1
THÔNGTINLÊNMẠNGNHỮNGĐIỂMMỚICỦALUẬNÁNTIẾNSĨ
· Nghiêncứusinh: LêĐạtChí
· Tênluậnán:“Ứngdụngmôhìnhmạngthầ nkinhnhântạotrongdựbáokinhtế
TrườnghợpthịtrườngchứngkhoánViệtNam”
· Ngànhkhoahọccủaluậnán:Kinhtếtàichính –ngânhàng,mãsố:62.31.12.01
· Tênđơnvịđàotạo:TrườngĐạihọcKinhtếTP.HồChíMinh
Nhữngđiểmmớicủaluậnán:
Quanhữngnghiêncứutrướcđâydựatrêncácmôhìnhhồiquytuyếntínhvàphituyếnđể
phântíchvàdựbáothịtrườngchứngkhoánViệtNam,gầnnhưchưacómộtmôhìnhnàocho
thấykhảnăngdựbáothịtrườngchứngkhoánViệtNam,điềunàyđặtracholuậnánmộtsố
câuhỏi:phảichăngthịtrườngchứngkhoánViệtNamlàkhôngthểdựabáotrướccácbiến
giảithíchhiệnhữu?hoặcphảichăngmôhình tiếpcậnđểphântíchvàdựbáogiáchứngkhoán
làkhôngphùhợpvớiđặcđiểmcủathịtrường,củabiếndựbáo? Quaquátrìnhtìmhiểu,
nhữngcôngtrìnhnghiêncứutrênthếgiớivềlĩnhvựcphântíchvàdựabáo,Luậnánchọnmô
hìnhmạngthầnkinhnhântạo(ANN).NhữngluậncứcủamôhìnhmạngANNphùhợpvới
biếnnghiêncứu(biếnđộngcủathịtrườngtàichínhmangtínhphituyến(Bollerslev(1986),
Fangvà cộng sự (1994),…), Chatterjee và cộng sự (2000) cung cấp một tổng quan về hệ
thốngANNvàphạmvisửdụngrộngrãicủachúngtrênthịtrườngtàichính…làmnhững
bằngchứngthựcnghiệmtốtchoquátrìnhnghiêncứumôhìnhmạngANN.Đồngthời,quá
trìnhnghiêncứu mạngANNtrongviệcứngdụngvàothịtrườngtàichínhkhôngyêucầu
nhữnggiảđịnhnghiêmngặtnhưmôhìnhhồiquy.Điềunàychothấy,tínhhấpdẫncủamô
hìnhANNvớiđặcđiểmcủathịtrườngtàichínhnhấtlànhữngthịtrườngcủanhữngnềnkinh
tếmớinổinhưViệtNam.Dođó,luậnántậptrungnghiêncứukhảnăngứngdụngmôhình
ANNtrongdựbáothịtrườngchứngkhoánViệtNam.
Dựatrênmụctiêunghiêncứucủaluậnán:
1. KhảnăngứngdụngmôhìnhANNtrongdựbáogiáchứngkhoántrênthịtrường
chứngkhoánViệtNam.
2. LựachọncấutrúcmạngANNphùhợptrongdựbáogiáchứngkhoán.
3. HiệuquảứngdụngmôhìnhANNtốthơnmôhìnhhồiquytuyếntính.
4. Tìm ra nhóm biến có thể giúp dự báo giá chứng khoán trên thị trường chứng
(6). Trongquátrìnhtìmkiếm,khảosátcácnhómbiến,luậnánđãpháthiệnratính
chấthànhvicủanhàđầutưtồntạikhámạnhmẽ,điềunàyđãtácđộngđếnquá
trìnhbiếnđộnggiáchứngkhoántrênthịtrườngchứngkhoánViệtNam.Quátrình
phântíchnàycũngtrùnghợpvớinhữngnghiêncứutrướcđâyvềsựtồntạihành
vicủanhàđầutưtrênthịtrườngchứngkhoán,chínhhànhvinàyquyếtđịnhnên
xuhướngbiếnđộngtronggiáchứngkhoánmàchưacómôhìnhnàođolườngđể
dựbáo.Nhưvậy,nhữngthịtrườngmànơiđóyếutốhànhvicủaconngườiquyết
địnhnênxuhướngcủasựthayđổithìkhảnăngứngdụngmôhìnhANNcàngtỏ
rotínhhiệuquảvàsựvượttrộicao.
Nhưvậy,dựatrêncácmụctiêunghiêncứu,luậnánđãpháthiệnranhữngkếtquảtrên.Điều
nàycungcấpthêmnhữngphươngpháp,côngcụtrongphântíchvàdựbáocácbiếnkinhtế,
điểnhìnhlàthịtrườngchứngkhoánViệtNam.
Giáoviênhướngdẫn Nghiêncứusinh
3
GS.TS.TrầnNgọcThơ LêĐạtChí
Chủtịchhộiđồngcấpcơsở
PGS.TS.PhanThịBíchNguyệt
4
MỞĐẦU
1. Tínhcấpthiếtcủaluậnán
Việc nghiên cứunhững côngcụhoặcmôhình dựbáo thị trường tài chính vànền
kinhtếcómộtlịchsửlâuđời.Phântíchchuỗithờigianlàmộttrongnhữngcáchtiếp
cậntruyềnthốngđượcsửdụngrộngrãinhấttronglĩnhvựcnày.Cóhailoạimôhình
môtảhànhvicủachuỗithờigiannhưsau.
Thứnhấtlàcácmôhìnhtuyếntính:phươngpháptuyếntínhđểphântíchchuỗithời
gianthườngđượcápdụngthôngquamộttrongnhữngkỹthuậtsauđây:
a. KỹthuậtBox Jenkins
b. BộlọcKalman
c. LýthuyếtsanbằnghàmmũcủaBrown
d. Hồiquymẫunhỏ
quanvềhệthốngANNvàphạmvisửdụngrộngrãicủachúngtrênthịtrườngtài
chính.CôngtrìnhcủahọthảoluậnvềưuđiểmvượttrộicủaANNsovớicácphương
pháptruyềnthống.Nghiêncứukếtluậnvớimộtmôtảvềviệcsửdụngthànhcông
ANN bởi nhiều tổ chứctàichính trong việcdự báo giá chứng khoán. Trong sách
NeuralNetworkchodựbáotàichínhcủaEdwardGately,môtảphươngphápchung
để xây dựng, huấn luyện, và kiểm tra một ANN bằng cách sử dụng phần mềm
thươngmạihiệnhữu.Luậnánsẽtậptrungvàophươngphápnàyđểtriểnkhaiquá
trìnhphân tích vàdựbáogiáchứngkhoántrên thị trườngchứngkhoán ViệtNam
như là một minh chứng cho khả năng ứng dụng của ANN trong dự báo kinh tế.
Khôngchỉtronglĩnhvựcdựbáogiáchứngkhoán,luậnáncònmongmuốnsửdụng
phươngpháp ANN ápdụng cho các lĩnh vực tài chính vànền kinh tếnhư làmột
côngcụdựbáohỗtrợchocácphươngpháptruyềnthống.Chínhvìvậy,tácgiảchọn
đềtàivớitêngọi“Ứngdụngmôhìnhmạngthầnkinhnhântạotrongdựbáokinhtế –
TrườnghợpthịtrườngchứngkhoánViệtNam”làmnộidungnghiêncứucholuậnán
tiếnsĩcủamình.
2. Tìnhhìnhnghiêncứuliênquanđếnnộidu ngluậnán
TừnhữngnghiêncứusơkhaicủaMcCullochvàPittstrongnhữngnăm1940,trải
qua nhiều năm phát triển, chođến hơn10 năm trở lại đây cùng với sự phát triển
mạnhmẽcủangànhcôngnghệthôngtintrongviệcxửlýdữliệuchocảphầncứng
vàphầnmềmđãgiúpcàiđặtnhữngứngdụngphứctạpcủalýthuyếtmạngthầnkinh
nhântạo.Lýthuyếtmạngthầnkinhnhântạonhữngnămgầnđâymớithựcsựđược
chú ý vànhanh chóng trở thànhmộthướngnghiên cứu đầytriển vọng trongmục
đíchxâydựngmôhìnhmôphỏngtheotrítuệconngười. Sứcmạnhthuộcvềbảnchất
tính toán của các thuật toánmạng, song những nghiên cứu thực nghiệm đã thành
6
côngtrongnhiềulĩnhvực,nhữngnghiêncứuthựcnghiệmtronglĩnhvựctàichính
cũngđượcsựquantâmvàchoranhiềukếtquảtốtởnhữngnềnkinhtếkhácnhau.
Từnhữngnghiên cứuviệc ứngdụngANN để phân tích nhữngchuỗidữ liệu thời
giannênđượcthựchiệndựatrêntrấutrúcANNnàochocácchỉtiêudựbáonhưtăng
trưởngkinhtế, biếnđộngtỷgiáhốiđoái,vàthậmchílàgiáchứngkhoántrêncácthị
lờicáccâuhỏinghiêncứusauđây:
(1). MôhìnhmạngANNlàgìvàcơ chếvậnhành củanónhưthếnào trongthị
trườngtàichính?
(2). Nhữngquanđiểmvàbằngchứngthựcnghiệmtrongviệcứngdụngmôhình
ANNtrongphântíchvàdựbáotrênthịtrườngtàichính?
(3). Khả năng ứng dụng mô hình ANN trong dựbáo giá chứng khoán trên thị
trườngchứngkhoánViệtNam?
(4). CấutrúcmạngANNnàosẽthíchhợpđểdựbáogiáchứngkhoán?
(5). LiệukhảnăngứngdụngmôhìnhANNtrongdựbáogiáchứngkhoántrênthị
trường chứngkhoán ViệtNamcótínhhiệuquảhơnmôhìnhhồiquytuyến
tínhtruyềnthống?
(6). NếumôhìnhANNtốthơnthìnhữngbiếngiảithíchnàosẽgiúpchochúngta
sửdụngđểphântíchvàdựbáogiáchứngkhoántrênthịtrườngchứngkhoán
ViệtNam?
Việcgiảiquyếtcácmụctiêunghiêncứutrênchothấygiátrịhiệuquảcủamôhình
ANNtrongviệcứngdụngmôhìnhnàytrongphântíchvàdựbáocácbiếnkinhtế.
Chínhvìvậy,cácchủthểliênquantrongnềnkinhtếbaogồmcácnhànghiêncứuvà
các nhà thực hành sẽ áp dụng mô hình ANN để thay thế hoặc bổ sung cho các
phươngpháphồiquy.
4. Phươngphápnghiêncứu
Đểgiảiquyếtcácnộidungnghiêncứunêutrên,tácgiảluậnánđãsửdụngphương
phápđịnhlượngdựatrênviệcnghiêncứunhữngthuậttoánmôphỏngcủamạngthần
kinhnhântạođểtiếnhànhlựachọncấutrúcANNthíchhợpnhằmứngdụngtrong
dựbáogiáchứngkhoán.ViệctriểnkhaiquátrìnhứngdụngmôhìnhANNtrongdự
báogiáchứngkhoántrênthịtrườngchứngkhoánViệtNamđượcdựatrênquytrình
đề xuất 8 bước của năm nhà nghiên cứu Deboeck, Masters, Blum và Nelson và
Illingworth.NgoàiraquátrìnhthửnghiệmcáccấutrúcmạngANNđượcthựchiện
dựatrênphầnmềmhỗtrợxửlýdữliệucóbảnquyềnNeuralSolution5.0.
5. Cácpháthiệnvàkếtquảnghiêncứu
Luậnáncủatácgiảđãđónggópcáckếtquảnghiêncứusau:
lạikhôngmấyhiệuquảkhiphântíchvàdựbáonhữngchỉtiêuđầytínhbiếnđộng
trongthịtrườngtàichính.Mộtphươngphápmôphỏngbộnãoconngườiđượcxây
dựngdựatrênnhữngnềntảngtiếpcậnkhácvớicácphương pháptrên.Quátrình
môphỏngnàyđượcgọilàmôhìnhmạngthầnkinhnhântạoANN.Nhữngquytắc
khiứngdụngmôhìnhANNkhôngnhưnhữngphươngphápdựatrênquanđiểmphân
phốichuẩn.QuátrìnhứngdụngmôhìnhANNdựatrênquanđiểm:cácchủthểtham
giathịtrường,quyếtđịnhxuhướngthịtrườnglànhữngnhàđầutưvớinhữnghiểu
biếtkhácnhau.Nóicáchkhác,chínhnhàđầutưkhitiếpnhậnthôngtinvàsẽđưara
quyết định trước những thông tin nàydựa trên nhữnghiểu biết và phân tích của
chínhmình.ViệcứngdụngmôhìnhANNkháphổbiếntronglĩnhvựcđiệntử,sản
xuấtrôbốthaynhưtronglĩnhvựcyhọc…QuátrìnhứngdụngmôhìnhANNtrong
thịtrườngtàichínhđểphântíchvàdựbáochỉđượcquantâmtronghơnmộtthập
niêngầnđây.Quátrìnhứngdụngnàylớnmạnhnhờsựhỗtrợcủangànhcôngnghệ
thông tin đã mang lạimột số thànhtựu nhất định về tính hiệu quả của mô hình.
Chínhvìvậy,tiếpcậnnghiêncứumôhìnhANNởViệtNamlàrấtcầnthiết.
1.1. Qua nđiểmlựac họncôngcụphâ nt íchvàdựbáo
Phươngphápphânphốichuẩnhayđườngconghìnhchuônglàmộtcôngcụphổbiến
trongviệcphântíchdữliệukinhtếtàichínhđặcbiệtlàtrongphântíchgiáchứng
khoán.Phươngphápphânphốichuẩnchínhlànềntảngtoánhọcchohọcthuyếtthị
trườnghiệuquảcủalĩnhvựctàichính.Quanđiểmcủaphươngphápphânphốichuẩn
chorằng,giáchứngkhoánlàđộclậpngẫunhiênvớinhau.Phươngphápnàygiúp
chúngtahiểumộtcáchdễdàngbằngcáchđơngiảnhóavàloạibỏnhữngyếutốtrừu
tượngmàchúngtanghĩrằngkhôngphùhợpvớihệthống.Vấnđềởđâychínhlà“sự
khôngphùhợp”.Trongthếgiớithực,nhữngthứđượcxemlà“khôngphùhợp”này
không cho thấy là không quan trọng mà hơn thế nó lại rất quan trọng. Benoit
Mandelbrot,tạitrungtâmnghiêncứucủaIBMtạiYorktownHeights,NewYork,đã
10
pháthiệnrarằng,cácconsốhoàntoànkhácsovớiquanđiểmcủaphânphốichuẩn.
“Mỗisự thayđổi giá cụthể làngẫu nhiên và không thểdựbáođược. Tuynhiên,
chuỗisựthayđổilạicósựphụthuộcnhautrongmộtphạmvi”(Gleick,1987,trang
kinhnhântạoANNđượcmôphỏngtheobộnãoconngườiđượcdùngđểdựbáo
cácbiếnkinhtếtrongthịtrườngtàichính,đặcbiệtlàgiáchứngkhoánđượcthiếtlập
trênnềntảnggiảđịnh“sựhợplýcóchừngmực”nêutrên.Dođó,luậnánsẽtiếpcận
11
việc ứng dụng mô hình ANN để dự báo giá chứng khoán trên TTCK VN nhằm
chứngminhchomụctiêunghiêncứu.
1.2. Mô hìnhmạ ngthầnkinhnhântạoANN
1.2.1. Mạngthầnkinhnhântạovàcácđặcđiểmcơbảncủabộnão
1.2.2. Nhữngyếutốtạonênmộtmôhìnhmạngthầnkinhnhântạo
Hai thànhphần chínhcấu tạonênANNlà các neuron vàcác synapse. Trong kiến
trúccủamộtmôhìnhkếtnối,cácneuronchínhlàcácnútmạng,đượcliênkếtvới
nhauthôngquacácsynpase,làcáccungmạng.
Neuronlàmộtđơnvịtínhtoáncónhiềuđầuvàovàmộtđầura,mỗiđầuvàođếntừ
mộtsynapse.Đặctrưngcủaneuronlàmộthàmkíchhoạtphituyếnchuyểnđổimột
tổhợptuyếntínhcủatấtcảcáctínhiệuđầuvàothànhtínhiệuđầura.Hàmkíchhoạt
nàyđảmbảotínhchấtphituyếnchotínhtoáncủaANN.
Synapselàmộtthànhphầnliênkếtgiữacácneuron,nónốiđầuracủaneuronnày
vớiđầuvàocủaneuronkhác.Đặctrưngcủasynapselàmộttrọngsốmàmỗitínhiệu
điquađềuđượcnhậnvớitrọngsốnày.Cáctrọngsốsynapsechínhlàcácthamsốtự
do cơ bản của ANN, cóthểthay đổi được nhằm thích nghivới môi trường xung
quanh.
Quátrìnhtíchluỹmạng(học)làmộtquátrìnhmàtrongđócácthamsốtựdo(các
trọngsốsynapse)đượcđiềuchỉnhnhằmmụcđíchthíchnghivớimôitrường.Đốivới
vấnđềhọcchoANNngườitaquantâmtớibayếutốsau:Quytắchọc,môhìnhhọc,
thuậttoánhọc.
ThuậttoánBackPropagationlàthuậttoánhọckinhđiểnnhấtvàcũngđượcápdụng
mộtcáchphổbiếnnhấtchocácmạngtiếnđamức.NóđượcxâydựngtrêncơsởQuy
tắchọchiệuchỉnhlỗivàMôhìnhhọcvớimộtngườidạy.
1.2.3. Cáchthứchuấnluyệnmộtmôhìnhmạngthầnkinh
MạngANNđượchuấnluyệnbằngcáchliêntụcđưacáccặptínhiệuđầuvàovàtín
1.2.5. Cácđặctrưngcủamôhìnhmạngthầnkinhnhântạo
· Tínhchấtphituyến
· Tínhchấttươngứng đầuvàođầura
· Tínhchấtthíchnghi
· Tínhchấtđồngdạngtrongphântí chvàth iếtkế
1.3. Mộtsốmôhìn hmạngthầnkinhnhântạođiểnhình
1.3.1. Môhìnhmạngtruyềnthẳng(FeedforwardNetworks)
1.3.2. Môhìnhmạngtruyềnthẳngđalớp(MultilayerFeedforwardNetworks)
1.3.3. Môhìnhmạnglặplại(RecurrentNetworks)
1.4. Sựvượttrộicủamôhìnhmạngthầnkinhtrongphântíchvàdựbáo
MôhìnhANNcónhữngưuđiểmsau:
· Trướctiên,ANNcóthểtínhtoándữliệuphituyến.Chúngcókhảnăngthực
hiệnmôhìnhhóaquanhệphituyếnmàkhôngcầnđếnnhữngđiềukiệncho
trướcvềmốiquanhệgiữacácbiếnđầuvàovàcácbiếnđầura.
· Môhìnhnàykhôngđưaracácgiảthiếtvềgiátrịcủacáchệsốkhiướclượng
vàquanhệhàmsốgiữabiếnphụthuộcvàbiếnđộclập.
· Bêncạnhđó,khisửdụngmôhìnhphituyến,cácnhàkinhtếthườngsửdụng
cácthuậttoánsốhọcdựatrêngiảđịnhrằngchuỗisốliệulàliêntục.Vớicác
phương phápnày, người nghiên cứu thường sẽ phảilập lại việc ước lượng
13
nhiềulầnđểchắcrằnghệsốđượcướclượngkhôngrơivàomộttrongsốcác
cựctrịcụcbộ(localoptimum).
· Thị trường tài chính của các nước có nền kinh tế mới nổi hoặc là các thị
trườngcósựthayđổivàcảitiếnmạnhmẽsẽlànơithíchhợpchocácphương
phápnày.
Tuynhiên, bêncạnhnhữngưuđiểmtrên, môhìnhANNlạicómộtsốhạnchế:
· Thứnhất,vấnđềkhógiảithíchcáctrọngsốướclượngtrongmôhìnhhaycòn
gọilàvấnđề“hộpđen –Blackbox”.
· Thứhai,việcứngdụngmôhìnhANNđòihỏikíchcỡmẫulớn.
· Thứha,việcxâydựngmộtcấutrúcANNphùhợpsẽmấtrấtnhiềuthờigian.
vậy, mụctiêucủanghiêncứunàynhằmcungcấpmộthướngdẫn mang tínhthực
nghiệmtrongthiếtkếmộthệthốngANNphụcvụchomụcđíchdựbáochuỗidữliệu
giáchứngkhoántheothờigian.Theođó,quátrình8bướccơbảntrongxâydựng
mộtANNđượctrìnhbàythôngquaviệcdựbáogiáchứngkhoántrênTTCNVN.
Một vấn đề quan trọng mà luận án tập trung giảiquyết là khả năngdự báogiá
chứngkhoánbằngmôhìnhANN?LiệumôhìnhANNchokếtquảdựbáotốthơnmô
hìnhhồiquytruyềnthống?CấutrúcmạngANNnàosẽchorakếtquảdựbáogiá
chứngkhoántốtnhất?Khikhảosátcácbiếndùngđểdựbáothìcácbiếnnàotác
độnglênsựthayđổicủagiáchứngkhoántrênTTCKVN?Nhữngvấnđềtrênđược
chứngminhtrongphầnnày.TheođóviệcdựbáogiáchứngkhoántrênTTCKVNcó
thểdựbáođượckhisửdụngmôhìnhANNvàcấutrúcmạngtruyềnthẳnglàcấu
trúc cho ra kếtquả dựbáo tốtnhất. Mặt khác,nhómbiến phảnánh tìnhhình tài
chính của các doanh nghiệp là nhóm biến tác động mạnh đến sự biến động giá
chứngkhoántrênTTCKVN.
2.1. Thiếtkếmạngthầnkinhnhântạođểdựbáogiáchứngkhoánvớinhóm
biếnkinhtếvĩmô
2.1.1. Lựachọnbiếnkinhtếvĩmôtácđộngđếngiáchứngkhoán
ĐểthànhcôngtrongviệcthiếtkếhệthốngANNphụthuộcvàokhảnănghiểubiết
củanhànghiêncứuvềvấnđềđangđượcnghiêncứu.Việcnhậnthứcđượcnhững
biếnsốnàođóngvaitròquantrọngtrongthịtrườngđangđượcdựbáolàđiềukiện
tiênquyếtvàtiênkhởitrongquytrìnhthiếtkếmộtANN.Dựatrênnềntảngnàyluận
ánxemxétnhómchỉtiêukinhtếvĩmôtácđộnglêngiáchứngkhoánnàyđểlàmcác
biếnđầuvàochomôhìnhtrongquátrìnhthiếtkếmộtANN.
2.1.2. Thuthậpdữliệukinhtế
Việcthuthậpsốliệuđượccânnhắcdựatrênyếutốchiphívàtínhsẵncó(tứckhả
năngtiếpcậnthôngtincủaluậnán)chocácbiếnsốđãđượcchọnởbảng2.1.Quá
trìnhthuthậpdữliệuđượctậphợptừnăm2002đếnhếttháng9/2010.Dotínhtoán
dựatrênsựthayđổiquacácthángnêndữliệucótổngcộng104quansát.
15
Bảng2.1:Cácbiếnkinhtếđưavàot hiếtkếANNđểdựbáoVNIndex
sốPEtrongmôhìnhlà3.Môhình2:vớibiếnđầuvàolàLR,IP,TB,CRcũngvớisố
PElà3.Bảng2.2chokếtquảcủaquátrìnhtiềnxửlýdữliệuđểxemxétkhảnăngdự
báoVNI.
Bảng2.2:Kếtquảquátrìnhtiền xửlýdữliệukhiđưalầnlượccácbiếnđầuvào
trong7biếnkinhtếvĩmôđểdựbáoVNI
Mô hình INPUT Biếnloạibỏ SốPE MSE(Training) MSE(CV)
16
Môhình1 CPI,IP,M2,CR USD,LR,TB 3 0,013783 0,131202
Môhình2 LR,IP,TB,CR CPI,USD,M2 3 0,019331 0,073505
2.1.4. PhânchiadữliệuđượcthuthậpđểhuấnluyệnANN
TậphợphuấnluyệnđượcANNsửdụngđểhọctậpcácmẫuhìnhtồntạitrongmối
quanhệgiữacácbiếnđầuvào.Trongtrườnghợpnàyluậnánsửdụng80%sốquan
sátđểhuấnluyệnmạngANNtrongtổngsố104quansát.Tậphợpdữliệukiểmtra
vàxácnhậnkếtquả,luậnánsửdụngsốlượngmẫubằngkhoảng10%tậphợpdữliệu
quansát,quátrìnhnàyđượcdùngđểướclượngkhảnăngkháiquáthóatrongphân
tíchmàANNđãhọctậpđượcsaukhitrảiquabướchuấnluyệntrướcđó.Bướccuối
cùngtrongquátrìnhhuấnluyệnlàkiểmtrahiệuquảhoạtđộngcủaANNđãtrảiqua
tậphợphuấnluyệnvàkiểmtralàxácminhhiệuquảdựbáocủaANNtrênmộttậphợp
dữliệumàANNchưatừngnhìnthấytrướcđó.Tậphợpdữliệunàyđượcgọilàtập
hợpxácnhậntínhhiệuquả,chúngđượcsửdụngđểdựbáongoàimẫu.
2.1.5. Xâydựngcấutrúc–XácđịnhthôngsốcủaANN
CórấtnhiềuphươngphápđểxâydựngmộtcấutrúcmạngANN.Neurodynamicvà
ArchitecturelàhaithuậtngữđượcsửdụngđểmiêutảcáchthứcxâydựngmộtANN.
Sự kết hợp giữa Neurodynamics và Architecture xác định cấu trúc của ANN.
NeurodynamiclàthuậtngữmiêutảtínhchấtcủatừngneurontrongANN,baogồm
loạihàmtruyền(tuyếntính,phituyến,hàmphức…),cáchthứckếthợpcácbiếnsố
đầuvào.Architecturelàthuậtngữmiêutảcáchthứclựachọnđểliênkếtcácneuron
vớinhau,baogồmloạiliênkếtneuronvàsốlượngneurontrênmỗilớp.
Môhìnhđượcxâydựnggồmcó3lớp,mộtlớpđầuvàovớicácbiếnkinhtếvĩmô
đượcmiêutảtrongbảng2.1,mộtlớpẩn,mộtlớpđầura– đâylàkếtquảcủaVNI.
10.000lần.Mỗi1.000lầnhuấnluyện,luậnánlạidừnglạiđểkiểmtraxemmôhình
đãtối ưuchưavàcóbịquákhíthaykhông.
2.1.8. KếtquảsửdụngmôhìnhmạngANNđểdựbáoVNIndex
Thựchiệncácbướcxửlýđãđượctrìnhbàyởcácbướctrên,luậnánđãđưarahai
cấutrúcmạngANNđểphântíchvàdựbáogiáchứngkhoánVNIvớicáchthứcphân
loạibiếnvớiMSEnhỏnhấtnhư bảng2.3.
Bảng2.3:Ha icấutrúcmạngANNchorakếtquảdựbáotốtnhất
Môhình INPUT SốPE MSE(Trainin g) MSE(CV) RSquare
Môhình1 CPIIPM2CR 3 0,013783 0,131202 5,51%
Môhình2 LRIPTBCR 3 0,019331 0,073505 25,46%
ĐiềuđángchúýlàMSEđượcthựchiệntrongquátrìnhhuấnluyệndữliệuchorakết
quảthấpnhấtchocácbiếnđưavàomôhìnhtrongquátrìnhphânloạibiến.Việcgiải
18
thíchchosựthayđổitrongVNIthờigianquatrên TTCKVNdotácđộngcủacác
biến:lạmphát,sảnlượngcôngnghiệp,cungtiềnM2vàtăngtrưởngtíndụngcủanền
kinhtế.Tuynhiên,khisửdụngmôhình đã đượchuấnluyệnđểtiếnhànhdựbáongoài
mẫutừdữliệukiểmtrathìmôhình1cósaisốlớn hơnmôhình2. Điềuquantrọngmô
hình2chorahệsốtươngquan(rSquare.)caohơngiữagiátrịdựbáovàgiátrịthựctế
củaVNI.Nóicáchkhácmôhình2:tácđộngcủalãisuất,sảnlượngcôngnghiệp,cán
cânthươngmạivàtăngtrưởngtíndụngsẽlànhữngbiếncóthểdựbáotốtnhấtcho
VNI.Mốiquanhệgiữagiátrịdựbáovàgiátrịthựctếdùchỉởmứcđộgiảithíchthấp
25,46%nhưngđãnóilênkhảnăngdựbáochiềuhướngcủaVNI.
Nhưvậy,cóthểthấyrằngkhiđưacácbiếnkinhtếvĩmôvàođểphântíchvàdựbáo
giáchứngkhoáncủaTTCKVNthìmứcđộgiảithíchvàkhảnăngdựbáocủamô
hìnhcònnhiềuhạnchế,giátrịdựbáochưacao.Mộtvấnđềđặtralàphảichăngcấu
trúcmạngANNtrênchưagiảithíchđượctácđộngcủacácbiếnđầuvàonàylênsự
thayđổicủaVNItrongthờigianqua?HoặcmôhìnhANNkhônghiệuquảhơnmô
hìnhhồiquytuyếntínhtruyềnthống?Phầntiếptheo,luậnántiếptụcthayđổicấu
trúcmạngANNvàsosánhvớimôhìnhhồiquytuyếntính.
2.2. Sửdụngmạngthần kinhnhântạo được khái quáthóavàmạng truyền
2.2.2. Dựbáogiáchứngkhoándựatrênphântíchtácđộngcủacácbiếnkinhtếvĩ
môtheocấutrúcmạngtruyềnthẳng
TrongphầnnàyluậnántiếnhànhthửnghiệmvớicấutrúcmạngANNkhácđểkiểm
tratínhhiệuquảcủamôhìnhdựbáo.BêncạnhmạngGRNNthìcấutrúcmạngđược
sửdụngphổbiếnnhấtvẫnlàmạngANNtruyềnthẳngvớimộtlớpẩn.Lầnlượttiến
hành huấnluyện mạngvới cùngmột cấu trúc dữliệunhư trênnhưng thay đổi số
neuroncủalớpẩn.MạngANNtruyềnthẳng,mộtlớpẩnvớisốneuronẩnlầnlượtlà
2,3,4,5đượckýhiệu:MFF2PE,MFF3PE,MFF4PE,MFF5PE.
Bảng 2.7: Kết quả dự báo ngoài mẫu theo cấ u trúc mạng ANN truyền thẳng
MFF2PE,MFF3PE,MFF4PE,MFF5PE
Mô hình MFF2PE MFF3PE MFF4PE MFF5PE
MSE 0,009396214 0,003751625 0,005980783 0,00241921
MAE 0,065259439 0,042116996 0,057105411 0,038226213
r 0,316865644 0,370211421 0,433968335 0,653517847
Quanhữngkếtquảtrên,cấutrúcmạngtruyềnthẳngmộtlớpẩncókhảnăngdựbáo
VNItươngđốitốthơnsovớicấutrúcmạngGRNNtrênTTCKVN,đặcbiệtlànếu
xétđếnchỉbáotươngquantuyếntínhgiữagiátrịVNIdựbáovớiVNIthựctếđạt
đến mức 65,35% trong trườnghợp cấu trúc MFF5PE, chỉ tiêuMSE=0,0024 và
MAE=0,038ởmứcrấtthấp.Tuynhiên,vấnđềthứtiếptheolàliệurằngmôhình
mạngANNdựbáotốthơnsovớimôhìnhhồiquytuyếntính?Phầntiếptheo,luận
ánsẽđivàochứngminhđiềunày.
20
2.2.3. Sosánhkhảnăngdựbáogiáchứngkhoáncủamôhìnhmạngthầnkinhnhân
tạovớimôhìnhhồiquytuyếntính
· SửdụngmôhìnhmạngANN khôngcólớpẩnvàhàmtruyềntuyếntính
Trongphầnnàyluận ánsẽ tiếnhànhxâydựngmôhình tuyếntínhđể cócơsởso
sánhgiữahailoạimôhìnhvớinhau.Vớicácdữliệuđầuvàođãsửdụngởbảng2.1,
luậnántiếnhànhxâydựngmôhìnhtuyếntínhbằngcáchsửdụnghàmtruyềnlàhàm
tuyếntínhvàkhôngcólớpẩntrongmôhìnhcủamạngANN.Kếtquảcủaquátrình
huấnluyệnmôhìnhANNnàykémhơnmôhìnhmạngphituyếntrên.
môhìnhdựbáotỷsuấtsinhlợicủacáctàisảntàichínhtrênTTCK.Nghiêncứucủa
FamavàFrench(1992)dựatrêncácchứngkhoánsàngiaodịchNewYorktronggiai
đoạntừ1963đến1990đãđưarakếtluậnvềsựtồntạimốitươngquangiữatỷsuất
sinhlợichứngkhoánvớicáctỷsốtàichínhnhư:tỷsốgiá/giátrịsổsách(P/B),tỷsố
giá/thu nhậpmỗi cổ phần(P/E)… Trong nhữngnăm sauđó,nhiềunghiên cứu sử
dụng những phươngphápkiểm địnhkhácnhau đãđiđếnkết luận về sự hạn chế
trongkhảnăngdựbáocủacáctỷsốnày.Tuynhiên,JohnY.CampbellvàMotohiro
Yogo(2003)đãđưaramộtphươngphápkiểmđịnhmới,củngcốchokếtluậnvềkhả
năngdựbáocủacáctỷsốtàichính:cổtức/giávàgiá/thunhậpmỗicổphần.
Bêncạnhcácbiếnsốđầuvàothìloạimôhìnhđượcsửdụngcũngsẽảnhhưởngđến
kếtquảcuốicùngcủaquátrìnhphântíchvàdựbáo.Mặcdùphầnlớncácnghiêncứu
trướcđâyđềuchỉramốiquanhệtuyếntínhgiữacáctỷsốtàichínhvàtỷsuấtsinh
lợicủachứngkhoán.Tuynhiên,thựctếlàcácmôhìnhphituyếnsẽcókhảnăngmô
tảchínhxáchơnmốitươngquangiữahaiyếutốnày.NghiêncứucủaMohammed
Omran(2002),dựatrênmẫudữliệutừnăm1996đến2000của46doanhnghiệptrên
thịtrườngAiCậpđãgópphầnminhchứngchokếtluậnnày.Tươngtự,nghiêncứu
củaRezaGharoieAhangar(2010)sửdụngmôhìnhphituyếncũngđãchokếtquảdự
báotốthơnsovớimôhìnhtuyếntínhthôngthường.Bàinghiêncứusửdụngmẫudữ
liệucủacáccôngtyniêmyếttrênsàngiaodịchTehranvàmôhìnhphituyếnđược
lựachọnlàmôhìnhmạngANN.
Dựatrênnềntảngđó,phầnnghiêncứunàycủaluậnánsẽthiếtlậphailoạimôhình
dựbáokhácnhausửdụngcáctỷsốtàichínhlàmnhậplượngđầuvàođểphântíchvà
dự báo tỷsuất sinh lợi củachỉ số VNIndex trên TTCK VN. Trướchết,mô hình
tuyếntínhtruyềnthốngsẽđượcsửdụngnhưmộtmôhìnhchuẩn.Sauđó,cáccấu
trúcmạngANNphituyếnkhácnhauđượcxâydựngvàkếtquảdựbáocủanhững
cấutrúcmạngnàysẽđượcsosánhvớimôhìnhtuyếntínhđãđượcthiếtlập.
Nhậplượngđầuvàobaogồmcácbiếntỷ sốtàichínhlầnlượtlà:tỷsuấtsinhlợitrên
vốncổphầnROE,tỷsuấtsinhlợitrêntổngtàisảnROA,tỷsốgiátrênthunhập
mỗicổphầnPE,tỷsốgiátrêngiátrịsổsáchmỗicổphầnPB,giátrịvốnhóacủa
22
cònlạivàomôhìnhđểkiểmđịnhthìbiếngiảithíchPEthíchhợpchomôhình
khidừnglạiviệckiểmđịnhphươngsaithayđổivàtựtươngquan.Tuynhiên
23
khi kiểmđịnh tính chấtđacộng tuyến giữacác biến giải thích thìmô hình
khôngphùhợp.
Kếtluận:NếucấutrúcmạngANNtuyếntínhđãchokếtquảdựbáotốthơnmôhình
hồiquytuyếntínhtruyềnthống.Tuynhiên,liệurằngmôhìnhphituyếncủahệthống
mạngANNcóthểhoànthiệnhơnkếtquảdựbáonàyhaykhông?Phầntiếptheosẽ
đivàoxâydựngcáccấutrúcmạngANNphituyếnvàtiếnhànhdựbáongoàimẫu
choVNIndexvàsosánhvớikếtquảcủacấutrúcmạngANNtuyếntínhtrên.
2.3.3. MôhìnhmạngANNphituyếnkhikhảosátcácbiếntàichính
Saukhixácđịnhcácbiếnsốđầuvàochomôhình,thuậttoánđểhuấnluyệnmạngvà
sốquansátcầnthiếtcủacáctậphuấnluyện,xácnhậnvàkiểmđịnhlại,tatiếnhành
xâydựngcácmạngANNvớicấutrúckhácnhau.
Trước hếtsẽlà cácmạng ANNđa lớp truyền thẳng,vớimột lớpẩnduynhất. Số
neurontronglớpẩnsẽlầnlượtlà3,4,5,6.Cácmôhìnhnàysẽđượckýhiệulầnlượt
là MLN931;MLN 941; MLN 951;MLN 961.Kếtquả củaquá trìnhhuấn
luyệnmạngANNnàychokếtquảởbảng2.9.
24
Bảng2.9:Kếtquảkiểmđị nhngoàimẫucủacấutrúcmạngMLN931,MLN9
41,MLN951,MLN961
Chỉtiêu MLN931 MLN941 MLN951 MLN961
MSE 0,001610352 0,001660062 0,000475635 0,000612894
MAE 0,026933572 0,031146098 0,019459597 0,018091013
r 0,837726021 0,943107444 0,982771487 0,97801643
MặcdùcấutrúcmạngANNtuyếntínhbanđầuđãchorakếtquảdựbáoVNIkhá
tốt,nhưngđộchínhxáccủadựbáođãđượccảithiệnđángkểkhisửdụngcấutrúc
mạngANNphituyến.
Bên cạnh cấu trúc mạng ANN truyền thẳng đa lớn thì một dạng cấu trúc mạng
GRNNcũngđượcsửdụngkháphổbiến.Trongphầnnàysẽchỉtiếnhànhxâydựng
mốitươngquangiữacácTTCKtrênthếgiới.Bêncạnhđó,nhữngnghiêncứucủa
Becker(1990),EunvàShim(1989),WuvàSu(1989)cũngchỉrarằngTTCKMỹcó
sựtácđộngmạnhđếnhầuhếtcácthịtrườngkhác.Điềunàygợiýnhữngnghiêncứu
sâuhơnnhằmmụcđíchvậndụngmốitươngquangiữacácthịtrườngtrongviệcdự
báochỉsốchứngkhoán.
Nghiên cứu của Yochanan Shachmurvoe và Dorota Witkowsha (2000)đã sử dụng
chuỗidữliệutheongàycủacácchỉsốthịtrườngCanada,Pháp,Ðức,Nhật,Anhvà
MỹđểtiếnhànhdựbáobằngcácmôhìnhANNđalớp.Kếtquảsosánhvớimôhình
tuyếntínhtruyềnthốngsửdụngphươngphápbìnhphươngnhỏnhất(OLS)chothấy
mạngANNphituyếnANNchokếtquảdựbáotốthơn.
Xuất pháttừnhữngýtưởng trên,phầnnghiêncứu nàycủaluận ántiếnhành xây
dựnghệthốngANNđểdựbáochochỉsốVNIcủaTTCKVNbằngcáchsửdụngcác
chỉ số thị trường khác bao gồm chỉ số Dow (Mỹ), FTSE (Anh), N225 (Nhật) và
SSEC(Shanghai –TrungQuốc).
Kết quả cho thấycấu trúcmạng ANN tuyến tính thật sựđãkhông thể “nắmbắt”
đượcmốitươngquangiữaVNIvớicácchỉsốthịtrườngkhác.TuychỉtiêuMSEkhá
nhỏ,ởmức0,001634vàchỉtiêuMAEcũngchỉởmức0,0279,nhưngchỉtiêurlại
đạtmức0,078%.
Tuynhiên,dướigócđộkỹthuật,kếtquảdựbáotrêncóthểlàdomôhìnhđượcsử
dụng,trongtrườnghợpnàylà cấutrúcmạngANN tuyến tính,phảichănglàchưa
phùhợp.ThựctếcóthểlàmốitươngquangiữachỉsốVNIcủaTTCKVNvớicác
chỉsốthịtrườngkháclàphituyến.Đểlàmrõ điềunày,luậnántiếptụctiếnhànhxây
dựngcấutrúcmạngANNvàsosánhkếtquảkiểmđịnhngoàimẫuvớicấutrúctrên.
Vềcấutrúccủahệthốngmạng,saunhiềuthửnghiệmkhácnhau,luậnánlựachọn
xâydựngbốncấutrúclầnlượtlà:MLF441:Cấutrúcmạngtruyềnthẳngđalớpchỉ