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
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
Hàm truyền hay còn gọi là hàm kích hoạt là một thành phần không thể thiếu trong mô hình Mạng thần kinh, nó giúp cho thông tin được truyền từ nơ-ron này đến các nơ-ron khác và kết quả của hàm truyền là thông tin đầu ra của mỗi lớp ẩn và lớp đầu ra. Dưới đây là một vài hàm truyền được sử dụng phổ biến.
Hàm Xích ma
Hàm Xích ma (hàm Sigmoid) được giới thiệu bởi Cowan năm 1967 có khả năng mô phỏng bất kỳ một hàm phi tuyến nào với độ chính xác chắc chắn, với giá trị nằm trong đoạn [0;1] nên thường được dùng trong các ứng dụng mà giá trị đầu ra nằm trong đoạn [0;1].
Hàm Hyperbol
Hàm Hyperbol (hay còn gọi là TanhAxon) có cấu trúc giống hàm xích ma nhưng giá trị của hàm nằm trong đoạn [-1;1]. Vì vậy, hàm này được dùng với các ứng dụng mà biến đầu ra có chứa các giá trị âm.
Hàm Sin
Giá trị của hàm cũng nằm trong đoạn [-1;1] giống như hàm Hyperbol
Hàm Cos
Một số hàm truyền khác
Hàm LinearAxon
Trong đó:
Xi là giá trị đầu vào
n là số nơ-ron lớp đầu vào
m là số nơ-ron lớp tiếp sau lớp đầu vào
wji là trọng số kết nối giữa nơ-ron lớp đầu vào và nơ-ron lớp tiếp theo
Hàm Linear
Hàm threshold
TÀI LIỆU THAM KHẢO
Tiếng Việt
1. Sử Đình Thành và các tác giả (2008), “Nhập môn tài chính tiền tệ”, Nhà xuất bản lao động xã hội, TP.HCM
2. Trần Ngọc Thơ và các tác giả (2011), “Tài chính quốc tế”, Nhà xuất bản Tài chính, TP.HCM 3. Trần Ngọc Thơ và các tác giả (2007), ”Tài chính doanh nghiệp hiện đại”, Nhà xuất bản thống
kê, TP.HCM
4. Hoàng Ngọc Nhậm và các tác giả (2008), “Giáo trình kinh tế lương”, Nhà xuất bản thống kê. 5. Trương Quang Hùng, Nguyễn Hoài Bảo (2004), “Nhìn lại lý thuyết truyền thống về lạm phát
và phân tích trường hợp Việt Nam”
6. Phan Thị Cúc, 2008, “Diễn biến lạm phát ở Việt Nam và giải pháp kiềm chế linh hoạt”
7. Phạm Thế Anh (2011), “Lạm phát và các quy tắc chính sách tiền tệ”, Trung tâm Nghiên cứu Kinh tế và Chính sách (VERP)
8. Nguyễn Thị Thu Hằng, Nguyễn Đức Thành (2011), “Nguồn gốc lạm phát ở Việt Nam giai đoạn 2000-2010: phát hiện mới từ những bằng chứng mới”, Trung tâm Nghiên cứu Kinh tế và Chính sách.
9. Báo An Ninh Thủ Đô, “Lạm phát 2012: Dự cảm có cơ sở”,
http://www.tinmoi.vn/1-03792481.html
10.Nguyễn Văn Chức, “Tổng quan về mạng Neuron (Neural Network)”,
http://bis.net.vn/forums/p/482/898.aspx
11.Kiềm chế lạm phát năm 2012 dưới một con số,
Tiếng Anh
1. Iebeling Kaastra và Milton Boyd (1996), “Designing a neural network for forecasting financial and economic time series”, Elsevier Neurocomputing
2. G.P.Zhang, “Time Series Forecasting Using A Hybird ARIMA and Neural Network Model”, Neurocomputing, Vol. 50, 2003, p159 - p175.
3. Paul McNelis và Peter McAdam (2004), “Forecasting inflation with thick model and neural network”, European Central Bank - Working paper No.352
4. Yochanan Shachmurove và Dorota Witkowska (2000), “Utilizing artificial neural network model to predict stock market”, Caress working paper No.00-11
5. Jingtao và Chew Lim Tan (2000), “Guidelines for financial forecasting with Neural network”, International Conference on Neural Information Processing.
6. G.Zhang và Y.Hu (1998), “Neural Network Forecasting of the GBP/USD Exchange Rate”, Elsevier Science, Vol.26, No.4, p495-p506
7. Wei Huang và K. Keung Lai, “Neural Netwwork in Finance and Economics forecasting”, International Journal of Information Technology & Decision Making”, Vol.6, No.1, p1-p28 8. Emi Nakamura (2005),“Inflation Forecasting using a Neural Network”, Harvard University 9. Mark T. Leung, An-Sing Chen và Hazem Daouk, “Forecasting Exchange Rates Using General
Regression Neural Networks”, Indiana University
10.Mukta Paliwal và Usha A. Kumar (2009), “Neural networks and statistical techniques: A review of applications”, Elsevier Science
11.Adnan Haider và Muhamad Nadeem Hanif, “Inflation forecasting in Pakistan using Neural Networks”, Pakistan Economic and Social Review, Vol. 47, No. 1, p123-p138
12.Adam Fadlalla và Chien-Hua Lin (2001), “An Analysis of the Applications of Neural Networks in Finance”, Department of Computer and Information Science Cleveland State University
13.Mukta Paliwal và Usha A. Kumar (2009), “Neural networks and statistical techniques: A review of applications”, Elsevier Science
14.Greg Tkacz (2001), “Neural network forecasting of Canadian GDP growth”, Elsevier Science 15.Kate A. Smith và Jatinder N.D. Gupta (2000), “Neural networks in business: techniques and
applications for the operations researcher”, Computers & Operations Research, p1023-p1044 16.Eldon Y. Li (1994), “Artificial Neural Networks and Their Business Applications”,
Information & Management 27(5), p303-313
17.Lahane Ashish Gajanan (2008), “Financial Forecasting: Comparison Of ARIMA, FFNN and SVR Models”, Master of Technology, Department Of Computer Science And Engineering Indian Institute of Technology, Bombay
18.Paulo J.G.Lisboa, Bill Edisbury và Alfredo Vellido (2000), “Business applications of neural networks, the state of the art of real-world applications”, World Scientific Publishing Co.Ptc.Ltd