RealEDU.

1. BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
-----------------------------------------
TRẦN THỊ HÀ
NGHIÊN CỨU MẠNG NƠ RON NHÂN TẠO VÀ
ỨNG DỤNG VÀO DỰ BÁO LẠM PHÁT
LUẬN VĂN THẠC SĨ KỸ THUẬT
CÔNG NGHỆ THÔNG TIN
NGƢỜI HƢỚNG DẪN KHOA HỌC:
TS. NGUYỄN THỊ THU HÀ
Hà Nội – Năm 2016

2. 1
M C
ỤC LỤ
M C L C
Ụ Ụ ......................................................................................................... 1
LỜI CAM ĐOAN 4
.............................................................................................
DANH MỤ Ậ Ữ Ế Ắ
C CÁC THU T NG VI T T T ................................................ 5
DANH MỤ Ẽ
C HÌNH V .................................................................................... 6
DANH MỤ Ả Ể
C B NG BI U .............................................................................. 8
PHẦ Ở
N M U
ĐẦ ............................................................................................... 9
CHƢƠNG 1: TỔNG QUAN V D BÁO
Ề Ự .................................................... 11
1.1 GI I THI U
Ớ Ệ ..............................................................................................11
1.1.1 Khái ni m v d báo
ệ ề ự ........................................................................11
1.1.2 D báo kinh t
ự ế..................................................................................12
1.1.2.1 Phân loại dự báo kinh tế ...........................................................13
1.1.2.2 Mô hình bài toán dự báo kinh tế.............................................. 14
1.1.2.3 Một số mô hình dự báo............................................................16
1. 2 CÁC PHƢƠNG PHÁP SỬ D NG TRONG D BÁO KINH T
Ụ Ự Ế ............................ 18
1.2.1 D báo kinh t s d ng mô hình kinh t
ự ế ử ụ ế lƣợng...............................18
1.2.1.1 Mô hình hồi quy........................................................................20
1.2.1.2 Mô hình chuỗi thời gian............................................................21
1.2.2 D báo kinh t b ng cách ti p c n mô hình h c máy
ự ế ằ ế ậ ọ ..................... 22
1.2.2.1 Khái niệm..................................................................................22
1.2.2.2 Mô hình dự báo dựa trên học máy............................................23
1.2.2.3 Mạng nơ ron............................................................................. 24
1.2.2.4 Naïve Bayes ..............................................................................25

3. 2
1.2.2.5 K-láng giềng gần nhất (K-NN).................................................26
1.3 PHƢƠNG PHÁP ĐÁNH GIÁ Ự
D BÁO............................................................ 27
CHƢƠNG 2: ỨNG DỤ ẠNG NƠ RON TRONG DỰ Ạ
NG M BÁO L M
PHÁT KINH TẾ.............................................................................................. 29
2.1 MẠNG NƠ RON NHÂN TẠO........................................................................ 29
2.1.1 Định nghĩa mạng Nơron nhân tạo (Artificial Neural Network -
ANN):........................................................................................................29
2.1.2 Các tính ch t c a m
ấ ủ ạng Nơron ........................................................29
2.1.3 C u trúc m
ấ ạng nơ – ron ...................................................................30
2.1.3.1 Đơn vị xử lý perceptron............................................................30
2.1.3.2 Tiến trình học của mạng nơ ron................................................ 31
2.1.3.3 Mạng nơ ron nhiều lớp: ............................................................31
2.1.3.4 Phƣơng pháp học trên mạng nơ ron..........................................33
2.1.3.5 Học tham số: ............................................................................33
2.1.3.6 Học giám sát với thuật toán lan truyền ngƣợc.........................34
2.1.3.7 Thuật toán lan truyền ngƣợc.....................................................37
2.2 LẠM PHÁT KINH TẾ ..................................................................................37
2.2.1 Khái ni m l m phát
ệ ạ .......................................................................... 37
2.2.2 Phân lo i l m phát
ạ ạ ............................................................................ 39
2.2.3 Các phƣơng pháp tính lạm phát....................................................... 40
2.3 ỨNG D NG M
Ụ ẠNG NƠ RON TRONG DỰ BÁO L M PHÁT
Ạ .............................. 41
2.3.1 Các nghiên cứu liên quan.................................................................41
2.3.2 Phân tích các nhân tố ảnh hƣởng.....................................................42
2.3.3 Xây d ng mô hình m
ự ạng nơ ron dự ạ
báo l m phát........................... 44
2.4 KẾ ẬN CHƢƠNG
T LU 2 ..............................................................................44

4. 3
CH󰉎ƠNG 3: PHÁT TRIỂ Ứ Ụ ẠNG NƠ RON TRONG DỰ
N NG D NG M
BÁO LẠM PHÁT KINH TẾ..........................................................................45
3.1 PHÂN TÍCH KI N TRÚC T NG QUÁT C A H
Ế Ổ Ủ Ệ THỐNG.................................. 45
3.1.1 Yêu c u c a h
ầ ủ ệ thống....................................................................... 45
3.1.2 Các chức năng cơ bả ủ ệ ố
n c a h th ng.................................................45
3.2 GI I PHÁP CÔNG NGH VÀ NGÔN NG L P TRÌNH
Ả Ệ Ữ Ậ ................................. 46
3.2.1 H n tr CSDL Microsoft SQL Server 2012
ệ quả ị .............................. 46
3.2.2 Microsoft .Net ..............................................................................47
3.2.2.1 Kiến trúc của Microsoft .NET .................................................. 47
3.2.2.2 Microsoft .NET Framework ..................................................47
3.2.3 Ngôn ng l p trình C#
ữ ậ ..................................................................... 47
3.3 KẾ Ả
T QU THỬ NGHI M
Ệ .............................................................................48
3.3.1 Ngu n d
ồ ữ liệu s d
ử ụng.....................................................................48
3.3.2 Dữ liệu dùng cho th nghi
ử ệm: .........................................................50
3.3.3 K t qu nghi m
ế ả thử ệ .......................................................................... 51
3.4 MỘ Ố
T S GIAO DI N C
Ệ ỦA HỆ THỐNG .........................................................53
3.5 KẾ ẬN CHƢƠNG
T LU 3.............................................................................. 56
K T LU N
Ế Ậ .....................................................................................................57
TÀI LIỆU THAM KH O
Ả ...............................................................................58

5. 4
LỜI CAM ĐOAN
Trƣớc hết, em gửi lời cảm ơn chân thành tới tập thể các thầy cô trong Viện
Công nghệ Thông tin và T yền thông, Trƣờng Đại học Bách K Hà Nội đã tạo
ru hoa
môi trƣờng tốt để em đƣợc học tập và nghiên cứu. Em cũng xin cảm ơn các thầy cô
trong Viện đào tạo sau đại học đã quan tâm đến khóa học này, tạo điều kiện cho các
học viên có điều kiện thuận lợi để học tập và nghiên cứu. Đặc biệt, em xin gửi lời
cảm ơn sâu sắc đến TS. Nguyễn Thị Thu Hà, Trƣờng Đại học Điện lực Hà Nội đã
tận tình chỉ bảo, hƣớng dẫn và sửa chữa chi tiết cho nội dung của luận văn này.
Em cam đoan rằng nội dung của luận văn này là tìm hiểu,
do em hoàn toàn
nghiên cứu và viết ra, em đã thực hiện từng bƣớc cẩn thận theo sự định hƣớng,
hƣớng dẫn tận tình của giáo viên hƣớng dẫn. Mọi tham khảo dùng trong luận văn
đều đƣợc trích dẫn rõ ràng tên tác giả, tên công trình, thời gian, địa điểm công bố.
Em xin chịu trách nhiệm với nội dung trong luận văn này.
tài
Ngƣời thực hiện đề
Trần Thị Hà

6. 5
DANH M VI
Ụ Ậ Ữ
C CÁC THU T NG ẾT TẮT
Viết tắt Thuậ ữ đầy đủ
t ng
CNTT Công nghệ Thông tin
MLR Multiple Linear Regression
HW Holt – Winters
ARIMA AutoRegressive Integrated Moving Average
ARMA Autoregressive Moving Average
MAPE Mean Absolute Percentage Error
K-NN K- ng g n nh t
láng giề ầ ấ
MAE Muan Absolute Error
RMSE Root Mean Squared Error
MAPE Mean Absolute Percentage
ANN Artificial Neural Network
MIMO Many Input Many Output
LMS Least Means Square
RBF Radial Basis Function
WPI Worcester Polytechnic Institute
CPI Consumer Price Index
PPI Producer Price Index
VAR Vector Autoregression
AR Univariate Autoregression
OECD Organization for Economic Co-Operation and Development
KRLS Kitchigami Regional Library System
FDI Foreign Direct Investment
GDP Gross Domestic Product

7. 6
DANH MỤ Ẽ
C HÌNH V
Hình 1.1: Mô hình một bài toán dự báo.......................................................... 15
Hình 1.2: Mô hình dự báo cơ bản ................................................................... 16
Hình 1.3: Mô hình dự báo nhân quả ...............................................................17
Hình 1.4: Mô hình dự báo theo xu hƣớng.......................................................18
Hình 1.5: Mô hình lƣơng và chi tiêu trong gia đình. .....................................18
Hình 1.6: Kết quả thử nghiệm với mô hình HW............................................. 21
Hình 1.7: Kết quả thử nghiệm với mô hình ARIMA......................................21
Hình 1.8: Dự báo dựa trên mô hình học máy.................................................. 24
Hình 1.9: Mô hình dự báo năng lƣợng gió...................................................... 25
Hình 1.10: Mô hình dự báo giá bán lẻ dựa trên Naïve Bayes......................... 26
Hình 2.1: Cấu trúc một perceptron..................................................................30
Hình 2.2: Mạng nơ ron nhiều lớp....................................................................32
Hình 2.3: Mạng nơ ron 3 lớp........................................................................... 35
Hình 2.4: Biểu đồ thể hiện lạm phát Việt Nam và trung bình thế giới...........42
Hình 2.5: Kiến trúc mạng nơ ron dự báo sử dụng trong luận văn ..................44
Hình 3.1: Sơ đồ chức năng hệ thống dự báo...................................................45
Hình 3.2: Biểu đồ Use case tổng quát............................................................. 46
Hình 3.3: Các dịch vụ của SQL server 2012...................................................47
Hình 3.4: Thành phần chính của Microsoft .NET ..........................................47
Hình 3.5: Microsoft .NET Framework............................................................47
Hình 3.6: Ngân hàng dữ liệu thế giới..............................................................49
Hình 3.7: Tổng cục thống kê Việt Nam.......................................................... 50
Hình 3.8: Giao diện đăng nhập .......................................................................53
Hình 3.9: Giao diện đăng ký ...........................................................................53
Hình 3.10: Giao diện quản lý huấn luyện ......................................................54

8. 7
Hình 3.11: Giao diện tạo mới dữ liệu ............................................................55
Hình 3.12: Giao diện chỉnh sửa dữ liệu ......................................................... 55
Hình 3.13: Giao diện dự báo lạm phát............................................................56

9. 8
DANH M C B NG
Ụ Ả BIỂU
Bảng 1.1: Tỉ lệ phần trăm thu nhập và tiêu dùng thời trang ........................... 19
Bảng 3.1: Mô tả dữ liệu thử nghiệm ...............................................................50
Bảng 3.2: Bộ dữ liệu thử nghiệm....................................................................51
Bảng 3.3: Kết quả thử nghiệm ........................................................................52

10. 9
PHẦN MỞ ĐẦU
Công nghệ Thông tin ngày càng phát triển và thành tựu của nó đƣợc ứng
dụng trong hầu hết các ngành, lĩnh vực hoạt động của đời sống xã hội và mang lại
nhiều hiệu quả to lớn, góp phần thúc đẩy sự phát triển chung của xã hội, đặc biệt nó
còn góp phần duy trì, điều phối sự phát triển một cách ổn định của nền kinh tế.
Tình hình biến động kinh tế của thế giới ngày càng diễn biến phức tạp. Sự
biến động của nền kinh tế vĩ mô sẽ tác động rất lớn đến sự ổn định và phát triển
kinh tế của một quốc gia. Lạm phát là một trong những nhân tố của nền kinh tế vĩ
mô, rất đƣợc quan tâm và cần thiết phải dự báo.
Lạm phát là một hiện tƣợng kinh tế vĩ mô phổ biến, có ảnh hƣởng sâu rộng
đến mọi mặt của đời sống kinh tế xã hội. Lạm phát có tác động cả tích cực và tiêu
-
cực, tuỳ thuộc vào khả năng thích ứng với sự thay đổi của lạm phát và mức độ tiên
liệu về lạm phát. Đối với nhà sản xuất, tỷ lệ lạm phát cao làm cho giá đầu vào và
đầu ra biến động, gây ra sự mất ổn định trong quá trình sản xuất. Đối với lĩnh vực
lƣu thông, lạm phát thúc đẩy quá trình đầu cơ tích trữ dẫn đến khan hiếm hàng hoá.
Đối với lĩnh vực tín dụng, lạm phát làm rối loạn hoạt động của hệ thống ngân hàng.
Cụ thể là lƣợn ền gửi vào ngân hàng sẽ giảm do sự điều chỉnh lãi suất tiền gửi
g ti
không đủ làm an tâm những ngƣời đang có tiền nhàn rỗi, trong khi đó những ngƣời
đi vay lại đƣợc lợi lớn nhờ vào sự mất giá của đồng tiền. Trong điều kiện các nhân
tố khác không đổi, lạm phát xảy ra sẽ làm tăng tỷ giá hối đoái, do đó tăng cƣờng
tính cạnh tranh của hàng xuất khẩu nhƣng đồng thời cũng gây bất lợi cho hoạt động
nhập khẩu. Lạm phát còn gây thiệt hại cho Ngân hàng Nhà nƣớc bằng việc bào mòn
giá trị thực của những khoản công phí.
Ngoài ra nếu để tình trạng lạm phát kéo dài và không đoán trƣớc đƣợc sẽ làm
cho nguồn thu Ngân sách Nhà nƣớc giảm sút do sản xuất suy thoái. Nhƣ vậy, nếu
lạm phát có thể dự đoán đƣợc thì sẽ không gây nên gánh nặng lớn đối với nền
còn
kinh tế bởi ngƣời ta có thể đƣa ra các giải pháp phù hợp với nó, ngƣợc lại nếu
không thể dự báo đƣợc thì sẽ dẫn đến những đầu tƣ sai lầm và phân phối thu nhập
một cách ngẫu nhiên làm mất cân bằng của nền kinh tế. Vì vậy việc dự báo lạm phát

11. 10
có ý nghĩa vô cùng quan trọng đối với các nhà hoạch định chính sách cũng nhƣ các
nhà kinh doanh trong tiến trình quyết định.
(
Đối với các nƣớc đang phát triển, lạm phát mục tiêu lạm phát tối ƣu) là một
công cụ hữu ích trong việc điều hành kinh tế vĩ mô. Nếu lạm phát cao hơn lạm phát
mục sẽ gây ra những tác động tiêu cực nhƣ: chi phí sản xuất của doanh nghiệp
u
tiê ,
chi phí sử dụng vốn phải tăng lên sức mua của ngƣời tiêu dùng sẻ giảm. Ngƣợc lại
,
nếu lạm phát thấp hay xảy ra giảm phát sẽ làm cho nền kinh tế trì trệ, không phát
triển đƣợc.
Vì vậy, Nhà nƣớc cần có chính sách để kiểm soát lạm phát sát với lạm phát
mục tiêu, nhằm giúp ổn định kinh tế vĩ mô và phát triển nền kinh tế. Để kiểm soát
lạm phát sát với lạm phát mục tiêu, các nhà làm chính sách cần phải biết đƣợc
những yếu tố nào tác động đến lạm phát, dự báo đƣợc lạm phát trong tƣơng lai, từ
đó có những điều chỉnh phù hợp nhằm đạt đƣợc mục tiêu đặt ra.
công tác
Nhận thức đƣợc tầm quan trọng của dự báo, đặc biệt là dự báo lạm
phát. Tác giả đã thực hiện đề tài “Nghiên cứu mạng nơ ron nhân tạo và ứng dụng
vào dự báo lạm phát” cho luận văn tốt nghiệp của mình.
Luận văn tốt nghiệp này có bố cục nhƣ sau:
Phần mở đầu
Chƣơng 1: Tổng quan về dự báo
Chƣơng 2 Ứng dụng mạng nơ ron trong dự báo lạm phát kinh tế
:
Chƣơng 3 Xây dựng ứng dụng dự báo lạm phát sử dụng mô hình mạng nơ
:
ron
Kết luận và hƣớng phát triển

12. 11
CHƢƠNG 1: TỔ Ề Ự
NG QUAN V D BÁO
Trong chƣơng này trình bày các khái niệm cơ bản về dự báo, phân loại dự
báo trong kỳ ngắn hạn, dài hạn và tầm quan trọng của dự báo trong phát triển kinh
tế của ốc gia. Trong chƣơng 1 này cũng giới thiệu một số các phƣơng pháp sử
qu
dụng trong dự báo nhƣ mô hình kinh tế lƣợng, mô hình Time Series,...các phƣơng
pháp đánh giá và thử nghiệm trong các bài toán dự báo.
1.1 Giới thiệu
1.1.1 Khái ni m v d
ệ ề ự báo
Dự báo đã hình thành từ đầu những năm 60 của thế kỉ 20. Khoa học dự báo
với tƣ cách là một ngành khoa học độc lập có hệ thống lí luận, phƣơng pháp luận và
phƣơng pháp hệ riêng nhằm nâng cao tính hiệu quả của dự báo.
Dự báo là một khoa học và nghệ thuật tiên đoán những sự việc sẽ xảy ra
trong tƣơng lai, trên cơ sở phân tích khoa học về các dữ liệu đã thu thập đƣợc. Khi
tiến hành dự báo cần căn cứ vào việc thu thập, xử lý số liệu trong quá khứ và hiện
tại để xác định xu hƣớng vận động của các hiện tƣợng trong tƣơng lai nhờ vào một
số mô hình toán học (Định lƣợng). Tuy nhiên dự báo cũng có thể là một dự đoán
chủ quan hoặc trực giác về tƣơng lai (Định tính) và để dự báo định tính đƣợc chính
xác hơn, ngƣời ta cố loại trừ những tính chủ quan của ngƣời dự báo[1].
Định nghĩa 1.1 [Dự báo]:
Dự báo là sự tiên đoán có căn cứ khoa học, mang tính chất xác suất về mức
độ, nội dung, các mối quan hệ, trạng thái, xu hướng phát triển của đối tượng
nghiên cứu hoặc về cách thức và thời hạn đạt được các mục tiêu nhất định đã đề ra
trong tương lai[7].
Tiên đoán đƣợc coi là một hình thức phản ánh vƣợt trƣớc về thời gian hiện
thực khách quan, đó là kết quả nhận thức chủ quan của con ngƣời dựa trên cơ sở
nhận thức quy luật khách quan trong sự vận động và phát triển của sự vật và hiện
tƣợng. Tiên đoán gồm 03 loại khác nhau: tiên đoán có căn cứ khoa học, iên đoán
t
không khoa học và tiên đoán dựa trên kinh nghiệm.

13. 12
Do nó chỉ là một tuyên bố về tƣơng lai, bất cứ điều gì đều có thể dự báo ví
dụ tỷ lệ lạm phát giá tiêu dùng, thời tiết ngày mai hoặc của tháng tiếp theo, mức
tăng trung bình của mực nƣớc biển vào cuối thiên niên kỷ thứ ba, dân số của trái đất
vào 10 năm tới hay giá trị của chỉ số Dow Jones tại bắt đầu năm 2010. Các kết quả
dự báo đƣợc coi là hữu ích trong việc xem xét để ra quyết định với sai số có thể
chấp nhận đƣợc.
1.1.2 D báo kinh t
ự ế
Tƣơng lai của kinh tế, sẽ đƣợc quyết định bởi hành vi của con ngƣời trong
tƣơng lai. Nó có thể đƣa ra những gợi ý cho việc ra quyết định trong tƣơng lai của
các nhà kinh tế, các nhà đầu tƣ, hay Chính phủ của quốc gia. Dự báo kinh tế ngày
càng đƣợc hính phủ các nƣớc coi trọng và coi nhƣ là một lĩnh vực giúp cho sự
C
phát triển của nền kinh tế đất nƣớc. Nhờ có dự báo, nhiều những hoạt động kinh tế
tránh đƣợc rủi ro đánh kể. Ví dụ, dự báo năm 1987 hoạt động kinh tế tại Hoa Kỳ khi
các nhà phân tích tiên đoán chính xác rằng giá trị trao đổi của đồng USD sẽ giảm
mạnh trong năm, chi tiêu tiêu dùng sẽ chậm lại, và rằng lãi suất sẽ tăng vừa phải.
Dựa vào những tiên đoán đó, mà Chính phủ có thể vận hành hoặc điều tiết nền kinh
tế theo một chiều hƣớng tốt hơn ].
[9
Định nghĩa 1.2 [Dự báo kinh tế]
Dự báo kinh tế là quá trình dự đoán trước về một sự kiện xảy ra đối với nền
kinh tế có thể là toàn bộ hoặc một phần. Dự báo kinh tế thường sử dụng dựa trên
khoa học hoặc kinh nghiệm.
Dự báo kinh tế có thể đƣợc thực hiện rất chi tiết hoặc có thể là rất chung
chung. Trong mọi trƣờng hợp, dự báo giúp con ngƣời mô tả các hành vi tƣơng lai
dự kiến của tất cả hoặc một phần của nền kinh tế và giúp hình thành cơ sở của quy
hoạch. Dự báo kinh tế xuất phát từ mô hình thƣờng là của nền kinh tế quốc gia hay
-
của toàn bộ thế giới, nhƣng đôi khi các bộ phận của nền kinh tế: đặc biệt là lĩnh vực
công nghiệp, các khu vực trên thế giới, hoặc thậm chí các sản phẩm đơn lẻ hoặc các
công ty, phƣơng pháp tiếp cận cơ bản để dự báo chỉ đơn giản là suy luận quá khứ;

14. 13
Lúc này, mô hình phức tạp thƣờng hơn dựa trên phân tích đƣợc dữ liệu từ quá khứ
và sử dụng chúng trong dự báo. Vì thế, khi suy luận cần đòi hỏi kiến thức về lịch sử
kinh tế và các nguyên tắc kinh tế, mặc dù, thậm chí sau đó, dự báo là do không có
nghĩa là một con số chính xác, tuy nhiên, nó có thể là căn cứ đƣa ra những quyết
định lớn về kinh tế để giảm thiểu những thiệt hại xảy ra với toàn bộ hoặc một phần
của nền kinh tế, thậm chí đối với các doanh nghiệp[9].
Nhiều nhà kinh tế cho rằng những thay đổi trong cung tiền xác định tỷ lệ
tăng trƣởng của hoạt động kinh doanh nói chung. Những ngƣời khác đóng vai trò
trung tâm để đầu tƣ vào cơ sở mới nhà ở, nhà máy công nghiệp, đƣờng cao tốc, và
vv. Tại Hoa Kỳ, nơi mà ngƣời tiêu dùng chiếm một phần lớn trong hoạt động kinh
tế, một số nhà kinh tế cho rằng quyết định của ngƣời tiêu dùng để đầu tƣ hoặc lƣu
cung cấp các manh mối chính cho các sự kiện tƣơng lai của toàn bộ nền kinh tế.
Đối với doanh nghiệp sản xuất kinh doanh, họ cần đƣợc biết hoặc tiên
nghiệm đƣợc những sự kiện sắp xảy ra đối với nền kinh tế vĩ mô, từ đó họ có thể có
những hoạt động phù hợp nhằm thúc đẩy hoặc phòng ngừa những rủi ro xảy ra.
Thiệt hại của doanh nghiệp cũng chính là thiệt hại của nền kinh tế, nó làm suy giảm
GDP của một đất nƣớc. Bởi thế, những nhà đầu tƣ muốn có một công cụ, phƣơng
pháp đánh giá sự phát triển kinh tế của một quốc gia, một vùng hoặc một nhóm
ngành có thể có những quyết định dựa trên những diễn biến kinh tế mới nhất
[7],[10].
1.1.2.1 Phân lo báo kinh t
ại dự ế
Tùy theo mục đích, hình thức mà dự báo kinh tế đƣợc phân loại khác nhau
[9], [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 đƣợc xem nhƣ dự báo có liên quan đối với toàn bộ nền kinh
tế. Nó đƣợc đo bằng chỉ số của sản xuất công nghiệp, thu nhập quốc dân hoặc chi

15. 14
tiêu. Ví dụ: dự báo lạm phát, dự báo xu hƣớng xuất nhập khẩu, dự báo GNI quốc
gia,...
+ Dự báo vi mô thƣờng tập trung trong doanh nghiệp, ví dụ dự báo xu hƣớng
của ngƣời tiêu dùng trong tháng tới để các doanh nghiệp có thể dễ dàng nắm bắt
đƣợc nhu cầu và thị hƣớng của ngƣời tiêu dùng để cung cấp dịch vụ thích hợp.
- Theo thời hạn: dự báo đƣợc phân loại thành dự báo ngắn hạn hoặc dự báo
dài hạn.
+ Dự báo ngắn hạn: trong một dự báo ngắn hạn, mô hình theo mùa đƣợc xem
là quan trọng nhất. Nó có thể bao gồm một khoảng thời gian ba tháng, sáu tháng
hoặc một năm. Nó có chu kỳ theo mùa vụ.
+ Dự báo dài hạn: hữu ích trong việc lập kế hoạch. Nó cung cấp thông tin
cho các quyết định chiến lƣợc quan trọng. Nó giúp tiết kiệm lãng phí về vật liệu,
nhân lực, thời gian và năng lực.
1.1.2.2 Mô hình bài toán d báo kinh t
ự ế
Dự báo là một trong những yếu tố cần thiết để lập kế hoạch, cho dù dự báo vi
mô, hoặc vĩ mô. Mô hình một bài toán dự báo đƣợc mô tả nhƣ hình dƣới đây ].
[9

16. 15
Hình 1.1: Mô hình một bài toán dự báo
Mô hình dự báo trong hình trên bao gồm 2 pha:
- Xây dựng mô hình (model building):
+ Dữ liệu quá khứ: chi phí cho thu thập dữ liệu thƣờng đƣợc coi là "đắt". Dữ
liệu phải đảm bảo độ tin cậy mới có thể tạo ra một kết quả và chứng minh độ chính
xác của mô hình đã xây dựng. Mỗi một mô hình dự báo cần thiết có sự đánh giá của
con ngƣời.
+ Đặc tả mô hình: đây là quá trình xác định các biến sử dụng trong khi xây
dựng mô hình.
+ Ƣớc lƣợng mô hình: ƣớc lƣợng các hệ số của mô hình.
+ Kiểm tra sự phù hợp của mô hình: kiểm tra sự phù hợp của mô hình và dữ
liệu nhập vào.
- Dự báo:
+ Dữ liệu kiểm tra: là dữ liệu cần quan sát kết quả.

17. 16
+ Dự báo: sinh ra dự báo dựa trên mô hình đã xây dựng ở pha 1 và dữ liệu
cần sinh ra dự báo.
+ Tính ổn định: mô hình đƣa ra kết quả có sai số nhiều so với chuyên gia dự
báo hay không?
1.1.2.3 M mô hình d
ột số ự báo
Có một số các mô hình dự báo nhƣ sau:
- Mô hình dự báo cơ bản:
Mô hình dự báo cơ bản bao gồm ột số yếu tố đầu vào (dữ liệu) và giả định
: m
mô hình. Một dự báo đƣợc tạo ra một số biến. Trong ví dụ của dự báo bán hàng,
đầu vào có thể là số lƣợng ngƣời bán hàng, các giả định có thể bao gồm năng suất
và số giờ làm việc, dự báo là kỳ vọng số doanh thu dự kiến cho các yếu tố đầu vào
và giả định. Với mỗi dự báo, quan trọng là để quản lý quá trình thông qua sự so
sánh của các biến liên quan để dự báo và sau đó làm việc trở lại thông qua các mô
hình để giải thích lý do.
Hình 1.2: n
Mô hình dự báo cơ bả
- :
Mô hình dự báo nhân quả
Mô hình dự báo nhân quả sử dụng một số đầu vào cụ thể để dự báo một số
đối tƣợng khác. Ví dụ, có thể xây dựng một mô hình nhân quả để dự báo doanh thu
(sản lƣợng) dựa trên số lƣợng ngƣời bán hàng (một đầu vào). Đây là loại mô hình
đƣợc thể hiện trong sơ đồ trên.
Mô hình
dự báo
Dữ liệu
đầu vào
Dự báo
Giả thiết

18. 17
Hình 1.3: Mô hình dự báo nhân quả
- Mô hình dự báo xu hướng:
Mô hình dự báo xu hƣớng hay mô hình suy luận tƣơng lai là phƣơng pháp bổ
sung thêm trên biểu đồ xu hƣớng trong tƣơng lai thông qua việc xem xét các chu kỳ
trong quá khứ và mở rộng nó. Phƣơng pháp này đƣợc sử dụng theo mùa, chu kỳ.
Mô hình này dự báo một cái gì đó bằng cách nhìn vào các giá trị trƣớc của phần tử
đó. Trong một mô hình dự báo xu hƣớng, dự báo doanh số bán hàng sẽ đƣợc dựa
trên các giá trị trƣớc của bán hàng, và xu hƣớng sử dụng, tính thời vụ, vv để phát
triển một dự báo.
Dữ liệu
đầu vào
Mô hình
dự báo
Kết quả
dự báo
Giả thiết
Độ lệch
Giá trị
thực tế
Phản hồi
Quản lý lặp

19. 18
Hình 1.4 Mô hình dự báo theo xu hƣớng
1. d ng trong d báo kinh t
2 Các phƣơng pháp sử ụ ự ế
1.2.1 D báo kinh t s d ng mô hình kinh t
ự ế ử ụ ế lƣợng
Mô hình kinh tế lƣợng là một trong những công cụ kinh tế sử dụng để dự báo
sự phát triển tƣơng lai của nền kinh tế. Nói một cách đơn giản, kinh tế thông thƣờng
đo lƣờng mối quan hệ giữa các biến trong quá khứ nhƣ chi tiêu của ngƣời tiêu dùng,
thu nhập hộ gia đình, mức thuế suất, lãi suất, việc làm, và sau đó dự báo những thay
đổi trong một số biến sẽ ảnh hƣởng đến tƣơng lai.
Ví dụ 1.1: Ảnh hƣởng của lƣơng đến chi tiêu trong gia đình
Hình 1.5: Mô hình lƣơng và chi tiêu trong gia đình.
Dữ liệu
đầu vào
Mô hình
dự báo
Kết quả
dự báo
Giả thiết
Độ lệch
Giá trị
thực tế
Phản hồi
Quản lý lặp
Dự báo xu hƣớng
Households
Cars, Clothing,...
Business
Films
Labor Services (1)
Wages & Salaries (USD) (2)
Households
(4)
Purchase
Payment forHousehold Purchases (USD)
Output
Output (3)

20. 19
Hình 1.5 trên mô tả các chi phí trong gia đình liên quan và ảnh hƣởng tới thu
nhập. Ở bảng 1.1 dƣới đây mô tả sự thay đổi giữa thu nhập và tiêu dùng trong gia
đình về đồ dùng cá nhân nhƣ giày dép, quần áo...
B ng 1.1: T l ph p và tiêu dùng th i trang
ả ỉ ệ ần trăm thu nhậ ờ
Từ mối quan hệ giữa những dữ liệu trên cho thấy, ngƣời Mỹ chi tiêu nhiều
hơn vào quần áo và giày thu nhập hộ gia đình của họ cao hơn, nhƣng họ dành ít
nhất 100 tỷ $ mỗi năm. Và dự báo khá chính xác khi tổng số đó sẽ đƣợc chi tiêu là:
100 $ tỷ cộng thêm 2,65 phần trăm thu nhập hộ gia đình. Ở dạng phƣơng trình, điều
này đƣợ thể hiện bằng C = 100 + 0265W. Sử dụng dữ liệu để xác định hoặc ƣớc
c
tính tất cả các giá trị tham số trong mô hình là bƣớc quan trọng có thể biến các mô
hình kinh tế toán học thành một mô hình kinh tế lƣợng.
Kinh tế lƣợng là việc áp dụng các phƣơng pháp thống kê số liệu kinh tế và
đƣợc mô tả nhƣ những nhánh của kinh tế nhằm đƣa ra nội dung thực nghiệm để
quan hệ kinh tế. Chính xác hơn, đó là "sự phân tích định lƣợng của các hiện tƣợng
kinh tế thực tế dựa trên sự phát triển đồng thời của các lý thuyết và quan sát, liên
quan bằng các phƣơng pháp thích hợp của suy luận. Kinh tế lƣợng ứng dụng sử
dụng kinh tế lƣợng lý thuyết và số liệu thực tế để đánh giá các lý thuyết kinh tế,
phát triển mô hình kinh tế, phân tích lịch sử kinh tế, và dự báo".
Dự báo từ một mô hình tuyến tính đơn giản có thể dễ dàng thu đƣợc bằng
cách sử dụng phƣơng trình
x
y




 1
0 
 -1)
(1

21. 20
Trong đó x là biến độc lập và y là biến phụ thuộc. Hay nói các khác, x là các
yếu tố liên quan tới dự báo, y là giá trị của dự báo tƣơng ứng với các nhân tố x [9].
1.2.1.1 Mô hình h i quy
ồ
Z. Ismail và các cộng sự đã sử dụng mô hình hồi quy bội (multiple linear
regression) để dự báo giá vàng tại Malaysia. g nghiên cứu này, họ sử dụng các
Tron
yếu tố kinh tế nhƣ lạm phát, biến động giá tiền tệ và những ngƣời khác. Sau sự
giảm giá của đồng đô la Mỹ, nhà đầu tƣ đổ tiền vào vàng bởi vì vàng đóng một vai
trò quan trọng nhƣ một mục đầu tƣ 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 trƣờng 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, nhƣ trƣờng hợp này với giá vàng là biến phụ thuộc duy
nhất. Một mô hình đơn giản gọi là "dự báo 1" đã đƣợc coi là một mô hình chuẩn để
-
đánh giá hiệu quả của mô hình [3], [5].
Tetyana Kuzhda đã đề xuất mô hình dự báo bán lẻ dựa trên mô hình hồi quy
bội. Họ cho rằng, môi trƣờng bán lẻ gần đây có sự thay đổi, sự thay đổi này đƣợc
gây ra bởi chi phí thu nhập và quảng cáo. Mô hình của họ đƣợc xây dựng dựa trên
các tác nhân ảnh hƣởng (stage) bao gồm: ảnh hƣởng kinh tế mức vĩ mô (lạm phát,
cung cầu, tỉ giá hối đoái, chi tiêu Chính phủ, xuất nhập khẩu,...), yếu tố giải thích
thay đổi trong kinh tế xã hội (doanh số bán lẻ, chi phí quảng cáo,...). Từ đó họ xây
dựng mô hình bằng cách thu thập những dữ liệu của những tác nhân trên và xây
dựng hàm toán học giải quyết vấn đề dự báo bán lẻ [12].
Vincenzo Bianco và các cộng sự dự báo về mức tiêu thụ điện tại Italy sử
dụng mô hình hồi quy tuyến tính. Họ cho rằng những ảnh hƣởng các biến số kinh tế
và nhân khẩu học về tiêu thụ điện hàng năm ở Ý có thể là nhân tố tác động lên mức
tiêu thụ điện. Họ đƣa ra khoảng thời gian xem xét các dữ liệu lịch sử đƣợc từ năm
1970 đến năm 2007. Mô hình hồi quy đƣợc xây dựng dựa trên các tham số: lịch sử
sử dụng tiêu thụ điện, tổng sản phẩm trong nƣớc (GDP), tổng thu nhập bình quân

22. 21
đầu ngƣời (GDP bình quân đầu ngƣời) và một phần dân số. Trong phần thực
nghiệm, họ có so sánh đánh giá với dự báo quốc gia dựa trên mô hình phức tạp hơn
cho thấy tỉ lệ sai số là nhỏ với độ lệch chỉ +-1%.
1.2.1.2 Mô hình chu i th
ỗ ời gian
Gurudeo Anand Tularam đã đề xuất phƣơng pháp dự báo giá dầu dựa trên mô hình
chuỗi thời gian, họ chứng minh rằng những dữ liệu về giá xăng dầu trong quá khứ ảnh
hƣởng tới giá dầu trong tƣơng lai. Trong bài báo của họ cũng thực hiện việc đánh giá độ
chính xác của mô hình với giá dầu thực. Ba loại mô hình đơn biến đƣợc sử dụng: làm min
số mũ (ES), Holt – Winters (HW), tự hồi quy trung bình trƣợt (ARIMA). Kết quả dự báo
với độ chính xác 95% khi dự báo giá dầu thô West Texas Intermediate [5].
Hình 1.6: Kết quả thử nghiệm với mô hình HW
Hình 1.7: Kết quả thử nghiệm với mô hình ARIMA

23. 22
Wen-Hua Cui và các cộng sự trong năm 2014 đã thực hiện công việc dự báo
về dòng tiền trong ngân hàng nhằm mục đích tăng cƣờng thông tin giữa dòng tiền
kinh doanh và quỹ. Đầu tiên họ dùng phƣơng pháp trung bình trƣợt, tiếp theo làm
mịn số mũ để dự đoán. Hai phƣơng pháp này đều kết hợp với chuỗi thời gian trong
dự báo dòng tiền. Kết quả thực nghiệm đƣợc thực hiện với dòng tiền thực trong
khoảng thời gian quý 1 năm 2011 và 2012 cho thấy rằn phƣơng pháp của họ đề
g,
xuất có độ chính xác khá cao [3].
1.2.2 D báo kinh t b ng cách ti n mô h c máy
ự ế ằ ếp cậ ình họ
1.2.2.1 Khái ni m
ệ
Học máy (Machine Learning) là một ngành khoa học nghiên cứu các thuật
toán cho phép máy tính có thể học đƣợc các khái niệm (concept).
Định nghĩa 1.3 [Máy học( Machine Learning )]: Máy học là một chương trình
máy tính có khả năng học hỏi kinh nghiệm đối với một tập dữ liệu trong quá khứ để
thực hiện một số nhiệm vụ và cải thiện hiệu quả của nó tại một số nhiệm vụ này.
Các ngành khoa học liên quan:
- Lý thuyết thống kê: các kết quả trong xác suất thống kê là tiền đề cho rất
nhiều phƣơng pháp học máy. Đặc biệt, lý thuyết thống kê cho phép ƣớc lƣợng sai số
của các phƣơng pháp học máy.
- Các phƣơng pháp tính: các thuật toán học máy thƣờng sử dụng các tính
toán số thực/số nguyên trên dữ liệu rất lớn. Trong đó, các bài toán nhƣ: tối ƣu
có/không ràng buộc, giải phƣơng trình tuyến tính v.v… đƣợc sử dụng rất phổ biến.
- 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 áy tính đƣợc xem một số mẫu gồm đầu vào (input) và
có giám sát: m
đầu ra (output) tƣơng ứng trƣớc. Sau khi học xong các mẫu này, máy tính quan sát
một đầu vào mới và cho ra kết quả.
+ Học không giám sát: là một phƣơng pháp học để tìm ra mô hình phù hợp

24. 23
với các quan sát. Nó khác với học có giám sát là đầu ra tƣơng ứng cho mỗi đầu vào
là không biết trƣớc, xem các đối tƣợng đầu vào nhƣ một tập các biến ngẫu nhiên,
sau đó nó phải tự tìm cách phân loại các mẫu này.
+ Học nửa giám sát: một dạng lai giữa hai ải thuật trên.
nhóm gi
+ Học tăng cƣờng: máy tính đƣa ra quyết định hành động (action) và nhận
kết quả phản hồi (response/reward) từ môi trƣờng (environment). Sau đó máy tính
tìm cách chỉnh sửa cách ra quyết định hành động của mình
- h
Ứng dụng của học máy: ọc máy có ứng dụng rộng khắp trong các ngành
khoa học/sản xuất, đặc biệt những ngành cần phân tích khối lƣợng dữ liệu khổng lồ.
+ Xử lý ngôn ngữ tự nhiên (Natural Language Processing): xử lý văn bản,
giao tiếp ngƣời – máy, …
+ Nhận dạng (Pattern Recognition): nhận dạng tiếng nói, chữ viết tay, vân
tay, thị giác máy (Computer Vision) …
,
+ Tìm kiếm (Search Engine)
+ Chẩn đoán trong y tế: phân tích ảnh X quang, các hệ chuyên gia chẩn đoán
-
tự động.
+ Tin sinh học: phân loại chuỗi gene, quá trình hình thành gene/protein
+ Vật lý: phân tích ảnh thiên văn, tác động giữa các hạt …
+ Phát hiện gian lận tài chính (f n dụng
inancial fraud): gian lận thẻ tí
+ Phân tích thị trƣờng chứng khoán (stock market analysis)
1.2.2.2 Mô hình d báo d a trên h c máy
ự ự ọ
Học máy sử dụng thuật toán học từ dữ liệu. Các thuật toán có thể bao gồm
các mạng nhân tạo nơ ron, học sâu, luật kết hợp, cây quyết định, học tăng cƣờng và
mạng Bayes. Sự đa dạng của các thuật toán khác nhau cung cấp một loạt các lựa
chọn cho việc giải quyết vấn đề, và mỗi thuật toán sẽ có những yêu cầu và cân bằng
khác nhau về các yêu cầu đầu vào dữ liệu, tốc độ của hiệu suất và độ chính xác của
kết quả. Độ chính xác của các dự đoán cuối cùng sẽ đƣợc cân nhắc khi quyết định
thuật toán sẽ làm việc phù hợp nhất.
Học máy có thể thay thế đƣợc các kỹ thuật theo chuỗi thời gian. Các mạng

25. 24
nơ ron là một trong những kỹ thuật đã đƣợc nghiên cứu khá rộng rãi, và thƣờng
đƣợc thể hiện tốt hơn các cách tiếp cận chuỗi thời gian. ỹ thuật máy học cũng xuất
K
hiện trong cuộc thi về hai thác dữ liệu và dữ liệu chuỗi dựa trên thời gian. Những
k
phƣơng pháp đã đƣợc chứng minh để thực hiện tốt hơn các phƣơng pháp chuỗi thời
gian.
Hình 1.8: Dự báo dựa trên mô hình học máy
1.2.2.3 Mạng nơ ron
Lingling Li và các cộng sự năm 2009 đã đề xuất mô hình mạng nơ ron kết
hợp với chuỗi thời gian để dự báo năng lƣợng gió tại các trang trại điện gió (win
farm). Do đặc tính của gió là đặc tính ngẫu nhiên (random), động (dynamic) và
dung lƣợng lớn, rất khó khăn khi kết hợp với hệ thống điện. Bởi thế họ đã sử dụng
mô hình thời gian ARMA(p,q) dự báo tốc độ gió và áp suất khí quyển và kết hợp
mô hình mạng nơ ron RBF để dự báo năng lƣợng gió. Thực nghiệm họ sử dụng áp
suất khí quyển và tốc độ gió là giá trị đầu vào cho kết quả dự báo đầu ra có thể áp
dụng đƣợc trong thực tế khi sai số dự báo là khá nhỏ [8].
Mô hình
dự báo Nhãn
Nhãn
Máy học
Pha huấn luyện
Véc tơ đặc trƣng
Huấn luyện
Pha dự báo
Véc tơ đặc trƣng

26. 25
Hình 1.9: Mô hình dự báo năng lƣợng gió
Pituk Bunnoon sử dụng mô hình mạng nơ ron trong dự báo phụ tải điện kỳ
trung hạn (mid – term) cho 2 đến 3 năm tiếp theo. Kết quả cho thấy mô hình số 2 có
thể đƣợc giảm lỗi mà bình Lỗi Tỷ lệ tuyệt đối (MAPE) là 4,35%. Mô hình dự báo
tải no.1 và số 2, MAPE gần nhƣ bằng nhau tƣơng ứng là 4,65% và 4.70% [9].
1.2.2.4 Naïve Bayes
Naive Bayes là một phƣơng pháp đƣợc sử dụng khá nhiều trong dự báo bởi
tính đơn giản và độc lập của các biến. Naive bayes sử dụng trong dự báo thời tiết,
dự báo giá vàng, giá dầu, xuất nhập khẩu, GDP, lạm phát,...
Mehmet Yasin OZSAGLAM sử dụng mô hình Naïve Bayes trong dự báo
bán hàng. Dữ liệu đƣợc chọn là dữ liệu của một thiết bị điện tử tiêu dùng Thổ Nhĩ
Kỳ trong hai năm, dữ liệu số tiền bán hàng của một thiết bị điện tử tiêu dùng đã
đƣợc sử dụng và đƣợc nhóm lại nhƣ bốn quý trong năm. ong năm tiếp theo, đầu
Tr
tiên bán hàng quý đƣợc dự báo bằng cách sử dụng phƣơng trình hồi quy và phƣơng
pháp Naive bayes và so sánh bởi doanh số bán thực lƣợng, dự báo bán hàng. Kết
quả là gần với số tiền thực tế và yếu tố mùa vụ là thực sự quan trọng đối với một số
dòng sản phẩm [7].

27. 26
Hình 1.10: Mô hình dự báo giá bán lẻ dựa trên Naïve Bayes
1.2.2.5 K-láng gi t (K-
ềng gần nhấ NN)
K- láng giềng gần nhất đƣợc coi nhƣ là một phƣơng pháp khá cổ điển và phổ
biến khi sử dụng trong các bài toán dự báo. K NN áp dụng nhiều trong các bài
-
toán có độ liên quan tới mùa vụ nhƣ dự báo giá nông sản, dự báo giá thị trƣờng cổ
phiếu, dự báo giá dầu, ...
Khalid Alkhatib và các cộng sự trong năm 2013 đã đề xuất một phƣơng pháp
dự báo giá cổ phiếu dựa trên K NN. Họ cho rằng, các đây là một chủ đề luôn luôn
-
cần đƣợc nghiên cứu tại các nƣớc phát triển. Hiện nay, thị trƣờng chứng khoán
đƣợc coi là một giao dịch nhiều lĩnh vực bởi trong nhiều trƣờng hợp nó mang lại lợi
nhuận dễ dàng với tỷ lệ rủi ro thấp trở lại. hị trƣờng chứng khoán với số khổng lồ
T
Naï ayes
Classifier
Product Group 1
Product Group 2
Product Group 3
Re ion
Analysis
PRODUCTS
VARIABLES
Number of Sales
Price
Profit
Seasonal Sales
FORECASTINGS

28. 27
và nguồn thông tin năng động đƣợc xem nhƣ là một môi trƣờng thích hợp cho khai
thác và kinh doanh dữ liệu nghiên cứu. Họ áp dụng NN và phƣơng pháp hồi quy
K-
phi tuyến tính để dự đoán giá cổ phiếu cho một mẫu sáu công ty lớn niêm yết trên
thị trƣờng chứng khoán Jordan để hỗ trợ các nhà đầu tƣ, quản lý, ra quyết định, và
ngƣời sử dụng trong việc đƣa ra chính xác và thông báo các khoản đầu tƣ quyết
định. Theo kết quả, các thuậ NN là có tỷ lệ lỗi nhỏ; kết quả là hợp lý với độ
t toán K-
chính xác khá cao. Ngoài ra, tùy thuộc vào giá cổ phiếu dữ liệu thực tế; các kết quả
dự báo là gần gũi và gần nhƣ song song với giá cổ phiếu thực tế [2].
1.3 báo
Phƣơng pháp đánh giá dự
Đánh giá dự báo là đánh giá độ chính xác của dự báo. Do đó, cần xác định
đƣợc các lỗi khi so sánh giữa giá trị thực và kết quả cho ra bởi mô hình ].
[9
- dependent error)
Lỗi phụ thuộc độ đo (scale –
Các lỗi dự báo đƣợc tính:
i
i
i
y
y
e


 -2)
(1
Trong đó dựa trên cùng một độ đo, cùng một dữ liệu. Hai phƣơng pháp phụ
thuộc và thông dụng nhất đƣợc dựa trên các lỗi tuyệt đối hoặc lỗi bình phƣơng:
Mean absolute error: MAE= mean( i
e ) (1-3)
mean squared error: RMSE =
Root 󰇛


) (1-4)
Khi so sánh các phƣơng pháp dự báo trên một tập dữ liệu duy nhất, MAE
đƣợc dùng phổ biến vì dễ dàng trong tính toán.
- Lỗi tỉ lệ (percentage error)
Các lỗi tỷ lệ đƣợc tính bởi: i
i
i y
e
p /
100
 -5)
(1
Lỗi tỉ lệ thuận lợi hơn lỗi phụ thuộc độ đo. Vì vậy thƣờng đƣợc sử dụng để so sánh
hiệu suất dự báo bộ dữ liệu khác nhau. Các biện pháp thƣờng đƣợc sử dụng nhất là:
Mean absolute percentage error: MAPE= 󰇛




) -6)
(1
- Lỗi độ đo:
Lỗi độ đo đƣợc đề xuất bởi Hyndman và Koehler (2006) nhƣ một sự thay thế
cho việc sử dụng các lỗi tỷ lệ phần trăm khi so sánh chính xác dự báo trên loạt trên

29. 28
quy mô khác nhau. Họ đề xuất nhân rộng các lỗi dựa trên đào tạo MAE từ một
phƣơng pháp dự báo đơn giản. Đối với một chuỗi thời gian không theo mùa, một
cách hữu ích để xác định một lỗi có quy mô sử dụng dự báo Naive:





 T
t
t
t
j
j
y
y
T
e
q
2
1
1
1 -7)
(1
Bởi vì tử số và mẫu số đều liên quan đến các giá trị trên độ đo của dữ liệu
gốc, qj là độc lập với quy mô của dữ liệu. Một lỗi có độ đo nhỏ hơn một nếu nó xuất
phát từ một dự báo tốt hơn so với dự báo N trung bình tính trên dữ liệu huấn
aive
luyện. Ngƣợc lại, nó lớn hơn một nếu theo dự báo là kém hơn so với dự báo naive
trung bình tính trên dữ liệu huấn luyện. Đối với chuỗi thời gian theo mùa, một lỗi có
thể đƣợc xác định bằng:






 T
m
t
m
t
t
j
j
y
y
m
T
e
q
1
1 -8)
(1
Đối với dữ liệu chéo:



 N
i
i
j
j
y
y
N
e
q
1
1 -9)
(1
Trong trƣờng hợp này, việc so sánh là với dự báo trung bình. Các sai số trung bình
có quy mô tuyệt đối là:
MASE=mean( j
q ) -10)
(1
1.4 Kết luận chƣơng 1
Trong chƣơng này, luận văn đã trình bày tổng quan các khái niệm cơ bản
liên quan tới dự báo, dự báo kinh tế. Các phƣơng pháp thƣờng sử dụng trong dự báo
kinh tế bao gồm các phƣơng pháp liên quan tới kinh tế lƣợng và học máy. Trong
luận văn sử dụng các phƣơng pháp định lƣợng để dự báo, do đó lý thuyết về phƣơng
pháp định lƣợng đƣợc trình bày nhiều hơn. Cuối chƣơng, luận văn cũng đƣa ra một
số phƣơng pháp xác định lỗi dự báo nhằm mục đích đánh giá độ chính xác của các
dự báo dựa trên sai lệch kết quả giữa mô hình và giá trị thực tế của dự báo.

30. 29
Chƣơng 2 Ứ Ụ ẠNG NƠ RON TRONG DỰ Ạ
: NG D NG M BÁO L M PHÁT
KINH TẾ
Trong chƣơng này trình bày khái niệm và kiến trúc của mạng nơ ron nhân
tạo, các phƣơng pháp học trên mạng nơ ron nhân tạo và ứng dụng mạng nơ ron
nhân tạo trong giải quyết bài toán dự báo lạm phát dựa trên một số các yếu tố tác
động. Phần thử nghiệm mô hình mạng nơ ron với dữ liệu đƣợc tải về từ Data world
b T
ank và ổng cục thống kê Việt Nam cho kết quả chấp nhận đƣợc.
2.1 M o
ạng nơ ron nhân tạ
Mạng nơron đƣợc giới thiệu đầu tiên năm 1943 bởi nhà thần kinh học
Warren McCulloch và nhà logic học Walter Pits. Dựa trên quan điểm cho rằng bộ
não ngƣời là bộ điều khiển.
Mỗi nơron sinh học có 4 thành phần cơ bản: Thân nơron (soma), Nhánh hình
cây (dendrite), S (synapse) [12].
ợi trục (axon), Khớp
2.1.1 Định nghĩa mạ ơron nhân tạ
ng N o (Artificial Neural Network -ANN):
Mạng nơ ron nhân tạo gọi tắt là mạng nơ ron là một mô hình xử lý thông tin
- -
phỏng theo cách thức xử lý thông tin của các hệ nơ ron sinh học. Nó đƣợc tạo lên từ
-
một số lƣợng lớn các phần tử (gọi là các nơ ron) kết nối với nhau thông qua các liên
-
kết (gọi là trọng số liên kết) làm việc nhƣ một thể thống nhất để giải quyết bài toán
dự báo giá 2].
[1
2.1.2 Các tính ch a m
ất củ ạng Nơron
Là hệ phi tuyến: m -
ạng nơ ron có khả năng to lớn trong lĩnh vực nhận dạng
và điều khiển các đối tƣợng phi tuyến.
Là hệ xử lý song song: m -
ạng nơ ron có cấu trúc song song, do đó có tốc độ
tính toán rất cao giúp nâng cao hiệu quả tính toán.
Là hệ học và thích nghi: mạng đƣợc luyện từ các số liệu quá khứ, có khả
năng tự chỉnh khi số liệu đầu vào bị mất, rất phù hợp với các hệ thống máy học.

31. 30
Là hệ nhiều biến, là hệ nhiều đầu vào, nhiều đầu ra (Many Input Many Output
- MIMO), rất tiện dùng khi đối tƣợng có nhiều biến.
2.1.3 C u trúc m
ấ ạng nơ – ron
2.1.3 x lý perceptron
.1 Đơn vị ử
Trên cơ sở mô hình Nơron sinh vật tổng quát ngƣời ta đề xuất mô hình nơ-
ron nhân tạo perceptron). Mô hình nơ ron nhân tạo đƣợc xây dựng từ ba thành
( -
phần chính: bộ tổng các liên kết đầu vào, động học tuyến tính và phi tuyến tính 2
[1 ].
Hình 2.1: Cấu trúc một perceptron
Để mô phỏng một nơ nó nhƣ một hệ thống nhiều đầu vào và một
-ron ta coi
đầu ra.
- B t ng liên k t: là b t ng h p các liên k u vào c a m t ph n t -
ộ ổ ế ộ ổ ợ ết đầ ủ ộ ầ ử nơ
ron có thể ả nhƣ sau:
mô t




n
j
j
i
ji
j x
w
a
1
 -1)
(2
Trong đó:
aj: là tổng tất cả các đầu vào mô tả toàn bộ thế năng tác
( )
Summing function
động ở thân nơ-ron.
xi: là các đầu vào , i=1,2,...n là số lƣợng đầu vào mô tả tín hiệu
( )
input signals
vào từ các đầu thần kinh hoặc từ các nơ ron khác đƣa vào. Các tín hiệu này
nhánh -
thƣờng đƣợc đƣa vào dƣới dạng một vector n chiều.

32. 31
wji: là trọng số liên kết , là hệ số mô tả mức độ liên kết giữa
( )
Synaptic weight
các đầu vào thứ i tới nơ ron thứ j.
-
θj: là ngƣỡng (còn gọi là một độ lệch ), đƣợc đƣa vào nhƣ một thành
- bias
phần của hàm truyền xác định ngƣỡng kích thích hay ức chế.
Hàm truyền ùng để giới hạn phạm vi đầu ra của mỗi
( ): d
Transfer function
nơron. Nó nhận đầu vào là kết quả của hàm tổng và ngƣỡng đã cho.Thông thƣờng,
phạm vi đầu ra của mỗi nơ ron đƣợc giới hạn trong đoạn [0,1] hoặc [
- -1, 1]. Các hàm
truyền rất đa dạng, có thể là các hàm tuyến tính hoặc phi tuyến. Việc lựa chọn hàm
truyền nào là tuỳ thuộc vào từng bài toán và kinh nghiệm của ngƣời thiết kế mạng.
2.1.3.2 n trình h c c a m
Tiế ọ ủ ạng nơ ron
Đối với con ngƣời, học là một quá trình rất quan trọng, nhờ học mà bộ não
ngày càng tích luỹ những kinh nghiệm để thích nghi với môi trƣờng và xử lý tình
huống tốt hơn.
Mạng nơ ron có khả năng học, nhớ lại và khái quát hóa từ các dữ liệu đã học
bằng cách gán và điều chỉnh các giá trị trọng số của các liên kết giữa các nơ ron.
Trong quá trình học, từ các giá trị đầu vào, qua quá trình xử lí để tìm đƣợc
các giá trị đầu ra.
là quá trình so sán
Sau đó h giá trị tạo ra bởi mạng nơ ron với giá trị đầu ra
mong muốn. Nếu hai giá trị này giống nh đổi gì cả. Tuy nhiên, nếu
au thì không thay
có một sai lệch giữa hai giá trị này vƣợt quá giá trị sai số mong muốn thì đ ƣợc
i ng
mạng từ đầu ra về đầ để thay đổi một số kết nối.
u vào
Đây là một quá trình lặp liên tục và có thể không dừng khi không tìm các giá
trị trọng số đầu ra tạo bởi mạng nơ ron bằng đ đầu ra mong muốn. Do
sao cho úng
đó trong thực tế ngƣời ta phải thiết lập tiêu chuẩn dựa trên một giá trị sai số nào đó
của hai giá trị này, hay dựa trên một số lần lặp xác định.
2.1.3.3 :
Mạng nơ ron nhiều lớp
Trong mạng nơ ron truyền thẳng nhiều lớp, các liên kết đi theo một hƣớng
-
nhất định từ lớp vào tới lớp ra. Chúng không tạo thành đồ thị có chu trình với các
đỉnh là các nơ ron, các cung là các liên kết giữa chúng.
-

33. 32
Hình 2.2: Mạng nơ ron nhiều lớp
Một mạng truyền thẳng nhiều lớp bao gồm một lớp vào ), một
(Input layer
lớp ra ) và một hoặc nhiều lớp ẩn ) nằm giữa lớp vào và
(Output layer (Hidden layer
lớp ra. Các nơ ron đầu vào thực chất không phải là các nơ ron theo đúng nghĩa
- -
bởi chúng chƣa thực hiện bất kỳ một tính toán nào trên dữ liệu vào mà chỉ đơn giản
là nhập dữ liệu từ bên ngoài đƣa vào và chuyển cho các lớp kế tiếp. Các nơ ron lớp
-
ẩn và lớp ra mới thực sự thực hiện tính toán, kết quả đƣợc tính toán thông qua hàm
chuyển. Cụm từ “truyền thẳng”( ) (không phải là trái nghĩa với lan
feed forword
truyền ngƣợc) liên quan đến một thực tế là mỗi nơ ron của lớp này chỉ đƣợc kết nối
-
với các nơ ron ở lớp kế tiếp theo một hƣớng, không cho phép các liên kết giữa các
-
nơ ron cùng một lớp hoặc các liên kết ngƣợc giữa nơ ron lớp vào và lớp ra.
- -
Luồng thông tin trong mạng nơ ron đi từ trái qua phải, các giá trị đầu vào x
-
đƣợc truyền tới các nơ ron lớp ẩn thông qua trọng số kết nối sau đó đƣa tới lớp ra.
-
Trọng số kết nối từ nơ-ron ẩn thứ j tới nơ-ron ra thứ k đƣợc kí hiệu là vjk.
Mỗi nơ ron tính toán đầu ra của nó dựa trên mức độ kích thích nhận về từ
-
đầu vào. Cụ thể, đầu vào của nơ ron đƣợc tính bằng tổng các trọng số đầu vào của
-
nó, đầu ra của nơ ron đƣợc tính dựa trên hàm kích hoạt.
-
Với lớp nơ ron ẩn thứ j:
-






n
i
j
i
j
i
ij
j a
f
y
x
w
a
1
,
 (2-2)
-
Với nơ ron ra thứ k:

34. 33






k
j
k
k
k
j
kj
j a
f
z
y
v
a
1
,
 (2-3)
Trong đó:
aj, ak: là tổng ( )
Summing function tất cả các đầu vào mô tả toàn bộ thế năng tác
động ở thân nơ ron thứ j thuộc lớp ẩn và nơ ron thứ k thuộc lớp ra.
- -
xi, yj: là các đầu vào ...n là số lƣợng đầu vào của nơ
( i=1,2,
input signals), ron
thứ j trong lớp ẩn. Và j=1, 2, ...k là số lƣợng đầu vào của ron thứ k trong lớp ra
nơ- .
wji, vkj: là trọng số liên kết giữa các đầu vào của nơ ron thứ j
( )
Synaptic weight -
thuộc lớp ẩn và nơ-ron thứ k thuộc lớp ra.
θj, θk: là ngƣỡng (còn gọi là một độ lệch ), đƣợc đƣa vào nhƣ một thành
- bias
phần của hàm truyền xác định ngƣỡng kích thích hay ức chế.
2.1.3.4 c trên m
Phƣơng pháp họ ạng nơ ron
H c trong m - c hi u theo hai m h c v c u trúc và h c v
ọ ạng nơ ron đƣợ ể ặt: ọ ề ấ ọ ề
tham s . H c c u trúc là lu t h bi i v s l p trong m
ố ọ ấ ậ ọc qua đó có sự ến đổ ề ố ớ ạng cũng
nhƣ sự thay đổ ố nơ ỗ ớ ọ ố ậ ọc thay đổ ậ ậ
i s -ron trong m i l p. H c tham s là lu t h i, c p nh t
các trọ ố ế
ng s liên k t.
2.1.3.5 H c tham s :
ọ ố
H c tham s phù h p v i tín hi u vào có nhi u ho c d u vào
ọ ố ợ ớ ệu đầ ễ ặ ữ liệu đầ
ph c t p. Quá trình h c trong m ng ANN th c ch t là m t quá trình hu n luy
ứ ạ ọ ạ ự ấ ộ ấ ện
m ng sao cho t m
ạ ừ ột tậ ữ ệ ầu vào ta thu đƣợ ậ ữ ệu đầ ố
p d li u đ c t p d li u ra mong mu n.
N u d t quá sai s cho phép thì m ng s t u ch nh (có th
ế ữ liệu ra vƣợ ố ạ ẽ ự điề ỉ ể thay đổi
trọ ố ế ữ ầ ặc thay đổ ấ ạng) để thu đƣợ
ng s liên k t gi a các thành ph n ho i c u trúc m c tín
hi u ra mong mu n. H c tham s là quá trình hu n luy i các tr
ệu đầ ố ọ ố ấ ện làm thay đổ ọng
s liên k t c a m c k t qu yêu c u. Trong quá trình này, các tr ng s
ố ế ủ ạng để đạt đƣợ ế ả ầ ọ ố
c a m ng s h i t d n t i các giá tr sao cho v i m u vào x t t p hu n
ủ ạ ẽ ộ ụ ầ ớ ị ớ ỗi vector đầ ừ ậ ấ
luy n, m ng s n.
ệ ạ ẽ cho ra vector đầu ra y nhƣ mong muố

35. 34
2.1.3.6 H c giám sát v t toán lan truy c
ọ ới thuậ ề ợ
n ngƣ
Thuật toán tổng quát cho học có giám sát trong các mạng nơ ron có nhiều cài
-
đặt khác nhau, sự khác nhau chủ yếu là cách các trọng số liên kết đƣợc thay đổi
trong suốt thời gian học. Trong đó tiêu biểu nhất là thuật toán lan truyền ngƣợc.
Về cơ bản, thuật toán lan truyền ngƣợc là dạng tổng quát của thuật toán trung
bình bình phƣơng tối thiểu Thuật toán này thuộc dạng
(Least Means Square-LMS).
thuật toán xấp xỉ để tìm các điểm mà tại đó hiệu năng của mạng là tối ƣu. Chỉ số tối
ƣu thƣờng đƣợc xác định bởi một hàm số của ma trận trọng số và các đầu vào nào
đó mà trong quá trình tìm hiểu bài toán đặt ra.
Giải thuật học lan truyền ngƣợc tìm kiếm một vectơ các trọng số (weight
vector) giúp cực tiểu hóa lỗi tổng thể của hệ thống đối với tập học.
Giải thuật lan truyền ngƣợc gồm hai giai đoạn:
+ Giai đoạn lan truyền tiến (Signal forword). Các tín hiệu đầu vào (vectơ các giá
trị đầu vào) đƣợc lan truyền tiến từ tầng đầu vào đến tầng đầu ra (đi qua các tầng ẩn).
Truyền tuyến tính (tính output của các nơ ron): dữ liệu từ lớp đầu vào qua
-
lớp ẩn và đến lớp đầu ra để thay đổi giá trị của trọng số liên kết w của các nơ ron
trong mạng biểu diễn dữ liệu học. Sự khác nhau giữa giá trị mong muốn và giá trị
mà mạng tính đƣợc gọi là lỗi.
+ Giai đoạn lan truyền ngƣợc lỗi (Error backward):
Truyền ngƣợc (thay đổi trọng số của các cung, dùng thông tin gradient của
hàm lỗi): giá trị lỗi sẽ đƣợc truyền ngƣợc lại sao cho quá trình huấn luyện sẽ tìm ra
trọng số để lỗi nhỏ nhất.
 Căn cứ ị đầ ố ủa vectơ đầ ệ ố
vào giá tr u ra mong mu n c u vào, h th ng
tính toán giá trị ỗ
l i.
 B u t t u ra, giá tr l c lan truy c qua m ng, t
ắt đầ ừ ầng đầ ị ỗi đƣợ ền ngƣợ ạ ừ
t ng này qua t n t u vào.
ầ ầng khác (phía trƣớc), cho đế ầng đầ
 Việ ền ngƣợ ỗ propagation) đƣợ ự ệ
c lan truy c l i (Error back- c th c hi n
thông qua vi c tính toán (m t cách truy h i) giá tr gradient c c b
ệ ộ ồ ị ụ ộ
c a m .
ủ ỗi nơ ron

36. 35
Xét một mạng nơ rơn 3 lớp
- : lớp đầu vào (input), lớp ẩn (hidden), lớp đầu ra
(output).
Hàm kích hoạt của các nơ-ron: logistic sigmoid
x
e
x
g 


1
1
)
( -4)
(2
Hàm lỗi :
2
)
(
)
(
2
t
Z
Z
E

 -5)
(2
Với : đầu ra mong muốn
t
z: đầu ra thực tế.
Hình 2.3: Mạng nơ ron 3 lớp
+ Đạo hàm riêng của hàm lỗi theo trọng số b:
b
v
v
z
z
E
b
E









-6)
(2
Ta có :
 )
( t
z
E




(2-7)
 )
1
( z
z
v
g
v
z 





 (2-8)









0
,
0
,
1
i
y
i
b
v
i
i
(2-9)

37. 36



















0
,
0
,
1
)
1
(
)
(
i
y
i
b
v
z
z
v
g
v
z
t
z
z
E
i
i
-10)
(2
Đặt )
1
(
)
( z
z
t
z
v
z
z
E
p 






 -11)
(2
Khi đó ta đƣợc:








0
,
0
,
i
py
i
p
b
E
i
i
-12)
(2
 Nơ ron tầ ẩ
ng n :
y = g(u) -13)
(2




d
i
i
ia
x
a
u
1
0 -14)
(2
 Đạ ủ ỗ ọ ố
o hàm riêng c a hàm l i theo tr ng s a:
a
u
u
y
y
E
a
E









(2-15)
Ta có : 
 







 K
i
i
i
i
i y
v
v
z
z
E
y
E
1
(2-16)
i
i
i
i
i
i
i
i
p
z
z
t
z
v
z
z
E








)
1
(
)
( (2-17)
i
i
b
y
v



(2-18)
)
1
( y
y
u
y




(2-19)








0
, 0
,
1 j
x
j
a
u
j
j
(2-20)
Đặt 








K
i
i
i
y
y
b
p
u
y
y
E
q
1
)
1
( -21)
(2
Ta được :








0
0
i
qx
i
q
a
E
i
i

(2-22)

38. 37
Sau khi tính đƣợc đạo hàm riêng của hàm lỗi theo từng trọng số.Trọng số sẽ
đƣợc điều chỉnh bằng cách trừ bớt 1 lƣợng bằng tích của đạo hàm riêng và tốc độ học:
i
i
i
w
E
w
w



  (2-23)
2.1.3.7 Thu t toán lan truy c
ậ ề ợ
n ngƣ
Để huấn luyện một mạng và xem xét nó thực hiện tốt đến đâu, ngƣời ta xây
dựng hàm đánh giá để cung cấp cách thức đánh giá hệ thống một cách không nhập
nhằng. Việc chọn hàm đánh giá là rất quan trọng bởi hàm đánh giá thể hiện mục
tiêu thiết kế và thuật toán huấn luyện nào có thể áp dụng. Để phát triển một hàm
mục tiêu đo chính xác cái chúng ta muốn không phải là việc dễ dàng. Hàm đƣợc sử
dụng rộng rãi là hàm tổng bình phƣơng lỗi:




n
k
k
k y
d
E
1
2
2
1
)
( -24)
(2
Trong đó:
E: là sai số
dk: giá trị mong muốn tại đầu ra thứ k
yk: giá trị thực tế đầu ra thứ k
2.2 L m phát kinh t
ạ ế
2.2.1 Khái ni m l m phát
ệ ạ
Lạm phát đƣợc định nghĩa là sự gia tăng liên tục trong mức giá chung. Điều
này không nhất thiết có nghĩa giá cả của mọi hàng hóa và dịch vụ đồng thời phải
tăng lên theo cùng một tỷ lệ, mà chỉ cần mức giá trung bình tăng lên. Lạm phát vẫn
có thể xảy ra khi giá của một số hàng hóa giảm, nhƣng giá cả của các hàng hóa và
dịch vụ khác tăng đủ mạnh. Lạm phát cũng có thể đƣợc định nghĩa là sự suy giảm
sức mua của đồng tiền. Trong bối cảnh lạm phát, một đơn vị tiền tệ mua đƣợc ngày
càng ít đơn vị hàng hóa và dịch vụ hơn. Hay nói một cách khác, trong bối cảnh lạm

39. 38
phát, chúng ta sẽ phải chi ngày càng nhiều tiền hơn để mua một giỏ hàng hóa và
dịch vụ nhất định. Nếu thu nhập bằng tiền không tăng kịp tốc độ trƣợt giá, thì thu
nhập thực tế, tức là sức mua của thu nhập bằng tiền sẽ giảm. Do vậy, thu nhập thực
tế tăng lên hay giảm xuống trong thời kỳ lạm phát phụ thuộc vào điều gì xảy ra với
thu nhập bằng tiền, tức là, phải chăng các cá nhân có nhận thêm lƣợng tiền đã giảm
giá trị đủ để bù đắp cho sự gia tăng của mức giá hay không. Ngƣời dân vẫn có thể
trở nên khá giá hơn khi thu nhập bằng tiền tăng nhanh hơn tốc độ tăng giá.
Lạm phát là tỷ lệ mà tại đó mức chung của giá cả hàng hóa và dịch vụ đang
tăng, và do đó, sức mua của tiền tệ đang giảm. Ngân hàng trung ƣơng cố gắng để
hạn chế lạm phát, và tránh tình trạng giảm phát, để giữ cho nền kinh tế vận hành
trơn tru.
Lạm phát là một phạm trù vốn có của nền kinh tế thị trƣờng, nó xuất hiện khi
các yêu cầu của các quy luật kinh tế hàng hoá không đƣợc tôn trọng, nhất là quy
luật lƣu thông tiền tệ. Ở đâu còn sản xuất hà , còn tồn tại những quan hệ hàng
ng hoá
hoá tiền tệ thì ở đó còn ẩn náu khả năng lạm phát và lạm phát chỉ xuất hiện khi các
quy luật của lƣu thông tiền tệ bị vi phạm.
Định nghĩa 2.1 [Lạm phát]:
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
Theo nhƣ định nghĩa lạm phát đó chính là sức mua của một đơn vị tiền tệ rớt
xuống, có nghĩa hàng hóa tăng giá. Ví dụ, nếu tỷ lệ lạm phát là 2%, sau đó là một
gói kẹo cao su mà chi phí $ 1 trong một năm sẽ có giá 1,02 $ các năm tiếp theo. Khi
hàng hóa và dịch vụ đòi hỏi nhiều tiền hơn để mua, giá trị của đồng tiền mất giá.
Lý thuyết kinh tế hiện đại mô tả ba loại lạm phát:
+ Lạm phát chi phí đẩy là do tăng lƣơng gây ra các doanh nghiệp phải tăng
giá để bù đắp chi phí lao động cao hơn, dẫn đến nhu cầu về tiền lƣơng vẫn cao
(xoắn ốc giá tiền lƣơng).

40. 39
+ 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 gây ra bởi việc mở rộng cung tiền do in nhiều tiền hơn
(
bằng một chính phủ để bù đắp thâm hụt ngân sách của nó).
2.2.2 Phân lo m phát
ại lạ
Lạm phát thƣờng đƣợc phân loại dựa trên tính chất hoặc theo mức độ của tỷ
lệ lạm phát. Việc phân loại lạm phát theo tính chất sẽ 3 loại lạm phát:
chia thành
lạm phát vừa phải, lạm phát phi mã và siêu lạm phát.
Lạm phát vừa phải: lạm phát vừa phải đƣợc đặc trƣng bởi mức giá tăng
chậm và nhìn chung có thể dự đoán trƣớc đƣợc vì tƣơng đối ổn định. Đối với các
nƣớc đang phát triển lạm phát ở mức một con số thƣờng đƣợc coi là vừa phải. Đó là
mức lạm phát mà bình thƣờng nền kinh tế trải qua và ít gây tác động tiêu cực đến
nền kinh tế.
Lạm phát phi mã: lạm phát trong phạm vi hai hoặc ba con số một năm
thƣờng đƣợc gọi là lạm phát phi mã. Việt Nam và hầu hết các nƣớc chuyển đổi từ
cơ chế kế hoạch hóa tập trung sang nền kinh tế thị trƣờng đều phải đổi mặt với lạm
phát phi mã trong những năm đầu thực hiện cải cách. Nhìn chung lạm phát phi mã
đƣợc duy trì trong thời gian dài sẽ gây ra những biến dạng kinh tế nghiêm trọng.
Trong bối cảnh đó, đồng tiền bị mất giá rất nhanh, cho nên mọi ngƣời chỉ giữ lƣợng
tiền tối thiểu vừa đủ cho các giao dịch hàng ngày. Mọi ngƣời có xu hƣớng tích trữ
hàng hóa, mua bất động sản và chuyển sang sử dụng vàng hoặc các ngoại tệ mạnh
để làm phƣơng tiện thanh toán cho các giao dịch có giá trị lớn và tích lũy của cải.
Siêu lạm phát: siêu lạm phát là trƣờng hợp lạm phát đặc biệt cao. Định nghĩa
cổ điển về siêu lạm phát do nhà kinh tế ngƣời Mỹ, Phillip Cagan đƣa ra là mức lạm
phát hàng tháng từ 50% trở lên. Trong khi lạm phát 50% một tháng có thể không
thực sự gây ấn tƣợng, nhƣng nếu tỷ lệ lạm phát này đƣợc duy trì liên tục suốt 12
tháng thì tỷ lệ lạm phát cả năm sẽ lên tới khoảng 13.000 phần trăm.

41. 40
2.2.3 m phát
Các phƣơng pháp tính lạ
Có khá nhiều phƣơng pháp tính lạm phát đƣợc đƣa ra. Tuy nhiên, phổ biến
ngƣời ta thƣờng dùng 03 cách tính lạm phát dƣới đây:
- Chỉ số giá tiêu dùng: CPI Consumer Price Index
CPI hay còn gọi là chỉ số giá tiêu dùng (CPI Consumer Price Index). Nó thể
hiện mức giá trung bình của các loại hàng hóa hay dịch vụ trong thời kỳ phân tích.
Tiếp theo, gắn trọng số của các mặt hàng trong rổ và tính:




n
j
j
j
p d
Ip
I
CPI
1
. -25)
(2
Trong đó: Ipj d
là giá mặt hàng thứ j và j là tỷ trọng tiêu dùng của mặt hàng thứ j.
Từ đó, tỉ lệ lạm phát CPI đƣợc tính theo công thức sau:
Tỷ lệ lạm phát = [ Ip/Ip-1 1] x 100% -26)
– (2
Trong đó, Ip là chỉ số giá tiêu dùng (CPI) của kỳ đang tính và Ip-1 là CPI của kỳtrƣớc.
- Chỉ số giá sản xuất: PPI Producer Price Index
PPI (Producer Price Index) còn đƣợc gọi là chỉ số giá bán buôn hay chỉ số
giá sản xuất đƣợc tính tƣơng tự nhƣ CPI, nhƣng ít thông dụng, trong khi GDP
Deflator lại đƣợc quan tâm nhiều hơn.




n
j
j
j
p d
Ip
I
CPI
1
. -27)
(2
Từ công thức trên, ta dễ dàng nhận ra GDP Deflator là thƣớc đo của giá hàng
hóa đƣợc mua sắm bởi Chính phủ, các hãng và hộ gia đình.
Lạm phát đƣợc định nghĩa nhƣ là phần trăm thay đổi của mức giá chung
(mức giá trung bình) trong một khoảng thời gian (thƣờng là một năm), điều này
tƣơng ứng với phần trăm thay đổi của GDP Deflator của năm này so với năm trƣớc:




n
j
j
j
p d
Ip
I
CPI
1
. -28)
(2
- GDP giảm phát: GDP Deflator

42. 41
Lạm phát đƣợc định nghĩa nhƣ là phần trăm thay đổi của mức giá chung
(mức giá trung bình) trong một khoảng thời gian (thƣờng là một năm), điều này
tƣơng ứng với phần trăm thay đổi của GDP Deflator của năm này so với năm trƣớc:
%
100
inf
1
1
2
x
Deflator
Deflator
Deflator
lationrate

 (2-29)
2.3 ng d ng m ron trong d báo l m phát
Ứ ụ ạng nơ ự ạ
2.3.1 Các nghiên c u liên quan
ứ
Bên cạnh những mô hình kinh tế lƣợng, còn có nhiều công trình nghiên cứu
ứng dụng mạng nơ ron 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 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)

43. 42
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); còn kết luận thêm mô hình
Khashei & Bijari (2011)
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 [1].
2.3.2 Phân tích các nhân tố ảnh hƣởng
Theo ngân hàng dữ liệu thế giới, các phân tích về lạm phát các quốc gia đều
đƣợc lƣu trữ và thể hiện trên các biểu đồ. Biểu đồ dƣới đây thể hiện lạm phát của
Việt Nam so với một số nƣớc trong khu vực và thế giới.
Hình 2.4: Biểu đồ thể hiện lạm phát Việt Nam và trung bình thế giới.

44. 43
Các nhân tố ảnh hƣởng trực tiếp tới lạm phát CPI, chỉ số giá tiêu dùng. Tuy
nhiên, trong quá trình vận động của nền kinh tế hàng hóa, CPI có thể tăng lên do
việc giới thiệu hàng hóa mới, hoặc hàng hóa đƣợc cải thiện về chất lƣợng, hay do
mục đích của Chính phủ cũng làm tăng chỉ số giá tiêu dùng. Do vậy, đôi khi việc dự
báo dựa trên nhân tố CPI dƣờng nhƣ rất khó khăn. Giả sử rằng, GDP giảm phát
đƣợc dùng làm nhân tố trong dự báo lạm phát. Thông thƣờng GDP giảm phát
thƣờng xuất hiện sau khi có lạm phát, có nghĩa là sức mua của ngƣời tiêu dùng
giảm, nền kinh tế bị co lại cũng sẽ rất khó khăn để dự báo lạm phát bởi phải xác
định đƣợc thời điểm mà nền kinh tế phục hồi, sau đó là nền kinh tế phát triển mới
có thể thực hiện bƣớc dự báo lạm phát tiếp theo. Do vậy, sử dụng GDP giảm phát
để dự báo lạm phát cũng không phù hợp. Một số các công trình khoa học cho thấy
áp dụng một số nhân tố sau cũng mang lại hiệu quả cho dự báo lạm phát:
- Giá vàng
- Trung tâm nghiên cứu hàng hóa (CRB index)
- Tổng hợp giá cả
- FDI
- GDP
- …
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 trên dễ dàng đƣợc tính toán trong kỳ ngắn hạn mà không cần
chờ tổng hợp kết quả nhƣ chỉ số giá tiêu dùng CPI hay tổng thu nhập quốc nội nhƣ
GDP hoặc chờ giá giảm phát GDP. Mặt khác các nhân tố trên bị ảnh hƣởng rất nhỏ
bởi yếu tố mùa vụ, tuy nhiên cũng ảnh hƣởng bởi quy luật thị trƣờng và sự điều tiết
của chính phủ.

45. 44
2.3.3 Xây d ng mô hình m báo l m phát.
ự ạng nơ ron dự ạ
Dựa theo mục phân tích trên, luận văn xây dựng mạng nơ ron mô phỏng bao
gồm 4 đơn vị đầu vào, 1 đầu ra và 01 lớp ẩn với 5 nơ ron trong tầng ẩn. Hình 2.5
dƣới đây mô phỏng mô hình mạng nơ ron sử dụng trong luận văn.
Hình 2.5: Kiến trúc mạng nơ ron dự báo sử dụng trong luận văn
Mạng nơ ron trong Hình 2.5 có 04 đầu vào tƣơng ứng với các nhân tố (features)
có ảnh hƣởng tới dự báo lạm phát: chỉ số giá vàng, chỉ số giá đô, chỉ số hàng hóa nhập
khẩu, chỉ số hàng hóa xuất khẩu. Tầng ẩn bao gồm 05 nơ ron dùng để xử lý với hàm
truyền sigmod và cuối cùng là đầu ra với 01 no ron dùng dự báo kết quả.
2.4 Kết luận chƣơng 2
Trong chƣơng này, luận văn đã trình bày các phƣơng pháp tính lạm phát, các
nhân tố tác động tới lạm phát và phƣơng pháp huấn luyện trên mạng nơ ron đa lớp.
Từ đó, luận văn cũng đƣa ra một phƣơng pháp dự báo lạm phát dựa trên đa nhân tố
bao gồm: chỉ số giá vàng, chỉ số giá đô, chỉ số hàng hóa xuất khẩu, chỉ số hàng hóa
nhập khẩu. Luận văn cũng đã thiết kế cấu trúc của mạng nơ ron phù hợp với các
nhân tố ảnh hƣởng tới kết quả của dự báo lạm phá

46. 45
Ch N
󰉼
󰉼
󰉼
󰉼
󰉼ơng 3: PHÁT TRIỂ Ứ Ụ ẠNG NƠ RON TRONG DỰ
NG D NG M BÁO
L M PHÁT KINH T
Ạ Ế
Trong chƣơng này, luận văn trình bày kết quả thực hiện của phƣơng pháp đã
đề xuất ở chƣơng 2, mô hình hóa thành chƣơng trình, cài đặt trên môi trƣờng hệ
điều hành Windows và đánh giá kết quả dự báo.
3.1 Phân tích ki n trúc t ng quát c a h
ế ổ ủ ệ thống
3.1.1 Yêu c a h
ầu củ ệ thống
Hệ thống dự báo kinh tế bao gồm 2 pha chính: pha huấn luyện và pha dự báo
- Pha huấn luyện: ha huấn luyện thực hiện việc huấn luyện dữ liệu dựa trên
p
mạng nơ ron nhân tạo.
- p
Pha dự báo: ha dự báo sử dụng bộ dữ liệu với các thông số đầu vào đảm
bảo với yêu cầu, cùng kiểu định dạng dữ liệu và thực hiện cho kết quả đầu ra.
3.1.2 Các ch a h
ức năng cơ bản củ ệ thống
Chức năng tổng quát
Dựa vào yêu cầu của hệ thống dự báo lạm phát kinh tế, chức năng chính của
hệ thống đƣợc mô tả nhƣ hình vẽ 3.1 dƣới đây
Hình 3.1: Sơ đồ chức năng hệ thống dự báo
Hình 3.2 dƣới đây mô tả biểu đồ ca sử dụng tổng quát của hệ thống trong biểu đồ
use case tổng quát.

47. 46
 Quyền quản trị: ngƣời 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
3.2 i pháp công ngh và ngôn ng l p trình
Giả ệ ữ ậ
3.2.1 H n tr CSDL Microsoft SQL Server 2012
ệ quả ị
Hệ quản trị cơ sở dữ liệu Microsoft SQL server (MSSQL) là một trong
những hệ quản trị cơ sở dữ liệu thông dụng hiện nay. Nó là phiên bản có hiệu suất
làm việc cao và có nhiều tính nắng mới. Đây là hệ quản trị cơ sở dữ liệu thƣờng
đƣợc sử dụng với các hệ thống trung bình, với ƣu điểm có các công cụ quản lý
mạnh mẽ giúp cho việc quản lý và bảo trì hệ thống dễ dàng, hỗ trợ nhiều phƣơng
pháp lƣu trữ, phân vùng và đánh chỉ mục phục vụ cho việc tối ƣu hóa hiệu năng.
Với phiên bản MSSQL 2012 Microsoft đã có những cải tiến đáng kể nâng cao hiệu
năng, tính sẵn sàng của hệ thống, khả năng mở rộng và bảo mật.

48. 47
Hình 3.3: Các dịch vụ của SQL server 2012
3.2.2 Microsoft .Net
3.2.2.1 n trúc c a Microsoft .NET
Kiế ủ
Hình 3.4: Thành phần chính của Microsoft .NET
3.2.2.2 Framework
Microsoft .NET
Hình 3.5: Microsoft .NET Framework
3.2.3 Ngôn ng l p trình C#
ữ ậ
Ngôn ngữ C# khá đơn giản với khoảng 80 từ khóa và khoảng hơn mƣời kiểu
dữ liệu xây dựng sẵn. Tuy nhiên, ngôn ngữ C# có ý nghĩa cao khi nó thực thi những
khái niệm lập trình hiện đại. C# bao gồm tất cả những hỗ trợ cho cấu trúc, thành
phần, lập trình hƣớng đối tƣợng. Những tính chất đó hiện diện trong ngôn ngữ lập

49. 48
trình hiện đại và ngôn ngữ C# hôi tụ đủ những điều kiện nhƣ vậy, hơn nữa nó đƣợc
xây dựng trên nền tảng của hai ngôn ngữ mạnh nhất là C++ và java.
3.3 K t qu nghi
ế ả thử ệm
3.3.1 Ngu d
ồn dữ liệu sử ụng
Dữ liệu dùng cho thử nghiệm đƣợc lấy từ 02 nguồn.
Ngân hàng dữ liệu thế giới và tổng cục thống kê Việt Nam
- bank) t t
Ngân hàng dữ liệu thế giới (Data world ại Ngân hàng Thế giới, ập
đoàn phát triển dữ liệu làm công tác thống kê và dữ liệu và duy trì một số cơ sở dữ
liệu ở tầm vĩ mô, thế giới và khu vực, biên soạn và phổ biến các dữ liệu để đảm bảo
rằng ngƣời sử dụng tất cả các dữ liệu có thể tin tƣởng vào chất lƣợng và tính toàn
vẹn của dữ liệu sản xuất. Nhiều dữ liệu xuất phát từ hệ thống thống kê của các nƣớc
thành viên, và chất lƣợng của dữ liệu toàn cầu phụ thuộc vào hệ thống quốc gia thực
hiện. Ngân hàng Thế giới hoạt động để giúp các nƣớc đang phát triển nâng cao năng
lực, hiệu quả và hiệu quả của hệ thống thống kê quốc gia. Nếu không có dữ liệu
quốc gia tốt hơn và toàn diện hơn, nó sẽ khó khăn để phát triển các chính sách hiệu
quả, giám sát việc thực hiện chiến lƣợc xóa đói giảm nghèo, hoặc theo dõi tiến trình
thực hiện mục tiêu toàn cầu.

50. 49
Hình 3.6: Ngân hàng dữ liệu thế giới
Việc sử dụng dữ liệu của Data world bank đƣợc thực hiện miễn phí bằng
cách lựa chọn quốc gia hoặc các chỉ số và tiến hành download tài liệu file excel
hoặc file .pdf để thực hiện phân tích.
-Tổng cục thống kê Việt Nam
Hiện nay, Tổng cục Thống kê là cơ quan trực thuộc Bộ Kế hoạch và Đầu tƣ
thực hiện chức năng tham mƣu, giúp Bộ trƣởng Bộ Kế hoạch và Đầu tƣ quản lý nhà
nƣớc về thống kê; tổ chức các hoạt động thống kê và cung cấp thông tin thống kê kinh
tế - xã hội cho các cơ quan, tổ chức, cá nhân trong nƣớc và quốc tế theo quy định của
pháp luật. Tổng cục Thống kê đƣợc tổ chức theo hệ thống dọc từ Trung ƣơng đến địa
phƣơng theo đơn vị hành chính. Những thông tin thống kê do Tổng cục Thống kê công
bố, cung cấp là nguồn thông tin chính thống, có tính pháp lý, đƣợc các cấp, các ngành,
các tổ chức, cá nhân trong nƣớc và quốc tế tin cậy, sử dụng.

51. 50
Hình 3.7: Tổng cục thống kê Việt Nam
3.3.2 D u dùng cho th
ữ liệ ử nghiệm:
Với 04 yếu tố ảnh hƣởng, luận văn thực hiện thử nghiệm dự báo kết quả lạm
phát với các quốc gia sau:
- Mỹ
- Canada
- Việt Nam (sử dụng 02 dữ liệu của Cục thống kê và Ban dự báo kinh tế của Bộ
kế hoạch và đầu tƣ hi tiết
) c về dữ liệu thử nghiệm đƣợc thể hiện ở bảng sau:
B ng 3.1: d u th nghi m
ả Mô tả ữ liệ ử ệ
STT
Tên quốc
gia
Dự báo theo
tháng( năm,
quý)
Nguồn
Số mẫu
huấn
luyện
Thời gian
huấn luyện
Khoảng thời
gian dự báo
1 Mỹ Năm DWB 40 1970-2010 2010-2015
2 Canada Năm DWB 40 1970-2010 2010-2015
3 Việt Nam Tháng GSO 215
1/1997-
12/2013
Các tháng của
năm 2014

52. 51
Trong bảng dữ liệu thử nghiệm trên, đối với Mỹ và Canada, bộ dữ liệu thử
nghiệm đƣợc lấy theo năm, số mẫu thử nghiệm 40 (từ năm 1970 đến năm 2010),
khoảng thời gian dự báo là 5 năm (từ năm 2010 đến năm 2015). Đối với Việt Nam,
bộ dữ liệu đƣợc lấy theo tháng, số mẫu dùng để huấn luyện là 215 mẫu (tƣơng
đƣơng 215 tháng) từ tháng 1/1997 đến tháng 12/2013, khoảng thời gian dự báo là
các tháng của năm 2014.
Bảng 3.2 dƣới đây là bộ dữ liệu thử nghiệm của Việt Nam, với 4 chỉ số đầu
vào là: chỉ số giá vàng, chỉ số giá đô la, chỉ số xuất khẩu, chỉ số nhập khẩu, bộ dữ
liệu mô tả thử nghiệm theo tháng.
B ng 3.2: B d u th nghi
ả ộ ữ liệ ử ệm
Dữ liệu của Việt Nam đƣợc thực hiện 12 tháng/ năm. Quá trình thử nghiệm
thực hiện trong kỳ ngắn hạn cho 2 đến 3 tháng tiếp theo.
3.3.3 K t qu nghi
ế ả thử ệm
Luận văn thực hiện đánh giá kết quả dựa trên lỗi sai số giữa kết quả dự báo
đƣợc đƣa ra bởi phƣơng pháp của luận văn và kết quả thực trên DWB hoặc GSO
(Lỗi tỉ lệ trung bình).
Bảng 3.2 dƣới đây mô tả kết quả thử nghiệm của phƣơng pháp.

53. 52
B ng 3.3: K nghi m
ả ết quả thử ệ
STT Tên quốc gia Tỉ lệ
1 Mỹ 9.2%
2 Canada 7.8%
3 Việt Nam 10.1%
Đối với Việt Nam, sử dụng 215 mẫu để huấn luyện, còn với Mỹ và Canada
số mẫu huấn luyện là 40. Số mẫu huấn luyện càng nhiều sẽ cho kết quả dự báo càng
khả quan.
Quốc gia có tỉ lệ lỗi trung bình thấp hơn thì tình hình phát triển kinh tế ổn
định hơn, ít biến động hơn.
Với bảng số liệu trên, Mỹ và Canada bộ dữ liệu huấn luyện là theo năm nên
ta có thể so sánh đƣợc tỉ lệ lỗi trung bình của Mỹ và Canada, cho kết quả là Canada
có tỉ lệ lỗi trung bình nhỏ hơn Mỹ.
Trong luận văn không so sánh đƣợc tỉ lệ lỗi trung bình của Mỹ và Canada
với Việt Nam do không cùng bộ dữ liệu thử nghiệm và số mẫu huấn luyện.
Tuy nhiên, tỉ lệ lỗi trung bình của Việt Nam cao là do nền kinh tế của Việt
Nam có nhiều biến độn (đây là nhận định riêng của tác giả khi thực hiện với bộ dữ
g
liệu thử nghiệm).

54. 53
3.4 M giao di n c a h
ột số ệ ủ ệ thống
p
Hình 3.8: Giao diện đăng nhậ
Hình 3.9: Giao diện đăng ký

55. 54
Hình 3.10: Giao diện quản lý huấn luyện

56. 55
Hình 3.11: Giao diện tạo mới dữ liệu
Hình 3.12: Giao diện chỉnh sửa dữ liệu

57. 56
Hình 3.13: Giao diện dự báo lạm phát
3.5 Kết luận chƣơng 3
Trong chƣơng này, luận văn đã trình bày quá trình xây dựng, cài đặt hệ thống
và thử nghiệm kết quả trên hệ thống. Đồng thời chƣơng này cũng đánh giá lỗi tỉ lệ
hay còn gọi là sai số chênh lệch giữa kết quả dự báo và kết quả thực. Các giao diện
của hệ thống và mô tả hệ thống cũng đã đƣợc thực hiện tại chƣơng này.

58. 57
K N
ẾT LUẬ
Trong khuôn khổ thực hiện đề tài của luân văn, tác giả đã học đƣợc cách tìm
hiểu một vấn đề thực tế trong cuộc sống và sử dụng một mô hình tính toán, cụ thể là
mạng nơ ron để ứng dụng giải quyết vấn đề đó. Kết quả thử nghiệm cho thấy rằng,
sai số của dự báo lạm phát đƣợc tính theo phƣơng pháp của luận văn và thực tế có
độ chênh lệch chấp nhận đƣợc. Tuy vậy, bài toán dự báo lạm phát mà luận văn tiếp
cận còn rất nhiều những vấn đề cần phải mở ra, ví dụ tác động khác của các nhân tố:
chính trị, xã hội, ảnh hƣởng của quốc tế,…các yếu tố về tâm lý và tƣ duy cũng chƣa
đƣợc đề cập tới. Trong tƣơng lai, nếu có cơ hội tiếp tục tiếp cận với bài toán này,
học viên sẽ mơ rộng và phát triển dự báo với nhiều tham số hơn, và hiệu chỉnh
mạng nơ ron cho phù hợp với bài toán.

59. 58
TÀI LIỆ Ả
U THAM KH O
[1]. Ramu Ramanathan, Nh p môn kinh t ng v i các ng d ng, tài li u
ậ ế lƣợ ớ ứ ụ ệ
gi ng d c Fulbright.
ả ạy đại họ
[2]. Khalid Alkhatib, Hassan , Mohammed K. Ali
Najadat, Ismail Hmeidi
Shatnawi: Stock Price Prediction Using K-Nearest Neighbor (kNN) Algorithm,
International Journal of Business, Humanities and Technology, Vol. 3 No. 3,
March 2013.
[3]. Wen-Hua Cui, Jie-Sheng Wang and Chen-Xu Ning: Time Series Prediction
Method of Bank Cash Flow and Simulation Comparison, Algorithms 2014.
[4]. Sergio Nardini: Electricity
Vincenzo Bianco, Oronzio Manca,
consumption forecasting in Italyusing Article
linear regression models,
Energy, July 2009
[5]. -Price Forecasting Based
Gurudeo Anand Tularam1, Tareq Saeed1,2,: Oil
on Various , Univariate Time-Series Models, American Journal of Operations
Research, 2016.
[6]. Michael P. Clements and David F. Hendry: An Overview of Economic
Forecasting.
[7]. Mehmet Yasin Ozsaglam Data Mining Techniques For Sales
:
Forecastings, International Journal of Technical Research and Applications e-
ISSN: 2320-8163
[8]. Lingling Li, Minghui Wang, Fenfen Zhu, and Chengshan Wang: Wind
Power Forecasting Based on Time Series and Neural Network, Huangshan, P.
R. China, 26-28, Dec. 2009
[9]. Pituk Bunnoon: Mid-Term Load Forecasting Based on Neural Network
Algorithm: a Comparison of Models, International Journal of Computer and
Electrical Engineering, Vol. 3, No. 4, August 2011
[10]. Charles F. Roos: Survey of Economic Forecasting Techniques: A Survey
Article, Econometrica, Volume 23, Issue 4 (Oct., 1955).

60. 59
[11]. Frank Ackerman Elizabeth A. Stanton: Climate Economics: The State of
the Art, November 2011
[12]. Tetyana Kuzhda: Retail Sales Forecasting With Application The Multiple
Regression, Accessed May 2012