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.
2.2.3. So sánh khả năng dự báo giá chứng khốn của mơ hình mạng thần kinh nhân tạo với mơ hình hồi quy tuyến tính
nhân tạo với mơ hình hồi quy tuyến tính
· Sử dụng mơ hình mạng ANN khơng có lớp ẩn và hàm truyền tuyến tính
Trong phần này luận án sẽ tiến hành xây dựng mơ hình tuyến tính (thể hiện mối quan hệ giữa các biến) để có cơ sở so sánh giữa hai loại mơ hình với nhau. Về bản chất, mơ hình tuyến tính là một trường hợp đặc biệt của mơ hình mạng ANN khi hệ thống mạng này khơng tồn tại lớp ẩn nào. Hàm truyền là một hàm tuyến tính thể hiện mối quan hệ giữa các biến đầu vào với biến đầu ra. Với các dữ liệu đầu vào đã sử dụng ở bảng 2.2, luận án tiến hành xây dựng mơ hình tuyến tính bằng cách sử dụng hàm truyền là hàm tuyến tính và khơng có lớp ẩn trong mơ hình của mạng ANN. Mơ hình chỉ có một biến đầu ra là VNI và các biến đầu vào được đề cập ở bảng 2.2. Kết quả
Desired Output and Actual Network Output Output 0 .8 0 .6 0 .4 VNI 0 .2 VNI Output 0 1 2 3 4 5 6 7 8 9 10 -0 .2 -0 .4 Exemplar
Hình 2.6: VNI thực tế và dự báo của cấu trúc mạng ANN tuyến tính
Bảng 2.8: Kết quả kiểm định ngồi mẫu của cấu trúc mạng ANN tuyến tính
Performance VNI
MSE 0,056213737
NMSE 28,56491985
MAE 0,142268143
Min Abs Error 0,00979236
Max Abs Error 0,672613418
r 0,026795475
Tổng hợp kết quả của các mơ hình cho phép chúng ta đi đến kết luận rằng, khi sử dụng các biến kinh tế vĩ mơ để phân tích và dự báo giá chứng khốn trên TTCK VN, cụ thể là chỉ số VNI, thì mơ hình phi tuyến thật sự tỏ ra hiệu quả hơn so với mơ hình tuyến tính. Trước hết, so về chỉ tiêu MSE, giá trị của mơ hình tuyến tính là 0,056, cao hơn hẳn so với trường hợp các mơ hình mạng ANN phi tuyến khi chỉ tiêu này nằm trong khoảng từ 0,02 đến 0,09. Đặc biệt là nếu so với cấu trúc mạng MFF5PE, thì chỉ tiêu MSE của mơ hình tuyến tính đã cao hơn gấp đơi. Điều này đã cho thấy tập hợp các giá trị sai số trong dự báo và thực tế của mơ hình tuyến tính lớn hơn nhiều so với mơ hình mạng ANN nhất là mạng MFF5PE.
Sự vượt trội của mơ hình phi tuyến cịn thể hiện rõ hơn khi ta xem xét chỉ tiêu tương quan giữa VNI thực tế và dự báo của mỗi mô hình. Chỉ tiêu này là 2,6% đối với mơ hình tuyến tính, điều này có nghĩa là giá trị VNI được dự báo của mơ hình dường như đi ngược lại với giá trị VNI thực tế. Trong khi đó, chỉ tiêu này đạt đến mức 65,35% ở trường hợp MFF5PE. Tuy chưa thật sự là cao nhưng cũng đã đủ để chứng tỏ tính hạn chế trong phân tích và dự báo của các mơ hình tuyến tính.
Nếu như mạng MFF5PE cho ra kết quả dự báo ngoài mẫu tốt nhất, giá trị dự báo của mạng và kết quả thực tế cho ra mối tương quan dương và tương quan khá cao, lên đến 65,35% trong khi đó giá trị tương quan này trong mơ hình tuyến tính là giá trị âm. Nói cách khác, khi sử dụng mơ hình tuyến tính để dự báo giá chứng khốn trên TTCK VN sẽ khơng thể giải thích sự biến động này khi dựa trên những dữ liệu kinh tế vĩ mô. Giá trị tương quan dự báo ngồi mẫu của mơ hình tuyến tính đã cho thấy kết quả của chiều hướng dự báo và giá trị thực tế dịch chuyển ngược nhau. Như vậy phải chăng các biến kinh tế vĩ mô không thể tác động lên giá chứng khốn trên TTCK VN nếu dựa trên mơ hình hồi quy tuyến tính?. Có thể nói rằng, nếu thay đổi mơ hình thì mức độ biến động giá chứng khốn trên TTCK VN sẽ được giải thích bằng các biến kinh tế vĩ mơ.
· Sử dụng mơ hình hồi quy tuyến tính truyền thống
Một phần của phụ lục 3 “Xây dựng mơ hình hồi quy tuyến tính truyền thống để phân tích và dự báo VNIndex” đã cho ra kết quả của việc sử dụng phương pháp hồi quy tuyến tính trong việc dự báo VNI như sau:
Thứ nhất: Nếu tuân thủ yêu cầu giả định của phương pháp hồi quy tuyến tính truyền thống thì các biến đưa vào mơ hình phải tn theo quy luật phân phối chuẩn, các biến kinh tế vĩ mô khảo sát ở bảng 2.1 được đưa vào mơ hình khơng đạt được điều kiện này. Bảng 3 của phụ lục 3 đã minh chứng kết quả này. Tuy nhiên, kết quả này có thể chấp nhận được khi chúng ta giả định những quan sát được trong tương lai sẽ đủ để các biến số này tuân theo quy
luật phân phối chuẩn. Phương pháp thống kê chấp nhận giả định này để xây dựng mơ hình.
Thứ hai: Trong phần xây dựng mơ hình hồi quy tuyến tính truyền thống và kiểm định của phụ lục 3 đã cho ra kết quả:
1. Khi sử dụng hồi quy đơn biến để giải thích cho sự thay đổi trong VNI thì khơng có mơ hình hồi quy đơn biến nào có ý nghĩa thống kê. Nói cách khác, khơng một biến kinh tế vĩ mơ nào đưa vào mơ hình có thể giải thích cho sự thay đổi của VNI trong thời gian qua. Tuy nhiên, nếu chúng ta điều chỉnh dữ liệu mang tính độ trễ một kỳ thì biến cung tiền – M2 lại có thể giải thích cho sự thay đổi của VNI. Kết quả giải thích của biến M2 rất thấp, chỉ là 2,83%.
2. Khi sử dụng hồi quy đa biến thì mơ hình khơng có ý nghĩa thống kê, nói cách khác, các hệ số hồi quy các nhân tố bằng không, không thể xây
dựng được mơ hình hồi quy tuyến tính đa nhân tố từ các biến kinh tế vĩ mơ để giải thích cho sự thay đổi của VNI. Tuy nhiên, ngay cả khi sử dụng các biến có độ trễ, phụ lục 3 cũng đã cho ra kết quả khơng thể xây dựng mơ hình hồi quy tuyến tính dựa trên bộ dữ liệu các biến kinh tế vĩ mơ đã điều chỉnh độ trễ.
Tóm lại, kết quả nghiên cứu này đã góp phần chứng minh được ưu thế vượt trội của mơ hình mạng ANN phi tuyến trong việc phân tích và dự báo giá chứng khốn trên TTCK VN so với mơ hình tuyến tính truyền thống trong trường hợp sử dụng các biến số kinh tế vĩ mô làm nhập lượng đầu vào. Tuy nhiên, kết quả từ các mơ hình mạng ANN cịn có một số hạn chế trong mức độ dự báo. Điều này một phần là do số lượng quan sát được sử dụng để huấn luyện q ít, trong tương lai, theo thời gian thì số lượng quan sát sẽ nhiều và quá trình huấn luyện mạng ANN tốt lên và khả năng dự báo càng chuẩn xác. Hoặc tính chất của các biến chưa đủ để giải thích sự biến động của giá chứng khốn; hoặc thậm chí do sự thiếu vắng thơng tin trên TTCK; hoặc tác động của yếu tố tâm lý, hành vi của nhà đầu tư tham gia trên thị trường chi phối đến các quyết định đầu tư của các nhà đầu tư trên TTCK VN thời gian qua?... Phần tiếp theo của luận án sẽ khảo sát các nhóm biến khác được đưa vào mơ hình mạng ANN và so sánh chúng với mơ hình hồi quy tuyến tính.