CHỨNG KHOÁN VIỆT NAM
2.5. Sử dụng sự thay đổi giá trong quá khứ để dự báo giá chứng khoán trên
Khoa học dự báo đã có sự phát triển từ lâu đời và trong đó, dự báo tỷ suất sinh lợi trong tương lai của chứng khoán vẫn luôn là đề tài hấp dẫn đối với nhà đầu tư và các học giả. Nghiên cứu của Fama (1970) khẳng định rằng, giá của tài sản tài chính tại mỗi thời điểm đã phản ánh tất cả thông tin liên quan đến nó. Do vậy xu hướng biến động trong tương lai của thông tin phụ thuộc hoàn toàn “ngẫu nhiên” vào sự xuất hiện của các thông tin mới. Điều này đồng nghĩa rằng các nỗ lực dự báo giá chứng khoán trong tương lai dựa trên thông tin hiện tại là không thể. Tuy nhiên, kết quả của
nhiều nghiên cứu sau đó kiểm định tính hiệu quả của thị trường đã cho thấy sự hoài nghi về giả thiết này. Trong số những cách tiếp cận để kiểm định tính hiệu quả của thị trường, nhiều bài nghiên cứu chỉ sử dụng các mô hình tuyến tính truyền thống.
Trong trường hợp đó, kết quả phủ nhận khả năng dự báo xu hướng giá chứng khoán rất có thể là do hạn chế của bản thân mô hình. Do vậy, phần nghiên cứu này muốn tận dụng ưu điểm chủ yếu của mô hình ANN là khả năng nắm bắt các mối tương quan phi tuyến để xem rằng liệu dữ liệu quá khứ của bản thân chuỗi chỉ số chứng khoán có thể dự báo cho xu hướng tương lai của chính nó hay không. Nếu điều này là có thể thì TTCK tồn tại xu hướng và chưa đạt đến trạng thái thị trường hiệu quả.
Trước hết, dữ liệu về chỉ số VNI của TTCK VN sẽ được thu thập từ nguồn dữ liệu của Sở giao dịch chứng khoán Tp. Hồ Chí Minh và đƣợc chuyển đổi thành chuỗi tỷ suất sinh lợi theo ngày và theo tuần. Chuỗi dữ liệu này sẽ đƣợc chia thành 3 tập hợp gồm: tập các quan sát đƣợc dùng để huấn luyện mạng, tập các quan sát để xác định lại và cuối cùng là tập các quan sát đƣợc sử dụng để kiểm định ngoài mẫu. Tỷ lệ giữa ba tập này sẽ lần lƣợt ở mức 70%, 15% và 15%. Với tỷ lệ này, lƣợng quan sát thu thập đƣợc sẽ đảm bảo đƣợc khả năng khái quát hóa của mô hình cũng nhƣ lƣợng mẫu cần thiết để mô hình có thể xác định đƣợc tập trọng số phù hợp, phản ánh mối tương quan giữa biến đầu vào và biến đầu ra.
-20.00%
-15.00%
-10.00%
-5.00%
0.00%
5.00%
10.00%
15.00%
20.00%
1 17 33 49 65 81 97 113 129 145 161 177 193 209 225 241 257 273 289
Hình 2.14: Chuỗi tỷ suất sinh lợi VNI theo tuần từ tháng 1/2005 đến 9/2010 Tiếp đến, để xây dựng hệ thống ANN, phần nghiên cứu này của luận án xác định biến đầu vào cho mô hình sẽ bao gồm các giá trị trễ của tỷ suất sinh lợi trước đó 3 kỳ (trước hết kỳ quan sát được xác định theo tuần), ký hiệu biến đầu vào lần lượt là VNI(t-1); VNI(t-2) và VNI(t-3). Biến đầu ra của mô hình sẽ là tỷ suất sinh lợi của VNI mỗi kỳ.
Sau khi xác định biến đầu vào và đầu ra của mô hình ANN, thông số tiếp theo chính là thuật toán đƣợc sử dụng để huấn luyện mạng. Bản chất của thuật toán chính là cách thức mà các trọng số đƣợc điều chỉnh sao cho tối thiểu hóa hàm mục tiêu MSE.
Luận án lựa chọn sử dụng thuật toán Levenberg-Marquardt, là phương pháp được sử dụng phổ biến nhất trong các bài toán tối ƣu hóa phi tuyến.
Cuối cùng, trước khi đi vào huấn luyện mạng chính là xác định cấu trúc của hệ thống mạng. Phần nghiên cứu này của luận án lựa chọn xây dựng hai cấu trúc mạng GRNN và mạng truyền thẳng. Đây là cấu trúc mạng đƣợc sử dụng trong hầu hết các nghiên cứu về mạng ANN. Trong quá trình xây dựng, các hệ thống mạng với số lớp ẩn và neuron khác nhau đã đƣợc đƣa vào thử nghiệm. Kết quả kiểm định ngoài mẫu cho thấy rằng, hai cấu trúc mạng ANN truyền thẳng hai lớp ẩn MLF 3-5-3-1 và mạng GNN 3-5-3-1 cho kết quả tương đối khả quan nhất.
Hình 2.15: Chuỗi tỷ suất sinh lợi VNI theo tuần được dự báo từ cấu trúc MLF 3-5-3-1, GNN 3-5-3-1 và chuỗi tỷ suất sinh lợi thực tế
Bảng 2.13: Kết quả kiểm định ngoài mẫu của cấu trúc MLF 3-5-3-1 và GNN 3-5-3-1
Performance MLF 3-5-3-1 GNN 3-5-3-1
MSE 0,001922628 0,001907584
NMSE 1,254055298 1,244242278
MAE 0,031474657 0,031733673
Min Abs Error 0,000872467 0,000944887 Max Abs Error 0,143015978 0,134301972
r 0,049341644 0,010477623
Tuy đã đƣợc lựa chọn từ nhiều cấu trúc khác nhau, nhƣng kết quả thể hiện từ hai cấu trúc trên đƣa chúng ta đến kết luận rằng, hai cấu trúc mạng ANN trên vẫn chỉ cho kết
MLF – 3- 5-3-1 GNN – 3-5-3-1
quả hạn chế trong việc dự báo tỷ suất sinh lợi của VNI theo tuần. Điển hình là chỉ tiêu r, thể hiện mức tương quan giữa chuỗi giá trị dự báo và giá trị thực tế ở mức thấp, gần như không cho thấy sự tương quan nào giữa hai giá trị này. Đến đây, liệu rằng đã có thể kết luận về giá trị dự báo của chuỗi VNI quá khứ đối với mức tỷ suất sinh lợi tương lai của chỉ số này?
Kết quả của mô hình cho thấy dường như không có sự tương quan giữa tỷ suất sinh lợi các tuần trong quá khứ với tỷ suất sinh lợi của tuần hiện tại. Vậy liệu rằng với chuỗi dữ liệu theo ngày, kết quả dự báo có đƣợc cải thiện hơn hay không?
Phần nghiên cứu tiếp theo tiếp tục đi vào xây dựng mô hình dự báo cho chuỗi tỷ suất sinh lợi VNI theo ngày với những quan sát từ tháng 6/2008 đến tháng 9/2010 và sử dụng cấu trúc mạng MLF 5-3-1. Kết quả dự báo ngoài mẫu nhƣ sau:
Desired Output and Actual Network Output
-0.05 -0.04 -0.03 -0.02 -0.01 0 0.01 0.02 0.03 0.04
1 8 15 22 29 36 43 50 57 64 71 78
Exemplar
Output VNI
VNI Output
Hình 2.16: Chuỗi tỷ suất sinh lợi VNI theo ngày được dự báo từ cấu trúc MLF 5-3-1 và chuỗi VNI thực tế
Bảng 2.14: Kết quả kiểm định cấu trúc MLF 5-3-1 đối với chuỗi tỷ suất sinh lợi VNI theo ngày
Performance VNI
MSE 0,000170697
NMSE 1,236743449
MAE 0,010237056
Min Abs Error 0,000103853 Max Abs Error 0,035621348
r 0,068100909
Kết quả kiểm định cho thấy dường như không có sự cải thiện đáng kể trong hiệu quả dự báo. Chỉ tiêu r vẫn chỉ đạt mức thấp 6,8% vẫn chưa cho thấy mối tương quan
trong chuỗi tỷ suất sinh lợi quá khứ (trong trường hợp này là tỷ suất sinh lợi của VNI lần lượt trong 5 ngày giao dịch trước đó) với tỷ suất sinh lợi VNI hiện tại.
Tuy nhiên, vấn đề lại đƣợc đặt ra rằng, liệu có phải do chuỗi dữ liệu trong thời kỳ thu thập không miêu tả được những đặc trưng của một giai đoạn của thị trường? Rất có thể sự thay đổi nhanh chóng của TTCK VN trong suốt thời gian qua đã khiến cho mô hình mạng đƣợc huấn luyện dựa trên các dữ liệu quá khứ đã không có giá trị lâu dài.
Để làm rõ vấn đề này, một lần nữa luận án đi vào điều chỉnh nguồn dữ liệu đầu vào, sử dụng bộ dữ liệu tỷ suất sinh lợi theo ngày từ đầu năm 2010 đến tháng 09/2010.
Với các cấu trúc mạng khác nhau, kết quả kiểm định ngoài mẫu cho thấy:
Hình 2.17: Chuỗi tỷ suất sinh lợi VNI dự báo và thực tế của mạng MLF 5-3-1 và MLF 5-4-3-1 trong năm 2010
Hình 2.18: Chuỗi tỷ suất sinh lợi VNI theo ngày trong năm 2010 được dự báo từ MLF 5-4-3-2-1, GNN 5-4-3-1 và chuỗi thực tế
MLF 5-3-1 MLF 5-4-3-1
MLF-5-4-3-2-1 GNN-5-4-3-1
Bảng 2.15: Kiểm định ngoài mẫu đối với các mô hình ANN với dữ liệu thu thập trong năm 2010
Performance MLF 5-3-1 MLF 5-4-3-1 MLF 5-4-3-2-1 GNN 5-4-3-1 MSE 0,000189239 0,000162405 0,000146995 0,000196657 NMSE 1,398500797 1,200191794 1,08631364 1,453316815 MAE 0,01035996 0,00875276 0,008767146 0,011025464 Min Abs Error 0,000296445 0,000345085 6,91311E-05 0,000363564 Max Abs Error 0,035407012 0,032937336 0,02678246 0,030768682 R 0,381748919 0,179258371 0,197218582 0,273073181 Mặc dù xét về các chỉ tiêu khác nhau MSE và MAE, kết quả dự báo từ các cấu trúc mạng sử dụng bộ dữ liệu tỷ suất sinh lợi trong khoảng thời gian ngắn hơn (năm 2010) so với cấu trúc cũ có sự khác biệt không lớn, nhưng riêng chỉ tiêu tương quan giữa chuỗi giá trị dự báo với chuỗi giá trị thực tế lại có sự cải thiện đáng kể. Đặc biệt là với cấu trúc MLF 5-3-1 và GNN 5-4-3-1, chỉ tiêu này lần lƣợt là 38,17% và 27,3%. Điều này cho thấy sự trùng hợp với kết luận của Wilton, Vincent và Tam (2008) về việc sử dụng bộ dữ liệu trong thời gian ngắn hơn sẽ cho kết quả dự báo khả quan hơn đối với TTCK Shanghai của Trung Quốc. Nói cách khác, mô hình ANN có thể sử dụng để dự báo VNI trên TTCK VN trong khoảng thời gian quan sát theo ngày sẽ cho mức độ giải thích lớn hơn. Nhƣng mặt khác, điều này còn cho thấy TTCK VN bị tác động bởi nhân tố momentum lớn. Kết quả này càng minh chứng cho những nghiên cứu gần đây trên TTCK VN về tác động của tâm lý nhà đầu tƣ là rất lớn. Chính sự phản ứng thái quá của nhà đầu tƣ là nguồn gốc của tình trạng xuất hiện của biến momentum này. Để làm rõ hơn tính chất này, phần nghiên cứu tiếp theo của luận án sử dụng những chỉ báo của phân tích kỹ thuật (trường phái nghiên cứu tâm lý thị trường, của nhà đầu tư tham gia trong thị trường này) để phân tích sự thay đổi của VNI thời gian qua.