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, Prentice Hall,NewJersay, 1999.
[5]. C.T.Lin and C.S.G. Lee, Neural Fuzzy Systems, Prentice Hall, London, 1996. [6]. J.S.R.Jang,C.Ị Sun and ẸMizutani, Neuro-fuzzy and soft computing : a
computational approach to learning and machine intelligence, Prentice-Hall, NJ , 1997.
[7]. Eleftherios Giovanis, Application of adaptive neuro-fuzzy inference system in interest rates effects on stock returns, Indian Journal of Computer Science and Engineering (IJCSE)
[8]. Bui Cong Cuong, Pham Van Chien, an experiment result based on adaptive neuro-fuzzy, Inference system for stock price predict on, journal of computer science and cybernetics, v.27, n.1 (2011), 51–60
[9]. P.C. Chang and C. H. Liu, A TSK type Fuzzy Rule Based System for stock price prediction, Expert Systems with Applications 34 (2008) 135-144.
[10]. S.H. Chun and S.H. Kim, Data mining for financial prediction and trading: application to single and multiple markets, Expert Systems with Applications 26 (2004) 131-139.
[11]. B.C. Cuong and N.D. Phuoc ( Eds.), Fuzzy Systems, Neural Networks And Applications, Second Ed., Science and Technology Pub., Hanoi, 2006. [12]. B.C. Cuong and T.D. Hoan, A neural fuzzy system and a soft computing
procedure for predicting exchange rate, The Proceedings of the 20th Scientific Conference, Section: Applied Mathemtics and Informatics, Hanoi University of Technology, 2006 (pp.9-13).
Số hóa bởi trung tâm học liệu http://lrc.tnụedụvn/
[13]. B.C. Cuong, L.Q. Phuc and N.T.Ạ Binh, A Combination of context-fuzzy clustering method an learning with forgetting algorithm in a neural network model to generating fuzzy rules, Jour. Of Computer Science and Cybernetics 24 (4) (2008) 295-306.
[14]. ẸH. Ruspini, P.P. Bosnissone, and W. Pedrycz ( Eds.), Handbook of fuzzy computation, Institute of Physics Pub. , Bristone, 1998.
[15]. R.Zemouri, D.Racoceanu and N. Zerhouni, Recurrent radial basis function network for time-series prediction, Engineeering Applications and Artifical Intelligence 16 (2003) 453-463.
[16]. Jang, J.-S.R. (1993): ANFIS: Adaptive-Network-based Fuzzy Inference Systems. IEEE Transactions on Systems, Man, and Cybernetics, 23(3), pp. 665-685
[17]. Glosten, L. R., Jagannathan, R., Runkle, D. Ẹ (1993): On the Relationship Between the Expected Value and the Volatility of the Nominal Excess Returns on Stocks. Journal of Finance, 48, pp. 1779-1801
[18]. Fama, Ẹ (1981). Stock Returns, Real Activity, Inflation and Moneỵ American Economic Review,71, pp. 545-565
* Website:
[19]. http://www.cophieu68.vn/export.php [20]. http://vietstock.vn/
[21]. http://www.mathworks.com/help/fuzzy/anfis.html