TIỂU LUẬN dự đoán THỊ TRƯỜNG CHỨNG KHOÁNG sử DỤNG MẠNG THẦN KINH NHÂN tạo ( STOCK MARKET INDEX PREDICTION USING ARTIFICAL NEURAL NETWORK)

‐ Hệ thông minh nhân tạo như : Mạng thông minh nhân tạo Artifical Neural Networks – ANN,hệ suy luận mờ fuzzy inference system – FIS , hệ suy luận thần kinh thích nghi mờ Adaptiveneuro

ĐẠI HỌC BÁCH KHOA THÀNH PHỐ HỒ CHÍ MINH

SỬ DỤNG MẠNG THẦN KINH NHÂN TẠO

( STOCK MARKET INDEX PREDICTION USING ARTIFICAL NEURAL NETWORK)

Nhóm 14:

GVHD: Huỳnh Thái Hoàng

1 Phan Trọng Nghĩa MSSV: 1512160

2 Phạm Hữu Ngà MSSV: 1512115

‐ Hệ thông minh nhân tạo như : Mạng thông minh nhân tạo ( Artifical Neural Networks – ANN),

hệ suy luận mờ ( fuzzy inference system – FIS) , hệ suy luận thần kinh thích nghi mờ ( Adaptiveneuro fuzzy Inference System – ANFIS) đã được áp dụng để model hóa rất nhiều lĩnh vực phức‐tạp trong khoa học và kỹ thuật

2/ Những nghiên cứu được công bố khi áp dụng hệ thông minh nhân tạo vào lĩnh vực kinh tế:

1 Mạng thần kinh nhân tạo (ANN) cho hiệu suất tốt hơn trong việc dự đoán phá sản so với phương pháp thống kê truyền thống như phương pháp phân tách và hồi quy logistic (Quah & Srivinasan 1998)

2 Nghiên cứu về xếp hạng tín nhiệm (credit rating) cho thấy ANN dự báo tốt hơn so với

các phương pháp thống kê do mối quan hệ phức tạp giữa tài chính và các biến đầu vào khác( Hájek, 2011)

3 Dự đoán phá sản ( Alfaro García, Gámez & Elizondo 2008; Lee, Booth, & Alarm, 2005)

4 Đánh giá rủi ro tính dụng (Yu, L., Wang, S., & Lai,2008)

3/ Hệ thần kinh nhân tạo được áp dụng trong việc dự đoán chứng khoán:

3.1: Nhắc lại về Artifical Neural Network:

Mạng thần kinh nhân tạo được lấy cảm hứng từ sinh học, gồm các tế bào thần kinh (neurons) đểtiếp nhận và xử lý thông tin, và được kết nối với nhau bằng các dây thần kinh , đại diện bởi các trọng số (weights)

Mạng thần kinh nhiều lớp Perceptron ( Multi Layer Perceptron – MLP) được ứng dụng khá‐phổ biến trong vấn đề kiểu hồi quy MLP gồm 3 lớp chính:

Ngõ ra được tính bằng công thức

4 Dự đoán chỉ số thị trường NASDAQ:

Trong nghiên cứu này, ta sẽ áp dụng mạng thần kinh truyền thẳng được huấn luyện bởi

thuật toán lan truyền ngược sai số (backward propagation of errors)

Phương trình mô tả khái quát hệ thống để huấn luyện:

Input: Giá cổ phiếu các ngày trước đó Thứ

tự của ngày hiện tại trong tuầnOutput: giá trị cổ phiếu hiện tại

Chú thích:

y(k) : giá cổ phiếu tại thời điểm kn: số ngày trong quá khứ D(k) : thứ tự ngày trong tuần

Hiệu năng của ANN được đánh giá bởi 2 yếu tố :

Hệ số xác định bội R 2 : Sai số toàn phương trung bình

(Mean Square Error –MSE)

R2 càng cao: mối liên hệ giữa biến MSE đại diện cho sai số bình phương trung bìnhđộc lập và biến phụ thuộc (khi tuyến giữa giá trị dự đoán ( y predicted) và‐

tính hóa) càng chặt chẽ giá trị thực tế (y experimental)‐

M là số lượng data

Phương pháp :

Dữ liệu huấn luyện sẽ được chia làm 2 loại training dataset :

4 prior working day

9 prior working dayTạo 1 Mạng Neuron lan truyền ngược với 20 – 40 – 20 neurons ở lớp ẩn

Áp dụng lần lượt các Training function và Transfer function , từ đó tìm được kết quả tối

ưu cho cả 2 loại training dataset

Với training function và transfer function tối ưu, ta sẽ lần lượt thay đổi cấu trúc

mạng , bao gồm số lớp ẩn và số neuron trong mỗi lớp ẩn

BEST METHOD

5 Kết quả và thảo luận:

Giá cổ phiếu qua từng ngày của NASDAQ được thu thập trong 99 ngày, từ ngày

28 tháng 1,2015 đến 18 tháng 6, 2015 , làm training dataset để huấn luyện cho model

Training function: LM (Levenberg Marquardt) ; OSS ( one step secant) ; ‐

GDA ( gradient descentwith adaptive learning rate) ;

GDM ( gradient descent with momentum)

Transfer function: TANGSIG, PURELIN , LOGSIG

a = tangsig(n) a = logsig(n) a = purelin(n)

5.1 : Four prior working day

Dataset

Lưu ý: Bất kỳ sự thay đổi số lượng tế bào thần kinh sẽ ảnh hưởng đến độ hiệu quả

của model,nhưng không có nghĩa là càng nhiều lớp ẩn hoặc càng nhiều neron trong lớp ẩn sẽ

đạt hiệu quả cao hơnEx: Mạng 5 – 5 có giá trị R2 chấp nhận được ( 0.8631)Nhưng mạng 5 – 10 lại có khả năng dự đoán kém

5.1 : Nine prior working day

Kết quả: Sử dụng Training function OSS và Transfer function LOGSIG sẽ cho kết quả R2tối ưu nhất cho Validation dataset (0.9622)

6 Kết luận:

‐ Không có sự khác biệt nào đáng kể đối với 2 kiểu dữ liệu đầu vào là Four prior working day

và Nine prior working day

ƯU ĐIỂM

7 Hướng phát triển

Phần mềm( Viết bằng python)

Tự lấy dữ liệu từ server Cập nhật dữ liệu theo

hoặc qua excel thời gian thực

Sau 1 khoảng thời gian

=> Tự xóa mẫu cũ

=> Cập nhật mẫu mới

=> Auto training

Tài liệu tham khảo thêm:

XIN CẢM ƠN ĐÃ LẮNG NGHE