Trong tiểu mục này, mô hình dự báo FTS2NT-CMPSO được áp dụng để dự báo thị trường chứng khoán Đài Loan [54] từ ngày 8/3/1998 đến 9/30/1998 bao gồm hai nhân tố có các chỉ số tương ứng là TAIFEX và chỉ số TAIEX.
Để chứng tỏ tính hiệu quả dự báo của mô hình FTS2NT-CMPSO dựa trên chuỗi
thời gian bậc cao hai nhân tố, các mô hình có tên như: L06 [54], L08 [34], MPTSO [40], THPSO [35] và các mô hình trong [17, 56, 91] được lựa chọn để so sánh và đánh
giá về sai số dự báo MSE (1.8). Từ các tham số được lựa chọn trong Bảng 3.32, mô
hình FTS2NT-CMPSO được thử nghiệm với số khoảng là 16 cho cả
hai nhân tố và đưa ra kết quả dự báo với bậc có giá trị MSE nhỏ nhất.
Ngoài ra, khi thực hiện tối ưu bậc và độ dài khoảng một cách đồng thời, mô hình đề xuất cũng đưa ra thời gian tính toán và tốc độ hội tụ theo giá trị MAPE với số khoảng cố định bằng 16. Đồ thị biểu diễn tốc độ hội tụ theo giá trị MAPE với 150 lần lặp trên dữ liệu TAIFEX được minh họa trong Hình 3.10. Trong thử nghiệm này, mô hình hội tụ tới một giá trị MAPE thấp nhất có thể chấp nhận được là (MAPE =
0.23% hay MSE = 4.8) tại 90 lần lặp.
Kết quả và sai số dự báo tương ứng với bậc tối ưu của mô hình được đề xuất
FTS2NT-CMPSO và các mô hình so sánh được đưa ra trong Bảng 3.32.
Hình 3.10: Đồ thị thể hiện thời gian tính toán và tốc độ hội tụ của mô hình FTS2NT- CMPSO với 150 lần lặp
Bảng 3.32: So sánh kết quả và sai số dự báo MSE giữa mô hình FTS2NT-CMPSO với
các mô hình khác dựa trên QHM bậc cao với 16 khoảng chia cho mỗi nhân tố
Ngày tháng 8/3/1998 8/4/1998 8/5/1998 8/6/1998 8/7/1998 8/10/1998 8/11/1998 8/12/1998 8/13/1998 --- 9/29/1998 9/30/1998 10/01/1998 MSE
Từ kết quả trong Bảng 3.32 cho thấy, mô hình FTS2NT-CMPSO đưa ra giá trị dự báo trên từng ngày gần như sát với dữ thực tế và đạt sai số dự báo với giá trị (MSE = 4.8) nhỏ hơn nhiều so với các mô hình so sánh dựa trên QHM bậc 4.
Chi tiết đánh giá dựa trên ba điểm khác chính là cách NQHM, phương pháp phân khoảng tập nền và quy tắc giải mờ đầu ra. Kết quả tính toán cho thấy ưu thế của
mô hình FTS2NT-CMPSO được thể hiện trong việc sử dụng dụng nhóm quan hệ mờ
phụ thuộc thời gian, trong khi các mô hình còn lại đều sử dụng NQHM của Chen
[10].Với công việc phân khoảng tập nền, thì hai mô hình trong [17, 57] sử dụng
phân cụm tự động để tìm khoảng tối ưu, mô hình [91] sử dụng tìm kiếm Tuba với hệ thống suy diễn mờ để điều chỉnh độ dài khoảng chia tập nền. Còn lại các mô hình L06 [54], L08 [34], MTPSO [40], THPSO [35] và mô hình FTS2NT-CMPSO đều áp dụng thuật toán tối ưu để điều chỉnh khoảng ban đầu và tìm khoảng chia tối ưu trên mỗi tập nền của từng nhân tố, trong đó hai mô hình trước là sử dụng GA còn 3 mô hình còn lại sử dụng PSO.
Bên cạnh đó, để thấy được hiệu quả của việc mở rộng mô hình chuỗi thời gian mờ một nhân tố thành hai nhân tố, mô hình FTS2NT-CMPSO được so sánh với mô hình chuỗi thời gian mờ một nhân tố (FTS1NT-CMPSO) trên tập dữ liệu thị trường chứng khoán TAIFEX. Quan sát Bảng 3.32 cho thấy sai số dự báo của mô hình hai nhân tố FTS2NT-CMPSO với giá trị MSE = 4.8 nhỏ hơn so với mô hình một nhât tố FTS1NT-CMPSO đưa ra trong Bảng 3.21 với giá trị MSE = 5.1. Điều này cho thấy việc thêm nhân tố có mối quan hệ tiềm năng với nhân tố dự báo là khá quan trọng và có ảnh hưởng đáng kể đến kết quả dự báo của mô hình.