Đang tải... (xem toàn văn)
Bài nghiên cứu này dự báo lạm phát cho Việt Nam bằng việc ứng dụng mạng nơ ron nhân tạo (ANN) với thuật toán lan truyền ngược (back-propagation algorithm). Dữ liệu về lạm phát theo tháng từ năm 2000 đến 2018, được sử dụng trong việc huấn luyện, đánh giá mô hình và dự báo lạm phát.
Tạp chí Nghiên cứu Tài – Marketing số 58, 08/2020 ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO ĐỂ DỰ BÁO LẠM PHÁT: NGHIÊN CỨU TÌNH HUỐNG VIỆT NAM APPLICATION OF ARTIFICIAL NEURAL NETWORK TO FORECAST INFLATION: A CASE STUDY OF VIETNAM Ngày nhận bài: 31/10/2019 Ngày chấp nhận đăng: 04/12/2019 Ngày đăng: 05/08/2020 Phạm Thị Thanh Xuân, Chu Thị Thanh Trang, Nguyễn Tuấn Duy, Bùi Hồng Trang, Nguyễn Thị Bảo Ngọc* Tóm tắt Bài nghiên cứu dự báo lạm phát cho Việt Nam việc ứng dụng mạng nơ ron nhân tạo (ANN) với thuật toán lan truyền ngược (back-propagation algorithm) Dữ liệu lạm phát theo tháng từ năm 2000 đến 2018, sử dụng việc huấn luyện, đánh giá mơ hình dự báo lạm phát Các phát cho thấy lạm phát thực tế dự đoán tương đối gần Điều góp phần với nghiên cứu khác ngồi nước khẳng định mơ hình ANN sử dụng dự báo vĩ mơ nói chung lạm phát nói riêng hiệu đáng tin cậy Từ khóa: Mạng lưới mạng nơ ron nhân tạo (ANN), mơ hình dự báo, lạm phát Abstract This study investigates the power of artificial neural network (ANN) with back propagation as forecasting tools for monthly inflation rate for Vietnam Monthly inflation data from 2000 to 2018 is used for training, valide and forecast The findings show that the actual and predicted inflation are relatively close to each other This thus confirms the literature that our proposed ANN model is efficient and reliable In addition, among considerable factors, money supply appears to be the main determinant in forecasting the inflation rate in Vietnam Keywords: Artificial neural networks (ANN), forecasting model, Inflation Giới thiệu tiễn Trong lĩnh vực kinh tế vĩ mơ, chưa có cơng bố mơ hình hay cơng cụ có khả dự báo xác diễn biến kinh tế Mỗi mơ hình có ưu điểm hạn chế riêng Thành thử, nhà nghiên cứu thường chọn mơ hình riêng cho toán dự báo đồng thời đối sánh kết từ nhiều công cụ dự báo nhằm xác định điểm thống Mục tiêu nghiên cứu vận dụng mạng nơ ron nhân tạo vào việc dự báo biến số kinh tế vĩ mô quan trọng lạm phát kinh tế Việt Nam cho trung, dài hạn Việc dự báo có vai trị vơ quan trọng thơng tin có tin cậy mà dự báo cung cấp sở cho việc hoạch định sách đưa định Chính vậy, nghiên cứu dự báo có sức hút mạnh mẽ không nhà hoạch định sách, quan chức mà giới nghiên cứu Trong nhiều mơ hình dự báo, nghiên cứu chọn mơ hình mạng nơ ron nhân tạo (ANN) nhiều lý Trước hết, ANN công nghệ tiên tiến, ứng dụng rộng rãi giới song mẻ Việt Nam ANN kỹ thuật tảng cơng nghệ trí tuệ Lịch sử chưa ghi nhận dự báo mang lại kết xác hoàn toàn với thực * Trường Đại học Tài - Marketing 54 Tạp chí Nghiên cứu Tài – Marketing số 58, 08/2020 Phương pháp luận ANN nhân tạo (AI) Cấu trúc ANN trình suy luận có khả tự thích ứng linh hoạt (autofit) để đáp ứng với tín hiệu tương quan từ liệu Dựa cơng trình thử nghiệm khác nhau, ANN chứng minh khả mang lại kết dự đốn có tính xác cao ANN sử dụng rộng rãi để giải vấn đề phân tích hồi quy phi tuyến Xét phạm vi dự báo kinh tế vĩ mô, mô hình ANN có khả dự báo tốc độ tăng trưởng GDP tốt hơn, xác mơ hình tuyến tính1 (Jahn, 2018) Ưu điểm mơ hình ANN khả học tái tạo cách linh hoạt xu hướng vận động GDP theo thời gian (Jahn, 2018) Khả dự báo ANN chứng minh qua nhiều nghiên cứu thực nghiệm Ví dụ, ANN ứng dụng để dự báo tốc độ tăng trưởng GDP 15 quốc gia công nghiệp hóa, giai đoạn 1996 đến 2016, dự báo mẫu đến hết năm 2017 (Jahn, 2018) (Jahn, 2018) khuyến khích nhà nghiên cứu vận dụng ANN cho việc phân tích mơ hình hồi quy 2.1 Tổng quan Mạng nơ ron nhân tạo (ANN – Artificial neural network) tập hợp thuật tốn phân tích liệu cho phép xác định mối liên hệ toán học phức tạp tập hợp yếu tố ảnh hưởng (Input) với biến số tập hợp biến số mục tiêu (target) ANN ứng dụng tảng trí tuệ thơng minh nhân tạo (Artificial intelligence - AI), cấu trúc ANN trình học tập, suy luận tái tạo có khả tự thích ứng linh hoạt (autofit) với nhiều loại liệu khác ANN xử lý thông tin theo cách thức xử lý thông tin hệ nơ ron sinh học não người Nó tạo nên từ số lượng lớn nơ ron kết nối với thơng qua liên kết có trọng số, tạo thành thể thống nhất, nhằm xử lý, phân tích thơng tin, vấn đề Một mạng nơron nhân tạo cấu trúc cho ứng dụng cụ thể (nhận dạng mẫu, phân loại liệu, ) thơng qua q trình huấn luyệnhọc (training) từ tập mẫu huấn luyện Dữ liệu đầu vào (input) chạy qua toàn mạng nơ ron, xử lý, tìm mối liên hệ tái tạo lại thành kết đầu (output) Các output so sánh với với liệu mục tiêu (target) mà hệ thống học trước Nếu cịn có sai lệch đáng kể output target, trình huấn luyện – học tập (training) lặp lại, trọng số liên kết nơ ron lại hiệu chỉnh để đưa output khác cải thiện Quá trình liên tục lặp lại nhiều lần mang lại độ chệch (bias) bé output target Như vậy, chất trình huấn luyện - học (training) q trình hiệu chỉnh trọng số liên kết nơ ron đạt kết tối ưu, tái tạo output tương tự target sử dụng để dự báo ngồi mẫu cho target Nghiên cứu có đóng góp định khoa học thực tiễn Thứ nhất, số nỗ lực sử dụng mạng lưới mạng nơ ron nhân tạo dự báo kinh tế vĩ mô Việt Nam Những kết nghiên cứu sử dụng điểm tham khảo cho nghiên cứu tương lai Thứ hai, kết nghiên cứu sử dụng việc xây dựng kịch phát triển kinh tế cho kế hoạch năm Vì vậy, điều có ý nghĩa quan trọng nhà làm sách Việt Nam Bài viết cấu trúc sau Ngoài phần mở đầu, phần giới thiệu tổng quan phương pháp luận ANN Phần lược khảo số nghiên cứu tiêu biểu có sử dụng ANN để dự báo lạm phát Phần trình bày liệu cấu trúc mạng ANN để dự báo lạm phát Việt Nam Phần trình bày kết dự báo kiểm định Cuối kết luận 2.2 Cấu trúc nơ ron nhân tạo2 Cấu trúc nơ ron nhân tạo tiêu biểu có thành phần mơ tả hình Jahn (2018) so sánh khả dự báo ANN với mơ hình hồi quy liệu bảng chứng minh ANN có kết dự báo xác hơn, liệu 15 quốc gia công nghiệp hóa 55 Nội dung ANN tham khảo từ báo cáo nhóm nghiên cứu Đại học Cơng nghệ thuộc Đại học Quốc Gia Hà nội (Đỗ Năng Tồn, et al., 2010) Tạp chí Nghiên cứu Tài – Marketing số 58, 08/2020 Đầu (output) Là tín hiệu đầu nơ ron, với nơ ron có tối đa đầu Như tương tự nơ ron sinh học, nơ ron nhân tạo nhận tín hiệu đầu vào, xử lý (nhân tín hiệu với trọng số liên kết, tính tổng tích thu gửi kết tới hàm truyền), tái tạo tín hiệu đầu (là kết hàm truyền) Sơ đồ Cấu trúc nơ ron nhân tạo 2.3 Cấu trúc mạng nơ ron nhân tạo Một mạng nơ ron gồm nhiều nơ ron4 Mỗi nơ ron đơn vị xử lý thông tin, liên kết nơ ron tạo thành cấu trúc mạng Mặc dù nơ ron đơn lẻ thực chức xử lý thông tin định, sức mạnh tính tốn nơ ron chủ yếu có nhờ kết hợp nơ ron kiến trúc thống Một mạng nơ ron mơ hình tính tốn xác định qua tham số: kiểu nơ ron (như nút ta coi mạng nơ ron đồ thị), kiến trúc kết nối (sự tổ chức kết nối nơ ron) thuật toán học (thuật toán dùng để học cho mạng) Các nơ rơn kết nối với ma trận trọng số Cách thức kết nối nơ ron mạng xác định cấu trúc (topology) mạng, vậy, có nhiều cấu trúc mạng khác Cấu trúc tiêu biểu mạng nơ ron gồm lớp: đầu vào, lớp ẩn đầu Lớp đầu vào gồm hay nhiều biến số đầu vào, cung cấp thông tin cho mạng nhân tạo Đối với dự báo lạm phát tăng trưởng kinh tế, biến là: Tăng trưởng lượng cung tiền thực tế M2, Tỷ giá, tăng trưởng sản xuất công nghiệp số liệu lịch sử lạm phát tăng trưởng kinh tế Lớp đầu gồm hay nhiều biến số đầu Trong nghiên cứu lớp đầu biến riêng lẻ, Lạm phát tăng trưởng GDP tổ hợp biến Nguồn: Neural Networks in Finance gaining predictive edge in the market Paul D.Mc Nelis Đầu vào cung cấp tín hiệu vào (input signals) nơ ron, tín hiệu thường đưa vào dạng vector N chiều Các liên kết: Mỗi liên kết thể trọng số (gọi trọng số liên kết – Synaptic weight) Trọng số liên kết tín hiệu vào thứ j với nơ ron k thường kí hiệu wkj Thơng thường, trọng số khởi tạo cách ngẫu nhiên thời điểm khởi tạo mạng cập nhật liên tục trình huấn luyện mạng Hàm tổng (Summing function): Thường dùng để tính tổng tích đầu vào với trọng số liên kết m ∑ (w x ) + bias i =1 i i Ngưỡng (còn gọi độ lệch - bias): Ngưỡng thường đưa vào thành phần hàm truyền Hàm truyền (Transfer function): Hàm dùng để giới hạn phạm vi đầu nơ ron Nó nhận đầu vào kết hàm tổng ngưỡng cho Thông thường, phạm vi đầu nơ ron giới hạn đoạn [0,1] [-1, 1] Các hàm truyền đa dạng, hàm tuyến tính phi tuyến3 Một số hàm truyền thường sử dụng mơ hình mạng nơ ron gồm: Symmetrical Hard Limit (hardlims), Linear (purelin), Saturating Linear (satlin) Log-Sigmoid (logsig) f(x) = Sự liên kết yếu tố đầu vào đầu tính tốn qua lớp ẩn trung gian với hệ thống hàm truyền ngưỡng if Σwx +b ≥ 0 if Σwx +b < Dựa tính chất kết nối nơ ron đầu tới nơ ron đầu vào, mạng chia thành hai cấu trúc: Việc lựa chọn hàm truyền tuỳ thuộc vào toán kinh nghiệm người thiết kế mạng Perception mạng gồm nơ ron 56 Tạp chí Nghiên cứu Tài – Marketing số 58, 08/2020 Kiến trúc truyền thẳng (feedforward architechture): kiểu kiến trúc mạng khơng có kết nối ngược trở lại từ nơ ron đầu nơ ron đầu vào; mạng không lưu lại giá trị output trước trạng thái kích hoạt nơ ron Các mạng nơ ron truyền thẳng cho phép tín hiệu di chuyển theo đường nhất; từ đầu vào tới đầu ra, đầu tầng khơng ảnh hưởng tới tầng Các mạng kiểu Perceptron mạng truyền thẳng hidden layer) Được sử dụng rộng rãi cấu trúc mạng nhiều tầng truyền thẳng (MLP: Multi Layer Perceptron) Một mạng MLP tổng qt mạng có n (n ≥ 2) tầng (thơng thường tầng đầu vào khơng tính đến): gồm tầng đầu (tầng thứ n) (n-1) tầng ẩn Mỗi nơ ron thuộc tầng sau liên kết với tất nơ ron thuộc tầng liền trước Đầu nơ ron tầng trước đầu vào nơ ron thuộc tầng liền sau Cấu trúc mạng phản hồi (Feedback architecture): kiểu kiến trúc mạng có kết nối từ nơron đầu tới nơron đầu vào Mạng lưu lại trạng thái trước đó, trạng thái khơng phụ thuộc vào tín hiệu đầu vào mà cịn phụ thuộc vào trạng thái trước mạng Mạng Hopfield thuộc loại Mạng nơ ron nhiều tẩng ẩn cho phép xử lý sâu thông tin, liệu (deep learning), nhiên, nhiều nghiên cứu chứng minh với lớp ẩn, mạng nơ ron nhân tạo mơ hàm phi tuyến phức tạp với độ xác cao (Cybenko (1989), Hornik et al (1989) and Zhang et al (1998) , CM (2011) (Demir, et al., 2015)5 Mạng nơ ron nhân tạo có tầng ẩn (single hidden layer) có nhiều tầng (multi Sơ đồ Cấu trúc mạng nơ ron nhiều tầng ẩn (Multi hidden layer) Nguồn: Neural Networks in Finance gaining predictive edge in the market Paul D.Mc Nelis Chuẩn bị liệu Dữ liệu thường chia thành mẫu con, sau: 2.4 Quy trình phân tích liệu với ANN Chọn biến Khi tạo mẫu cần chọn biến sử dụng mơ hình Có vấn đề cần quan tâm: Tồn liệu Cần tìm hiểu cách biến đổi thơng tin, liệu cho có lợi cho mạng hơn: thơng tin trước đưa vào mạng cần biến đổi dạng thích hợp nhất, để mạng đạt hiệu suất cao Mẫu huấn luyện Mẫu huấn luyện Chọn số biến biến đổi biến có lợi cho mạng để đưa vào mơ hình Khơng phải thơng tin mẫu có lợi cho mạng Mẫu kiểm tra Mẫu xác thực Mẫu kiểm tra Demir cộng (2015) so sánh khả dự báo ANN với mơ hình hồi quy bội, chứng minh ANN có kết dự báo xác hơn, liệu Nhật Bản 57 Tạp chí Nghiên cứu Tài – Marketing số 58, 08/2020 Trong gồm: mơ hình truyền thống, tác giả khẳng định ANN làm tốt dự báo lạm phát kết nghiên cứu Emi Nakamura (2005) hay Choudhary Haider (2008) Mẫu huấn luyện (training set) cung cấp thông tin cho q trình học trí tuệ nhân tạo Mẫu kiểm tra (testing set) dùng để kiểm tra mơ hình Haider and Hanif (2009) áp dụng mơ hình mạng nơ ron nhân tạo đơn biến để dự báo lạm phát hàng tháng cho Pakistan cách sử dụng phương pháp ANN cho năm 2008, sở liệu hàng tháng từ tháng năm 1993 đến tháng năm 2007 Mơ hình dự báo tối ưu với 12 lớp ẩn, 12 độ trễ, huấn luyện cách sử dụng thuật toán LevenbergMarquest Haider Hanif (2009) cho việc lựa chọn số lượng lớp ẩn phù hợp nghệ thuật điều quan trọng việc xây dựng mơ hình ANN dự báo tốt Nếu Haider Hanif (2009) khai thác mơ hình đơn biến (univariable) Thakur cộng (2015) sử dụng cấu trúc mạng đa biến (multivariable input) tích hợp thêm 10 biến số vĩ mơ có mối quan hệ với lạm phát, gồm: Tăng trưởng kinh tế, tỷ giá, xuất khẩu, lượng cung tiền M1, M2, dự trữ ngoại hối (foreign reserves), nhập khẩu, giá dầu, cán cân thương mại giá vàng Ngoài điểm khác biệt trên, nghiên cứu Tharkur cộng (2015) sử dụng thuật toán Levenberg – Marquardt, cấu trúc mạng “Feed forward back propagation neural network” phần mềm MATLAB, tương tự Haider Hanif (2009) để dự báo lạm phát cho India Mơ hình dự báo tối ưu Tharkur khác với Haider Hanif (2009) đó: liệu chia ngẫu nhiên theo tỷ lệ 0.7; 0.15 0.15 dùng cho việc huấn luyện, kiểm tra xác thực; mạng truyền thẳng tạo với lớp đầu vào có 10 nút đầu vào, bốn lớp ẩn với 25 nơ ron lớp đầu có nơ ron Hiệu suất xác nhận tốt với MSE (mean squared error) 0.836 tìm thấy vịng lặp 18 việc đào tạo tiếp tục cho lần lặp trước dừng lại Các đường đồ thị phản ánh kết đào tạo, xác nhận kiểm tra khớp Lạm phát thực tế lạm phát dự đoán gần nhau, điều xác định rõ ràng độ tin cậy hiệu mơ hình đề xuất Tharkur cộng (2016) khuyến nghị mơ hình thiết kế theo đặc điểm kinh tế Ấn Độ, thực cho quốc gia phát triển phát Mẫu xác thực (validation set) dùng để xác thực lại kết huấn luyện Khơng có cơng thức cho tỷ lệ cỡ mẫu Ở nhiều nghiên cứu, mẫu liệu chia theo tỷ lệ sau: 70% cho mẫu huấn luyện, 15% cho mẫu kiểm tra 15% cho mẫu xác thực Một số nghiên cứu khác sử dụng 100% mẫu cho việc huấn luyện, điều phù hợp với liệu có chuỗi thời gian ngắn, nhiều biến động phù hợp với mục tiêu dự báo mẫu Xác định tham số cho mạng nơ ron nhân tạo Xác định số nơ ron Xác định số tầng ẩn Chọn hàm truyền Không có cơng thức cho vấn đề xác định tham số cho mạng nơ ron nhân tạo, phụ thuộc vào toán cụ thể kinh nghiệm người thiết kế mạng Kết thúc trình bước huấn luyện mạng khởi tạo trọng số tự động Lược khảo tiền nghiên cứu Adnan Muhammad Nadeem (2007) sử dụng ANN với cấu trúc mạng truyền ngượcđơn biến để so sánh với mơ hình truyền thống AR (1), ARIMA dựa tiêu chí đánh giá RMSE Dữ liệu sử dụng tỷ lệ lạm phát hàng tháng so với kỳ năm trước giai đoạn 1993 – 2007 để dự báo cho lạm phát năm 2008 mơ hình mạng truyền thẳng với 12 lớp ẩn, sử dụng thuật toán LevenbergMarquest để huấn luyện ANN Dữ liệu đầu vào chuẩn hóa để nằm đoạn [-1;1] sử dụng MATLAB để huấn luyện Kết kiểm định mẫu nghiên cứu cho thấy, tiêu RMSE mơ hình mạng phi tuyến thấp nhiều so với mơ hình AR (1) mơ hình ARIMA Điều cho thấy cải thiện hiệu dự báo mô hình mạng so với 58 Tạp chí Nghiên cứu Tài – Marketing số 58, 08/2020 triển khác Tuy nhiên, việc lựa chọn yếu tố ảnh hưởng khác quốc gia Ngoài ra, Tharkur cộng (2016) không cung cấp thông tin có xử lý liệu trước đưa vào phân tích lớp đầu kết Vnindex Sử dụng thuật toán Levenberg – Marquardt (LM) tiêu chuẩn MSE, Rsquare để xác nhận độ phù hợp mơ hình Và đưa kết luận cấu trúc ANN tuyến tính cho kết dự báo tốt mơ hình tuyến tính truyền thống Ngồi ra, tác giả cịn xây dựng mơ hình mạng ANN phi tuyến khảo sát biến tài chính, mơ hình MLN 9-3-1, 9-4-1, 9-5-1,9-6-1 Cũng đưa đến kết luận ANN cho kết dự báo tốt Hay mơ hình mạng truyền thẳng đa lớp MLF 4-4-1, 4-3-2-1, 4-4-3-1, CNN 4-3-1 sau trình “thử sai” đem đến kết luận mạng ANN phù hợp với liệu biến số khảo sát luận án Tại Việt Nam, nghiên cứu Nguyễn Khắc Hiếu Nguyễn Thị Vân Anh (2014) sử dụng cấu trúc mạng truyền thẳng với lớp ẩn, hàm kích hoạt hàm Tan-hyperbolic, liệu đầu vào đầu chuẩn hoá theo phân phối chuẩn So sánh kết dự báo mơ hình ANN cho thấy, mơ hình ANN với lớp ẩn cho kết dự báo tốt mơ hình ANN lớp ẩn Kết dự báo tốt lạm phát mơ hình ANN-10-5-2-1 Nghiên cứu so sánh hiệu dự báo mơ hình mạng nơ ron nhân tạo (Artificial Neural Network: ANN) mơ hình phân phối độ trễ tự hồi quy (Autoregressive Distributed Lag: ARDL) dự báo lạm phát theo tháng Việt Nam Kết cho thấy, mơ hình ANN dự báo mẫu tốt mơ hình ARDL tiêu chí R2, RMSE MAE Đối với dự báo ngồi mẫu, mơ hình ANN dự báo tốt tiêu chí RMSE R2 Nhìn chung, mơ hình ANN dự báo lạm phát Việt Nam tốt mô hình ARDL Kết phân tích mơ hình ANN mơ hình ARDL cho thấy có yếu tố sau tác động đến lạm phát: yếu tố tâm lý, yếu tố mùa vụ, giá dầu, lượng cung tiền lãi suất Những nghiên cứu cho thấy mơ hình mạng nơ ron nhân tạo sử dụng rộng rãi công cụ lập kế hoạch để dự báo tỷ lệ lạm phát Việc tạo mơ hình dự báo phù hợp cần ý tới việc lựa chọn biến đầu vào, mã hóa biến sau chọn số lớp ẩn, chia liệu để huấn luyện kiểm tra, chọn tiêu chí đánh giá phù hợp, số vòng lặp vừa đủ, tránh tốn nhiều thời gian, ngồi cịn tránh tượng overfitting Tất khâu khác biệt theo quốc gia giai đoạn, nên nói việc xây dựng mơ hình dự báo ANN “nghệ thuật” Ngun tắc mạng nơ rơn phân tích tìm tín hiệu tương quan liệu đầu vào với đầu ra, khơng tính đến mối quan hệ nhân chung Đó vừa điểm mạnh điểm hạn chế ANN Là điểm hạn chế vì, biến số kinh tế vĩ mơ, bên cạnh mối tương quan, cịn có mối quan hệ nhân sâu sắc Nếu phần lớn mơ hình hồi quy hướng đến khai thác cấu trúc nhân từ liệu ANN lại quan tâm đến tín hiệu tương quan Ngược lại, khơng bị gán mối quan hệ nhân biến đầu vào đầu trình phân tích liệu, giống mơ hình hồi quy khác, ANN linh hoạt nhiều việc lấy tín hiệu tương quan từ liệu đầu vào, đầu So với mơ hình phân tích liệu theo chuỗi thời gian, mơ hình ANN khơng áp đặt hạn chế biến đầu vào Ví dụ: mơ hình có họ với mơ hình Vector autoregression (VAR, SVAR, ARDL), biến đầu vào buộc phải dừng, chí dừng Bên cạnh nghiên cứu Lê Đạt Chí (2011) trường Đại học kinh tế Thành phố Hồ Chí Minh, luận văn tiến sỹ với đề tài “Ứng dụng mơ hình mạng nơ ron nhân tạo dự báo kinh tế - Trường hợp thị trường chứng khoán Việt Nam”: thực dự báo giá chứng khoán thị trường chứng khoán Việt Nam, cụ thể VNINDEX cách tìm cấu trúc mạng ANN phù hợp Sử dụng quy trình bước nhà nghiên cứu: Deboerk, Master, Blum Nelson Illingworth phần mềm Neural solution 5.0 Với liệu biến đầu vào bao gồm: lạm phát, tỷ giá, lãi suất, sản lượng công nghiệp, cán cân thương mại, lượng cung tiền M2, tăng trưởng tín dụng để dự báo VN Index Với 104 quan sát, chia theo tỷ lệ 70%20%-10% dùng để huấn luyện mạng Mơ hình ba lớp: đầu vào biến vĩ mô, lớp ẩn 59 Tạp chí Nghiên cứu Tài – Marketing số 58, 08/2020 bậc (ngoại trừ ARDL), với mơ hình hồi quy, biến đầu vào phải có phân phối chuẩn hóa Hơn nữa, việc dự báo trung dài hạn (trên năm) biến số vĩ mô GDP Lạm phát khó, đặc biệt hạn chế mơ hình hồi quy tích hợp nhiều biến số có quan hệ nhân với Trong mơ hình dự báo với chuỗi liệu đầu vào ANN có nhiều ưu điểm hẳn phạm vi dự báo mẫu trung dài hạn (so với mơ hình dự báo họ ARIMA, ARCH/GARCH) Chính vậy, ANN khơng phải giải pháp phù hợp cho tất vấn đề lựa chọn đặc biệt phải xử lý liệu phức tạp, mối quan hệ phi tuyến tính6 biến đầu vào, đầu chuỗi thời gian liên tục thay đổi xu hướng Q trình xây dựng mơ hình ANN thực sau: Bước 1: Lựa chọn biến đầu vào Theo nghiên cứu trước (Apergis 2004; Caputo & Magendzo 2011; Dhakal et al 1994; Font & Grau 2012) với đặc tính thị trường Việt Nam tính khả dụng liệu, nghiên cứu xem xét biến số sau: tốc độ tăng trưởng hàng tháng tiền (M2), tốc độ tăng trưởng tín dụng nước hàng tháng (CREDIT), tốc độ tăng trưởng tỷ giá hối đoái thực hàng tháng (REER), tốc độ tăng trưởng hàng tháng số sản xuất công nghiệp (IIP) tốc độ tăng trưởng tỷ giá danh nghĩa hàng tháng (NEER) Mơ hình tính dự báo giá trị chuỗi y(t) dựa giá trị khứ d chuỗi x(t) Theo đó, tiêu R cao khả dự đốn mơ hình tốt Dữ liệu cấu trúc ANN dự báo lạm phát Việt Nam Dữ liệu sử dụng để dự báo lạm phát chuỗi số phần trăm thay đổi CPI kỳ so với kỳ năm trước7, thời gian từ 2000 đến 2018, số liệu theo năm Dữ liệu biến mơ hình trích từ nguồn liệu IFSIMF, DOT-IMF, UN Trade Statistic, Thomson Reuters DataStream and General Statistics Office of Vietnam (GSO) Bảng Kết kiểm tra biến Riêng sở liệu tỷ giá hối đoái thực hàng tháng (REER) tỷ giá danh nghĩa hàng tháng (NEER) Việt Nam khơng có sẵn nên tác giả tự tính dựa trọng số giá trị thương mại Việt Nam với 19 quốc gia đối tác hàng đầu với Việt Nam, gồm Nhật Bản, Đức, Pháp, Anh, Hà Lan, Nga, Thụy Sĩ, Ý, Bỉ, Hoa Kỳ, Hàn Quốc, Trung Quốc, Singapore, Malaysia, Thái Lan, Indonesia, Hồng Kông, Ấn Độ Philippines Tổng giao dịch 19 quốc gia với Việt Nam đạt tới 75% tổng giao dịch đối ngoại Việt Nam năm qua (cập nhật đến tháng năm 2015) Các trọng số tính cách sử dụng liệu giao dịch từ DOT - IMF cố định giai đoạn 2010-2015 Variables R-total R-validation M2 0.753 0.542 CREDIT 0.747 0.460 REER 0.433 0.357 IIP 0.460 0.200 NEER 0.350 0.001 Ghi chú: M2 Tỷ lệ tăng trưởng lượng cung tiền thực tế theo tháng; CREDIT tỷ lệ tăng trưởng tín dụng nội địa theo tháng; REER tỷ lệ tăng trưởng tỷ giá hiệu lực thực theo tháng; IP Tỷ lệ tăng trưởng sản xuất công nghiệp theo tháng; NEER tỷ lệ tăng trưởng tỷ giá hiệu lực danh nghĩa theo tháng Nguồn: Phân tích nhóm tác giả Dữ liệu hiển thị bảng cho thấy, M2 có hệ số R-validation cao Ngồi ra, Hình cho thấy mối tương quan chéo cao M2 lạm phát Do đó, M2 chọn để dự báo lạm phát Việt Nam Ước lượng mối quan hệ phi tuyến hạn chế mơ hình hồi quy khơng tảng ANN Tên đầy đủ chuỗi số liệu IMF là: Prices, Consumer Price Index, All items, Percentage change, Corresponding period previous year, Percent 60 Tạp chí Nghiên cứu Tài – Marketing số 58, 08/2020 Bảng Kết kiểm tra độ trễ Lags 10 11 12 13 14 15 16 17 18 19 20 Hình Tốc độ tăng trưởng lượng cung tiền thực tế (M2) tỷ lệ lạm phát (INF) Nguồn: Phân tích nhóm tác giả Bước 2: Việc lựa chọn mẫu huấn luyện kiểm tra Sau biến đầu vào chọn cách thích hợp, mẫu thử nghiệm huấn luyện xác định Trong nghiên cứu chúng tôi, vectơ đầu vào vectơ đầu chia ngẫu nhiên thành ba cách sử dụng tham số chia sau: (1) 65% kích thước mẫu sử dụng cho huấn luyện; (2) 20% kích thước mẫu sử dụng để xác nhận ngừng đào tạo trước bị tượng overfitting; (3) 15% kích thước mẫu cuối sử dụng kiểm tra LR 105.570 13.312 8.304 1.554 5.299 13.831 9.842 2.007 6.717 1.082 12.675 48.126 33.725 5.729 14.257 7.870 9.463 6.821 2.592 5.242 AIC 4.288 3.772 3.744 3.742 3.777 3.791 3.760 3.750 3.782 3.789 3.825 3.801 3.588 3.452 3.464 3.431 3.432 3.424 3.430 3.459 3.474 Nguồn: Ước tính dựa tính tốn tác giả Bước 4: Lựa chọn số lớp ẩn Theo nghiên cứu Cybenko (1989), Hornik, Stinchcombe White (1989), Zhang, Patuwo Hu (1998), mơ hình ANN cấu trúc với số lớp ẩn đủ để ANN ước tính hàm phi tuyến tính phức tạp với độ xác mong muốn Chúng xây dựng ANN với 32 số nút lớp ẩn lý sau: (1) mạng có số nút ẩn với số nút đầu vào cho thấy kết dự báo tốt số nghiên cứu (Chakraborty et al 1992; Sharda & Patil 1992) Trong trường hợp chúng tơi, 16 * = 32 nút (2) cách chạy thử nghiệm (thử thử), số nút ẩn 32 cho kết tốt Bước 3: Lựa chọn độ trễ Xác định độ trễ bước quan trọng việc dự báo chuỗi thời gian chưa đựng thơng tin quan trọng cấu trúc tự tương quan liệu Bảng độ trễ 17 15 tối ưu với tiêu chí AIC LR Tuy nhiên, kết mối tương quan chéo INF M2 cho thấy số độ trễ 16 tối ưu Do đó, số độ trễ 16 chọn cho mơ hình chúng tơi Mơ hình hồi quy phi tuyến sau hình thành: yt = f(yt-1,…,yt-d,xt-1,…,xt-d) 61 (1) Tạp chí Nghiên cứu Tài – Marketing số 58, 08/2020 Với y chuỗi thời gian mục tiêu tốc độ tăng trưởng hàng tháng lạm phát (INF) Mạng chuyển tiếp tạo với 16 nút đầu vào cho biến, lớp ẩn với hai nút cho nút đầu Cấu trúc ANN mơ hình đề xuất nghiên cứu minh họa Hình x biến chuỗi thời gian ngoại sinh - tốc độ tăng trưởng lượng cung tiền hàng tháng (M2) d số độ trễ 16 xác định Error back probagation INFt-1 INFt-2 2 INFt-16 16 M2t-1 M2t-2 INFt 32 M2t-16 16 Input layer Hidden layer Output layer Hình Mơ hình đa chuỗi đề xuất Nguồn: Phân tích nhóm tác giả Kết Bước việc xác thực mạng ANN bao gồm tạo biểu đồ hồi quy cho biết mối quan hệ kết đầu mạng (tỷ lệ lạm phát quan sát từ ANN) mục tiêu (tỷ lệ lạm phát dự đoán) đào tạo, xác nhận, kiểm tra toàn liệu Theo lý thuyết, kết đầu mạng mục tiêu hoàn toàn việc đào tạo hoàn hảo Tuy nhiên, mối quan hệ xảy thực tế Như hình 4, ba trục tương ứng thể liệu huấn luyện, xác nhận thử nghiệm Đường nét đứt trục biểu thị kết tối ưu có nghĩa đầu với mục tiêu Trong đó, đường liền nét thể đường hồi quy tuyến tính phù hợp đầu mục tiêu Ngoài ra, giá trị R cho thấy mối quan hệ đầu mục tiêu Theo đó, R = đề xuất mối quan hệ tuyến tính xác đầu mục tiêu R gần 0, cho khơng có mối quan hệ tuyến tính chúng (Thakur, Bhattacharyya & Mondal 2016) Thuật toán chấm dứt theo thủ tục dừng sớm Mơ hình đề xuất sử dụng thuật tốn Levenberg-Marquest, kết đào tạo mơ tả hình 3, đường cong đào tạo, xác nhận kiểm tra tương tự Hiệu suất xác nhận tốt với số sai số bình phương trung bình (MSE) 0,403 tìm thấy epoch việc đào tạo tiếp tục cho năm lần lặp trước dừng lại Quan trọng hơn, hiệu suất đào tạo ghi nhận khơng tượng overfitting Hình 3: Kết huấn luyện mạng ANN Nguồn: Phân tích nhóm tác giả 62 Tạp chí Nghiên cứu Tài – Marketing số 58, 08/2020 Hình Đào tạo mơ hình hồi quy Nguồn: Phân tích nhóm tác giả Hình cho thấy: mẫu đào tạo cho thấy đầu mạng mục tiêu gần giống hệt giá trị R gần Điều cho thấy mơ hình đề xuất đáng tin cậy hiệu Hình trình bày kết đầu ra, mục tiêu sai lệch chuỗi thời gian Theo đó, điểm thời gian chọn để đào tạo, kiểm tra xác nhận xác định Điều quan trọng cần lưu ý điểm chọn ngẫu nhiên bước Khi liệu cập nhật, mơ hình ANN đề xuất tự động khớp với tập liệu Đó mạnh việc sử dụng mơ hình ANN Hơn nữa, tiếp tục thực tự động sửa lỗi mô trình bày hình Điều cung cấp kiểm tra chéo hiệu suất mạng Ngoại trừ độ trễ 0, tự tương quan nằm quanh với độ tin cậy 95% Nói cách khác, mơ hình ANN chúng tơi phù hợp Phần hình biểu thị độ lệch số điểm dự đoán Các điểm nằm điểm 80-90 110-130 tương ứng với hai cú sốc tài (cuộc khủng hoảng tài tồn cầu 2008-2009 khủng hoảng nợ châu Âu 2011-2014) - gia tăng bất thường lạm phát Việt Nam Có thể thấy, thời kỳ cú sốc tài chính, xu hướng sai lệch dự báo tương đối cao so với toàn cỡ mẫu Tuy nhiên, sai lệch khơng nghiêm trọng có khoảng 20 điểm lỗi 200 quan sát Hình Tự tương quan mơ hình đề xuất Nguồn: Phân tích nhóm tác giả 63 Tạp chí Nghiên cứu Tài – Marketing số 58, 08/2020 Hình Kết đầu mơ hình ANN Nguồn: Phân tích nhóm tác giả Hình trình bày mơ hình dự báo xuất phát từ bước Lạm phát dự báo thực cho toàn mẫu mà không xác định mẫu thử nghiệm, xác nhận đào tạo Có thể thấy, chuỗi quan sát (đường màu xanh) chuỗi dự đoán (màu đỏ) gần Do đó, điều chứng tỏ mơ hình đề xuất xác, hiệu áp dụng Hình Tỷ lệ lạm phát theo dự đoán quan sát Việt Nam Nguồn: Phân tích nhóm tác giả Dữ liệu Bảng thể thêm tính tốn lạm phát thực tế dự đoán nhiều tháng từ tháng năm 2017 đến tháng năm 2018 hoàn toàn với lạm phát dự đoán tháng lấy từ mơ hình đề xuất chúng tơi Vậy nên độ tin cậy hiệu mơ hình đề xuất chúng tơi xác nhận 64 Tạp chí Nghiên cứu Tài – Marketing số 58, 08/2020 Bảng Lạm phát thực tế dự đoán từ tháng năm 2017 đến tháng năm 2018 Time (Month/ Day/Year) 1/1/2017 2/1/2017 3/1/2017 4/1/2017 5/1/2017 6/1/2017 7/1/2017 8/1/2017 9/1/2017 10/1/2017 11/1/2017 12/1/2017 1/1/2018 2/1/2018 3/1/2018 4/1/2018 5/1/2018 Observed inflation 0.458 0.237 0.208 0.000 -0.529 -0.171 0.114 0.912 0.593 0.412 0.131 0.214 0.502 0.730 -0.266 0.083 0.542 lượng truyền thống chí tốt số trường hợp Nakamura (2005) đánh giá tính hữu ích mạng neuron nhân tạo việc dự báo lạm phát mẫu liệu Mỹ Kết cho thấy ngắn hạn (1 quý) ANN vượt trội hẳn so với mơ hình tự hồi quy Sự đơn giản cấu trúc ANN quy trình ước lượng chuyên biệt hai nhân tố vai trị quan trọng định tính dự báo xác ANN Khả dự báo tốt ANN tiếp tục chứng minh qua nghiên cứu Binner, Bissoondeeal, Elger, Gazely, and Mullineux (2005), vận dụng nhiều mơ hình để dự báo lạm phát xác định mơ hình mang lại kết tối ưu ANN Theo tác giả, mơ hình dự báo tuyến tính (ARIMA VAR) khơng giải mối quan hệ phi tuyến tồn liệu lạm phát Trong ANN – đại diện tiêu biểu cho mơ hình phi tuyến – hồn tồn khắc phục hạn chế đó, cung cấp dự báo mẫu lẫn mẫu tốt với độ xác cao rõ rệt Các mơ hình tuyến tính đơn giản tập hợp mơ hình ANN mà thơi Sai số dự báo lạm phát trường hợp Pakistan ANN thấp cách biệt so với AR(1) ARIMA (Haider & Hanif, 2009) Thử nghiệm sức mạnh dự báo lạm phát theo tháng ANN, Choudhary and Haider (2012) vận dụng ANN liệu 28 quốc gia khối OECD Nhiều phiên ANN khai thác Kết khẳng định ANN hoàn toàn công cụ tin cậy để dự báo lạm phát Các dự báo ngồi mẫu, ngắn hạn ANN có độ xác cao, với tỷ lệ dự báo đạt 45% số 28 quốc gia mẫu Trong đó, mơ hình AR1 đạt tỷ lệ xác 23% mà thơi Predicted inflation -0.239 0.237 0.208 0.000 0.008 -0.775 0.276 0.912 1.626 0.412 0.131 0.214 0.502 0.729 0.836 0.083 0.542 Nguồn: Ước tính dựa tính tốn tác giả Kết luận Lạm phát số biến số vĩ mơ quan trọng phạm vi quốc gia Việc phân tích hành vi, diễn biến trở thành tảng cho kinh tế cho định khác cấp độ Chính phủ lẫn tư nhân Tuy nhiên, phức tạp vận động nhân tố tác động bên bên lạm phát khiến việc dự báo biến số ln thách thức lớn Chính vậy, nhiều mơ hình phát triển nỗ lực khơng ngừng nhằm cải thiện tính xác Trên tảng đó, nghiên cứu chọn sử dụng mơ hình mạng nơ ron nhân tạo (ANN) để dự báo tỷ lệ lạm phát Việt Nam Kết dự báo của nghiên cứu có độ xác tương đối cao, vậy, lần khẳng định lựa chọn ANN vào dự báo lạm phát Việt Nam phù hợp Trên sở đó, nghiên cứu khuyến nghị việc vận dụng ANN để dự báo, để cung cấp thông tin, số liệu quan trọng việc xây dựng kịch kinh tế cho giai đoạn năm, tầm nhìn đến 10 năm Việt Dự báo tảng mạng nơ ron nhân tạo (artificial neural network - ANN) điểm quan trọng phát triển mơ hình dự báo Mặc dù việc sử dụng ANN lĩnh vực kinh tế giai đoạn khởi động so với lĩnh vực khác, tính ưu việt sớm chứng minh Moshiri Cameron (2000) khẳng định khả dự báo lạm phát mô hình ANN (back propagation neural network) khơng thua mơ hình kinh tế 65 Tạp chí Nghiên cứu Tài – Marketing số 58, 08/2020 Nam Ngồi ra, kết nghiên cứu góp phần bổ sung thêm vào hệ thống minh chứng khoa học tính hiệu ANN dự báo biến số kinh tế vĩ mơ cách phù hợp với tính chất liệu Xuyên suốt lịch sử phát triển mô hình dự báo, mạng nơ ron nhân tạo xem cơng cụ dự báo cho phép tích hợp yếu tố nêu Hơn nữa, ANN phát triển thành hệ thống gồm nhiều mơ hình dự báo tiên tiến, tích hợp với mơ hình khác tạo thành hệ mơ hình dự báo lai (hybrid model8) sử dụng để dự báo, phân loại, thiết lập v.v phục vụ cho nhiều mục đích có khả tìm giải pháp thích hợp cho nhiều vấn đề dự báo khác Việc khai thác mơ hình hybrid bước phát triển cho nghiên cứu Bên cạnh kết nêu trên, nghiên cứu đặt nhiều vấn đề cần lưu ý tiếp tục nghiên cứu tương lai Dự báo lạm phát cơng việc khó khăn để có kết tốt địi hỏi phải sử dụng cân mơ hình khác nhau, khai thác hiệu biến số đòi hỏi lượng lớn liệu có chất lượng Đồng thời, lý thuyết kinh tế ln đóng vai trị quan trọng việc lựa chọn biến, thiết lập cấu trúc mơ hình dự báo Tính xác dự báo tăng lên đáng kể có phối hợp chặt chẽ lý thuyết kinh tế, mơ hình thực nghiệm Ví dụ: Mơ hình ANN kết hợp ARIMA Tài liệu tham khảo Tiếng Việt Lê Đạt Chí, 2011, ‘Ứng dụng mơ hình mạng nơ ron nhân tạo dự báo kinh tế Trường hợp thị trường chứng khoán Việt Nam’, Luận án tiến sỹ, Đại học Kinh tế Thành phố Hồ Chí Minh Nguyễn Khắc Hiếu Nguyễn Thị Vân Anh, 2014, ‘Dự báo lạm phát Việt Nam mô hình mạng nơ ron nhân tạo’, Tạp chí Phát triển Kinh tế, vol 286 Tiếng Anh Adnan Haider & Muhammad Nadeem Hanif, 2007, ‘Inflation Forecasting in Pakistan using Artificial Neural Networks’, MPRA Paper No 14645 Apergis, N 2004, ‘Inflation, output growth, volatility and causality: evidence from panel data and the G7 countries’, Economics Letters, vol 83, no 2, pp 185-191 Caputo, R & Magendzo, I 2011, ‘Do exchange rate regimes matter for inflation and exchange rate dynamics? The case of Central America’, Journal of Latin American Studies, vol 43, no 2, pp 327-354 Chakraborty, K, Mehrotra, K, Mohan, CK & Ranka, S 1992, ‘Forecasting the behavior of multivariate time series using neural networks’, Neural Networks, vol 5, no 6, pp 961-970 Choudhary, M A., & Haider, A (2012) Neural network models for inflation forecasting: an appraisal Applied Economics, 44(20), 2631-2635 doi: 10.1080/00036846.2011.566190 Cybenko, G 1989, ‘Approximation by superpositions of a sigmoidal function’, Mathematics of Control, Signals and Systems, vol 2, no 4, pp 303-314 Dhakal, D, Kandil, M, Sharma, SC & Trescott, PB 1994, ‘Determinants of the Inflation rate in the United States: A VAR Investigation’, The Quarterly Review of Economics and Finance, vol 34, no 1, pp 95-112 Font, B & Grau, AJ 2012, ‘Exchange rate and inflation risk premia in the EMU’, Quantitative Finance, vol 12, no 6, pp 907-931 Haider, A & Hanif, MN 2009, ‘Inflation forecasting in Pakistan using artificial neural networks’, Pakistan Economic and Social Review, vol 47, no 1, pp 123-138 Hornik, K, Stinchcombe, M & White, H 1989, ‘Multilayer feedforward networks are universal approximators’, Neural Networks, vol 2, no 5, pp 359-366 Nakamura, E (2005) Inflation forecasting using a neural network Economics Letters, 86(3), 373-378 doi: https://doi.org/10.1016/j.econlet.2004.09.003 Sharda, R & Patil, RB 1992, ‘Connectionist approach to time series prediction: an empirical test’, Journal of Intelligent Manufacturing, vol 3, no 5, pp 317-323 Thakur, GSM, Bhattacharyya, R & Mondal, SS 2016, ‘Artificial neural network based model for forecasting of inflation in India’, Fuzzy Information and Engineering, vol 8, no 1, pp 87-100 Zhang, G, Patuwo, BE & Hu, MY 1998, ‘Forecasting with artificial neural networks:: The state of the art’, International Journal of Forecasting, vol 14, no 1, pp 35-62 66 ... tái tạo tín hiệu đầu (là kết hàm truyền) Sơ đồ Cấu trúc nơ ron nhân tạo 2.3 Cấu trúc mạng nơ ron nhân tạo Một mạng nơ ron gồm nhiều nơ ron4 Mỗi nơ ron đơn vị xử lý thông tin, liên kết nơ ron tạo. .. dụng mơ hình mạng nơ ron nhân tạo (ANN) để dự báo tỷ lệ lạm phát Việt Nam Kết dự báo của nghiên cứu có độ xác tương đối cao, vậy, lần khẳng định lựa chọn ANN vào dự báo lạm phát Việt Nam phù hợp... Phần trình bày liệu cấu trúc mạng ANN để dự báo lạm phát Việt Nam Phần trình bày kết dự báo kiểm định Cuối kết luận 2.2 Cấu trúc nơ ron nhân tạo2 Cấu trúc nơ ron nhân tạo tiêu biểu có thành phần