Đề tài DỰ ĐOÁN THỊ TRƯỜNG CHỨNG KHOÁNG SỬ DỤNG MẠNG THẦN KINH NHÂN TẠ

ĐẠI HỌC BÁCH KHOA THÀNH PHỐ HỒ CHÍ MINH Đề tài: DỰ ĐỐN THỊ TRƯỜNG CHỨNG KHỐNG SỬ  DỤNG MẠNG THẦN KINH NHÂN TẠO ( STOCK MARKET INDEX PREDICTION USING ARTIFICAL NEURAL NETWORK) Nhóm 14:  Phan Trọng Nghĩa Phạm Hữu Ngà GVHD: Huỳnh Thái Hoàng MSSV: 1512160 MSSV: 1512115 1/ Giới thiệu: ‐ Trong lĩnh vực nghiên cứu tượng, hầu hết đối tượng hệ phi tuyến ( Sự thay đổi đầu không tỉ lệ với thay đổi đầu vào) ‐ Việc mô mối quan hệ tham số đầu vào đầu 1 cơng việc khó khăn tính chất phức tạp tượng cần nghiên cứu.  ‐ Hệ thông minh nhân tạo : Mạng thông minh nhân tạo ( Artifical Neural Networks – ANN),  hệ suy luận mờ ( fuzzy inference system – FIS) , hệ suy luận thần kinh thích nghi mờ ( Adaptive  neuro‐fuzzy Inference System – ANFIS) đã áp dụng để model hóa nhiều lĩnh vực phức tạp khoa học kỹ thuật 2/ Những nghiên cứu công bố áp dụng hệ thông minh nhân tạo vào lĩnh vực kinh tế: 1. Mạng thần kinh nhân tạo (ANN) cho hiệu suất tốt việc dự đoán phá sản so với phương pháp thống kê truyền thống phương pháp phân tách hồi quy logistic (Quah & Srivinasan 1998) 2. Nghiên cứu xếp hạng tín nhiệm (credit rating) cho thấy ANN dự báo tốt so với phương pháp thống kê do mối quan hệ phức tạp tài biến đầu vào khác ( Hájek, 2011)  3. Dự đốn phá sản ( Alfaro García, Gámez & Elizondo 2008; Lee, Booth, & Alarm, 2005) 4. Đánh giá rủi ro tính dụng (Yu, L., Wang, S., & Lai,2008) 3/ Hệ thần kinh nhân tạo áp dụng việc dự đoán chứng khoán: 3.1: Nhắc lại Artifical Neural Network:  Mạng thần kinh nhân tạo lấy cảm hứng từ sinh học, gồm tế bào thần kinh (neurons) để tiếp nhận xử lý thông tin, và kết nối với dây thần kinh , đại diện trọng số (weights)  Mạng thần kinh nhiều lớp Perceptron ( Multi‐Layer Perceptron – MLP) được ứng dụng phổ biến vấn đề kiểu hồi quy. MLP gồm 3 lớp chính: Ngõ tính cơng thức 4. Dự đốn số thị trường NASDAQ: Trong nghiên cứu này, ta sẽ áp dụng mạng thần kinh truyền thẳng huấn luyện thuật toán lan truyền ngược sai số (backward propagation of errors) Phương trình mơ tả khái qt hệ thống để huấn luyện:  Input: Giá cổ phiếu ngày trước Thứ tự ngày tuần Output: giá trị cổ phiếu Chú thích: y(k) : giá cổ phiếu thời điểm k n: số ngày khứ D(k) : thứ tự ngày tuần Hiệu ANN được đánh giá 2 yếu tố : Hệ số xác định bội R2 : R2 cao: mối liên hệ biến độc lập biến phụ thuộc (khi tuyến tính hóa) càng chặt chẽ Sai số tồn phương trung bình (Mean Square Error –MSE) MSE đại diện cho sai số bình phương trung bình giá trị dự đốn ( y‐ predicted) và giá trị thực tế (y‐ experimental)  M là số lượng data Phương pháp : Dữ liệu huấn luyện chia làm 2 loại training dataset : 4 prior working day  9 prior working day Tạo 1 Mạng Neuron lan truyền ngược với 20 – 40 – 20 neurons ở lớp ẩn Áp dụng Training function và Transfer function , từ tìm kết tối ưu cho 2 loại training dataset Với training function và transfer function tối ưu, ta sẽ thay đổi cấu trúc mạng ,  bao gồm số lớp ẩn số neuron trong lớp ẩn BEST METHOD 5. Kết thảo luận: Giá cổ phiếu qua từng ngày NASDAQ được thu thập 99 ngày, từ ngày 28 tháng 1,2015 đến 18 tháng 6, 2015 , làm training dataset để huấn luyện cho model Training function: LM (Levenberg‐Marquardt) ; OSS ( one step secant) ;  GDA ( gradient descentwith adaptive learning rate) ; GDM ( gradient descent with momentum) Transfer function: TANGSIG, PURELIN , LOGSIG 5.1 : Four prior working day  Dataset 60% 20% 20% Lưu ý: Bất kỳ thay đổi số lượng tế bào thần kinh ảnh hưởng đến độ hiệu model, khơng có nghĩa nhiều lớp ẩn nhiều neron lớp ẩn đạt hiệu cao Ex: Mạng 5 – 5 có giá trị R2 chấp nhận ( 0.8631) Nhưng mạng 5 – 10 lại có khả dự đốn 5.1 : Nine prior working day  Kết quả: Sử dụng Training function OSS và Transfer function LOGSIG sẽ cho kết R2 tối ưu cho Validation dataset (0.9622)  6. Kết luận: 4 PRIOR WORKING DAY OSS TANSIG PRIOR WORKING DAY OSS LOGSIG 20 – 40 ‐ 20 40 ‐ 40 20 – 40 ‐ 20 ‐ Khơng có khác biệt đáng kể 2 kiểu liệu đầu vào Four prior working day  Nine prior working day  Dự đốn xác xu hướng tăng, giảm thị trường ƯU ĐIỂM KHUYẾT ĐIỂM Trực quan, dễ sử dụng theo dõi Training set cố định, càng lâu xu hướng thay đổi, gây khơng xác 7. Hướng phát triển Phần mềm ( Viết python) Tự lấy liệu từ server qua excel Cập nhật liệu theo thời gian thực Sau 1 khoảng thời gian => Tự xóa mẫu cũ => Cập nhật mẫu => Auto training Tài liệu tham khảo thêm: XIN CẢM ƠN ĐàLẮNG NGHE ... (Yu, L., Wang, S., & Lai,2008) 3/ Hệ thần kinh nhân tạo áp dụng việc dự đoán chứng khoán: 3.1: Nhắc lại Artifical Neural Network:  Mạng thần kinh nhân tạo lấy cảm hứng từ sinh học, gồm tế bào thần kinh (neurons) để... học kỹ thuật 2/ Những nghiên cứu công bố áp dụng hệ thông minh nhân tạo vào lĩnh vực kinh tế: 1. Mạng thần kinh nhân tạo (ANN) cho hiệu suất tốt việc dự đoán phá sản so với phương pháp thống kê... thần kinh (neurons) để tiếp nhận xử lý thông tin, và kết nối với dây thần kinh , đại diện trọng số (weights)  Mạng thần kinh nhiều lớp Perceptron ( Multi‐Layer Perceptron – MLP) được ứng dụng phổ