Lời cảm ơn Lời đầu tiờn, em xin được gửi lời cỏm ơn chừn thành tới cỏc thày cụ giỏo thuộc trường Đại học Bỏch Khoa Hà Nội, những người đó tận tìnhchỉ dạy tất cảkiến thức đại cương và chuyờn ngành cho em trong suốt quá trình học tập và nghiờn cứu tại trường. Trong quá trình thực hiện đồ án tốt nghiệp em đã học hỏi được thêm rất nhiều điều, đó cũng là cơ hội để em tổng kết những kiến thức đã được học, đồng thời rút ra những kinh nghiệm quý báu. Mặc dù có một số khó khăn và vướng mắc trong thời gian hoàn thiện đồ ỏn, nhưng nhờ sự chỉ bảo, hướng dẫn tận tình của thầy giáo, PGS. TS. Trần Đình Khang - bộ môn Hệ thống thông tin – Viện Công Nghệ Thông Tin và Truyền Thông - trường Đại học Bỏch Khoa Hà Nội,em đó kịp thời khắc phục và có thể nói đồ án được hoàn thành ở một mức độ nhất định.Bờn cạnh những kết quả đó đạt được, chắc chắn em sẽ không tránh khỏi những thiếu sót và hạn chế. Sự phê bình, nhận xét của thầy cô là những bài học quý báu cho công việc và nghiờn cứu của em sau này. Một lần nữa em xin chân thành cảm ơn sự giúp đỡ của các thầy cô, đặc biệt là PGS. TS. Trần Đình Khang đã giúp đỡ em hoàn thành đồ ỏn tốt nghiệp này.Em cũng xin được gửi lời cảm ơn sâu sắc đến gia đình, bạn bè đã luôn ở bên, ủng hộ, động viên tinh thần cho em trong suốt quỏ trình thực hiện đồỏn. Xin kính chúc quý thầy cô mạnh khỏe,hạnh phúc, tiếp tục đạt được nhiều thành công trong nghiờn cứu khoa học cũng như trong sự nghiệp trồng người. Hà Nội, thỏng 5 năm 2010 Sinh viờn thực hiện Đào Mạnh Sơn TểM TẮT NỘI DUNG ĐỒ ÁN TỐT NGHIỆP Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 74 trường chứng khoán. Sử dụng kỹ thuật mô hình húa mờ trong dự báo tài chính có ý nghĩa thực tiễn rất lớn, đặc biệt trong lĩnh vực thị trường chứng khoán, và việc sử dụngphương phỏp mới này góp phần làm tăng độ chính xác trong kết quả tính toán so với cỏc phương phỏp đó từng được sử dụng trước đừy với tập mờ loại một thông thường. Mô hình xừy dựngtrong đồ ỏn dựa trờn nền tảng Hệ suy diễn mờ Mamdani, được kết cấu từ một bộ các mô hình mờ nhúng;sau đó lựa chọn ra mô hình phù hợp nhất để suy diễn với bất cứ một dữ liệu đầu vào cho trước nào. Kết qủa thực nghiệm trờn dữ liệu cổ phiếu do Michio Sugeno và Takahiro Yasukawa cung cấp trong “A Fuzzy - Logic - Based Approach to Qualitative Modeling”lEEE TRANSACTIONS ON FUZZY SYSTEMS, VOL. I, NO. I. FEBRUARY 1993. ABSTRACT OF THE THESIS My project introduces a new fuzzy system modeling method, that using Type 2 fuzzysetsin finance control, specifically, is stock price prediction in securities market. Applying fuzzy system modelling technology in finance prediction has a major practical meaning. Especially, in securities market area, and the usage of this new method can contribute to increasing degree of accuracy in calculating result in compared with the methods have used before with normal Type 1 fuzzy sets. The built model in project was based on the foundation of “ Mamdani Fuzzy Deducing System”, that was composited from a set of embedding fuzzy model; then choose the most appropriate model to deduce with any given input data. The experimental result on stock data supported by Michio Sugeno and Takahiro Yasukawa in “ A Fuzzy - Logic - Based Approach to Qualitative Modeling” LEEE TRANSACTIONS ON FUZZY SYSTEM, VOL. I. NO I. FEBRUARY 1993. PHIẾU GIAO NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP 1. Thông tin về sinh viên Họ và tờn sinh viờn: …Đào Mạnh Sơn…………………………………………………… Điện thoại liờn lạc: 0904 572 594EmailEmail Email:son.workingnow@gmail.com Lớp: HTTTB - K50 Hệ đào tạo: Hệ đào tạo: Hệ đào tạo: Đại học chính quy Đồ ỏn tốt nghiệp được thực hiện tại: Bộ môn HTTT – Viện CNTT & Truyền Thông Thời gian làm ĐATN: Từ ngày 16 / 02 / 2010 đến 28 / 05 / 2010 2. Mục đích nội dung của ĐATN 3. Cỏc nhiệm vụ cụ thể của ĐATN DANH MỤC BẢNG VÀ HốNH VẼ Hình 2. 1: Một số dạng hàm thuộc thông dụng…………………………………………. 16 Hình 2. 2: Hàm thuộc có mức chuyển đổi tuyến tính………………………………… 16 Hình 2. 3:Miền xỏc định và miền tin cậy của một tập mờ…………………………… 17 Hình 2. 4: Hàm thuộc tuyến tính từng khúc dạng tam giác (trimf) và dạng hình thang Hình 2. 6: Ví dụ về hàm thuộc loại hai. ………………………………………………….21 Hình 4. 14: Cấu trúc mô hình suy diễn, hàm thuộc của các biến vào ra và tập luật của mô THUẬT NGỮ VÀ CÁC TỪ VIẾT TẮT Thuật ngữ Giải thích FCM Viết tắt củaFuzzy C-Means, là phương pháp phân cụm mờ giúp chúng ta xác định các tâm cụm dữ liệu và độ thuộc của từng dữ liệu đối với từng cụm mờ LFR Viết tắt củaLinguistic Fuzzy Rulebase là cơ sở luật ngữ nghĩa dùng cho các mô hình mờ điển hình là mô hình Mamdani. FT2FS Viết tắt củaFull Type 2Fuzzy Sets, FT2FS là một bộ mờ đặc trưng với một hàm thuộc mờ hơn là với một giá trị vô hướng trong khoảng đơn vị IVT2FS Viết tắt củaInterval Type 2Fuzzy Sets, IVT2FS là một trường hợp đặc biệt của FT2FS khi có độ thuộc thứ cấp bằng 1 DT2FS Viết tắt củaDiscreteType 2Fuzzy Sets, giống với IVT2FS nhưng với cỏc giỏ trị rời rạc RMSE Viết tắt của Root Mean Square Error, sai số bình phương tiêu chuẩn là chỉ tiêu được dùng để đánh giá sai số trong đồ án. FDT Viết tắt của Fuzzy Decision Tree, là giải thuật cây quyết định dùng trong lo – gic mờ được Mohd Noor Md Sap và Rashid Hafeez Khokhar sử dụng để dự báo chiều tăng giảm của giá cổ phiếu. ANFIS Viết tắt của Adaptive Neuro-Fuzzy Inference System, là một kỹ thuật ghộpnối giữa điều khiển mờ và mạng nơ-ron đã mang lại nhiều thành công trong kỹ thuật điều khiển. NN Viết tắt củaNotron Network, là phương phỏp mạng nơ-ron. LR Viết tắt của Linear Regression, là phương pháp hồi quy tuyến tính LỜI MỞ ĐẦU Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 9 Kỹ thuật mô hình húa trải qua thời gian đã chứng tỏ được thế mạnh và tầm quan trọng của mình, nú giúp con người mô phỏng lại hệ thống thực, có thể bắt chước đủ chính xác hành vi của hệ thống đó, thể hiện qua phản ứng đầu ra của mô hình khi có tác động phía đầu vào so với thực nghiệm. Mô hình được xây dựng có ý nghĩa rất quan trọng trong thực tiễn, nú giúp con người tiết kiệm được chi phí cũng như hạn chế những tổn thất so với thực nghiệm trong thế giới thực. Bằng việc tiến hành kiểm thử trên mô hình chúng ta sẽ tiêu tốn ít thời gian hơn, công việc phải làm đơn giản hơn ví dụ như thay vỡ việc phải chờ đợi một thời gian dài để quan sát một phản ứng húa học trơ, ta có thể tiến hành trên một mô hình phản ứng mà công việc phải làm chỉ là cung cấp thông tin về lượng và chất tham gia phản ứng rồi quan sát kết quả thu được. Yếu tố thời gian ở đây coi như đã bị loại bỏ. Kĩ thuật mô hình húa dựa trên công nghệ logic mờ cũng hội tụ đầy đủ các đặc trưng trên. Tuy nhiên, lý thuyết tập mờ thông thường tiềm ẩn những mẫu thuẫn nhất định. Đó là để phát triển bất cứ mô hình logic mờ nào, người thiết kế phải xây dựng hàm thuộc cho các tập mờ trong hệ, hay là phải mô tả sự không chắc chắn bằng các hàm thuộc rõ ràng, chắc chắn. Điều đó có nghĩa là việc biểu diễn sự không chắc chắn lại sử dụng các độ thuộc mà bản thân chúng là các số thực chính xác. Năm 1975, Zadeh giới thiệu khỏi niệm tập mờ loại hai nhằm giải quyết vấn đề trên. Đó là thay vì độ thuộc là một số thực như với tập mờ thông thường, với tập mờ loại hai, độ thuộc là một tập mờ loại một trên đoạn [0, 1]. Tập mờ loại hai thường được sử dụng trong những trường hợp khó xác định chính xác giá trị độ thuộc của các phần tử trong không gian nền.Trong bỏo cỏo Đồ ỏn tốt nghiệp này, em xin được trình bày về một kĩ thuật mô hình húa mờ sử dụng tập mờ loại hai, một sự mở rộng của mô hình húa mờ sử dụng tập mờ loại một, từ đó ứng dụng vào hệ thống dự báo giá cổ phiếu trong thị trường chứng khoán. Em xin chừn thành cảm ơn. CHƯƠNG I: GIỚI THIỆU ĐỀ TÀI 1.1 GIỚI THIỆU ĐỀ TÀI Đề tài “Ứng dụng mô hình húa mờ trong dự báo giá cổ phiếu” là một trong những ứng dụng của logic mờ trong bài toán dự đoán. Đồ án giúp hiểu rõ hơn về lí thuyết tập mờ Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 10 loại hai là sự phỏt triển nừng cao của tập mờ loại một, và ứng dụng trong việc dự đoỏn giỏ cổ phiếu thị trường chứng khoỏn. Đồ án không chỉ giúp ta hiểu được về lí thuyết tập mờnừng cao, xây dựng được mô hình mờ mà còn giúp ta có thề mở rộng hướng phát triển, xây dựng được mô hình với độ chính xác cao hơn có thể áp dụng được vào bài toán thực tế. 1.2 MỤC TIÊU VÀ GIẢ I PHÁP 1.2.1 Mục tiêu Mục tiêu của đồ án là tìm hiểu về logic mờ sử dụng tập mờ loại hai rời rạc. Nghiên cứu và tìm hiểu về hệ mờ, mô hình húa hệ mờ dựa trên dữ liệu thực nghiệm và mô phỏng hệ thống nhằm dự đoán giá của cổ phiếu trong thị trường chứng khoỏn. 1.2.2 Giải pháp 1. 2. 2. 1 Tìm hiểu về logic mờ và mô hình húa. Tìm hiểu các lí thuyết cơ bản về logic mờ loại một. Các bước của một quá trình mô hình húa mờ sử dụng tập mờ loại hai rời rạc. 1. 2. 2. 2 Xừy dựng bộmô hình mờ loại một nhúng. Mô hình suy diễn mờ nhúng loại một dựa trên cơ sở mô hình mờ Mamdani với bađầu vào và một đầu ra. Biến vào thể hiện thông tin giá cổ phiếu ngày cần dự báo. Thông tin đầu vào đã qua xử lí thô trước khi đưa vào học luật. Xừy dựng tập luật cho mỗi mô hình mờ loại một nhúng từ dữ liệu thực nghiệm dựa theo phương phỏp phừn cụm Fuzzy C - Means với cỏc giỏ trị độ mờ ( kí hiệu m- xác định độ chồng chéo giữa các cụm mờ ), và với số cụm mờ ( kí hiệu c ) khác nhau. 1. 2. 2. 3 Xây dựng mô hình mờ loại hai Sau khi xừy dựng được bộ các mô hình mờ loại một nhúng,chúng được kết hợp với nhau tạo thành mô hình mờ loại hai, mỗi quan hệ thông qua bảng tra cứu m ( m - lookup table ). Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 11 Bước khởi tạo, cấu trúc mô hình được lựa chọn theo tri thức tiên nghiệm. Kế đến giai đoạn điều khiển thích nghi được tiến hành trên tập dữ liệu mẫu. Tiếp theo, hiệu năng hoạt động của mô hình được kiểm thử, thông thường là kết hợp cả phương pháp định tính và phương pháp thống kê. Nếu mô hình sinh ra không đáp ứng được yêu cầu, thiết kế ban đầu sẽ được sửa lại, và quá trình trên lặp lại cho tới khi một mô hình chấp nhận được ra đời. Để tới đích, quá trình có thể trải qua một lượng đáng kể các bước lặp và do đó chi phí tính toán cũng như thời gian là khá lớn. Hình 2.7: Sơ đồ chu trình nhận dạng hệ thống tổng quát. Mô hình húa mờ: Nhìn chung, quá trình mô hình hoá mờ liờn quan tới ba giai đoạn, Giai đoạn đầu tiên thực hiện việc lựa chọn cấu trúc mô hình. Cấu trúc mô hình chứa đựng đặc tả cơ bản của mô hình mờ bao gồm các thông tin về đầu vào, đầu ra mô hình, các giá trị ngôn ngữ biểu diễn mỗi biến mờ, các định nghĩa hàm thuộc đặc trưng cho mỗi giá trị ngôn ngữ, định nghĩa toán tử hợp thành sử dụng trong suy diễn, cơ chế mờ hoá và khử mờ, vân vân. Các thông tin này có thể thu thập từ tri thức về vật lý hệ thống, thông thường được biểu diễn dưới dạng công thức toán học. Cũng có khi, các thông tin này được khai thác từ những dữ liệu thực nghiệm trên hệ thống thực. Kinh nghiệm của những thao tác viên hệ thống biểu Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 21 để chia tập dữ liệu huấn luyện ra thành c cụm, với i=1. . . c , r = 1 NM và c = c min . . . c max . sau đó tâm cụm thứ i sẽ sinh ra tập tiền đề kích cỡ NV và tập kết luận ( là các tập mờ ) được kí hiệu như sau : , Sau khi xỏc định v i X, r, c và v i Y, r, c cho mỗi cặp (m r ,c), thì chúng ta cũng đã xác định được cấu trúc mô hình tập mờ loại hai rời rạc cho tất cả cỏc trường hợpc= c min . . . c max . Với tập luật : Trong đó i = 1, , c và r=1, , NM. Mỗi một mô hình mờ nhúng sẽ có một bộ luật cơ sở riêng tương ứng khi cho dữ liệu luyện tập vào huấn luyện. 3. 2 XÂY DỰNG Mễ HốNH MỜ NHÚNG SỬ DỤNG TẬP MỜ LOẠI HAI Mô hình mờ sử dụng tập mờ loại hai rời rạc sử dụng trong đồ án này được xây dựng từ bộ mô hình mờ nhúng loại một nói trên. Sau khi thực hiện giải thuật phân cụm dữ liệu FCM, gán nhãn cho từng cụm và xác định bộ luật cơ sở cho từng mô hình nhúng ta kết hợp bộ mô hình đó tạo thành mô hình mờ loại hai, các mô hình mờ nhúng liên kết với nhau thông qua bảng tra cứu m (m - lookup table) sẽ được trình bày ở phần sau. 3.2. 1Tối ưu mô hình mờ loại hai Xỏc định số lượng phừn cụm tối ưu : Với c = c min . . . c max , k=1. . . ND. Vậy ta có được tổng sai số bình phương cho một số lượng cụm c cụ thể sẽ là SSE(c). SSE(c) được tính như sau : Với c = c min . . . c max . Số lượng luật tối ưu c* lúc đó sẽ được xác định bằng biểu thức sau : Ở bước này, số lượng cụm tốt nhất c* đó được chọn và tất cả cỏc tham số tiền đề và kết luận được xỏc định cho c* với cỏc giỏ trị độ mờ khỏc nhau, m M. 3.2. 2 Xừy dựng bảng tra cứu m Bước cuối cùng của công đoạn xác định cấu trúc mô hình sẽ là xây dựng bảng tra cứu m. Kí hiệu m k là giá trị độ mờ tối ưu ứng với một mô hình mờ loại một nhúng có sai số bình phương nhỏ nhất cho dữ liệu huấn luyện đầu vào thứ k. m k được xỏc định như sau : Ở đây ta đã xác định xong tất cả các tham số của tập tiền đề, kết luận và xác định được bảng tra cứu m. Vậy bước xác định cấu trúc mô hình đã được hoàn thành. Các vấn đề trình bày trong chương đều được khái quát húa thông qua các biểu diễn toán học. Cơ sở luật được tạo ra từ các thuật toán này sẽ được sử dụng để biểu diễn mô hình mờ Mamdani nhúng với công cụ của Matlab sẽ được trình bày trong chương tiếp theo. CHƯƠNG IV: XÂY DỰNG HỆ THỐNG DỰ BÁO GIÁ CỔ PHIẾU TRONG THỊ TRƯỜNG CHỨNG KHOÁN 4. 1 GIỚI THIỆU CễNG CỤ MATLAB MATLAB là một môi trường tớnh toỏn số và lập trình, được thiết kế bởi công tyMathWorks. MATLAB cho phộp tớnh toỏn số với ma trận, vẽ đồ thị hàm số hay biểu đồ thông tin, thực hiện thuật toỏn, tạo các giao diện người dùng và liên kết với nhữngchương trình máy tính viết trờn nhiều ngôn ngữ lập trình khác. Với thư viện Toolbox, MATLAB cho phép mô phỏng tính toán, thực nghiệm nhiều mô hình trong thực tế và kỹ thuật, trong đó bộ thư viện về hệ mờ loại một ( Fuzzy Inference System ) bao gồm các mô hình Mamdani và Tagaki - Sugeno rất hữu ích cho ta xây dựng mô hình mờ loại haitrong đồ ỏn này. 4.1.1 Xây dựng mô hình mờ với Fuzzy Logic Toolbox của Matlab Sử dụng Fuzzy Logic Toolbox trong MATLAB chúng ta có các công cụ để xây dựng các hệ suy diễn. Dùng lệnh sau để xem chi tiết về hộp công cụ này >> help fuzzy Sử dụng giao diện đồ họa để mô phỏng một số hệ mờ. Matlab cung cấp 5 tool giao diện chính cho việc xây dựng, chỉnh sửa, và quan sát trong hộp công cụ: Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 48 Hình 4. 5: Định nghĩa hàm thuộc cho từng biến Ở cửa sổ này ta có thể định nghĩa miền xác định, miền hiển thị. Một số dạng hàm thuộc được Matlab cung cấp như gaussmf, gbellmf. sigmf…. . và các tham số hệ thống tương ứng của các hàm thuộc. 4. 1. 1. 3 Rule editor Ở cửa sổ này cho phộp tạo ra cỏc luật bằng cỏch kết hợp cỏc biến vào và ra bằng cỏc phộp logic and hay or ở mệnh đề điều kiện. Để vào được cửa sổ này ta chạy lệnh sau: >> ruleedit Cách thực hiện được chỉ ra như hình sau: [...]... tảng mô hình mờ Mamdani với cả tập tiền đề và kết luận đều được biểu diễn bằng giá trị ngôn ngữ, còn phương pháp Anfis trên sử dụng mô hình mờ Sugeno với tập kết luận biểu diễn bằng một hàm o Thứ hai, phương pháp đề xuất trong đồ án sử dụng tập một bộ các mô hình mờ nhúng để chọn lựa suy diễn,còn Anfis chỉ có một mô hình mờ Ngoài ra còn có một số phương pháp khác mà khi áp dụng cùng một bộ dữ liệu nh trong. .. lần lượt trình bày từng bước để xây dựng một hệ suy diễn mờ cho bài toán dự báo: Từ các nền tảng cơ sở về mô hình húa, các thuật toán xây dựng cơ sở luật từ thực nghiệm cho đến thuật toán điều chỉnh tối ưu cỏc tham số hệ thống Trong chương IV ta đó triển khai ý tưởng và thuật toỏn, giải quyết được vấn đề đặt ra của đồ ỏn :Ứng dụng mô hình húa mờ trongdự bỏo giỏ cổ phiếu. Sau đó đó tiến hành đỏnh giỏ kết... nhúng từ đó kết hợp tạo thành bộ mô hình mờ cần dùng trong đồ án Gồm các chức năng : + Chức năng chọn bộ dữ liệu huấn luyện: dữ liệu được người dùng đưa vào thống để huấn luyện + Chức năng nhập bộ tham số mô hình {m,c} trong đó m là mức độ mờ, c là số phừn cụm mờ - Chức khởi tạo mô hình : Mục đích tạo ra các mô hình mờ nhúng Bao gồm: + Tạo mô hình mờ nhúng + Tối ưu theo tham số c vơi số lượng cụm tốt... quanh các vấn đề dự báo giá cổ phiếu luôn được chú ý và quan tâm của không chỉ các nhà phân tích tài chính mà cả những nhà đầu tư chứng khoán hay tất cả những người hoạt động kinh doanh trong lĩnh vực liờn quan Đã có rất nhiều các cỏch sử dụng cỏc giải thuật khỏc nhauđể dự bỏo giỏ của cổ phiếu, sau đây em sẽ trình bày một số phương pháp : Phương phỏp cừy quyết định mờ (FDT) Sử dụng trong Fuzzy Decision... dữ liệu mẫu lấy theo giá mở cửa, giá đóng cửa, giỏ cao nhất, giỏ thấp nhất và khối lượng giao dịch trong ngày, kết quả ta có thể sinh một cừy quyết định mờ Hình 4.23 : Bộ dữ liệu mẫu và dữ liệu huấn luyện mô hình theo giải thuật FDT Hình 4.24 : Cừy quyết định dự bỏo giỏ cổ phiếu - - Ưu điểm: + Phương phỏp trờn có khả năng biểu diễn nhanh, trực quan chiều tăng giảm củagiỏ cổ phiếu + Bộ dữ liệu mẫu... người có trình độ chuyên sâu Hệ thống suy luận nơron - mờ thích nghi (ANFIS ) Sử dụng trong “Momentum Analysis based Stock Market Prediction using Adaptive Neuro-Fuzzy Inference System (ANFIS)” Ta có hệ suy diễn mờ và kiến trúc mô hình của phương phỏp: Hình 4.25 : Hệ suy diễn mờ Anfis Hình 4 26 : Kiến trúc mạng nơron Mô hình dựa trên hệ suy diễn mờ Sugeno với bộ luật có dạng như sau : Rule 1: if (x... (Trimf) Hình 4 11: Dạng hàm thuộc tương ứng với cỏc biến vào ra Từ tập luật thu được bằng thực nghiệm, được đưa vào mô hình thông qua màn hình Rule Editor Hình 4.12: Tập luật được học từ tậpdữ liệu huấn luyện Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 58 - Chức năng nhập dữ liệu: Mục đích để đưa vào bộ dữ liệu luyện tập để huấn luyện bộ mô hình mờ nhúng từ đó kết hợp tạo thành bộ mô hình mờ cần... 63 Hình 4 19: Giao diện chương trình Để khởi tạo mô hình ta click button “Import Traning Data”: Hình 4.20: Chọn bộ dữ liệu huấn luyện Sau đó ta click button “Setup System” để khởi tạo mô hình dùng cho hệ thống Sinh viờn thực hiện: Đào Mạnh Sơn – HTTT – K49 Page 64 Tiếp đến để tối ưu mô hình theo tham số ctaclick button “Optimal c” Hình 4 21: Chức năng Optimal c Và bước cuối cùng trong khởi tạo mô hình. .. giao dịch chứng khoỏn trong thực tế giúp mọi người dễ dàng tìm kiếm được thông tin Nhược điểm: + Chúng ta chỉ có thể dự báo rằng giá cổ phiếu tăng hay giảm mà không biết cụ thể là bao nhiêu, nhiều hay ít + Với bộ dữ liệu mẫu lớn thì kích cỡ cây quyết định cũng tăng theo dẫn đến rắc rối cho người dùng So sỏnh: o o Phương pháp được sử dụng trong đồ án giúp ta có thể biết được chính xác giá cổ phiếu tăng... bằng giá trị ngôn ngữ còn tập kết luận đầu ra thì được biểu diễn bằng một hàm Áp dụng bộ dữ liệu cổ phiếu : 1 1 1 1 1 1 2 2 2 1 2 2 Hình 4.27 : Các bộ dữ liệu kiểm thử và kết quả cho mô hình Anfis Ưu nhược điểm của phương phỏp: - Ưu điểm: + Nhờ có việc đánh giá trọng số của các luật trong bộ luật cơ sở mà phương pháp Anfis có kết quả chính xác hơn So sỏnh: o Thứ nhất, phương pháp trong đồ án dựa trên . đó ứng dụng vào hệ thống dự báo giá cổ phiếu trong thị trường chứng khoán. Em xin chừn thành cảm ơn. CHƯƠNG I: GIỚI THIỆU ĐỀ TÀI 1.1 GIỚI THIỆU ĐỀ TÀI Đề tài Ứng dụng mô hình húa mờ trong dự. mờ loại một. Các bước của một quá trình mô hình húa mờ sử dụng tập mờ loại hai rời rạc. 1. 2. 2. 2 Xừy dựng b mô hình mờ loại một nhúng. Mô hình suy diễn mờ nhúng loại một dựa trên cơ sở mô hình. hệ mờ, mô hình húa hệ mờ dựa trên dữ liệu thực nghiệm và mô phỏng hệ thống nhằm dự đoán giá của cổ phiếu trong thị trường chứng khoỏn. 1.2.2 Giải pháp 1. 2. 2. 1 Tìm hiểu về logic mờ và mô hình