3.2.1Xác định dữ liệu
Mục tiêu chính của bài nghiên cứu này là dự báo lạm phát hàng tháng so với cùng kỳ năm trước (YoY) của Việt Nam bằng cách sử dụng mô hình mạng thần kinh truyền thẳng kết hợp với thuật toán lan truyền ngược với dữ liệu dựa trên cơ sở hàng tháng kể từ tháng 1/2005. Do đó để thực hiện được bài nghiên cứu này tác giả đã sử dụng dữ liệu về tỷ lệ lạm phát theo tháng (monthly data series) của Việt Nam trong giai đoạn từ tháng 1/2005 đến tháng 2/2012, số liệu được thu thập và tổng hợp lại từ Tổng cục thống kê Việt Nam (GSO).
Hình 3.9 Tỷ lệ lạm phát hàng tháng (YoY) của Việt Nam từ tháng 1/2005 đến 2/2012
Nguồn: Tổng cục thống kê
3.2.2Xác định mô hình
Tác giả đánh giá một mạng thần kinh đơn giản cho lạm phát dựa trên cấu trúc “mạng truyền thẳng với lan truyền ngược” (feedforward with backpropagation).
Với tj là dự báo lạm phát tháng j, xt-1 là một vector của biến lạm phát thuộc đoạn [
1, 2
t t
], tanh là hàm tiếp tuyến hyperbolic được sử dụng như là tiến trình chuyển đổi. Θ‟s là lớp trọng số, wi là trọng số đầu vào và b‟s là các biến xu hướng.
Mô hình khi được thực hiện đòi hỏi những bước sau: Chọn biến đầu vào
Tiền xử lý dữ liệu đầu vào Xác định mạng thần kinh Huấn luyện mạng Dự báo độ chính xác 0 5 10 15 20 25 30 Ja n -0 5 Ma y-0 5 Se p -0 5 Ja n -0 6 Ma y-0 6 Se p -0 6 Ja n -0 7 Ma y-0 7 Se p -0 7 Ja n -0 8 Ma y-0 8 Se p -0 8 Ja n -0 9 Ma y-0 9 Se p -0 9 Ja n -1 0 Ma y-1 0 Se p -1 0 Ja n -1 1 Ma y-1 1 Se p -1 1 Ja n -1 2 Tỷ lệ lạ m p h át h àn g th án g (% ) Tỷ lệ lạm phát Việt Nam từ 1/2005 đến 2/2012
Chọn biến đầu vào
Bước này xác định các biến có ảnh hưởng nhất để dự báo biến mục tiêu. Nếu chúng ta bỏ qua các biến quan trọng, thì ảnh hưởng của nó trên hiệu quả dự báo của mạng lưới thần kinh là rất đáng kể. Để đơn giản, bài nghiên cứu chỉ xem xét mô hình mạng thần kinh dự báo đơn biến. Bởi sự hạn chế của dữ liệu, cấu trúc mạng thần kinh giản đơn được đưa ra theo công thức (1) được lựa chọn trong số nhiều cầu trúc mạng khác.
Tiền xử lý dữ liệu đầu vào
Các mạng thần kinh cần chuyển đổi dữ liệu một cách đúng đắn để có thể xử lý chúng và tạo ra các dự báo hợp lý. Để đơn giản, tác giả giả định rằng không có sự sai lệch thống kê trong dữ liệu.
Xác định mạng thần kinh
Một mạng truyền thẳng với lan truyền ngược đặc trưng sẽ có ít nhất ba lớp. Lựa chọn số lớp thích hợp chính là một nghệ thuật. Tiêu chí lựa chọn này cẩn dựa trên nhiều nghiên cứu thực nghiệm. Có vô số các kết hợp của những lớp và tế bào thần kinh mà chúng ta có thể thực hiện và thời gian cần để đào tạo một mạng sau khi lựa chọn là một bài tập khó khăn. Trong bài nghiên cúu này, số lượng các lớp được xác định là 12. Chúng tôi cũng có thể sử dụng nhiều lớp hơn nhưng thời gian huấn luyện thì không cho phép. Cải thiện kết quả dự báo chính xác có thể không có giá trị thêm thời gian. Kết quả dự báo cũng không được cải thiện là bao dù thời gian có tăng thêm.
Hơn nữa, một mạng lan truyền ngược nên có nhiều nhất 15 lớp. Trong giai đoạn xác định mô hình mạng chúng tôi có thể điều chỉnh nhiều tham số mặc định hoặc những giá trị ảnh hưởng đến hành vi của tiến trình huấn luyện. Những điều này liên quan đến việc học, tỷ lệ sai sót và lãng quên của mạng, số vận hành tối đa, giá trị dừng của tiến trình huấn luyện và những trọng lượng ngẫu nhiên với một vài sự phân tán theo danh nghĩa.
Huấn luyện mạng và dự báo
Bài nghiên cứu sử dụng thuật toán Levenberg-Marquardt để huấn luyện các ANN, một thuật toán huấn luyện chuẩn trong các tài liệu nghiên cứu về ANN. Thuật toán này dược dừng lại tùy theo quy trình dừng sớm. Các thiết lập hợp lệ được sử dụng trong quy trình
dừng sớm được chọn theo cách khá bất thường. Cuối cùng, hàm huấn luyện đưa ra kết quả dự báo dự trên các tiêu chí giảm thiểu RMSE.
Đánh giá dự báo
Để đánh giá dự báo, chúng ta tính toán sai số bình phương trung bình (RMSE) như sau:
Các thuật toán đào tạo được tiếp tục không ngừng dựa trên thiết lập huấn luyện cho đến khi RMSE bắt đầu tăng lên trên các thiết lập hợp lý.
CHƢƠNG 4. NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU
Đầu tiên chúng ta chuẩn hóa hóa dữ liệu bằng cách sử dụng thuật toán sau đây. ( ) (( ( ) ( ))
( ( ) ( ))) Mạng thần kinh được huấn luyện bằng cách sử dụng MATLAB. Trước khi huấn luyện, mô hình này đòi hỏi một số giá trị mặc định, được đưa ra trong bảng 1. Sau khi thiết lập các thuộc tính cơ bản, mô hình đòi hỏi phải chuẩn hóa dữ liệu như là đầu vào và đưa những dữ liệu này này đến hàm huấn luyện bằng cách sử dụng hàm tan hyperbolic. Sau đó, hàm 'trainlm "được sử dụng để huấn luyện dữ liệu.
Hiệu quả dự báo được thu hút bởi tối thiểu hóa chỉ tiêu RMSE. Trong bài nghiên cứu thực nghiệm này, tác giả cố gắng để dự báo lạm phát hàng tháng năm 2012 của Việt Nam trên cơ sở dữ liệu hàng tháng so với cùng kỳ năm trước kể từ tháng 1/2005 đến tháng 2/2012. Kết quả dự báo ngoài mẫu được trình bày trong hình 4.1
Bảng 4.1: Giá trị tham số mặc định cho ANN (adsbygoogle = window.adsbygoogle || []).push({});
Số lớp ẩn=12
Độ lệch lớn nhất=12 Dữ liệu huấn luyện=80 Kỳ dự báo=8
Tỷ lệ học2=0.25 Gia tăng học=1.05 Giảm học=0.07
Kỳ huấn luyện tham số=1000 RMSE mục tiêu=0.00005
2
Một thông số kiểm soát của một số thuật toán huấn luyện, kiểm soát kích thước bước nhảy khi trọng số được điều chỉnh lặp đi lặp lại nhiều lần.
CHƢƠNG 5. KẾT LUẬN
5.1 Tóm tắt kết quả nghiên cứu
Bài nghiên cứu này ứng dụng mô hình mạng thần kinh đơn biến giản đơn để dự báo lạm phát hàng tháng năm 2012 của Việt Nam bằng cách sử dụng hệ phương pháp ANN dựa trên cơ sở dữ liệu hàng tháng từ tháng 1/2005 đến tháng 2/2012. Mục đích chính của nghiên cứu này là tìm kiếm một dự báo ngoài mẫu phù hợp dựa trên tiêu chuẩn tối thiểu hóa RMSE, khi độ bất ổn được tối thiểu sau khi huấn luyện mạng với 12 lớp ẩn. Tỷ lệ học của mô hình của chúng tôi là 0,25. Mô hình mô phỏng sử dụng mạng truyền thẳng với thuật toán lan truyền ngược đòi hỏi một hàm kích hoạt sử dụng quy tắc Delta chuẩn. Kết quả dự báo trong bài nghiên cứu này cho thấy rằng dự báo lạm phát thời gian tới trung bình thấp hơn so với năm 2011.
5.2 Khuyến nghị chính sách từ kết quả nghiên cứu
Với những kết quả dự báo được từ mô hình mạng thần kinh đã cho thấy tình trạng lạm phát trong năm 2012 đang có xu hướng dịu đi và giảm dần trong thời gian tới, tuy nhiên để có thể thực hiện được những điều này đòi hỏi cần phải có sự quyết đoán từ những nhà điều hành chính sách. Lạm phát ở nước ta bắt đầu bùng nổ kể từ cuộc khủng hoảng kinh tế toàn cầu năm 2007 cùng với việc gia nhập Tổ chức Thương mại thế giới (WTO), việc nước ta tiếp tục triển khai sâu rộng các cam kết trong WTO, Khu vực mậu dịch tự do ASEAN và ASEAN+, tạo ra những cơ hội to lớn cho thu hút đầu tư và phát triển xuất khẩu, nhưng cũng đặt ra những thách thức gay gắt đối với sức cạnh tranh của nền kinh tế đang trong quá trình chuyển đổi và khả năng phản ứng chính sách, phản ứng thị trường trước những diễn biến phức tạp của thị trường. Giá lương thực, thực phẩm, giá dầu thô, giá một số nguyên vật liệu trên thị trường quốc tế và lạm phát có thể tăng cao tại nhiều quốc gia, cả phát triển, cũng như đang phát triển và mới nổi; khả năng tiếp tục đậm hơn xu hướng bảo hộ kỹ thuật các thị trường xuất khẩu quốc tế quan trọng của Việt Nam... Suy cho cùng, nguyên nhân sâu xa của lạm phát trong nền kinh tế Việt Nam bắt nguồn từ mô hình tăng trưởng kinh tế dựa trên chiều rộng, gia tăng vốn đầu tư nhưng không thật sự hiệu quả. Trong suốt giai đoạn nghiên cứu, lạm phát Việt Nam liên tục tăng cao và đến nay vẫn ở mức đáng báo động, gây sức ép rất lớn đến đời sống người dân cũng như sự phát triển
kinh tế. Chính phủ đã thực hiện hàng loạt các giải pháp nhằm kiềm chế sự tăng tốc của lạm phát. Chẳng hạn như các giải pháp thắt chặt tiền tệ và tài khóa được tiến hành trong năm 2008 và năm 2011 với chủ trương giới hạn tăng trưởng tín dụng và cắt giảm các dự án đầu tư công kém hiệu quả. Tuy nhiên, việc đánh giá hiệu quả của các chính sách này cần phải có thời gian vì độ trễ của chúng.
Với mục tiêu ưu tiên kiềm chế lạm phát, ổn định kinh tế vĩ mô, những nhà điều hành chính sách cần kiên định thực hiện các mục tiêu đã đề ra và duy trì tăng trưởng phù hợp với tình hình vĩ mô của nền kinh tế. Ưu tiên của Việt Nam trong năm 2012 là kiềm chế lạm phát dưới 10%, các năm sau thấp hơn, đến năm 2015 lạm phát khoảng 5 đến 7%. Trong bối cảnh với các áp lực lạm phát còn khá đậm như kể trên thì rõ ràng đây là mục tiêu cần thiết, nhưng không dễ đạt được, do đó cần phải có thêm những giải pháp hiệu quả để có thể điều hành tốt tình hình vĩ mô của nền kinh tế chẳng hạn như tiếp tục điều hành chính sách tiền tệ chặt chẽ, thận trọng và linh hoạt theo tín hiệu thị trường; kết hợp hài hòa giữa chính sách tiền tệ và chính sách tài khóa để bảo đảm tăng tổng phương tiện thanh toán và tăng dư nợ tín dụng hằng năm không vượt quá mức đề ra trong Nghị quyết 11. Tăng cường quản lý nhà nước về giá; xử lý nghiêm khắc các hành vi tăng giá bất hợp lý, nhất là đối với các nguyên vật liệu quan trọng và các mặt hàng tiêu dùng thiết yếu; công khai, minh bạch và tăng cường cơ chế thị trường đối với giá các hàng xăng dầu, điện và những mặt hàng nhạy cảm khác chưa có cạnh tranh thị trường đầy đủ. Kiểm soát chặt chẽ hơn việc nhập khẩu các mặt hàng không khuyến khích để giảm nhập siêu và cải thiện cán cân thanh toán. Ðẩy mạnh xuất khẩu, tăng hàm lượng nội địa và giá trị gia tăng của sản phẩm. Cải thiện môi trường đầu tư, tạo điều kiện cho các doanh nghiệp phát triển sản xuất, kinh doanh và mở rộng thị trường; bảo đảm đủ vốn, đủ ngoại tệ với lãi suất hợp lý cho sản xuất các ngành hàng, các sản phẩm trọng điểm mà thị trường trong nước và xuất khẩu đang có nhu cầu lớn. Thực hiện chính sách tài khóa chặt chẽ, giảm sâu hơn bội chi ngân sách; tăng cường tiết kiệm chi thường xuyên; rà soát, sắp xếp lại danh mục đầu tư công, nâng cao hiệu quả sử dụng vốn và chuyển một phần đầu tư nhà nước sang đầu tư từ các nguồn vốn khác. Ngoài ra, để chính sách tiền tệ và tỷ giá được độc lập, một đề nghị cần thiết là sự độc lập về mặt tổ chức của Ngân hàng trung ương. Với cơ cấu chính trị của Việt Nam hiện nay, Ngân hàng trung ương trực thuộc Chính phủ nên chính sách tiền tệ nhiều khả năng bị lệ thuộc vào mục tiêu của chính sách tài khóa, và điều này có thể cản trở mục tiêu chính
của Ngân hàng trung ương là quản lý giá cả tổng quát trong nền kinh tế. Chính vì vậy, việc sửa đổi cơ cấu quản lý là rất cần thiết.
5.3 Hạn chế của đề tài và hƣớng nghiên cứu tiếp theo
Mục tiêu nghiên cứu trong bài nghiên cứu là dự báo tình trạng lạm phát dựa trên những số liệu lạm phát quá khứ, qua đó không thể cho thấy được mức độ ảnh hưởng của các nhân tố khác lên lạm phát như tốc độ tăng cung tiền, tăng trưởng tín dụng, thay đổi tỷ giá... do đó cần phải có thêm những nghiên cứu tiếp theo để có thể tìm được một mô hình hoàn thiện hơn nhằm dự báo tốt hơn tình hình lạm phát của Việt Nam để có thể đưa ra những đề xuất chính sách phù hợp hơn.
PHỤ LỤC
Phụ lục 1:
Các dạng mô hình mạng thần kinh nhân tạo phổ biến
Mạng thần kinh truyền thẳng
Mạng thần kinh truyền thẳng đơn giản nhất
Một mạng thần kinh truyền thẳng đơn giản nhất, với hai lớp: một lớp đầu vào và một lớp đầu ra được gọi là Perceptron, mạng này do F.Rosenblatt đề xuất vào cuối những năm 50 của thế kỳ 20. Trên mỗi lớp này có thể có một hoặc nhiều Nơ-ron.
Mạng truyền thẳng giản đơn
Hoạt động của mạng thần kinh đơn giản nhất giống như một hệ thống đầu vào - đầu ra, được hiểu đơn giản có nghĩa là các giá trị của Nơ-ron đầu vào được sử dụng để tính các giá trị Nơ-ron đầu ra bằng cách cộng tất cả các tích của các giá trị Nơ-ron đầu vào với trọng số3 tương ứng, tiếp theo kết quả sẽ được đưa qua hàm truyền để xử lý đưa ra giá trị đầu ra.
Về mặt toán học, ta có:
3
Trong đó:
o Yj là giá trị đầu ra thứ j (adsbygoogle = window.adsbygoogle || []).push({});
o Xi là biến đầu vào thứ i
o wji là trọng số liên kết của nơ-ron j với biến đầu vào thứ i Mạng thần kinh truyền thẳng đa lớp
Mạng perceptron nhiều lớp (Multilayer Perceptron –MLPs) còn được gọi là Mạng thần kinh truyền thẳng đa lớp là sự mở rộng của mô hình mạng perceptron với sự bổ sung thêm những lớp ẩn và các nơ-ron trong các lớp ẩn này có hàm truyền (hàm kích hoạt) dạng phi tuyến. Mạng MLPs có một lớp ẩn là mạng nơ-ron nhân tạo được sử dụng phổ biến nhất, nó có thể xấp xỉ các hàm liên tục được định nghĩa trên một miền có giới hạn cũng như những hàm là tập hợp hữu hạn của các điểm rời rạc.
Mô hình mạng truyền thẳng đa lớp
Mạng thần kinh bổ sung
Mô hình Mạng thần kinh được bổ sung (Augmented Neural Networks) là mô hình thể hiện mới quan hệ trực tiếp hoặc quan hệ tuyến tính của mạng thần kinh truyền thẳng với một số biến đầu vào của nó.
Mô hình mạng thần kinh nhân tạo bổ sung
Mạng thần kinh nhân tạo hồi tiếp (Recurrent Neural Networks - RNN)
Mạng thần kinh hồi tiếp có chứa các liên kết ngược cho phép thông tin phản hồi nội bộ, khác với mạng thần kinh truyền thẳng. Tín hiệu đầu ra của một nơ-ron có thể được truyền ngược lại làm tín hiệu vào cho các nơ-ron các lớp trước hoặc truyền cho các nơ-ron trong cùng một lớp với các trọng số liên kết tương ứng có thể kèm theo một độ trễ nhất định.
Mạng thần kinh nhân tạo hồi tiếp
Có hai loại mạng thần kinh hồi tiếp cơ bản: Mạng thần kinh hồi tiếp Elman (Elman Recurrent Neural Networks - ERNN) và mạng thần kinh hồi tiếp Jordan (Jordan Recurrent Neural Networks - JRNN)
Mạng thần kinh hồi tiếp Jordan: được xây dụng bởi Jordan năm 1989
Phụ lục 2:
Một số hàm kích hoạt của mô hình mạng thần kinh nhân tạo