Mô Hình Hóa Dự Báo Giá Cổ Phiếu Trong Ngữ Cảnh Dữ Liệu Số Chiều Cao

Abstract

Từ khóa -dữ liệu số chiều cao, giảm chiều dữ liệu, giá cổ phiếu, mô hình ARCH, mô hình hóa dự báo tài chính. I. GIỚI THIỆU VẤN ĐỀDự báo thị trường chứng khoán gồm 2 nội dung quan trọng nhất là dự báo giá trị của chỉ số chứng khoán và giá của các cổ phiếu được niêm yết trên thị trường [17]. So với dự báo chỉ số chứng khoán thì dự báo giá cổ phiếu nhìn chung là khó khăn hơn bởi sự dễ thay đổi của nó.Do có quá nhiều yếu tố tác động đến giá hàng hóa và giá dịch vụ nói chung, chỉ số chứng khoán và giá cổ phiếu nói riêng nên có một thời gian rất dài người ta cho rằng không thể dự báo được giá. Đến năm 1978, người ta nhận thấy khẳng định trên là đúng khi thị trường hoạt động hiệu quả, trong thị trường hoạt động không hiệu quả thì có thể dự báo được giá một phần do các yếu tố tâm lý của những người tham gia thị trường cùng với khả năng thị trưởng không thể phản ứng được ngay với những thông tin mới được công bố [16].Hiện tại đã có khá nhiều kỹ thuật được ứng dụng trong xây dựng mô hình dự báo giá cố phiếu của thị trường chứng khoán [6,17,22]. Các kỹ thuật dự báo chỉ số giá cổ phiếu có thể được phân thành 2 nhóm theo 2 cách tiếp cận khác nhau [22] là nhóm các kỹ thuật thống kê và nhóm các kỹ thuật trí tuệ nhân tạo.-Các kỹ thuật dự báo thống kê nói chung thường đòi hỏi các biến phải được đưa về chuỗi dừng trước khi ứng dụng nó và các kỹ thuật này yêu cầu phải thực hiện rất nhiều kiểm định thống kê khác nhau nhằm chẩn đoán, khắc phục và đánh giá chất lượng của mô hình trước khi tiến hành dự báo tương lai. Ưu điểm chính của các kỹ thuật dự báo thống kê là đưa ra được giá trị dự báo tương lai một cách cụ thể và nếu tương lai không có những biến động bất thường so với hiện tại và quá khứ thì độ chính xác của dự báo được thực hiện bằng những kỹ thuật này thường khá cao. Các kỹ thuật dự báo thống kê có thể xem xét và phân tích hành vi, phát hiện và xử lý tốt các dữ liệu ngoại lai, cung cấp một cách tường minh về hàm dự báo và cho biết một cách rõ ràng các quan hệ giữa các yếu tố đầu vào và biến đích đầu ra. Trong lĩnh vực kinh tế -xã hội các mối quan hệ giữa các yếu tố đầu vào và biến đích đầu ra là hàm ý những quy luật kinh tế đặc thù, chúng gợi ý những phản ứng chính sách cần có để tận dụng hoặc giảm nhẹ tác động của những quy luật ấy. Trong điều hành và quản lý nền kinh tế, việc phát hiện được những quy luật kinh tế đặc thù nói chung được xem trọng hơn so với việc đưa ra những kết quả dự báo cụ thể. Nhược điểm chính của các kỹ thuật dự báo thống kê là khó tự động hóa được toàn bộ quá trình dự báo và không thể thực hiện được trên các tập dữ liệu số chiều cao. Để xây dựng được mô hình dự báo trên tập dữ liệu có số chiều cao trước hết phải chuyển tập dữ liệu số chiều cao về tập dữ liệu số chiều thấp nhưng cơ bản phải giữ được khá đầy đủ thông tin trong tập dữ liệu số chiều cao và bảo toàn được quan hệ giữa biến đích đầu ra với các biến gốc đầu vào nhiều như có thể.-Các kỹ thuật dự báo trí tuệ nhân tạo (như mạng nơtron, hệ suy luận nơtron-mờ, giải thuật di truyền, luật kết hợp, khai phá mẫu chuỗi, k-người láng giềng gần nhất, mạn...

Mô Phỏng Và Phân Tích Rủi Ro Dự Báo Trên Tập Dữ Liệu Số Chiều Cao

“…Việc nhận biết giá trị và/hoặc xu hướng thay đổi trong tương lai của biến đích Y có thể được dự báo thông qua các biến X i . Dự báo bằng sử dụng các kỹ thuật dự báo định lượng (kỹ thuật thống kê hoặc kỹ thuật trí tuệ nhân tạo) [13] thực chất là đã thừa nhận rằng các biến gốc cũng như quan hệ giữa biến đích và các biến gốc trong tương lai sẽ được thay đổi gần giống với quy luật của chúng trong hiện tại và quá khứ. Thừa nhận này cơ bản là đúng đối với những hiện tượng thuộc lĩnh vực tự nhiên, nhưng phần lớn là không đúng đối với những hiện tượng thuộc lĩnh vực xã hội, trong đó nhất là lĩnh vực kinh tế -tài chính, ở đó có sự tham gia hoạt động của con người.…”

“…Xác suất lớp cao nhất được sử dụng để phân bổ lớp cho dữ liệu đầu vào mới [15]. Trong đánh giá rủi ro dự báo, các kỹ thuật trí tuệ nhân tạo thường cung cấp xác suất rủi ro dự báo với độ chính xác khá cao và các kỹ thuật này về cơ bản cũng có ưu, nhược điểm chính như được trình bầy chi tiết trong [13], theo đó nhược điểm đáng lưu ý nhất của các kỹ thuật trí tuệ nhân tạo là không đưa ra được công thức tính xác suất rủi ro dự báo một cách tường mình và không đánh giá được tác động của từng yếu tố đầu vào đến xác suất dự báo do đó nó sẽ hạn chế trong việc mô phỏng, phân tích và đề xuất các giải pháp phòng ngừa rủi ro.…”

“…Nói cách khác khi các biến gốc là độc lập việc lựa chọn họ mô hình hồi quy lôgit để xây dựng mô hình mô phỏng và phân tích rủi ro dự báo là lựa chọn chính xác và hiệu quả nhất, trong trường hợp trái lại thì sử dụng phương pháp phân lớp Bayes. Ngoài ra các kỹ thuật phân tích phân biệt và họ hồi quy lôgit trong mô phỏng và đánh giá rủi ro cũng có các ưu, nhược điểm chính của kỹ thuật dự báo thống kê đã được trình bầy chi tiết trong [13], trong đó hạn chế lớn nhất của các kỹ thuật này là không thực hiện được trên tập dữ liệu số chiều cao và không tự động hóa được toàn bộ quá trình đánh giá rủi ro dự báo.…”

“…Những phân tích về ưu, nhược điểm chính của các kỹ thuật đánh giá rủi ro dự báo ở trên đã gợi ý rằng việc lựa chọn các mô hình hồi quy lôgit và hồi quy có thứ tự để tính xác suất dự báo, mô phỏng và phân tích rủi ro dự báo trên tập dữ liệu số chiều cao trong thế giới thực dường như là giải pháp phù hợp nhất cho đến thời điểm hiện tại nếu như có thể khắc phục được 02 hạn chế của lớp mô hình hồi quy lôgit là không thực hiện được trên tập dữ liệu lớn và các biến gốc đòi hỏi phải là các biến độc lập. Rất may, cả 2 yêu cầu này đều được khắc phục bằng ứng dụng phương pháp giảm chiều dữ liệu được tác giả bài báo này đề xuất trong [13].…”

“…Điểm mấu chốt của khung lý thuyết này trước hết là phải thực hiện những kỹ thuật giảm chiều dữ liệu để chuyển đổi tập dữ liệu đầu vào có số chiều cao thành tập dữ liệu số chiều thấp sao cho quan hệ giữa biến đích và các biến gốc đầu vào được bảo toàn nhiều nhất như có thể, đồng thời các biến mới thay thế cho tập các biến gốc đầu vào đều có tác động thực sự đến sự thay đổi của biến đích và chúng độc lập với nhau. Kỹ thuật giảm chiều dữ liệu trong bài báo này là sự kết hợp của kỹ thuật lựa chọn thuộc tính và học thuộc tính theo cách tương tự như trong [13]. Điểm mấu chốt tiếp theo là sử dụng kỹ thuật hồi quy lôgit hoặc hồi quy có thứ tự để xây dựng mô hình dự báo phân lớp để thực hiện mô phỏng và phân tích rủi ro dự báo.…”