MỞ ĐẦU 1. Lý do chọn đề tài Hiện nay, các nghiên cứu về dữ liệu chuỗi thời gian đem lại những ứng dụng quan trọng, mang tính thực tế cao trong các lĩnh vực nhƣ thống kê, tài chính, dự báo thiên tai, xử lý dữ liệu số,… Một trong số đó là bài toán Dự báo chuỗi thời gian (hay dự báo các giá trị tƣơng lai của chuỗi thời gian từ các giá trị trong quá khứ) kết hợp xây dựng mô hình dự báo thích hợp. Dự báo tài chính theo chuỗi thời gian đƣợc coi là một trong những ứng dụng thách thức nhất của dự đoán chuỗi thời gian hiện đại. Đã có nhiều nghiên cứu sử dụng mạng nơron nhân tạo (ANN) và một số lƣợng lớn các ứng dụng thành công cho thấy rằng ANN là một công cụ hữu ích để lập mô hình và dự báo chuỗi thời gian.
Tuy nhiên, một số nghiên cứu chỉ ra rằng ANN gặp một số hạn chế vì dữ liệu chứng khoán tài chính có độ nhiễu lớn và số chiều phức tạp. Gần đây, máy hỗ trợ vector (SVM), một thuật toán mạng nơron mới, đã đƣợc phát triển bởi Vapnik và cộng sự. Không giống các mạng nơron truyền thống khác khi tối thiểu hóa rủi ro trên một tập dữ liệu hữu hạn, SVM thực hiện nguyên tắc giảm thiểu cấu trúc rủi ro bằng cách giảm cận trên của lỗi tổng quát thay vì lỗi đào tạo. Dựa trên nguyên tắc này, SVM đảm bảo một mạng nơron tối ƣu, tạo ra một sự cân bằng phù hợp giữa lỗi thực nghiệm và khoảng tin cậy Vapnik - Chervonenkis (VC)[1].
Ngoài ra, giải pháp của SVM có thể tổng quát hóa tốt hơn và tối ƣu toàn mạng nơron, trong khi các mô hình xây dựng mạng khác chỉ có thể tối ƣu cục bộ. Đề tài này tập trung nghiên cứu SVM và áp dụng SVM vào dự báo tài chính theo chuỗi thời gian, đồng thời so sánh tính khả thi của nó với các mạng ANN trong dự báo theo chuỗi thời gian. 2 Từ những lý do ở trên, tôi chọn đề tài “ỨNG DỤNG SVM TRONG DỰ BÁO TÀI CHÍNH THEO CHUỖI THỜI GIAN”. Mục đích nghiên cứu Tìm hiểu và nghiên cứu giải pháp SVM.
Kiểm tra tính khả thi của việc ứng dụng SVM trong dự báo tài chính bằng cách sử dụng các hàm kernel khác nhau, đồng thời so sánh độ chính xác. Ứng dụng SVM trong dự báo tài chính theo chuỗi thời gian và khảo sát các đặc điểm chức năng đƣợc thể hiện. Đối tƣợng và phạm vi nghiên cứu 3. Đối tƣợng nghiên cứu: Dữ liệu chứng khoán dạng chuỗi thời gian, các thuật toán thực hiện dự báo chuỗi thời gian.
Phạm vi nghiên cứu: Phạm vi nghiên cứu của đề tài này là ứng dụng mô hình SVM vào dự báo dữ liệu chứng khoán chuỗi thời gian. Nhƣ vậy, đề tài cần các dữ liệu chứng khoán của một hoặc một số công ty trên các sàn chứng khoán để xây dựng cơ sở dữ liệu, từ đó tiến hành dự báo giá trị chứng khoán cho công ty đó trong thời điểm tƣơng lai nhất định. Phƣơng pháp nghiên cứu Phƣơng pháp nghiên cứu của đề tài đƣợc lựa chọn là lý thuyết kết hợp với thực nghiệm. Các vấn đề cần giải quyết liên quan đến các thuật toán và lý thuyết về chuỗi thời gian, cũng nhƣ về học máy và mạng nơron nhân tạo.
Phân tích, dự báo tài chính chuỗi thời gian đƣợc thực hiện trên máy tính với đầu vào là các thông tin thu nhận đƣợc từ thực tế. Ý nghĩa khoa học và thực tiễn của đề tài Những giá trị khoa học và thực tiễn của đề tài: - Các mô hình dựa trên SVM đƣợc phát triển và tính khả thi của việc ứng dụng các mô hình này vào dự đoán giá chứng khoán đƣợc kiểm chứng. 3 - Sự kết hợp tốt nhất của các thông số SVR có thể đƣợc sử dụng để xây dựng các mô hình SVR đƣợc xác định cho từng dữ liệu cổ phiếu và so sánh điểm tƣơng đồng giữa các giá trị này. - So sánh hiệu suất và độ chính xác giữa các hàm kernel của mô hình SVR khi ứng dụng cho chuỗi thời gian tài chính.
NỘI DUNG CHÍNH Nội dung của đề tài đƣợc chia thành 3 chƣơng. Chƣơng 1: Tổng quan về chuỗi thời gian và bài toán dự đoán chuỗi thời gian. Trong chƣơng này, đề tài giới thiệu tổng quan về các khái niệm cơ bản trong lĩnh vực chuỗi thời gian, các kỹ thuật và mô hình đƣợc sử dụng để phân tích và dự đoán chuỗi thời gian. Chƣơng 2: Ứng dụng mô hình SVR vào bài toán dự đoán chuỗi thời gian.
Lý thuyết về mô hình SVM và SVR. Ứng dụng SVR để dự đoán chuỗi thời gian. Kỹ thuật GridSearch tối ƣu tham số và MAPE để đánh giá hiệu suất mô hình. Chƣơng 3: Chƣơng trình thử nghiệm Giới thiệu bài toán, mô tả tập dữ liệu đầu vào đƣợc sử dụng, cài đặt thử nghiệm, và đánh giá kết quả thực nghiệm khi giải quyết bài toán theo thực tế.
TỔNG QUAN VỀ CHUỖI THỜI GIAN 1. Giới thiệu về chuỗi thời gian Dự báo là một nhu cầu không thể thiếu cho những hoạt động của con ngƣời trong bối cảnh bùng nổ thông tin. Dự báo sẽ cung cấp những cơ sở cần thiết cho các hoạch định vĩ mô hoặc vi mô, và có thể nói rằng nếu không có khoa học dự báo thì những dự định tƣơng lai của con ngƣời vạch ra sẽ không có sự thuyết phục đáng kể. Hiện nay, khoa học dự báo đang là môn học của một số trƣờng đại học trên thế giới và trở thành một trong những phần quan trọng ở các đơn vị kinh doanh cũng nhƣ các bộ phận hoạch định chiến lƣợc.
Trong công tác phân tích dự báo, vấn đề quan trọng hàng đầu cần đặt ra là việc nắm bắt tối đa thông tin về lĩnh vực dự báo. Thông tin ở đây có thể hiểu một các cụ thể gồm: (1) Các số liệu quá khứ của lĩnh vực dự báo. (2) Diễn biến tình hình hiện trạng cũng nhƣ động thái phát triển của lĩnh vực dự báo. (3) Đánh giá một cách đầy đủ nhất các nhân tố ảnh hƣởng cả về định lƣợng lẫn định tính.
Căn cứ vào nội dung phƣơng pháp và mục đích của dự báo, ngƣời ta chia dự báo thành hai loại: + Phƣơng pháp định tính + Phƣơng pháp định lƣợng Phương pháp định tính thƣờng phụ thuộc rất nhiều vào kinh nghiệm của một hay nhiều chuyên gia trong lĩnh vực liên quan. Phƣơng pháp này thƣờng đƣợc áp dụng, kết quả dự báo sẽ đƣợc các chuyên gia trong lĩnh vực liên quan nhận xét, đánh giá và đƣa ra kết luận cuối cùng. Phương pháp định lượng sử dụng những dữ liệu quá khứ theo thời 5 gian, dựa trên dữ liệu lịch sử để phát hiện chiều hƣớng vận động của đối tƣợng phù hợp với mô hình toán học nào đó và đồng thời sử dụng mô hình này để ƣớc lƣợng. Tiếp cận định lƣợng dựa trên giả định rằng giá trị tƣơng lai của biến số dự báo sẽ phụ thuộc vào xu thế vận động của đối tƣợng trong quá khứ.
Phƣơng pháp dự báo theo chuỗi thời gian là một phƣơng pháp định lƣợng. Phƣơng pháp chuỗi thời gian một chiều sẽ dựa trên việc phân tích chuỗi quan sát của một biến duy nhất theo biến số độc lập là thời gian. Giả định chủ yếu là biến số dự báo sẽ giữ nguyên chiều hƣớng phát triển đã xảy ra trong quá khứ và hiện tại Những dữ liệu quan sát liên tục cho một hiện tƣợng (vật lý, kinh tế .) trong một khoảng thời gian sẽ tạo nên một chuỗi thời gian. Ví dụ, doanh số của công ty trong 20 năm gần đây, hoặc nhiệt độ ghi nhận tại một trạm quan trắc khí tƣợng, hoặc công suất điện năng tiêu thụ trong một nhà máy, đó là các ví dụ điển hình cho một chuỗi thời gian.
Dữ liệu chuỗi thời gian là một tập hợp các quan sát liên tục xảy ra ở các khoảng thời gian cách đều nhau, có thể đƣợc ghi lại hàng ngày, hàng tuần, hàng tháng, hàng quý hoặc hàng năm. Giá đóng cửa cổ phiếu đƣợc xem xét trong đề tài này đƣợc ghi nhận hàng ngày ngoại trừ trong các khung thời gian nghỉ nhƣ cuối tuần. Có nhiều dữ liệu dựa trên thời gian trong thế giới thực bao gồm giá của các cổ phiếu hằng ngày, nhiệt độ trung bình hằng ngày của một thành phố, hay thống kê số lƣợng hàng bán đƣợc trong ngày của một cửa hàng. Chuỗi thời gian tài chính là một trong những chuỗi thời gian đƣợc phân tích rộng rãi nhất vì mức độ quan trọng về kinh tế của nó; tuy nhiên, đó là một dữ liệu bất thƣờng vì các tính chất đặc thù của nó.
Một chuỗi thời gian điển hình Phân loại chuỗi thời gian: Chuỗi rời rạc: Nếu tập quan sát là rời rạc, các lần thực hiện quan sát đƣợc thực hiện rời rạc. Chuỗi liên tục: Nếu tập quan sát là liên tục, các lần quan sát đƣợc thực hiện liên tục trong một khoảng thời gian. Có thể nói phần lớn dữ liệu phụ thuộc thời gian phản ánh các hoạt động của đời sống kinh tế - xã hội thƣờng đƣợc đo tại các mốc thời gian cách đều nhau nên trong luận văn này chỉ quan tâm đến chuỗi thời gian rời rạc, ở đó các quan sát đƣợc đo trong các khoảng thời gian nhƣ nhau với phƣơng pháp đo cố định. Nhƣ vậy, chuỗi thời gian là một tập các giá trị các quan sát biến ngẫu nhiên {zt} đo đƣợc trong các khoảng thời gian nhƣ nhau (hàng năm, quý, tháng, tuần, ngày,…) và đƣợc xếp theo thứ tự thời gian với các đặc điểm có thể kể đến nhƣ: 1.
Độ nhiễu Dữ liệu chuỗi thời gian tài chính thƣờng có tỷ lệ tín hiệu trên nhiễu (SNR) tƣơng đối thấp, điều này chỉ ra rằng hầu hết các yếu tố chịu trách 7 nhiệm cho dữ liệu thực tế không thể đƣợc tính vào hay giải thích đƣợc. SNR là độ lớn tƣơng đối của thông tin hữu ích trong dữ liệu so với độ không đảm bảo hoặc nhiễu đƣợc nhúng. Để tránh việc mô hình hóa độ nhiễu trong dữ liệu, một số độ nhiễu thƣờng đƣợc giảm hoặc loại bỏ bằng cách sử dụng các kỹ thuật nhƣ làm mịn hoặc lọc, nhƣng điều này tạo ra vấn đề độ trễ. Vấn đề độ trễ này xảy ra khi bộ làm mịn đang theo dõi chuỗi dữ liệu thực mà không nói cho chúng ta biết về tƣơng lai của chuỗi dữ liệu.
Trong kịch bản nhƣ thế, mô hình chỉ có thể đƣa ra dự báo cho rất ít các kỳ thời gian trƣớc.