3 Trong khoa học về ứng dụng ANN, một tập hợp gồm toàn bộ các mẫu dữ liệu được gọi bằng thuật ngữ Epoch Mỗi mẫu trong bộ dữ liệu được gọi bằng tên Exemplar.
2.6.5. So sánh và kết luận
Với kết quả xây dựng cấu trúc mạng ANN một lớp ẩn với 10 neuron và cấu trúc mạng ANN tuyến tính ở các phần trên, ta có bảng so sánh sau:
Training Cross Validation Testing
Mơ hình MSE r MAE MSE r MAE MSE r MAE
Mạng
thần kinh 0,000409 0,996992 0,015935 0,000547 0,996157 0,018804 0,000578 0,995415 0,018472
Tuyến 0,002363 0,982196 0,038616 0,002308 0,98358 0,037295 0,002249 0,982089 0,036984 tính
Nhìn chung, với cả ba chỉ tiêu là MSE, MAE và rSquare thì mơ hình mạng ANN tỏ ra vượt trội hơn so với mơ hình tuyến tính. Với tiêu chuẩn MSE, trong q trình kiểm định ngồi mẫu, bảng số liệu trên cho thấy rằng, mơ hình phi tuyến mạng ANN có mức độ sai lệch thấp hơn đến gần 70%, hoặc với chỉ tiêu MAE, thì tương tự cấu trúc mạng tuyến tính cũng có mức độ sai số cao hơn gần gấp đôi so với cấu trúc mạng ANN phi tuyến; về chỉ tiêu độ tương quan giữa giá trị dự báo của mơ hình và giá trị thực tế thì cấu trúc mạng tuyến tính cũng khơng thể cho kết quả tốt hơn cấu trúc mạng phi tuyến.
Tất cả những đều trên được minh họa trong hình 2.20. Hình 2.20 cho thấy sự trùng khít gần như tuyệt đối giữa giá trị dự báo của mơ hình mạng ANN với giá trị Ln(VNI) thực tế cho thấy tính ưu việt của mơ hình này. Bên cạnh đó, biểu đồ thể hiện phần trăm sai lệch giữa giá trị dự báo so với giá trị thực tế cho thấy, phần lớn, mức độ sai lệch giao động trong khoảng từ 0,5% đến 0,5%, chỉ có một vài trường hợp mức độ sai lệch vượt quá ngưỡng này nhưng cũng chỉ dừng lại ở mức 1,5%.
Desired Output and Actual Network Output
Output 8 7 6 5 Ln(Vnindex) 4 Ln(Vnindex) Output 3 2 1 0 1 7 13 19 25 31 37 43 49 55 61 67 Exemplar
Hình 2.20: Chuỗi giá trị Ln(VNI) thực tế và dự báo từ mơ hình mạng ANN của tập hợp các quan sát kiểm tra lại
1.00%0.50% 0.50% 0.00% 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 -0.50% -1.00% - 1.50% - 2.00%
Hình 2.21: Phần trăm sai lệch giữa giá trị Ln(VNI) dự báo so với thực tế của tập hợp các quan sát kiểm tra lại
Như vậy, phần nghiên cứu này đã chứng minh cho quan điểm TTCK VN tồn tại hiện tượng momentum rất cao. Điều này khẳng định cho kết luận trong phần 2.5 khi phân tích giá chứng khốn trong q khứ có tác động đến giá hiện tại và tương lai. Nói cách khác, luận án càng cho thấy TTCK VN chưa đạt đến trạng thái thị trường hiệu quả, thị trường luôn tồn tại xu hướng. Giá chứng khốn trên TTCK VN có thể được dự báo từ những thay đổi giá trong quá khứ, tuy nhiên mức độ tác động là không lớn khi chỉ tiêu dựa báo ngồi mẫu là rSquare từ mơ hình mạng ANN thấp.
Tóm lại, q trình phân tích trong chương 2 đã cho chúng ta kết luận rằng, mơ hình mạng ANN thật sự là một cơng cụ hữu ích cho việc ước lượng mối quan hệ phi tuyến của các biến số. Nghĩa là mơ hình mạng ANN vượt trội hơn mơ hình tuyến tính khi mối quan hệ giữa các biến là mối quan hệ phi tuyến. Chính vì vậy cấu trúc mạng ANN truyền thẳng với hàm truyền là hàm phi tuyến cho ra kết quả dự báo VNI tốt hơn các cấu trúc mạng ANN khác. Đồng thời nhóm các biến phản ánh tình hình tài chính của các doanh nghiệp niêm yết trên TTCK tác động mạnh đến sự biến động của VNI. Điều này cho thấy khả năng dự báo giá chứng khốn trên TTCK VN từ nhóm biến tài chính sẽ phần nào chuẩn xác hơn các nhóm biến khác.
Chương 3