KOHONEN hỗ TRỢ ĐÁNH GIÁ NĂNG lực tài CHÍNH DOANH NGHIỆP

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN
adcb
KHÓA LUẬN MÔN HỌC
KOHONEN - HỖ TRỢ ĐÁNH GIÁ
NĂNG LỰC TÀI CHÍNH DOANH NGHIỆP
GVHD : PGS. TS. ĐỖ PHÚC
HVTH : 1. NGUYỄN THÀNH LUÂN
2. HỒ CÔNG HOÀI
3. NGUYỄN QUỐC THÀNH
LỚP : CH-09
TP. Hồ Chí Minh – Tháng 8 Năm 2015
- 1 -
MỤC LỤC
CHƯƠNG 1. TÌM HIỂU MẠNG NƠRON KOHONEN 3
1.1 Giới thiệu 3
1.2 Mạng nơron Kohonen 4
1.2.1 Cấu trúc của mạng nơron Kohonen 5
1.2.2 Quá trình học của mạng Kohonen 6
CHƯƠNG 2. NĂNG LỰC TÀI CHÍNH DOANH NGHIỆP 9
CHƯƠNG 3. ỨNG DỤNG KOHONEN VÀO VIỆC HỖ TRỢ ĐÁNH GIÁ NĂNG LỰC
TÀI CHÍNH DOANH NGHIỆP 11
TÀI LIỆU THAM KHẢO 12
Ý KIẾN NHẬN XÉT 13
- 2 -
CHƯƠNG 1. TÌM HIỂU MẠNG NƠRON KOHONEN
1.1 Giới thiệu
Trong các kiểu khác nhau của mạng nơron, mạng nơron Kohonen giống với
mạng nơron sinh học hơn cả về cấu tạo lẫn cơ chế học. Mạng nơron nhân tạo này
lần đầu tiên được giới thiệu bởi Kohonen vào năm 1982, nó được biết đến như là
ánh xạ đặc trưng tự tổ chức (SOM). Ánh xạ tự tổ chức của Kohonen còn được biết

đến là một trong những mô hình khá đơn giản của mạng nơron, và người ta thường
gọi đó là mạng nơron Kohonen.
Mạng nơron Kohonen (hay nơron tự tổ chức) mô hình hóa cách hoạt động bộ
não của con người, mặc dù nó khá đơn giản. Chúng ta có thể nhận được một số ý
tưởng cách bộ não lưu trữ hình ảnh và cách nó nhận dạng các hình ảnh.
Cách xử lý thông tin các mạng nơron khác thường chỉ quan tâm đến giá trị
và dấu hiệu của thông tin đầu vào, chưa quan tâm khai thác các mối liên hệ có tính
chất cấu trúc trong lân cận của các vùng dữ liệu mẫu, hay toàn thể không gian.
Nhưng trong mạng nơron Kohonen đã quan tâm đến các yếu tố này.
Tự tổ chức trong mạng nơron là một trong những chủ đề cuốn hút trong
mạng nơron. Một mạng nơron như vậy có thể được luyện để tìm ra các quy luật và
các tương quan, các giá trị nhập vào và dự đoán các kết quả tiếp theo. Các nơron
của mạng thông qua quá trình luyện cạnh tranh để nhận ra một nhóm các đối tượng
đầu vào tương đương nhau. Mục đích chính của việc luyện trong mạng nơron
Kohonen là nhận dạng một nhóm các vector đầu vào cùng loại.
Trong phần tiếp theo, chúng ta có thể chỉ ra hình ảnh được lưu trữ và nhận
dạng với mạng nơron Kohonen. Việc thi hành mạng nơron Kohonen có thể được
thay thế bởi một thuật toán tương ứng mà dễ dàng thi hành, và luôn luôn được sử
dụng trong các ứng dụng của mạng nơron Kohonen. Chúng ta gọi thuật toán đó là
thuật toán mạng nơron tự tổ chức (Kohonen, 1988) hay ánh xạ tự tổ chức SOM. Ý
tưởng đáng chú ý của thuật toán này là ánh xạ các đặc trưng topo tự tổ chức nhằm
bảo toàn trật tự sắp xếp các mẫu trong không gian biểu diễn nhiều chiều sang một
không gian mới với các mảng nơron có số chiều nhỏ hơn, thường là hai chiều. Đây
là một phép chiếu phi tuyến đem lại một “ánh xạ đặc trưng” hai chiều, nó có thể
được sử dụng trong việc phát hiện và phân tích những đặc trưng trong không gian
đầu vào. Ta hiểu điều này như là bảo toàn cấu trúc các đặc trưng. Trong mạng
nơron Kohonen, các vector tín hiệu đầu vào gần nhau sẽ được ánh xạ sang các
nơron lân cận trong mạng.
- 3 -
Kỹ thuật SOM đã được áp dụng thành công trong một số lĩnh vực như nhận

dạng, phân cụm dữ liệu, dự đoán chuỗi và khai phá dữ liệu, Mẫu được nhận dạng
có thể là ảnh, âm thanh hoặc văn bản, Có thể xem SOM là một lớp điển hình,
nhưng rất đơn giản của các mạng nơron Kohonen.
1.2 Mạng nơron Kohonen
Mạng luyện không không có thầy hướng dẫn, là một kiểu luyện mà ở đó các
nơron tự xoay xở với các dữ liệu mẫu mà nó có được chứ không có “Ông thầy” gợi
ý cần luyện theo hướng nào.
Tự mình khám phá những quan hệ đang được quan tâm, ví dụ về các dạng
( patterns), các đặc trưng (features ) từ dữ liệu vào (input data) sau đó chuyển
thành cái ra (outputs). Như vậy thực chất : đó là các mạng tự tổ chức (hay mạng
nơron Kohonen) .
Định nghĩa: Mạng noron Kohonen là mạng có khả năng sử dụng những kinh
nghiệm của quá khứ để thích ứng với những biến đổi của môi trường (không dự
báo trước). Loại mạng này thuộc nhóm hệ học, thích nghi không cần có tín hiệu chỉ
đạo từ bên ngoài.
Trong phần này chúng ta sẽ trình bày một số quy trình luyện tham số của
luyện không có thày như sau:
Mô hình
Mạng có n nơron PE
i
, i=1,2, , n.
Cái ra của chúng là
i
y
, i=1, ,n.
Có m tín hiệu vào {x
1
, x
2
, , x

m
},w
ij
là trọng số liên kết từ x
j
với PE
i
.
Gọi s(x), s(y) là hàm chuyển tín hiệu, giả thiết đó là hàm đơn điệu không
giảm liên tục như dạng hàm Sigmoid.
Phương thức biến đổi trọng số được gọi là luật luyện Hebb, quy tắc luyện
đơn giản theo dạng Hebb cho bởi phương trình :
)().(
)(
'
jjiiij
ij
ij
xsysw
dt
tdw
w +−==
(2.40)
Bây giờ ta xét một số trường hợp riêng:
- Quy tắc luyện cạnh tranh (Competitive Learning Rule – Grossberg 1969,
Rumelhart 1986)
))()((
'
ijjjiiij
wxsysw −=

(2.41)
ở đây
1
( ) , 0
1
i
i i
cy
s y c
e
−
= >
+
(2.42)
- Nếu dùng
( )
j j j
s x x
=
ta thu được :
Quy tắc luyện cạnh tranh tuyến tính (the Linear competitive learning rule)
- 4 -
))((
'
ijjiiij
wxysw −=
(2.43)
Trường hợp riêng quan trọng là quy tắc “ thắng lấy tất cả - the winner-take-all
learning rule “ của Kohonen , giải thích để hiểu qua bài toán phân cụm tập mẫu
{ }

1 2
, , ,
p
X x x x
=
thành n cụm , với n đã cho.
Kí hiệu
1 2
, w (w ,w , ,w )
m m
i i i im
x R R
∈ = ∈
, α là hệ số học.
Tại mỗi vòng lặp k, quy tắc luyện gồm 2 bước :
1/ Bước tìm cái khớp nhất (matching) – tìm nơron tạm gọi là nơron thắng (theo
nghĩa gần mẫu nhất), sử dụng công thức sau:
x
wx
yyy
m
.
) max(
1
==
, (2.44) (Phương pháp tính tích vô hướng).
2/ Tính toán sai số và điều chỉnh trọng số
Ký hiệu e
j
là sai số ở cột thứ j, w

ij
là biểu diễn cho cột thứ j của ma trận trọng số w,
sai số này được tính theo công thức sau:
e
j
= ||x-w
ij
|| (2.45)
Nếu tổng sai số chưa nằm dưới mức cho phép, ta điều chỉnh trọng số theo công
thức:
)(
1 k
iji
k
ij
k
ij
wxww −+=
+
α
với k =1,…,m (2.46)
Khi một mẫu được đưa tới một mạng Kohonen, những nơron được chọn là
nơron thắng (winner) (nơron thích hợp nhất theo nghĩa mà ta đặt ra). Nơron thắng
này là dữ liệu đầu ra từ mạng Kohonen. Thông thường, các nơron thắng này tương
ứng với các nhóm trong dữ liệu đưa vào mạng Kohonen.
Mạng Kohonen được huấn luyện trong một chế độ không có giám sát. Sử dụng
mạng Kohonen này, dữ liệu có thể được phân loại thành từng cụm. Chúng ta sẽ xem
xét mạng Kohonen qua quá trình huấn luyện.
1.2.1 Cấu trúc của mạng nơron Kohonen
Mạng nơron Kohonen chỉ bao gồm một lớp dữ liệu đầu vào và một lớp dữ

liệu đầu ra của các nơron và nó không chứa lớp ẩn.
Lớp dữ liệu đầu vào đối với mạng nơron Kohonen là các nơron đầu vào. Các
nơron đầu vào này tạo thành mẫu dữ liệu đầu vào của mạng. Đối với mạng nơron
Kohonen, ta nên chọn dữ liệu đầu vào chuẩn hóa trong khoảng giữa -1 và 1. Khi
thực thi mẫu dữ liệu đầu vào, mạng sẽ tạo ra các nơron đầu ra.
Lớp đầu ra của mạng nơron Kohonen rất khác với lớp đầu ra của mạng nơron
truyền thẳng. Đối với mạng truyền thẳng, nếu chúng ta có một mạng nơron với 5
nơron đầu ra, chúng sẽ có thể cho kết quả bao gồm 5 giá trị. Còn trong mạng nơron
Kohonen chỉ có một nơron đầu ra cho ra một giá trị. Giá trị duy nhất này có thể là
- 5 -
đúng hoặc sai. Dữ liệu đầu ra từ mạng nơron Kohonen thường là các chỉ số của
nơron (Ví dụ nơron số 5,…). Cấu trúc đặc trưng của mạng nơron Kohonen được chỉ
ra trong hình 2.1.
Hình 2.1: Một dạng mạng nơron Kohonen
Bây giờ, chúng ta xem xét mạng nơron Kohonen xử lý thông tin như thế nào.
Để kiểm tra quá trình này, chúng ta xem xét một ví dụ sau:
Ví dụ
Chúng ta sẽ xém xét một mạng nơron Kohonen đơn giản. Mạng này sẽ chỉ có
2 nơron đầu vào, và 2 nơron đầu ra. Dữ liệu đầu vào được cho là 2 nơron được chỉ
ra trong bảng 2.1 và các trọng số kết nối giữa các nơron trong bảng 2.2.

Bảng 2.1 Bảng 2.2
Sử dụng các giá trị này, chúng ta xem xét nơron có thể thắng và cung cấp dữ
liệu đầu ra. Chúng ta bắt đầu bằng cách chuẩn hóa dữ liệu đầu vào.
1.2.2 Quá trình học của mạng Kohonen
Toàn bộ quá trình huấn luyện cho một mạng nơron Kohonen cần phải lặp lại
qua vài công đoạn. Nếu sai số đã tính toán của mạng nơron Kohonen ở mức thấp
hơn mức có thể chấp nhận được thì sẽ hoàn tất quá trình huấn luyện. Để tính toán tỉ
lệ sai số cho mạng nơron Kohonen, ta sẽ điều chỉnh các trọng số cho mỗi công
đoạn.

Quá trình huấn luyện cho mạng nơron Kohonen là luyện cạnh tranh nên mỗi
tập huấn luyện sẽ có một nơron thắng. Nơron thắng này sẽ có trọng số được điều
- 6 -
chỉnh sao cho ngay lập tức nó sẽ tác động trở lại mạnh mẽ hơn trong dữ liệu đầu
vào ở lần tiếp theo. Sự khác nhau giữa các nơron thắng sẽ dẫn tới sự khác nhau giữa
các mẫu đầu vào tiếp theo.
Chúng ta xem xét toàn bộ quá trình liên quan đến việc huấn luyện mạng
nơron Kohonen. Các bước được tóm tắt trong hình 2.2.
Từ hình 2.2 ta thấy, mạng nơron Kohonen được huấn luyện bởi các công
đoạn tuần hoàn cho đến khi một trong hai vấn đề sau xảy ra:
- Nếu tính toán các sai số ở mức thấp hơn mức có thể chấp nhận được thì
nhiệm vụ của chu kỳ sẽ hoàn thành quá trình huấn luyện.
- Nếu tất cả các tỉ lệ sai số chỉ thay đổi bởi đa số cận biên, thì chu kỳ riêng
lẻ này sẽ bị loại bỏm và các trọng số lại được khởi tạo lại với các giá trị
ngẫu nhiên, đông thời một chu kỳ huấn luyện mới lại bắt đầu. Chu kỳ
huấn luyện này sẽ tiếp tục chu kỳ huấn luyện trước và nó sẽ phân tích các
công đoạn để đưa ra kết quả; hoặc là chu kỳ bị loại bỏ hoặc tạo ra một tập
các trọng số đó mà có mức sai số có thể chấp nhận được.
- 7 -
Hình 1.2: Sơ đồ khối biểu diễn huấn luyện mạng nơron Kohonen.
- 8 -
Dừng
Bắt đầu
Khởi tạo ngẫu nhiên ma trận trọng
số
Tính toán sai số
Kiểm tra sai số
xem có ở mức
chấp nhận được
không?

Thực hiện huấn luyện, điều
chỉnh trọng số dựa vào nơron
thắng
Tính toán lại tỉ lệ sai số, ghi
lại những giá trị đã được cải
thiện
Cải thiện tỉ lệ
sai số là tầm
thường?
Ma trận trọng số
này đã tốt nhất
chưa?
Nếu có ma trận
trọng số tốt hơn
của ma trận trọng
số tốt nhất?
Gán ma trận trọng số này thành
ma trận trọng số tốt nhất
Đã quá số chu
kỳ xác định?
Yes
No
YesYes
No
No
No
No
Yes
Yes
CHƯƠNG 2. NĂNG LỰC TÀI CHÍNH DOANH NGHIỆP

• Năng lực tài chính của một doanh nghiệp được dựa trên các yếu tố chính sau:
 Nguồn lực tài chính của bản thân doanh nghiệp, vốn …
 Khả năng tạo tiền, tổ chức lưu chuyển tiền hợp lý. (khả năng huy động vốn
cũng như hiệu quả sử dụng vốn)
 Đảm bảo khả năng thanh toán thể hiện ở quy mô vốn ( khả năng sinh lời)
 Chất lượng tài sản và khả năng sinh lời … (đánh giá)
• Các chỉ số đánh giá năng lực tài chính doanh nghiệp:
• EPS: chỉ số về hiệu quả hoạt động của công ty.
EPS = (LNST-cổ tức của cổ phiếu ưu đãi (phần lợi nhuận sau thuế) /
(KLCPhiếu lưu hành bình quân trong kỳ).
- 9 -
• P/E: P/E đo lường mối quan hệ giữa giá thị trường (giá trị cổ phiếu ở hiện
tại) và thu nhập cùa mỗi cổ phiếu (lợi nhuận sau thuế). P/E cho thấy giá cổ
phiếu hiện tại cao hơn thu nhập từ cổ phiếu đó bao nhiêu lần, hay nhà đầu tư
phải trả giá cho một đồng thu nhập ! bao nhiêu. Nếu hệ số P/E cao thì điều
đó có nghĩa là người đầu tư dự kiến tốc độ tăng cổ tức cao trong tương lai.
P/E = giá cổ phiếu / EPS.
• ROA: đo lường hiệu quả hoạt động của doanh nghiệp mà không quan tâm
đến cấu trúc tài chính. Chỉ số này cho biết công ty tạo ra bao nhiêu đồng lợi
nhuận từ một đồng tài sản.
ROA = (Tổng LN sau thuế) / (Tổng tài sản).
• ROE: Cho biết cứ 1 đồng vốn chủ sở thì tạo ra được bao nhiêu đồng lợi
nhuận. Tỷ số này phụ thuộc vào thời vụ kinh doanh.
ROE = (lợi nhuận sau thuế)/(vốn chủ sở hữu)
Hình 2.1: Các chỉ số đánh giá năng lực tài chính doanh nghiệp.
- 10 -
CHƯƠNG 3. ỨNG DỤNG KOHONEN VÀO VIỆC HỖ TRỢ
ĐÁNH GIÁ NĂNG LỰC TÀI CHÍNH DOANH NGHIỆP
• Ứng dụng demo được tiến hành theo các bước như sau:
• B1: Nhập kích thước mảng cần khởi tạo, mặc định là 20.

• B2: Nhấn nút Initialize để chạy khởi tạo.
• B3: Load file dữ liệu StockMarket lên từ nút Open.
• B4: Nhấn nút Execute để tiến hành phân lớp dữ liệu chứng khoán. Và sau
khi tiến hành phân lớp xong chúng ta sẽ có kết quả như hình sau:
Hình 3.1: Demo ứng dụng Kohonen vào việc hỗ trợ đánh giá năng lực tài
chính doanh nghiệp.
- 11 -
TÀI LIỆU THAM KHẢO
[1] Kohonen, Teuvo; Honkela, Timo (2011). "Kohonen Network". Scholarpedia.
Retrieved 2012-09-24
[2] [ [30/7/2015]
[3] [30/7/2015]
[4] Kaplan, 2009, “CFA Level 1 Book 3: Financial Reporting and Analysis”
[5] Frederic S. Miskin (1999), Giáo trình Tiền tệ, Ngân hàng & Thị trường tài chính
(Bản dịch của Nguyễn Quang Cư & Nguyễn Đức Dỵ, Nhà xuất bản Khoa học & Kĩ
thuật).
- 12 -
Ý KIẾN NHẬN XÉT
1. Nội dung trình bày:
- Trình bày đầy đủ, rõ ràng.
- Ngắn gọn, súc tích, đúng trọng tâm đề tài.
- Demo trực quan, nhìn hấp dẫn.
- Nội dung có tính mới, có tính thực tế cao.
- Nên giải thích thêm một số thông tin, công thức có liên quan.
2. Tài liệu tham khảo
- Tài liệu phong phú, có cả tiếng anh, tiếng việt.
- Trình bày đúng định dạng.
3. Trình bày trang chiếu
- Slide rõ ràng, đẹp mắt.
4. Trình bày trước lớp

- Trình bày tự tin, mạch lạc.
- Nói chậm rãi, dễ nghe.
5. Trả lời các câu hỏi
- Trả lời các câu hỏi đầy đủ, thỏa đáng.
• Tổng điểm: 9,6 / 10 (21 bài nhận xét).
- 13 -