ứng dụng mô hình hóa mờ trong dự báo giá cổ phiếu

Lời cảm ơn

Lời đầu tiờn, em xin được gửi lời cỏm ơn chừn thành tới cỏc thày cụ giỏo
thuộc trường Đại học Bỏch Khoa Hà Nội, những người đó tận tìnhchỉ dạy tất
cảkiến thức đại cương và chuyờn ngành cho em trong suốt quá trình học tập và
nghiờn cứu tại trường.
Trong quá trình thực hiện đồ án tốt nghiệp em đã học hỏi được thêm rất nhiều
điều, đó cũng là cơ hội để em tổng kết những kiến thức đã được học, đồng thời rút
ra những kinh nghiệm quý báu. Mặc dù có một số khó khăn và vướng mắc trong
thời gian hoàn thiện đồ ỏn, nhưng nhờ sự chỉ bảo, hướng dẫn tận tình của thầy
giáo, PGS. TS. Trần Đình Khang - bộ môn Hệ thống thông tin – Viện Công Nghệ
Thông Tin và Truyền Thông - trường Đại học Bỏch Khoa Hà Nội,em đó kịp thời
khắc phục và có thể nói đồ án được hoàn thành ở một mức độ nhất định.Bờn cạnh
những kết quả đó đạt được, chắc chắn em sẽ không tránh khỏi những thiếu sót và
hạn chế. Sự phê bình, nhận xét của thầy cô là những bài học quý báu cho công
việc và nghiờn cứu của em sau này.
Một lần nữa em xin chân thành cảm ơn sự giúp đỡ của các thầy cô, đặc biệt là
PGS. TS. Trần Đình Khang đã giúp đỡ em hoàn thành đồ ỏn tốt nghiệp này.Em
cũng xin được gửi lời cảm ơn sâu sắc đến gia đình, bạn bè đã luôn ở bên, ủng hộ,
động viên tinh thần cho em trong suốt quỏ trình thực hiện đồỏn.
Xin kính chúc quý thầy cô mạnh khỏe,hạnh phúc, tiếp tục đạt được nhiều thành
công trong nghiờn cứu khoa học cũng như trong sự nghiệp trồng người.


Hà Nội,
thỏng 5 năm 2010
Sinh
viờn thực
hiện

Đào
Mạnh
Sơn
TểM TẮT NỘI DUNG ĐỒ ÁN TỐT NGHIỆP

Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 74



trường chứng khoán. Sử dụng kỹ thuật mô hình húa mờ trong dự báo tài chính có ý
nghĩa thực tiễn rất lớn, đặc biệt trong lĩnh vực thị trường chứng khoán, và việc sử
dụngphương phỏp mới này góp phần làm tăng độ chính xác trong kết quả tính toán so
với cỏc phương phỏp đó từng được sử dụng trước đừy với tập mờ loại một thông thường.
Mô hình xừy dựngtrong đồ ỏn dựa trờn nền tảng Hệ suy diễn mờ Mamdani, được kết
cấu từ một bộ các mô hình mờ nhúng;sau đó lựa chọn ra mô hình phù hợp nhất để suy
diễn với bất cứ một dữ liệu đầu vào cho trước nào. Kết qủa thực nghiệm trờn dữ liệu cổ
phiếu do Michio Sugeno và Takahiro Yasukawa cung cấp trong “A Fuzzy - Logic -
Based Approach to Qualitative Modeling”lEEE TRANSACTIONS ON FUZZY
SYSTEMS, VOL. I, NO. I. FEBRUARY 1993.
ABSTRACT OF THE THESIS
My project introduces a new fuzzy system modeling method, that using Type
2 fuzzysetsin finance control, specifically, is stock price prediction in securities market.
Applying fuzzy system modelling technology in finance prediction has a major practical
meaning. Especially, in securities market area, and the usage of this new method can
contribute to increasing degree of accuracy in calculating result in compared with the
methods have used before with normal Type 1 fuzzy sets. The built model in project was
based on the foundation of “ Mamdani Fuzzy Deducing System”, that was composited
from a set of embedding fuzzy model; then choose the most appropriate model to deduce
with any given input data. The experimental result on stock data supported by Michio
Sugeno and Takahiro Yasukawa in “ A Fuzzy - Logic - Based Approach to Qualitative

Modeling” LEEE TRANSACTIONS ON FUZZY SYSTEM, VOL. I. NO I.
FEBRUARY 1993.
PHIẾU GIAO NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP
1. Thông tin về sinh viên
Họ và tờn sinh viờn: …Đào Mạnh
Sơn……………………………………………………
Điện thoại liờn lạc: 0904 572
594EmailEmail Email:
Lớp: HTTTB - K50 Hệ đào tạo: Hệ đào tạo: Hệ đào tạo: Đại học chính
quy
Đồ ỏn tốt nghiệp được thực hiện tại: Bộ môn HTTT – Viện CNTT & Truyền Thông
Thời gian làm ĐATN: Từ ngày 16 / 02 / 2010 đến 28 / 05 / 2010
2. Mục đích nội dung của ĐATN


3. Cỏc nhiệm vụ cụ thể của ĐATN




DANH MỤC BẢNG VÀ HốNH VẼ

Hình 2. 1: Một số dạng hàm thuộc thông
dụng…………………………………………. 16
Hình 2. 2: Hàm thuộc có mức chuyển đổi tuyến
tính………………………………… 16
Hình 2. 3:Miền xỏc định và miền tin cậy của một tập
mờ…………………………… 17
Hình 2. 4: Hàm thuộc tuyến tính từng khúc dạng tam giác (trimf) và dạng hình
thang

Hình 2. 6: Ví dụ về hàm thuộc loại hai.
………………………………………………….21


Hình 4. 14: Cấu trúc mô hình suy diễn, hàm thuộc của các biến vào ra và tập luật của mô


THUẬT NGỮ VÀ CÁC TỪ VIẾT TẮT
Thuật ngữ Giải thích
FCM Viết tắt củaFuzzy C-Means, là phương pháp phân cụm mờ giúp chúng ta
xác định các tâm cụm dữ liệu và độ thuộc của từng dữ liệu đối với từng
cụm mờ
LFR Viết tắt củaLinguistic Fuzzy Rulebase là cơ sở luật ngữ nghĩa dùng cho các
mô hình mờ điển hình là mô hình Mamdani.
FT2FS Viết tắt củaFull Type 2Fuzzy Sets, FT2FS là một bộ mờ đặc trưng với một
hàm thuộc mờ hơn là với một giá trị vô hướng trong khoảng đơn vị
IVT2FS Viết tắt củaInterval Type 2Fuzzy Sets, IVT2FS là một trường hợp đặc biệt
của FT2FS khi có độ thuộc thứ cấp bằng 1
DT2FS Viết tắt củaDiscreteType 2Fuzzy Sets, giống với IVT2FS nhưng với cỏc
giỏ trị rời rạc
RMSE Viết tắt của Root Mean Square Error, sai số bình phương tiêu chuẩn là chỉ
tiêu được dùng để đánh giá sai số trong đồ án.
FDT Viết tắt của Fuzzy Decision Tree, là giải thuật cây quyết định dùng trong lo
– gic mờ được Mohd Noor Md Sap và Rashid Hafeez Khokhar sử dụng để
dự báo chiều tăng giảm của giá cổ phiếu.
ANFIS Viết tắt của Adaptive Neuro-Fuzzy Inference System, là một kỹ thuật
ghộpnối giữa điều khiển mờ và mạng nơ-ron đã mang lại nhiều thành công
trong kỹ thuật điều khiển.

NN Viết tắt củaNotron Network, là phương phỏp mạng nơ-ron.
LR Viết tắt của Linear Regression, là phương pháp hồi quy tuyến tính
LỜI MỞ ĐẦU
Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 9




Kỹ thuật mô hình húa trải qua thời gian đã chứng tỏ được thế mạnh và tầm quan trọng
của mình, nú giúp con người mô phỏng lại hệ thống thực, có thể bắt chước đủ chính xác
hành vi của hệ thống đó, thể hiện qua phản ứng đầu ra của mô hình khi có tác động phía
đầu vào so với thực nghiệm. Mô hình được xây dựng có ý nghĩa rất quan trọng trong thực
tiễn, nú giúp con người tiết kiệm được chi phí cũng như hạn chế những tổn thất so với
thực nghiệm trong thế giới thực. Bằng việc tiến hành kiểm thử trên mô hình chúng ta sẽ
tiêu tốn ít thời gian hơn, công việc phải làm đơn giản hơn ví dụ như thay vỡ việc phải
chờ đợi một thời gian dài để quan sát một phản ứng húa học trơ, ta có thể tiến hành trên
một mô hình phản ứng mà công việc phải làm chỉ là cung cấp thông tin về lượng và chất
tham gia phản ứng rồi quan sát kết quả thu được. Yếu tố thời gian ở đây coi như đã bị
loại bỏ.
Kĩ thuật mô hình húa dựa trên công nghệ logic mờ cũng hội tụ đầy đủ các đặc trưng
trên. Tuy nhiên, lý thuyết tập mờ thông thường tiềm ẩn những mẫu thuẫn nhất định. Đó là
để phát triển bất cứ mô hình logic mờ nào, người thiết kế phải xây dựng hàm thuộc cho
các tập mờ trong hệ, hay là phải mô tả sự không chắc chắn bằng các hàm thuộc rõ ràng,
chắc chắn. Điều đó có nghĩa là việc biểu diễn sự không chắc chắn lại sử dụng các độ
thuộc mà bản thân chúng là các số thực chính xác.
Năm 1975, Zadeh giới thiệu khỏi niệm tập mờ loại hai nhằm giải quyết vấn đề trên. Đó
là thay vì độ thuộc là một số thực như với tập mờ thông thường, với tập mờ loại hai, độ
thuộc là một tập mờ loại một trên đoạn [0, 1]. Tập mờ loại hai thường được sử dụng trong
những trường hợp khó xác định chính xác giá trị độ thuộc của các phần tử trong không
gian nền.Trong bỏo cỏo Đồ ỏn tốt nghiệp này, em xin được trình bày về một kĩ thuật mô

hình húa mờ sử dụng tập mờ loại hai, một sự mở rộng của mô hình húa mờ sử dụng tập
mờ loại một, từ đó ứng dụng vào hệ thống dự báo giá cổ phiếu trong thị trường chứng
khoán.
Em xin chừn thành cảm ơn.

CHƯƠNG I: GIỚI THIỆU ĐỀ TÀI
1.1 GIỚI THIỆU ĐỀ TÀI
Đề tài “Ứng dụng mô hình húa mờ trong dự báo giá cổ phiếu” là một trong những ứng
dụng của logic mờ trong bài toán dự đoán. Đồ án giúp hiểu rõ hơn về lí thuyết tập mờ
Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 10



loại hai là sự phỏt triển nừng cao của tập mờ loại một, và ứng dụng trong việc dự đoỏn
giỏ cổ phiếu thị trường chứng khoỏn.
Đồ án không chỉ giúp ta hiểu được về lí thuyết tập mờnừng cao, xây dựng được
mô hình mờ mà còn giúp ta có thề mở rộng hướng phát triển, xây dựng được mô hình với
độ chính xác cao hơn có thể áp dụng được vào bài toán thực tế.
1.2 MỤC TIÊU VÀ GIẢ I PHÁP
1.2.1 Mục tiêu
Mục tiêu của đồ án là tìm hiểu về logic mờ sử dụng tập mờ loại hai rời rạc. Nghiên
cứu và tìm hiểu về hệ mờ, mô hình húa hệ mờ dựa trên dữ liệu thực nghiệm và mô phỏng
hệ thống nhằm dự đoán giá của cổ phiếu trong thị trường chứng khoỏn.
1.2.2 Giải pháp
1. 2. 2. 1 Tìm hiểu về logic mờ và mô hình húa.
Tìm hiểu các lí thuyết cơ bản về logic mờ loại một. Các bước của một quá trình
mô hình húa mờ sử dụng tập mờ loại hai rời rạc.
1. 2. 2. 2 Xừy dựng bộmô hình mờ loại một nhúng.
Mô hình suy diễn mờ nhúng loại một dựa trên cơ sở mô hình mờ Mamdani với bađầu
vào và một đầu ra. Biến vào thể hiện thông tin giá cổ phiếu ngày cần dự báo. Thông

tin đầu vào đã qua xử lí thô trước khi đưa vào học luật.
Xừy dựng tập luật cho mỗi mô hình mờ loại một nhúng từ dữ liệu thực nghiệm
dựa theo phương phỏp phừn cụm Fuzzy C - Means với cỏc giỏ trị độ mờ ( kí hiệu m- xác
định độ chồng chéo giữa các cụm mờ ), và với số cụm mờ ( kí hiệu c ) khác nhau.
1. 2. 2. 3 Xây dựng mô hình mờ loại hai
Sau khi xừy dựng được bộ các mô hình mờ loại một nhúng,chúng được kết hợp với
nhau tạo thành mô hình mờ loại hai, mỗi quan hệ thông qua bảng tra cứu m ( m - lookup
table ).
Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 11



Bước khởi tạo, cấu trúc mô hình được lựa chọn theo tri thức tiên nghiệm. Kế
đến giai đoạn điều khiển thích nghi được tiến hành trên tập dữ liệu mẫu. Tiếp theo, hiệu
năng hoạt động của mô hình được kiểm thử, thông thường là kết hợp cả phương pháp
định tính và phương pháp thống kê. Nếu mô hình sinh ra không đáp ứng được yêu cầu,
thiết kế ban đầu sẽ được sửa lại, và quá trình trên lặp lại cho tới khi một mô hình chấp
nhận được ra đời. Để tới đích, quá trình có thể trải qua một lượng đáng kể các bước lặp
và do đó chi phí tính toán cũng như thời gian là khá lớn.
Hình 2.7: Sơ đồ chu trình nhận dạng hệ thống tổng
quát.
Mô hình húa mờ:
Nhìn chung, quá trình mô hình hoá mờ liờn quan tới ba giai đoạn, Giai đoạn đầu tiên
thực hiện việc lựa chọn cấu trúc mô hình. Cấu trúc mô hình chứa đựng đặc tả cơ bản của
mô hình mờ bao gồm các thông tin về đầu vào, đầu ra mô hình, các giá trị ngôn ngữ biểu
diễn mỗi biến mờ, các định nghĩa hàm thuộc đặc trưng cho mỗi giá trị ngôn ngữ, định
nghĩa toán tử hợp thành sử dụng trong suy diễn, cơ chế mờ hoá và khử mờ, vân vân. Các
thông tin này có thể thu thập từ tri thức về vật lý hệ thống, thông thường được biểu diễn
dưới dạng công thức toán học. Cũng có khi, các thông tin này được khai thác từ những dữ
liệu thực nghiệm trên hệ thống thực. Kinh nghiệm của những thao tác viên hệ thống biểu

Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 21



để chia tập dữ liệu huấn luyện ra thành c cụm, với i=1. . . c , r = 1 NM và c = c
min
. . . c
max
.
sau đó tâm cụm thứ i sẽ sinh ra tập tiền đề kích cỡ NV và tập kết luận ( là các tập mờ )
được kí hiệu như sau :
,

Sau khi xỏc định v
i
X, r, c
và v
i
Y, r, c
cho mỗi cặp (m
r
,c), thì chúng ta cũng đã xác định được
cấu trúc mô hình tập mờ loại hai rời rạc cho tất cả cỏc trường hợpc= c
min
. . . c
max
.
Với tập luật :

Trong đó i = 1, , c và r=1, , NM.
Mỗi một mô hình mờ nhúng sẽ có một bộ luật cơ sở riêng tương ứng khi cho dữ liệu
luyện tập vào huấn luyện.
3. 2 XÂY DỰNG Mễ HốNH MỜ NHÚNG SỬ DỤNG TẬP MỜ LOẠI HAI
Mô hình mờ sử dụng tập mờ loại hai rời rạc sử dụng trong đồ án này được xây dựng
từ bộ mô hình mờ nhúng loại một nói trên. Sau khi thực hiện giải thuật phân cụm dữ liệu
FCM, gán nhãn cho từng cụm và xác định bộ luật cơ sở cho từng mô hình nhúng ta kết
hợp bộ mô hình đó tạo thành mô hình mờ loại hai, các mô hình mờ nhúng liên kết với
nhau thông qua bảng tra cứu m (m - lookup table) sẽ được trình bày ở phần sau.
3.2. 1Tối ưu mô hình mờ loại hai
Xỏc định số lượng phừn cụm tối ưu :


Với c = c
min
. . . c
max
, k=1. . . ND. Vậy ta có được tổng sai số bình phương cho một số
lượng cụm c cụ thể sẽ là SSE(c). SSE(c) được tính như sau :


Với c = c
min
. . . c
max
. Số lượng luật tối ưu c* lúc đó sẽ được xác định bằng biểu thức
sau :

Ở bước này, số lượng cụm tốt nhất c* đó được chọn và tất cả cỏc tham số tiền đề và

kết luận được xỏc định cho c* với cỏc giỏ trị độ mờ khỏc nhau, m M.
3.2. 2 Xừy dựng bảng tra cứu m
Bước cuối cùng của công đoạn xác định cấu trúc mô hình sẽ là xây dựng bảng tra cứu
m. Kí hiệu m
k
là giá trị độ mờ tối ưu ứng với một mô hình mờ loại một nhúng có sai số
bình phương nhỏ nhất cho dữ liệu huấn luyện đầu vào thứ k. m
k
được xỏc định như sau :




Ở đây ta đã xác định xong tất cả các tham số của tập tiền đề, kết luận và xác định được
bảng tra cứu m. Vậy bước xác định cấu trúc mô hình đã được hoàn thành.


Các vấn đề trình bày trong chương đều được khái quát húa thông qua các biểu diễn
toán học. Cơ sở luật được tạo ra từ các thuật toán này sẽ được sử dụng để biểu diễn mô
hình mờ Mamdani nhúng với công cụ của Matlab sẽ được trình bày trong chương tiếp
theo.
CHƯƠNG IV: XÂY DỰNG HỆ THỐNG DỰ BÁO GIÁ CỔ
PHIẾU TRONG THỊ TRƯỜNG CHỨNG KHOÁN
4. 1 GIỚI THIỆU CễNG CỤ MATLAB
MATLAB là một môi trường tớnh toỏn số và lập trình, được thiết kế bởi công
tyMathWorks. MATLAB cho phộp tớnh toỏn số với ma trận, vẽ đồ thị hàm số hay biểu
đồ thông tin, thực hiện thuật toỏn, tạo các giao diện người dùng và liên kết với
nhữngchương trình máy tính viết trờn nhiều ngôn ngữ lập trình khác. Với thư viện
Toolbox, MATLAB cho phép mô phỏng tính toán, thực nghiệm nhiều mô hình trong thực
tế và kỹ thuật, trong đó bộ thư viện về hệ mờ loại một ( Fuzzy Inference System ) bao

gồm các mô hình Mamdani và Tagaki - Sugeno rất hữu ích cho ta xây dựng mô hình
mờ loại haitrong đồ ỏn này.
4.1.1 Xây dựng mô hình mờ với Fuzzy Logic Toolbox của Matlab
Sử dụng Fuzzy Logic Toolbox trong MATLAB chúng ta có các công cụ để xây dựng
các hệ suy diễn. Dùng lệnh sau để xem chi tiết về hộp công cụ này
>> help fuzzy
Sử dụng giao diện đồ họa để mô phỏng một số hệ mờ. Matlab cung cấp 5 tool giao
diện chính cho việc xây dựng, chỉnh sửa, và quan sát trong hộp công cụ:
Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 48




Hình 4. 5: Định nghĩa hàm thuộc cho từng biến

Ở cửa sổ này ta có thể định nghĩa miền xác định, miền hiển thị. Một số dạng hàm
thuộc được Matlab cung cấp như gaussmf, gbellmf. sigmf…. . và các tham số hệ thống
tương ứng của các hàm thuộc.
4. 1. 1. 3 Rule editor
Ở cửa sổ này cho phộp tạo ra cỏc luật bằng cỏch kết hợp cỏc biến vào và ra bằng cỏc
phộp logic and hay or ở mệnh đề điều kiện.
Để vào được cửa sổ này ta chạy lệnh sau:
>> ruleedit
Cách thực hiện được chỉ ra như hình sau:

Với mỗi biến vào ra có các dạng hàm thuộc tam giỏc (Trimf).

Hình 4. 11: Dạng hàm thuộc tương ứng với cỏc biến vào ra
Từ tập luật thu được bằng thực nghiệm, được đưa vào mô hình thông qua màn hình
Rule Editor.
Hình 4.12: Tập luật được học từ tậpdữ liệu huấn luyện
Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 58




- Chức năng nhập dữ liệu:
Mục đích để đưa vào bộ dữ liệu luyện tập để huấn luyện bộ
mô hình mờ nhúng từ đó kết hợp tạo thành bộ mô hình mờ
cần dùng trong đồ án. Gồm các chức năng :
+ Chức năng chọn bộ dữ liệu huấn luyện: dữ liệu được
người dùng đưa vào
thống để huấn luyện.
+ Chức năng nhập bộ tham số mô hình {m,c} trong đó m là mức độ mờ, c là
số phừn cụm mờ.
- Chức khởi tạo mô hình :
Mục đích tạo ra các mô hình mờ nhúng. Bao gồm:
+ Tạo mô hình mờ nhúng.
+ Tối ưu theo tham số c vơi số lượng cụm tốt nhất là c*.
- Chức năng xử lí dữ liệu:
Mục đích tiếp tục tính toán với dữ liệu sau khi phân cụm tính
ra được các giá trị:
+ Từm cỏc cụm mờ.
+ Bảng tra cứu m.
+ Kết quả đầu ra rõ của mô hình.

- Chức năng hiển thị:
+ Hiển thị số cụm mờ tối ưu c*.
+ Hiển thị mô hình mờ nhúng.
+ Hiển thị kết quả đầu ra rõ.














Trong đó:
Cỏc Button “Import Training Data”, “Setup System”, “Optimal ”, “Look - up
table”, “Display”, “Calculate”, “RMSE”,“Introduction”, “Help”, được chọn là
loại Push Button. Cỏc khung hiển thị c, m và giỏ trị được nhập vào và giỏ trị
đầu ra được chọn là loại edit text
Khi lập trình giao diện:
Để các điều khiển tương ứng được hoạt động khi có các sự kiện kích hoạt ta
phải định nghĩa file Matlab lập trình các sự kiện.
Đối với mỗi loại sự kiện ta cần có ứng xử tương ứng. Các ứng xử được xừy
dựng trong hàm Callback. Mỗi khi xảy ra sự kiện, hàm Callback tương ứng được
gọi.
Hàm Callback của “Setup System”:

Hình 4.18: Hàm Callback của button “Setup System”

4. 2. 2. 2 Hoạt động của chương trình
Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 63



Hình 4. 19: Giao diện chương trình
Để khởi tạo mô hình ta click button “Import Traning Data”:
Hình 4.20: Chọn bộ dữ liệu huấn luyện
Sau đó ta click button “Setup System” để khởi tạo mô hình dùng cho hệ thống
Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 64



Tiếp đến để tối ưu mô hình theo tham số ctaclick button “Optimal c”
Hình 4. 21: Chức năng Optimal c
Và bước cuối cùng trong khởi tạo mô hình cho hệ thống là ta thiết lập bảng tra cứu m,
chúng ta click button “Look - up Table” để thực hiện việc thiết lập.
Sau khi khởi tạo xong, chúng ta sẽ kiểm thử mô hình bằng bộ 50 dữ liệu cung cấp ở trên.
Chạy chương trìnhkiểm thử:
Sau khi đã khởi tạo xong mô hình ta tiếp tục tiến hành kiểm thử bằng cỏch ấn Button
RUN để bắt đầu và đỏnh giỏ sai số.
Cho cỏc giỏ trị đầu vào là:
x
4
: present separation ratio moving average over a middle period
( tỉ lệ khoảng cách trung bình động trung hạn ở hiện tại)
x
8

: past separation ratio moving average over a short period
( tỉ lệ khoảng cách trung bình động ngắn hạn trong quỏ khứ)
x
10
: present separation ratiomoving average over a short period
( tỉ lệ khoảng cách trung bình động ngắn hạn hiện tại)
Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 65



Tính đầu ra:


4. 3 SO SÁNH VÀ ĐÁNH GIÁ VỚI CÁC PHƯƠNG PHÁP KHÁC
Thị trường chứng khoán đã, đang và sẽ đóng góp một giá trị phần không nhỏ cho nền
kinh tế toàn cầu; thế nên các hoạt động nghiên cứu xung quanh các vấn đề dự báo giá cổ
phiếu luôn được chú ý và quan tâm của không chỉ các nhà phân tích tài chính mà cả
những nhà đầu tư chứng khoán hay tất cả những người hoạt động kinh doanh trong lĩnh
vực liờn quan.
Đã có rất nhiều các cỏch sử dụng cỏc giải thuật khỏc nhauđể dự bỏo giỏ của cổ phiếu,
sau đây em sẽ trình bày một số phương pháp :
Phương phỏp cừy quyết định mờ (FDT)
Sử dụng trong“Fuzzy Decision Tree for Data Mining of Time Series Stock Market
Databases”.Từ bộ dữ liệu mẫu lấy theo giá mở cửa, giá đóng cửa, giỏ cao nhất, giỏ thấp
nhất và khối lượng giao dịch trong ngày, kết quả ta có thể sinh một cừy quyết định mờ.

Hình 4.23 : Bộ dữ liệu mẫu và dữ liệu huấn luyện mô hình theo giải thuật FDT
















Hình 4.24 : Cừy quyết định dự bỏo giỏ cổ phiếu.


- Ưu điểm:
+ Phương phỏp trờn có khả năng biểu diễn nhanh, trực quan
chiều tăng giảm củagiỏ cổ phiếu.
+ Bộ dữ liệu mẫu quen thuộc với giao dịch chứng khoỏn
trong thực tế giúp mọi
người dễ dàng tìm kiếm được thông tin.
- Nhược điểm:
+ Chúng ta chỉ có thể dự báo rằng giá cổ phiếu tăng hay giảm
mà không biết cụ thể là bao nhiêu, nhiều hay ít.

+ Với bộ dữ liệu mẫu lớn thì kích cỡ cây quyết định cũng tăng
theo dẫn đến rắc rối cho người dùng.
So sỏnh:
o Phương pháp được sử dụng trong đồ án giúp ta có thể biết được
chính xác giá cổ phiếu tăng hay giảm, và cụ thể là bao nhiêu. Từ
đó có thể giúp nhà đầu tư lựa chọn chính xác hơn khi đang phân
vân giữa nhiều loại cổ phiếu đều có giá đang tăng, hay bán ra
trước những loại cổ phiếu có giá bị giảm nhiều nhất. Điều này
rất có ý nghĩa trong thực tế.
o Nhược điểm của phương phỏp đề xuấtlà bộ dữ liệu mẫu chỉ
dùng cho người phân tích biểu đồ, kĩ thuật, khó tìm kiếm trên
các phương tiện truyền thông đại chúng, dẫn đến phương
pháp được dùng với mục đích nghiên cứu và cho những người
có trình độ chuyên sâu.

Hệ thống suy luận nơron - mờ thích nghi (ANFIS )

Sử dụng trong “Momentum Analysis based Stock Market Prediction using Adaptive
Neuro-Fuzzy Inference System (ANFIS)”. Ta có hệ suy diễn mờ và kiến trúc mô hình của
phương phỏp:

Hình 4.25 : Hệ suy diễn mờ Anfis

Hình 4. 26. : Kiến trúc mạng nơron

Mô hình dựa trên hệ suy diễn mờ Sugeno với bộ luật có dạng như sau :

Rule 1: if (x is A
1
) and (y is B
1
) then (f
1
= p
1
x + q
1
y + r
1
)
Rule 2: if (x is A
2
) and (y is B
2
) then (f
2
= p
1
x + q
2

y + r
2
)
…
Tập tiền đề vẫn được biểu diễn bằng giá trị ngôn ngữ còn tập kết luận đầu ra thì được
biểu diễn bằng một hàm.
Áp dụng bộ dữ liệu cổ phiếu :













Hình 4.27 : Các bộ dữ liệu kiểm thử và kết quả cho mô hình Anfis

Ưu nhược điểm của phương phỏp:
- Ưu điểm:
+ Nhờ có việc đánh giá trọng số của các luật trong bộ luật cơ sở
mà phương pháp Anfis có kết quả chính xác hơn.


So sỏnh:
o Thứ nhất, phương pháp trong đồ án dựa trên nên tảng mô hình

mờ Mamdani với cả tập tiền đề và kết luận đều được biểu diễn
bằng giá trị ngôn ngữ, còn phương pháp Anfis trên sử dụng mô
hình mờ Sugeno với tập kết luận biểu diễn bằng một hàm.
o Thứ hai, phương pháp đề xuất trong đồ án sử dụng tập một bộ
các mô hình mờ nhúng để chọn lựa suy diễn,còn Anfis chỉ có
một mô hình mờ.
Ngoài ra còn có một số phương pháp khác mà khi áp dụng cùng một bộ dữ
liệu nhưtrong đồ án này thì ta thu được các kết quả sai số đánh giá theo RMSE được cung
cấp bởiOzge Uncu, Kemal Kilic, I.B. Turksen, trong “A New Fuzzy Inference
Approach Based on Mamdani Inference Using Discrete Type 2 Fuzzy Sets”như sau :
Hình 4. 28: Kết quả sai số của cỏc phương phỏp khỏc đỏnh giỏ theo RMSE.
Trong đó:
NN: Notron Network – phương phỏp mạng nơ-ron,
LR: Linear Regression–phương pháp hồi quy tuyến tính
4.4 KẾT LUẬN

Các chương trước đã lần lượt trình bày từng bước để xây dựng một hệ suy diễn mờ cho
bài toán dự báo: Từ các nền tảng cơ sở về mô hình húa, các thuật toán xây dựng cơ sở
luật từ thực nghiệm cho đến thuật toán điều chỉnh tối ưu cỏc tham số hệ thống. Trong
chương IV ta đó triển khai ý tưởng và thuật toỏn, giải quyết được vấn đề đặt ra của đồ
ỏn:Ứng dụng mô hình húa mờ trongdự bỏo giỏ cổ phiếu.Sau đó đó tiến hành đỏnh giỏ kết
quả so sỏnh với một số phương phỏp khỏc.
Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 70




CHƯƠNG V: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
5.1 KẾT LUẬN
Kết quả đạt được

2. Sử dụng phương phỏp đỏnh giỏ trọng số trong “A Novel Fuzzy System Modeling
Approach: Multidimensional Structure Identification and Inference”để xỏc định mức độ
ảnh hưởng của tham số đầu vào tới giỏ cổ phiếu.
3. Sử dụng giải thuật phân cụm K - Means trước để xác định tâm cụm thô rồi mới
dùng Fuzzy C-Means.
4. Số lượng tập dữ liệu luyện tập mẫu cần phải có nhiều hơn nữa.


5. “Fuzzy logic toolbox user guide” - Matlab Document
B. Tạp chí:
1. “A New Fuzzy Inference Approach Based on Mamdani
Inference Using Discrete Type 2 Fuzzy Sets”, Ozge Uncu,
Kemal Kilic, I.B. Turksen- IEEE International Conference on
Systems, Man and Cybernetics 2004.