Chuyên Đề Thực Tập Ứng Dụng Mô Hình Long Short Term Memory Trong Dự Báo Chuỗi Thời Gian CPI

Nghiên cứu ứng dụng mô hình long short term memory trong dự báo chuỗi thời gian CPI, mang lại cái nhìn sâu sắc về xu hướng giá cả.

• Tác giả: Nguyễn Hương Ly
• Người hướng dẫn: PGS. Nguyễn Thị Minh
• Trường học: Trường Đại Học Kinh Tế Quốc Dân
• Chuyên ngành: Toán Kinh Tế
• Đề tài: Chuyên Đề Thực Tập Ứng Dụng Mô Hình Long Short Term Memory Trong Dự Báo Chuỗi Thời Gian Trường Hợp CPI
• Loại tài liệu: chuyên đề thực tập
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• DANH MỤC BẢNG BIỂU
• DANH MỤC TỪ VIẾT TẮT
• PHẦN MỞ ĐẦU: GIỚI THIỆU ĐỀ TÀI
• 1. CHƯƠNG 1: CƠ SỞ LÝ LUẬN VÀ TỔNG QUAN NGHIÊN CỨU
• 1.1. Chuỗi thời gian và dự báo chuỗi thời gian
• 1.2. Đánh giá chất lượng dự báo
• 1.2.1. Sai số phần trăm tuyệt đối trung bình (MAPE)
• 1.2.2. Sai số trung bình tuyệt đối (MAE)
• 1.2.3. Sai số bình phương trung bình (MSE)
• 1.2.4. Tiêu chí thông tin Akaike (AIC)
• 1.3. Khái niệm
• 1.4. Tầm quan trọng của CPI
• 1.5. Công thức tính CPI
• 2. CHƯƠNG 2: MỘT SỐ PHƯƠNG PHÁP PHÂN TÍCH VÀ DỰ BÁO CHUỖI THỜI GIAN
• 3. CHƯƠNG 3: PHÂN TÍCH, THIẾT KẾ HỆ THỐNG DỰ BÁO CPI THEO THỜI GIAN
• KẾT LUẬN VÀ KHUYẾN NGHỊ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng mô hình LSTM trong dự báo CPI

Mô hình Long Short-Term Memory (LSTM) đã trở thành một công cụ mạnh mẽ trong việc dự báo chuỗi thời gian, đặc biệt là trong lĩnh vực kinh tế. Việc áp dụng LSTM trong dự báo chỉ số giá tiêu dùng (CPI) không chỉ giúp cải thiện độ chính xác mà còn tối ưu hóa quy trình phân tích dữ liệu. LSTM có khả năng ghi nhớ thông tin từ quá khứ lâu hơn so với các mô hình truyền thống, điều này rất quan trọng trong việc dự đoán các xu hướng giá cả trong tương lai.

1.1. Mô hình LSTM và nguyên lý hoạt động

Mô hình LSTM là một loại mạng nơ-ron hồi tiếp, được thiết kế để giải quyết vấn đề vanishing gradient trong các mạng nơ-ron truyền thống. LSTM sử dụng các cổng để kiểm soát thông tin nào được lưu giữ và thông tin nào bị loại bỏ, từ đó giúp cải thiện khả năng dự đoán cho các chuỗi thời gian phức tạp.

1.2. Tại sao LSTM lại quan trọng trong dự báo CPI

LSTM cho phép xử lý các dữ liệu chuỗi thời gian dài hạn, giúp nhận diện các mẫu và xu hướng trong dữ liệu CPI. Điều này rất quan trọng trong bối cảnh kinh tế hiện nay, nơi mà các yếu tố ảnh hưởng đến giá cả có thể thay đổi nhanh chóng.

II. Thách thức trong dự báo chuỗi thời gian với mô hình LSTM

Mặc dù LSTM mang lại nhiều lợi ích, nhưng việc áp dụng mô hình này trong dự báo chuỗi thời gian cũng gặp phải một số thách thức. Các vấn đề như thiếu dữ liệu, độ phức tạp trong việc thiết lập mô hình và yêu cầu về tài nguyên tính toán là những yếu tố cần được xem xét.

2.1. Thiếu dữ liệu và ảnh hưởng đến dự báo

Thiếu dữ liệu có thể dẫn đến việc mô hình không đủ thông tin để học hỏi và dự đoán chính xác. Điều này đặc biệt quan trọng trong bối cảnh dữ liệu CPI có thể bị ảnh hưởng bởi nhiều yếu tố bên ngoài.

2.2. Độ phức tạp trong việc thiết lập mô hình LSTM

Việc thiết lập mô hình LSTM yêu cầu kiến thức chuyên sâu về cấu trúc mạng nơ-ron và các tham số cần tối ưu. Điều này có thể gây khó khăn cho những người mới bắt đầu trong lĩnh vực dự báo chuỗi thời gian.

III. Phương pháp dự báo chuỗi thời gian bằng LSTM

Để áp dụng mô hình LSTM trong dự báo chuỗi thời gian, cần thực hiện một số bước cơ bản. Các bước này bao gồm thu thập dữ liệu, tiền xử lý dữ liệu, xây dựng mô hình và đánh giá kết quả dự báo.

3.1. Thu thập và tiền xử lý dữ liệu

Dữ liệu CPI cần được thu thập từ các nguồn đáng tin cậy và sau đó được tiền xử lý để loại bỏ các giá trị ngoại lệ và chuẩn hóa dữ liệu. Việc này giúp mô hình LSTM hoạt động hiệu quả hơn.

3.2. Xây dựng mô hình LSTM

Quá trình xây dựng mô hình LSTM bao gồm việc xác định cấu trúc mạng, lựa chọn các tham số và huấn luyện mô hình trên tập dữ liệu đã được chuẩn bị. Việc tối ưu hóa các tham số là rất quan trọng để đạt được kết quả dự báo tốt nhất.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn của LSTM trong dự báo CPI

Kết quả từ việc áp dụng mô hình LSTM cho thấy độ chính xác cao hơn so với các phương pháp truyền thống như ARIMA. Việc này không chỉ giúp cải thiện chất lượng dự báo mà còn cung cấp thông tin hữu ích cho các nhà hoạch định chính sách.

4.1. So sánh kết quả dự báo giữa LSTM và các mô hình khác

Kết quả cho thấy mô hình LSTM có khả năng dự đoán chính xác hơn so với các mô hình ARIMA và RNN. Điều này chứng tỏ rằng LSTM là một công cụ hiệu quả trong việc dự báo chuỗi thời gian.

4.2. Ứng dụng LSTM trong quản lý kinh tế

Việc áp dụng LSTM trong dự báo CPI có thể giúp các doanh nghiệp và chính phủ đưa ra các quyết định chính xác hơn trong việc điều hành chính sách kinh tế, từ đó thúc đẩy sự phát triển bền vững.

V. Kết luận và triển vọng tương lai của mô hình LSTM trong dự báo chuỗi thời gian

Mô hình LSTM đã chứng minh được hiệu quả trong việc dự báo chuỗi thời gian, đặc biệt là trong lĩnh vực kinh tế. Tương lai của mô hình này hứa hẹn sẽ còn phát triển hơn nữa với sự tiến bộ của công nghệ và dữ liệu lớn.

5.1. Triển vọng phát triển mô hình LSTM

Với sự phát triển không ngừng của công nghệ, mô hình LSTM có thể được cải tiến để xử lý các dữ liệu phức tạp hơn, từ đó nâng cao độ chính xác trong dự báo.

5.2. Tác động của LSTM đến nền kinh tế

Việc áp dụng LSTM trong dự báo CPI không chỉ giúp cải thiện chất lượng dự báo mà còn có thể tác động tích cực đến nền kinh tế, giúp các doanh nghiệp và chính phủ đưa ra các quyết định đúng đắn hơn.

Trích đoạn nội dung tài liệu

chương 1, em sẽ tìm hiểu các khái niệm liên quan đến đề tài nghiên cứu va lý thuyết được sử dụng trong chuyên đề. Em đi vào trình bày tổng quan chuỗi thời gian và CPI bao gồm các phần nêu khái niệm, tầm quan trọng, công thức tính, cũng như cách tính. Sau đó, chỉ ra một số nghiên cứu trong và ngoài nước có cùng đề tài dự báo. Chuỗi thời gian và dự báo chuỗi thời gian Chuỗi thời gian là một chuỗi các phép đo được thực hiện theo thời gian, thường thu được ở các khoảng cách đều nhau, có thể là hàng ngày, hàng tháng, hàng quý hoặc hàng năm.

Phân tích chuỗi thời gian bao gồm các phương pháp dé phân tích dữ liệu chuỗi thời gian dé trích xuất số liệu thống kê có ý nghĩa và các đặc điểm khác của dit liệu. Dự báo chuỗi thời gian là việc sử dụng một mô hình dé dự đoán các giá tri trong tương lai dựa trên các giá tri được quan sát trước đó. Nói cach khác, chuỗi thời gian là một chuỗi các điểm dữ liệu được ghi lại tại các thời điểm cụ thé. Dự báo là qua trình đưa ra dự đoán về tương lai dựa trên dữ liệu quá khứ và hiện tại cùng với việc phân tích các xu hướng.

Dự báo liên quan đến việc lấy các mô hình phù hợp với dữ liệu lịch sử và sử dụng chúng để dự đoán các quan sát trong tương lai. Dự báo chuỗi thời gian thường bao gồm năm bước cơ bản: Bước 1: Xác định đối tượng dự báo Bước 2: Thu thập số liệu Bước 3: Thiết lập mô hình Bước 4: Ước lượng tham số Bước 5: Đánh giá mô hình dự báo 1. Đánh giá chất lượng dự báo Trong một mô hình bắt kỳ, chúng ta sử dụng nhiều chỉ số để đo lường hoặc những kiểm định dé khang định rằng mô hình đang nghiên cứu được xem là tốt hay không tốt. Có một số chỉ tiêu dùng trong đánh giá chất lượng dự báo của mô hình như 11183158- Nguyễn Hương Ly 11 Chuyên đề thực tập chuyên ngành Toán Kinh tế sau: Sai số phan trăm tuyệt đối trung bình (MAPE), sai số trung bình tuyệt đối (MAB), sai số bình phương trung bình (MSE), tiêu chí thông tin Akaike (AIC) Sai số phần trăm tuyệt đối trung bình được sử dụng để so sánh hiệu quả của dự báo.

Trong mô hình SARIMA, AIC- công cụ ước tính cũng đã được sử dụng. Sai số phần trăm tuyệt đối trung bình (MAPE) Là trung bình của các sai số phần trăm tuyệt đối của các dự báo. Biện pháp này cho thấy mức độ quan trọng của lỗi dự báo được so sánh với các giá trị của chuỗi trong điều kiện về tỷ lệ phần trăm. MAPE càng nhỏ thì kết quả dự báo càng tốt.

MAPE có thé được diễn đạt như sau: n — 1S¬"|F; - Yl MAPE =— ) —— ne IY. | Y, là giá trị thực tế tại thời điểm t, Ÿ, là dự báo giá trị tai thời điểm t và n là số lần quan sát. Sai số trung bình tuyệt đối (MAE) MAE là sai số trung bình tuyệt đối (Mean absolute error). MAE đo lường mức độ trung bình của các lỗi trong một tập hợp các dự báo, mà không xem xét hướng của chúng.

Đó là trung bình trên mẫu thử nghiệm về sự khác biệt tuyệt đối giữa dự báo và quan sát thực tế, trong đó tất cả các khác biệt với trọng số bằng nhau. MAE = n n Với Y, là giá trị dự báo, Y; là giá trị thực tế 1. Sai số bình phương trung bình (MSE) Trong thống kê, sai số bình phương trung bình (MSE) đo trung bình bình phương của các lỗi, nghĩa là chênh lệch bình phương trung bình giữa các giá trị dự báo và giá tri thực tế. 1 — Y, là giá trị thực tế, Ÿ; là giá tri dự báo 1.

Tiêu chí thông tin Akaike (AIC) Một trong những tiêu chí thường được sử dụng đề lựa chọn mô hình đó là chỉ số AIC (Akaike Information Criteria). Tiêu chí thông tin này là một công cụ ước tính 11183158- Nguyễn Hương Ly 12 Chuyên đề thực tập chuyên ngành Toán Kinh tế lỗi dự báo và do đó đánh giá chất lượng tương đối của các mô hình thống kê trên một tập hợp dữ liệu nhất định. Gia sử có một tập hợp các mô hình được xây dựng trên cùng một bộ dữ liệu, AIC ước tính chất lượng của từng mô hình trong mối liên quan đến từng mô hình khác. Do đó, AIC cung cấp một phương tiện để lựa chọn mô hình.

AIC được hình thành dựa trên lý thuyết thông tin (information theory). Khi một mô hình thống kê được sử dụng để dự báo, kết quả sẽ gần như không bao giờ chính xác hoàn toàn. Vì vậy một số thông tin sẽ bị mắt do không thể dự báo từ mô hình. AIC ước tính lượng thông tin tương đối bị mất bởi một mô hình nhất định: mô hình mắt càng ít thông tin thì chất lượng của mô hình đó càng cao.

Giả sử rằng chúng ta có một mô hình thống kê tương ứng với một bộ dữ liệu. Gọi k là số lượng tham số ước tính trong mô hình. Đặt ͈ là giá trị tối đa của hàm hợp lý (maximum likelihood function) của mô hình. Khi đó, giá tri AIC của mô hình được tính như sau: AIC = 2k — 2InÏ Tóm lại rằng giá trị của AIC càng nhỏ thì mô hình của chúng ta càng phù hợp.

Khái niệm Chỉ số giá tiêu đùng (Consumer Price Index - CPI) là chỉ tiêu tương đối (tính bang %) phản ánh xu hướng và mức độ biến động giá cả chung theo thời gian của các loại hàng hoá và dịch vụ tiêu dùng hàng ngày của người dân. Đây là chỉ tiêu được sử dụng phô biến nhất dé đo lường mức giá và sự thay đôi của mức giá chính là lạm phát hoặc giảm phát. Tầm quan trọng của CPI Chỉ số giá tiêu dùng (CPI) là một trong những chỉ số kinh tế quan trọng nhất dé xác định đặc điểm của các quốc gia và là thường được coi là một thước do lạm phát chính thức. Chỉ số CPI xem xét sự biến động giá hàng tháng của một nhóm hàng hóa được xác định và dịch vụ trong một khu vực cụ thể, và nó là chìa khóa trong quy hoạch kinh tế và xã hội của một quốc gia nhất định, do đó dự báo CPI là rất quan trọng.

CPI là một chỉ số kinh tế có ảnh hưởng trực tiếp tới sự phát triển của một nền kinh tế. Vì vậy việc tính toán và phân tích chỉ số CPI sẽ đem đến hiệu quả tích cực cho doanh nghiệp, nền kinh tế cũng như chính phủ. Từ đó người tiêu dùng có sự chuẩn bị trước những thay đổi về mức giá bán lẻ hàng hóa tiêu dùng. 11183158- Nguyễn Hương Ly 13 Chuyên dé thực tập chuyên ngành Toán Kinh tế Không chỉ thế, chỉ số CPI còn được đo lường và ứng dụng làm thước đo lạm phát cho các yếu tố khác trong nền kinh tế như doanh số bán lẻ, thu nhập hàng giờ hay giá trị đồng tiền.

Khi chỉ số CPI tăng thì chính phủ cũng sẽ điều chỉnh mức lương cơ bản phù hợp với mức chỉ cho hàng hóa tiêu dùng. Khi CPI giảm đồng nghĩa với việc giá của giỏ hàng hóa tiêu dùng tính theo CPI giảm, khi đó số tiền dành cho tiêu dùng hằng ngày của người dân sẽ giảm. Nếu mức thu nhập không thay đổi, thì việc giảm chi phí tiêu dùng sẽ giúp 6n định chi tiêu và góp phan nâng cao mức sống cho những người có thu nhập kém. Công thức tính CPI CPI được hình thành từ các thông tin chi tiêu của hàng nghìn hộ gia đình trên toàn quốc.

Thông tin được thu thập thông qua phỏng vấn và nhật ký chỉ tiêu của các đối tượng được lựa chọn dé nghiên cứu. Đề tính toán CPI, người ta tính số bình quân gia quyền theo công thức Laspeyres của giá cả của kỳ báo cáo (kỳ t) so với kỳ cơ so, gôm các bước: Bước 1: Cô định giỏ hàng hóa: Thông qua điều tra, người ta sẽ xác định lượng hàng hóa, dịch vụ tiêu biểu mà một người tiêu dùng điển hình mua. Bước 2: Xác định giá cả: Thống kê giá cả của mỗi mặt hàng trong giỏ hàng hóa tại mỗi thời điểm. Bước 3: Tính chi phí (bằng tiền) để mua giỏ hàng hóa bằng cách dùng số lượng nhân với giá cả của từng loại hàng hóa rồi cộng lại.

Bước 4: Lựa chọn thời kỳ gốc để làm cơ sở so sánh rồi tính CPI băng công thức sau: CPI Chi phí dé mua giỏ hàng hóa thời kỳ t ` Chỉ phí để mua giỏ hàng hóa kỳ cơ sở Thời kỳ gốc sẽ được thay đổi trong vòng 5 đến 7 năm tùy ở từng nước. CPI được dùng để tính chỉ số lạm phát theo thời kỳ. Ví dụ, tính chỉ số lạm phát CPI năm 2001 so với năm 2000 theo công thức sau: CPI nam 2001 — CPI năm 2000 Chỉ số lạm phát 2001 = 100 x = CPI nam 2000 CPI năm gốc luôn bằng 1 11183158- Nguyễn Hương Ly 14 Chuyên dé thực tập chuyên ngành Toán Kinh tế 1. Cách tính CPI Hàng tháng Tổng cục Thống kê vẫn thường xuyên tính toán và công bố CPI đồng thời theo 3 gốc so sánh khác nhau là: ¢ CPI hàng tháng so với tháng trước » CPI hàng tháng so với thang 12 năm trước » CPI hàng thang so với cùng tháng (cùng ky) năm trước Ba chỉ tiêu CPI hàng tháng được tính theo 3 gốc so sánh khác nhau ở trên đều có ý nghĩa và phản ánh riêng về sự biến động của giá cả thị trường theo các góc độ xem xét, đánh giá khác nhau và phục vụ cho các mục đích, yêu cầu nghiên cứu, phân tích kinh tế, xã hội khác nhau.

Ở cách tính CPI hàng tháng so với tháng trước, ta lấy chỉ số giá của tháng này so với tháng trước đó dé lay tỉ lệ tăng của từng tháng. Sau đó cộng tat cả tỉ lệ ấy của 12 tháng thành con số tăng giá của cả năm. Cách tính này thì dé nhận thấy những biến động của từng thời điểm và có thé nắm được chu kỳ của nó. Tuy nhiên, con số đó đôi khi bị lệ thuộc vào chính những biến động đó mà không phản ánh đúng tình hình chung của cả năm hay cả giai đoạn.