Đánh giá mơ hình ta thu được độ chính xác là 81.6%. Độ chính xác này là khá cao so với sử dụng phương pháp vét cạn (70.1%). Điều này cho thấy tối ưu mơ hình SVM bằng giải thuật GA cho ta kết quả tối ưu hơn so với việc tối ưu bằng phương pháp vét cạn.
4.3.3Kết quả chạy với mơ hình ARIMA
a. Kết quả chạy mơ hình ARIMA với bộ tham số ngẫu nhiên
Trong R hỗ trợ hàm arima cho phép dự đốn để đưa ra hàm mục tiêu của mơ hình. Ta chạy mơ hình với bốn bộ tham số c = (p, d, q) trong đĩ:
+ p là bậc của mơ hình tự hồi quy (AR(p))
+ d là số lần lấy hiệu để chuỗi thời gian trở thành chuỗi tĩnh + q là bậc của mơ hình trung bình di động (MA(q))
Ta sử dụng tiêu chuẩn AIC để đánh giá mơ hình. Mơ hình được lựa chọn là mơ hình cĩ AIC bé nhất.
>ar <- arima(ibm.data$r1.f1, order=c(2,0,0)) > ar$aic [1] -40041.74 > ar <- arima(ibm.data$r1.f1, order=c(0,0,1)) > ar$aic [1] -40041.74 >
> ar<- arima(ibm.data$r1.f1, order=c(1,0,1)) > ar$aic
[1] -40040.93 >
> ar<- arima(ibm.data$r1.f1, order=c(0,0,2)) > ar$aic
[1] -40041.69
b. Kết quả chạy mơ hình ARIMA với bộ tham số tối ưu bằng phương pháp vét cạn
best.order<- c(0,0,0) best.aic<-Inf for (i in 0:2) for (j in 0:2) { fit.aic<-AIC(arima(ibm.data$r1.f1, order=c(i,0,j))) if (fit.aic < best.aic) { best.order <- c(i,0,j)
best.arma <- arima(ibm.data$r1.f1, order=best.order) best.aic <-fit.aic
}}
Kết quả thu được như sau:
Call:
arima(x = ibm.data$r1.f1, order = best.order) Coefficients:
ar1 ar2 intercept -0.0238 -0.0162 1e-04 s.e. 0.0111 0.0111 2e-04
sigma^2 estimated as 0.0004302: log likelihood = 20024.87, aic = - 40041.74
Nhìn vào kết quả ta thấy, mơ hình 1, và 2 ứng với c(0,0,1) hoặc c(2, 0, 0) là phù hợp nhất cho mơ hình arima với dữ liệu đầu vào đã cho. Kết quả AIC = -40041.74. Kết quả đự đốn bằng mơ hình ARIMA kết hợp phương pháp vét cạn thể hiện trong hình vẽ 4.12 như sau: