Sự cần thiết của vấn đề nghiên cứu
Hiện nay, sự phát triển mạnh mẽ của các quốc gia trên thế giới đang đối mặt với tình trạng lạm phát và khủng hoảng kinh tế Trong những năm gần đây, toàn nhân loại đã phải nỗ lực vượt qua khủng hoảng kinh tế toàn cầu Giá cả và dịch vụ hàng hóa luôn biến động, nhưng nếu những thay đổi này diễn ra quá nhanh, nó sẽ ảnh hưởng nghiêm trọng đến nền kinh tế, dẫn đến tình trạng khủng hoảng.
Việc điều chỉnh nền kinh tế để phát triển bền vững là rất quan trọng Nếu chúng ta có khả năng dự đoán lạm phát, chúng ta sẽ chủ động hơn trong việc đưa ra các phương án và quyết sách phù hợp nhằm giảm thiểu tình trạng khủng hoảng cả trong nước và toàn cầu.
Bài toán dự báo, với độ phức tạp tính toán lớn, đã thu hút sự quan tâm của nhiều quốc gia và tổ chức khoa học để nghiên cứu và giải quyết Có nhiều phương pháp dự báo khác nhau, mỗi phương pháp đều có những ưu điểm và nhược điểm riêng Một trong những ứng dụng đáng chú ý là mạng nơ ron nhân tạo, đã được thử nghiệm trong các mô hình dự báo Trong khuôn khổ luận văn thạc sỹ, tôi chọn nghiên cứu đề tài: “Ứng dụng mạng nơ ron nhân tạo trong dự báo lạm phát”.
Mục tiêu nghiên cứu
Ứng dụng mạng nơ ron nhân tạo trong dự báo lạm phát trở nên quan trọng trong bối cảnh lạm phát và khủng hoảng kinh tế toàn cầu Việc dự báo chính xác tình trạng lạm phát giúp chúng ta chủ động hơn, từ đó có thể đưa ra các phương án phù hợp nhằm giảm thiểu tác động của khủng hoảng kinh tế cả trong nước và quốc tế.
Nội dung nghiên cứu
- Nghiên cứu các mạng nơ ron nhân tạo
- Ứng dụng dự báo lạm phát.
Kết cấu của luận văn
Luận văn có bố cục như sau:
TỔNG QUAN VỀ DỰ BÁO
Giới thiệu
1.1.1 Khái niệm về dự báo
Dự báo đã bắt đầu phát triển từ những năm 1960 và trở thành một ngành khoa học độc lập với hệ thống lý luận, phương pháp luận và các phương pháp riêng biệt nhằm nâng cao hiệu quả của dự báo.
Dự báo là khoa học và nghệ thuật tiên đoán sự kiện tương lai dựa trên phân tích dữ liệu đã thu thập Để thực hiện dự báo, cần thu thập và xử lý số liệu từ quá khứ và hiện tại nhằm xác định xu hướng tương lai thông qua các mô hình toán học (định lượng) Bên cạnh đó, dự báo cũng có thể dựa vào trực giác hoặc cảm nhận chủ quan (định tính), và để nâng cao độ chính xác của dự báo định tính, cần loại trừ những yếu tố chủ quan từ người dự báo.
Dự báo là quá trình tiên đoán dựa trên cơ sở khoa học, thể hiện xác suất về các mức độ, nội dung, mối quan hệ, trạng thái và xu hướng phát triển của đối tượng nghiên cứu Nó cũng liên quan đến cách thức và thời gian đạt được các mục tiêu đã đề ra trong tương lai.
Tiên đoán là hình thức phản ánh trước về thời gian thực tế, dựa trên nhận thức chủ quan của con người về quy luật khách quan trong sự phát triển của sự vật và hiện tượng Có ba loại tiên đoán: tiên đoán có căn cứ khoa học, tiên đoán không khoa học và tiên đoán dựa trên kinh nghiệm.
Tiên đoán không khoa học là những dự đoán thiếu cơ sở khoa học, thường dựa vào các mối quan hệ tưởng tượng và không thực tế, được cấu trúc giả tạo hoặc dựa trên những phát hiện bất ngờ Các hình thức như bói toán, tiên tri và các luận điệu tuyên truyền từ những thế lực thù địch đều thuộc loại tiên đoán này.
Tiên đoán có căn cứ khoa học là quá trình phân tích mối quan hệ giữa các đối tượng trong một hệ thống lý luận khoa học cụ thể Nó dựa trên việc xem xét tính quy luật phát triển của đối tượng và các điều kiện ban đầu như giả thuyết Tiên đoán khoa học kết hợp giữa phân tích định tính và định lượng, đảm bảo độ tin cậy cao và cung cấp cơ sở vững chắc cho các quyết định quản lý.
Tiên đoán dựa trên kinh nghiệm được hình thành từ thực tế và các mối quan hệ thường xuyên, không dựa vào phân tích lý thuyết hay nghiên cứu quy luật Mặc dù có cơ sở nhất định, loại tiên đoán này thường chỉ dừng lại ở mức độ định tính và không giải thích được sự vận động của đối tượng.
Dự báo tương lai có thể áp dụng cho nhiều lĩnh vực, từ tỷ lệ lạm phát giá tiêu dùng đến thời tiết trong những ngày hoặc tháng tới Nó cũng bao gồm dự đoán mức tăng trung bình của mực nước biển vào cuối thiên niên kỷ thứ ba, dân số toàn cầu trong 10 năm tới, và giá trị chỉ số Dow Jones vào đầu năm.
2010 Các kết quả dự báo được coi là hữu ích trong việc xem xét để ra quyết định với sai số có thể chấp nhận được
Tương lai của nền kinh tế sẽ phụ thuộc vào hành vi của con người, ảnh hưởng đến quyết định của các nhà kinh tế, nhà đầu tư và chính phủ Dự báo kinh tế ngày càng trở nên quan trọng, được xem như một công cụ hỗ trợ phát triển kinh tế quốc gia Nhờ vào dự báo, nhiều hoạt động kinh tế có thể giảm thiểu rủi ro đáng kể.
Năm 1987, các nhà phân tích dự đoán rằng giá trị của đồng USD sẽ giảm mạnh, chi tiêu tiêu dùng sẽ chậm lại và lãi suất sẽ tăng vừa phải Dựa trên những dự đoán này, Chính phủ có thể điều chỉnh và quản lý nền kinh tế một cách hiệu quả hơn.
Dự báo kinh tế là quá trình tiên đoán các sự kiện liên quan đến nền kinh tế, có thể áp dụng cho toàn bộ nền kinh tế hoặc một phần cụ thể Quá trình này thường dựa vào các phương pháp khoa học hoặc kinh nghiệm thực tiễn.
Dự báo kinh tế có thể chi tiết hoặc chung chung, nhưng luôn giúp mô tả hành vi tương lai của nền kinh tế và hình thành cơ sở quy hoạch Nó dựa trên các mô hình, thường là của nền kinh tế quốc gia hoặc toàn cầu, và đôi khi là các lĩnh vực cụ thể, sản phẩm hoặc công ty Phương pháp dự báo cơ bản thường dựa vào suy luận từ quá khứ, trong khi các mô hình phức tạp hơn sử dụng phân tích dữ liệu lịch sử Mặc dù dự báo không đảm bảo độ chính xác, nhưng nó cung cấp thông tin quan trọng để ra quyết định kinh tế, giúp giảm thiểu thiệt hại cho toàn bộ nền kinh tế hoặc các doanh nghiệp cụ thể.
Nhiều nhà kinh tế cho rằng sự thay đổi trong cung tiền ảnh hưởng đến tỷ lệ tăng trưởng kinh doanh Tại Hoa Kỳ, nơi người tiêu dùng đóng vai trò quan trọng trong nền kinh tế, quyết định của họ về đầu tư hoặc tiết kiệm cung cấp thông tin quý giá cho các xu hướng kinh tế tương lai Doanh nghiệp sản xuất cần dự đoán các sự kiện kinh tế vĩ mô để có các biện pháp phù hợp nhằm giảm thiểu rủi ro Thiệt hại của doanh nghiệp không chỉ ảnh hưởng đến chính họ mà còn tác động tiêu cực đến GDP quốc gia Vì vậy, các nhà đầu tư cần có công cụ và phương pháp để đánh giá sự phát triển kinh tế, từ đó đưa ra quyết định dựa trên các diễn biến kinh tế mới nhất.
1.1.2.1 Phân loại dự báo kinh tế
Tùy theo mục đích, hình thức mà dự báo kinh tế được phân loại khác nhau [8, tr.10]
- Theo quy mô: dự báo kinh tế có thể phân loại thành dự báo vĩ mô và dự báo vi mô
Dự báo vĩ mô là những dự báo liên quan đến toàn bộ nền kinh tế, thường được đo bằng các chỉ số như sản xuất công nghiệp, thu nhập quốc dân và chi tiêu Ví dụ về dự báo vĩ mô bao gồm dự báo lạm phát, xu hướng xuất nhập khẩu và GNI quốc gia.
Dự báo vi mô trong doanh nghiệp chủ yếu tập trung vào việc phân tích xu hướng tiêu dùng, như dự đoán nhu cầu của khách hàng trong tháng tới Điều này giúp các doanh nghiệp nắm bắt được thị hiếu và nhu cầu của người tiêu dùng, từ đó cung cấp dịch vụ phù hợp và hiệu quả hơn.
- Theo thời hạn: dự báo được phân loại thành dự báo ngắn hạn hoặc dự báo dài hạn
Các phương pháp sử dụng trong dự báo kinh tế
1.2.1 Dự báo kinh tế sử dụng mô hình kinh tế lượng
Mô hình kinh tế lượng là công cụ quan trọng trong việc dự báo sự phát triển tương lai của nền kinh tế Nó đo lường mối quan hệ giữa các biến như chi tiêu của người tiêu dùng, thu nhập hộ gia đình, mức thuế suất, lãi suất và tỷ lệ việc làm trong quá khứ, từ đó đưa ra dự đoán về những thay đổi trong các biến này và ảnh hưởng của chúng đến tương lai.
Hình 1.5 Mô hình lương và chi tiêu trong gia đình
Hình 1.2 minh họa các chi phí trong gia đình có liên quan đến thu nhập Bảng 1.1 dưới đây thể hiện sự biến đổi giữa thu nhập và chi tiêu của gia đình đối với các mặt hàng cá nhân như giày dép và quần áo.
Bảng 1.1 Tỉ lệ phần trăm thu nhập và tiêu dùng thời trang
Mối quan hệ giữa dữ liệu cho thấy người Mỹ chi tiêu nhiều hơn vào quần áo và giày khi thu nhập hộ gia đình cao hơn, với tổng chi tiêu đạt ít nhất 100 tỷ USD mỗi năm Dự báo cho tổng số chi tiêu này là 100 tỷ USD cộng thêm 2,65% thu nhập hộ gia đình, được thể hiện qua phương trình C = 100 + 0,0265W Việc sử dụng dữ liệu để xác định hoặc ước tính các giá trị tham số trong mô hình là bước quan trọng để chuyển đổi các mô hình kinh tế toán học thành mô hình kinh tế lượng.
Kinh tế lượng là việc áp dụng các phương pháp thống kê vào dữ liệu kinh tế, nhằm phân tích và làm rõ các mối quan hệ kinh tế thực tiễn Nó được hiểu là sự phân tích định lượng các hiện tượng kinh tế dựa trên sự kết hợp giữa lý thuyết và quan sát, sử dụng các phương pháp suy luận phù hợp Kinh tế lượng ứng dụng kết hợp lý thuyết và dữ liệu thực tế để đánh giá các lý thuyết kinh tế, phát triển mô hình kinh tế, phân tích lịch sử kinh tế và thực hiện dự báo hiệu quả.
Dự báo từ một mô hình tuyến tính đơn giản có thể dễ dàng thu được bằng cách sử dụng phương trình x y
Trong mô hình này, x đại diện cho biến độc lập, trong khi y là biến phụ thuộc Cụ thể, x bao gồm các yếu tố liên quan đến dự báo, và y là giá trị dự báo tương ứng với các yếu tố x.
Z Ismail và các cộng sự đã sử dụng mô hình hồi quy bội (multiple linear regression) để dự báo giá vàng tại Malaysia Trong nghiên cứu này, họ sử dụng các yếu tố kinh tế như lạm phát, biến động giá tiền tệ và những người khác Sau sự giảm giá của đồng đô la Mỹ, nhà đầu tư đổ tiền vào vàng bởi vì vàng đóng một vai trò quan trọng như một mục đầu tư ổn định Do sự gia tăng nhu cầu đối với vàng trong Malaysia và các quốc gia khác trên thế giới Họ cũng nhận thấy rằng có thể phát triển một mô hình phản ánh cấu trúc và của thị trường vàng và chuyển động dự báo giá vàng Các cách tiếp cận phù hợp nhất là mô hình hồi quy bội MLR để nghiên cứu về mối quan hệ giữa một biến duy nhất phụ thuộc và một hoặc nhiều hơn một các biến độc lập, như trường hợp này với giá vàng là biến phụ thuộc duy nhất Một mô hình đơn giản gọi là "dự báo-1" đã được coi là một mô hình chuẩn để đánh giá hiệu quả của mô hình [3], [5]
Tetyana Kuzhda đã phát triển một mô hình dự báo bán lẻ dựa trên hồi quy bội, nhấn mạnh sự thay đổi trong môi trường bán lẻ do chi phí thu nhập và quảng cáo Mô hình này xem xét các yếu tố tác động như lạm phát, cung cầu, tỉ giá hối đoái, chi tiêu chính phủ và xuất nhập khẩu, cùng với các yếu tố xã hội như doanh số bán lẻ và chi phí quảng cáo Bằng cách thu thập dữ liệu từ các yếu tố này, họ đã xây dựng một hàm toán học nhằm giải quyết vấn đề dự báo bán lẻ.
Vincenzo Bianco và các cộng sự đã sử dụng mô hình hồi quy tuyến tính để dự báo mức tiêu thụ điện tại Italy, xem xét ảnh hưởng của các biến số kinh tế và nhân khẩu học từ năm 1970 đến 2007 Mô hình này dựa trên các tham số như lịch sử tiêu thụ điện, tổng sản phẩm trong nước (GDP), thu nhập bình quân đầu người và dân số Kết quả thực nghiệm cho thấy, khi so sánh với dự báo quốc gia từ mô hình phức tạp hơn, tỉ lệ sai số chỉ ở mức 1%, cho thấy độ chính xác cao của mô hình hồi quy tuyến tính.
1.2.1.2 Mô hình chuỗi thời gian
Gurudeo Anand Tularam đã phát triển một phương pháp dự báo giá dầu sử dụng mô hình chuỗi thời gian, cho thấy rằng dữ liệu giá xăng dầu trong quá khứ có ảnh hưởng đến giá dầu trong tương lai Bài báo của họ cũng thực hiện đánh giá độ chính xác của mô hình so với giá dầu thực tế.
Hai mô hình đơn biến được áp dụng bao gồm: làm min số mũ (ES) và Holt - Winters (HW), cùng với mô hình tự hồi quy trung bình trượt (ARIMA) Kết quả dự báo cho giá dầu thô West Texas Intermediate đạt độ chính xác 95%.
Hình 1.6 Kết quả thử nghiệm với mô hình HW
Hình 1.7 Kết quả thử nghiệm với mô hình ARIMA
Vào năm 2014, Wen-Hua Cui và các cộng sự đã tiến hành nghiên cứu dự báo dòng tiền trong ngân hàng nhằm cải thiện thông tin giữa dòng tiền kinh doanh và quỹ Họ áp dụng phương pháp trung bình trượt và làm mịn số mũ để thực hiện dự đoán, kết hợp với chuỗi thời gian trong quá trình dự báo Kết quả thực nghiệm từ dòng tiền thực trong quý 1 năm 2011 và 2012 cho thấy phương pháp của họ đạt độ chính xác cao.
1.2.2 Dự báo kinh tế bằng cách tiếp cận mô hình học máy
Học máy (Machine Learning) là một lĩnh vực khoa học nghiên cứu các thuật toán giúp máy tính học hỏi từ các khái niệm Theo định nghĩa, máy học là chương trình máy tính có khả năng rút ra kinh nghiệm từ dữ liệu trong quá khứ, nhằm thực hiện các nhiệm vụ và nâng cao hiệu quả trong các nhiệm vụ đó.
Các ngành khoa học liên quan:
Lý thuyết thống kê đóng vai trò quan trọng trong việc cung cấp cơ sở cho nhiều phương pháp học máy, đặc biệt là trong việc ước lượng sai số của các mô hình học máy.
Các phương pháp tính toán trong thuật toán học máy thường dựa vào các phép toán số thực và số nguyên trên dữ liệu lớn Những bài toán phổ biến như tối ưu có/không ràng buộc và giải phương trình tuyến tính được áp dụng rộng rãi trong lĩnh vực này.
- Khoa học máy tính: là cơ sở để thiết kế các thuật toán, đồng thời đánh giá thời gian chạy, bộ nhớ của các thuật toán học máy
- Các nhóm giải thuật học máy:
Học có giám sát là quá trình mà máy tính được đào tạo dựa trên các mẫu dữ liệu đã biết, bao gồm đầu vào và đầu ra tương ứng Sau khi hoàn thành việc học từ những mẫu này, máy tính sẽ nhận diện một đầu vào mới và đưa ra kết quả dự đoán dựa trên kiến thức đã tích lũy.
Phương pháp đánh giá dự báo
Đánh giá dự báo là quá trình kiểm tra độ chính xác của các dự báo Điều này bao gồm việc xác định các sai số bằng cách so sánh giữa giá trị thực tế và kết quả mà mô hình dự báo cung cấp.
- Lỗi phụ thuộc độ đo (scale - dependent error)
Các lỗi dự báo được tính: i i i y y e
Hai phương pháp phổ biến nhất trong việc đo lường hiệu suất dựa trên cùng một độ đo và dữ liệu là phương pháp dựa trên lỗi tuyệt đối và lỗi bình phương.
Mean absolute error: MAE= mean( e i ) (1-3)
Khi so sánh các phương pháp dự báo trên một tập dữ liệu duy nhất, MAE được dùng phổ biến vì dễ dàng trong tính toán
- Lỗi tỉ lệ (percentage error)
Các lỗi tỷ lệ được tính theo công thức: p i = 100 e i / y i (1-5) Lỗi tỷ lệ thường được ưa chuộng hơn lỗi phụ thuộc vào độ đo, vì nó thuận lợi hơn trong việc so sánh hiệu suất dự báo giữa các bộ dữ liệu khác nhau Những biện pháp phổ biến nhất thường được áp dụng trong quá trình này.
Lỗi độ đo được đề xuất bởi Hyndman và Koehler (2006) là một sự thay thế cho việc sử dụng các lỗi tỷ lệ phần trăm trong việc so sánh độ chính xác của dự báo trên các quy mô khác nhau Họ khuyến nghị nhân rộng các lỗi dựa trên đào tạo MAE từ một phương pháp dự báo đơn giản Đối với chuỗi thời gian không theo mùa, một cách hiệu quả để xác định lỗi có quy mô là sử dụng dự báo Naive.
Tử số và mẫu số trong các phép đo lỗi liên quan đến giá trị của dữ liệu gốc, do đó, q j không phụ thuộc vào quy mô dữ liệu Một lỗi được coi là nhỏ hơn một nếu nó phát sinh từ dự báo tốt hơn so với dự báo naive trung bình trên dữ liệu huấn luyện Ngược lại, lỗi sẽ lớn hơn một nếu dự báo kém hơn so với dự báo naive trung bình Đối với chuỗi thời gian theo mùa, lỗi có thể được xác định bằng cách tính toán cụ thể.
1 (1-8) Đối với dữ liệu chéo:
Trong trường hợp này, việc so sánh là với dự báo trung bình Các sai số trung bình có quy mô tuyệt đối là:
ỨNG DỤNG MẠNG NƠ RON TRONG DỰ BÁO LẠM PHÁT KINH TẾ
Mạng nơ ron nhân tạo
Mạng nơron, lần đầu tiên được giới thiệu vào năm 1943 bởi nhà thần kinh học Warren McCulloch và nhà logic học Walter Pits, dựa trên quan điểm rằng bộ não người hoạt động như một bộ điều khiển.
Mỗi nơron sinh học có 4 thành phần cơ bản: Thân nơron (soma), Nhánh hình cây (dendrite), Sợi trục (axon), Khớp (synapse) [10]
2.1.1 Định nghĩa Mạng Nơron nhân tạo (Artificial Neural Network -ANN)
Mạng nơ-ron nhân tạo, hay còn gọi là mạng nơ-ron, là một mô hình xử lý thông tin được thiết kế dựa trên cách thức hoạt động của các hệ nơ-ron sinh học Mô hình này bao gồm nhiều nơ-ron kết nối với nhau qua các trọng số liên kết, hoạt động đồng bộ để giải quyết các bài toán dự báo giá.
2.1.2 Các tính chất của mạng Nơron
Là hệ phi tuyến: mạng nơ-ron có khả năng to lớn trong lĩnh vực nhận dạng và điều khiển các đối tượng phi tuyến
Mạng nơ-ron là một hệ xử lý song song, với cấu trúc cho phép thực hiện nhiều phép toán đồng thời, từ đó đạt được tốc độ tính toán cao và nâng cao hiệu quả trong quá trình xử lý dữ liệu.
Mạng nơ-ron là một hệ thống học và thích nghi, được đào tạo từ dữ liệu quá khứ và có khả năng tự điều chỉnh khi gặp phải thiếu hụt thông tin đầu vào, điều này làm cho nó trở thành một lựa chọn lý tưởng cho các hệ thống máy học.
Là hệ nhiều biến, là hệ nhiều đầu vào, nhiều đầu ra (Many Input Many
Output - MIMO), rất tiện dùng khi đối tượng có nhiều biến
2.1.3 Cấu trúc mạng nơ - ron
2.1.3.1 Đơn vị xử lý perceptron
Mô hình nơ-ron nhân tạo (perceptron) được phát triển dựa trên mô hình nơ-ron sinh vật tổng quát, bao gồm ba thành phần chính: bộ tổng các liên kết đầu vào, động học tuyến tính và phi tuyến tính.
Hình 2.1 Cấu trúc một perceptron Để mô phỏng một nơ-ron ta coi nó như một hệ thống nhiều đầu vào và một đầu ra
- Bộ tổng liên kết: là bộ tổng hợp các liên kết đầu vào của một phần tử nơ-ron có thể mô tả như sau:
Trong mô hình nơ-ron, a j đại diện cho tổng tất cả các đầu vào, phản ánh toàn bộ thế năng tác động tại nơ-ron Các đầu vào x i (với i=1,2, n) là tín hiệu từ các nhánh thần kinh hoặc nơ-ron khác, thường được biểu diễn dưới dạng vector n chiều Trọng số liên kết w ji mô tả mức độ kết nối giữa đầu vào thứ i và nơ-ron thứ j Cuối cùng, θ j là ngưỡng (hay độ lệch - bias), đóng vai trò quan trọng trong việc xác định ngưỡng kích thích hoặc ức chế trong hàm truyền.
Hàm truyền (Transfer function) là công cụ dùng để giới hạn phạm vi đầu ra của mỗi nơron, nhận đầu vào từ hàm tổng và ngưỡng đã cho Phạm vi đầu ra thường được giới hạn trong khoảng [0, 1] hoặc [-1, 1] Các hàm truyền rất đa dạng, bao gồm cả hàm tuyến tính và phi tuyến, và việc lựa chọn hàm truyền phù hợp phụ thuộc vào từng bài toán cụ thể cũng như kinh nghiệm của người thiết kế mạng.
2.1.3.2 Mạng nơ ron nhiều lớp
Trong mạng nơ-ron truyền thẳng nhiều lớp, các liên kết chỉ đi theo một hướng từ lớp đầu vào đến lớp đầu ra, không tạo thành đồ thị có chu trình Các đỉnh của đồ thị là các nơ-ron, trong khi các cung biểu thị các liên kết giữa chúng.
Hình 2.2 Mạng nơ ron nhiều lớp
Mạng truyền thẳng nhiều lớp bao gồm lớp vào, lớp ra và một hoặc nhiều lớp ẩn giữa hai lớp này Nơ-ron đầu vào không thực hiện tính toán mà chỉ nhập dữ liệu và chuyển tiếp cho các lớp kế tiếp Chỉ có nơ-ron ở lớp ẩn và lớp ra thực hiện tính toán thông qua hàm chuyển Thuật ngữ “truyền thẳng” ám chỉ rằng mỗi nơ-ron chỉ kết nối với nơ-ron ở lớp kế tiếp theo một hướng, không cho phép kết nối giữa các nơ-ron trong cùng một lớp hoặc kết nối ngược giữa nơ-ron lớp vào và lớp ra.
Trong mạng nơ-ron, thông tin di chuyển từ trái sang phải, với các giá trị đầu vào x được truyền đến các nơ-ron trong lớp ẩn qua trọng số kết nối Sau đó, thông tin này được chuyển tiếp đến lớp đầu ra Trọng số kết nối giữa nơ-ron ẩn thứ j và nơ-ron đầu ra thứ k được ký hiệu là vjk.
Mỗi nơ-ron trong mạng nơ-ron tính toán đầu ra dựa trên mức độ kích thích nhận được từ đầu vào Đầu vào của nơ-ron được xác định bởi tổng các trọng số của nó, trong khi đầu ra được tính toán thông qua hàm kích hoạt.
Với lớp nơ-ron ẩn thứ j:
Với nơ-ron ra thứ k:
Trong mạng nơ-ron, tổng (a j , a k) là hàm tổng hợp tất cả các đầu vào mô tả thế năng tác động tại nơ-ron thứ j trong lớp ẩn và nơ-ron thứ k trong lớp ra Các đầu vào (x i , y j) được xác định với i = 1, 2, , n cho nơ-ron thứ j và j = 1, 2, , k cho nơ-ron thứ k Trọng số liên kết (w ji, v kj) giữa các đầu vào của nơ-ron thuộc lớp ẩn và lớp ra đóng vai trò quan trọng trong quá trình học Ngưỡng (θ j , θ k), hay còn gọi là độ lệch (bias), được đưa vào hàm truyền để xác định ngưỡng kích thích hoặc ức chế của nơ-ron.
2.1.3.3 Phương pháp học trên mạng nơ ron
Học trong mạng nơ-ron bao gồm hai khía cạnh chính: học về cấu trúc và học về tham số Học cấu trúc liên quan đến việc điều chỉnh số lượng lớp và số nơ-ron trong mỗi lớp của mạng Trong khi đó, học tham số tập trung vào việc thay đổi và cập nhật các trọng số liên kết giữa các nơ-ron.
Học tham số trong mạng ANN là quá trình điều chỉnh trọng số liên kết để tối ưu hóa tín hiệu đầu ra từ dữ liệu đầu vào có nhiễu hoặc phức tạp Quá trình này nhằm đảm bảo rằng từ tập dữ liệu đầu vào, mạng có thể sản sinh ra tập dữ liệu đầu ra mong muốn Khi sai số đầu ra vượt quá giới hạn cho phép, mạng sẽ tự động điều chỉnh cấu trúc hoặc trọng số liên kết để cải thiện kết quả Qua thời gian, các trọng số sẽ hội tụ đến giá trị tối ưu, giúp mạng cho ra vector đầu ra y chính xác cho mỗi vector đầu vào x từ tập huấn luyện.
2.1.3.5 Học giám sát với thuật toán lan truyền ngược
Thuật toán tổng quát cho học có giám sát trong mạng nơ-ron có nhiều cài đặt khác nhau, với sự khác biệt chủ yếu là cách thay đổi trọng số liên kết trong quá trình học Một trong những thuật toán nổi bật trong lĩnh vực này là thuật toán lan truyền ngược.
Lạm phát kinh tế
Lạm phát là sự gia tăng liên tục trong mức giá chung, không nhất thiết mọi hàng hóa và dịch vụ phải tăng giá cùng một tỷ lệ Điều này có thể xảy ra khi giá một số hàng hóa giảm, nhưng giá của các hàng hóa và dịch vụ khác tăng mạnh Lạm phát cũng đồng nghĩa với việc suy giảm sức mua của đồng tiền, khiến một đơn vị tiền tệ mua được ít hàng hóa và dịch vụ hơn Khi lạm phát diễn ra, người tiêu dùng cần chi nhiều tiền hơn để mua cùng một giỏ hàng hóa và dịch vụ Nếu thu nhập bằng tiền không tăng kịp với tốc độ trượt giá, sức mua thực tế sẽ giảm Sự tăng giảm thu nhập thực tế trong thời kỳ lạm phát phụ thuộc vào việc thu nhập bằng tiền có tăng đủ để bù đắp cho sự gia tăng mức giá hay không Người dân có thể trở nên khá giả hơn nếu thu nhập bằng tiền tăng nhanh hơn mức tăng giá.
Lạm phát là tỷ lệ tăng giá chung của hàng hóa và dịch vụ, dẫn đến giảm sức mua của tiền tệ Ngân hàng trung ương nỗ lực kiềm chế lạm phát và ngăn chặn giảm phát nhằm duy trì sự ổn định của nền kinh tế.
Lạm phát là một hiện tượng tự nhiên trong nền kinh tế thị trường, xảy ra khi các quy luật kinh tế hàng hóa, đặc biệt là quy luật lưu thông tiền tệ, không được tuân thủ Khi còn sản xuất hàng hóa và duy trì quan hệ hàng hóa tiền tệ, khả năng lạm phát luôn hiện hữu Lạm phát chỉ xuất hiện khi có sự vi phạm các quy luật lưu thông tiền tệ.
1 Lạm phát là phần trăm thay đổi trong giá trị của giá bán buôn Index (WPI) trên một năm so với năm cơ sở Nó ảnh hưởng đến thay đổi của giá cả trong một giỏ hàng hóa và dịch vụ trong một năm
2 Lạm phát là sự tăng lên của mức giá trung bình theo thời gian
Lạm phát được định nghĩa là sự giảm sức mua của một đơn vị tiền tệ, dẫn đến việc giá hàng hóa tăng lên Chẳng hạn, nếu tỷ lệ lạm phát là 2%, một gói kẹo cao su có giá 1 USD trong năm trước sẽ có giá 1,02 USD trong năm tiếp theo Khi giá trị của hàng hóa và dịch vụ tăng, đồng tiền sẽ mất giá trị.
Lý thuyết kinh tế hiện đại mô tả ba loại lạm phát:
Lạm phát chi phí đẩy xảy ra khi doanh nghiệp tăng giá sản phẩm để bù đắp cho chi phí lao động tăng cao do tăng lương, dẫn đến nhu cầu về tiền lương vẫn ở mức cao, tạo ra một vòng xoáy giá tiền lương.
+ Kết quả lạm phát cầu kéo từ nhu cầu tiêu dùng ngày càng tăng tài trợ bởi tính khả dụng dễ dàng hơn của tín dụng
Lạm phát tiền tệ xảy ra khi chính phủ mở rộng cung tiền để bù đắp cho thâm hụt ngân sách, dẫn đến việc in thêm tiền.
Lạm phát được phân loại dựa trên tính chất và mức độ tỷ lệ lạm phát, chia thành ba loại chính: lạm phát vừa phải, lạm phát phi mã và siêu lạm phát.
Lạm phát vừa phải được đặc trưng bởi mức giá tăng chậm và có thể dự đoán trước, thường ổn định Tại các nước đang phát triển, lạm phát một con số được xem là vừa phải, phản ánh trạng thái bình thường của nền kinh tế và ít gây ảnh hưởng tiêu cực đến sự phát triển kinh tế.
Lạm phát phi mã, thường được định nghĩa là lạm phát đạt mức hai hoặc ba con số trong một năm, đã trở thành thách thức lớn cho Việt Nam và nhiều quốc gia chuyển đổi sang nền kinh tế thị trường Khi lạm phát phi mã kéo dài, nó gây ra những biến dạng kinh tế nghiêm trọng, dẫn đến việc đồng tiền mất giá nhanh chóng Trong tình hình này, người dân thường chỉ giữ lượng tiền tối thiểu cho các giao dịch hàng ngày, đồng thời có xu hướng tích trữ hàng hóa, đầu tư vào bất động sản và chuyển sang sử dụng vàng hoặc ngoại tệ mạnh để thanh toán cho các giao dịch lớn và bảo toàn tài sản.
Siêu lạm phát là hiện tượng lạm phát đặc biệt cao, được định nghĩa bởi nhà kinh tế Phillip Cagan là mức lạm phát hàng tháng từ 50% trở lên Mặc dù tỷ lệ lạm phát 50% một tháng có vẻ không ấn tượng, nhưng nếu duy trì liên tục trong 12 tháng, tỷ lệ lạm phát hàng năm sẽ đạt khoảng 13.000%.
2.2.3 Các phương pháp tính lạm phát
Có khá nhiều phương pháp tính lạm phát được đưa ra Tuy nhiên, phổ biến người ta thường dùng 03 cách tính lạm phát dưới đây:
- Chỉ số giá tiêu dùng: CPI Consumer Price Index
CPI hay còn gọi là chỉ số giá tiêu dùng (CPI Consumer Price Index)
Chỉ số này phản ánh giá trị trung bình của các hàng hóa và dịch vụ trong khoảng thời gian phân tích Sau đó, các mặt hàng trong rổ sẽ được gán trọng số và tính toán để đưa ra kết quả chính xác.
Trong đó: Ip j là giá mặt hàng thứ j và dj là tỷ trọng tiêu dùng của mặt hàng thứ j
Từ đó, tỉ lệ lạm phát CPI được tính theo công thức sau:
Tỷ lệ lạm phát = [ I p /I p-1 - 1] x 100% (2-26) Trong đó, I p là chỉ số giá tiêu dùng (CPI) của kỳ đang tính và I p-1 là CPI của kỳ trước
- Chỉ số giá sản xuất: PPI Producer Price Index
PPI (Chỉ số giá sản xuất) hay còn gọi là chỉ số giá bán buôn, được tính toán tương tự như CPI nhưng ít được sử dụng hơn Trong khi đó, GDP Deflator thường nhận được nhiều sự chú ý hơn từ các nhà kinh tế.
GDP Deflator là chỉ số đo lường giá hàng hóa mà chính phủ, doanh nghiệp và hộ gia đình mua sắm Lạm phát được hiểu là tỷ lệ phần trăm thay đổi của mức giá chung (mức giá trung bình) trong một khoảng thời gian, thường là một năm, tương ứng với tỷ lệ phần trăm thay đổi của GDP Deflator so với năm trước.
- GDP giảm phát: GDP Deflator
Lạm phát là tỷ lệ phần trăm thay đổi của mức giá chung trong một khoảng thời gian, thường là một năm, và được tính bằng cách so sánh GDP Deflator của năm hiện tại với năm trước.
Ứng dụng mạng nơ - ron trong dự báo lạm phát
2.3.1 Các nghiên cứu liên quan
Nhiều nghiên cứu đã chỉ ra rằng việc ứng dụng mạng nơ ron nhân tạo trong dự báo lạm phát mang lại hiệu quả vượt trội so với các mô hình kinh tế lượng truyền thống.
Moshiri & Cameron (2000) khẳng định rằng trong dài hạn, lạm phát tại Canada được dự báo hiệu quả hơn bằng mô hình ANN so với mô hình VAR và ARIMA Tương tự, Nakamura (2005) tại Mỹ cũng cho thấy mô hình ANN dự báo lạm phát tốt hơn mô hình AR trong ngắn hạn Thêm vào đó, McNelis & McAdam (2005) chỉ ra rằng lạm phát có mối quan hệ phi tuyến với các biến số kinh tế khác và đã áp dụng mô hình “thick model”, kết hợp nhiều mạng ANN để dự báo lạm phát.
Mỹ và một số quốc gia Châu Âu Kết quả cho thấy, mô hình ANN dự báo không thua kém gì so với mô hình hồi quy tuyến tính
Haider và Hanif (2009) đã ứng dụng mô hình ANN, AR(1) và ARIMA để dự báo lạm phát tại Pakistan, cho thấy mô hình ANN dự báo chính xác hơn cả AR(1) và ARIMA Tương tự, Duzgun (2010) cũng sử dụng mô hình ANN để dự báo lạm phát tại Thổ Nhĩ Kỳ và khẳng định rằng mô hình này vượt trội hơn so với ARIMA Tại Việt Nam, Lê Đạt Chí (2010) đã áp dụng mô hình ANN trong dự báo giá chứng khoán tại Tp.HCM và kết luận rằng mô hình ANN mang lại kết quả dự báo chính xác hơn so với hồi quy tuyến tính truyền thống.
Gần đây, nghiên cứu của Choudhary & Haider (2012) đã ứng dụng mô hình mạng nơ-ron nhân tạo (ANN) và mô hình tự hồi quy AR(1) để dự báo lạm phát tại 28 quốc gia thuộc Tổ chức Hợp tác và Phát triển Kinh tế (OECD) Kết quả cho thấy mô hình ANN có khả năng giải thích 45% sự biến động của lạm phát, trong khi mô hình AR(1) chỉ giải thích được 23%.
Mô hình ANN, mặc dù có nhiều ưu điểm, cũng bộc lộ một số hạn chế Zhang và cộng sự (1998) chỉ ra rằng ANN chỉ hoạt động hiệu quả trong các trường hợp phi tuyến, trong khi đối với các mối quan hệ tuyến tính, mô hình này không đạt được độ chính xác cao như mô hình hồi quy tuyến tính Nghiên cứu của Binner và cộng sự cũng góp phần làm rõ những hạn chế này.
Nghiên cứu năm 2010 về lạm phát tại nền kinh tế Mỹ cho thấy mô hình KRLS có khả năng dự báo tốt hơn mô hình ANN Thêm vào đó, các nghiên cứu của Zhang (2003) và Khashei & Bijari (2011) chỉ ra rằng mô hình lai giữa ANN và ARIMA mang lại kết quả dự báo vượt trội so với việc sử dụng từng mô hình riêng lẻ.
2.3.2 Phân tích các nhân tố ảnh hưởng
Theo Ngân hàng Thế giới, dữ liệu về lạm phát của các quốc gia được lưu trữ và minh họa qua các biểu đồ Biểu đồ dưới đây so sánh tỷ lệ lạm phát của Việt Nam với một số quốc gia trong khu vực và trên thế giới.
Hình 2.4 Biểu đồ thể hiện lạm phát Việt Nam và trung bình thế giới
Lạm phát CPI chịu ảnh hưởng bởi nhiều nhân tố, bao gồm sự ra mắt hàng hóa mới và cải tiến chất lượng hàng hóa, cũng như các chính sách của Chính phủ Việc dự báo lạm phát dựa trên chỉ số CPI gặp khó khăn, đặc biệt khi sử dụng GDP giảm phát, vì chỉ số này thường xuất hiện sau lạm phát, phản ánh sức mua giảm và tình trạng co lại của nền kinh tế Để có dự báo chính xác về lạm phát, cần xác định thời điểm phục hồi và phát triển kinh tế Một số nghiên cứu đã chỉ ra rằng việc áp dụng các nhân tố khác có thể cải thiện độ chính xác trong dự báo lạm phát.
- Trung tâm nghiên cứu hàng hóa (CRB index)
Trong luận văn đề xuất các nhân tố liên quan tới dự báo lạm phát bao gồm các nhân tố sau:
- Gold price index: chỉ số giá vàng
- USD price index: chỉ số giá đô
- Import price index: chỉ số hàng hóa nhập khẩu
- Export price index: chỉ số hàng hóa xuất khẩu
Các thông số này có thể dễ dàng tính toán trong ngắn hạn mà không cần chờ kết quả tổng hợp như CPI hay GDP Chúng ít bị ảnh hưởng bởi yếu tố mùa vụ nhưng chịu tác động từ quy luật thị trường và sự điều tiết của chính phủ.
2.3.3 Xây dựng mô hình mạng nơ ron dự báo lạm phát
Luận văn này xây dựng một mạng nơ ron mô phỏng với cấu trúc gồm 4 đơn vị đầu vào, 1 đầu ra và 1 lớp ẩn chứa 5 nơ ron Hình 2.5 dưới đây minh họa mô hình mạng nơ ron được áp dụng trong nghiên cứu.
Hình 2.5 Kiến trúc mạng nơ ron dự báo sử dụng trong luận văn
Mạng nơ ron trong Hình 2.5 bao gồm 04 đầu vào tương ứng với các nhân tố ảnh hưởng đến dự báo lạm phát: chỉ số giá vàng, chỉ số giá đô, chỉ số hàng hóa nhập khẩu và chỉ số hàng hóa xuất khẩu Tầng ẩn có 05 nơ ron sử dụng hàm truyền sigmoid để xử lý thông tin, và cuối cùng, đầu ra là 01 nơ ron dùng để dự báo kết quả.
Kết luận chương 2
Trong chương này, luận văn trình bày các phương pháp tính lạm phát và các nhân tố ảnh hưởng đến nó, đồng thời giới thiệu phương pháp huấn luyện mạng nơ ron đa lớp Luận văn đề xuất một phương pháp dự báo lạm phát dựa trên nhiều yếu tố, bao gồm chỉ số giá vàng, chỉ số giá đô, chỉ số hàng hóa xuất khẩu và chỉ số hàng hóa nhập khẩu Ngoài ra, cấu trúc mạng nơ ron cũng được thiết kế phù hợp với các nhân tố này để nâng cao độ chính xác của dự báo lạm phát.
PHÁT TRIỂN ỨNG DỤNG MẠNG NƠ RON TRONG DỰ BÁO LẠM PHÁT KINH TẾ
Phân tích kiến trúc tổng quát của hệ thống
3.1.1 Yêu cầu của hệ thống
Hệ thống dự báo kinh tế bao gồm 2 pha chính: pha huấn luyện và pha dự báo
- Pha huấn luyện: pha huấn luyện thực hiện việc huấn luyện dữ liệu dựa trên mạng nơ ron nhân tạo
Pha dự báo là quá trình sử dụng bộ dữ liệu với các thông số đầu vào phù hợp, đảm bảo yêu cầu và định dạng dữ liệu nhất quán, nhằm đạt được kết quả đầu ra chính xác.
3.1.2 Các chức năng cơ bản của hệ thống
Dựa vào yêu cầu của hệ thống dự báo lạm phát kinh tế, chức năng chính của hệ thống được mô tả như hình vẽ 3.1 dưới đây
Hình 3.1 Sơ đồ chức năng hệ thống dự báo
Hình 3.2 dưới đây mô tả biểu đồ ca sử dụng tổng quát của hệ thống trong biểu đồ use case tổng quát
Quyền quản trị: người quản trị hệ thống có các quyền sau o Huấn luyện o Thêm dữ liệu o Xem thông tin
Hình 3.2 Biểu đồ Use case tổng quát
Giải pháp công nghệ và ngôn ngữ lập trình
3.2.1 Hệ quản trị CSDL Microsoft SQL Server 2012
Hệ quản trị cơ sở dữ liệu Microsoft SQL Server (MSSQL) là một trong những hệ thống phổ biến nhất hiện nay, nổi bật với hiệu suất làm việc cao và nhiều tính năng mới MSSQL thường được sử dụng cho các hệ thống trung bình nhờ vào các công cụ quản lý mạnh mẽ, giúp quản lý và bảo trì hệ thống dễ dàng Nó hỗ trợ nhiều phương pháp lưu trữ, phân vùng và đánh chỉ mục, tối ưu hóa hiệu năng Phiên bản MSSQL 2012 đã mang đến những cải tiến đáng kể về hiệu năng, tính sẵn sàng, khả năng mở rộng và bảo mật cho người dùng.
Hình 3.3 Các dịch vụ của SQL server 2012 3.2.2 Microsoft Net
3.2.2.1 Kiến trúc của Microsoft NET
Hình 3.4: Thành phần chính của Microsoft NET
Ngôn ngữ C# đơn giản với khoảng 80 từ khóa và hơn mười kiểu dữ liệu xây dựng sẵn Nó thể hiện sức mạnh của lập trình hiện đại thông qua hỗ trợ cho cấu trúc, thành phần và lập trình hướng đối tượng C# hội tụ đầy đủ các đặc điểm của ngôn ngữ lập trình hiện đại và được phát triển trên nền tảng của hai ngôn ngữ mạnh mẽ là C++ và Java.
Kết quả thử nghiệm
3.3.1 Nguồn dữ liệu sử dụng
Dữ liệu dùng cho thử nghiệm được lấy từ 02 nguồn
Ngân hàng dữ liệu thế giới và tổng cục thống kê Việt Nam
Ngân hàng Dữ liệu Thế giới tại Ngân hàng Thế giới chịu trách nhiệm thống kê và duy trì các cơ sở dữ liệu vĩ mô toàn cầu và khu vực, nhằm đảm bảo chất lượng và tính toàn vẹn của dữ liệu Nguồn dữ liệu chủ yếu đến từ hệ thống thống kê của các quốc gia thành viên, do đó, chất lượng dữ liệu toàn cầu phụ thuộc vào hiệu quả của các hệ thống quốc gia Ngân hàng Thế giới cam kết hỗ trợ các nước đang phát triển nâng cao năng lực và hiệu quả của hệ thống thống kê quốc gia Việc cải thiện dữ liệu quốc gia là rất quan trọng để phát triển các chính sách hiệu quả, giám sát chiến lược xóa đói giảm nghèo, và theo dõi tiến trình thực hiện các mục tiêu toàn cầu.
Hình 3.6 Ngân hàng dữ liệu thế giới
Việc truy cập dữ liệu từ Ngân hàng Thế giới hoàn toàn miễn phí, cho phép người dùng lựa chọn quốc gia hoặc các chỉ số cụ thể để tải xuống tài liệu dưới dạng file Excel hoặc PDF, phục vụ cho việc phân tích.
- Tổng cục thống kê Việt Nam
Tổng cục Thống kê, trực thuộc Bộ Kế hoạch và Đầu tư, có nhiệm vụ tham mưu và hỗ trợ Bộ trưởng trong quản lý nhà nước về thống kê Cơ quan này tổ chức các hoạt động thống kê và cung cấp thông tin kinh tế - xã hội cho các tổ chức, cá nhân trong nước và quốc tế theo quy định pháp luật Được tổ chức theo hệ thống từ Trung ương đến địa phương, thông tin thống kê do Tổng cục công bố là nguồn thông tin chính thống, có giá trị pháp lý và được tin cậy sử dụng bởi các cấp, ngành và tổ chức trong và ngoài nước.
Hình 3.7 Tổng cục thống kê Việt Nam
3.3.2 Dữ liệu dùng cho thử nghiệm
Với bốn yếu tố ảnh hưởng, luận văn thực hiện thử nghiệm dự báo kết quả lạm phát với các quốc gia sau:
- Việt Nam (sử dụng hai dữ liệu của Cục thống kê và Data Worldbank) chi tiết về dữ liệu thử nghiệm được thể hiện ở bảng sau:
Bảng 3.1 Mô tả dữ liệu thử nghiệm
Dữ liệu của Việt Nam được thực hiện 12 tháng/ năm Quá trình thử nghiệm thực hiện trong kỳ ngắn hạn cho 2 đến 3 tháng tiếp theo
Luận văn này thực hiện đánh giá kết quả bằng cách so sánh lỗi sai số giữa kết quả dự báo từ phương pháp nghiên cứu và kết quả thực tế trên DWB hoặc GSO, thông qua việc tính toán lỗi tỉ lệ trung bình.
Bảng 3.2 Dưới đây mô tả kết quả thử nghiệm của phương pháp
Bảng 3.2 Kết quả thử nghiệm
STT Tên quốc gia Tỉ lệ
Dự báo theo tháng (năm, quý)
Khoảng thời gian dự báo
Một số giao diện của hệ thống
Hình 3.8 Giao diện đăng nhập
Hình 3.9 Giao diện quản lý huấn luyện
Hình 3.10 Giao diện tạo mới dữ liệu
Hình 3.11 Giao diện chỉnh sửa dữ liệu
Hình 3.12 Giao diện dự báo lạm phát
Kết luận chương 3
Trong chương này, luận văn trình bày quá trình xây dựng, cài đặt và thử nghiệm hệ thống, đồng thời đánh giá tỷ lệ lỗi hay sai số chênh lệch giữa kết quả dự báo và kết quả thực tế Ngoài ra, chương cũng mô tả các giao diện của hệ thống và cung cấp thông tin chi tiết về chức năng của nó.