Dự đoán giá vàng trong phạm vi 36 tháng bằng mạng perceptron

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG
KHOA CÔNG NGHỆ THÔNG TIN

BÁO CÁO BÀI TẬP
MÔN : PHÁT TRIỂN HỆ THỐNG DỰA
TRÊN TRI THỨC
Nội dung : Dự đoán giá vàng trong
phạm vi 36 tháng bằng mạng
Perceptron
Giảng viên: Nguyễn Quang Hoan
Nhóm 12:
Trần Văn Huy - B12DCCN176
Phạm Ngọc Sơn - B12DCCN188

1


Hà Nội – 2016

Mục lục :

2


LỜI MỞ ĐẦU
Dự đoán giá vàng là công việc dự báo trước một cách có khoa học về biến
động của giá vàng trong tương lai. Đây là một ngành khoa học có khả năng dự
đoán trước giá vàng dựa trên cơ sở nghiên cứu các quy luật của chúng.
Yêu cầu chung mà tất cả các bài toán dự đoán giá vàng cần phải giải quyết
là làm cách nào để có thể phân tích và sử dụng chuỗi dữ liệu có trong quá khứ để
dự đoán được giá trị tương lai. Hiện nay, có rất nhiều phương pháp dự báo đã

được đưa ra dựa trên mô hình toán học. Tuy nhiên, vấn đề tìm kiếm phương pháp
đủ tốt, đáp ứng các yêu cầu thực tế giải quyết bài toán vẫn là nội dung nghiên cứu
thời sự hiện nay. Trên thế giới, việc áp dụng các phương pháp của khai phá dữ liệu
(đặc biệt là các phương pháp học máy mạng neuron) vào dự báo dự đoán giá vàng
được đưa ra gần đây.

3


CHƯƠNG 1 - MẠNG NƠ-RON NHÂN TẠO TRUYỀN
THẲNG NHIỀU LỚP.
Học máy là một ngành khoa học nghiên cứu các thuật toán cho phép máy
tính có thể học được các khái niệm.
Phân loại: Có hai loại phương pháp học máy chính
●

Phương pháp quy nạp: Máy học/phân biệt các khái niệm dựa trên dữ

liệu đã thu thập được trước đó. Phương pháp này cho phép tận dụng được nguồn
dữ liệu rất nhiều và sẵn có.
●

Phương pháp suy diễn: Máy học/phân biệt các khái niệm dựa vào

các luật. Phương pháp này cho phép tận dụng được các kiến thức chuyên ngành để
hỗ trợ máy tính.
Hiện nay, các thuật toán đều cố gắng tận dụng được ưu điểm của hai
phương pháp này.
Các ngành khoa học liên quan:
●

Lý thuyết thống kê: các kết quả trong xác suất thống kê là tiền đề

cho rất nhiều phương pháp học máy. Đặc biệt, lý thuyết thống kê cho phép
ước lượng sai số của các phương pháp học máy.
●

Các phương pháp tính: các thuật toán học máy thường sử dụng các

tính toán số thực/số nguyên trên dữ liệu rất lớn. Trong đó, các bài toán như:
tối ưu có/không ràng buộc, giải phương trình tuyến tính v.v… được sử
dụng rất phổ biến.
●

Khoa học máy tính: là cơ sở để thiết kế các thuật toán, đồng thời

đánh giá thời gian chạy, bộ nhớ của các thuật toán học máy.

4


Ứng dụng : Học máy có ứng dụng rộng khắp trong các ngành khoa học/sản
xuất, đặc biệt những ngành cần phân tích khối lượng dữ liệu khổng lồ. Một
số ứng dụng thường thấy như:
●

Xử lý ngôn ngữ tự nhiên: xử lý văn bản, giao tiếp người – máy, …

●

Nhận dạng: nhận dạng tiếng nói, chữ viết tay, vân tay, thị giác máy

(Computer Vision) …
●

Tìm kiếm

●

Chẩn đoán trong y tế: phân tích ảnh X-quang, các hệ chuyên gia

chẩn đoán tự động.
●

Tin sinh học: phân loại chuỗi gene, quá trình hình thành gene/protein

●

Vật lý: phân tích ảnh thiên văn, tác động giữa các hạt …

●

Phát hiện gian lận tài chính (financial fraud): gian lận thẻ tỉn dụng

●

Phân tích thị trường chứng khoán (stock market analysis)

●

Chơi trò chơi: tự động chơi cờ, hành động của các nhân vật ảo

●

Rôbốt: là tổng hợp của rất nhiều ngành khoa học, trong đó học máy

tạo nên hệ thần kinh/bộ não của người máy.
●

Các nhóm giải thuật học máy: Học có giám sát, học không giám sát,

học nửa giám sát, học tăng cường,…

I. Giới thiệu về mạng nơ-ron nhân tạo :
1. Khái niệm :
Mạng nơ-ron nhân tạo hay thường gọi ngắn gọn là mạng nơ-ron là một mô
hình toán học hay mô hình tính toán được xây dựng dựa trên các mạng nơ-ron sinh
học. Nó gồm có một nhóm các nơ-ron nhân tạo (nút) nối với nhau, và xử lý thông
tin bằng cách truyền theo các kết nối và tính giá trị mới tại các nút (cách tiếp cận
5


connectionism đối với tính toán). Trong nhiều trường hợp, mạng nơ-ron nhân tạo
là một hệ thống thích ứng (adaptive system) tự thay đổi cấu trúc của mình dựa trên
các thông tin bên ngoài hay bên trong chảy qua mạng trong quá trình học.
2. Mô hình :
a. Mô hình nơ-ron sinh học :
Theo các nhà nghiên cứu sinh học về bộ não, hệ thống thần kinh của con người
bao gồm khoảng 100 tỷ tế bào thần kinh, thường gọi là các nơ-ron. Mỗi tế bào nơron gồm ba phần:
• Thân nơ-ron với nhân bên trong (gọi là soma), là nơi tiếp nhận hay phát ra

các xung động thần kinh.
• Một hệ thống dạng cây các dây thần kinh vào (gọi là dendrite) để đưa tín
hiệu tới nhân nơ-ron. Các dây thần kinh vào tạo thành một lưới dày đặc xung
quanh thân nơ-ron, chiếm diện tích khoảng 0,25 mm2
• Đầu dây thần kinh ra (gọi là sợi trục axon) phân nhánh dạng hình cây, có
thể dài từ một cm đến hàng mét. Chúng nối với các dây thần kinh vào hoặc trực
tiếp với nhân tế bào của các nơ-ron khác thông qua các khớp nối (gọi là synapse).
Thông thường mỗi nơ-ron có thể có từ vài chục cho tới hàng tram ngàn khớp nối
để nối với các nơ-ron khác. Có hai loại khớp nối, khớp nối kích thích (excitatory)
sẽ cho tín hiệu qua nó để tới nơ-ron còn khớp nối ức chế (inhibitory) có tác dụng
làm cản tín hiệu tới nơ-ron. Người ta ước tính mỗi nơ-ron trong bộ não của con
người có khoảng 104 khớp nối (hình 1.1)

6


Hình 1 : Mạng nơ-ron sinh học

b. Mô hình nơ-ron nhân tạo :
Mô hình toán học của mạng nơron sinh học được đề xuất bởi McCulloch và
Pitts, thường được gọi là nơron M-P, ngoài ra nó còn được gọi là phần tử xử lý và
được ký hiệu là PE (Processing Element).
Mô hình nơron có m đầu vào x1, x2, ..., xm, và một đầu ra yi như sau:

Hình 2 : Mạng nơ-ron nhân tạo

Giải thích các thành phần cơ bản:
-

Tập các đầu vào: Là các tín hiệu vào của nơron, các tín hiệu này thường được đưa

vào dưới dạng một vector m chiều.

-

Tập các liên kết (các trọng số): Mỗi liên kết được thể hiện bởi một trọng số
(thường được gọi là trọng số liên kết). Trọng số liên kết giữa tín hiệu vào thứ j cho
nơron i thường được ký hiệu là w ij. Thông thường các trọng số này được khởi tạo
ngẫu nhiên ở thời điểm khởi tạo mạng và được cập nhật liên tục trong quá trình
học mạng.

-

Bộ tổng (Hàm tổng): Thường dùng để tính tổng của tích các đầu vào với trọng số
liên kết của nó.

-

Ngưỡng: Ngưỡng này thường được đưa vào như một thành phần của hàm truyền.
7


-

Hàm truyền: Hàm này dùng để giới hạn phạm vi đầu ra của mỗi nơron. Nó nhận
đầu vào là kết quả của hàm tổng và ngưỡng đã cho. Thông thường, phạm vi đầu
ra của mỗi nơron được giới hạn trong đoạn [0,1] hoặc [-1,1]. Các hàm truyền rất
đa dạng, có thể là các hàm tuyến tính hoặc phi tuyến. Việc lựa chọn hàm truyền
tùy thuộc vào từng bài toán và kinh nghiệm của người thiết kế mạng.

-

Đầu ra: Là tín hiệu đầu ra của một nơron, với mỗi nơron sẽ có tối đa một đầu ra.
Thông tin đầu ra ở thời điểm t+1 được tính từ các thông tin đầu vào như sau:

Trong đó g là hàm kích hoạt (còn gọi là hàm chuyển) có dạng là hàm bước
nhảy, nó đóng vai trò biến đổi từ thông tin đầu vào thành tín hiệu đầu ra :

-

Hàm giới hạn chặt (hay còn gọi là hàm bước)

-

Hàm bậc thang

-

Hàm ngưỡng đơn cực

với λ>0

8


-

Hàm ngưỡng hai cực

với λ>0
● Đồ thị các dạng hàm truyền được biểu diễn như sau:

II.
Mạng nơ-ron lan truyền thẳng nhiều lớp :
1. Mạng perceptron một lớp :
Mạng perceptron một lớp do F.Rosenblatt đề xuất năm 1960 là mạng truyền
thẳng chỉ một lớp vào và một lớp ra không có lớp ẩn. Trên mỗi lớp này có thể có
một hoặc nhiều nơ-ron. Mô hình mạng nơ-ron của Rosenblatt sử dụng hàm
ngưỡng đóng vai trò là hàm chuyển. Do đó, tổng của các tín hiệu vào lớn hơn giá
trị ngưỡng thì giá trị đầu ra của nơ-ron sẽ là 1, còn trái lại sẽ là 0.

9


Các bước tiến hành :
• Xác định ngẫu nhiên bộ trọng số.
• Với mỗi mẫu học (x , d ) , k=1,2, …, p thực hiện các bước :
o Tính giá trị y theo công thức.
o Xác định sai số δi tại nơ-ron i: δi = di – yi , trong đó di là giá trị đầu
(k)

(k)

(k)

ra quan sát được và yi là giá trị đầu ra tính toán tại nơ-ron thứ i.
o Tính ij là số gia của trọng số wij (trọng số liên kết giữa đầu vào j
tới nơ-ron i) theo công thức: ∆wij =ηδixj trong đó η là tốc độ học
(0<η<1).
o Hiệu chỉnh wij

(t+1)

= wij(t) + ∆wij =wij(t) +ηδi(t)xj(t) trong đó wij

(t+1)

là

trọng số sau khi điều chỉnh ở lần học tại thời điểm t.
Rosenblatt đã chứng minh rằng quá trình học của mạng Perceptron sẽ hội tụ tới
bộ trọng số W, biểu diễn đúng các mẫu học với điều kiện là các mẫu này biểu thị
các điểm rời rạc của một hàm khả tách tuyến tính nào đó (f: R n → R được gọi là
khả tách tuyến tính nếu các tập {F (xk)}, với xk thuộc miền trị của f, có thể tách
-1

được với nhau bởi các siêu phẳng trong không gian Rn ).

10


Luật học perceptron
Luật học trong mạng nơron nhân tạo là qui tắc, trong đó các giá trị được
cập nhật sau một số biến đổi. Có nhiều luật học khác nhau trong mạng nơron, nhưng tất cả đều có thể qui về dạng chung nhất, dưới dạng

∆Wi j≡ α r xj(t).

(1-3)

Phương trình (1-3) đựơc áp dụng cho chuỗi biến đổi trọng rời rạc. Đối với
các trọng biến đổi liên tục có thể biểu diễn như sau:

dWi(t)/dt = α r x(t)
Đối với mạng Perceptron, chúng ta sử dụng luật học Perceptron. Trong luật
học Perceptron, tín hiệu học r = di - yi. Do đầu ra mong muốn chỉ dữ lại 2 giá trị 1
và -1 nên ta có

 2α d i xi

0
T
∆Wi j=α( di-yi)xj = α (di- Sign(wi x))xj = 

if y i ≠ d i
else

(1-5)

Như vậy, các trọng chỉ được cập nhật khi đầu ra thực sự y i khác với di. Các
trọng được khởi tạo với giá trị bất kì. Luật học Perceptron sẽ hội tụ sau một số
bước hữu hạn.
Luật học Perceptron có thể tóm tắt như sau:

Trong đó: e là sự sai lệch của kết quả đầu ra với kết quả đầu ra mong muốn e =t-a
Với: t là kết quả đầu ra mong muốn , a là kết quả đầu ra
Hạn chế của Perceptron
Mạng perceptron có một vài hạn chế sau:
• Giá trị đầu ra của mạng perceptron chỉ có thể là 2 giá trị 0 hoặc 1.
• Chỉ có thể phân loại tuyến tính. Nếu là đường thẳng hay mặt phẳng ta có
thể vẽ tách rời các vector đầu vào thành các loại chính xác, các vector vào
là độc lập tuyến tính. Nếu không phải là độc lập tuyến tính, việc học sẽ
không bao giờ đạt tới mức các vector được phân loại chính xác. Tuy nhiên,

điều đó cũng chứng minh được nếu các vector độc lập tuyến tính, việc huấn
luyện perceptron sẽ luôn tìm được đáp án trong thời gian hữu hạn.
11


Ta có thể sử dụng nhiều nơ-ron perceptron để giải quyết những bài toán phức tạp
hơn. Ví dụ, giả sử ta có 4 vector và muốn phân ra thành từng nhóm riêng, ta cần 2
đường phân chia để chia làm 4 phần. Một mạng 2 nơ-ron có thể được thiết lập sao
cho chia các vector đầu vào thành 4 phần khác nhau với các kết quả tương ứng 00
01 10 11.
2. Mạng perceptron nhiều lớp :
Mạng perceptron nhiều lớp (Multilayer Perceptron –MLP) còn được gọi là
mạng truyền thẳng nhiều lớp là sự mở rộng của mô hình mạng perceptron với sự
bổ sung thêm những lớp ẩn và các nơ-ron trong các lớp ẩn này có hàm chuyển
(hàm kích hoạt) dạng phi tuyến. Mạng MLP có một lớp ẩn là mạng nơ-ron nhân
tạo được sử dụng phổ biến nhất, nó có thể xấp xỉ các hàm liên tục được định nghĩa
trên một miền có giới hạn cũng như những hàm là tập hợp hữu hạn của các điểm
rời rạc.
Giới thiệu thuật toán lan truyền ngược sai số :
Xét một mạng nơ-ron truyền thẳng có Q lớp, q = 1, 2, …, Q, và gọi net i và
yi là tín hiệu vào và ra của nơ-ron thứ i trong lớp q. Mạng này có m đầu vào và n
đầu ra. Đặt wij là trọng số của liên kết từ nơ-ron thứ j trong lớp q-1 tới nơ-ron thứ i
q

trong lớp q.
Đầu vào : Một tập các cặp mẫu học {(x ,d ) | k= 1, 2, …, p } và véc tơ đầu
(k)

(k)

vào được bổ sung thêm x(k)m+1 = - 1.
Bước 1 (khởi tạo): Chọn một hằng số η > 0 và Emax (dung sai cho phép).
Khởi tạo ngẫu nhiên các trọng số trong khoảng giá trị nhỏ. Đặt E =0 và k = 1.
Bước 2 (thực hiện một quá trình lặp cho việc huấn luyện mạng): Sử dụng
mẫu học thứ k : Tại lớp vào (q =1), với mọi i ta có : yi = yi =x(k)i.
q

1

Bước 3 (Lan truyền tín hiệu từ lớp vào tới lớp ra):

12


Với neti là tín hiệu vào của nơ-ron thứ i.
Bước 4 (Xác định tín hiệu lỗi δi tại lớp ra):
Q

Bước 5 (Lan truyền ngược sai số) Lan truyền ngược sai số để điều chỉnh
các trọng số và tính toán tín hiệu lỗi δi cho các lớp trước
q-1

:

Bước 6 (Kiểm tra điều kiện lặp) :
Kiểm tra:
if ( k < p ) then
Begin
k=k+1;
Goto bước2;

End
Else Goto bước7;
Bước 7 (Kiểm tra lỗi tổng cộng hiện thời đã chấp nhận được chưa):
If (E < Emax) then
{kết thúc quá trình học và đưa ra bộ trọng số cuối cùng}
Else
Begin
13


E=0;
K=1;
Goto bước1 {để bắt đầu một lần học tiếp theo };
End;
Một số vấn đề cần lưu ý khi sử dụng mạng MLP :
Mạng nơ-ron perceptron nhiều lớp là loại mạng nơ-ron được sử dụng
trong nhiều ứng dụng thực tế. Tuy nhiên, để mạng có thể đưa ra kết quả tốt,
chúng ta cần quan tâm đến một số vấn đề có ảnh hưởng khá quan trọng đến
hiệu quả làm việc của nó bao gồm: vấn đề chuẩn hoá số liệu đầu vào, vấn
đề học chưa đủ và học quá của mạng, vấn đề lựa chọn một cấu trúc mạng
phù hợp với bài toán.

CHƯƠNG 2: ỨNG DỤNG MẠNG NOWRRON NHÂN TẠO
VÀO VIỆC DỰ BÁO GIÁ VÀNG
I.

Các khái niệm cơ bản
Vàng là tên nguyên tố hoá học có kí hiệu Au (L. aurum) và số nguyên

tử 79 trong bảng tuần hoàn. Là kim loại chuyển tiếp (hoá trị 3 và 1) mềm, dễ uốn,

dễ dát mỏng, màu vàng và chiếu sáng, vàng không phản ứng với hầu hết các hoá
chất nhưng lại chịu tác dụng của nước cường toan (aqua regia) để tạo thành axit
cloroauric cũng như chịu tác động của dung dịch xyanua của các kim loại kiềm.
Kim loại này có ở dạng quặng hoặc hạt trong đá và trong các mỏ bồi tích và là một
trong số kim loại đúc tiền.
Vàng được dùng làm một tiêu chuẩn tiền tệ ở nhiều nước và cũng được sử
dụng trong các ngành trang sức, nha khoa và điện tử
II.

Các yếu tố ảnh hưởng tới giá vàng
14


Hiện tại, trên thị trường vàng hiện nay đang tồn tại một số yếu tố chính ảnh
hưởng đến giá vàng:
a. Quan hệ về nguồn cung vàng
Trước tiên, ta có thể nói rằng, vàng là một loại hàng hoá, một loại hàng hoá
đặc biệt. Chính vì mang tính chất của một loại hàng hoá nên vàng cũng chịu tác
động của quy luật cung cầu trên thị trường. Xét về nguồn cung của vàng, vàng
được cung cấp bởi chủ yếu từ những nước có trữ lượng vàng lớn, sản lượng xuất
khẩu lớn có tầm ảnh hưởng đến thị trường vàng thế giới: Nam
Phi,Mỹ,Nga,Canada, Úc,… Theo dự báo, nguồn cung vàng cho thế giới sẽ giảm
nhẹ khoảng 1,3% so với năm 2008 đạt mức 2.295 tấn(tương đương với 73,7 triệu
ounce) nhưng vẫn đang cao hơn so với nhu cầu thực tế. Trong năm 2009, dự báo
thế giới sẽ dư khoảng 300 tấn vàng (tương đương với 9,1 triệu ounce).Nguồn cung
vàng từ khu vực Nam Phi, Úc và Canada sẽ giảm, nhưng lại tăng tại các nước như
Trung Quốc, Nga và Peru. Điều đáng lưu ý là, nếu giá vàng tăng mạnh như trong
thời gian vừa qua, nhiều khả năng các nước sẽ điều chỉnh tăng sản lượng. Ngân
hàng trung ương một số nước như Italia và Đức, thậm chí cả IMF đang cân nhắc
bán vàng ra. Thỏa thuận bán vàng của các ngân hàng trung ương (CBGA) sẽ hết

hiệu lực vào tháng 9 năm nay. Nhưng, khả năng các ngân hàng trung ương bán ra
với khối lượng lớn vào thời điểm cuối năm nay là không nhiều.
Trong khi đó, nhu cầu về vàng trong năm 2009 có thể tăng nhẹ so với năm
ngoái. Tuy nhiên, hiện tại cầu tại một số thị trường đã qua thời đỉnh điểm. Ấn Độ một nước nhập khẩu vàng khá lớn đã không nhập vàng trong tháng 2/2009 do giá
vàng quá cao. Trong khi đó, cùng kỳ năm ngoái, quốc gia này đã nhập về 23 tấn.
Trung bình hàng năm, Ấn Độ nhập nhập khoảng 500-700 tấn vàng. Trong thời
điểm kinh tế bất ổn, việc đi tìm một công cụ đầu tư và tích trữ an toàn như vàng là
điều rất dễ hiểu. Hiện tại nhu cầu vàng đang được hỗ trợ vững chắc bởi các yếu tố
như nhu cầu mua vàng của một số ngân hàng trung ương nhằm tăng dự trữ vàng;

15


nhu cầu về đầu tư vàng thỏi và đầu cơ theo chỉ số giá vàng (ETF) và nhất là nhu
cầu nắm giữ vàng của các nhà đầu tư…
Thêm vào đó, chính vì loại hàng hoá đặc biệt nên vàng có tính hấp dẫn đối với
tất cả mọi người. Ai cũng muốn sở hữu và tích luỹ chúng vào các mục đích riêng
của mình:trang sức, tích luỹ, đầu tư, thanh toán, … Đối với nền kinh tế đang bất
ổn như hiện nay, nhu cầu vàng ngày càng gia tăng cao.
b. Ảnh hưởng của USD đến giá vàng
Vì là một loại hàng hoá nên giá vàng cũng bị ảnh hưởng,tác động bởi các đồng
tiền nội tệ và ngoại tệ mua nó mà ở đây chủ yếu là đồng USD
Chính vì thế, việc giao động đồng USD cũng ảnh hưởng không nhỏ tới giá
vàng. Khi xem xét giá trị đồng USD, người ta thường đánh giá thông qua nền kinh
tế Mỹ và những yếu tố chính được xem là “chỉ báo” phản ánh sức mạnh hay suy
yếu của nền kinh tế Mỹ, đó là tình trạng thị trường nhà ở, thị trường lao động, thị
trường tín dụng và thị trường vốn.
Như ta đã biết, thị trường bất động sản là nơi khởi nguồn, là nơi bắt đầu cho
cuộc đại suy thoái của kinh tế Mỹ. Sự suy giảm rồi kết quả là sụp đổ của thị
trường bất động sản sẽ kéo theo sự giảm giá trị của đồng USD. Sự suy giảm giá trị

của đồng tiền có sức ảnh hưởng lớn với nền kinh tế cũng kéo theo sự suy giảm về
niềm tin nơi các nhà đầu tư về đồng tiền này. Các nhà đầu tư đang dần chuyển
sang một loại tiền tệ khác có tính ổn định cao hơn và có tính an toàn hơn USD. Từ
Euro,sang Bảng Anh, và thậm chí có thể là dùng vàng là đơn vị chuyển đổi hàng
hoá.
Thị trường bất động sản sụp đổ, hậu quả kéo theo là sự đi xuống của phố Wall.
Chứng khoán Mỹ đang đứng trước những chuỗi ngày dài đen tối nhất trong lịch sử
tồn tại của mình. Cổ phiếu của các hãng lớn lần lượt trượt dốc, không chỉ khiến
các đại tỷ phú mất đi phần lớn tài sản của mình mà còn khiến nhiều công ty vì thế
mà phá sản. Chuỗi dài ngày đen tối của kinh tế Mỹ được kéo dài cùng với chuỗi
các công ty, ngân hàng Mỹ cùng “rủ” nhau phá sản, xin trợ cấp. Mới đây nhất
16


chính là tập đoàn ôtô khổng lồ GM đang đứng bên bờ vực, chỉ đợi ngày phá sản
nếu không có sự ra tay cứu giúp kịp thời của Mỹ.
Từ Lehman Brothers đến Merrill Lynch rồi AIG,… tất cả đều có chung một kết
cục dù trước đây là những đại gia trên thị trường tài chính. Điều gì sẽ xảy ra với
nền kinh tế lớn nhất thế giới nếu các tập đoàn lớn cùng phá sản? Đó thực sự là một
thảm hoạ cho kinh tế thế giới mà ngay cả các nhà kinh tế học chuyên nghiên cứu
về suy thoái kinh tế hàng đầu cũng không dám tưởng tượng ra. Chủ tịch Cục dự
trữ Liên Bang Mỹ FED, Ben S. Bernanke,một nhà kinh tế học nghiên cứu suy
thoái kinh tế Mỹ những năm 1930 chắc chắc sẽ là người hiểu rõ nhất điều gì sẽ
đến với đầu tàu kinh tế thế giới. Các công ty phá sản cũng đồng nghĩa với việc số
lượng người thất nghiệp cũng tăng lên theo từng ngày. Hàng loạt các công ty sát
nhập, phá sản nhằm giảm bớt chi tiêu cho ngân sách lương đã khiến cho hàng trăm
ngàn công nhân phải thất nghiệp.
Các hãng khác như Yahoo,Microsoft,Samsung,Sony,… cũng phải cắt giảm
công nhân thậm chí đóng cửa các chi nhánh làm việc khônh có hiệu quả. Số lượng
nhân công thất nghiệp phản ánh thực trạng của nền kinh tế của một nước. Nó cho

biết kinh tế đất nước đang nằm trong giai đoạn phát triển hay suy thoái. Qua đó, số
lượng người thất nghiệp cũng ảnh hưởng đến chính sách phát triển kinh tế của Mỹ,
ảnh hưởng đến tỷ giá đồng USD đối với các loại tiền tệ khác cũng như đối với giá
vàng.
Ngoài ra, một chỉ báo không thể không kể đến khi đánh giá giá trị đồng USD,
đó là quyết định về lãi suất của Cục Dự trữ Liên bang Mỹ (FED). Bất kỳ quyết
định nào ảnh hưởng đến việc tăng hay giảm, giữ nguyên lãi suất của Mỹ do FED
công bố qua các kỳ họp của Ủy ban Thị trường mở Liên bang (FOMC) đều tác
động trực tiếp và mạnh mẽ đến giá trị đồng USD. Dù quyết định tăng/giảm lãi suất
của FED với mục đích kích thích hay kìm hãm tốc độ phát triển của nền kinh tế
hay nhằm giải quyết các vấn đề khác thì trong ngắn hạn hay tức thời, quyết định
tăng/giảm lãi suất của Mỹ cũng sẽ làm tăng/giảm giá trị của đồng USD do trong
17


ngắn hạn hay tức thời, giá trị của đồng USD được nâng lên/hạ xuống so với các
ngoại tệ khác trong mối tương quan so sánh. Khi giá trị của đồng USD dao động,
giá trị các loại hàng hóa được định giá bằng USD cũng dao động tức thời theo
quyết định của FED. Ví dụ, trước khi FED cắt giảm lãi suất cơ bản, 1 ounce vàng
có giá là 800 USD nhưng khi FED cắt giảm lãi suất thì vàng “vô tình” bị định giá
thấp do USD mất giá nên thị trường sẽ tự động điều chỉnh bằng cách nâng giá
vàng lên, trong trường hợp này 1 ounce vàng sẽ có giá là 810 USD.
c. Mối quan hệ giữa vàng và dầu
Sự tương quan trong biến động giá cả giữa các loại hàng hóa trên thị trường là
điều không tránh khỏi, nhất là các loại hàng hóa cùng được định giá bằng một loại
tiền tệ, trong đó vàng và dầu là 2 loại hàng hóa có mối quan hệ chặt chẽ về giá.
Khu vực khai thác và xuất khẩu dầu mỏ lớn nhất thế giới được biết đến là vùng
Trung Đông và các nước khu vực này thường dự trữ tài sản dưới dạng vàng, do đó
chính nguồn cung dầu mỏ và nguồn cầu về vàng của khu vực Trung Đông quá lớn,
ảnh hưởng đến giá cả 2 loại hàng hóa này nên nhiều NĐT thường nhìn vào diễn

biến giá dầu trong hiện tại và diễn biến được dự đoán trong tương lai của dầu để từ
đó dự đoán cho xu hướng dao động của vàng.
Nhưng nếu yếu tố tác động khiến cho dầu dao động không đến từ đồng USD,
mà vì lý do khác thì khó có thể nói rằng, diễn biến của vàng rồi cũng diễn ra theo
chiều hướng như vậy. Dù vậy, sự tăng hay giảm giá dầu đều có tác động ít nhiều
đến nền kinh tế Mỹ vì Mỹ là nước tiêu thụ năng lượng lớn nhất thế giới và thật là
thảm họa cho nền kinh tế Mỹ nếu một ngày nào đó không đủ lượng dầu đáp ứng
cho nhu cầu tiêu thụ thì các hoạt động kinh tế, sản xuất… đều có khả năng ngưng
trệ.
Tuy nhiên, cần phân tích những tác động của biến động giá dầu đến nền kinh tế
Mỹ, qua đó tác động trở lại giá trị đồng USD thì mới dự đoán được diễn biến dao
động giá vàng. Mặc dù các vấn đề thể hiện trên đây không thể bao quát hết toàn
bộ những yếu tố gây ảnh hưởng đến biến động thị trường nhưng những yếu tố này
18


được đánh giá có tầm ảnh hưởng trực tiếp hoặc gián tiếp một cách mạnh mẽ đến
giá vàng. Một khi có được tầm nhìn tổng quan về các yếu tố tác động này thì
NĐT mới làm quen với thị trường vàng sẽ có được nhận định chính xác hơn trước
những thông tin được công bố hàng ngày trên thị trường.
III.

Số liệu sử dụng :

Chúng tôi sử dụng dữ liệu từ năm 2006 đến năm 2016(11 năm) về giá vàng
giá dầu, tỷ giá USD.
- Phần dữ liệu học (training set): Từ năm 2006 đến năm 2013 có tổng cộng
96 mẫu học.
- Phần dữ liệu kiểm tra (test set): Từ năm 2014 đến năm 2016 có tổng cộng
36 mẫu kiểm tra.

Phương án : Dùng mạng perceptron lan truyền thẳng sử dụng hàm truyền là
hàm hardlim
a = hardlims(Wp + b)
Nếu tích của W với p lớn hơn –b thì đầu ra a sẽ bằng 1.
Nếu tích của W với p nhỏ hơn –b thì đầu ra a sẽ bằng 0.
Trong đó a là đầu ra tính toán
W là vec to trọng số
b là độ dốc

19


Để có thể minh họa rõ hơn về thủ tục huấn luyện. Xét một mạng perceptron với
một vector đầu vào 2 phần tử. Đây là một mạng đơn giản đủ để ta có thể tính toán
bằng tay nếu muốn.

Giả thiết ta sử dụng mạng để giải quyết bài toán phân loại và hoàn thiện nó với cặp
vector đầu vào và kết quả đầu ra mong muốn.
,

Sử dụng trọng số và bias ban đầu. Ta thể hiện sự thay đổi tại mỗi bước tính toán
bằng cách sử dụng con số trong ngoặc đơn sau mỗi biến. Như vậy, ta có giá trị ban
đầu là W(0) và b(0).
Ta bắt đầu tính toán đầu ra với vector đầu vào p1, với trọng số và bias ban đầu:

Kết quả đầu ra không đúng với mục tiêu t1, nên ta sử dụng luật perceptron để tìm
ra sự thay đổi của trọng số và bias dựa vào sự sai lệch e=t-a.

Ta có thể tính trọng số và bias mới sử dụng các quy tắc cập nhật Perceptron

20


Với vector đầu vào tiếp theo p2 được đưa vào. Giá trị đầu ra:

Lần này, độ sai lệch bằng 0 (e=t-a=1-1=0). Sẽ không có sự thay đổi của trọng số
vàbias, W(2)=W(1)=[-2-2] vàb(2)=b(1)=-1.

Xử lý dữ liệu đầu vào theo công thức minmax - scaling
Công thức xử lý dữ liệu :

Bảng giá trị sau khi xử lý dữ liệu :
STT

Thời gian

1
2
3
4
5
6
7
8
9
10
11

Jan-06
Feb-06

Mar-06
Apr-06
May-06
Jun-06
Jul-06
Aug-06
Sep-06
Oct-06
Nov-06

Giá
USD
0
0.01
0
0
0.01
0.01
0.01
0.02
0.02
0.02
0.03

Giá dầu Tỷ lệ lạm Dự trữ Giá
thô
phát
vàng
Vàng
0.34

0.31
0.49
0.000
0.3
0.3
0.5
0.003
0.31
0.27
0.54
0.004
0.38
0.26
0.54
0.035
0.39
0.27
0.56
0.072
0.39
0.27
0.6
0.028
0.43
0.26
0.59
0.049
0.41
0.26
0.57

0.049
0.32
0.24
0.56
0.030
0.28
0.24
0.54
0.023
0.28
0.24
0.56
0.048
21


12
13
14
15
16
17
18
19
20
21
22
23
24
25

26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52

Dec-06
Jan-07

Feb-07
Mar-07
Apr-07
May-07
Jun-07
Jul-07
Aug-07
Sep-07
Oct-07
Nov-07
Dec-07
Jan-08
Feb-08
Mar-08
Apr-08
May-08
Jun-08
Jul-08
Aug-08
Sep-08
Oct-08
Nov-08
Dec-08
Jan-09
Feb-09
Mar-09
Apr-09
May-09
Jun-09
Jul-09

Aug-09
Sep-09
Oct-09
Nov-09
Dec-09
Jan-10
Feb-10
Mar-10
Apr-10

0.03
0.03
0.02
0.02
0.02
0.03
0.03
0.04
0.05
0.05
0.03
0.02
0.02
0.02
0.01
0
0.03
0.03
0.08
0.14

0.11
0.1
0.12
0.16
0.17
0.23
0.21
0.23
0.26
0.27
0.26
0.26
0.25
0.3
0.3
0.32
0.39
0.39
0.42
0.48
0.42

0.31
0.23
0.28
0.29
0.33
0.32
0.36
0.42

0.41
0.48
0.54
0.62
0.59
0.6
0.63
0.73
0.79
0.92
1
1
0.83
0.71
0.45
0.26
0.1
0.11
0.08
0.17
0.19
0.28
0.38
0.33
0.39
0.38
0.44
0.46
0.43
0.46

0.44
0.49
0.52

0.23
0.23
0.23
0.24
0.25
0.26
0.27
0.3
0.3
0.31
0.33
0.35
0.44
0.5
0.55
0.68
0.76
0.89
0.95
0.95
1
0.99
0.94
0.86
0.7
0.62

0.52
0.4
0.33
0.2
0.14
0.12
0.07
0.09
0.11
0.15
0.23
0.27
0.3
0.33
0.33
22

0.63
0.66
0.76
0.79
0.81
0.84
0.89
0.94
0.91
0.93
0.94
0.93
0.83

0.71
0.66
0.6
0.51
0.4
0.34
0.29
0.3
0.33
0.31
0.28
0.3
0.24
0.2
0.19
0.16
0.2
0.22
0.2
0.17
0.13
0.12
0.1
0.06
0.06
0.06
0
0.06

0.049

0.049
0.067
0.062
0.076
0.07
0.064
0.07
0.072
0.099
0.12
0.149
0.147
0.194
0.212
0.237
0.21
0.2
0.211
0.25
0.184
0.179
0.167
0.147
0.183
0.222
0.275
0.266
0.251
0.276
0.287

0.28
0.29
0.32
0.351
0.408
0.434
0.423
0.419
0.444
0.465


53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70

71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93

May-10
Jun-10
Jul-10
Aug-10
Sep-10
Oct-10

Nov-10
Dec-10
Jan-11
Feb-11
Mar-11
Apr-11
May-11
Jun-11
Jul-11
Aug-11
Sep-11
Oct-11
Nov-11
Dec-11
Jan-12
Feb-12
Mar-12
Apr-12
May-12
Jun-12
Jul-12
Aug-12
Sep-12
Oct-12
Nov-12
Dec-12
Jan-13
Feb-13
Mar-13
Apr-13

May-13
Jun-13
Jul-13
Aug-13
Sep-13

0.47
0.47
0.48
0.51
0.54
0.54
0.55
0.55
0.55
0.58
0.69
0.75
0.72
0.71
0.71
0.73
0.75
0.75
0.78
0.78
0.77
0.76
0.75
0.75

0.75
0.76
0.75
0.75
0.75
0.76
0.9
0.75
0.75
0.75
0.76
0.76
0.76
0.78
0.75
0.79
0.79

0.42
0.43
0.44
0.45
0.43
0.5
0.52
0.57
0.57
0.56
0.7
0.76

0.68
0.64
0.65
0.54
0.53
0.54
0.65
0.66
0.68
0.69
0.73
0.7
0.62
0.5
0.56
0.62
0.62
0.57
0.54
0.56
0.62
0.63
0.6
0.6
0.62
0.63
0.72
0.74
0.73

0.32
0.31
0.29
0.29
0.32
0.34
0.39
0.41
0.43
0.43
0.49
0.62
0.7
0.74
0.78
0.81
0.79
0.76
0.7
0.64
0.61
0.58
0.5
0.37
0.29
0.24
0.19
0.18
0.23
0.25

0.25
0.24
0.25
0.25
0.23
0.23
0.22
0.24
0.26
0.26
0.22
23

0.05
0.07
0.09
0.09
0.11
0.12
0.12
0.11
0.12
0.12
0.2
0.2
0.26
0.34
0.45
0.4
0.35

0.32
0.33
0.35
0.4
0.45
0.61
0.7
0.64
0.51
0.43
0.52
0.58
0.62
0.76
0.92
1
0.96
0.71
0.56
0.51
0.46
0.38
0.41
0.38

0.503
0.521
0.498
0.521
0.569

0.618
0.638
0.652
0.629
0.681
0.745
0.781
0.797
0.808
0.839
0.984
1
0.926
0.987
0.922
0.923
0.982
0.929
0.911
0.864
0.877
0.871
0.894
0.982
0.984
0.964
0.939
0.926
0.895
0.874

0.792
0.742
0.692
0.659
0.7
0.701


94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115

116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131

Oct-13
Nov-13
Dec-13
Jan-14
Feb-14
Mar-14
Apr-14
May-14
Jun-14
Jul-14
Aug-14
Sep-14
Oct-14

Nov-14
Dec-14
Jan-15
Feb-15
Mar-15
Apr-15
May-15
Jun-15
Jul-15
Aug-15
Sep-15
Oct-15
Nov-15
Dec-15
Jan-16
Feb-16
Mar-16
Apr-16
May-16
Jun-16
Jul-16
Aug-16
Sep-16
Oct-16
Nov-16

0.79
0.79
0.79
0.79

0.79
0.79
0.79
0.69
0.81
0.81
0.8
0.81
0.81
0.82
0.83
0.83
0.82
0.84
0.86
0.88
0.9
0.9
0.95
1
0.98
0.99
1
0.99
0.98
0.97
0.97
0.97
0.97
0.97

0.97
0.97
0.97
1

0.68
0.61
0.65
0.62
0.68
0.68
0.69
0.69
0.73
0.71
0.64
0.61
0.52
0.44
0.28
0.16
0.2
0.17
0.23
0.28
0.28
0.2
0.12
0.15
0.15

0.12
0.07
0.01
0
0.07
0.1
0.16
0.18
0.14
0.14
0.14
0.19
0.15

0.21
0.2
0.21
0.19
0.16
0.15
0.16
0.17
0.18
0.17
0.15
0.13
0.11
0.09
0.07
0.03

0.01
0.03
0.04
0.03
0.04
0.03
0.02
0
0
0.01
0.02
0.03
0.05
0.06
0.07
0.08
0.08
0.08
0.09
0.12
0.14
0.14

Quá trình thực hiện việc học
24

0.4
0.35
0.29
0.31

0.32
0.42
0.5
0.53
0.6
0.68
0.63
0.65
0.61
0.58
0.51
0.42
0.46
0.35
0.3
0.32
0.32
0.3
0.21
0.16
0.17
0.16
0.16
0.14
0.12
0.18
0.23
0.24
0.24
0.24

0.24
0.24
0.24
0.24

0.676
0.646
0.608
0.622
0.664
0.691
0.663
0.655
0.655
0.678
0.665
0.622
0.612
0.581
0.602
0.639
0.619
0.587
0.608
0.616
0.605
0.565
0.569
0.587
0.609

0.554
0.543
0.563
0.641
0.676
0.673
0.688
0.702
0.749
0.752
0.74
0.693
0.675


Giá trị thu được

25