Đề tài Ứng dụng mô hình mạng thần kinh dự báo lạm phát Việt Nam

hẳng đa lớp là mô hình được sử dụng phổ biến trong hầu hết các nghiên cứu và là đối tượng nghiên cứu chính của bài. Do vậy, hai vấn đề còn lại trong phần này là xác định số lớp ẩn của mô hình và số nơ-ron cho mỗi lớp. 1.2.4.4.1. Số lớp ẩn của mô hình mạng truyền thẳng đa lớp. Nếu như theo lý thuyết mô hình thần kinh truyền thẳng một lớp ẩn duy nhất với số lượng nơ-ron phù hợp sẽ có thế ước lượng hầu hết các hàm phi tuyến thì trong thực tế, mô hình mạng truyền thẳng với một hoặc hai lớp ẩn đã được sử dụng phổ biến và cho kết quả đáng khích lệ. Cho tới nay, vẫn chưa có nghiên cứu xác định số lớp ẩn tối ưu cho mô hình mạng. Tuy nhiên, điều cần lưu ý là việc gia tăng số lớp ẩn trong quá trình thử nghiệm để xác định mô hình phù hợp sẽ gắn liền với việc kéo dài thời gian huấn luyện đồng thời đưa đến khả năng mô hình rơi vào tình trạng “phù hợp thái quá” (over-fitting). Điều này có nghĩa là mô hình đã quá tập trung vào việc ghi nhớ những thay đổi chi tiết trong dữ liệu mà bỏ qua việc khái quát xu hướng chung và kết quả là dẫn đến khả năng dự báo trong thực tế hầu như không có, được biểu hiện qua kết quả của tập các quan sát dùng để xác nhận lại mô hình hoặc trong quá trình kiểm định ngoài mẫu. Nhìn chung, các nghiên cứu về mạng thần kinh đều cho rằng, một hoặc hai lớp ẩn sẽ phù hợp trong hầu hết các trường hợp và những mô hình mạng từ bốn lớp ẩn trở lên hầu như không cải thiện hiệu quả dự báo (Iebeling, 1995). 1.2.4.4.2. Số nơ-ron của mỗi lớp ẩn trong mô hình mạng. Sau khi thiết lập được số lớp ẩn cho mô hình, điều tiếp theo cần làm là xác định số nơ-ron cần thiết cho mỗi lớp ẩn. Thực tế là không tồn tại một lý thuyết hoặc phương pháp chung cho việc xác định số nơ-ron phù hợp cho một mô hình. Theo Shih (1994) thì ông cho rằng, mô hình mạng thần kinh thông thường nên có dạng một kim tự tháp. Theo đó, lớp đầu tiên sẽ có số lượng nơ-ron lớn nhất tương ứng với các biến đầu vào và các lớp tiếp theo sau sẽ có số nơ-ron ít hơn. Trong khi đó, Azoff (1994) lại đề nghị rằng số lượng quan sát trong tập dữ liệu dùng để huấn luyện mô hình mạng cần phải ít nhất gấp 10 lần tổng số lượng các trọng số. Hoặc Katz (1992) đưa ra - 22 - nguyên tắc rằng số lượng nơ-ron ẩn tối ưu nên nằm trong khoảng từ một nửa cho đến gấp ba lần số nơ-ron đầu vào và JingTao (2000) đưa ra nguyên tắc rằng với mô hình mạng truyền thẳng một lớp ẩn duy nhất, số lượng nơ-ron phù hợp có thể là N/2, N/2 +1, N/2 – 1, N/2 +2, N/2 – 2,… với N là số lượng nơ-ron đầu vào. Nhìn chung, việc xác định số lượng nơ-ron đòi hỏi tiến hành quá trình thử và sai liên tục để rút ra được mô hình tương đối phù hợp nhất. 1.2.4.5. Huấn luyện mạng và các tiêu chuẩn đánh giá mô hình. Như đã đề cập ở phần trên, quá trình huấn luyện mạng thần kinh truyền thẳng sẽ sử dụng thuật toán lan truyền ngược. Các dữ liệu của biến đầu vào được đưa vào hệ thống mạng, đi qua các nơ-ron của lớp ẩn và đến nơ-ron đầu ra để có được kết quả dự báo. Kết quả dự báo này từ mô hình sẽ được so sánh với giá trị thực tế của biến đầu ra. Chênh lệch của hai chuỗi giá trị sẽ được tính toán, phản ánh qua chỉ tiêu MSE, trung bình của các sai số bình phương (Mean squared errors). Khi đó, sai lệch này sẽ là cơ sở cho mô hình điều chỉnh trọng số của nơ-ron các lớp ẩn trước đó. Quá trình này lặp lại cho đến lúc mục tiêu tối thiểu hóa MSE được thỏa mãn. Bên cạnh chỉ tiêu trung bình các sai số bình phương, thì một số các chỉ tiêu tương tự khác cũng được sử dụng để đánh giá hiệu quả của mô hình như:  Trung bình các sai số bình phương (Mean squared error – MSE)  Trung bình các sai số bình phương được chuẩn hóa (Normalized mean squared error – NMSE)  Trung bình các sai số tuyệt đối (Mean absolute error – MAE)  Hệ số tương quan tuyến tính (Correlation coefficient – r). 1.2.5. Bằng chứng thực nghiệm ứng dụng của mô hình mạng thần kinh. Ý tưởng về việc xây dựng mô hình mạng thần kinh nhân tạo đã xuất hiện từ những năm 1958 , khởi nguồn bởi Frank Rosenblatt. Tuy nhiên, phải đến những năm cuối thập kỷ 90, những nghiên cứu ứng dụng của mô hình mạng thần kinh mới dần trở nên phổ biến. Từ đó đến nay, mô hình mạng thần kinh nhân tạo đã được đưa vào ứng trong rất nhiều lĩnh vực khác nhau nhau như y học và công nghệ. Nội dung của bài nghiên cứu tập trung vào những ứng dụng của mô hình mạng thần kinh trong lĩnh vực kinh tế - tài chính. - 23 - 1.2.5.1. Ứng dụng trong dự báo tài chính. Trong lĩnh vực tài chính, mô hình mạng thần kinh chủ yếu được ứng dụng trong việc dự báo xu hướng thay đổi của giá các tài sản tài chính và dựa trên đó để xây dựng các hệ thống giao dịch tự động nhằm tối đa hóa lợi nhuận. Nghiên cứu của Jingtao, Chew và Hen-Lee (1999) đã sử dụng các chỉ báo trong phân tích kỹ thuật làm biến số đầu vào cho việc dự báo chỉ số của thị trường chứng khoán mới nổi Kuala Lumpur. Các tác giả kết luận rằng, mô hình mạng thần kinh nhân tạo cho kết quả dự báo tốt hơn so với mô hình ARIMA truyền thống. Kết luận tương tự cũng được rút ra trong nghiên cứu của Reza G. Ahagar và Mahmood Yahyazadehfar (2010), khi sử dụng mô hình mạng thần kinh được khái quát hóa (Generalized Regression Neural Network) và mô hình tuyến tính để ước lượng giá chứng khoán của các doanh nghiệp đang giao dịch trên sàn Tehran (Iran). Nghiên cứu của Qing Cao, Mark và Karyl (2009) khi ứng dụng mô hình mạng thần kinh cho thị trường chứng khoán Shanghai, Trung Quốc cũng đưa kết luận tương tượng về hiệu quả dự báo của mô hình này. Bên cạnh đó, để gia tăng hiệu quả dự báo của mô hình, mạng thần kinh nhân tạo còn được kết hợp với những ứng dụng khác của khoa học trí tuệ nhân tạo như lý thuyết logic mờ và thuật toán di truyền. Nghiên cứu của Gholamreza và Reza (2010) trong việc ứng dụng mô hình mạng thần kinh kết hợp với lý thuyết logic mờ cho kết quả đáng khích lệ. 1.2.5.2. Ứng dụng trong xếp hạng tín dụng. Thẩm định tín dụng là một ứng dụng khác của mô hình mạng thần kinh nhân tạo. Dưới góc độ của ngân hàng cho vay, việc phân biệt giữa “con nợ” tốt và xấu là vô cùng quan trọng. Quá trình thẩm định trước khi cấp tín dụng này được thực hiện trên cơ sở các thông tin liên quan đến người đi vay như: thu nhập, tuổi, trình độ học vấn… Tất cả những thông tin này đều có thể trở thành dữ liệu đầu vào để đưa vào mô hình mạng và các kết quả đầu ra tương ứng là khả năng trả nợ trong quá khứ của người đi vay. Từ đó, mô hình mạng thần kinh có thể được xây dựng để đưa ra những gợi ý trong quyết định cấp tín dụng của ngân hàng. Bên cạnh đó, mô hình mạng thần kinh còn được áp dụng cho việc xếp hạng tín nhiệm đối với các loại trái phiếu trên thị trường hoặc ứng dụng trong việc đánh giá khả năng phá sản của doanh nghiệp. - 24 - 1.2.5.3. Ứng dụng trong dự báo lạm phát. Bên cạnh việc dự báo giá các chứng khoán, dự báo xác suất phá sản của doanh nghiệp thì mô hình mạng thần kinh đã bước đầu được ứng dụng trong các dự báo biến vĩ mô như tỷ giá, tăng trưởng kinh tế và lạm phát. Nghiên cứu của Jingtao (1995) đã sử dụng mô hình mạng thần kinh để dự báo xu hướng biến động của đồng GBP, JPY, AUD va CFH bằng các chỉ báo kỹ thuật đơn giản làm biến đầu vào. Kết quả nghiên cứu cho thấy mô hình hoàn toàn có khả năng giúp nhà đầu tư đạt được mức lợi nhuận đáng kỳ vọng. Trên cơ sở dữ liệu của cặp tỷ giá CAD/USD, sử dụng tiêu chuẩn RMSE, hai tác giả Nikola Gradojevic và Jing Yang (2000), thuộc Ngân hàng Trung Ương Canada, cũng đã cho kết luận về sự vượt trội trong hiệu quả dự báo của mô hình mạng thần kinh so với mô hình tuyến tính. Đây cũng là kết luận của Ashok và Amit (2002) khi ứng dụng mô hình mạng thần kinh có sự kết hợp với thuật toán di truyền để dự báo chuỗi tỷ giá của đồng mark Đức so với đồng USD. Trong khi đó, những nghiên cứu ứng dụng mô hình mạng thần kinh trong việc dự báo tỷ tệ tăng trưởng kinh tế hàng năm cho kết quả có phần khiêm tốn hơn. Nghiên cứu của Greg (2001) sử dụng mô hình mạng nhân tạo nhằm nâng cao độ chính xác của các biến tài chính và tiền tệ trong việc dự báo mức tăng trưởng sản lượng của Canada. Kết quả cho thấy, mô hình mạng đã thật sự góp phần làm giảm các sai lệch trong dự báo mức tăng trưởng sản lượng hàng năm so với mô hình tuyến tính. Tuy nhiên, trong trường hợp dự báo mức tăng trưởng theo quý thì kết quả nghiên cứu cho thấy hầu như không có sự khác biệt lớn từ kết quả dự báo từ hai loại mô hình. Trong khi đó, nghiên cứu của Saeed, Denise và Birchenhall (2004) sử dụng mô hình mạng thần kinh trong việc dự báo sản lượng công nghiệp của các nước Anh, Đức, Pháp. Sử dụng tiêu chuẩn RMSE, kết quả nghiên cứu cho thấy mô hình tuyến tính lại cho kết quả dự báo tương đối tốt hơn so với mô hình mạng. Tuy nhiên, mạng thần kinh nhân tạo lại tỏ ra hiệu quả hơn hẳn trong việc dự báo xu hướng của sự thay đổi. Do vậy, trong dự báo các biến số vĩ mô, quan điểm của Steven (2000) về sự kết hợp giữa mô hình mạng thần kinh phi tuyến với các mô hình tuyến tính truyền thống là điều cần phải được cân nhắc. - 25 - Bên cạnh tỷ giá và tăng trưởng kinh tế, mô hình mạng thần kinh đã được ứng dụng trong dự báo tỷ lệ lạm phát ở các quốc gia. Nghiên cứu của Recep Duzgun (2010) đã so sánh hiệu quả dự báo ngoài mẫu của các mô hình mạng thần kinh được khái quát hóa (generalized neural network), mô hình mạng truyền thẳng và mô hình ARIMA đối với chỉ số giá tiêu dùng (CPI) của Thổ Nhĩ Kỳ sử dụng bộ dữ liệu từ năm 2000 đến năm 2008. Tác giả đã đi đến kết luận về sự vượt trội trong hiệu quả dự báo của các mô hình mạng thần kinh nhân tạo so với mô hình truyền thống. Tương tự, Paul và Peter (2004) khi ứng dụng mô hình mạng thần kinh mô hình hóa đường cong Philip phi tuyến đã cho thấy, mô hình này có cho kết quả dự báo tốt hơn so với mô hình tuyến tính trong trường hợp dự báo chỉ số giá dịch vụ của khu vực Châu Âu. Điểm đặc biệt của bài nghiên cứu là sử dụng phương pháp “thick model”. Điều này có nghĩa là giá trị dự báo được lấy trung bình của các mô hình dự báo khác nhau được xây dựng một cách ngẫu nhiên. Hiệu quả dự báo của mô hình mạng đối với biến lạm phát còn được thể hiện qua nghiên cứu của Adnan và Muhammad Nadeem (2007). Tác giả sử dụng dữ liệu tỷ lệ lạm phát hàng tháng so với cùng kỳ năm trước trong giai đoạn 1993 – 2007 để dự báo cho lạm phát trong năm 2008 bằng mô hình mạng truyền thẳng với 12 lớp ẩn kết hợp với thuật toán lan truyền ngược. Kết quả kiểm định ngoài mẫu của nghiên cứu trên cho thấy, chỉ tiêu RMSE của mô hình mạng phi tuyến thấp hơn rất nhiều so với mô hình AR(1) và mô hình ARIMA(2). Điều này, một lần nữa, cho thấy sự cải thiện trong hiệu quả dự báo của mô hình mạng so với các mô hình truyền thống. 1.2.5.4. Một số ứng dụng khác của mô hình mạng thần kinh nhân tạo. Bên cạnh các ứng dụng như đã được kể trên, mô hình mạng thần kinh nhân tạo còn được ứng dụng trong hoạt động sản xuất kinh doanh của doanh nghiệp. Cụ thể là, mô hình mạng có thể được thiết kế dự báo doanh số, phân loại khách hàng trung thành và có khả năng mang lại lợi nhuận cao cho doanh nghiệp và dự báo khả năng chi tiêu của họ trên cơ sở những thông tin về tuổi, giới tính, thu nhập… Ở Việt Nam, mô hình mạng thần kinh chủ yếu được ứng dụng trong lĩnh vực kỹ thuật như mô phỏng, dự báo dòng chảy sông Đồng Nai (Lê Văn Dực, 2009); dự báo định lượng mưa (Bùi Minh Tăng, 2009). Bên cạnh đó, cùng với xu hướng ứng dụng các mô hình định lượng trên thị trường chứng khoán Việt Nam, mô hình mạng thần kinh cũng là một trong những mô hình được nhiều người chú ý đến. Tuy nhiên, hầu như - 26 - chưa có nghiên cứu nào về ứng dụng của mô hình mạng thần kinh nhân tạo trong lĩnh vực dự báo vĩ mô mà đây là một trong những vấn đề cần được quan tâm trong điều kiện tình hình vĩ mô của Việt Nam có nhiều biến động. - 27 - CHƯƠNG 2: ỨNG DỤNG MÔ HÌNH MẠNG THẦN KINH DỰ BÁO LẠM PHÁT VIỆT NAM 2.1. Xác định các biến số đầu vào của mô hình. Thực tế biến động của lạm phát Việt Nam trong suốt thời gian qua cho thấy, nguyên nhân quan trọng của lạm phát trong nền kinh tế Việt Nam không nằm ngoài yếu tố tiền tệ, tín dụng và cung tiền. Biểu đồ 2.1 cho thấy những bằng chứng ban đầu ủng hộ quan điểm lạm phát của Việt Nam có sự góp phần quan trọng của chính sách tiền tệ. Theo đó, sự tăng giảm trong cung tiền và tín dụng của nền kinh tế, hai biến số quan trọng của chính sách tiền tệ luôn theo sau đó bởi mức độ lạm phát tương ứng. Tuy nhiên, sự tác động của hai biến số này luôn có độ trễ nhất định và đây là một trong những nhân tố được dùng để lý giải cho mức lạm phát cao đột biến trong năm 2007 – 2008. Theo đó, trong năm 2007, tăng trưởng tín dụng trong toàn nền kinh tế hơn 50% so với năm trước đó, tương đương với tổng dư nợ hơn 320.000 tỷ đồng và chủ yếu tập trung vào 3 tháng cuối năm 2007 mà nguyên nhân chủ yếu liên quan đến việc các ngân hàng đẩy mạnh cho vay bất động sản để đảm bảo kéo giảm tỷ lệ cho vay chứng khoán trong tổng dư nợ nhằm đáp ứng quy định trong Chỉ thị 03 của NHNN về cho vay chứng khoán. Tuy nhiên, đây chỉ là một trong những nguyên nhân nhất thời tại thời điểm đó. Quá trình mở rộng cung tiền và tín dụng trong nền kinh tế Việt Nam đã kéo dài từ những năm đầu thập niên. Hình 2.1 cho thấy từ năm 2002 – 2009, cung tiền M2 và tín dụng tăng bình quân ở mức 30% hàng năm. - 28 - Hình 2.1: Tốc độ tăng trưởng cung tiền (M2), tín dụng và lạm phát Nguồn: Tổng hợp từ số liệu của Ngân hàng phát triển châu Á (ADB). Tốc độ tăng nhanh cung tiền và tín dụng ở Việt Nam trong suốt những năm qua bắt nguồn từ nhiều nguyên nhân khác nhau mà trước hết đó là do tác động của chính sách điều hành vĩ mô nhắm đến mục tiêu tăng trưởng. Để duy trì tốc độ tăng trưởng kinh tế qua các năm bên cạnh việc đưa nền kinh thoát khỏi suy thoái trong một số giai đoạn, nhiều biện pháp mà một trong số đó là chính sách tiền tệ mở rộng: duy trì tỷ lệ bắt buộc thấp, mua và USD để ổn định tỷ giá trong biên độ nhằm thúc đẩy xuất khẩu. Tuy nhiên, những chính sách này lại tiềm ẩn nguyên nhân lạm phát do việc tích lũy của gia tăng số lượng tiền theo thời gian. Cuối cùng, khi cung tiền mở rộng qúa nhanh nhưng không có biện pháp tương ứng để giảm lượng tiền trong lưu thông đã gây ra những tác động tiêu cực và góp phần tạo ra lạm phát. Riêng trong nửa đầu năm 2007, việc mua vào gần 7 tỷ USD từ Ngân hàng Nhà nước để chuyển đổi nội tệ của vốn bên ngoài chảy vào, chủ yếu là dòng vốn đầu tư gián tiếp, đã dẫn đến đưa thêm khoảng 110.000 tỷ đồng (tương đương 10% GDP) vào lưu thông. Và nhằm thu hồi tiền về, Ngân hàng Nhà nước lại sử dụng những công cụ hành chính quá mạnh trong 6 tháng cuối năm này như tăng tỷ lệ dự trữ bắt buộc từng bước từ 5% lên 10% rồi 11%, hay thu hồi 20,300 nghìn tỷ đồng qua tín phiếu bắt buộc 12 tháng với lãi suất (7.8%) một tỷ lệ còn thấp hơn mức lạm phát hay lãi suất huy động vốn từ dân cư và đẩy một phần chi phí chống lạm phát về phía hệ thống Ngân hàng thương mại. Chính những điều này đã tác động mạnh, dẫn đến tình trạng khan hiếm tiền đồng và lãi suất cho vay ngắn hạn trên thị trường liên ngân hàng lên mức rất cao tái 150% so với bình 0.00% 10.00% 20.00% 30.00% 40.00% 50.00% 60.00% 2002 2003 2004 2005 2006 2007 2008 2009 Lam phat tin dung Cung tien - 29 - thường hay rủi ro thanh khoản đối với các ngân hàng cổ phần quy mô nhỏ. Mức lãi suất cao một lần nữa tác động đến hiệu quả sản xuất kinh doanh của doanh nghiệp và ảnh hưởng đến tăng trưởng kinh tế. Bên cạnh đó, lạm phát trong những năm qua còn xuất phát từ yếu tố “chi phí đẩy”. Thực tế là có một sự tương đồng trong xu hướng biến động của giá dầu thế giới (hình 2.2) và chỉ số CPI của Việt Nam trong khoảng ba năm gầy đây. Khi lạm phát của Việt Nam đạt đỉnh (hơn 25% so với cùng kỳ năm trước1) vào khoảng quý 3 năm 2008 thì trước đó vài tháng, giá dầu thô trên thị trường thế giới cũng đạt mức cao nhất từ trước đến nay gần 140 USD/thùng. Hình 2.2: Giá dầu thô (trái) và tỷ lệ lạm phát hàng tháng (phải) Nguồn: Economist Intelligence Unit – Vietnam country report, tháng 2/2011. Nguyên nhân của hiện tượng này một phần là do sự cương quyết của Chính phủ trong việc loại bỏ trợ giá đối với các nhà phân phối xăng dầu trong nước. Kết quả là giá bán lẻ trong nước đã theo sát với giá cả trên thị trường quốc tế. Ảnh hưởng của việc tăng giá xăng dầu hàm chứa yếu tố tiêu cực mà dễ thấy nhất trong ngắn hạn lạ sự xáo trộn tâm lý, tăng giá và sức ép tăng giá, bất lợi cho các doanh nghiệp. Nghiên cứu của Nguyễn Đức Thành, Bùi Trinh và Đào Nguyên Thắng (2008) ước lượng ảnh hưởng trực tiếp của giá xăng dầu và gas lên sự xói mòn thu nhập thực của hộ gia đình cho 1 EIU – Vietnam 2011. - 30 - thấy mức độ độ khá lớn. Nếu chỉ xét đến sự tăng giá xăng dầu nói riêng, các hộ nghèo cho thấy sức mua bị giảm đi khoảng 1.08%, còn các hộ giàu thì khoảng 1.28%. Trong khi đó, nếu tính đến cả khả năng tăng giá gas tiếp theo giá xăng dầu thì tỷ lệ này lần lượt là 2.2% và 1.9%. Hình 2.3: Giá xăng dầu trên thị trường trong nước và thế giới Nguồn: Báo cáo của Ngân hàng thế giới năm 2008. Mức độ tác động của tăng giá xăng dầu lên mức giá chung của nền kinh tế có thể phần nào được hạn chế bởi chính sách quản lý giá của phía Chính phủ thông qua việc điều chỉnh mức thuế suất nhập khẩu và xây dựng quỹ bình ổn giá xăng dầu và các biện pháp hành chính…nhưng sẽ không tránh khỏi hiệu ứng lan tỏa, mượn đó làm lý do để tăng giá các mặt hàng khác. Bên cạnh đó, chính việc quản lý giá của Chính phủ đối với mặt hàng này đã khiến cho mỗi lần giá xăng bán lẻ được điều chỉnh lại tạo ra kỳ vọng về khả năng giá sẽ được điều chỉnh tiếp theo mà chủ yếu là tăng chứ không giảm. Điển hình là hai lần điều chỉnh giá xăng A92 gần đây nhất, từ mức 16.400 lên mức 19.300 và ngày 24/2/2011 và tiếp đó là lần điều chỉnh từ mức 19.300 lên mức 21.300 vào ngày 29/3/2011. Tuy nhiên Bộ tài chính luôn nhấn mạnh rằng mức gia xăng dầu trong nước vẫn thấp hơn so với các nước lân cận từ đó tạo tâm lý kỳ vọng “lạm phát” giá xăng trong thời gian tới. - 31 - Bên cạnh đó, kết luận của nghiên cứu trên cũng cho thấy rằng yếu tố kỳ vọng lạm phát, được đại diện bởi mức độ lạm phát trong quá khứ sẽ có tác động lớn nhất lên lạm phát ở hiện tại. Kết luận tương tự cũng được rút ra trong nghiên cứu gần đây của Nguyễn Thu Hằng và Nguyễn Đức Thành (2010). Hình 2.4: Tỷ trọng các nhân tố ảnh hưởng đến chỉ số CPI của Việt Nam. Nguồn: Asian Development Outlook 2008. Theo đó, nghiên cứu chỉ ra rằng “công chúng có khuynh hướng lưu giữ ấn tượng về lạm phát trong quá khứ, đồng thời kỳ vọng nhạy cảm về lạm phát trong tương lai. Đây là hai yếu tố đồng thời chi phối mức lạm phát hiện tại”. Mặt khác, kết quả nghiên cứu cũng đã khẳng định tác động đáng kể của tỷ giá lên mức giá chung của nền kinh tế đặc biệt là trong giai đoạn gần đây. Đó là do tỷ giá không chỉ ảnh hưởng đến hàng hóa xuất nhập khẩu mà còn tới các hàng hóa nội địa nếu giá của chúng thường được tính bằng đô la Mỹ. Ngân hàng phát triển châu Á (ADB) trong nghiên cứu năm 2008 về nguồn gốc lạm phát ở các nước trong khu vực đã kết luận về mức độ tác động của các yếu tố kỳ vọng, tổng cầu2, tỷ giá và giá dầu đối với chỉ số CPI của Việt Nam lần lượt là 46%, 33.6%, 11.2% và 2.5%. Mặt khác, nghiên cứu của Phạm Thị Thu Trang (2009) cũng cho thấy tăng cung tiền ngay lập tức làm cho lạm phát tăng và ảnh hưởng của nó còn kéo dài tới 3 tháng sau 2 Sự gia tăng của tổng cầu trong nền kinh tế bắt nguồn từ chính sách nới lỏng tín dụng trong suốt thời gian dài đã tạo áp lực lên lạm phát. CPI ky vong Tong cau Ty gia Gia luong thuc Gia dau - 32 - đó. Cung tiền thực tế là yếu tố ảnh hưởng mạnh nhất tới tỷ lệ lạm phát tại Việt Nam từ năm 2000 tới nay. Bên cạnh cạnh các yếu tố tiền tệ thì lạm phát ở Việt Nam còn chịu tác động bởi “chi phí đẩy”. Nghiên cứu của Đổ Văn Thành và Trần Thị Kim Dung (2010) đã chỉ ra rằng, giá dầu thế giới là một trong những nhân tố ảnh hưởng mạnh đến chỉ số giảm phát GDP. Qua phân tích trên cho thấy, các biến số đầu vào tiềm năng cho mô hình dự báo lạm phát ở Việt Nam sẽ bao gồm:  Biến số đại diện cho yếu tố tiền tệ: tín dụng, cung tiền.  Biến số đại diện lạm phát do “chi phí đẩy”: tỷ giá, lãi suất, giá dầu thế giới.  Biến số đại diện cho yếu tố kỳ vọng: giá trị lạm phát quá khứ. 2.2. Thu thập và xử lý dữ liệu Để tiến hành xây dựng mô hình mạng thần kinh và dự báo lạm phát ở Việt Nam, bài nghiên cứu sử dụng dữ liệu thứ cấp giai đoạn từ tháng 4 năm 2002 đến tháng 9 năm 2010. Những số liệu này được thu thập và tổng hợp từ Tổng cục thống kê (GSO), Ngân hàng Nhà nước (NHNN), Bộ Tài chính (MoF), Quỹ tiền tệ quốc tế (IMF), Ngân hàng phát triển châu Á (ADB). Trong đó, các biến số lạm phát, tín dụng, cung tiền và giá dầu thế giới được lấy theo tỷ lệ tăng hoặc giảm so với tháng trước. Dữ liệu được sử dụng cho biến số lãi suất là mức tăng hoặc giảm trong tháng của lãi suất cho vay tính theo năm. Dữ liệu tỷ giá được lấy theo tỷ lệ tăng hoặc giảm của tỷ giá tự do cuối kỳ. Sở dĩ mức tỷ giá tự do được sử dụng là vì trong điều kiện của Việt Nam, mức tỷ giá chính thức trong một thời gian dài chịu sự kiểm soát của Ngân hàng Nhà nước nên chưa thể kịp thời phản ánh được thực tế quan hệ cung cầu trên thị trường do vậy sẽ hạn chế trong việc cung cấp những thông tin đầu vào cần thiết cho mô hình dự báo. - 33 - Hình 2.5: Tỷ lệ lạm phát hàng tháng và trung bình lạm phát 3 kỳ trước Nguồn: Tổng hợp từ số liệu của Tổng cục thống kê. Bên cạnh đó, yếu tố lạm phát kỳ vọng trong mô hình dự báo sẽ được đại diện bởi hai biến số là: lạm phát kỳ trước và trung bình lạm phát của ba kỳ trước đó. Hai mức lạm phát này được đưa vào mô hình để phản ánh xu hướng lạm phát trong quá khứ được duy trì và tác động đến mức lạm phát ở hiện tại. Đồng thời cũng đại diện cho những kỳ vọng về lạm phát tương lai được hình thành trên cơ sở những ký ức về lạm phát trong quá khứ. Mặt khác, sự tác động các biến số như lãi suất, tỷ giá, tín dụng và cung tiền luôn có một độ trễ nhất định. Trên cơ sở so sánh sự tương quan giữa biến cần dự báo là lạm phát trong kỳ với các biến số trên ở các độ trễ khác nhau, bài nghiên cứu xác định các biến đầu vào cụ thể bao gồm: biến số về sự thay đổi giá dầu, tín dụng và lãi suất sẽ có độ trễ là 2 kỳ; sự tác động của tỷ giá đến lạm phát sẽ có độ trễ là 3 tháng. Riêng cung tiền sẽ có tác động đến lạm phát ngay trong kỳ. -3.00% -2.00% -1.00% 0.00% 1.00% 2.00% 3.00% 4.00% 5.00% A pr -0 2 A pr -0 3 A pr -0 4 A pr -0 5 A pr -0 6 A pr -0 7 A pr -0 8 A pr -0 9 A pr -1 0 INF MA(3) - 34 - Bảng 2.1: Mô tả các biến cơ sở và ký hiệu sử dụng Mô tả biến Ký hiệu. Biến giải thích đầu vào Lạm phát kỳ t-1 INF(1) Trung bình lạm phát 3 kỳ (t-1, t-2, t-3) MA(3) Mức thay đổi tỷ giá so với kỳ trước (độ trễ 3 kỳ) FX(3) Tốc độ tăng tín dụng so với kỳ trước (độ trễ 2 kỳ) CR(2) Tốc độ tăng cung tiền so với kỳ trước M2 Mức thay đổi lãi vay so với kỳ trước (độ trễ 2 kỳ) IR(2) Mức tăng của giá dầu so với kỳ trước (độ trễ 2 kỳ) Oil(2) Biến đầu ra cần dự báo Lạm phát kỳ t INF - 35 - Bảng 2.2: Một số chỉ số thống kê cơ bản của các biến cơ sở INF INF(1) FX(3) CrD(2) M2 IR(2) Oil(2) MA(3) Mean 0.7109% 0.7116% 0.2325% 2.4254% 2.1955% 0.0485% 1.7010% 0.7112% Standard Error 0.000942505 0.000942163 0.001041722 0.001919817 0.001745953 0.00144988 0.010816365 0.000740824 Median 0.005 0.005 0.001161365 0.02217004 0.019348571 0 0.025484975 0.005166667 Standard Deviation 0.009377808 0.009374408 0.010365004 0.019101942 0.01737201 0.014426128 0.107621472 0.007371108 Range 0.0621 0.0621 0.115616659 0.139875308 0.102077868 0.1574 0.658757654 0.038333333 Minimum -2.30% -2.30% -6.91% -4.51% -1.68% -4.74% -36.50% -0.80% Maximum 3.91% 3.91% 4.65% 9.48% 8.53% 11.00% 29.38% 3.03% Sum 0.7038 0.7045 0.230128812 2.401164486 2.173550344 0.048 1.684025497 0.704066667 Count 99 99 99 99 99 99 99 99 Nguồn: Tính toán từ số liệu tổng hợp của GSO, IMF. - 36 - 2.3. Sắp xếp lại bộ dữ liệu. Bộ dữ liệu thu thập được sẽ được phân chia thành ba phần: 70% được sử dụng để huấn luyện mạng mô hình mạng, 15% tiếp đó được sử dụng để kiểm tra lại mô hình trong quá trình xây dựng để đảm bảo tính khái quát hóa của mô hình và 15% quan sát cuối cùng được sử dụng để thực hiện quá trình kiểm định ngoài mẫu. Tỷ lệ này được thiết lập trên cơ sở quá trình thực hiện các thử nghiệm khác nhau để xây dựng hệ thống mạng thần kinh phù hợp. Như đã được đề cập ở phần trên, các nghiên cứu cho đến nay vẫn chưa thống nhất về việc xác định tỷ lệ tối ưu giữa các tập quan sát này. Do vậy, sau khi cân nhắc sự hạn chế trong số quan sát thu thập được liên quan đến các biến số của mô hình cùng với tỷ lệ số quan sát cần thiết cho việc khảo sát khả năng khái quát hóa của mô hình mạng trong quá trình huấn luyện, bài nghiên cứu đã lựa chọn tỷ lệ trên và thống nhất sử dụng