NỘI DUNG
Bài viết sử dụng dữ liệu doanh thu thuần (triệu VND) của Công ty cổ phần FPT (HOSE: FPT) từ quý I năm 2007 đến quý III năm 2019 với 51 quan sát Dữ liệu đã được mở rộng đến quý IV năm 2021 nhằm dự báo doanh thu cho 9 quý từ quý IV năm 2019 đến quý IV năm 2021 Thông tin được tổng hợp từ Cổng thông tin tài chính và chứng khoán hàng đầu tại http://finance.vietstock.vn và được xử lý trên phần mềm Eviews.
Nhấn đúp vào chuỗi rev để mở cửa sổ Series: REV Trên cửa sổ Series: Rev vào
View/ Descriptive Statistics & Tests/ Stats Table, ta thu được một số mô tả thống kê quan trọng như sau:
Giá trị trung bình (Mean): 9557033
Giá trị lớn nhất (Maximum): 15333191
Giá trị nhỏ nhất (Minimum): 4750769
Độ lệch chuẩn (Std Dev): 2511382
Phương pháp đồ thị là công cụ hữu ích để xác định chuỗi số liệu nghiên cứu có yếu tố thời vụ hay không Để phân tích chuỗi số liệu, cần áp dụng mô hình cộng hoặc mô hình nhân nhằm tách riêng yếu tố mùa vụ.
Trên cửa sổ Series: REV, vào View/Graph, trong cửa sổ Graph Options phần
Specific chọn Lines & Symbol Ta có kết quả khảo sát đồ thị như hình 1.
KHẢO SÁT DỮ LIỆU
Mô tả số liệu
Dữ liệu sử dụng trong bài viết là doanh thu thuần (đơn vị: triệu VND) của Công ty cổ phần FPT (HOSE: FPT) từ quý I năm 2007 đến quý III năm 2019, với tổng cộng 51 quan sát Dữ liệu đã được mở rộng đến quý IV năm 2021 nhằm dự báo doanh thu cho 9 quý tiếp theo, từ quý IV năm 2019 đến quý IV năm 2021 Thông tin được tổng hợp từ Cổng thông tin trực tuyến đầu ngành về tài chính và chứng khoán http://finance.vietstock.vn Số liệu được xử lý trên phần mềm Eviews sau khi đã được tổng hợp theo quý trên Excel.
Nhấn đúp vào chuỗi rev để mở cửa sổ Series: REV Trên cửa sổ Series: Rev vào
View/ Descriptive Statistics & Tests/ Stats Table, ta thu được một số mô tả thống kê quan trọng như sau:
Giá trị trung bình (Mean): 9557033
Giá trị lớn nhất (Maximum): 15333191
Giá trị nhỏ nhất (Minimum): 4750769
Độ lệch chuẩn (Std Dev): 2511382
Khảo sát dữ liệu
1.2.1 Phương pháp đồ thị Để xác định chuỗi số liệu nghiên cứu có yếu tố thời vụ hay không cũng như chuỗi số liệu được nghiên cứu cần sử dụng mô hình cộng hay mô hình nhân để thực hiện tách riêng nhân tố mùa vụ, ta thực hiện như sau:
Trên cửa sổ Series: REV, vào View/Graph, trong cửa sổ Graph Options phần
Specific chọn Lines & Symbol Ta có kết quả khảo sát đồ thị như hình 1
Hình 1 Doanh thu Công ty cổ phần FPT giai đoạn 2007 – 2019
Nguồn: Nhóm tác giả thực hiện trên Eviews
Doanh thu của công ty trong Hình 1 cho thấy sự biến động không đồng đều, không theo xu hướng tăng hay giảm rõ rệt Do đó, để xây dựng mô hình dự báo hiệu quả nhất, nhóm nghiên cứu sẽ áp dụng cả mô hình cộng và mô hình nhân trong quá trình ước lượng.
Tiếp theo, hãy kiểm tra tính mùa vụ của chuỗi doanh thu bằng cách sử dụng biểu đồ mùa vụ Trên cửa sổ Series: REV, chọn View/Graph để hiển thị kết quả trong cửa sổ Graph.
Options phần Specific chọn Seasonal Graph thu được đồ thị như hình 2
Hình 2 Seasonal Graph của doanh thu FPT giai đoạn 2007 – 2019
Means by Season Rev by Season
Nguồn: Nhóm tác giả thực hiện trên Eviews
Hình 2 chỉ ra rằng khoảng cách biên độ doanh thu giữa các khoảng thời gian có sự khác biệt rõ ràng, cho thấy chuỗi số liệu này có tính mùa vụ Do đó, nhóm đã áp dụng phương pháp trung bình động để tách yếu tố mùa vụ ra khỏi chuỗi, nhằm nâng cao độ chính xác của kết quả dự báo.
Mô hình cộng: Trên cửa sổ Series: REV, vào Proc/ Seasonal Adjustment/
In the Seasonal Adjustment window, select the Adjustment method "Difference from moving average - Additive." The seasonally adjusted series is represented as revsa, while the seasonal index is denoted as sa The quarterly seasonal index results are as follows:
Mô hình nhân: Trên cửa sổ Series: REV, vào Proc/ Seasonal Adjustment/
In the Seasonal Adjustment window, select the Adjustment method as "Ratio to moving average - Multiplicative." The seasonally adjusted series is represented as revsm, while the seasonal index is denoted as sm The quarterly seasonal index results are as follows:
1.2.2 Kiểm định tính dừng của chuỗi
Cặp giả thuyết: {H 0 : Chuỗi không dừng
Trong mô hình cộng, khi sử dụng cửa sổ Series: REVSA và chọn View/ Unit Root Test, ta thực hiện kiểm định đơn vị gốc với lựa chọn Level Kết quả kiểm định cho thấy P-value (Prob.) = 0,0234, nhỏ hơn α = 0,05, do đó bác bỏ giả thuyết H0 Điều này cho thấy chuỗi REVSA là chuỗi dừng.
Trong mô hình nhân, khi thực hiện kiểm định đơn vị gốc trên cửa sổ Series: REVSM, chọn Level trong phần Unit Root Test Kết quả kiểm định cho thấy P-value (Prob.) = 0,0236, nhỏ hơn α = 0,05, do đó bác bỏ giả thuyết Ho Điều này chứng tỏ chuỗi REVSM là chuỗi dừng.
1.2.3 Phân tích giản đồ tự tương quan – tự tương quan riêng phần
Mô hình cộng: Trên cửa sổ Series: REVSA vào View/ Correlogram Trên cửa sổ Correlogram Specification, phần Corelogram of chọn Level, thu được bảng kết quả như hình 3
Hình 3 Giản đồ tự tương quan và tự tương quan riêng phần của chuỗi revsa
Nguồn: Nhóm tác giả thực hiện trên Eviews
Hình 3 cho thấy vạch bậc 1, 2, 3 của ACF và vạch bậc 1 của PACF trượt khỏi đường biên nên chọn độ trễ là 1 cho AR, độ trễ 1, 2 và 3 cho MA
Mô hình nhân: Trên cửa sổ Series: REVSM vào View/ Correlogram Trên cửa sổ Correlogram Specification, phần Corelogram of chọn Level, thu được bảng kết quả như hình 4
Hình 4 Giản đồ tự tương quan và tự tương quan riêng phần của chuỗi revsm
Nguồn: Nhóm tác giả thực hiện trên Eviews
Hình 4 cho thấy vạch bậc 1, 2, 3 của ACF và vạch bậc 1 của PACF trượt khỏi đường biên Ta chọn độ trễ là 1 cho AR, độ trễ 1, 2 và 3 cho MA.
Lựa chọn phương pháp dự báo
Trong bài tiểu luận này, nhóm dùng phần mềm Eviews để dự báo chuỗi rev
(chuỗi số liệu doanh thu thuần của FPT) từ quý IV năm 2019 đến quý IV năm 2021 (2019Q4 – 2021Q4) bằng nhiều phương pháp khác nhau
1.3.1 Các mô hình dự báo giản đơn 1.3.1.1 Dự báo bằng phương pháp san mũ
San mũ là việc loại bỏ các yếu tố ngẫu nhiên để nhìn thấy bản chất của chuỗi giúp việc dự báo trở nên dễ dàng hơn
Phương pháp san mũ đơn loại bỏ yếu tố ngẫu nhiên và dự báo giá trị mẫu (predict) nhưng không thể giúp dự báo ngoài mẫu (forecast)
Phương pháp san mũ kép là việc lặp lại 2 lần của san mũ đơn Phương pháp này có thể dự báo ngoài mẫu
In the Series window of REV, navigate to Proc, then Exponential Smoothing, and select Simple Exponential Smoothing In the Exponential Smoothing window, choose the Double smoothing method The resulting Smoothed series is identified as revd Click OK to obtain the results.
Chỉ số căn bậc hai của sai số bình phương trung bình là RMSE = 2156495
Trên cửa sổ Command gõ lệnh line rev revd thu được hình 5
Hình 5 Đồ thị phân phối của chuỗi rev và chuỗi revd
Nguồn: Nhóm tác giả thực hiện trên Eviews
1.3.1.2 Dự báo bằng phương pháp san mũ Winters
Phương pháp san mũ Winters dùng để dự báo các chuỗi có chứa cả yếu tố xu thế và yếu tố mùa vụ
T t : ước lượng của phần xu thế ở thời kỳ t
: ước lượng giá trị trung bình hiện tại của Y ở thời kì t h
: giá trị dự báo của Y sau h giai đoạn trong tương lai
S t : yếu tố thời vụ tại thời điểm t (chỉ số mùa vụ qua các năm là không đổi) k : số thời vụ trong một năm k
S t : yếu tố thời vụ tại thời điểm t của thời kỳ trước Đầu tiên phải xác định dạng mô hình của chuỗi:
Từ đó, ta có giá trị ước lượng trung bình hiện tại là:
Y Ước lượng giá trị xu thế T là: ( 1 ) (1 ) 1
T Ước lượng giá trị chỉ số mùa vụ là:
( 1 ) (1 ) Như vậy, ta có dự báo h giai đoạn trong tương lai là
Trên cửa sổ Series: REV, vào Proc/ Exponential Smoothing/ Simple Exponential Smoothing Trên cửa sổ Exponential Smoothing, trong phần Smoothing method, chọn
Holt-Winters – Additive Chuỗi san Winters mô hình cộng Smoothed series là chuỗi revaw Chọn OK ta thu được kết quả dự báo sau:
Chỉ số căn bậc hai của sai số bình phương trung bình RMSE = 1717311
Chỉ số mùa vụ qua các năm không đổi:
Trên cửa sổ Command gõ lệnh line rev revaw thu được hình 6
Hình 6 Đồ thị phân phối của chuỗi rev và revaw
Nguồn: Nhóm tác giả thực hiện trên Eviews
In the Series window, navigate to REV and select Proc, then Exponential Smoothing, followed by Simple Exponential Smoothing In the Exponential Smoothing window, choose the Holt-Winters – Multiplicative method under the Smoothing method section The Winters smoothed series is represented as revmw After selecting OK, the forecast results will be generated.
Chỉ số căn bậc hai của sai số bình phương trung bình RMSE = 1736259
Chỉ số mùa vụ qua các năm không đổi:
Trên cửa sổ Command gõ lệnh line rev revmw thu được hình 7
Hình 7 Đồ thị phân phối của chuỗi rev và revmw
Nguồn: Nhóm tác giả thực hiện trên Eviews
1.3.2 Dự báo bằng phương pháp phân tích Bước 1 : Xác định dạng chuỗi (đã trình bày ở phần 1.2.1 ) Bước 2 : Tách yếu tố mùa vụ (đã trình bày ở phần 1.2.1)
Bước 3 : Ước lượng hàm xu thế
Tạo xu thế T: Trên cửa sổ Command gõ lệnh genr t=@trend(2006Q4) để tạo biến xu thế t Tiếp tục gõ lệnh ls revsm c 1/t để ước lượng revsm theo biến 1/t
Bảng 1 Kết quả ước lượng mô hình xu thế của chuỗi revsm
Biến Hệ số Sai số chuẩn Thống kê t P-value c 9961214 352402 28,26663 0,0000 t -4839021 1973911 -2,451489 0,0178
Nguồn: Nhóm tác giả thực hiện trên Eviews
Kiểm định giả thuyết thống kê về hệ số hồi quy:
Theo kết quả ước lượng thấy P-value = 0,0178 < α = 0,05 Mô hình có ý nghĩa thống kê tại mức ý nghĩa α = 0,05
Kiểm định bỏ sót biến:
Cặp giả thuyết: {H 0 : Mô hình không bỏ sót biến
H 1 : Mô hình bỏ sót biến Trên cửa sổ ước lượng Equation vào View/ Stability Diagnostics/ Ramsey RESET Test Theo kết quả kiểm định thấy P-value (Probability) = 0,4206 > α = 0,05
Mô hình không bỏ sót biến tại mức ý nghĩa α = 0,05
Kiểm định phân phối chuẩn của nhiễu:
Cặp giả thuyết: {H 0 : Nhiễu phân phối chuẩn
H 1 : Nhiễu không phân phối chuẩn Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/ Histogram –
Normality Test Theo kết quả kiểm định thấy P-value (Probability) = 0,529728 > α = 0,05 Mô hình có nhiễu phân phối chuẩn tại mức ý nghĩa α = 0,05
Kiểm định phương sai sai số thay đổi:
Cặp giả thuyết: {H 0 : Phương sai sai số không đổi
H 1 : Phương sai sai số thay đổi Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/
Kiểm tra Heteroskedasticity cho thấy khi chọn phương pháp White, giá trị P-value là 0,2995, lớn hơn mức ý nghĩa α = 0,05 Điều này cho thấy mô hình không gặp phải vấn đề về phương sai sai số thay đổi tại mức ý nghĩa này.
Kiểm định tự tương quan:
Cặp giả thuyết: {H 0 : Mô hình không có tự tương quan
H1: Autocorrelation Model To estimate the model, navigate to View > Residual Diagnostics > Serial Correlation LM test In the Lag Specification window, select 2 for the Lags to include.
Theo kết quả kiểm định thấy P-value (Probability) = 0,0000 < α = 0,05 Mô hình mắc khuyết tật tự tương quan bậc 2 tại mức ý nghĩa α = 0,05
Trên cửa sổ ước lượng Equation chọn Estimate Trên cửa sổ Equation Estimation, trong phần Method chọn ROBUSTLS - Robust Least Squares
Bảng 2 Kết quả ước lượng mô hình xu thế chuỗi revsm sau khi dùng hồi quy Robust
Biến Hệ số Sai số chuẩn Thống kê z P-value c 9930214 346733,8 28,63930 0,0000
Nguồn: Nhóm tác giả thực hiện trên Eviews Bước 4 : Dự báo chuỗi gốc
In the Equation estimation window, select the Forecast option In the Forecast window, choose the sample from 2015q3 to 2016q3 The forecasting results indicate that the Mean Absolute Percent Error (MAPE) is 4.202229, which is less than 5, suggesting that this model is suitable for out-of-sample forecasting.
Mở lại cửa sổ Forecast, trong phần Forecast sample chọn mẫu 2019q4 2021q4, thu được chuỗi dự báo revsmf
Để dự báo chuỗi revmf, bạn cần nhân chuỗi revsmf với chỉ số mùa vụ sm Trên cửa sổ Command, hãy gõ lệnh genr revmf=revsmf *sm Sau đó, tiếp tục gõ lệnh line revmf rev để thu được đồ thị như hình 8.
Hình 8 Đồ thị phân phối của chuỗi rev và revmf
Nguồn: Nhóm tác giả thực hiện trên Eviews
Bước 3 : Ước lượng hàm xu thế
Tạo xu thế T: Trên cửa sổ Command gõ lệnh genr t=@trend(2006Q4) để tạo biến xu thế t Tiếp tục gõ lệnh ls revsa c t t^2 để ước lượng revsa theo biến t và t 2
Bảng 3 Kết quả ước lượng mô hình xu thế của chuỗi revsa
Biến Hệ số Sai số chuẩn Thống kê t P-value c 5927557 725661 8,168493 0,0000 t 419429,7 64379,53 6,514954 0,0000 t 2 -8114,771 1200,239 -6,760961 0,0000
Nguồn: Nhóm tác giả thực hiện trên Eviews
Kiểm định giả thuyết thống kê về hệ số hồi quy:
H 1 : β j ≠ 0 Với mức ý nghĩa α cho trước, nếu P-value < α thì bác bỏ H0 Theo kết quả ước lượng, với α = 0,05 ta thấy:
Biến P-value Kết luận t 0.0000 < 0,05 Có ý nghĩa thống kê t 2 0.0000 < 0,05 Có ý nghĩa thống kê Kết luận: Mô hình có ý nghĩa thống kê tại mức ý nghĩa α = 0,05
Kiểm định bỏ sót biến:
Cặp giả thuyết: {H 0 : Mô hình không bỏ sót biến
H 1 : Mô hình bỏ sót biến Trên cửa sổ ước lượng Equation vào View/ Stability Diagnostics/ Ramsey RESET Test Theo kết quả kiểm định thấy P-value (Probability) = 0,6374 > α = 0,05
Mô hình không bỏ sót biến tại mức ý nghĩa α = 0,05
Kiểm định phân phối chuẩn của nhiễu:
Cặp giả thuyết: {H 0 : Nhiễu phân phối chuẩn
H 1 : Nhiễu không phân phối chuẩn Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/ Histogram –
Normality Test Theo kết quả kiểm định thấy P-value (Probability) = 0,212355 > α = 0,05 Mô hình có nhiễu phân phối chuẩn tại mức ý nghĩa α = 0,05
Kiểm định phương sai sai số thay đổi:
Cặp giả thuyết: {H 0 : Phương sai sai số không đổi
H 1 : Phương sai sai số thay đổi
Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/
Trong bài kiểm tra Heteroskedasticity, lựa chọn phương pháp White cho thấy kết quả P-value (Probability) là 0,5742, lớn hơn α = 0,05 Điều này cho thấy mô hình không có hiện tượng phương sai sai số thay đổi tại mức ý nghĩa α = 0,05.
Kiểm định tự tương quan:
Cặp giả thuyết: {H 0 : Mô hình không có tự tương quan
H1: Autocorrelation Model To test for autocorrelation in the model, navigate to the Equation estimation window and select View/Residual Diagnostics/Serial Correlation LM test In the Lag Specification window, choose to include 2 lags.
Theo kết quả kiểm định thấy P-value (Probability) = 0,0476 < α = 0,05 Mô hình mắc khuyết tật tự tương quan bậc 2 tại mức ý nghĩa α = 0,05
Trên cửa sổ ước lượng Equation chọn Estimate Trên cửa sổ Equation Estimation, trong phần Method chọn ROBUSTLS - Robust Least Squares
Bảng 4 Kết quả ước lượng mô hình xu thế chuỗi revsa sau khi dùng hồi quy Robust
Biến Hệ số Sai số chuẩn Thống kê z P-value c 5996648 740667,8 8,096272 0,0000 t 400046,2 65710,91 6,087973 0,0000 t 2 -7731,445 1225,060 -6,311073 0,0000
Nguồn: nhóm tác giả thực hiện trên Eviews Bước 4 : Dự báo chuỗi gốc
Trên cửa sổ ước lượng Equation, hãy chọn Forecast Trong phần Forecast, chọn mẫu 2007q1 đến 2007q4 Kết quả dự báo cho thấy sai số dự báo Mean Abs Percent Error là 5,472222, lớn hơn 5, cho thấy mô hình không hiệu quả cho dự báo ngoài mẫu.
1.3.3 Dự báo bằng mô hình ARIMA 1.3.3.1 Tổng quan về mô hình
Mô hình ARIMA bậc p, d, q bao gồm ba thành phần chính: AR(p) đại diện cho mô hình tự tương quan bậc p, Y(d) là chuỗi dừng sau khi thực hiện sai phân bậc d, và MA(q) là mô hình trung bình trượt bậc q Phương trình của mô hình ARIMA này giúp phân tích và dự đoán các chuỗi thời gian một cách hiệu quả.
1.3.3.2 Các bước tiến hành Bước 1: Kiểm tra tính dừng của chuỗi cần dự báo
Chuỗi thường: kiểm tra tính dừng của chuỗi gốc và tiến hành dự báo ARIMA với chuỗi gốc
Để phân tích chuỗi có tính mùa vụ, trước tiên cần tách yếu tố mùa vụ khỏi chuỗi gốc Sau đó, kiểm tra tính dừng của chuỗi đã tách và tiến hành dự báo ARIMA dựa trên chuỗi này.
Chuỗi có tính xu thế: kiểm tra tính dừng của chuỗi gốc Y t =β̂
2t + e t (với e t là phần dư), sau đó kiểm tra tính dừng của chuỗi e t và tiến hành dự báo ARIMA với chuỗi e t
Bước 2: Xác định độ trễ p, q
Bước 3: Ước lượng mô hình và kiểm tra các điều kiện giả định của mô hình
Mô hình khả nghịch và ổn định (nghiệm đơn vị của các mô hình hồi quy phụ nhỏ hơn 1)
Nhiễu trắng (nhiễu không tự tương quan)
Bước 4: Dự báo ngoài mẫu
Chuỗi có yếu tố mùa vụ: Nhân hoặc cộng chuỗi dự báo đã hiệu chỉnh với chỉ số mùa vụ để dự báo chuỗi gốc
Chuỗi có yếu tố xu thế: Tạo biến Y f = β̂
2t + e f là dự báo của chuỗi Y t
1.3.3.3 Áp dụng Bước 1: Kiểm tra chuỗi dừng (đã trình bày ở phần 2.2) Bước 2 : Xác định độ trễ p, q (đã trình bày ở phần 2.3)
Bước 3: Ước lượng mô hình và kiểm tra các điều kiện giả định của mô hình Để ước lượng mô hình, trong cửa sổ Command, bạn nhập lệnh ls revsa c ar(1) ma(1) và thu được kết quả hồi quy như trình bày trong bảng 5.
Bảng 5 Kết quả ước lượng mô hình ARIMA (1,1,1) – mô hình cộng
Biến Hệ số Sai số chuẩn Thống kê t P-value c 9217558 992748,4 9,284888 0,0000
Nguồn: Nhóm tác giả thực hiện trên Eviews
MA(1) có P-value = 0,1948 > α = 0,05, độ trễ không có ý nghĩa thống kê
Tiếp tục gõ lệnh ls revsa c ar(1) ma(2) thu được kết quả hồi quy như ở bảng 6
Bảng 6 Kết quả ước lượng mô hình ARIMA (1,1,2) – mô hình cộng
Biến Hệ số Sai số chuẩn Thống kê t P-value c 9477018 658842,2 14,38435 0,0000
Inverted AR Roots 0,48 Inverted MA Roots -0,00 + 0,70i -0,00 - 0,70i
Nguồn: Nhóm tác giả thực hiện trên Eviews
Theo bảng 6, mô hình AR(1) có P-value = 0,0008 và MA(2) có P-value = 0,0031, cho thấy độ trễ của cả hai chỉ số đều có ý nghĩa thống kê với α = 0,05 Hơn nữa, các chỉ số Inverted AR Roots và Inverted MA Roots đều nằm trong khoảng (-1; 1), xác nhận rằng mô hình là ổn định và khả nghịch.
Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/ Correlation
Q-Statistics Trên cửa sổ Lag Specification chọn độ trễ 12 thu được kết quả kiểm định như ở bảng 7
Bảng 7 Kết quả kiểm định tự tương quan ở 12 độ trễ liên tiếp của mô hình ARIMA
(1,1,2) – mô hình cộng Độ trễ P-value Độ trễ P-value
Nguồn: Nhóm tác giả thực hiện trên Eviews
Tất cả các giá trị P-value cho các độ trễ đều vượt qua ngưỡng ý nghĩa α = 0,05, cho thấy mô hình không có tự tương quan ở 12 độ trễ liên tiếp và vượt qua kiểm định nhiễu trắng.
Kiểm định phân phối chuẩn của nhiễu:
Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/ Histogram –
Normality Test Theo kết quả kiểm định thấy P-value (Probability) = 0,730349 > α = 0,05 Mô hình có nhiễu phân phối chuẩn tại mức ý nghĩa α = 0,05
Kiểm định phương sai sai số thay đổi:
Trên cửa sổ ước lượng Equation vào View/ Residual Diagnostics/
Kiểm định Heteroskedasticity cho thấy kết quả P-value (Probability) = 0,9511, lớn hơn α = 0,05 Điều này cho thấy mô hình không có phương sai sai số thay đổi tại mức ý nghĩa α = 0,05.
KẾT QUẢ DỰ BÁO
KẾT LUẬN
Nghiên cứu cho thấy phương pháp phân tích mô hình nhân (chuỗi revmf) và mô hình ARIMA mô hình nhân (chuỗi revmfa) có độ chính xác cao nhất với RMSE nhỏ nhất trong dự báo doanh thu Kết quả dự báo chỉ ra rằng doanh thu thuần giảm mạnh trong quý đầu năm 2020, sau đó tăng nhanh vào hai quý cuối và giảm mạnh trong hai quý đầu năm tiếp theo Tuy nhiên, trong bối cảnh kinh tế biến động, dự báo doanh thu thuần có thể gặp sai số nhất định Dù vậy, nghiên cứu này vẫn cung cấp thông tin hữu ích cho lãnh đạo Công ty cổ phần FPT, giúp họ đưa ra những quyết định và giải pháp phù hợp nhằm điều chỉnh chính sách tăng doanh thu trong tương lai, hướng tới mục tiêu tăng trưởng kinh tế bền vững.
Từ kết quả dự báo, nhóm nghiên cứu đề xuất một số giải pháp nhằm tăng doanh thu thuần cho Công ty như sau:
Để nâng cao hiệu quả hoạt động và tăng lợi nhuận, doanh nghiệp cần xây dựng một chiến lược kế hoạch kinh doanh đúng đắn và phù hợp với tình hình thực tế Việc này giúp doanh nghiệp tận dụng tối đa các nguồn lực cho sản xuất kinh doanh.
Để nâng cao hiệu quả hoạt động của doanh nghiệp, cần xây dựng và triển khai các kế hoạch cùng chính sách marketing, bao gồm chính sách sản phẩm, chính sách giá cả và chính sách phân phối Đồng thời, việc đẩy mạnh nghiên cứu thị trường để hiểu rõ nhu cầu khách hàng sẽ giúp đáp ứng tốt hơn các yêu cầu của người tiêu dùng.
Ba là, tổ chức tốt quá trình kinh doanh sản phẩm hàng hóa và dịch vụ công ty
Để tổ chức hiệu quả quá trình kinh doanh sản phẩm và dịch vụ, công ty cần chú trọng đến tất cả các khâu từ nguồn cung ứng đầu vào đến đầu ra, bao gồm dự trữ hàng hóa, tiêu thụ và tổ chức thanh toán Đặc biệt, đảm bảo nguồn lực đầu tư là yếu tố quan trọng giúp duy trì tăng trưởng, nhất là trong bối cảnh ngành công nghệ và viễn thông còn nhiều tiềm năng phát triển, đặc biệt là ảnh hưởng ngày càng tăng của xu hướng chuyển đổi số đối với ngành công nghệ thông tin.
Bài tiểu luận này được hoàn thành nhờ sự nỗ lực của toàn bộ nhóm, mặc dù còn nhiều hạn chế về lý thuyết, nhưng hy vọng sẽ cung cấp thông tin hữu ích cho các nhà quản lý doanh nghiệp trong quá trình ra quyết định Tiểu luận cũng là tài liệu bổ sung cho nghiên cứu dự báo doanh thu trong ngành dịch vụ công nghệ thông tin tại Việt Nam Chúng em xin chân thành cảm ơn ThS Nguyễn Thúy Quỳnh vì sự hướng dẫn tận tình và những bài học bổ ích, giúp chúng em hiểu sâu hơn về môn Dự báo kinh tế và ứng dụng kiến thức vào thực tiễn Nhóm rất mong nhận được sự góp ý và động viên từ cô để hoàn thiện hơn trong công việc sau này.
DANH MỤC TÀI LIỆU THAM KHẢO
1 Nguyễn Quang Dong, Nguyễn Thị Minh, Giáo trình Kinh tế lượng, Trường Đại học Kinh tế quốc dân
2 Nguyễn Quốc Oánh, Lê Thanh Hà, Đỗ Quang Giám, 2014, Vận dụng các phương pháp dự báo san bằng mũ để dự báo doanh thu cho doanh nghiệp ngành thép Việt Nam, Tạp chí Khoa học và Phát triển 2014, tập 12, số 2, trang 205 – 213
1 Dalia Streimikiene, Rizwan Raheem Ahmed, Jolita Vveinhardt, Saghir Pervaiz Ghauri, Sarwar Zahid, 2018, Forecasting tax revenues using time series techniques – a case of Pakistan, Journal Economic Research – Ekonomska
2 Mingzhao Wang, Yuping Wang, Xiaoli Wang and Zhen Wei, 2015, Forecast and Analyze the Telecom Income based on ARIMA Model, The Open Cybernetics &
1 Website Cổng thông tin trực tuyến đầu ngành về tài chính và chứng khoán https://finance.vietstock.vn/doanh-nghiep-a-z/?page=1 (truy cập ngày 3/12/2019)
2 Webiste Trường Đại học Kinh tế Luật, Đại học Quốc gia Thành phố Hồ Chí Minh, https://maths.uel.edu.vn (truy cập ngày 8/12/2019).
PHỤ LỤC
BẢNG SỐ LIỆU DÙNG TRONG DỰ BÁO Quý
Phụ lục 1 Bảng mô tả thống kê chuỗi dữ liệu
Phụ lục 2 Bảng kết quả sau khi tách yếu tố mùa vụ của mô hình cộng
Phụ lục 3 Bảng kết quả sau khi tách yếu tố mùa vụ của mô hình nhân
Phụ lục 4 Bảng kết quả kiểm định tính dừng của chuỗi revsa
Phụ lục 5 Bảng kết quả kiểm định tính dừng của chuỗi revsm
Phụ lục 6 Bảng kết quả dự báo san mũ kép
Phụ lục 7 Bảng kết quả dự báo san mũ Winters mô hình cộng
Phụ lục 8 Bảng kết quả dự báo san mũ Winters mô hình nhân
Phụ lục 9 Bảng kết quả ước lượng mô hình xu thế của chuỗi revsm
Phụ lục 10 Bảng kết quả kiểm định bỏ sót biến của mô hình ước lượng hàm xu thế chuỗi revsm
Phụ lục 11 Bảng kết quả kiểm định phân phối chuẩn của nhiễu của mô hình ước lượng hàm xu thế chuỗi revsm
Phụ lục 12 Bảng kết quả kiểm định phương sai sai số thay đổi của mô hình ước lượng hàm xu thế chuỗi revsm
Phụ lục 13 Bảng kết quả kiểm định tự tương quan của mô hình ước lượng hàm xu thế chuỗi revsm
Phụ lục 14 Bảng kết quả ước lượng mô hình xu thế chuỗi revsm sau khi dùng hồi quy Robust
Phụ lục 15 Kết quả dự báo trong mẫu revsmf của chuỗi revsm
Phụ lục 16 Bảng kết quả ước lượng mô hình xu thế của chuỗi revsa
Phụ lục 17 Bảng kết quả kiểm định bỏ sót biến của mô hình ước lượng hàm xu thế chuỗi revsa
Phụ lục 18 Bảng kết quả kiểm định phân phối chuẩn của nhiễu của mô hình ước lượng hàm xu thế chuỗi revsa
Phụ lục 19 Bảng kết quả kiểm định phương sai sai số thay đổi của mô hình ước lượng hàm xu thế chuỗi revsa
Phụ lục 20 Bảng kết quả kiểm định tự tương quan của mô hình ước lượng hàm xu thế chuỗi revsa
Phụ lục 21 Bảng kết quả ước lượng mô hình xu thế chuỗi revsa sau khi dùng hồi quy Robust
Phụ lục 22 Kết quả dự báo trong mẫu revsaf của chuỗi revsa
Phụ lục 23 Kết quả ước lượng mô hình ARIMA (1,1,1) (mô hình cộng)
Phụ lục 24 Kết quả ước lượng mô hình ARIMA (1,1,2) (mô hình cộng)
Phụ lục 25 Kết quả kiểm định tự tương quan ở 12 độ trễ liên tiếp mô hình ARIMA (1,1,2) (mô hình cộng)
Phụ lục 26 Kết quả kiểm định phân phối chuẩn của nhiễu của mô hình ARIMA (1,1,2) (mô hình cộng)
Phụ lục 27 Kết quả kiểm định phương sai sai số thay đổi của mô hình ARIMA (1,1,2)
Phụ lục 28 Kết quả dự báo trong mẫu cho chuỗi revsa mô hình ARIMA (1,1,2) (mô hình cộng)
Phụ lục 29 Kết quả ước lượng mô hình ARIMA (1,1,3) (mô hình cộng)
Phụ lục 30 Kết quả ước lượng mô hình ARIMA (1,1,1) (mô hình nhân)
Phụ lục 31 Kết quả ước lượng mô hình ARIMA (1,1,2) (mô hình nhân)
Phụ lục 32 Kết quả kiểm định tự tương quan ở 12 độ trễ liên tiếp mô hình ARIMA (1,1,2) (mô hình nhân)
Phụ lục 33 Kết quả kiểm định phân phối chuẩn của nhiễu mô hình ARIMA (1,1,2)
Phụ lục 34 Kết quả kiểm định phương sai sai số thay đổi mô hình ARIMA (1,1,2)
