ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

PHẠM THỊ THẢO

TÌM HIỂU MỘT SỐ MÔ HÌNH KHAI PHÁ DỮ LIỆU THỜI
GIAN THỰC ÁP DỤNG VÀO BÀI TOÁN DỰ BÁO ỨNG
DỤNG TRONG PHÂN TÍCH SỐ LIỆU TÀI CHÍNH

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

HÀ NỘI - 2015


ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

PHẠM THỊ THẢO

TÌM HIỂU MỘT SỐ MÔ HÌNH KHAI PHÁ DỮ LIỆU THỜI
GIAN THỰC ÁP DỤNG VÀO BÀI TOÁN DỰ BÁO ỨNG
DỤNG TRONG PHÂN TÍCH SỐ LIỆU TÀI CHÍNH

Ngành: Công nghệ thông tin
Chuyên ngành: Hệ thống thông tin
Mã số: 60480104

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS. NGUYỄN HÀ NAM



1.1.3

Dự báo tình hình tài chính ...................................................................... 12

1.2

Phân tích kỹ thuật trong dự báo thị trường chứng khoán ............................... 12

1.2.1

Thị trường chứng khoán ......................................................................... 12

1.2.2

Phân tích kỹ thuật................................................................................... 13

1.3

Kết luận ........................................................................................................ 16

Chương 2. MỘT SỐ MÔ HÌNH TRONG BÀI TOÁN DỰ BÁO .......................... 17
2.1

Tổng quan về khai phá dữ liệu thời gian thực ............................................... 17

2.2

Phân lớp dữ liệu............................................................................................ 19


Quá trình trung bình trượt MA(q)........................................................... 42

2.5

Kết luận ........................................................................................................ 43

Chương 3. PHƯƠNG PHÁP GIẢI QUYẾT BÀI TOÁN....................................... 44


4
3.1

Giới thiệu bài toán ........................................................................................ 44

3.2

Xây dựng mô hình ........................................................................................ 44

3.3

Thu thập và tiền xử lý dữ liệu ....................................................................... 46

3.3.1

Thu thập dữ liệu ..................................................................................... 46

3.3.2

Tiền xử lý dữ liệu ................................................................................... 47



Kết quả chạy với mô hình ANN ............................................................. 57

4.3.2

Kết quả chạy với mô hình máy vector hỗ trợ (SVM) .............................. 60

4.3.3

Kết quả chạy với mô hình ARIMA ........................................................ 65

4.4

So sánh và đánh giá kết quả .......................................................................... 66

4.5

Kết luận ........................................................................................................ 69

KẾT LUẬN .............................................................................................................. 70
TÀI LIỆU THAM KHẢO ....................................................................................... 71


5

BẢNG CÁC TỪ VIẾT TẮT
Viết tắt
MA
EMA


Data mining

MLP

Multi-Layer Perceptron

ARIMA

Autoregressive integrated moving average

DN

Doanh nghiệp

CK

Chứng khoán

PTKT

Phân tích kỹ thuật


6

DANH MỤC BẢNG BIỂU
Bảng 2.1 Các hàm chuyển ......................................................................................... 25
Bảng 3.1 Tổ chức dữ liệu IBM .................................................................................. 46
Bảng 3.2 Tổ chức dữ liệu của mô hình ....................................................................... 48
Bảng 4.1 Các trường hợp của tham số đầu vào mạng nơ-ron ..................................... 59

Hình 4.6 Kết quả dự đoán mô hình mạng nơ-ron với bộ tham số tối ưu ..................... 59
Hình 4.7 Mô hình mạng nơ-ron với bộ tham số tối ưu theo phương pháp vét cạn....... 60
Hình 4.8 Kết quả dự đoán của mô hình SVM............................................................. 61
Hình 4.9 Mô hình dự đoán SVM tối ưu theo phương pháp vét cạn............................. 62
Hình 4.10 Sơ đồ quá trình kết hợp giải thuật GA –SVM ............................................ 63
Hình 4.11 Kết quả mô hình dự đoán SVM tối ưu theo phương pháp GA ................... 64
Hình 4.12 Kết quả dự đoán bằng mô hình ARIMA kết hợp phương pháp vét cạn ...... 66


8

MỞ ĐẦU
Dữ liệu tài chính luôn là nguồn dữ liệu vô cùng phong phú trong giai đoạn hiện
nay. Đặc biệt, sự phát triển mạnh mẽ của công nghệ thông tin cùng mạng internet đã
giúp con người có thể dễ dàng tiếp cận với kho dữ liệu khổng lồ đó. Tuy nhiên, trên
thực tế, con người cần phải biết chắt lọc, chọn lựa những thông tin có ích nhằm phân
tích, khai thác, phát hiện tri thức bên trong dữ liệu đó một cách hiệu quả. Các phương
pháp quản trị và khai thác dữ liệu thủ công, truyền thống tỏ ra kém hiệu quả trước nhu
cầu khai thác và phát hiện thông tin trong giai đoạn hiện nay. Từ đó, kỹ thuật phát hiện
tri thức và khai phá dữ liệu (KDD – Knowledge Discorvery and Data Mining) ra đời
đã đem lại hiệu quả cao trong vấn đề khai thác và phát hiện tri thức, áp dụng trên nhiều
lĩnh vực khác nhau, đặc biệt là trong quản lý vĩ mô và kinh doanh mà cụ thể hơn nữa
là trong thị trường chứng khoán.
Việc dự đoán thị trường chứng khoán là một bài toán đang được nhiều người
quan tâm. Sự không tuyến tính của thị trường kèm theo đó là tác động của nhiều yếu tố
bên ngoài cũng làm ảnh hưởng tới quá trình thay đổi của thị trường chứng khoán. Vì
vậy, làm thế nào để dự đoán chính xác được sự lên xuống của thị trường là một bài
toán mà mọi nhà đầu tư đều quan tâm, tìm hiểu, nghiên cứu và phân tích.
Đã có rất nhiều nghiên cứu trên thế giới (trong đó có Việt Nam) về bài toán dự
báo thị trường chứng khoán sử dụng các mô hình khai phá dữ liệu khác nhau. Năm

Nội dung chủ yếu của chương 4 là ứng dụng 3 mô hình đã nghiên cứu để dự báo
thị trường chứng khoán. Mỗi mô hình lần lượt được chạy trên bộ tham số ngẫu nhiên,
bộ tham số tối ưu sử dụng phương pháp vét cạn và bộ tham số sau khi đã tối ưu sử
dụng phương pháp học máy (cụ thể là phương pháp gen di truyền). Từ đó so sánh,
đánh giá kết quả và đưa ra lựa chọn mô hình phù hợp với bộ dữ liệu cũng như lời
khuyên cho người dùng.


10

Chương 1. MỘT SỐ KIẾN THỨC CƠ BẢN VỀ TÀI CHÍNH
1.1 Một số khái niệm về tài chính
1.1.1 Phân tích tài chính
Các hệ thống tài chính chứa đựng một kho dữ liệu khổng lồ, phức tạp. Việc phân
tích tài chính là một nghiệp vụ cần thiết nhằm đánh giá tình hình kinh tế của đất nước,
của từng ngành, từng địa phương và trên cơ sở đó xác định được nhu cầu cần thiết của
xã hội và có những định hướng thỏa đáng. Đối với doanh nghiệp và các nhà đầu tư thì
việc đánh giá, phân tích hoạt động kinh doanh nhằm nắm bắt tình hình tài chính, kinh
doanh của doanh nghiệp, giúp họ đưa ra những phương hướng, quyết định đúng đắn
trong hoạt động kinh doanh, giúp doanh nghiệp tồn tại và phát triển theo một hướng đi
tốt.
Vậy Phân tích hoạt động tài chính doanh nghiệp là quá trình thu thập, xử lý các
thông tin kế toán, nhằm xem xét, kiểm tra, đối chiếu, so sánh tài chính hiện hành với
quá khứ, giúp người sử dụng thông tin có thể đánh giá tình hình tài chính DN, đánh giá
về tiềm năng, hiệu quả kinh doanh cũng như rủi ro trong tương lai.
Ý nghĩa của việc phân tích tài chính có giá trị khác nhau tùy thuộc vào mục đích,
nhu cầu của người sử dụng. Đối với chủ doanh nghiệp và các nhà quản trị doanh
nghiệp, mối quan tâm hàng đầu của họ là tìm kiếm lợi nhuận và khả năng tài trợ. Đối
với các nhà đầu tư thì mối quan tâm của họ là các yếu tố rủi ro, thời gian hoàn vốn,
mức sinh lãi và khả năng thanh toán vốn. Một điều chung ở đây ta nhận ra là họ đều

liệu trung bình của ngành, của doanh nghiệp khác để thấy mức độ phấn đấu của doanh
nghiệp được hay chưa được.
- So sánh theo chiều dọc để xem tỷ trọng của từng chỉ tiêu so với tổng thể, so sánh
theo chiều ngang của nhiều kỳ để thấy được sự thay đổi về lượng và về tỷ lệ của các
khoản mục theo thời gian.
Phương pháp phân tích tỷ lệ.
Phương pháp này được áp dụng phổ biến trong phân tích tài chính vì nó dựa trên
ý nghĩa chuẩn mực các tỷ lệ của đại lượng tài chính trong các quan hệ tài chính.
Phương pháp tỷ lệ giúp các nhà phân tích khai thác có hiệu quả những số liệu và
phân tích một cách có hệ thống hàng loạt tỷ lệ theo chuỗi thời gian liên tục hoặc theo
từng giai đoạn. Qua đó nguồn thông tin kinh tế và tài chính được cải tiến và cung cấp
đầy đủ hơn. Từ đó cho phép tích lũy dữ liệu và thúc đẩy quá trình tính toán hàng loạt
các tỷ lệ như:
- Tỷ lệ về khả năng thanh toán: Được sử dụng để đánh giá khả năng đáp ứng các
khoản nợ ngắn hạn của doanh nghiệp.
- Tỷ lệ và khả năng cân đối vốn, cơ cấu vốn và nguồn vốn: Qua chỉ tiêu này
phản ánh mức độ ổn định và tự chủ tài chính.
- Tỷ lệ về khả năng hoạt động kinh doanh: Đây là nhóm chỉ tiêu đặc trưng cho
việc sử dụng nguồn lực của doanh nghiệp.
- Tỷ lệ về khả năng sinh lời: Phản ánh hiệu quả sản xuất kinh doanh tổng hợp
nhất của doanh nghiệp.
Kết luận: Các phương pháp trên nhằm tăng hiệu quả phân tích. Chúng ta sẽ sử
dụng kết hợp và sử dụng thêm một số phương pháp bổ trợ khác như phương pháp liên


12
hệ, phương pháp loại trừ nhằm tận dụng đầy đủ các ưu điểm của chúng để thực hiện
mục đích nghiên cứu một cách tốt nhất.
1.1.3 Dự báo tình hình tài chính
Dự báo tình hình tài chính là một yêu cầu cần thiết để kế hoạch hoá tài chính

chứng khoán. Việc mua bán được tiến hành ở hai thị trường sơ cấp và thứ cấp, do vậy
thị trường chứng khoán là nơi chứng khoán được phát hành và trao đổi.
Các hình thức của thị trường chứng khoán bao gồm: thị trường tập trung, thị
trường phi tập trung và thị trường chợ đen.


13
Với mỗi một mã chứng khoán trên sàn giao dịch đều bao gồm các chỉ số cơ bản
như:
- Cột giá tham chiếu: Là giá đóng cửa của ngày giao dịch trước đó và là cơ sở để
xác định giá trần, giá sàn của ngày giao dịch hiện tại.
- Cột giá trần: Là mức giá cao nhất mà nhà đầu tư có thể đặt lệnh mua, lệnh bán
chứng khoán.
- Cột giá mở cửa: Là mức giá thực hiện đầu tiên trong ngày giao dịch.
- Cột giá đóng cửa: Là mức giá thực hiện cuối cùng trong ngày giao dịch.
- Cột giá khớp lệnh: Là mức giá tại đó khối lượng CK được giao dịch nhiều nhất.
- Cột khối lượng khớp lệnh: Là khối lượng CK được thực hiện tại giá khớp lệnh.
- Cột chênh lệch (+/-): Là thay đổi của mức giá hiện tại so với giá tham chiếu trong
ngày giao dịch (= giá hiện tại – giá tham chiếu).
- Cột mua: Gồm 6 cột biểu thị cho 3 mức giá đặt mua cao nhất tương ứng với các
khối lượng đặt mua tại các mức giá cao nhất đó. Khi kết thúc phiên giao dịch Bảng
điện tử sẽ hiện thị các thông tin về khối lượng CK tương ứng với các mức giá chưa
được khớp lệnh (dư mua).
- Cột bán: Gồm 6 cột biểu thị cho 3 mức giá đặt bán thấp nhất tương ứng với các
khối lượng đặt bán tại các mức giá thấp nhất đó. Khi kết thúc phiên giao dịch Bảng
điện tử sẽ hiện thị các thông tin về khối lượng CK tương ứng với các mức giá chưa
được khớp lệnh (dư bán và dư mua).
1.2.2 Phân tích kỹ thuật
Khái niệm:
Phân tích kỹ thuật (PTKT) là việc nghiên cứu giá, với công cụ cơ bản là biểu đồ,

tượng kinh tế và xã hội. Nhưng hiện nay do khoa học kỹ thuật phát triển, diễn biến của
thị trường chứng khoán ngày càng phức tạp cho nên loại biểu đồ này ngày càng ít
được sử dụng nhất là trên các thị trường chứng khoán hiện đại. Hiện nay nó chủ yếu
được sử dụng trên các Thị trường chứng khoán mới đi vào hoạt động trong thời gian
ngắn, khớp lệnh theo phương pháp khớp lệnh định kỳ theo từng phiên hoặc nhiều lần
trong một phiên nhưng mức độ giao dịch chưa thể đạt được như Thị trường chứng
khoán dùng phương pháp khớp lệnh liên tục. Ưu điểm của loại biểu đồ này là dễ sử
dụng, lý do chính là vì nó được sử dụng trên tất cả các Thị trường chứng khoán trên
khắp thế giới từ trước tới nay.

Hình 1.1 Biểu đồ dạng đường


15
Biểu đồ dạng then chắn (Bar chart)
Các Thị trường chứng khoán hiện đại trên thế giới hiện nay chuyên viên phân
tích thường dùng loại biểu đồ này trong phân tích là chủ yếu lý do chính. Do tính ưu
việt của nó đó là sự phản ánh rõ nét sự biến động của giá chứng khoán.

Hình 1.2 Biểu đồ dạng then chắn
Hai kí tự mà dạng biểu đồ này sử dụng đó là:

Hình 1.3 Kí tự trong biểu đồ dạng then chắn
Loại biểu đồ này thường được áp dụng để phân tích trên các Thị trường chứng
khoán hiện đại khớp lệnh theo hình thức khớp lệnh liên tục, độ dao động của giá
chứng khoán trong một phiên giao dịch là tương đối lớn.
Biểu đồ cây nến (Candlestick chart)
Đây là dạng biểu đồ cải tiến của biểu đồ dạng then chắn (Bar chart), nó
được người Nhật Bản khám phá và áp dụng trên thị trường chứng khoán của họ đầu
tiên. Giờ đây nó đang dần được phổ biến hầu hết trên các thị trường chứng khoán hiện

ra những tri thức hữu ích.
Ngày nay, khai phá dữ liệu đang được áp dụng một cách rộng rãi trong nhiều lĩnh
vực kinh doanh và đời sống khác nhau [12]: marketing, tài chính, ngân hàng và bảo
hiểm, khoa học, y tế, an ninh, internet… Rất nhiều tổ chức và công ty lớn trên thế giới
đã áp dụng kỹ thuật khai phá dữ liệu vào các hoạt động sản xuất kinh doanh của mình
và thu được những lợi ích to lớn.

Hình 2.1 Mô hình khai phá dữ liệu
Khai phá dữ liệu là một công nghệ mạnh mẽ có tiềm năng rất lớn để giúp người
dùng tập trung vào các thông tin quan trọng nhất trong kho dữ liệu của họ. Nhờ việc
khai phá dữ liệu dự đoán xu hướng và hành vi trong tương lai, cho phép các doanh
nghiệp đưa ra những quyết định trong tương lai theo huđể thực hiện, quyết định kiến
thức theo hướng chủ động. Việc phân tích, đưa ra những quyết định nhờ quá trình
khai phá dữ liệu dựa vào phân tích dữ liệu trong quá khứ của hệ thống hỗ trợ ra quyết
định. Khai phá dữ liệu giúp cho người dùng tiết kiệm thời gian trong quá trình đưa ra
quyết định của mình.


18
Vậy, Khai phá dữ liệu là một tập hợp các kỹ thuật được sử dụng để tự động khai
thác và tìm ra các mối quan hệ lẫn nhau của dữ liệu trong một tập hợp dữ liệu khổng
lồ và phức tạp, đồng thời cũng tìm ra các mẫu tiềm ẩn trong tập dữ liệu đó.
Khai phá dữ liệu là một bước trong bảy bước của quá trình khai phá tri thức từ
CSDL. Quá trình này bao gồm [3]:
1. Làm sạch dữ liệu (data cleaning): Loại bỏ nhiễu và các dữ liệu không cần
thiết.
2. Tích hợp dữ liệu: (data integration): Tích hợp dữ liệu từ các nguồn khác nhau
như: CSDL, Kho dữ liệu, file text…
3. Trích chọn dữ liệu (data selection): trích chọn dữ liệu từ những kho dữ liệu và
sau đó chuyển đổi về dạng thích hợp cho quá trình khai thác tri thức. Quá trình này

cách đều nhau. Các mô hình chuỗi thời gian được đặc biệt áp dụng trong dự báo ngắn
hạn. Trong các bài toán dự báo nói chung và các bài toán dự báo tài chính và chứng
khoán nói riêng, dữ liệu thường được biểu diễn dưới dạng chuỗi thời gian. Trong các
dạng dữ liệu được phân tích thì dữ liệu chuỗi thời gian luôn thuộc tốp đầu về tính phổ
biến.
Khai phá dữ liệu thời gian thực ở đây được hiểu là việc khai phá dữ liệu dựa trên
dữ liệu chuỗi thời gian.
2.2 Phân lớp dữ liệu
Phân lớp (Classification) là việc phân loại các mẫu thành một tập rời rạc của
các nhóm có thể.
Phân lớp là một quá trình gồm hai bước.
Bước thứ nhất (huấn luyện - learning)
Quá trình học nhằm xây dựng một mô hình mô tả một tập các lớp dữ liệu hay
các khái niệm định trước. Mô hình này được xây dựng bằng cách phân tích các thuộc
tính của dữ liệu. Mỗi dữ liệu được giả thiết rằng thuộc một lớp đã định nghĩa trước, và
được xác định bởi nhãn của lớp (class lable). Trong phân lớp, dữ liệu được phân tích
để xây dựng một mô hình tập hợp từ tập dữ liệu huấn luyện (training data set). Dữ liệu
riêng lẻ tạo ra tập huấn luyện còn được gọi là mẫu huấn luyện (training examples) và
được chọn ngẫu nhiên. Nếu các mẫu huấn luyện được đánh nhãn, bước này còn được
gọi là học có giám sát (Supervised learning). Nó đối lập với học không giám sát
(unsupervised learning), thường được gọi là phân cụm, trong đó nhãn cho mẫu huấn
luyện là không biết và số lượng tập hợp của các lớp được học có thể không biết. Một
số mô hình học thông dụng được sử dụng nhiều trong thực tế là luật kết hợp, cây quyết
định (Decision tree), mạng nơ-ron, SVM…
Bước thứ hai (phân lớp - classification)
Bước thứ hai là sử dụng mô hình đã được xây dựng ở bước một để phân loại
các mẫu dữ liệu chưa có nhãn vào lớp tương ứng. Đầu tiên sẽ đánh giá sự chính xác
khi dự đoán. Có một số cách để đánh giá sự chính xác. Cách thường được dùng là
phương pháp tiếp cận holdout, nó đánh giá sự chính xác dự báo của mô hình bằng việc
đo độ chính xác trên một tập các mẫu mà tập này không được phép dùng khi xây dựng

thì axon mới phát một xung điện thế, còn nếu không thì nó ở trạng thái nghỉ.
- Synapse là các mối nối đặc biệt để liên kết axon với các dendrites hoặc trực
tiếp với nhân của các nơ-ron khác. Thông thường mỗi nơ-ron có thể có từ vài chục cho
tới hàng trăm ngàn khớp nối để nối với các nơ-ron khác. Người ta ước tính mỗi nơ-ron
trong bộ não của con người có khoảng 104 khớp nối.

Hình 2.2 Mô hình nơ-ron sinh học


21
Chức năng cơ bản của các tế bào nơ-ron là liên kết với nhau để tạo nên hệ thống
thần kinh điều khiển hoạt động của cơ thể sống. Các tế bào nơ-ron truyền tín hiệu cho
nhau thông qua các dây thần kinh vào và ra, các tín hiệu đó có dạng xung điện và được
tạo ra từ các quá trình phản ứng hoá học phức tạp. Tại nhân tế bào, khi điện thế của tín
hiệu vào đạt tới một ngưỡng nào đó thì nó sẽ tạo ra một xung điện dẫn tới trục dây
thần kinh ra. Xung này truyền theo trục ra tới các nhánh rẽ và tiếp tục truyền tới các
nơ-ron khác.
 Mạng nơ-ron nhân tạo
Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) ra đời xuất phát từ ý
tưởng mô phỏng hoạt động của hệ thần kinh con người[13].
Mạng nơ-ron nhân tạo là mạng các phần tử (gọi là nơ-ron) kết nối với nhau thông
qua các liên kết (gọi là trọng số liên kết) để thực hiện một công việc cụ thể nào đó.
Khả năng xử lý của mạng nơ-ron được hình thành thông qua quá trình hiệu chỉnh trọng
số liên kết giữa các nơ-ron, nói cách khác là học từ tập hợp các mẫu huấn luyện.
Mạng nơ-ron nhân tạo là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh
con người với vô số các nơ-ron được liên kết với nhau tạo thành hệ thống mạng. Giống
như bộ não con người, ANN được học bởi kinh nghiệm, lưu giữ những kinh nghiệm
đó và sau đó áp dụng những kinh nghiệm đó để giải quyết các bài toán cụ thể.
Mô hình mạng nơ-ron nhân tạo hiện nay đã được nhiều người quan tâm và đã áp
dụng rộng rãi trong nhiều lĩnh vực khác nhau như tài chính, y tế, địa chất và vật lý.

Trong đó:
 (x1, x2, …, xp), với p  1: là các tín hiệu đầu vào của nơ-ron. Các tín hiệu
này có thể là đầu ra của các nơ-ron trước nó hoặc đầu vào ban đầu của mạng và
thường được đưa vào dưới dạng một vector p chiều.
 (wk1, wk2, …, wkp) là tập các trọng số liên kết của nơ-ron k với p đầu vào
tương ứng (x1, x2, …, xp). Thông thường, các trọng số này được khởi tạo một cách
ngẫu nhiên ở thời điểm khởi tạo mạng và được cập nhật liên tục trong quá trình học
của mạng. Đây là thành phần rất quan trọng của nơ-ron, nó thể hiện mức độ quan
trọng (độ mạnh) của dữ liệu đầu vào đối với quá trình xử lý thông tin (quá trình
chuyển đổi dữ liệu từ Layer này sang layer khác). Quá trình học của một mạng nơ-ron
thực ra là quá trình điều chỉnh các trọng số (weight) của dữ liệu đầu vào để được kết
quả như mong muốn.
 ∑ là hàm tổng trên một nơ-ron, dùng để tính tổng các giá trị kích hoạt lên
nơ-ron đó. Thông thường, đây là tổng của các tích giữa đầu vào với trọng số liên kết
tương ứng của nơ-ron.


23

Hình 2.4 Cách tính hàm tổng
 Hình 2.4a: Hàm tổng của một nơ-ron đối với n input được tính theo công thức:

 Hình 2.4b: Hàm tổng đối với nhiều nơ-ron trong cùng một Layer được tính
theo công thức:

 uk là tổng các giá trị kích hoạt lên nơ-ron thứ k, giá trị này chính là đầu ra
của hàm tổng.
 bk là ngưỡng (còn gọi là hệ số bias) của nơ-ron thứ k, giá trị này được dùng
như một thành phần phân ngưỡng trên hàm truyền và cũng được cập nhật liên tục
trong quá trình học của mạng.