1 DỰ BÁO LẠM PHÁT TẠI VIỆT NAM BẰNG MÔ HÌNH MẠNG THẦN KINH NHÂN TẠO Nguyễn Khắc Hiếu Đại học Sư Phạm Kỹ Thuật Tp.HCM hieunk@hcmute.edu.vn Tóm tắt Nguyễn Thị Anh Vân Đại học Sư Phạm Kỹ Thuật Tp.HCM vannta@hcmute.edu.vn Lạm phát vấn đề mà nhà hoạch định sách, doanh nghiệp nhà đầu tư quan tâm Có nhiều mô hình dự báo lạm phát, mô hình dự báo có ưu nhược điểm riêng Bài viết nhằm so sánh hiệu dự báo mô hình mạng thần kinh nhân tạo (Artificial Neural Network: ANN) mô hình phân phối độ trễ tự hồi quy (Autoregressive Distributed Lag: ARDL) dự báo lạm phát theo tháng Việt Nam Kết cho thấy, mô hình ANN dự báo mẫu tốt mô hình ARDL tiêu chí R2, RMSE MAE Đối với dự báo mẫu, mô hình ANN dự báo tốt tiêu chí RMSE R2 Nhìn chung, mô hình ANN dự báo lạm phát Việt Nam tốt mô hình ARDL Từ khoá: Dự báo, Lạm phát, Mạng thần kinh nhân tạo (ANN), ARDL Abstract Policy makers, entrepreneurs and investors are therefore very interested in inflation There are many inflation forecasting models; each one has its own strength and weakness This paper aims to compare the effectiveness of Artificial Neural Network (ANN) and Auto Regression Distribution Lag (ARDL) model in forecasting inflation of Vietnam The comparison results reveal that ANN model performs better than ARDL in-sample forecasting for all criteria Out-ofsample forecasting, ANN is better than ARDL for Root Mean Square Error and R2 criterion but for Mean Absolute Error criterion In general, ANN performs better than ARDL in forecasting inflation of Vietnam Keywords: Forecast, Inflation, Artificial Neural network (ANN), ARDL Giới thiệu Đối với nước phát triển, lạm phát mục tiêu công cụ hữu ích điều hành kinh tế vĩ mô (Mandonca & Souza, 2012) Theo Khan & Senhadji ( 2001) lạm phát mục tiêu cho nước phát triển 1-3%, cho nước phát triển 11-12% Còn Việt Nam, Trần Hoàng Ngân cộng (2013) cho rằng, lạm phát mục tiêu hay lạm phát tối ưu nên mức 5-7% Nếu lạm phát cao lạm phát tối ưu gây tác động tiêu cực như: làm tăng chi phí sản xuất cho doanh nghiệp, tăng chi phí sử dụng vốn, làm giảm sức mua người tiêu dùng, đặc biệt người sống nhờ vào lương Ngược lại, lạm phát thấp hay giảm phát xảy làm kinh tế trì trệ không phát triển 2 Chính vậy, nhà nước cần kiểm soát lạm phát sát với lạm phát mục tiêu, mặt giúp ổn định kinh tế vĩ mô, mặt khác giúp kinh tế phát triển Để kiểm soát lạm phát sát với lạm phát mục tiêu, nhà làm sách cần phải biết yếu tố tác động đến lạm phát, dự báo lạm phát tương lai, từ có điều chỉnh phù hợp nhằm đạt mục tiêu đặt Có nhiều mô hình dự báo lạm phát khác nhau, mô hình có ưu nhược điểm riêng Tại Việt Nam, có nhiều mô hình dự báo lạm phát tác giả như: Phạm Thị Thu Trang (2009), Nguyễn Trọng Hoài (2010), Vũ Sỹ Cường (2011), Sử Đình Thành (2012)…v.v Các công trình sử dụng mô hình kinh tế lượng để xây dựng mô hình dự báo Tuy nhiên, việc ứng dụng mô hình ANN vào dự báo lạm phát Việt Nam chưa nghiên cứu nhiều Bài viết nhằm nghiên cứu khả ứng dụng mô hình ANN vào dự báo lạm phát Việt Nam so sánh khả dự báo mô hình ANN mô hình ARDL dựa tiêu chí R2, RMSE MAE Cơ sở lý thuyết 2.1 Các mô hình dự báo lạm phát Trong giới hạn viết tác giả chia mô hình dự báo lạm phát làm hai nhóm: nhóm mô hình kinh tế lượng nhóm mô hình ANN Các mô hình kinh tế lượng: Trong thực tế, có nhiều mô hình kinh tế lượng ứng dụng vào dự báo lạm phát đặc biệt mô hình chuỗi thời gian AR, VAR, ARDL, ARIMA…v.v Tại Việt Nam, Vũ Sỹ Cường (2011) sử dụng mô hình VAR để phân tích lạm phát khẳng định lạm phát Việt Nam chịu ảnh hưởng rõ rệt từ sách tài khoá Sử Đình Thành (2012) sử dụng mô hình ARDL để phân tích mối quan hệ lạm phát thâm thụt ngân sách từ đưa gợi ý sách điều hành kinh tế vĩ mô Tại Mỹ, Binner cộng (2006) ứng dụng mô hình AR vào dự báo lạm phát, nhiên nhóm tác giả khẳng định dự báo lạm phát mô hình AR không tốt mô hình tự hồi quy Markov (MS-AR) Tại Bangladesh, Faisal (2012) ứng dụng mô hình ARIMA để dự báo lạm phát đồng thời đưa gợi ý sách để kiểm soát lạm phát điều hành kinh tế vĩ mô Ngoài mô hình chuỗi thời gian tuyến tính, mô hình phi tuyến sử dụng để dự báo lạm phát Điển hình Michael Dotsey cộng (2011) nghiên cứu khả ứng dụng đường cong Philip dự báo lạm phát khẳng định dự báo lạm phát đường cong này, đặc biệt kinh tế yếu (weak economies) Nguyễn Trọng Hoài (2010) sử dụng luật Taylor để phân tích lạm phát đưa gợi ý sách điều hành kinh tế vĩ mô Các mô hình ANN: Bên cạnh mô hình kinh tế lượng, có nhiều công trình nghiên cứu ứng dụng mạng thần kinh nhân tạo dự báo lạm phát khẳng định tính ưu việt mô hình so với mô hình kinh tế lượng Moshiri & Cameron (2000) khẳng định: dài hạn lạm phát (tại Canada) dự báo mô hình ANN cho kết tốt so với mô hình VAR ARIMA Tại Mỹ, Nakamura (2005) sử dụng mô hình ANN để dự báo lạm phát, kết cho thấy ngắn hạn mô hình ANN dự báo tốt mô hình AR Ngoài ra, McNelis & McAdam (2005) khẳng định: lạm phát có quan hệ phi tuyến với biến số kinh tế khác, họ sử dụng mô hình “thick model”, kết hợp nhiều mạng ANN để dự báo lạm phát Mỹ số quốc gia Châu Âu Kết cho thấy, mô hình ANN dự báo không thua so với mô hình hồi quy tuyến tính Tiếp theo, Haider Hanif (2009) ứng dụng mô hình ANN, AR(1) ARIMA dự báo lạm phát Pakistan khẳng định mô hình ANN dự báo xác AR(1) ARIMA Duzgun (2010) sử dụng mô hình ANN để dự báo lạm phát Thổ Nhĩ Kỳ khẳng định: mô hình ANN dự báo lạm phát vượt trội so với mô hình ARIMA Còn Việt Nam, Lê Đạt Chí (2010) ứng dụng mô hình ANN vào dự báo giá chứng khoán Tp.HCM kết luận: mô hình ANN cho kết dự báo xác mô hình hồi quy tuyến tính truyền thống Gần đây, Choudhary & Haider (2012) ứng dụng mô hình ANN AR(1) dự báo lạm phát 28 quốc gia thuộc Tổ chức Hợp tác Phát triển Kinh tế (OECD) khẳng định: mô hình ANN giải thích 45% biến động lạm phát mô hình AR(1) giải thích 23% biến động lạm phát Ngoài công trình khẳng định tính ưu việt, có công trình nêu hạn chế mô hình ANN Zhang cộng (1998) khẳng định mô hình ANN dự báo tốt cho trường hợp phi tuyến mối quan hệ tuyến tính, mô hình ANN dự báo không tốt mô hình hồi quy tuyến tính Trong nghiên cứu khác Binner cộng (2010) lạm phát kinh tế Mỹ, nhóm tác giả kết luận mô hình KRLS dự báo tốt mô hình ANN Ngoài ra, nghiên cứu Zhang (2003); Khashei & Bijari (2011) kết luận thêm mô hình lai tạo (hybrid model) ANN ARIMA cho kết dự báo tốt sử dụng mô hình đơn lẻ Tóm lại, có nhiều kết luận khác liên quan đến hiệu dự báo mô hình ANN tùy thuộc vào quốc gia tùy thuộc vào liệu mà nhà nghiên cứu sử dụng Trong phần tiếp theo, tác giả trình bày kỹ ANN hiệu dự báo so với mô hình hồi quy tuyến tính, sử dụng liệu kinh tế vĩ mô Việt Nam 2.2 Mạng thần kinh nhân tạo cấu trúc mạng thần kinh nhân tạo Mạng thần kinh nhân tạo mạng gồm nơ-ron nhân tạo kết hợp với dựa đặc tính mạng thần kinh người Mạng thần kinh nhân tạo McCulloch Pitts giới thiệu vào năm 1943 Sau đó, mô hình hoàn thiện nhà khoa học khác ứng dụng nhiều lĩnh vực kỹ thuật Ngày nay, mô hình ANN ứng dụng nhiều kinh doanh kinh tế đặc biệt dự báo định kinh doanh Có hai loại cấu trúc ANN Mạng truyền thẳng (Feed forward Networks) mạng có hồi tiếp (Recurrent Networks) Bài viết tập trung nghiên cứu mạng truyền thẳng Đối với mạng thần kinh truyền thẳng, nơron nhân tạo xếp thành lớp: lớp vào, lớp ẩn lớp (hình 1) 4 Lớp vào nơi nhận tín hiệu đầu vào Các tín hiệu số, liệu thô đầu mạng nơ-ron khác Các giá trị tác động đến nơ-ron lớp ẩn thông qua trọng số wij Tại lớp ẩn, tín hiệu lớp vào xử lý hàm kích hoạt (activate function), thường hàm Sigmoid1 hàm Tan-hyperbolic2 sau tín hiệu truyền qua lớp thông qua trọng số wjk Hj X1 … … Tín hiệu Xi vào wịj i wjk j … … Xm 1 Y1 … … k Yk Tín hiệu … … m q n Lớp vào Lớp ẩn Lớp Yn Hình 1: Cấu trúc mạng thần kinh nhân tạo truyền thẳng lớp ẩn Nguồn: Phạm Hữu Đức Dục, 2009 Tương tự mô hình hồi quy tuyến tính, mô hình ANN xác lập mối quan hệ tập hợp biến đầu vào Xi ( i  1, m ) với nhiều biến đầu Yk ( k  1, n ) dựa vào liệu khứ Điều khác biệt tồn “lớp ẩn” (hidden layer), lớp liên kết lớp vào lớp mạng nơ-ron Chính lớp ẩn giúp cho mô hình mạng thần kinh có khả mô mối tương quan phi tuyến tốt so với mô hình truyền thống Mục tiêu mô ANN tính toán dự báo giá trị biến đầu với tập hợp thông tin biến đầu vào cho trước Mô hình ANN “huấn luyện” để “học” từ thông tin khứ Từ đó, mạng đưa kết dự báo dựa học Quá trình tiến hành thuật toán huấn luyện mạng, phổ biến thuật toán lan truyền ngược (back-propagation algorithm) thuật toán di truyền (genetic algorithm) 2.3 Ước lượng hệ số mô hình ANN thuật toán lan truyền ngược Để tính toán tín hiệu đầu theo tín hiệu vào ta phải có hàm kích hoạt lớp ẩn Có hai hàm kích hoạt thường sử dụng hàm Sigmoid hàm Tan-hyperbolic Đối với ANN lớp ẩn, ứng với tín hiệu đầu vào Xi trọng số wij, ta có tín hiệu nơron Hj là: f(x) = 1/(1+e-x) f(x) = (ex-e-x)/(ex+e-x) n H j  f ( X i wij ) (1) i 1 Sau có tín hiệu lớp ẩn Giá trị Yˆk (ước lượng) tính sau3: q q n Yˆk  f ( H j * w jk )  f ( f ( X i wij ) * w jk ) j 1 j 1 (2) i 1 Ứng với quan sát thứ t ( t  1, T ), tín hiệu đầu mạng ký hiệu Yˆk ,t , tín hiệu thực tế ký hiệu Yk,t , độ lệch Yˆk ,t Yk,t gọi sai số Việc ước ượng tham số mô hình ta tìm trọng số wij wjk cho tổng bình phương sai số bé Hay tìm giá trị bé hàm mục tiêu E(w) sau đây: T n E ( w)   (Yk ,t  Yˆk ,t ) 2 t 1 k 1 (3) Vì hàm E(w) hàm phi tuyến theo w nên ta tìm trọng số w giống cách tìm hệ số β phương trình hồi quy tuyến tính (OLS) Ta tính toán trọng số w thuật toán gọi thuật toán lan truyền ngược sai số Thuật toán lan truyền ngược sai số Thuật toán lan truyền ngược sai số thuật toán phức tạp Theo Sarle (1994) để sử dụng mạng thần kinh nhân tạo ta không thiết phải nắm thuật toán lan truyền ngược sai số Ý tưởng thuật toán là: w thay đổi E(w) thay đổi ứng hàm E(w) có tập giá trị trọng số w mà làm cho hàm E(w) đạt giá trị cực tiểu Để ước lượng trọng số w thuật toán lan truyền ngược sai số, ta gán cho mạng trọng số w ban đầu, từ trọng số ta tính toán giá trị hàm E(w) Sau ta điều chỉnh trọng số w cho trọng số làm cho hàm E(w) bé Phương pháp gọi phương pháp hạ gradient (Phạm Hữu Đức Dục, 2009) Giá trị điều chỉnh là: w  wnew  wold  E / w (4) Quá trình tìm trọng số thích hợp cho mạng gọi trình học Hằng số η gọi số học Quá trình học lặp lặp lại Δw gần (nhỏ mức sai số cho trước) điều kiện dừng học kích hoạt Điều kiện dừng học thiết lập nhằm tránh tình trạng học (over-fitting) f(x) hàm kích hoạt Dữ liệu nghiên cứu phương pháp nghiên cứu 3.1 Dữ liệu nghiên cứu Các số liệu nghiên cứu thu thập theo tháng từ năm 2001 đến 2012, tổng cộng có 144 quan sát Trong 132 quan sát sử dụng để thiết lập mô hình, 12 quan sát cuối sử dụng để kiểm tra dự báo mẫu  Lạm phát IF(%) thu thập từ tổng cục thống kê (GSO) tính theo số giá tiêu dùng CPI  Thay đổi cung tiền tháng sau so với tháng trước DM2 (%) thu thập từ Quỹ tiền tệ quốc tế (IMF)  Lãi xuất cho vay R (%) thu thập từ Quỹ tiền tệ quốc tế (IMF)  Thay đổi giá dầu DOIL (%) thay đổi giá dầu tháng sau so với tháng trước DOIL thu thập từ ngân hàng giới (WB) 3.2 Phương pháp nghiên cứu Bài viết sử dụng phương pháp định lượng dự báo cụ thể ứng dụng mô hình ANN mô ARDL vào dự báo lạm phát theo tháng Việt Nam Xây dựng mô hình ANN Để xây dựng cấu trúc mạng ANN, ta cần thực bước sau đây: Bước 1: Xác định biến đầu vào đầu mô hình Để xây dựng mạng ANN ta phải tìm biến đầu vào đầu thích hợp cho mô hình Dữ liệu đầu vào biến chuỗi thời gian ta phải tìm độ trễ thích hợp Tang & Fishwick (1993) đề xuất sử dụng phương pháp Box-Jenkins để tìm độ trễ thích hợp Tuy nhiên, phương pháp không thực tốt độ trễ thành phần AR thích hợp với mối liên hệ tuyến tính mô hình ANN mô hình mô quan hệ phi tuyến Sharda & Patil (1992) đề xuất sử dụng 12 độ trễ cho liệu theo tháng độ trễ cho liệu theo quý Bài viết sử dụng cách tiếp cận Sharda & Patil cho độ trễ biến độc lập Tất 12 độ trễ biến độc lập đưa vào mô hình, sau chạy thử mô hình, biến có ý nghĩa bị loại khỏi mô hình Kết cuối cùng, tác giả giữ lại biến sau cho mô hình dự báo 7 IFt-1 Trọng số w IFt-12 DOILt Các lớp ẩn DOILt-1 DOILt-6 hàm kích hoạt Rt IFt Rt-2 DM2t-1 DM2t-3 Month Hình 2: Mô hình mạng thần kinh nhân tạo dự báo lạm phát4 Nguồn: Phân tích nhóm tác giả Bước 2: Chuẩn hoá liệu đầu vào, đầu chọn hàm kích hoạt Do liệu lạm phát có giá trị âm, nên hàm kích hoạt trường hợp sử dụng hàm Tan-hyperbolic liệu chuẩn hoá theo phân phối chuẩn Bước 3: Xây dựng lựa chọn cấu trúc mạng Khi xây dựng cấu trúc mạng ANN ta gặp phải câu hỏi: đâu cấu trúc tối ưu mạng ANN liệu cho? Hiện nay, nhà nghiên cứu chưa đưa phương pháp xác định cấu trúc tối ưu mạng ANN Quá trình xây dựng cấu trúc mạng trình thử sai (try and error) Nhiều mô hình mạng đưa cách thay đổi số nơ-ron lớp ẩn số lớp ẩn mô hình Sau đó, ta dùng liệu để huấn luyện mạng Mô hình cho kết dự báo tốt ta hình lựa chọn Xây dựng mô hình phân phối độ trễ tự hồi quy (ARDL) Phần áp dụng cách tiếp cận Tinbergen (1949) xây dựng mô hình ARDL Trước tiên, để tránh tượng hồi quy giả tạo, tác giả kiểm định tính dừng tất biến đưa vào mô hình Kế đến, để tìm biến độc lập tác động có ý nghĩa lạm phát, tác giả đưa độ trễ (từ nhỏ đến lớn) vào mô hình, trình dừng lại độ trễ đưa thêm vào ý nghĩa thống kê Mô hình ARDL(p,q) đưa vào ước lượng có dạng sau: IFt-1: giá trị lạm phát có độ trễ tháng Biến Month biến mã hoá giá trị 12 tháng năm đại diện cho yếu tố mùa vụ lạm phát 8 p q q q 11 i 1 j 0 j 0 j 0 k 1 IFt     i * IFt i    j * DM 2t  j    j * DOILt  j   j * Rt  j    k * Dk Trong Dk biến Dummy đại diện cho khác biệt lạm phát 12 tháng năm Kết nghiên cứu 4.1 Thống kê mô tả liệu Dữ liệu đưa vào phân tích có bốn biến chính, là: Lạm phát (IF), thay đổi cung tiền (DM2), thay đổi giá dầu giới (DOIL) lãi suất cho vay (R) Bảng sau thể giá giá trị thống kê mô tả biến Bảng Thống kê mô tả biến số IF DM2 DOIL R Trung bình 0,0071 0,0196 0,0131 11,689 Trung vị 0,0049 0,0185 0,0254 11,175 Lớn 0,0390 0,0853 0,1898 20,250 Nhỏ -0,0085 -0,0176 -0,2679 8,4600 Độ lệch chuẩn 0,0090 0,0174 0,0811 2,7759 144 144 144 144 Số quan sát Nguồn: Tính toán nhóm tác giả 4.2 Kết ước lượng mô hình Mô hình mạng thần kinh nhân tạo: Như phân tích phần 3.2, việc xây dựng mạng ANN tác giả tiếp cận theo phương pháp Sharda & Patil (1992) Kết cuối cùng, 10 biến sau chọn làm biến đầu vào cho mô hình ANN: IFt-1, IFt-12, DOIL, DOILt-1, DOILt-6, Rt, Rt-2, M2t-1, M2t-3, Month Hàm kích hoạt sử dụng hàm Tan-hyperbolic liệu chuẩn hoá theo phân phối chuẩn Quá trình xây dựng lớp ẩn cho mạng ANN trình thử sai Ta thay đổi số lớp ẩn số nơron lớp ẩn Để tìm mô hình ANN tốt nhất, tác giả lựa chọn mô hình sau để đưa vào phân tích: Bảng Ký hiệu mô hình ANN 10 Số nơron lớp ẩn 10 Số biến vào Số nơron lớp ẩn Số biến Ký hiệu ANN-10-5-1 ANN-10-4-1 10 ANN-10-3-1 10 ANN-10-7-4-1 10 ANN-10-7-3-1 10 ANN-10-5-3-1 10 ANN-10-5-2-1 Nguồn: Đề xuất nhóm tác giả Việc huấn luyện mạng thực phần mềm SPSS, liệu bao gồm 132 quan sát (2001M01-2011M12), 70% sử dụng cho tập huấn luyện 30% sử dụng cho tập xác nhận Quá trình phân chia thực cách ngẫu nhiên Sau trình huấn luyện mạng kết thúc, ứng với mạng ANN ta có trọng số mô hình Ứng với mạng ANN ta có trọng số khác Sau chi tiết trọng số mô hình ANN-10-5-2-1 (mô hình chọn làm đại diện cho nhóm mô hình ANN) 10 Bảng Các trọng số ước lượng mô hình ANN-10-5-2-1 Các biến Lớp ẩn Các biến vào (Bias) Lớp vào H(1:1) H(1:2) H(1:3) Lớp ẩn H(1:4) H(1:5) -0,018 1,079 0,006 0,215 0,344 [month=1] -0,087 0,636 0,237 0,121 0,566 [month=2] -0,701 0,747 -0,750 0,673 -0,064 [month=3] 0,875 -0,875 0,159 -0,347 -0,653 [month=4] 0,082 0,237 0,058 -0,182 -0,456 [month=5] 0,260 0,825 0,345 -0,414 0,018 [month=6] 0,363 0,079 0,503 -0,201 0,252 [month=7] 0,230 -0,299 0,766 -0,397 0,057 [month=8] -0,112 -0,583 -0,354 -0,365 0,154 [month=9] -0,567 0,202 0,405 -0,181 -0,116 [month=10] -0,165 -0,012 0,343 0,580 -0,323 [month=11] -0,578 -0,423 0,168 -0,163 -0,250 [month=12] -0,470 0,448 -0,508 -0,026 -0,413 IF1 -0,234 -0,552 -0,474 0,483 0,796 DOIL 0,376 0,770 -0,163 -0,276 0,496 DOIL1 -0,076 0,068 0,228 -0,417 0,577 R 0,071 0,510 -0,209 0,640 0,517 DM23 0,137 0,132 -0,810 -0,199 0,476 DM21 0,335 0,867 -0,140 -0,278 0,217 IF12 0,575 -0,248 -0,254 0,865 0,830 DOIL6 -0,053 0,591 -0,310 0,120 -0,571 0,709 -0,145 -0,398 0,759 0,126 Lớp ẩn R2 (Bias) Lớp ẩn H(1:1) H(1:2) H(1:3) H(1:4) H(1:5) (Bias) H(2:1) H(2:2) Nguồn: phân tích nhóm tác giả H(2:1) H(2:2) 0,074 0,881 -0,092 -0,231 0,948 -1,261 0,111 0,983 -0,830 0,367 -0,790 -0,767 Đầu IF 0,521 0,423 -1,907 11 Sau có trọng số mô hình ANN ta sử dụng phương trình (3) phần 2.3 để tính toán giá trị dự báo Sau có kết dự báo ta so sánh hiệu dự báo mẫu mẫu mô hình ANN dự tiêu chí R2, RMSE MAE Bảng sau thể chi tiết hiệu dự báo mô hình ANN Bảng So sánh kết dự báo mô hình ANN Mô hình Dự báo mẫu Dự báo mẫu ANN-10-5-1 R2 70,6% RMSE 0,00508 MAE 0,00357 R2 45,8% RMSE 0,00539 MAE 0,00358 ANN-10-4-1 69,8% 0,00509 0,00358 27,4% 0,00670 0,00450 ANN-10-3-1 80,0% 0,00416 0,00320 40,3% 0,00532 0,00408 ANN-10-7-4-1 73,4% 0,00478 0,00353 49,0% 0,00511 0,00390 ANN-10-7-3-1 71,7% 0,00492 0,00358 48,4% 0,00571 0,00466 ANN-10-5-3-1 79,5% 0,00421 0,00308 39,3% 0,00557 0,00410 ANN-10-5-2-1 80,6% 0,00410 0,00287 75,0% 0,00565 0,00414 Nguồn: Tính toán nhóm tác giả Kết cho thấy, dự báo mẫu, mô hình ANN-10-5-2-1 cho kết tốt Trong dự báo mẫu lại có phân tán Mô hình ANN-10-5-2-1 cho kết R2 tốt nhất, mô hình ANN-10-7-4-1 cho kết RMSE tốt mô hình ANN-10-5-1 cho kết MAE tốt Nhìn chung, mô hình ANN với lớp ẩn cho kết dự báo tốt mô hình ANN lớp ẩn mẫu lẫn mẫu Kết cuối cùng, tác giả lựa chọn mô hình ANN-10-5-2-1 mô hình ANN cho việc dự báo lạm phát theo tháng Việt Nam Ngoài việc tính toán giá trị dự báo, mô hình ANN phân tích cho ta biết biến có mức độ quan trọng lớn dự báo hay biến giải thích nhiều cho biến thiên kết đầu Phân tích mức độ quan trọng biến cho mô hình ANN-10-5-2-1 thể hình Từ kết phân tích ta thấy độ trễ bậc lạm phát (IF1=IFt-1) có mức độ quan trọng Kế đến yếu tố mùa vụ (Month) Tiếp theo giá dầu (DOIL1=DOILt1, DOIL6=DOILt-6), lãi suất cung tiền 12 Mức độ quan trọng tương đối Mức độ quan trọng Hình 3: Mức độ quan trọng biến độc lập mô hình ANN-10-5-2-1 Nguồn: Phân tích nhóm tác giả Để làm rõ hiệu dự báo mô hình ANN, ta so sánh hiệu dự báo mô hình ANN so với mô hình kinh tế lượng Để có kết so sánh trước tiên ta thiết lập mô hình ARDL Mô hình ARDL Dữ liệu thu thập liệu dạng chuỗi thời gian Do đó, để tránh tượng hồi quy giả tạo, ta phải kiểm tra kính dừng biến số Bảng Kiểm định tính dừng biến Kiểm định ADF Biến số Level IF DM2 DOIL -6,357*** -10,337*** -8,901*** R -3,175** 1st difference -6,275*** Nguồn: Tính toán nhóm tác giả Ghi chú: Dấu ** *** cho biết kết có ý nghĩa thống kê mức 5% 1% 13 Trong trường hợp phương pháp nghiệm riêng đơn vị ADF cho giá trị I(0) thực Kết kiểm định tóm tắt bảng Dựa vào kết ta kết luận tất chuỗi khảo sát dừng bậc mức ý nghĩa 5% Do đó, ta thực hồi quy dựa biến mà không sợ bị hồi quy giả tạo Để đưa yếu tố mùa vụ hay yếu tố tháng vào mô hình, ta sử dụng 11 biến Dummy từ D1 đến D11 để mã hoá cho 12 trạng thái ứng với 12 tháng năm Dữ liệu sử dụng để xây dựng mô hình hồi quy từ 2001M01 đến 2011M12 Kết hồi quy biến IF theo biến khác sau: Bảng Kết hồi quy (Biến phụ thuộc IFt) Biến Hệ số C IFt-1 DM2t-3 DM2t-12 DOILt DOILt-1 Rt D1 D2 D3 D4 D5 D6 D7 D8 D9 D10 D11 -0,005865 0,506398 0,087811 0,087857 0,027193 0,013087 0,000619 0,002107 0,010894 -0,016524 -0,001994 0,001331 -0,004676 -0,003924 -0,002855 -0,002350 -0,003460 -0,001048 R2 R2 hiệu chỉnh Trị số DW 0,681665 0,628609 2,363510 Độ lệch chuẩn Thống kê t 0,003919 0,087954 0,037348 0,041991 0,007532 0,007434 0,000249 0,002646 0,003223 0,003353 0,002971 0,002893 0,002836 0,002991 0,002898 0,002849 0,002826 0,002811 -1,496493 5,757506 2,351167 2,092249 3,610404 1,760424 2,486905 0,796184 3,379829 -4,928667 -0,671171 0,460166 -1,648729 -1,311734 -0,985427 -0,824689 -1,224343 -0,372794 Giá trị F Sig (F) Xác suất 0,1376 0,0000 0,0206 0,0389 0,0005 0,0813 0,0145 0,4278 0,0010 0,0000 0,5036 0,6464 0,1023 0,1926 0,3267 0,4115 0,2236 0,7101 12,84807 0,000000 Nguồn: Tính toán nhóm tác giả Kết cho thấy tất biến IFt-1, DM2t-3, DM2t-12, DOilt, Oilt-1 Rt có tác động dương lên lạm phát có ý nghĩa thống kê mức 5% Để biết yếu tố tháng (biến Dummy) có ảnh hưởng đến lạm phát không, ta thực kiểm định Wald Kết kiểm định cho thấy, yếu tố tháng có ảnh hưởng đến lạm phát với Sig = 0,000 14 4.3 So sánh kết dự báo mô hình ANN mô hình ARDL Như phân tích phần 4.2, mô hình ANN-10-5-2-1 lựa chọn làm mô hình mạng thần kinh nhân tạo cho dự báo lạm phát Trong phần này, tác giả so sánh hiệu dự báo mô hình ANN-10-5-2-1 mô hình ARDL dựa vào tiêu chí RMSE, MAE R2 mẫu mẫu Kết dự báo mô hình ANN-10-5-2-1 mặt lý thuyết tính toán từ trọng số bảng theo phương trình (3) phần 2.3 Còn mặt thực tiễn, giá trị dự báo phần mềm SPSS tính toán sau ta có số cách chọn chức lưu giá trị dự báo (Save predicted value) ta thực việc huấn luyện mạng Giá trị dự báo mô hình ARDL tính toán từ bảng trọng số hồi quy bảng Sau có giá trị dự báo, ta tính toán giá trị RMSE, MAE R2 Kết so sánh hiệu dự báo mô hình thể thiện bảng sau: Bảng So sánh hiệu dự báo mô hình ANN-10-5-2-1 ARDL Mô hình Dự báo mẫu Dự báo mẫu R2 RMSE MAE R2 ANN-10-5-2-1 80,6% 0,00410 0,00287 75,0% 0,00565 0,00414 ARDL 68,2% 0,00521 0,00355 32,7% 0,00618 0,00377 RMSE MAE Nguồn: Tính toán nhóm tác giả Kết cho thấy, dự báo mẫu, mô hình ANN dự báo vượt trội so với mô hình ARDL tất tiêu chí (R2 lớn hơn, RMSE nhỏ MAE nhỏ hơn) Đối với dự báo mẫu, mô hình ANN dự báo tốt hai tiêu chí R2 RMSE không tốt tiêu chí MAE Đồ thị sau thể cụ thể hiệu dự báo mẫu mô hình ANN-105-2-1 mô hình ARDL 15 Hình 4: Kết dự báo mẫu Nguồn: Phân tích nhóm tác giả Kết luận số gợi ý sách 5.1 Kết luận Bài viết nghiên cứu yếu tố tác động đến lạm phát sử dụng mô hình ANN, mô hình ARDL để dự báo lạm phát theo tháng Việt Nam Kết phân tích mô hình ANN mô hình ARDL cho thấy có yếu tố sau tác động đến lạm phát: yếu tố tâm lý, yếu tố mùa vụ, giá dầu, cung tiền lãi suất Đối với mô hình ANN, tác giả sử dụng cấu trúc mạng truyền thẳng với lớp ẩn, hàm kích hoạt hàm Tan-hyperbolic, liệu đầu vào đầu chuẩn hoá theo phân phối chuẩn So sánh kết dự báo mô hình ANN cho thấy, mô hình ANN với lớp ẩn cho kết dự báo tốt mô hình ANN lớp ẩn Kết dự báo tốt lạm phát mô hình ANN-10-5-2-1 Đối với mô hình ARDL, kết phân tích hồi quy cho thấy lãi suất tăng có tác động tức thời làm cho lạm phát tăng Kế đến, giá dầu tăng có tác động làm cho lạm phát tăng tức thời tăng kéo dài thêm tháng Tiếp theo yếu tố tâm lý, yếu tố có tác động dương lạm phát với độ trễ tháng Cuối cùng, cung tiền tăng lạm phát tăng với độ trễ 12 tháng 16 So sánh kết dự báo mẫu mô hình ANN ARDL cho thấy, mô hình ANN dự báo tốt mô hình ARDL tất tiêu chí R2, RMSE MAE Đối với dự báo mẫu mô hình ANN dự báo tốt hai tiêu chí R2 RMSE Nhìn chung, mô hình ANN dự báo lạm phát tốt mô hình ARDL 5.2 Một số gợi ý sách Từ kết phân tích ta thấy mô hình ANN cho kết dự báo tốt mô hình ARDL Tuy thuật toán để tính toán trọng số mô hình ANN tương đối phức tạp để ứng dụng mô hình ANN vào dự báo ta không thiết phải nắm kỹ thuật toán (Sarle, 1994) Do đó, mô hình ANN lựa chọn tốt cho nhà hoạch định sách, doanh nghiệp nhà đầu tư họ muốn dự báo biến số kinh tế nói chung dự báo lạm phát nói riêng Từ phân tích kết dự báo mô hình ANN ARDL ta thấy, yếu tố quan trọng tác động đến lạm phát theo tháng yếu tố tâm lý, kết tương đồng với nghiên cứu Phạm Thị Thu Trang (2009) cho yếu tố tâm lý có tác động đến lạm phát với độ trễ tháng Vì để kiềm chế lạm phát ngắn hạn, nhà hoạch định sách cần ổn định yếu tố tâm lý người dân Tuy nhiên, việc làm khó, Việt Nam có lạm phát tương đối cao nhiều năm qua Người dân kỳ vọng lạm phát tương lai tương tự lạm phát khứ Để giảm yếu tố tâm lý này, trước tiên nhà nước cần phải giảm lạm phát Theo Mankiw (2009), kinh tế muốn cắt giảm lạm phát phải trải qua giai đoạn thất nghiệp lớn, phải có đánh đổi việc tăng trưởng giảm lạm phát Do đó, nhà hoạch định sách cần cân nhắc đánh đổi hai yếu tố việc kiềm chế lạm phát Cũng từ kết phân tích mô hình ANN, yếu tố quan trọng mà nhà nước can thiệp để kiềm chế lạm phát yếu tố mùa vụ việc lên xuống có chu kỳ lạm phát Tại Việt Nam, giá hàng hoá dịch vụ thường tăng cao vào dịp lễ tết Nhà nước hạn chế điều thông qua chương trình bình ổn giá trước tết kiểm tra việc tăng giá bất hợp lý doanh nghiệp, nhà phân phối nhà bán lẻ sau tết Cuối cùng, kết nghiên cứu cho thấy cung tiền lãi suất hai yếu tố có tác động đến lạm phát Các nhà hoạch định sách can thiệp vào lãi suất cung tiền nhằm kiềm chế lạm phát Tuy nhiên, hai biến số có mối liên hệ qua lại lẫn nhau, nhà hoạch định sách cần phối hợp sách tài khoá tiền tệ nhằm đạt hiệu việc kiềm chế lạm phát Việt nam (Nguyễn Trọng Hoài, 2010) Ngoài kết đạt được, viết số hạn chế Có biến có tác động đến lạm phát GDP, thâm thụt ngân sách tác giả không đưa yếu tố vào mô hình dự báo liệu biến có theo quý theo năm Những yếu tố khác có tác động đến giá từ phía cung thiên tai, lũ lụt (một vấn đề phổ biến Việt Nam) chưa nghiên cứu Tác giả hy vọng nghiên cứu làm rõ vấn đề 17 Tài liệu tham khảo Binner cộng (2006), Predictable non-linearities in U.S inflation, Economic letter, 323– 328 Binner cộng (2010), Does money matter in inflation forecasting, Physica A: Statistical Mechanics and its Applications, 4793–4808 Choudhary & Haider (2012), Neural network models for inflation forecasting: an appraisal, Applied economics, 2631–2635 Duzgun, R (2010), “Generalized Regression Neural Networks for Inflation Forecasting”, International Research Journal of Finance and Economics, ISSN 1450-2887 Issue 51 Faisal, F (2012), “Forecasting Bangladesh's Inflation Using Time Series ARIMA Models”, World Review of Business Research, 100-117 Haider & Hanif (2009), Inflation forecasting in Pakistan using Artificial Neural Networks, Pakistan Economic and Social Review, 123-138 Jingtao Yao cộng (1999), “Neural Network for technical analysis A study on KLCI”, International Journal of Theoretical and Applied Finance, Vol 2, No Khan & Senhadji (2001), Threshold Effects in the Relationship Between Inflation and Growth, IMF Staff paper, Vol 48 Khashei & Bijari (2011), A novel hybridization of artificial neural networks and ARIMA models for timeseries forecasting, Applied Soft Computing, 2664–2675 Lê Đạt Chí (2011), Ứng dụng mô hình mạng thần kinh nhân tạo dự báo kinh tế - Trường hợp thị trường chứng khoán Việt Nam, Luận án tiến sỹ, Đại học kinh tế Thành Phố Hồ Chí Minh Mandonca & Souza (2012), “Is inflation targeting a good remedy to control inflation?”, Journal of Development Economics, 178-191 Mankiw (2009), Principles of Macroeconomics, Cengage learning, Australia McCulloch & Pitts (1943) "A Logical Calculus of Ideas Immanent in Nervous Activity" Bulletin of Mathematical Biophysics, 115–133 McNelis & McAdam (2005), “Forecasting inflation with thick model and neural network”, Economic Modelling, 848-867 Michael Dotsey cộng (2011), Do Phillips curves conditionally help to forecast inflation, Federal Reserve Bank of Philadelphia, working paper no 11-40 18 Moshiri & Cameron (2000), Neural Network versus Econometric models in forecasting inflation, Journal of Forecasting, 201-217 Nakamura, E (2005), Inflation forecasting using a neural network, Economics Letters Nguyễn Trọng Hoài Nguyễn Hoài Bảo (2010), “Khả sách tiền tệ việc khắc phục lạm phát cao dài hạn: Phân tích dựa luật Taylor cho tình Việt Nam”, Tạp chí kinh tế phát triển, Số 242, tháng 12/2010 Phạm Hữu Đức Dục (2009), Mạng nơron ứng dụng điều khiển tự động, NXB Khoa Học Kỹ Thuật, Hà Nội, tr.42-52 Phạm Thị Thu Trang (2009), “Các yếu tố tác động tới lạm phát Việt Nam - Phân tích chuỗi thời gian phi tuyến”, Tạp chí kinh tế dự báo, Số 12 năm 2009 Sarle (1994), “Neural Networks and Statistical Models”, Proceeds of the Nineteenth Annual SAS Users Group International Conference, April 1994 Sharda & Patil (1992), “Connectionist approach to time series prediction: An empirical test”, Journal of Intelligent Manufacturing, 317–323 Sử Đình Thành (2012), “Thâm hụt ngân sách lạm phát: Minh chứng thực nghiệm Việt Nam”, Tạp chí phát triển kinh tế, Số 259, tháng 5/2012 Tang & Fishwick (1993), “Feedforward neural nets as models for time series forecasting”, ORSA Journal on Computing, 374-385 Tinbergen (1949), “Long term Foreign Trade Elasticities”, Metroeconomica, 174-185 Trần Hoàng Ngân cộng (2013), “Mối quan hệ lạm phát tăng trưởng kinh tế Việt Nam thời gian qua”, Tạp chí phát triển kinh tế, Số 276, 2-10 Vũ Sỹ Cường (2011), “Tác động sách tài khóa tiền tệ đến lạm phát: Mô hình lý thuyết thực tiễn Việt Nam” Tạp chí kinh tế phát triển, Số 247, tháng 5/2011 Zhang (2003), Time series forecasting using a hybrid ARIMA and neural network model, Neurocomputing, 159 – 175 Zhang cộng (1998), “Forecasting with artificial neural networks The state of the art”, International Journal of Forecasting, 35–62 [...]... đối với lạm phát với độ trễ là 1 tháng Cuối cùng, khi cung tiền tăng lạm phát sẽ tăng với độ trễ là 3 và 12 tháng 16 So sánh kết quả dự báo trong mẫu của mô hình ANN và ARDL cho thấy, mô hình ANN dự báo tốt hơn mô hình ARDL ở tất cả 3 tiêu chí R2, RMSE và MAE Đối với dự báo ngoài mẫu mô hình ANN chỉ dự báo tốt hơn ở hai tiêu chí R2 và RMSE Nhìn chung, mô hình ANN dự báo lạm phát tốt hơn mô hình ARDL... bộ trọng số của các mô hình ANN ta sẽ sử dụng phương trình (3) ở phần 2.3 để tính toán các giá trị dự báo Sau khi có kết quả dự báo ta sẽ so sánh hiệu quả dự báo trong mẫu và ngoài mẫu của các mô hình ANN dự trên các tiêu chí R2, RMSE và MAE Bảng sau thể hiện chi tiết hiệu quả dự báo của các mô hình ANN Bảng 4 So sánh kết quả dự báo giữa các mô hình ANN Mô hình Dự báo trong mẫu Dự báo ngoài mẫu ANN-10-5-1... lên lạm phát và đều có ý nghĩa thống kê ở mức dưới 5% Để biết yếu tố tháng (biến Dummy) có ảnh hưởng đến lạm phát không, ta thực hiện kiểm định Wald Kết quả kiểm định cho thấy, yếu tố tháng có ảnh hưởng đến lạm phát với Sig = 0,000 14 4.3 So sánh kết quả dự báo của mô hình ANN và mô hình ARDL Như đã phân tích trong phần 4.2, mô hình ANN-10-5-2-1 được lựa chọn làm mô hình mạng thần kinh nhân tạo cho dự. .. phân phối chuẩn So sánh kết quả dự báo giữa các mô hình ANN cho thấy, mô hình ANN với 2 lớp ẩn cho kết quả dự báo tốt hơn mô hình ANN 1 lớp ẩn Kết quả dự báo tốt nhất đối với lạm phát là mô hình ANN-10-5-2-1 Đối với mô hình ARDL, kết quả phân tích hồi quy cho thấy lãi suất tăng có tác động tức thời làm cho lạm phát tăng Kế đến, giá dầu tăng có tác động làm cho lạm phát tăng tức thời và tăng kéo dài... với dự báo trong mẫu, mô hình ANN-10-5-2-1 cho kết quả tốt nhất Trong khi dự báo ngoài mẫu lại có sự phân tán Mô hình ANN-10-5-2-1 cho kết quả R2 tốt nhất, mô hình ANN-10-7-4-1 cho kết quả RMSE tốt nhất còn mô hình ANN-10-5-1 cho kết quả MAE tốt nhất Nhìn chung, mô hình ANN với 2 lớp ẩn cho kết quả dự báo tốt hơn mô hình ANN 1 lớp ẩn cả trong mẫu lẫn ngoài mẫu Kết quả cuối cùng, tác giả lựa chọn mô hình. .. mô hình ANN dự báo tốt hơn ở hai tiêu chí R2 và RMSE nhưng không tốt hơn ở tiêu chí MAE Đồ thị sau thể hiện cụ thể hơn hiệu quả dự báo ngoài mẫu của mô hình ANN-105-2-1 và mô hình ARDL 15 Hình 4: Kết quả dự báo ngoài mẫu Nguồn: Phân tích của nhóm tác giả 5 Kết luận và một số gợi ý chính sách 5.1 Kết luận Bài viết nghiên cứu các yếu tố tác động đến lạm phát và sử dụng mô hình ANN, mô hình ARDL để dự. .. trong số bằng cách chọn chức năng lưu giá trị dự báo (Save predicted value) trong khi ta thực hiện việc huấn luyện mạng Giá trị dự báo của mô hình ARDL được tính toán từ bảng trọng số hồi quy ở bảng 6 Sau khi có được các giá trị dự báo, ta sẽ tính toán các giá trị RMSE, MAE và R2 Kết quả so sánh hiệu quả dự báo của 2 mô hình được thể thiện trong bảng sau: Bảng 7 So sánh hiệu quả dự báo của mô hình ANN-10-5-2-1... mô hình ANN-10-5-2-1 là mô hình ANN cho việc dự báo lạm phát theo tháng tại Việt Nam Ngoài việc tính toán giá trị dự báo, mô hình ANN còn phân tích cho ta biết được biến nào có mức độ quan trọng lớn nhất trong dự báo hay biến nào giải thích được nhiều nhất cho sự biến thiên của kết quả đầu ra Phân tích mức độ quan trọng của các biến cho mô hình ANN-10-5-2-1 được thể hiện ở hình 3 Từ kết quả phân tích... ta thấy mô hình ANN cho kết quả dự báo tốt hơn mô hình ARDL Tuy thuật toán để tính toán ra các trọng số của mô hình ANN tương đối phức tạp nhưng để ứng dụng mô hình ANN vào dự báo ta không nhất thiết phải nắm kỹ những thuật toán trên (Sarle, 1994) Do đó, mô hình ANN là một sự lựa chọn tốt cho các nhà hoạch định chính sách, các doanh nghiệp và các nhà đầu tư nếu họ muốn dự báo những biến số kinh tế... và ARDL Mô hình Dự báo trong mẫu Dự báo ngoài mẫu R2 RMSE MAE R2 ANN-10-5-2-1 80,6% 0,00410 0,00287 75,0% 0,00565 0,00414 ARDL 68,2% 0,00521 0,00355 32,7% 0,00618 0,00377 RMSE MAE Nguồn: Tính toán của nhóm tác giả Kết quả trên cho thấy, đối với dự báo trong mẫu, mô hình ANN dự báo vượt trội hơn so với mô hình ARDL trên tất cả các tiêu chí (R2 lớn hơn, RMSE nhỏ hơn và MAE nhỏ hơn) Đối với dự báo ngoài