Mạng neural và ứng dụng trong dự báo giá chứng khoán tại trung tâm giao dịch chứng khoán thành phố hồ chí minh (tt)

HỌC VIỆN CƠNG NGHỆ BƢU CHÍNH VIỄN THƠNG - PHẠM THÀNH PHƢỚC MẠNG NEURAL VÀ ỨNG DỤNG TRONG DỰ BÁO GIÁ CHỨNG KHOÁN TẠI TRUNG TÂM GIAO DỊCH CHỨNG KHOÁN TP HỒ CHÍ MINH Chuyên ngành: KHOA HỌC MÁY TÍNH Mã số: 60.48.01.01 TÓM TẮT LUẬN VĂN THẠC SĨ HÀ NỘI - 2013 Luận văn hoàn thành tại: HỌC VIỆN CƠNG NGHỆ BƢU CHÍNH VIỄN THƠNG Người hướng dẫn khoa học: …TS.ĐẶNG THỊ THU HIỀN……… Phản biện 1: …………………………………………………………………………… Phản biện 2: ………………………………………………………………………… Luận văn bảo vệ trước Hội đồng chấm luận văn thạc sĩ Học viện Cơng nghệ Bưu Viễn thơng Vào lúc: ngày tháng năm Có thể tìm hiểu luận văn tại: - Thư viện Học viện Cơng nghệ Bưu Viễn thơng MỞ ĐẦU Lý chọn đề tài: Hiện nay, thời đại thời đại mang xu hướng tồn cầu hóa khu vực hóa Khi trở thành thành viên tổ chức thương mại giới đồng nghĩa Việt Nam gặp nhiều khó khăn đồng thời gặt hái nhiều thành công Để thu kết tốt từ trình hội nhập phải đánh giá, nhận định hội thách thức đặt ra, phải mạnh phải phát huy đâu điểm yếu cần phải khắc phục Và đặc biệt phải nhận định xu hướng chung giới, yếu tố nước trọng Chính điều đó, mà em thấy thị trường chứng khốn giới thị trường nóng bỏng có nhiều triển vọng lên Nó khơng kênh huy động vốn có hiệu cho hoạt động đầu tư kinh tế mà nhân tố thúc đẩy hoạt động kinh tế diễn sn sẻ Thị trường chứng khốn vào hoạt động với nhiều biến động đóng góp vào phát triển kinh tế nước ta Đến thị trường đóng vai trị kênh huy động vốn hiệu cho người cần vốn đồng thời mang lại mức lợi nhuận cao cho nhà đầu tư Chính thị trường không thu hút quan tâm nhà đầu tư nước mà cịn đơng đảo nhà đầu tư nước ngồi Do đó, đề tài “Mạng Neural ứng dụng dự báo giá chứng khoán trung tâm giao dịch chứng khoán TP Hồ Chí Minh” đề tài mà em tập trung nghiên cứu vào nhằm giúp cho nhà đầu tư dự báo giá chứng khoán cách tốt từ đưa định đầu tư Mục tiêu nghiên cứu: Mục tiêu đề tài hướng đến việc xây dựng mơ hình mạng neural phù hợp để dự báo giá chứng khoán Tp Hồ Chí Minh Để hồn thành mục tiêu trên, đề tài trả lời cho câu hỏi: - Thế mơ hình mạng Neural nhân tạo? Những đặc điểm bật so với mạng truyền thống chế vận hành nào? - Cấu trúc mơ hình mạng để dự báo giá chứng khốn Tp Hồ Chí Minh Cấu trúc luận văn: Chương 1: Trình bày tổng quan thị trường chứng khoán, tham số ảnh hưởng trình bày mạng neural nhân tạo Chương 2: Trình bày cách thiết kế, vấn đề bước thiết kế mơ hình mạng neuron dự báo Chương 3: Xây dựng, thiết kế chương trình dự báo giá chứng khoán 3 Chƣơng – TỔNG QUAN VỀ THỊ TRƢỜNG CHỨNG KHOÁN VÀ NEURAL NETWORK 1.1 Tổng quan chung thị trƣờng chứng khoán 1.1.1 Khái niệm thị trường chứng khoán Thị trường chứng khoán nơi diễn giao dịch mua bán, trao đổi loại chứng khoán Chứng khoán hiểu loại giấy tờ có giá bút tốn ghi sổ, cho phép chủ sở hữu có quyền yêu cầu thu nhập tài sản tổ chức phát hành quyền sở hữu Các quyền yêu cầu có khác loại chứng khốn, tùy theo tính chất sở hữu chúng 1.1.2 Vai trị thị trường chứng khốn Xu hội nhập kinh tế quốc tế khu vực với đời tổ chức thương mại giới (WTO), liên minh Châu Âu, khối thị trường chung, đòi hỏi quốc gia phải thúc đẩy phát triển kinh tế với tốc độ hiệu cao Thực tế phát triển kinh tế quốc gia giới khẳng định vai trò quan trọng thị trường chứng khoán phát triển kinh tế Vai trị thị trường chứng khốn thể nhiều khía cạnh khác Song vai trị tích cực hay tiêu cực thị trường chứng khốn có thực phát huy hay hạn chế phụ thuộc đáng kể vào chủ thể tham gia thị trường quản lý nhà nước.[6] 1.1.3 Nhóm yếu tố thị trường Các yếu tố thị trường, nhân tố bên thị trường, bao gồm biến động thị trường mối quan hệ cung cầu coi nhóm yếu tố thứ ba tác động tới giá cổ phiếu Sự biến động thị trường tượng chờ đợi thái từ việc dự tính cao giá trị thực chất cổ phiếu giá cổ phiếu cao nhờ phát đạt công ty, ngược lại dự đoán thấp giá trị thời điểm thị trường xuống Mối quan hệ cung cầu trực tiếp phản ánh thông qua khối lượng giao dịch thị trường, hoạt động nhà đầu tư có tổ chức, giao dịch ký quỹ … có ảnh hưởng đáng kể Mặc dù số lượng giao dịch ký quỹ tăng mà giá cổ phiếu tăng, giá cổ phiếu giảm số lượng cổ phiếu bán tăng làm cho giá giảm 1.1.4 Chỉ số chứng khoán việt nam (VN – Index) Chỉ số VN – index xây dựng vào giá thị trường tất cổ phiếu niêm yết Với hệ thống số này, nhà đầu tư đánh giá phân tích thị trường cách tổng quát VN – index tính theo cơng thức sau : ∑ (P1i * Q1i ) * 100 VN-INDEX = P0i * Q0i Trong : P1i : giá hành cổ phiếu i Q1i : khối lượng lưu hành cổ phiếu i P0i : giá cổ phiếu i thời kỳ gốc Q0i : khối lượng cổ phiếu i thời kỳ gốc 1.2 Tổng quan mơ hình mạng Neural 1.2.1 Neural sinh học neural nhân tạo 1.2.1.1 Neural sinh học Qua trình nghiên cứu não, người ta thấy rằng: não người bao gồm khoảng 1011 neural tham gia vào khoảng 1015 kết nối đường truyền Mỗi đường truyền dài khoảng mét Các neural có nhiều đặc điểm chung với tế bào khác thể, ngồi chúng cịn có khả mà tế bào khác khơng có được, khả nhận, xử lý truyền tín hiệu điện hóa đường mịn neural, đường tạo nên hệ thống giao tiếp não 1.2.1.2 Neural nhân tạo Một neural đơn vị xử lý thông tin thành phần mạng neural Cấu trúc neural mơ tả hình Hình 1.1: Neural nhân tạo Các thành phần neural nhân tạo bao gồm: ♦ Tập đầu vào: Là tín hiệu vào (input signals) neural, tín hiệu thường đưa vào dạng vector N chiều ♦ Tập liên kết: Mỗi liên kết thể trọng số (gọi trọng số liên kết – Synaptic weight) Trọng số liên kết tín hiệu vào thứ j với neural k thường kí hiệu w Thơng thường, trọng số khởi tạo cách kj ngẫu nhiên thời điểm khởi tạo mạng cập nhật liên tục trình học mạng ♦ Bộ tổng (Summing function): Thường dùng để tính tổng tích đầu vào với trọng số liên kết ♦ Ngƣỡng (cịn gọi độ lệch - bias): Ngưỡng thường đưa vào thành phần hàm truyền ♦ Hàm truyền (Transfer function) : Hàm dùng để giới hạn phạm vi đầu neural Nó nhận đầu vào kết hàm tổng ngưỡng cho Thông thường, phạm vi đầu neural giới hạn đoạn [0,1] [-1, 1] Các hàm truyền đa dạng, hàm tuyến tính phi tuyến Việc lựa chọn hàm truyền tuỳ thuộc vào toán kinh nghiệm người thiết kế mạng Một số hàm truyền thường sử dụng mơ hình mạng neural đưa bảng ♦ Đầu ra: Là tín hiệu đầu neural, với neural có tối đa đầu 1.2.2 Giới thiệu mạng neural nhân tạo 1.2.2.1 Mạng neural nhân tạo gi? Định nghĩa: Mạng neural nhân tạo, Artificial Neural Network (ANN) gọi tắt mạng neural, neural network, mơ hình xử lý thơng tin theo cách thức xử lý thông tin hệ neural sinh học Nó tạo lên từ số lượng lớn phần tử (gọi phần tử xử lý hay neural) kết nối với thông qua liên kết (gọi trọng số liên kết) làm việc thể thống để giải vấn đề cụ thể Một mạng neural nhân tạo cấu hình cho ứng dụng cụ thể (nhận dạng mẫu, phân loại liệu, ) thơng qua q trình học từ tập mẫu huấn luyện Về chất học q trình hiệu chỉnh trọng số liên kết neural.[5] 1.2.2.2 Lịch sử phát triển mạng neural 1.2.2.3 So sánh mạng neural với máy tính truyền thống Các mạng neural có cách tiếp cận khác giải vấn đề so với máy tính truyền thống Các máy tính truyền thống sử dụng cách tiếp cận theo hướng giải thuật, tức máy tính thực tập lệnh để giải vấn đề Vấn đề giải phải biết phát biểu dạng tập lệnh không nhập nhằng Những lệnh sau phải chuyển sang chương trình ngơn ngữ bậc cao chuyển sang mã máy để máy tính hiểu Trừ bước cụ thể mà máy tính cần tuân theo rõ ràng, máy tính khơng làm Điều giới hạn khả máy tính truyền thống phạm vi giải vấn đề mà hiểu biết xác cách thực Các máy tính trở lên hữu ích chúng thực việc mà thân người khơng biết xác phải làm Các mạng neural xử lý thông tin theo cách thức giống não người Mạng tạo nên từ số lượng lớn phần tử xử lý kết nối với làm việc song song để giải vấn đề cụ thể Các mạng neural học theo mơ hình, chúng khơng thể lập trình để thực nhiệm vụ cụ thể Các mẫu phải chọn lựa cẩn thận không thời gian, chí mạng hoạt động khơng Điều hạn chế mạng tự tìm cách giải vấn đề, thao tác khơng thể dự đốn 1.2.3 Cơ sở lý thuyết phát triển ứng dụng 1.2.3.1 Cấu trúc mạng Neural Mỗi Neural (nút) đơn vị xử lý thông tin mạng neural, yếu tố để cấu tạo nên mạng neural wk1 Input wk2 ∑ F (.) output yk b wk3 Hình 1.2: Cấu trúc Neural xi: tín hiệu input wkp: trọng số input f(.): hàm hoạt động yk: kết xuất Neural b: thông số ảnh hưởng đến ngưỡng output Phân loại cấu trúc mạng Neural 1.2.3.1.1 Mạng truyền thẳng lớp 1.2.3.1.2 Mạng truyền thẳng nhiều lớp 1.2.3.2 Hàm hoạt động 1.2.3.3 Tiến trình học Tiến trình học tiến trình quan trọng người, nhờ học mà não ngày tích luỹ kinh nghiệm để thích nghi với mơi trường xử lý tình tốt Mạng neural xây dựng lại cấu trúc não cần phải có khả nhận biết liệu thơng qua tiến trình học, với thơng số tự mạng thay đổi liên tục thay đổi môi trường mạng neural ghi nhớ giá trị teach/use X1 W1 X2 W2 Inputs Output X3 Wn Neural Teaching input Tiến trình học Trong trình học, giá trị đầu vào đưa vào mạng theo dòng chảy mạng tạo thành giá trị đầu Tiếp đến trình so sánh giá trị tạo mạng Neural với giá trị mong muốn Nếu hai giá trị giống khơng thay đổi Tuy nhiên, có sai lệch hai giá trị vượt giá trị sai số mong muốn ngược mạng từ đâu đàu vào để thay đổi số kết nối Đây q trình lặp liên tục khơng dừng khơng tìm giá trị w cho đầu tạo mạng Neural đầu mong muốn Do thực tế người ta phải thiết lập tiêu chuẩn dựa giá trị sai số hai giá trị này, hay dựa số lần lặp xác định Giải thuật Back – Propagation Thuật toán Back – Propagation sử dụng để điều chỉnh trọng số kết nối cho tổng sai số E nhỏ n E = ∑ (t (xi, w) – y (xi))2 i=1 Trong đó: t (xi, w): giá trị tập mẫu y (xi): giá trị kết xuất mạng Trước tiên , ta xét Neural, Neural có giá trị vào ra, giá trị có trọng số để đánh giá mức độ ảnh hưởng giá trị vào Thuật tốn Back – Propagation điều chỉnh trọng số để giá trị ej = Tj – yj nhỏ Trước hết ta phải xác định vị trí neural Neural lớp ẩn neural lớp xuất Ta cần biết ký hiệu: wij: vector trọng số neural j số đầu vào i uj: vector giá trị kết xuất neural lớp j x1 tj Wij x2 W2j fj (.) xi – W(i – 1)j tổng Neural j x3 Wij Mơ hình tính tốn neural ej 10 1.2.4 Mơ hình mạng neural 1.2.4.1 Các kiểu mơ hình mạng neural ♦ Tự kết hợp (autoassociative): mạng có neural đầu vào neural đầu Mạng Hopfield kiểu mạng tự kết hợp Mạng tự kết hợp ♦ Kết hợp khác kiểu (heteroassociative): mạng có tập neural đầu vào đầu riêng biệt Perceptron, mạng Perceptron nhiều tầng (MLP: MultiLayer Perceptron), mạng Kohonen, … thuộc loại Mạng kết hợp khác kiểu Ngồi tùy thuộc vào mạng có kết nối ngược (feedback connections) từ neural đầu tới neural đầu vào hay không, người ta chia làm loại kiến trúc mạng ♦ Kiến trúc truyền thẳng (feedforward architechture): kiểu kiến trúc mạng khơng có kết nối ngược trở lại từ neural đầu neural đầu vào; mạng không lưu lại giá trị output trước trạng thái kích hoạt neural Các 11 mạng neural truyền thẳng cho phép tín hiệu di chuyển theo đường nhất; từ đầu vào tới đầu ra, đầu tầng khơng ảnh hưởng tới tầng Các mạng kiểu Perceptron mạng truyền thẳng Hình 1.3: Mạng truyền thẳng ♦ Kiến trúc phản hồi (Feedback architecture): kiểu kiến trúc mạng có kết nối từ neural đầu tới neural đầu vào Mạng lưu lại trạng thái trước đó, trạng thái khơng phụ thuộc vào tín hiệu đầu vào mà phụ thuộc vào trạng thái trước mạng Mạng Hopfield thuộc loại [1][9] Hình 1.4: Mạng phản hồi 1.2.4.2 Perceptron Perceptron mạng neural đơn giản nhất, gồm neural, nhận đầu vào vector có thành phần số thực đầu hai giá trị +1 -1 12 Hình 1.5: Perceptron Đầu mạng xác định sau: mạng lấy tổng có trọng số thành phần vector đầu vào, kết ngưỡng b đưa vào hàm truyền (Perceptron dùng hàm Hard-limit làm hàm truyền) kết hàm truyền đầu mạng 1.2.4.3 Mạng nhiều tầng truyền thẳng (MLP) Mơ hình mạng neural sử dụng rộng rãi mơ hình mạng nhiều tầng truyền thẳng (MLP: Multi Layer Perceptron) Một mạng MLP tổng quát mạng có n (n≥2) tầng (thơng thường tầng đầu vào khơng tính đến): gồm tầng đầu (tầng thứ n) (n-1) tầng ẩn Hình 1.6: Mạng MLP tổng quát Kiến trúc mạng MLP tổng qt mơ tả sau: 13 ♦ Đầu vào vector (x1, x2, , xp) không gian p chiều, đầu vector (y1, y2, , yq) không gian q chiều Đối với toán phân loại, p kích thước mẫu đầu vào, q số lớp cần phân loại Xét ví dụ toán nhận dạng chữ số: với mẫu ta lưu tọa độ (x,y) điểm chữ số đó, nhiệm vụ mạng phân loại mẫu vào 10 lớp tương ứng với 10 chữ số 0, 1, …, Khi p kích thước mẫu x = 16; q số lớp 10 ♦ Mỗi neural thuộc tầng sau liên kết với tất neural thuộc tầng liền trước ♦ Đầu neural tầng trước đầu vào neural thuộc tầng liền sau Hoạt động mạng MLP sau: tầng đầu vào neural nhận tín hiệu vào xử lý (tính tổng trọng số, gửi tới hàm truyền) cho kết (là kết hàm truyền); kết truyền tới neural thuộc tầng ẩn thứ nhất; neural tiếp nhận tín hiệu đầu vào, xử lý gửi kết đến tầng ẩn thứ 2;…; trình tiếp tục neural thuộc tầng cho kết 1.2.5 Ứng dụng mạng Neural Ngày nay, mạng neural ngày ứng dụng nhiều thực tế Đặc biệt toán nhận dạng mẫu, xử lý, lọc liệu, điều khiển, dự báo Ứng dụng mạng neural chia thành loại sau: - Xử lý ngôn ngữ: Xử lý ngôn ngữ tự nhiên, … - Nhận dạng mẫu: nhận dạng ảnh, nhận giọng nói, nhận dạng chữ viết, nhận dạng ảnh người bộ, … - Xử lý tín hiệu: Điều khiển tự động, … - Lọc phân loại liệu: chuẩn đốn bệnh, tìm kiếm, … - Dự báo: dự đoán thị trường chứng khoán, dự báo thời tiết, dự báo tài chính, dự báo lưu lượng nước, … 14 Chƣơng – THIẾT KẾ MÔ HÌNH MẠNG NEURAL DỰ BÁO 2.1 Huấn luyện mạng Neural 2.1.1 Các phương pháp học Khái niệm: Học trình thay đổi hành vi vật theo cách làm cho chúng thực tốt tương lai Có ba phương pháp học phổ biến học có giám sát (supervised learning), học không giám sát (unsupervised learning) học tăng cường (Reinforcement learning): ♦ Học có giám sát: Là q trình học có tham gia giám sát “thầy giáo” Cũng giống việc ta dạy em nhỏ chữ Ta đưa chữ “a” bảo với em chữ “a” Việc thực tất mẫu chữ Sau kiểm tra ta đưa chữ (có thể viết khác đi) hỏi em chữ gì? Như với học có giám sát, số lớp cần phân loại biết trước Nhiệm vụ thuật toán phải xác định cách thức phân lớp cho với vector đầu vào phân loại xác vào lớp ♦ Học khơng giám sát: Là việc học khơng cần có giám sát Như với học không giám sát, số lớp phân loại chưa biết trước, tùy theo tiêu chuẩn đánh giá độ tương tự mẫu mà ta có lớp phân loại khác ♦ Học tăng cƣờng: đơi cịn gọi học thưởng-phạt (reward-penalty learning), tổ hợp hai mơ hình Phương pháp cụ thể sau: với vector đầu vào, quan sát vector đầu mạng tính 2.1.2 Học có giám sát mạng neural Học có giám sát xem việc xấp xỉ ánh xạ: X→ Y, X tập vấn đề Y tập lời giải tương ứng cho vấn đề Các mẫu (x, 15 y) với x = (x1, x2, , xn) ∈ X, y = (yl, y2, , ym) ∈ Y cho trước Học có giám sát mạng neural thường thực theo bước sau: ♦ B1: Xây dựng cấu trúc thích hợp cho mạng neural, chẳng hạn có (n + 1) neural vào (n neural cho biến vào neural cho ngưỡng x0), m neural đầu ra, khởi tạo trọng số liên kết mạng ♦ B2: Đưa vector x tập mẫu huấn luyện X vào mạng ♦ B3: Tính vector đầu o mạng ♦ B4: So sánh vector đầu mong muốn y (là kết cho tập huấn luyện) với vector đầu o mạng tạo ra; đánh giá lỗi ♦ B5: Hiệu chỉnh trọng số liên kết theo cách cho lần đưa vector x vào mạng, vector đầu o giống với y ♦ B6: Nếu cần, lặp lại bước từ đến mạng đạt tới trạng thái hội tụ Việc đánh giá lỗi thực theo nhiều cách, cách dùng nhiều sử dụng lỗi tức thời: Err = (o - y), Err = |o - y|; lỗi trung bình bình phương (MSE: mean-square error): Err = (o- y)2/2; 2.1.3 Thuật toán lan truyền ngược Nguyên tắc hoạt động: Bước 1: Xác định giá trị Err (lỗi) Err = T – O (T: đầu mong muốn, O: đầu mạng) Nếu Err > tăng O Ngược lại: giảm O Bước 2: Cập nhật giá trị ma trận trọng số Wj=Wj+α*xj*Err (α hệ số học) Bước 3: Lặp lại bước bước Err < ε dừng Thuật toán: Bƣớc 1: Khởi tạo trọng số giá trị ngẫu nhiên nhỏ Bƣớc 2: Lặp lại thỏa mãn điều kiện kết thúc Với mẫu, thực bước sau: 16 2.1 Tính đầu oj cho nút j: oj = f(d – bj) với d = Σxjiwji 2.2 Với nút k thuộc tầng ra, tính δk theo cơng thức: δk = (tk – ok)(1 – ok)ok 2.3 Với nút h thuộc tầng ẩn, tính δh theo cơng thức: δh = oh(1 – oh) Σδkwkh với k ∈ Downstream(j) 2.4 Cập nhật: wji = wji + Δwji Trong Δwji = ηδkxji 2.2 Các vấn đề xây dựng mạng MLP 2.2.1 Chuẩn bị liệu 2.2.1.1 Kích thước mẫu Khơng có nguyên tắc hướng dẫn kích thước mẫu phải toán cho trước Hai yếu tố quan trọng ảnh hưởng đến kích thước mẫu: ♦ Dạng hàm đích: hàm đích phức tạp kích thước mẫu cần tăng ♦ Nhiễu: liệu bị nhiễu (thông tin sai thiếu thông tin) kích thước mẫu cần tăng Chú ý: việc tăng kích thước mẫu không làm tăng thời gian luyện Những tập mẫu lớn yêu cầu hệ luyện Nếu ta tăng gấp đơi kích thước mẫu, hệ luyện tốn thời gian khoảng gấp đôi, số hệ cần luyện giảm nửa Điều có nghĩa kích thước mẫu (cũng có nghĩa độ xác mơ hình) không bị giới hạn thời gian luyện 2.2.1.2 Sự phân tầng mẫu Nếu ta tổ chức mẫu cho mẫu quần thể có hội tập mẫu gọi tập mẫu đại diện Tuy nhiên ta xây dựng mạng để xác định xem mẫu thuộc lớp hay thuộc loại điều ta mong muốn lớp có ảnh hưởng lên mạng, để đạt điều ta sử dụng mẫu phân tầng 17 2.2.1.3 Chọn biến Khi tạo mẫu cần chọn biến sử dụng mơ hình Có vấn đề cần quan tâm: ♦ Cần tìm hiểu cách biến đổi thơng tin cho có lợi cho mạng hơn: thơng tin trước đưa vào mạng cần biến đổi dạng thích hợp nhất, để mạng đạt hiệu xuất cao ♦ Chọn số biến biến đổi biến đưa vào mô hình: khơng phải thơng tin mẫu có lợi cho mạng 2.2.2 Xác định tham số cho mạng 2.2.2.1 Chọn hàm truyền 2.2.2.2 Xác định số neural lớp ẩn 2.3 Các bƣớc thiết kế mô hình dự báo Neural Network Gồm 13 bƣớc: Lựa chọn biến số Thu thập liệu Phân tích liệu Tính số neural liệu a Số đầu vào b Số đầu c Số dataset Xử lý liệu Phân chia liệu Lựa chọn hàm biến đổi cho lớp ẩn Lựa chọn hàm biến đổi cho lớp Tính số lượng neural ẩn 10 Chọn tỉ lệ học 11 Xác định điều kiện dừng a Số lần lặp b Thời gian học 18 12 Lựa chọn 13 Tiến hành thực mơ hình 19 Chƣơng – XÂY DỰNG CHƢƠNG TRÌNH DỰ BÁO GIÁ CHỨNG KHỐN - Chương trình dự báo xây dựng dựa công cụ: o Visual Studio 2012 o Nền tảng Framework 4.5 - Mơ hình neural chọn mơ hình mạng MLP truyền thẳng gồm: o Mạng Neural MLP (mạng Neural lớp)  nhiều đầu vào  nhiều đầu - Có nhiều thuật tốn huấn luyện mạng em chọn thuật toán o BackPropagation Sau form chương trình Hình 1: Form giao diện chƣơng trình dự báo Chức chương trình dự báo giá chứng khốn (Vn-Index) trung tâm giao dịch chứng khốn Tp.Hcm Nội dung dự báo giá: o Giá chứng khoán theo ngày o Giá chứng khốn theo tháng o Giá đóng cửa cuối năm 3.1 Dự báo dựa vào giá ngày khứ 3.1.1 Chuẩn bị liệu 3.1.1.1 Lựa chọn, thu thập, tổ chức liệu Chuẩn bị liệu dạng file text Dữ liệu dạng file text cần chuẩn bị thành hàng cột Đầu tiên ID, sau đầu vào đầu Các giá trị phân cách dấu phẩy với file CSV (Comma Separated Value File Format) Có thể dùng MS Excel để biên soạn liệu, sau lưu vào file file text file csv 3.1.1.2 Tính số neural liệu: 3.1.1.3 Chuẩn hóa liệu 20 3.1.1.4 Phân chia liệu 3.1.2 Tìm thơng số thích hợp cho mạng neural 3.1.2.1 Lựa chọn số neural cho lớp ẩn  Số neural ẩn phụ thuộc vào ngƣời sử dụng 3.1.2.2 Lựa chọn hàm biến đổi cho lớp ẩn 3.1.2.3 Lựa chọn hàm biến đổi cho lớp ẩn 3.1.2.4 3.1.2.5 Điều kiện dừng: 3.1.2.5.1 Số lần lặp 3.1.2.5.2 Thời gian học 3.1.3 Huấn luyện mạng: ANN huấn luyện (Training) hay học (Learning) theo kỹ thuật học có giám sát (Supervised Learning) Supervised learning: Quá trình Training lặp lại kết (output) ANN đạt giá trị mong muốn (Desired value) biết Áp dụng cho kỹ thuật mạng Neural lan truyền ngược (Backpropagation) Q trình học mạng Neural Network Tính Output đƣợc mơ tả nhƣ sau: 1.Tính giá trị output So sánh output với giá trị mong muốn (desired value) Điều chỉnh lại thông số No Output giá trị mong muốn chưa? Nếu chưa đạt giá trị mong muốn hiệu chỉnh thơng tính lại output Yes Dừng Sau tính tốn từ input value cho, ta có output Giá trị mong muốn (Desired) biết trước Sự chênh lệch output kết mong muốn gọi lỗi = Desired – Output Mục đích việc Learning cho lỗi nhỏ tốt (Nếu lỗi = hoàn hảo nhất) cách điều chỉnh thông số liệu vào 21 Tiến hành huấn luyện mạng vài lần chọn lần huấn luyện có lỗi training error testing error nhỏ 3.1.4 Kiểm tra liệu mơ hình hóa (modeling) Sau mạng học xong, kiểm tra liệu học phần “Xem liệu”, đầu liệu học (training data) mạng MLP đưa (NN Outputs) có dạng như: Hình 2: Đồ thị so sánh kết thực tế mong muốn Chữ nhật màu đỏ: Thực tế (dự báo) Chữ nhật màu xanh: Desired (đã biết trước)  Với liệu học, đầu mạng gần trùng khớp với đầu yêu cầu (hình chữ nhật màu đỏ gần trùng khớp với hình chữ nhật màu xanh) Nhận thấy mạng neural MLP học tốt, dự báo 95% 3.2 Dự báo dựa vào giá biến động thị trƣờng: 3.2.1 Dựa vào biến động kinh tế 10 năm trước:  Với liệu học, đầu mạng trùng khớp với đầu yêu cầu (hình chữ nhật màu đỏ trùng khớp với hình chữ nhật màu xanh) Nhận thấy mạng neural MLP học tương đối, dự báo chưa tốt 3.2.2 Dựa vào biến động kinh tế năm tại: (tương tự cách tính 10 năm trước) 22  Với liệu học, đầu mạng trùng khớp với đầu yêu cầu (hình chữ nhật màu đỏ trùng khớp với hình chữ nhật màu xanh) Nhận thấy mạng neural MLP học tốt, dự báo xác khoảng 90% Kết luận: Mạng neural nhân tạo lĩnh vực nghiên cứu rộng lớn Nó ngày ứng dụng nhiều thực tế Mạng với ưu điểm như: cấu trúc đơn giản, độ xác cao,… Tuy nhiên khuôn khổ luận văn tốt nghiệp em tìm hiểu cấu tạo noron sinh học, mơ hình mạng noron nhân tạo, mơ hình mạng, số phương pháp huấn luyện mạng, ứng dụng mạng toán dự đoán Trên sở lý thuyết tìm hiểu em tiến hành cài đặt thuật toán backpropagation dự báo giá thị trường chứng khoán Chương trình dự báo hoạt động tốt việc dự báo thời gian ngắn hạn, với tỉ lệ xác thường xun đạt ngưỡng 90% Chương trình hoạt động gần xác ta muốn dự đoán kết tuần trở lại Nó giúp ích nhiều cho nhà đầu tư đư định đầu tư với mục đích sinh lời hạn chế rủi ro cho thấp Với mơ hình Neural Network ta thấy việc dự đốn giá thời gian ngắn kết cho độ xác cao độ xác giảm dần dự đốn khoản thời gian rộng Chương trình dự đốn tương đối xác giá ngày mai, hay tháng sau, giảm dần độ xác dự đốn theo q, đặc biệt chương trình khơng cịn xác dự đốn phiên giao dịch đóng cửa cuối năm (xác suất xác thấp) Ví dự giá chứng khốn bão hịa phiên giao dịch cuối năm từ năm 2000->2005 (tăng giảm khơng đáng kể), đột ngột tăng chóng mặt năm 2006 2007 đặc biệt năm 2007 đỉnh điểm Rồi từ năm 2008 thị trường quay lại trạng thái bão trước Có lẽ thị trường khó quay lại lúc đột biến năm 2007 (có thể khơng bao giờ) 23 Như chương trình khơng thể dự đốn thị trường tăng hay giảm đột biến (vì biến động thị trường khơng nhiều)  Hướng phát triển: Để mạng lại ứng dụng rộng rãi, đề tài xây dựng mô hình dự báo giá, ngồi phạm vi áp dụng sàn giao dịch Tp.Hcm, đề tài hồn tồn áp dụng sàn giao dịch chứng khoán khác Mặt khác, bên cạnh mơ hình cịn phát triển để ứng dụng dự báo tỷ giá, tốc độ tăng trưởng kinh tế… ... trình dự báo Chức chương trình dự báo giá chứng khoán (Vn-Index) trung tâm giao dịch chứng khốn Tp.Hcm Nội dung dự báo giá: o Giá chứng khoán theo ngày o Giá chứng khốn theo tháng o Giá đóng... tư Chính thị trường không thu hút quan tâm nhà đầu tư nước mà cịn đơng đảo nhà đầu tư nước ngồi Do đó, đề tài ? ?Mạng Neural ứng dụng dự báo giá chứng khoán trung tâm giao dịch chứng khốn TP Hồ Chí. .. tìm kiếm, … - Dự báo: dự đoán thị trường chứng khoán, dự báo thời tiết, dự báo tài chính, dự báo lưu lượng nước, … 14 Chƣơng – THIẾT KẾ MƠ HÌNH MẠNG NEURAL DỰ BÁO 2.1 Huấn luyện mạng Neural 2.1.1