Báo cáo Mô hình ARIMA và ANN trong dự báo lạm phát tại Việt Nam (Phần 1)

Nội dung text: Báo cáo Mô hình ARIMA và ANN trong dự báo lạm phát tại Việt Nam (Phần 1)

1. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CÔNG TRÌNH NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG MÔ HÌNHARIMA VÀ ANN TRONG DỰ BÁO LẠM PHÁTS K C 0 0 3 9 5 9 TẠI VIỆT NAM MÃ SỐ: T2014-10GVT S KC 0 0 4 7 8 5 Tp. Hồ Chí Minh, 2014
2. TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA KINH TẾ BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƢỜNG GIẢNG VIÊN TRẺ MÔ HÌNHARIMA VÀ ANN TRONG DỰ BÁO LẠM PHÁT TẠI VIỆT NAM Mã số: T2014-10GVT Chủ nhiệm đề tài: Th.S Nguyễn Khắc Hiếu TP. HCM, 12/2014
3. MỤC LỤC: MỞ ĐẦU: 1 CHƢƠNG 1: CƠ SỞ LÝ THUYẾT 4 1.1 Lạm phát 4 1.2 Các yếu tốt tác động đến lạm phát 5 1.3 Các mô hình dự báo lạm phát 8 1.4 Mô hình ARIMA 10 1.5 Mô hình mạng thần kinh nhân tạo 12 1.5.1 Mạng thần kinh con ngƣời 12 1.5.2 Mạng thần kinh nhân tạo 13 CHƢƠNG 2: DỮ LIỆU NGHIÊN CỨU 20 2.1 Nguồn dữ liệu 20 2.2 Phân tích biến động của dữ liệu 21 CHƢƠNG 3: KẾT QUẢ NGHIÊN CỨU 25 3.1 Ƣớc lƣợng mô hình ARIMA. 25 3.2 Xây dựng mô hình mạng thần kinh nhân tạo 28 3.2.1 Mạng thần kinh nhân tạo với biến giải thích là độ trễ của lạm phát 29 3.2.2 Mô hình ANN với biến giải thích là cung tiền giá đầu và lãi suất 31 3.3 Kết hợp mô hình arima và ann trong dự báo 36 3.4 So sánh các kết quả dự báo 37 CHƢƠNG 4: KẾT LUẬN VÀ GỢI Ý CHÍNH SÁCH 38 4.1 Kết luận 38 4.2 Một số gợi ý chính sách 38 TÀI LIỆU THAM KHẢO 41
4. DANH MỤC HÌNH: Hình 1: Mối liên hệ giữa lạm phát và cung tiền của Việt Nam 5 Hình 2: Lạm phát theo tháng của Việt Nam 7 Hình 3: Cấu tạo nơ-ron thần kinh ngƣời 13 Hình 4: Cấu tạo mạng thần kinh nhân tạo 14 Hình 5: Hàm Sigmoid 18 Hình 6: Tan-hyperbolic 19 Hình 8: Sự biến động của lạm phát theo tháng của Việt Nam 21 Hình 9: Sự biến động của cung tiền theo tháng của Việt Nam 22 Hình 10: Sự biến động của giá dầu theo tháng của Việt Nam 22 Hình 11: Sự biến động lãi suất theo tháng của Việt Nam 23 Hình 12: Biểu đồ PACF của lạm phát 26 Hình 13: Biểu đồ ACF của lạm phát 26 Hình 14: Mức độ quan trọng các biến độc lập của mô hình ANN-10-5-2-1 35
5. DANH MỤC BẢNG: Bảng 1: Thống kê mô tả các biến số 20 Bảng 2: Thống kê mô tả các biến số 23 Bảng 3: Kiểm định tính dừng chuỗi IF 25 Bảng 4: Kết quả hồi quy mô hình ARIMA(13,0,3) 27 Bảng 5: Kết quả dự báo của mô hình ARIMA(13,0,3) 28 Bảng 6: Kết quả ƣớc lƣợng mô hình ANN-12-5-1 30 Bảng 7: Ký hiệu các mô hình ANN 31 Bảng 8:Các trọng số ƣớc lƣợng của mô hình ANN-10-5-2-1 33 Bảng 9: So sánh kết quả dự báo giữa các mô hình ANN 34 Bảng 10: Kết quả dự báo ngoài mẫu của các mô hình 36 Bảng 11: So sánh kết quả dự báo 37
6. DANH MỤC CÁC TỪ VIẾT TẮT Ký hiệu Giải thích ACF AutoCorrelation Function: hàm tự tƣơng quan ANN Artificial Neural Network: mạng thần kinh nhân tạo ARIMA AutoCorrelation Integrated Moving Average CPI Consumer Price Index: chỉ số giá tiêu dùng GSO General Statistics Office of Vietnam: Tổng cục thống kê Việt Nam MAE Mean Absolute Error: sai số tuyệt đối trung bình PACF Partial AutoCorrelation Function: hàm tự tƣơng quan riêng phần RMSE Root Mean Square Error: sai số trung bình
7. TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT THUẬT NAM THÀNH PHỐ HỒ CHÍ MINH Độc lập - Tự do - Hạnh phúc ĐƠN VỊ Tp. HCM, Ngày tháng năm THÔNG TIN KẾT QUẢ NGHIÊN CỨU 1. Thông tin chung: Tên đề tài: Mô hình ARIMA và ANN trong dự báo lạm phát tại việt nam Mã số: T2014-10GVT Chủ nhiệm: Th.S Nguyễn Khắc Hiếu Cơ quan chủ trì:Đại học Sƣ Phạm Kỹ Thuật Tp.HCM Thời gian thực hiện:tháng 12 năm 2013 đến tháng 11 năm 2014 2. Mục tiêu: Tìm hiểu lý thuyết mô hình ARIMA và ANN Thu thập dữ liệu lạm phát của Việt Nam và những biến số giải thích có liên quan đến mô hình Ứng dụng mô hình ARIMA và ANN vào dự báo lạm phát cho Việt Nam Tìm mô hình dự báo lạm phát tối ƣu cho Việt Nam Đƣa ra một số gợi ý chính sách 3. Tính mới và sáng tạo: Sự kết hợp mô hình ARIMA và ANN trong dự báo lạm phát 4. Kết quả nghiên cứu: Sự kết hợp ARIMA và ANN tốt hơn việc sử dụng những mô hình riêng lẻ. Việc sử dụng thêm các biến giải thích trong việc dự báo, mô hình ANN dự báo tốt hơn mô hinh ARDL. 5. Sản phẩm: Bài báo: “Dự báo lạm phát tại Việt Nam bằng mô hình mạng thần kinh nhân tạo” Tạp chí Phát triển kinh tế, số 286 tháng 08/2014. “Mô hình ARIMA và dự báo lạm phát 6 tháng cuối năm” Tạp chí Kinh tế và dự báo số 16 (576). 6. Hiệu quả, phƣơng thức chuyển giao kết quả nghiên cứu và khả năng áp dụng: Trƣởng Đơn vị Chủ nhiệm đề tài (ký, họ và tên) (ký, họ và tên)
8. INFORMATION ON RESEARCH RESULTS 1. General information: Project title:ARIMA and ANN in forecasting inflation of Vietnam Code number:T2014-10GVT Coordinator: Nguyen Khac Hieu Implementing institution: HCMUTE Duration: from 12/2013 to 11/2014 2. Objective(s): Literature review of ARIMA and ANN model Collecing data of Inflation and independent variables Applying ARIMA and ANN in forecasting inflation of Vietnam Choosing the best model for forecasting inflation Provide some policy implications 3. Creativeness and innovativeness: The combination of ARIMA and ANN models for forecasting inflation 4. Research results: The combination of ARIMA and ANNis better than using the individual models. The use of additional explanatory variables in predicting inflation, the ANN model predicted better ARDL model. 5. Products: Journal artical: "Forecasting inflation of Vietnam by artificial neural networks," Journal of Economic Development, No 286, 08/2014. "ARIMA model and forecasting inflation in the last 6 months" Journal of Economics and Forecasts, No 16 (576). 6. Effects, transfer alternatives of reserach results and applicability:
9. MỞ ĐẦU: Tổng quan các nghiên cứu trƣớc Dự báo các biến số kinh tế là vấn đề mà các nhà kinh tế và các nhà hoạchđịnh chính sách đều quan tâm khi lập kế hoạch cho đơn vị của mình. Kết quả dự báo càng chính xác thì kế hoạch lập ra sẽ càng khả thi. Có nhiều mô hình khác nhau đƣợcứng dụng trong việc dự báo. Các mô hình này có thể chia ra làm 2 dạngđó là môhình kinh tế lƣợng và mô hình mạng thần kinh nhân tạo. Mỗi mô hình dự báo đều cóƣu và nhƣợcđiểm riêng. Đối vớimô hình hình kinh tế lƣợng, mô hìnhARIMA đƣợc xem là một sự lựa chọn tốt. Theo Khashei & Bijari (2011) mô hìnhARIMA phù hợp cho việc dự báo đối với những quan hệ tuyến tính. Còn đối với các mối quan hệ phi tuyến, mô hìnhARIMA không phải là sự lựa chọn tốt. Mô hình mạng thần kinh nhân tạo (ANN) đƣợc đặt nền móng vào đầu những năm 1940 nhƣng chỉ thực sự phát triển vào những năm 1990 khi khoa học máy tính phát triển. Tại Việt Nam, Lê Đạt Chí (2010) đãứng dụng mô hình ANN vào dự báo giá chứng khoán vàđã thu đƣợc những kết quả khả quan. Theo Zhang (2003) thì mô hình ANN phù hợp cho việc dự báo những quan hệ phi tuyến. Tuy nhiên, đối với những biến số kinh tế, giá trị hiện tại của chúng thƣờng có quan hệ vừa có quan hệ tuyến tính vừa có quan hệ phi tuyến đối với giá trị của chúng trong quá khứ. Chính vì vậy nếu ta chỉ sử dụng mô hìnhARIMA hoặc ANN để dự báo những biến số này thì kết quả vẫn thực sự chƣa hoàn hảo(Duzgun, 2010) . Bài viết này nhằm nghiên cứu khả năng kết hợp của mô hìnhARIMA và mô hình ANN trong dự báo lạm phát theo tháng tại Việt Nam từđóđƣa ra một số kiến nghị liên quan đến việcứng dụng của các mô hình. Mục tiêu nghiên cứu  Tìm hiểu lý thuyết mô hìnhARIMA và ANN  Thu thập dữ liệu lạm phát của Việt Nam và những biến số giải thích có liên quan đến mô hình  Ứng dụng mô hình ARIMA và ANN vào dự báo lạm phát cho Việt Nam Trang 1
10.  Tìm mô hình dự báo lạm phát tối ƣu cho Việt Nam  Đƣa ra một số gợiý chính sách Phạm vi nghiên cứu  Đề tài giới hạn trong việc sử dụng mô hình ARIMA và ANN trong việc dự báo lạm phát. Dữ liệu cho dự báo lạm phát đƣợc sử dụng từ 2004-2013  Đề tài đƣợc thực hiện từ tháng 12-2013 đến tháng 11-2014.  Đề tài đƣợc thực hiện tại khoa kinh tế đại học Sƣ Phạm Kỹ Thuật Tp.HCM, các số liệu đƣợc thu thập là dữ liệu thứ cấp về các thông số kinh tế vĩ mô của Việt Nam. Ý nghĩa thực tiễn Đề tài nhằmứng dụng mạng thần kinh nhân tạo (đƣợcứng dụng rộng rãi trong kỹ thuật) và mô hìnhARIMA vào dự báo lạm phát tại Việt Nam. Đềđài cũng nhằm so sánh hiệu quả dự báo của mô hình ANN vàARIMA cũng nhƣ mô hình hỗn hợp nhằm tìm ra mô hình dự báo tốt nhất cho Việt Nam. Mô hình dự báo sẽ là một công cụ hỗ trợ cho các nhà hoạchđịnh chính sách trong việcổnđịnh kinh tế vĩ mô và kiềm chế lạm phát. Đề tài cũng giúpích cho những doanh nghiệp và những nhà đầu từ riêng rẽ, giúp họ có đƣợc những công cụ hữuích hơn trong việc dự báo những biến số kinh tế trong tƣơng lai Bố cục đề tài Nội dung của đề tài bao gồm 4 chƣơng: Chƣơng 1: Cơ sở lý thuyết Trình bày tóm tắt các nghiên cứu có liên quan, các lý thuyếtnền tảng cho việc nghiên cứu của đề tài.Đó là lý thuyết về lạm phát, lý thuyết về mạng thần kinh nhân tạo và lý thuyết về mô hìnhARIMA. Chƣơng 2: Phƣơng pháp nghiên cứu Phƣơng phátđịnh lƣợng trong dự báo đƣợc sử dụng, mà tiêu tiểu là mô hình mạng thần kinh nhân tạo và mô hìnhARIMA. Chƣơng này cũng trình bày về Trang 2
11. cách vận hành của mạng thần kinh nhân tạo và cách thiết lập một mạng thần kinh phù hợp với yêu cầu đặt ra. Chƣơng 3: Kết quả nghiên cứu Các kết quả nghiên cứu về mô hình ANN vàARIMA sẽ đƣợc trình bày. Đồng thời tác giả cũng so sánh hiệu quả dự báo của các mô hình thông qua các tiêu chỉ RMSE và MAE. Chƣơng 4: Kết luận và kiến nghị Các kết luận đƣợc rút ra và một số đề xuất của tác giả liên quan đến đề tài. Trang 3
12. CHƢƠNG 1: CƠ SỞ LÝ THUYẾT 1.1 Lạm phát “Lạm phát là tình trạng mức giá chung của nền kinh tế tăng lên trong một khoảng thời gian nhất định” (Nguyễn Nhƣ Ý, 2007, trang 75). Lạm phát theo năm đƣợc tính theo công thức: ℎỉ푠ố𝑔𝑖á푛ă 푡 − ℎỉ푠ố𝑔𝑖á푛ă 푡 −1 퐿ạ ℎá푡 = ℎỉ푠ố𝑔𝑖á푛ă 푡 −1 Chỉ số giá thƣờng đƣợc dùng tính lạm phát là chỉ số giá tiêu dùng CPI. Karl Marx nghiên cứu về chế độ bản vị vàng đã khẳng định: việc phát hành tiền giấy phải đƣợc giới hạn trong số lƣợng vàng nhất định đại diện tiền giấy. Nếu không đảm bảo điều này, một khi lƣợng tiền giấy vƣợt quá mức giới hạn này thì tiền giấy sẽ mất dần giấy trị làm gia tăng mức giá chung của tất cả các loại hàng hóa và tình trạng lạm phát xuất hiện. Theo đó, lạm phát, dƣới quan điềm của Karl Marx, đƣợc định nghĩa nhƣ sau: lạm phát là việc các kênh, các luồng lƣu thông tràn đầy những tờ giấy bạc dƣ thừa dẫn đến sự tăng vọt trong mức giá chung. Milton Friendman cũng từng phát biểu về lạm phát khi bàn về vấn đề lƣu thông tiền tề: lạm phát ở mọi lúc mọi nơi đều là hiện tƣợng của lƣu thông tiền tệ. Lạm phát xuất hiện và chỉ xuất hiện khi nào số lƣợng tiền trong lƣu thông tăng nhanh hơn so với sản xuất. Tuy nhiên, John Keynes với thuyết cầu của mình cho rằng nguồn gốc sâu xa của lạm phát là sự biến động cung cầu. Khi cung đã vƣợt xa cầu thì sản xuất sẽ đình đốn, nền kinh tế bị suy giảm. Lúc đó, Nhà Nƣớc buộc phải tung ra các khoản chi tiêu, đầu tƣ công lớn, tăng cƣờng các chính sách tín dụng nhằm kéo mức cầu của cả nền kinh tế về cân bằng và vƣợt qua tổng cung. Lúc này, lạm phát đã xuất hiện. Trong trƣờng hợp nền kinh tế phát triển hiệu quả, áp dụng những tiến bộ khoa học kỹ thuật, cơ cấu kinh tế đƣợc đổi mới thành công; lạm phát này có tác dụng thúc đẩy sản xuất. Ngƣợc lại, lạm phát, theo Keynes, đã không còn là động lực phát triển của nền kinh tế. Trang 4
13. Nhìn chung, dƣới bất kỳ quan điểm nào lạm phát cũng đƣợc đặc trƣng bởi 3 điểm chính yếu sau: Sự gia tăng quá mức của lƣợng tiền trong lƣu thông. Dẫn đến sự mất giá của đồng tiền. Từ đó, khiến cho giá cả các loại mặt hàng tăng cao. 1.2 Các yếu tốt tác động đến lạm phát Trong cuốn “The general theory of employment, interest and momey” Keynes (1936)khẳng định: trong dài hạn lạm phát chịu tác động trực tiếp từ cung tiền, còn trong ngắn hạn lạm phát chịu tác động bởi tổng cung và tổng cầu. Có nhiều yếu tố tác động làm dịch chuyển tổng cung và tổng cầu. Sau đây chúng ta sẽ xem xét một số yếu tố tác động đến tổng cung và tổng cầu từ đó tác động đến lạm phát. Cung tiền Khi cung tiền tăng, ngƣời dân sẽ có nhiều tiền dƣ thừa hơn và do đó họ sẽ có nhu cầu tiêu thụ nhiều hàng hoá và dịch vụ hơn, do đó đƣờng tổng cầu sẽ dịch chuyển sang phải từ đó làm cho mức giá chung tăng lên. Các kết quả nghiên cứu thực nghiệm đều khẳng định cung tiền là yếu tố có tác động đến lạm phát, tiêu biểu là nghiên cứu của Sử Đình Thành (2012) vàPhạm Thị Thu Trang (2009). Các nghiên cứu này đều kết luận cung tiền cóảnh hƣởng tích cực đến lạm phát. Hình vẽ sau nói lên mối liên hệ giữa lạm phát và cung tiền theo năm của Việt Nam. Hình 1: Mối liên hệ giữa lạm phát và cung tiền của Việt Nam Trang 5
14. Nguồn: Ngân hàng phát triển châu Á (ADB) Từ biểu đồ trên ta thấy, lạm phát và cung tiền có xu hƣớng biến đổi cùng nhau, đặc biệt là trong giai đoạn lạm phát cao trƣớc năm 1990. Mức độ thay đổi của cung tiền trung bình cao hơn lạm phát từ 10-20%. Lãi suất Cũng theo Keynes (1936), trong ngắn hạn lãi suất thay đổi để điều chỉnh cung và cầu về tiền tệ. Cung và cầu về tiền tệ sẽ tác động đến tiết kiệm và đầu tƣ, từ đó tác động đến tổng cầu và làm thay đổi mức giá chung của nên kinh tế. Theo nghiên cứu của Nguyễn Trọng Hoài (2010), thì ngân hàng có thể vận dụng luật Taylor để ấn định một mức lãi suất mà ở đó nền kinh tế có thể đạt đƣợc sản lƣợng mục tiêu và lạm phát mục tiêu. Do đó, lãi suất là yếu tố có tác động đến mức giá chung của nền kinh tế. Tuy nhiên tại Việt Nam, ngân hàng trung ƣơng vẫn chƣa vận dụng nguyên tắc này mà chủ yếu là điều chỉnh lãi suất để đạt đƣợc mức lạm phát mục tiêu. Mức sản lƣợng mục tiêu có thể điểu chỉnh thông qua đầu tƣ. Mùa vụ Lạm phát tại Việt Nam đƣợc thu thập theo tháng và theo năm. Lạm phát đƣợc thu thập theo tháng thƣờng mang tính mùa. Tại Việt Nam, giá cả vào những tháng Tết thƣờng cao hơn những tháng khác do nhu cầu mua sắm và đi lại tăng cao. Biểu đồ Trang 6
15. lạm phát theo tháng sau đây cho ta thấy tính mùa vụ của lạm phát. Đỉnh của lạm phát thƣờng rơi vào tháng 1 và tháng 2 còn đáy thƣờng rơi vào tháng 3 trong năm. Hình 2: Lạm phát theo tháng của Việt Nam Nguồn: Tổng cục thống kê (GSO) Sau năm 2007, lạm phát có những diễn biến bất thƣờng do chịu ảnh hƣởng của suy thoái kinh tế thế giới cũng nhƣ sự gia tăng cung tiền quá mức của chính phủ. Tuy nhiên, lạm phát vẫn có xu hƣớng cao hơn vào những tháng Tết. Do khoản thời gian này không phản ảnh đƣợc tính mùa vụ rõ ràng nên tác giả không đƣa vào trong đồ thị này. Giá dầu thế giới Xăng dầu luôn chiếm một tỷ trọng lớn trong chi phí sản xuất của các doanh nghiệp. Do đó, việc biến động giá xăng dầu sẽ dẫn đến chi phí sản xuất và dẫn đến biến động giá bán đầu ra. Theo nghiên cứu của Portes (2012) tại Trung Mỹ và Caribbe, thì giá xăng dầu không chỉ ảnh hƣởng đến lạm phát mà còn ảnh hƣởng đến một số biến số vĩ mô khác. Tại Việt Nam, mặc dù chính phủ có chính sách bình ổn giá xăng dầu, nhƣng việc biến động giá xăng dầu của Việt Nam vẫn theo xu hƣớng giá thế giới, vì quỹ bình ổn giá của chính phủ là có hạn. Do đó, việc xem xét tác động Trang 7
16. của giá dầu thế giới đến lạm phát của Việt Nam là việc làm cần thiết. Tại Việt Nam, mỗi lần tăng giá xăng dầu, là sẽ có một làn sóng tăng giá nổi lên. Một số các nhân và doanh nghiệp tăng giá đơn giản vì họ kỳ vọng giá các mặt hàng khác cũng sẽ tăng tƣơng ứng. Các độ trễ của lạm phát Theo nghiên cứu của Phạm Thị Thu Trang (2009), ngƣời dân có khuynh hƣớng kỳ vọng lạm phát trong tƣơng lai sẽ tƣơng tự nhƣ lạm phát trong quá khứ. Do đó, giá trị lạm phát ở hiện tại luôn phụ thuộc vào giá trị của chính nó trong quá khứ. Vì vậy, các độ trễ của lạm phát sẽ là một biến cần thiết đƣợc đƣa vào mô hình để dự báo cho lạm phát ở hiện tại. Tuy nhiên, để biết đƣợc độ trể bao nhiêu là thích hợp thì cần phải có những phân tích chi tiết hơn. Thiên tai Việt Nam nằm trong vùng chịu ảnh hƣởng nhiều của bão và lũ lụt. Mỗi khi một địa phƣơng nào bị thiên tai là giá cả hàng hoá tại khu vực đó sẽ gia tăng. Nếu thiên tai càng lớn thì mức độ ảnh hƣởng của nó đến giá cả càng lớn. Tuy nhiên tại Việt Nam cũng nhƣ trên thế giới có rất ít công trình nghiên cứu về vấn đề này. Lý do là vì thiên tai không xảy ra thƣờng xuyên còn các thông số kinh tế thì đƣợc báo cáo hàng năm. Các số liệu về thiên tai thƣờng không chính xác, do thu thập thiếu hoặc một số địa phƣơng cố gắng thổi phồng sự thật để nhận đƣợc nhiều tiền trợ cấp. Tác giả hy vọng, đây sẽ là một vấn đề đƣợc nghiên cứu trong thời gian sắp tới. 1.3Các mô hình dự báo lạm phát Trong giới hạn của bài viết này tác giả chia các mô hình dự báo lạm phát ra làm hai nhóm: nhóm các mô hình kinh tế lƣợng và nhóm các mô hình ANN. Các mô hình kinh tế lƣợng: Trong thực tế, có nhiều mô hình kinh tế lƣợng đƣợc ứng dụng vào dự báo lạm phát đặc biệt là những mô hình chuỗi thời gian nhƣ AR, VAR, ARDL, ARIMA v.v. Tại Việt Nam, Vũ Sỹ Cƣờng (2011) đã sử dụng mô hình VAR để phân tích lạm phát và khẳng định lạm phát tại Việt Nam chịu ảnh hƣởng rõ rệt từ chính sách tài Trang 8
17. khoá. Sử Đình Thành (2012) đã sử dụng mô hình ARDL để phân tích mối quan hệ giữa lạm phát và thâm thụt ngân sách từ đó đƣa ra những gợi ý chính sách trong điều hành kinh tế vĩ mô. Tại Mỹ, Binner và cộng sự (2006) đã ứng dụng mô hình AR vào dự báo lạm phát, tuy nhiên nhóm tác giả khẳng định dự báo lạm phát bằng mô hình AR không tốt bằng mô hình tự hồi quy Markov (MS-AR). Tại Bangladesh, Faisal (2012) đã ứng dụng mô hình ARIMA để dự báo lạm phát đồng thời đƣa ra những gợi ý chính sách để kiểm soát lạm phát và điều hành kinh tế vĩ mô. Ngoài những mô hình chuỗi thời gian tuyến tính, những mô hình phi tuyến cũng đƣợc sử dụng để dự báo lạm phát. Điển hình là Michael Dotsey và cộng sự (2011) đã nghiên cứu khả năng ứng dụng của đƣờng cong Philip trong dự báo lạm phát và khẳng định có thể dự báo lạm phát bằng đƣờng cong này, đặc biệt đối với những nền kinh tế yếu (weak economies). Nguyễn Trọng Hoài (2010) đã sử dụng luật Taylor để phân tích lạm phát và đã đƣa ra những gợi ý chính sách trong điều hành kinh tế vĩ mô. Các mô hình ANN: Bên cạnh những mô hình kinh tế lƣợng, còn có nhiều công trình nghiên cứu ứng dụng mạng thần kinh nhân tạo trong dự báo lạm phát và đã khẳng định tính ƣu việt của mô hình này so với mô hình kinh tế lƣợng. Moshiri & Cameron (2000) khẳng định: trong dài hạn lạm phát (tại Canada) đƣợc dự báo bằng mô hình ANN cho kết quả tốt hơn so với mô hình VAR và ARIMA. Tại Mỹ, Nakamura (2005) cũng sử dụng mô hình ANN để dự báo lạm phát, kết quả cho thấy trong ngắn hạn mô hình ANN dự báo tốt hơn mô hình AR. Ngoài ra, McNelis & McAdam (2005) cũng khẳng định: lạm phát có quan hệ phi tuyến với những biến số kinh tế khác, họ đã sử dụng mô hình “thick model”, một sự 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. Tiếp theo, Haider và Hanif (2009) cũng ứng dụng mô hình ANN, AR(1) và ARIMA dự báo lạm phát tại Pakistan và khẳng định mô hình ANN dự báo chính xác hơn AR(1) và ARIMA. Duzgun (2010) sử dụng mô hình ANN để dự báo lạm phát tại Thổ Nhĩ Kỳ và khẳng định: mô hình Trang 9
18. ANN dự báo lạm phát vƣợt trội hơn so với mô hình ARIMA. Còn tại Việt Nam, Lê Đạt Chí (2010) đã ứng dụng mô hình ANN vào dự báo giá chứng khoán tại Tp.HCM và kết luận: mô hình ANN cho ra kết quả dự báo chính xác hơn mô hình hồi quy tuyến tính truyền thống. Gần đây, Choudhary & Haider (2012) ứng dụng mô hình ANN và AR(1) dự báo lạm phát tại 28 quốc gia thuộc Tổ chức Hợp tác và Phát triển Kinh tế (OECD) và khẳng định: mô hình ANN giải thích đƣợc 45% sự biến động của lạm phát trong khi mô hình AR(1) chỉ giải thích đƣợc 23% sự biến động của lạm phát. Ngoài những công trình khẳng định tính ƣu việt, cũng có những công trình nêu ra những hạn chế của mô hình ANN. Zhang và cộng sự (1998) khẳng định mô hình ANN chỉ dự báo tốt cho trƣờng hợp phi tuyến còn đối với những mối quan hệ tuyến tính, mô hình ANN dự báo không tốt bằng mô hình hồi quy tuyến tính. Trong một nghiên cứu khác của Binner và cộng sự (2010) về lạm phát tại nền kinh tế Mỹ, nhóm tác giả kết luận mô hình KRLS dự báo tốt hơn mô hình ANN. Ngoài ra, nghiên cứu của Zhang (2003); Khashei & Bijari (2011) còn kết luận thêm mô hình lai tạo (hybrid model) giữa ANN và ARIMA cho ra kết quả dự báo tốt hơn khi sử dụng những mô hình này đơn lẻ. Tóm lại, có nhiều kết luận khác nhau liên quan đến hiệu quả dự báo của mô hình ANN tùy thuộc vào từng quốc gia và tùy thuộc vào bộ dữ liệu mà nhà nghiên cứu sử dụng. Trong những phần tiếp theo, tác giả sẽ trình bày kỹ hơn về ANN và hiệu quả dự báo của nó so với mô hình hồi quy tuyến tính mà đặc biệt là mô hìnhARIMA, sử dụng bộ dữ liệu kinh tế vĩ mô của Việt Nam. 1.4Mô hìnhARIMA Mô hìnhARIMA xuất phát từ tên tiếng Anh là Autoregressive Integrated Moving Average. Mô hình này lần đầu tiên đƣợcđƣa ra bởi Box–Jenkins1 vào năm 1970. Mô hình này đƣợc kết hợp bởi 3 thành thành phần chính: AR (thành phần tự hồiquy), I 1 Box, George; Jenkins, Gwilym (1970). Time series analysis: Forecasting and control, San Francisco: Holden-Day Trang 10
19. (tính dừng của chuỗi thời gian) và MA (thành phần trung bình trƣợt). Theo Gujarati (2004), để ƣớc lƣợng mô hìnhARIMA ta cầnđi qua 4 bƣớc chính sau: Bƣớc 1: Nhận dạng mô hình Đểáp dụng mô hìnhARIMA(p,d,q) vào dự báo trƣớc tiên ta phải nhận dạng ba thành phần p,d, q của mô hình. Thành phần d của mô hình đƣợc nhận dạng thông qua kiểmđịnh tính dừng của chuỗi thời gian. Nếu chuỗi thời gian dừng ta có I(d=0), nếu sai phân của bậc 1 của chuỗi dừng ta có I(d=1), nếu sai phân bậc 2 của chuỗi dừng ta có I(d=2) v.v. Phƣơng pháp kiểmđịnh tính dừng thƣờng đƣợcáp dụng là kiểm định Dickey-fuller2. Sau khi kiểmđịnh tính dừng, ta sẽ xácđịnh bậc của thành phầnAR và MA thông qua biểu đồ tự tƣơng quan (ACF) và biểu dồ tự tƣơng quan riêng phần (PACF). Đối với thành phầnAR(p), mối quan hệ giữa giá trị hiện tại và quá khứ đƣợc thể hiện qua phƣơng trình sau: Yt 0 1Yt 1 2Yt 2  pYt p (1) Giá trị p đƣợc nhận dạng thông qua biểu đồ PACF vàACF. Nếu chuỗi có dạngAR(p) thì biểu đồ PACF sẽ có các hệ số tƣơng quan riêng phần cóý nghĩa thống kê từ 1,2 p và các giá trị sau đó sẽ giảm nhanh về không, đồng thờiACF có các hệ số tƣơng quan sẽ giảm dần về không. Đối với thành phần MA(q), ta có phƣơng trình: Yt   0ut 1ut 1  2ut 2  qut q (2) Nếu chuỗi có dạng MA(q) thì biểu đồACF sẽ có các hệ số tƣơng quan cóý nghĩa thống kê từ 1,2 q và các giá trị sau đó sẽ giảm nhanh về không. Còn đối với PACF các hệ số tƣơng quan riêng phần sẽ giảm dần về không. Kết hợp (1) và (2) ta có mô hìnhARMA(p,q) 2 Dickey, D. A.; Fuller, W. A. (1979). "Distribution of the Estimators for Autoregressive Time Series with a Unit Root". Journal of the American Statistical Association 74 (366): 427–431. JSTOR 2286348 Trang 11
20. Yt 0 1Yt 1 2Yt 2  pYt p  0ut 1ut 1  2ut 2  qut q (3) Bƣớc 2: Ƣớc lƣợng các tham số và lựa chọn mô hình Các tham số của mô hình sẽ đƣợc ƣớc lƣợng bằng phần mềm Eview. Quá trình lựa chọn mô hình là quá trình thực nghiệm và so sánh các tiêu chí R2 hiệu chỉnh, AIC và Schwarz cho đến khi ta chọn đƣợc mô hình tốt nhất cho việc dự báo. Bƣớc 3: Kiểm định mô hình Đểđảm bảo mô hình là phù hợp, sai số của mô hình phải là nhiễu trắng (white noice). Ta có thể sử dụng biểu đồ tự tƣơng quan ACF hoặc kiểmđịnh Breusch- Godfrey kiểm tra tính tự tƣơng quan của sai số. Đối với phƣơng sai sai số thay đổi, ta có thể sử dụng kiểmđịnhWhite hoặcARCH. Bƣớc 4: Dự báo Sau khi kiểmđịnh sai số, nếu mô hình là phù hợp, mô hình sẽ đƣợc sử dụng vào việc dự báo. Dự báo bao gồm 2 phần chínhđó là: dự báo trong mẫu và dự báo ngoài mẫu. Các tiêu chí đƣợc sử dụngđể so sánh hiệu quả dự báo là RMSE và MAE. 1.5Mô hình mạng thần kinh nhân tạo 1.5.1 Mạng thần kinh con ngƣời Mạng thần kinh nhân tạo đƣợc mô phỏng theo mạng thần kinh con ngƣời, chính vì vậy ta cần phải tìm hiểu mạng thần kinh con ngƣời trƣớc khi tìm hiểu sâu hơn mạng thần kinh nhân tạo. Theo các nhà sinh học nghiên cứu về não bộ, não bộ của con ngƣời đƣợc cấu thành bởi hơn 100 tỷ tế bào đƣợc gọi là nơ-ron thần kinh. Mỗi nơ- ron bao gồm các thành phần chính đó là nhân tế bào, tua gai và các sợi trục (hình1). Trang 12
21. Tua gai Nhân tế bào Sợi trục Hướng truyền xung điện Đến nơron kế Hình 3: Cấu tạo nơ-ron thần kinh ngƣời Mỗi nơ-ron thực hiện nhiệm vụ tiếp nhận tín hiệu đầu vào, xử lý chúng và tạo ra các tín hiệu ở đầu ra. Các tín hiệu đó có dạng xung điện, đƣợc tạo ra bởi từ những phản ứng hóa học phức tạp. Bộ phận đầu vào sẽ tiếp nhận các xung thần kinh là tín hiệu đầu ra của các nơ-ron khác thông qua các khớp thần kinh. Khi tiếp nhận những tín hiệu đầu vào này, bộ phận xử lý trung tâm của nơ-ron sẽ tổng hợp chúng lại và so sánh với mức “ngƣỡng phản ứng đầu ra”. Nếu tổng các tín hiệu kích thích đầu vào này vƣợt qua mức ngƣỡng thì nơ-ron đƣợc kích hoạt và phản ứng lại bằng cách tạo ra một tín hiệu đầu ra, truyền tín hiệu đầu ra đến các nơ-ron khác. Mức độ phản ứng của mỗi nơ-ron sẽ phụ thuộc vào mức độ của các kích thích đầu vào và bản thân nơ- ron đó. Khi các tín hiện đƣợc lan truyền giữa các nơ-ron lặp đi lặp lại nhiều lần thì sẽ dần hình thành nên một hệ thống mạng lƣới các nơ-ron đƣợc kích hoạt đồng thời hay lối mòn của những đƣờng truyền tín hiệu. Đây chính là nguồn gốc mà não bộ con ngƣời nhận dạng các mẫu hình từ quá khứ và phản ứng lại những thông tin phức tạp từ bên ngoài. 1.5.2 Mạng thần kinh nhân tạo Mô phỏng theo mạng thần kinh con ngƣời, mạng thần kinh nhân tạo (ANN) đƣợc McCulloch và Pit giới thiệu đầu tiên vào năm 1943. Nó là tập một tập hợp của các Trang 13
22. S K L 0 0 2 1 5 4