đối Một số quy trình tính toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 Danh mục bảng Chơng I Chơng II Bảng - Hệ số ®iÒu chØnh 35 Bảng - Tham số hàm liªn thuéc 38 Chơng III Một số quy trình tính toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 Danh mục hình vẽ, đồ thị Chơng I: Hình 1: Cấu tróc mét n¬ - ron 15 Hình : Mạng dÉn tiÕn mét líp 16 Hình : Mạng dẫn tiến nhiỊu líp 17 H×nh 4: TiÕn tr×nh häc 19 Hình 5: Mạng thích nghi 20 H×nh : HƯ suy diƠn mê Takagi-Sugeno 25 Hình : Cấu trúc mạng ANFIS đơn giản 25 Chơng II: Hình 8: File liệu luyện 35 H×nh 9: File d÷ liƯu kiĨm tra 36 H×nh 10: Khëi t¹o m¹ng ANFIS 36 Hình 11: Cấu trúc mạng ANFIS 37 H×nh 12: Lun m¹ng ANFIS 37 Hình 13: Đồ thị hàm liên thuộc biến đầu vào 39 Hình 14: Kết kiểm tra mạng 41 Chơng III: Hình 15: Cấu trúc hệ thống dự ®o¸n chøng kho¸n 45 Hình 16: Luyện tham số phơng pháp SA 49 Mét sè quy trình tính toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 Mở đầu Trong năm gần đây, lý thuyết tập mờ mạng nơ-ron nhân tạo đà phát triển nhanh đa dạng Công nghệ mờ công nghệ mạng nơ-ron đà góp phần tạo điều khiển linh hoạt, thông minh, công cụ phân tích, dự báo có khả làm việc với toán khó, phức tạp, phải xử lý nhiều loại thông tin mập mờ, cha đầy đủ thiếu xác Hai công nghệ hai trụ cột tạo nên công nghệ tính toán mềm Hiện nay, việc áp dụng tính toán mềm vào phân tích dự báo biến động thị trờng chứng khoán thu hút nhiều quan tâm nghiên cứu Để có đợc định đầu t đắn việc phân tích, xác định mức giá cổ phiếu để lựa chọn tỉ lệ mua, bán tối u quan trọng Trớc đây, đà có nhiều phơng pháp phân tích kỹ thuật cho thị trờng chứng khoán đợc phát triển nh Kline hay trung bình động Những phơng pháp chủ yếu dựa thống kê số liệu Tuy nhiên, thị trờng chứng khoán hệ thống phi tuyến chịu nhiều tác động yếu tố trị, kinh tế, tâm lý, xà hội Do đó, việc sử dụng công cụ truyền thống để trợ giúp định giao dịch chứng khoán khó khăn Mạng nơ-ron nhân tạo, với khả xử lý hàm phi tuyến, linh hoạt việc áp dụng khả tự học cao nói phơng pháp hiệu để áp dụng vào hệ thống phức tạp thị trờng chứng khoán Trong mô hình mạng nơ -ron mô hình mạng nơ-ron lan truyền ngợc đợc sử dụng rộng rÃi có tính xác Không nh mô hình toán học cổ điển, mô hình mạng nơ ron lan truyền ngợc giúp ta xây dựng hàm xấp xỉ dựa quan hệ đầu vào đầu xác định mà không cần mô hình cụ thể Tuy nhiên, mô hình mạng nơ-ron lan truyền ngợc truyền thống có số điểm yếu nh kết tìm đợc rơi vào điểm tối u địa phơng hay số trờng hợp tốc độ tính toán chậm ảnh hởng đến độ xác đảm bảo mô hình dự đoán Để cải thiện mô hình dự đoán này, ta kết hợp số phơng pháp suy diễn mờ với mạng nơ-ron mà điển hình mô hình mạng thích nghi kÕt hỵp hƯ suy ln mê ANFIS Mét sè quy trình tính toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 Luận văn Một số quy trình tính toán mờ ứng dụng đà nghiên cứu kiến thức mạng ANFIS ứng dụng mạng ANFIS vào việc dự đoán giá cổ phiếu, kiểm nghiệm mô hình áp dụng vào thực tế thị trờng chứng khoán Việt Nam, từ đánh giá hạn chế phơng pháp, đa hớng cải tiến Luận văn gồm 03 chơng: Chơng 1: Cơ sở lý thuyết - Trình bày khái niệm tập mờ, suy diễn mờ, hệ mờ, luật mờ Takagi Sugeno, mạng nơ ron nhân tạo, mạng thích nghi hệ thống suy diễn mờ dựa mạng thích nghi ANFIS; Chơng 2: Mô hình mạng ANFIS để dự báo giá cổ phiếu Trình bày sơ lợc vể thị trờng chứng khoán giới, thị trờng chứng khoán Việt Nam, nghiên cứu dự báo thị trờng chứng khoán số thị trờng chứng khoán Việt Nam Trên sở đó, xây dựng mạng nơ -ron kết hợp suy diễn mờ để dự báo giá chứng khoán, lựa chọn đầu vào kiểm nghiệm mô hình với thực tế thị trờng chứng khoán Việt Nam đồng thời đánh giá hạn chế mô hình; Chơng 3: Hớng phát triển mô hình mạng nơ -ron dự báo tình trạng cổ phiếu Trình bày hớng phát triĨn hƯ thèng dù b¸o chØ sè chøng kho¸n dùa luật mờ Takagi Sugeno, phơng pháp phân cụm K-Means phơng pháp luyện tham số dựa thuật toán mô trình luyện kim Cuối cùng, để có luận văn này, xin bày tỏ lòng biết ơn sâu sắc tới gia đình, bạn bè, thầy cô giáo Trung tâm đào tạo bồi dỡng sau Đại học, Khoa Toán Tin ứng dụng, Ban Giám hiệu trờng Đại học Bách Khoa Hà Nội đà tạo điều kiện, động viên truyền thụ kiến thức bổ ích Đặc biệt, xin gửi lời cám ơn chân thành đến thầy giáo PGS.TSKH Bùi Công Cờng bạn nhóm nghiên cứu lý thuyết mờ đà tận tình giúp đỡ để hoàn thành tốt luận văn Vũ Việt Dũng ĐBT2008 Một số quy trình tính toán mờ ứng dụng I Cơ sở lý thuyết Trớc vào tìm hiểu t tởng thuật toán dự báo giá cổ phiếu mô hình mạng nơ-ron kết hợp suy diễn mờ, ta cần tìm hiểu số khái niệm mạng nơ-ron, mạng nơ-ron lan truyền ngợc luật mờ Takagi-Sugeno Một số khái niệm hệ mờ Takagi - Sugeno 1.1 Một số khái niệm ~ Tập mờ A xác định tập sở X tập hợp mà phần tử cặp giá trị ( x, ~ ( x )) , x X ~ ( x ) ánh xạ: A A : X [0,1] ~ A ~ ánh xạ ~ ( x ) đợc gọi hàm liên thuộc tập mờ A A Hàm liên thuộc cho biết độ phụ thuộc phần tử vào tập mờ (phần tử thuộc tập mờ phần trăm) Một số hàm liên thuộc hay đợc sử dụng: - Hàm singleton: - Hàm Gaussian: - Hàm Bell tổng quát (Generalized Bell): - Hµm Signmoidal: - Hµm tam thøc (Triangular): 10 Mét số quy trình tính toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 Khi mạng ANFIS có đầu vào, số luật mờ Cấu trúc mạng ANFIS đợc mô nh hình sau: Hình 11: Cấu tróc m¹ng ANFIS B−íc 4: Lun m¹ng sư dơng tht toán lai với 200 vòng lặp Hình 12: Luyện mạng ANFIS 37 Một số quy trình tính toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 Bớc 5: Kiểm định kết Biến đầu vào Tham số hàm liên Tham số hàm liên Tham số hàm liên thuộc mf1 thuộc mf2 thuéc mf3 [0.8566 -1.917] [0.6195 -0.00881] [0.847 1.82] [0.8964 -1.874] [0.6472 0.06137] [0.8624 1.826] [0.8649 -1.91] [0.6418 -0.02567] [0.8778 1.802] [0.8819 -1.906] [0.6431-0.0009467] [0.8323 1.845] [0.6666 -1.173] [0.067 0.06366] [0.6387 1.244] [0.7521 -1.86] [0.3798 -0.3466] [0.6516 1.311] Bảng 2: Tham số hàm liªn thuéc BiÕn sè BiÕn sè BiÕn sè BiÕn sè 38 Mét sè quy tr×nh tÝnh toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 B Biến số iến số Hình 13: Đồ thị hàm liên thuộc biến đầu vào Lần lợt kiểm tra mạng với toàn bộ liệu lun, 30 bé mÉu d÷ liƯu lun, hai bé d÷ liƯu kiĨm tra mÉu vµ mÉu 2: (a) 39 Một số quy trình tính toán mờ ứng dụng (b) (c) 40 Vị ViƯt Dịng §BT2008 Mét sè quy trình tính toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 (d) Hình 14: Kết kiểm tra mạng (a) Dùng toàn liệu luyện để kiểm tra (b) Dïng 30 bé d÷ liƯu lun (c) Dïng bé d÷ liƯu kiĨm tra (mÉu 1) (d) Dïng 10 bé liệu kiểm tra (mẫu 2) Trong điểm ã đầu thực tế, điểm * đầu mạng Những điểm dơng ứng với xu hớng tăng giá cổ phiếu, điểm âm ứng với xu hớng giảm Đầu có giá trị âm dơng lớn mức độ giảm tăng giá cổ phiếu mạnh Căn đồ thị ta thấy, liệu luyện sai số nhỏ, điểm đầu mạng gần với điểm đầu thực tế Đối với mẫu kiểm tra 1, ta thấy mẫu gần với liệu luyện ( phiên giao dịch tiếp theo), sai số luyện nhỏ, nhiên mẫu liệu xa độ xác giảm Nhận xét hoàn toàn víi bé mÉu kiĨm tra thø Nh− vËy, m« hình dự báo 41 Một số quy trình tính toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 giá cổ phiếu cho kết gần xác tơng lai gần Nhng để dự báo xu hớng phiên giao dịch kết mô hình chấp nhận đợc Các hạn chế mô hình Mô hình mạng nơ - ron dự báo giá cổ phiếu đợc trình bày cho kết dự báo tốt thực tế Tuy nhiên, áp dụng mô hình vào thị trờng chứng khoán Việt Nam, mô hình có số hạn chế sau: - Mạng ANFIS có hiệu rÊt tèt viƯc dù b¸o gi¸ chøng kho¸n, nhiên đặc tính mạng ANFIS có cấu trúc thay đổi, phù hợp với luật mờ dạng Sugeno, đòi hỏi liệu đầu vào có tính xác cao, cha đáp ứng đợc yêu cầu phức tạp việc dự báo thị trờng chứng khoán - Việc luyện mạng phơng pháp luyện lai chậm, không đáp ứng đợc thời gian đa ứng dụng vào dự đoán phiên giao dịch -Việc xác định luật mờ toàn tập liệu mẫu dẫn đến luật hiệu quả, cha phản ánh đợc xác xu thÕ tõng thêi kú cđa gi¸ cỉ phiÕu 42 Một số quy trình tính toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 III Hớng phát triển mô hình mạng nơ ron dự báo tình trạng cổ phiếu Để khắc phục hạn chế mô hình mạng ANFIS trình bày phần II, ta cần phát triển mét hƯ thèng dù b¸o thùc hiƯn viƯc lùa chän liệu cần thiết, phân cụm liệu cải tiến phơng pháp học cho hệ nơ-ron Phần III trình bày hớng phát triển hệ thống dự báo, phơng pháp phân cụm K-Means sơ lợc phơng pháp luyện mạng mô trình luyện kim (SA) HƯ thèng dù b¸o chØ sè chøng kho¸n dùa luật mờ dạng Takagi - Sugeno Trong mô hình mạng ANFIS trình bày trên, ta sử dụng 06 yếu tố đầu vào lịch sử giá chứng khoán, khối lợng giao dịch số VN- Index Mặc dù, yếu tố phản ánh đợc đầy ®đ xu thÕ biÕn ®éng cđa gi¸ chøng kho¸n, nhiên, thị trờng chứng khoán thị trờng phức tạp, chịu nhiều ảnh hởng yếu tố tâm lý, trị, xà hội Đặc biệt thị trờng nh Việt Nam, yếu tố gây biến động bất thờng giá chứng khoán Nhằm dự báo xác hơn, ta cã thĨ sư dơng c¸c chØ sè kü tht, đợc tính toán từ số liệu giá loại chứng khoán, khối lợng giao dịch thời gian biến động Các số đợc áp dụng việc hỗ trợ định việc đánh giá thông qua tợng d mua d bán thị trờng chứng khoán Có nhiều loại số kỹ thuật, nhiên phạm vi nghiên cứu này, ta quan tâm đến 08 loại số kỹ thuật chính, cụ thể: - Đờng trung bình 06 ngày (MA): Chỉ số biến động trung bình đợc sử dụng để làm rõ xu hớng biến động làm trơn biến thiên giá khối lợng giao dịch; - Độ chênh giá trung bình 06 ngày (BIAS): Độ chênh lệch giá đóng cửa đờng giá trung bình, nhằm đánh giá xu hớng tự nhiên trở lại giá trung bình giá cổ phiếu; - Chỉ số sức mạnh tơng đối 06 ngày (RSI): cho biết tỷ lệ bình quân mức tăng giá đóng cửa 06 ngày so với bình quân mức giảm giá đóng cửa qua 06 ngày RSI đợc tính công thức: 43 Vũ Việt Dũng ĐBT2008 Một số quy trình tính toán mờ ứng dụng Trong - Đờng ngẫu nhiên 09 ngày(K, D): Đờng ngẫu nhiên K D dùng để xác định dấu hiệu việc d lệnh mua lệnh bán hay biến động đảo chiều thị trờng - Đờng hội nhập phân ly trung bình (MACD): đợc xây dựng dựa mối tơng quan hai đờng trung bình trợt giá (EMA) nhanh chậm giá đóng cửa Đờng nhanh tơng ứng với thời gian ngắn đờng chậm tơng ứng với chu kỳ dài - Chỉ số tâm lý 13 ngày(PSY): tỉ lệ số thời kỳ tăng tổng số thời kỳ, phản ánh lực mua so với lực bán - Khối lợng giao dịch: Số lợng cổ phiếu đợc giao dịch thị trờng Từ đầu vào số liệu chứng khoán, ta thực việc phân tích liệu, đa liệu ban đầu hàm biến ngôn ngữ, y CÊu tróc cđa hƯ thèng dù b¸o bao gåm 04 giai đoạn chính: Giai đoạn 1: Lựa chọn liệu cần thiết thông qua việc phân tích hồi quy để tránh ảnh hởng lẫn biến trình học nh loại bỏ đầu vào có ảnh hởng làm mờ dấu hiệu mô hình hay làm tăng sai số hệ thống; Giai đoạn 2: Phân cụm liệu sử dụng phơng pháp K-Means; Giai đoạn 3: Xây dựng luật mờ, sử dụng phơng pháp mô luyện kim (Simulated annealing SA) để tối u hóa tham số Đơn giản hóa hệ suy luận mờ Giai đoạn 4: Mờ hóa liệu, tổng hợp luật mờ tơng đơng để đa dự báo 44 Vũ Việt Dũng ĐBT2008 Một số quy trình tính toán mờ ứng dụng Dữ liệu đầu vào Phân tích hồi quy Phân cụm K-Means Group Tính tốn tham số tối ưu SA Group Group N Xây dựng tập suy luận mờ đơn giản Đơn giản hóa hệ suy luận mờ Mờ hóa liệu liên kết luật tương đương(Mạng nơ –ron) Thực trình học Đưa dự đốn cho số chứng khốn H×nh 15 : Cấu trúc hệ thống dự đoán chứng khoán 45 Một số quy trình tính toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 Phơng pháp phân cụm K-Means 2.1 Đặt vấn đề Trong nhiều lĩnh vực nh phân tích thống kê, xử lý liệu nh điều khiển máy móc, ta hay gặp toán phân cụm điểm liệu Phân cụm K Means phơng pháp phân cụm nhằm phân n điểm (dữ liệu) thuộc không gian d chiều vào k cụm khác cho phần tử cụm gần Bài toán phân cụm K-Means tổng quát toán thuộc lớp NP-khó Trong trờng hợp số chiều không gian d số cụm k xác định, toán phân cụm K - Means có độ phức tạp O(n dk +1 log n) , n số điểm cần phân cụm Do độ phức tạp thời gian tính toán lín cđa tht to¸n, thùc tÕ chóng ta th−êng sử dụng thuật toán gần để giải toán K - Means 2.2 Thuật toán gần giải toán K - Means Cho tập n phần tử ( x1 , x2 , , xn ) ®ã phần tử vectơ thực d chiều Thuật toán K - Means thực phân n vectơ vào k tËp (k Thay phương án No Thay phương án tài Phương án chấp nhận được? Ye No Thỏa điều kiện dừng? Ye Dừng H×nh 16: Lun tham số phơng pháp SA 49 Một số quy trình tính toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 Kết luận Mô hình mạng nơ -ron thích nghi mạng ANFIS kết phát triển mạng nơ -ron nhân tạo, có hiệu cao việc mô hệ suy diễn mờ dạng Takagi Sugeno Việc áp dụng mạng ANFIS đồng thời sử dụng biến đầu vào đặc trng cho tác động bên ảnh hởng đến giá cổ phiếu nét luận văn Tuy nhiên, biến động giá cổ phiếu biến động phức tạp, dễ thay đổi, đòi hỏi phải có cập nhật thờng xuyên, mô hình mạng ANFIS với 06 đầu vào cha đáp ứng đợc nhu cầu dự báo gần xác giá cổ phiếu thời gian dài Trên sở hạn chế mô hình cũ, luận văn đề xuất hệ thống dự báo mới, sử dụng phơng pháp phân cụm K-Means phơng pháp luyện tham số mô trình luyện kim để nhằm cải thiện mô hình cũ đa kết dự báo xác Hệ thống dự báo thực trình tiền xử lý liệu đầu vào dựa phơng pháp hồi quy nhằm loại bỏ yếu tố có ảnh hởng đến giá cổ phiếu, giữ lại nhân tố Bên cạnh đó, việc thực phân cụm liệu đầu vào giúp cho việc phân tách luật mờ tơng ứng với thời kỳ biến động giá cổ phiếu Cuối cùng, việc áp dụng phơng pháp luyện tham số mô trình luyện kim giúp cải thiện tốc độ luyện cho mạng, phù hợp với yêu cầu cập nhật thờng xuyên ®Ĩ dù b¸o gi¸ cỉ phiÕu Do thêi gian cã hạn, nh kiến thức kinh nghiệm nghiên cứu thị trờng chứng khoán nh mạng nơron quy trình tính toán mờ cha sâu nên luận văn không tránh khỏi sai sót Trong thời gian tới, mong nhận đợc ý kiến đóng góp thầy, cô nh bạn để nghiên cứu kỹ nhằm hoàn thiện thêm phơng pháp 50 Một số quy trình tính toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 Tài liệu tham khảo Tiếng Việt Bùi Công Cờng, Nguyễn DoÃn Phớc, 2001, Hệ mờ, mạng nơron ứng dụng, Nhà xuất khoa học kỹ thuật Tiếng Anh Li Sheng, 1998, A Fuzzy neural network model for forecasting stock price, Institute of intelligent information engineering, Zhejiang University, Hangzhou, 310027, P R China Jang J-S R, 1993, ANFIS, adaptive-network-based fuzzy inference systems IEEE Transaction on systems, Man and Cybernetics, 23 (3), 665~685 Pei-Chann Chang, Chen-Hao Liu, 2008, A TSK type fuzzy rule based system for stock price prediction, Expert Systems with Applications 34(2008) 135144 51 ... suy luận mờ ANFIS Một số quy trình tính toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 Luận văn Một số quy trình tính toán mờ ứng dụng đà nghiên cứu kiến thức mạng ANFIS ứng dụng mạng ANFIS vào việc dự... lun, hai bé d÷ liƯu kiĨm tra mÉu mẫu 2: (a) 39 Một số quy trình tính toán mờ ứng dụng (b) (c) 40 Vũ Việt Dũng ĐBT2008 Một số quy trình tính toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 (d) Hình 14: Kết... diễn 12 Một số quy trình tính toán mờ ứng dụng Vũ Việt Dũng ĐBT2008 1.3 Luật mờ Takagi - Sugeno Các dạng hệ mờ xét đợc gọi hệ mờ Mamdami Đặc điểm hệ mờ Mamđami đầu vào đầu mệnh đề mờ, hệ mờ Mamđami