Kết hợp mạng nơron FIR và mô hình ARIMA theo hình thức động để nâng cao hiệu quả dự báo chuỗi thời gian

Nội dung bài viết về một giải pháp để nâng cao hiệu quả dự báo chuỗi thời gian bằng việc kết hợp giữa mạng nơron FIR và mô hình ARIMA, các trọng số sẽ được biến đổi theo thời gian.
Nội dung trích xuất từ tài liệu:
Kết hợp mạng nơron FIR và mô hình ARIMA theo hình thức động để nâng cao hiệu quả dự báo chuỗi thời gian Công nghệ thông tin KẾT HỢP MẠNG NƠRON FIR VÀ MÔ HÌNH ARIMA THEO HÌNH THỨC ĐỘNG ĐỂ NÂNG CAO HIỆU QUẢ DỰ BÁO CHUỖI THỜI GIAN Nguyễn Chí Thành*1, Hà Gia Sơn2 Tóm tắt: Nội dung bài báo viết về một giải pháp để nâng cao hiệu quả dự báo chuỗi thời gian bằng việc kết hợp giữa mạng nơron FIR và mô hình ARIMA, các trọng số sẽ được biến đổi theo thời gian. Kết quả dự báo được đánh giá dựa trên tiêu chí MAE. Phần ứng dụng dựa vào dữ liệu về giá 5 mặt hàng cơ bản bán ra của thị trường tài chính Forex (Foreign Exchange). Kết quả cho thấy, việc kết hợp này có hiệu xuất cao hơn việc kết hợp thông thường. Từ khóa: Mô hình dự báo, ARIMA, Chuỗi thời gian, Mạng nơron FIR. 1. ĐẶT VẤN ĐỀ Dự báo đó chính là dự kiến, tiên đoán về những sự kiện, hiện tượng, trạng thái nào đó có thể sẽ xảy ra trong tương lai. Dự báo có thể là một dự đoán chủ quan hoặc trực giác về tương lai. Nhưng để dự báo được hiệu quả hơn, người ta cố loại trừ những tính chủ quan việc dùng các giải pháp kỹ thuật có độ chính xác cao. Việc nâng cao hiệu quả dự báo là việc làm cần thiết trong một xã hội hiện đại. Chính vì vậy, ở nước ngoài , có nhiều công trình nghiên cứu về vấn đề này, đã có 1 hệ thống lý thuyết gồm nhiều phương pháp, qui trình cũng như nhiều mô hình để dự báo tương lai như tài liệu [12-13], [15]. Hiện tại, trong lĩnh vực này, đã có xu hướng kết hợp các lý thuyết hiện đại vào dự báo như ứng dụng các loại mạng nơron đặc biệt là nơron lai (sự kết hợp của mạng nơron thông thường với các mô hình khác) như các tài liệu [7-11]. Điều này chứng tỏ sự kết hợp các mô hình, các công cụ có vai trò rất lớn trong việc dự báo. Trong thời gian gần đây, ở trong nước, chúng ta đã quan tâm nhiều hơn tới lĩnh vực dự báo, đã có nhiều đề tài các cấp, với những mục đích và cách tiếp cận khác nhau về dự báo, điển hình là các công trình [1-4]. Tổng hợp các công trình nghiên cứu cho thấy, ngày càng xuất hiện những mô hình có hiệu quả cao, tuy nhiên, khi dự báo, có nhiều mô hình được thiết lập và người ta thường chọn mô hình có hiệu quả cao nhất và bỏ qua các mô hình khác, điều này gây ra một sự lãng phí, rõ ràng là việc kết hợp các giá trị dự báo cũng phải được quan tâm. Có một số công trình đã chú ý tới điều này, ví dụ như các công trình [5-6]. Tuy nhiên, hiệu quả dự báo vẫn chưa được nâng cao do các trọng số kết hợp giữa các mô hình là một hằng số, không phù hợp với sự biến động của chuỗi thời gian. Để nâng cao hơn nữa hiệu quả dự báo, tác giả bài viết này sẽ đưa ra giải pháp kết hợp giữa kết quả dự báo của mạng nơron FIR với mô hình ARIMA mà các trọng số sẽ thay đổi để thích nghi với sự biến đổi của chuỗi thời gian, nhằm đạt hiệu quả cao nhất. Trong bài viết, phần đầu là cơ sở lý thuyết chung và các mô hình về dự báo, ở mục tiếp theo, tác giả đưa ra giải pháp để phối hợp 2 mô hình FIR và ARIMA theo hình thức động. Phần sau là một ứng dụng dựa vào dữ liệu của thị trường tài chính Forex . Kết quả cho thấy, giải pháp phối hợp các mô hình dự báo mà tác giả đưa ra có hiệu quả cao hơn các mô hình dự báo thông thường mà bài báo [5,6] đã trình bày. 170 N. C. Thành, H. G. Sơn, “Kết hợp mạng nơron FIR và mô hình … chuỗi thời gian.” Nghiên cứu khoa học công nghệ 2. NỘI DUNG CẦN GIẢI QUYẾT 2.1. Xây dựng lý thuyết 2.1.1. Các giá trị thích hợp, dự báo kiểm định và tiên nghiệm Theo ([15]) trong môi trường dự báo có ba thời đoạn là dùng dữ liệu trong thời đoạn n1 đến n2 để ước lượng một vài mô hình, các thời đoạn từ n2 + 1 đến n3 để kiểm định các mô hình, lựa chọn mô hình tốt nhất, hay cũng có thể dùng để kết hợp các mô hình; và thời đoạn n3 + 1 trở đi được gọi là các giá trị dự báo tiên nghiệm. 2.1.2. Tiêu chuẩn sai số trung bình để đánh giá mô hình Theo ([15]), tiêu chuẩn sai số trung bình MAE để đánh giá mô hình dự báo là: 1 n  Sai số trung bình: MAE   i i n i1 y  y (2.1)  Trong đó, yi là giá trị thực tế và y i là giá trị được dự báo, n là số các quan sát 2.1.3. Các phương pháp thường sử dụng trong dự báo Theo ([15]), có hai phương pháp dự báo: dự báo định tính, dự báo định lượng. -Dự báo định tính: Là dự báo dựa trên phán đoán chủ quan, trực giác của người ra quyết định. Phương pháp phổ biến là lấy phiếu thăm dò và thu thập ý kiến như lấy ý kiến các nhà phân phối, người tiêu dùng, chuyên gia… Nhược điểm chung của phương pháp này là mang tính chủ quan, kinh nghiệm và cảm tính. -Dự báo định lượng: Các mô hình này sẽ khắc phục được tính chủ quan và cảm tính trong dự báo bằng cách sử dụng các công cụ toán học. Phương pháp dự báo định lượng thường dùng phổ biến là dự báo chuỗi thời gian sử dụng các mô hình tự hồi quy. Theo [13], [14] và [15] ta có mô hình chuỗi thời gian tự hồi quy hoàn toàn có cấu trúc như sau: Yt = α1Yt-1+ α2Yt-2 + … + αpYt-p+ ut (2.2) Trong đó, Yt là quan sát thứ t đối với biến phụ thuộc và ut là thành phần sai số. + Mô hình trung bình trượt MA (Moving Average- Trung bình trượt) : Yt = νt – β1νt-1– β2 νt-2– …– βq νt-q (2.3) Với νt là chuỗi sai số nhiễu trắng. Do đó, Yt là tổ hợp tuyến tính của các biến ngẫu nhiên nhiễu trắng. Hình 1. Mạng nơron truyền thẳng, hình trái là một tế bào nơron và bên phải là mạng truyền thẳng. + Các mô hình ARMA (Auto Regressive Moving Average - Trung bình trượt kết hợp tự hồi qui), phối hợp giữa các công thức tự hồi quy và trung bình trượt tạo ra mô hình ARMA. Do đó, mô hình ARMA (p, q) có dạng tổng quát: Yt = α1Yt-1+ α2Yt-2 + … + αpYt-p+ ut + νt ...