5. Ý nghĩa khoa học và thực tiễn của đề tài
2.4. Các ứng dụng của SVR trong dự đoán chuỗi thời gian tài chính
Một số nghiên cứu chỉ ra rằng ANN có một số hạn chế trong việc học các mô hình vì dữ liệu thị trƣờng chứng khoán có độ nhiễu lớn và nhiều chiều phức tạp. ANN thƣờng thể hiện hiệu suất không nhất quán và không thể đoán trƣớc khi gặp dữ liệu nhiễu. Mạng nơ-ron lan truyền ngƣợc (BP), một trong những mô hình mạng nơ-ron phổ biến nhất đƣợc ứng dụng trong lĩnh vực dự báo chuỗi thời gian tài chính, cũng gặp nhiều khó khăn trong việc lựa chọn một số lƣợng lớn các tham số điều khiển bao gồm biến đầu vào có liên quan,
kích thƣớc lớp ẩn, tốc độ học và kỳ hạn động lƣợng.
Trong khi đó, SVM, đƣợc phát triển bởi Vapnik [11], với hƣớng tiếp cận khác với các mạng khác là tối thiểu rủi ro cấu trúc, cùng ý tƣởng là tối thiểu cận trên của lỗi tổng quát, SVM là giải pháp tối ƣu toàn cục và không gặp tình trạng quá khớp (overfitting) nhƣ các mạng tối ƣu cục bộ.
Mặc dù SVM, hay đặc biệt là SVR có những ƣu điểm trên, song vẫn không nhiều nghiên cứu trong ứng dụng dự báo chuỗi thời gian tài chính tập trung vào SVR. Kể từ khi phát triển vào năm 1995, SVR đã tiếp tục đạt đƣợc ngày càng phổ biến và nó thực sự là một nhiệm vụ của Herculean là cố gắng báo cáo tất cả đóng góp của SVR đã nâng cao trong lĩnh vực dự báo chuỗi thời gian tài chính kể từ khi thành lập. Trong nghiên cứu này, chúng tôi đƣa ra một cái nhìn tổng quan ngắn gọn về một số báo cáo các ứng dụng. Một số nhà nghiên cứu đã cố gắng sử dụng SVR để đƣa ra các dự báo trong tƣơng lai về các các loại dữ liệu tài chính đƣợc tìm thấy trong tài liệu. Ví dụ, Cao và Tay (2001)[27] đã kiểm tra tính khả thi của việc áp dụng SVM cho năm dữ liệu chuỗi thời gian tài chính và so sánh hiệu suất của nó với các mô hình đƣợc phát triển bằng cách sử dụng lan truyền ngƣợc nhiều lớp (BP) mạng nơ-ron và mạng nơ-ron chức năng cơ sở xuyên tâm chính quy (RBF). Vì mô hình SVM, họ đã đề xuất các thông số thích ứng để nắm bắt tính không ổn định thuộc tính của dữ liệu. Kết quả của họ cho thấy SVM hoạt động tốt hơn mạng nơ- ron BP trong dự báo tài chính và sở hữu hiệu suất tổng quát hóa có thể so sánh đƣợc khi so sánh với mạng nơ-ron RBF chính quy. Các phân tích của họ cũng cho thấy rằng kết hợp các thông số thích ứng vào SVM dấn đến cải thiện khả năng tổng quát hóa hiệu suất và sự đại diện thƣa thớt hơn của giải pháp so với việc sử dụng SVM tiêu chuẩn cho dự báo tài chính. Kim (2003) [26] đã áp dụng SVM để dự đoán hƣớng tƣơng lai của các chỉ số giá cổ phiếu và so sánh kết quả thu đƣợc với mạng nơ-ron nhân tạo (ANN) và dựa trên các trƣờng
hợp lý luận (CBR). Ảnh hƣởng của hằng số chính quy và tham số hàm kernel đƣợc phân tích, và kết luận rằng hai tham số này có ảnh hƣởng lớn đến hiệu suất dự đoán của SVM.
2.5. Đánh giá độ chính xác với MAPE
Có nhiều phƣơng pháp đánh giá hiệu suất và độ chính xác của mô hình có thể kể đến nhƣ RMSE (Trung bình bình phƣơng), MAE (Sai số tuyệt đối trung bình), MAPE (Phần trăm sai số tuyệt đối), … . Mỗi phƣơng pháp đều có các ƣu, nhƣợc điểm riêng và có thể áp dụng tối ƣu vào các bài toán, vấn đề cụ thể.
Trong luận văn này, chúng tôi đánh giá hiệu suất và độ chính xác giữa các hàm kernel trong SVR khi ứng dụng trong bài toán dự đoán chuỗi thời gian tài chính bằng MAPE.
MAPE (Mean Absolute Percentage Error) là một thƣớc đo đánh giá của sai số tƣơng đối. MAPE thể hiện độ chính xác cao hơn bởi vì MAPE cho biết tỷ lệ phần trăm sai số trong kết quả ƣớc tính hoặc kết quả dự báo của mô hình so với kết quả thực tế trong một khoảng thời gian nhất định. MAPE, sai số tuyệt đối trung bình trong một khoảng thời gian nhất định nhân với 100% và cũng là thƣớc đo độ chính xác tƣơng đối đƣợc sử dụng để xác định phần trăm độ lệch trong kết quả ƣớc tính. Cách tiếp cận này hữu ích khi các biến dự báo có kích thƣớc quan trọng không đánh giá đƣợc độ chính xác của dự báo. Ngoài ra, MAPE cho biết có bao nhiêu sai số trong việc ƣớc lƣợng so với giá trị thực [34]. Trong luận văn này, chúng tôi sử dụng MAPE để so sánh, đánh giá hiệu suất giữa ba hàm kernel trong SVR khi giải quyết bài toán dự đoán giá cổ phiếu. Công thức tính của MAPE đƣợc tổng quát nhƣ sau:
∑
(2.27)
- là dữ liệu giá trị dự đoán trong chu kỳ. - là khoảng thời gian dự đoán.
Nếu giá trị MAPE nhỏ hơn 10%, có thể đánh giá mô hình có hiệu suất và độ chính xác cao. MAPE có giá trị càng nhỏ thì độ chính xác càng cao.