cách thức phân loại rủi ro, quan điểm của nhà đầu tƣ 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 tƣ về tỷ suất sinh lợi trên cơ sở rủi ro chấp nhận đƣợc.
Có quan điểm cho rằng tác động của việc khảo sát và dự đoán lên các quyết định tài chính là một chiều. Theo đó, khảo sát và dự đoán chỉ đơn thuần cung cấp các dữ liệu đầu vào, các ƣớc lƣợng 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 công 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 la ̣i. Các kỳ vọng của nhà quản trị, thu thập từ cuộc điều tra, là đầu vào quan trọng cho các mô hình dự báo, đặc biệt là trong điều kiện có nhiều biến động. Mặt khác, các rủi ro ƣớc lƣợng đƣợc xác định từ các mô hình dự báo và các rủi ro hàm ý khi định giá chứng khoán 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 mô hình dự báo. Chúng ta có thể sẽ quan tâm đến việc dự báo các rủ i 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 đƣợc sử dụng để làm gì. Nếu mục đích là giúp nhà nước ban hành chính sách nhằm kiểm soát lạm phát thì những chỉ số giá cho chuỗi số liệu có nhiều biến động trong ngắn hạn sẽ không 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. Ngƣợc lại, một chỉ số giá với chuỗi số liệu quá ít biến động lại có thể sẽ dẫn đến một chính sách tiền tệ thụ động, không có khả năng kiềm chế lạm phát. Vì vậy, việc thu thập thông 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. Mô hình ANN sẽ giúp thực hiện điều này hiệu quả nhất.
Khi xây dựng các mô 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 thông tin, nhà đầu tƣ 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 ƣớc lƣợng các mô hình là tìm hiểu cách thức mà các nhà đầu tƣ 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 tƣ – chủ thể mà ta đang muốn ƣớc lƣợng thông qua các mô hình – là không hoàn toàn duy lý, hay nói cách khác, họ không 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 đƣợc minh họa chi tiết hơn trong các mô 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 khoán. Mô hình ANN có những ƣu điểm sau:
Trước tiên, ANN có thể tính toán dữ liệu phi tuyến. Chúng có khả năng thực hiện mô hình hóa quan hệ phi tuyến mà không cần đến những điều kiện cho trước về mối quan hệ giữa các biến đầu vào và các biến đầu ra. Mô hình ANN không tham số có thể đƣợc ƣa chuộng hơn mô hình thống kê tham số truyền thống trong các trường hợp dữ liệu đầu vào không đáp ứng được các giả định
cho việc mô hình hóa tham số hoặc có số lƣợng 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 mô hình ANN là vì nó dựa trên giả định “sự hợp lý có chƣ̀ng 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 luôn gắn liền trong một quá trình học hỏi, liên tục điều chỉnh niềm tin từ những sai lầm trong quá khứ.
Dưới góc độ này, ưu điểm của mô hình ANN được thể hiện ở chỗ nó sẽ cho phép sự tồn tại của “ngưỡng phản ứng” trước sự thay đổi 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 tƣ, nếu có, sẽ là rất ít. Tuy nhiên, nếu lãi suất vẫn tiếp tục gia tăng, nhà đầu tƣ sẽ chú ý nhiều hơn. Đến lúc nào đó, khi lãi suất vƣợt qua một ngƣỡng nhất định, có thể là 12%, nhà đầu tƣ sẽ có những phản ứng mạnh, nhƣ “bán tháo” các chứng khoán và chuyển sang mua các loại trái phiếu chính phủ.
Ý tưởng 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. Mô hình ANN ƣớc lƣợng các hành vi của chủ thể kinh tế tài chính trong quá trình ra quyết định một cách tự nhiên. Chính điều này làm cho mô hình ANN khác biệt với các mô hình kinh tế lƣợng cổ điển dƣ̣a trên giả thuyết sự hợp lý hoàn toàn và sự tối ưu của con người.
Mô hình này không đƣa ra các giả thiết về giá trị của các hệ số khi ƣớc lƣợng và quan hệ hàm số giữa biến phụ thuộc và biến độc lập. Với các mô 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 mô hình. Trong khi đó, với các mô hình ANN, chúng ta hầu nhƣ không thể diễn giải một cách rõ ràng ý nghĩa các hệ số đƣợc ƣớc lƣợng trong mô hình vì nó tồ n ta ̣i trong không gian đa chiều chƣ́ không phải trong hình ho ̣c phẳng . Đây chính là điểm khác biệt của hai loại mô hình. Sự khác biê ̣t này đã giúp cho mô hình ANN thường xuyên đươ ̣c thích ứng với môi trường.
Bên cạnh đó, khi sử dụng mô 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 đƣợc ƣớc lƣợng không rơi vào một trong số các cực trị cục bộ (local optimum). Việc sử dụng thuật toán di truyền và các thuật
toán 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 đƣợc 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 đƣợc kết quả. Nhƣ vậy, ANN có khả năng ƣớc lƣợng nhiều dạng hàm. Điều đó cho thấy rằng một ANN có thể mô phỏng bất cứ dạng hàm liên tục để có đƣợc 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 thông tin chƣa cao . Vì vậy, chúng ta không 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 thi ̣ 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 lƣợng bởi mô hình ANN chính là kết quả của quá 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 đƣợc đƣa vào, ANN có thể suy luận một cách chính xác những phần ẩn của tập hợp mặc dù mẫu dữ liệu chứa những thông tin nhiễu. ANN có thể tính toán mẫu hình cơ bản hoặc cấu trúc tự tương quan trong chuỗi thời gian.
Tuy nhiên, bên cạnh nhƣ̃ng ƣu điểm trên , mô hình ANN la ̣i có mô ̣t số ha ̣n chế nhất đi ̣nh khiến cho người sử du ̣ng hoài nghi về giá tri ̣ của nó như là:
Thứ nhất, vấn đề khó giải thích các tro ̣ng số ước lượng trong mô hình hay còn gọi là vấn đề “hộp đen – Black box”. Trong mô hình hồi quy , các giá trị của các hệ số ƣớc lƣợng giải thích tác đô ̣ng trƣ̣c tiếp của mỗi biến số đầu vào với biến đầu ra . Trong khi đó mô hình ANN với các tro ̣ng số ước lượng không giải thích đƣợc chính xác cho mối quan hệ này . Do đó viê ̣c sƣ̉ du ̣ng mô hình
1 Trong mô hình ANN, mô ̣t số thuâ ̣t ngữ trông có vẻ la ̣ so với mô hình thống kê và kinh tế lượng cổ điển như:
“mô hình” (model) đƣợc gọi là “cấu trúc” (archhitecture) và chúng ta sẽ tiến hành “huấn luyện” (train) thay vì
“ƣớc lƣợng” (estimate) đối với “cấu trúc” đó. Thay vì sử dụng thuật ngữ dữ liệu mẫu và dữ liệu ngoài mẫu (out-of-sample 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) đƣợc gọi là các “trọng số” (weight) và các
“hằng số” (constant term) đƣợc gọi là các “sai lệch” (bias).
ANN sẽ không được áp du ̣ng tron g phân tích đô ̣ nha ̣y (Refense, Zapranis và
Francis (1994)).
Thƣ́ hai, viê ̣c ƣ́ng du ̣ng mô hình ANN đòi hỏi kích cỡ mẫu lớn . Mô hình ANN đòi hỏi mô ̣t số lượng lớn các tro ̣ng số , nếu mẫu dữ liê ̣u quá nhỏ đưa đến tình trạng “khít quá mức” vì mô hình ANN yêu cầu chia tập quan sát thành ba.
Thƣ́ ha, viê ̣c xây dƣ̣ng mô ̣t cấu trúc ANN phù hợp sẽ mất rất nhiều thời gian . Tuy nhiên, công việc có thể được rút ngắn nếu viê ̣c xây dựng mô hình có sự
hỗ trơ ̣ từ phương pháp hồi quy trong viê ̣c lựa cho ̣n biến đầu vào cho mô hình ANN.