Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế ­trường hợp thị trường chứng khoán việt nam

1

THÔNG TIN LÊN MẠNG NHỮNG ĐIỂM MỚI CỦA LUẬN ÁN TIẾN SĨ
• Nghiên cứu sinh: Lê Đạt Chí
• Tên luận án: “Ứng dụng mơ 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 mơ hình hồi quy tuyến tính và phi tuyến để
phân tích và dự báo thị trường chứng khốn Việt Nam, gần như chưa có một mơ 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 mơ hình tiếp cận để phân tích và dự báo giá chứng khốn
là khơng phù hợp với đặc điểm của thị trường, của biến dự báo?... Qua q trình tìm hiểu,
những cơng trình nghiên cứu trên thế giới về lĩnh vực phân tích và dựa báo, Luận án chọn mơ
hình mạng thần kinh nhân tạo (ANN). Những luận cứ của mơ 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 mơ hình mạng ANN. Đồng thời, q
trình nghiên cứu mạng ANN trong việc ứng dụng vào thị trường tài chính khơng u cầu
những giả định nghiêm ngặt như mơ hình hồi quy. Điều này cho thấy, tính hấp dẫn của mơ
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 mơ hình
ANN trong dự báo thị trường chứng khoán Việt Nam.
Dựa trên mục tiêu nghiên cứu của luận án:
1.

Khả năng ứng dụng mơ hình ANN trong dự báo giá chứng khoán trên thị trường
chứng khoán Việt Nam.

2.

Lựa chọn cấu trúc mạng ANN phù hợp trong dự báo giá chứng khốn.

3.

Hiệu quả ứng dụng mơ hình ANN tốt hơn mơ hình hồi quy tuyến tính.

4.

Tìm ra nhóm biến có thể giúp dự báo giá chứng khốn trên thị trường chứng
khốn Việt Nam qua đó gợi ý một số chính sách liên quan.

Luận án đã giải quyết các mục tiêu này để đạt được các kết quả sau:
(1). Tìm ra cơ chế vận hành của mơ hình mạng ANN khi sử dụng để dự báo các biến
kinh tế theo chuỗi thời gian trong thị trường tài chính.
(2). Qua đó vận dụng mơ hình ANN để khảo sát khả năng dự báo giá chứng khoán
trên thị trường chứng khốn Việt Nam.
(3). Q trình nghiên cứu khả năng ứng dụng mơ hình mạng ANN vào dự báo giá
chứng khoán Việt Nam, luận án đã chỉ ra cấu trúc mạng truyền thẳng với hàm


2

truyền là hàm phi tuyến sẽ cho ra kết quả dự báo tốt hơn các cấu trúc mạng ANN
khác.
(4). Đồng thời, trong quá trình khả sát khả năng ứng dụng mơ hình ANN để dự báo
giá chứng khốn trên thị trường chứng khốn Việt Nam, luận án đã chứng minh
tính hiệu quả và sự vượt trội của mơ hình mạng ANN hơn hẳn mơ hình hồi quy

truyền thống thường được áp dụng lâu nay trên thị trường. Điều này cho thấy, khả
năng dự báo giá chứng khoán trên thị trường chứng khốn Việt Nam là hồn tồn
có thể thực hiện được nếu được tiếp cận trên các cấu trúc mạng ANN khác nhau
của mơ hình ANN. Điều này làm thay đổi những kết luận của những cơng trình
nghiên cứu trước đây khi phân tích và dự báo giá chứng khốn trên thị trường
chứng khốn Việt Nam.
(5). Khơng dừng lại ở kết quả trên, luận án tiếp tục khảo sát các biến giải thích có thể
có trên cơ sở thu thập thơng tin, luận án đã tìm kiếm các nhóm biến giải thích
khác nhau cho những khung thời gian phân tích khác nhau để tìm kiếm các biến
có khả năng dự báo tốt nhất. Qua đó, nhóm biến phản ánh tình hình tài chính của
doanh nghiệp niêm yết lại cho khả năng dự báo tốt nhất co sự thay đổi giá chứng
khoán trên thị trường chứng khoán Việt Nam. Tuy nhiên các biến vĩ mô cũng cho
ra tác động mạnh đến sự thay đổi về giá trên thị trường chứng khoán, nhưng mức
độ dự báo lại khơng cho kết quả chính xác hơn nhóm biến tài chính. Điều đáng
chú ý là, nếu cùng các biến khảo sát trên thì mơ hình hồi quy truyền thống lại tỏ ra
kém hiệu quả.
(6). Trong q 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 q
trình biến động giá chứng khốn trên thị trường chứng khốn Việt Nam. Q 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 khốn, chính hành vi này quyết định nên
xu hướng biến động trong giá chứng khốn mà chưa có mơ 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 mơ 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, cơng 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 cơng cụ hoặc mơ 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 mơ hình
mơ tả hành vi của chuỗi thời gian như sau.
Thứ nhất là các mơ hình tuyến tính: phương pháp tuyến tính để phân tích chuỗi thời
gian thường được áp dụng thơng qua một trong những kỹ thuật sau đây:
a.

Kỹ thuật Box Jenkins

b.

Bộ lọc Kalman

c.

Lý thuyết san bằng hàm mũ của Brown

d.

Hồi quy mẫu nhỏ

Thứ hai là các mơ hình phi tuyến:
a.

Lý thuyết Taken

b.

Phương trình MackeyGlass

Những kỹ thuật này cố gắng tái tạo lại chuỗi thời gian dựa trên các mẫu dữ liệu để dự
đoán giá trị tương lai. Mặc dù những kỹ thuật này có ý nghĩa thống kê nhưng chúng
có tỷ lệ thành công thấp khi được sử dụng để dự báo thị trường tài chính.
Những bằng chứng gần đây chỉ ra rằng thị trường tài chính là phi tuyến. Tuy nhiên,
phương pháp tuyến tính vẫn cung cấp những cách tiếp cận tốt để mơ tả hệ thống phi
tuyến được tìm thấy trong phân tích chuỗi thời gian thị trường tài chính (Fang và
cộng sự, 1994). Bollerslev (1986) cung cấp một cái nhìn tổng qt về sự tồn tại của
tính phi tuyến trong dữ liệu tài chính, và phát triển một mơ hình để dự đốn chuỗi

thời gian tài chính được gọi là GARCH (Generalized Autoregressive conditional
heteroskedasticity GARCH) kết hợp tất cả các đặc trưng quan sát được trong chuỗi
này. Nhưng nền kinh tế đang phát triển nhanh chóng (chứ khơng phải đi từ từ) theo
thời gian. Tuy nhiên, những đặc trưng này khơng dễ dàng được tính tốn bằng các
mơ hình tuyến tính, và điều này được chứng minh qua việc các hệ số ước lượng có
độ dốc lớn. Nhiều nhân tố tác động đến thị trường tài chính và nền kinh tế bao gồm


5

các sự kiện chính trị, điều kiện kinh tế nói chung, và kỳ vọng của nhà đầu tư. Vì vậy,
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 cơng cụ hữu
ích trong tài chính định lượng hiện đại và được biết đến như một kỹ thuật mơ hình
hóa thống kê hữu ích. ANN là một công cụ tốt cho cả các nhà nghiên cứu và những
nhà thực nghiệm. Mơ 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, mơ
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. Cơng 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 cơng
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, mơ 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 q
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 khốn, luận án cịn 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 mơ 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
và phần mềm đã giúp cài đặt những ứng dụng phức tạp của lý thuyết mạng thần kinh
nhân tạo. Lý thuyết mạng thần kinh nhân tạo những năm gần đây mới thực sự được
chú ý và nhanh chóng trở thành một hướng nghiên cứu đầy triển vọng trong mục
đích xây dựng mơ hình mơ phỏng theo trí tuệ con người. Sức mạnh thuộc về bản chất
tính tốn của các thuật tốn mạng, song những nghiên cứu thực nghiệm đã thành


6

công trong nhiều lĩnh vực, những nghiên cứu thực nghiệm trong lĩnh vực tài chính
cũng được sự quan tâm và cho ra nhiều kết quả tốt ở những nền kinh tế khác nhau.
Từ những nghiên cứu việc ứng dụng ANN để phân tích những chuỗi dữ liệu thời
gian nên được thực hiện dựa trên trấu trúc ANN nào cho các chỉ tiêu dự báo như tăng
trưởng kinh tế, biến động tỷ giá hối đối, và thậm chí là giá chứng khốn trên các thị
trường. Q trình nghiên cứu mạng ANN cịn được so sánh với những mơ hình
truyền thống hiện đang được sử dụng cho việc phân tích và dự báo trong lĩnh vực

kinh tế như mơ hình hồi quy tuyến tính, mơ hình hồi quy phi tuyến. Q trình nghiên
cứu này đã cho ra những kết quả lợi thế của mơ hình ANN đặc biệt là ở những thị
trường mới nổi trong phân tích và dự báo. Như vậy, ở thị trường Việt Nam liệu quá
trình triển khai nghiên cứu ứng dụng mơ hình ANN có hiệu quả khơng và có vượt
trội hơn các cơng cụ phân tích và dự báo khác? Trên cơ sở tiếp cận này, tôi đi vào
nghiên cứu quá trình hoạt động của mạng ANN trong lĩnh vực kinh tế, tài chính và
những kết quả nghiên cứu đạt được ở các thị trường khác trên thế giới để làm nền
tảng cho việc nghiên cứu.
3.

Mục tiêu nghiên cứu

Trên phương diện nghiên cứu mơ hình mạng ANN và những nguyên lý hoạt động
của nó để từ đó ứng dụng vào lĩnh vực kinh tế và tài chính vẫn còn là một nội dung
chưa được quan tâm nhiều. Trong phạm vi của nền kinh tế Việt Nam, tác giả tập
trung nghiên cứu việc ứng dụng mơ hình này để nhằm phân tích và dự báo giá chứng
khốn trên thị trường chứng khoán Việt Nam trước các biến giải thích khác nhau,
như là một minh chứng cho khả năng ứng dụng của mơ hình ANN trong dự báo kinh
tế. Qua quá trình ứng dụng ANN vào thị trường chứng khoán Việt Nam, luận án sẽ
giải quyết thêm một số vấn đề khác như: cấu trúc mạng ANN nào tốt cho vấn đề dự
báo giá chứng khoán trên thị trường chứng khốn Việt Nam, hiệu quả của mơ hình
ANN so với mơ 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.

Khả năng ứng dụng mơ hình ANN trong dự báo giá chứng khoán trên thị
trường chứng khoán Việt Nam.

2.

Lựa chọn cấu trúc mạng ANN phù hợp trong dự báo giá chứng khốn.

3.

Hiệu quả ứng dụng mơ hình ANN tốt hơn mơ hình hồi quy tuyến tính.

4.

Tìm ra nhóm biến có thể giúp dự báo giá chứng khốn trên thị trường chứng
khốn 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).

Mơ hình mạng ANN là gì và cơ chế vận hành của nó như thế nào trong thị
trường tài chính?

(2).

Những quan điểm và bằng chứng thực nghiệm trong việc ứng dụng mơ hình
ANN trong phân tích và dự báo trên thị trường tài chính?

(3).

Khả năng ứng dụng mơ hình ANN trong dự báo giá chứng khoán trên thị
trường chứng khoán Việt Nam?

(4).

Cấu trúc mạng ANN nào sẽ thích hợp để dự báo giá chứng khốn?

(5).

Liệu khả năng ứng dụng mơ hình ANN trong dự báo giá chứng khốn trên thị
trường chứng khốn Việt Nam có tính hiệu quả hơn mơ hình hồi quy tuyến
tính truyền thống?

(6).

Nếu mơ hình ANN tốt hơn thì những biến giải thích nào sẽ giúp cho chúng ta
sử dụng để phân tích và dự báo giá chứng khốn trên thị trường chứng khoán
Việt Nam?

Việc giải quyết các mục tiêu nghiên cứu trên cho thấy giá trị hiệu quả của mơ hình
ANN trong việc ứng dụng mơ hình này trong phân tích và dự báo các biến kinh tế.
Chính vì vậy, các chủ thể liên quan trong nền kinh tế bao gồm các nhà nghiên cứu và
các nhà thực hành sẽ áp dụng mơ hình ANN để thay thế hoặc bổ sung cho các
phương pháp hồi quy.
4.

Phương pháp nghiên cứu

Để giải quyết các nội dung nghiên cứu nêu trên, tác giả luận án đã sử dụng phương
pháp định lượng dựa trên việc nghiên cứu những thuật tốn mơ phỏng của mạng thần
kinh nhân tạo để tiến hành lựa chọn cấu trúc ANN thích hợp nhằm ứng dụng trong
dự báo giá chứng khốn. Việc triển khai q trình ứng dụng mơ hình ANN trong dự

báo giá chứng khoán trên thị trường chứng khoán Việt Nam được dựa trên quy trình
đề xuất 8 bước của năm nhà nghiên cứu Deboeck, Masters, Blum và Nelson và
Illingworth. Ngồi ra q trình thử nghiệm các cấu trúc mạng ANN được thực hiện
dựa trên phần mềm hỗ trợ xử lý dữ liệu có bản quyền NeuralSolution 5.0.
5.

Các phát hiện và kết quả nghiên cứu

Luận án của tác giả đã đóng góp các kết quả nghiên cứu sau:


8

•

Khả năng ứng dụng mơ hình ANN để dự báo giá chứng khoán trên thị trường
chứng khoán Việt Nam là hồn tồn có thể thực hiện.

•

Mơ 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 mơ 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 mơ hình ANN để dự báo giá chứng khốn
trên thị trường chứng khoán Việt Nam, luận án đã cho thấy rõ tác động của
các nhóm biến kinh tế vĩ mơ của nền kinh tế, nhóm biến thể hiện tình hình tài
chính của các doanh nghiệp niêm yết… lên sự thay đổi giá chứng khốn, trong
khi đó nếu dùng mơ hình hồi quy tuyến tính truyền thống thì gần như khơng
tìm thấy sự tác động này.

•

Qua q 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 MƠ HÌNH MẠNG THẦN KINH NHÂN TẠO TRONG DỰ
BÁO
Mỗi một mơ hình phân tích và dự báo đều dựa trên những nền tảng giả định khác
nhau. Các mơ 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 mơ 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 mơ hình phân tích và định giá chứng
khốn như mơ hình định giá tài sản vốn CAPM, mơ hình định giá quyền chọn Black
– Scholes, mơ hình đa nhân tố, mơ hình FamaFrench… Tuy nhiên, các mơ hình này
lại khơng mấy hiệu quả khi phân tích và dự báo những chỉ tiêu đầy tính biến động

trong thị trường tài chính. Một phương pháp mơ phỏng bộ não con người được xây
dựng dựa trên những nền tảng tiếp cận khác với các phương pháp trên. Quá trình
mơ phỏng này được gọi là mơ hình mạng thần kinh nhân tạo ANN. Những quy tắc
khi ứng dụng mô hình ANN khơng như những phương pháp dựa trên quan điểm phân
phối chuẩn. Q trình ứng dụng mơ hình ANN dựa trên quan điểm: các chủ thể tham
gia thị trường, quyết định xu hướng thị trường là những nhà đầu tư với những hiểu
biết khác nhau. Nói cách khác, chính nhà đầu tư khi tiếp nhận thông tin và sẽ đưa ra
quyết định trước những thông tin này dựa trên những hiểu biết và phân tích của
chính mình. Việc ứng dụng mơ hình ANN khá phổ biến trong lĩnh vực điện tử, sản
xuất rô bốt hay như trong lĩnh vực y học… Q trình ứng dụng mơ hình ANN trong
thị trường tài chính để phân tích và dự báo chỉ được quan tâm trong hơn một thập
niên gần đây. Quá trình ứng dụng này lớn mạnh nhờ sự hỗ trợ của ngành công nghệ
thông tin đã mang lại một số thành tựu nhất định về tính hiệu quả của mơ hình.
Chính vì vậy, tiếp cận nghiên cứu mơ hình ANN ở Việt Nam là rất cần thiết.

1.1.

Quan điểm lựa chọn cơng cụ phân tích và dự báo

Phương pháp phân phối chuẩn hay đường cong hình chng là một cơng cụ phổ biến
trong việc phân tích dữ liệu kinh tế tài chính đặc biệt là trong phân tích giá chứng
khốn. Phương pháp phân phối chuẩn chính là nền tảng tốn học cho học thuyết thị
trường hiệu quả của lĩnh vực tài chính. Quan điểm của phương pháp phân phối chuẩn
cho rằng, giá chứng khoán là độc lập ngẫu nhiên với nhau. Phương pháp này giúp
chúng ta hiểu một cách dễ dàng bằng cách đơn giản hóa và loại bỏ những yếu tố trừu
tượng mà chúng ta nghĩ rằng không phù hợp với hệ thống. Vấn đề ở đây chính là “sự
khơng phù hợp”. Trong thế giới thực, những thứ được xem là “không phù hợp” này
không cho thấy là không quan trọng mà hơn thế nó lại rất quan trọng. Benoit
Mandelbrot, tại trung tâm nghiên cứu của IBM tại Yorktown Heights, New York, đã

10

phát hiện ra rằng, các con số hoàn toàn khác so với quan điểm của phân phối chuẩn.
“Mỗi sự thay đổi giá cụ thể là ngẫu nhiên và không thể dự báo được. Tuy nhiên,
chuỗi sự thay đổi lại có sự phụ thuộc nhau trong một phạm vi” (Gleick, 1987, trang
86). Thực tế, giá cả hàng hóa và giá cả chứng khốn có quan hệ phi tuyến. Nhưng
câu hỏi đặt ra là tại sao giá chứng khốn 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 ln 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 trơng 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 khốn (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 khơng hồn tồn 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 khơng hồn tồn 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 hồn tồn và sự tối ưu của con người. Mơ hình mạng thần
kinh nhân tạo ANN được mô phỏng theo bộ não con người được dùng để dự báo
các biến kinh tế trong thị trường tài chính, đặc biệt là giá chứng khốn được thiết lập
trên nền tảng giả định “sự hợp lý có chừng mực” nêu trên. Do đó, luận án sẽ tiếp cận


11

việc ứng dụng mơ hình ANN để dự báo giá chứng khoán trên TTCK VN nhằm
chứng minh cho mục tiêu nghiên cứu.
1.2.

Mơ hình mạng thần kinh nhân tạo ANN

1.2.1. Mạng thần kinh nhân tạo và các đặc điểm cơ bản của bộ não
1.2.2. Những yếu tố tạo nên một mô hình mạng thần kinh nhân tạo
Hai thành phần chính cấu tạo nên ANN là các neuron và các synapse. Trong kiến
trúc của một mơ hình kết nối, các neuron chính là các nút mạng, được liên kết với
nhau thông qua các synpase, là các cung mạng.
Neuron là một đơn vị tính tốn có nhiều đầu vào và một đầu ra, mỗi đầu vào đến từ
một synapse. Đặc trưng của neuron là một hàm kích hoạt phi tuyến chuyển đổi một
tổ hợp tuyến tính của tất cả các tín hiệu đầu vào thành tín hiệu đầu ra. Hàm kích hoạt
này đảm bảo tính chất phi tuyến cho tính tốn của ANN.
Synapse là một thành phần liên kết giữa các neuron, nó nối đầu ra của neuron này
với đầu vào của neuron khác. Đặc trưng của synapse là một trọng số mà mỗi tín hiệu

đi qua đều được nhận với trọng số này. Các trọng số synapse chính là các tham số tự
do cơ bản của ANN, có thể thay đổi được nhằm thích nghi với mơi trường xung
quanh.
Q trình tích luỹ mạng (học) là một q trình mà trong đó các tham số tự do (các
trọng số synapse) được điều chỉnh nhằm mục đích thích nghi với mơi trường. Đối với
vấn đề học cho ANN người ta quan tâm tới ba yếu tố sau: Quy tắc học, mơ hình học,
thuật tốn học.
Thuật toán BackPropagation là thuật toán học kinh điển nhất và cũng được áp dụng
một cách phổ biến nhất cho các mạng tiến đa mức. Nó được xây dựng trên cơ sở Quy
tắc học hiệu chỉnh lỗi và Mơ hình học với một người dạy.
1.2.3. Cách thức huấn luyện một mơ hình mạng thần kinh
Mạng ANN được huấn luyện bằng cách liên tục đưa các cặp tín hiệu đầu vào và tín
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 ) tgần 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 ).


12

et =Tt Yt
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 ngồi mẫu thì ngồi các chỉ tiêu trên
cịn 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 mơ hình mạng thần kinh nhân tạo
•

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

1.3.

Một số mơ hình mạng thần kinh nhân tạo điển hình

1.3.1. Mơ hình mạng truyền thẳng (Feedforward Networks)
1.3.2. Mơ hình mạng truyền thẳng đa lớp (Multilayer Feedforward Networks)
1.3.3. Mơ hình mạng lặp lại (Recurrent Networks)
1.4.

Sự vượt trội của mơ hình mạng thần kinh trong phân tích và dự báo

Mơ hình ANN có những ưu điểm sau:
•

Trước tiên, ANN có thể tính tốn dữ liệu phi tuyến. Chúng có khả năng thực
hiện mơ hình hóa quan hệ phi tuyến mà khơng cần đến những điều kiện cho
trước về mối quan hệ giữa các biến đầu vào và các biến đầu ra.

•

Mơ hình này không đưa ra các giả thiết về giá trị của các hệ số khi ước lượng
và quan hệ hàm số giữa biến phụ thuộc và biến độc lập.

•

Bên cạnh đó, khi sử dụng mơ hình phi tuyến, các nhà kinh tế thường sử dụng
các thuật toán số học dựa trên giả định rằng chuỗi số liệu là liên tục. Với các
phương pháp này, người nghiên cứu thường sẽ phải lập lại việc ước lượng


13

nhiều lần để chắc rằng hệ số được ước lượng không rơi vào một trong số các
cực trị cục bộ (local optimum).
•

Thị trường tài chính của các nước có nền kinh tế mới nổi hoặc là các thị
trường có sự thay đổi và cải tiến mạnh mẽ sẽ là nơi thích hợp cho các phương
pháp này.

Tuy nhiên, bên cạnh những ưu điểm trên, mơ hình ANN lại có một số hạn chế:
•

Thứ nhất, vấn đề khó giải thích các trọng số ước lượng trong mơ hình hay cịn
gọi là vấn đề “hộp đen – Black box”.

•

Thứ hai, việc ứng dụng mơ hình ANN địi hỏi kích cỡ mẫu lớn.

•

Thứ ha, việc xây dựng một cấu trúc ANN phù hợp sẽ mất rất nhiều thời gian.

1.5.

Việc ứng dụng mơ hình ANN trong dự báo – bằng chứng thực nghiệm

Ý tưởng về việc xây dựng mơ hình mạng ANN đã xuất hiện từ những năm 1958,
khởi nguồn bởi Frank Rosenblatt. Tuy nhiên, phải đến những năm cuối thập kỷ 90,
những nghiên cứu ứng dụng của mơ hình ANN mới dần trở nên phổ biến. Bên cạnh
những ứng dụng trong lĩnh vực y học, cơng nghệ, mơ hình mạng ANN cịn được ứng
dụng rộng rãi trong kinh tế tài chính, đặc biệt là trong việc xây dựng các mơ hình
dự báo bao gồm dự báo chỉ số chứng khoán và dự báo các biến kinh tế vĩ mơ.
1.6.

Thiết kế một mơ 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
KHỐN VIỆT NAM
Mơ 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 q nhiều thơng số đầu vào cần được chọn lựa
phù hợp để phát triển một mơ hình dự báo hiệu quả cho thấy, quá trình thiết kế ANN
vẫn địi hỏi nhiều thời lượng, cơng 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
giá chứng khốn theo thời gian. Theo đó, q trình 8 bước cơ bản trong xây dựng
một ANN được trình bày thơng qua việc dự báo giá chứng khoán trên TTCN VN.
Một vấn đề quan trọng mà luận án tập trung giải quyết là khả năng dự báo giá
chứng khốn bằng mơ hình ANN? Liệu mơ hình ANN cho kết quả dự báo tốt hơn mơ
hình hồi quy truyền thống? Cấu trúc mạng ANN nào sẽ cho ra kết quả dự báo giá
chứng khoán tốt nhất? Khi khảo sát các biến dùng để dự báo thì các biến nào tác
động lên sự thay đổi của giá chứng khoán trên TTCK VN? Những vấn đề trên được
chứng minh trong phần này. Theo đó việc dự báo giá chứng khốn trên TTCK VN có

thể dự báo được khi sử dụng mơ hình ANN và cấu trúc mạng truyền thẳng là cấu
trúc cho ra kết quả dự báo tốt nhất. Mặt khác, nhóm biến phản ánh tình hình tài
chính của các doanh nghiệp là nhóm biến tác động mạnh đến sự biến động giá
chứng khoán trên TTCK VN.
2.1.

Thiết kế mạng thần kinh nhân tạo để dự báo giá chứng khốn với nhóm
biến kinh tế vĩ mô

2.1.1. Lựa chọn biến kinh tế vĩ mô tác động đến giá chứng khốn
Để thành cơng trong việc thiết kế hệ thống ANN phụ thuộc vào khả năng hiểu biết
của nhà nghiên cứu về vấn đề đang được nghiên cứu. Việc nhận thức được những
biến số nào đóng vai trị quan trọng trong thị trường đang được dự báo là điều kiện
tiên quyết và tiên khởi trong quy trình thiết kế một ANN. Dựa trên nền tảng này luận
án xem xét nhóm chỉ tiêu kinh tế vĩ mơ tác động lên giá chứng khoán này để làm các
biến đầu vào cho mơ hình trong q trình thiết kế một ANN.
2.1.2. Thu thập dữ liệu kinh tế
Việc thu thập số liệu được cân nhắc dựa trên yếu tố chi phí và tính sẵn có (tức khả
năng tiếp cận thơng tin của luận án) cho các biến số đã được chọn ở bảng 2.1. Quá
trình thu thập dữ liệu được tập hợp từ năm 2002 đến hết tháng 9/2010. Do tính tốn
dựa trên sự thay đổi qua các tháng nên dữ liệu có tổng cộng 104 quan sát.


15

Bảng 2.1: Các biến kinh tế đưa vào thiết kế ANN để dự báo VNIndex
STT Các biến
1
Lạm phát
2

3

4

5
6
7
8

Ký hiệu Miêu tả dữ liệu
CPI
Sự thay đổi tốc độ chỉ số giá tiêu dùng qua các
tháng từ nguồn dữ liệu của tổng cục thống kê
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
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
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
Cán cân thương mại TB
Thay đổi giá trị của cán cân thương mại qua
các tháng. Số liệu từ tổng cục thống kê
Cung tiền M2
M2
Tốc độ thay đổi cung tiền M2 qua các tháng.
Số liệu từ ngân hàng nhà nước và IMF
Tăng trưởng tín dụng CR
Tăng trưởng tín dụng qua các tháng. Số liệu từ
ngân hàng nhà nước và IMF
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 mơ hình
giải thích tốt nhất với 4 biến. Mơ hình 1: với biến đầu vào là CPI, IP, M2 và CR với
số PE trong mơ hình là 3. Mơ 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
trong 7 biến kinh tế vĩ mơ để dự báo VNI
Mơ hình

INPUT

Biến loại bỏ

Số PE MSE (Training)

MSE (CV)


16

Mơ hình 1

CPI, IP, M2, CR USD, LR, TB

3

0,013783

0,131202

Mơ hình 2

LR, IP, TB, CR

3

0,019331

0,073505

CPI, USD, M2

2.1.4. Phân chia dữ liệu được thu thập để huấn luyện ANN
Tập hợp huấn luyện được ANN sử dụng để học tập các mẫu hình tồn tại trong mối
quan hệ giữa các biến đầu vào. Trong trường hợp này luận án sử dụng 80% số quan
sát để huấn luyện mạng ANN trong tổng số 104 quan sát. Tập hợp dữ liệu kiểm tra
và xác nhận kết quả, luận án sử dụng số lượng mẫu bằng khoảng 10% tập hợp dữ liệu
quan sát, quá trình này được dùng để ước lượng khả năng khái quát hóa trong phân
tích mà ANN đã học tập được sau khi trải qua bước huấn luyện trước đó. Bước cuối
cùng trong quá trình huấn luyện là kiểm tra hiệu quả hoạt động của ANN đã trải qua
tập hợp huấn luyện và kiểm tra là xác minh hiệu quả dự báo của ANN trên một tập hợp
dữ liệu mà ANN chưa từng nhìn thấy trước đó. Tập hợp dữ liệu này được gọi là tập
hợp xác nhận tính hiệu quả, chúng được sử dụng để dự báo ngoài mẫu.
2.1.5. Xây dựng cấu trúc – Xác định thơng số của ANN
Có rất nhiều phương pháp để xây dựng một cấu trúc mạng ANN. Neurodynamic và
Architecture là hai thuật ngữ được sử dụng để miêu tả cách thức xây dựng một ANN.
Sự kết hợp giữa Neurodynamics và Architecture xác định cấu trúc của ANN.
Neurodynamic là thuật ngữ miêu tả tính chất của từng neuron trong ANN, bao gồm
loại hàm truyền (tuyến tính, phi tuyến, hàm phức…), cách thức kết hợp các biến số
đầu vào. Architecture là thuật ngữ miêu tả cách thức lựa chọn để liên kết các neuron
với nhau, bao gồm loại liên kết neuron và số lượng neuron trên mỗi lớp.
Mơ hình được xây dựng gồm có 3 lớp, một lớp đầu vào với các biến kinh tế vĩ mô
được miêu tả trong bảng 2.1, một lớp ẩn, một lớp đầu ra – đây là kết quả của VNI.
Klimasauskas (1993) qua thực nghiệm đã chứng minh được rằng, nếu mối quan hệ
giữa các biến đầu vào mà ANN đang giả lập chỉ xoay quanh giá trị trung bình, hàm
truyền sin là hàm phù hợp nhất. Tuy nhiên, nếu mối quan hệ giữa các biến đầu vào
quá phân tán ra xa khỏi giá trị trung bình, hàm truyền dạng Tang hyperbol nên được
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 tốn theo quy tắc
“kim tự tháp” – số lượng PE trong lớp ẩn sẽ bằng ½ tổng số đầu vào và đầu ra
của mơ hình – tuy nhiên trong q trình chạy mơ hình để có được mơ 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 mơ hình có từ 1 đến 4 PE.
Mơ 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. Ngồi ra, mơ hình sử dụng thuật tốn
BackPropagation kết hợp với Momentum để điều chỉnh trọng số của mơ hình và
giảm thiểu sai số nhằm tìm được mơ 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,
q trình đánh giá tính phù hợp của mơ hình dự báo ngồi tiêu chuẩn MSE, ANN
cịn có một tiêu chuẩn khác là mức độ giải thích của mơ 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. Q trình chạy mơ hình để tìm ra những nhóm biến nào tác
động mạnh nhất đến VNI, đồng thời tìm ra mơ hình thích hợp cho từng nhóm biến,
địi hỏi phải huấn luyện nhiều lần trên mỗi mơ 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 mơ hình
đã tối ưu chưa và có bị q khít hay khơng.
2.1.8. Kết quả sử dụng mơ 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
cấu trúc mạng ANN để phân tích và dự báo giá chứng khoán VNI với cách thức phân
loại biến với MSE nhỏ nhất như bảng 2.3.
Bảng 2.3: Hai cấu trúc mạng ANN cho ra kết quả dự báo tốt nhất
Mơ hình
INPUT
Mơ hình 1 CPIIPM2CR
Mơ hình 2 LRIPTBCR

Số PE MSE (Training)
3
0,013783
3
0,019331

MSE (CV)
0,131202
0,073505

R Square
5,51%
25,46%

Điều đáng chú ý là MSE được thực hiện trong quá trình huấn luyện dữ liệu cho ra kết
quả thấp nhất cho các biến đưa vào mơ hình trong q trình phân loại biến. Việc giải

18

thích cho sự thay đổi trong VNI thời gian qua trên TTCK VN do tác động của các
biến: lạm phát, sản lượng công nghiệp, cung tiền M2 và tăng trưởng tín dụng của nền
kinh tế. Tuy nhiên, khi sử dụng mơ hình đã được huấn luyện để tiến hành dự báo ngồi
mẫu từ dữ liệu kiểm tra thì mơ hình 1 có sai số lớn hơn mơ hình 2. Điều quan trọng mơ
hình 2 cho ra hệ số tương quan (rSquare.) cao hơn giữa giá trị dự báo và giá trị thực tế
của VNI. Nói cách khác mơ hình 2: tác động của lãi suất, sản lượng công nghiệp, cán
cân thương mại và tăng trưởng tín dụng sẽ là những biến có thể dự báo tốt nhất cho
VNI. Mối quan hệ giữa giá trị dự báo và giá trị thực tế dù chỉ ở mức độ giải thích thấp
25,46% nhưng đã nói lên khả năng dự báo chiều hướng của VNI.
Như vậy, có thể thấy rằng khi đưa các biến kinh tế vĩ mơ vào để phân tích và dự báo
giá chứng khốn của TTCK VN thì mức độ giải thích và khả năng dự báo của mơ
hình cịn nhiều hạn chế, giá trị dự báo chưa cao. Một vấn đề đặt ra là phải chăng cấu
trúc mạng ANN trên chưa giải thích được tác động của các biến đầu vào này lên sự
thay đổi của VNI trong thời gian qua? Hoặc mơ hình ANN khơng hiệu quả hơn mơ
hình hồi quy tuyến tính truyền thống? Phần tiếp theo, luận án tiếp tục thay đổi cấu
trúc mạng ANN và so sánh với mơ 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 khốn với nhóm biến kinh tế vĩ mơ

2.2.1. Dự báo giá chứng khốn bằng cấu trúc mạng thần kinh nhân tạo được khái
quát hóa
Về cấu trúc của mơ 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 mơ 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 khơng có ngun 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 mơ hình trên, kết quả cho thấy sự hạn chế lớn của mơ
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, mơ hình trên đã rơi vào tình trạng “q 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 “q 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
trúc GNN4PE. Tuy nhiên, nếu so với mơ hình ANN được trình bày trong phần 2.1
thì hiệu quả của cấu trúc mạng GNN4PE cho dự báo tốt hơn. Tuy nhiên, mức độ
giải thích của mạng vẫn chưa cao chỉ mới đạt 39,17%. Chính vì vậy, luận án tiếp tục
thay đổi cấu trúc mạng ANN khác.
2.2.2. Dự báo giá chứng khoán dựa trên phân tích tác động của các biến kinh tế vĩ
mô theo cấu trúc mạng truyền thẳng
Trong phần này luận án tiến hành thử nghiệm với cấu trúc mạng ANN khác để kiểm
tra tính hiệu quả của mơ hình dự báo. Bên cạnh mạng GRNN thì cấu trúc mạng được
sử dụng phổ biến nhất vẫn là mạng ANN truyền thẳng với một lớp ẩn. Lần lượt tiến

hành huấn luyện mạng với cùng một cấu trúc dữ liệu như trên nhưng thay đổi số
neuron của lớp ẩn. Mạng ANN truyền thẳng, một lớp ẩn với số neuron ẩn lần lượt là
2, 3, 4, 5 được ký hiệu: MFF2PE, MFF3PE, MFF4PE, MFF5PE.
Bảng 2.7: Kết quả dự báo ngoài mẫu theo cấu trúc mạng ANN truyền thẳng
MFF2PE, MFF3PE, MFF4PE, MFF5PE
Mơ hình

MFF5PE

MFF2PE

MFF3PE

MFF4PE

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

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 mơ hình
mạng ANN dự báo tốt hơn so với mơ 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 mơ hình mạng thần kinh nhân
tạo với mơ hình hồi quy tuyến tính
•

Sử dụng mơ hình mạng ANN khơng có lớp ẩn và hàm truyền tuyến tính

Trong phần này luận án sẽ tiến hành xây dựng mơ hình tuyến tính để có cơ sở so
sánh giữa hai loại mơ hình với nhau. Với các dữ liệu đầu vào đã sử dụng ở bảng 2.1,
luận án tiến hành xây dựng mơ hình tuyến tính bằng cách sử dụng hàm truyền là hàm
tuyến tính và khơng có lớp ẩn trong mơ hình của mạng ANN. Kết quả của quá trình
huấn luyện mơ hình ANN này kém hơn mơ hình mạng phi tuyến trên.
•

Sử dụng mơ hình hồi quy tuyến tính truyền thống

Một phần của phụ lục 3 “Xây dựng mơ 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 mơ hình phải tn theo quy luật phân phối
chuẩn, các biến kinh tế vĩ mô khảo sát ở bảng 2.1 được đưa vào mơ hình
khơng đạt được điều kiện này.
Thứ hai: Trong phần xây dựng mô hình hồi quy tuyến tính truyền thống và
kiểm định của phụ lục 3 đã cho ra kết quả:
1.

Khi sử dụng hồi quy đơn biến để giải thích cho sự thay đổi trong VNI
thì khơng có mơ hình hồi quy đơn biến nào có ý nghĩa thống kê. Tuy
nhiên, nếu chúng ta điều chỉnh dữ liệu mang tính độ trễ một kỳ thì biến
cung tiền – M2 lại có thể giải thích cho sự thay đổi của VNI. Kết quả
giải thích của biến M2 rất thấp, chỉ là 2,83%.

2.

Khi sử dụng hồi quy đa biến thì mơ hình khơng có ý nghĩa thống kê,
khơng thể xây dựng được mơ hình hồi quy tuyến tính đa nhân tố từ các
biến kinh tế vĩ mơ để giải thích cho sự thay đổi của VNI.

Tóm lại, kết quả nghiên cứu này đã góp phần chứng minh được ưu thế vượt trội của
mơ hình mạng ANN phi tuyến trong việc phân tích và dự báo giá chứng khốn trên
TTCK VN so với mơ hình tuyến tính truyền thống trong trường hợp sử dụng các biến
số kinh tế vĩ mô làm nhập lượng đầu vào. Tuy nhiên, kết quả từ các mơ hình mạng
ANN cịn có một số hạn chế trong mức độ dự báo. Phần tiếp theo của luận án sẽ khảo


21

sát các nhóm biến khác được đưa vào mơ hình mạng ANN và so sánh chúng với mơ
hình hồi quy tuyến tính.
2.3.

Sự vượt trội của mơ hình mạng thần kinh nhân tạo so với mơ hình hồi
quy tuyến tính khi sử dụng các biến số tài chính

Bên cạnh các biến kinh tế vĩ mơ thì các biến phản ánh tình hình tài chính của các
doanh nghiệp niêm yết cũng thường được sử dụng làm nhập lượng đầu vào cho các
mô hình dự báo tỷ suất sinh lợi của các tài sản tài chính trên TTCK. Nghiên cứu của
Fama và French (1992) dựa trên các chứng khoán sàn giao dịch New York trong giai
đoạn từ 1963 đến 1990 đã đưa ra kết luận về sự tồn tại mối tương quan giữa tỷ suất
sinh lợi chứng khoán với các tỷ số tài chính như: tỷ số giá/giá trị sổ sách (P/B), tỷ số
giá/thu nhập mỗi cổ phần (P/E)… Trong những năm sau đó, nhiều nghiên cứu sử
dụng những phương pháp kiểm định khác nhau đã đi đến kết luận về sự hạn chế
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 mơ hình được sử dụng cũng sẽ ảnh hưởng đến
kết quả cuối cùng của q 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 khốn. Tuy nhiên, thực tế là các mơ hình phi tuyến sẽ có khả năng mơ
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 mơ hình phi tuyến cũng đã cho kết quả dự
báo tốt hơn so với mơ hình tuyến tính thơng thường. Bài nghiên cứu sử dụng mẫu dữ
liệu của các công ty niêm yết trên sàn giao dịch Tehran và mơ hình phi tuyến được
lựa chọn là mơ hình mạng ANN.
Dựa trên nền tảng đó, phần nghiên cứu này của luận án sẽ thiết lập hai loại mơ 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, mơ hình
tuyến tính truyền thống sẽ được sử dụng như một mơ 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. Mơ hình mạng ANN tuyến tính
Trước khi đi vào xây dựng mơ hình, với tập hợp dữ liệu thu thập được, chia dữ liệu
thành 3 tập nhỏ bao gồm: tập dữ liệu được dùng để huấn luyện, tập dữ liệu dùng để
xác nhận và tập dữ liệu để kiểm tra lại lần lược 60%, 15% và 25%. Sau khi xác định
được ba tập dữ liệu cần thiết, q trình chạy mơ hình ANN khơng có lớp ẩn và sử
dụng hàm truyền là hàm tuyến tính có kết quả MSE là khá thấp chỉ là 0,0014, tương
quan giữa kết quả dự báo và giá trị thực tế lên đến 87%.
2.3.2. Kết quả của mô hình hồi quy tuyến tính truyền thống
Phụ lục 3 “Xây dựng mơ hình hồi quy tuyến tính truyền thống để phân tích và dự báo
VNIndex” trong việc khảo sát các biến tài chính để phân tích và dự báo VNI trên
TTCK VN thời gian qua cho chúng ta kết quả sau:
Mơ hình hồi quy đơn biến với biến giải thích lần lược là biến CM và PE có
hiện tượng phương sai thay đổi hay nói cách khác, mơ hình hồi quy đơn biến
với hai biến trên khơng phù hợp.
Mơ hình hồi quy tuyến tính đơn biến với biến giải thích lần lược là biến ROA,
ROE, PB, EPS, PM khơng có hiện tượng phương sai thay đổi. Tuy nhiên, mơ
hình hồi quy đơn biến với biến giải thích ROA có hiện tượng tự tương quan
nên mơ hình với biến này khơng phù hợp. Nói cách khác, biến ROA khơng
thể sử dụng để giải thích cho sự thay đổi trong VNI.
Với mơ hình hồi quy đơn biến, các biến giải thích cịn lại là ROE, PB, EPS,
PM thì mơ hình đơn biến với biến PB cho ra mức độ giải thích cao nhất lên
đến 44,7% trong mơ hình. Như vậy chúng ta có thể kết luận mơ hình hồi quy
đơn biến với biến PB là mơ hình tối ưu nhất, chúng ta sử dụng mơ hình này để
đưa thêm biến vào mơ hình.
Kết quả hồi quy đa biến với một biến PB được lựa chọn và đưa thêm các biến
còn lại vào mơ hình để kiểm định thì biến giải thích PE thích hợp cho mơ hình
khi dừng lại việc kiểm định phương sai thay đổi và tự tương quan. Tuy nhiên


23

khi kiểm định tính chất đa cộng tuyến giữa các biến giải thích thì mơ hình
khơng phù hợp.
Kết luận: Nếu cấu trúc mạng ANN tuyến tính đã cho kết quả dự báo tốt hơn mơ hình
hồi quy tuyến tính truyền thống. Tuy nhiên, liệu rằng mơ hình phi tuyến của hệ thống
mạng ANN có thể hồn 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. Mơ hình mạng ANN phi tuyến khi khảo sát các biến tài chính
Sau khi xác định các biến số đầu vào cho mơ hình, thuật tốn 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 mơ 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

MLN 931

MLN 941

MLN 951

MLN 961

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

Mặc dù cấu trúc mạng ANN tuyến tính ban đầu đã cho ra kết quả dự báo VNI khá
tốt, nhưng độ chính xác của dự báo đã được cải thiện đáng kể khi sử dụng cấu trúc
mạng ANN phi tuyến.
Bên cạnh cấu trúc mạng ANN truyền thẳng đa lớn thì một dạng cấu trúc mạng
GRNN cũng được sử dụng khá phổ biến. Trong phần này sẽ chỉ tiến hành xây dựng
và huấn luyện hệ thống mạng GRNN với một lớp ẩn với lần lượt 5 và 6 neuron ẩn,
được ký hiệu lần lượt là GNN 951 và GNN 961. Kết quả dự báo ngoài mẫu đối
với hai cấu trúc này sau khi được huấn luyện lần lượt là:
Bảng 2.10: Kết quả kiểm định ngoài mẫu của GNN 951 và GNN 961
Chỉ tiêu

GNN 951

GNN 961

MSE

0,00132333

0,00064198

MAE

0,030073692

0,0218326

r

0,910328807

0,95020783

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 mơ
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 mơ hình mạng ANN lại cho kết quả tốt hơn. Tuy
nhiên, hiệu quả dự báo của mơ hình hồn tồn 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 mơ 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 q trình này khơng nằm ngồi mục tiêu của luận
án là tiếp tục tìm kiếm nhóm biến thích hợp để dự báo VNI và xác định mơ hình
mạng ANN có khả năng dự báo tốt hơn mơ hình hồi quy tuyến tính khơng.
2.4.

Phân tích và dự báo giá chứng khốn 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 mơ hình ANN đa lớp. Kết quả so sánh với mơ hình
tuyến tính truyền thống sử dụng phương pháp bình phương nhỏ nhất (OLS) cho thấy
mạng ANN phi tuyến ANN cho kết quả dự báo tốt hơn.
Xuất phát từ những ý tưởng trên, phần nghiên cứu này của luận án tiến hành xây
dựng hệ thống ANN để dự báo cho chỉ số VNI của TTCK VN bằng cách sử dụng các
chỉ số thị trường khác bao gồm chỉ số Dow (Mỹ), FTSE (Anh), N225 (Nhật) và
SSEC (Shanghai – Trung Quốc).
Kết quả cho thấy cấu trúc mạng ANN tuyến tính thật sự đã khơng thể “nắm bắt”
được mối tương quan giữa VNI với các chỉ số thị trường khác. Tuy chỉ tiêu MSE khá
nhỏ, ở mức 0,001634 và chỉ tiêu MAE cũng chỉ ở mức 0,0279, nhưng chỉ tiêu r lại
đạt mức 0,078%.
Tuy nhiên, dưới góc độ kỹ thuật, kết quả dự báo trên có thể là do mơ hình được sử
dụng, trong trường hợp này là cấu trúc mạng ANN tuyến tính, phải chăng là chưa
phù hợp. Thực tế có thể là mối tương quan giữa chỉ số VNI của TTCK VN với các
chỉ số thị trường khác là phi tuyến. Để làm rõ điều này, luận án tiếp tục tiến hành xây
dựng cấu trúc mạng ANN và so sánh kết quả kiểm định ngoài mẫu với cấu trúc trên.
Về cấu trúc của hệ thống mạng, sau nhiều thử nghiệm khác nhau, luận án lựa chọn
xây dựng bốn cấu trúc lần lượt là: MLF 441: Cấu trúc mạng truyền thẳng đa lớp chỉ