Ứng dụng mạng nơ ron nhân tạo để dự báo lạm phát: nghiên cứu tình huống Việt Nam
Nội dung chính của bài viết
Tóm tắt
Bài nghiên cứu này dự báo lạm phát cho Việt Nam bằng việc ứng dụng mạng nơ ron nhân tạo (ANN) với thuật toán lan truyền ngược (back-propagation algorithm). Dữ liệu về lạm phát theo tháng từ năm 2000 đến 2018, được sử dụng trong việc huấn luyện, đánh giá mô hình và dự báo lạm phát. Các phát hiện cho thấy lạm phát thực tế và dự đoán là tương đối gần nhau. Điều này đã góp phần cùng với các nghiên cứu khác trong và ngoài nước khẳng định rằng mô hình ANN sử dụng trong dự báo vĩ mô nói chung và lạm phát nói riêng là hiệu quả và đáng tin cậy.
Chi tiết bài viết
Từ khóa
Mạng lưới mạng nơ ron nhân tạo (ANN), mô hình dự báo, lạm phát
Tài liệu tham khảo
Nguyễn Khắc Hiếu và Nguyễn Thị Vân Anh, 2014, ‘Dự báo lạm phát tại Việt Nam bằng mô hình mạng nơ ron nhân tạo’, Tạp chí Phát triển Kinh tế, vol. 286.
Adnan Haider & Muhammad Nadeem Hanif, 2007, ‘Inflation Forecasting in Pakistan using Artificial Neural Networks’, MPRA Paper No. 14645.
Apergis, N 2004, ‘Inflation, output growth, volatility and causality: evidence from panel data and the G7 countries’, Economics Letters, vol. 83, no. 2, pp. 185-191.
Caputo, R & Magendzo, I 2011, ‘Do exchange rate regimes matter for inflation and exchange rate dynamics? The case of Central America’, Journal of Latin American Studies, vol. 43, no. 2, pp. 327-354.
Chakraborty, K, Mehrotra, K, Mohan, CK & Ranka, S 1992, ‘Forecasting the behavior of multivariate time series using neural networks’, Neural Networks, vol. 5, no. 6, pp. 961-970.
Choudhary, M. A., & Haider, A. (2012). Neural network models for inflation forecasting: an appraisal.
Applied Economics, 44(20), 2631-2635. doi: 10.1080/00036846.2011.566190
Cybenko, G 1989, ‘Approximation by superpositions of a sigmoidal function’, Mathematics of Control, Signals and Systems, vol. 2, no. 4, pp. 303-314.
Dhakal, D, Kandil, M, Sharma, SC & Trescott, PB 1994, ‘Determinants of the Inflation rate in the United States: A VAR Investigation’, The Quarterly Review of Economics and Finance, vol. 34, no. 1, pp. 95-112.
Font, B & Grau, AJ 2012, ‘Exchange rate and inflation risk premia in the EMU’, Quantitative Finance, vol. 12, no. 6, pp. 907-931.
Haider, A & Hanif, MN 2009, ‘Inflation forecasting in Pakistan using artificial neural networks’, Pakistan Economic and Social Review, vol. 47, no. 1, pp. 123-138.
Hornik, K, Stinchcombe, M & White, H 1989, ‘Multilayer feedforward networks are universal approximators’, Neural Networks, vol. 2, no. 5, pp. 359-366.
Nakamura, E. (2005). Inflation forecasting using a neural network. Economics Letters, 86(3), 373-378. doi: https://doi.org/10.1016/j.econlet.2004.09.003
Sharda, R & Patil, RB 1992, ‘Connectionist approach to time series prediction: an empirical test’, Journal of Intelligent Manufacturing, vol. 3, no. 5, pp. 317-323.
Thakur, GSM, Bhattacharyya, R & Mondal, SS 2016, ‘Artificial neural network based model for forecasting of inflation in India’, Fuzzy Information and Engineering, vol. 8, no. 1, pp. 87-100.
Zhang, G, Patuwo, BE & Hu, MY 1998, ‘Forecasting with artificial neural networks:: The state of the art’, International Journal of Forecasting, vol. 14, no. 1, pp. 35-62.
Các bài báo được đọc nhiều nhất của cùng tác giả
- Nguyễn Tâm Nhi, Bùi Thị Ngọc Tuyết, Quách Yến Nhi, Trần Tú Vân Hà, Phạm Thị Thanh Xuân, Trách nhiệm xã hội của doanh nghiệp đối với người lao động: Nghiên cứu tình huống tại khu chế xuất Tân Thuận , Tạp chí Nghiên cứu Tài chính - Marketing: Số 56 (2020)
- Hồ Thủy Tiên, Chu Thị Thanh Trang, Hồ Thu Hoài, Truyền dẫn của chính sách tiền tệ đến tăng trưởng kinh tế ở Việt Nam , Tạp chí Nghiên cứu Tài chính - Marketing: Số 49 (2019)