sử dụng mô hình mạng nơ ron nhân tạo vào thị trường chứng khoán việt nam
Trang 1là không phù hợp với đặc điểm của thị trường, của biến dự báo? Qua quá trình tìm hiểu, những công trình nghiên cứu trên thế giới về lĩnh vực phân tích và dựa báo, Luận án chọn mô hình mạng thần kinh nhân tạo (ANN). Những luận cứ của mô hình mạng ANN phù hợp với biến nghiên cứu (biến động của thị trường tài chính mang tính phi tuyến (Bollerslev (1986), Fang và cộng sự (1994),…), 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 trường tài chính… làm những bằng chứng thực nghiệm tốt cho quá trình nghiên cứu mô hình mạng ANN. Đồng thời, quá trình nghiên cứu mạng ANN trong việc ứng dụng vào thị trường tài chính không yêu cầu những giả định nghiêm ngặt như mô hình hồi quy. Điều này cho thấy, tính hấp dẫn của mô hình ANN với đặc điểm của thị trường tài chính nhất là những thị trường của những nền kinh
tế mới nổi như Việt Nam. Do đó, luận án tập trung nghiên cứu khả năng ứng dụng mô hình ANN trong dự báo thị trường chứng khoán Việt Nam.
Dựa trên mục tiêu nghiên cứu của luận án:
1. Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam.
(2). Qua đó vận dụng mô hình ANN để khảo sát khả năng dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam.
(3). Quá trình nghiên cứu khả năng ứng dụng mô hình mạng ANN vào dự báo giá chứng khoán Việt Nam, luận án đã chỉ ra cấu trúc mạng truyền thẳng với hàm
Trang 2truyền là hàm phi tuyến sẽ cho ra kết quả dự báo tốt hơn các cấu trúc mạng ANN khác.
(4). Đồng thời, trong quá trình khả sát khả năng ứng dụng mô hình ANN để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam, luận án đã chứng minh tính hiệu quả và sự vượt trội của mô hình mạng ANN hơn hẳn mô hình hồi quy truyền thống thường được áp dụng lâu nay trên thị trường. Điều này cho thấy, khả năng dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam là hoàn toàn
có thể thực hiện được nếu được tiếp cận trên các cấu trúc mạng ANN khác nhau của mô hình ANN. Điều này làm thay đổi những kết luận của những công trình nghiên cứu trước đây khi phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam.
(5). Không dừng lại ở kết quả trên, luận án tiếp tục khảo sát các biến giải thích có thể
có trên cơ sở thu thập thông tin, luận án đã tìm kiếm các nhóm biến giải thích khác nhau cho những khung thời gian phân tích khác nhau để tìm kiếm các biến
có khả năng dự báo tốt nhất. Qua đó, nhóm biến phản ánh tình hình tài chính của doanh nghiệp niêm yết lại cho khả năng dự báo tốt nhất co sự thay đổi giá chứng khoán trên thị trường chứng khoán Việt Nam. Tuy nhiên các biến vĩ mô cũng cho
ra tác động mạnh đến sự thay đổi về giá trên thị trường chứng khoán, nhưng mức
độ dự báo lại không cho kết quả chính xác hơn nhóm biến tài chính. Điều đáng chú ý là, nếu cùng các biến khảo sát trên thì mô hình hồi quy truyền thống lại tỏ ra kém hiệu quả.
(6). Trong quá trình tìm kiếm, khảo sát các nhóm biến, luận án đã phát hiện ra tính chất hành vi của nhà đầu tư tồn tại khá mạnh mẽ, điều này đã tác động đến quá trình biến động giá chứng khoán trên thị trường chứng khoán Việt Nam. Quá trình phân tích này cũng trùng hợp với những nghiên cứu trước đây về sự tồn tại hành
vi của nhà đầu tư trên thị trường chứng khoán, chính hành vi này quyết định nên
xu hướng biến động trong giá chứng khoán mà chưa có mô hình nào đo lường để
dự báo. Như vậy, những thị trường mà nơi đó yếu tố hành vi của con người quyết định nên xu hướng của sự thay đổi thì khả năng ứng dụng mô hình ANN càng tỏ
ro tính hiệu quả và sự vượt trội cao.
Như vậy, dựa trên các mục tiêu nghiên cứu, luận án đã phát hiện ra những kết quả trên. Điều này cung cấp thêm những phương pháp, công cụ trong phân tích và dự báo các biến kinh tế,
điển hình là thị trường chứng khoán Việt Nam.
Trang 3GS.TS. Trần Ngọc Thơ Lê Đạt Chí
Chủ tịch hội đồng cấp cơ sở
PGS.TS. Phan Thị Bích Nguyệt
Trang 41. Tính cấp thiết của luận án
Việc nghiên cứu những công cụ hoặc mô hình dự báo thị trường tài chính và nền kinh tế có một lịch sử lâu đời. Phân tích chuỗi thời gian là một trong những cách tiếp cận truyền thống được sử dụng rộng rãi nhất trong lĩnh vực này. Có hai loại mô hình
mô tả hành vi của chuỗi thời gian như sau.
Thứ nhất là các mô hình tuyến tính: phương pháp tuyến tính để phân tích chuỗi thời gian thường được áp dụng thông qua một trong những kỹ thuật sau đây:
a. Kỹ thuật Box Jenkins
có tỷ lệ thành công thấp khi được sử dụng để dự báo thị trường tài chính.
Những bằng chứng gần đây chỉ ra rằng thị trường tài chính là phi tuyến. Tuy nhiên, phương pháp tuyến tính vẫn cung cấp những cách tiếp cận tốt để mô tả hệ thống phi tuyến được tìm thấy trong phân tích chuỗi thời gian thị trường tài chính (Fang và cộng sự, 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 được gọi là GARCH (Generalized Autoregressive conditional heteroskedasticity GARCH) kết hợp tất cả các đặc trưng quan sát được trong chuỗi này. Nhưng nền kinh tế đang phát triển nhanh chóng (chứ không phải đi từ từ) theo thời gian. Tuy nhiên, những đặc trưng này không dễ dàng được tính toán bằng các
mô hình tuyến tính, và điều này được chứng minh qua việc các hệ số ước lượng có
độ dốc lớn. Nhiều nhân tố tác động đến thị trường tài chính và nền kinh tế bao gồm
Trang 5dự báo thị trường tài chính và sự chuyển động của nền kinh tế là khá khó khăn. Mạng thần kinh nhân tạo Artificial Neural Network (ANN) là một công cụ hữu ích trong tài chính định lượng hiện đại và được biết đến như 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 như nhận dạng mẫu hình, phân loại, đánh giá, mô hình hóa, dự báo và kiểm soát (Anderson và Rosenfeld, 1988; HechtNielsen, 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 trường 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 trường tài chính. Công trình của họ thảo luận về ưu điểm vượt trội của ANN so với các phương 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 phương pháp chung
để xây dựng, huấn luyện, và kiểm tra một ANN bằng cách sử dụng phần mềm thương mại hiện hữu. Luận án sẽ tập trung vào phương pháp này để triển khai quá trình phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam như 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 phương pháp ANN áp dụng cho các lĩnh vực tài chính và nền kinh tế như là một công cụ dự báo hỗ trợ cho các phương pháp truyền thống. Chính vì vậy, tác giả chọn
đề tài với tên gọi “Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế – Trường hợp thị trường chứng khoán Việt Nam” làm nội dung nghiên cứu cho luận án
tiến sĩ của mình.
2. Tình hình nghiên cứu liên quan đến nội dung luận án
Từ những nghiên cứu sơ khai của Mc Culloch và Pitts trong những năm 1940, trải qua nhiều năm phát triển, cho đến hơn 10 năm trở lại đây cùng với sự phát triển mạnh mẽ của ngành công nghệ thông tin trong việc xử lý dữ liệu cho cả phần cứng
và phần mềm đã giúp cài đặt những ứng dụng phức tạp của lý thuyết mạng thần kinh nhân tạo. Lý thuyết mạng thần kinh nhân tạo những năm gần đây mới thực sự được chú ý và nhanh chóng trở thành một hướng nghiên cứu đầy triển vọng trong mục đích xây dựng mô hình mô phỏng theo trí tuệ con người Sức mạnh thuộc về bản chất tính toán của các thuật toán mạng, song những nghiên cứu thực nghiệm đã thành
Trang 6công trong nhiều lĩnh vực, những nghiên cứu thực nghiệm trong lĩnh vực tài chính cũng được sự quan tâm và cho ra nhiều kết quả tốt ở những nền kinh tế khác nhau.
Từ những nghiên cứu việc ứng dụng ANN để phân tích những chuỗi dữ liệu thời gian nên được thực hiện dựa trên trấu trúc ANN nào cho các chỉ tiêu dự báo như tăng trưởng kinh tế, biến động tỷ giá hối đoái, và thậm chí là giá chứng khoán trên các thị trường. Quá trình nghiên cứu mạng ANN còn được so sánh với những mô hình truyền thống hiện đang được sử dụng cho việc phân tích và dự báo trong lĩnh vực kinh tế như mô hình hồi quy tuyến tính, mô hình hồi quy phi tuyến. Quá trình nghiên cứu này đã cho ra những kết quả lợi thế của mô hình ANN đặc biệt là ở những thị trường mới nổi trong phân tích và dự báo. Như vậy, ở thị trường Việt Nam liệu quá trình triển khai nghiên cứu ứng dụng mô hình ANN có hiệu quả không và có vượt trội hơn các công cụ phân tích và dự báo khác? Trên cơ sở tiếp cận này, tôi đi vào nghiên cứu quá trình hoạt động của mạng ANN trong lĩnh vực kinh tế, tài chính và những kết quả nghiên cứu đạt được ở các thị trường khác trên thế giới để làm nền
tảng cho việc nghiên cứu.
3. Mục tiêu nghiên cứu
Trên phương diện nghiên cứu mô hình mạng ANN và những nguyên lý hoạt động của nó để từ đó ứng dụng vào lĩnh vực kinh tế và tài chính vẫn còn là một nội dung chưa được quan tâm nhiều. Trong phạm vi của nền kinh tế Việt Nam, tác giả tập trung nghiên cứu việc ứng dụng mô hình này để nhằm phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam trước các biến giải thích khác nhau, như là một minh chứng cho khả năng ứng dụng của mô hình ANN trong dự báo kinh
tế. Qua quá trình ứng dụng ANN vào thị trường chứng khoán Việt Nam, luận án sẽ giải quyết thêm một số vấn đề khác như: cấu trúc mạng ANN nào tốt cho vấn đề dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam, hiệu quả của mô hình ANN so với mô hình hồi quy tuyến tính biến nào sẽ tác động lên sự biến động của giá chứng khoán… Cụ thể hơn, luận án sẽ giải quyết bốn mục tiêu nghiên cứu sau:
1. Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam.
2. Lựa chọn cấu trúc mạng ANN phù hợp trong dự báo giá chứng khoán.
3. Hiệu quả ứng dụng mô hình ANN tốt hơn mô hình hồi quy tuyến tính.
4. Tìm ra nhóm biến có thể giúp dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam qua đó gợi ý một số chính sách liên quan
Trang 7(1). Mô hình mạng ANN là gì và cơ chế vận hành của nó như thế nào trong thị trường tài chính?
(2). Những quan điểm và bằng chứng thực nghiệm trong việc ứng dụng mô hình ANN trong phân tích và dự báo trên thị trường tài chính?
(3). Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam?
(4). Cấu trúc mạng ANN nào sẽ thích hợp để dự báo giá chứng khoán?
(5). Liệu khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam có tính hiệu quả hơn mô hình hồi quy tuyến tính truyền thống?
(6). Nếu mô hình ANN tốt hơn thì những biến giải thích nào sẽ giúp cho chúng ta
sử dụng để phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt 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
phương pháp hồi quy.
Để giải quyết các nội dung nghiên cứu nêu trên, tác giả luận án đã sử dụng phương pháp định lượng dựa trên việc nghiên cứu những thuật toán mô phỏng của mạng thần kinh nhân tạo để tiến hành lựa chọn cấu trúc ANN thích hợp nhằm ứng dụng trong
dự báo giá chứng khoán. Việc triển khai quá trình ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam được dựa trên quy trình
đề xuất 8 bước của năm nhà nghiên cứu Deboeck, Masters, Blum và Nelson và Illingworth. Ngoài ra quá trình thử nghiệm các cấu trúc mạng ANN được thực hiện
dựa trên phần mềm hỗ trợ xử lý dữ liệu có bản quyền NeuralSolution 5.0.
5. Các phát hiện và kết quả nghiên cứu
Luận án của tác giả đã đóng góp các kết quả nghiên cứu sau:
Trang 8· Khả năng ứng dụng mô hình ANN để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam là hoàn toàn có thể thực hiện
· Mô hình ANN dùng để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam cho ra kết quả dự báo ngoài mẫu tốt hơn mô hình hồi quy tuyến tính truyền thống
· Cấu trúc mạng thần kinh truyền thẳng cho ra kết quả dự báo tốt hơn một số cấu trúc mạng khác với hàm truyền là hàm phi tuyến. Nói cách khác, mối quan hệ giữa các biến giải thích và biến phụ thuộc là quan hệ phi tuyến tính
· Dựa trên việc nghiên cứu ứng dụng mô hình ANN để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam, luận án đã cho thấy rõ tác động 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 nếu dùng mô hình hồi quy tuyến tính truyền thống thì gần như không tìm thấy sự tác động này
· Qua quá trình phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam, luận án có gợi ý một số chính sách để phát triển thị trường chứng khoán Việt Nam lên một tầm cao mới nhằm phát triển mạnh quá trình chuyển dịch cơ cấu kinh tế
Trang 9Chương 1: QUAN ĐIỂM VÀ BẰNG CHỨNG THỰC NGHIỆM VIỆC ỨNG
DỤNG MÔ HÌNH MẠNG THẦN KINH NHÂN TẠO TRONG DỰ
BÁO
Mỗi một mô hình phân tích và dự báo đều dựa trên những nền tảng giả định khác nhau. Các mô hình trước nay được sử dụng phổ biến để phân tích và dự báo đều dựa trên phương pháp phân phối chuẩn của các biến đưa vào mô hình. Quan điểm về phân phối chuẩn đã đưa ra nền tảng toán học cho học thuyết thị trường hiệu quả. Quan điểm 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 định giá quyền chọn Black – Scholes, mô hình đa nhân tố, mô hình FamaFrench… Tuy nhiên, các mô hình này lại không mấy hiệu quả khi phân tích và dự báo những chỉ tiêu đầy tính biến động trong thị trường tài chính. Một phương pháp mô phỏng bộ não con người được xây dựng dựa trên những nền tảng tiếp cận khác với các phương pháp trên. Quá trình
mô phỏng này được gọi là mô hình mạng thần kinh nhân tạo ANN. Những quy tắc khi ứng dụng mô hình ANN không như những phương pháp dựa trên quan điểm phân phối chuẩn. Quá trình ứng dụng mô hình ANN dựa trên quan điểm: các chủ thể tham gia thị trường, quyết định xu hướng thị trường là những nhà đầu tư với những hiểu biết khác nhau. Nói cách khác, chính nhà đầu tư khi tiếp nhận thông tin và sẽ đưa ra quyết định trước những thông tin này dựa trên những hiểu biết và phân tích của chính mình. Việc ứng dụng mô hình ANN khá phổ biến trong lĩnh vực điện tử, sản xuất rô bốt hay như trong lĩnh 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 gần đây. Quá trình ứng dụng này lớn mạnh nhờ sự hỗ trợ của ngành công nghệ thông tin đã mang lại một số thành tựu nhất định về tính hiệu quả của mô hình.
Chính vì vậy, tiếp cận nghiên cứu mô hình ANN ở Việt Nam là rất cần thiết.
1.1. Quan điểm lựa chọn công cụ phân tích và dự báo
Phương pháp phân phối chuẩn hay đường cong hình chuông là một công cụ phổ biến trong việc phân tích dữ liệu kinh tế tài chính đặc biệt là trong phân tích giá chứng khoán. Phương pháp phân phối chuẩn chính là nền tảng toán học cho học thuyết thị trường hiệu quả của lĩnh vực tài chính. Quan điểm của phương pháp phân phối chuẩn cho rằng, giá chứng khoán là độc lập ngẫu nhiên với nhau. Phương pháp này giúp chúng ta hiểu một cách dễ dàng bằng cách đơn giản hóa và loại bỏ những yếu tố trừu tượng 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 được 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
Trang 10“Mỗi sự thay đổi giá cụ thể là ngẫu nhiên và không thể dự báo được. 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. Nhưng câu hỏi đặt ra là tại sao giá chứng khoán lại có mối quan hệ phi tuyến hay có xu hướng?
Thế kỷ 20 được đánh dấu bởi 3 phát minh đáng nhớ: (1) thuyết tương đối (relative theory) và (2) kỹ thuật định lượng (quantum mechanic) và (3) khoa học hỗn loạn (chaos science) đã cho thấy rằng bản chất của tự nhiên là không hề độc lập. Sự chuyển động của các vật chất luôn có ảnh hưởng lẫn nhau hay phụ thuộc lẫn nhau. Thị trường chứng khoán (TTCK), một phần của thế giới tự nhiên cũng nằm trong quy luật đó. Điều này đã nói lên khoa học hỗn loạn giúp chúng ta trả lời câu hỏi trên. Bill William (1995) cho rằng, cả thế giới tự nhiên và não người đều là hỗn loạn. TTCK, một phần của thế giới tự nhiên và là nơi phản ánh hoạt động của con người, cũng có tính hỗn loạn. Nói cách khác, chính do não người có tính hỗn loạn là nguồn gốc tạo ra sự phi tuyến tính của giá cả chứng khoán. Bill William (1995) bộ não người 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 liên quan đến cảm xúc, là phi tuyến và trông giống như tính hỗn loạn. Bộ não chúng
ta cũng tạo nên các hành vi khác nhau, phụ thuộc vào dòng năng lượng. 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 trường, các nhà kinh doanh bị ảnh hưởng bởi cảm xúc (của não phải) như tham lam và sợ hãi đã tác động đến quyết định đầu tư 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 hướng của giá chứng khoán (chính là cấu trúc). Như vậy, chủ thể tham gia quyết định nên xu hướng thị trường là các nhà đầu tư, là những người không hoàn toàn duy lý (Sargent (1997, 1999)).
Dựa trên quan điểm này, luận án tập trung vào việc lựa chọn phương pháp phân tích
và dự báo giá chứng khoán theo giả định “sự hợp lý có chừng mực” của nhà đầu tư. Nói cách khác nhà đầu tư không hoàn toàn duy lý trong các quyết định của mình. Phương pháp hồi quy dựa trên các biến cố quan sát là độc lập và ngẫu nhiên, nó dựa trên giả thuyết sự hợp lý hoàn toàn và sự tối ưu của con người. Mô hình mạng thần kinh nhân tạo ANN được mô phỏng theo bộ não con người được dùng để dự báo các biến kinh tế trong thị trường tài chính, đặc biệt là giá chứng khoán được thiết lập trên nền tảng giả định “sự hợp lý có chừng mực” nêu trên. Do đó, luận án sẽ tiếp cận
Trang 11việc ứng dụng mô hình ANN để dự báo giá chứng khoán trên TTCK VN nhằm
Neuron là một đơn vị tính toán có nhiều đầu vào và một đầu ra, mỗi đầu vào đến từ một synapse. Đặc trưng 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.
Synapse là một thành phần liên kết giữa các neuron, nó nối đầu ra của neuron này với đầu vào của neuron khác. Đặc trưng của synapse là một trọng số mà mỗi tín hiệu
đi qua đều được nhận với trọng số này. Các trọng số synapse chính là các tham số tự
do cơ bản của ANN, có thể thay đổi được nhằm thích nghi với môi trường xung quanh.
Quá trình tích luỹ mạng (học) là một quá trình mà trong đó các tham số tự do (các trọng số synapse) được điều chỉnh nhằm mục đích thích nghi với môi trường. Đối với vấn đề học cho ANN người ta quan tâm tới ba yếu tố sau: Quy tắc học, mô hình học, thuật toán học.
Thuật toán BackPropagation là thuật toán học kinh điển nhất và cũng được áp dụng một cách phổ biến nhất cho các mạng tiến đa mức. Nó được xây dựng trên cơ sở Quy
tắc học hiệu chỉnh lỗi và Mô hình học với một người dạy.
1.2.3. Cách thức huấn luyện một mô hình mạng thần kinh
Mạng ANN được huấn luyện bằng cách liên tục đưa 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
w k,i được điều chỉnh cho đến khi đạt được các giá trị đầu ra mong muốn (T t ) 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 (e )
Trang 121.2.4. Một số thước đo trong việc lựa chọn cấu trúc mạng thần kinh nhân tạo
Hàm mục tiêu trong lý thuyết tối ưu hóa có 2 dạng phổ biến nhất là sai số tuyệt đối trung bình (MAE – Mean Absolute Error) và sai số bình phương trung bình (MSE). Tuy nhiên, khi sử dụng chuỗi dữ liệu để dự báo ngoài mẫu thì ngoài các chỉ tiêu trên còn có chỉ tiêu hệ số tương quan (RSquare), chỉ tiêu này nói lên mối tương quan giữa giá trị đầu ra mong đợi và giá trị đầu ra thực của một cấu trúc mạng ANN khi
· Mô hình này không đưa ra các giả thiết về giá trị của các hệ số khi ước lượng
và quan hệ hàm số giữa biến phụ thuộc và biến độc lập
· Bên cạnh đó, khi sử dụng mô hình phi tuyến, các nhà kinh tế thường sử dụng các thuật toán số học dựa trên giả định rằng chuỗi số liệu là liên tục. Với các phương pháp này, người nghiên cứu thường sẽ phải lập lại việc ước lượng
Trang 13nhiều lần để chắc rằng hệ số được ước lượng không rơi vào một trong số các cực trị cục bộ (local optimum)
· Thị trường tài chính của các nước có nền kinh tế mới nổi hoặc là các thị trường có sự thay đổi và cải tiến mạnh mẽ sẽ là nơi thích hợp cho các phương pháp này.
Tuy nhiên, bên cạnh những ưu điểm trên, mô hình ANN lại có một số hạn chế:
· Thứ nhất, vấn đề khó giải thích các trọng số ước lượng trong mô hình hay còn gọi là vấn đề “hộp đen – Black box”
· Thứ hai, việc ứng dụng mô hình ANN đòi hỏi kích cỡ mẫu lớn
· Thứ ha, việc xây dựng một cấu trúc ANN phù hợp sẽ mất rất nhiều thời gian. 1.5. Việc ứng dụng mô hình ANN trong dự báo – bằng chứng thực nghiệm
Ý tưởng về việc xây dựng mô hình mạng ANN đã xuất hiện từ những năm 1958, khởi nguồn bởi Frank Rosenblatt. Tuy nhiên, phải đến những năm cuối thập kỷ 90, những nghiên cứu ứng dụng của mô hình ANN mới dần trở nên phổ biến. Bên cạnh những ứng dụng trong lĩnh vực y học, công nghệ, mô hình mạng ANN còn được ứng dụng rộng rãi trong kinh tế tài chính, đặc biệt là trong việc xây dựng các mô hình
Trang 14rủi ro trong thẩm định các khoản cho vay thế chấp cũng như trong các khoản đầu tư vào chứng khoán nợ, xây dựng chỉ số, mô phỏng hành vi thị trường, lựa chọn và đa dạng hóa danh mục đầu tư, nhận diện cơ chế tác động của các biến giải thích kinh tế cũng như dự báo các chuỗi dữ liệu giá chứng khoán theo thời gian.
Tuy nhiên, với việc trên thực tế có quá nhiều thông số đầu vào cần được chọn lựa phù hợp để phát triển một mô hình dự báo hiệu quả cho thấy, quá trình thiết kế ANN vẫn đòi hỏi nhiều thời lượng, công sức và kinh nghiệm của nhà nghiên cứu. Chính vì vậy, mục tiêu của nghiên cứu này nhằm cung cấp một hướng dẫn mang tính thực nghiệm trong thiết kế một hệ thống ANN phục vụ cho mục đích dự báo chuỗi dữ liệu giá chứng khoán theo thời gian. Theo đó, quá trình 8 bước cơ bản trong xây dựng một ANN được trình bày thông qua việc dự báo giá chứng khoán trên TTCN VN. Một vấn đề quan trọng mà luận án tập trung giải quyết là khả năng dự báo giá chứng khoán bằng mô hình ANN? Liệu mô hình ANN cho kết quả dự báo tốt hơn mô hình hồi quy truyền thống? Cấu trúc mạng ANN nào sẽ cho ra kết quả dự báo giá chứng khoán tốt nhất? Khi khảo sát các biến dùng để dự báo thì các biến nào tác động lên sự thay đổi của giá chứng khoán trên TTCK VN? Những vấn đề trên được chứng minh trong phần này. Theo đó việc dự báo giá chứng khoán trên TTCK VN có thể dự báo được khi sử dụng mô hình ANN và cấu trúc mạng truyền thẳng là cấu trúc cho ra kết quả dự báo tốt nhất. Mặt khác, nhóm biến phản ánh tình hình tài chính của các doanh nghiệp là nhóm biến tác động mạnh đến sự biến động giá
án xem xét nhóm chỉ tiêu kinh tế vĩ mô tác động lên giá chứng khoán này để làm các
biến đầu vào cho mô hình trong quá trình thiết kế một ANN.
2.1.2. Thu thập dữ liệu kinh tế
Việc thu thập số liệu được cân nhắc dựa trên yếu tố chi phí và tính sẵn có (tức khả năng tiếp cận thông tin của luận án) cho các biến số đã được chọn ở bảng 2.1. Quá trình thu thập dữ liệu được tập hợp từ năm 2002 đến hết tháng 9/2010. Do tính toán dựa trên sự thay đổi qua các tháng nên dữ liệu có tổng cộng 104 quan sát
Trang 153 Lãi suất LR Sự thay đổi lãi suất kỳ hạn 12 tháng qua các
tháng. Nguồn dữ liệu từ IMF và ngân hàng nhà nước từ năm 2009
Trong 7 biến đưa vào để khảo sát sự biến động của VNI, luận án đã lọc ra mô hình giải thích tốt nhất với 4 biến. Mô hình 1: với biến đầu vào là CPI, IP, M2 và CR với
số PE trong mô hình là 3. Mô hình 2: với biến đầu vào là LR, IP, TB, CR cũng với số
PE là 3. Bảng 2.2 cho kết quả của quá trình tiền xử lý dữ liệu để xem xét khả năng dự
báo VNI.
Bảng 2.2: Kết quả quá trình tiền xử lý dữ liệu khi đưa lần lược các biến đầu vào trong 7 biến kinh tế vĩ mô để dự báo VNI
Trang 16Mô hình 1 CPI, IP, M2, CR USD, LR, TB 3 0,013783 0,131202
2.1.4. Phân chia dữ liệu được thu thập để huấn luyện ANN
Tập hợp huấn luyện được ANN sử dụng để học tập các mẫu hình tồn tại trong mối quan hệ giữa các biến đầu vào. Trong trường hợp này luận án sử dụng 80% số quan sát để huấn luyện mạng ANN trong tổng số 104 quan sát. Tập hợp dữ liệu kiểm tra
và xác nhận kết quả, luận án sử dụng số lượng mẫu bằng khoảng 10% tập hợp dữ liệu quan sát, quá trình này được dùng để ước lượng khả năng khái quát hóa trong phân tích mà ANN đã học tập được sau khi trải qua bước huấn luyện trước đó. Bước cuối cùng trong quá trình huấn luyện là kiểm tra hiệu quả hoạt động của ANN đã trải qua tập hợp huấn luyện và kiểm tra là xác minh hiệu quả dự báo của ANN trên một tập hợp
dữ liệu mà ANN chưa từng nhìn thấy trước đó. Tập hợp dữ liệu này được gọi là tập
hợp xác nhận tính hiệu quả, chúng được sử dụng để dự báo ngoài mẫu.
2.1.5. Xây dựng cấu trúc – Xác định thông số của ANN
Có rất nhiều phương pháp để xây dựng một cấu trúc mạng ANN. Neurodynamic và Architecture là hai thuật ngữ được sử dụng để miêu tả cách thức xây dựng một ANN.
Sự kết hợp giữa Neurodynamics và Architecture xác định cấu trúc của ANN. Neurodynamic là thuật ngữ miêu tả tính chất của từng neuron trong ANN, bao gồm loại hàm truyền (tuyến tính, phi tuyến, hàm phức…), cách thức kết hợp các biến số đầu vào. Architecture là thuật ngữ miêu tả cách thức lựa chọn để liên kết các neuron với nhau, bao gồm loại liên kết neuron và số lượng neuron trên mỗi lớp.
Mô hình được xây dựng gồm có 3 lớp, một lớp đầu vào với các biến kinh tế vĩ mô được miêu tả trong bảng 2.1, một lớp ẩn, một lớp đầu ra – đây là kết quả của VNI.
Klimasauskas (1993) qua thực nghiệm đã chứng minh được rằng, nếu mối quan hệ giữa các biến đầu vào mà ANN đang giả lập chỉ xoay quanh giá trị trung bình, hàm truyền sin là hàm phù hợp nhất. Tuy nhiên, nếu mối quan hệ giữa các biến đầu vào quá phân tán ra xa khỏi giá trị trung bình, hàm truyền dạng Tang hyperbol nên được
sử dụng. Vì dữ liệu đầu vào có chứa giá trị âm và phân tán do đó hàm Tanh hyperbol
là hàm thích hợp để xử lý mối quan hệ phi tuyến giữa dữ liệu đầu vào và VNI
· Trong Axon ẩn có chứa từ 1 đến 4 PE, số PE này được tính toán theo quy tắc
“kim tự tháp” – số lượng PE trong lớp ẩn sẽ bằng ½ tổng số đầu vào và đầu ra của mô hình – tuy nhiên trong quá trình chạy mô hình để có được mô hình tốt
Trang 17nhất, luận án đã thay đổi số lượng PE xung quanh kết quả của quy tắc này, cụ
thể luận án sử dụng mô hình có từ 1 đến 4 PE.
Mô hình có hai hệ thống đường liên kết đầy đủ, hệ thống đầu tiên nối lớp đầu vào với lớp ẩn, hệ thống thứ hai nối lớp ẩn với lớp đầu ra. Mỗi hệ thống là tập hợp những trọng số, những trọng số này sẽ kết hợp với đầu ra của lớp phía trước hệ thống tạo thành đầu vào cho lớp phía sau hệ thống. Các liên kết này được kết hợp thông qua một hàm truyền được đề cập ở trên. Ngoài ra, mô hình sử dụng thuật toán BackPropagation kết hợp với Momentum để điều chỉnh trọng số của mô hình và
giảm thiểu sai số nhằm tìm được mô hình tối ưu.
2.1.6. Tiêu chuẩn đánh giá tính phù hợp kết quả dự báo của ANN
Trong một quá trình huấn luyện, MSE sẽ liên tục được cập nhật và ANN sẽ liên tục điều chỉnh các tham số theo hướng cực tiểu hóa tổng bình phương này. Mặc khác, quá trình đánh giá tính phù hợp của mô hình dự báo ngoài tiêu chuẩn MSE, ANN
còn có một tiêu chuẩn khác là mức độ giải thích của mô hình, chỉ số r – Square.
2.1.7. Huấn luyện hệ thống ANN
Quá trình huấn luyện ANN chủ yếu là để ANN đọc những dữ liệu trong quá khứ nhiều lần. Để huấn luyện ANN, trước tiên cần xác định số lần Epoch được ANN đọc lại trong huấn luyện. Quá trình chạy mô hình để tìm ra những nhóm biến nào tác động mạnh nhất đến VNI, đồng thời tìm ra mô hình thích hợp cho từng nhóm biến, đòi hỏi phải huấn luyện nhiều lần trên mỗi mô hình – trung bình Epoch từ 3.000 đến 10.000 lần. Mỗi 1.000 lần huấn luyện, luận án lại dừng lại để kiểm tra xem mô hình
đã tối ưu chưa và có bị quá khít hay không.
2.1.8. Kết quả sử dụng mô hình mạng ANN để dự báo VNIndex
Thực hiện các bước xử lý đã được trình bày ở các bước trên, luận án đã đưa ra hai cấu trúc mạng ANN để phân tích và dự báo giá chứng khoán VNI với cách thức phân
Trang 18thích cho sự thay đổi trong VNI thời gian qua trên TTCK VN do tác động của các biến: lạm phát, sản lượng công nghiệp, cung tiền M2 và tăng trưởng tín dụng của nền kinh tế. Tuy nhiên, khi sử dụng mô hình đã được huấn luyện để tiến hành dự báo ngoài mẫu từ dữ liệu kiểm tra thì mô hình 1 có sai số lớn hơn mô hình 2 Điều quan trọng mô hình 2 cho ra hệ số tương quan (rSquare.) cao hơn giữa giá trị dự báo và giá trị thực tế của VNI. Nói cách khác mô hình 2: tác động của lãi suất, sản lượng công nghiệp, cán cân thương mại và tăng trưởng tín dụng sẽ là những biến có thể dự báo tốt nhất cho VNI. Mối quan hệ giữa giá trị dự báo và giá trị thực tế dù chỉ ở mức độ giải thích thấp 25,46% nhưng đã nói lên khả năng dự báo chiều hướng của VNI.
Như vậy, có thể thấy rằng khi đưa các biến kinh tế vĩ mô vào để phân tích và dự báo giá chứng khoán của TTCK VN thì mức độ giải thích và khả năng dự báo của mô hình còn nhiều hạn chế, giá trị dự báo chưa cao. Một vấn đề đặt ra là phải chăng cấu trúc mạng ANN trên chưa giải thích được tác động của các biến đầu vào này lên sự thay đổi của VNI trong thời gian qua? Hoặc mô hình ANN không hiệu quả hơn mô hình hồi quy tuyến tính truyền thống? Phần tiếp theo, luận án tiếp tục thay đổi cấu
để tiến hành điều chỉnh các trọng số trong quá trình huấn luyện nhằm đạt đến mục tiêu tối thiểu hóa MSE giữa giá trị dự báo của mô hình với giá trị thực tế.
Phần nghiên cứu này sẽ sử dụng tỷ lệ của ba tập hợp huấn luyện là 70%, 20% và 10%. Thực tế là không có nguyên tắc chung nào cho sự phân chia này và tỷ lệ trên là gợi ý trong nghiên cứu của Jing Tao (2000). Cấu trúc mạng được khái quát hóa GRNN với cấu trúc một lớp ẩn và 14 neuron ẩn (GNN14PE) đã cho kết quả rất tốt trong quá trình huấn luyện khi giá trị MSE cuối cùng đạt đến 7,7943E31, một giá trị
lý tưởng cho sự chênh lệch giữa giá trị dự báo và thực tế. Tuy nhiên, khi tiến hành kiểm định ngoài mẫu đối với mô hình trên, kết quả cho thấy sự hạn chế lớn của mô hình trong việc dự báo giá trị VNI. Đặc biệt là chỉ số tương quan – r là giá trị âm. Qua đó, có thể kết luận rằng, mô hình trên đã rơi vào tình trạng “quá khít” trong khi huấn luyện, nhưng lại thiếu khả năng khái quát hóa để phản ánh đầy đủ mối tương quan phi tuyến giữa các biến số
Trang 19Phần tiếp theo sau, luận án sẽ không khảo sát các biến được làm trễ, chỉ khảo sát 7 biến như đã đề cập trong bảng 2.1. Tuy nhiên, số lượng PE trong lớp ẩn cũng giảm đi nhiều. Để khắc phục tình trạng “quá khít” trong cấu trúc mạng GNN14PE, luận án
đã tiến hành điều chỉnh cấu trúc mạng, vẫn giữ nguyên các yếu tố khác nhưng số lượng neuron ẩn sẽ lần lượt là 4 và 5, ký hiệu cho hai cấu trúc mạng này là GNN 4PE và GNN5PE, kết quả kiểm định ngoài mẫu đối với 2 cấu trúc mạng đã có sự cải thiện đáng kể khi MSE giảm và rSquare cải thiện đáng kể, đạt 39,1% đối với cấu trúc GNN4PE. Tuy nhiên, nếu so với mô hình ANN được trình bày trong phần 2.1 thì hiệu quả của cấu trúc mạng GNN4PE cho dự báo tốt hơn. Tuy nhiên, mức độ giải thích của mạng vẫn chưa cao chỉ mới đạt 39,17%. Chính vì vậy, luận án tiếp tục
thay đổi cấu trúc mạng ANN khác.
2.2.2. Dự báo giá chứng khoán dựa trên phân tích tác động của các biến kinh tế vĩ
mô theo cấu trúc mạng truyền thẳng
Trong phần này luận án tiến hành thử nghiệm với cấu trúc mạng ANN khác để kiểm tra tính hiệu quả của mô hình dự báo. Bên cạnh mạng GRNN thì cấu trúc mạng được
sử dụng phổ biến nhất vẫn là mạng ANN truyền thẳng với một lớp ẩn. Lần lượt tiến hành huấn luyện mạng với cùng một cấu trúc dữ liệu như trên nhưng thay đổi số neuron của lớp ẩn. Mạng ANN truyền thẳng, một lớp ẩn với số neuron ẩn lần lượt là
án sẽ đi vào chứng minh điều này
Trang 202.2.3. So sánh khả năng dự báo giá chứng khoán của mô hình mạng thần kinh nhân tạo với mô hình hồi quy tuyến tính
· Sử dụng mô hình mạng ANN không có lớp ẩn và hàm truyền tuyến tính
Trong phần này luận án sẽ tiến hành xây dựng mô hình tuyến tính để có cơ sở so sánh giữa hai loại mô hình với nhau. Với các dữ liệu đầu vào đã sử dụng ở bảng 2.1, luận án tiến hành xây dựng mô hình tuyến tính bằng cách sử dụng hàm truyền là hàm tuyến tính và không có lớp ẩn trong mô hình của mạng ANN. Kết quả của quá trình huấn luyện mô hình ANN này kém hơn mô hình mạng phi tuyến trên
· Sử dụng mô hình hồi quy tuyến tính truyền thống
Một phần của phụ lục 3 “Xây dựng mô hình hồi quy tuyến tính truyền thống để phân tích và dự báo VNIndex” đã cho ra kết quả của việc sử dụng phương pháp hồi quy tuyến tính trong việc dự báo VNI như sau:
Thứ nhất: Nếu tuân thủ yêu cầu giả định của phương pháp hồi quy tuyến tính truyền thống thì các biến đưa vào mô hình phải tuân theo quy luật phân phối chuẩn, các biến kinh tế vĩ mô khảo sát ở bảng 2.1 được đưa vào mô hình không đạt được điều kiện này.
Thứ hai: Trong phần xây dựng mô hình hồi quy tuyến tính truyền thống và kiểm định của phụ lục 3 đã cho ra kết quả:
1. Khi sử dụng hồi quy đơn biến để giải thích cho sự thay đổi trong VNI thì không có mô hình hồi quy đơn biến nào có ý nghĩa thống kê. Tuy nhiên, nếu chúng ta điều chỉnh dữ liệu mang tính độ trễ một kỳ thì biến cung tiền – M2 lại có thể giải thích cho sự thay đổi của VNI. Kết quả giải thích của biến M2 rất thấp, chỉ là 2,83%.
2. Khi sử dụng hồi quy đa biến thì mô hình không có ý nghĩa thống kê, không thể xây dựng được mô hình hồi quy tuyến tính đa nhân tố từ các biến kinh tế vĩ mô để giải thích cho sự thay đổi của VNI.
Tóm lại, kết quả nghiên cứu này đã góp phần chứng minh được ưu thế vượt trội của
mô hình mạng ANN phi tuyến trong việc phân tích và dự báo giá chứng khoán trên TTCK VN so với mô hình tuyến tính truyền thống trong trường hợp sử dụng các biến
số kinh tế vĩ mô làm nhập lượng đầu vào. Tuy nhiên, kết quả từ các mô hình mạng ANN còn có một số hạn chế trong mức độ dự báo. Phần tiếp theo của luận án sẽ khảo
Trang 21tả chính xác hơn mối tương quan giữa hai yếu tố này. Nghiên cứu của Mohammed Omran (2002), dựa trên mẫu dữ liệu từ năm 1996 đến 2000 của 46 doanh nghiệp trên thị trường Ai Cập đã góp phần minh chứng cho kết luận này. Tương tự, nghiên cứu của Reza Gharoie Ahangar (2010) sử dụng mô hình phi tuyến cũng đã cho kết quả dự báo tốt hơn so với mô hình tuyến tính thông thường. Bài nghiên cứu sử dụng mẫu dữ liệu của các công ty niêm yết trên sàn giao dịch Tehran và mô hình phi tuyến được lựa chọn là mô hình mạng ANN.
Dựa trên nền tảng đó, phần nghiên cứu này của luận án sẽ thiết lập hai loại mô hình
dự báo khác nhau sử dụng các tỷ số tài chính làm nhập lượng đầu vào để phân tích và
dự báo tỷ suất sinh lợi của chỉ số VNIndex trên TTCK VN. Trước hết, mô hình tuyến tính truyền thống sẽ được sử dụng như một mô hình chuẩn. Sau đó, các cấu trúc mạng ANN phi tuyến khác nhau được xây dựng và kết quả dự báo của những cấu trúc mạng này sẽ được so sánh với mô hình tuyến tính đã được thiết lập.
Nhập lượng đầu vào bao gồm các biến tỷ số tài chính lần lượt là: tỷ suất sinh lợi trên vốn cổ phần ROE, tỷ suất sinh lợi trên tổng tài sản ROA, tỷ số giá trên thu nhập mỗi cổ phần PE, tỷ số giá trên giá trị sổ sách mỗi cổ phần PB, giá trị vốn hóa của
Trang 22thị trường – CM, dòng tiền mỗi cổ phần – CF, thu nhập mỗi cổ phần – EPS, lợi nhuận biên – PM, và tỷ lệ nợ trên vốn cổ phần – D/E. Bộ dữ liệu theo tháng được thu thập từ Sở giao dịch chứng khoán Tp.HCM và Bloomberg từ tháng 1/2007 đến tháng 9/2010. Các dữ liệu trên được tính trên cơ sở tỷ lệ thay đổi để đảm bảo tính dừng khi
sử dụng cùng bộ dữ liệu để so sánh với phương pháp hồi quy tuyến tính.
2.3.1. Mô hình mạng ANN tuyến tính
Trước khi đi vào xây dựng mô hình, với tập hợp dữ liệu thu thập được, chia dữ liệu thành 3 tập nhỏ bao gồm: tập dữ liệu được dùng để huấn luyện, tập dữ liệu dùng để xác nhận và tập dữ liệu để kiểm tra lại lần lược 60%, 15% và 25%. Sau khi xác định được ba tập dữ liệu cần thiết, quá trình chạy mô hình ANN không có lớp ẩn và sử dụng hàm truyền là hàm tuyến tính có kết quả MSE là khá thấp chỉ là 0,0014, tương
quan giữa kết quả dự báo và giá trị thực tế lên đến 87%.
2.3.2. Kết quả của mô hình hồi quy tuyến tính truyền thống
Phụ lục 3 “Xây dựng mô hình hồi quy tuyến tính truyền thống để phân tích và dự báo VNIndex” trong việc khảo sát các biến tài chính để phân tích và dự báo VNI trên TTCK VN thời gian qua cho chúng ta kết quả sau:
Mô hình hồi quy đơn biến với biến giải thích lần lược là biến CM và PE có hiện tượng phương sai thay đổi hay nói cách khác, mô hình hồi quy đơn biến với hai biến trên không phù hợp.
Mô hình hồi quy tuyến tính đơn biến với biến giải thích lần lược là biến ROA, ROE, PB, EPS, PM không có hiện tượng phương sai thay đổi. Tuy nhiên, mô hình hồi quy đơn biến với biến giải thích ROA có hiện tượng tự tương quan nên mô hình với biến này không phù hợp. Nói cách khác, biến ROA không thể sử dụng để giải thích cho sự thay đổi trong VNI.
Với mô hình hồi quy đơn biến, các biến giải thích còn lại là ROE, PB, EPS,
PM thì mô hình đơn biến với biến PB cho ra mức độ giải thích cao nhất lên đến 44,7% trong mô hình. Như vậy chúng ta có thể kết luận mô hình hồi quy đơn biến với biến PB là mô hình tối ưu nhất, chúng ta sử dụng mô hình này để đưa thêm biến vào mô hình.
Kết quả hồi quy đa biến với một biến PB được lựa chọn và đưa thêm các biến còn lại vào mô hình để kiểm định thì biến giải thích PE thích hợp cho mô hình khi dừng lại việc kiểm định phương sai thay đổi và tự tương quan. Tuy nhiên
Trang 23khi kiểm định tính chất đa cộng tuyến giữa các biến giải thích thì mô hình
không phù hợp.
Kết luận: Nếu cấu trúc mạng ANN tuyến tính đã cho kết quả dự báo tốt hơn mô hình
hồi quy tuyến tính truyền thống. Tuy nhiên, liệu rằng mô hình phi tuyến của hệ thống mạng ANN có thể hoàn thiện hơn kết quả dự báo này hay không? Phần tiếp theo sẽ
đi vào xây dựng các cấu trúc mạng ANN phi tuyến và tiến hành dự báo ngoài mẫu
cho VNIndex và so sánh với kết quả của cấu trúc mạng ANN tuyến tính trên.
2.3.3. Mô hình mạng ANN phi tuyến khi khảo sát các biến tài chính
Sau khi xác định các biến số đầu vào cho mô hình, thuật toán để huấn luyện mạng và
số quan sát cần thiết của các tập huấn luyện, xác nhận và kiểm định lại, ta tiến hành xây dựng các mạng ANN với cấu trúc khác nhau.
Trước hết sẽ là các mạng ANN đa lớp truyền thẳng, với một lớp ẩn duy nhất. Số neuron trong lớp ẩn sẽ lần lượt là 3, 4, 5, 6. Các mô hình này sẽ được ký hiệu lần lượt
là MLN 931; MLN 941; MLN 951; MLN 961. Kết quả của quá trình huấn luyện mạng ANN này cho kết quả ở bảng 2.9
Trang 24Bảng 2.9: Kết quả kiểm định ngoài mẫu của cấu trúc mạng MLN 931, MLN 9 41, MLN 951, MLN 961
Bên cạnh cấu trúc mạng ANN truyền thẳng đa lớn thì một dạng cấu trúc mạng GRNN cũng được sử dụng khá phổ biến. Trong phần này sẽ chỉ tiến hành xây dựng
và huấn luyện hệ thống mạng GRNN với một lớp ẩn với lần lượt 5 và 6 neuron ẩn, được ký hiệu lần lượt là GNN 951 và GNN 961. Kết quả dự báo ngoài mẫu đối
tuyến tính.
Tóm lại, qua các kết quả trên, ta có thể kết luận rằng, các biến số tài chính thật sự có
khả năng dự báo đối với tỷ suất sinh lợi của chỉ số VNI. Bên cạnh đó, mặc dù mô hình hồi quy tuyến tính truyền thống cho kết quả dự báo tương đối khả quan với biến giải thích PB lên đến 44,7%, song mô hình mạng ANN lại cho kết quả tốt hơn. Tuy nhiên, hiệu quả dự báo của mô hình hoàn toàn có thể được nâng cao thông qua việc
sử hệ thống mạng ANN phi tuyến.
Qua hai nhóm biến được khảo sát là nhóm biến kinh tế vĩ mô và nhóm biến tài chính của các doanh nghiệp niêm yết đã phần nào trả lời được mục tiêu nghiên cứu. Tuy nhiên, phần tiếp theo, luận án tiếp tục khảo sát thêm một số nhóm biến khác để phân
Trang 25Nghiên cứu của Yochanan Shachmurvoe và Dorota Witkowsha (2000) đã sử dụng chuỗi dữ liệu theo ngày của các chỉ số thị trường Canada, Pháp, Ðức, Nhật, Anh và
Mỹ để tiến hành dự báo bằng các mô hình ANN đa lớp. Kết quả so sánh với mô hình tuyến tính truyền thống sử dụng phương pháp bình phương nhỏ nhất (OLS) cho thấy mạng ANN phi tuyến ANN cho kết quả dự báo tốt hơn.
Xuất phát từ những ý tưởng trên, phần nghiên cứu này của luận án tiến hành xây dựng hệ thống ANN để dự báo cho chỉ số VNI của TTCK VN bằng cách sử dụng các chỉ số thị trường khác bao gồm chỉ số Dow (Mỹ), FTSE (Anh), N225 (Nhật) và SSEC (Shanghai – Trung Quốc).
Kết quả cho thấy cấu trúc mạng ANN tuyến tính thật sự đã không thể “nắm bắt” được mối tương quan giữa VNI với các chỉ số thị trường khác. Tuy chỉ tiêu MSE khá nhỏ, ở mức 0,001634 và chỉ tiêu MAE cũng chỉ ở mức 0,0279, nhưng chỉ tiêu r lại đạt mức 0,078%.
Tuy nhiên, dưới góc độ kỹ thuật, kết quả dự báo trên có thể là do mô hình được sử dụng, trong trường hợp này là cấu trúc mạng ANN tuyến tính, phải chăng là chưa phù hợp. Thực tế có thể là mối tương quan giữa chỉ số VNI của TTCK VN với các chỉ số thị trường khác là phi tuyến. Để làm rõ điều này, luận án tiếp tục tiến hành xây dựng cấu trúc mạng ANN và so sánh kết quả kiểm định ngoài mẫu với cấu trúc trên.
Về cấu trúc của hệ thống mạng, sau nhiều thử nghiệm khác nhau, luận án lựa chọn xây dựng bốn cấu trúc lần lượt là: MLF 441: Cấu trúc mạng truyền thẳng đa lớp chỉ
Trang 26có số neuron lần lượt là 3 và 2 neuron; MLF 4431: Cấu trúc mạng truyền thẳng đa lớp với 2 lớp ẩn có số neuron lần lượt là 4 và 3 neuron; GNN 431: Cấu trúc mạng truyền thẳng được khái quát hóa với 1 lớp ẩn duy nhất có 3 neuron. Việc lựa chọn cấu trúc hệ thống mạng thật chất là quá trình “thử và sai” để đi đến kết luận về cấu trúc mạng phù hợp nhất với dữ liệu và biến số đang khảo sát
Trang 27có biến SSEC của TTCK Shanghai Trung Quốc có tác động đến sự biến động của VNI với mức ý nghĩa 1% nhưng mức độ giải thích của mô hình quá thấp. Điều này
cho thấy sự vượt trội của mô hình mạng ANN so với mô hình hồi quy tuyến tính. 2.5. Sử dụng sự thay đổi giá trong quá khứ để dự báo giá chứng khoán trên TTCK VN
Nghiên cứu của Fama (1970) khẳng định rằng, giá của tài sản tài chính tại mỗi thời điểm đã phản ánh tất cả thông tin liên quan đến nó. Do vậy xu hướng biến động trong tương lai của thông tin phụ thuộc hoàn toàn “ngẫu nhiên” vào sự xuất hiện của các thông tin mới. Điều này đồng nghĩa rằng các nỗ lực dự báo giá chứng khoán trong tương lai dựa trên thông tin hiện tại là không thể. Tuy nhiên, kết quả của nhiều nghiên cứu sau đó kiểm định tính hiệu quả của thị trường đã cho thấy sự hoài nghi về giả thiết này. Trong số những cách tiếp cận để kiểm định tính hiệu quả của thị trường, nhiều bài nghiên cứu chỉ sử dụng các mô hình tuyến tính truyền thống. Trong trường hợp đó, kết quả phủ nhận khả năng dự báo xu hướng giá chứng khoán rất có thể là do hạn chế của bản thân mô hình. Do vậy, phần nghiên cứu này muốn tận dụng
ưu điểm chủ yếu của mô hình ANN là khả năng nắm bắt các mối tương quan phi tuyến để xem rằng liệu dữ liệu quá khứ của bản thân chuỗi chỉ số chứng khoán có thể
dự báo cho xu hướng tương lai của chính nó hay không. Nếu điều này là có thể thì TTCK tồn tại xu hướng và chưa đạt đến trạng thái thị trường hiệu quả
Trang 28Kết quả kiểm định ngoài mẫu cho thấy rằng, hai cấu trúc mạng ANN truyền thẳng hai lớp ẩn MLF 3531 và GNN 3531 cho kết quả tương đối khả quan nhất nhưng giá trị dự báo ngoài mẫu quá thấp, giá chứng khoán không thể dùng chính nó để dự báo? Vậy liệu rằng với chuỗi dữ liệu theo ngày, kết quả dự báo có được cải thiện hơn hay không?
Kết quả kiểm định với chuỗi dữ liệu ngày cho thấy dường như không có sự cải thiện đáng kể trong hiệu quả dự báo. Chỉ tiêu r vẫn chỉ đạt mức thấp 6,8% vẫn chưa cho thấy mối tương quan trong chuỗi tỷ suất sinh lợi quá khứ với tỷ suất sinh lợi VNI hiện tại. Tuy nhiên, vấn đề lại được đặt ra rằng, liệu có phải do chuỗi dữ liệu trong thời kỳ thu thập không miêu tả được những đặc trưng của một giai đoạn của thị trường? Rất có thể sự thay đổi nhanh chóng của TTCK VN trong suốt thời gian qua
đã khiến cho mô hình mạng được huấn luyện dựa trên các dữ liệu quá khứ đã không
có giá trị lâu dài. Để làm rõ vấn đề này, một lần nữa luận án đi vào điều chỉnh nguồn
dữ liệu đầu vào, sử dụng bộ dữ liệu tỷ suất sinh lợi theo ngày từ đầu năm 2010 đến tháng 09/2010. Với các cấu trúc mạng khác nhau, kết quả kiểm định ngoài mẫu bảng 2.15.
Mặc dù xét về các chỉ tiêu khác nhau MSE và MAE, kết quả dự báo từ các cấu trúc mạng sử dụng bộ dữ liệu tỷ suất sinh lợi trong khoảng thời gian ngắn hơn (năm 2010) so với cấu trúc cũ có sự khác biệt không lớn, nhưng riêng chỉ tiêu tương quan giữa chuỗi giá trị dự báo với chuỗi giá trị thực tế lại có sự cải thiện đáng kể. Đặc biệt
là với cấu trúc MLF 531 và GNN 5431, chỉ tiêu này lần lượt là 38,17% và 27,3%. Điều này cho thấy sự trùng hợp với kết luận của Wilton, Vincent và Tam (2008) về việc sử dụng bộ dữ liệu trong thời gian ngắn hơn sẽ cho kết quả dự báo khả quan hơn đối với TTCK Shanghai của Trung Quốc. Nói cách khác, mô hình ANN có thể sử dụng để dự báo VNI trên TTCK VN trong khoảng thời gian quan sát theo ngày sẽ cho mức độ giải thích lớn hơn. Nhưng mặt khác, điều này còn cho thấy TTCK VN bị tác động bởi nhân tố momentum lớn. Kết quả này càng minh chứng cho những nghiên cứu gần đây trên TTCK VN về tác động của tâm lý nhà đầu tư là rất lớn. Chính sự phản ứng thái quá của nhà đầu tư là nguồn gốc của tình trạng xuất hiện của biến momentum này. Để làm rõ hơn tính chất này, phần nghiên cứu tiếp theo của luận án sử dụng những chỉ báo của phân tích kỹ thuật để phân tích sự thay
đổi của VNI thời gian qua.
Bảng 2.15: Kiểm định ngoài mẫu đối với các mô hình ANN với dữ liệu thu thập trong năm 2010
Trang 29độ (RSI)… để dự báo chỉ số Kuala Lumpur Composite Index của TTCK Malaysia thông qua mô hình mạng ANN. Kết quả thực nghiệm đã cho thấy rằng mô hình này
sẽ cho ra khả năng dự báo tỷ suất sinh lợi cao hơn so với việc sử dụng một số mô hình truyền thống như mô hình ARIMA.
Nhận thấy rằng việc sử dụng các chỉ báo của phân tích kỹ thuật là khả thi đối với việc dự báo chỉ số chứng khoán, nội dung của phần này tập trung vào việc lựa chọn một số các chỉ báo tiêu biểu để thiết lập nên mô hình mạng ANN nhằm mục đích dự báo cho chỉ số VNI và so sánh kết quả dự báo của mô hình này với các mô hình tuyến tính thông thường.
Phần nghiên cứu này đã chứng minh cho quan điểm TTCK VN tồn tại hiện tượng momentum rất cao. Điều này khẳng định cho kết luận trong phần 2.5 khi phân tích giá chứng khoán trong quá khứ có tác động đến giá hiện tại và tương lai. Nói cách khác, luận án càng cho thấy TTCK VN chưa đạt đến trạng thái thị trường hiệu quả, thị trường luôn tồn tại xu hướng. Giá chứng khoán trên TTCK VN có thể được dự báo từ những thay đổi giá trong quá khứ, tuy nhiên mức độ tác động là không lớn khi chỉ tiêu dựa báo ngoài mẫu là rSquare từ mô hình mạng ANN thấp.
Tóm lại, quá trình phân tích trong chương 2 đã cho chúng ta kết luận rằng, mô hình mạng ANN thật sự là một công cụ hữu ích cho việc ước lượng mối quan hệ phi tuyến của các biến số. Nghĩa là mô hình mạng ANN vượt trội hơn mô hình tuyến tính khi mối quan hệ giữa các biến là mối quan hệ phi tuyến. Chính vì vậy cấu trúc mạng ANN truyền thẳng với hàm truyền là hàm phi tuyến cho ra kết quả dự báo VNI tốt hơn các cấu trúc mạng ANN khác. Đồng thời nhóm các biến phản ánh tình hình tài chính của các doanh nghiệp niêm yết trên TTCK tác động mạnh đến sự biến động của VNI. Điều này cho thấy khả năng dự báo giá chứng khoán trên TTCK VN từ nhóm biến tài chính sẽ phần nào chuẩn xác hơn các nhóm biến khác
Trang 30Chương 3: MỘT SỐ ĐỀ XUẤT TỪ QUÁ TRÌNH PHÂN TÍCH VÀ DỰ BÁO
GIÁ CHỨNG KHOÁN TRÊN THỊ TRƯỜNG CHỨNG KHOÁN
VIỆT NAM
Trong chương 2 tôi đã trả lời cho những mục tiêu nghiên cứu được đặt ra: Thứ nhất, thiết kế và ứng dụng mô hình mạng ANN trong việc dự báo giá chứng khoán trên TTCK VN là hoàn toàn có thể. Thứ hai, mô hình ANN tỏ ra tối ưu hơn mô hình hồi quy tuyến tính truyền thống và cấu trúc mạng ANN truyền thẳng với hàm phi tuyến sẽ
là mô hình dự báo giá chứng khoán tốt nhất trên TTCK VN thời gian qua. Thứ ba, trong số các biến giải thích cho sự thay đổi giá chứng khoán thì các biến tài chính lại cho ra kết quả dự báo tốt nhất. Nói cách khác, giá chứng khoán trên TTCK VN được giải thích từ những thay đổi trong chính những biến phản ánh tình hình tài chính của doanh nghiệp. Nói như vậy, không có nghĩa là các biến kinh tế vĩ mô không tác động đến sự thay đổi giá chứng khoán. Phần 2.1 và 2.2, việc sử dụng mô hình ANN để phân tích tác động của các biến kinh tế vĩ mô đã cho thấy mức độ ảnh hưởng là khá lớn lên sự thay đổi này. Trong khi đó, việc khảo sát sự thay đổi của các biến tài chính cũng phản ánh những tác nhân kinh tế lên mức độ ảnh hưởng của các biến tài chính.
Chẳng hạn, khi dùng các biến kinh tế vĩ mô, nghiên cứu của tôi phát hiện ra các biến
về tăng trưởng tín dụng, lãi suất và lạm phát ảnh hưởng đến sự thay đổi giá chứng khoán nhưng nếu nhìn từ các biến tài chính thì mức độ tài trợ từ nợ của các doanh nghiệp niêm yết lại là một biến tác động đến giá chứng khoán, do đó mức độ tài trợ
từ nợ càng lớn đã cho thấy tác động của các biến kinh tế vĩ mô như tăng trưởng tín dụng và lãi suất ảnh hưởng mạnh lên giá chứng khoán trên TTCK VN.
Như vậy, quá trình nghiên cứu này giúp cho chương 3 của luận án đề xuất hướng đi mới từ công cụ phân tích và dự báo là mô hình ANN. Ngoài ra, luận án có đề xuất một số giải pháp được phát hiện liên quan đến quá trình phân tích dữ liệu trung việc
dự báo giá chứng khoán trên TTCK VN để nhằm mục đích vừa phát triển TTCK VN nhưng đồng thời sẽ giúp quá trình dự báo giá chứng khoán sau này trở nên tốt hơn. Trước tiên, luận án đưa ra một số kết luận từ quá trình phân tích ở chương 2 và một
số vấn đề đặt ra từ quá trình phân tích dữ liệu giúp cho quản lý TTCK tốt hơn.
3.1. Khả năng dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam 3.2. Hành vi tài chính của nhà đầu tư tác động mạnh trong mô hình mạng ANN
Trang 313.3. Một số đề xuất từ quá trình phân tích và dự báo giá chứng khoán trên
TTCK VN
3.3.1. Gia tăng điều kiện phát hành chứng khoán nhằm kiểm soát hoạt động huy động vốn của các doanh nghiệp
3.3.2. Sớm thay đổi các quy định về tín dụng đầu tư chứng khoán hiện nay của ngân hàng nhà nước
Trang 32Thành công của một số nghiên cứu trên thế giới và một phần trong việc triển khai quá trình ứng dụng mô hình mạng ANN ở chương 2 của luận án đã cho thấy mô hình mạng ANN cho ra kết quả dự báo tốt các biến kinh tế và nhất là dự báo giá chứng khoán trên TTCK VN. Mô hình mạng ANN có thể cải thiện mô hình tuyến tính nếu các mối quan hệ được nghiên cứu có sự phi tuyến đáng kể. Mô hình mạng ANN nên được xem như là một sự bổ sung tốt cho mô hình hồi quy tuyến tính. Các nhà nghiên cứu quan tâm đến việc xây dựng một mô hình mạng ANN có thể sử dụng mô hình tuyến tính như là điểm bắt đầu tốt nhất. Nói chung, mô hình mạng ANN là hữu ích
để hỗ trợ cho các nhà kinh tế trong việc dự báo kinh tế vĩ mô. Ít nhất, chúng xứng đáng để được nghiên cứu thêm nữa. Bằng cách sử dụng mô hình mạng ANN trong một bối cảnh cụ thể, sẽ cho phép các nhà kinh tế đánh giá đúng tính hữu ích của nó. Tất nhiên, yêu cầu thực hiện một mô hình mạng ANN có chất lượng cao sẽ phải đầu
tư nhiều thời gian và công sức. Sự đầu tư này có thể đáng giá chỉ khi chúng ta có được sự cải thiện tính chính xác trong việc dự báo lớn hơn những đầu tư cần thiết để thực hiện mô hình. Nói chung sẽ đúng trong trường hợp của các biến số kinh tế vĩ
mô vốn còn nhiều cơ hội để gia tăng việc cải thiện dự báo, nghĩa là các biến số vẫn
có sai số dự báo khá lớn đối với các kỹ thuật hiện tại. Điều này cũng sẽ đúng cho các biến có mức độ ảnh hưởng lớn khi mà mức độ cải thiện biến trong tính chính xác là đáng mong đợi. Như vậy có thể là trường hợp của tăng trưởng GDP danh nghĩa, lãi suất hoặc tỷ giá hối đoái, là những biến số quan trọng trong việc hoạch định chính sách tài khóa và tiền tệ.
Kết quả nghiên cứu của luận án đã góp phần cung cấp bằng chứng cho tính hiệu quả khi ứng dụng mô hình mạng ANN trong dự báo kinh tế điển hình là giá chứng khoán. Dựa trên việc khảo sát các nhóm biến khác nhau, mô hình mạng ANN luôn cho kết quả tốt hơn mô hình hồi quy tuyến tính đặc biệt là cấu trúc mạng truyền thẳng và hàm phi tuyến sẽ cho kết quả cho sự tác động của các biến khi đưa vào mô hình. Đồng thời, qua việc khảo sát cách biến khác nhau, luận án đã chỉ ra nhóm viến tài chính có tác động mạnh đến sự thay đổi giá chứng khoán trên TTCK VN. Quá trình phân tích từ mô hình mạng ANN đã giúp cho luận án thấy được mức độ tác động của các biến giải thích lên giá chứng khoán để làm cơ sở cho một số đề xuất chính sách trong chương 3. Chính vì vậy, luận án đề xuất quá trình triển khai ứng dụng mô hình mạng ANN trong công tác phân tích và dự báo kinh tế như là một bằng chứng củng
cố thêm cho những phương pháp truyền thống đang được thực hiện
Trang 331. Tính cấp thiết của luận án
Việc nghiên cứu những công cụ hoặc mô hình dự báo thị trường tài chính và nền kinh tế có một lịch sử lâu đời. Phân tích chuỗi thời gian là một trong những cách tiếp cận truyền thống được sử dụng rộng rãi nhất trong lĩnh vực này. Có hai loại mô hình
mô tả hành vi của chuỗi thời gian như sau.
Thứ nhất là các mô hình tuyến tính: phương pháp tuyến tính để phân tích chuỗi thời gian thường được 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:
Trang 34a. Lý thuyết Taken
b. Phương trình MackeyGlass
Những kỹ thuật này cố gắng tái tạo lại chuỗi thời gian dựa trên các mẫu dữ liệu để dự đoán giá trị tương lai. Mặc dù những kỹ thuật này có ý nghĩa thống kê nhưng chúng
có tỷ lệ thành công thấp khi được sử dụng để dự báo thị trường tài chính.
Những bằng chứng gần đây chỉ ra rằng thị trường tài chính là phi tuyến. Tuy nhiên, phương pháp tuyến tính vẫn cung cấp những cách tiếp cận tốt để mô tả hệ thống phi tuyến được tìm thấy trong phân tích chuỗi thời gian thị trường tài chính (Fang và cộng sự, 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 được gọi là GARCH (Generalized Autoregressive Conditional Heteroskedasticity GARCH) kết hợp tất cả các đặc trưng quan sát được trong chuỗi này. Nhưng nền kinh tế đang phát triển nhanh chóng (chứ không phải đi từ từ) theo thời gian. Tuy nhiên, những đặc trưng này không dễ dàng được tính toán bằng các
mô hình tuyến tính, và điều này được chứng minh qua việc các hệ số ước lượng có
độ dốc lớn. Nhiều nhân tố tác động đến thị trường 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 tư. Vì vậy,
dự báo thị trường tài chính và sự chuyển động của nền kinh tế là khá khó khăn. Mạng thần kinh nhân tạo Artificial Neural Network (ANN) là một công cụ hữu ích trong tài chính định lượng hiện đại và được biết đến như 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 như nhận dạng mẫu hình, phân loại, đánh giá, mô hình hóa, dự báo và kiểm soát (Anderson và Rosenfeld, 1988; HechtNielsen, 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 trường 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 trường tài chính. Công trình của họ thảo luận về ưu điểm vượt trội của ANN so với các phương 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 phương pháp chung
để xây dựng, huấn luyện, và kiểm tra một ANN bằng cách sử dụng phần mềm thương mại hiện hữu. Luận án sẽ tập trung vào phương pháp này để triển khai quá trình phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam
Trang 35như 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 phương pháp ANN áp dụng cho các lĩnh vực tài chính và nền kinh tế như là một công cụ dự báo hỗ trợ cho các phương pháp truyền thống. Chính vì vậy, tác giả chọn
đề tài với tên gọi “Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế – Trường hợp thị trường chứng khoán Việt Nam” làm nội dung nghiên cứu cho luận án
tiến sĩ của mình.
2. Tình hình nghiên cứu liên quan đến nội dung luận án
Từ những nghiên cứu sơ khai của Mc Culloch và Pitts trong những năm 1940, trải qua nhiều năm phát triển, cho đến hơn 10 năm trở lại đây cùng với sự phát triển mạnh mẽ của ngành công nghệ thông tin trong việc xử lý dữ liệu cho cả phần cứng
và phần mềm đã giúp cài đặt những ứng dụng phức tạp của lý thuyết mạng thần kinh nhân tạo. Lý thuyết mạng thần kinh nhân tạo những năm gần đây mới thực sự được chú ý và nhanh chóng trở thành một hướng nghiên cứu đầy triển vọng trong mục đích xây dựng mô hình mô phỏng theo trí tuệ con người Sức mạnh thuộc về bản chất tính toán của các thuật toán mạng, song những nghiên cứu thực nghiệm đã thành công trong nhiều lĩnh vực, những nghiên cứu thực nghiệm trong lĩnh vực tài chính cũng được sự quan tâm và cho ra nhiều kết quả tốt ở những nền kinh tế khác nhau.
Từ những nghiên cứu việc ứng dụng ANN để phân tích những chuỗi dữ liệu thời gian nên được thực hiện dựa trên trấu trúc ANN nào cho các chỉ tiêu dự báo như tăng trưởng kinh tế, biến động tỷ giá hối đoái, và thậm chí là giá chứng khoán trên các thị trường. Quá trình nghiên cứu mạng ANN còn được so sánh với những mô hình truyền thống hiện đang được sử dụng cho việc phân tích và dự báo trong lĩnh vực kinh tế như mô hình hồi quy tuyến tính, mô hình hồi quy phi tuyến. Quá trình nghiên cứu này đã cho ra những kết quả lợi thế của mô hình ANN đặc biệt là ở những thị trường mới nổi trong phân tích và dự báo. Như vậy, ở thị trường Việt Nam liệu quá trình triển khai nghiên cứu ứng dụng mô hình ANN có hiệu quả không và có vượt trội hơn các công cụ phân tích và dự báo khác? Trên cơ sở tiếp cận này, tôi đi vào nghiên cứu quá trình hoạt động của mạng ANN trong lĩnh vực kinh tế, tài chính và những kết quả nghiên cứu đạt được ở các thị trường khác trên thế giới để làm nền
tảng cho việc nghiên cứu.
3. Mục tiêu nghiên cứu
Trên phương diện nghiên cứu mô hình mạng ANN và những nguyên lý hoạt động của nó để từ đó ứng dụng vào lĩnh vực kinh tế và tài chính vẫn còn là một nội dung chưa được quan tâm nhiều. Trong phạm vi của nền kinh tế Việt Nam, tác giả tập trung nghiên cứu việc ứng dụng mô hình này để nhằm phân tích và dự báo giá chứng
Trang 36khoán trên thị trường chứng khoán Việt Nam trước các biến giải thích khác nhau, như là một minh chứng cho khả năng ứng dụng của mô hình ANN trong dự báo kinh
tế. Qua quá trình ứng dụng ANN vào thị trường chứng khoán Việt Nam, luận án sẽ giải quyết thêm một số vấn đề khác như: cấu trúc mạng ANN nào tốt cho vấn đề dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam, hiệu quả của mô hình ANN so với mô hình hồi quy tuyến tính biến nào sẽ tác động lên sự biến động của giá chứng khoán… Cụ thể hơn, luận án sẽ giải quyết bốn mục tiêu nghiên cứu sau:
1. Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam.
2. Lựa chọn cấu trúc mạng ANN phù hợp trong dự báo giá chứng khoán.
3. Hiệu quả ứng dụng mô hình ANN tốt hơn mô hình hồi quy tuyến tính.
4. Tìm ra nhóm biến có thể giúp dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam qua đó gợi ý một số chính sách liên quan.
Để đạt được mục tiêu nghiên cứu nêu trên, nội dung của luận án tập trung đi vào trả lời các câu hỏi nghiên cứu sau đây:
(1). Mô hình mạng ANN là gì và cơ chế vận hành của nó như thế nào trong thị trường tài chính?
(2). Những quan điểm và bằng chứng thực nghiệm trong việc ứng dụng mô hình ANN trong phân tích và dự báo trên thị trường tài chính?
(3). Khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam?
(4). Cấu trúc mạng ANN nào sẽ thích hợp để dự báo giá chứng khoán?
(5). Liệu khả năng ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam có tính hiệu quả hơn mô hình hồi quy tuyến tính truyền thống?
(6). Nếu mô hình ANN tốt hơn thì những biến giải thích nào sẽ giúp cho chúng ta
sử dụng để phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt 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
Trang 37các nhà thực hành sẽ áp dụng mô hình ANN để thay thế hoặc bổ sung cho các
phương pháp hồi quy.
Để giải quyết các nội dung nghiên cứu nêu trên, tác giả luận án đã sử dụng phương pháp định lượng dựa trên việc nghiên cứu những thuật toán mô phỏng của mạng thần kinh nhân tạo để tiến hành lựa chọn cấu trúc ANN thích hợp nhằm ứng dụng trong
dự báo giá chứng khoán. Việc triển khai quá trình ứng dụng mô hình ANN trong dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam được dựa trên quy trình
đề xuất 8 bước của năm nhà nghiên cứu Deboeck, Masters, Blum và Nelson và Illingworth. Ngoài ra quá trình thử nghiệm các cấu trúc mạng ANN được thực hiện
dựa trên phần mềm hỗ trợ xử lý dữ liệu có bản quyền NeuralSolution 5.0.
5. Các phát hiện và kết quả nghiên cứu
Luận án của tác giả đã đóng góp các kết quả nghiên cứu sau:
· Khả năng ứng dụng mô hình ANN để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam là hoàn toàn có thể thực hiện
· Mô hình ANN dùng để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam cho ra kết quả dự báo ngoài mẫu tốt hơn mô hình hồi quy tuyến tính truyền thống
· Cấu trúc mạng thần kinh truyền thẳng cho ra kết quả dự báo tốt hơn một số cấu trúc mạng khác với hàm truyền là hàm phi tuyến. Nói cách khác, mối quan hệ giữa các biến giải thích và biến phụ thuộc là quan hệ phi tuyến tính
· Dựa trên việc nghiên cứu ứng dụng mô hình ANN để dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam, luận án đã cho thấy rõ tác động 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 nếu dùng mô hình hồi quy tuyến tính truyền thống thì gần như không tìm thấy sự tác động này
· Qua quá trình phân tích và dự báo giá chứng khoán trên thị trường chứng khoán Việt Nam, luận án có gợi ý một số chính sách để phát triển thị trường chứng khoán Việt Nam lên một tầm cao mới nhằm phát triển mạnh quá trình chuyển dịch cơ cấu kinh tế
Trang 38QUAN 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 đều dựa trên những nền tảng giả định khác nhau. Các mô hình trước nay được sử dụng phổ biến để phân tích và dự báo đều dựa trên phương pháp phân phối chuẩn của các biến đưa vào mô hình. Quan điểm về phân phối chuẩn đã đưa ra nền tảng toán học cho học thuyết thị trường hiệu quả. Quan điểm 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 định giá quyền chọn Black – Scholes, mô hình đa nhân tố, mô hình FamaFrench… Tuy nhiên, các mô hình này lại không mấy hiệu quả khi phân tích và dự báo những chỉ tiêu đầy tính biến động trong thị trường tài chính. Một phương pháp mô phỏng bộ não con người được xây dựng dựa trên những nền tảng tiếp cận khác với các phương pháp trên. Quá trình
mô phỏng này được gọi là mô hình mạng thần kinh nhân tạo ANN. Những quy tắc khi ứng dụng mô hình ANN không như những phương pháp dựa trên quan điểm phân phối chuẩn. Quá trình ứng dụng mô hình ANN dựa trên quan điểm: các chủ thể tham gia thị trường, quyết định xu hướng thị trường là những nhà đầu tư với những hiểu biết khác nhau. Nói cách khác, chính nhà đầu tư khi tiếp nhận thông tin và sẽ đưa ra quyết định trước những thông tin này dựa trên những hiểu biết và phân tích của chính mình. Việc ứng dụng mô hình ANN khá phổ biến trong lĩnh vực điện tử, sản xuất rô bốt hay như trong lĩnh 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 gần đây. Quá trình ứng dụng này lớn mạnh nhờ sự hỗ trợ của ngành công nghệ thông tin đã mang lại một số thành tựu nhất định về tính hiệu quả của mô hình. Chính vì vậy, tiếp cận nghiên cứu mô hình ANN ở Việt Nam là rất cần thiết.
Trang 391.1. Quan điểm lựa chọn công cụ phân tích và dự báo
Phương pháp phân phối chuẩn hay đường cong hình chuông là một công cụ phổ biến trong việc phân tích dữ liệu kinh tế tài chính đặc biệt là trong phân tích giá chứng khoán. Phương pháp phân phối chuẩn chính là nền tảng toán học cho học thuyết thị trường hiệu quả của lĩnh vực tài chính. Quan điểm của phương pháp phân phối chuẩn cho rằng, giá chứng khoán là độc lập ngẫu nhiên với nhau. Ban đầu, phương pháp phân phối chuẩn được 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 người đi theo học thuyết thị trường hiệu quả cho rằng, tỷ suất sinh lợi của giá chứng khoán cũng có hình dạng đường cong hình chuông như vậy.
Bill William (1995) cho rằng, việc các nhà tài chính hiện nay sử dụng phương pháp phân phối chuẩn là vì chúng ta chịu ảnh hưởng của những tư duy triết học từ xa xưa,
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 trường 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 tưởng rằng: “nếu bạn không biết về điều gì, bạn có thể đi hỏi người khác, người 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 trường tài chính, tư tưởng 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 nước nhanh như 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 trường tài chính, quan điểm của Heraclitus chính là sự phụ thuộc lẫn nhau trong các chỉ tiêu kinh tế được xem như 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 được đặt trong mối quan hệ tương 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 hướng
Trang 40vũ trụ từ sau hiện tượng “big bang”, nhưng nó không thể mô tả hay giải thích sự chuyển động của máu trong tĩnh mạch trái hay sự hỗn loạn của dòng nước”.
Thế kỷ 20 được đánh dấu bởi 3 phát minh đáng nhớ: (1) thuyết tương đối (relative theory) và (2) kỹ thuật định lượng (quantum mechanic) và (3) khoa học hỗn loạn (chaos science). Sự phát triển của khoa học hiện đại chính là sự phát triển của tư duy Heraclitus. Như 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 trường của trái đất. Khi chúng ta thoát khỏi trọng trường 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 trường 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 trường 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 tương đối của Einstein đã thống nhất mối quan hệ giữa khối lượng và năng lượng, thời gian và không gian, điều mà khoa học cổ điển phủ nhận. Trong phân tích giá chứng khoán, đặc biệt là những người theo trường phái phân tích kỹ thuật, mối quan hệ này được chỉ ra khi phân tích mối liên hệ giữa khối lượng giao dịch (khối lượng) và sự dao động của giá chứng khoán (năng lượng)
· Sự phát triển của khoa học định lượng 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 như 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 được 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
