Bias = 4749/14 = 339.21 MAE = 11223/14 = 801.64 MSE = 16139037/14 = 1152788.36 MPE = -404.93/14 = -28.92 MAPE = 599.01/14 = 42.79 RMSE = √1152788.36 = 1073.68
58
So sánh kết quả dự báo của mô hình tiếp cận với các mô hình dự báo khác như Naive (dự báo thô), Moving averages (phương pháp bình quân di động), phương pháp dự báo nhân quả (Causal models or regression), giá trị dự báo của các mô hình này được xác định như sau:
Mô hình dự báo thô (Naive): giá trị dự báo bằng với giá trị trước đó 𝐹𝑡+1 = 𝑌𝑡, 𝑡 = 1, 𝑛
Mô hình dự báo bình quân di động (Moving averages): 𝐹𝑡+1 =Y𝑡+ Y𝑡−1+ ⋯ + Y𝑡−(𝑘−1)
𝑘 , 𝑘 = 1, 𝑛
Mô hình dự báo nhân quả (Causal models or regression): 𝑌𝑡 = 𝛼 + 𝛽𝑋𝑡 + 𝜀𝑡, 𝑡 = 1, 𝑛
𝐹𝑡 = 𝑎 + 𝑏𝑋𝑡
Kết quả so sánh thể hiện như trong bảng 3.7 dưới đây:
t Năm Tín dụng thực tế Mô hình tiếp cận Naive Moving Averages (3 MA) Regression 1 2003 158 570 2 2004 179 570 158 3 2005 906 570 179 2063 4 2006 1131 1152 906 414 4732 5 2007 6858 7856 1131 739 7401 6 2008 6539 4280 6858 2965 10070 7 2009 12883 12001 6539 4843 12738 8 2010 19877 20287 12883 8760 15407 9 2011 19916 20287 19877 13100 18076 10 2012 18756 16644 19916 17559 20745 11 2013 23647 23243 18756 19516 23414 12 2014 25969 26603 23647 20773 26082 13 2015 30915 30787 25969 22791 28751 14 2016 36026 34161 30915 26844 31420
59
t Năm Mô hình tiếp cận Naive
Moving
Averages (3 MA) Regression
1 2003 -412 2 2004 -391 21 3 2005 336 727 -1157 4 2006 -21 225 717 -3601 5 2007 -998 5727 6119 -543 6 2008 2259 -319 3574 -3531 7 2009 882 6344 8040 145 8 2010 -410 6994 11117 4470 9 2011 -371 39 6816 1840 10 2012 2112 -1160 1197 -1989 11 2013 404 4891 4131 233 12 2014 -634 2322 5196 -113 13 2015 128 4946 8124 2164 14 2016 1865 5111 9182 4606
Bảng 3.8. Bảng các sai số dự báo của các mô hình
Hình 3.2. Giá trị dự báo của mô hình dự báo tiếp cận so với giá trị dư nợ tín dụng thực tế 0 5000 10000 15000 20000 25000 30000 35000 40000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Dư nợ tín dụng (thực tế) Dự báo tiếp cận Naive
Moving Averages (3MA) Regression
60
So sánh kết quả của tất cả các mô hình dự báo được thể hiện ở bảng 3.9, có thể nhận thấy rằng sai số dự báo là nhỏ nhất trong trường hợp áp dụng mô hình dự báo tiếp cận cho phân cụm chuỗi thời gian mờ. Các sai số bao gồm: sai số trung bình (MBE - Mean Bias Error), sai số tuyệt đối trung bình (MAE - Mean Absolute Error), sai số bình phương trung bình (MSE - Mean Squared Error), sai số phần trăm trung bình (MPE-Mean Percentage Error), sai số phần trăm tuyệt đối (MAPE-Mean Absolute Percentage Error), sai số bình phương trung bình gốc (RSME - Root Mean Square Error):
Thước đo Mô hình tiếp cận Naive
Moving Averages (3 MA) Regression Bias 339.21 2759.08 5837.55 481.50 MAE 801.64 2986.62 5837.55 2043.50 MSE 1152788.36 15683706.15 21723546.82 6626596.07 MPE -28.92 25.29 41.41 153.23 MAPE 42.79 26.99 41.41 227.38 RMSE 1073.68 3960.27 4660.85 2574.22
Bảng 3.9. Bảng so sánh các thước đo sai số của các mô hình
3.4 Kết luận
Tiếp cận đến một phương pháp mới cho dự báo chuỗi thời gian mờ với độ chính xác cao. Thuật toán K-means của phương pháp tiếp cận đơn giản và có thể được thực hiện dễ dàng bằng cách sử dụng phần mềm toán học Matlab. Phương pháp này đã được thực hiện dựa trên dữ liệu quá khứ về tín dụng của Ngân hàng ABBANK để có một nghiên cứu so sánh với các phương pháp hiện có. Từ bảng 3.7 và 3.9 ta có thể thấy rằng phương pháp tiếp cận nghiên cứu có tỷ lệ chính xác dự báo cao hơn các phương pháp đã trình bày trước đó.
61
TÀI LIỆU THAM KHẢO Tiếng Việt
[1] Lê Bá Dũng, Các hệ cơ sở tri thức (knowledge based system) và ứng dụng, Bài giảng ĐHBK Hà Nội – Genetic computer school joint education program.
[2] Bùi Công Cường, Nguyễn Doãn Phước, “Lý thuyết mờ và công nghệ tính toán mềm”, Hệ mờ mạng nơron và ứng dụng, Nhà xuất bản Khoa học và Kỹ thuật, pp.53-89, 2006.
[3] Nguyễn Công Điều “Một thuật toán mới cho mô hình chuỗi thời gian mờ heuristic trong dự báo chứng khoán”, Khoa học và Công nghệ, Viện KH&CN VN 2011, 49(4) (2011) 11-25.
Tiếng Anh
[4] S. M. Chen (2002), “Forecasting Enrollments based on hight- order Fuzzy Time Series”, Int. Journal: Cybernetic and Systems, N.33, pp. 1-16.
[5] Moddy J., Darken C. J.: Fast learning in network of locally tuned processing units. Neural Comput., 1, 1989, pp. 281-294.
[6] Jens Rúni Poulsen, “Fuzzy Time Series Forecasting”, AAUE, zovember 2009.
[7] Q. Song, B.S. Chissom, (1993), “Fuzzy Time Series and its Model”,
Fuzzy set and system, vol. 54, pp. 269-277.
[8] S.M. Chen, (1996), “Forecasting Enrollments based on Fuzzy Time Series,” Fuzzy set and system, vol. 81, pp. 311-319.
62
[9] K. Huarng , “Effective length of interval to improve forecasting in fuzzy time series”, Fuzzy set and Systems, (2001) vol. 123, pp. 387-394.
[10] J. R. H Wang, S. M. Chen, C. H. Lee, “Handing forecasting problems using fuzzy time series”, Fuzzy Sets and Systems, 100 (1998) 217- 228.
[11] T. A. Jilani, S. M. A. Burney, C. Ardil, “ Fuzzy metric approach for fuzzy time series forecasting based on frequency density based partitioning”, In: Proceedings of World Academy of Science, Engineering and Technology 23 (2009) 1307-6884.
[12] Zhang, Z. and Zhu, Q. “Fuzzy Time Series Forecasting Based On K-Means Clustering”. Open Journal of Applied Sciences, (2012) vol. 2, pp. 100-103.