Việc nghiên cứu những cơng cụ hoặc mơ hình dự báo thị trường tài chính và nền kinh tế có một lịch sử lâu đời. Phân tích chuỗi thời gian là một trong những cách tiếp cận truyền thống được sử dụng rộng rãi nhất trong lĩnh vực này. Có hai loại mơ hình mơ tả hành vi của chuỗi thời gian như sau.
Thứ nhất là các mơ hình tuyến tính: phương pháp tuyến tính để phân tích chuỗi thời gian thường được áp dụng thông qua một trong những kỹ thuật sau đây:
a. Kỹ thuật Box Jenkins b. Bộ lọc Kalman
c. Lý thuyết san bằng hàm mũ của Brown d. Hồi quy mẫu nhỏ
a. Lý thuyết Taken
b. Phương trình MackeyGlass
Những kỹ thuật này cố gắng tái tạo lại chuỗi thời gian dựa trên các mẫu dữ liệu để dự đoán giá trị tương lai. Mặc dù những kỹ thuật này có ý nghĩa thống kê nhưng chúng có tỷ lệ thành cơng thấp khi được sử dụng để dự báo thị trường tài chính.
Những bằng chứng gần đây chỉ ra rằng thị trường tài chính là phi tuyến. Tuy nhiên, phương pháp tuyến tính vẫn cung cấp những cách tiếp cận tốt để mô tả hệ thống phi tuyến được tìm thấy trong phân tích chuỗi thời gian thị trường tài chính (Fang và cộng sự, 1994). Bollerslev (1986) cung cấp một cái nhìn tổng quát về sự tồn tại của tính phi tuyến trong dữ liệu tài chính, và phát triển một mơ hình để dự đốn chuỗi thời gian tài chính được gọi là GARCH (Generalized Autoregressive Conditional Heteroskedasticity GARCH) kết hợp tất cả các đặc trưng quan sát được trong chuỗi này. Nhưng nền kinh tế đang phát triển nhanh chóng (chứ khơng phải đi từ từ) theo thời gian. Tuy nhiên, những đặc trưng này khơng dễ dàng được tính tốn bằng các mơ hình tuyến tính, và điều này được chứng minh qua việc các hệ số ước lượng có độ dốc lớn. Nhiều nhân tố tác động đến thị trường tài chính và nền kinh tế bao gồm các sự kiện chính trị, điều kiện kinh tế nói chung, và kỳ vọng của nhà đầu tư. Vì vậy, dự báo thị trường tài chính và sự chuyển động của nền kinh tế là khá khó khăn.
Mạng thần kinh nhân tạo Artificial Neural Network (ANN) là một cơng cụ hữu ích trong tài chính định lượng hiện đại và được biết đến như một kỹ thuật mơ hình hóa thống kê hữu ích. ANN là một cơng cụ tốt cho cả các nhà nghiên cứu và những nhà thực nghiệm. Mơ hình ANN có thể tìm ra mối quan hệ hàm trong một tập hợp dữ liệu và thực hiện các nhiệm vụ như nhận dạng mẫu hình, phân loại, đánh giá, mơ hình hóa, dự báo và kiểm sốt (Anderson và Rosenfeld, 1988; HechtNielsen, 1990; Hertz và cộng sự, 1991; Hiemstra và Jones, 1994). Một vài tính năng khác biệt của ANN làm cho chúng có giá trị và hấp dẫn trong dự báo.
Một số bài viết xem xét những báo cáo trên tạp chí cách mà ANN có thể áp dụng cho thị trường tài chính và nền kinh tế. Chatterjee và cộng sự (2000) cung cấp một tổng quan về hệ thống ANN và phạm vi sử dụng rộng rãi của chúng trên thị trường tài chính. Cơng trình của họ thảo luận về ưu điểm vượt trội của ANN so với các phương pháp truyền thống. Nghiên cứu kết luận với một mô tả về việc sử dụng thành công ANN bởi nhiều tổ chức tài chính trong việc dự báo giá chứng khốn. Trong sách Neural Network cho dự báo tài chính của Edward Gately, mô tả phương pháp chung để xây dựng, huấn luyện, và kiểm tra một ANN bằng cách sử dụng phần mềm thương mại hiện hữu. Luận án sẽ tập trung vào phương pháp này để triển khai q trình phân tích và dự báo giá chứng khốn trên thị trường chứng khoán Việt Nam
như là một minh chứng cho khả năng ứng dụng của ANN trong dự báo kinh tế. Không chỉ trong lĩnh vực dự báo giá chứng khốn, luận án cịn mong muốn sử dụng phương pháp ANN áp dụng cho các lĩnh vực tài chính và nền kinh tế như là một công cụ dự báo hỗ trợ cho các phương pháp truyền thống. Chính vì vậy, tác giả chọn đề tài với tên gọi “Ứng dụng mơ hình mạng thần kinh nhân tạo trong dự báo kinh tế – Trường hợp thị trường chứng khoán Việt Nam” làm nội dung nghiên cứu cho luận án tiến sĩ của mình.