Phân tích cơ bản
Loại này nhằm vào các chỉ số hoạt động của công ty đăng ký cổ phiếu: thu nhập, doanh thu, tài sản có, tài sản nợ, luồng tiền mặt, tỷ suất lợi nhuận và nhằm vào các chỉ tiêu kinh tế chung nhất của từng nghành kinh tế và của toàn nền kinh tế mà chủ yếu là chu kỳ kinh tế. Phân tích cơ bản nhằm dự đoán sự thay đổi điều kiện kinh tế, môi trƣờng kinh tế để đƣa ra quyết định thời điểm mua hoặc bán một chứng khoán cụ thể.
Số hóa bởi trung tâm học liệu http://lrc.tnụedụvn/
Phân tích kỹ thuật
Loại phân tích này chú trọng đến diễn biến của giá cả và khối lƣợng giao dịch trong quá khứ và từ đó sử dụng các kỹ thuật dự đoán giá cả theo đồ thị của một loại chứng khoán. Phân tích cơ bản nhằm chọn ra một chứng khoán thích hợp cho mua hoặc bán, trong khi phân tích kỹ thuật xác định thời điểm đầu tƣ vào chứng khoán.
3.1.4 Xác định giá mở cửa của thị trường chứng khoán
Trong một ngày giao dịch của thị trƣờng chứng khoán vấn đề xác định giá mở cửa (Open Price) rất quan trọng đối với trung tâm giao dịch chứng khoán và nhà đầu tƣ chứng khoán (mua bán cổ phiếu).
Trong phân tích dự báo chứng khoán, giá mở cửa (Open Price) đƣợc thực hiện nhƣ sau:
Khớp giá định kỳ: Khớp giá trƣớc giờ mở cửa
Trƣớc giờ mở cửa, sau khi tập hợp các lệnh bán và lệnh mua (với giá chào mua và giá chào bán khác nhau, khối lƣợng mong muốn giao dịch khác nhau) và xác định giá mở cửa là giá mà tại đó khối lƣợng chứng khoán giao dịch đƣợc là lớn nhất. Giá này thỏa mãn nhu cầu của ngƣời đặt lệnh, nghĩa là không ai phải bán rẻ hơn giá chào bán của mình, không ai phải mua đắt hơn giá chào mua của mình. Quá trình này gọi là khớp giá.
Giá tham chiếu:
Ngoài ra, giá đóng cửa (Close Price)của thị trƣờng chứng khoán ngày hôm trƣớc sẽ đƣợc tham chiếu để xác định giá mở cửa (Open Price) ngày hôm sau, tham chiếu ở đây là mang tính gián tiếp vì ngƣời thực hiện việc tham chiếu này là ngƣời đặt lệnh mua và bán, cách khớp giá để tìm ra giá mở cửa là khớp lệnh định kỳ, còn từ đó về sau là khớp giá liên tục.
Giá đóng cửa ngày hôm trƣớc rất quan trọng để xác định giá mở cửa ngày hôm sau, tuy nhiên theo sơ đồ sau (biểu diễn giá chỉ số chứng khoán VNINDEX trong ngày) chúng ta thấy thông thƣờng hai giá trị này khác nhau, vì vậy xây dựng mô hình dự báo giá mở cửa của thị trƣờng chứng khoán là vấn đề cần đƣợc giải quyết.
Số hóa bởi trung tâm học liệu http://lrc.tnụedụvn/
Hình 3.1 Ví dụ đồ thị biểu diễn chỉ số VNINDEX trong một ngày
3.2 Ứng dụng của mạng ANFIS trong việc dự báo chỉ số chứng khoán
3.2.1 Xây dựng mô hình hệ thống
- Input: Mô hình ANFIS đƣợc sử dụng trong chƣơng trình gồm có 5 đầu vào, số hàm thuộc cho mỗi input là:
Open Price: 3 hàm thuộc Close Price: 3 hàm thuộc High Price : 3 hàm thuộc Low Price : 3 hàm thuộc Volume : 5 hàm thuộc
- Output:Một nút output là giá mở cửa của ngày kế tiếp
Mô hình ANFIS đƣợc sử dụng trong hệ thống dự báo chứng khoán của đề tài gồm 405 luật. Số hàm thuộc cho 4 input đầu là 3, số hàm thành viên cho input thứ 5 (Volume) là 5. Sự biến đổi giá chứng khoán là lên, xuống và phẳng lặng cho nên số hàm thuộc đƣợc chọn cho dữ liệu cho các đầu vào này là 3. Trong khi đó số phiên giao dịch có nhiều mức thay đổi nên số hàm thuộc đƣợc chọn là 5.
3.2.2 Vấn đề xác định các quan hệ dữ liệu
Tạo ra một mô hình ANFIS bao gồm những phán đoán về các mối quan hệ trong thế giới thực, sau đó kiểm tra xem phán đoán đó có đủ chính xác hay có ích
Số hóa bởi trung tâm học liệu http://lrc.tnụedụvn/
không. Bản chất thống kê của các quan hệ tài chính là khó hoặc không thể biết khi nào thì tìm đƣợc mô hình tốt nhất. Bản chất động của các quan hệ tài chính cũng làm rắc rốì mô hình thống kê khi các mối quan hệ trên thị trƣờng có thể thay đổi theo thời gian.
Thiết kế đƣa ra bao gồm các định nghĩa về những gì có thể dự đoán trƣớc (biến độc lập) cũng nhƣ quyết định xem các đầu vào nào (các biến phụ thuộc) đƣợc dùng để dự đoán. Hai tập này đƣợc định nghĩa càng chính xác càng tốt. Ví dụ, biến độc lập có thể đƣợc định nghĩa là phần trăm thay đổi trong giá cả của chỉ số chứng khoán VNINDEX trong chu kỳ thời gian là 1 tuần và các biến phụ thuộc đƣợc định nghĩa là mỗi giá trị 5 ngày trƣớc đó.
Nếu có thể, tất cả các biến độc lập và không độc lập, đƣợc biểu diễn thành các số hạng vô hƣớng. Chẳng hạn, dùng tỉ số giá-lợi tức là một số vô hƣớng, hơn là dùng lợi tức, có chiều là đơn vị tiền tệ đô la (dollar). Tƣơng tự, sự thay đổi nên đƣợc biểu diễn bằng phần trăm .
Việc dự đoán mức thay đổi trung bình của giá cả cuối cùng hàng ngày dễ dàng hơn dự đoán mức thay đổi thô của giá cả. Tuy nhiên, các dấu hiệu rút ra từ việc dự đoán mức thay đổi trung bình cần phải đƣợc kiểm tra kĩ càng so với giá giao dịch thực sự để xem việc kinh doanh có mang lại lợi nhuận hay không.
Một vấn đề quan trọng trong việc tổ chức dữ liệu đầu vào là kích thƣớc dữ liệu nên dùng là bao nhiêủ Thông thƣờng dữ liệu đƣợc chia ra thành 2 tập nhƣ sau: Tập dữ liệu huấn luyện và tập dữ liệu test.
Hai vấn đề cần phải làm khi quyết định cần có bao nhiêu điểm dữ liệu là : tính đầy đủ của dữ liệu và khoảng thời gian thích hợp. Dữ liệu phải đƣợc tổ chức để cân bằng giữa 2 khía cạnh nàỵ
Tập huấn luyện phải bao gồm các trƣờng hợp của quá trình quan sát, nhận xét thấy trƣớc trong tƣơng laị Ví dụ, để có tín hiệu mẫu một tình huống giống tháng 09/2013, phải có những quan sát giống với khoảng thời gian trong tập huấn luyện.
Mặt khác, quá nhiều dữ liệu có thể làm ảnh hƣởng đến mô hình. Nếu quan hệ đƣợc mô hình hóa thay đổi theo thời gian, các quan sát, nhận xét cũ hơn không
Số hóa bởi trung tâm học liệu http://lrc.tnụedụvn/
đóng góp đƣợc gì cả, thậm chí còn gây ra những lỗi sai trong mô hình. Để quá trình mô hình hóa thành công, các mối quan hệ cơ bản trong thế giới thực phải đƣợc giữ lại trong suốt thời gian đƣợc mô hình hoá.
Một số vấn đề quan tâm ở đây là: Để dùng nhiều biến độc lập, phải có nhiều quan sát để mô hình không tràn dữ liệụ Nếu dùng nhiều quan s á t, các mối quan hệ cơ bản sẽ không đổị Nếu quan hệ này đƣợc thiết lập, mô hình sẽ chính xác khoảng thời gian dài cho đến khi một số vấn đề trong quan hệ thay đổị Giới hạn số quan sát sẽ giới hạn số biến độc lập. Và các quan sát liên quan đến các quan hệ phải đúng đắn. Nếu mô hình gần đúng với quan hệ trong một khoảng thời gian ngắn, nó phải đƣợc huấn luyện lại hoặc xây dựng lại theo định kỳ.
Dữ liệu cuối ngày cung cấp cho các mô hình thƣờng đƣợc dùng mọi lúc trừ thời gian trong ngày (intra-day). Giao dịch trong ngày (Intra-day trading) đòi hỏi từng khoảng khắc một hoặc những nhịp thời gian rất ngắn của các thông tin giá cả, khối lƣợng và lợi tức của các giao dịch đang tiến hành và bất cứ biến số nào dùng mô tả thị trƣờng. Dữ liệu cuối ngày trong luận văn này đƣợc lấy từ website
Dữ liệu đƣợc lấy từ thời gian 01/2003 đến 09/2013. Để huấn luyện dùng dữ liệu đến 06/2013 và phần dữ liệu còn lại dùng để kiểm tra và phân tích so sánh. Nếu cần thiết chuyển dữ liệu báo cáo thành những khoảng thời gian dài hơn (nhƣ hàng tháng) hoặc ngắn hơn (hàng ngày) thành những khoảng có chiều dài sẽ đƣợc dùng trong mô hình (hàng tuần), sắp xếp mọi dữ liệu theo thứ tự thời gian và kiểm tra xem tất cả các biến có cùng số data points và tất cả thời điểm thích hợp với nhau hay không. Không đƣợc thừa hoặc thiếu các giá trị. Cũng phải xác minh xem mỗi nhận xét (row) đại diện cho một tập các dữ liệu có sẵn sàng cùng một lúc hay không.
3.2.3. Biến đổi và tiền xử lý dữ liệu
Dữ liệu thô thƣờng đƣợc biến đổi trƣớc khi đƣa chúng vào hệ thống ANFIS. Mục đích của việc biến đổi là tăng hiệu quả của thông tin trong chuỗi thời gian đƣợc biến đổị Các biến đổi điển hình bao gồm tính toán các tỉ số khác nhau, san
Số hóa bởi trung tâm học liệu http://lrc.tnụedụvn/
bằng chuỗi bằng cách tính toán các giá trị trung bình động, xác định tỉ lệ phóng to thu nhỏ và tiêu chuẩn hóạ Dữ liệu gồm 6 cột đại diện cho giá cả và số lƣợng theo dạng thức sau:
< OPEN >< CLOSE >< HIGH >< LOW >< VOLUME ><OUT>
Dữ liệu đƣợc chuẩn hóa trong [0,1] trong đó 1 biểu diễn giá trị lớn nhất của dữ liệu
(3.1)
Trong đó Xnorm là giá trị đƣợc chuẩn hóa; Xmax là giá trị lớn nhất của dữ liệu, Xmin là giá trị nhỏ nhất.
Đây là các dữ liệu quan trọng trong một ngày giao dịch chứng khoán. Dựa trên các dữ liệu input này ANFIS sẽ cho ra giá mở cửa của ngày hôm saụ
3.3 Chƣơng trình thử nghiệm
3.3.1 Các chức năng của chương trình
Chƣơng trình đƣợc thiết kế trên môi trƣờng Matlab với giao diện đồ họạ Chƣơng trình có một số chức năng chính sau:
-Chức năng nhập dữ liệu: cho phép ngƣời sử dụng nhập dữ liệu để huấn luyện mạng, dữ liệu để kiểm tra đánh giá, dữ liệu vào để tiên đoán giá mở cửa của ngày tiếp theọ Các mẫu dữ liệu này đƣợc lƣu trữ trong file „vnindex.xls‟.
-Chức năng huấn luyện mạng : chức năng này để ngƣời sử dụng huấn luyện mạng dựa trên tập dữ liệu đầu vàọ
-Chức năng hiển thị: cho phép hiển thị các thông tin bao gồm: dữ liệu đầu vào, dữ liệu kiểm tra, dữ liệu tiên đoán,…trên các bảng dữ liệu, hiển thị đầu ra thực tế, đầu ra do tiên đoán trên đồ thị và trên bảng
Số hóa bởi trung tâm học liệu http://lrc.tnụedụvn/
3.3.2 Giao diện chương trình
Hình 3.2 Giao diện chương trình
Các bƣớc thực hiện: Bƣớc 1: Nhập dữ liệu
Dữ liệu phục vụ chƣơng trình đƣợc chứa trong file vnindex.xls , trong đó có dữ liệu phục vụ huấn luyện và dữ liệu phục vụ kiểm trạ
Số hóa bởi trung tâm học liệu http://lrc.tnụedụvn/ Bƣớc 2: Thiết lập các thông số cho hệ suy diễn mờ
Hình 3.4 Cấu hình cho fis
Những thông số này bao gồm số lƣợng hàm thành viên cho mỗi đầu vào, kiểu toán tử T-norm, kiểu hàm thuộc đầu ra, kiểu hàm thuộc các đầu vàọ Với cách lựa chọn thông số nhƣ hình 3.3 thì 4 đầu vào có số lƣợng hàm thuộc là 3 đầu vào cuối cùng có số hàm thuộc là 5. Nếu tất cả các đầu vào có cùng số lƣợng hàm thành viên thì chỉ cần nhập một số . Tƣơng tự nhƣ vậy đối với kiểu hàm thuộc của các đầu vàọ Trong trƣờng hợp ở hình trên tất cả các đầu vào đều có cùng hàm thuộc kiểu chuông (gbell)
Bƣớc 3: Huấn luyện (dạy học) và kiểm tra
Hình 3.5 Các tham số huấn luyện
Để thực hiện việc huấn luyện cần lựa chon thuật toán huấn luyện, bƣớc học và sai số, số epoch, các thông số khác lấy giá trị mặc định. Khi huấn luyện xong mạng ANFIS đƣợc kiểm tra bởi một bộ dữ liệu mẫu, việc kiểm tra này cho ta biết sai số giữa đầu ra tiên đoán và đầu ra thực tế. Kết quả kiểm tra đƣợc hiển thị dƣới dạng đồ thị và dƣới dạng bảng số liệụ
Số hóa bởi trung tâm học liệu http://lrc.tnụedụvn/
Hình 3.6 Kết quả kiểm tra
Đầu ra Thực tế Đầu ra Thực tế 471.3 472.8 493.4 492.7 465.9 473.8 494.6 494.4 470.8 469.6 490.0 493.3 479.0 473.3 489.0 490.9 486.5 482.5 485.4 488.1 483.4 487.2 488.5 485.8 490.7 485.3 491.6 493.8 499.2 496.1 493.7 493.5 502.9 499.8 500.5 494.7 510.1 504.8 507.5 503.7 511.4 509.6 506.0 506.2 510.0 507.3 501.8 505.1 509.1 508.2 497.4 499.6 498.6 505 495.9 495.7 498.9 498.5 495.3 496.4 499.1 499.5 495.4 494.7 500.0 501.4 488.1 496.1 499.1 498.9 482.8 485.1 497.3 499.5 485.3 484.4 492.7 496.9 481.9 487.8
Số hóa bởi trung tâm học liệu http://lrc.tnụedụvn/
Ngƣời dùng có thể lựa chọn và hiển thị những dữ liệu mà mình muốn trên bảng thông qua giao diện
Hình 3.7 Lựa chọn hiển thị
Các thông tin về ANFIS đƣợc hiển thị thông qua giao diện sau:
Số hóa bởi trung tâm học liệu http://lrc.tnụedụvn/
3.3.3 Đánh giá kết quả thực hiện chương trình
3.3.3.1. Ưu điểm
Bằng cách sử dụng giải thuật học lai, kiến trúc ANFIS có thể tinh chỉnh đƣa ra các luật mờ If then thay vì chúng đƣợc cung cấp từ các chuyên gia trong các hệ thống phức tạp.
Nếu không có sẵn tri thức của các chuyên gia, chúng ta có thể khởi tạo các hàm thành viên bằng trực giác hợp lý và bắt đầu quá trình học để sinh ra tập các luật mờ if then nhằm xấp xỉ một tập dữ liệu mong muốn.
Sử dụng giải thuật học lai làm cho hệ thống hội tụ nhanh nhƣng vẫn đảm bảo độ chính xác mong muốn.
Vấn đề xác định số nút ẩn không yêu cầu đặt rạ
3.3.3.2. Hạn chế
Hệ thống ANFIS chỉ có một đầu ra vì vậy chỉ đƣợc áp dụng trong các hệ thống xấp xỉ hoặc dự báo của các hàm phi tuyến chỉ có một đầu rạ
Số hàm thành viên đƣợc kết hợp với mỗi input đƣợc gán từ thời điểm ban
đầu, trong quá trình huấn luyện không điều chỉnh đƣợc, vấn đề chọn hàm thành viên đóng vai trò quan trong trong việc xây dựng hệ thống ANFIS.
Số hóa bởi trung tâm học liệu http://lrc.tnụedụvn/
KẾT LUẬN
Phân tích dự báo nói chung và phân tích dự báo các chỉ số kinh tế nói riêng là bài toán đƣợc nhiều ngƣời quan tâm. Luận văn tốt nghiệp “Mạng nơ ron thích nghi mờ ANFIS và ứng dụng” đã giải quyết đƣợc một số công việc sau:
- Về mặt lý thuyết
+ Chắt lọc và hệ thống hóa các lý thuyết liên quan đến mạng nơ ron, hệ suy diễn mờ và các mô hình kết hợp giữa chúng. Nêu rõ cấu trúc mạng ANFIS, các thuật toán huấn luyện.
+ Khái quát các kiến thức cơ bản về thị trƣờng chứng khoán, về bài toán dự báo chỉ số chứng khoán
- Về mặt thực nghiệm
+ Xây dựng mô hình mạng ANFIS cho bài toán dự báo chỉ số VNINDEX với 5 đầu vào, một đầu ra
+ Thu thập dữ liệu, tiền xử lý dữ liệu phục vụ việc huần luyện và kiểm tra + Cài đặt mô hình mạng ANFIS trên môi trƣờng matlab
Chƣơng trình thực nghiệm chạy cho kết quả dự đoán khá chính xác. Để có kết quả dự báo chính xác hơn hƣớng nghiên cứu tiếp theo là:
+ Nghiên cứu sự ảnh hƣởng của các chỉ số khác đến chỉ số VNINDEX nhƣ giá vàng, giá xăng, tỉ giá USD/VND.. từ đó xem xét bổ sung , điều chỉnh đầu vào của hệ thống.
+ Phân tích dữ liệu loại bỏ những mẫu dữ liệu cực đoan để có đƣợc tập dữ liệu tốt phục vụ huấn luyện.
Số hóa bởi trung tâm học liệu http://lrc.tnụedụvn/
TÀI LIỆU THAM KHẢO
* Tiếng Việt:
[1]. Lê Bá Dũng, Bài giảng mạng Nơron và ứng dụng lớp Cao học Thái Nguyên, 2012. [2]. Bùi Công Cƣờng, Nguyễn Doãn Phƣớc, Hệ thống mạng Nơron mờ và ứng
dụng, NXB Khoa học và Công nghệ , 2006.
[3]. Nguyễn Nhƣ Hiền, Lại Khắc Lãi, Hệ mờ và nơ-ron trong kỹ thuật điều khiển, NXB Khoa học tự nhiên và công nghệ, 2007
* Tiếng Anh:
[4]. S.Haykin, Neural Networks: A Comprehensive Foundation, Second Edition,