<p>
Bài toán dự báo chuỗi thời gian với đối tượng dự báo là biến ngẫu nhiên X thay đổi
theo thời gian nhằm đạt được độ chính xác dự báo cao luôn là thách thức đối với các nhà khoa
học không chỉ trong nước mà còn đối với các nhà khoa học trên thế giới. Bởi lẽ, giá trị của
biến ngẫu nhiên này tại thời điểm t sinh ra một cách ngẫu nhiên và việc tìm một phân phối
xác xuất phù hợp cho nó không phải lúc nào cũng dễ dàng. Muốn làm được điều này dữ liệu
lịch sử cần được thu thập và phân tích, từ đó tìm ra phân phối ướm khít với nó. Tuy nhiên, một
phân phối tìm được có thể phù hợp với dữ liệu ở một giai đoạn này, nhưng có thể sai lệch lớn
so với giai đoạn khác. Do đó, việc sử dụng một phân phối ổn định cho đối tượng dự đoán là
không phù hợp với bài toán dự báo chuỗi thời gian.
Chính vì lý do trên, để xây dựng mô hình dự báo chuỗi thời gian cần thiết phải có sự liên
hệ, cập nhật dữ liệu tương lai với dữ liệu lịch sử, xây dựng mô hình phụ thuộc giữa giá trị dữ
liệu có được tại thời điểm t với giá trị tại các thời điểm trước đó t t 1, 2. Nếu xây dựng
quan hệ X X X X t t t p t p t t q t q 1 1 2 2 1 1 cho ta mô hình hồi quy tuyến
tính ARIMA[15]. Mô hình này đã được áp dụng rộng rãi bởi cơ sở lý thuyết dễ hiểu và dễ
thực hành, hơn nữa mô hình này đã được tích hợp vào hầu hết các phần mềm thống kê hiện
nay như Eviews, SPSS, Matlab, R, . Tuy nhiên, nhiều chuỗi thời gian thực tế cho thấy nó
không biến đổi tuyến tính. Do đó mô hình tuyến tính như ARIMA không phù hợp. R. Parrelli
đã chỉ ra trong [28], các chuỗi thời gian về độ dao động của chỉ số kinh tế hay tài chính thường
có quan hệ phi tuyến. Mô hình phổ biến cho dự báo chuỗi thời gian phi tuyến phải kể đến mô
hình GARCH [25,28]. Hạn chế của mô hình GARCH lại nằm ở việc phải giả sử dữ liệu dao
động tuân theo một phân phối cố định (thường là phân phối chuẩn) trong khi dữ liệu thực tế
cho thấy phân phối thống kê lại là phân phối nặng đuôi [39] (trong khi phân phối chuẩn có độ
lệch cân đối). Một lựa chọn khác cho dự báo chuỗi thời gian được phát triển gần đây hơn là
mô hình mạng thần kinh nhân tạo (ANN). Các mô hình ANN không dựa trên phân phối tất
định cho dữ liệu mà nó hoạt động tương tự bộ não con người, cố gắng tìm ra quy luật và
đường đi của dữ liệu đào tạo, kiểm tra thực nghiệm và tổng quát hóa kết quả. Với cách hoạt
động của nó, các mô hình ANN thường sử dụng cho mục đích phân lớp dữ liệu [23]. Gần đây
hơn, lý thuyết mới về học máy thống kê đang được nhiều nhà khoa học chú ý là phương pháp
vector học máy (SVM) cho bài toán phân lớp và dự báo [36,11,31]. SVM được áp dụng rộng
rãi hơn trong nhiều lĩnh vực như xấp xỉ hàm, ước lượng hồi quy và dự báo [11,31]. Tuy nhiên,
hạn chế lớn nhất của SVM là khi tập đào tạo lớn, nó đòi hỏi lượng tính toán khổng lồ cũng
như độ phức tạp của bài toán hồi quy tuyến tính trong đó.
</p>
