THIẾT KẾ VÀ ỨNG DỤNG MẠNG THẦN KINH NHÂN TẠO ĐỂ DỰ BÁO GIÁ CHỨNG KHOÁN TRÊN THỊ TRƯỜNG
2.1.6. Tiêu chuẩn đánh giá tính phù hợp kết quả dự báo của ANN
Tương tự như trong hồi quy truyền thống, ANN cũng so sánh kết quả dự báo mà nó đưa ra với những kết quả thu được trong q khứ, tính tốn bình phương các sai số. Quá trình dữ liệu được đưa từ neuron đầu vào, qua lớp neuron ẩn đến neuron đầu ra để trả ra kết quả dự báo ban đầu được gọi bằng thuật ngữ Feedforward – tức dữ liệu được đẩy lần lượt từ đầu vào đến đầu ra. Tiếp theo đó, bình phương các sai số sẽ được tính tốn và ANN sẽ đọc trên các sai số này, phản ánh sai số ngược lại vào hệ thống của nó, từ đó điều chỉnh các tham số theo hướng tối thiểu hóa tổng bình phương các sai số này. Bước phản hồi ngược sai số trở vào hệ thống của ANN để điều chỉnh trọng số gọi là Backpropagation. Đây cũng chính là cơ chế hoạt động của ANN theo kiểu Backpropagation được trình bày ở chương 2. Trong một quá trình huấn luyện, MSE sẽ liên tục được cập nhật và ANN sẽ liên tục điều chỉnh các tham số theo hướng cực tiểu hóa tổng bình phương này. Do dữ liệu đã được chuyển về dạng dừng và có giá trị giao động xung quanh giá trị 0, do đó MSE của mơ hình phải nhỏ hơn 1% thì mới có thể xem là mơ hình đã được huấn luyện tốt. Mặc khác, q trình đánh giá tính phù hợp của mơ hình dự báo ngồi tiêu chuẩn MSE, ANN cịn có một tiêu chuẩn khác là mức độ giải thích của mơ hình, chỉ số r – Square. Đây là hệ số tương quan giữa giá trị dự báo ngồi mẫu của mơ hình ANN với giá trị thực tế có được từ tập hợp dữ liệu xác nhận tính hiệu quả. Hệ số tương quan này càng lớn nói
lên tính dự báo là có thể và cấu trúc ANN được sử dụng trong q trình huấn luyện là phù hợp cho cơng việc dự báo tương lai.