1
THÔNG TIN LÊN MẠNG NHỮNG ĐIỂM MỚI CỦA LUẬN ÁN TIẾN SĨ
• Nghiên cứu sinh: Lê Đạt Chí
• Tên luận án: “Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế
Trường hợp thị trường chứng khoán Việt Nam”
• Ngành khoa học của luận án: Kinh tế tài chính – ngân hàng, mã số: 62.31.12.01
• Tên đơn vị đào tạo: Trường Đại học Kinh tế TP. Hồ Chí Minh
Những điểm mới của luận án:
Qua những nghiên cứu trước đây dựa trên các mô hình hồi quy tuyến tính và phi tuyến để
phân tích và dự báo thị trường chứng khoán Việt Nam, gần như chưa có một mô hình nào cho
thấy khả năng dự báo thị trường chứng khoán Việt Nam, điều này đặt ra cho luận án một số
câu hỏi: phải chăng thị trường chứng khoán Việt Nam là không thể dựa báo trước các biến
giải thích hiện hữu? hoặc phải chăng mô hình tiếp cận để phân tích và dự báo giá chứng khoán
là không phù hợp với đặc điểm của thị trường, của biến dự báo? Qua quá trình tìm hiểu,
những công trình nghiên cứu trên thế giới về lĩnh vực phân tích và dựa báo, Luận án chọn mô
hình mạng thần kinh nhân tạo (ANN). Những luận cứ của mô hình mạng ANN phù hợp với
biến nghiên cứu (biến động của thị trường tài chính mang tính phi tuyến (Bollerslev (1986),
Fang và cộng sự (1994),…), Chatterjee và cộng sự (2000) cung cấp một tổng quan về hệ
thống ANN và phạm vi sử dụng rộng rãi của chúng trên thị trường tài chính… làm những
bằng chứng thực nghiệm tốt cho quá trình nghiên cứu mô hình mạng ANN. Đồng thời, quá
trình nghiên cứu mạng ANN trong việc ứng dụng vào thị trường tài chính không yêu cầu
những giả định nghiêm ngặt như mô hình hồi quy. Điều này cho thấy, tính hấp dẫn của mô
hình ANN với đặc điểm của thị trường tài chính nhất là những thị trường của những nền kinh
tế mới nổi như Việt Nam. Do đó, luận án tập trung nghiên cứu khả năng ứng dụng mô hình
ANN trong dự báo thị trường chứng khoán Việt Nam.
Dựa trên mục tiêu nghiên cứu của luận án:
1.
2.
3.
4.
Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường

ra tác động mạnh đến sự thay đổi về giá trên thị trường chứng khoán, nhưng mức
độ dự báo lại không cho kết quả chính xác hơn nhóm biến tài chính. Điều đáng
chú ý là, nếu cùng các biến khảo sát trên thì mô hình hồi quy truyền thống lại tỏ ra
kém hiệu quả.
(6). Trong quá trình tìm kiếm, khảo sát các nhóm biến, luận án đã phát hiện ra tính
chất hành vi của nhà đầu tư tồn tại khá mạnh mẽ, điều này đã tác động đến quá
trình biến động giá chứng khoán trên thị trường chứng khoán Việt Nam. Quá trình
phân tích này cũng trùng hợp với những nghiên cứu trước đây về sự tồn tại hành
vi của nhà đầu tư trên thị trường chứng khoán, chính hành vi này quyết định nên
xu hướng biến động trong giá chứng khoán mà chưa có mô hình nào đo lường để
dự báo. Như vậy, những thị trường mà nơi đó yếu tố hành vi của con người quyết
định nên xu hướng của sự thay đổi thì khả năng ứng dụng mô hình ANN càng tỏ
ro tính hiệu quả và sự vượt trội cao.
Như vậy, dựa trên các mục tiêu nghiên cứu, luận án đã phát hiện ra những kết quả trên. Điều
này cung cấp thêm những phương pháp, công cụ trong phân tích và dự báo các biến kinh tế,
điển hình là thị trường chứng khoán Việt Nam.
Giáo viên hướng dẫn Nghiên cứu sinh
3
GS.TS. Trần Ngọc Thơ
Chủ tịch hội đồng cấp cơ sở
PGS.TS. Phan Thị Bích Nguyệt
Lê Đạt Chí
4
MỞ ĐẦU
1. Tính cấp thiết của luận án
Việc nghiên cứu những công cụ hoặc mô hình dự báo thị trường tài chính và nền
kinh tế có một lịch sử lâu đời. Phân tích chuỗi thời gian là một trong những cách tiếp
cận truyền thống được sử dụng rộng rãi nhất trong lĩnh vực này. Có hai loại mô hình
mô tả hành vi của chuỗi thời gian như sau.
Thứ nhất là các mô hình tuyến tính: phương pháp tuyến tính để phân tích chuỗi thời

dự báo thị trường tài chính và sự chuyển động của nền kinh tế là khá khó khăn.
Mạng thần kinh nhân tạo Artificial Neural Network (ANN) là một công cụ hữu
ích trong tài chính định lượng hiện đại và được biết đến như một kỹ thuật mô hình
hóa thống kê hữu ích. ANN là một công cụ tốt cho cả các nhà nghiên cứu và những
nhà thực nghiệm. Mô hình ANN có thể tìm ra mối quan hệ hàm trong một tập hợp dữ
liệu và thực hiện các nhiệm vụ như nhận dạng mẫu hình, phân loại, đánh giá, mô
hình hóa, dự báo và kiểm soát (Anderson và Rosenfeld, 1988; HechtNielsen, 1990;
Hertz và cộng sự, 1991; Hiemstra và Jones, 1994). Một vài tính năng khác biệt của
ANN làm cho chúng có giá trị và hấp dẫn trong dự báo.
Một số bài viết xem xét những báo cáo trên tạp chí cách mà ANN có thể áp dụng cho
thị trường tài chính và nền kinh tế. Chatterjee và cộng sự (2000) cung cấp một tổng
quan về hệ thống ANN và phạm vi sử dụng rộng rãi của chúng trên thị trường tài
chính. Công trình của họ thảo luận về ưu điểm vượt trội của ANN so với các phương
pháp truyền thống. Nghiên cứu kết luận với một mô tả về việc sử dụng thành công
ANN bởi nhiều tổ chức tài chính trong việc dự báo giá chứng khoán. Trong sách
Neural Network cho dự báo tài chính của Edward Gately, mô tả phương pháp chung
để xây dựng, huấn luyện, và kiểm tra một ANN bằng cách sử dụng phần mềm
thương mại hiện hữu. Luận án sẽ tập trung vào phương pháp này để triển khai quá
trình phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam
như là một minh chứng cho khả năng ứng dụng của ANN trong dự báo kinh tế.
Không chỉ trong lĩnh vực dự báo giá chứng khoán, luận án còn mong muốn sử dụng
phương pháp ANN áp dụng cho các lĩnh vực tài chính và nền kinh tế như là một
công cụ dự báo hỗ trợ cho các phương pháp truyền thống. Chính vì vậy, tác giả chọn
đề tài với tên gọi “Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế –
Trường hợp thị trường chứng khoán Việt Nam” làm nội dung nghiên cứu cho luận án
tiến sĩ của mình.
2. Tình hình nghiên cứu liên quan đến nội dung luận án
Từ những nghiên cứu sơ khai của Mc Culloch và Pitts trong những năm 1940, trải
qua nhiều năm phát triển, cho đến hơn 10 năm trở lại đây cùng với sự phát triển
mạnh mẽ của ngành công nghệ thông tin trong việc xử lý dữ liệu cho cả phần cứng

báo giá chứng khoán trên thị trường chứng khoán Việt Nam, hiệu quả của mô hình
ANN so với mô hình hồi quy tuyến tính biến nào sẽ tác động lên sự biến động của
giá chứng khoán… Cụ thể hơn, luận án sẽ giải quyết bốn mục tiêu nghiên cứu sau:
1.
2.
3.
4.
Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị
trường chứng khoán Việt Nam.
Lựa chọn cấu trúc mạng ANN phù hợp trong dự báo giá chứng khoán.
Hiệu quả ứng dụng mô hình ANN tốt hơn mô hình hồi quy tuyến tính.
Tìm ra nhóm biến có thể giúp dự báo giá chứng khoán trên thị trường chứng
khoán Việt Nam qua đó gợi ý một số chính sách liên quan.
7
Để đạt được mục tiêu nghiên cứu nêu trên, nội dung của luận án tập trung đi vào trả
lời các câu hỏi nghiên cứu sau đây:
(1).
(2).
(3).
(4).
(5).
(6).
Mô hình mạng ANN là gì và cơ chế vận hành của nó như thế nào trong thị
trường tài chính?
Những quan điểm và bằng chứng thực nghiệm trong việc ứng dụng mô hình
ANN trong phân tích và dự báo trên thị trường tài chính?
Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị
trường chứng khoán Việt Nam?
Cấu trúc mạng ANN nào sẽ thích hợp để dự báo giá chứng khoán?
Liệu khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị

chứng khoán Việt Nam là hoàn toàn có thể thực hiện.
Mô hình ANN dùng để dự báo giá chứng khoán trên thị trường chứng khoán
Việt Nam cho ra kết quả dự báo ngoài mẫu tốt hơn mô hình hồi quy tuyến tính
truyền thống.
Cấu trúc mạng thần kinh truyền thẳng cho ra kết quả dự báo tốt hơn một số
cấu trúc mạng khác với hàm truyền là hàm phi tuyến. Nói cách khác, mối
quan hệ giữa các biến giải thích và biến phụ thuộc là quan hệ phi tuyến tính.
Dựa trên việc nghiên cứu ứng dụng mô hình ANN để dự báo giá chứng khoán
trên thị trường chứng khoán Việt Nam, luận án đã cho thấy rõ tác động của
các nhóm biến kinh tế vĩ mô của nền kinh tế, nhóm biến thể hiện tình hình tài
chính của các doanh nghiệp niêm yết… lên sự thay đổi giá chứng khoán, trong
khi đó nếu dùng mô hình hồi quy tuyến tính truyền thống thì gần như không
tìm thấy sự tác động này.
Qua quá trình phân tích và dự báo giá chứng khoán trên thị trường chứng
khoán Việt Nam, luận án có gợi ý một số chính sách để phát triển thị trường
chứng khoán Việt Nam lên một tầm cao mới nhằm phát triển mạnh quá trình
chuyển dịch cơ cấu kinh tế.
9
Chương 1: QUAN ĐIỂM VÀ BẰNG CHỨNG THỰC NGHIỆM VIỆC ỨNG
DỤNG MÔ HÌNH MẠNG THẦN KINH NHÂN TẠO TRONG DỰ
BÁO
Mỗi một mô hình phân tích và dự báo đều dựa trên những nền tảng giả định khác
nhau. Các mô hình trước nay được sử dụng phổ biến để phân tích và dự báo đều dựa
trên phương pháp phân phối chuẩn của các biến đưa vào mô hình. Quan điểm về
phân phối chuẩn đã đưa ra nền tảng toán học cho học thuyết thị trường hiệu quả.
Quan điểm này đã đưa đến việc hình thành các mô hình phân tích và định giá chứng
khoán như mô hình định giá tài sản vốn CAPM, mô hình định giá quyền chọn Black
– Scholes, mô hình đa nhân tố, mô hình FamaFrench… Tuy nhiên, các mô hình này
lại không mấy hiệu quả khi phân tích và dự báo những chỉ tiêu đầy tính biến động
trong thị trường tài chính. Một phương pháp mô phỏng bộ não con người được xây

câu hỏi đặt ra là tại sao giá chứng khoán lại có mối quan hệ phi tuyến hay có xu
hướng?
Thế kỷ 20 được đánh dấu bởi 3 phát minh đáng nhớ: (1) thuyết tương đối (relative
theory) và (2) kỹ thuật định lượng (quantum mechanic) và (3) khoa học hỗn loạn
(chaos science) đã cho thấy rằng bản chất của tự nhiên là không hề độc lập. Sự
chuyển động của các vật chất luôn có ảnh hưởng lẫn nhau hay phụ thuộc lẫn nhau.
Thị trường chứng khoán (TTCK), một phần của thế giới tự nhiên cũng nằm trong
quy luật đó. Điều này đã nói lên khoa học hỗn loạn giúp chúng ta trả lời câu hỏi trên.
Bill William (1995) cho rằng, cả thế giới tự nhiên và não người đều là hỗn loạn.
TTCK, một phần của thế giới tự nhiên và là nơi phản ánh hoạt động của con người,
cũng có tính hỗn loạn. Nói cách khác, chính do não người có tính hỗn loạn là nguồn
gốc tạo ra sự phi tuyến tính của giá cả chứng khoán. Bill William (1995) bộ não
người gồm 3 bộ phận khác nhau: não trái, não giữa và não phải. Mỗi bộ phận đảm
nhận một chức năng khác nhau. Não trái liên quan đến vấn đề lý trí và mang tính
tuyến tính. Não giữa có chức năng xử lý các tri thức thành kinh nghiệm. Não phải
liên quan đến cảm xúc, là phi tuyến và trông giống như tính hỗn loạn. Bộ não chúng
ta cũng tạo nên các hành vi khác nhau, phụ thuộc vào dòng năng lượng. Prigogine
viết: “bộ não là một phát minh của tính hỗn loạn” (Prigogin và Stangers, 1984, trang
48). Có thể hình dung rằng khi giao dịch trên thị trường, các nhà kinh doanh bị ảnh
hưởng bởi cảm xúc (của não phải) như tham lam và sợ hãi đã tác động đến quyết
định đầu tư dẫn đến các hành vi phi tuyến tính. Tuy nhiên, các hành vi tham lam hay
sợ hãi đó có tính bầy đàn và hình thành nên xu hướng của giá chứng khoán (chính là
cấu trúc). Như vậy, chủ thể tham gia quyết định nên xu hướng thị trường là các nhà
đầu tư, là những người không hoàn toàn duy lý (Sargent (1997, 1999)).
Dựa trên quan điểm này, luận án tập trung vào việc lựa chọn phương pháp phân tích
và dự báo giá chứng khoán theo giả định “sự hợp lý có chừng mực” của nhà đầu tư.
Nói cách khác nhà đầu tư không hoàn toàn duy lý trong các quyết định của mình.
Phương pháp hồi quy dựa trên các biến cố quan sát là độc lập và ngẫu nhiên, nó dựa
trên giả thuyết sự hợp lý hoàn toàn và sự tối ưu của con người. Mô hình mạng thần
kinh nhân tạo ANN được mô phỏng theo bộ não con người được dùng để dự báo

hiệu đầu ra vào mạng, mạng nhanh chóng học hỏi mối quan hệ giữa các biến đầu vào
và đầu ra. Quá trình huấn luyện mạng thực chất là việc điều chỉnh các trọng số
synapse wk,i kết nối các neuron trong mạng. Trong quá trình huấn luyện, các trọng số
w k,i được điều chỉnh cho đến khi đạt được các giá trị đầu ra mong muốn (T ) gần với
giá trị đầu ra thực sự của mạng (Yt). Nói cách khác, sai số giữa giá trị đầu ra mong
muốn và giá trị đầu ra của mạng là nhỏ nhất (e t ).
t
12
e t = T t Y t
1.2.4. Một số thước đo trong việc lựa chọn cấu trúc mạng thần kinh nhân tạo
Hàm mục tiêu trong lý thuyết tối ưu hóa có 2 dạng phổ biến nhất là sai số tuyệt đối
trung bình (MAE – Mean Absolute Error) và sai số bình phương trung bình (MSE).
Tuy nhiên, khi sử dụng chuỗi dữ liệu để dự báo ngoài mẫu thì ngoài các chỉ tiêu trên
còn có chỉ tiêu hệ số tương quan (RSquare), chỉ tiêu này nói lên mối tương quan
giữa giá trị đầu ra mong đợi và giá trị đầu ra thực của một cấu trúc mạng ANN khi
dự báo ngoài mẫu.
1.2.5. Các đặc trưng của mô hình mạng thần kinh nhân tạo
•
•
•
•
1.3.
Tính chất phi tuyến
Tính chất tương ứng đầu vàođầu ra
Tính chất thích nghi
Tính chất đồng dạng trong phân tích và thiết kế
Một số mô hình mạng thần kinh nhân tạo điển hình
1.3.1. Mô hình mạng truyền thẳng (Feedforward Networks)
1.3.2. Mô hình mạng truyền thẳng đa lớp (Multilayer Feedforward Networks)
1.3.3. Mô hình mạng lặp lại (Recurrent Networks)

khởi nguồn bởi Frank Rosenblatt. Tuy nhiên, phải đến những năm cuối thập kỷ 90,
những nghiên cứu ứng dụng của mô hình ANN mới dần trở nên phổ biến. Bên cạnh
những ứng dụng trong lĩnh vực y học, công nghệ, mô hình mạng ANN còn được ứng
dụng rộng rãi trong kinh tế tài chính, đặc biệt là trong việc xây dựng các mô hình
dự báo bao gồm dự báo chỉ số chứng khoán và dự báo các biến kinh tế vĩ mô.
1.6. Thiết kế một mô hình mạng thần kinh nhân tạo
Chương 2: THIẾT KẾ VÀ ỨNG DỤNG MẠNG THẦN KINH NHÂN TẠO ĐỂ
DỰ BÁO GIÁ CHỨNG KHOÁN TRÊN THỊ TRƯỜNG CHỨNG
KHOÁN VIỆT NAM
Mô hình mạng ANN được đưa ra và ứng dụng lần đầu tiên trong lĩnh vực khoa học
nhận thức và tích hợp trí tuệ nhân tạo vào kỹ thuật. Qua thời gian, ANN đã được sử
dụng rộng rãi trong nhiều lĩnh vực khoa học, trong đó có dự báo kinh tế. Trải qua
nhiều nghiên cứu thực nghiệm, ANN tỏ ra là một phương pháp có tính linh hoạt vượt
trội so với các phương pháp đã từng được sử dụng trong quá khứ. Trong những năm
gần đây, các ứng dụng của ANN trong lĩnh vực tài chính như nhận diện mẫu hình,
phân loại, và dự báo theo chuỗi thời gian ngày càng gia tăng nhanh chóng và nhận
được nhiều sự quan tâm của cả giới nghiên cứu hàn lâm cũng như thực nghiệm.
Thực tế đã cho thấy, các tổ chức cung cấp dịch vụ tài chính đang trở thành nhà tài
trợ lớn thứ hai cung cấp nguồn lực hỗ trợ cho công tác nghiên cứu các ứng dụng của
ANN. Những ứng dụng phổ biến của ANN trong lĩnh vực tài chính bao gồm xếp hạng
14
rủi ro trong thẩm định các khoản cho vay thế chấp cũng như trong các khoản đầu tư
vào chứng khoán nợ, xây dựng chỉ số, mô phỏng hành vi thị trường, lựa chọn và đa
dạng hóa danh mục đầu tư, nhận diện cơ chế tác động của các biến giải thích kinh tế
cũng như dự báo các chuỗi dữ liệu giá chứng khoán theo thời gian.
Tuy nhiên, với việc trên thực tế có quá nhiều thông số đầu vào cần được chọn lựa
phù hợp để phát triển một mô hình dự báo hiệu quả cho thấy, quá trình thiết kế ANN
vẫn đòi hỏi nhiều thời lượng, công sức và kinh nghiệm của nhà nghiên cứu. Chính vì
vậy, mục tiêu của nghiên cứu này nhằm cung cấp một hướng dẫn mang tính thực
nghiệm trong thiết kế một hệ thống ANN phục vụ cho mục đích dự báo chuỗi dữ liệu

tháng từ nguồn dữ liệu của tổng cục thống kê
2 Tỷ giá USD Sự thay đổi tốc độ biến động tỷ giá thị trường
tự do cuối mỗi tháng. Dữ liệu được thu thập từ
IMF và Bloomberg
3 Lãi suất LR Sự thay đổi lãi suất kỳ hạn 12 tháng qua các
tháng. Nguồn dữ liệu từ IMF và ngân hàng nhà
nước từ năm 2009
4 Sản lượng công IP Sự thay đổi giá trị tăng trưởng sản lượng công
nghiệp nghiệp qua các tháng. Số liệu từ tổng cục
thống kê
5 Cán cân thương mại TB Thay đổi giá trị của cán cân thương mại qua
các tháng. Số liệu từ tổng cục thống kê
6 Cung tiền M2 M2 Tốc độ thay đổi cung tiền M2 qua các tháng.
Số liệu từ ngân hàng nhà nước và IMF
7 Tăng trưởng tín dụng CR Tăng trưởng tín dụng qua các tháng. Số liệu từ
ngân hàng nhà nước và IMF
8 VNIndex VNI Sự thay đổi của VNIndex tính theo giá đóng
cửa của các tháng. Dữ liệu được thu thập từ Sở
giao dịch chứng khoán Tp.HCM
2.1.3. Tiền xử lý dữ liệu
Tiền xử lý dữ liệu đề cập đến việc phân tích và chuyển đổi các biến đầu vào và đầu
ra để tối thiểu hóa nhiễu, nhấn mạnh các mối quan hệ nổi bật, phát hiện xu hướng, và
san bằng phân phối của các biến số để phục vụ cho ANN trong việc huấn luyện và
ghi nhớ các mẫu hình liên quan từ bộ dữ liệu đầu vào.
Trong 7 biến đưa vào để khảo sát sự biến động của VNI, luận án đã lọc ra mô hình
giải thích tốt nhất với 4 biến. Mô hình 1: với biến đầu vào là CPI, IP, M2 và CR với
số PE trong mô hình là 3. Mô hình 2: với biến đầu vào là LR, IP, TB, CR cũng với số
PE là 3. Bảng 2.2 cho kết quả của quá trình tiền xử lý dữ liệu để xem xét khả năng dự
báo VNI.
Bảng 2.2: Kết quả quá trình tiền xử lý dữ liệu khi đưa lần lược các biến đầu vào

sử dụng. Vì dữ liệu đầu vào có chứa giá trị âm và phân tán do đó hàm Tanh hyperbol
là hàm thích hợp để xử lý mối quan hệ phi tuyến giữa dữ liệu đầu vào và VNI.
• Trong Axon ẩn có chứa từ 1 đến 4 PE, số PE này được tính toán theo quy tắc
“kim tự tháp” – số lượng PE trong lớp ẩn sẽ bằng ½ tổng số đầu vào và đầu ra
của mô hình – tuy nhiên trong quá trình chạy mô hình để có được mô hình tốt
17
nhất, luận án đã thay đổi số lượng PE xung quanh kết quả của quy tắc này, cụ
thể luận án sử dụng mô hình có từ 1 đến 4 PE.
Mô hình có hai hệ thống đường liên kết đầy đủ, hệ thống đầu tiên nối lớp đầu vào với
lớp ẩn, hệ thống thứ hai nối lớp ẩn với lớp đầu ra. Mỗi hệ thống là tập hợp những
trọng số, những trọng số này sẽ kết hợp với đầu ra của lớp phía trước hệ thống tạo
thành đầu vào cho lớp phía sau hệ thống. Các liên kết này được kết hợp thông qua
một hàm truyền được đề cập ở trên. Ngoài ra, mô hình sử dụng thuật toán
BackPropagation kết hợp với Momentum để điều chỉnh trọng số của mô hình và
giảm thiểu sai số nhằm tìm được mô hình tối ưu.
2.1.6. Tiêu chuẩn đánh giá tính phù hợp kết quả dự báo của ANN
Trong một quá trình huấn luyện, MSE sẽ liên tục được cập nhật và ANN sẽ liên tục
điều chỉnh các tham số theo hướng cực tiểu hóa tổng bình phương này. Mặc khác,
quá trình đánh giá tính phù hợp của mô hình dự báo ngoài tiêu chuẩn MSE, ANN
còn có một tiêu chuẩn khác là mức độ giải thích của mô hình, chỉ số r – Square.
2.1.7. Huấn luyện hệ thống ANN
Quá trình huấn luyện ANN chủ yếu là để ANN đọc những dữ liệu trong quá khứ
nhiều lần. Để huấn luyện ANN, trước tiên cần xác định số lần Epoch được ANN đọc
lại trong huấn luyện. Quá trình chạy mô hình để tìm ra những nhóm biến nào tác
động mạnh nhất đến VNI, đồng thời tìm ra mô hình thích hợp cho từng nhóm biến,
đòi hỏi phải huấn luyện nhiều lần trên mỗi mô hình – trung bình Epoch từ 3.000 đến
10.000 lần. Mỗi 1.000 lần huấn luyện, luận án lại dừng lại để kiểm tra xem mô hình
đã tối ưu chưa và có bị quá khít hay không.
2.1.8. Kết quả sử dụng mô hình mạng ANN để dự báo VNIndex
Thực hiện các bước xử lý đã được trình bày ở các bước trên, luận án đã đưa ra hai

thay đổi của VNI trong thời gian qua? Hoặc mô hình ANN không hiệu quả hơn mô
hình hồi quy tuyến tính truyền thống? Phần tiếp theo, luận án tiếp tục thay đổi cấu
trúc mạng ANN và so sánh với mô hình hồi quy tuyến tính.
2.2. Sử dụng mạng thần kinh nhân tạo được khái quát hóa và mạng truyền
thẳng để dự báo giá chứng khoán với nhóm biến kinh tế vĩ mô
2.2.1. Dự báo giá chứng khoán bằng cấu trúc mạng thần kinh nhân tạo được khái
quát hóa
Về cấu trúc của mô hình mạng thì bài nghiên cứu trên chỉ xây dựng cấu trúc mạng
một lớp ẩn duy nhất với 14 neuron và sử dụng thuật toán LevenbergMarquardt (LM)
để tiến hành điều chỉnh các trọng số trong quá trình huấn luyện nhằm đạt đến mục
tiêu tối thiểu hóa MSE giữa giá trị dự báo của mô hình với giá trị thực tế.
Phần nghiên cứu này sẽ sử dụng tỷ lệ của ba tập hợp huấn luyện là 70%, 20% và
10%. Thực tế là không có nguyên tắc chung nào cho sự phân chia này và tỷ lệ trên là
gợi ý trong nghiên cứu của Jing Tao (2000). Cấu trúc mạng được khái quát hóa
GRNN với cấu trúc một lớp ẩn và 14 neuron ẩn (GNN14PE) đã cho kết quả rất tốt
trong quá trình huấn luyện khi giá trị MSE cuối cùng đạt đến 7,7943E31, một giá trị
lý tưởng cho sự chênh lệch giữa giá trị dự báo và thực tế. Tuy nhiên, khi tiến hành
kiểm định ngoài mẫu đối với mô hình trên, kết quả cho thấy sự hạn chế lớn của mô
hình trong việc dự báo giá trị VNI. Đặc biệt là chỉ số tương quan – r là giá trị âm.
Qua đó, có thể kết luận rằng, mô hình trên đã rơi vào tình trạng “quá khít” trong khi
huấn luyện, nhưng lại thiếu khả năng khái quát hóa để phản ánh đầy đủ mối tương
quan phi tuyến giữa các biến số.
19
Phần tiếp theo sau, luận án sẽ không khảo sát các biến được làm trễ, chỉ khảo sát 7
biến như đã đề cập trong bảng 2.1. Tuy nhiên, số lượng PE trong lớp ẩn cũng giảm đi
nhiều. Để khắc phục tình trạng “quá khít” trong cấu trúc mạng GNN14PE, luận án
đã tiến hành điều chỉnh cấu trúc mạng, vẫn giữ nguyên các yếu tố khác nhưng số
lượng neuron ẩn sẽ lần lượt là 4 và 5, ký hiệu cho hai cấu trúc mạng này là GNN
4PE và GNN5PE, kết quả kiểm định ngoài mẫu đối với 2 cấu trúc mạng đã có sự cải
thiện đáng kể khi MSE giảm và rSquare cải thiện đáng kể, đạt 39,1% đối với cấu

MFF5PE
0,00241921
0,038226213
0,653517847
Qua những kết quả trên, cấu trúc mạng truyền thẳng một lớp ẩn có khả năng dự báo
VNI tương đối tốt hơn so với cấu trúc mạng GRNN trên TTCK VN, đặc biệt là nếu
xét đến chỉ báo tương quan tuyến tính giữa giá trị VNI dự báo với VNI thực tế đạt
đến mức 65,35% trong trường hợp cấu trúc MFF5PE, chỉ tiêu MSE = 0,0024 và
MAE = 0,038 ở mức rất thấp. Tuy nhiên, vấn đề thứ tiếp theo là liệu rằng mô hình
mạng ANN dự báo tốt hơn so với mô hình hồi quy tuyến tính? Phần tiếp theo, luận
án sẽ đi vào chứng minh điều này.
20
2.2.3. So sánh khả năng dự báo giá chứng khoán của mô hình mạng thần kinh nhân
tạo với mô hình hồi quy tuyến tính
• Sử dụng mô hình mạng ANN không có lớp ẩn và hàm truyền tuyến tính
Trong phần này luận án sẽ tiến hành xây dựng mô hình tuyến tính để có cơ sở so
sánh giữa hai loại mô hình với nhau. Với các dữ liệu đầu vào đã sử dụng ở bảng 2.1,
luận án tiến hành xây dựng mô hình tuyến tính bằng cách sử dụng hàm truyền là hàm
tuyến tính và không có lớp ẩn trong mô hình của mạng ANN. Kết quả của quá trình
huấn luyện mô hình ANN này kém hơn mô hình mạng phi tuyến trên.
• Sử dụng mô hình hồi quy tuyến tính truyền thống
Một phần của phụ lục 3 “Xây dựng mô hình hồi quy tuyến tính truyền thống để phân
tích và dự báo VNIndex” đã cho ra kết quả của việc sử dụng phương pháp hồi quy
tuyến tính trong việc dự báo VNI như sau: Thứ nhất: Nếu tuân thủ yêu cầu giả định của phương pháp hồi quy tuyến tính
truyền thống thì các biến đưa vào mô hình phải tuân theo quy luật phân phối
chuẩn, các biến kinh tế vĩ mô khảo sát ở bảng 2.1 được đưa vào mô hình
không đạt được điều kiện này.

trong khả năng dự báo của các tỷ số này. Tuy nhiên, John Y. Campbell và Motohiro
Yogo (2003) đã đưa ra một phương pháp kiểm định mới, củng cố cho kết luận về khả
năng dự báo của các tỷ số tài chính: cổ tức/giá và giá/thu nhập mỗi cổ phần.
Bên cạnh các biến số đầu vào thì loại mô hình được sử dụng cũng sẽ ảnh hưởng đến
kết quả cuối cùng của quá trình phân tích và dự báo. Mặc dù phần lớn các nghiên cứu
trước đây đều chỉ ra mối quan hệ tuyến tính giữa các tỷ số tài chính và tỷ suất sinh
lợi của chứng khoán. Tuy nhiên, thực tế là các mô hình phi tuyến sẽ có khả năng mô
tả chính xác hơn mối tương quan giữa hai yếu tố này. Nghiên cứu của Mohammed
Omran (2002), dựa trên mẫu dữ liệu từ năm 1996 đến 2000 của 46 doanh nghiệp trên
thị trường Ai Cập đã góp phần minh chứng cho kết luận này. Tương tự, nghiên cứu
của Reza Gharoie Ahangar (2010) sử dụng mô hình phi tuyến cũng đã cho kết quả dự
báo tốt hơn so với mô hình tuyến tính thông thường. Bài nghiên cứu sử dụng mẫu dữ
liệu của các công ty niêm yết trên sàn giao dịch Tehran và mô hình phi tuyến được
lựa chọn là mô hình mạng ANN.
Dựa trên nền tảng đó, phần nghiên cứu này của luận án sẽ thiết lập hai loại mô hình
dự báo khác nhau sử dụng các tỷ số tài chính làm nhập lượng đầu vào để phân tích và
dự báo tỷ suất sinh lợi của chỉ số VNIndex trên TTCK VN. Trước hết, mô hình
tuyến tính truyền thống sẽ được sử dụng như một mô hình chuẩn. Sau đó, các cấu
trúc mạng ANN phi tuyến khác nhau được xây dựng và kết quả dự báo của những
cấu trúc mạng này sẽ được so sánh với mô hình tuyến tính đã được thiết lập.
Nhập lượng đầu vào bao gồm các biến tỷ số tài chính lần lượt là: tỷ suất sinh lợi trên
vốn cổ phần ROE, tỷ suất sinh lợi trên tổng tài sản ROA, tỷ số giá trên thu nhập
mỗi cổ phần PE, tỷ số giá trên giá trị sổ sách mỗi cổ phần PB, giá trị vốn hóa của
22
thị trường – CM, dòng tiền mỗi cổ phần – CF, thu nhập mỗi cổ phần – EPS, lợi
nhuận biên – PM, và tỷ lệ nợ trên vốn cổ phần – D/E. Bộ dữ liệu theo tháng được thu
thập từ Sở giao dịch chứng khoán Tp.HCM và Bloomberg từ tháng 1/2007 đến tháng
9/2010. Các dữ liệu trên được tính trên cơ sở tỷ lệ thay đổi để đảm bảo tính dừng khi
sử dụng cùng bộ dữ liệu để so sánh với phương pháp hồi quy tuyến tính.
2.3.1. Mô hình mạng ANN tuyến tính

23
khi kiểm định tính chất đa cộng tuyến giữa các biến giải thích thì mô hình
không phù hợp.
Kết luận: Nếu cấu trúc mạng ANN tuyến tính đã cho kết quả dự báo tốt hơn mô hình
hồi quy tuyến tính truyền thống. Tuy nhiên, liệu rằng mô hình phi tuyến của hệ thống
mạng ANN có thể hoàn thiện hơn kết quả dự báo này hay không? Phần tiếp theo sẽ
đi vào xây dựng các cấu trúc mạng ANN phi tuyến và tiến hành dự báo ngoài mẫu
cho VNIndex và so sánh với kết quả của cấu trúc mạng ANN tuyến tính trên.
2.3.3. Mô hình mạng ANN phi tuyến khi khảo sát các biến tài chính
Sau khi xác định các biến số đầu vào cho mô hình, thuật toán để huấn luyện mạng và
số quan sát cần thiết của các tập huấn luyện, xác nhận và kiểm định lại, ta tiến hành
xây dựng các mạng ANN với cấu trúc khác nhau.
Trước hết sẽ là các mạng ANN đa lớp truyền thẳng, với một lớp ẩn duy nhất. Số
neuron trong lớp ẩn sẽ lần lượt là 3, 4, 5, 6. Các mô hình này sẽ được ký hiệu lần lượt
là MLN 931; MLN 941; MLN 951; MLN 961. Kết quả của quá trình huấn
luyện mạng ANN này cho kết quả ở bảng 2.9.
24
Bảng 2.9: Kết quả kiểm định ngoài mẫu của cấu trúc mạng MLN 931, MLN 9
41, MLN 951, MLN 961
Chỉ tiêu
MSE
MAE
r
MLN 931
0,001610352
0,026933572
0,837726021
MLN 941
0,001660062
0,031146098

Đối với trường hợp của mạng GRNN, kết quả dự báo của cấu trúc mạng này trên tập
kiểm định lại cũng cho thấy sự hoàn thiện hơn của cấu trúc phi tuyến so với cấu trúc
tuyến tính.
Tóm lại, qua các kết quả trên, ta có thể kết luận rằng, các biến số tài chính thật sự có
khả năng dự báo đối với tỷ suất sinh lợi của chỉ số VNI. Bên cạnh đó, mặc dù mô
hình hồi quy tuyến tính truyền thống cho kết quả dự báo tương đối khả quan với biến
giải thích PB lên đến 44,7%, song mô hình mạng ANN lại cho kết quả tốt hơn. Tuy
nhiên, hiệu quả dự báo của mô hình hoàn toàn có thể được nâng cao thông qua việc
sử hệ thống mạng ANN phi tuyến.
Qua hai nhóm biến được khảo sát là nhóm biến kinh tế vĩ mô và nhóm biến tài chính
của các doanh nghiệp niêm yết đã phần nào trả lời được mục tiêu nghiên cứu. Tuy
nhiên, phần tiếp theo, luận án tiếp tục khảo sát thêm một số nhóm biến khác để phân
25
tích sự thay đổi VNI. Mục đích của quá trình này không nằm ngoài mục tiêu của luận
án là tiếp tục tìm kiếm nhóm biến thích hợp để dự báo VNI và xác định mô hình
mạng ANN có khả năng dự báo tốt hơn mô hình hồi quy tuyến tính không.
2.4. Phân tích và dự báo giá chứng khoán trên TTCK VN dưới tác động của
sự biến động các TTCK thế giới
Dự báo trên TTCK từ trước đến nay đã thu hút sự quan tâm của rất nhiều nhà nghiên
cứu. Xuất phát từ những góc độ khác nhau, những nghiên cứu này đã có những đóng
góp đáng kể. Các nghiên cứu của Bhattacharyya và Banerjee (2004), Eun và Shim
(1989), Taylor và Tonks (1989), Yang và cộng sự (2003) đã khẳng định sự tồn tại
mối tương quan giữa các TTCK trên thế giới. Bên cạnh đó, những nghiên cứu của
Becker (1990), Eun và Shim (1989), Wu và Su (1989) cũng chỉ ra rằng TTCK Mỹ có
sự tác động mạnh đến hầu hết các thị trường khác. Điều này gợi ý những nghiên cứu
sâu hơn nhằm mục đích vận dụng mối tương quan giữa các thị trường trong việc dự
báo chỉ số chứng khoán.
Nghiên cứu của Yochanan Shachmurvoe và Dorota Witkowsha (2000) đã sử dụng
chuỗi dữ liệu theo ngày của các chỉ số thị trường Canada, Pháp, Ðức, Nhật, Anh và
Mỹ để tiến hành dự báo bằng các mô hình ANN đa lớp. Kết quả so sánh với mô hình