Phương pháp nghiên cứu
Để tiện cho việc phân tích dữ liệu và dự báo VNINDEX tôi dùng 3 phương pháp mà tôi cho là hiệu quả:
-Mô hình ARIMA (autoregressive Intergrated Moving Average) -Mô hình ARCH (autoregressive Conditional Heteroskedasticiy) -Mô hình nhân quả kết hợp ARIMA và ARCH
Và tài liệu tôi sử dụng được lấy từ nguồn http://www.fpts.com.vn của công ty chứng khoán fpt và http://finance.yahoo.com
SỞ LÝ THUYẾT
Chứng khoán
Chứng khoán là giá trị tài chính có thể thỏa thuận và thay thế, bao gồm hai loại chính: chứng khoán cổ phần và chứng khoán nợ, cùng với loại chứng khoán lai Ở các nền kinh tế phát triển, chứng khoán nợ chiếm ưu thế trong giao dịch, trong khi ở các nền kinh tế kém phát triển, chứng khoán cổ phần lại chiếm tỷ trọng lớn hơn Điều này giải thích lý do tại sao thị trường chứng khoán Việt Nam vào cuối thập niên 1990 và đầu thập niên 2000 chủ yếu được hiểu là nơi trao đổi cổ phiếu.
-Công ty hay tổ chức phát hành chứng khoán được gọi là đối tượng phát hành.
-Chứng khoán có thể được chứng nhận bằng một tờ chứng chỉ (certificate), bằng một bút toán ghi sổ (book-entry) hoặc dữ liệu điện tử.
Thị trường chứng khoán
Thị trường chứng khoán là nơi diễn ra hoạt động mua bán, chuyển nhượng và trao đổi chứng khoán với mục tiêu kiếm lợi nhuận Thị trường này có thể được phân loại thành hai loại chính: thị trường chứng khoán tập trung và thị trường chứng khoán phi tập trung.
Tính tập trung trong giao dịch chứng khoán đề cập đến việc các giao dịch được thực hiện tại một địa điểm vật lý cụ thể, thường là Sở giao dịch chứng khoán (SGDCK) Tại đây, các lệnh giao dịch được gửi đến sàn và tham gia vào quá trình ghép lệnh, từ đó hình thành giá giao dịch Sở giao dịch chứng khoán là hình thức điển hình của việc tổ chức giao dịch tập trung này.
Thị trường chứng khoán phi tập trung, hay còn gọi là thị trường OTC (over the counter), là nơi các giao dịch được thực hiện qua mạng lưới các công ty chứng khoán phân tán trên toàn quốc, kết nối với nhau thông qua hệ thống điện tử Giá trị giao dịch trên thị trường này được xác định thông qua các thỏa thuận giữa các bên tham gia.
2.Mô hình hàm hồi quy tổng thể:
Mô hình
Các hệ số gọi là hệ số hồi quy riêng
X X X X :các biến giải thích của mô hình
: biến ngẫu nhiên và tuân theo quy luật phân phối chuẩn
Các giả định OLS
-Giá trị kỳ vọng của i bằng không -Không có tương quan chuỗi (không có tự tương quan) -Phương sai đồng nhất => var( ) i = 2
-Nhiễu ngẫu nhiên không có tương quan với các X-Không nhận dạng sai mô hình
Giả định bổ sung của OLS
Các biến hồi quy này không gặp phải hiện tượng đa cộng tuyến hoàn hảo, nghĩa là không có tập hợp hệ số nào có thể thỏa mãn biểu thức dưới đây với mọi i.
Hàm hồi quy mẫu
Tính dừng
Để tách yếu tố xu thế khỏi dữ liệu, ta sử dụng sai phân bậc 1 hoặc bậc 2 tùy thuộc vào đặc điểm của dữ liệu Sau đó, việc nhận dạng các mô hình dự định có thể được thực hiện thông qua các dạng mô hình như AR, MA hoặc ARIMA Phương pháp nhận dạng này thường dựa vào việc phân tích chiều hướng biến đổi của hàm tương quan tự động (ACF) và hàm tương quan tự động từng phần (PACF).
-Đầu tiên chuyển dữ liệu thành chuỗi dừng
Một quá trình ngẫu nhiên Y được coi là ổn định nếu trung bình và phương sai của nó không thay đổi theo thời gian Đồng thời, giá trị đồng phương sai giữa hai thời đoạn chỉ phụ thuộc vào khoảng cách thời gian giữa chúng, không phụ thuộc vào thời điểm cụ thể mà đồng phương sai được tính toán.
Tính dừng của chuỗi thời gian có thể được xác định thông qua việc phân tích đồ thị của chuỗi thời gian, đồ thị hàm tự tương quan mẫu, hoặc thông qua việc thực hiện kiểm định Dickey-Fuller Việc nhận biết tính dừng là một bước quan trọng trong phân tích chuỗi thời gian, giúp đảm bảo rằng các mô hình dự báo đưa ra kết quả chính xác và đáng tin cậy.
Chuỗi Y được coi là có tính dừng nếu đồ thị Y = f(t) cho thấy rằng trung bình và phương sai của quá trình Yt không thay đổi theo thời gian.
-Dựa vào hàm tự tương quan mẫu ACF Nếu ACF = f(t) giảm nhanh và tắt dần về
0 thì chuỗi có tính dừng
Kiểm định Dick-Fuller, hay còn gọi là kiểm định đơn vị, được sử dụng để xác định xem chuỗi thời gian có phải là ngẫu nhiên hay không, theo mô hình Random Walk (Y = 1*t Y(t-1) + εt) Nếu chuỗi thời gian được xác định là bước ngẫu nhiên, điều này cho thấy nó không có tính dừng Tuy nhiên, một chuỗi không có tính dừng không nhất thiết phải là bước ngẫu nhiên.
-Để biến đổi chuỗi không dừng thành chuỗi “dừng”, thông thường nếu lấy sai phân một lần hoặc hai lần thì sẽ được chuỗi có tính dừng
Chuỗi sai phân bậc một:W t Y t Y t 1
Chuỗi sai phân bậc hai:V t W t W t 1
Mô hình ARIMA
Theo Box-Jenkins một quá trình ngẫu nhiên có tính dừng để có thể biểu diễn bằng mô hình Tự hồi quy kết hợp Trung bình trượt ARIMA
3.2.1.Mô hình tự hồi quy bậc p –AR(p)
Mô hình tự hồi quy là một phương pháp trong đó quá trình phụ thuộc vào tổng hợp có trọng số của các giá trị trong quá khứ cùng với số hạng ngẫu nhiên hiện tại theo độ trễ.
3.2.2.Mô hình trung bình trượt bậc q –MA(q)
Trong mô hình trung bình trượt, quá trìnhđược mô tả hoàn toàn bằng tổng các giá trị quá khứ và số hạng ngẫu nhiên hiện hành theo độ trễ
3.2.3.Mô hình tự hồi quy kết hợp trung bình trượt –ARIMA(p,d,q)3.2.3.1.Nhận dạng mô hình là sai phân của chuỗi thời gian khảo sát, p là bậc tự hồi quy và q là bậctrung bình trượt.
Việc xác định p.q sẽ phụ thuộc vào đồ thị PACF = f(t)
Hệ số tự tương quan (ACF) và hệ số tự hồi quy từng phần mẫu (PACF) là các chỉ số quan trọng trong phân tích chuỗi thời gian ACF đo lường mối quan hệ tự tương quan giữa giá trị Yt và Yt-p, trong khi PACF xác định mối quan hệ này sau khi đã loại bỏ các ảnh hưởng từ các biến trung gian.
Chọn mô hình AR(p) nếu đồ thị PACF có giá trị cao tại độ trễ 1,2,…,p và giảm nhiều sau p và dạng hàm ACF giảm dần.
-Chọn mô hình MA(q) nếu đồ thị ACF có giá trị cao tại các độ trễ 1,2,…,q và giảm nhiều sau q và dạng hàm PACF giảm dần
Loại mô hình Dạng đồ thị ACF=f(t) Dạng đồ thị PACF=f(t)
AR(p) Giảm dần Có đỉnh ở p
MA(q) Có đỉnh ở q Giảm dần
ARIMA(p,d,q) Giảm dần Giảm dần
3.2.3.2.Ước lượng các thông số của mô hình ARIMA(p,d,q)
-Các thông số và của mô hình ARIMA sẽ được xác định theo phương pháp bình quân tối thiểu (OLS –Ordinary Least Square) sao cho:
3.2.3.3.Kiểm tra chẩn đoán mô hình
Sau khi xác định các tham số p, q, d và các , j, j, bước tiếp theo là kiểm tra xem số hạng t trong mô hình ARIMA có phải là nhiễu trắng hay không Việc này là cần thiết để đảm bảo rằng mô hình đạt tiêu chuẩn chất lượng tốt.
-Về mặt lý thuyết, t được tạo ra bởi quá trình nhiễu trắng nếu:
-Việc kiểm định nhiễu trắng dựa vào đồ thị ACF của chuỗi t
-Dựa trên phương trình của mô hình ARIMA, tiến hành xác định giá trị dự báo điểm và khoảng tin cậy của dự báo
Lý thuyết mô hình ARCH
Mô hình ARCH, do Engle phát triển vào năm 1982, cho rằng phương sai của sai số tại thời điểm t phụ thuộc vào các sai số bình phương ở các thời điểm trước đó Engle đề xuất rằng việc mô hình hóa đồng thời giá trị trung bình và phương sai của chuỗi số liệu là cần thiết khi có nghi ngờ rằng phương sai có sự thay đổi theo thời gian Mô hình này cung cấp một cách tiếp cận đơn giản nhưng hiệu quả để phân tích dữ liệu tài chính.
Xt là một vector kx1 bao gồm các biến giải thích, trong khi B2 là một vector kx1 chứa các hệ số Thường thì ut được giả định có phân phối chuẩn với trung bình bằng 0 và phương sai không đổi Giả định này có thể được biểu diễn như sau: ut ~ N(0, ).
Ý tưởng của Engle xuất phát từ việc cho phép phương sai của các hạng nhiễu phụ thuộc vào các giá trị quá khứ, tức là phương sai có thể thay đổi theo thời gian Một phương pháp để mô hình hóa ý tưởng này là làm cho phương sai phụ thuộc vào các biến trễ của các hạng.
-Phương trình (1.3) được gọi là qui trình ARCH (1) và ý tưởng này cũng tương tự như ý tưởng mô hình ARIMA.
- Mô hình ARCH (1) sẽ mô hình hoá đồng thời giá trị trung bình và phương của một chuỗi thời gian như cách được xác định sau đây:
Yt= B1+ B2Xt+ ut (1.4) ut~ N (0, ht) h t = + (1.5)
Phương trình (1.4) được gọi là phương trình ước lượng giá trị trung bình, trong khi phương trình (1.5) là phương trình ước lượng phương sai Để đơn giản hóa việc trình bày công thức của phương trình phương sai, chúng ta sử dụng ký hiệu ht thay cho
Mô hình ARCH (1) chỉ ra rằng khi xảy ra cú sốc lớn tại thời điểm t-1, giá trị của biến ngẫu nhiên sẽ tăng lên Điều này có nghĩa là phương sai của biến cũng sẽ tương ứng tăng hoặc giảm theo giá trị của nó Hệ số ước lượng trong mô hình này cần phải có giá trị dương, vì phương sai luôn mang giá trị dương.
Phương sai có điều kiện không chỉ phụ thuộc vào một độ trễ mà còn có thể phụ thuộc vào nhiều độ trễ trước đó, dẫn đến việc hình thành các quy trình ARCH khác nhau Chẳng hạn, quy trình ARCH (2) sẽ được thể hiện với sự ảnh hưởng của hai độ trễ trước đó.
Y t = B 1 + B 2 X t + u t u t ~ N (0, h t ) ht= + + và mô hình ARCH (3) sẽ là:
Yt= B1+ B2Xt+ ut ut~ N (0, ht) h t = + + + và trường hợp tổng quát sẽ là ARCH (q) được thể hiện như sau:
Yt= B1+ B2Xt+ ut ut~ N (0, ht) h t = +
Mô hình ARCH (q) được sử dụng để mô hình hóa cả giá trị trung bình và phương sai của một chuỗi số liệu, với điều kiện các hệ số ước lượng phải có giá trị dương, vì phương sai luôn phải là số dương.
DỤNG CÁC MÔ HÌNH DỰ BÁO CHO CHUỖI VNINDEX
Nhận dạng mô hình
Hình 1:Mô hình hàm xu thế của chuỗi Vnindex
-Đồ thị có xu hướng giảm xuống trong thời gian đang xét nên chuỗi VNINDEX không dừng
- Phân tích đồ thị hàm tự tương quan-ACF và hàm tự tương quan-PACF của dữ liệu gốc VNINDEX ta có
Hình 2:Đồ thị ACF và PACF của chuỗi VNindex -Bảng ACF và PACF cho thấy chuỗi dữ liệu gốc không phải là chuỗi dừng.
+ACF giảm dần +PACF giảm đáng kể sau độ trễ k=1,k=2
Mô hình AR(1) hoặc AR(2) được sử dụng để xác định tính dừng của chuỗi dữ liệu Để kiểm tra chính xác xem chuỗi đã dừng hay chưa, ta áp dụng kiểm định Augmented Dickey-Fuller, một phương pháp kiểm định nghiệm đơn vị đối với tính dừng Kết quả kiểm định sẽ cung cấp giá trị t-Statistic và xác suất (Prob.*) để đánh giá tính dừng của chuỗi.
Augmented Dickey-Fuller test statistic -1.830848 0.6847 Test critical values: 1% level -4.022135
Theo kết quả trên ta thấy t= -1.830848 có p_value=0.6847 khá lớn (>0.05) nên ta chấp nhận giả thuyết H0, tức là chuỗi VNindex không dừng. một
Hình3:Đồ thị chuỗi VNindex sau khi lấy sai phân bậc 1
1.3.Xác định mô hình ARIMA
Lấy sai phân bậc 1 thì hàm tự tương quan ACF và PACF có dạng sau:
Hình 4:Đồ thị ACF và PACF của chuỗi VNindex sau khi lấy sai phân bậc 1
Ta thấy ACF và PACF tắt dần sau 1 độtrễ nên có thể xem là chuỗi dừng.
Mô hình ARIMA(1,1,1) là lựa chọn phù hợp cho chuỗi dữ liệu này Để xác định chính xác tính dừng của chuỗi, chúng ta thực hiện kiểm định Augmented Dickey-Fuller, cho kết quả t-Statistic và xác suất Prob.*.
Augmented Dickey-Fuller test statistic -7.430673 0.0000 Test critical values: 1% level -4.022586
Theo kết quả trên ta thấy t=-7.430673có p_value=0.0000 rất nhỏ(0.05-> mô hình không có ý nghĩa thống kê, do đó ta loại mô hình ARIMA(1,1,1)
Từ đây ta sẽ chọn 1 trong 2 mô hình AR(1) hoặc AR(2)
Chúng tôi sẽ sử dụng các chỉ số thống kê như AIC, SC, RMSE, MAE, MAPE và TIC để xác định mô hình nào hoạt động tốt hơn.
Mô hình AR(1) Mô hình AR(2)
Như ta đã biết các chỉ số này càng nhỏ càng tốt vì nó sẽ làm phần dư nhỏ lại, do đó dự báo sẽ chính xác hơn.
Mô hình AR(2) có các chỉ số nhỏ hơn so với mô hình AR(1), cho thấy rằng AR(2) dự báo chính xác hơn Do đó, mô hình AR(2) sẽ được chọn để kiểm định tính ARCH.
1.7.1.Kiểm định ảnh hưởng của Arch với mô hình AR(2)
Hình 14: Kết quảKiểm định ảnh hưởng của Arch với mô hình AR(2)
Giá trị chi bình phương tính toán là 12.47, vượt quá giá trị chi bình phương phê phán tại mức ý nghĩa 1% là 6.64 với 1 bậc tự do Do đó, có thể kết luận rằng mô hình có thể có ảnh hưởng của ARCH(1).
Ta đi ước lượng mô hình ARCH(1)
Hình 15: Kết quả ước lượng ARCH(1)
Giá trị ước lượng của hệ số 1 = -0.463650 cho thấy mô hình không có ảnh hưởng của ARCH Điều này chỉ ra rằng tại thị trường chứng khoán Việt Nam, chỉ số Vnindex không bị tác động bởi sự thay đổi của các yếu tố thông tin.
2.Kết hợp mô hình hồi quy,ARIMA,ARCH để dự báo Vnindex
Chứng khoán Việt Nam chịu tác động từ các chỉ số chứng khoán toàn cầu Để phân tích mối quan hệ này, tôi áp dụng mô hình hồi quy nhân quả nhằm xác định mức độ ảnh hưởng của các chỉ số quốc tế đến thị trường chứng khoán trong nước.
-Hồi quy Vnindex theo các chỉ số chứng khoán của các nước lớn như S&P500
ARCH để dự báo các chỉ số S&P500, Dax, KOSPI, Straints times, CAC, ftse100 Từ đó thế vào mô hình hồi quy để dự báo Vnindex.
VNINDEX SP500 Dax KOSPI Traints times_ CAC ftse100 i
Dependent Variable: VNINDEX Method: Least Squares
Included observations: 147 Variable Coefficient Std Error t-Statistic Prob.
SP500 -1.746778 0.264082 -6.614536 0.0000 DAX 0.214057 0.045484 4.706236 0.0000 KOSPI -0.449544 0.101817 -4.415213 0.0000 STRAINTS_TIMES 0.495870 0.069125 7.173574 0.0000 CAC 0.438423 0.063164 6.941003 0.0000 FTSE100 -0.277066 0.086200 -3.214211 0.0016
R-squared 0.891433 Mean dependent var 656.9801 Adjusted R-squared 0.886780 S.D dependent var 287.6292 S.E of regression 96.78191 Akaike info criterion 12.02925 Sum squared resid 1311343 Schwarz criterion 12.17165 Log likelihood -877.1495 F-statistic 191.5878 Durbin-Watson stat 0.503676 Prob(F-statistic) 0.000000
Hình 16:Kết quả hồi quy chuỗi VNindex 2.3.Kiểm định F_test, t_test và kiểm định Wald.
Các hệ số hồi quy trong nghiên cứu này có p_value nhỏ hơn 0.05, cho thấy chúng có ý nghĩa thống kê Những biến số như SP500, KOSPI, Dax, Traints Times, CAC và FTSE100 đều ảnh hưởng đến chỉ số VN-Index.
-Bên cạnh đó ta có F1.5878 có xác suất p=0.00000 rất bé nên mô hình có ý nghĩa thống kêmô hình phù hợp
Equation: Untitled Test Statistic Value df Probability F-statistic 44.49464 (5, 140) 0.0000
Theo kết quả kiểm định Wald, với giá trị P(F>44.49464)=0.00000 rất nhỏ, chúng ta bác bỏ giả thiết H0 Điều này cho thấy các hệ số hồi quy của SP500, KOSPI, Dax, Traints Times, cac và ftse100 có ý nghĩa thống kê, không đồng thời bằng không và có thể giải thích cho VNIndex.
2.4.1.Đồ thị phân phối chuẩn của phần dư
One-Sample Kolmogorov-Smirnov Test
Asymp Sig (2-tailed) 355 a Test distribution is Normal.
Hình 19:Kết quả kiểm định K-S
Dựa vào kiểm định K-S ta có sig=0.355>0.05 nên ta chấp nhận giả thuyết HO: có phân phối chuẩn
Vậy mô hình hồi quysẽ là
Vnindex i SP Dax KOSPI Traints Times
-Ý nghĩa của hệ số hồi quy:
Xác định mô hình ARIMA
Lấy sai phân bậc 1 thì hàm tự tương quan ACF và PACF có dạng sau:
Hình 4:Đồ thị ACF và PACF của chuỗi VNindex sau khi lấy sai phân bậc 1
Ta thấy ACF và PACF tắt dần sau 1 độtrễ nên có thể xem là chuỗi dừng.
Mô hình ARIMA(1,1,1) được xác định là phù hợp cho chuỗi dữ liệu Để kiểm tra tính dừng của chuỗi, chúng ta tiến hành kiểm định Augmented Dickey-Fuller, với kết quả t-Statistic và giá trị xác suất (Prob.*) được đưa ra.
Augmented Dickey-Fuller test statistic -7.430673 0.0000 Test critical values: 1% level -4.022586
Theo kết quả trên ta thấy t=-7.430673có p_value=0.0000 rất nhỏ(0.05-> mô hình không có ý nghĩa thống kê, do đó ta loại mô hình ARIMA(1,1,1)
Từ đây ta sẽ chọn 1 trong 2 mô hình AR(1) hoặc AR(2)
Chúng tôi sẽ sử dụng các chỉ số thống kê như AIC, SC, RMSE, MAE, MAPE và TIC để đánh giá và so sánh độ chính xác của hai mô hình, từ đó xác định mô hình nào hoạt động tốt hơn.
Mô hình AR(1) Mô hình AR(2)
Như ta đã biết các chỉ số này càng nhỏ càng tốt vì nó sẽ làm phần dư nhỏ lại, do đó dự báo sẽ chính xác hơn.
Mô hình AR(2) có các chỉ số nhỏ hơn so với mô hình AR(1), cho thấy khả năng dự báo của AR(2) chính xác hơn Do đó, mô hình AR(2) sẽ được lựa chọn để kiểm định tính ARCH.
Mô hình ARCH
Hình 14: Kết quảKiểm định ảnh hưởng của Arch với mô hình AR(2)
Giá trị chi bình phương tính toán là 12.47, vượt qua giá trị chi bình phương phê phán ở mức ý nghĩa 1% là 6.64 với 1 bậc tự do Do đó, có thể kết luận rằng mô hình có thể có ảnh hưởng của ARCH(1).
Ta đi ước lượng mô hình ARCH(1)
Hình 15: Kết quả ước lượng ARCH(1)
Giá trị ước lượng của hệ số 1 = -0.463650 cho thấy mô hình không có ảnh hưởng của ARCH Điều này chỉ ra rằng tại thị trường chứng khoán Việt Nam, chỉ số Vnindex không bị tác động bởi sự thay đổi của các yếu tố thông tin.
2.Kết hợp mô hình hồi quy,ARIMA,ARCH để dự báo Vnindex
Nhận dạng
Chứng khoán Việt Nam chịu ảnh hưởng từ các chỉ số chứng khoán toàn cầu Để phân tích mối quan hệ này, tôi áp dụng mô hình hồi quy nhân quả nhằm xác định mức độ tác động của các chỉ số quốc tế đến thị trường chứng khoán trong nước.
-Hồi quy Vnindex theo các chỉ số chứng khoán của các nước lớn như S&P500
ARCH để dự báo các chỉ số S&P500, Dax, KOSPI, Straints times, CAC, ftse100 Từ đó thế vào mô hình hồi quy để dự báo Vnindex.
VNINDEX SP500 Dax KOSPI Traints times_ CAC ftse100 i
Ước lượng
Dependent Variable: VNINDEX Method: Least Squares
Included observations: 147 Variable Coefficient Std Error t-Statistic Prob.
SP500 -1.746778 0.264082 -6.614536 0.0000 DAX 0.214057 0.045484 4.706236 0.0000 KOSPI -0.449544 0.101817 -4.415213 0.0000 STRAINTS_TIMES 0.495870 0.069125 7.173574 0.0000 CAC 0.438423 0.063164 6.941003 0.0000 FTSE100 -0.277066 0.086200 -3.214211 0.0016
R-squared 0.891433 Mean dependent var 656.9801Adjusted R-squared 0.886780 S.D dependent var 287.6292S.E of regression 96.78191 Akaike info criterion 12.02925Sum squared resid 1311343 Schwarz criterion 12.17165Log likelihood -877.1495 F-statistic 191.5878Durbin-Watson stat 0.503676 Prob(F-statistic) 0.000000
Kiểm định F_test, t_test và kiểm định Wald
Các hệ số hồi quy trong nghiên cứu này có p_value nhỏ hơn 0.05, cho thấy chúng có ý nghĩa thống kê Điều này chỉ ra rằng các biến như SP500, KOSPI, Dax, Traints Times, CAC và FTSE100 đều ảnh hưởng đến chỉ số Vnindex.
-Bên cạnh đó ta có F1.5878 có xác suất p=0.00000 rất bé nên mô hình có ý nghĩa thống kêmô hình phù hợp
Equation: Untitled Test Statistic Value df Probability F-statistic 44.49464 (5, 140) 0.0000
Kết quả kiểm định Wald cho thấy P(F>44.49464)=0.00000 rất nhỏ, dẫn đến việc bác bỏ giả thiết H0 Điều này cho thấy các hệ số hồi quy của SP500, KOSPI, Dax, Traints Times, CAC và FTSE100 có ý nghĩa thống kê, không đồng thời bằng không và có khả năng giải thích cho VNIndex.
Kiểm định phần dư
2.4.1.Đồ thị phân phối chuẩn của phần dư
One-Sample Kolmogorov-Smirnov Test
Asymp Sig (2-tailed) 355 a Test distribution is Normal.
Hình 19:Kết quả kiểm định K-S
Dựa vào kiểm định K-S ta có sig=0.355>0.05 nên ta chấp nhận giả thuyết HO: có phân phối chuẩn
Vậy mô hình hồi quysẽ là
Vnindex i SP Dax KOSPI Traints Times
-Ý nghĩa của hệ số hồi quy:
Khi SP500, KOSPI, DAX, Trains Times, CAC và FTSE100 đạt 0, VNINDEX ghi nhận mức 287.793 điểm Điều này cho thấy VNINDEX không chỉ chịu ảnh hưởng từ các chỉ số chứng khoán toàn cầu mà còn bị tác động bởi một số yếu tố nội địa.
1 -1.747 cho biết khi chỉ số S&P500 tăng(giảm) 1 điểm thì VNINDEX giảm(tăng) 1.747điểm,trong điều kiện các yếu tố khác không đổi
2 0.214 cho biết khi chỉ sốDaxtăng(giảm) 1 điểm thì VNINDEX tăng(giảm) 0.214 điểm,trong điều kiện các yếu tố khác không đổi
3 -0.450 cho biết khi chỉ số KOSPI tăng(giảm) 1 điểm thì VNINDEX giảm(tăng) 0.450điểm,trong điều kiện các yếu tố khác không đổi
4 0.496 cho biết khi chỉ số Traints Times tăng(giảm) 1 điểm thì VNINDEX tăng(giảm) 0.496điểm,trong điều kiện các yếu tố khác không đổi
5 0.438 cho biết khi chỉ số CAC tăng(giảm) 1 điểm thì VNINDEX tăng(giảm) 0.438điểm,trong điều kiện các yếu tố khác không đổi
6 -0.277 cho biết khi chỉ số ftse100 tăng(giảm) 1 điểm thì VNINDEX giảm(tăng) 0.277 điểm,trong điều kiện các yếu tố khác không đổi
Ta lại có: R 2 =0.8914các biến độc lập giải thích được89.14% thay đổi của mô hình do đómô hình cóđộ phù hợp tương đối cao.
Kết hợp ARIMA, ARCH vào mô hình hồi quy
Mô hình ARIMA và ARCH được áp dụng để dự báo các chỉ số chứng khoán như SP500, KOSPI, DAX, Trains Times, CAC và FTSE100 Quy trình thực hiện các mô hình ARIMA và ARCH để dự báo chi tiết được đính kèm trong phụ lục 2, 3, 4, 5, 6 và 7.
-Sau khi sử dụng mô hình ARIMA kết hợp với ARCH thì giá trị dự báo trung bình từ ngày 19/5/09->22/5/09 của chuỗi SP5002.99, KOSPI90.824, DaxH66.303, Traints Times!81.79, cac259.896 ,ftse100C63.23
Các giá trị dự báo trên có độ chính xác và phù hợp cao, vì vậy khi áp dụng vào mô hình hồi quy, chúng ta sẽ thu được kết quả dự báo VNIndex một cách tối ưu nhất.
SP Dax KOSPI Traints Times
Giá trị trung bình của chỉ số Vnindex từ ngày 19/5/09 đến 22/5/09 là 405.71, cho thấy xu hướng tăng trưởng tích cực Điều này không chỉ mang lại lợi ích cho nhà đầu tư mà còn phản ánh sự phục hồi của thị trường chứng khoán Việt Nam Nếu điều kiện hiện tại tiếp tục duy trì, Vnindex có khả năng đạt lại mốc kỷ lục trong tương lai gần.
NHẬN ĐỊNH THỊ TRƯỜNG, KIẾN NGHỊ, NHỮNG MẶT CÒN HẠN CHẾ VÀ HƯỚNG PHÁT TRIỂN CHO MÔ HÌNH
Năm 2008 chứng kiến những mất mát lớn, khiến giá cổ phiếu trên sàn lao dốc đến mức thấp kỷ lục, dẫn đến sự sụt giảm mạnh mẽ của chỉ số chứng khoán trên cả hai sàn giao dịch.
So với điểm kết thúc 2007, năm 2008, chỉ số VN-Index (sàn TPHCM) đã giảm từ mốc 927,02 điểm xuống còn 286.85 điểm, tức giảm gần 67%; còn chỉ số HaSTC-Index (sàn
Chỉ số chứng khoán tại Hà Nội đã giảm mạnh từ 323,55 điểm xuống còn 105,12 điểm, tương ứng với mức giảm 67,5% So với các thị trường chứng khoán toàn cầu, Việt Nam là một trong những nước có tỷ lệ giảm điểm lớn nhất.
Theo các chuyên gia tài chính, năm 2008 chứng khoán bị kéo lùi hai năm, và 2009 có thể là khởi đầu cho sự tăng trưởng trở lại Giá cổ phiếu hiện tại đã xuống rất thấp, tạo cơ hội vàng cho các nhà đầu tư mạo hiểm Khảo sát từ VnEconomy cho thấy trong 8 kênh đầu tư cho những người có tiền nhàn rỗi, chứng khoán được lựa chọn nhiều nhất với 38%, tiếp theo là gửi tiết kiệm ngân hàng 17%, mua vàng 15%, và bất động sản 13%.
-Tại hội thảo dự đoán tình hình thị trường chứng khoán Việt Nam năm 2009 do
Vào ngày 10-1, Sở Giao dịch chứng khoán TP.HCM đã tổ chức một sự kiện quan trọng Nhiều chuyên gia dự đoán rằng tình hình kinh tế Việt Nam có khả năng phục hồi từ đầu năm 2010, đồng thời thị trường chứng khoán cũng có thể hồi phục sớm hơn theo quy luật.
Dự báo cho thấy kinh tế toàn cầu có khả năng hồi phục từ quý III-2009, nhờ vào gói kích cầu của Chính phủ, lãi suất giảm, và chính sách giảm thuế thu nhập cho doanh nghiệp Những biện pháp này sẽ giúp doanh nghiệp vượt qua khó khăn và duy trì sản xuất, qua đó tạo ra tác động tích cực đến thị trường chứng khoán.
Phân tích dự báo bằng mô hình ARIMA,ARCHđối với chỉ số VNINDEX:
Phân tích mô hình cho thấy dự báo đạt chất lượng cao và phản ánh chính xác xu hướng thị trường Vì vậy, mô hình ARIMA có thể được sử dụng hiệu quả để dự báo VNINDEX trong ngắn hạn.
Tại Việt Nam, VNINDEX không bị ảnh hưởng bởi thông tin tốt xấu, cho thấy mô hình ARCH không khả thi cho việc dự báo Tâm lý giao dịch trên thị trường chủ yếu mang tính bầy đàn, với các nhà đầu tư thường đi theo xu hướng số đông mà không chú ý đến các tin tức liên quan đến cổ phiếu.
Phân tích hồi quy kết hợp ARIMA và ARCH
Vnindex i SP Dax KOSPI Traints Times
Mô hình hồi quy chỉ ra rằng chỉ số S&P500 có ảnh hưởng đáng kể đến thị trường chứng khoán Việt Nam, cho thấy tác động của thị trường Hoa Kỳ đến nhiều quốc gia, bao gồm cả Việt Nam Do đó, việc theo dõi chỉ số S&P500 là cần thiết để đưa ra quyết định đầu tư đúng đắn Bên cạnh đó, nhà đầu tư cũng nên quan sát sự biến động của các chỉ số khác như DAX, KOSPI, Straits Times, CAC và FTSE 100 để có cái nhìn tổng quan hơn về thị trường.
Khi phân tích chỉ số VNINDEX, việc kết hợp nhiều yếu tố như lạm phát, tính thanh khoản và xu thế giá là rất quan trọng Điều này giúp tạo ra cái nhìn đúng đắn và chính xác về thị trường chứng khoán.
- Thị trường chứng khoán Việt Nam còn rất yếu cho nên cần có nhiều biện pháp để khuyến khích thị trường phát triển.
VNINDEX và giá trị cổ phiếu chịu ảnh hưởng lớn từ quy luật cung cầu, dẫn đến hiện tượng "bầy đàn" trong hành vi của nhà đầu tư Để thị trường chứng khoán Việt Nam phát triển mạnh mẽ, cần có những nhận thức đúng đắn và hành động phù hợp từ các nhà đầu tư.
-Thường xuyên quan sát biến động của các chỉ số trên thế giới để có thể đầu tư chính xác theo mong muốn
Mỗi quốc gia có lịch giao dịch khác nhau, với một số nước giao dịch 5 ngày, trong khi những nước khác có thể giao dịch 6 hoặc 7 ngày Vì vậy, mô hình giao dịch mà tôi cung cấp chủ yếu dựa trên cơ sở tuần.
Do đó chưa thấy được và chưa dự báo được biến động xảy ra trong ngày.
Mô hình hồi quy có thể gặp phải một số hiện tượng như tự tương quan và đa cộng tuyến Mặc dù những hiện tượng này không ảnh hưởng lớn đến mô hình, nhưng tôi vẫn đang tìm kiếm giải pháp để cải thiện và phát triển một mô hình dự báo chính xác hơn.
