MÔ HÌNH NEURAL NETWORK TRONG DỰ BÁO TÀI CHÍNH

MỤC LỤC
Tóm tắt đề tài
Danh mục các hình
Chương 1: Mơ hình Neural Network trong dự báo tài chính
1.1. Giới thiệu sơ lược về mơ hình Neural Network ....................................... 1
1.2. Nền tảng của mơ hình Neural Network ................................................... 1
1.3. Hoạt động của một Neural Network ........................................................ 2
1.4. Các mơ hình mạng Neural Network ........................................................ 3
1.4.1. Các dạng mơ hình Neuron............................................................... 4
Mơ hình cấu trúc một Neuron ........................................................... 4
Mơ hình Neuron với vectơ nhập ....................................................... 4
1.4.2 Các dạng mơ hình ............................................................................ 5
Mơ hình mạng một lớp Neuron......................................................... 5
Mơ hình mạng nhiều lớp Neuron ...................................................... 7
1.5. Mơ hình Backpropagation Neural Network ............................................. 7
1.5.1. Hoạt động của mạng Backpropagation ........................................... 7
1.5.2. Các thông số phổ biến trong thiết kế một Backpropagation ............. 8
1.5.3 Mục đích, cơng dụng của mơ hình Neural Network ........................ 9
Chương 2: Các bước thiết kế một mơ hình dự báo Neural Network
2.1. Sơ lược về việc thiết kế mơ hình dự báo Neural Network ........................ 11
2.2. Quá trình lựa chọn các biến số ................................................................ 11
2.3. Quá trình thu thập dữ liệu........................................................................ 13
2.4. Q trình xử lý và phân tích dữ liệu ........................................................ 13
2.5. Phân chia dữ liệu cho từng giai đoạn: huấn luyện,
kiểm tra và công nhận ............................................................................. 16
2.6. Xác định các thơng số cho Neural Network ............................................. 18
2.6.1. Tính tốn số lượng các lớp ẩn ......................................................... 18
2.6.2. Tính tốn số lượng các neuron ẩn.................................................... 19
2.6.3. Tính tốn số lượng các neuron đầu ra.............................................. 21
2.6.4. Xác định loại hàm truyền ................................................................ 21
2.7. Xác định tiêu chuẩn đánh giá kết quả ...................................................... 22

2.8. Lựa chọn kiểu huấn luyện mơ hình Neural Network................................ 23
2.8.1. Xác định thơng số lặp lại q trình huấn luyện ............................... 23
2.8.2. Lựa chọn learning rate và momentum ............................................ 26


2.9. Tiến hành thực hiện mơ hình ................................................................... 27
Chương 3: Ứng dụng Neural Network vào thị trường tài chính Việt Nam
3.1. Dự báo kinh tế Việt Nam 2008 ................................................................ 29
3.1.1. Lạm phát ......................................................................................... 30
3.1.2. Tỷ giá hối đoái ................................................................................ 30
3.1.3. Kinh tế đoái ngoại ........................................................................... 31
3.2. Lựa chọn phần mềm xử lý mơ hình ......................................................... 31
3.3. Cách thức thu thập và xử lý dữ liệu thô ................................................... 33
3.3.1. Các nhân tố ảnh hưởng thị trường chứng khoán Việt Nam ............. 33
3.3.2. Cách thức thu thập và điều chỉnh dữ liệu đầu vào .......................... 34
3.3.3. Tổ chức file dữ liệu ........................................................................ 36
3.3.4. Phân tích các biến đầu vào bằng Data Manager .............................. 36
3.4. Q trình xử lý mơ hình và phân tích kết quả ......................................... 37
3.4.1. Cách thực hiện chạy chương trình Neuro Solutions ......................... 37
3.4.2. Kết quả nhận từ phần mềm Neuro Solutions ................................... 38
3.4.3. Kết quả dự báo VN-INDEX từ tháng 4/2008 đến tháng 5/2008....... 39
3.4.4. Phân tích kết quả............................................................................. 39
3.5. Chứng cứ ứng dụng mơ hình Neural Network ......................................... 40
3.5.1. Jason E.Kutsurelis ứng dụng mơ hình Neural Network
để dự báo S&P 500 ........................................................................ 40
3.5.2. Trường hợp 1: Đầu cơ giá lên từ tháng 1 năm 1994 ........................ 41
3.5.3. Trường hợp 2: Sự sụp đổ vào tháng 10 năm 1986 ........................... 44
3.5.4. Kết quả thử nghiệm cho cả hai trường hợp ...................................... 47
Kết luận
Tài liệu tham khảo

Phụ lục


CHƯƠNG 1: MƠ HÌNH NEURAL NETWORK
TRONG DỰ BÁO TÀI CHÍNH
1.1.

GIỚI THIỆU SƠ LƯỢC VỀ MƠ HÌNH NEURAL NETWORK

Neural Network trong một vài năm trở lại đây đã được nhiều người quan tâm và
đã áp dụng thành công trong nhiều lĩnh vực khác nhau, như tài chính, y tế, địa chất
và vật lý. Thật vậy, bất cứ ở đâu có vấn đề về dự báo, phân loại và điều khiển,
Neural Network đều có thể ứng dụng được. Sự thành cơng nhanh chóng của mạng
Neural Network có thể là do một số nhân tố chính sau:
 Năng lực : Neural Network là những kỹ thuật mơ phỏng rất tinh vi, có khả
năng mô phỏng các hàm cực kỳ phức tạp. Đặc biệt, Neural Network hoạt
động phi tuyến. Trong nhiều năm, mơ hình tuyến tính là kỹ thuật được sử
dụng rộng rãi trong hầu hết các lĩnh vực, vì thế mơ hình tuyến tính có tính
chiến lược tối ưu hóa được biết nhiều nhất.
 Dễ sử dụng : Neural Network có tính học theo các ví dụ. Người sử dụng
Neural Network thu thập các dữ liệu đặc trưng, và sau đó gọi các thuật tốn
huấn luyện để có thể tự học cấu trúc của dữ liệu. Mặc dù người sử dụng
làm tất cả những điều cần thiết để có thể chọn và chuẩn bị dữ liệu, sử dụng
loại mạng phù hợp và có thể hiểu được các kết quả, nhưng mức độ người sử
dụng biết cách áp dụng thành công Neural Network vẫn thấp hơn nhiều
những người sử dụng các phương pháp thống kê truyền thống…

1.2.

NỀN TẢNG CỦA MƠ HÌNH NEURAL NETWORK

Neural Network phát triển từ nghiên cứu về trí tuệ nhân tạo; đặc biệt cố gắng bắt
chước bộ não có cấu trúc cấp thấp về khả năng học và chấp nhận sai của hệ thống
neuron sinh học. Bộ não con người gồm một số rất lớn neuron (khoảng
10.000.000.000 neuron) kết nối với nhau (trung bình mỗi neuron kết nối với hàng
chục ngàn neuron khác). Mỗi neuron là một tế bào đặc biệt, có thể truyền các tín
hiệu điện. Neuron có cấu trúc rễ ngõ vào, thân tế bào và cấu trúc rễ ngõ ra (sợi


thần kinh). Các sợi thần kinh của một tế bào kết nối với các tế bào khác thông qua
synapse. Khi một neuron kích hoạt, nó tạo ra xung điện hóa học dọc theo sợi thần
kinh. Tín hiệu này đi qua các synapse đến các neuron khác, và tiếp tục bị kích
hoạt. Neuron hoạt động chỉ khi tất cả các tín hiệu nhận được ở thân tế bào thông
qua rễ ngõ vào vượt quá một mức nào đó (ngưỡng hoạt động). Cường độ tín hiệu
thu được của neuron phụ thuộc vào độ nhạy của synapse. Chỉ có việc học làm thay
đổi cường độ kết nối synapse.
Do đó, từ một số rất lớn các đơn vị xử lý rất đơn giản này (mỗi đơn vị thực hiện
tổng trọng số các ngõ vào sau đó kích hoạt một tín hiệu nhị phân nếu tổng ngõ vào
vượt quá ngưỡng), bộ não điều khiển để hoạt động những cơng việc cực kì phức
tạp. Dĩ nhiên, sự phức tạp trong hoạt động của bộ não không thể trình bày hết,
nhưng dù sao mạng trí tuệ nhân tạo có thể đạt được một vài kết quả đáng chú ý với
mơ hình khơng phức tạp hơn bộ não.

1.3.

HOẠT ĐỘNG CỦA MỘT NEURAL NETWORK

Mỗi neuron nhận một số các ngõ vào (từ dữ liệu gốc, hay từ ngõ ra các neuron
khác trong mạng). Mỗi kết nối đến ngõ vào có một cường độ (hay trọng số),
những trọng số này tương ứng với tác dụng synapse trong neuron sinh học. Mỗi

neuron cũng có một giá trị ngưỡng. Tín hiệu được truyền qua hàm kích hoạt (hay
cịn gọi là hàm truyền) tạo giá trị ngõ ra neuron.
Nếu sử dụng hàm truyền nấc (nghĩa là ngõ ra neuron là 0 nếu ngõ vào nhỏ hơn 0,
và là 1 nếu ngõ vào lớn hơn hay bằng 0) thì neuron hoạt động giống như neuron
sinh học. Thực tế, hàm nấc ít khi sử dụng trong mạng trí tuệ nhân tạo. Lưu ý rằng
trọng số có thể âm, nghĩa là synapse có tác dụng kiềm chế hơn là kích hoạt neuron,
các neuron kiềm chế có thể tìm thấy trong bộ não.
Trên đây là mơ tả về các neuron đơn lẻ. Trong thực tế các neuron được kết nối với
nhau. Khi mạng hoạt động, chúng phải có ngõ vào (mang giá trị hoặc biến của thế
giới thực) và ngõ ra (dùng để dự báo hoặc điều khiển). Ngõ vào và ngõ ra tương
ứng với các neuron giác quan và vận động, như tín hiệu đưa vào mắt và điều khiển


cánh tay. Tuy nhiên chúng cịn có các neuron ẩn đóng vai trị ẩn trong mạng. Ngõ
vào, neuron ẩn và ngõ ra cần được kết nối với nhau.
Ta có mạng Neural Network tiến (feed-forward) cho như hình dưới. Các neuron
được sắp xếp theo cấu trúc liên kết lớp riêng biệt. Lớp ngõ vào không phải là
neuron thực: các neuron này hoạt động đơn giản là giới thiệu các giá trị của các
biến vào. Các neuron lớp ẩn và lớp ngõ ra được kết nối với tất cả các neuron lớp
trước đó. Cũng như vậy chúng ta có thể định nghĩa mạng có các kết nối một phần
với một vài neuron trong lớp trước đó; tuy nhiên, trong hầu hết các ứng dụng
mạng có kết nối đầy đủ vẫn tốt hơn.
Hình 1.1. Cấu trúc Neural Network

Khi mạng hoạt động, các giá trị biến ngõ vào được đặt vào các neuron ngõ vào, và
sau đó các neuron lớp ẩn và lớp ngõ ra lần lượt được kích hoạt. Mỗi neuron tính
giá trị kích hoạt của chúng bằng cách lấy tổng các trọng số ngõ ra của các neuron
lớp trước đó, và trừ cho ngưỡng. Giá trị kích hoạt truyền qua hàm kích hoạt tạo ra
giá trị ngõ ra của neuron. Khi toàn bộ mạng đã hoạt động, các ngõ ra của lớp ngõ
ra hoạt động như ngõ ra của tồn mạng.

1.4.

CÁC MƠ HÌNH MẠNG NEURAL NETWORK CƠ BẢN

Mơ hình mạng Neural tổng qt có dạng theo hình 1.2
Hình 1.2. Mơ hình mạng Neural tổng quát


Ngày nay, mạng Neural Network có thể giải quyết nhiều vấn đề phức tạp đối với
con người, áp dụng trong nhiều lĩnh vực như nhận dạng, định dạng, phân loại, xử
lý tín hiệu, hình ảnh v.v…
1.4.1. Các dạng mơ hình Neuron
Mơ hình cấu trúc một Neuron
Ngõ vào một neuron có thể là đại lượng vơ hướng hoặc có hướng, đại lượng này
được nhân với trọng số tương ứng để đưa vào neuron, hoặc có thể cộng thêm
ngưỡng (bias), thường bằng 1. Hình 1.3 là mơ hình một neuron với ngõ vào vơ
hướng p khơng có ngưỡng b và có ngưỡng b. Ngõ vào vô hướng p được nhân với
trọng số vô hướng w tạo thành wp, đối số wp qua hàm truyền f cho kết quả đầu ra
là vô hướng a = f(wp). Hình bên phải là neuron có ngưỡng b, giá trị b được cộng
với wp rồi qua hàm truyền f cho kết quả đầu ra là vô hướng a = f(wp+b). Có thể
điều chỉnh những thơng số của neuron như trọng số và ngưỡng (w và b) để đạt
được yêu cầu mong muốn nghĩa là “huấn luyện” mạng.
Hình 1.3. Mơ hình cấu trúc một Neuron


Mơ hình Neuron với vector nhập
Một neuron được cho trên hình 1.4 với vector nhập p = [p1, p2, ……pR ], trọng số
W = w1,1, w1,2,……w1,R, ngưỡng b và hàm truyền f . Tổng đối số và ngưỡng tạo ở
ngõ ra n là:

n = w1,1p1 + w1,2,p2 + ……w1,R pR + b
hay n = W*p + b
Nếu có nhiều neuron thì cách biểu diễn trên khơng hiệu quả, do đó có thể định
nghĩa một lớp gồm nhiều neuron theo như hình 1.5


Hình 1.4. Mơ hình Neuron với vector nhập

Hình 1.5. Một lớp gồm nhiều neuron

1.5.1. Các dạng mạng mơ hình
Mơ hình mạng một lớp Neuron
Trong hình dưới mơ tả một lớp neuron với :
R : số phần tử của vectơ đầu vào
S : số neuron trong lớp
a : vector ngõ ra của lớp neuron



Hình 1.6. Mơ hình mạng một lớp Neuron

Ma trận trọng số W :
 w1,1
w
2 ,1
W 


 wS ,1

w1, 2
w1, 2
wS , 2

... w1, R 
... w2, R 



... wS , R 

Một lớp mạng được vẽ gọn theo hình 1.7
Hình 1.7. Mơ hình mạng một lớp được vẽ gọn



Mơ hình mạng nhiều lớp Neuron
Hình 1.8: Mơ hình mạng nhiều lớp Neuron

Mạng có nhiều lớp, mỗi lớp có một ma trận W, một ngưỡng b và một vectơ ngõ ra
a. Thông thường giá trị ra của một lớp là giá trị vào của lớp tiếp theo. Mỗi lớp
trong m