Ứng dụng mô hình ARIMA trong dự báo chỉ số VN-Index

Bài viết Ứng dụng mô hình ARIMA trong dự báo chỉ số VN-Index tập trung dự báo chỉ số Vn-Index trong ngắn hạn bằng cách sử dụng mô hình ARIMA với phương pháp Box-jenkins theo 4 bước: Nhận dạng, ước lượng, kiểm tra và dự báo. Và từ kết quả nghiên cứu sẽ đưa ra các khuyến cáo với nhà đầu tư về việc ứng dụng mô hình ARIMA.

Nguyễn Hồ Diệu Uyên, Nguyễn Thị Thanh Huyền 90 ỨNG DỤNG MƠ HÌNH ARIMA TRONG DỰ BÁO CHỈ SỐ VN-INDEX THE APPLICATION OF ARIMA MODEL TO VN-INDEX FORECAST Nguyễn Hồ Diệu Uyên, Nguyễn Thị Thanh Huyền Trường Cao đẳng Công nghệ Thơng tin, Đại học Đà Nẵng; Email: ntth0401@gmail.com Tóm tắt - Thị trường chứng khốn ln hấp dẫn tổ chức cá nhân đầu tư mức sinh lợi cao Các nhân tố tác động vào thị trường Việt Nam đa dạng biến đổi khó lường Bên cạnh đó, yếu tố hành vi chi phối phần lớn biến động thị trường Vì cơng việc dự báo Vn-Index gặp nhiều khó khăn ARIMA cơng cụ dự báo hữu hiệu phổ biến liệu chuỗi thời gian Vn-Index Việc dự báo tăng giảm Vn-Index giúp nhà đầu tư nhận biết chiều hướng biến động giá cổ phiếu để hoạch định chiến lược đầu tư phù hợp Trong phạm vi báo này, tác giả tập trung dự báo số Vn-Index ngắn hạn cách sử dụng mơ hình ARIMA với phương pháp Box-jenkins theo bước: nhận dạng, ước lượng, kiểm tra dự báo Và từ kết nghiên cứu đưa khuyến cáo với nhà đầu tư việc ứng dụng mơ hình ARIMA Abstract - The stock market always attract sorganisations and individuals because of its high capability of profit generation Factors affecting the Vietnam market are diverse and unpredictable Besides, the behaviour factor controls most of the market fluctuation Therefore, the forecast of Vn Index has met with difficulties ARIMA is a efficient and popular tool to forecast the data in time chain like Vn Index Forecasting the ups and downs of Vn Index helps investors acquire the fluctuating trend of stocks to plan their strategies appropriately In this paper, the author focuses on forecasting the Vn Index in the short term using ARIMA model with Box-Jenkins methods in steps: identifying, estimating, testing as well as forecasting, and gives advice to investors in applying ARIMA Từ khóa - thị trường chứng khoán; cổ phiếu; đầu tư; dự báo; mơ hình ARIMA Key words - stock market; stock; investment; predict; ARIMA Đặt vấn đề Được hình thành từ đầu năm 2000, thị trường chứng khoán (TTCK) Việt Nam trở thành kênh đầu tư hấp dẫn nhà đầu tư, từ tổ chức đầu tư chuyên nghiệp nhà đầu tư cá nhân nghiệp dư nhỏ lẻ Từ mã chứng khoán niêm yết ban đầu REE SAM, có gần 700 cơng ty niêm yết TTCK ngày phát triển mức sinh lợi tăng đồng thời gia tăng rủi ro Phần đông nhà đầu tư mua bán cổ phiếu theo cảm tính đa phần chịu ảnh hưởng thông tin ngắn hạn Do đó, giá chứng khốn biến động bất thường Điều ảnh hưởng đến ổn định phát triển bền vững TTCK Việt Nam [3] Khi định đầu tư vào chứng khoán nhà đầu tư cần có phân tích kỹ lưỡng rủi ro tỷ suất lợi tức Rủi ro hệ thống cố xảy trình vận hành hệ thống (nền kinh tế) cố xảy hệ thống có tác động đến phần lớn hệ thống Các nhân tố rủi ro hệ thống bao gồm: Sự biến động dự kiến lạm phạt, lãi suất; thay đổi sách tiền tệ phủ; tăng trưởng kinh tế, dấu hiệu khủng hoảng kinh tế, khủng hoảng tài chính; biến động trị kinh tế khu vực; biến động trị nước; thiên tai diện rộng làm đình trệ hoạt động hệ thống dài ngày; … Những rủi ro gây ảnh hưởng đến giá hầu hết chứng khoán khơng thể đa dạng hóa [2] Nhằm giảm thiểu rủi ro, đạt lợi ích đầu tư, cần dự báo mức độ biến động VnIndex đo lường rủi ro hệ thống cổ phiếu để từ có định đầu tư phù hợp Trong giai đoạn nay, việc nghiên cứu ứng dụng lý thuyết phân tích, dự báo đầu tư vào TTCK Việt Nam quan trọng cấp thiết Hơn nữa, có nhiều nghiên cứu giới việc ứng dụng lý thuyết vào thị trường chứng khoán, đặc biệt nghiên cứu thực nghiệm TTCK cho kết có ý nghĩa thiết thực Có bốn phương pháp dự báo kinh tế dựa vào liệu chuỗi thời gian: mơ hình hồi quy đơn phương trình, mơ hình hồi quy phương trình đồng thời, mơ hình trung bình trượt kết hợp tự hồi quy (ARIMA), mơ hình tự hồi quy véctơ (VAR) [5] Đặc biệt, mơ hình ARIMA mơ hình nhà nghiên cứu kinh tế giới áp dụng nhiều dự báo chuỗi giá chứng khoán Do ảnh hưởng khủng hoảng kinh tế nên hoạt động TTCK Việt Nam ảm đạm Các nhà đầu tư không mặn mà mức sinh lợi không cao Tuy nhiên, có chiến lược đầu tư dự báo đạt lợi nhuận cao Do giá chứng khốn biến động thất thường Vì vậy, phạm vi báo này, tác giả tập trung ứng dụng mô hình ARIMA với phương pháp Box-Jenkins để dự báo Vn-Index ngắn hạn Vận dụng mơ hình mơ hình ARIMA cho Vn-Index 2.1 Mơ hình ARIMA Mơ hình ARIMA khởi xướng từ vài năm trở lại đây, với phát triển khoa học công nghệ, giới nghiên cứu mơ hình ARIMA mức độ ngày sâu thành cơng dự báo Trong số trường hợp dự báo thu từ phương pháp có tính tin cậy cao so với dự báo thu từ phương pháp mơ hình kinh tế lượng truyền thống khác, đặc biệt dự báo ngắn hạn Tại Việt Nam có số cơng trình nghiên cứu vận dụng mơ hình ARIMA để dự báo sản lượng lúa, lượng khách du lịch, nghiên cứu liên quan đến chứng khốn trình bày cách hệ thống cập nhật Tuy nhiên, ứng dụng tốt ARIMA cơng cụ hữu hiệu nhà đầu tư chứng khoán Việt Nam Dựa mơ hình tự hồi quy AR mơ hình trung bình động MA ARIMA mơ hình dự báo định lượng theo thời gian, giá trị tương lai biến số dự báo phụ thuộc vào xu vận động đối tượng khứ George Box ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 12(85).2014, QUYỂN Gwilym Jenkins [1] nghiên cứu mô hình ARIMA (Autoregressive Integrated Moving Average - Tự hồi qui tích hợp Trung bình trượt), tên họ dùng để gọi tên trình ARIMA tổng quát, áp dụng vào việc phân tích dự báo chuỗi thời gian Bản chất số liệu chuỗi thời gian thể tâm lý nhà đầu tư thông qua diễn biến hành vi hướng liệu Vì sử dụng mơ hình ARIMA để dự báo Vn-Index phù hợp Thực phương pháp Box-Jenkins gồm bốn bước: nhận dạng mơ hình thử nghiệm, ước lượng, kiểm định chẩn đoán dự báo [4] Đầu tiên, mơ hình ARIMA phân tích tính tương quan liệu quan sát để đưa mơ hình dự báo thơng qua giai đoạn nhận dạng mơ hình, ước lượng tham số từ liệu quan sát kiểm tra tham số ước lượng để tìm mơ hình thích hợp Mơ hình kết trình gồm tham số thể mức độ tương quan liệu chọn để dự báo giá trị tương lai Giới hạn độ tin cậy dự báo tính dựa phương sai sai số dự báo tau τ) Dickey Fuller để kiểm định tính dừng Đây kiểm định phổ biến để kiểm định tính dừng chuỗi thời gian Ta thu kết bảng Kết cho thấy xác suất kiểm định 0,000 nhỏ 5% chứng tỏ RVNI có tính dừng Vì vậy, việc sử dụng mơ hình ARIMA để dự đoán Vn-Index phù hợp Ta tiếp tục tiến hành nhận dạng ARIMA Mơ hình ARIMA(p,d,q) tổng qt có dạng:  Yt=0+1Yt-1+2Yt-2+…+pYt-p+ut +θ1ut-1+…+θqut-q+et Trong đó: Yt chuỗi dừng bậc d chuỗi ban đầu (chuỗi khảo sát)  tham số tự hồi quy θ tham số trung bình di động ut nhiễu trắng et sai số dự báo 2.2 Thu thập số liệu p bậc tự hồi qui Nguồn cung cấp số liệu trang web cophieu68.com Đây website chuyên cung cấp số liệu thị trường chứng khốn Việt Nam q bậc trung bình trượt Thơng thường, nghiên cứu thực nghiệm có sử dụng số liệu khứ thường lấy độ dài liệu năm Do đó, số liệu sử dụng để thực báo số VnIndex từ ngày 04/05/2009 đến ngày 05/05/2014 Vậy liệu chuỗi có 1249 quan sát Nhận dạng mơ hình ARIMA(p,d,q) tìm giá trị thích hợp p, d, q Bảng Kết kiểm định tính dừng RVNI Vn-Index xem danh mục thị trường số Vn-Index tính theo phần lớn chứng khốn có thị trường Bên cạnh đó, chuyển hóa liệu cơng việc phổ biến mơ hình liệu thời gian nhằm giúp người phân tích lựa chọn mơ hình phù hợp thực mục đích nghiên cứu có sẵn Chuyển liệu gốc thành liệu logarit để chuyển mơ hình phi tuyến thành mơ hình tuyến tính khắc phục số tượng hay gặp phân tích hồi quy như: đa cộng tuyến, phương sai sai số thay đổi, tự tương quan,… Vì vậy, dựa số liệu thu thập tác giả thực tính tốn tỷ suất lợi tức VnIndex Tỷ suất sinh lời Vn-Index tính logarit tự nhiên số Vn-Index ngày hôm chia cho số Vn-Index ngày giao dịch kề trước Ta phân tích chuỗi Vn-Index thơng qua việc phân tích chuỗi RVn-Index (RVNI) Các số liệu thực thống kê, ước lượng, kiểm định phần mềm Eview (Econometric Views) 5.1 Đây phần mềm chuyên kinh tế lượng, nghiên cứu với liệu chuỗi thời gian, liệu chéo, liệu mảng… 2.3 Nhận dạng mô hình thử nghiệm Khi thực hồi quy biến chuỗi thời gian chuỗi liệu phải có tính dừng Và tìm thấy mối quan hệ hồi quy mối quan hệ ln xác thực Do chuỗi thời gian có tính dừng Vì vậy, để dự báo Vn-Index ta cần phải kiểm định xem tỷ suất sinh lợi Vn-Index (RVNI) có tính dừng hay khơng Thực kiểm định nghiệm đơn vị (dựa vào thống kê 91 Bảng Giá trị tự tương quan tự tương quan riêng phần chuỗi RVNI Nguyễn Hồ Diệu Uyên, Nguyễn Thị Thanh Huyền 92 Việc xác định p q phụ thuộc vào giá trị AC PAC Với AC hàm tự tương quan PAC hàm tự tương quan riêng phần: + Chọn giá trị p AC có giá trị cao độ trễ 1, 2, , p giảm nhiều sau p dạng hàm AC giảm dần + Chọn giá trị q PAC có giá trị cao độ trễ 1, 2, , q giảm nhiều sau q dạng hàm PAC giảm dần Thực xác định hàm tự tương quan tự tương quan riêng phần cho RVNI Ta Bảng Quan sát Bảng 2, ta thấy: đường nét đứt bên đường giới hạn có giá trị = ±1,96x(1/sqrt(n)) Với n số quan sát Thanh nằm hai đường giới hạn coi giá trị gần Ta có: + RVNI chuỗi dừng d=1 + Tự tương quan từ bậc trở nên dự đoán p = + Tự tương quan riêng phần từ bậc trở nên dự đốn q = Các mơ hình ARIMA có ARIMA (0,1,1), ARIMA(1,1,1), ARIMA(1,1,0) 2.4 Ước lượng mơ hình ARIMA Do có nhiều mơ hình nhận diện nên ta cần xác định mơ hình phù hợp Dùng phương pháp bình phương bé (OLS) để ước lượng mơ hình ARIMA (0,1,1), ARIMA(1,1,1), ARIMA(1,1,0) Thực ước lượng Eview Sau từ kết thu được, ta lựa chọn mơ hình theo tiêu chí AIC BIC AIC (Akaike Information Criterion) phương tiện hữu ích để lựa chọn mơ hình, xác định độ trễ mơ hình ARIMA AIC mơ hình ARIMA (p,d,q) tính sau: AIC = -2log(L) +2(p+q+k+1) Trong đó: L: hàm likehood đo lường mức hợp lý liệu k = hệ số c mơ hình khác 0, k = c=0 p độ trễ mơ hình AR(p) q độ trễ mơ hình MA(q) Ngồi ra, tiêu chí thơng tin Bayesion (BIC – Bayesian information criterion) hay cịn gọi tiêu chí Schwarz (SBC hay BIC) tiêu chuẩn để lựa chọn mơ hình tập hữu hạn mơ hình BIC có liên quan chặt chẽ với tiêu chí thơng tin Akaike (AIC) Tiêu chí thơng tin BIC mơ hình ARIMA (p, d, q) tính sau: BIC = AIC + (log(T) – 2)(p + q + k + 1) Trong mơ hình ước lượng phù hợp mơ hình có tiêu chí Schwarz (BIC) nhỏ sử dụng để tiếp tục thực dự báo [4] Bảng Kết thơng số mơ hình Số quan sát Schwarz criterion ARIMA (0,1,1) 1249 -4.402795 ARIMA (1,1,1) 1249 -4.401407 ARIMA (1,1,0) 1249 -4.387610 Mơ hình Từ bảng ta thấy mơ hình có thơng số Schwarz criterion nhỏ ARIMA (0,1,1) Nên mơ hình phù hợp Theo kết hồi quy, ta có: rvnit= 0.000435 -0.360393rvnit – + t 2.5 Kiểm định tính hiệu lực Tìm kiếm mơ hình ARIMA phù hợp q trình thử sai Khi kiểm định khơng thỏa mãn, ta phải xác định lại mơ hình Để kiểm định tính hiệu lực mơ hình ta sử dụng kiểm định sau: 2.5.1 Kiểm định mô hình có biến bỏ sót khơng? Việc kiểm định mơ hình có bỏ sót biến hay khơng ta sử dụng kiểm định thống kê Q Giả thuyết: H0: mơ hình khơng có biến bỏ sót Đối thuyết: H1: mơ hình có biến bỏ sót Với  = 5% Thực kiểm định Eviews Thao tác: View/ Residual Tests/ Correlogram–Q-statistics/Enter Bảng Kết kiểm định Q Theo Bảng 4, ta có tất Prob (probability) lớn 5% nên chấp nhận H0 Vậy mơ hình ARIMA(0,1,1) khơng có biến bỏ sót 2.5.2 Kiểm định tính tự tương quan mơ hình Giả thuyết: H0: mơ hình khơng có tự tương quan Đối thuyết: H1: mơ hình có tự tương quan Thực kiểm định nhân tử Lagrange (LM) cho bậc cao với Lags to include từ đến 4, cỡ mẫu lớn  = 5% Bảng Kết kiểm định LM – bậc ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 12(85).2014, QUYỂN Bảng Kết kiểm định LM – bậc Bảng Kết kiểm định LM – bậc Bảng Kết kiểm định LM – bậc 93 Lần gần giai đoạn 2009 đến 2014 là: ngày 15/1/2013, thị trường chứng khoán giao dịch với biên độ mới, HSX từ 2% lên 7% Đây thời điểm thị trường biến động mạnh Vì ta coi điểm gãy ngày 15/1/2013 thực kiểm định Chow Sau tiến hành kiểm định, ta thấy F-statistic> Pro Ftới hạn nên bác bỏ giả thiết H0 nghĩa có thay đổi cấu trúc qua thời kỳ Hay nói cách khác, có khác biệt thời kỳ phủ điều chỉnh biên độ giao động Do mơ hình ARIMA giai đoạn 2009 đến 2014 khơng ổn định mặt cấu trúc Vì ta tiếp tục ước lượng mơ hình ARIMA với liệu giai đoạn 15/1/2013 đến 05/12/2014 Số quan sát 317 Thực bước nhận dạng, ước lượng kiểm định tương tự Riêng kiểm nghiệm Chow, lựa chọn số điểm gãy (điểm mà Vn-Index giảm xuống thấp sau tăng trở lại) để kiểm định kết thu mơ hình ổn định mặt cấu trúc Vậy mơ hình ARIMA(0,1,1) là: rvnit= 0.00635+0.088140rvnit – + t Từ kết bảng trên, ta thấy tất Prob Obs*R-squared lớn  = 5% nên chấp nhận H0 Vậy mơ hình khơng có tượng tự tương quan 2.4.3 Kiểm định tính ổn định cấu trúc mơ hình – Kiểm định Chow Bài báo sử dụng kiểm định Chow để xem liệu có thay đổi mặt cấu trúc mơ hình hồi quy (đối với hồi quy chuỗi thời gian) giai đoạn khác số Vn-Index giao động biên độ hay không Giả sử muốn kiểm định xem có thay đổi cấu trúc hay không vào thời điểm t Thủ tục phải chia mẫu gồm n quan sát thành hai nhóm, nhóm gồm n1 quan sát nhóm gồm quan sát cịn lại n2 = n – n1 để thực kiểm định, với giả thiết: + H0: Khơng có thay đổi cấu trúc thời kỳ + H1: Có thay đổi cấu trúc thời kỳ Nếu có khác biệt thời kỳ, nghiên cứu thực dự báo lại mơ hình kể từ điểm gãy cuối Kể từ thành lập đến nay, TTCK Việt Nam có 10 lần thay đổi biên độ giao dịch Cơ quan quản lý thường sử dụng biện pháp giảm biên độ thị trường sụt giảm mạnh “tận dụng” hội thị trường lạc quan để nới rộng biên độ Các lần giảm biên độ tỏ hiệu quả, giúp giới đầu tư bình tĩnh thị trường hồi phục nhẹ trở lại Hiệu ứng việc nới rộng biên độ có tác động tích cực để kích thích thị trường Bảng Kết kiểm định Chow ngày 15/1/2013 2.6 Dự báo mơ hình ARIMA (0,1,1) Sử dụng mơ hình vừa xây dựng để dự báo điểm khoảng tin cậy cho RVNI từ 06/5/2014 đến 09/05/2014 phần mềm Eview với độ tin cậy 95% Mơ hình: rvnit= 0.00635+0.088140rvnit – + t Bảng 10 Kết kiểm định Chow ngày 15/1/2013 STT Ngày Vn-Index dự báo Vn-Index thực tế Sai lệch 06/05/2014 562 561.9 0.0001 07/05/2014 558 560 0.0035 08/05/2014 530 527.1 0.0055 09/05/2014 538 542.5 0.0082 Từ Bảng 10 thấy sau, kết dự đốn có khác biệt với thực tế Dự báo có sai lệch thấp 5% nên giới hạn cho phép Theo kết Vn-Index thời gian tới có chiều hướng giảm dần Do yếu tố kinh tế vĩ mô chưa ổn định việc thực sách phủ chưa qn có cú sốc thị trường tác động mạnh đến số Vn-Index Khi sử dụng mơ hình ARIMA nhà đầu tư cần lựa chọn liệu đầu vào phù hợp để kết dự báo sát với thực tế Cụ thể nên sử dụng kiểm định Chow điểm gãy để xác định tính ổn định cấu trúc mơ hình Bởi TTCK Việt Nam thường xuyên có đợt điều chỉnh biên độ giao động Không cần thiết phải cắt ngắn bớt liệu để dự báo Bởi mơ hình ARIMA sử dụng số quan sát q khơng có xác thực để dự báo Còn sử dụng nhiều quan sát gặp trường hợp đưa thời gian có cú “sốc” vào để dự đốn Như dẫn đến việc mơ hình ARIMA có tính ổn định mặt cấu trúc khơng có ý nghĩa dự báo Kết luận Ta thấy kết mơ hình dự báo cho giá trị dự báo xấp xỉ với giá trị thực tế khoản tin cậy 95% Điều chứng tỏ mơ hình có độ tin cậy cao dự báo Nguyễn Hồ Diệu Uyên, Nguyễn Thị Thanh Huyền 94 Tuy nhiên, TTCK Việt Nam, số dự báo số ngày giao dịch khác biệt lớn với thực tế, TTCK chịu ảnh hưởng lớn từ số yếu tố như: tâm lý nhà đầu tư, tác động thị trường chứng khốn khác, thơng tin thay đổi sách Nhà đầu tư nên kết hợp kết từ mơ hình dự báo với phân tích kỹ thuật, thường xuyên quan sát để có cách nhìn nhận đắn xác biến động TTCK Mặt khác, để đưa định đầu tư phù hợp cho mã cổ phiếu nhà đầu tư nên sử dụng thêm mơ hình CAPM Mơ hình ARIMA với ý nghĩa mơ lại hành vi diễn biến khứ, từ làm sở cho dự báo Tại Việt Nam, mơ hình dự báo có ý nghĩa chưa cao, nhà làm sách khơng nhận diện rõ yếu tố khác tác động lên thị trường mà sử dụng biện pháp mang tính hành để điều chỉnh biên độ giao dịch với mục đích ổn định thị trường chứng khốn Việc làm khơng theo hướng giải nguyên nhân gây việc suy giảm thị trường Vì vậy, phủ phải đưa hệ thống sách thực cách quán thời gian tới, tránh gây cú sốc mạnh cho thị trường để lấy lại niềm tin nhà đầu tư Kết mơ hình ARIMA mang tính chất tham khảo Tuy nhiên khẳng định ARIMA mơ hình tốt để dự báo ngắn hạn TÀI LIỆU THAM KHẢO [1] John E Hanke & Dean W Wichern, 2005, “Business Forecasting”, Chapter [2] Võ Thị Thúy Anh, 2012, Đầu tư tài chính, Nhà xuất Tài chính, trang 52- 54 [3] Thu Hương, 2013, “Mong manh tâm lý nhà đầu tư”, Tạp chí chứng khốn, số 173 [4] Nguyễn Trọng Hồi, 2009, Dự báo phân tích liệu kinh tế tài chính, Nhà xuất Thống kê, chương [5] Robert S Pindyck & Daniel L Rubinfeld, 1991, Econometric Models & Economic Forecasts, McGraw-Hill, Chapter 11, 12, 13 (BBT nhận bài: 22/08/2014, phản biện xong: 29/12/2014) ... 15/1/2013 2.6 Dự báo mô hình ARIMA (0,1,1) Sử dụng mơ hình vừa xây dựng để dự báo điểm khoảng tin cậy cho RVNI từ 06/5/2014 đến 09/05/2014 phần mềm Eview với độ tin cậy 95% Mơ hình: rvnit= 0.00635+0.088140rvnit... mơ hình có tiêu chí Schwarz (BIC) nhỏ sử dụng để tiếp tục thực dự báo [4] Bảng Kết thông số mơ hình Số quan sát Schwarz criterion ARIMA (0,1,1) 1249 -4.402795 ARIMA (1,1,1) 1249 -4.401407 ARIMA. .. quát, áp dụng vào việc phân tích dự báo chuỗi thời gian Bản chất số liệu chuỗi thời gian thể tâm lý nhà đầu tư thông qua diễn biến hành vi hướng liệu Vì sử dụng mơ hình ARIMA để dự báo Vn-Index