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.
2.2.2. Dự báo giá chứng khốn dựa trên phân tích tác động của các biến kinh tế vĩ mô theo cấu trúc mạng truyền thẳng
vĩ mô theo cấu trúc mạng truyền thẳng
Trong phần này luận án tiến hành thử nghiệm với cấu trúc mạng thần kinh khác để kiểm tra tính hiệu quả của mơ hình dự báo. Bên cạnh mạng thần kinh được khái qt hóa như trên thì cấu trúc mạng được sử dụng phổ biến nhất vẫn là mạng ANN truyền thẳng với một lớp ẩn. Lần lượt tiến hành huấn luyện mạng với cùng một cấu trúc dữ liệu như trên nhưng thay đổi số neuron của lớp ẩn. Mạng ANN truyền thẳng, một lớp ẩn với số neuron ẩn lần lượt là 2, 3, 4, 5 được ký hiệu: MFF2PE, MFF3PE, MFF 4PE, MFF5PE.
Bảng 2.7: Kết quả dự báo ngoài mẫu theo cấu trúc mạng ANN truyền thẳng MFF2PE, MFF3PE, MFF4PE, MFF5PE
Mơ hình MFF2PE MFF3PE MFF4PE MFF5PE
MSE 0,009396214 0,003751625 0,005980783 0,00241921 MAE 0,065259439 0,042116996 0,057105411 0,038226213 r 0,316865644 0,370211421 0,433968335 0,653517847
Qua những kết quả trên, cấu trúc mạng truyền thẳng một lớp ẩn có khả năng dự báo VNI tương đối tốt hơn so với cấu trúc mạng GRNN trên TTCK VN, đặc biệt là nếu xét đến chỉ báo tương quan tuyến tính giữa giá trị VNI dự báo với VNI thực tế đạt đến mức 65,35% trong trường hợp cấu trúc MFF5PE, chỉ tiêu MSE = 0,0024 và MAE = 0,038 ở mức rất thấp.
Kết luận: Trong cấu trúc mạng ANN truyền thẳng một lớp ẩn với 5PE đã cho ra giá trị
dự báo VNI tốt nhất, và tốt hơn cả cấu trúc mạng GRNN. Đồng thời, cấu trúc mạng ANN được thiết lập như mục 2.1 đã cho ra kết quả dự báo không tốt bằng cấu trúc mạng truyền thẳng một lớp ẩn với 5PE. Nói cách khác, cấu trúc mạng truyền thẳng sẽ thích hợp cho q trình dự báo VNI. Tuy nhiên, vấn đề thứ tiếp theo là liệu rằng mơ hình mạng ANN dự báo tốt hơn so với mơ hình hồi quy tuyến tính? Phần tiếp theo, luận án sẽ đi vào chứng minh điều này.