Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế - Trường hợp thị trường chứng khoán Việt Nam

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC KINH TẾ TP.HỒ CHÍ MINH


LÊ ĐẠT CHÍ

ỨNG DỤNG MÔ HÌNH MẠNG THẦN KINH
NHÂN TẠO TRONG DỰ BÁO KINH TẾ –
TRƯỜ NG HỢP THỊ TRƯỜNG CHỨNG KHOÁN
VIỆT NAM

Chuyên ngành : Kinh tế Tài chính – Ngân hàng
Mã số : 62.31.12.01

LUẬN ÁN TIẾN SĨ KINH TẾ
Người hướng dẫn khoa học:
GS. TS. TRẦN NGỌC THƠ

TP.HỒ CHÍ MINH
Năm 2011


i

Mục lục

Lời cam đoan
Mục lục ...................................................................................................................... i
Danh mục các bảng biểu............................................................................................ v
Danh mục các hình .................................................................................................. vii
Danh mục các từ viết tắt ........................................................................................... ix

Phần mở đầu............................................................................................................ 1
Chương 1: Quan điểm và bằng chứng thực nghiệm việc ứng dụng
mô hình mạng thần kinh nhân tạo trong dự báo ................................................... 6
1.1.

Quan điểm lựa chọn công cụ phân tích và dự báo ...................................... 7

1.2.

Mô hình mạng thần kinh nhân tạo – ANN ................................................ 11
1.2.1. Mạng thần kinh nhân tạo và các đặc điể m cơ bản của bô ̣ naõ ............. 11
1.2.2. Những yếu tố tạo nên một mô hình mạng thần kinh nhân tạo ............. 13
1.2.3. Cách thức huấn luyện một mô hình ma ̣ng thầ n kinh nhân ta ̣o............. 15
1.2.4. Mô ̣t số thước đo trong viê ̣c lựa cho ̣n cấ u trúc ma ̣ng ANN .................. 16
1.2.5. Các đặc trưng của mô hình mạng thần kinh nhân tạo ......................... 17

1.3.

Một số mô hình mạng thần kinh nhân tạo điển hình ................................ 19
1.3.1. Mô hình mạng truyền thẳng ............................................................... 19
1.3.2. Mô hình mạng truyền thẳng đa lớp .................................................... 21
1.3.3. Mô hình mạng lặp lại ......................................................................... 23

1.4.

Sự vượt trội của mô hình mạng thần kinh
trong việc phân tích và dự báo ................................................................... 25


ii

1.5.

Việc ứng dụng mô hình ANN trong dự báo – bằng chứng thực nghiệm .. 29

1.6.

Thiết kế một mô hình mạng thần kinh nhân tạo ....................................... 32

Chương 2: Thiết kế và ứng dụng mạng thần kinh nhân tạo để dự báo
giá chứng khoán trên thị trường chứng khoán Việt Nam ................................... 37
2.1.

Thiết kế mạng thần kinh nhân tạo để dựa báo giá chứng khoán với
nhóm biến kinh tế vĩ mô ............................................................................. 38
2.1.1. Lựa chọn biến kinh tế vĩ mô tác động đến giá chứng khoán ............... 38
2.1.2. Thu thập dữ liệu kinh tế ..................................................................... 38
2.1.3. Tiền xử lý dữ liệu .............................................................................. 39
2.1.4. Phân chia dữ liệu được thu thập để huấn luyện ANN. ........................ 40
2.1.5. Xây dựng cấu trúc – Xác định thông số của ANN .............................. 41
2.1.6. Tiêu chuẩn đánh giá tính phù hợp kết quả dự báo của ANN ............... 44
2.1.7. Huấn luyện hệ thống ANN ................................................................. 45
2.1.8. Kết quả sử dụng mô hin
̀ h ma ̣ng ANN để dự báo VN-Index ............... 45

2.2.

Sử dụng mạng thầ n kinh được khái quát hóa và mạng truyền thẳng để dự
báo giá chứng khoán với nhóm biến kinh tế vĩ mô ................................... 47
2.2.1. Dự báo giá chứng khoán bằ ng cấ u trúc mạng thầ n kinh nhân ta ̣o đươ ̣c

khái quát hóa ..................................................................................... 47
2.2.2. Dự báo giá chứng khoán dựa trên phân tích tác động của các biến kinh
tế vĩ mô theo cấ u trúc mạng truyền thẳng ........................................... 50
2.2.3. So sánh khả năng dự báo giá chứng khoán của mô hình mạng thầ n kinh
nhân ta ̣o với mô hình hồi quy tuyến tính ............................................ 51

2.3.

Sự vượt trội của mô hin
̀ h ma ̣ng thầ n kinh nhân ta ̣o so với mô hin
̀ h hồ i
quy tuyến tính khi sử dụng các biến số tài chính ...................................... 54
2.3.1. Mô hình mạng ANN tuyến tính .......................................................... 55


iii

2.3.2. Kết quả của mô hình hồi quy tuyến tính truyền thống ........................ 56
2.3.3. Mô hình mạng ANN phi tuyến khi khảo sát các biến tài chính ........... 57
2.4.

Phân tích và dự báo giá chứng khoán trên TTCK VN dưới tác động của
sự biến động các TTCK thế giới ................................................................ 61

2.5.

Sử du ̣ng sự thay đổ i giá trong quá khứ để dự báo giá chứng khoán trên
TTCK VN.................................................................................................... 66

2.6.

Dự báo giá chứng khoán trên TTCK VN dưới tác động của các chỉ báo
tâm lý thị trường ......................................................................................... 71
2.6.1. Lựa chọn nhập lượng đầu vào ............................................................ 72
2.6.2. Thu thập và xử lý dữ liệu ................................................................... 72
2.6.3. Mô hình mạng thần kinh nhân tạo ...................................................... 74
2.6.4. Xây dựng mô hình mạng thần kinh tuyến tính .................................... 76
2.6.5. So sánh và kết luận ............................................................................ 76

Chương 3: Một số đề xuất từ quá trình phân tích và dự báo giá chứng khoán
trên thị trường chứng khoán Việt Nam................................................................ 79
3.1.

Khả năng dự báo giá chứng khoán trên thị trường chứng khoán
Việt Nam ..................................................................................................... 80

3.2.

Hành vi tài chính của nhà đầu tư tác động mạnh trong mô hình ANN ... 84

3.3.

Mô ̣t số đề xuấ t từ quá trin
̀ h phân tích và dự báo giá chứng khoán trên
TTCK VN.................................................................................................... 85
3.3.1. Gia tăng điều kiện phát hành chứng khoán nhằm kiểm soát hoạt động
huy động vốn của các doanh nghiệp ................................................... 87
3.3.2. Sớm thay đổi các quy định về tín dụng đầu tư chứng khoán hiện nay
của ngân hàng nhà nước ..................................................................... 89
3.3.3. Gia tăng điều kiện niêm yết trên các sàn giao dịch chứng khoán ở

Viê ̣t Nam để tạo ra sự khác biệt thực sự giữa các thị trường ............... 93


iv

3.3.4. Tăng tính chủ động cho Ủy ban chứng khoán nhà nước tiến tới sự độc
lập trong hoạt động dưới sự quản lý của chính phủ ............................ 96
3.4.

Những hạn chế của quá trình nghiên cứu này .......................................... 97

3.5.

Những ứng dụng khác của mô hình mạng thần kinh nhân tạo ................ 98

Kết luận................................................................................................................. 100
Các công trình nghiên cứu khoa học đã công bố .................................................... 101
Danh mục tài liệu tham khảo ................................................................................. 102
Phụ lục 1:Mô ̣t số hàm kić h hoa ̣t của ma ̣ng thầ n kinh nhân ta ̣o ............................... 109
Phụ lục 2: Quá trình phân loại biến theo mô hình ANN ......................................... 116
Phụ lục 3: Xây dựng mô hiǹ h hồ i quy tuyế n tin
́ h truyề n thố ng để phân tić h
và dự báo VN-Index .............................................................................................. 123
Phụ lục 4: Cách tính các chỉ số phân tích kỹ thuật ................................................. 152


v

Danh mục các bảng biểu

Bảng 1.1: Tám bước khi thiết kế mô hình phân tích và dự báo ANN ....................... 36
Bảng 2.1: Các biến kinh tế đưa vào thiết kế ANN để dựa báo VN-Index ................. 39
Bảng 2.2: Kết quả quá trình tiền xử lý dữ liệu khi đưa lần lược các biến đầu vào
trong 7 biến trên để dự báo VN-Index ..................................................................... 40
Bảng 2.3: Hai cấu trúc mạng ANN cho ra kết quả dự báo tốt nhất ........................... 45
Bảng 2.4: Kết quả huấn luyện hệ thống mạng GNN-14PE....................................... 47
Bảng 2.5: Kết quả kiểm định ngoài mẫu của mô hình GNN-14PE ........................... 48
Bảng 2.6: Kết quả kiểm định ngoài mẫu của cấu trúc GNN-4PE và GNN-5PE ....... 49
Bảng 2.7: Kết quả dự báo ngoài mẫu theo cấ u trúc mạng ANN truyền thẳng
MFF-2PE, MFF-3PE, MFF-4PE, MFF-5PE ............................................................ 51
Bảng 2.8: Kết quả kiểm định ngoài mẫu của cấ u trúc mạng ANN tuyến tính ........... 52
Bảng 2.9: Kết quả kiểm định ngoài mẫu của cấ u trúc mạng MLN 9-3-1, MLN 9-4-1,
MLN 9-5-1, MLN 9-6-1 .......................................................................................... 59
Bảng 2.10: Kết quả kiểm định ngoài mẫu của GNN 9-5-1 và GNN 9-6-1................ 60
Bảng 2.11: Kết quả kiểm định ngoài mẫu mạng ANN tuyến tính ............................. 63
Bảng 2.12: Kết quả kiểm định ngoài mẫu của các cấ u trúc ...................................... 65
Bảng 2.13: Kết quả kiểm định ngoài mẫu của cấ u trúc MLF 3-5-3-1 và
GNN 3-5-3-1 ........................................................................................................... 68
Bảng 2.14: Kết quả kiểm định cấ u trúc MLF 5-3-1 đối với chuỗi tỷ suất sinh lợi
VNI theo ngày . ........................................................................................................ 69
Bảng 2.15: Kiểm định ngoài mẫu đối với các mô hình ANN với
dữ liệu thu thập trong năm 2010. ............................................................................. 71
Bảng 2.16: Các chỉ báo kỹ thuật được sử dụng làm nhập lượng đầu vào
cho mô hình ............................................................................................................ 73


vi

Bảng 2.17: Kết quả mô hình mạng thần kinh một lớp ẩn
với số lượng các neuron khác nhau .......................................................................... 75

Bảng 2.18: Kết quả mô hình mạng truyền thẳng một lớp ẩn với 10 neuron .............. 76
Bảng 2.19: Kết quả mô hình mạng thần kinh tuyến tính .......................................... 76
Bảng 3.1: Thống kê số lượng doanh nghiệp niêm yết trên TTCK VN
huy động vốn bằng phát hành cổ phiếu .................................................................... 86
Bảng 3.2: Điều kiện niêm yết tại các sở giao dịch chứng khoán .............................. 93
Bảng 3.3: Quan sát quy mô vốn của các công ty niêm yết trên 2 sàn
chứng khoán vào thời điể m kế t thúc quý 3/2010...................................................... 94


vii

Danh mục các hình
Hình 1.1: Minh ho ̣a cơ bản của mô ̣t neuron ............................................................. 13
Hình 1.2: Mô hình phi tuyến của một neuron .......................................................... 14
Hình 1.3: Phương pháp điề u chỉnh các tro ̣ng số synapse theo nguyên tắ c
giảm độ dốc Gradient .............................................................................................. 16
Hình 1.4: Mô hình mạng truyền thẳng ..................................................................... 19
Hình 1.5: Mô hình mạng truyền thẳng với hai lớp ẩn ............................................... 21
Hình 1.6: Mô hình mạng lặp lại Elman .................................................................... 24
Hình 1.7: Thiết kế mô hình mạng thần kinh nhân tạo .............................................. 34
Hình 2.1: Kết quả mô hình ANN được sử dụng để phân tích và dự báo VNI ........... 42
Hình 2.2: Kết quả dự báo theo mô hình ANN và thực tế của VNI
trong mô hình 1 và mô hình 2 ................................................................................. 46
Hình 2.3: VNI dự báo từ mô hình GNN-14PE so với VNI thực tế ........................... 48
Hình 2.4: Mô tả mạng GRNN với 4 neuron trong lớp ẩn GNN-4PE ........................ 49
Hình 2.5: Giá trị VNI dự báo từ GNN-4PE và GNN-5PE với giá trị VNI thực tế .... 50
Hình 2.6: VNI thực tế và dự báo của cấ u trúc mạng ANN tuyến tính ....................... 52
Hình 2.7: VNI dự báo và thực tế từ cấ u trúc mạng ANN tuyến tính
của tập kiểm tra lại .................................................................................................. 56
Hình 2.8: VNI dự báo và thực tế từ cấ u trúc MLN 9-3-1 và MLN 9-4-1. ................. 58

Hình 2.9: VNI dự báo và thực tế từ cấ u trúc MLN 9-6-1. ........................................ 58
Hình 2.10: VNI dự báo và thực tế của tập kiểm tra lại từ cấ u trúc ma ̣ng GNN 9-5-1
và GNN 9-6-1. ........................................................................................................ 60
Hình 2.11: Chuỗi tỷ suất sinh lợi VNI dự báo ngoài mẫu từ mạng ANN tuyến tính và
VNI thực tế. ............................................................................................................ 62


viii

Hình 2.12: Chuỗi tỷ suất sinh lợi VNI dự báo ngoài mẫu từ mạng MLF 4-4-1 và
MLF 4-3-2-1 với giá trị thực tế. ............................................................................... 65
Hình 2.13: Chuỗi tỷ suất sinh lợi VNI dự báo ngoài mẫu từ mạng MLF 4-4-3-1 và
GNN 4-3-1 với giá trị thực tế. ................................................................................. 65
Hình 2.14: Chuỗi tỷ suất sinh lợi VNI theo tuần từ tháng 1/2005 đến tháng 9/2010. 67
Hình 2.15: Chuỗi tỷ suất sinh lợi VNI theo tuần được dự báo
từ cấ u trúc MLF 3-5-3-1, GNN 3-5-3-1 và chuỗi tỷ suất sinh lợi thực tế. ................ 68
Hình 2.16: Chuỗi tỷ suất sinh lợi VNI theo ngày được dự báo
từ cấ u trúc MLF 5-3-1 và chuỗi VNI thực tế. .......................................................... 69
Hình 2.17: Chuỗi tỷ suất sinh lợi VNI dự báo và thực tế của
mạng MLF 5-3-1 và MLF 5-4-3-1 trong năm 2010. ................................................ 70
Hình 2.18: Chuỗi tỷ suất sinh lợi VNI theo ngày trong năm 2010
được dự báo từ MLF 5-4-3-2-1, GNN 5-4-3-1 và chuỗi thực tế. .............................. 70
Hình 2.19: Chuỗi giá trị Ln(VNI) từ ngày 2/1/2008 đến ngày 22/9/2010 ................. 73
Hình 2.20: Chuỗi giá trị Ln(VNI) thực tế và dự báo từ
mô hình mạng ANN của tập hợp các quan sát kiểm tra lại ....................................... 77
Hình 2.21: Phần trăm sai lệch giữa giá trị Ln(VNI) dự báo so với thực tế
của tập hợp các quan sát kiểm tra lại ....................................................................... 78
Hình 3.1: Số liệu doanh nghiệp huy động vốn qua các năm của các doanh nghiệp
niêm yết trên TTCK VN (ĐVT: nghìn tỷ đồng) ....................................................... 86
Hình 3.2: Thống kê tỷ lệ vốn cổ phần huy động thông qua các nguồn

trong năm 2010 của các doanh nghiệp niêm yết trên TTCK VN .............................. 88
Hình 3.3: Quy triǹ h thực hiê ̣n hoa ̣t đô ̣ng cấ p tin
́ du ̣ng đầ u tư
kinh doanh chứng khoán ......................................................................................... 92


ix

Danh mục các từ viết tắt

ANN

: Mạng thần kinh nhân tạo

BP

: Thuâ ̣t toán truyề n ngươ ̣c Backpropagation

GDP

: Tổ ng thu nhâ ̣p quố c dân

GRNN

: Mô hin
̀ h ma ̣ng thầ n kinh nhân ta ̣o đươ ̣c khái quát hóa

HNX

: Sở giao dịch chứng khoán Hà Nội

HSX

: Sở giao dich
̣ chứng khoán Tp.HCM

IMF

: Quỹ tiền tệ quố c tế

MFF

: Mô hin
̀ h ma ̣ng truyề n thẳ ng

NHNN

: Ngân hàng nhà nước

PE

: Số neuron trong mô ̣t lớp ẩ n

TTCK

: Thị trường chứng khoán

VN

: Viê ̣t Nam

VNI

: Chỉ số thị trường chứng khoán Việt Nam – VN-Index


1

Phần mở đầu
1.

Tính cấp thiết của luận án

Việc nghiên cứu những công cụ hoặc mô hình dự báo thị trƣờng tài chính và nền
kinh tế có mô ̣t lịch sử lâu đời. Phân tích chuỗi thời gian là một trong những cách tiế p
câ ̣n truyề n thố ng đƣơ ̣c sử dụng rô ̣ng raĩ nhấ t trong lĩnh vực này . Có hai loa ̣i mô hình
mô tả hành vi của chuỗi thời gian nhƣ sau.
Thứ nhất là các mô hình tuyến tính: phƣơng pháp tuyến tính để phân tích chuỗi thời
gian thƣờng đƣợc áp dụng thông 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 mô hình phi tuyến:
a.

Lý thuyết Taken

b.

Phƣơng trình Mackey-Glass

Những kỹ thuật này cố gắng tái tạo lại chuỗi thời gian dựa trên các mẫu dữ liệu để dự
đoán giá trị tƣơng lai . Mặc dù những kỹ thuật này có ý nghĩa thống kê nhƣng chúng
có tỷ lệ thành công thấp khi đƣợc sử dụng để dự báo thị trƣờng tài chính.
Những bằng chứng gần đây chỉ ra rằng thị trƣờng tài chính là phi tuyến. Tuy nhiên,
phƣơng pháp tuyến tính vẫn cung cấp những cách tiếp cận tốt để mô tả hệ thống phi
tuyến đƣợc tìm thấy trong phân tích chuỗi thời gian thị trƣờng tài chính (Fang và
cô ̣ng sƣ̣, 1994). Bollerslev (1986) cung cấp một cái nhìn tổng quát về sự tồn tại của
tính phi tuyến trong dữ liệu tài chính, và phát triển một mô hình để dự đoán chuỗi
thời gian tài chính đƣợc gọi là GARCH (Generalized Autoregressive Conditional
Heteroskedasticity - GARCH) kết hợp tất cả các đặc trƣng quan sát đƣợc trong chuỗi
này. Nhƣng nền kinh tế đang phát triển nhanh chóng (chứ không phải đi từ từ) theo
thời gian. Tuy nhiên, những đặc trƣng này không dễ dàng đƣợc tính toán bằng các
mô hình tuyến tính , và điều này đƣợc chứng minh qua việc các hệ số ƣớc lƣợng có
độ dốc lớn. Nhiều nhân tố tác động đến thị trƣờng tài chính và nền kinh tế bao gồm
các sự kiện chính trị, điều kiện kinh tế nói chung, và kỳ vọng của nhà đầu tƣ. Vì vậy,
dự báo thị trƣờng tài chính và sƣ̣ chuyể n đô ̣ng của nền kinh tế là khá khó khăn.

2

Mạng thần kinh nhân t ạo - Artificial Neural Network (ANN) - là một công cụ hữu
ích trong tài chính định lƣợng hiện đại và đƣợc biết đến nhƣ một kỹ thuật mô hình
hóa thống kê hữu ích. ANN là một công cụ tốt cho cả các nhà nghiên cứu và những
nhà thực nghiệm. Mô hình ANN có thể tìm ra mối quan hệ hàm trong một tập hợp dữ
liệu và thực hiện các nhiệm vụ nhƣ nhận dạng mẫu hình, phân loại, đánh giá, mô
hình hóa, dự báo và kiểm soát (Anderson và Rosenfeld, 1988; Hecht-Nielsen, 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 trƣờng 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 trƣờng tài
chính. Công trình của họ thảo luận về ƣu điểm vƣợt trội của ANN so với các phƣơng
pháp truyền thống. Nghiên cứu kết luận với một mô tả về việc sử dụng thành công
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, mô tả phƣơng pháp chung
để xây dựng, huấn luyện, và kiểm tra một ANN bằng cách sử dụng phần mềm
thƣơng mại hiện hữu. Luận án sẽ tập trung vào phƣơng pháp này để triển khai quá
trình phân tích và dự báo giá chứng khoán trên thi ̣trƣờng chƣ́ng khoán Viê ̣t Nam nhƣ
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 khoán, luận án còn mong muốn sử dụng phƣơng
pháp ANN áp dụng cho các lĩnh vực tài chính và nền kinh tế nhƣ là một công cụ dự
báo hỗ trợ cho các phƣơng pháp truyền thống . Chính vì vậy , tác giả chọn đề tài với
tên go ̣i “Ƣ́ng du ̣ng mô hiǹ h ma ̣ ng thầ n kinh nhân ta ̣o trong dƣ̣ báo kinh tế – Trƣờng
hơ ̣p thi ̣trƣờng chƣ́ng khoán Viê ̣t Nam” làm nô ̣i dung nghiên cƣ́u cho luâ ̣n án tiế n si ̃
của mình.
2.

Tình hình nghiên cứu liên quan đến nội dung luận án

Tƣ̀ nhƣ̃ng nghiên cƣ́u sơ kh ai của Mc Culloch và Pitts trong nhƣ̃ng năm 1940, trải
qua nhiề u năm phát triể n , cho đế n hơn 10 năm trở la ̣i đây cùng với sƣ̣ phát triể n
mạnh mẽ của ngành công nghệ thông tin trong việc xử lý dữ liệu cho cả phần cứng
và phần mềm đã giúp cài đă ̣t nhƣ̃ng ƣ́ng du ̣ng phƣ́c ta ̣p của lý thuyế t ma ̣ng thầ n kinh
nhân ta ̣o. Lý thuyết mạng thần kinh nhân tạo những năm gần đây mới thực sự đƣợc
chú ý và nhanh chóng trở thành một hƣớng nghiên cứu đầy triển vọng tr
ong mu ̣c
đić h xây dƣ̣ng mô hiǹ h mô phỏng theo trí tuê ̣ con ngƣời. Sƣ́c ma ̣nh thuô ̣c về bản chấ t
tính toán của các thuật toán mạng , song nhƣ̃ng nghiên cƣ́u thƣ̣c nghiê ̣m đã thành
công trong nhiề u liñ h vƣ̣c , nhƣ̃ng nghiên cƣ́u thƣ̣c nghiê ̣ m trong liñ h vƣ̣c tài chin
́ h
cũng đƣợc sự quan tâm và cho ra nhiều kết quả tốt ở những nền kinh tế khác nhau .
Tƣ̀ nhƣ̃ng nghiên cƣ́u viê ̣c ƣ́ng du ̣ng ANN để phân tić h nhƣ̃ng chuỗi dƣ̃ liê ̣u thời gian


3

nên đƣơ ̣c thƣ̣c hiê ̣n dƣ̣a trên trấu trúc ANN nào cho các chỉ tiêu dƣ̣ báo nhƣ tăng
trƣởng kinh tế , biế n đô ̣ng tỷ giá hố i đoái , và thậm chí là giá chứng khoán trên các thị
trƣờng. Quá trình nghiên cứu mạng ANN còn đƣợc so sánh với những mô hình
truyề n thố ng hi ện đang đƣợc sử dụng cho việc phân tích và dự báo trong lĩnh vực
kinh tế nhƣ mô hiǹ h hồ i quy tuyế n tin
́ h , mô hin
̀ h hồ i quy phi tuyế n . Quá trình nghiên
cƣ́u này đã cho ra nhƣ̃ng kế t quả lơ ̣i thế của mô hình ANN đă ̣c biê ̣t là ở nh
ững thị
trƣờng mới nổ i trong phân tić h và dƣ̣ báo . Nhƣ vâ ̣y, ở thị trƣờng Việt Nam liệu quá

trình triển khai nghiên cứu ứng dụng mô hình ANN có hiệu quả không và có vƣợt
trội hơn các công cu ̣ phân tích và dự báo khác ? Trên cơ sở t iế p câ ̣n này , tôi đi vào
nghiên cƣ́u quá trình hoa ̣t đô ̣ng của ma ̣ng ANN trong lĩnh vực kinh tế , tài chính và
nhƣ̃ng kế t quả nghiên cƣ́u đa ̣t đƣơ ̣c ở các thi ̣trƣờng khác trên thế giới để làm nề n
tảng cho việc nghiên cứu.
3.

Mục tiêu nghiên cứu

Trên phƣơng diê ̣n nghiên cƣ́u mô hình ma ̣ng ANN và nhƣ̃ng nguyên lý hoa ̣t đô ̣ng
của nó để từ đó ứng dụng vào lĩnh vực kinh tế và tài chính vẫn còn là một nội dung
chƣa đƣơ ̣c quan tâm nhiề u . Trong pha ̣m vi của nề n kin h tế Viê ̣t Nam , tác giả tập
trung nghiên cƣ́u viê ̣c ƣ́ng du ̣ng mô hin
̀ h này để nhằ m phân tić h và dƣ̣ báo giá chƣ́ng
khoán trên thị trƣờng chứng khoán Việt Nam trƣớc các biến giải thích khác nhau
,
nhƣ là mô ̣t minh chƣ́ng cho khả năn g ƣ́ng du ̣ng của mô hin
̀ h ANN trong dƣ̣ báo kinh
tế . Qua quá trình ƣ́ng du ̣ng ANN vào thi ̣trƣờng chƣ́ng khoán Viê ̣t Nam , luâ ̣n án sẽ
giải quyết thêm một số vấn đề khác nhƣ : cấ u trúc ma ̣ng ANN nào tố t cho vấ n đề dƣ̣
báo giá chứng khoán trên thị trƣờng chứng khoán Việt Nam , hiê ̣u quả của mô hình
ANN so với mô hiǹ h hồ i quy tuyế n tin
́ h biế n nào sẽ tác đô ̣ng lên sƣ̣ biế n đô ̣ng của
giá chứng khoán… Cụ thể hơn, luâ ̣n án sẽ giải quyế t bố n mu ̣c tiêu nghiên cƣ́u sau:
1.

Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị
trƣờng chƣ́ng khoán Viê ̣t Nam.

2.

Lƣ̣a cho ̣n cấ u trúc ma ̣ng ANN phù hơ ̣p trong dƣ̣ báo giá chƣ́ng khoán .

3.

Hiê ̣u quả ƣ́ng du ̣ng mô hình ANN tố t hơn mô hình hồ i quy tuyế n tính.

4.

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

Để đa ̣t đƣơ ̣c mu ̣c tiêu nghiên cƣ́u nêu trên , nô ̣i dung của luâ ̣n án tâ ̣p trung đi vào trả
lời các câu hỏi nghiên cƣ́u sau đây:


4

(1).

Mô hiǹ h ma ̣ng ANN là gì và cơ chế vâ ̣n hành của nó nhƣ thế nào trong thi ̣
trƣờng tài chiń h?

(2).

Nhƣ̃ng quan điể m và bằ ng chƣ́ng thực nghiệm trong việc ứng dụng mô hình
ANN trong phân tích và dự báo trên thị trƣờng tài chính?

(3).

Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị
trƣờng chƣ́ng khoán Viê ̣t Nam?

(4).

Cấ u trúc ma ̣ng ANN nào sẽ thić h hơ ̣p để dƣ̣ báo giá chƣ́ng khoán ?

(5).

Liệu khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị
trƣờng chƣ́ng khoán Viê ̣t Nam có tin
́ h hiê ̣u quả hơn mô hin
̀ h hồ i quy tuyế n
tính truyền thống?

(6).

Nế u mô hiǹ h ANN tố t hơn thì nhƣ̃ng biế n giải thić h nào sẽ giúp cho chúng ta
sƣ̉ du ̣ng để phân tích và dƣ̣ báo giá chƣ́ng khoán trên thi ̣trƣờng chƣ́ng khoán
Viê ̣t Nam?

Việc giải quyết các mục tiêu nghiên cứu trên cho thấy giá trị hiệu quả của mô hình
ANN trong việc ứng dụng mô 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 mô hình ANN để thay thế hoặc bổ sung cho các
phƣơng pháp hồi quy.
4.

Phương pháp nghiên cứu

Để giải quyế t cá c nô ̣i dung nghiên cƣ́u nêu trên , tác giả luận án đã sử dụng phƣơng
pháp định lƣợng dựa trên việc nghiên cứu những thuật toán mô phỏng của mạng thần
kinh nhân ta ̣o để tiế n hành lƣ̣a cho ̣n cấ u trúc ANN thích hơ ̣p nhằ m ƣ́ng du ̣ng
trong
dƣ̣ báo giá chƣ́ng khoán . Viê ̣c triể n khai quá trin
̀ h ƣ́ng du ̣ng mô hin
̀ h ANN trong dƣ̣
báo giá chứng khoán trên thị trƣờng chứng khoán Việt Nam đƣợc dựa trên quy trình
đề xuất 8 bƣớc của năm nhà nghiên cƣ́u Deboeck, Masters, Blum và Nelson và
Illingworth. Ngoài ra quá trình thử nghiệm các cấu trúc mạng ANN đƣợc thực hiện
dƣ̣a trên phầ n mề m hỗ trơ ̣ xƣ̉ lý dƣ̃ liê ̣u có bản quyề n NeuralSolution 5.0.
5.

Các phát hiện và kết quả nghiên cứu

Luâ ̣n án của tác giả đã đóng góp các kế t quả nghiên cƣ́u sau :


Khả năng ứng dụng mô hình ANN để dự báo giá chứng khoán trên thị trƣờng
chƣ́ng khoán Viê ̣t Nam là hoàn toàn có thể thực hiện.


5



Mô hình ANN dùng để dƣ̣ báo giá chƣ́ng khoán trên thị trƣờng chứng khoán
Viê ̣t Nam cho ra kế t quả dƣ̣ báo ngoài mẫu tố t hơn mô hin
̀ h hồ i quy tuyế n tin
́ h

truyề n thố ng.



Cấ u trúc ma ̣ng thầ n kinh truyề n thẳ ng cho ra kế t quả dƣ̣ báo tố t hơn mô ̣t số
cấ u trúc ma ̣ng khác với hàm truy ền là hàm phi tuyến . Nói cách khác , mố i
quan hê ̣ giƣ̃a các biế n giải thić h và biế n phu ̣ thuô ̣c là quan hê ̣ phi tuyế n tiń h.



Dƣ̣a trên viê ̣c nghiên cƣ́u ƣ́ng du ̣ng mô hin
̀ h ANN để dƣ̣ báo giá chƣ́ng khoán
trên thi ̣trƣờng chƣ́ng khoán Viê ̣t Nam, luâ ̣n án đã cho thấ y rõ tác đô ̣ng của
các nhóm biến kinh tế vĩ mô của nền kinh tế , nhóm biến thể hiện tình hình tài
chính của các doanh nghiệp niêm yết… lên sự thay đổi giá chứng khoán , trong
khi đó nế u dùng mô hình hồi quy tuyến tính truyền thống thì gần nhƣ không
tìm thấy sự tác động này.



Qua quá triǹ h phân tić h và dƣ̣ báo giá chƣ́ng khoán trên thi ̣trƣờng chƣ́ng
khoán Việt Nam, luâ ̣n án có gơ ̣i ý mô ̣t số chính sách để khắc phục hành vi của
nhà đầu tƣ tác động lên xu hƣớng dịch chuyển của thị trƣờng trên thị trƣờng
chứng khoán.


6

Chương 1
QUAN ĐIỂM VÀ BẰNG CHỨNG THỰC NGHIỆM VIỆC ỨNG

DỤNG MÔ HÌNH MẠNG THẦN KINH NHÂN TẠO TRONG
DỰ BÁO

TÓM TẮT
Mỗi một mô hình phân tích và dự báo đề u dựa trên những nề n tảng giả đi ̣nh khác
nhau. Các mô hình trước nay được sử dụng phổ biế n để phân tích và dự báo đều dựa
trên phương pháp phân phố i chuẩn của các biế n đưa vào mô hì nh. Quan điể m về
phân phố i chuẩn đã đưa ra nề n tảng toán học cho học thuyế t thi ̣ trường hiê ̣u quả
.
Quan điể m này đã đưa đến việc hình thành các mô hình phân tích và định giá chứng
khoán như mô hình định giá tài sản vốn - CAPM, mô hình đi ̣nh giá quyề n chọn Black
– Scholes, mô hình đa nhân tố , mô hình Fama-French… Tuy nhiên, các mô hình này
lại không mấ y hiê ̣u quả khi phân tích và dự báo những chỉ tiêu đầ y tính biế n động
trong thi ̣ trường tài chính . Một phương pháp mô phỏng bộ não con người được xây
dựng dựa trên những nề n tảng tiế p cận khác với các phương pháp trên . Quá trình
mô phỏng này được gọi là mô hình mạng thầ n kinh nhân tạo - ANN. Những quy tắ c
khi ứng dụng mô hình ANN không như những phương pháp dựa trên quan điể m phân
phố i chuẩn. Quá trình ứng dụng mô hình ANN dựa trên quan điểm : các chủ thể tham
gia thi ̣ trường, quyế t đi ̣nh xu hướng thi ̣ trường là những nhà đầ u tư với những hiểu
biế t khác nhau. Nói cách khác, chính nhà đầu tư khi tiếp nhận thông tin và sẽ đưa ra
quyế t đi ̣nh trước những thông tin này dựa trên những hiể u biế t và phân tích của
chính mình . Viê ̣c ứng dụng mô hình ANN khá phổ biế n trong li ̃ nh vực điê ̣n tử , sản
xuấ t rô bố t hay như trong liñ h vực y học… Quá trình ứng dụng mô hình ANN trong
thị trường tài chính để phân tích và dự báo chỉ được quan tâm trong hơn một thập
niên gầ n đây. Quá trình ứng dụng này lớn mạnh nhờ sự hỗ trợ của ngành công nghê ̣
thông tin đã mang lại một số thành tựu nhấ t đi ̣nh
về tính hiê ̣u quả của mô hình .
Chính vì vậy, tiế p cận nghiên cứu mô hình ANN ở Viê ̣t Nam là rấ t cầ n thiế t.

7

1.1.

Quan điểm lựa chọn công cụ phân tích và dự báo

Phƣơng pháp phân phối chuẩn hay đƣờng cong hình chuông là một công cụ phổ biến
trong việc phân tích dữ liệu kinh tế tài chính đă ̣c biê ̣t là trong phân tić h giá chứng
khoán. Phƣơng pháp phân phối chuẩn chính là nền tảng toán học cho học thuyết thị
trƣờng hiệu quả của liñ h vƣ̣c tài chính. Quan điểm của phƣơng pháp phân phối chuẩn
cho rằng, giá chứng khoán là độc lập ngẫu nhiên với nhau. Ban đầu, phƣơng pháp
phân phối chuẩn đƣợc tìm thấy khi thực hiện các thí nghiệm tung đồng xu (một cách
ngẫu nhiên) và phát hiện ra đồ thị hình chuông. Sau đó, những ngƣời đi theo học
thuyết thị trƣờng hiệu quả cho rằng, tỷ suất sinh lợi của giá chứng khoán cũng có
hình dạng đƣờng cong hình chuông nhƣ vậy.
Bill William (1995) cho rằng, việc các nhà tài chính hiện nay sử dụng phƣơng pháp
phân phối chuẩn là vì chúng ta chịu ảnh hƣởng của những tƣ duy triết học từ xa xƣa,
mà ông gọi đây là bản đồ logic văn hóa. Ông nói: “Bản đồ logic văn hóa của bạn tác
động đến mọi thứ bạn làm: bài nói chuyện của bạn, suy nghĩ của bạn, hành vi của
bạn, cách bạn ăn và bạn giao dịch trên thị trƣờng tài chính. Các khái niệm của bạn về
tất cả các hành động phụ thuộc vào bản đồ logic văn hóa mà bạn đang sử dụng”.
Bản đồ logic văn hóa hiện nay bị thống trị bởi quan điểm triết học của Aristotle.
Aristotle đúc kết thế giới với ý tƣởng rằng: “nếu bạn không biết về điều gì, bạn có
thể đi hỏi ngƣời khác, ngƣời mà bạn cho là hiểu biết hơn bạn”. Hàm ý của câu nói
trên cho rằng, mọi thứ trên thế giới đều độc lập và ngẫu nhiên với nhau. Trong thế
giới của Aristotle, mọi thứ là đứng yên, bất biến và có một ranh giới phân chia rõ
ràng giữa các sự vật. Ứng dụng trên thị trƣờng tài chính, tƣ tƣởng về sự độc lập ngẫu
nhiên của giá chứng khoán chính là quan điểm của Aristotle.
Trong khi đó, Heraclitus lại có một câu nói nổi tiếng: “Không ai tắm hai lần trên một
dòng sông”. Điều này có nghĩa rằng, bất kể bạn đặt chân vào dòng nƣớc nhanh nhƣ

thế nào và sau đó rút ra và đặt vào lần nữa, không chỉ dòng sông đã chuyển động mà
bàn chân của bạn cũng đã thay đổi. Hàm ý câu nói của Heraclitus là mọi thứ luôn
chuyển động và không có gì là bất biến và ổn định. Trong thế giới của Heraclitus,
không có ranh giới rõ ràng và không có gì là đứng yên mãi mãi, mọi thứ có sự kết
nối với nhau. Trên thị trƣờng tài chính, quan điểm của Heraclitus chính là sự phụ
thuộc lẫn nhau trong các chỉ tiêu kinh tế đƣợc xem nhƣ là các biến giải thích cho giá
cả chứng khoán hay nói cách khác, chính bản thân các biến kinh tế hay các chỉ tiêu
kinh tế đƣợc đặt trong mối quan hệ tƣơng tác qua lại chứ không phải độc lập lẫn
nhau và giá chứng khoán không hề độc lập ngẫu nhiên với nhau. Giá cả chứng khoán
thay đổi theo một xu hƣớng.


8

Có thể nói, khoa học cổ điển đã tạo ra nhiều thành tựu đáng chú ý. Các phát minh
nhƣ ô tô, nhà máy, hàng không, máy tính và những phát minh khác… là kết quả mà
loài ngƣời ghi nhận. Tuy nhiên, khoa học cổ điển có sự giới hạn của nó bởi chính tƣ
duy của Aristotle. Các lĩnh vực nghiên cứu về cơ thể sống và các biến động hỗn loạn
(nhƣ chuyển động của dòng nƣớc) không thể giải thích bằng khoa học cổ điển hay tƣ
duy của Aristotle. Bill William viết: “Vật lý cổ điển có thể mô tả sự chuyển động của
vũ trụ từ sau hiện tƣợng “big bang”, nhƣng nó không thể mô tả hay giải thích sự
chuyển động của máu trong tĩnh mạch trái hay sự hỗn loạn của dòng nƣớc”.
Thế kỷ 20 đƣợc đánh dấu bởi 3 phát minh đáng nhớ: (1) thuyết tƣơng đối (relative
theory) và (2) kỹ thuật định lƣợng (quantum mechanic) và (3) khoa học hỗn loạn
(chaos science). Sự phát triển của khoa học hiện đại chính là sự phát triển của tƣ duy
Heraclitus. Nhƣ vậy, những quy luật của khoa học cổ điển không phải là hoàn toàn
đúng. Ví dụ, đối với hình học Euclid. Một trong những định luật của tam giác là
“tổng các góc trong của bất kỳ tam giác nào cũng sẽ bằng 180 độ, nếu không thì đó
không phải là tam giác”. Điều này chỉ đúng nếu ứng với trọng trƣờng của trái đất.
Khi chúng ta thoát khỏi trọng trƣờng của trái đất, tổng các góc trở nên lớn hơn 180

độ vì độ cong của không gian. Đối với chúng ta, sự thay đổi này không phải là vấn đề
vì tất cả chúng ta không sống ở mặt trăng. Tuy nhiên, điểm này cho thấy quy tắc trên
của tam giác chỉ là một trƣờng hợp cụ thể không phải là quy luật chung. Khái niệm
này sẽ trở nên cực kỳ quan trọng khi chúng ta nghiên cứu sâu vào thị trƣờng tài
chính. Hình học phi Euclid là một sự phát triển của ngành toán học hiện đại. Hình
học phi Euclid bác bỏ một số tiên đề của hình học Euclid.


Thuyết tƣơng đối của Einstein đã thống nhất mối quan hệ giữa khối lƣợng và
năng lƣợng, thời gian và không gian, điều mà khoa học cổ điển phủ nhận.
Trong phân tích giá chứng khoán, đặc biệt là những ngƣời theo trƣờng phái
phân tích kỹ thuật, mối quan hệ này đƣợc chỉ ra khi phân tích mối liên hệ giữa
khối lƣợng giao dịch (khối lƣợng) và sự dao động của giá chứng khoán (năng
lƣợng).



Sự phát triển của khoa học định lƣợng cho thấy rằng có thể sử dụng một lực
nhỏ để gây tác động to lớn đến vật khác. Thậm chí một vật chuyển động mà
không do gì tác động lên nó. Hay nói cách khác, không tồn tại ranh giới phân
biệt giữa nguyên nhân và hệ quả nhƣ vật lý cổ điển. Năm 1964, Johm Stuart
Bell, đã giới thiệu khái niệm mà ông ta gọi là “sự không xác định của nguyên
nhân”. Bell cho rằng nguyên nhân là do chúng ta sống trong một thế giới mà
mọi thứ luôn đƣợc gắn kết với nhau và không thể phân định đâu là nguyên
nhân và đâu là hệ quả. Sự phát triển của hạt nguyên tử đã cho phát hiện ra


9

rằng có những vật còn chuyển động nhanh hơn cả vận tốc ánh sáng, điều

không hề tồn tại trong vật lý cổ điển.
Sự phát triển của khoa học tự nhiên mà đặc biệt là sự ra đời của 3 lý thuyết: thuyết
tƣơng đối, kỹ thuật định lƣợng và khoa học hỗn loạn đã cho thấy rằng bản chất của tự
nhiên là không hề độc lập. Sự chuyển động của các vật chất luôn có ảnh hƣởng lẫn
nhau hay phụ thuộc lẫn nhau. Thị trƣờng chứng khoán (TTCK), một phần của thế
giới tự nhiên cũng nằm trong quy luật đó.
Từ thế giới của Euclid và Newton, chúng ta đã phát triển ra toán học tuyến tính, bao
gồm các phƣơng pháp thống kê tĩnh thƣờng đƣợc ký hiệu là “phân phối chuẩn” hay
đƣờng cong hình chuông. Phƣơng pháp này giúp chúng ta hiểu một cách dễ dàng
bằng cách đơn giản hóa và loại bỏ những yếu tố trừu tƣợng mà chúng ta nghĩ rằng
không phù hợp với hệ thống. Vấn đề ở đây chính là “sự không phù hợp”. Trong thế
giới thực, những thứ đƣợc 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 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 đƣợc. 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 khoán có quan hệ phi tuyến.
Nhƣng câu hỏi đặt ra là tại sao giá chứng khoán lại có mối quan hệ phi tuyến hay có
xu hƣớng?


Khoa học hỗn loạn có thể giúp chúng ta trả lời câu hỏi này. Tuy nhiên, tính
hỗn loạn nghe qua thì rất dễ bị hiểu nhầm. Cần lƣu ý, tính hỗn loạn (chaos)
không phải là sự ngẫu nhiên (randomness). Tính hỗn loạn là trật tự cao hơn
của ngẫu nhiên và có tính cấu trúc. Nói một cách đơn giản, nhìn bề ngoài các
chuyển động của tính hỗn loạn cũng hỗn loạn nhƣ tính ngẫu nhiên. Nhƣng
điểm khác biệt là những dao động này lại đi theo một xu hƣớng và hình thành
nên cấu trúc.

Bill William (1995) cho rằng, cả thế giới tự nhiên và não ngƣời đều là hỗn loạn.
TTCK, một phần của thế giới tự nhiên và là nơi phản ánh hoạt động của con ngƣời,
cũng có tính hỗn loạn. Nói cách khác, chính do não ngƣời có tính hỗn loạn là nguồn
gốc tạo ra sự phi tuyến tính của giá cả chứng khoán. Bill William (1995) bộ não
ngƣời 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


10

liên quan đến cảm xúc, là phi tuyến và trông giống nhƣ tính hỗn loạn. Bộ não chúng
ta cũng tạo nên các hành vi khác nhau, phụ thuộc vào dòng năng lƣợng. 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 trƣờng, các nhà kinh doanh bị ảnh
hƣởng bởi cảm xúc (của não phải) nhƣ tham lam và sợ hãi đã tác động đến quyết
định đầu tƣ 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 hƣớng của giá chứng khoán (chính là
cấu trúc).
Tính hỗn loạn trong suy nghĩ của chúng ta đã đƣợc phản ánh trong thị trƣờng. Tính
ổn định và tính hỗn loạn cũng đƣợc mô tả nhƣ là tính tuyến tính và tính phi tuyến
tính. Nếu chúng ta tạo nên một thế giới từ quan điểm của não trái, chúng ta sẽ tạo nên
một dòng sông phẳng lặng, những đám mây hình tròn, những ngọn núi có hình nón
(thuộc về hình học Euclid). Tuy nhiên, tự nhiên lại hoàn toàn khác. Thế giới tự nhiên
của chúng ta có nguồn gốc phi tuyến tính và TTCK cũng vậy, Bill William (1995)
Trong lĩnh vực tài chính, những ngƣời theo thuyết thị trƣờng hiệu quả cho rằng, tỷ
suất sinh lợi chứng khoán sẽ tuân theo quy luật phân phối chuẩn của nhà toán học
Gauss giống nhƣ đƣờng cong hình chuông khi thực hiện tung đồng xu (theo cách
ngẫu nhiên). Theo quan điểm của Gauss, hầu hết các quan sát đều xoay quanh mức
bình thƣờng, khả năng xảy ra một độ lệnh ngày càng suy yếu nhanh theo hàm mũ khi

rời xa mức bình thƣờng này. Chính sự suy giảm mạnh mẽ về khả năng gặp phải một
điều gì đó chính là thứ cho phép bạn lờ đi các yếu tố ngoại lai. Do đó, trên thị trƣờng
tài chính, rủi ro thị trƣờng đƣợc đo lƣờng bằng độ lệch chuẩn và các biến động xa rời
giá trị trung bình đƣợc loại bỏ khỏi quan sát vì họ cho rằng điều đó là ngẫu nhiên, bất
bình thƣờng.
Tuy nhiên, nhiều học thuyết và thực tiễn đã chứng minh đƣờng cong hình chuông
không tồn tại trên thị trƣờng tài chính. Nassim Nicholas Taleb (2007) lập luận: “Nếu
thế giới tài chính tuân theo đƣờng cong Gauss, thì phải mất vài tỷ thời gian sống của
đời ngƣời để một biến cố kiểu nhƣ sự sụp đổ TTCK năm 1987 mới xảy ra”. Nói cách
khác, theo đƣờng cong Gauss , xác suất xảy ra một cuộc khủng hoảng là cực kỳ nhỏ.
Nhƣng trên thực tế, chúng ta lại có rất nhiều cuộc khủng hoảng. Sự thất bại của quỹ
Longterm Capital Management vào năm 1999 là một minh chứng rõ ràng nhất cho
việc ứng dụng đƣờng cong Gauss vào thị trƣờng tài chính của hai tác giả Myron
Scholes và Robert C.Merton (đƣợc trao giải Nobel).
Taleb cho biết, không phải bây giờ mà ngay từ thập niên 60 đã có những nghiên cứu
phản biện sự tồn tại của đƣờng cong hình chuông. Vào thập niên 60, Mandelbrot đã
trình bày ý tƣởng của mình về giá cả hàng hóa và chứng khoán với các tổ chức kinh


11

tế học và các nhà tài chính đều rất hào hứng. “Mandelbrot cho biết các nghiên cứu
dựa trên kinh nghiệm của ông về dãy giá cả đã chỉ ra một hiệu ứng ghi nhớ, theo đó
các diễn biến giá cả trong tƣơng lai lặp lại hành vi gần nhất của chúng, chứ không
phải là một quá trình ngẫu nhiên” (George Cooper, (2008)).
Taleb giải thích, một trong những giả định của đƣờng cong Gauss là các biến cố quan
sát độc lập ngẫu nhiên với nhau giống nhƣ việc tung các đồng xu. Nhƣng trên thực
tế, giá cả tài chính là không ngẫu nhiên vì các nhà đầu tƣ có “trí nhớ”. Đôi lúc họ nhớ
ra rằng tại một mức giá nào đó, cổ phiếu thƣờng tăng (trong ngôn ngữ kỹ thuật là
mức chố ng đỡ ). Điều này giống nhƣ việc ngƣời thực hiện tung đồng xu có trí nhớ

trong kỹ năng tung đồng xu khiến cho các lần tung đồng xu không còn ngẫu nhiên.
Những ngƣời theo học thuyết thị trƣờng hiệu quả đã quên rằng, chủ thể tham gia trên
TTCK là các nhà đầu tƣ, là những con ngƣời. Con ngƣời không phải là cái máy, điều
những nhà thống kê sử dụng để tạo nên các biến cố ngẫu nhiên, nên không thể tạo ra
những hành động ngẫu nhiên . Nói cách khác , chủ thể tham gia quyết định nên xu
hƣớng thị trƣờng là các nhà đầu tƣ , là những ngƣời không hoàn toàn duy lý . (Sargent
(1997, 1999))
Dựa trên quan điểm này , luận án tập trung vào viê ̣c lƣ̣a cho ̣n phƣơng pháp phân tích
và dự báo giá chứng khoán theo giả đinh
̣ “sƣ̣ hơ ̣p lý có chƣ̀ng mƣ̣c” của nhà đầ u tƣ .
Nói cách khác nhà đầu tƣ không hoàn toàn duy lý trong các quyết định của mình
.
Phƣơng pháp hồ i quy dựa trên các biến cố quan sát là độc lập và ngẫu nhiên , nó dựa
trên giả thuyế t sƣ̣ hơ ̣p lý hoàn toàn và sƣ̣ tố i ƣu của con ngƣời . Mô hình ANN đƣợc
mô phỏng theo bộ não con ngƣời đƣợc dùng để dự báo các biế n kinh tế trong thi ̣
trƣờng tài chiń h , đă ̣c biê ̣t là giá chứng khoán đƣơ ̣c thiế t lâ ̣p trên nề n tảng giả đinh
̣
“sƣ̣ hơ ̣p lý có chƣ̀ng mƣ̣c” nêu trên. Do đó , luâ ̣n án sẽ tiế p câ ̣n viê ̣c ƣ́ng du ̣ng mô
hình ANN để dự báo giá chứng khoán trên TTCK VN nhằm chứng minh cho mục
tiêu nghiên cƣ́u.

1.2.

Mô hình mạng thần kinh nhân tạo - ANN

1.2.1. Mạng thần kinh nhân ta ̣o và các đặc điểm cơ bản của bộ não
Não ngƣời là một máy tính phức tạp nhất mà chúng ta biết đến. Để hiểu một cách rõ
hơn về bộ não, nhiều nhà nghiên cứu đã cố gắng mô phỏng bản sao nhiều khả năng
của bộ não khi phát triển hệ thống thông minh nhân tạo. Một phần của nghiên cứu
này, đƣợc nhiều nhà khoa học nhiều kinh nghiệm nghiên cứu hơn nửa cuối thế kỷ 20,

tập trung vào mô hình mạng ANN. Nói một cách đơn giản, mô hình mạng ANN là
một mô hình thuật toán đƣợc cấu trúc giống nhƣ bộ não và cố gắng xác định mẫu


12

hình của một nhóm các biến số. Các nhà khoa học tiên phong trong việc nghiên cứu
về lĩnh vực thần kinh nhân tạo đã có gắng để phát triển một hệ thống có thể học từ
kinh nghiệm nhằm tăng cƣờng hiểu biết về khả năng học hỏi của bộ não. Tuy nhiên,
khả năng “học hỏi” đƣợc thể hiện trong mô hình mạng ANN sau đó đã đƣa đến việc
ứng dụng cho nhiều vấn đề chẳng hạn nhƣ chuyển chữ tiếng Anh đƣợc in sang bài
diễn văn (Sejnowski và Rosenberg, 1986), chơi cờ thỏ cáo (Tesauro, 1989) và nhận
diện các chữ cái viết tay (LeCun, 1990), chơi nhạc (Brecht và Aiken, 1995), hệ thống
tắt động cơ tự động (Armstrong và Gross, 1998)…
Nghiên cứu gần đây cũng cho thấy rằng mạng ANN có thể hữu ích để dự báo các
biến số kinh tế mang tính biến động mà rất khó để dự báo bằng các phƣơng pháp
thống kê truyền thống nhƣ tỷ giá hối đoái (Verkooijen, 1996), giá chứng khoán
(Refenes, Zapranis và Francis, 1994). Mô hình mạng ANN cũng đã ứng dụng thành
công cho các dự báo về biến số vĩ mô nhƣ tăng trƣởng kinh tế (Tkacz, 1999), sản
lƣợng công nghiệp (Moody, Levin và Rehfuss, 1993) và tổng mức tiêu thụ điện (Mc
Menamin, 1997)… Các ứng dụng về kinh tế vĩ mô là khá mới lạ và vẫn còn đƣợc
xem là phƣơng pháp kinh tế tiên phong.
Nhƣ các nhà khoa học nhiều kinh nghiệm đã nghiên cứu về bộ não và các khả năng
của bộ não trong việc học hỏi, họ đã phát hiện ra vài đặc điểm chính đƣợc xem là
quan trọng đối với bộ não. Những thuộc tính này sau đó đƣợc dùng nhƣ một nền tảng
để xây dựng mô hình mạng ANN. Để hiểu biết nhiều hơn về mô hình này, điều cần
thiết là kiểm tra các đặc điểm chính của bộ não.
Bộ não bao gồm hàng tỷ các đơn vị đơn giản đƣợc gọi là các neuron (xem hình 1.1)
đƣợc nhóm thành một mạng lƣới rộng lớn. Các nghiên cứu sinh học đề nghị rằng, các
neuron thực hiện nhiệm vụ tƣơng đối đơn giản là chuyển các xung điện (electrical

impulse) sang các neuron khác. Khi một neuron nhận đƣợc xung điện từ các neuron
kế bên, phản ứng của nó sẽ phụ thuộc vào cƣờng độ của xung điện nhận đƣợc và độ
nhạy riêng của nó đối với các neuron mà nó nhận đƣợc. Vài neuron sẽ không phản
ứng với tất cả đối với xung điện nhất định. Khi một neuron phản ứng (hoặc bị kích
động), nó sẽ truyền xung điện đến các neuron khác. Độ nhạy của xung điện đƣợc tạo
ra sẽ tỷ lệ với độ nhạy của xung điện nhận đƣợc. Khi các xung điện đƣợc truyền giữa
các neuron, cuối cùng sẽ dẫn đến một nhóm các neuron đƣợc kích hoạt, và chính
điều này đã mang lại cho chúng ta suy nghĩ hay cảm xúc.
Sức mạnh của bộ não có vẻ bắt nguồn từ mạng lƣới phức tạp các liên kết giữa các
neuron và cách thức hoạt động đồng bộ của hàng triệu neuron và đƣợc kết hợp chỉ
trong một khoảnh khắc nhỏ. Bây giờ chúng ta đi vào phần mô tả cơ bản của một hệ
thống ANN.


13

Hình 1.1: Minh họa cơ bản của một neuron
Nguồn: Brown và Benchmark Introductory Psychology Electronic Image Bank,
1995. Times Mirror Higher Education Group, Inc.
1.2.2. Những yếu tố tạo nên một mô hình mạng thần kinh nhân tạo
Cũng nhƣ các mô hình tuyến tính hoặc đa thức khác, mô hình ANN xác lập mối quan
hệ giữa một tập hợp các biến đầu vào {x i}, i = 1, 2,…, k với một hoặc nhiều biến đầu
ra, {yj}, j = 1, 2,…, k*. Hai thành phần chính cấu tạo nên ANN là các neuron (mô
phỏng các tế bào thần kinh) và các synapse (mô phỏng các khớp nối thần kinh).
Trong kiến trúc của một mô hình kết nối, các neuron chính là các nút mạng, đƣợc
liên kết với nhau thông qua các synpase, là các cung mạng.
Neuron là một đơn vị tính toán có nhiều đầu vào và một đầu ra, mỗi đầu vào đến từ
một synapse. Đặc trƣng 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 toán của ANN. Phụ lục 1 sẽ trình bày một

số hàm kích hoạt này.
Synapse là một thành phần liên kết giữa các neuron, nó nối đầu ra của neuron này
với đầu vào của neuron khác. Đặc trƣng của synapse là một trọng số mà mỗi tín hiệu
đi qua đều đƣợc nhận với trọng số này. Các trọng số synapse chính là các tham số tự
do cơ bản của ANN, có thể thay đổi đƣợc nhằm thích nghi với môi trƣờng xung
quanh.
Mạng tiến đa mức là một trong những kiến trúc mạng căn bản nhất, ở đó các neuron
đƣợc chia thành từng mức. Có ba loại mức: mức đầu vào bao gồm các nút nguồn
(không phải neuron) cung cấp các tín hiệu đầu vào chung nhận đƣợc từ môi trƣờng;
mức ẩn bao gồm các neuron không quan hệ trực tiếp với môi trƣờng; mức đầu ra đƣa
ra các tín hiệu đầu ra cho môi trƣờng. Lần lƣợt từ mức đầu vào tới mức đầu ra, cứ tín


14

hiệu đầu ra của một nút mạng thuộc mức trƣớc sẽ là tín hiệu đầu vào cho nút mạng
thuộc mức tiếp sau. Từ kiến trúc này ta có thể hình dung mạng neuron nhƣ một bộ xử
lý thông tin có nhiều đầu vào và nhiều đầu ra.
Hệ số hiệu
chỉnh bk
x1

Các tín
hiệu đầu
vào

x2

xn

wk1
Hàm kích
hoạt

wk2

vk

Đầu ra yk

Bộ tổ hợp
tuyến tính
wkm
Các trọng số

Hình 1.2: Mô hình phi tuyến của một neuron
Nguồn: Neural Networks in Finance gaining predictive edge in the market của Paul
D. Mc Nelis
Quá trình tích luỹ mạng (học) là một quá trình mà trong đó các tham số tự do (các
trọng số synapse) đƣợc điều chỉnh nhằm mục đích thích nghi với môi trƣờng. Đối với
vấn đề học cho ANN ngƣời ta quan tâm tới ba yếu tố sau:


Quy tắc học: Phƣơng thức nền tảng cho việc thay đổi trọng số synapse (ví dụ:
Quy tắc học hiệu chỉnh lỗi, Quy tắc học kiểu Heb,...).



Mô hình học: Cách thức mạng neuron quan hệ với môi trƣờng trong quá trình
học (ví dụ: Mô hình học với một ngƣời dạy, ...).



Thuật toán học: Các bƣớc tiến hành cụ thể cho một quá trình học.

Thuật toán BackPropagation là thuật toán học kinh điển nhất và cũng đƣợc áp dụng
một cách phổ biến nhất cho các mạng tiến đa mức. Nó đƣợc xây dựng trên cơ sở Quy
tắc học hiệu chỉnh lỗi và Mô hình học với một ngƣời dạy. Thuật toán bao gồm hai
giai đoạn tính toán: giai đoạn tiến mà các tín hiệu chức năng đi từ mức đầu vào tới
mức đầu ra của mạng nhằm tính toán các tín hiệu lỗi; giai đoạn lùi trong đó các tín


15

hiệu lỗi quay trở lại từ mức đầu ra lần lƣợt qua các mức để tính các độ dốc (gradient)
cục bộ tại mỗi neuron.
Các mạng hồi quy trễ là một lớp kiến trúc mở rộng tích hợp quan điểm về các
synapse trễ và kiến trúc hồi quy dựa trên cơ sở mạng tiến đa mức. Một synapse trễ
bao gồm nhiều nhánh, mỗi nhánh có trọng số riêng và đặc biệt là có một toán tử trễ
theo thời gian (z-n) nhằm quan tâm tới sự ảnh hƣởng lẫn nhau giữa các neuron tại
những thời điểm khác nhau. Lớp kiến trúc này đƣợc đƣa ra để xử lý các tín hiệu có
đặc tính thống kê biến thiên theo thời gian.
Nhƣ vậy, điều khác biệt giữa mô hình ANN này với các mô hình ƣớc lƣợng khác
chính là ở sự tồn tại của các “lớp ẩn” (hidden layer). Tại đó, các biến đầu vào sẽ
đƣợc nén lại hoặc chuyển đổi bởi một hàm số đặc biệt nào đó, thƣờng là hàm logistic
hoặc logsigmoid. Mặc dù việc sử dụng các “lớp ẩn” này trông có vẻ lạ, nhƣng đó là
một cách rất tốt để mô hình hóa các quan hệ thống kê phi tuyến. Sau đây là tóm tắt
một số đặc trƣng của một mô hình ANN.
1.2.3. Cách thức huấn luyện một mô hình mạng thần kinh
Mạng thần kinh đƣợc huấn luyện bằng cách liên tục đƣa 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
wk,i đƣợc điều chỉnh cho đến khi đạt đƣợc các giá trị đầu ra mong muốn (Tt) gần 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 (et).
et = Tt - Yt
Thuật toán truyền ngƣợc BackPropagation là một thuật toán điều chỉnh các trọng số
synapse đƣợc sử dụng rất phổ biến. Thuật ngữ truyền ngƣợc đề cập đến chiều truyền
của sai số. Mục tiêu quan trọng nhất là thực hiện điều chỉnh những trọng số và độ
lệch của mạng nhằm tối thiểu hóa sai số trong hàm mục tiêu.
Mạng ANN tạo ra các giá trị đầu ra dựa vào các trọng số. Giá trị đầu ra này đƣợc so
sánh với giá trị đầu ra mong muốn cho trƣớc và sai số bình phƣơng trung bình (MSE
– Mean Square Error) đƣợc tính toán dựa trên sự so sánh này. Giá trị sai số đƣợc
truyền ngƣợc trở lại qua mạng thần kinh, và những trọng số synapse tiếp tục đƣợc
tính toán và điều chỉnh trong mỗi lớp nhằm làm giảm sai số trên. Quá trình này đƣợc
lặp lại cho mỗi giá trị đầu vào - đầu ra cho đến khi sai số cục bộ giảm xuống dƣới
ngƣỡng cho trƣớc. Tại kết quả này, mô hình mạng ANN đƣợc huấn luyện tốt nhất.