Header Page of 126 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP.HCM - CÔNG TRÌNH DỰ THI GIẢI THƯỞNG NGHIÊN CỨU KHOA HỌC SINH VIÊN “NHÀ KINH TẾ TRẺ – NĂM 2011” TÊN CÔNG TRÌNH: ỨNG DỤNG MÔ HÌNH MẠNG THẦN KINH DỰ BÁO LẠM PHÁT VIỆT NAM THUỘC NHÓM NGÀNH: KHOA HỌC KINH TẾ Footer Page of 126 Header Page of 126 i MỤC LỤC  DANH MỤC CÁC TỪ VIẾT TẮT DANH MỤC BẢNG BIỂU DANH MỤC HÌNH DANH MỤC PHỤ LỤC LỜI MỞ ĐẦU CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VỀ LẠM PHÁT VÀ MÔ HÌNH MẠNG THẦN KINH NHÂN TẠO .3 1.1 Tổng quan lý thuyết nghiên cứu lạm phát 1.1.1 Các quan điểm lạm phát .3 1.1.2 Phân loại lạm phát 1.1.3 Tác động lạm phát 1.1.3.1 Tác động phân phối lại thu nhập lạm phát .5 1.1.3.2 Tác động lạm phát tăng trưởng kinh tế 1.1.3.3 Tác động lạm phát lên tỷ giá hối đoái 1.1.3.4 Các tác động khác lạm phát 1.2 Mô hình mạng thần kinh nhân tạo .7 1.2.1 Ý tưởng tảng mô hình mạng thần kinh 1.2.2 Mô hình mạng thần kinh đơn giản 1.2.3 Cấu tạo mô hình mạng thần kinh 11 1.2.3.1 Hàm kích hoạt 11 1.2.3.2 Cấu trúc mạng 13 1.2.3.3 Huấn luyện mạng 15 1.2.3.3.1 Học không giám sát (Unsupervised learning) 15 1.2.3.3.2 Học có giám sát (Supervised learning) .15 1.2.4 Xây dựng mô hình mạng thần kinh nhân tạo 16 1.2.4.1 Xác định biến số cho mô hình mạng thần kinh 17 Footer Page of 126 Header Page of 126 ii 1.2.4.2 Thu thập xử lý liệu 18 1.2.4.3 Sắp xếp lại liệu 19 1.2.4.4 Xây dựng cấu trúc mô hình mạng 21 1.2.4.4.1 Số lớp ẩn mô hình mạng truyền thẳng đa lớp 21 1.2.4.4.2 Số nơ-ron lớp ẩn mô hình mạng 21 1.2.4.5 Huấn luyện mạng tiêu chuẩn đánh giá mô hình 22 1.2.5 Bằng chứng thực nghiệm mô hình mạng thần kinh 22 1.2.5.1 Ứng dụng dự báo tài 23 1.2.5.2 Ứng dụng xếp hạng tín dụng 23 1.2.5.3 Ứng dụng dự báo lạm phát 24 1.2.5.4 Một số ứng dụng khác mô hình mạng thần kinh nhân tạo 25 CHƯƠNG 2: ỨNG DỤNG MÔ HÌNH MẠNG THẦN KINH DỰ BÁO LẠM PHÁT VIỆT NAM 27 2.1 Xác định biến số đầu vào mô hình 27 2.2 Thu thập xử lý liệu 32 2.3 Sắp xếp lại liệu 36 2.4 Xây dựng mô hình dự báo lạm phát .36 2.5 Kết thực nghiệm mô hình kết luận 39 CHƯƠNG 3: MỘT SỐ GỢI MỞ TỪ KẾT QUẢ MÔ HÌNH 48 3.1 Gợi ý hướng nghiên cứu .48 3.2 Gợi ý sách 49 KẾT LUẬN PHẦN PHỤ LỤC TÀI LIỆU THAM KHẢO Footer Page of 126 Header Page of 126 iii DANH MỤC CÁC TỪ VIẾT TẮT ADB Ngân hàng phát triển châu Á (Asian development bank) ANN Mạng thần kinh nhân tạo (Artificial neural networks) CR Tăng trưởng tín dụng (Credit) FFNN Mạng thần kinh truyền thẳng (Feedforward Neural Networks) FX Thay đổi tỷ giá (Foreign exchange) GRNN Mạng thần kinh hồi quy tổng quát (Generalized regression neural networks) IMF Quỹ tiền tệ quốc tế INF Tỷ lệ lạm phát (Inflation) JCN Mô hình mạng thần kinh kết nối bước nhảy (Jump connection networks) LR Mô hình hồi quy tuến tính (Linear regression model) M2 Tăng trưởng cung tiền M2 (Money supply M2) MA Trung bình di động (Simple moving average) MFN Mô hình mạng thần kinh chuyển tiếp đa tầng (Multi feedforward networks) NNNN Ngân hàng nhà nước Việt Nam NSNN Ngân sách nhà nước OIL Thay đổi giá dầu OLS Phương pháp bình phương nhỏ (Ordinary least squares) OPEC Hiệp hội nước xấu dầu mỏ (Organization of the Petroleum Exporting Countries) VN Footer Page of 126 Việt Nam Header Page of 126 iv DANH MỤC BẢNG BIỂU Danh mục bảng Trang Bảng 2.1: Mô tả biến sở ký hiệu sử dụng 34 Bảng 2.2: Một số số thống kê biến sở 35 Bảng 2.3: Thống kê mô hình mạng sử dụng 38 Bảng 2.4: Kết kiểm định mẫu chuỗi mô hình MLF sử dụng hàm kích hoạt log-sigmoid 40 Bảng 2.5: Kết kiểm định mẫu chuỗi mô hình MLF sử dụng hàm kích hoạt tag-sigmoid 40 Bảng 2.6: Kết kiểm định mẫu chuỗi mô hình GNN 44 Footer Page of 126 Header Page of 126 v DANH MỤC HÌNH Danh mục hình Trang Hình 1.1: Cấu trúc nơ-ron não hệ thần kinh Hình 1.2: Cấu trúc mạng thần kinh đơn giản 10 Hình 1.3: Hàm log-sigmoid 12 Hình 1.4: Cấu trúc mạng truyền thẳng (feed forward) mạng phản hồi (feed back) 13 Hình 1.5: Mô hình mạng truyền thẳng lớp ẩn 14 Hình 2.1: Tốc độ tăng trưởng cung tiền M2, tín dụng lạm phát 28 Hình 2.2: Giá dầu thô tỷ lệ lạm phát hàng tháng 29 Hình 2.3: Giá xăng dầu thị trường nước giới .30 Hình 2.4: Tỷ trọng nhân tố ảnh hưởng đến số CPI Việt Nam 31 Hình 2.5: Tỷ lệ lạm phát hàng tháng trung bình lạm phát kỳ trước 33 Hình 2.6: Kết kiểm định mẫu mô hình MLF 7-3-1 .41 Hình 2.7: Kết kiểm định mẫu mô hình MLF 7-4-1 .42 Hình 2.8: Kết kiểm định mẫu mô hình MLF 7-5-1 .42 Hình 2.9: Kết kiểm định mẫu mô hình MLF 7-4-3-1 43 Hình 2.10: Kết kiểm định mẫu mô hình MLF 7-5-4-1 43 Hình 2.11: Kết kiểm định mẫu mô hình MLF 7-3-2-1 44 Hình 2.12: Chuỗi giá trị INF dự báo từ mô hình GNN 45 Hình 2.13: Chuỗi giá trị INF dự báo trung bình từ mô hình MLF-GNN chuỗi thực tế 46 Footer Page of 126 Header Page of 126 vi DANH MỤC PHỤ LỤC Danh mục phụ lục Trang Phụ lục 1: Các số đo lường lạm phát 54 Phụ lục 2: Mô hình hồi quy tuyến tính 55 Phụ lục 3: Các phương pháp chuẩn hóa liệu 59 Phụ lục 4: Ba cách tiếp cận để lựa chọn số lượng nơ-ron ẩn phù hợp 60 Phụ lục 5: Mô hình mạng truyền thẳng lớp ẩn 60 Phụ lục 6: Mô hình mạng truyền thẳng đa lớp 61 Phụ lục 7: Kết kiểm định mẫu mô hình MLF-7-5-4-1 63 Phụ lục 8: Kết kiểm định mẫu mô hình GNN-7-4-1 64 Phụ lục 9: Kết kiểm định mẫu mô hình GNN-7-4-4-4-1 65 Footer Page of 126 Header Page of 126 -1- LỜI MỞ ĐẦU  Lý chọn đề tài Nếu lạm phát kinh tế Việt Nam trì ổn định suốt năm 2000 đến năm 2004, lạm phát bắt đầu tăng tốc mà đỉnh điểm năm 2008, tỷ lệ lạm phát đạt đến mức gần 20% Trong nửa năm đầu 2011, tỷ lệ lạm phát vào khoảng 13% Lạm phát, lạm phát cao tác động đến nhiều mặt đời sống kinh tế - xã hội: làm tăng chi phí sản xuất kinh doanh giảm khả cạnh tranh doanh nghiệp; làm méo mó kinh tế làm cho việc thực kế hoạch chi tiêu tiết kiệm dân chúng bị đảo lộn, gây tác động xấu đến người có thu nhập thấp, đặc biệt người sống chủ yếu nguồn thu nhập từ tiền lương Trong bối cảnh đó, lạm phát mục tiêu, công cụ sách tiền tệ, dần ý nhiều nhà điều hành sách lẫn giới nghiên cứu học thuật tính hiệu việc ổn định giá cả, thúc đẩy tăng trưởng Tuy nhiên, điều kiện tiên cho việc sử dụng hiệu công cụ lạm phát mục tiêu công tác dự báo Ngân hàng Nhà nước xu hướng chung giá để từ đề biện pháp chủ động đưa mức lạm phát mức mục tiêu kỳ vọng Mặt khác, nhận thấy tiềm mô hình mạng thần kinh phi tuyến việc dự báo biến số vĩ mô tỷ giá, lạm phát, tăng trưởng… bên cạnh mô hình truyền thống minh chứng nghiên cứu thực nghiệm Trên sở đó, đề tài “Ứng dụng mô hình mạng thần kinh dự báo lạm phát Việt Nam” lựa chọn để tiến hành nghiên cứu Mục tiêu nghiên cứu Mục tiêu đề tài hướng đến việc xây dựng mô hình mạng thần kinh phù hợp để dự báo tỷ lệ lạm phát Việt Nam Để hoàn thành mục tiêu trên, nghiên cứu trả lời cho câu hỏi: - Thế mô hình mạng thần kinh nhân tạo? Mô hình có đặc điểm bật so với mô hình tuyến tính truyền thống chế vận hành mô hình nào? Footer Page of 126 Header Page of 126 - -2- Cấu trúc mô hình mạng phù hợp để dự báo tỷ lệ lạm phát Việt Nam? - Những gợi ý đưa từ kết thực nghiệm mô hình? Kết cấu đề tài Để vào giải mục tiêu nghiên cứu trên, đề tài xây dựng với kết cấu gồm ba chương với nội dung sau: Chương 1: Cơ sở lý thuyết lạm phát mô hình mạng thần kinh nhân tạo Chương 2: Ứng dụng mô hình mạng thần kinh dự báo lạm phát Việt Nam Chương 3: Một số gợi mở từ kết mô hình Đóng góp đề tài Đề tài góp phần vào việc hệ thống hóa khái niệm nguyên lý tảng mô hình mạng, chế vận hành mô hình với quy trình bước để tiến hành ứng dụng xây dựng mô hình dự báo thực tiến Tiếp đó, kết thực nghiệm cho thấy cấu trúc mạng tốt để dự báo tỷ lệ lạm phát hàng tháng Việt Nam mô hình truyền thẳng giản đơn với lớp ẩn ba nơ-ron ẩn Cuối cùng, sở kết thực nghiệm mô hình, số gợi ý sách điều hành lạm phát thời gian tới đưa Hướng phát triển đề tài Mô hình mạng thần kinh sử dụng đề tài mô hình mạng truyền thẳng giản đơn, vậy, nghiên cứu thời gian tới hướng đến việc áp dụng mô hình mạng có phản hồi kết hợp với thuật toán di truyền logic mờ để xây dựng mô hình “lai tạp” kỳ vọng góp phần vào việc nâng cao hiệu dự báo Mặt khác, bên cạnh lạm phát mô hình ứng dụng dự báo biến số khác tỷ giá, tốc độ tăng trưởng GDP… Ngoài ra, hướng phát triển khác cho đề tài ứng dụng mô hình hoạt động phân loại đối tượng vay để hỗ trợ cho trình thẩm định tín dụng ngân hàng Footer Page of 126 Header Page 10 of 126 -3- CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VỀ LẠM PHÁT VÀ MÔ HÌNH MẠNG THẦN KINH NHÂN TẠO 1.1 Tổng quan lý thuyết nghiên cứu lạm phát 1.1.1 Các quan điểm lạm phát Khi nghiên cứu chế độ vị vàng, Karl Marx khẳng định: việc phát hành tiền giấy phải giới hạn số lượng vàng thực lưu thông hình thức đại diện tiền giấy Một lượng tiền giấy vượt mức giới hạn tiền giấy dần giấy trị làm gia tăng mức giá chung tất loại hàng hóa tình trạng lạm phát xuất Theo đó, lạm phát, quan điềm Karl Marx, định nghĩa sau: Lạm phát việc kênh, luồng lưu thông tràn đầy tờ giấy bạc dư thừa dẫn đến tăng vọt mức giá chung Cũng bàn vấn đề lưu thông tiền tệ, Milton Friendman phát biểu: Lạm phát lúc nơi tượng lưu thông tiền tệ Lạm phát xuất xuất số lượng tiền lưu thông tăng nhanh so với sản xuất Tuy nhiên, John Keynes với thuyết cầu cho nguồn gốc sâu xa lạm phát biến động cung cầu Khi cung vượt xa cầu sản xuất đình đốn, kinh tế bị suy giảm Lúc đó, Nhà Nước buộc phải tung khoản chi tiêu, đầu tư công lớn, tăng cường sách tín dụng nhằm kéo mức cầu kinh tế cân vượt qua tổng cung Lúc này, lạm phát xuất Trong trường hợp kinh tế phát triển hiệu quả, áp dụng tiến khoa học kỹ thuật, cấu kinh tế đổi thành công; lạm phát có tác dụng thúc đẩy sản xuất Ngược lại, lạm phát, theo Keynes, không động lực phát triển kinh tế Với Paul A Samuelson lạm phát xảy mức tăng chi phí sản xuất, kinh doanh cao mức tăng suất lao động Chi phí gia tăng gia tăng mức tiền lương, chi phí nguyên vật liệu đầu vào, công nghệ lạc hậu, chế quản lý cồng kềnh… Khi mức chi phí vượt qua khỏi bù đắp suất lao động giá mặt hàng tăng vọt lạm phát xuất Lúc này, lạm phát không động lực để phát triển mà khiến cho kinh tế bị suy thoái, cần biện pháp cấp bách nhằm khống chế lạm phát Footer Page 10 of 126 Header Page 60 of 126 - 53 - LỜI KẾT  Kết thúc quý năm 2011, lạm phát mức 6.2% So với mục tiêu đề từ đầu năm Chính phủ 7% dường việc kiềm hãm lạm phát từ đến cuối năm tăng tăng 0.8 điểm phần trăm khó khả thi nhiều khả lạm phát năm tiếp tục trì mức hai chữ số Do vậy, biện pháp kiềm chế lạm phát tức thời cần thiết Tuy nhiên, việc NHNN theo đuổi sách lạm phát mục tiêu kiểm soát cung tiền để đảm bảo ổn định vĩ mô biện pháp dài hạn Bài nghiên cứu sâu vào phân tích lạm phát kinh tế Việt Nam thời gian qua sở biến số đầu có khả tác động đến lạm phát Tiếp đến, biến số đưa vào mô hình mạng thần kinh phi tuyến tiến hành kiểm định mẫu Kết thực nghiệm cho thấy, trước hết, tương tự nghiên cứu trước, mô hình mạng thần kinh tỏ hiệu dự báo tỷ lệ lạm phát hàng tháng Việt Nam giai đoạn kiểm định Bên cạnh đó, nghiên cứu bước đầu định hình cấu trúc mô hình mạng phù hợp với điều kiện liệu Việt Nam dựa tiêu so sánh Đó cấu trúc mạng truyền thẳng với lớp ẩn ba nơ-ron ẩn Tuy nhiên, cấu trúc mạng điều chỉnh trường hợp có thay đổi biến đầu vào gợi ý cho hướng nghiên cứu tới vận dụng mô hình mạng thần kinh dự báo lạm phát Ngoài ra, kết kiểm định cho thấy mô hình mạng khái quát hóa không thật hoàn thiện hiệu dự báo so với mô hình mạng thần kinh giản đơn kết luận số nghiên cứu khác Cuối cùng, số gợi ý sách hướng nghiên cứu xa liên quan đến chủ đề đưa sở kết thực nghiệm Footer Page 60 of 126 Header Page 61 of 126 - 54 - PHẦN PHỤ LỤC  Phụ lục 1: Các số đo lường lạm phát Tỷ lệ lạm phát đo lường nhờ số giá Dựa vào loại số ta tính tỷ lệ lạm phát thời kỳ khác theo công thức: ỷ ệ ℎá = ℎỉ ố ỳ − ℎỉ ố ℎỉ ố ỳ ướ ỳ ướ × 100% Chỉ số giá tiêu dùng (Consumer Price Index - CPI): Chỉ số giá tiêu dùng (CPI) đo lường giá hàng hóa tiêu dùng mua người tiêu dùng thông thường Chỉ số tính toán theo phần trăm để phản ánh mức thay đổi tương đối giá hàng tiêu dùng theo thời gian Sở dĩ thay đổi tương đối số dựa vào giỏ hàng hóa đại diện cho toàn hàng tiêu dùng Thông thường, số giá tiêu dùng sử dụng để tính toán tỷ lệ lạm phát phần lớn quốc gia giới Ngoài ra, số cho thấy mức tăng kỳ vọng lương danh nghĩa người lao động, đồng thời ngụ ý khoản chi định danh tự động tăng lên theo mức tăng CPI Chỉ số giá sản xuất (Producer Price Index – PPI): Chỉ số giá sản xuất PPI đo mức nhà sản xuất nhận được, không tính đến giá bổ sung qua đại lý thuế doanh thu Chỉ số tính toán CPI, tức sử dụng tỷ lệ phần trăm chi phí để mua rổ hàng hóa định Tuy nhiên, giá giá nhà sản xuất ấn định, bán lần Và khác biệt lớn CPI PPI Với cách tính trên, tiêu tương đối, phản ánh xu hướng đo lường mức độ biến động giá bán nhà sản xuất thị trường sơ cấp vào thời kỳ Mặt khác, giá sản xuất tăng dẫn đến giá tiêu dùng tăng, phần chi phí trình sản xuất kinh doanh doanh nghiệp chuyển sang cho người tiêu dùng Vì vậy, PPI số hữu dụng xu hướng giá số tốt để tính toán tỷ lệ lạm phát Footer Page 61 of 126 Header Page 62 of 126 - 55 - Chỉ số giảm phát tổng sản phẩm quốc nội (GDP deflator – DGDP): Chỉ số giảm phát GDP, gọi số điều chỉnh GDP, số tính theo phần trăm phản ánh mức giá chung tất loại hàng hoá, dịch vụ sản xuất nước Chỉ số điều chỉnh GDP cho biết đơn vị GDP điển hình kỳ t có mức giá phần trăm so với mức giá kỳ gốc Khác với số giá tiêu dùng CPI, DGDP tính giỏ hàng hoá thay đổi, phản ánh thay hàng hoá, dịch vụ với Thêm vào đó, DGDP phản ánh giá hàng hoá doanh nghiệp, phủ mua CPI phản ánh mức giá mặt hàng tiêu dùng Vì DGDP coi phản ánh mức giá chung Tuy nhiên, DGDP phản ánh mức giá hàng hoá sản xuất nước CPI phản ánh mức giá hàng hoá nhập nên xem toàn diện Dù có số khác biệt kể thực tế, khác biệt CPI DGDP không lớn Và DGDP số đánh giá tỷ lệ lạm phát phản ánh thay đổi GDP danh nghĩa giá mặt hàng nước biến động Phụ lục 2: Mô hình hồi quy tuyến tính Mô hình mạng thần kinh nhân tạo sử dụng với mục đích dự báo biến phụ thuộc y từ tập hợp biến đầu vào x; chuỗi thời gian, tập hợp biến đầu vào x bao gồm biến trễ (lagged variables), biến (current variables) x giá trị trễ (lagged values) y Mô hình hồi quy tuyến tính thường sử dụng bước đầu tiếp cận với công tác dự báo, thể qua hệ phương trình sau: = , + ~ , : thành phần “nhiễu” ngẫu nhiên, thường giả định phân phối chuẩn với trung bình phương sai không đổi { }: đại diện cho hệ số ước lượng Tập hợp hệ số ước lượng ký hiệu hệ số ước lượng Footer Page 62 of 126 ; đó, tập hợp dự báo tạo mô hình ký hiệu { } Mục đích chọn cho tổng Header Page 63 of 126 - 56 - bình phương chênh lệch giá trị thực tế quan sát giá trị ước lượng mô hình tuyến tính nhỏ Một mô hình tuyến tính thường sử dụng cho dự báo mô hình tự hồi quy: ∗ = + có k biến độc lập với hệ số , cho + k* thể độ trễ cho biến phụ thuộc Tóm lại, mô hình có (k + k*) tham số cần ước lượng cho {β} {γ} Do đó, độ trễ mô hình lớn, mô hình cần nhiều hệ số ước lượng mà linh động toàn mô hình hồi quy giảm dần Số lượng biến phụ thuộc lớn Đối với mô hình tuyến tính chuẩn mực (benchmark linear model) việc ước lượng dự báo biến phụ thuộc 1,2, … , ∗ thực thông qua chuỗi lập Như vậy, mô hình có ∗ ∗ , = gồm mô hình tuyến tính độc biến phụ thuộc phải ước lượng ( ∗ ) hệ số Phương pháp hồi quy tuyến tính có ưu điểm cho kết xác định (closed-form solution) nhanh chóng sau trình ước lượng sử dụng cách thức bình phương nhỏ cho chênh lệch Với tầm dự báo ngắn hạn, mô hình tuyến tính khởi đầu hợp lý số thị trường, nhà đầu tư quan sát thấy thay đổi không đáng kể (small symmetric changes) xung quanh xu hướng dài hạn biến cần dự báo Do có tồn mối quan hệ phi tuyến chuỗi liệu, phương pháp hồi quy tuyến tính cho kết xác thị trường tài có bất ổn (điển hình thị trường thường xuyên diễn tượng bong bóng tài sản) Chính thế, việc sử dụng mô hình hồi quy tuyến tính dự báo với chuỗi liệu biến dộng lớn dẫn đến thất bại Đây lý mà kỹ thuật dự báo phi tuyến áp dụng Mô hình phi tuyến GARCH: Hàm phi tuyến sử dụng để thay mô hình tuyến tính cố gắng nắm bắt mối tương quan phi tuyến thật chuỗi liệu cách xác lập giả định cho hệ số dạng hàm phi tuyến cụ thể Tiêu biểu cho cách tiếp cận mô hình GARCH trung bình (GARCH-In-Mean) hay mô hình GARCH-M mô hình mà thành phần “nhiễu” ngẫu nhiên ảnh hưởng trực tiếp đến giá trị trung bình Footer Page 63 of 126 Header Page 64 of 126 - 57 - biến phụ thuộc thành phần “nhiễu” thay đổi theo thời gian, xác định giá trị khứ bình phương sai số dự báo khứ Do đó, phương sai thay đổi theo thời gian gọi phương sai có điều kiện (conditional variance) Hệ phương trình sau minh họa cho mô hình GARCHM cổ điển: = ≈∅ + + ; = + + : tỷ suất sinh lợi tài sản : tỷ lệ suất sinh lợi kỳ vọng điều kiện chuẩn : thành phần nhiễu tuân theo phân phối chuẩn với trung bình 0, phương sai có điều kiện , cho Φ(0, ) : phần bù rủi ro tỷ suất sinh lợi tài sản, phản ánh trường hợp nhà đầu tư yêu cầu tỷ suất sinh lợi cao phải đố mặt với mức rủi ro tăng thị trường Do phải có điều kiện: , , >0 : xác định thay đổi phương sai có điều kiện GARCH-M mô hình hệ thống đệ quy ngẫu nhiên, với điều kiện ban đầu ước lượng cho , , , , Khi tồn phương sai có điều kiện, cú sốc ngẫu nhiên có dạng phân phối chuẩn; tỷ suất sinh lợi lúc hàm số phụ thuộc giá trị trung bình nó, cú sốc ngẫu nhiên hiệu ứng phần bù rủi ro ( ) Việc ước lượng giá trị cho , , , thực phương pháp ước lượng giá trị hợp lý cực đại cú sốc ngẫu nhiên có phân phối chuẩn Hàm hợp lý (likelihood function) L dạng hàm xác suất kết hợp (joint propability function) = = 1, … , Trong mô hình GARCH-M, hàm hợp lý L có dạng: = − = Footer Page 64 of 126 + ( − ) Header Page 65 of 126 - 58 - = = , , , − + + : ước lượng hệ số Để tìm ước lượng hệ số, phương pháp sử dụng tìm cực đại tổng log hàm hợp lý (hay hàm log hợp lý) toàn mẫu , = 1,2, … , ̂ lượng hệ số phải thỏa điều kiện có phương sai lớn với ( )= ⏞, ⏞, , − ( )− ước ( ( ) − cho trước − ) , : > 0, = 1,2, … , Mô hình GARCH-M có ưu điểm nắm bắt chất trình phi tuyến Phương sai có điều kiện phản ánh biến đổi phi tuyến giá trị khứ sai lệch việc dự báo khứ Phương sai điều kiện đại diện cho yếu tố rủi ro ảnh hưởng đến gia tăng tỷ suất sinh lợi đòi hỏi dự báo biến động giá tài sản, xem nhân tố tác động đến biến phụ thuộc Trở ngại phương pháp GARCH-M khó khăn việc xác định giá trị cực tiểu hàm log-hợp lý (lo-likelihood function) khó khăn đánh giá thêm ý nghĩa thống kê ước lượng , , , Việc sử dụng phương pháp GARCH-M để xác định mối tương quan phi tuyến hạn chế Với tập hợp hệ số cần ước lượng cụ thể, rõ ràng phương pháp ước lượng hệ số sẵn có, mô hình GARCH-M nắm bắt chất chuỗi liệu thời gian tài mà theo biến động lớn nối tiếp tương tự cho thời kỳ ổn định Nhưng GARCH-M, lại bị giới hạn tập hợp hệ số xác định cách rõ ràng, dạng hàm phi tuyến cụ thể phương pháp ước lượng không hẳn luôn cho giá trị có ý nghĩa Vì thế, việc tập trung sử dụng mô hình phi tuyến cụ thể trở nên linh động vô hình chung bỏ qua mối tương quan phi tuyến khác Footer Page 65 of 126 Header Page 66 of 126 - 59 - Phụ lục 3: Các phương pháp chuẩn hóa liệu Hai số nhiều phương pháp phổ biến sử dụng trình chuẩn hóa liệu, lấy chênh lệch hai giá tri hai thời điểm (t; t-1) lấy logarit tự nhiên biến số đầu vào Đầu tiên phương pháp lấy chênh lệch, hay gọi phương pháp sử dụng thay đổi biến số qua thời gian, sử dụng để loại bỏ xu hướng tuyến tính từ liệu Bên cạnh đó, phép biến đổi logarit hữu ích liệu mà xuất đồng thời giá trị lớn bé đặc trưng phân phối xác suất có hình dạng lệch phải Một phương pháp chuyển đổi liệu sử dụng phổ biến khác sử dụng tỷ số biến đầu vào Các tỷ số nhấn mạnh mối quan hệ trọng yếu có biến đầu vào (ví dụ tỷ số báo cáo tài chính) giữ nguyên độ tự liệu lẽ số lượng nơ-ron sử dụng cho biến đầu vào Trong thống kê học, tượng mô hình hồi quy không hiệu lượng liệu đầu vào không đủ số lượng mối tương quan với số biến đầu vào gọi tượng phù hợp mức Tương tự, ứng dụng ANN, xảy tượng phù hợp mức, ANN ghi nhận mẫu hình thân liệu đầu vào mà mẫu hình đại diện cho quan hệ chất biến số Chính vậy, kết trả ANN hay mô hình dự báo truyền thống trước hoàn toàn xác tác dụng dự báo tương lai Và đó, vấn đề mà nhà nghiên cứu cần giải giảm bớt số biến đầu vào, phương pháp hiệu nhất, đề cập, lấy tỷ số biền đầu vào Bên cạnh phương pháp lấy chênh lệch, lấy logarit sử dụng tỷ số, nhà phân tích kỹ thuật cung cấp cho nhà nghiên cứu ứng dụng ANN vô số báo kỷ thuật để làm liệu đầu vào bao gồm trung bình di động, oscillators, đường phương hướng (directional movement), lọc dao động Nhà nghiên cứu khuyến khích sử dụng kết hợp số khác để làm giảm việc dư thừa biến số cung cấp cho hệ thống ANN khả thích ứng với thay đổi thị trường thông qua huấn luyện San liệu đầu vào đầu việc sử dụng trung bình di động đơn giản hàm mũ thường sử dụng Footer Page 66 of 126 Header Page 67 of 126 - 60 - Phụ lục 4: Ba cách tiếp cận để lựa chọn số lượng nơ-ron ẩn phù hợp Trong cách tiếp cận lựa chọn cố định, nhóm gồm nhiều ANN khác (với số lượng nơ-ron ẩn khác ANN) huấn luyện đánh giá hiệu dự báo tập hợp liệu kiểm tra Tất ANN có số nơron đầu phù hợp lựa chọn trước Số lượng nơ-ron ẩn ANN tăng dần theo bước tăng +1, +2, ,+n tùy theo khả tính toán hệ thống điện toán mà ANN vận hành Bình phương sai số kết dự báo mà ANN trả chạy tập hợp liệu kiểm tra ghi nhận vẽ đồ thị Trong trường hợp vấn đề nghiên cứu thể mối quan hệ hai biến số đầu vào, bình phương sai số biểu diễn theo paraboloic hướng lên Nếu có nhiều biến số đầu vào, bình phương sai số biểu diễn theo hình bát lật ngửa (với đáy bát hướng xuống) Hệ thống ANN số ANN thử nghiệm cho kết có bình phương sai số nhỏ (nằm gần khu vực đáy bát) lựa chọn để ứng dụng thực tế Phương pháp tiếp cận tiêu thụ thời lượng lớn nhà nghiên cứu, nhiên, lại phương pháp lựa chọn số lượng nơ-ron ẩn hiệu Phương pháp tiếp cận xây dựng triệt thoái, theo cách khác, điều chỉnh số lượng nơ-ron ẩn trình huấn luyện ANN thay xây dựng nhiều ANN khác (với số lượng nơ-ron ẩn khác nhau) vừa nói đến Tuy nhiên, nhược điểm cách tiếp cận thị trường nay, có phần mềm thương mại ứng dụng ANN cho phép người nghiên cứu điều chỉnh số lượng nơron ẩn trình huấn luyện Phương pháp tiếp cận xây dựng nói nhà nghiên cứu nên thêm vào nơ-ron ẩn độ phù hợp dự báo sụt giảm Ngược lại, phương pháp tiếp cận triệt thoái cho nhà nghiên cứu nên từ từ loại bỏ nơ-ron ẩn độ phù hợp kết dự báo sụt giảm Phụ lục 5: Mô hình mạng truyền thẳng lớp ẩn Mô hình mạng truyền thẳng sử dụng hàm kích hoạt logsigmoid mô tả qua hệ thống phương trình sau Đây cách tiếp cận phổ thông mô hình dự báo mạng thần kinh, sử dụng rộng rãi nhà nghiên cứu muốn thay mô hình dư báo tuyến tính truyền thống Footer Page 67 of 126 Header Page 68 of 126 - 61 ∗ = , + , = , , = , , + , ∗ = đó, + đại diện cho hàm kích hoạt logsigmoid dạng , ∗ hệ thống có biến đầu vào {x}, biến đầu vào thời điểm quan sát t, { tập hợp trọng số biến đầu vào) biến , ; , ; ∗ , Trong nơ-ron Một kết hợp tuyến tính } ; i = 1, 2… i*, với vector hệ số (còn gọi ; i = 1, 2…, i* số , hình thành nên Biến số “nén lại” hàm số logistic, trở thành nơ-ron , thời điểm quan sát t Tập hợp k* nơ-ron thời điểm t kết hợp cách tuyến tính với vector hệ số { }; k = 1, 2,…, k*, số hình thành nên giá trị dự báo thời điểm t Phụ lục 6: Mô hình mạng truyền thẳng đa lớp (Multi-layer feedforward neural network) Việc thiết lập nhiều lớp ẩn làm cho cấu trúc mô hình mạng trở nên phức tạp Hình minh họa mạng lưới truyền thẳng với hai lớp ẩn nơ-ron lớp Mô hình diễn đạt dạng hệ thống phương trình với ∗ nơ-ron lớp ẩn Footer Page 68 of 126 ; , = , = = , nơ-ron lớp ẩn thứ hai: + ∑ ∗ , , , ; + ∑ ∗ ; ; ∗ biến đầu vào ; ∗ Header Page 69 of 126 - 62 - , = = , + ∑ ∗ ; Khi thêm lớp ẩn thứ hai số hệ số cần phải ướng lượng tăng lượng ∗ ( ∗ với + 1)( ∗ − 1) + ( ∗ + 1); Vì với mạng truyền thẳng lớp, nơ-ron, ta có ( ∗ + 1) ∗ ∗ +( ∗ ∗ biến đầu vào + 1) hệ số, đó, thêm lớp ẩn nơ-ron số hệ số ( ∗ + 1) ∗ +( ∗ + 1) ∗ + ( ∗ + 1) Hình: Mô hình mạng truyền thẳng với hai lớp ẩn Nguồn: Paul D MaNelis (2005) “Neural Network in Finance” Mạng truyền thẳng đa lớp ẩn khiến cho mô hình trở nên phức tạp Với mô hình này, ta phải ước lượng nhiều hệ số mà đến lượt khiến ta phải chịu nhiều ràng buộc điều kiện số mẫu quan sát có giới hạn Bên cạnh đó, mô hình đòi hỏi thời gian huấn luyện nhiều Càng nhiều hệ số khả ước lượng hệ số rơi vào tối ưu cục bộ, thay tối ưu toàn cục, lớn (vấn đề bàn kỹ phần sau) Tuy vậy, ta để tâm đến ưu điểm việc sử dụng nhiều lớp ẩn Theo đó, mô hình mạng thần kinh nhân tạo hai lớp với trọng số huấn luyện có khả ước lượng hầu hết hàm phi tuyến Đây đặc điểm quan trọng tảng cho việc ứng dụng mô hình mạng thần kinh nhiều lĩnh vực khác Mô hình mạng thần kinh ước Footer Page 69 of 126 Header Page 70 of 126 - 63 - lượng hàm số đa biến cách xây dựng nên hàm số đồng thời điều chỉnh hàm số cho phù hợp Trong đó, mô hình hồi quy phi tuyến truyền thống dừng lại việc cố gắng điều chỉnh cho thích hợp với hàm số định sẵn Chính lợi giúp cho mô hình mạng thần kinh trở nên vượt trội so với công cụ hồi quy thống kê cổ điển khác Phụ lục 7: Mô hình mạng truyền thẳng kết hợp bước nhảy (Jump connection) Một thay khác cho mô hình mạng truyền thẳng mô hình mạng truyền thẳng kết hợp với kết nối nhảy (jump connection) Theo đó, biến đầu vào mối tương quan tuyến tính với nơ-ron lớp ẩn mà với biến đầu Hình 1.5 minh họa mô hình mạng truyền thẳng kết hợp bước nhảy (Feedforward jump connection network), mô hình gồm ba biến đầu vào, lớp ẩn với hai nơron ( ∗ =3; ∗ = 2) Hình : Mô hình mạng truyền thẳng kết nối nhảy Nguồn: Paul D MaNelis (2005) “Neural Network in Finance” Mô hình viết lại dạng hệ thống phương trình toán học, sử dụng hàm kích hoạt Logsigmoid sau: Footer Page 70 of 126 , = , = , + ∑ , = ∗ , , , Header Page 71 of 126 - 64 - +∑ = ∗ ; + ∑ ∗ ; Lưu ý mô hình mạng truyền thẳng có bước nhảy nhảy kết nối làm cho số hệ ∗ số cần ước lượng mạng lưới gia tăng lượng , với số lượng biến đầu vào Ưu điểm loại mô hình kết hợp mô hình tuyến tính với mô hình mạng thần kinh truyền thẳng Thông qua đó, mô hình cho phép hàm phi tuyến đồng thời có thành phân tuyến tính thành phần phi tuyến Nếu mối tương quan biến đầu vào biến đầu đơn tuyến tính phần “bước nhảy kết nối trực tiếp” (giữa biến đầu vào biến đầu ra) với tập hợp hệ số { } ; = 1, … , ∗ có ý nghĩa Ngược lại, mối tương quan x y kỳ vọng mô quan hệ phi tuyến phức tạp kh đó, tập hợp hệ số { } { } có ý trở nên có ý nghĩa tất nhiên tập hợp hệ số { } có mức ý nghĩa thống kê không cao Và cuối xảy trường hợp mối quan hệ tập hợp biến đầu vào { } biến đầu { }bao gồm thành phần tuyến tính phi tuyến, kết { }; { }; { } có ý nghĩa Phụ lục 8: Kết kiểm định mẫu mô hình GNN-7-4-1 Desired Output and Actual Network Output 0.035 0.03 0.025 Output 0.02 0.015 INF 0.01 INF Output 0.005 -0.005 -0.01 -0.015 Exemplar Footer Page 71 of 126 10 11 12 13 14 15 Header Page 72 of 126 - 65 - Phụ lục 9: Kết kiểm định mẫu mô hình GNN-7-4-4-4-1 Desired Output and Actual Network Output 0.04 0.035 0.03 Output 0.025 0.02 INF 0.015 INF Output 0.01 0.005 -0.005 Exemplar Footer Page 72 of 126 10 11 12 13 14 15 Header Page 73 of 126 - 66 - DANH MỤC TÀI LIỆU THAM KHẢO  Phạm Thế Anh (2009), “Xác định nhân tố định lạm phát Việt Nam”, Tạp chí Kinh tế & Phát triển Nguyễn Ngọc Bảo (2011), “Điều hành sách tiền tệ năm 2010, định hướng giải pháp 2011”, Tạp chí Ngân hàng số 2-3/2011 Lê Xuân Đình (2010), “Cẩn trọng với đồng hành lạm phát thiểu phát”, Tạp chí Cộng sản số 23 (215) năm 2010 Nguyễn Trọng Hoài – Nguyễn Hoài Bảo (2009), “Lạm phát Việt Nam kiểm chứng thực nghiệm mô hình P-star”, NXB Thống Kê Trần Ngọc Thơ tác giả (2008), “Tài quốc tế”, NXB Thống Kê Khuất Duy Tuấn (2011), “Bài phối hợp sách tài khóa sách tiền tệ việc kiểm soát lạm phát Việt Nam”, Tạp chí Ngân hàng số 4/2011 Phạm Thị Thu Trang (2009), “Các yếu tố tác động tới lạm phát Việt Nam – Phân tích chuỗi thời gian phi tuyến”, Tạm chí Kinh tế Dự báo, số 12 năm 2009 Đỗ Văn Thành – Trần Thị Kim Dung (2011), “Dự báo lạm phát năm 2011 tác động việc tăng giá điện, than, xăng đến hình thành mặt giá lạm phát”, Trung tâm Thông tin Dự báo Kinh tế - Xã hội quốc gia Nguyễn Đức Thành tác giả (2010), “Lựa chọn để tăng trưởng bền vững”, NXB Tri Thức 10 Nguyễn Huy Vũ (2010), “Định hướng lạm phát, sách tiền tệ mới”, Tạp chí Tia Sáng tháng 7/2010 11 Thời báo kinh tế Sài gòn (2008), “Đối mặt với lạm phát”, NXB Trẻ 12 Iebeling Kaastra – Milton Boyd (1996) – “Designing a neural network for forecasting financial and economic time series”, Elsevier Neurocomputing Footer Page 73 of 126 Header Page 74 of 126 - 67 - 13 Joarder Kamruzzaman et al (2006), “Artificial Neural Network in Finance and Manufacturing”,Idea Group Publising 14 Jingtao – Chew Lim Tan (2000) – “Guidelines for financial forecasting with Neural network”, International Conference on Neural Information Processing 15 Jingtao Yao et al (1999) – “Neural Network for technical analysis: A study on KLCI”, International Joural of Theoretical and Applied Finance, Vol 2, No.2 16 Juthathip Jongwanich – Donghyun Park (2008), “Inflation in Devloping Asia: Demand pull or cost push?”, Aisa Development Bank working paper No.121 17 Kate Smith – JatInder Gupta (2002), “Neural Network in Business: Techniques and Application”, Idea Group Publishing 18 Paul McNelis – Peter McAdam (2004), “Forecasting inflation with thick model and neural network”, European Central Bank – Working paper No.352 19 Yochanan Shachmurove – Dorota Witkowska (2000), “Utilizing artificial neural network model to predict stock market”, CARESS working paper No.00-11 20 Robert R Trippi – Afrain Turban (1996), “Neural Network in Finance and Investing” , IRWIN Professional Publishing 21 World Bank (2008 – 2010), “Taking Stock – An update on Vietnam’s recent economic development” Footer Page 74 of 126 ... - Ứng dụng dự báo lạm phát Bên cạnh việc dự báo giá chứng khoán, dự báo xác suất phá sản doanh nghiệp mô hình mạng thần kinh bước đầu ứng dụng dự báo biến vĩ mô tỷ giá, tăng trưởng kinh tế lạm. .. Chương 1: Cơ sở lý thuyết lạm phát mô hình mạng thần kinh nhân tạo Chương 2: Ứng dụng mô hình mạng thần kinh dự báo lạm phát Việt Nam Chương 3: Một số gợi mở từ kết mô hình Đóng góp đề tài Đề tài... khác lạm phát 1.2 Mô hình mạng thần kinh nhân tạo .7 1.2.1 Ý tưởng tảng mô hình mạng thần kinh 1.2.2 Mô hình mạng thần kinh đơn giản 1.2.3 Cấu tạo mô hình mạng thần kinh