CHỨNG KHOÁN VIỆT NAM
2.3.3. Mô hình mạng ANN phi tuyến khi khảo sát các biến tài chính
Sau khi xác định các biến số đầu vào cho mô hình, thuật toán để huấn luyện mạng và số quan sát cần thiết của các tập huấn luyện, xác nhận và kiểm định lại, ta tiến hành xây dựng các mạng ANN với cấu trúc khác nhau.
Trước hết sẽ là các mạng ANN đa lớp truyền thẳng, với một lớp ẩn duy nhất. Số neuron trong lớp ẩn sẽ lần lƣợt là 3, 4, 5, 6. Các mô hình này sẽ đƣợc ký hiệu lần lƣợt là MLN 9-3-1; MLN 9-4-1; MLN 9-5-1; MLN 9-6-1.
Việc lựa chọn số neuron cho lớp ẩn, như đã trình bày trong các phần trước, vốn dĩ không có một công thức xác định. JingTao Yao (2000) đƣa ra nguyên tắc rằng với
mô hình mạng truyền thẳng một lớp ẩn duy nhất, số lƣợng neuron phù hợp có thể là N/2, N/2 +1, N/2 – 1, N/2 +2, N/2 – 2,… với N là số lƣợng neuron đầu vào. Trong khi đó, Shih (1994) cho rằng mô hình mạng ANN thông thường nên có dạng một kim tự tháp. Theo đó, lớp đầu tiên sẽ có số lượng neuron lớn nhất tương ứng với các biến đầu vào và các lớp tiếp theo sau sẽ có số neuron ít hơn. Cũng nhƣ các thông số khác của mô hình mạng, việc xác định ra cấu trúc phù hợp cho hệ thống mạng ANN là kết quả của quá trình thử nghiệm.
Sử dụng phần mềm Neural Solution để tiến hành huấn luyện với các cấu trúc mạng, trên bộ dữ liệu đã đƣợc xác định. Tập trọng số tốt nhất từ quá trình huấn luyện sẽ đƣợc sử dụng để dự báo ngoài mẫu và so sánh kết quả với giá trị VNI thực tế. Kết quả của các cấu trúc trên lần lƣợt đƣợc trình bày trong hình 2.8, 2.9 và bảng 2.9.
Hình 2.8: VNI dự báo và thực tế từ cấu trúc MLN 9-3-1 và MLN 9-4-1
Desired Output and Actual Network Output
-0.25 -0.2 -0.15 -0.1 -0.05 0 0.05 0.1 0.15
1 2 3 4 5 6 7 8 9 10 11
Exemplar
Output VNI
VNI Output
Hình 2.9: VNI dự báo và thực tế từ cấu trúc MLN 9-6-1
MLN 9-3-1 MLN 9-4-1
Bảng 2.9: Kết quả kiểm định ngoài mẫu của cấu trúc mạng MLN 9-3-1, MLN 9- 4-1, MLN 9-5-1, MLN 9-6-1
Chỉ tiêu MLN 9-3-1 MLN 9-4-1 MLN 9-5-1 MLN 9-6-1 MSE 0,001610352 0,001660062 0,000475635 0,000612894 NMSE 0,49855836 0,513948445 0,14725479 0,189749452 MAE 0,026933572 0,031146098 0,019459597 0,018091013 Min Abs Error 0,004009056 0,002301037 0,001936935 0,00079665 Max Abs Error 0,116049083 0,082784924 0,036457951 0,053151548
r 0,837726021 0,943107444 0,982771487 0,97801643
Mặc dù cấu trúc mạng ANN tuyến tính ban đầu đã cho ra kết quả dự báo VNI khá tốt, nhƣng độ chính xác của dự báo đã đƣợc cải thiện đáng kể khi sử dụng cấu trúc mạng ANN phi tuyến. Điều này đƣợc thể hiện qua kết quả kiểm định ngoài mẫu của các cấu trúc mạng ANN được trình bày ở phần trên. Trước hết, xét chỉ tiêu tương quan của chuỗi giá trị dự báo từ mô hình với chuỗi giá trị VNI thực tế, mối tương quan này đã tăng từ mức 83% lên đến mức 94% (của cấu trúc MLN 9-4-1) và khoảng 98% (của MLN 9-5-1 và MLN 9-6-1). Điều này thể hiện tính ƣu thế vƣợt trội của cấu trúc mạng phi tuyến so với cấu trúc mạng tuyến tính. Bên cạnh đó, sự hoàn thiện hơn của cấu trúc phi tuyến còn đƣợc thể hiện qua sự sụt giảm của chỉ tiêu MSE từ mức 0,0014 của mạng ANN tuyến tính xuống còn mức 0,00061 của mạng ANN truyền thẳng MLN 9-6-1, giảm gần 56%. Đây là một sự cải thiện đáng kể, cho thấy hiệu quả dự báo của mạng ANN phi tuyến so với mạng ANN tuyến tính cũng nhƣ mô hình hồi quy tuyến tính truyền thống.
Bên cạnh cấu trúc mạng ANN truyền thẳng đa lớn thì một dạng cấu trúc mạng ANN khác cũng đƣợc sử dụng khá phổ biến. Đó chính là mạng GRNN. Từ các thử nghiệm trên cho thấy mạng ANN truyền thẳng với 1 lớp ẩn duy nhất và 5 hoặc 6 neuron ẩn sẽ cho kết quả dự báo tương đối cao nhất. Do vậy, trong phần này sẽ chỉ tiến hành xây dựng và huấn luyện hệ thống mạng GRNN với một lớp ẩn với lần lƣợt 5 và 6 neuron ẩn, đƣợc ký hiệu lần lƣợt là GNN 9-5-1 và GNN 9-6-1. Kết quả dự báo ngoài mẫu đối với hai cấu trúc này sau khi đƣợc huấn luyện lần lƣợt là:
Hình 2.10: VNI dự báo và thực tế của tập kiểm tra lại từ cấu trúc mạng GNN 9- 5-1 và GNN 9-6-1
Bảng 2.10: Kết quả kiểm định ngoài mẫu của GNN 9-5-1 và GNN 9-6-1
Chỉ tiêu GNN 9-5-1 GNN 9-6-1
MSE 0,00132333 0,00064198
NMSE 0,409697593 0,198754471
MAE 0,030073692 0,0218326
Min Abs Error 0,003887405 0,00406406
Max Abs Error 0,078272817 0,043841459
r 0,910328807 0,95020783
Đối với trường hợp của mạng GRNN, kết quả dự báo của cấu trúc mạng này trên tập kiểm định lại cũng cho thấy sự hoàn thiện hơn của cấu trúc phi tuyến so với cấu trúc tuyến tính. Đặc biệt là cấu trúc GNN 9-6-1, chỉ tiêu MSE của mạng này đạt mức 0,00064, thấp hơn khoảng 50% so với trường hợp của mạng ANN tuyến tính ban đầu, trong khi đó mức độ tương quan tuyến tính giữa giá trị dự báo với giá trị thực tế lên đến 95%, cao hơn trường hợp mạng ANN tuyến tính là 87%.
Tóm lại, qua các kết quả trên, ta có thể kết luận rằng, các biến số tài chính thật sự có khả năng dự báo đối với tỷ suất sinh lợi của chỉ số VNI. Bên cạnh đó, mặc dù mô hình hồi quy tuyến tính truyền thống cho kết quả dự báo tương đối khả quan với biến giải thích PB lên đến 44,7%, song mô hình mạng ANN lại cho kết quả tốt hơn, cụ thể với cấu trúc mạng ANN tuyến tính lại cho tương quan giá trị dự báo với giá trị thực tế cao hơn nhiều, lên đến 87%. Tuy nhiên, hiệu quả dự báo của mô hình hoàn toàn có
GNN 9-5-1 GNN 9-6-1
thể được nâng cao thông qua việc sử hệ thống mạng ANN phi tuyến thay vì phương pháp tuyến tính truyền thống.
Qua hai nhóm biến đƣợc khảo sát là nhóm biến kinh tế vĩ mô và nhóm biến tài chính của các doanh nghiệp niêm yết đã phần nào trả lời đƣợc mục tiêu nghiên cứu. Tuy nhiên, phần tiếp theo, luận án tiếp tục khảo sát thêm một số nhóm biến khác để phân tích sự thay đổi VNI. Mục đích của quá trình này không nằm ngoài mục tiêu của luận án là tiếp tục tìm kiếm nhóm biến thích hợp để dự báo VNI và xác định mô hình mạng ANN có khả năng dự báo tốt hơn mô hình hồi quy tuyến tính không.