Ứng dụng mô hình mạng thần kinh dự báo lạm phát việt nam

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

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 và các nghiên cứu về lạm phát ............................................3

1.1.1. Các quan điểm về lạm phát ...............................................................................3

1.1.2. Phân loại lạm phát ............................................................................................4

1.1.3. Tác động của lạm phát ......................................................................................4

1.1.3.1. Tác động phân phối lại thu nhập của lạm phát .........................................5

1.1.3.2. Tác động của lạm phát đối với tăng trưởng kinh tế ..................................5

1.1.3.3. Tác động của lạm phát lên tỷ giá hối đoái ................................................6

1.1.3.4. Các tác động khác của lạm phát ..............................................................7

1.2. Mô hình mạng thần kinh nhân tạo .......................................................................7

1.2.1. Ý tưởng nền tảng của mô hình mạng thần kinh .................................................8

1.2.2. Mô hình mạng thần kinh đơn giản ....................................................................9

1.2.3. Cấu tạo của 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

ii 1.2.4.2. Thu thập và xử lý dữ liệu ......................................................................... 18

1.2.4.3. Sắp xếp lại bộ dữ liệu .............................................................................. 19

1.2.4.4. Xây dựng cấu trúc mô hình mạng ............................................................ 21

1.2.4.4.1. Số lớp ẩn của mô hình mạng truyền thẳng đa lớp ........................ 21

1.2.4.4.2. Số nơ-ron của mỗi lớp ẩn trong mô hình mạng ............................ 21

1.2.4.5. Huấn luyện mạng và các tiêu chuẩn đánh giá mô hình ............................. 22

1.2.5. Bằng chứng thực nghiệm của mô hình mạng thần kinh .................................... 22

1.2.5.1. Ứng dụng trong dự báo tài chính ............................................................. 23

1.2.5.2. Ứng dụng trong xếp hạng tín dụng ........................................................... 23

1.2.5.3. Ứng dụng trong dự báo lạm phát ............................................................. 24

1.2.5.4. Một số ứng dụng khác của 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 của mô hình ................................................................... 27

2.2. Thu thập và xử lý dữ liệu ....................................................................................... 32

2.3. Sắp xếp lại bộ dữ liệu ............................................................................................ 36

2.4. Xây dựng mô hình dự báo lạm phát ....................................................................... 36

2.5. Kết quả thực nghiệm của mô hình và kết luận ....................................................... 39

CHƯƠNG 3: MỘT SỐ GỢI MỞ TỪ KẾT QUẢ MÔ HÌNH .................................. 48

3.1. Gợi ý về hướng nghiên cứu tiếp theo ..................................................................... 48

3.2. Gợi ý chính sách .................................................................................................... 49

KẾT LUẬN

PHẦN PHỤ LỤC

TÀI LIỆU THAM KHẢO

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 nhất (Ordinary least squares)

OPEC Hiệp hội các nước xấu khẩu dầu mỏ (Organization of the Petroleum

Exporting Countries)

VN Việt Nam

iv DANH MỤC BẢNG BIỂU

Danh mục bảng.................................................................................................... Trang

Bảng 2.1: Mô tả các biến cơ sở và ký hiệu sử dụng ...................................................... 34

Bảng 2.2: Một số chỉ số thống kê cơ bản của các biến cơ sở ........................................ 35

Bảng 2.3: Thống kê các mô hình mạng được sử dụng .................................................. 38

Bảng 2.4: Kết quả kiểm định ngoài mẫu chuỗi các mô hình MLF

sử dụng hàm kích hoạt log-sigmoid ............................................................. 40


sử dụng hàm kích hoạt tag-sigmoid .............................................................. 40

Bảng 2.6: Kết quả kiểm định ngoài mẫu chuỗi các mô hình GNN ................................ 44

v DANH MỤC HÌNH

Danh mục hình .................................................................................................... Trang

Hình 1.1: Cấu trúc nơ-ron trong não bộ và hệ thần kinh .................................................9

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)

và mạng phản hồi (feed back) ...................................................................... 13

Hình 1.5: Mô hình mạng truyền thẳng một lớp ẩn ........................................................ 14

Hình 2.1: Tốc độ tăng trưởng cung tiền M2, tín dụng và lạm phát ............................... 28

Hình 2.2: Giá dầu thô và tỷ lệ lạm phát hàng tháng ...................................................... 29

Hình 2.3: Giá xăng dầu trên thị trường trong nước và thế giới ..................................... 30

Hình 2.4: Tỷ trọng các nhân tố ảnh hưởng đến chỉ số CPI của Việt Nam ..................... 31

Hình 2.5: Tỷ lệ lạm phát hàng tháng và trung bình lạm phát 3 kỳ trước đó .................. 33

Hình 2.6: Kết quả kiểm định ngoài mẫu mô hình MLF 7-3-1 ....................................... 41



Hình 2.9: Kết quả kiểm định ngoài mẫu mô hình MLF 7-4-3-1 ................................... 43

Hình 2.10: Kết quả kiểm định ngoài mẫu mô hình MLF 7-5-4-1 ................................. 43

Hình 2.11: Kết quả kiểm định ngoài mẫu mô hình MLF 7-3-2-1 ................................. 44

Hình 2.12: Chuỗi giá trị INF dự báo từ các mô hình GNN ........................................... 45

Hình 2.13: Chuỗi giá trị INF dự báo trung bình

từ các mô hình MLF-GNN và chuỗi thực tế ................................................. 46

vi DANH MỤC PHỤ LỤC

Danh mục phụ lục ............................................................................................... Trang

Phụ lục 1: Các chỉ số đo lường lạm phát ...................................................................... 54

Phụ lục 2: Mô hình hồi quy tuyến tính ......................................................................... 55

Phụ lục 3: Các phương pháp chuẩn hóa dữ 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 một lớp ẩn ...................................................... 60

Phụ lục 6: Mô hình mạng truyền thẳng đa lớp ............................................................. 61

Phụ lục 7: Kết quả kiểm định ngoài mẫu mô hình MLF-7-5-4-1 .................................. 63

Phụ lục 8: Kết quả kiểm định ngoài mẫu mô hình GNN-7-4-1 ..................................... 64

Phụ lục 9: Kết quả kiểm định ngoài mẫu mô hình GNN-7-4-4-4-1 .............................. 65

- 1 -

LỜI MỞ ĐẦU

1. Lý do chọn đề tài.

Nếu như lạm phát trong nền kinh tế Việt Nam được duy trì ổn định trong suốt những

năm 2000 thì đến năm 2004, lạm phát bắt đầu tăng tốc mà đỉnh điểm là năm 2008, tỷ

lệ lạm phát đạt đến mức gần 20%. Trong nửa năm đầu 2011, tỷ lệ lạm phát đã vào

khoảng 13%. Lạm phát, nhất là lạm phát cao đã tác động đến nhiều mặt đời sống kinh

tế - xã hội: làm tăng chi phí sản xuất kinh doanh và giảm khả năng cạnh tranh của các

doanh nghiệp; làm méo mó nền kinh tế và làm cho việc thực hiện các kế hoạch chi

tiêu và tiết kiệm của dân chúng bị đảo lộn, gây tác động xấu đến những người có thu

nhập thấp, đặc biệt là những người sống chủ yếu bằng nguồn thu nhập từ tiền lương.

Trong bối cảnh đó, lạm phát mục tiêu, một công cụ của chính sách tiền tệ, đang dần

được chú ý nhiều hơn bởi các nhà điều hành chính sách lẫn giới nghiên cứu học thuật

bởi tính hiệu quả của nó trong việc ổn định giá cả, thúc đẩy tăng trưởng. Tuy nhiên,

một trong những điều kiện tiên quyết cho việc sử dụng hiệu quả công cụ lạm phát

mục tiêu chính là công tác dự báo của Ngân hàng Nhà nước đối với xu hướng chung

của giá cả để từ đó đề ra những biện pháp chủ động đưa mức lạm phát về mức mục

tiêu kỳ vọng. Mặt khác, nhận thấy tiềm năng của mô hình mạng thần kinh phi tuyến

trong việc dự báo các biến số vĩ mô như tỷ giá, lạm phát, tăng trưởng… bên cạnh các

mô hình truyền thống được minh chứng trong các nghiên cứu thực nghiệm. Trên cơ

sở đó, đề tài “Ứng dụng mô hình mạng thần kinh dự báo lạm phát Việt Nam” đã

được lựa chọn để tiến hành nghiên cứu.

2. Mục tiêu nghiên cứu.

Mục tiêu của đề tài là hướng đến việc xây dựng mô hình mạng thần kinh phù hợp để

dự báo tỷ lệ lạm phát của Việt Nam. Để hoàn thành mục tiêu trên, bài nghiên cứu sẽ

lần lượt trả lời cho các câu hỏi:

- Thế nào là mô hình mạng thần kinh nhân tạo? Mô hình có những đặc điểm

nổi bật gì so với các mô hình tuyến tính truyền thống và cơ chế vận hành

của mô hình này như thế nào?

- 2 -

- Cấu trúc mô hình mạng nào sẽ phù hợp nhất để dự báo tỷ lệ lạm phát của

Việt Nam?

- Những gợi ý nào có thể được đưa ra từ kết quả thực nghiệm của mô hình?

3. Kết cấu đề tài.

Để đi vào giải quyết mục tiêu nghiên cứu trên, đề tài được xây dựng với kết cấu gồm

ba chương với nội dung như sau:

Chương 1: Cơ sở lý thuyết về lạm phát và 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 quả mô hình.

4. Đóng góp của đề tài.

Đề tài đã góp phần vào việc hệ thống hóa các khái niệm và nguyên lý nền tảng của

mô hình mạng, cơ chế vận hành của mô hình cùng với quy trình các bước để tiến

hành ứng dụng xây dựng mô hình trong dự báo thực tiến. Tiếp đó, kết quả thực

nghiệm đã cho thấy cấu trúc mạng tốt nhất để dự báo tỷ lệ lạm phát hàng tháng ở Việt

Nam là mô hình truyền thẳng giản đơn với một lớp ẩn và ba nơ-ron ẩn. Cuối cùng,

trên cơ sở kết quả thực nghiệm của mô hình, một số gợi ý về chính sách điều hành

lạm phát trong thời gian tới đã được đưa ra.

5. Hướng phát triển đề tài.

Mô hình mạng thần kinh được sử dụng trong đề tài chỉ là mô hình mạng truyền thẳng

giản đơn, do vậy, những nghiên cứu trong thời gian tới hướng đến việc áp dụng mô

hình mạng có phản hồi hoặc kết hợp với thuật toán di truyền và logic mờ để xây dựng

các mô hình “lai tạp” kỳ vọng sẽ góp phần vào việc nâng cao hiệu quả dự báo. Mặt

khác, bên cạnh lạm phát thì mô hình còn có thể được ứng dụng trong dự báo các biến

số khác như tỷ giá, tốc độ tăng trưởng GDP… Ngoài ra, một hướng phát triển khả dĩ

khác cho đề tài chính là ứng dụng mô hình trong hoạt động phân loại đối tượng đi

vay để hỗ trợ cho quá trình thẩm định tín dụng của các ngân hàng.

- 3 - CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VỀ LẠM PHÁT

VÀ MÔ HÌNH MẠNG THẦN KINH NHÂN TẠO

1.1. Tổng quan lý thuyết và các nghiên cứu về lạm phát.

1.1.1. Các quan điểm về lạm phát

Khi nghiên cứu về chế độ bản vị vàng, Karl Marx đã khẳng định: việc phát hành tiền

giấy phải được giới hạn trong số lượng vàng sẽ thực sự lưu thông dưới hình thức là

các đại diện tiền giấy của mình. Một khi lượng tiền giấy vượt quá mức giới hạn này

thì tiền giấy sẽ mất dần giấy trị làm gia tăng mức giá chung của tất cả các loại hàng

hóa và tình trạng lạm phát xuất hiện. Theo đó, lạm phát, dưới quan điềm của Karl

Marx, được định nghĩa như sau: Lạm phát là việc các kênh, các luồng lưu thông tràn

đầy những tờ giấy bạc dư thừa dẫn đến sự tăng vọt trong mức giá chung.

Cũng bàn về vấn đề lưu thông tiền tệ, Milton Friendman đã từng phát biểu: Lạm phát

ở mọi lúc mọi nơi đều là hiện tượng của lưu thông tiền tệ. Lạm phát xuất hiện và chỉ

xuất hiện khi nào số lượng tiền trong lưu thông tăng nhanh hơn so với sản xuất.

Tuy nhiên, John Keynes với thuyết cầu của mình cho rằng nguồn gốc sâu xa của lạm

phát là sự biến động cung cầu. Khi cung đã vượt xa cầu thì sản xuất sẽ đình đốn, nền

kinh tế bị suy giảm. Lúc đó, Nhà Nước buộc phải tung ra các khoản chi tiêu, đầu tư

công lớn, tăng cường các chính sách tín dụng nhằm kéo mức cầu của cả nền kinh tế

về cân bằng và vượt qua tổng cung. Lúc này, lạm phát đã xuất hiện. Trong trường

hợp nền kinh tế phát triển hiệu quả, áp dụng những tiến bộ khoa học kỹ thuật, cơ cấu

kinh tế được đổi mới thành công; lạm phát này có tác dụng thúc đẩy sản xuất. Ngược

lại, lạm phát, theo Keynes, đã không còn là động lực phát triển của nền kinh tế.

Với Paul A. Samuelson thì lạm phát xảy ra khi mức tăng trong chi phí sản xuất, kinh

doanh cao hơn mức tăng trong năng suất lao động. Chi phí gia tăng có thể do sự gia

tăng trong mức tiền lương, chi phí nguyên vật liệu đầu vào, hoặc cũng có thể là do

công nghệ lạc hậu, cơ chế quản lý cồng kềnh… Khi mức chi phí này vượt qua khỏi

sự bù đắp của năng suất lao động thì giá cả các mặt hàng sẽ tăng vọt và lạm phát xuất

hiện. Lúc này, lạm phát không còn là động lực để phát triển nữa mà nó sẽ khiến cho

nền kinh tế bị suy thoái, cần các biện pháp cấp bách nhằm khống chế lạm phát.

- 4 - Tóm lại, có rất nhiều góc nhìn khác nhau về lạm phát. Mỗi quan điểm, lý thuyết chỉ

giải thích cho một số thời kỳ nhất định và ngày càng nhiều quan điểm mới ra đời

cùng sự phát triển của nền kinh tế. Nhìn chung, dưới bất kỳ quan điểm nào lạm phát

cũng được đặc trưng bởi 3 điểm chính yếu sau:

o Sự gia tăng quá mức của lượng tiền trong lưu thông.

o Dẫn đến sự mất giá của đồng tiền.

o Từ đó, khiến cho giá cả các loại mặt hàng tăng cao.

1.1.2. Phân loại lạm phát

Xét về định tính, lạm phát được nhà kinh tế học Paul A. Samuelson phân thành hai

loại như sau:

Lạm phát cân bằng và có thể dự đoán trước:

Đây là loại lạm phát khi toàn bộ giá cả của nền kinh tế đều tăng và mức tăng này đã

được dự đoán trước thì thu nhập của người dân cũng đồng thời được tăng lên một

cách tương ứng. Theo đó, lạm phát cân bằng và có thể dự đoán trước sẽ không gây ra

một tác hại nào cho việc sản xuất kinh doanh, tốc độ tăng trưởng của kinh tế hay việc

phân phối thu nhập của người dân.

Lạm phát không cân bằng và không được dự đoán trước:

Loại lạm phát này xảy ra khi mức giá cả các loại hàng hóa, dịch vụ tăng không đều

nhau, vượt xa mức tăng trong tiền lương và không được dự báo trước. Đây là loại

phát gây khó khăn cho người dân, thiệt hại cho cả nền kinh tế. Một khi lạm phát này

xảy ra đồng tiền bị mất giá khiến cho những người nắm giữ hàng hóa giàu lên trong

khi những người cầm tiền thì lại nghèo đi một cách tương đối, thu nhập được phân

phối lại. Vì thế dẫn đến tình trạng đầu cơ tích trữ hàng hóa, ngoại tệ, vàng bạc, bất

động sản… gây ra trạng thái khan hiếm hàng hóa, bóp méo, xuyên tạc các yếu tố thị

trường, ảnh hưởng đến cả hoạt động sản xuất kinh doanh.

1.1.3. Tác động của lạm phát

Lạm phát có những ảnh hưởng nhất định đến sự phát triển kinh tế - xã hội tùy theo

mức độ của nó. Một điểm quan trọng là tác động của lạm phát phụ thuộc rất nhiều

vào việc lạm phát đó có dự đoán trước được hay không. Điều này có nghĩa là nếu

doanh nghiệp, các hộ gia đình hoàn toàn có thể dự báo được mức độ lạm phát thì khi

đó, lạm phát sẽ không trở nên gánh nặng cho nền kinh tế bởi ta đã có được những giải

- 5 - pháp để thích nghi với nó. Trong khi đó, lạm phát không dự đoán trước sẽ dẫn đến

những quyết định đầu tư sai lầm và phân phối lại thu nhập một cách ngẫu nhiên làm

mất tinh thần và sinh lực của nền kinh tế.

1.1.3.1. Tác động phân phối lại thu nhập của lạm phát.

Tác động phân phối lại thu nhập của lạm phát chủ yếu phát sinh bởi hầu hết các

khoản nợ hoặc tài sản đều được xác định theo giá trị danh nghĩa và gắn liền với

những khoản kỳ hạn cố định. Ví dụ, các khoản tiết kiệm ngân hàng, trái phiếu của

doanh nghiệp và Chính phủ hoặc các khoản nợ khác… đều không được điều chỉnh

theo lạm phát. Vì vậy, khi lạm phát tăng cao, giá trị của những khoản nợ và tài sản

này sẽ bị giảm xuống. Đó là do trong điều kiện lạm phát, giá của hầu hết các hàng

hóa và dịch vụ trong nền kinh tế đều tăng trong khi các khoản chi trả gắn liền với

những khoản nợ hoặc tài sản này vẫn luôn giữ cố định. Nghiên cứu của Césaire A.

Meh (2009), trên cơ sở dữ liệu của Ngân hàng Trung Uơng Canada, đã lượng hóa tác

động tác động của lạm phát đối với việc phân phối lại thu nhập. Kết quả cho thấy tác

động này thật sự đáng kể cho dù lạm phát chỉ ở mức thấp.

1.1.3.2. Tác động của lạm phát đối với tăng trưởng kinh tế.

Hầu hết mọi người đều đồng ý rằng lạm phát cao sẽ tác động bất lợi đối với nền kinh

tế. Thế nhưng, các nghiên cứu lại không đồng nhất quan điểm về mối tương quan

giữa lạm phát và tăng trưởng. Lý thuyết cổ điển cho rằng, giữa tăng trưởng và lạm

phát tồn tại mối tương quan dương. Tuy nhiên, những nghiên cứu thực nghiệm ban

đầu về vấn đề này hầu như chưa thể đưa ra một kết luận rõ ràng về mối tương quan

giữa hai biến số trên. Một trong những nguyên nhân này theo Michael và William

(1996) là do giới hạn trong việc xác định mối tương quan phi tuyến, được cho là vốn

dĩ tồn tại trong mối quan hệ giữa lạm phát và tăng trưởng. Nghiên cứu của Robert

(1996), sử dụng dữ liệu của gần 100 quốc gia trong giai đoạn từ năm 1960 đến 1990

để đánh giá tác động của lạm phát lên tăng trưởng kinh tế, đã đưa ra kết luận như sau:

khi lạm phát gia tăng ở mức trung bình khoảng 10% thì tỷ tăng trưởng GDP bình

quân đầu người sẽ giảm khoảng 0.4 – 0.6%. Mức tác động này không thật sự lớn.

Tuy nhiên, nghiên cứu của Min Li (2005) sử dụng dữ liệu lạm phát và tăng trưởng ở

90 quốc gia đang phát triển và 25 nước phát triển đã cho thấy sự tồn tại mối tương

quan phi tuyến giữa hai biến số này. Kết quả nghiên cho thấy, tại các nước đang phát

- 6 - triển tồn tại hai mức ngưỡng của lạm phát. Khi lạm phát dưới mức ngưỡng đầu tiên,

tác động của lạm phát đối với tăng trưởng hầu như không đáng kể và đặc biệt trong

một số trường hợp tồn tại mối tương quan dương. Tiếp đó, trong trường hợp nằm

trong khoảng giữa hai mức ngưỡng thì lạm phát sẽ có tác động đáng kể đến tăng

trưởng theo hướng nghịch chiều. Cuối cùng, khi lạm phát vượt hơn mức ngưỡng thứ

hai, “lạm phát phi mã” trong trường hợp này vẫn cho thấy tác động âm đối với tăng

trưởng. Tuy nhiên, mức độ tác động biên của lạm phát lúc này hầu như suy giảm.

1.1.3.3. Tác động của lạm phát lên tỷ giá hối đoái.

Theo lý thuyết, trong điều kiện các yếu tố khác không đổi, khi tỷ lệ lạm phát của một

nước tăng tương đối so với lạm phát của một nước khác, sẽ dẫn đến sự sụt giảm trong

cầu nhập khẩu đối với hàng hóa của quốc gia này. Trong khi đó, quốc gia có lạm phát

cao sẽ có khuynh hướng nhập khẩu nhiều hơn. Hai tác động này cũng lúc tạo áp lực

làm giảm giá đồng tiền của nước có mức lạm phát cao hơn. Tỷ lệ lạm phát thường

khác nhau giữa các quốc gia, tạo nên các kiểu mậu dịch quốc tế để điều chỉnh thích

hợp và quá trình này sẽ ảnh hưởng đến tỷ giá hối đoái. Mối liên hệ giữa lạm phát và

tỷ giá đã được giải thích bằng lý thuyết ngang giá sức mua (Purchasing power parity

– PPP). Hình thức tuyệt đối của lý thuyết này cho rằng giá cả của các sản phẩm giống

nhau của hia nước khác nhau sẽ bằng nhau khi được tính bằng một đồng tiền chung.

Theo đó, nếu sự chênh lệch trong giá cả hàng hóa khi được tính bằng một đồng tiền

chung hiện hữu, mức cầu sẽ dịch chuyển để các mức giá này gặp nhau. Tỷ giá hối

đoái của đồng tiền hai nước sẽ luôn điều chỉnh để duy trì sự ngang giá trong sức mua.

Do vậy mà lạm phát sẽ có tác động đến tỷ giá hối đoái. Tuy nhiên, các nghiên cứu

thực nghiệm đã cho thấy là tình trạng ngang giá không phải luôn tồn tại. Phần trăm

thay đổi tỷ giá hối đoái thường biến chuyển nhiều hơn chênh lệch lạm phát hai quốc

gia. Trong một số trường hợp, lý thuyết ngang giá sức mua không thể dự đoán được

ngay cả chiều hướng biến động của một đồng tiền. Điều này được lý giải một phần là

do lạm phát không phải là yếu tố duy nhất tác động đến tỷ giá. Bên cạnh lạm phát, tỷ

giá còn chịu ảnh hưởng của các yếu tố khác như: lãi suất, mức thu nhập và sự can

thiệp của Chính phủ.

- 7 - 1.1.3.4. Các tác động khác của lạm phát.

Trong điều kiện lạm phát cao và không dự đoán trước được, cơ cấu nền kinh tế dễ bị

mất cân đối vì khi đó các nhà kinh doanh thường hướng đầu tư vào những khu vực

hàng hóa có giá cả tăng lên cao, những ngành sản xuất có chu kỳ ngắn, thời gian thu

hồi vốn nhanh, hạn chế đầu tư vào những ngành sản xuất có chu kỳ dài, thời gian thu

hồi vốn chậm vì có nguy cơ gặp phải nhiều rủi ro.

Bên cạnh đó, trong lĩnh vực lưu thông, khi vật giá tăng quá nhanh thì tình trạng đầu

cơ, tích trữ hàng hóa thường là hiện tượng phổ biến, gây nên mất cân đối giả tạo làm

cho lưu thông hàng hóa càng thêm rối loạn.

Lạm phát hoặc siêu lạm phát làm cho hoạt động của hệ thống tín dụng rơi vào tình

trạng khủng hoảng. Nguồn tiền gửi trong xã hội bị sụt giảm nhanh chóng, nhiều ngân

hàng bị phá sản do mất khả năng thanh toán. Lạm phát điều chỉnh quá nhanh, biểu

giá thường xuyên thay đổi làm cho lượng thông tin trong giá cả bị phá hủy, các tính

toán kinh tế bị sai lệch nhiều theo thời gian, từ đó gây khó khăn cho các hoạt động

đầu tư.

Hơn nữa, lạm phát còn gây thiệt hại cho ngân sách Nhà nước bằng việc bào mòn giá

trị thực của các khoản công phí. Lạm phát kéo dài và không dự đoán trước được làm

cho nguồn thu ngân sách Nhà nước bị giảm do sản xuất bị suy thoái. Tuy nhiên, lạm

phát cũng có tác động làm gia tăng số thuế mà Nhà nước thu được trong những

trường hợp nhất định.

1.2. Mô hình mạng thần kinh nhân tạo.

Dưới góc độ khoa học máy tính, mô hình mạng thần kinh vốn là một trong những

ứng dụng của ngành khoa học trí tuệ nhân tạo. Trí tuệ nhân tạo được mô tả là một

phần mềm có khả năng mô phỏng tương tự một số hoạt động của con người. Cụ thể

hơn, đấy là những hệ thống có khả năng tự học hỏi, chuyển hóa dữ liệu thành “kiến

thức” (knowledge) để giải quyết một vấn đề nào đó. Mặc dù chỉ mới được ứng dụng

trong lĩnh vực kinh tế - tài chính trong thời gian gần đây, các công cụ trí tuệ nhân tạo

đã có một thời gian dài được sử dụng ở những lĩnh vực khác. Phần lớn các ứng dụng

của trí tuệ nhân tạo được bắt nguồn từ những quy luật của khoa học tự nhiên mà điển

hình là thuật toán di truyền, một trong những ứng dụng được vận dụng nhiều trong

- 8 - các nghiên cứu tài chính những năm gần đây. Thuật toán này được sử dụng để tìm

kiếm giải pháp thích hợp cho các bài toán tốt dựa trên việc vận dụng các nguyên lý

của quy luật tiến hóa như di truyền, đột biến, chọn lọc tự nhiên và trao đổi chéo. Bên

cạnh đó khoa học về trí tuệ nhân tạo còn có những ứng dụng khác như lý thuyết hỗn

loạn (chaos theory), thuật toán mô phỏng luyện kim (simulated annealing), hệ chuyên

gia (expert system) và lý thuyết logic mờ (Fuzzy logic)…

Tuy nhiên, trong số những ứng dụng của trí tuệ nhân tạo thì mô hình mạng thần kinh

(Artificla Neural Network) được cho là có khả năng thích nghi tốt nhất với yếu tố

“bất định”, vốn tồn tại trong các biến số kinh tế - tài chính và tạo nên rủi ro cho các

chủ thể kinh tế trong quá trình ra quyết định. Mô hình mạng thần kinh đã giải quyết

vấn đề này tốt hơn so với các công cụ khác là do khả năng nhận biết các mẫu hình

trong chuỗi dữ liệu để từ đó đưa ra những dự báo về xu hướng biến động trong tương

lai. Đây vốn là khả năng đặc biệt của não bộ con người mà mô hình mạng nhân tạo

đã mô phỏng được. Những ý tưởng cơ bản về cách thức hoạt động của não bộ sẽ giúp

cho việc tìm hiểu mô hình dễ dàng hơn.

1.2.1. Ý tưởng nền tảng của mô hình mạng thần kinh.

Não bộ và hệ thần kinh của con người được cấu thành bởi các tế bào được gọi là nơ-

ron. Theo như minh họa trong hình, mỗi nơ-ron sẽ bao gồm các thành phần chính

thực hiện nhiệm vụ tiếp nhận tín hiệu đầu vào, xử lý và cho ra các phản ứng ở đầu ra.

Bộ phận đầu vào sẽ tiếp nhận các xung thần kinh vốn dĩ là tín hiệu đầu ra của các nơ-

ron khác thông qua các khớp thần kinh. Khi tiếp nhận những tín hiệu đầu vào này, bộ

phận xử lý trung tâm của nơ-ron sẽ tổng hợp chúng lại và so sánh với mức “ngưỡng

phản ứng đầu ra”. Theo đó, chỉ khi nào các tín hiệu kích thích đầu vào vượt qua mức

ngưỡng này thì nơ-ron mới được kích hoạt và phản ứng lại bằng cách truyền tín hiệu

đầu ra đến một nơ-ron khác. Mức độ phản ứng của mỗi nơ-ron sẽ phụ thuộc vào mức

độ của các kích thích đầu vào và bản thân nơ-ron mà nó đã được nhận tín hiệu. Khi

các tín hiện được lan truyền giữa các nơ-ron thì sẽ dần hình thành nên một hệ thống

mạng lưới các nơ-ron được kích hoạt đồng thời và đây chính là nguồn gốc cho sự kỳ

diệu của não bộ con người trong việc nhận dạng các mẫu hình từ quá khứ.

- 9 -

Hình 1.1: Cấu trúc nơ-ron trong não bộ và hệ thần kinh

1.2.2. Mô hình mạng thần kinh đơn giản.

Tương tự não bộ con người, hệ thống mạng thần kinh cũng bao gồm một tập hợp các

nơ-ron nhân tạo. Mỗi nơ-ron sẽ tiếp nhận thông tin đầu vào, xử lý chúng và cho ra giá

trị đầu ra. Quá trình này được thể hiện trong hình dưới. Giá trị đầu vào của mỗi nơ-

ron có thể là dữ liệu thô hoặc cũng có thể là đầu ra của một nơ-ron khác. Tiếp đó, các

nơ-ron nhân tạo này sẽ được được liên kết với nhau và sắp xếp thành các phân lớp

(layer).

Tương tự các mô hình hồi quy truyền thống, mô hình mạng thần kinh sẽ xác lập mối

quan hệ giữa một tập hợp các biến đầu vào {xi}, i = 1, 2,…, k với một hoặc nhiều

biến đầu ra, {yj}, j = 1, 2,…, k* . Điều khác biệt là ở sự tồn tại của các “lớp ẩn”

(hidden layer). Tại đó, các biến đầu vào sẽ được nén lại hoặc chuyển đổi bởi một hàm

số đặc biệt nào đó, thường là hàm logistic hoặc logsigmoid. Chính sự tồn tại của các

lớp ẩn này đã giúp cho mô hình mạng thần kinh có khả năng mô phỏng mối tương

quan phi tuyến giữa các biến số tốt hơn so với mô hình truyền thống.

- 10 -

Hình 1.2: Cấu trúc mạng thần kinh đơn giản

Mỗi biến đầu vào (Input) sẽ đại diện cho một yếu tố có khả năng tác động đến biến

đầu ra. Về cơ bản, đây chính là biến độc lập trong phương trình hồi quy cổ điển. Ví

dụ, khi muốn ứng dụng mô hình mạng thần kinh để đưa ra quyết định có nên chấp

nhận hay không đối với một khoản cho vay, các biến đầu vào có giá trị tham khảo để

đưa ra quyết định này sẽ bao gồm mức thu nhập hàng tháng, trình độ học vấn, tuổi,

giới tính… Giá trị của mỗi biến số này sẽ trở được đưa vào các nơ-ron của lớp Input.

Trong một số trường hợp, giá trị của biến đầu vào sẽ đại diện cho các biến định tính

như: “đúng” hoặc “sai”; “tăng” hoặc “giảm”; “đậu” hoặc “rớt”…

Tiếp đó, biến đầu ra (Output) của mô hình chính là giải pháp của vấn đề, chính là

biến độc lập trong môi hình hồi quy tuyến tính. Tiếp theo ví dụ trong trường hợp trên,

khi đó, biến đầu ra sẽ là quyết định “cho vay” hoặc “không cho vay”. Kết quả này sẽ

được mã hóa dưới dạng giá trị số học là +1 và 0. Mục tiêu của mô hình mạng, cũng

tương tự các mô hình hồi quy khác sẽ là tính toán và dự báo giá trị của biến đầu ra

với một tập hợp các thông tin của biến đầu vào được cho trước trên cơ sở các thông

tin thu thập được từ dữ liệu quá khứ. Tương tự với quá trình hồi quy tuyến tính thông

thường, mô hình mạng thần kinh sẽ được “huấn luyện” để có thể “học” từ những

thông tin trong dữ liệu quá khứ để từ đó có thể đưa ra quyết định hoặc kết quả dự

báo. Quá trình này sẽ được tiến hành bằng các thuật toán huấn luyện mạng sẽ được

đề cập kỹ hơn ở các phần sau.

- 11 - Chính trong quá trình “học” này, hệ thống mạng thần kinh sẽ liên tục điều chỉnh các

trọng số (weight) của mỗi nơ-ron sao cho đạt được mục tiêu cuối cùng là giá trị dự

báo, kết quả của biến đầu ra từ mô hình mạng sẽ gần sát nhất với giá trị thực tế. Các

trọng số là một trong những thành phần quan trọng nhất của hệ thống mạng nhân tạo.

Nó sẽ ảnh hưởng đến mức độ tín hiệu được lan truyền từ lớp nơ-ron này sang lớp nơ-

ron khác. Các trọng số thể hiện mức độ ảnh hưởng của mỗi nơ-ron bởi các nơ-ron

trước đó. Khi so sánh với môi hình hồi quy tuyến tính truyền thống, các trọng số này

cũng chính là các hệ số hồi quy thể hiện mức độ tác động của mỗi biến độc lập lên

biến phụ thuộc. Tuy nhiên, điểm khác biệt ở mô hình này là các trọng số không chỉ

có ở các nơ-ron biến đầu vào mà còn tồn tại ở nơ-ron của các lớp ẩn.

1.2.3. Cấu tạo của mô hình mạng thần kinh.

Hệ thống mạng thần kinh nhân tạo được cấu thành bởi 3 bộ phận chính:

Hàm kích hoạt/hàm truyền – thành phần chính của mỗi nơ-ron

Cấu trúc mạng - sự tương tác giữa các nơ-ron.

Thuật toán huấn luyện mạng.

1.2.3.1. Hàm kích hoạt.

Các nơ-ron xử lý dữ liệu đầu vào theo hai hướng: trước hết là sẽ định hình các kết

hợp tuyến tính của dữ liệu đầu vào và sau đó tiến hành “nén” những kết hợp tuyến

tính này thông qua hàm logsigmoid. Hình 1.1 là đồ thị của hàm kích hoạt logistic

(hoặc logsidmoid), còn gọi là hàm “nén” (squasher function), của chuỗi số liệu trong

khoảng từ -5 đến +5. Theo đó, dữ liệu đầu vào đã được biến đổi trước khi tác động

lên biến đầu ra.

Sở dĩ hàm logsigmoid được sử dụng là bởi vì “đặc trưng ngưỡng” (threshold

behavior) của nó. Điều này rất phù hợp với đặc điểm của các biến số kinh tế trước

các tác nhân thay đổi. Ví dụ, khi lãi suất đã ở mức rất thấp hoặc rất cao, sự thay đổi

nhỏ lúc này sẽ có tác động rất ít lên quyết định mua một chiếc ô tô hoặc các hàng hóa

lâu bền khác của người tiêu dùng. Tuy nhiên, trong một khoảng nào đó được xác định

bởi hai giá trị biên, một sự điều chỉnh nhỏ cũng sẽ báo hiệu cho một xu hướng vận

động lên hoặc xuống và vì vậy sẽ có tác động lớn đến nhu cầu xe của người tiêu

dùng.

- 12 -

Hình 1.3: Hàm log-sigmoid

Hơn nữa, hình dạng của hàm logsigmoid còn được sử dụng vì nó phản ánh quá trình

học hỏi từ hành động thực tế (learning by doing). Cụ thể là, đồ thị hàm số thể hiện độ

dốc tăng dần cho đến một điểm uốn xác định, sau đó, nó dần trở nên phẳng hơn và độ

dốc dần tiến đến không. Tiếp theo ví dụ trước ta sẽ thấy, khi lãi suất bắt đầu tăng từ

mức thấp, người tiêu dùng sẽ đánh giá xác suất của một đợt điều chỉnh tăng hoặc

giảm mạnh của lãi suất dựa trên thông tin về mức cho vay ở hiện tại. Họ càng có

nhiều kinh nghiệm thì càng có khả năng phân tích tín hiệu này để đi đến kết luận rằng

đây là một thời cơ tốt để tận dụng mức lãi suất hiện tại hoặc đây là thời điểm nên trì

hoãn quyết định mua sắm. Kết quả cuối cùng cũng sẽ khác nhau khi những người này

phải ra quyết định ở những các thời điểm khác nhau của mức lãi suất. Tóm lại, hàm

phi tuyến logsigmoid đã nắm bắt được các “ngưỡng phản ứng” (threshold response)

đặc trưng cho “sự hợp lý có giới hạn” (bounded rationality) hoặc “quá trình tự học

hỏi” (learning porcess) của các chủ thể trong trong quá trình hình thành nên các kỳ

vọng của mình. Kuan và White (1994) đã cho rằng các điểm “ngưỡng” chính là đặc

điểm cốt lõi của các phản ứng phi tuyến trong mô hình mạng thần kinh. Điều này

được mô tả là “một số nơ-ron có khuynh hướng phản ứng thụ động trước các tác

nhân kích thích khiêm tốn, và chúng nhanh chóng trở nên “năng động” hơn chỉ khi

các kích thích này vượt qua một mức ngưỡng nào đó. Tuy nhiên, sau khi vượt quá

giai đoạn này, một sự gia tăng trong các kích thích đầu vào sẽ chỉ còn tác động hạn

chế”.

- 13 - 1.2.3.2. Cấu trúc mạng

Sau khi xác định được các nơ-ron cụ thể, phần tiếp theo sẽ là kết hợp chúng lại với

nhau để hình thành nên hệ thống mạng. Cách thức mà các nơ-ron được sắp xếp và

tương tác với nhau chính là cấu trúc của mô hình. Các nghiên cứu cho thấy có thể có

nhiều loại cấu trúc mạng. Tuy nhiên, phần lớn chúng sẽ được chia vào hai loại chính

là: mạng truyền thẳng (feed-forward) và mạng phản hồi (feedback).

Với cấu trúc mạng truyền thẳng, tín hiệu của mô hình sẽ đi theo một chiều duy nhất

từ các nơ-ron đầu vào, lần lượt qua các nơ-ron của lớp ẩn và cuối cùng đến nơ-ron

đầu ra. Trong khi đó, với cấu trúc mạng phản hồi, các tín hiệu đầu ra của các nơ-ron

lớp này sẽ có thể trở thành đầu vào cho các nơ-ron của lớp trước đó và ta có mô hình

mạng thần kinh tuần hoàn (Recurrent Neural Network).

Hình 1.4 : Cấu trúc mạng (a) truyền thẳng (feed-forward) và

(b) mạng phản hồi (feed-back)

Nguồn: Joarder, Rezaul va Ruhul (2006) “Artificial Neural Network in Finance and

Manufacturing”.

- 14 -

Hình 1.5 : Mô hình mạng truyền thẳng một lớp ẩn

Nguồn: Paul D. MaNelis (2005) “Neural Network in Finance”.

Hình 1.5 minh họa cho mô hình mạng thần kinh truyền thẳng 3 lớp: 1 lớp nơ-ron của

biến đầu vào, 1 lớp nơ-ron của biến đầu ra và 1 lớp ẩn. Mạng truyền thẳng với một

lớp ẩn duy nhất là loại mô hình mạng thần kinh cơ bản, được sử dụng phổ biến nhất

trong ứng dụng kinh tế, tài chính. Nhìn chung, hệ thống mạng này sẽ mô phỏng cách

thức mà não người xử lý những dữ liệu kích thích được tiếp nhận ở nơ-ron đầu vào

và cho ra kết quả phản ứng ở nơ-ron đầu ra. Tương tự sự phát triển của não, ngày

càng có nhiều nơ-ron sẽ được kết nối với nhau bởi các khớp thần kinh. Kết quả là

nhiều lớp ẩn hơn sẽ được hình thành, tín hiệu từ những nơ-ron khác nhau sẽ hoạt

động đồng thời và được kết nối bởi các khớp thần kinh để cho ra những phản ứng có

nhiều sắc thái hơn.

Điều hiển nhiên là, với những dữ liệu kích thích đầu vào đơn giản, chẳng hạn như

kinh nghiệm về nhiệt độ quá nóng hoặc quá lạnh, thì không cần phải được xử lý bởi

quá nhiều nơ-ron ở nhiều lớp ẩn trước khi cho ra kết quả phản ứng lại. Tuy nhiên, khi

dữ liệu kích thích đầu vào trở nên phức tạp hoặc đa dạng hơn, nhiều nơ-ron hơn ở các

lớp ẩn sẽ được kích hoạt và các phản ứng hoặc những quyết định được đưa ra sẽ là

kết quả của quá trình cân nhắc khi kết hợp các tín hiệu từ nhiều nơ-ron của nhiều lớp

ẩn khác nhau.

- 15 - 1.2.3.3. Huấn luyện mạng.

Ý tưởng cơ bản của quá trình huấn luyện mạng chính là xác định tập trọng số phù

hợp sao cho mô hình có thể được ứng dụng để đưa ra các quyết định hoặc dự báo tốt

nhất trên cơ sở các dữ liệu quá khứ đã có được. Quá trình này sẽ được thực hiện bằng

cách sử dụng các thuật toán được xây dựng phù hợp với các loại mô hình mạng khác

nhau. Các thuật toán này có thể được chia là hai loại chính là “học có giám sát” và

“học không giám sát”.

1.2.3.3.1. “Học không giám sát” (Unsupervised learning).

Trong quá trình “học không giám sát”, chỉ có dữ liệu quá khứ của biến đầu vào là

được đưa vào mô hình. Theo đó, hệ thống mạng thần kinh sẽ “tự tổ chức” (self-

organizing), sắp xếp để phân loại các biến đầu vào thông các các nơ-ron thần kinh

của lớp ẩn. Với quá trình “tự huấn luyện” này, hệ thống mạng hầu như không có

thông tin về phân loại đầu ra như thế nào là phù hợp. Những thuật toán loại này

thường sẽ được ứng dụng cho mô hình mạng thần kinh “Sơ đồ tự tổ chức” (Self-

orgainizing map).

1.2.3.3.2. “Học có giám sát” (Supervised learning).

Khác với các thuật toán ở phần trên, các thuật toán “học có giám sát” đòi hỏi dữ liệu

quá khứ của biến đầu vào và đầu ra tương ứng phải được biết trước. Khi đó, sự chênh

lệch giữa giá trị đầu ra của mô hình với giá trị thực tế sẽ là cơ sở để tiến hành điều

chỉnh tập các trọng số của mô hình mạng thần kinh sao cho mục tiêu cuối cùng là tối

thiểu hóa sai lệch giữa hai giá trị này. Ví dụ điển hình của hình thức “học có giám

sát” là thuật toán lan truyền ngược (back-propagation). Đây là thuật toán được sử

dụng phổ biến trong hầu hết các nghiên cứu về mạng thần kinh nhân tạo và cũng là

thuật toán được lựa chọn sử dụng trong bài nghiên cứu này. Do vậy, từ đây trở đi,

thuật toán huấn luyện mạng được sử dụng trong bài nghiên cứu được hiểu là thuật

toán lan truyền ngược được ứng dụng cho mạng thần kinh truyền thẳng.

Trong mô hình mạng thần kinh, mục tiêu của ta sẽ là xác định tập hợp trọng số

Ω = ω ; ; γ (đối với mô hình chỉ có một lớp ẩn) hoặc Ω = ω ; ; ρ ; ; γ (đối

với hệ có hai lớp ẩn) sao cho tối thiểu hóa bình phương chênh lệch giữa giá trị dự báo

đầu ra và giá trị thực tế, được ký hiệu là hàm 훹.

- 16 -

퐦퐢퐧횿훀

(훀) = ∑ (퐲퐭 − 퐲퐭 )ퟐ퐓퐭 ퟏ

퐲퐭 = f(퐱퐭,훀)

Trong đó, T là số lượng quan sát của vector biến đầu ra y, và 푓(푥 ; 훺) đại diện cho

hệ thống mạng thần kinh.

Nguyên tắc chung là tất cả các phương pháp tối ưu hóa phi tuyến đều bắt đầu bằng

việc cho trước một tập hợp nghiệm ước đoán Ω , và tiếp theo là tìm kiếm những tập

nghiệm khác tốt hơn cho đến khi xác định được kết quả khả dĩ tốt nhất trong phạm vi

một số lần tìm kiếm hợp lý. Quá trình này sẽ được thực hiện bằng thuật toán tìm kiếm

dựa trên gradient. Vấn đề ở đây là một số ước đoán ban đầu sẽ tốt hơn so với những

giá trị khác trong quá trình xác định giá trị các hệ số tối ưu cho tiến trình dự báo. Một

số giá trị ước đoán sẽ chỉ đưa ta đến các giá trị tối ưu cục bộ. Đó chính là điểm mà

cho kết quả dự báo tốt nhất so với các điểm khác xung quanh ước đoán ban đầu. Tuy

nhiên, nếu tìm kiếm xa hơn so với giá trị ước đoán ban đầu, ta sẽ xác định được

những điểm cho kết quả dự báo tốt hơn, những giá trị tối ưu toàn cục. Thực tế là

không có giải pháp tuyệt đối cho vấn đề bị rơi vào cực trị địa phương trong quá trình

ước lượng các hệ phi tuyến và phương án duy nhất chính là không ngừng “thử và sai”

với các ước lượng ban đầu khác nhau và dựa trên kết quả có được để lựa chọn mô

hình tương đối tốt nhất.

1.2.4. Xây dựng mô hình mạng thần kinh nhân tạo.

Hầu hết các nghiên cứu về mô hình mạng thần kinh nhân tạo đều thống nhất với nhau

rằng, xây dựng mô hình mạng phù hợp để giải quyết một vấn đề cụ thể luôn là quá

trình “thử và sai” với những biến số, thông số khác nhau của mô hình. Tuy nhiên, các

nghiên cứu của Iebeling Kaastra Milton (1995), JingTao (2000) đã phát họa những

bước đi cơ bản, những nguyên tắc chung của quá trình này. Theo đó, mô hình mạng

thần kinh nhân tạo sẽ được xây dựng lần lượt theo các bước sau.

Trước hết, tương tự như mọi mô hình hồi quy truyền thống, ta cần xác định các biến

số đầu vào và đầu ra của mô hình.

- 17 - Tiếp đến là quá trình thu thập những dữ liệu cần thiết cho quá trình huấn luyện hệ

thống mạng và dự báo ngoài mẫu. Trong quá trình này, việc chuẩn hóa số liệu, trong

một số trường hợp là hết sức cần thiết.

Dữ liệu đã thu thập được cần phải được phân chia thành ba phần: tập các quan sát

được dùng để huấn luyện mạng, tập các quan sát được dùng để thử nghiệm lại và

cuối cùng là tập được dùng để kiểm định ngoài mẫu.

Kế đó là những vấn đề về việc lựa chọn cấu trúc của hệ thống mạng, số lớp ẩn, số nơ-

ron cho mỗi lớp ẩn…

Sau khi đã định hình được mô hình, việc quan trọng tiếp theo là tiến hành huấn luyện

mạng để xác định tập trọng số tốt nhất phản ánh mối tương quan giữa biến đầu vào và

biến đầu ra. Quá trình thử nghiệm này đòi hỏi phải so sánh hiệu quả dự báo của các

mô hình khác nhau. Điều này được thực hiện trên cơ sở các tiêu chuẩn đánh giá như

MSE, MAE…

Và cuối cùng chính là mô hình được đề xuất để ứng dụng trong thực tiễn.

1.2.4.1. Xác định biến số cho mô hình mạng thần kinh.

Việc nhận thức được những biến số nào đóng vai trò quan trọng, có khả năng ảnh

hưởng đến biến cần được dự báo là điều kiện tiên quyết trong quy trình thiết kế mô

hình mạng thần kinh nhân tạo. Những gợi ý từ lý thuyết thuyết kinh tế về vấn đề này

sẽ rất hữu ích cho quá trình lựa chọn các biến số thích hợp cho mô hình. Tuy nhiên,

vấn đề này đôi khi bị xem nhẹ, bởi lẽ, nhiều người đã quá đề cao khả năng của mô

hình mạng thần kinh trong việc phát hiện mối quan hệ phi tuyến phức tạp vốn tồn tại

giữa các biến số mà trước đây chưa được biến đến. Vấn đề này cũng liên hệ đến một

hạn chế, mà nhiều người vốn lầm tưởng là của mô hình mạng thần kinh. Đó là việc

cho rằng những mô hình này hầu như không có sự liên kết với các lý thuyết kinh tế.

Điều này xuất phát từ một thực tế là, mô hình mạng thần kinh nhân tạo có khả năng

linh hoạt trong việc mô hình hóa mối tương quan giữa các biến số đầu vào với biến

số đầu ra, tuy nhiên lại không thể chỉ ra một cách chính xác tác động của biến phụ

thuộc lên biến độc lập là như thế nào. Thế nhưng, cần phải lưu ý rằng, các lý thuyết

kinh tế chỉ có nhiệm vụ chỉ ra khả năng tác động lẫn nhau của các biến số chứ không

đưa ra cách thức, trong trường hợp này được hiểu là dạng hàm số, của quá trình liên

kết này (Steven, 2007).

- 18 - Quay trở lại vấn đề lựa chọn biến số cho mô hình, một trong những điều cần lưu ý là

cân nhắc việc lựa chọn giữa các biến kỹ thuật với biến cơ bản.Các đầu vào kỹ thuật

được hiểu là các giá trị trễ của biến phụ thuộc (ví dụ như biến phụ thuộc đang ở thời

điểm t sẽ được sử dụng làm đầu vào tại thời điểm t+1) hay các chỉ báo được tính toán

từ các giá trị trễ (ví dụ như giá trị “trung bình di động giản đơn” trong t ngày). Trong

khi đó, các yếu tố đầu vào cơ bản chính là các biến kinh tế được cho là có ảnh hưởng

đến các biến phụ thuộc (ví dụ như CPI, giá trị sản lượng công nghiệp và chi tiêu

Chính phủ…sẽ có khả năng ảnh hưởng đến tăng trưởng GDP). Mô hình mạng thần

kinh đơn giản nhất thường sử dụng các giá trị trễ của các biến phụ thuộc hay hiệu số

của các biến phụ thuộc giữa hai thời điểm t và t-1 làm đầu vào. Một lối tiếp cận phổ

biến hơn là tính toán các chỉ số kỹ thuật khác nhau của giá cả trong quá khứ (và đôi

khi dựa vào khối lượng giao dịch trên thị trường giao ngay hoặc giao sau đối với

trường hợp giá của các tài sản tài chính).

Mặt khác, việc sử dụng bộ dữ liệu theo ngày, theo tuần hoặc theo năm phụ thuộc

phần nhiều vào mục tiêu của vấn đề đang nghiên cứu. Các kết quả thực nghiệm đã

chứng minh rằng việc sử dụng chuỗi dữ liệu của các khung thời gian ngắn hơn sẽ

không có giá trị trong việc nâng cao độ chính xác của kết quả dự báo. Đối với các dự

báo kinh tế về GDP, tỷ lệ thất nghiệp, hay các chỉ số kinh tế vĩ mô khác thì chuỗi dữ

liệu theo tháng hay theo quý sẽ là một sự lựa chọn thích hợp.

1.2.4.2. Thu thập và xử lý dữ liệu.

Sau khi xác định các biến số được cho là phù hợp với mô hình, bước tiếp theo sẽ là

thu thập và xử lý dữ liệu. Chi phí của quá trình thu thập và tính sẵn có của dữ liệu là

hai vấn đền cần được quan tâm tại thời điểm này. Thông thường, các dữ liệu kỹ thuật

sẽ dễ dàng tiếp cận hơn với so với các thông tin cơ bản do phụ thuộc vào chính sách

quản lý thông tin vĩ mô của Chính phủ quốc gia đó.

Một vấn đề khác trong quá trình thu thập chuỗi dữ liệu là khả năng xuất hiện các

quan sát bị thiếu (ví dụ khả năng mất đi quan sát về giá đóng cửa của chỉ số chứng

khoán ngày t giữa hai ngày t-1 và t+1). Các quan sát bị thiếu này thường được giải

quyết bằng nhiều cách khác nhau. Phương án thứ nhất là tất cả các quan sát bị thiếu

sẽ được bỏ qua, hai là gán cho các quan sát bị thiếu đó giá trị bằng không hoặc lấy

trung bình của các quan sát gần nhất.

- 19 - Bên cạnh đó, khi sử dụng dữ liệu cơ bản như là một yếu tố đầu vào của mô hình

mạng, một số điều cần lưu ý là: các chỉ số cơ bản cần được tính toán theo một

phương pháp thuần nhất trong suốt các khoảng thời gian quan sát dữ liệu. Tiếp đó, dữ

liệu cần có một độ trễ thích hợp khi sử dụng làm yếu tố đầu vào của mô hình mạng

bởi lẽ các dữ liệu cơ bản thường không sẵn có và công bố kịp thời như các biến động

của thị trường, trong trường hợp dự báo sự thay đổi của giá các tài sản trên thị trường

tài chính. Và cuối cùng là ta nên chắc chắn rằng các nguồn thông tin trên sẽ tiếp tục

được công bố hoặc sẵn sàng các nguồn tương tự khác trong trường hợp nguồn thông

tin hiện tại gặp vấn đề.

Vấn đề tiếp theo của quá trình tiền xử lý dữ liệu trước khi đưa vào mô hình là việc

chuẩn hóa dữ liệu. Mục đích của quá trình này là nhằm điều chỉnh giá trị của các biến

đầu vào và đầu ra về mức hợp lý (Jingtao, 2000) từ đó giúp cho quá trình ước lượng

phi tuyến của mô hình mạng thần kinh đạt được hiệu quả cao hơn. Đặc biệt là khi sử

dụng hàm tangsigmoid hay hàm logsigmoid thì việc chuẩn hóa dữ liệu là bước chắc

chắn phải thực hiện. Nếu dữ liệu không được chuẩn hóa để đưa về trong một khỏang

thích hợp, như [0,1] hay [-1,1] thì các nơ-ron sẽ tự động gán cho các giá trị quá lớn là

1 và các giá trị quá nhỏ là 0 (đối với nơ-ron logsigmoid) hay -1 (đối với nơ-ron

tangsigmoid). Khi đó, một lượng lớn dữ liệu sẽ bị bỏ qua bởi vì các nơ-ron sẽ chỉ đơn

giản gán các giá trị -1, 0 hay 1 vào một loạt các dữ liệu đầu vào.

Hàm chuẩn hóa tuyến tính sử dụng giá trị cực đại và cực tiểu của chuỗi [y x]. Hàm

chuẩn hóa tuyến tính chuyền đổi x thành x∗ thuộc đoạn [0 ; 1] theo cách sau:

퐱퐤,퐭∗ = 퐱퐤,퐭 퐦퐢퐧 (퐱퐤)

퐦퐚퐱(퐱퐤) 퐦퐢퐧 (퐱퐤)

Hàm chuẩn hóa tuyến tính, chuẩn hóa x thành biến x∗∗ thuộc đoạn cho [-1, 1] theo

công thức:

퐱퐤∗∗ = 2 퐱퐤,퐭 퐦퐢퐧 (퐱퐤)퐦퐚퐱(퐱퐤) 퐦퐢퐧 (퐱퐤)

- 1

1.2.4.3. Sắp xếp lại bộ dữ liệu.

Bước tiếp theo trong quá trình xây dựng và huấn luyện mô hình mạng thần kinh là

phân chia bộ dữ liệu thu thập được thành ba phần bao gồm: tập hợp các quan sát

được dùng để huấn luyện mạng (tập huấn luyện – training set), tập hợp các quan sát

- 20 - được dùng để xác nhận lại (validation set) và cuối cùng là tập kiểm định ngoài mẫu,

bao gồm các quan sát được dùng để kiểm định tính hiệu quả của mô hình (testing

set).

Trong đó, tập các quan sát được dùng cho quá trình huấn luyện mạng thường chiếm

số lượng nhiều nhất. Đây là những quan sát được đưa vào mô hình để giúp cho hệ

thống mạng thần kinh nhân tạo xác định mẫu hình tồn tại trong chuỗi dữ liệu, mối

tương quan tuyến tính hoặc phi tuyến giữa các biến đầu vào và đầu ra. Tiếp đến, tập

các quan sát được dùng để xác nhận lại sẽ đảm nhận vai trò đánh giá khả năng khái

quát hóa của mô hình đang được huấn luyện. Cuối cùng, căn cứ trên kết quả của quá

trình kiểm tra ngoài mẫu trên cơ sở những quan sát của tập kiểm định (testing-set),

mô hình có kết quả tốt nhất sẽ được lựa chọn.

Điểm cần lưu ý trong việc phân chia tỷ lệ giữa ba quan sát này chính là phải cân bằng

giữa số quan sát cần thiết cho tập huấn luyện để mô hình mạng có thể nhận biết được

mẫu hình trong chuỗi dữ liệu và khả năng khái quát hóa của mô hình, được minh

chứng qua những quan sát của tập xác nhận lại. Việc lựa chọn quan sát cho tập hợp

này có hai cách. Cách thứ nhất là các quan sát của tập xác nhận sẽ được lựa chọn một

cách ngẫu nhiên trong tập hợp các dữ liệu thu thập được và cách thứ hai là sẽ lấy các

dữ liệu ngay tiếp theo sau các quan sát của tập huấn luyện. Ưu điểm của cách lựa

chọn đầu tiên là sẽ tránh cho tập xác nhận lại rơi vào một thời kỳ dữ liệu với những

đặc điểm nhất định từ đó làm sai lệch những đánh giá về khả năng khái quát hóa của

mô hình. Đặc biệt là trong thị trường tài chính, nơi giá cả thường sự suy giảm hoặc

tăng mạnh trong suốt một thời kỳ, nếu tập xác nhận lại được lấy từ những quan sát

trong thời kỳ này để tiếp theo những quan sát trước đó của tập huấn luyện thì nhiều

khả năng, tính khái quát hóa, khả năng dự báo của mô hình sẽ không được đánh giá

chính xác. Tuy nhiên, phương pháp lấy tập xác nhận theo hướng thứ hai cũng có lợi

điểm là sẽ xác nhận mô hình bằng những dữ liệu mới và được cập nhật nhất.

Tuy nhiên, nhìn chung, các nghiên cứu đều không đưa ra một tỷ lệ cố định cho việc

phân chia giữa ba tập hợp này. Jingtao (2000) đưa ra mức tham khảo theo kinh

nghiệm của bản thân ông về tỷ lệ của ba tập hợp này lần lược là 70%, 20% và 10%

trên tổng số mẫu thu thập được. Thực tế thì tỷ lệ như thế nào là phù hợp phụ thuộc rất

nhiều vào quá trình thử nghiệm và thực tế đặc điểm của dữ liệu.

- 21 - 1.2.4.4. Xây dựng cấu trúc mô hình mạng.

Như đã trình bày ở trên, mạng thần kinh nhân tạo trong thực tế rất đa dạng, tuy nhiên,

nhìn chung được chia làm hai loại chính là: mạng thần kinh truyền thẳng và mạng

phản hồi. Trong đó, mạng truyền thẳng đa lớp là mô hình được sử dụng phổ biến

trong hầu hết các nghiên cứu và là đối tượng nghiên cứu chính của bài. Do vậy, hai

vấn đề còn lại trong phần này là xác định số lớp ẩn của mô hình và số nơ-ron cho mỗi

lớp.

1.2.4.4.1. Số lớp ẩn của mô hình mạng truyền thẳng đa lớp.

Nếu như theo lý thuyết mô hình thần kinh truyền thẳng một lớp ẩn duy nhất với số

lượng nơ-ron phù hợp sẽ có thế ước lượng hầu hết các hàm phi tuyến thì trong thực

tế, mô hình mạng truyền thẳng với một hoặc hai lớp ẩn đã được sử dụng phổ biến và

cho kết quả đáng khích lệ. Cho tới nay, vẫn chưa có nghiên cứu xác định số lớp ẩn tối

ưu cho mô hình mạng. Tuy nhiên, điều cần lưu ý là việc gia tăng số lớp ẩn trong quá

trình thử nghiệm để xác định mô hình phù hợp sẽ gắn liền với việc kéo dài thời gian

huấn luyện đồng thời đưa đến khả năng mô hình rơi vào tình trạng “phù hợp thái

quá” (over-fitting). Điều này có nghĩa là mô hình đã quá tập trung vào việc ghi nhớ

những thay đổi chi tiết trong dữ liệu mà bỏ qua việc khái quát xu hướng chung và kết

quả là dẫn đến khả năng dự báo trong thực tế hầu như không có, được biểu hiện qua

kết quả của tập các quan sát dùng để xác nhận lại mô hình hoặc trong quá trình kiểm

định ngoài mẫu. Nhìn chung, các nghiên cứu về mạng thần kinh đều cho rằng, một

hoặc hai lớp ẩn sẽ phù hợp trong hầu hết các trường hợp và những mô hình mạng từ

bốn lớp ẩn trở lên hầu như không cải thiện hiệu quả dự báo (Iebeling, 1995).

1.2.4.4.2. Số nơ-ron của mỗi lớp ẩn trong mô hình mạng.

Sau khi thiết lập được số lớp ẩn cho mô hình, điều tiếp theo cần làm là xác định số

nơ-ron cần thiết cho mỗi lớp ẩn. Thực tế là không tồn tại một lý thuyết hoặc phương

pháp chung cho việc xác định số nơ-ron phù hợp cho một mô hình. Theo Shih (1994)

thì ông cho rằng, mô hình mạng thần kinh thông thường nên có dạng một kim tự

tháp. Theo đó, lớp đầu tiên sẽ có số lượng nơ-ron lớn nhất tương ứng với các biến

đầu vào và các lớp tiếp theo sau sẽ có số nơ-ron ít hơn. Trong khi đó, Azoff (1994)

lại đề nghị rằng số lượng quan sát trong tập dữ liệu dùng để huấn luyện mô hình

mạng cần phải ít nhất gấp 10 lần tổng số lượng các trọng số. Hoặc Katz (1992) đưa ra

- 22 - nguyên tắc rằng số lượng nơ-ron ẩn tối ưu nên nằm trong khoảng từ một nửa cho đến

gấp ba lần số nơ-ron đầu vào và JingTao (2000) đưa ra nguyên tắc rằng với mô hình

mạng truyền thẳng một lớp ẩn duy nhất, số lượng nơ-ron phù hợp có thể là N/2, N/2

+1, N/2 – 1, N/2 +2, N/2 – 2,… với N là số lượng nơ-ron đầu vào. Nhìn chung, việc

xác định số lượng nơ-ron đòi hỏi tiến hành quá trình thử và sai liên tục để rút ra được

mô hình tương đối phù hợp nhất.

1.2.4.5. Huấn luyện mạng và các tiêu chuẩn đánh giá mô hình.

Như đã đề cập ở phần trên, quá trình huấn luyện mạng thần kinh truyền thẳng sẽ sử

dụng thuật toán lan truyền ngược. Các dữ liệu của biến đầu vào được đưa vào hệ

thống mạng, đi qua các nơ-ron của lớp ẩn và đến nơ-ron đầu ra để có được kết quả dự

báo. Kết quả dự báo này từ mô hình sẽ được so sánh với giá trị thực tế của biến đầu

ra. Chênh lệch của hai chuỗi giá trị sẽ được tính toán, phản ánh qua chỉ tiêu MSE,

trung bình của các sai số bình phương (Mean squared errors). Khi đó, sai lệch này sẽ

là cơ sở cho mô hình điều chỉnh trọng số của nơ-ron các lớp ẩn trước đó. Quá trình

này lặp lại cho đến lúc mục tiêu tối thiểu hóa MSE được thỏa mãn.

Bên cạnh chỉ tiêu trung bình các sai số bình phương, thì một số các chỉ tiêu tương tự

khác cũng được sử dụng để đánh giá hiệu quả của mô hình như:

Trung bình các sai số bình phương (Mean squared error – MSE)

Trung bình các sai số bình phương được chuẩn hóa (Normalized mean

squared error – NMSE)

Trung bình các sai số tuyệt đối (Mean absolute error – MAE)

Hệ số tương quan tuyến tính (Correlation coefficient – r).

1.2.5. Bằng chứng thực nghiệm ứng dụng của mô hình mạng thần kinh.

Ý tưởng về việc xây dựng mô hình mạng thần kinh nhân tạo 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 mạng thần kinh mới dần trở nên

phổ biến. Từ đó đến nay, mô hình mạng thần kinh nhân tạo đã được đưa vào ứng

trong rất nhiều lĩnh vực khác nhau nhau như y học và công nghệ. Nội dung của bài

nghiên cứu tập trung vào những ứng dụng của mô hình mạng thần kinh trong lĩnh vực

kinh tế - tài chính.

- 23 - 1.2.5.1. Ứng dụng trong dự báo tài chính.

Trong lĩnh vực tài chính, mô hình mạng thần kinh chủ yếu được ứng dụng trong việc

dự báo xu hướng thay đổi của giá các tài sản tài chính và dựa trên đó để xây dựng các

hệ thống giao dịch tự động nhằm tối đa hóa lợi nhuận. Nghiên cứu của Jingtao, Chew

và Hen-Lee (1999) đã sử dụng các chỉ báo trong phân tích kỹ thuật làm biến số đầu

vào cho việc dự báo chỉ số của thị trường chứng khoán mới nổi Kuala Lumpur. Các

tác giả kết luận rằng, mô hình mạng thần kinh nhân tạo cho kết quả dự báo tốt hơn so

với mô hình ARIMA truyền thống. Kết luận tương tự cũng được rút ra trong nghiên

cứu của Reza G. Ahagar và Mahmood Yahyazadehfar (2010), khi sử dụng mô hình

mạng thần kinh được khái quát hóa (Generalized Regression Neural Network) và mô

hình tuyến tính để ước lượng giá chứng khoán của các doanh nghiệp đang giao dịch

trên sàn Tehran (Iran). Nghiên cứu của Qing Cao, Mark và Karyl (2009) khi ứng

dụng mô hình mạng thần kinh cho thị trường chứng khoán Shanghai, Trung Quốc

cũng đưa kết luận tương tượng về hiệu quả dự báo của mô hình này. Bên cạnh đó, để

gia tăng hiệu quả dự báo của mô hình, mạng thần kinh nhân tạo còn được kết hợp với

những ứng dụng khác của khoa học trí tuệ nhân tạo như lý thuyết logic mờ và thuật

toán di truyền. Nghiên cứu của Gholamreza và Reza (2010) trong việc ứng dụng mô

hình mạng thần kinh kết hợp với lý thuyết logic mờ cho kết quả đáng khích lệ.

1.2.5.2. Ứng dụng trong xếp hạng tín dụng.

Thẩm định tín dụng là một ứng dụng khác của mô hình mạng thần kinh nhân tạo.

Dưới góc độ của ngân hàng cho vay, việc phân biệt giữa “con nợ” tốt và xấu là vô

cùng quan trọng. Quá trình thẩm định trước khi cấp tín dụng này được thực hiện trên

cơ sở các thông tin liên quan đến người đi vay như: thu nhập, tuổi, trình độ học vấn…

Tất cả những thông tin này đều có thể trở thành dữ liệu đầu vào để đưa vào mô hình

mạng và các kết quả đầu ra tương ứng là khả năng trả nợ trong quá khứ của người đi

vay. Từ đó, mô hình mạng thần kinh có thể được xây dựng để đưa ra những gợi ý

trong quyết định cấp tín dụng của ngân hàng. Bên cạnh đó, mô hình mạng thần kinh

còn được áp dụng cho việc xếp hạng tín nhiệm đối với các loại trái phiếu trên thị

trường hoặc ứng dụng trong việc đánh giá khả năng phá sản của doanh nghiệp.

- 24 - 1.2.5.3. Ứng dụng trong dự báo lạm phát.

Bên cạnh việc dự báo giá các chứng khoán, dự báo xác suất phá sản của doanh

nghiệp thì mô hình mạng thần kinh đã bước đầu được ứng dụng trong các dự báo

biến vĩ mô như tỷ giá, tăng trưởng kinh tế và lạm phát.

Nghiên cứu của Jingtao (1995) đã sử dụng mô hình mạng thần kinh để dự báo xu

hướng biến động của đồng GBP, JPY, AUD va CFH bằng các chỉ báo kỹ thuật đơn

giản làm biến đầu vào. Kết quả nghiên cứu cho thấy mô hình hoàn toàn có khả năng

giúp nhà đầu tư đạt được mức lợi nhuận đáng kỳ vọng.

Trên cơ sở dữ liệu của cặp tỷ giá CAD/USD, sử dụng tiêu chuẩn RMSE, hai tác giả

Nikola Gradojevic và Jing Yang (2000), thuộc Ngân hàng Trung Ương Canada, cũng

đã cho kết luận về sự vượt trội trong hiệu quả dự báo của mô hình mạng thần kinh so

với mô hình tuyến tính. Đây cũng là kết luận của Ashok và Amit (2002) khi ứng

dụng mô hình mạng thần kinh có sự kết hợp với thuật toán di truyền để dự báo chuỗi

tỷ giá của đồng mark Đức so với đồng USD.

Trong khi đó, những nghiên cứu ứng dụng mô hình mạng thần kinh trong việc dự báo

tỷ tệ tăng trưởng kinh tế hàng năm cho kết quả có phần khiêm tốn hơn. Nghiên cứu

của Greg (2001) sử dụng mô hình mạng nhân tạo nhằm nâng cao độ chính xác của

các biến tài chính và tiền tệ trong việc dự báo mức tăng trưởng sản lượng của

Canada. Kết quả cho thấy, mô hình mạng đã thật sự góp phần làm giảm các sai lệch

trong dự báo mức tăng trưởng sản lượng hàng năm so với mô hình tuyến tính. Tuy

nhiên, trong trường hợp dự báo mức tăng trưởng theo quý thì kết quả nghiên cứu cho

thấy hầu như không có sự khác biệt lớn từ kết quả dự báo từ hai loại mô hình. Trong

khi đó, nghiên cứu của Saeed, Denise và Birchenhall (2004) sử dụng mô hình mạng

thần kinh trong việc dự báo sản lượng công nghiệp của các nước Anh, Đức, Pháp. Sử

dụng tiêu chuẩn RMSE, kết quả nghiên cứu cho thấy mô hình tuyến tính lại cho kết

quả dự báo tương đối tốt hơn so với mô hình mạng. Tuy nhiên, mạng thần kinh nhân

tạo lại tỏ ra hiệu quả hơn hẳn trong việc dự báo xu hướng của sự thay đổi. Do vậy,

trong dự báo các biến số vĩ mô, quan điểm của Steven (2000) về sự kết hợp giữa mô

hình mạng thần kinh phi tuyến với các mô hình tuyến tính truyền thống là điều cần

phải được cân nhắc.

- 25 - Bên cạnh tỷ giá và tăng trưởng kinh tế, mô hình mạng thần kinh đã được ứng dụng

trong dự báo tỷ lệ lạm phát ở các quốc gia. Nghiên cứu của Recep Duzgun (2010) đã

so sánh hiệu quả dự báo ngoài mẫu của các mô hình mạng thần kinh được khái quát

hóa (generalized neural network), mô hình mạng truyền thẳng và mô hình ARIMA

đối với chỉ số giá tiêu dùng (CPI) của Thổ Nhĩ Kỳ sử dụng bộ dữ liệu từ năm 2000

đến năm 2008. Tác giả đã đi đến kết luận về sự vượt trội trong hiệu quả dự báo của

các mô hình mạng thần kinh nhân tạo so với mô hình truyền thống. Tương tự, Paul và

Peter (2004) khi ứng dụng mô hình mạng thần kinh mô hình hóa đường cong Philip

phi tuyến đã cho thấy, mô hình này có cho kết quả dự báo tốt hơn so với mô hình

tuyến tính trong trường hợp dự báo chỉ số giá dịch vụ của khu vực Châu Âu. Điểm

đặc biệt của bài nghiên cứu là sử dụng phương pháp “thick model”. Điều này có

nghĩa là giá trị dự báo được lấy trung bình của các mô hình dự báo khác nhau được

xây dựng một cách ngẫu nhiên. Hiệu quả dự báo của mô hình mạng đối với biến lạm

phát còn được thể hiện qua nghiên cứu của Adnan và Muhammad Nadeem (2007).

Tác giả sử dụng dữ liệu tỷ lệ lạm phát hàng tháng so với cùng kỳ năm trước trong

giai đoạn 1993 – 2007 để dự báo cho lạm phát trong năm 2008 bằng mô hình mạng

truyền thẳng với 12 lớp ẩn kết hợp với thuật toán lan truyền ngược. Kết quả kiểm

định ngoài mẫu của nghiên cứu trên cho thấy, chỉ tiêu RMSE của mô hình mạng phi

tuyến thấp hơn rất nhiều so với mô hình AR(1) và mô hình ARIMA(2). Điều này,

một lần nữa, cho thấy sự cải thiện trong hiệu quả dự báo của mô hình mạng so với

các mô hình truyền thống.

1.2.5.4. Một số ứng dụng khác của mô hình mạng thần kinh nhân tạo.

Bên cạnh các ứng dụng như đã được kể trên, mô hình mạng thần kinh nhân tạo còn

được ứng dụng trong hoạt động sản xuất kinh doanh của doanh nghiệp. Cụ thể là, mô

hình mạng có thể được thiết kế dự báo doanh số, phân loại khách hàng trung thành và

có khả năng mang lại lợi nhuận cao cho doanh nghiệp và dự báo khả năng chi tiêu

của họ trên cơ sở những thông tin về tuổi, giới tính, thu nhập…

Ở Việt Nam, mô hình mạng thần kinh chủ yếu được ứng dụng trong lĩnh vực kỹ thuật

như mô phỏng, dự báo dòng chảy sông Đồng Nai (Lê Văn Dực, 2009); dự báo định

lượng mưa (Bùi Minh Tăng, 2009). Bên cạnh đó, cùng với xu hướng ứng dụng các

mô hình định lượng trên thị trường chứng khoán Việt Nam, mô hình mạng thần kinh

cũng là một trong những mô hình được nhiều người chú ý đến. Tuy nhiên, hầu như

- 26 - chưa có nghiên cứu nào về ứng dụng của mô hình mạng thần kinh nhân tạo trong lĩnh

vực dự báo vĩ mô mà đây là một trong những vấn đề cần được quan tâm trong điều

kiện tình hình vĩ mô của Việt Nam có nhiều biến động.

- 27 - CHƯƠNG 2: ỨNG DỤNG MÔ HÌNH MẠNG THẦN KINH

DỰ BÁO LẠM PHÁT VIỆT NAM

2.1. Xác định các biến số đầu vào của mô hình.

Thực tế biến động của lạm phát Việt Nam trong suốt thời gian qua cho thấy, nguyên

nhân quan trọng của lạm phát trong nền kinh tế Việt Nam không nằm ngoài yếu

tố tiền tệ, tín dụng và cung tiền.

Biểu đồ 2.1 cho thấy những bằng chứng ban đầu ủng hộ quan điểm lạm phát của Việt

Nam có sự góp phần quan trọng của chính sách tiền tệ. Theo đó, sự tăng giảm trong

cung tiền và tín dụng của nền kinh tế, hai biến số quan trọng của chính sách tiền tệ

luôn theo sau đó bởi mức độ lạm phát tương ứng. Tuy nhiên, sự tác động của hai biến

số này luôn có độ trễ nhất định và đây là một trong những nhân tố được dùng để lý

giải cho mức lạm phát cao đột biến trong năm 2007 – 2008.

Theo đó, trong năm 2007, tăng trưởng tín dụng trong toàn nền kinh tế hơn 50% so

với năm trước đó, tương đương với tổng dư nợ hơn 320.000 tỷ đồng và chủ yếu tập

trung vào 3 tháng cuối năm 2007 mà nguyên nhân chủ yếu liên quan đến việc các

ngân hàng đẩy mạnh cho vay bất động sản để đảm bảo kéo giảm tỷ lệ cho vay chứng

khoán trong tổng dư nợ nhằm đáp ứng quy định trong Chỉ thị 03 của NHNN về cho

vay chứng khoán. Tuy nhiên, đây chỉ là một trong những nguyên nhân nhất thời tại

thời điểm đó. Quá trình mở rộng cung tiền và tín dụng trong nền kinh tế Việt Nam đã

kéo dài từ những năm đầu thập niên. Hình 2.1 cho thấy từ năm 2002 – 2009, cung

tiền M2 và tín dụng tăng bình quân ở mức 30% hàng năm.

- 28 -

Hình 2.1: Tốc độ tăng trưởng cung tiền (M2), tín dụng và lạm phát

Nguồn: Tổng hợp từ số liệu của Ngân hàng phát triển châu Á (ADB).

Tốc độ tăng nhanh cung tiền và tín dụng ở Việt Nam trong suốt những năm qua bắt

nguồn từ nhiều nguyên nhân khác nhau mà trước hết đó là do tác động của chính sách

điều hành vĩ mô nhắm đến mục tiêu tăng trưởng. Để duy trì tốc độ tăng trưởng kinh

tế qua các năm bên cạnh việc đưa nền kinh thoát khỏi suy thoái trong một số giai

đoạn, nhiều biện pháp mà một trong số đó là chính sách tiền tệ mở rộng: duy trì tỷ lệ

bắt buộc thấp, mua và USD để ổn định tỷ giá trong biên độ nhằm thúc đẩy xuất khẩu.

Tuy nhiên, những chính sách này lại tiềm ẩn nguyên nhân lạm phát do việc tích lũy

của gia tăng số lượng tiền theo thời gian. Cuối cùng, khi cung tiền mở rộng qúa

nhanh nhưng không có biện pháp tương ứng để giảm lượng tiền trong lưu thông đã

gây ra những tác động tiêu cực và góp phần tạo ra lạm phát. Riêng trong nửa đầu năm

2007, việc mua vào gần 7 tỷ USD từ Ngân hàng Nhà nước để chuyển đổi nội tệ của

vốn bên ngoài chảy vào, chủ yếu là dòng vốn đầu tư gián tiếp, đã dẫn đến đưa thêm

khoảng 110.000 tỷ đồng (tương đương 10% GDP) vào lưu thông. Và nhằm thu hồi

tiền về, Ngân hàng Nhà nước lại sử dụng những công cụ hành chính quá mạnh trong

6 tháng cuối năm này như tăng tỷ lệ dự trữ bắt buộc từng bước từ 5% lên 10% rồi

11%, hay thu hồi 20,300 nghìn tỷ đồng qua tín phiếu bắt buộc 12 tháng với lãi suất

(7.8%) một tỷ lệ còn thấp hơn mức lạm phát hay lãi suất huy động vốn từ dân cư và

đẩy một phần chi phí chống lạm phát về phía hệ thống Ngân hàng thương mại. Chính

những điều này đã tác động mạnh, dẫn đến tình trạng khan hiếm tiền đồng và lãi suất

cho vay ngắn hạn trên thị trường liên ngân hàng lên mức rất cao tái 150% so với bình

0.00%

10.00%

20.00%

30.00%

40.00%

50.00%

60.00%

2002 2003 2004 2005 2006 2007 2008 2009

Lam phattin dungCung tien

- 29 - thường hay rủi ro thanh khoản đối với các ngân hàng cổ phần quy mô nhỏ. Mức lãi

suất cao một lần nữa tác động đến hiệu quả sản xuất kinh doanh của doanh nghiệp và

ảnh hưởng đến tăng trưởng kinh tế.

Bên cạnh đó, lạm phát trong những năm qua còn xuất phát từ yếu tố “chi phí

đẩy”.

Thực tế là có một sự tương đồng trong xu hướng biến động của giá dầu thế giới (hình

2.2) và chỉ số CPI của Việt Nam trong khoảng ba năm gầy đây. Khi lạm phát của

Việt Nam đạt đỉnh (hơn 25% so với cùng kỳ năm trước1) vào khoảng quý 3 năm 2008

thì trước đó vài tháng, giá dầu thô trên thị trường thế giới cũng đạt mức cao nhất từ

trước đến nay gần 140 USD/thùng.

Hình 2.2: Giá dầu thô (trái) và tỷ lệ lạm phát hàng tháng (phải)

Nguồn: Economist Intelligence Unit – Vietnam country report, tháng 2/2011.

Nguyên nhân của hiện tượng này một phần là do sự cương quyết của Chính phủ trong

việc loại bỏ trợ giá đối với các nhà phân phối xăng dầu trong nước. Kết quả là giá

bán lẻ trong nước đã theo sát với giá cả trên thị trường quốc tế. Ảnh hưởng của việc

tăng giá xăng dầu hàm chứa yếu tố tiêu cực mà dễ thấy nhất trong ngắn hạn lạ sự xáo

trộn tâm lý, tăng giá và sức ép tăng giá, bất lợi cho các doanh nghiệp. Nghiên cứu của

Nguyễn Đức Thành, Bùi Trinh và Đào Nguyên Thắng (2008) ước lượng ảnh hưởng

trực tiếp của giá xăng dầu và gas lên sự xói mòn thu nhập thực của hộ gia đình cho

1 EIU – Vietnam 2011.

- 30 - thấy mức độ độ khá lớn. Nếu chỉ xét đến sự tăng giá xăng dầu nói riêng, các hộ

nghèo cho thấy sức mua bị giảm đi khoảng 1.08%, còn các hộ giàu thì khoảng 1.28%.

Trong khi đó, nếu tính đến cả khả năng tăng giá gas tiếp theo giá xăng dầu thì tỷ lệ

này lần lượt là 2.2% và 1.9%.

Hình 2.3: Giá xăng dầu trên thị trường trong nước và thế giới

Nguồn: Báo cáo của Ngân hàng thế giới năm 2008.

Mức độ tác động của tăng giá xăng dầu lên mức giá chung của nền kinh tế có thể

phần nào được hạn chế bởi chính sách quản lý giá của phía Chính phủ thông qua việc

điều chỉnh mức thuế suất nhập khẩu và xây dựng quỹ bình ổn giá xăng dầu và các

biện pháp hành chính…nhưng sẽ không tránh khỏi hiệu ứng lan tỏa, mượn đó làm lý

do để tăng giá các mặt hàng khác. Bên cạnh đó, chính việc quản lý giá của Chính phủ

đối với mặt hàng này đã khiến cho mỗi lần giá xăng bán lẻ được điều chỉnh lại tạo ra

kỳ vọng về khả năng giá sẽ được điều chỉnh tiếp theo mà chủ yếu là tăng chứ không

giảm. Điển hình là hai lần điều chỉnh giá xăng A92 gần đây nhất, từ mức 16.400 lên

mức 19.300 và ngày 24/2/2011 và tiếp đó là lần điều chỉnh từ mức 19.300 lên mức

21.300 vào ngày 29/3/2011. Tuy nhiên Bộ tài chính luôn nhấn mạnh rằng mức gia

xăng dầu trong nước vẫn thấp hơn so với các nước lân cận từ đó tạo tâm lý kỳ vọng

“lạm phát” giá xăng trong thời gian tới.

- 31 - Bên cạnh đó, kết luận của nghiên cứu trên cũng cho thấy rằng yếu tố kỳ vọng lạm

phát, được đại diện bởi mức độ lạm phát trong quá khứ sẽ có tác động lớn nhất lên

lạm phát ở hiện tại. Kết luận tương tự cũng được rút ra trong nghiên cứu gần đây của

Nguyễn Thu Hằng và Nguyễn Đức Thành (2010).

Hình 2.4: Tỷ trọng các nhân tố ảnh hưởng đến chỉ số CPI của Việt Nam.

Nguồn: Asian Development Outlook 2008.

Theo đó, nghiên cứu chỉ ra rằng “công chúng có khuynh hướng lưu giữ ấn tượng về

lạm phát trong quá khứ, đồng thời kỳ vọng nhạy cảm về lạm phát trong tương lai.

Đây là hai yếu tố đồng thời chi phối mức lạm phát hiện tại”. Mặt khác, kết quả

nghiên cứu cũng đã khẳng định tác động đáng kể của tỷ giá lên mức giá chung của

nền kinh tế đặc biệt là trong giai đoạn gần đây. Đó là do tỷ giá không chỉ ảnh hưởng

đến hàng hóa xuất nhập khẩu mà còn tới các hàng hóa nội địa nếu giá của chúng

thường được tính bằng đô la Mỹ. Ngân hàng phát triển châu Á (ADB) trong nghiên

cứu năm 2008 về nguồn gốc lạm phát ở các nước trong khu vực đã kết luận về mức

độ tác động của các yếu tố kỳ vọng, tổng cầu2, tỷ giá và giá dầu đối với chỉ số CPI

của Việt Nam lần lượt là 46%, 33.6%, 11.2% và 2.5%.

Mặt khác, nghiên cứu của Phạm Thị Thu Trang (2009) cũng cho thấy tăng cung tiền

ngay lập tức làm cho lạm phát tăng và ảnh hưởng của nó còn kéo dài tới 3 tháng sau

2 Sự gia tăng của tổng cầu trong nền kinh tế bắt nguồn từ chính sách nới lỏng tín dụng trong suốt thời gian dài đã tạo áp lực lên lạm phát.

CPI ky vong

Tong cau

Ty giaGia luong thuc

Gia dau

- 32 - đó. Cung tiền thực tế là yếu tố ảnh hưởng mạnh nhất tới tỷ lệ lạm phát tại Việt Nam

từ năm 2000 tới nay.

Bên cạnh cạnh các yếu tố tiền tệ thì lạm phát ở Việt Nam còn chịu tác động bởi “chi

phí đẩy”. Nghiên cứu của Đổ Văn Thành và Trần Thị Kim Dung (2010) đã chỉ ra

rằng, giá dầu thế giới là một trong những nhân tố ảnh hưởng mạnh đến chỉ số giảm

phát GDP.

Qua phân tích trên cho thấy, các biến số đầu vào tiềm năng cho mô hình dự báo lạm

phát ở Việt Nam sẽ bao gồm:

Biến số đại diện cho yếu tố tiền tệ: tín dụng, cung tiền.

Biến số đại diện lạm phát do “chi phí đẩy”: tỷ giá, lãi suất, giá dầu thế giới.

Biến số đại diện cho yếu tố kỳ vọng: giá trị lạm phát quá khứ.

2.2. Thu thập và xử lý dữ liệu

Để tiến hành xây dựng mô hình mạng thần kinh và dự báo lạm phát ở Việt Nam, bài

nghiên cứu sử dụng dữ liệu thứ cấp giai đoạn từ tháng 4 năm 2002 đến tháng 9 năm

2010. Những số liệu này được thu thập và tổng hợp từ Tổng cục thống kê (GSO),

Ngân hàng Nhà nước (NHNN), Bộ Tài chính (MoF), Quỹ tiền tệ quốc tế (IMF),

Ngân hàng phát triển châu Á (ADB).

Trong đó, các biến số lạm phát, tín dụng, cung tiền và giá dầu thế giới được lấy theo

tỷ lệ tăng hoặc giảm so với tháng trước. Dữ liệu được sử dụng cho biến số lãi suất là

mức tăng hoặc giảm trong tháng của lãi suất cho vay tính theo năm. Dữ liệu tỷ giá

được lấy theo tỷ lệ tăng hoặc giảm của tỷ giá tự do cuối kỳ. Sở dĩ mức tỷ giá tự do

được sử dụng là vì trong điều kiện của Việt Nam, mức tỷ giá chính thức trong một

thời gian dài chịu sự kiểm soát của Ngân hàng Nhà nước nên chưa thể kịp thời phản

ánh được thực tế quan hệ cung cầu trên thị trường do vậy sẽ hạn chế trong việc cung

cấp những thông tin đầu vào cần thiết cho mô hình dự báo.

- 33 -

Hình 2.5: Tỷ lệ lạm phát hàng tháng và trung bình lạm phát 3 kỳ trước

Nguồn: Tổng hợp từ số liệu của Tổng cục thống kê.

Bên cạnh đó, yếu tố lạm phát kỳ vọng trong mô hình dự báo sẽ được đại diện bởi hai

biến số là: lạm phát kỳ trước và trung bình lạm phát của ba kỳ trước đó. Hai mức lạm

phát này được đưa vào mô hình để phản ánh xu hướng lạm phát trong quá khứ được

duy trì và tác động đến mức lạm phát ở hiện tại. Đồng thời cũng đại diện cho những

kỳ vọng về lạm phát tương lai được hình thành trên cơ sở những ký ức về lạm phát

trong quá khứ.

Mặt khác, sự tác động các biến số như lãi suất, tỷ giá, tín dụng và cung tiền luôn có

một độ trễ nhất định. Trên cơ sở so sánh sự tương quan giữa biến cần dự báo là lạm

phát trong kỳ với các biến số trên ở các độ trễ khác nhau, bài nghiên cứu xác định các

biến đầu vào cụ thể bao gồm: biến số về sự thay đổi giá dầu, tín dụng và lãi suất sẽ có

độ trễ là 2 kỳ; sự tác động của tỷ giá đến lạm phát sẽ có độ trễ là 3 tháng. Riêng cung

tiền sẽ có tác động đến lạm phát ngay trong kỳ.

-3.00%

-2.00%

-1.00%

0.00%

1.00%

2.00%

3.00%

4.00%

5.00%

Apr

-02

Apr

-03

Apr

-04

Apr

-05

Apr

-06

Apr

-07

Apr

-08

Apr

-09

Apr

-10

INFMA(3)

- 34 -

Bảng 2.1: Mô tả các biến cơ sở và ký hiệu sử dụng

Mô tả biến Ký hiệu.

Biến giải thích đầu vào

Lạm phát kỳ t-1 INF(1)

Trung bình lạm phát 3 kỳ (t-1, t-2, t-3) MA(3)

Mức thay đổi tỷ giá so với kỳ trước (độ trễ 3 kỳ) FX(3)

Tốc độ tăng tín dụng so với kỳ trước (độ trễ 2 kỳ) CR(2)

Tốc độ tăng cung tiền so với kỳ trước M2

Mức thay đổi lãi vay so với kỳ trước (độ trễ 2 kỳ) IR(2)

Mức tăng của giá dầu so với kỳ trước (độ trễ 2 kỳ) Oil(2)

Biến đầu ra cần dự báo

Lạm phát kỳ t INF

- 35 -

Bảng 2.2: Một số chỉ số thống kê cơ bản của các biến cơ sở

INF INF(1) FX(3) CrD(2) M2 IR(2) Oil(2) MA(3)

Mean 0.7109% 0.7116% 0.2325% 2.4254% 2.1955% 0.0485% 1.7010% 0.7112%

Standard Error

0.000942505 0.000942163 0.001041722 0.001919817 0.001745953 0.00144988 0.010816365 0.000740824

Median 0.005 0.005 0.001161365 0.02217004 0.019348571 0 0.025484975 0.005166667

Standard Deviation

0.009377808 0.009374408 0.010365004 0.019101942 0.01737201 0.014426128 0.107621472 0.007371108

Range 0.0621 0.0621 0.115616659 0.139875308 0.102077868 0.1574 0.658757654 0.038333333

Minimum -2.30% -2.30% -6.91% -4.51% -1.68% -4.74% -36.50% -0.80%

Maximum 3.91% 3.91% 4.65% 9.48% 8.53% 11.00% 29.38% 3.03%

Sum 0.7038 0.7045 0.230128812 2.401164486 2.173550344 0.048 1.684025497 0.704066667

Count 99 99 99 99 99 99 99 99

Nguồn: Tính toán từ số liệu tổng hợp của GSO, IMF.

- 36 - 2.3. Sắp xếp lại bộ dữ liệu.

Bộ dữ liệu thu thập được sẽ được phân chia thành ba phần: 70% được sử dụng để

huấn luyện mạng mô hình mạng, 15% tiếp đó được sử dụng để kiểm tra lại mô hình

trong quá trình xây dựng để đảm bảo tính khái quát hóa của mô hình và 15% quan sát

cuối cùng được sử dụng để thực hiện quá trình kiểm định ngoài mẫu. Tỷ lệ này được

thiết lập trên cơ sở quá trình thực hiện các thử nghiệm khác nhau để xây dựng hệ

thống mạng thần kinh phù hợp. Như đã được đề cập ở phần trên, các nghiên cứu cho

đến nay vẫn chưa thống nhất về việc xác định tỷ lệ tối ưu giữa các tập quan sát này.

Do vậy, sau khi cân nhắc sự hạn chế trong số quan sát thu thập được liên quan đến

các biến số của mô hình cùng với tỷ lệ số quan sát cần thiết cho việc khảo sát khả

năng khái quát hóa của mô hình mạng trong quá trình huấn luyện, bài nghiên cứu đã

lựa chọn tỷ lệ trên và thống nhất sử dụng cho tất cả các mô hình mạng.

2.4. Xây dựng mô hình dự báo lạm phát.

Sau khi xác định các biến số đầu vào và đầu ra của mô hình, cùng với bộ dữ liệu đã

thu thập được, bài nghiên cứu tiến hành xây dựng mô hình mạng thần kinh để dự báo

cho chỉ số lạm phát hàng tháng của Việt Nam. Cấu trúc mạng được lựa chọn trước

hết là mô hình mạng truyền thẳng giản đơn. Với cấu trúc mạng truyền thẳng giản

đơn, các mô hình cụ thể khác nhau sẽ được xây dựng cụ thể gồm mô hình mạng

truyền thẳng một lớp ẩn với lần lượt 3, 4, và 5 nơ-ron ở lớp ẩn. Tiếp đến, các mô hình

mạng phức tạp hơn bao gồm mạng thần kinh truyền thẳng với hai lớp ẩn với lần lượt

số nơ-ron ẩn ở các lớp ẩn là 4 với 3 và 5 với 4. Việc xác định số lớp ẩn cũng như số

nơ-ron phù hợp cho mỗi lớp ẩn, như đã được trình bày ở phần trên, cho đến nay, vẫn

chưa có các nghiên cứu thống nhất chỉ ra phương pháp tối ưu mà chủ yếu được thực

hiện qua quá trình thử vài sai với các cấu trúc mạng khác nhau. Tuy nhiên, một số gợi

ý về việc lựa chọn các nơ-ron ẩn phù hợp với quy mô bộ dữ liệu hoặc sắp xếp các nơ-

ron theo hướng lớp sau có số nơ-ron nhỏ hơn lớp trước cũng đã được vận dụng trong

quá trình thử nghiệm để xây dựng mô hình. Mặt khác, về lý thuyết, số lượng lớp ẩn

của mô hình vào khoảng 1 đến 3 lớp đã có khả năng mô hình hóa phần lớn các mối

tương quan phi tuyến giữa các biến số. Các nghiên cứu đã cho thấy, khi gia tăng hơn

nữa số lượng lớp ẩn hầu như không mang lại sự cải thiện trong kết quả dự báo của

- 37 - mô hình mà ngược lại còn có khả năng dẫn đến tình trạng mô hình trở nên “quá phù

hợp” với dữ liệu quá khứ mà mất đi khả năng khái quát hóa và kéo theo đó là độ

chính xác trong dự báo không cao. Thực tế là với bộ dữ liệu và các biến số thu thập

được như trên, khi tiến hành thử nghiệm với các mô hình mạng phức tạp hơn từ 3 đến

5 lớp ẩn thì hầu như kết quả kiểm định ngoài mẫu mặc dù sau nhiều lần huấn luyện

đều không tốt hơn các mô hình mạng đơn giản ban đầu3.

Ngoài mô hình mạng truyền thẳng giản đơn, bài nghiên cứu còn sử dụng mô hình

mạng truyền thẳng được khái quát hóa (Generalized neural network - GNN). Tương

tự mô hình mạng truyền thẳng ban đầu, các thông tin trong mô hình này cũng chỉ

được truyền đi theo một chiều duy nhất từ biến đầu vào sang lần lượt các lớp ẩn và

cuối cùng là biến đầu ra. Tuy nhiên, điểm khác biệt là mô hình mạng thần kinh được

khái quát hóa sẽ có sự kết nối trực tiếp từ các biến đầu vào đến biến đầu ra. Một số

nghiên cứu về mô hình mạng thần kinh cho thấy GNN có khả năng giải quyết vấn đề

dự báo phần nào tốt hơn so với mô hình truyền thống. Do vậy chúng tôi quyết định sử

dụng thêm mô hình này, trước hết là để so sánh với mô hình mạng truyền thẳng giản

đơn vốn đã được sử dụng trong hầu hết các nghiên cứu về mô hình mạng, bên cạnh

đó là nhằm mục đích so sánh để xác định cấu trúc mạng phù hợp với đặc thù lạm phát

ở Việt Nam. Cụ thể các mô hình GNN được sử dụng bao gồm: Mạng GNN một lớp

ẩn với lần lượt 3 và 4 nơ-ron ẩn; mạng GNN với hai lớp ẩn có số nơ-ron ở hai lớp ẩn

là 3 và 2; 3 và 3; 4 và 4.

Trong khi đó, số nơ-ron ở lớp đầu vào và đầu ra sẽ tương ứng với số lượng biến hồi

quy và biến cần dự báo của mô hình mà trong trường hợp này lần lượt là 7 và 1 nơ-

ron.

3 Kết quả kiểm định ngoài mẫu của những mô hình này được trình bày trong phụ lục.

- 38 -

Bảng 2.3: Thống kê các mô hình mạng được sử dụng.

Mô tả mô hình mạng Ký hiệu

Mạng truyền thẳng giản đơn MLF

Mô hình mạng truyền thẳng một lớp ẩn với 3 nơ-ron ẩn MLF-7-3-1



Mô hình mạng truyền thẳng hai lớp ẩn với lần lượt 3 và 2

nơ-ron ẩn

MLF-7-3-2-1


nơ-ron ẩn

MLF-7-4-3-1


nơ-ron ẩn

MLF-7-5-4-1

Mạng truyền thẳng khái quát hóa GNN

Mô hình mạng truyền thẳng khái quát hóa với một lớp ẩn

3 nơ-ron ẩn

GNN-7-3-1

Mô hình mạng truyền thẳng khái quát hóa với một lớp ẩn

4 nơ-ron ẩn

GNN-7-4-1

Mô hình mạng truyền thẳng khái quát hóa với hai lớp ẩn

và 3 nơ-ron mỗi lớp

GNN-7-3-3-1

Mô hình mạng truyền thẳng khái quát hóa với hai lớp ẩn

và 4 nơ-ron mỗi lớp

GNN-7-4-4-1

Sau khi xác định được cấu trúc mạng thần kinh, một thông số khác của mô hình cần

được quan tâm chính là hàm kích hoạt (còn được gọi là hàm truyền hoặc hàm nén)

- 39 - được sử dụng trong các nơ-ron để chuyển đổi các dữ liệu đầu vào. Hàm kích hoạt

được sử dụng phổ biến đã được nhắc đến trong chương 1 là hàm logsidmoid, chuyển

đổi các giá trị đầu vào thành giá trị tương ứng trong khoảng [0;1]. Tuy nhiên, bên

cạnh đó, hàm kích hoạt khác cũng được sử dụng trong các nghiên cứu là hàm tang-

sigmoid. Thay vì đưa các giá trị đầu vào về trong khoảng [0;1], hàm tang-sigmoid sẽ

đưa chúng về khoảng [-1;+1]. Chuỗi các mô hình mạng truyền thẳng (bao gồm:

MLF-7-3-1, MLF-7-4-1, MLF-7-5-1, MLF-7-4-31 và MLF-7-5-4-1) sẽ được sử dụng

để so sánh kết quả dự báo ngoài mẫu của hai chuỗi mô hình có sự tương đồng trong

tất cả các thông số ngoại trừ hàm kích hoạt là log-sigmoid và tang-sigmoid và tất cả

mô hình đều được “huấn luyện” trên cơ sở nguyên lý của thuật toán lan truyền ngược

và các phương pháp tối ưu hóa phi tuyến. Mỗi mô hình sẽ được huấn luyện nhiều lần

cho đến khi đạt được kết quả “tối ưu” ở mức chấp nhận được. Việc lựa chọn mô hình

sẽ được xác lập trên cơ sở các chỉ tiêu so sánh sau đây của tập các quan sát được

dùng để kiểm định ngoài mẫu (bao gồm 15 quan sát gần nhất – chiếm tỷ lệ 15% tổng

số quan sát).

MSE – Trung bình các bình phương sai số

NMSE – Trung bình các bình phương sai số được chuẩn hóa

MAE – Trung bình các sai số tuyện đối.

R – Tương quan tuyến tính giữa chuỗi giá trị lạm phát dự báo và thực tế.

Sau khi xác định tất cả các thông số cần thiết, quá trình huấn luyện mạng được tiến

hành với sự trợ giúp của phần mềm Neural Network Solution và kết quả kiểm định

ngoài mẫu của các mô hình được trình bày ở phần tiếp theo.

2.5. Kết quả thực nghiệm của mô hình và kết luận

Với các thông số về mô hình đã được xác định, quá trình huấn luyện mạng được tiến

hành. Với mỗi mô hình, quá trình “học hỏi” của hệ thống mạng được lặp lại 20 đến

30 lần tùy thuộc vào kết quả của mỗi lần huấn luyện và từ đó lựa chọn mô hình tương

đối phù hợp nhất. Trong mỗi lần huấn luyện, sự điều chỉnh của các tập trọng số sao

cho tối thiểu hóa giá trị MSE sẽ được xác lập là 1000 bước. Tuy nhiên, nếu như giá

trị MSE không được cải thiện đối với tập các quan sát kiểm định lại (cross validation)

- 40 - sau liên tục 300 – 400 bước thì lần huấn luyện mạng đó sẽ được dừng lại và tập trọng

số tối ưu trong trường hợp này chính là tập trọng số có giá trị MSE của tập kiểm định

lại nhỏ nhất. Trên cơ sở đó, chúng tôi đưa ra kết quả của các mô hình như sau.


sử dụng hàm kích hoạt log-sigmoid.

Mô hình MSE NMSE MAE R

MLF-7-4-1 3.6336E-05 1.31570701 0.00459459 48.59%

MLF-7-5-1 6.8072E-05 2.46485129 0.00628747 58.35%

MLF-7-3-1 2.5027E-05 0.90621763 0.00360985 36.27%

MLF-7-4-3-1 5.7961E-05 2.09874748 0.00568032 43.91%

MLF-7-5-4-1 3.5518E-05 1.28607939 0.00421856 22.59%

MLF-7-3-2-1- 3.3827E-05 1.22486165 0.00421062 40.39%

Nguồn: Tính toán từ số liệu nghiên cứu.


sử dụng hàm kích hoạt tang-sigmoid.

Mô hình MSE NMSE MAE R

MLF-7-4-1 2.89927E-05 1.04980699 0.003811882 67.93%

MLF-7-5-1 3.56403E-05 1.29051453 0.005221159 67.96%

MLF-7-3-1 1.36223E-05 0.49325586 0.003106482 89.12%

MLF-7-4-3-1 2.58549E-05 0.93619137 0.004237882 72.22%

MLF-7-5-4-1 4.97327E-05 1.80078991 0.005839407 71.08%

MLF-7-3-2-1 3.61289E-05 1.30820475 0.004347311 77.36%


- 41 - Trước hết, bảng kết quả trên cho thấy sự cải thiện trong hiệu quả dự báo của mô hình

khi sử dụng hàm kích hoạt tang-sigmoid thay vì hàm log-sigmoid. Nếu như chỉ tiêu

MSE bình quân của các mô hình khi sử dụng hàm log-sigmoid là 4.27.10-5 thì con số

này đối với hàm tang-sigmoid là 3.16.10-5 và tương tự vậy đối với chỉ tiêu NMSE với

lần lượt 1.55 và 1.14. Tuy nhiên, nếu như mức độ cải thiện khi sử dụng hàm tang-

sigmoid ở hai chỉ tiêu trên chưa thật sự đáng kể thì thông qua chỉ tiêu r, biểu thị mối

tương quan tuyến tính giữa chuỗi giá trị lạm phát được dự báo với chuỗi thực tế sẽ

cho thấy sự khác biệt trong việc sử dụng hai hàm kích hoạt này. Chỉ tiêu này đối với

hàm log-sigmoid bình quân khoảng 40% và tối đa là 58% ở mô hình MLF-7-5-1 thì

tương ứng là ở mức khoảng 75% và đặc biệt giá trị này đạt đến mức 89.12% ở mô

hình MLF-7-3-1. Qua đó có thể thấy rằng, trong trường hợp nguồn dữ liệu của Việt

Nam, hàm kích hoạt tang-sigmoid có đặt điểm chuyển đổi giá trị đầu vào về khoảng

giá trị rộng hơn là [-1;1] sẽ tốt hơn so với hàm log-sigmoid thông thường.

Mặt khác, bảng 2.5 cũng cho thấy hiệu quả của mô hình phi tuyến mạng thần kinh

trong việc dự báo tỷ lệ lạm phát hàng tháng của Việt Nam. Theo đó, mức sai lệch

tuyện đối chỉ ở mức 0.00427 tương ứng với đó là tỷ lệ tương quan khá cao giữa chuỗi

giá trị dự báo và chuỗi giá trị thực tế. Biểu đồ sau một lần nữa minh họa thực tế trên.

Hình 2.6: Kết quả kiểm định ngoài mẫu mô hình MLF-7-3-1


Desired Output and Actual Network Output

-0.01

-0.005

0

0.005

0.01

0.015

0.02

0.025

0.03

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Exemplar

Out

put

INF

INF Output

- 42 -






-0.01

-0.005

0

0.005

0.01

0.015

0.02

0.025

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Exemplar

Out

put

INF

INF Output


-0.005

0

0.005

0.01

0.015

0.02

0.025

0.03

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Exemplar

Out

put

INF

INF Output

- 43 -

Hình 2.9: Kết quả kiểm định ngoài mẫu mô hình MLF-7-4-3-1





0

0.005

0.01

0.015

0.02

0.025

0.03

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Exemplar

Out

put

INF

INF Output


-0.005

0

0.005

0.01

0.015

0.02

0.025

0.03

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Exemplar

Out

put

INF

INF Output

- 44 -



Mặc dù số liệu từ kết quả kiểm định ngoài mẫu cho thấy mô hình mạng thần kinh

truyền thẳng có khả năng dự báo tương đối tốt trong trường hợp chuỗi giá trị lạm

phát hàng tháng của Việt Nam, bài nghiên cứu vẫn tiến hành xây dựng các mô hình

mạng GNN còn lại để có sự so sánh nhằm tìm ra mô hình phù hợp cho việc dự báo

lạm phát ở Việt Nam. Tiến hành tương tự với các mô hình trên, quá trình huấn luyện

mạng cho kết quả dự báo ngoài mẫu như sau:

Bảng 2.6: Kết quả kiểm định ngoài mẫu chuỗi các mô hình GNN

MSE NMSE MAE R

GNN-7-4-1 6.93058E-05 2.509518081 0.006038182 55.00%

GNN-7-3-1 0.000152486 5.521426791 0.009183104 69.06%

GNN-7-4-4-1 3.88811E-05 1.407860822 0.004007723 78.44%

GNN-7-3-3-1 2.95547E-05 1.070157435 0.004451876 72.83%



-0.015

-0.01

-0.005

0

0.005

0.01

0.015

0.02

0.025

0.03

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Exemplar

Out

put

INF

INF Output

- 45 - So với kết quả của bảng 2.5 thì số liệu của quá trình kiểm định ngoài mẫu đối với

chuỗi các mô hình GNN cho thấy, nhìn chung, cấu trúc mạng thần kinh truyền thẳng

được khái quát hóa không góp phần vào sự cải thiện trong kết quả dự báo như kết

luận của một số nghiên cứu.

Hình 2.12: Chuỗi giá trị INF dự báo từ các mô hình GNN

Nguồn: Tổng hợp từ số liệu nghiên cứu.

Mặt khác, tuy kết quả dự báo từ chuỗi các mô hình GNN không thật sự tốt hơn so với

chuỗi các mô hình MLF ban đầu nhưng kết quả trung bình của tất cả các mô hình dự

báo lại mang đến ý nghĩa khác. Điều này được gợi ý từ việc sử dụng “thick model”

của Paul McNelis và Peter MacAdam trong nghiên cứu năm 2004 về mô hình thần

kinh trong dự báo lạm phát của các nước châu Âu và Mỹ. Theo đó, kết quả dự báo

trung bình từ các cấu trúc mô hình khác nhau sẽ cho kết quả dự báo tốt hơn của các

mô hình đơn lẻ và kết quả thực nghiệm trong trường hợp này cho thấy lập luận trên

của các tác giả có phần đúng.

-3.00%

-2.00%

-1.00%

0.00%

1.00%

2.00%

3.00%

4.00%

5.00%

1 3 5 7 9 11 13 15

GNN-7-4-1

GNN-7-3-1

GNN-7-4-4-1GNN-7-3-3-1

- 46 -

Hình 2.13: Chuỗi giá trị INF dự báo trung bình từ các

mô hình MLF-GNN và chuỗi thực tế

Nguồn: Tổng hợp từ số liệu nghiên cứu.

Với chuỗi giá trị lạm phát được lấy trung bình hàng tháng từ các mô hình đã xây

dựng, các chỉ tiêu MSE, RMSE, MAE và r lần lượt là 1.21145.10-5 ; 0.438657;

0.00254 và 88.31%. So với kết quả tốt nhất trong số các mô hình đã xây dựng là

MLF-7-3-1 thì xét về chỉ tiêu tương quan tuyến tính, chuỗi giá trị trung bình của các

dự báo có phần sụt giảm nhưng không đáng kể. Tuy nhiên, bù lại với đó là sự cải

thiện phần nào trong các chỉ tiêu còn lại. Mặc dù không thật sự có ý nghĩa như kết

luận trong nghiên cứu đã đề cập nhưng điều này có thể bắt nguồn từ những lý do

khác nhau mà một trong số đó có thể là do số lượng cấu trúc mô hình khác nhau được

xây dựng vẫn còn hạn chế.

Tóm lại, kết quả thực nghiệm từ các mô hình trên cho thấy tiềm năng của mô hình

phi tuyến mạng thần kinh trong việc dự báo tỷ lệ lạm phát hàng tháng ở Việt Nam

được thể hiện qua kết quả khả quan trong các kiểm định ngoài mẫu. Bên cạnh đó, kết

quả thực nghiệm cũng đã cho thấy việc lựa chọn hàm kích hoạt có sự tác động đến

kết quả dự báo và trong trường hợp này thì hàm truyền tang-sigmoid là sự lựa chọn

tốt hơn. Mặt khác, không giống các nghiên cứu trước khi kết luận về hiệu quả dự báo

tốt hơn của mô hình mạng thần kinh được khái quát hóa, thực tế cho thấy rằng mô

hình mạng truyền thẳng dường như chiếm ưu thế tuyện đối trong việc dự báo lạm

phát ở Việt Nam. Bên cạnh đó, những thử nghiệm bước đầu cũng cho thấy rằng

0.00%

0.50%

1.00%

1.50%

2.00%

2.50%

3.00%

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Average output

IFL

- 47 - những mô hình mạng không quá phức tạp sẽ góp phần đưa đến kết quả dự báo tương

đối tốt hơn so với các mô hình phức tạp mà điều này vẫn còn cần phải đi sâu vào

nghiên cứu để làm rõ nhưng nhìn chung, các kết quả thực nghiệm ở trên đã bước đầu

định hình cho việc xây dựng một mô hình mạng thần kinh phi tuyến phù hợp để dự

báo tỷ lệ lạm phát ở Việt Nam vốn là mục tiêu chính của bài nghiên cứu.

Mặt khác, tuy tồn tại những hạn chế trong việc đưa ra các phương pháp thống kê để

phân tích rõ mối quan hệ giữa các biến đầu vào và đầu ra trong mô hình mạng nhưng

những kết quả kiểm định ngoài mẫu cũng đã góp phần vào việc khẳng định sự tồn tại

trong mối tương quan giữa các biến số bao gồm tín dụng, cung tiền, tỷ lệ lạm phát

quá khứ, giá dầu… Qua đó bài nghiên cứu cũng đã góp phần vào việc một lần nữa

khẳng định sự tác động của các biến số này đến tỷ lệ lạm phát ở Việt Nam và trên cơ

sở đó đưa ra những dự báo trong tương lai.

- 48 - CHƯƠNG 3: MỘT SỐ GỢI MỞ TỪ KẾT QUẢ MÔ HÌNH

3.1. Gợi ý về hướng nghiên cứu tiếp theo.

Với những nguyên lý về thuận toán lan truyền ngược và các bước xây dựng mô hình

mạng được gợi ý từ các tác giả trước, bài nghiên cứu đã bước đầu xây dựng mô hình

mạng thần kinh để dự báo lạm phát hàng tháng ở Việt Nam trên cơ sở các biến tiền tệ

như tín dụng, cung tiền; chi phí đầu vào như lãi vay, giá dầu và yếu tố kỳ vọng là tỷ

lệ lạm phát trong quá khứ. Kết quả thực nghiệm đã cho thấy triển vọng ứng dụng mô

hình mạng thần kinh trong dự báo thực tế và đồng thời cũng gợi mở những hướng đi

mới cho các nghiên cứu tiếp theo nhằm hoàn thiện hơn mô hình mạng thần kinh cho

mục đích dự báo lạm phát ở Việt Nam.

Trước hết, về khía cạnh thuật toán huấn luyện mạng, nghiên cứu sử dụng thuận toán

lan truyền ngược cùng với các phương pháp tối ưu hóa phi tuyến thông thường được

sử dụng phổ biến trong hầu hết các nghiên cứu. Tuy nhiên, những nghiên cứu về

thuật toán phù hợp nhất cho bộ dữ liệu trong điều kiện thực tế của Việt Nam sẽ rất

hữu ích trong việc nâng cao hiệu quả dự báo tỷ lệ lạm phát. Đặc biệt là thuật toán di

truyền (genetic algorithm) được nhắc đến khá nhiều trong các nghiên cứu về mô hình

mạng thần kinh trong thời gian gần đây. Ứng dụng thuật toán di truyền trong huấn

luyện mạng nhằm xác định tập trọng số tối ưu để dự báo lạm phát sẽ là một hướng đi

khả dĩ đối với các nghiên cứu về mạng thần kinh phi tuyến trong thời gian tới. Bên

cạnh thuật toán di truyền thì sự kết hợp của mô hình mạng thần kinh với lý thuyết

logic mờ (Fuzzy-logic) trong việc trong việc hình thành các “mô hình lai tạp” để dự

báo lạm phát hứa hẹn sẽ góp phần nâng cao chất lượng của quá trình dự báo.

Mặt khác, trong khi các biến đầu vào của bài nghiên cứu được lựa chọn trên cơ sở gợi

ý từ các nghiên cứu thực nghiệm về lạm phát trong nước và so sánh mối tương quan

giữa các chuỗi số liệu thì việc ứng dụng mô hình mạng thần kinh, mà cụ thể trong

trường hợp này là mô hình “sơ đồ tự tổ chức” (self-organizing map) sẽ có thể góp

phần vào việc đưa ra những lựa chọn biến số đầu vào thích hợp hơn.

Về khía cạnh cấu trúc của mô hình mạng, bài nghiên cứu sử dụng mô hình mạng

truyền thẳng và mô hình mạng truyền thẳng được khái quát hóa và đã đạt được những

kết quả khả quan bước đầu. Tuy nhiên, một số cấu trúc mạng phức tạp hơn như mô

- 49 - hình mạng tuần hóa (Recurrent neural network) mà trong đó các giá trị đầu ra của nơ-

ron sẽ được sẽ có tác động ngược trở lại đối với nơ-ron của các lớp trước. Thông qua

đó, hệ thống mạng sẽ tận dụng các thông tin từ bản thân cấu trúc của chuỗi dữ liệu để

góp phần đưa ra kết quả dự báo tốt hơn. So sánh hiệu quả dự báo của hai loại mô

hình sẽ đưa ra những kết luận có ý nghĩa cho việc hoàn thiện mô hình mạng.

Bên cạnh đó, lạm phát kỳ vọng là một trong những nhân tố ảnh hưởng lớn đến mức

lạm phát hiện tại tuy nhiên, thông tin về lạm phát kỳ vọng chỉ mới được phản ánh

thông qua mức lạm phát trong quá khứ. Điều này có thể phần nào chưa đầy đủ.

Những nghiên cứu sâu hơn về cách thức tác động của yếu tố kỳ vọng đến mức giá

chung của nền kinh tế, về cách thức đo lường…sẽ hết sức cần thiết để từ đó cung cấp

thêm thông tin đầu vào góp phần làm cho kết quả dự báo của mô hình mạng sát với

thực tế hơn.

3.2. Gợi ý chính sách.

Trước hết, kết quả kiểm định ngoài mẫu cho thấy khả năng ứng dụng của mô hình

mạng thần kinh trong dự báo thực tế mà đặc biệt là trong điều hành chính sách tiền tệ.

Kết quả dự báo về mức lạm phát trong tương lai trên cơ sở những thông tin hiện tại

và các giả định được xác lập sẽ cung cấp bức tranh chung về viễn cảnh trong tương

lai của mức giá chung trong nền kinh tế. Trên cơ sở đó, cơ quan điều hành chính sách

sẽ có những biện pháp chủ động để đối phó. Đây sẽ là một trong những tiền đề quan

trọng để thực hiện chính sách lạm phát mục tiêu (inflation-targeting) vốn đã được

ứng dụng khá thành công ở một số nước phát triển. Theo đó, với mức lạm phát dự

báo được, các chính sách tiền tệ chủ động sẽ được thực thi nhằm đưa lạm phát quay

về mức mục tiêu, mức lạm phát được cho là “tối ưu” đối với nền kinh tế. Việc xác lập

mức lạm phát “tối ưu” còn cần phải đi sâu vào nghiên cứu. Tuy nhiên, cần phải lưu ý

rằng, đây không phải là mức lạm phát được Quốc hội thông qua để làm mục tiêu điều

hành chính sách trong năm. Mức lạm phát này được đưa ra có phần chủ quan và vì

vậy mà không mang nhiều ý trong việc kiềm chế lạm phát.

Bên cạnh việc dự báo chiều hướng biến động của lạm phát thì hiệu quả của chính

sách “neo giữ” lạm phát còn đòi hỏi sự kết hợp với khả năng của Ngân hàng Trung

Ương trong việc “neo giữ” niềm tin và kỳ vọng của các chủ thể trong nền kinh tế. Ví

- 50 - dụ, chính sách tăng lãi suất để kiềm chế lạm phát của NHNN có thể sẽ có tác động

không quá lớn. Tuy nhiên, điều quan trọng là những tín hiệu được phát đi từ sự thay

đổi trong chính sách đó sẽ góp phần vào việc hình thành nên dự đoán và mong đợi

của các chủ thể. Vì vậy mà sự định hướng dư luận của NHNN nói riêng và Chính phủ

nói chung là một trong những biện pháp quan trọng để duy trì sự ổn định của tỷ lệ

lạm phát và trong trường hợp đó, uy tín của NHNN trong điều hành chính sách là một

yếu tố không thể thiếu. Để xây dựng và duy trì niềm tin của công chúng vào sự điều

hành chính sách đòi hỏi sự minh bạch nhất quán của NHNN. NHNN nên thường

xuyên cung cấp các báo cáo chính sách tiền tệ, giải thích ý nghĩa của chúng cũng như

động lực phía sau các chính sách đó. Trong một số trường hợp, NHNN cũng có thể

đề ra các chính sách khả thi để thực hiện trong tương lai tới chủ thể trong nền kinh tế.

Ngược lại, một mức uy tín cao sẽ cho phép các NHNN được uyển chuyển hơn trong

việc thực hiện chính sách tiền tệ. Để góp phần cho chính sách tiền tệ phát huy tác

dụng tốt hơn thì việc kiểm soát, ngăn chặn tình trạng đô la hóa trong nền kinh tế là

hết sức cần thiết vì tình trạng này gây khó khăn trong việc dự đoán diễn biến tổng

phương tiện thanh toán, mục tiêu gián tiếp trong kiềm chế lạm phát.

Mặt khác, khi theo đuổi mục tiêu ổn định lạm phát đồng thời “neo” giữ mức cung

tiền và tín dụng cho nền kinh tế thì đồng thời NHNN sẽ có thể và nên linh hoạt hơn

trong điều hành tỷ giá. Thực tế cho thấy, trong năm 2007, vì phải giữ cho tỷ giá ổn

định mà NHNN đã phải cung ra thị trường một lượng tiền đồng lớn để mua vào đô la

Mỹ và góp phần không nhỏ vào mức lạm phát gần 20% của năm 2008. Qua đó có thể

thấy rằng, trong điều kiện ngày càng hội nhập sau rộng vào nền kinh tế toàn cầu, mục

tiêu theo đuổi sự ổn định của tỷ giá đã không những không giúp kiểm soát mà ngược

lại còn góp phần gây ra áp lực lạm phát. Do đó, cần phải nhận thức rằng khi chính

sách tiền tệ mà cụ thể là cung tiền và tín dụng được kiểm soát hợp lý khi theo đuổi

mục tiêu lạm phát thì việc điều chỉnh tỷ giá theo cung cầu thị trường mà thực tế là

“thả nổi có quản lý” hơn nữa đối với tỷ giá không nhất thiết sẽ gây ra lạm phát. Chính

sự lưỡng lự, không rõ ràng, nhất quán trong chính sách tỷ giá mới gây ra tâm lý kỳ

vọng lạm phát và lạm phát thực tế ở kỳ sau nếu các chính sách vĩ mô không đi theo

hướng kiểm soát lạm phát.

Mặt khác, chính sách tiền tệ cần sự hỗ trợ từ chính sách tài khóa. Do cấu trúc thể chế

trong thực thi chính sách tài chính và tiền tệ, việc thực hiện chính sách kiểm soát lạm

- 51 - phát ở Việt Nam không thể thành công nếu không có sự cam kết chi tiêu từ chính

sách tài khóa. Việc này cho thấy tăng trưởng mức cầu từ chi tiêu của Chính phủ phải

hợp lý và rõ ràng. Khi chi tiêu Chính phủ tăng thì nguồn tài trợ sẽ gián tiếp chảy từ

Ngân hàng Nhà nước thông qua vòng chu chuyển của trái phiếu Chính phủ qua các

Ngân hàng thương mại. Điều này cho thấy chính sách tiền tệ có thể sẽ bị động do

chính sách tài khóa mở rộng và việc này làm giảm hiệu quả của chính sách tiền tệ. Do

vậy, cắt giảm chi tiêu công và tập trung chi tiêu vào các hạng mục đầu tư có hiệu quả

và các hạng mục mang lại lợi ích xã hội cao hơn là cố gắng chi tiêu để tăng trưởng

kinh tế nhờ vào sức cầu của chi tiêu Chính phủ.

Suy cho cùng, nguyên nhân sâu xa của lạm phát trong nền kinh tế Việt Nam bắt

nguồn từ mô hình tăng trưởng kinh tế dựa trên chiều rộng, gia tăng vốn đầu tư nhưng

không thật sự hiệu quả. Trong suốt một thời gian dài, các chính sách tài khóa và tiền

tệ nới lỏng được thực hiện để nhằm đạt mục tiêu tăng trưởng kinh tế. Điều này được

thể hiện rõ ràng hơn trong khoảng hai năm gần đây với sự thay đổi liên tục trong ưu

tiên điều hành chính sách của chính phủ. Ngay sau khi lạm phát phần nào dịu bớt thì

theo sau đó là chính sách nới lỏng tài khóa và tín dụng để thúc đẩy tăng trưởng và kết

quả là lạm phát lại tăng tốc và ưu tiên điều hành chính sách lại được chuyển từ mục

tiêu tăng trưởng sang kiềm chế lạm phát. Thiết nghĩ, cần có sự thay đổi triệt để trong

định hướng điều hành, cần thiết phải xem trọng hơn sự ổn định kinh tế vĩ mô. Có thể

tăng trưởng kinh tế không đạt mức cao nhưng bù lại tỷ lệ đó được duy trì ổn định qua

các năm cùng với mức lạm phát mục tiêu phù hợp sẽ góp phần cho sự phát triển bền

vững của nền kinh tế.

Tóm lại, với tình hình lạm phát gia tăng và những bất ổn trên thị trường ngoại hối

thời gian qua, Chính phủ cần truyền đi một thông điệp rõ ràng và nhất quán về sự

cam kết của chính phủ nhằm đạt được và duy trì ổn định kinh tế vĩ mô trong ngắn

hạn. Điều này đòi hỏi các giải pháp chính sách cần thiết kèm theo và thường xuyên

công bố các thông tin kinh tế vĩ mô, tài chính nhằm xây dựng uy tín và sự tin cậy

trong các đối tác thị trường. Mức độ hội nhập kinh tế ngày càng sâu rộng đòi hỏi

chính sách tiền tệ gắn với mục tiêu lạm phát. Điều quan trọng là phải đảm bảo sự

nhất quán xuyên suốt các mục tiêu của chính sách tiền tệ như lãi suất, tín dụng, tỷ

giá...

- 52 - Với những định hướng chính sách như trên bên cạnh việc điều hành chính sách tỷ

giá theo hướng lạm phát mục tiêu trên cơ sở các dự báo được gợi ý từ mô hình cùng

với những bước đi đúng đắn của cơ quan điều hành chính sách thời gian qua, hy vọng

rằng mục tiêu “ổn định kinh tế vĩ mô, đảm bảo an sinh xã hội” sẽ sớm được thực

hiện.

- 53 -

LỜI KẾT

Kết thúc quý 1 năm 2011, lạm phát đang ở mức 6.2%. So với mục tiêu đề ra từ đầu

năm của Chính phủ là 7% thì dường như việc kiềm hãm lạm phát từ nay đến cuối

năm chỉ tăng chỉ tăng 0.8 điểm phần trăm là rất khó khả thi và nhiều khả năng lạm

phát năm nay sẽ tiếp tục duy trì ở mức hai chữ số. Do vậy, những biện pháp kiềm chế

lạm phát tức thời là hết sức cần thiết. Tuy nhiên, việc NHNN theo đuổi chính sách

lạm phát mục tiêu và kiểm soát cung tiền để đảm bảo sự ổn định vĩ mô mới là biện

pháp dài hạn.

Bài nghiên cứu đã đi sâu vào phân tích lạm phát trong nền kinh tế Việt Nam thời gian

qua và trên cơ sở đó chỉ ra những biến số đầu có khả năng tác động đến lạm phát.

Tiếp đến, những biến số này được đưa vào mô hình mạng thần kinh phi tuyến và tiến

hành các kiểm định ngoài mẫu. Kết quả thực nghiệm cho thấy, trước hết, tương tự

như các nghiên cứu trước, mô hình mạng thần kinh tỏ ra khá hiệu quả trong dự báo tỷ

lệ lạm phát hàng tháng của Việt Nam trong giai đoạn kiểm định. Bên cạnh đó, bài

nghiên cứu cũng đã bước đầu định hình cấu trúc mô hình mạng phù hợp với điều kiện

bộ dữ liệu Việt Nam dựa trên các chỉ tiêu so sánh. Đó là cấu trúc mạng truyền thẳng

với một lớp ẩn và ba nơ-ron ẩn duy nhất. Tuy nhiên, cấu trúc mạng này vẫn có thể

được điều chỉnh trong trường hợp có sự thay đổi trong các biến đầu vào và đây có thể

là một gợi ý cho hướng nghiên cứu sắp tới về vận dụng mô hình mạng thần kinh

trong dự báo lạm phát. Ngoài ra, kết quả kiểm định còn cho thấy mô hình mạng được

khái quát hóa không thật sự hoàn thiện hiệu quả dự báo so với mô hình mạng thần

kinh giản đơn như kết luận trong một số nghiên cứu khác. Cuối cùng, một số gợi ý về

chính sách cũng như hướng nghiên cứu xa hơn liên quan đến chủ đề này đã được đưa

ra trên cơ sở của kết quả thực nghiệm.

- 54 -

PHẦN PHỤ LỤC

Phụ lục 1: Các chỉ số đo lường lạm phát

Tỷ lệ lạm phát được đo lường nhờ các chỉ số giá. Dựa vào từng loại chỉ số giá mà ta

tính được tỷ lệ lạm phát trong từng thời kỳ khác nhau theo công thức:

푇ỷ 푙ệ 푙ạ푚 푝ℎá푡 = 퐶ℎỉ 푠ố 푔푖á 푘ỳ 푛à푦 − 퐶ℎỉ 푠ố 푔푖á 푘ỳ 푡푟ướ푐

퐶ℎỉ 푠ố 푔푖á 푘ỳ 푡푟ướ푐 × 100%

Chỉ số giá tiêu dùng (Consumer Price Index - CPI):

Chỉ số giá tiêu dùng (CPI) đo lường giá cả các hàng hóa tiêu dùng được mua bởi

người tiêu dùng thông thường. Chỉ số này được tính toán theo phần trăm để phản ánh

mức thay đổi tương đối của giá hàng tiêu dùng theo thời gian. Sở dĩ thay đổi tương

đối là vì chỉ số này chỉ dựa vào một giỏ hàng hóa đại diện cho toàn bộ hàng tiêu

dùng.

Thông thường, chỉ số giá tiêu dùng được sử dụng để tính toán tỷ lệ lạm phát của phần

lớn các quốc gia trên thế giới. Ngoài ra, chỉ số này cho thấy mức tăng kỳ vọng trong

lương danh nghĩa của người lao động, đồng thời ngụ ý rằng các khoản chi định danh

sẽ tự động tăng lên theo mức tăng của CPI.

Chỉ số giá sản xuất (Producer Price Index – PPI):

Chỉ số giá cả sản xuất PPI đo mức giá mà các nhà sản xuất nhận được, không tính

đến giá bổ sung qua đại lý hoặc thuế doanh thu. Chỉ số này cũng được tính toán như

CPI, tức là sử dụng tỷ lệ phần trăm chi phí để mua một rổ hàng hóa nhất định. Tuy

nhiên, giá cả ở đây là giá do nhà sản xuất ấn định, được bán trong lần đầu tiên. Và

đây cũng là sự khác biệt lớn nhất giữa CPI và PPI.

Với cách tính như trên, đây là một chỉ tiêu tương đối, phản ánh xu hướng và đo lường

mức độ biến động giá bán của các nhà sản xuất trên thị trường sơ cấp vào một thời

kỳ. Mặt khác, giá cả sản xuất tăng sẽ dẫn đến giá tiêu dùng tăng, một phần chi phí

trong quá trình sản xuất kinh doanh được các doanh nghiệp chuyển sang cho người

tiêu dùng. Vì vậy, PPI là chỉ số hữu dụng về xu hướng đối với giá cả và cũng là một

chỉ số tốt để tính toán tỷ lệ lạm phát.

- 55 - Chỉ số giảm phát tổng sản phẩm quốc nội (GDP deflator – DGDP):

Chỉ số giảm phát GDP, còn gọi là chỉ số điều chỉnh GDP, là chỉ số tính theo phần

trăm phản ánh mức giá chung của tất cả các loại hàng hoá, dịch vụ sản xuất trong

nước. Chỉ số điều chỉnh GDP cho biết một đơn vị GDP điển hình của kỳ t có mức giá

bằng bao nhiêu phần trăm so với mức giá của kỳ gốc.

Khác với chỉ số giá tiêu dùng CPI, DGDP được tính trên giỏ hàng hoá thay đổi, do vậy

nó phản ánh được sự thay thế giữa các hàng hoá, dịch vụ với nhau. Thêm vào đó,

DGDP phản ánh giá của cả hàng hoá do doanh nghiệp, chính phủ mua trong khi đó CPI

chỉ phản ánh mức giá của mặt hàng tiêu dùng. Vì thế DGDP được coi là phản ánh đúng

hơn mức giá chung. Tuy nhiên, DGDP chỉ phản ánh mức giá của những hàng hoá sản

xuất trong nước còn CPI phản ánh luôn cả mức giá của hàng hoá nhập khẩu nên được

xem là toàn diện hơn.

Dù có một số khác biệt kể trên thì trong thực tế, sự khác biệt giữa CPI và DGDP không

lớn. Và DGDP vẫn là một trong những chỉ số đánh giá tỷ lệ lạm phát vì nó phản ánh

được thay đổi trong GDP danh nghĩa khi giá cả các mặt hàng trong nước biến động.

Phụ lục 2: Mô hình hồi quy tuyến tính

Mô hình mạng thần kinh nhân tạo được sử dụng với mục đích dự báo biến phụ thuộc

y từ một tập hợp các biến đầu vào x; trong chuỗi thời gian, tập hợp của các biến đầu

vào x có thể bao gồm các biến trễ (lagged variables), biến hiện tại (current variables)

của x và các giá trị trễ (lagged values) của y. Mô hình hồi quy tuyến tính thường

được sử dụng trong bước đầu tiếp cận với công tác dự báo, được thể hiện qua hệ

phương trình sau:

풚풕 = 휷풌 풙풌,풕 + 휺풕 풗ớ풊 휺풕~푵 ퟎ,흈ퟐ

휀 : thành phần “nhiễu” ngẫu nhiên, thường được giả định là phân phối chuẩn với

trung bình bằng 0 và phương sai là không đổi 휎

{훽 }: đại diện cho những hệ số sẽ được ước lượng. Tập hợp các hệ số ước lượng

được ký hiệu là 훽 ; trong khi đó, tập hợp các dự báo 푦 được tạo ra bởi mô hình và

các hệ số ước lượng 훽 được ký hiệu là {푦 }. Mục đích là chọn 훽 sao cho tổng

- 56 - bình phương chênh lệch giữa giá trị thực tế quan sát và giá trị được ước lượng

bởi mô hình tuyến tính là nhỏ nhất.

Một mô hình tuyến tính thường được sử dụng cho dự báo là mô hình tự hồi quy:

풚풕 = 휷풊풌∗

풊 ퟏ풚풕 ퟏ + 휸풋

풌

풋 ퟏ풙풋,풕 + 휺풕

trong đó có k biến độc lập 푥 với hệ số 훾 cho mỗi 푥 và k* thể hiện độ trễ cho biến

phụ thuộc . Tóm lại, mô hình có (k + k*) tham số cần ước lượng cho {β} và {γ}. Do

đó, độ trễ của mô hình càng lớn, mô hình càng cần nhiều hệ số ước lượng và vì thế

mà sự linh động của toàn bộ mô hình hồi quy giảm dần.

Số lượng các biến phụ thuộc 푦 có thể lớn hơn 1. Đối với mô hình tuyến tính chuẩn

mực (benchmark linear model) việc ước lượng và dự báo các biến phụ thuộc 푦 , 푗 =

1,2, … , 푗∗ được thực hiện thông qua một chuỗi 퐽∗ gồm các mô hình tuyến tính độc

lập. Như vậy, mô hình có 푗∗ biến phụ thuộc sẽ phải ước lượng (퐽∗.퐾) hệ số.

Phương pháp hồi quy tuyến tính có ưu điểm là cho ra kết quả xác định (closed-form

solution) nhanh chóng sau quá trình ước lượng sử dụng cách thức bình phương nhỏ

nhất cho chênh lệch giữa 푦 và 푦. Với tầm dự báo ngắn hạn, mô hình tuyến tính là một

khởi đầu hợp lý vì trong một số thị trường, nhà đầu tư chỉ quan sát thấy những sự

thay đổi không đáng kể (small symmetric changes) xung quanh xu hướng dài hạn của

biến cần được dự báo. Do có sự tồn tại của mối quan hệ phi tuyến trong chuỗi dữ

liệu, phương pháp hồi quy tuyến tính vì vậy cho ra kết quả kém chính xác hơn khi thị

trường tài chính có sự bất ổn (điển hình là thị trường thường xuyên diễn ra hiện

tượng bong bóng tài sản). Chính vì thế, việc sử dụng mô hình hồi quy tuyến tính

trong dự báo trong với chuỗi dữ liệu biến dộng lớn sẽ dẫn đến thất bại. Đây cũng là lý

do mà kỹ thuật dự báo phi tuyến được áp dụng.

Mô hình phi tuyến GARCH:

Hàm phi tuyến được sử dụng để thay thế mô hình tuyến tính cố gắng nắm bắt mối

tương quan phi tuyến thật sự trong chuỗi dữ liệu bằng cách xác lập các giả định cho

hệ số của từng dạng hàm phi tuyến cụ thể. Tiêu biểu cho cách tiếp cận này là mô hình

GARCH trung bình (GARCH-In-Mean) hay mô hình GARCH-M là mô hình mà

trong đó thành phần “nhiễu” ngẫu nhiên sẽ ảnh hưởng trực tiếp đến giá trị trung bình

- 57 - của biến phụ thuộc và thành phần “nhiễu” này sẽ thay đổi theo thời gian, được xác

định bởi giá trị quá khứ của chính nó và bình phương sai số của các dự báo quá khứ.

Do đó, phương sai thay đổi theo thời gian này được gọi là phương sai có điều kiện

(conditional variance). Hệ phương trình sau sẽ minh họa cho một mô hình GARCH-

M cổ điển:

흈풕ퟐ = 휹ퟎ + 휹ퟏ흈풕 ퟏퟐ + 휹ퟐ흐풕 ퟏ

ퟐ

풗ớ풊 휺풕 ≈ ∅ ퟎ; 흈풕ퟐ 풗à 풚풕 = 휶 + 휷흈풕 + 휺풕

푦: tỷ suất sinh lợi trên tài sản

훼: tỷ lệ suất sinh lợi kỳ vọng trong điều kiện chuẩn

휀 : thành phần nhiễu tuân theo phân phối chuẩn với trung bình bằng 0, phương sai có

điều kiện 휎 , được cho bởi Φ(0, 휎 )

훽: phần bù rủi ro đối với tỷ suất sinh lợi của tài sản, phản ánh trường hợp nhà đầu tư

yêu cầu tỷ suất sinh lợi cao hơn khi phải đố mặt với mức rủi ro tăng trên thị trường.

Do đó phải có điều kiện: 훽 > 0

훿 , 훿 , 훿 : xác định sự thay đổi của phương sai có điều kiện

GARCH-M là mô hình hệ thống đệ quy ngẫu nhiên, với điều kiện ban đầu 휎 , 휀

cũng như các ước lượng cho 훼,훽, 훿 , 훿 푣à 훿 . Khi tồn tại phương sai có điều kiện,

các cú sốc ngẫu nhiên sẽ có dạng phân phối chuẩn; tỷ suất sinh lợi lúc này là một

hàm số phụ thuộc và giá trị trung bình của chính nó, cú sốc ngẫu nhiên và hiệu ứng

phần bù rủi ro (훽휎 )

Việc ước lượng giá trị cho 훼, 훽, 훿 , 훿 푣à 훿 được thực hiện bằng phương pháp ước

lượng giá trị hợp lý cực đại do cú sốc ngẫu nhiên có phân phối chuẩn. Hàm hợp lý

(likelihood function) L là dạng hàm xác suất kết hợp (joint propability function) của

푦 = 푦 푣ớ푖 푡 = 1, 2 … ,푇. Trong mô hình GARCH-M, hàm hợp lý L có dạng:

푳풕 =ퟏ

ퟐ흅흈풕ퟐ푻

풕 ퟏ풆풙풑 −

(풚풕 − 풚풕)ퟐ

ퟐ흈풕ퟐ

풚풕 = 휶 + 휷흈풕

- 58 -

휺풕 = 풚풕 − 풚풕

흈풕ퟐ = 휹ퟎ + 휹ퟏ흈풕 ퟏퟐ + 휹ퟐ휺풕 ퟏ

ퟐ

훼, 훽, 훿 , 훿 푣à 훿 : ước lượng của các hệ số

Để tìm các ước lượng hệ số, phương pháp được sử dụng là tìm cực đại tổng các log

của hàm hợp lý (hay hàm log hợp lý) trên toàn bộ mẫu 푇, 푡 = 1,2, … ,푇 và các ước

lượng hệ số đó phải thỏa điều kiện có phương sai lớn hơn 0 với 휎 푣à 휀̂ cho trước

푴풂풙휶⏞,휷,⏞휹ퟎ,휹ퟏ,휹ퟐ

퐥퐧(푳풕) = −.ퟓ풍풏(ퟐ흅)−.ퟓ 퐥퐧(흈풕)−. ퟓ(풚풕 − 풚풕)ퟐ

흈풕ퟐ푻

풕 ퟏ

푻

풕 ퟏ

풔. 풕: 흈풕ퟐ > 0, 푡 = 1,2, … ,푇

Mô hình GARCH-M có ưu điểm nắm bắt được bản chất của quá trình phi tuyến.

Phương sai có điều kiện phản ánh sự biến đổi phi tuyến các giá trị quá khứ và sự sai

lệch trong việc dự báo quá khứ. Phương sai điều kiện cũng đại diện cho yếu tố rủi ro

ảnh hưởng đến sự gia tăng trong tỷ suất sinh lợi đòi hỏi khi dự báo về sự biến động

giá của tài sản, vì thế nó được xem như nhân tố tác động đến biến phụ thuộc.

Trở ngại chính của phương pháp GARCH-M là sự khó khăn trong việc xác định giá

trị cực tiểu của hàm log-hợp lý (lo-likelihood function) và càng khó khăn hơn khi

đánh giá thêm ý nghĩa thống kê của các ước lượng 훼,훽, 훿 , 훿 푣à 훿 .

Việc sử dụng phương pháp GARCH-M để xác định mối tương quan phi tuyến là rất

hạn chế. Với tập hợp các hệ số cần ước lượng cụ thể, rõ ràng và các phương pháp ước

lượng hệ số sẵn có, mô hình GARCH-M có thể nắm bắt bản chất của chuỗi dữ liệu

thời gian trong tài chính mà theo đó các biến động lớn sẽ nối tiếp nhau và tương tự

thế cho các thời kỳ ổn định. Nhưng GARCH-M, lại bị giới hạn trong tập hợp các hệ

số đã được xác định một cách rõ ràng, trong một dạng hàm phi tuyến cụ thể và trong

phương pháp ước lượng không hẳn luôn luôn cho ra các giá trị có ý nghĩa. Vì thế,

việc tập trung sử dụng mô hình phi tuyến cụ thể như trên sẽ trở nên kém linh động và

vô hình chung bỏ qua các mối tương quan phi tuyến khác.

- 59 - Phụ lục 3: Các phương pháp chuẩn hóa dữ liệu

Hai trong số nhiều phương pháp phổ biến được sử dụng trong quá trình chuẩn hóa dữ

liệu, là lấy chênh lệch giữa hai giá tri tại hai thời điểm (t; t-1) và lấy logarit tự nhiên

của các biến số đầu vào. Đầu tiên là phương pháp lấy chênh lệch, hay còn gọi là

phương pháp sử dụng sự thay đổi giữa các biến số qua thời gian, có thể được sử dụng

để loại bỏ xu hướng tuyến tính từ dữ liệu. Bên cạnh đó, phép biến đổi logarit hữu ích

đối với dữ liệu mà trong đó có thể xuất hiện đồng thời cả giá trị rất lớn và rất bé và

được đặc trưng bằng một phân phối xác suất có hình dạng lệch phải.

Một phương pháp chuyển đổi dữ liệu được sử dụng phổ biến khác là sử dụng tỷ số

của các biến đầu vào. Các tỷ số nhấn mạnh các mối quan hệ trọng yếu có thể có giữa

các biến đầu vào (ví dụ như các tỷ số của báo cáo tài chính) trong khi vẫn giữ nguyên

độ tự do của dữ liệu bởi lẽ một số lượng ít nơ-ron hơn có thể được sử dụng cho các

biến đầu vào. Trong thống kê học, hiện tượng mô hình hồi quy không hiệu quả khi

lượng dữ liệu đầu vào không đủ số lượng trong mối tương quan với số biến đầu vào

gọi là hiện tượng phù hợp quá mức. Tương tự, trong ứng dụng ANN, khi xảy ra hiện

tượng phù hợp quá mức, ANN chỉ có thể ghi nhận các mẫu hình của bản thân dữ liệu

đầu vào mà không phải là mẫu hình đại diện cho quan hệ bản chất giữa các biến số.

Chính vì vậy, kết quả trả ra của ANN hay mô hình dự báo truyền thống trước đây có

thể hoàn toàn chính xác ở hiện tại nhưng không có tác dụng trong dự báo tương lai.

Và do đó, vấn đề mà nhà nghiên cứu cần giải quyết là giảm bớt số biến đầu vào, và

phương pháp hiệu quả nhất, như đã đề cập, là lấy tỷ số giữa các biền đầu vào này.

Bên cạnh phương pháp lấy chênh lệch, lấy logarit và sử dụng các tỷ số, các nhà phân

tích kỹ thuật có thể cung cấp cho nhà nghiên cứu ứng dụng ANN vô số các chỉ báo

kỷ thuật để làm dữ liệu đầu vào bao gồm các trung bình di động, oscillators, đường

phương hướng (directional movement), và các bộ lọc dao động. Nhà nghiên cứu được

khuyến khích sử dụng kết hợp các chỉ số khác nhau để làm giảm việc dư thừa của các

biến số và cung cấp cho hệ thống ANN khả năng thích ứng với các thay đổi của thị

trường thông qua huấn luyện.

San bằng cả dữ liệu đầu vào và đầu ra bằng việc sử dụng cả trung bình di động đơn

giản hoặc hàm mũ cũng thường được sử dụng.

- 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, một nhóm gồm nhiều ANN khác nhau (với số

lượng nơ-ron ẩn khác nhau trong mỗi ANN) sẽ được huấn luyện và đánh giá hiệu quả

dự báo bằng cùng một tập hợp dữ liệu kiểm tra. Tất cả các ANN đều có cùng số nơ-

ron đầu phù hợp được lựa chọn trước đó. Số lượng các nơ-ron ẩn trên mỗi ANN có

thể tăng dần theo bước tăng +1, +2, ..,+n tùy theo khả năng tính toán của hệ thống

điện toán mà các ANN đang vận hành trên đó. Bình phương sai số của kết quả dự báo

mà các ANN này trả ra khi chạy trên tập hợp dữ liệu kiểm tra sẽ được ghi nhận và vẽ

ra trên đồ thị. Trong trường hợp vấn đề đang nghiên cứu thể hiện mối quan hệ giữa

hai biến số đầu vào, bình phương sai số sẽ được biểu diễn theo một paraboloic hướng

lên. Nếu có nhiều hơn 2 biến số đầu vào, bình phương sai số sẽ được biểu diễn theo

hình bát lật ngửa (với đáy bát hướng xuống). Hệ thống ANN nào trong số các ANN

đang được thử nghiệm cho ra kết quả có bình phương sai số nhỏ nhất (nằm gần khu

vực đáy bát) sẽ được lựa chọn để ứng dụng trong thực tế. Phương pháp tiếp cận này

tiêu thụ thời lượng khá lớn của các nhà nghiên cứu, tuy nhiên, đây lại là phương pháp

lựa chọn số lượng nơ-ron ẩn hiệu quả nhất.

Phương pháp tiếp cận xây dựng và triệt thoái, theo một cách khác, điều chỉnh số

lượng nơ-ron ẩn ngay trong quá trình huấn luyện một ANN thay vì xây dựng nhiều

ANN khác nhau (với số lượng nơ-ron ẩn khác nhau) như vừa nói đến ở trên. Tuy

nhiên, nhược điểm của cách tiếp cận này là trên thị trường hiện nay, có rất ít phần

mềm thương mại ứng dụng ANN cho phép người nghiên cứu điều chỉnh số lượng nơ-

ron ẩn ngay trong quá trình huấn luyện. Phương pháp tiếp cận xây dựng nói rằng nhà

nghiên cứu nên thêm vào từng nơ-ron ẩn cho đến khi nào độ phù hợp của dự báo sụt

giảm. Ngược lại, phương pháp tiếp cận triệt thoái cho rằng nhà nghiên cứu nên từ từ

loại bỏ từng nơ-ron ẩn một cho đến khi nào độ phù hợp của kết quả dự báo sụt giảm.

Phụ lục 5: Mô hình mạng truyền thẳng một lớp ẩn

Mô hình mạng truyền thẳng sử dụng hàm kích hoạt logsigmoid sẽ được mô tả qua hệ

thống phương trình sau. Đây là cách tiếp cận phổ thông nhất đối với mô hình dự báo

bằng mạng thần kinh, được sử dụng rộng rãi khi các nhà nghiên cứu muốn thay thế

các mô hình dư báo tuyến tính truyền thống.

- 61 -

풏풌,풕 = 흎풌,ퟎ + 흎풌,풊풙풊,풕

풊∗

풊 ퟏ

푵풌,풕 = 푳 풏풌,풕 = ퟏ

ퟏ + 풆 풏풌,풕

풚풕 = 휸ퟎ + 휸풌푵풌;풕

풌∗

풌 ퟏ

trong đó, 퐿 푛 , đại diện cho hàm kích hoạt logsigmoid dưới dạng , . Trong

hệ thống này có 푖∗ biến đầu vào {x}, và 푘∗ nơ-ron. Một kết hợp tuyến tính của các

biến đầu vào tại thời điểm quan sát t, {푥 ; } ; i = 1, 2… i*, với vector hệ số (còn gọi là

tập hợp trọng số của biến đầu vào) 휔 , ; i = 1, 2…, i* và hằng số 휔 , hình thành nên

biến 푛 , . Biến số này được “nén lại” bởi hàm số logistic, và trở thành nơ-ron 푁 , tại

thời điểm quan sát t. Tập hợp k* nơ-ron tại thời điểm t được kết hợp một cách tuyến

tính với vector hệ số {훾 }; k = 1, 2,…, k*, và hằng số 훾 hình thành nên giá trị dự báo

푦 tại thời điểm t.

Phụ lục 6: Mô hình mạng truyền thẳng đa lớp (Multi-layer feedforward neural

network)

Việc thiết lập nhiều lớp ẩn hơn sẽ làm cho cấu trúc của mô hình mạng trở nên phức

tạp hơn. Hình dưới minh họa một mạng lưới truyền thẳng với hai lớp ẩn và 2 nơ-ron

ở mỗi lớp.

Mô hình đó được diễn đạt dưới dạng hệ thống phương trình với 푖∗ biến đầu vào ; 푘∗

nơ-ron ở lớp ẩn đầu tiên và 푙∗ nơ-ron ở lớp ẩn thứ hai:

풏풌,풕 = 흎풌,ퟎ + ∑ 흎풌,풊풙풊,풕풊∗풊 ퟏ

푵풌,풕 = ퟏퟏ 풆 풏풌,풕

풑풍;풕 = 풑풍;ퟎ + ∑ 풑풍;풌푵풌;풕풌∗풌 ퟏ

- 62 -

푷풍,풕 = ퟏퟏ 풆 풍풍,풕

풚풕 = 휸ퟎ + ∑ 휸풍푷풍;풕풍∗풍 ퟏ

Khi thêm một lớp ẩn thứ hai thì số hệ số cần phải ướng lượng sẽ tăng một lượng là

(푘∗ + 1)(푙∗ − 1) + (푙∗ + 1); Vì với mạng truyền thẳng một lớp, 푖∗ biến đầu vào và

푘∗ nơ-ron, ta sẽ có (푖∗ + 1)푘∗ + (푘∗ + 1) hệ số, trong khi đó, khi thêm một lớp ẩn

với 푙∗ nơ-ron thì số hệ số bây giờ sẽ là (푖∗ + 1)푘∗ + (푘∗ + 1)푙∗ + (푙∗ + 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 hơn. Với mô hình

này, ta sẽ phải ước lượng nhiều hệ số hơn mà đến lượt nó sẽ khiến ta phải chịu nhiều

ràng buộc hơn trong điều kiện số mẫu quan sát có giới hạn. Bên cạnh đó, mô hình

này cũng đòi hỏi thời gian huấn luyện nhiều hơn. Càng nhiều hệ số thì khả năng các

ước lượng hệ số rơi vào các tối ưu cục bộ, thay vì các tối ưu toàn cục, sẽ càng lớn

(vấn đề này sẽ được bàn kỹ ở phần sau). Tuy vậy, ta cũng để tâm đến ưu điểm của

việc sử dụng nhiều lớp ẩn. Theo đó, mô hình mạng thần kinh nhân tạo hai lớp với các

trọng số được huấn luyện sẽ có khả năng ước lượng được hầu hết các hàm phi tuyến.

Đây là một đặc điểm rất quan trọng và là nền tảng cho việc ứng dụng mô hình mạng

thần kinh ở rất nhiều các lĩnh vực khác nhau. Mô hình mạng thần kinh có thể ước

- 63 - lượng một hàm số đa biến bằng cách xây dựng nên hàm số đó đồng thời điều chỉnh

hàm số đó cho phù hợp. Trong khi đó, các mô hình hồi quy phi tuyến truyền thống

chỉ dừng lại ở việc cố gắng điều chỉnh cho thích hợp với một hàm số đã được định

sẵn. Chính lợi thế này đã giúp cho mô hình mạng thần kinh trở nên vượt trội so với

các 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 thế khác cho mô hình mạng truyền thẳng chính là mô hình mạng truyền

thẳng kết hợp với kết nối nhảy (jump connection). Theo đó, biến đầu vào 푥 không chỉ

có mối tương quan tuyến tính với các nơ-ron ở lớp ẩn mà còn với cả biến đầu ra 푦.

Hình 1.5 minh họa mô hình mạng truyền thẳng kết hợp bước nhảy (Feedforward

jump connection network), mô hình này gồm ba biến đầu vào, một lớp ẩn với hai nơ-

ron (푖∗ = 3 ; 푘∗ = 2).

Hình : Mô hình mạng truyền thẳng và kết nối nhảy.

Nguồn: Paul D. MaNelis (2005) “Neural Network in Finance”

Mô hình trên được viết lại dưới dạng hệ thống phương trình toán học, sử dụng hàm

kích hoạt Logsigmoid như sau:

풏풌,풕 = 흎풌,ퟎ + ∑ 흎풌,풊풙풊,풕풊∗풊 ퟏ

푵풌,풕 = 푳 풏풌,풕 = ퟏퟏ 풆 풏풌,풕

- 64 -

풚풕 = 휸ퟎ + ∑ 휸풌푵풌;풕 풌∗풌 ퟏ + ∑ 휷풊풙풊;풕풊∗

풊 ퟏ

Lưu ý rằng mô hình mạng truyền thẳng có bước nhảy nhảy kết nối sẽ làm cho số hệ

số cần ước lượng trong mạng lưới gia tăng một lượng là 푗∗, bằng với số lượng biến

đầu vào. Ưu điểm của loại mô hình này chính là nó kết hợp cả mô hình tuyến tính với

mô hình mạng thần kinh truyền thẳng. Thông qua đó, mô hình sẽ cho phép một hàm

phi tuyến có thể đồng thời có thành phân tuyến tính và thành phần phi tuyến. Nếu

mối tương quan giữa biến đầu vào và biến đầu ra chỉ đơn thuần là tuyến tính thì khi

đó chỉ duy nhất phần “bước nhảy kết nối trực tiếp” (giữa biến đầu vào và biến đầu ra)

với tập hợp các hệ số {훽 } ; 푖 = 1, … , 푖∗ là có ý nghĩa.. Ngược lại, nếu như mối tương

quan giữa x và y được kỳ vọng là mô quan hệ phi tuyến phức tạp thì kh đó, tập hợp

các hệ số {휔} và {훾} sẽ có ý trở nên có ý nghĩa và tất nhiên tập hợp hệ số {훽} sẽ có

mức ý nghĩa thống kê không cao. Và cuối cùng có thể xảy ra trường hợp là mối quan

hệ giữa tập hợp biến đầu vào {푥} và biến đầu ra {푦}bao gồm cả thành phần tuyến

tính và phi tuyến, kết quả là cả {훽}; {휔}; {훾} đều sẽ có ý nghĩa.

Phụ lục 8: Kết quả kiểm định ngoài mẫu mô hình GNN-7-4-1


-0.015

-0.01

-0.005

0

0.005

0.01

0.015

0.02

0.025

0.03

0.035

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Exemplar

Out

put

INF

INF Output

- 65 - Phụ lục 9: Kết quả kiểm định ngoài mẫu mô hình GNN-7-4-4-4-1


-0.005

0

0.005

0.01

0.015

0.02

0.025

0.03

0.035

0.04

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Exemplar

Out

put

INF

INF Output

- 66 -

DANH MỤC TÀI LIỆU THAM KHẢO

1. Phạm Thế Anh (2009), “Xác định các nhân tố quyết định lạm phát ở Việt

Nam”, Tạp chí Kinh tế & Phát triển.

2. Nguyễn Ngọc Bảo (2011), “Điều hành chính sách tiền tệ năm 2010, định

hướng giải pháp 2011”, Tạp chí Ngân hàng số 2-3/2011.

3. Lê Xuân Đình (2010), “Cẩn trọng với sự đồng hành của lạm phát và thiểu

phát”, Tạp chí Cộng sản số 23 (215) năm 2010.

4. Nguyễn Trọng Hoài – Nguyễn Hoài Bảo (2009), “Lạm phát ở Việt Nam và

kiểm chứng thực nghiệm mô hình P-star”, NXB Thống Kê.

5. Trần Ngọc Thơ và các tác giả (2008), “Tài chính quốc tế”, NXB Thống Kê.

6. Khuất Duy Tuấn (2011), “Bài về sự phối hợp của chính sách tài khóa và

chính sách tiền tệ trong việc kiểm soát lạm phát ở Việt Nam”, Tạp chí

Ngân hàng số 4/2011.

7. Phạm Thị Thu Trang (2009), “Các yếu tố tác động tới lạm phát tại Việt

Nam – Phân tích chuỗi thời gian phi tuyến”, Tạm chí Kinh tế và Dự báo, số

12 năm 2009.

8. Đỗ Văn Thành – Trần Thị Kim Dung (2011), “Dự báo lạm phát năm 2011

và tác động của việc tăng giá điện, than, xăng đến hình thành mặt bằng

giá mới và lạm phát”, Trung tâm Thông tin và Dự báo Kinh tế - Xã hội quốc

gia.

9. Nguyễn Đức Thành và các tác giả (2010), “Lựa chọn để tăng trưởng bền

vững”, NXB Tri Thức.

10. Nguyễn Huy Vũ (2010), “Định hướng lạm phát, một chính 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

- 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”.

Documents

Ứng dụng mô hình mạng thần kinh dự báo lạm phát việt nam