Một số quy trình tính toán mờ và ứng dụng

- Bộ giáo dục và đào tạo Tr−ờng đại học bách khoa hà nội.
- Vũ Việt Dũng Một số quy trình tính toán mờ và ứng dụng Chuyên ngành: Đảm bảo toán học cho máy tính và hệ thống tính toán Luận văn thạc sĩ khoa học Đảm bảo toán HọC cho máy tính Và Hệ thống tính toán Ng−ời h−ớng dẫn khoa học: Pgs.tsKH.
- Bùi công c−ờng Hà nội - 2010 Một số quy trình tính toán mờ và ứng dụngVũ Việt Dũng ĐBT2008 2 Lời cam đoan Kính gửi: Trung tâm Đào tạo và Bồi d−ỡng sau Đại học - Tr−ờng Đại học Bách Khoa Hà Nội Tên tôi là: Vũ Việt Dũng Sinh ngày Học viên cao học khóa 2008-2010 Tôi xin cam đoan, toàn bộ kiến thức và nội dung trong bài luận văn của mình là các kiến thức tự nghiên cứu từ các tài liệu tham khảo trong và ngoài n−ớc, không có sự sao chép hay vay m−ợn d−ới bất kỳ hình thức nào để hoàn thành luận văn tốt nghiệp cao học chuyên ngành Đảm bảo toán học cho máy tính và hệ thống tính toán.
- Tôi xin chịu hoàn toàn trách nhiệm về nội dung của luận văn này tr−ớc Trung tâm Đào tạo và Bồi d−ỡng sau Đại học – Tr−ờng Đại học Bách khoa Hà Nội.
- Một số quy trình tính toán mờ và ứng dụngVũ Việt Dũng ĐBT2008 3 mục lục Lời cam đoan mục lục.
- Một số khái niệm cơ bản và hệ mờ Takagi - Sugeno.
- Một số khái niệm cơ bản .
- Suy diễn mờ và hệ mờ.
- Luật mờ Takagi - Sugeno.
- Mạng nơ - ron nhân tạo (Artificial neural network.
- Cấu trúc mạng nơ - ron .
- Phân loại cấu trúc mạng nơ - ron.
- Ph−ơng pháp luyện lai.
- Mô hình mạng ANFIS để dự báo giá cổ phiếu.
- 28 Một số quy trình tính toán mờ và ứng dụngVũ Việt Dũng ĐBT2008 4 1.
- Thị tr−ờng chứng khoán .
- Thị tr−ờng chứng khoán thế giới .
- Thị tr−ờng chứng khoán Việt Nam .
- Các nghiên cứu dự báo về thị tr−ờng chứng khoán .
- Các chỉ số cơ bản của thị tr−ờng chứng khoán Việt Nam.
- Mô hình mạng nơ - ron kết hợp suy diễn mờ để dự báo giá chứng khoán.
- Lựa chọn đầu vào và tiền xử lý dữ liệu.
- Mờ hóa dữ liệu đầu vào.
- ứng dụng mô hình mạng ANFIS trong thực tế TTCK Việt Nam.
- Các hạn chế của mô hình.
- H−ớng phát triển mô hình mạng nơ ron dự báo tình trạng cổ phiếu .
- Hệ thống dự báo chỉ số chứng khoán dựa trên luật mờ dạng Takagi - Sugeno .
- 51 Một số quy trình tính toán mờ và ứng dụngVũ Việt Dũng ĐBT2008 5 Từ viết tắt ANN Artificial neural network Mạng nơ -ron nhân tạo LSE Least squares estimate Ước l−ợng bình ph−ơng tối thiểu ANFIS Adaptive network based fuzzy inference system Hệ thống suy diễn mờ dựa trên mạng thích nghi TTCK Thị tr−ờng chứng khoán TTGDCK Trung tâm giao dịch chứng khoán HOSE Trung tâm giao dịch chứng khoán Tp.
- Hồ Chí Minh HASTC, HNX Trung tâm giao dịch chứng khoán Hà Nội UpCom Trung tâm giao dịch chứng khoán của các công ty đại chúng ch−a niêm yết OTC Cổ phiếu ch−a niêm yết trên thị tr−ờng VN - Index Chỉ số chứng khoán đại diện cho TTGDCK Tp.
- Hồ Chí Minh HNX - Index Chỉ số chứng khoán đại diện cho TTGDCK Hà Nội MA Six days moving average Đ−ờng trung bình trong 06 ngày BIAS Six days bias Độ chênh giá trung bình trong 06 ngày RSI Six days relative strength index Chỉ số sức mạnh t−ơng đối 06 ngàyMACD Moving average convergence and divergence Đ−ờng hội nhập và phân ly trung bình PSY 13 days psychological line Chỉ số tâm lý trong 13 ngày SA Simulated annealing Thuật toán mô phỏng quá trình luyện kim MAPE Mean absolutely percentage error Trung bình phần trăm sai số tuyệt đối Một số quy trình tính toán mờ và ứng dụngVũ Việt Dũng ĐBT2008 6 Danh mục các bảng Ch−ơng I Ch−ơng II Bảng 1 - Hệ số điều chỉnh.
- 38 Ch−ơng III  Một số quy trình tính toán mờ và ứng dụngVũ Việt Dũng ĐBT2008 7 Danh mục hình vẽ, đồ thị Ch−ơng I: Hình 1: Cấu trúc một nơ - ron.
- 19 Hình 5: Mạng thích nghi.
- 20 Hình 6 : Hệ suy diễn mờ Takagi-Sugeno.
- 37 Hình 13: Đồ thị của hàm liên thuộc của các biến đầu vào.
- 41 Ch−ơng III: Hình 15: Cấu trúc hệ thống dự đoán chứng khoán.
- 49 Một số quy trình tính toán mờ và ứng dụngVũ Việt Dũng ĐBT2008 8 Mở đầu Trong những năm gần đây, lý thuyết tập mờ và mạng nơ-ron nhân tạo đã và đang phát triển rất nhanh và đa dạng.
- Công nghệ mờ và công nghệ mạng nơ-ron đã góp phần tạo ra những bộ điều khiển linh hoạt, thông minh, những công cụ phân tích, dự báo có khả năng làm việc với những bài toán khó, phức tạp, phải xử lý nhiều loại thông tin mập mờ, ch−a đầy đủ và thiếu chính xác.
- Hai công nghệ này là hai trụ cột chính tạo nên công nghệ tính toán mềm.
- Hiện nay, việc áp dụng tính toán mềm vào phân tích dự báo biến động của thị tr−ờng chứng khoán đang thu hút rất nhiều sự quan tâm nghiên cứu.
- Tr−ớc đây, đã có rất nhiều các ph−ơng pháp phân tích kỹ thuật cho thị tr−ờng chứng khoán đ−ợc phát triển nh− K-line hay trung bình động … Những ph−ơng pháp này chủ yếu dựa trên thống kê số liệu.
- Tuy nhiên, thị tr−ờng chứng khoán là một hệ thống phi tuyến chịu nhiều tác động của các yếu tố chính trị, kinh tế, tâm lý, xã hội.
- Do đó, việc sử dụng các công cụ truyền thống để trợ giúp ra quyết định trong giao dịch chứng khoán là hết sức khó khăn.
- Mạng nơ-ron nhân tạo, với khả năng xử lý các hàm phi tuyến, linh hoạt trong việc áp dụng và khả năng tự học cao có thể nói là một ph−ơng pháp hiệu quả để áp dụng vào hệ thống phức tạp của thị tr−ờng chứng khoán.
- Trong các mô hình mạng nơ -ron thì mô hình mạng nơ-ron lan truyền ng−ợc đ−ợc sử dụng rộng rãi nhất và có tính chính xác hơn cả.
- Không nh− các mô hình toán học cổ điển, mô hình mạng nơ -ron lan truyền ng−ợc giúp ta xây dựng các hàm xấp xỉ dựa trên quan hệ của các đầu vào và đầu ra xác định mà không cần một mô hình cụ thể .
- Tuy nhiên, mô hình mạng nơ-ron lan truyền ng−ợc truyền thống cũng có một số điểm yếu nh− kết quả tìm đ−ợc rất có thể rơi vào điểm tối −u địa ph−ơng hay trong một số tr−ờng hợp tốc độ tính toán rất chậm ảnh h−ởng đến độ chính xác và đảm bảo của mô hình dự đoán.
- Để cải thiện mô hình dự đoán này, ta có thể kết hợp một số ph−ơng pháp suy diễn mờ với mạng nơ-ron mà điển hình là mô hình mạng thích nghi kết hợp hệ suy luận mờ ANFIS.
- Một số quy trình tính toán mờ và ứng dụngVũ Việt Dũng ĐBT2008 9 Luận văn “Một số quy trình tính toán mờ và ứng dụng” đã nghiên cứu những kiến thức về mạng ANFIS và ứng dụng mạng ANFIS vào việc dự đoán giá cổ phiếu, kiểm nghiệm mô hình khi áp dụng vào thực tế thị tr−ờng chứng khoán Việt Nam, từ đó đánh giá các hạn chế của ph−ơng pháp, đ−a ra h−ớng cải tiến.
- Luận văn gồm 03 ch−ơng: Ch−ơng 1: Cơ sở lý thuyết - Trình bày các khái niệm cơ bản về tập mờ, suy diễn mờ, hệ mờ, luật mờ Takagi – Sugeno, mạng nơ ron nhân tạo, mạng thích nghi và hệ thống suy diễn mờ dựa trên mạng thích nghi ANFIS.
- Ch−ơng 2: Mô hình mạng ANFIS để dự báo giá cổ phiếu – Trình bày sơ l−ợc vể thị tr−ờng chứng khoán thế giới, thị tr−ờng chứng khoán Việt Nam, các nghiên cứu dự báo về thị tr−ờng chứng khoán và các chỉ số cơ bản của thị tr−ờng chứng khoán Việt Nam.
- Trên cơ sở đó, xây dựng mạng nơ -ron kết hợp suy diễn mờ để dự báo giá chứng khoán, lựa chọn đầu vào và kiểm nghiệm mô hình với thực tế thị tr−ờng chứng khoán Việt Nam đồng thời đánh giá các hạn chế của mô hình.
- Ch−ơng 3: H−ớng phát triển mô hình mạng nơ -ron dự báo tình trạng cổ phiếu – Trình bày h−ớng phát triển hệ thống dự báo chỉ số chứng khoán dựa trên luật mờ Takagi – Sugeno, ph−ơng pháp phân cụm K-Means và ph−ơng pháp luyện tham số dựa trên thuật toán mô phỏng quá trình luyện kim.
- Cuối cùng, để có bản luận văn này, tôi xin bày tỏ lòng biết ơn sâu sắc tới gia đình, bạn bè, thầy cô giáo của Trung tâm đào tạo và bồi d−ỡng sau Đại học, Khoa Toán – Tin ứng dụng, Ban Giám hiệu tr−ờng Đại học Bách Khoa Hà Nội đã hết sức tạo điều kiện, động viên và truyền thụ các kiến thức bổ ích.
- Một số quy trình tính toán mờ và ứng dụngVũ Việt Dũng ĐBT2008 10 I.
- Cơ sở lý thuyết Tr−ớc khi đi vào tìm hiểu t− t−ởng thuật toán dự báo giá cổ phiếu bằng mô hình mạng nơ-ron kết hợp suy diễn mờ, ta cần tìm hiểu một số khái niệm cơ bản về mạng nơ-ron, mạng nơ-ron lan truyền ng−ợc và luật mờ Takagi-Sugeno.
- Một số khái niệm cơ bản và hệ mờ Takagi - Sugeno 1.1.
- Một số khái niệm cơ bản Tập mờ ~Axác định trên tập cơ sở X là một tập hợp mà mỗi phần tử của nó là một cặp giá trị.
- Một số hàm liên thuộc hay đ−ợc sử dụng.
- Hàm tam thức (Triangular): Một số quy trình tính toán mờ và ứng dụngVũ Việt Dũng ĐBT2008 11 Cho X, Y là hai không gian nền.
- R gọi là quan hệ mờ trên nếu R là một tập mờ trên , tức là có một hàm thuộc.
- Quan hệ mờ trên các tập mờ.
- Quan hệ mờ trên các tập mờ A và B là quan hệ mờ R trên thỏa mãn điều kiện: 1.2.
- Suy diễn mờ và hệ mờ Suy luận xấp xỉ, hay còn gọi là suy luận mờ, là quá trình suy ra những kết luận d−ới dạng mệnh đề mờ trong điều kiện các quy tắc, các luật, các dữ liệu đầu vào cho tr−ớc cũng không hoàn toàn xác định.
- “y=B”, và luật mờ sẽ có dạng Nh− vậy, một luật mờ dạng “Nếu P thì Q” sẽ đ−ợc biểu diễn thành một quan hệ mờ R của phép kéo theo với hàm thuộc của R trên không gian nền đ−ợc cho bởi phép kéo theo dự định sử dụng: Một số quy trình tính toán mờ và ứng dụngVũ Việt Dũng ĐBT2008 12 , với mọi .
- với quan hệ cho bởi Sự kiện mờ (đầu vào.
- xác định bởi tập mờ trên U Hệ quả , Sau khi đã chọn phép kéo theo I xác định quan hệ mờ , là một tập mờ trên V với hàm thuộc của đ−ợc tính bằng phép hợp thành , cho bởi công thức: với mỗi .
- Một dạng suy rộng khác trong cơ sở tri thức của nhiều hệ mờ thực tiễn, ví dụ điển hình là trong các hệ điều khiển mờ, có thể phát biểu d−ới dạng sau: Cho là các biến vào của hệ thống, y là biến ra.
- Nếu là và … và là thì y là Bài toán đặt ra cho hệ mờ sẽ có dạng: Cho Nếu là và … và là Tính Giá trị y là ở đây là các giá trị đầu vào hay sự kiện (có thể là giá trị mờ hoặc giá trị rõ).
- Có thể nhận thấy rằng, phần cốt lõi của nhiều hệ mờ cho bởi cơ sở tri thức dạng R=[các luật ] và các cơ chế suy diễn cài đặt trong mô tơ suy diễn.
- Một số quy trình tính toán mờ và ứng dụngVũ Việt Dũng ĐBT2008 13 1.3.
- Luật mờ Takagi - Sugeno Các dạng hệ mờ xét ở trên đ−ợc gọi là hệ mờ Mamdami.
- Đặc điểm của hệ mờ Mamđami là cả đầu vào và đầu ra đều là các mệnh đề mờ, do đó hệ mờ Mamđami có tính thông dịch cao nh−ng tính chính xác kém.
- Để cải thiện mô hình này, Takagi – Sugeno đã thay đổi phần kết luận của mỗi luật mờ, thay bởi hàm rõ của các biến đầu vào.
- Một hệ mờ Takagi – Sugeno tổng quát có thể đ−ợc mô tả nh− sau.
- Nếu là và … và là thì Hệ mờ Takagi – Sugeno đ−ợc xây dựng hệ mờ hệ các hàm rõ sẽ cho kết quả chính xác hơn hệ mờ Mamdami.
- Mạng nơ - ron nhân tạo (Artificial neural network) Mạng nơ - ron nhân tạo (ANN) là một mô phỏng xử lý thông tin, đ−ợc nghiên cứu ra từ hệ thống thần kinh của sinh vật, giống nh− bộ não để xử lý thông Một số quy trình tính toán mờ và ứng dụngVũ Việt Dũng ĐBT2008 14 tin.
- Các ứng dụng của ANN trong các ngành: điện, điện tử, kỹ thuật chế tạo, y học, quân sự, và đặc biệt là kinh tế và thị tr−ờng chứng khoán đã mang lại một số kết quả nhất định.
- Cấu trúc mạng nơ - ron Mạng nơ - ron là một mạng liên kết gồm nhiều đơn vị xử lý thông tin đ−ợc gọi là nơ - ron (neural) hay nút mạng.
- Mỗi nơ-ron nhận tạo này có nhiều đầu vào và một đầu ra.
- Các đầu vào tiếp nhận kích thích từ đầu ra của các nơ- ron khác trong mạng hoặc từ môi tr−ờng.
- Mỗi đầu vào có một trọng số t−ơng ứng nhằm khuyếch đại tín hiệu kích thích.
- Tất cả các tín hiệu kích thích này sau khi đ−ợc khuyếch đại sẽ đi vào thân nơ-ron bắt đầu từ bộ cộng.
- trọng số của đầu vào thứ i.
- Và cuối cùng tín hiệu sẽ đ−ợc đ−a ra đầu ra của nơ-ron để trở thành đầu vào của các nơ-ron khác hoặc trở thành tín hiệu ra của toàn bộ mạng.
- Một số quy trình tính toán mờ và ứng dụngVũ Việt Dũng ĐBT2008 15 Hình 1: Cấu trúc một nơ -ron Trong đó: Xi: Các tín hiệu đầu vào.
- Wki: trọng số t−ơng ứng của các tín hiệu đầu vào.
- Yk: Đầu ra của nơ -ron.
- Khi kết hợp các nơ-ron lại với nhau thành một mạng nơ-ron nhân tạo, ta có thể xem nh− mạng này là một mô hình tính toán với X là vectơ số liệu vào và Y là vectơ số liệu ra.
- Ưu điểm của mạng nơ-ron nhân tạo là cho phép xây dựng một mô hình tính toán có khả năng học dữ liệu rất cao.
- Khả năng này cho phép ta xây dựng mô hình dữ liệu một cách dễ dàng.
- Một −u điểm khác của mạng nơ-ron là khả năng dung thứ lỗi cao.
- Điều này làm giảm nhẹ quá trình sàng lọc, làm mịn dữ liệu trong khai thác đồng thời cho phép xây Wk1 Wk2 Wk3 Σ F(.)Output Yk X1 X2 X3 b Một số quy trình tính toán mờ và ứng dụngVũ Việt Dũng ĐBT2008 16 dựng các mô hình thích nghi mà trong đó sự thay đổi liên tục về quy luật dữ liệu có thể dễ dàng đ−ợc cập nhật trong quá trình học lại của mạng.
- Phân loại cấu trúc mạng nơ - ron a.
- Mạng dẫn tiến một lớp Đây là cấu trúc mạng nơ - ron đơn giản nhất.
- Mạng nơ - ron này chỉ bao gồm 01 lớp dẫn xuất, không có lớp ẩn trung gian.
- Hình 2 : Mạng dẫn tiến một lớp b.
- Mạng nơ - ron nhiều lớp có thể giải quyết các bài toán phi tuyến nhờ vào các lớp ẩn.
- Các lớp ẩn này xen giữa các đầu vào bên ngoài và đầu ra của mạng.
- Càng nhiều lớp ẩn thì khả năng mở rộng thông tin càng cao và xử lý tốt mạng có nhiều đầu vào và đầu ra.
- nơ-ron nơ-ron nơ-ron nơ-ron Đầu vào Đầu ra

Xem thử không khả dụng, vui lòng xem tại trang nguồn
hoặc xem Tóm tắt