QUAN ĐIỂM VÀ BẰNG CHỨNG THỰC NGHIỆM VIỆC ỨNG DỤNG MƠ HÌNH MẠNG THẦN KINH NHÂN TẠO TRONG
1.5. Việc ứng dụng mơ hình ANN trong dự báo – bằng chứng thực nghiệm
Ýtưởng về việc xây dựng mơ hình mạng ANN đã xuất hiện từ những năm 1958, khởi nguồn bởi Frank Rosenblatt. Tuy nhiên, phải đến những năm cuối thập kỷ 90, những nghiên cứu ứng dụng của mơ hình mạng ANN mới dần trở nên phổ biến. Bên cạnh những ứng dụng trong lĩnh vực y học, cơng nghệ, mơ hình mạng ANN còn được ứng dụng rộng rãi trong kinh tế tài chính, đặc biệt là trong việc xây dựng các mơ hình dự báo bao gồm dự báo chỉ số chứng khốn và dự báo các biến kinh tế vĩ mơ.
Nghiên cứu của Jozef Baruik (2007) ứng dụng mơ hình mạng ANN phi tuyến để dự báo tỷ suất sinh lợi của các chỉ số chứng khoán trên thị trường Phần Lan, Hungary, Czech và Đức trên cơ sở bộ dữ liệu trong giai đoạn từ năm 2000 – 2006 đã kết luận rằng mơ hình phi tuyến cho kết quả dự báo có độ sai lệch thấp hơn so với mơ hình truyền thống và mức độ chính xác trong dự báo đạt đến 60% đối với các chỉ số PX 50, BUX và DAX trong giai đoạn nghiên cứu. Tương tự vậy, nghiên cứu của Reza G. Ahagar và Mahood Yahyazadehfar (2010) cũng đã cho kết luận tương tự khi so sánh
kết quả dự báo đối với chỉ số chứng khoán của thị trường Tehran (Iran). Tuy nhiên, nghiên cứu này có phần khác biệt khi sử dụng mơ hình mạng thần kinh được khái qt hóa – GRNN thay vì mạng ANN truyền thẳng để so sánh với phương pháp hồi quy tuyến tính thơng thường. Với trường hợp TTCK Shanghai, Trung Quốc trong nghiên cứu của Qing Cao, Mark và Karyl (2009), mơ hình mạng ANN cũng đã chứng tỏ hiệu quả dự báo của mình so với mơ hình truyền thống. Cùng với trường hợp thị trường mới nổi như Trung Quốc, nghiên cứu của Renu và Abhijeet (2010) dự báo tỷ suất sinh lợi chỉ số chứng khoán Nifty của thị trường Ấn Độ cũng bước đầu cho những kết quả đáng khích lệ khi sử dụng mơ hình mạng ANN truyền thẳng với ba lớp ẩn. Với thị trường mới nổi là Đài Loan, các tác giả Mark, AnSing và Hazem (2001) đã ứng dụng mơ hình mạng xác suất (Probablistic Neural Network) để dự báo xu hướng thị trường và từ đó xây dựng chiến lược giao dịch để tối đa hóa lợi nhuận. Kết quả thực nghiệm của các ơng cho thấy chiến lược gia dịch được xây dựng trên cơ sở những dự báo của mơ hình mạng ANN cho mức sinh lợi cao hơn so với các chiến lược khác. Trong khi đó, JingTao, Chew và Hean (1996) với ý tưởng tương tự trong việc dự báo chỉ số KLCI của TTCK Kuala Lumpur nhưng lại sử dụng các biến đầu vào là những chỉ báo của phân tích kỹ thuật để so sánh với mơ hình ARIMA truyền thống.
Trong khi đó, nghiên cứu của Heping Pan, Chandima và John (2005) lại minh chứng hiệu quả của mơ hình mạng ANN truyền thẳng khi xây dựng mơ hình mạng truyền thẳng đa lớp để dự báo chỉ số AORD (S&P/ASX All Ordinaries) sử dụng biến đầu vào là giá trị quá khứ của chính chỉ số này và chỉ số chứng khốn của một số thị trường có liên quan. Kết quả thực nghiệm từ bài nghiên cứu đã cho thấy với việc sử dụng biến đầu vào là tỷ suất sinh lợi của chỉ số AORD 6 ngày trước đó và tỷ suất sinh lợi của chỉ số S&P 500 (Mỹ) của ngày giao dịch liền kề, mơ hình mạng ANN đã dự báo 80% chính xác xu hướng của chỉ số AORD. Bên cạnh đó, trên cơ sở so sánh hiệu quả dự báo của những cấu trúc mơ hình khác nhau, các tác giả đi đến kết luận rằng, mơ hình mạng truyền thẳng một lớp ẩn với hai neuron sẽ có khả năng cho kết quả dự báo tương đối tốt nhất. Tương tự vây, nghiên cứu Yochanan và Dorota (2000) tận dụng mối tương quan giữa các TTCK để tiến hành dự báo cho các chỉ số thị trường Canada, Pháp, Đức, Nhật, Anh và Mỹ cũng đã kết luận rằng mơ hình mạng ANN có phần tốt hơn so với mơ hình dự báo truyền thống trên cơ sở chỉ tiêu MSE (sai số bình phương trung bình) thấp hơn. Tuy nhiên, nghiên cứu của các tác giả chi ra rằng, mơ hình mạng truyền thẳng một lớp ẩn với 5 neuron sẽ tốt hơn so với mơ hình chỉ với 2 neuron ẩn trong việc dự báo các chỉ số thị trường này. Các tác giả cũng ủng hộ việc mơ hình mạng ANN được sử dụng nhiều hơn bởi các định chế tài chính như Goldman Sachs, Morgan Stanley… với tư cách là một công cụ bổ trợ bên cạnh các phương pháp truyền thống.
Bên cạnh chứng khốn thì mơ hình mạng ANN cịn được sử dụng để dự báo các loại hàng hóa cơ bản. Nghiên cứu của Komsan Suriya (2006) đã sử dụng mơ hình mạng ANN truyền thẳng để dự báo giá dầu thô bằng các biến đầu vào là mức giá của 10 ngày trước đó. Bằng chứng thực nghiệm từ bài nghiên cứu cho thấy, mơ hình mạng với 200 neuron ẩn có khả năng dự báo tốt nhất với chỉ tiêu MAPE (trung bình các phần trăm sai số tuyệt đối) đạt đến mức 1,89%. Nghiên cứu tương tự cũng đã được thực hiện bởi Siddhivinayak và Imad (2009). Bên cạnh việc sử dụng mức giá quá khứ để làm biến đầu vào cho mơ hình dự báo mức giá dầu thơ giao ngay, nghiên cứu trên còn sử dụng giá kỳ hạn để làm cơ sở dự báo. Kết quả cho thấy, giá dầu thô của các hợp đồng kỳ hạn 1 và 2 tháng có góp phần vào hiệu quả dự báo tốt hơn so với mức giá của các hợp đồng 3 đến 4 tháng. Bên cạnh dầu thô, vàng cũng là một trong những đối tượng của các nghiên cứu ứng dụng mơ hình mạng trong dự báo. Antonino, Franco và David (2008) sử dụng biến đầu vào gồm sai phân bậc nhất của mức giá quá khứ với độ trễ tối đa là 4 kỳ cùng với đó là sai phân bậc nhất của chỉ số Dow Jones Average tương ứng. Sử dụng các cấu trúc mơ hình mạng khác nhau, các tác giả đã đi đến kết luận về khả năng dự báo của mơ hình mạng ANN phi tuyến và tiềm năng của mơ hình này trong việc thay thế các mơ hình truyền thống như mơ hình ARIMA.
Nhằm hồn thiện hơn hiệu quả dự báo, một số ứng dụng “trí tuệ nhân tạo” khác đã được kết hợp với mơ hình mạng ANN như lý thuyết logic mờ (Fuzzylogic) và thuật toán di truyền (genetic algorithm). Nghiên cứu của George và Kimon (2009) cho thấy sự cải thiện trong kết quả dự báo của mơ hình mạng ANN khi kết hợp với lý thuyết logic mờ đặc biệt là trong trường hợp dự báo xu hướng ngắn hạn của TTCK. Trong khi đó nghiên cứu của YungKeun và ByungRo (2007) đi vào xây dựng mơ hình mạng ANN kết hợp với thuật toán di truyền. Kết quả nghiên cứu cho thấy, chiến lược kinh doanh trên cơ sở gợi ý từ mơ hình trên đối với các chứng khốn trên thị trường NYSE và NASDAQ có phần vượt trội so với chiến lược “mua và giữ” thông thường.
Bên cạnh việc dự báo giá các chứng khốn thì mơ hình mạng ANN cịn được ứng dụng trong các dự báo biến vĩ mô như tỷ giá, tăng trưởng kinh tế và lạm phát.
Nghiên cứu của Jingtao (1995) đã sử dụng mơ hình mạng ANN kinh để dự báo xu hướng biến động của đồng GBP, JPY, AUD và CFH bằng các chỉ báo kỹ thuật đơn giản làm biến đầu vào. Kết quả nghiên cứu cho thấy mơ hình hồn tồn có khả năng giúp nhà đầu tư đạt được mức lợi nhuận đáng kỳ vọng.
Trên cơ sở dữ liệu của cặp tỷ giá CAD/USD, sử dụng tiêu chuẩn RMSE, hai tác giả Nikola Gradojevic và Jing Yang (2000), thuộc ngân hàng trung ương Canada, cũng
đã cho kết luận về sự vượt trội trong hiệu quả dự báo của mơ hình mạng ANN so với mơ hình tuyến tính. Đây cũng là kết luận của Ashok và Amit (2002) khi ứng dụng mơ hình mạng ANN có sự kết hợp với thuật toán di truyền để dự báo chuỗi tỷ giá của đồng mark Đức so với đồng USD.
Trong khi đó, những nghiên cứu ứng dụng mơ hình mạng ANN trong việc dự báo tỷ tệ tăng trưởng kinh tế hàng năm cho kết quả có phần khiêm tốn hơn. Nghiên cứu của Greg (2001) sử dụng mơ hình mạng ANN nhằm nâng cao độ chính xác của các biến tài chính và tiền tệ trong việc dự báo mức tăng trưởng sản lượng của Canada. Kết quả cho thấy, mơ hình mạng đã thật sự góp phần làm giảm các sai lệch trong dự báo mức tăng trưởng sản lượng hàng năm so với mơ hình tuyến tính. Tuy nhiên, trong trường hợp dự báo mức tăng trưởng theo quý thì kết quả nghiên cứu cho thấy hầu như khơng có sự khác biệt lớn từ kết quả dự báo từ hai loại mơ hình. Trong khi đó, nghiên cứu của Saeed, Denise và Birchenhall (2004) sử dụng mơ hình mạng ANN trong việc dự báo sản lượng cơng nghiệp của các nước Anh, Đức, Pháp. Sử dụng tiêu chuẩn RMSE, kết quả nghiên cứu cho thấy mơ hình tuyến tính lại cho kết quả dự báo tương đối tốt hơn so với mơ hình mạng. Tuy nhiên, mạng thần ANN tạo lại tỏ ra hiệu quả hơn hẳn trong việc dự báo xu hướng của sự thay đổi. Do vậy, trong dự báo các biến số vĩ mô, quan điểm của Steven (2000) về sự kết hợp giữa mơ hình mạng ANN phi tuyến với các mơ hình tuyến tính truyền thống là điều cần phải được cân nhắc.
Bên cạnh tỷ giá và tăng trưởng kinh tế thì mơ hình mạng ANN đã được ứng dụng trong dự báo tỷ lệ lạm phát ở các quốc gia. Nghiên cứu của Recep Duzgun (2010) đã so sánh hiệu quả dự báo ngồi mẫu của các mơ hình mạng GRNN, mơ hình mạng truyền thẳng và mơ hình ARIMA đối với chỉ số giá tiêu dùng (CPI) của Thổ Nhĩ Kỳ sử dụng bộ dữ liệu từ năm 2000 đến năm 2008. Tác giả đã đi đến kết luận về sự vượt trội trong hiệu quả dự báo của các mơ hình mạng ANN so với mơ hình truyền thống. Tương tự, Paul và Peter (2004) khi ứng dụng mơ hình mạng ANN mơ hình hóa đường cong Philip phi tuyến đã cho thấy, mơ hình này có cho kết quả dự báo tốt hơn so với mơ hình tuyến tính trong trường hợp dự báo chỉ số giá dịch vụ của khu vực Châu Âu. Điểm đặc biệt của bài nghiên cứu là sử dụng phương pháp “thick model”. Điều này có nghĩa là giá trị dự báo được lấy trung bình của các mơ hình dự báo khác nhau được xây dựng một cách ngẫu nhiên. Hiệu quả dự báo của mơ hình mạng đối với biến lạm phát còn được thể hiện qua nghiên cứu của Adnan và Muhammad Nadeem (2007). Tác giả sử dụng dữ liệu tỷ lệ lạm phát hàng tháng so với cùng kỳ năm trước trong giai đoạn 1993 – 2007 để dự báo cho lạm phát trong năm 2008 bằng mơ hình mạng truyền thẳng với 12 lớp ẩn kết hợp với thuật tốn lan truyền ngược. Kết quả kiểm định ngồi mẫu của nghiên cứu trên cho thấy, chỉ tiêu RMSE của mơ hình mạng phi tuyến thấp hơn rất nhiều so với mơ hình AR(1) và mơ hình ARIMA.
Điều này, một lần nữa, cho thấy sự cải thiện trong hiệu quả dự báo của mơ hình mạng so với các mơ hình truyền thống.