QUAN ĐIỂM VÀ BẰNG CHỨNG THỰC NGHIỆM VIỆC ỨNG DỤNG MƠ HÌNH MẠNG THẦN KINH NHÂN TẠO TRONG
1.4. Sự vượt trội của mơ hình mạng thần kinh trong phân tích và dự báo
Mặt dù việc khảo sát dữ liệu quá khứ, đưa ra các dự báo, và các quyết định thực tiễn trong lĩnh vực tài chính yêu cầu các kỹ năng, thuật tốn khác nhau nhưng chúng đều có liên quan đến nhau. Khi khảo sát dữ liệu và dự báo, người phân tích cần phải có những phương pháp xử lý phù hợp sao cho chuỗi dữ liệu trở nên đồng nhất để từ đó có thể đưa ra kết quả tốt nhất. Các quyết định tài chính, chẳng hạn như mua, bán hoặc định giá các cơng cụ tài chính, địi hỏi phải thiết lập các giả định cụ thể như: cách thức phân loại rủi ro, quan điểm của nhà đầu tư về sự đánh đổi giữa tỷ suất sinh lợi và rủi ro. Do đó, kết quả cuối cùng phụ thuộc chủ yếu vào “khẩu vị” hay mức thỏa mãn của nhà đầu tư về tỷ suất sinh lợi trên cơ sở rủi ro chấp nhận được.
Có quan điểm cho rằng tác động của việc khảo sát và dự đốn lên các quyết định tài chính là một chiều. Theo đó, khảo sát và dự đốn chỉ đơn thuần cung cấp các dữ liệu đầu vào, các ước lượng về tỷ suất sinh lợi mong đợi và mức độ bất ổn, cho quá trình ra quyết định. Những dự báo này là những yếu tố quan trọng giúp xác định giá cả chứng khoán trên thị trường cũng như các cơng cụ tài chính, ví dụ như quyền chọn mua, quyền chọn bán, hay các loại chứng khoán phái sinh khác phức tạp hơn.
Tuy nhiên, lại có quan điểm cho rằng mối quan hệ giữa việc dự báo và ra quyết định là mối quan hệ qua lại. Các kỳ vọng của nhà quản trị, thu thập từ cuộc điều tra, là đầu vào quan trọng cho các mơ hình dự báo, đặc biệt là trong điều kiện có nhiều biến động. Mặt khác, các rủi ro ước lượng được xác định từ các mơ hình dự báo và các rủi ro hàm ý khi định giá chứng khốn trong thị trường tài chính sẽ rất khác nhau khi có những biến động lớn trong nền kinh tế. Trong cả hai trường hợp, các thông tin được xác định từ các cuộc điều tra hay từ rủi ro hàm ý khi định giá chứng khoán sẽ là yếu tố thêm vào nhằm củng cố mơ hình dự báo. Chúng ta có thể sẽ quan tâm đến việc dự báo các rủi ro hàm ý của quá trình định giá.
Tương tự như vậy, quyết định chỉ số giá nào được sử dụng để đo lường và dự báo lạm phát sẽ phụ thuộc vào việc kết quả cuối cùng được sử dụng để làm gì. Nếu mục đích là giúp nhà nước ban hành chính sách nhằm kiểm sốt lạm phát thì những chỉ số giá cho chuỗi số liệu có nhiều biến động trong ngắn hạn sẽ khơng thích hợp. Trong trường hợp này, chuỗi số liệu đó sẽ có thể gây ra các phản ứng thái quá trong việc ban hành các mức lãi suất ngắn hạn. Ngược lại, một chỉ số giá với chuỗi số liệu q ít biến động lại có thể sẽ dẫn đến một chính sách tiền tệ thụ động, khơng có khả năng kiềm chế lạm phát. Vì vậy, việc thu thập thơng tin từ nhiều chỉ số giá, hoặc tỷ suất sinh lợi, sẽ giúp ích rất nhiều trong việc tìm ra các xu hướng của thị trường hoặc các nhân tố đang dẫn dắt xu hướng đó. Mơ hình ANN sẽ giúp thực hiện điều này hiệu quả nhất.
Khi xây dựng các mơ hình ước lượng cho tỷ suất sinh lợi của thị trường tài chính, thật ra là chúng ta đang cố gắng “dự báo các dự báo của người khác”. Khi có sự thay đổi trong thơng tin, nhà đầu tư sẽ phản ứng lại bằng cách tiến hành mua hoặc bán tài sản, từ đó dẫn đến sự thay đổi trong tỷ suất sinh lợi. Vì vậy, bản chất của việc ước lượng các mơ hình là tìm hiểu cách thức mà các nhà đầu tư tiếp cận, xử lý thông tin và ra quyết định.
Nghiên cứu gần đây của Sargent (1997, 1999), đã nhấn mạnh rằng: thực tế các nhà đầu tư – chủ thể mà ta đang muốn ước lượng thơng qua các mơ hình – là khơng hồn tồn duy lý, hay nói cách khác, họ khơng phải là người hiểu biết hoàn toàn về thị trường. Giống như chúng ta, họ phải học hỏi từ những gì đang diễn ra. Vì vậy,
phương pháp ANN sẽ là một khởi đầu tốt cho việc ước lượng ở các thị trường tài chính. Phương pháp ANN được xây dựng trên cách thức hoạt động của não bộ trong việc tiếp nhận và xử lý thông tin. Điều này sẽ được minh họa chi tiết hơn trong các mơ hình ANN cụ thể. Tóm lại, phân tích ANN đã trở thành một phần quan trọng của nghiên cứu thực nghiệm trên thị trường tài chính nhất là trong việc dự báo giá chứng khốn. Mơ hình ANN có những ưu điểm sau:
· Trước tiên, ANN có thể tính tốn dữ liệu phi tuyến. Chúng có khả năng thực hiện mơ hình hóa quan hệ phi tuyến mà khơng cần đến những điều kiện cho trước về mối quan hệ giữa các biến đầu vào và các biến đầu ra. Mơ hình ANN khơng tham số có thể được ưa chuộng hơn mơ hình thống kê tham số truyền thống trong các trường hợp dữ liệu đầu vào không đáp ứng được các giả định cho việc mơ hình hóa tham số hoặc có số lượng lớn các yếu tố ngoại lai trong tập hợp dữ liệu (Lawrence, 1991; Rumelhart và Mcclelland, 1986; Waite và Hardenbergh, 1998; Wasserman, 1993). Theo Paul D. Mc Nelis (2005) thì sự hấp dẫn của mơ hình ANN là vì nó dựa trên giả định “sự hợp lý có chừng mực”: Khi thực hiện dự báo trên thị trường tài chính, đó là ta đang dự báo dự báo của người khác, cũng có nghĩa là đang ước lượng sự kỳ vọng của các chủ thể khác trên thị trường. Vì vậy, các thành viên trên thị trường tài chính ln gắn liền trong một q trình học hỏi, liên tục điều chỉnh niềm tin từ những sai lầm trong quá khứ.
Dưới góc độ này, ưu điểm của mơ hình ANN được thể hiện ở chỗ nó sẽ cho phép sự tồn tại của “ngưỡng phản ứng” trước sự thayđổi chính sách hoặc biến ngoại sinh nào đó của các chủ thể kinh tế khi ra quyết định. Ví dụ, khi lãi suất tăng từ mức 10% lên 10,1% hoặc 10,2%, phản ứng của nhà đầu tư, nếu có, sẽ là rất ít. Tuy nhiên, nếu lãi suất vẫn tiếp tục gia tăng, nhà đầu tư sẽ chú ý nhiều hơn. Đến lúc nào đó, khi lãi suất vượt qua một ngưỡng nhất định, có thể là 12%, nhà đầu tư sẽ có những phản ứng mạnh, như “bán tháo” các chứng khoán và chuyển sang mua các loại trái phiếu chính phủ.
Ýtưởng cốt lõi của ví dụ này chính là: phản ứng của các chủ thể kinh tế khi ra quyết định trước sự thay đổi của một biến ngoại sinh không phải tuyến tính hoặc cân xứng, mà thay vào đó, nó là bất đối xứng và phi tuyến. Mơ hình ANN ước lượng các hành vi của chủ thể kinh tế tài chính trong q trình ra quyết định một cách tự nhiên. Chính điều này làm cho mơ hình ANN khác biệt với các mơ hình kinh tế lượng cổ điển dựa trên giả thuyết sự hợp lý hoàn toàn và sự tối ưu của con người.
· Mơ hình này khơng đưa ra các giả thiết về giá trị của các hệ số khi ước lượng và quan hệ hàm số giữa biến phụ thuộc và biến độc lập. Với các mơ hình kinh tế lượng cổ điển, mọi nỗ lực đều hướng đến việc ước lượng một cách chính
xác nhất, trong phạm vi có thể, các hệ số của mơ hình. Trong khi đó, với các mơ hình ANN, chúng ta hầu như khơng thể diễn giải một cách rõ ràng ý nghĩa các hệ số được ước lượng trong mơ hình vì nó tồn tại trong khơng gian đa chiều chứ khơng phải trong hình học phẳng. Đây chính là điểm khác biệt của hai loại mơ hình. Sự khác biệt này đã giúp cho mơ hình ANN thường xun được thích ứng với mơi trường.
· Bên cạnh đó, khi sử dụng mơ hình phi tuyến, các nhà kinh tế thường sử dụng các thuật toán số học dựa trên giả định rằng chuỗi số liệu là liên tục. Với các phương pháp này, người nghiên cứu thường sẽ phải lập lại việc ước lượng nhiều lần để chắc rằng hệ số được ước lượng không rơi vào một trong số các cực trị cục bộ (local optimum). Việc sử dụng thuật toán di truyền và các thuật tốn tiến hóa (evolutionary algorithm) đã giúp cho các nhà nghiên cứu có thể làm việc với cả chuỗi dữ liệu không liên tục và xác định được các cực trị toàn cục (global optimum) tốt hơn. Đây là một tín hiệu tốt. Tuy nhiên, sẽ phải tốn nhiều thời gian hơn để có được kết quả. Như vậy, ANN có khả năng ước lượng nhiều dạng hàm. Điều đó cho thấy rằng một ANN có thể mơ phỏng bất cứ dạng hàm liên tục để có được một dự báo chính xác (Hornik, 1993; Hornik và cộng sự, 1989).
· Thị trường tài chính của các nước có nền kinh tế mới nổi hoặc là các thị trường có sự thay đổi và cải tiến mạnh mẽ sẽ là nơi thích hợp cho các phương
pháp này bởi hai lý do sau. Lý do thứ nhất là bởi vì chuỗi dữ liệu ở các thị trường này thường bị “nhiễu” (noisy). Đó có thể là do các thị trường này còn non trẻ hoặc tốc độ lan truyền thơng tin chưa cao. Vì vậy, chúng ta khơng thể giả định không tồn tại sự bất đối xứng và mối quan hệ phi tuyến trên thị trường. Lý do thứ hai chính là các chủ thể tham gia trên thị trường này liên tục thực hiện quá trình tự học hỏi (learning process) bằng cách thử và sai trước những thay đổi trong chính sách, pháp luật của thị trường đó. Hệ số được ước lượng bởi mơ hình ANN chính là kết quả của q trình tự học hỏi này. Điều
này theo Leandro S. Maciel và Rosangela Ballini (2008) thì ANN có thể tổng quát hóa. Sau khi “học”1 các dữ liệu được đưa vào, ANN có thể suy luận một cách chính xác những phần ẩn của tập hợp mặc dù mẫu dữ liệu chứa những
1Trong mơ hình ANN, một số thuật ngữ trơng có vẻ lạ so với mơ hình thống kê và kinh tế lượng cổ điển như: “mơ hình” (model) được gọi là “cấu trúc” (archhitecture) và chúng ta sẽ tiến hành “huấn luyện” (train) thay vì “ước lượng” (estimate) đối với “cấu trúc” đó. Thay vì sử dụng thuật ngữ dữ liệu mẫu và dữ liệu ngồi mẫu (outofsample data) thì ta có thuật ngữ “tập hợp dữ liệu dùng để huấn luyện” (training set data) và “tập hợp dữ liệu dùng để kiểm tra” (test set data). Các “hệ số” (coefficient) được gọi là các “trọng số” (weight) và các “hằng số” (constant term) được gọi là các “sai lệch” (bias).
thông tin nhiễu. ANN có thể tính tốn mẫu hình cơ bản hoặc cấu trúc tự tương quan trong chuỗi thời gian.
Tuy nhiên, bên cạnh những ưu điểm trên, mơ hình ANN lại có một số hạn chế nhất định khiến cho người sử dụng hồi nghi về giá trị của nó như là:
· Thứ nhất, vấn đề khó giải thích các trọng số ước lượng trong mơ hình hay cịn gọi là vấn đề “hộp đen – Black box”. Trong mơ hình hồi quy, các giá trị của các hệ số ước lượng giải thích tác động trực tiếp của mỗi biến số đầu vào với biến đầu ra. Trong khi đó mơ hình ANN với các trọng số ước lượng khơng giải thích được chính xác cho mối quan hệ này. Do đó việc sử dụng mơ hình ANN sẽ khơng được áp dụng trong phân tích độ nhạy (Refense, Zapranis và Francis (1994)).
· Thứ hai, việc ứng dụng mơ hình ANN địi hỏi kích cỡ mẫu lớn. Mơ hình ANN địi hỏi một số lượng lớn các trọng số, nếu mẫu dữ liệu quá nhỏ đưa đến tình trạng “khít q mức” vì mơ hình ANN u cầu chia tập quan sát thành ba. · Thứ ha, việc xây dựng một cấu trúc ANN phù hợp sẽ mất rất nhiều thời gian.
Tuy nhiên, cơng việc có thể được rút ngắn nếu việc xây dựng mơ hình có sự hỗ trợ từ phương pháp hồi quy trong việc lựa chọn biến đầu vào cho mơ hình ANN.