Tài liệu tiếng Việt
1. Hoàng Ngọc Nhậm (2008) - “Giáo trình kinh tế lượng”, Nxb Thành phố Hồ Chí Minh.
2. Joseph E. Stiglitz (2010). Rơi tự do, Nhà xuất bản Thời Đại.
3. Nassim Nicholas Taleb (2010). Thiên Nga Đen, Nhà xuất bản Tổng Hợp Tp.Hồ Chí Minh.
4. Nguyễn Trọng Hoài, Phùng Thanh Bình, Nguyễn Khánh Duy (2009) - “Dự báo và phân tích dữ liệu trong kinh tế và tài chính”, Nxb Thống Kê.
5. Paul Davidson (2009). Giải pháp Keynes – Con đường dẫn đến sự thịnh vượng kinh tế toàn cầu, Nhà xuất bản Trẻ.
Tài liệu tiếng Anh
1. Adnan Haider and Muhammad Nadeem Hanif (2009), Inflation forecasting in Pakistan using Artificial using Neural Networks. Pakistan Economic and social review.
2. Antonino Parisi, Franco Parisi and David Díaz (2008), Forecasting gold price changes: Rolling and recursive neural networks models. Journal multinational financial management.
3. Armstrong, J. S. (1988). Research needs in forecasting. International Journal of Forecasting, 4, 449-465.
4. Armstrong, J. S. (2001). Principles of Forecasting: A Handbook for Researchers and Practitioners. Boston, MA: Kluwer Academic Publishers. Business Forecasting with Artificial Neural Networks: An Overview 15
5. Brown and Benchmark (1995). Introductory Psychology Electronic Image Bank. Times Mirror Higher Education Group, Inc.
6. C.C. Klimasauskas, applying neural networks, in R.R. trippi and E. Turban, eds., Neural Networks in finance and Investing: Using Artificial Intelligence to improve Real World performance (Probus, Chicago, 1993) 64-65.
7. Chung et al., 2007 P.C. Chang, Y.W. Wang and C.H. Liu, The development of a weighted evolving fuzzy neural network for PCB sales forecasting, Expert Systems with Applications 32, pp. 86–96.
8. D. Baily and D.M. Thompson, Developing neural network applications, Al Expert, (Sep. 1990) 33-41.
9. David Enke and Suraphan Thawornwong, 2005; The use of data mining and neural networks for forecasting stock market returns, Journal of Finance, USA 10. D. E. Allen, W. Yang, 2004; Do UK stock prices deviate from fundamentals?
Volume 64, Pages 373-383
11. E.L. de Faria and J.L. Gonzalez (2009); Predicting the Brazilian stock market through neural networks and adaptive exponential smoothing methods, Expert Systems with Applications Article in Press.
12. Eldon Y. Li, 1994; Artificial neural networks and their business applications, Information & Management, Volume 27, Issue 5, Pages 303-313
13. Frank K. Reilly, Keith C. Brown (2002). Investment Analysis and Portfolio Management
14. George S. Atsalakis and Kimon P. Valavanis (2010), Forecasting stock market short-term trends using a neuro-fuzzy based methodology. Expert systems with applications.
15. G.W. Kao and C.K. Ma, Memories, heteroscedasticity and prices limit in currency futures markets; J. Futures Markets 12 (1992) 672-692.
16. Heping Pan, Chandima Tilakaratne and John Yearwood (2005), Predicting Australian stock market index using Neural Network exploiting dynamic swing and intermarket influences. Journal of research and practice in information technology, vol. 37.
17. Hwang, H. B. (2001). Insights into neural-network forecasting of time series
corresponding to ARMA (p, q) structures. Omega, 29, 273-289.
18. Hossein Abdoh Tabrizi, Hossein Panahian. Stock Price Prediction by Artificial Neural Networks: A Study of Tehran’s Stock Exchange (T.S.E)
19. Iebeling Kaastra, Milton Boyd (1995). Designing a neural network for forecasting financial and economic time series. Neurocomputing 10 (1996) 215- 236.
20. JingTao Yao, Chew Lim Tan, Hean-Lee Poh (1996). Neural networks for technical analysis: A study an KLCI. International Journal of theoretical and applied finance.
21. John A. Doukas, Bala Arshanapalli, T. Daniel Coggin (1/1998) – “Multifactor asset pricing of international value investment strategies”.
22. Jozef Barunik (2007), How do Neural Network enhace the predictability of Central European stock return?, Institute of economic studies.
23. Kyoung-jae Kimand & Ingoo Han, 2000; Genetic algorithms approach to feature discretization in artificial neural networks for the prediction of stock price index, Institute of Science and Technology, South Korea.
24. K.S.Ravichandran, P.Thirunavukarasu, R. Nallaswamy, R.Babu (2005) Estimation of return on investment in share market through ANN. Journal of Theoretical and Applied Information Technology.
25. Leandro S. Maciel, Rosangela Ballini (2008). Design a neural network for time series financial forecasting: Accuracy and robustness anlisys. Instituto de economia (IE), Universidade Estadual de Campinas (UNICAMP).
26. Manna Majumder, MD Anwar Hussian (2009). Forecasting Of Indian Stock Market Index Using Artificial Neural Network
27. Mark T. Leung, An-Sing Chen and Hazem Daouk (2001), Application of Neural Networks to emerging financial market forecasting and trading the Taiwan stock Index. Forthcoming: Computers and Operations Research.
28. Makridakis, S. Anderson, A. Carbone, R. Fildes, R. Hibdon, M. Lewandowski, R. Newton, J. Parzen, E. & Winkler, R. (1982). The accuracy of extrapolation
(time series) methods: Results of a forecasting competition. Journal of Forecasting, 1 (2), 111-153.
29. Mark T. Leung, An-Sing Chen, Hazem Daouk (2001), “Application of neural networks to an emerging financial market: forecasting and trading the taiwan stock index.
30. Medeiros, M. C. & Pedreira, C. E. (2001). What are the effects of forecasting linear time series with neural networks? Engineering Intelligent Systems, 237- 424.
31. Miao et al., 2007 K. Miao, F. Chen and Z.G. Zhao, Stock price forecast based on bacterial colony RBF neural network, Journal of QingDao University 20 (2) (2007), pp. 50–54 (in Chinese).
32. Michal Guirgus (8/2010) - “A Multi-Factor Model of Excess Discount Return.
A comparative study of UK Investment Trusts and US Closed-End Funds”.
33. Oh and Kim, 2002 K.J. Oh and K.-J. Kim, Analyzing stock market tick data using piecewise non linear model, Expert System with Applications 22 (3) (2002), pp. 249–255
34. Olson, Dennis and Mossman, Charls (2003), neural network forecasts of Canadian stock returns using accounting ratios, international journal of foresting 19, pp 453-465.
35. Paul D. McNelis (2005), Neural networks in finance: Gaining predictive edge in the market, Elsevier Inc.
36. Paul McNelis and Peter McAdam (2004), Forecasting inflation with thick models and Neural networks. Working paper series No. 352, April 2004.
37. Pei-Chann Chang and Chen-Hao Liu,(2008); A neural network with a case based dynamic window for stock trading prediction; Expert Systems with Applications Volume 36, Issue 3, Part 2, Pages 6889-6898.
38. Pino et al., 2008 R. Pino, J. Parreno, A. Gomez and P. Priore, Forecasting next- day price of electricity in the Spanish energy market using artificial neural networks, Engineering Applications of Artificial Intelligence 21 (2008), pp. 53–
62.
39. Principe J., N. Euliano, C. Lefebvre, “Innovating Adaptive and Neural Systems Instruction with Interactive Electronic Books”, Proceedings of the IEEE, special issue on engineering education, January 2000 (in press).
40. Principe J.C.&Co. Neural and Adaptive Systems - Fundamentals Through Simulations (Wiley,1999)(672p)
41. Qing Cao, Karyl B. Leggio, Marc J. Schniederjans,2005; A comparison between Fama and French's model and artificial neural networks in predicting the Chinese stock market, Computers & Operations Research, Volume32,pages 2499-2512
42. Recep Dũzgũn (2010), Generalized Regression Neural Network for Inflation Forecasting. International research journal of finance and economic.
43. Reza Gharoie Ahangar, Mahmood Yahyazadehfar, Hassan Pournaghshband (2010). The comparison of methods artificial neural network with linear regression using specific variables for prediction stock price in Tehran stock exchange
44. Renu Vashisth and Abhijeet Chandra (2010), Stock return in Nifty Index: An application of Artificial Neural Network. International research journal of finance and economic.
45. Ritanjali Majhi and Panda, 2007 Ritanjali Majhi, & Panda, G., (2007). Stock market prediction of S&P 500 and DJIA using bacterial foraging optimization technique. In 2007 IEEE congress on evolutionary computation (CEC 2007) (pp.2569–2579).
46. Roger Otten, Dennis Bams – “How to measure mutual fund performance:
economic versus statistical relevance”, Journal Acounting and Finance, số 44, năm 2004, Trang 203 – 222.
47. Robert F.Engle và Michael Rothschild – “A multi-dynamic-factor model for stock returns”, Journal of Econometrics, Số 52, Tập 1 – 2, Tháng 4 -5 1992, Trang 245 – 266.
48. Shaikh A. Hamid and Zahid Iqbal,2003; Using neural networks for forecasting volatility of S&P 500 Index futures prices, School of Business, USA
49. Sheng - Hsun Hsu and JJ Po-An Hsieh (2008); A two-stage architecture for stock price forecasting by integrating self-organizing map and support vector regression, Expert Systems with Applications, Volume 36, Issue 4, Pages 7947- 7951.
50. Siddhivinayak Kulkarni and Imad Haidar (2009), Forecasting model for crude oil price using Artificial Neural Network and commodity future price.
International Journal of computer science and information security. Vol.2, No.
1, June 2009.
51. Sriram Lakshminarayanan, 2005; An integrated stock market forecasting model using neural networks, A thesis presented to the faculty of the Fritz J. and Dolores H. Russ.
52. Steven Gonzalez, 2000; Neural Networks for Macroeconomic Forecasting: A Complementary Approach to Linear Regression Models
53. Tan et al., 2005 Tan, T. Z., Quek, C., & Ng, G. S. (2005). Brain inspired genetic complimentary learning for stock market prediction. In IEEE congress on evolutionary computation, 2–5th September (Vol. 3, pp. 2653–2660).
54. Wang, 2003 Y. Wang, Mining stock prices using fuzzy rough set system, Expert System with Applications 24 (1) (2003), pp. 13–23.
55. Wei-Sen Chen and Yin-Kuan Dua, 2008; Using neural networks and data mining techniques for the financial distress prediction model, The Journal of Finance
56. Widrow, B., Rumelhart, D., & Lehr, M. A. (1994). Neural networks:
Applications in industry, business and science. Communications of the ACM, 57. Wei Huanga, Yoshiteru Nakamori, Shou-Yang Wang (2004). Forecasting stock
market movement direction with support vector machine
58. Yi-Hsien Wang (2007); Nonlinear neural network forecasting model for stock index option price: Hybrid GJR–GARCH approach, Expert Systems with ApplicationsVolume 36, Issue 1, Pages 564-570.
59. Yochanan Shachmurove and Dorota Witkowska (2000), Utilizing Artificial Neural Network model to predict stock markets. Caress working paper.
60. Yung-Keun Kwon and Byung-Ro Moon (2007), A Hybrid Neurogenetic Approach for stock forecasting. IEEE transactions on neural networks. Vol 18.
No. 3, May 2007.
61. Zhang, G. P. (2001). An investigation of neural networks for linear time-series forecasting. Computers & Operations Research, 28, 1183-1202.
62. Zhang Yudong and Wu Lenan (2008); Stock market prediction of S&P 500 via combination of improved BCO approach and BP neural network, Expert Systems with ApplicationsVolume 36, Issue 5, Pages 8849-8854.
Phụ lục 1
Một số hàm kích hoạt của mạng thần kinh nhân tạo
Mô hình của một neuron nhân tạo
Để mô phỏng các tế bào thần kinh và các khớp nối thần kinh của bộ não con người, mạng neuron nhân tạo có các thành phần có vai trò tương tự là các neuron nhân tạo cùng các kết nối synapse.
Một neuron nhân tạo là một đơn vị tính toán hay đơn vị xử lý thông tin cơ sở cho hoạt động của một mạng neuron. Sơ đồ khối của hình 1 chỉ ra mô hình của một neuron nhân tạo. Ở đây, chúng ta xác định ba thành phần cơ bản của một mô hình neuron:
Một tập hợp các synapse hay các kết nối, mà mỗi một trong chúng được đặc trưng bởi một trọng số của riêng nó. Tức là một tín hiệu xj tại đầu vào của synapse j nối với neuron k sẽ được nhân với trọng số synapse wkj. Ở đó k là chỉ số của neuron tại đầu ra của synapse đang xét, còn j chỉ điểm đầu vào của synapse. Các trọng số synapse cuả một neuron nhân tạo có thể nhận cả các giá trị âm và các giá trị dương.
Một bộ cộng để tính tổng các tín hiệu đầu vào của neuron, đã được nhân với các trọng số synapse tương ứng; phép toán được mô tả ở đây tạo nên một bộ tổ hợp tuyến tính.
Một hàm kích hoạt (activation function) để giới hạn biên độ đầu ra của neuron. Hàm kích hoạt cũng được xem xét như là một hàm nén; nó nén (giới hạn) phạm vi biên độ cho phép của tín hiệu đầu ra trong một khoảng giá trị hữu hạn. Mô hình neuron trong hình 1 còn bao gồm một hệ số hiệu chỉnh tác động từ bên ngoài, bk. Hệ số hiệu chỉnh bk có tác dụng tăng lên hoặc giảm đi đầu vào thực của hàm kích hoạt, tuỳ theo nó dương hay âm.
Hình 1: Mô hình phi tuyến của một neuron
Dưới dạng công thức toán học, chúng ta có thể mô tả một neuron k bằng cặp công thức sau:
uk w xkj j
j
m
0
(1)
và
yk=(uk+b) (2)
ở đó x1,x2,...,xm là các tín hiệu đầu vào; wk1,wk2,...,wkm là các trọng số synapse của neuron k; uk là đầu ra bộ tổ hợp tuyến tính tương ứng; bk là hệ số hiệu chỉnh.
Hệ số hiệu chỉnh bk là một tham số ngoài của neuron nhân tạo k. Chúng ta có thể thấy được sự có mặt của nó trong công thức (2). Một cách tương đương, chúng ta có thể tổ hợp các công thức (1) và (2) như sau:
m
j
j kj
k w x
v
0
(3)
và
) ( k
k v
y (4)
x2
xn
x1
Các tín hiệu đầu vào
Hệ số hiệu chỉnh bk
Bộ tổ hợp tuyến tính wk1
wk2
wkm Các trọng số
Đầu ra yk
vk
Hàm kích hoạt
Trong công thức (3), chúng ta đã thêm một synapse mới. Đầu vào của nó là:
x0=+1 (5)
và trọng số của nó là
wk0=bk (6)
Như vậy chúng ta vẽ lại mô hình của neuron k như trong hình 2. Trong hình này, nhiệm vụ của hệ số hiệu chỉnh là thực hiện hai việc: (1) thêm một tín hiệu đầu vào cố định là 1, và (2) thêm một trọng số synapse mới bằng giá trị của hệ số bk. Mặc dầu các mô hình trong hình 1 và 2 là khác nhau về hình thức nhưng tương tự về bản chất toán học.
Hình 2: Mô hình phi tuyến thứ hai của một neuron Các kiểu hàm kích hoạt
Hàm kích hoạt, ký hiệu bởi (v), xác định đầu ra của neuron. Dưới đây là các kiểu hàm kích hoạt cơ bản:
Hàm ngưỡng: Đối với loại hàm này (mô tả trong hình 3a), chúng ta có x2
xn
x1
Các tín hiệu đầu vào
wk0 = bk (hệ số hiệu chỉnh)
Bộ tổ hợp tuyến tính wk1
wk2
wkm
Các trọng số Synapse
Đầu ra yk
vk
Hàm kích hoạt wk0
Đầu vào cố định x0 = +1
( )v v
v
1 0
0 0
nÕu
nÕu (7)
Trong các tài liệu kỹ thuật, dạng hàm ngưỡng này thường được gọi là hàm Heaviside. Đầu ra của neuron k sử dụng hàm ngưỡng sẽ như sau
y v
k v
k k
1 0
0 0
nÕu
nÕu (8)
ở đó vk là đầu ra của bộ tổ hợp tuyến tính, có nghĩa là
k m
j
j kj
k w x b
v
1
(9)
Một neuron như vậy thường được gọi là mô hình McCulloch-Pitts.
1
-2 0 2
(v)
0 1
-2 0 2
(v)
0
1
-2 0 2
(v)
0
(a)
(b)
(c)
Hình 3: (a) Hàm ngưỡng, (b) Hàm vùng tuyến tính, (c) Hàm sigma với tham số độ dốc a thay đổi
Hàm vùng tuyến tính: Đối với loại hàm này (mô tả trong hình 3b), chúng ta có
2 , 1
0
2 1 2
, 1
2 , 1
1 ) (
v v v
v
v (10)
Dạng hàm này có thể được xem như môt xấp xỉ của một bộ khuếch đại phi tuyến.
Hàm sigma: Hàm sigma là dạng chung nhất của hàm kích hoạt được sử dụng trong cấu trúc mạng neuron nhân tạo. Nó là một hàm tăng và nó thể hiện một sự trung gian giữa tuyến tính và phi tuyến. Một ví dụ của hàm này là hàm logistics, xác định như sau
) exp(
1 ) 1
(v av
(11)
ở đó a là tham số độ dốc của hàm sigma. Bằng việc biến đổi tham số a, chúng ta thu được các hàm sigma với các độ dốc khác nhau, như được minh hoạ trong hình 3c.
Thực tế, hệ số góc tại v = 0 là a/4. Khi tham số hệ số góc tiến tới không xác định, hàm sigma trở thành một hàm ngưỡng đơn giản. Trong khi một hàm ngưỡng chỉ có giá trị là 0 hoặc 1, thì một hàm sigma nhận các giá trị từ 0 tới 1. Cũng phải ghi nhận rằng hàm sigma là hàm phân biệt, trong khi hàm ngưỡng thì không (Tính phân biệt của hàm là một đặc tính quan trọng trong lý thuyết mạng neuron).
Các hàm kích hoạt được định nghĩa trong các công thức (7), (10), (11) đều trong phạm vi từ 0 đến 1. Đôi khi có những yêu cầu xây dựng hàm kích hoạt trong phạm vi từ -1 đến 1, trong trường hợp này hàm kích hoạt được giả định có dạng đối xứng qua gốc toạ độ (hay có thể gọi là dạng phản đối xứng); nghĩa là hàm kích hoạt là một hàm lẻ. Ví dụ, hàm ngưỡng trong công thức (7) bây giờ được xác định như sau
0 1
0 0
0 1
) (
v v v
v (12)
Hàm này thường được gọi là hàm signum. Với dạng tương ứng cho hàm sigma chúng ta có thể sử dụng hàm tang hyperbol như sau
(v)=tanh(v) (13)
Việc cho phép một hàm kích hoạt kiểu sigma nhận các giá trị âm như trong công thức (13) đem lại nhiều lợi ích về giải tích.
Phản hồi (feedback)
Sự Phản hồi có mặt trong một hệ thống bất kỳ khi nào đầu ra của một phần tử trong hệ thống có ảnh hưởng đến đầu vào của phần tử đó, tức là sẽ có một hay nhiều đường đi khép kín trong việc truyền tín hiệu của hệ thống. Phản hồi xảy ra hầu như mọi nơi của hệ thống thần kinh động vật. Hơn nữa, nó đóng một vai trò chính trong trong việc nghiên cứu một lớp quan trọng của mạng neuron đó là các mạng hồi quy (recurrent network). Hình 4a cho ta đồ thị luồng tín hiệu của một hệ thống phản hồi đơn-vòng lặp, ở đó tín hiệu đầu vào xj(n), tín hiệu bên trong xj’(n), và tín hiệu đầu ra yk(n) là các hàm của biến thời gian rời rạc n. Hệ thống được giả định là tuyến tính, bao gồm một đường đi tiến và một đường đi phản hồi được mô tả bởi các “toán tử” A và B tương ứng. Từ hình 4a chúng ta đưa ra được quan hệ đầu vào - đầu ra như sau:
yk(n)=A[xj’(n)] (14)
xj’(n)=xj(n)+B[yk(n)] (15)
ở đó các ngoặc vuông nhấn mạnh rằng A và B hoạt động như các toán tử. Loại bỏ xj’(n) giữa công thức (15) và (16), chúng ta được
)]
( 1 [
)
( x n
AB n A
yk j
(16)
Chúng ta coi A/(1-AB) là toán tử đóng vòng lặp (closed-loop operator) của hệ thống, và AB như toán tử mở vòng lặp (open-loop operator). Nói chung, toán tử mở vòng lặp là không giao hoán (ABBA).
xj'(n)
xj(n) yk(n)
A
B (a)
xj'(n)
xj(n) w yk(n)
z-1 (b)
Hình 4: Đồ thị luồng tín hiệu của một hệ thống phản hồi vòng lặp đơn
Xem xét ví dụ hệ thống phản hồi đơn vòng lặp trong hình 4b, với A là một trọng số cố định w; và B là một toán tử đơn vị trễ z-1, mà đầu ra của nó trễ so với đầu vào một
đơn vị thời gian. Như vậy chúng ta có thể biểu diễn toán tử đóng vòng lặp của hệ thống như sau:
1 1 1
) 1
( 1 1
wz w
wz w AB
A
Bằng việc áp dụng khai triển nhị thức cho (1-wz-1)-1, chúng ta có thể viết lại toán tử trên như sau
0
1
1 l
lz w AB w
A (17)
Như vậy, thay công thức (18) vào công thức (17), chúng ta có
0
) 1
(
l l
k n w w z
y (18)
Từ định nghĩa của z-1 chúng ta có
z-1[xj(n)]=xj(n-l) (19)
ở đó xj(n-1) là một mẫu của tín hiệu đầu vào đã bị trễ l đơn vị thời gian. Chúng ta có thể biểu diễn tín hiệu đầu ra yk(n) như một phép tính tổng các mẫu hiện tại và quá khứ của tín hiệu đầu vào xj(n)
y nk wl x nj l
l
( ) ( )
1 0
(20)
Bây giờ chúng ta thấy rõ là tính chất của hệ thống phụ thuộc vào trọng số w. Có thể phân biệt hai trường hợp đặc biệt sau:
|w|<1, tín hiệu đầu ra yk(n) hội tụ dạng hàm mũ; tức là hệ thống ổn định.
|w|1, tín hiệu đầu ra yk(n) là phân kỳ; nghĩa là hệ thống không ổn định. Nếu |w|=1 thì sự phân kỳ là tuyến tính, và nếu |w|>1 thì sự phân kỳ có dạng hàm mũ.
Tính ổn định luôn rất quan trọng trong việc nghiên cứu các hệ thống hồi quy.
Trường hợp |w|<1 tương ứng với một hệ thống có một bộ nhớ vô hạn theo nghĩa là đầu ra của hệ thống phụ thuộc vào các mẫu của đầu vào mở rộng vô hạn về quá khứ.
Hơn nữa, bộ nhớ là suy giảm dần tức là ảnh hưởng của một mẫu quá khứ giảm theo hàm mũ của thời gian.
Phụ lục 2
Quá trình phân loại biến theo mô hình mạng ANN
Dữ liệu phân chia theo quá trình xây dựng mô hình ANN như sau:
- Tập hợp dữ liệu huấn luyện: 60%
- Tập hợp dữ liệu thử nghiệm tính hiệu quả: 20%
- Tập hợp dữ liệu dùng để kiểm tra ngoài mẫu: 20%
Mô hình ANN được xây dựng gồm có 3 lớp, một lớp đầu vào với các biến kinh tế được miêu tả trong bảng 2, một lớp ẩn, một lớp đầu ra – đây là kết quả của VN- Index.
Quá trình phân loại biến theo mô hình mạng ANN dưới tác động của các biến kinh tế như lạm phát (CPI), lãi suất (LR), tỷ giá (USD), sản lượng công nghiệp (IP), cán cân thương mại (TB), tăng trưởng cung tiền (M2) và tăng trưởng tín dụng ngân hàng (CR) như sau:
Bước 1: Kết quả của quá trình loại bỏ một biến trong mô hình Biến đưa vào mô hình Biến loại bỏ Số PE MSE
(Training)
MSE (CV)
USD-LR-IP-TB-M2-CR CPI 3 0.024209 0.180019
CPI-LR-IP-TB-M2-CR USD 3 0.033862 0.251397
CPI-USD-IP-TB-M2-CR LR 2 0.021591 0.156214
CPI-USD-LR-TB-M2-CR IP 2 0.019057 0.259817
CPI-USD-LR-IP-M2-CR TB 4 0.027538 0.173614
CPI-USD-LR-IP-TB-CR M2 2 0.025619 0.221339
CPI-USD-LR-IP-TB-M2 CR 3 0.038334 0.258950