CHƯƠNG 1 TỔNG QUAN VỀ DỰ BÁO DỮ LIỆU CHUỖI THỜI GIAN
1.5. Các đối tượng nghiên cứu
Theo như các công trình liên quan đã khảo sát, dữ liệu giá cổ phiếu là một dạng dữ liệu chuỗi thời gian. Do đó, đối tượng nghiên cứu cần phải khảo sát đó là dữ liệu chuỗi thời gian. Vì vậy, luận văn tiến hành ánh xạ dữ liệu giá cổ phiếu để tạo thành dữ liệu dưới dạng chuỗi thời gian nhằm thực hiện chuẩn hóa dữ liệu đầu vào cho bài toán dự báo giá cổ phiếu trong tương lai. Trong cách tiếp cận của luận văn xem như dữ liệu chuỗi thời gian là đối tượng nghiên cứu ban đầu để chọn lựa các mô
hình dự báo phù hợp, để từ đó làm tiền đề xây dựng một công cụ dự báo giá cổ phiếu hiệu quả.
Hình 1.1. Minh họa về sự biến thiên của dữ liệu theo thời gian [7]
Trong Hình 1.1 là một mô tả về sự biến thiên của các giá trị dữ liệu theo trục thời gian. Sự biến thiên này là phi tuyến và không có một quy luật cụ thể, do đó cần xây dựng một công cụ tích hợp với tri thức để tiên lượng của các giá trị này trong tương lai.
1.5.2. Mạng nơron ANN
Luận văn tiếp cận một công cụ dự báo giá cổ phiếu trên cơ sở mạng ANFIS.
Do đó, mạng nơron ANN là một đối tượng nghiên cứu không thể thiếu bởi vì mạng ANFIS là sự kết hợp giữa mạng nơron nhân tạo và hệ suy luận mờ. Trong luận văn sẽ khảo sát mạng nơron nhân tạo ANN để từ đó làm cơ sở đề xuất mô hình dự báo cải tiến. Các phương pháp huấn luyện và phương pháp kiểm thử trên mô hình đề xuất của luận văn cũng có nguồn gốc từ mạng nơron nhân tạo ANN truyền thống. Vì vậy, đối tượng nghiên cứu thứ hai của luận văn đó là mạng nơron nhân tạo truyền thống, các tính chất của mạng nơron, các phương pháp huấn luyện, kiểm thử của mạng nơron cũng sẽ lần lượt được khảo sát.
Hình 1.2. Mô tả mạng nơron truyền thẳng 3 lớp
1.5.3. Hệ suy luận mờ Takagi-Sugeno
Trong hệ suy luận ANFIS cần nội suy các giá trị đầu vào để tạo thành giá trị đầu ra. Các giá trị đầu vào thuộc về tập các giá trị rõ sau đó thực hiện mờ hóa nhằm áp dụng các phương pháp nội suy mờ để có được kết quả là giá trị mờ, từ đó thực hiện phương pháp khử mờ để tìm ra giá trị rõ đầu ra tương ứng.
Nhằm giảm thời gian khử mờ, trong luận văn áp dụng phương pháp suy luận mờ Takagi-Sugeno để tìm trực tiếp giá trị rõ đầu ra mà bỏ qua công đoạn khử mờ. Vì vậy, phương pháp suy luận mờ Takagi-Sugeno là một trong những đối tượng nghiên cứu chính của luận văn để từ đó áp dụng phương pháp này để nội suy kết quả đầu ra.
Hình 1.3. Minh họa quá trình suy luận mờ [16]
Trong Hình 1.3 mô tả quá trình suy luận mờ cơ bản bao gồm giá trị đầu vào, sau đó thực hiện mờ hóa giá trị đầu vào. Bước quan trọng tiếp theo đó là thực hiện cơ chế suy luận mờ dựa trên cơ sở luật mờ để tạo ra giá trị mờ đầu ra.
Bước sau cùng của hệ thống suy luận mờ này là thực hiện quá trình khử mờ để tìm giá trị rõ đầu ra tương ứng. Trong luận văn áp dụng phương pháp suy luận mờ Takagi-Sugeno, nên tìm ra trực tiếp các giá trị rõ đầu ra mà không cần giai đoạn khử mờ. Phương pháp suy luận mờ này về cơ bản tuân thủ các quy tắc của mô hình suy luận mờ, nhưng bỏ qua công đoạn khử mờ của kết quả đầu ra bởi vì tìm được trực tiếp kết quả của giá trị rõ.
Tuy nhiên, phương pháp Takagi-Sugeno cần phải tìm ra bảng hệ số suy luận mờ để làm tiền đề cho phương pháp suy luận nhằm có được kết quả đầu ra. Việc tìm hệ số suy luận này được thực hiện dựa trên quá trình huấn luyện mạng neuro-fuzzy ANFIS trên cơ sở phương pháp huấn luyện mạng nơron nhân tạo ANN.
1.5.4. Mạng hệ suy luận mờ ANFIS
Luận văn tiếp cận bài toán dự báo giá cổ phiếu từ dữ liệu quá khứ bằng phương pháp suy luận mờ dựa trên mạng neuro-fuzzy ANFIS. Trong cách tiếp cận này, luận văn thực hiện cải tiến mô hình mạng neuro-fuzzy ANFIS nhằm phù hợp với dữ liệu giá chứng khoán Cophieu68 dưới dạng dữ liệu chuỗi thời gian. Để thực hiện được vấn đề này, đối tượng nghiên cứu quan trọng nhất đó là mô hình mạng ANFIS truyền thống để từ đó xây dựng mô hình cải tiến và thiết kế mô hình ứng dụng nhằm tạo ra một công cụ dự báo giá cổ phiếu cho cộng đồng.
Hình 1.4. Minh họa mô hình mạng ANFIS [16]
Trong Hình 1.4 mô tả một mạng neuro-fuzzy ANFIS cơ sở bao gồm một lớp đầu vào là một vector các giá trị rõ. Sau đó, dựa trên mô hình này thực hiện quá trình mờ hóa và tạo ra các trọng số mờ tương ứng để từ đó tổng hợp dựa trên các hệ số suy luận mờ nhằm tạo ra giá trị rõ đầu ra.
Quá trình mờ hóa được thực hiện có thể bằng nhiều phương pháp mờ hóa khác nhau như dùng tập mờ tam giác, tập mờ hình thang, tập mờ dạng hình chuông,… Việc suy luận mờ để tạo kết quả đầu ra được ứng dụng phương pháp suy luận mờ Takagi- Sugeno. Nếu giá trị suy luận mờ này so với giá trị thực tế có hàm lỗi chưa thỏa mãn điều kiện hội tụ thì quá trình này thực hiện quay lui nhằm huấn luyện mạng neuro-
fuzzy để tinh chỉnh tập các giá trị trọng số mờ nhằm tìm ra giá trị đầu ra gần với giá trị thực tế nhiều nhất có thể. Sau khi quá trình huấn luyện hội tụ, mạng neuro-fuzzy đã có được tập các hệ số suy luận mờ tương ứng. Trên cơ sở các hệ số suy luận mờ này, mạng neuro-fuzzy áp dụng cho quá trình kiểm thử để có được kết quả đầu ra tương ứng.