Thạc sỹ mô hình dự báo thị trường chứng khoán việt nam tiensy

1 THÔNG TIN LÊN MẠNG NHỮNG ĐIỂM MỚI CỦA LUẬN ÁN TIẾN SĨ · Nghiên cứu sinh: Lê Đạt Chí · Tên luận án: “Ứng dụng mơ hình mạng thần kinh nhân tạo dự báo kinh tế Trường hợp thị trường chứng khoán Việt Nam” · Ngành khoa học luận án: Kinh tế tài – ngân hàng, mã số: 62.31.12.01 · Tên đơn vị đào tạo: Trường Đại học Kinh tế TP Hồ Chí Minh Những điểm luận án: Qua nghiên cứu trước dựa mơ hình hồi quy tuyến tính phi tuyến để phân tích dự báo thị trường chứng khốn Việt Nam, gần chưa có mơ hình cho thấy khả dự báo thị trường chứng khoán Việt Nam, điều đặt cho luận án số câu hỏi: phải thị trường chứng khốn Việt Nam khơng thể dựa báo trước biến giải thích hữu? phải mơ hình tiếp cận để phân tích dự báo giá chứng khốn khơng phù hợp với đặc điểm thị trường, biến dự báo? Qua trình tìm hiểu, cơng trình nghiên cứu giới lĩnh vực phân tích dựa báo, Luận án chọn mơ hình mạng thần kinh nhân tạo (ANN) Những luận mơ hình mạng ANN phù hợp với biến nghiên cứu (biến động thị trường tài mang tính phi tuyến (Bollerslev (1986), Fang cộng (1994),…), Chatterjee cộng (2000) cung cấp tổng quan hệ thống ANN phạm vi sử dụng rộng rãi chúng thị trường tài chính… làm chứng thực nghiệm tốt cho trình nghiên cứu mơ hình mạng ANN Đồng thời, q trình nghiên cứu mạng ANN việc ứng dụng vào thị trường tài khơng u cầu giả định nghiêm ngặt mơ hình hồi quy Điều cho thấy, tính hấp dẫn mơ hình ANN với đặc điểm thị trường tài thị trường kinh tế Việt Nam Do đó, luận án tập trung nghiên cứu khả ứng dụng mơ hình ANN dự báo thị trường chứng khốn Việt Nam Dựa mục tiêu nghiên cứu luận án: Khả ứng dụng mơ hình ANN dự báo giá chứng khoán thị trường chứng khoán Việt Nam Lựa chọn cấu trúc mạng ANN phù hợp dự báo giá chứng khoán Hiệu ứng dụng mơ hình ANN tốt mơ hình hồi quy tuyến tính Tìm nhóm biến giúp dự báo giá chứng khoán thị trường chứng khốn Việt Nam qua gợi ý số sách liên quan Luận án giải mục tiêu để đạt kết sau: (1) Tìm chế vận hành mơ hình mạng ANN sử dụng để dự báo biến kinh tế theo chuỗi thời gian thị trường tài (2) Qua vận dụng mơ hình ANN để khảo sát khả dự báo giá chứng khoán thị trường chứng khốn Việt Nam (3) Q trình nghiên cứu khả ứng dụng mơ hình mạng ANN vào dự báo giá chứng khoán Việt Nam, luận án cấu trúc mạng truyền thẳng với hàm LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com truyền hàm phi tuyến cho kết dự báo tốt cấu trúc mạng ANN khác (4) Đồng thời, q trình khả sát khả ứng dụng mơ hình ANN để dự báo giá chứng khốn thị trường chứng khoán Việt Nam, luận án chứng minh tính hiệu vượt trội mơ hình mạng ANN hẳn mơ hình hồi quy truyền thống thường áp dụng lâu thị trường Điều cho thấy, khả dự báo giá chứng khoán thị trường chứng khốn Việt Nam hồn tồn thực tiếp cận cấu trúc mạng ANN khác mơ hình ANN Điều làm thay đổi kết luận cơng trình nghiên cứu trước phân tích dự báo giá chứng khoán thị trường chứng khốn Việt Nam (5) Khơng dừng lại kết trên, luận án tiếp tục khảo sát biến giải thích có sở thu thập thơng tin, luận án tìm kiếm nhóm biến giải thích khác cho khung thời gian phân tích khác để tìm kiếm biến có khả dự báo tốt Qua đó, nhóm biến phản ánh tình hình tài doanh nghiệp niêm yết lại cho khả dự báo tốt co thay đổi giá chứng khoán thị trường chứng khoán Việt Nam Tuy nhiên biến vĩ mô cho tác động mạnh đến thay đổi giá thị trường chứng khoán, mức độ dự báo lại khơng cho kết xác nhóm biến tài Điều đáng ý là, biến khảo sát mơ hình hồi quy truyền thống lại tỏ hiệu (6) Trong trình tìm kiếm, khảo sát nhóm biến, luận án phát tính chất hành vi nhà đầu tư tồn mạnh mẽ, điều tác động đến q trình biến động giá chứng khốn thị trường chứng khốn Việt Nam Q trình phân tích trùng hợp với nghiên cứu trước tồn hành vi nhà đầu tư thị trường chứng khốn, hành vi định nên xu hướng biến động giá chứng khoán mà chưa có mơ hình đo lường để dự báo Như vậy, thị trường mà nơi yếu tố hành vi người định nên xu hướng thay đổi khả ứng dụng mơ hình ANN tỏ ro tính hiệu vượt trội cao Như vậy, dựa mục tiêu nghiên cứu, luận án phát kết Điều cung cấp thêm phương pháp, cơng cụ phân tích dự báo biến kinh tế, điển hình thị trường chứng khốn Việt Nam Giáo viên hướng dẫn Nghiên cứu sinh LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com GS.TS Trần Ngọc Thơ Lê Đạt Chí Chủ tịch hội đồng cấp sở PGS.TS Phan Thị Bích Nguyệt LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com MỞ ĐẦU Tính cấp thiết luận án Việc nghiên cứu công cụ mơ hình dự báo thị trường tài kinh tế có lịch sử lâu đời Phân tích chuỗi thời gian cách tiếp cận truyền thống sử dụng rộng rãi lĩnh vực Có hai loại mơ hình mơ tả hành vi chuỗi thời gian sau Thứ mơ hình tuyến tính: phương pháp tuyến tính để phân tích chuỗi thời gian thường áp dụng thông qua kỹ thuật sau đây: a Kỹ thuật Box Jenkins b Bộ lọc Kalman c Lý thuyết san hàm mũ Brown d Hồi quy mẫu nhỏ Thứ hai mơ hình phi tuyến: a Lý thuyết Taken b Phương trình MackeyGlass Những kỹ thuật cố gắng tái tạo lại chuỗi thời gian dựa mẫu liệu để dự đoán giá trị tương lai Mặc dù kỹ thuật có ý nghĩa thống kê chúng có tỷ lệ thành công thấp sử dụng để dự báo thị trường tài Những chứng gần thị trường tài phi tuyến Tuy nhiên, phương pháp tuyến tính cung cấp cách tiếp cận tốt để mô tả hệ thống phi tuyến tìm thấy phân tích chuỗi thời gian thị trường tài (Fang cộng sự, 1994) Bollerslev (1986) cung cấp nhìn tổng quát tồn tính phi tuyến liệu tài chính, phát triển mơ hình để dự đốn chuỗi thời gian tài gọi GARCH (Generalized Autoregressive conditional heteroskedasticity GARCH) kết hợp tất đặc trưng quan sát chuỗi Nhưng kinh tế phát triển nhanh chóng (chứ khơng phải từ từ) theo thời gian Tuy nhiên, đặc trưng khơng dễ dàng tính tốn mơ hình tuyến tính, điều chứng minh qua việc hệ số ước lượng có độ dốc lớn Nhiều nhân tố tác động đến thị trường tài kinh tế bao gồm LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com kiện trị, điều kiện kinh tế nói chung, kỳ vọng nhà đầu tư Vì vậy, dự báo thị trường tài chuyển động kinh tế khó khăn Mạng thần kinh nhân tạo Artificial Neural Network (ANN) cơng cụ hữu ích tài định lượng đại biết đến kỹ thuật mơ hình hóa thống kê hữu ích ANN công cụ tốt cho nhà nghiên cứu nhà thực nghiệm Mơ hình ANN tìm mối quan hệ hàm tập hợp liệu thực nhiệm vụ nhận dạng mẫu hình, phân loại, đánh giá, mơ hình hóa, dự báo kiểm sốt (Anderson Rosenfeld, 1988; HechtNielsen, 1990; Hertz cộng sự, 1991; Hiemstra Jones, 1994) Một vài tính khác biệt ANN làm cho chúng có giá trị hấp dẫn dự báo Một số viết xem xét báo cáo tạp chí cách mà ANN áp dụng cho thị trường tài kinh tế Chatterjee cộng (2000) cung cấp tổng quan hệ thống ANN phạm vi sử dụng rộng rãi chúng thị trường tài Cơng trình họ thảo luận ưu điểm vượt trội ANN so với phương pháp truyền thống Nghiên cứu kết luận với mô tả việc sử dụng thành cơng ANN nhiều tổ chức tài việc dự báo giá chứng khoán Trong sách Neural Network cho dự báo tài Edward Gately, mơ tả phương pháp chung để xây dựng, huấn luyện, kiểm tra ANN cách sử dụng phần mềm thương mại hữu Luận án tập trung vào phương pháp để triển khai q trình phân tích dự báo giá chứng khoán thị trường chứng khoán Việt Nam minh chứng cho khả ứng dụng ANN dự báo kinh tế Không lĩnh vực dự báo giá chứng khoán, luận án mong muốn sử dụng phương pháp ANN áp dụng cho lĩnh vực tài kinh tế công cụ dự báo hỗ trợ cho phương pháp truyền thống Chính vậy, tác giả chọn đề tài với tên gọi “Ứng dụng mơ hình mạng thần kinh nhân tạo dự báo kinh tế – Trường hợp thị trường chứng khoán Việt Nam” làm nội dung nghiên cứu cho luận án tiến sĩ Tình hình nghiên cứu liên quan đến nội dung luận án Từ nghiên cứu sơ khai Mc Culloch Pitts năm 1940, trải qua nhiều năm phát triển, 10 năm trở lại với phát triển mạnh mẽ ngành công nghệ thông tin việc xử lý liệu cho phần cứng phần mềm giúp cài đặt ứng dụng phức tạp lý thuyết mạng thần kinh nhân tạo Lý thuyết mạng thần kinh nhân tạo năm gần thực ý nhanh chóng trở thành hướng nghiên cứu đầy triển vọng mục đích xây dựng mơ hình mơ theo trí tuệ người Sức mạnh thuộc chất tính tốn thuật tốn mạng, song nghiên cứu thực nghiệm thành LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com công nhiều lĩnh vực, nghiên cứu thực nghiệm lĩnh vực tài quan tâm cho nhiều kết tốt kinh tế khác Từ nghiên cứu việc ứng dụng ANN để phân tích chuỗi liệu thời gian nên thực dựa trấu trúc ANN cho tiêu dự báo tăng trưởng kinh tế, biến động tỷ giá hối đối, chí giá chứng khốn thị trường Q trình nghiên cứu mạng ANN cịn so sánh với mơ hình truyền thống sử dụng cho việc phân tích dự báo lĩnh vực kinh tế mơ hình hồi quy tuyến tính, mơ hình hồi quy phi tuyến Quá trình nghiên cứu cho kết lợi mơ hình ANN đặc biệt thị trường phân tích dự báo Như vậy, thị trường Việt Nam liệu trình triển khai nghiên cứu ứng dụng mơ hình ANN có hiệu khơng có vượt trội cơng cụ phân tích dự báo khác? Trên sở tiếp cận này, vào nghiên cứu trình hoạt động mạng ANN lĩnh vực kinh tế, tài kết nghiên cứu đạt thị trường khác giới để làm tảng cho việc nghiên cứu Mục tiêu nghiên cứu Trên phương diện nghiên cứu mơ hình mạng ANN ngun lý hoạt động để từ ứng dụng vào lĩnh vực kinh tế tài cịn nội dung chưa quan tâm nhiều Trong phạm vi kinh tế Việt Nam, tác giả tập trung nghiên cứu việc ứng dụng mơ hình để nhằm phân tích dự báo giá chứng khốn thị trường chứng khốn Việt Nam trước biến giải thích khác nhau, minh chứng cho khả ứng dụng mơ hình ANN dự báo kinh tế Qua trình ứng dụng ANN vào thị trường chứng khoán Việt Nam, luận án giải thêm số vấn đề khác như: cấu trúc mạng ANN tốt cho vấn đề dự báo giá chứng khoán thị trường chứng khoán Việt Nam, hiệu mơ hình ANN so với mơ hình hồi quy tuyến tính biến tác động lên biến động giá chứng khoán… Cụ thể hơn, luận án giải bốn mục tiêu nghiên cứu sau: Khả ứng dụng mơ hình ANN dự báo giá chứng khoán thị trường chứng khoán Việt Nam Lựa chọn cấu trúc mạng ANN phù hợp dự báo giá chứng khốn Hiệu ứng dụng mơ hình ANN tốt mơ hình hồi quy tuyến tính Tìm nhóm biến giúp dự báo giá chứng khoán thị trường chứng khoán Việt Nam qua gợi ý số sách liên quan LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Để đạt mục tiêu nghiên cứu nêu trên, nội dung luận án tập trung vào trả lời câu hỏi nghiên cứu sau đây: (1) Mơ hình mạng ANN chế vận hành thị trường tài chính? (2) Những quan điểm chứng thực nghiệm việc ứng dụng mơ hình ANN phân tích dự báo thị trường tài chính? (3) Khả ứng dụng mơ hình ANN dự báo giá chứng khốn thị trường chứng khoán Việt Nam? (4) Cấu trúc mạng ANN thích hợp để dự báo giá chứng khốn? (5) Liệu khả ứng dụng mơ hình ANN dự báo giá chứng khoán thị trường chứng khốn Việt Nam có tính hiệu mơ hình hồi quy tuyến tính truyền thống? (6) Nếu mơ hình ANN tốt biến giải thích giúp cho sử dụng để phân tích dự báo giá chứng khoán thị trường chứng khoán Việt Nam? Việc giải mục tiêu nghiên cứu cho thấy giá trị hiệu mơ hình ANN việc ứng dụng mơ hình phân tích dự báo biến kinh tế Chính vậy, chủ thể liên quan kinh tế bao gồm nhà nghiên cứu nhà thực hành áp dụng mơ hình ANN để thay bổ sung cho phương pháp hồi quy Phương pháp nghiên cứu Để giải nội dung nghiên cứu nêu trên, tác giả luận án sử dụng phương pháp định lượng dựa việc nghiên cứu thuật tốn mơ mạng thần kinh nhân tạo để tiến hành lựa chọn cấu trúc ANN thích hợp nhằm ứng dụng dự báo giá chứng khoán Việc triển khai q trình ứng dụng mơ hình ANN dự báo giá chứng khoán thị trường chứng khốn Việt Nam dựa quy trình đề xuất bước năm nhà nghiên cứu Deboeck, Masters, Blum Nelson Illingworth Ngồi q trình thử nghiệm cấu trúc mạng ANN thực dựa phần mềm hỗ trợ xử lý liệu có quyền NeuralSolution 5.0 Các phát kết nghiên cứu Luận án tác giả đóng góp kết nghiên cứu sau: LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com · Khả ứng dụng mơ hình ANN để dự báo giá chứng khốn thị trường chứng khốn Việt Nam hồn tồn thực · Mơ hình ANN dùng để dự báo giá chứng khoán thị trường chứng khoán Việt Nam cho kết dự báo mẫu tốt mơ hình hồi quy tuyến tính truyền thống · Cấu trúc mạng thần kinh truyền thẳng cho kết dự báo tốt số cấu trúc mạng khác với hàm truyền hàm phi tuyến Nói cách khác, mối quan hệ biến giải thích biến phụ thuộc quan hệ phi tuyến tính · Dựa việc nghiên cứu ứng dụng mơ hình ANN để dự báo giá chứng khoán thị trường chứng khoán Việt Nam, luận án cho thấy rõ tác động nhóm biến kinh tế vĩ mơ kinh tế, nhóm biến thể tình hình tài doanh nghiệp niêm yết… lên thay đổi giá chứng khốn, dùng mơ hình hồi quy tuyến tính truyền thống gần khơng tìm thấy tác động · Qua q trình phân tích dự báo giá chứng khốn thị trường chứng khốn Việt Nam, luận án có gợi ý số sách để phát triển thị trường chứng khoán Việt Nam lên tầm cao nhằm phát triển mạnh trình chuyển dịch cấu kinh tế LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Chương 1: QUAN ĐIỂM VÀ BẰNG CHỨNG THỰC NGHIỆM VIỆC ỨNG DỤNG MƠ HÌNH MẠNG THẦN KINH NHÂN TẠO TRONG DỰ BÁO Mỗi mơ hình phân tích dự báo dựa tảng giả định khác Các mơ hình trước sử dụng phổ biến để phân tích dự báo dựa phương pháp phân phối chuẩn biến đưa vào mơ hình Quan điểm phân phối chuẩn đưa tảng toán học cho học thuyết thị trường hiệu Quan điểm đưa đến việc hình thành mơ hình phân tích định giá chứng khốn mơ hình định giá tài sản vốn CAPM, mơ hình định giá quyền chọn Black – Scholes, mơ hình đa nhân tố, mơ hình FamaFrench… Tuy nhiên, mơ hình lại khơng hiệu phân tích dự báo tiêu đầy tính biến động thị trường tài Một phương pháp mơ não người xây dựng dựa tảng tiếp cận khác với phương pháp Q trình mơ gọi mơ hình mạng thần kinh nhân tạo ANN Những quy tắc ứng dụng mơ hình ANN khơng phương pháp dựa quan điểm phân phối chuẩn Quá trình ứng dụng mơ hình ANN dựa quan điểm: chủ thể tham gia thị trường, định xu hướng thị trường nhà đầu tư với hiểu biết khác Nói cách khác, nhà đầu tư tiếp nhận thông tin đưa định trước thông tin dựa hiểu biết phân tích Việc ứng dụng mơ hình ANN phổ biến lĩnh vực điện tử, sản xuất rô bốt hay lĩnh vực y học… Q trình ứng dụng mơ hình ANN thị trường tài để phân tích dự báo quan tâm thập niên gần Quá trình ứng dụng lớn mạnh nhờ hỗ trợ ngành công nghệ thông tin mang lại số thành tựu định tính hiệu mơ hình Chính vậy, tiếp cận nghiên cứu mơ hình ANN Việt Nam cần thiết 1.1 Quan điểm lựa chọn cơng cụ phân tích dự báo Phương pháp phân phối chuẩn hay đường cong hình chng cơng cụ phổ biến việc phân tích liệu kinh tế tài đặc biệt phân tích giá chứng khốn Phương pháp phân phối chuẩn tảng tốn học cho học thuyết thị trường hiệu lĩnh vực tài Quan điểm phương pháp phân phối chuẩn cho rằng, giá chứng khoán độc lập ngẫu nhiên với Phương pháp giúp hiểu cách dễ dàng cách đơn giản hóa loại bỏ yếu tố trừu tượng mà nghĩ không phù hợp với hệ thống Vấn đề “sự khơng phù hợp” Trong giới thực, thứ xem “không phù hợp” không cho thấy khơng quan trọng mà lại quan trọng Benoit Mandelbrot, trung tâm nghiên cứu IBM Yorktown Heights, New York, LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 10 phát rằng, số hoàn toàn khác so với quan điểm phân phối chuẩn “Mỗi thay đổi giá cụ thể ngẫu nhiên dự báo Tuy nhiên, chuỗi thay đổi lại có phụ thuộc phạm vi” (Gleick, 1987, trang 86) Thực tế, giá hàng hóa giá chứng khốn có quan hệ phi tuyến Nhưng câu hỏi đặt giá chứng khoán lại có mối quan hệ phi tuyến hay có xu hướng? Thế kỷ 20 đánh dấu phát minh đáng nhớ: (1) thuyết tương đối (relative theory) (2) kỹ thuật định lượng (quantum mechanic) (3) khoa học hỗn loạn (chaos science) cho thấy chất tự nhiên không độc lập Sự chuyển động vật chất ln có ảnh hưởng lẫn hay phụ thuộc lẫn Thị trường chứng khoán (TTCK), phần giới tự nhiên nằm quy luật Điều nói lên khoa học hỗn loạn giúp trả lời câu hỏi Bill William (1995) cho rằng, giới tự nhiên não người hỗn loạn TTCK, phần giới tự nhiên nơi phản ánh hoạt động người, có tính hỗn loạn Nói cách khác, não người có tính hỗn loạn nguồn gốc tạo phi tuyến tính giá chứng khốn Bill William (1995) não người gồm phận khác nhau: não trái, não não phải Mỗi phận đảm nhận chức khác Não trái liên quan đến vấn đề lý trí mang tính tuyến tính Não có chức xử lý tri thức thành kinh nghiệm Não phải liên quan đến cảm xúc, phi tuyến trơng giống tính hỗn loạn Bộ não tạo nên hành vi khác nhau, phụ thuộc vào dòng lượng Prigogine viết: “bộ não phát minh tính hỗn loạn” (Prigogin Stangers, 1984, trang 48) Có thể hình dung giao dịch thị trường, nhà kinh doanh bị ảnh hưởng cảm xúc (của não phải) tham lam sợ hãi tác động đến định đầu tư dẫn đến hành vi phi tuyến tính Tuy nhiên, hành vi tham lam hay sợ hãi có tính bầy đàn hình thành nên xu hướng giá chứng khốn (chính cấu trúc) Như vậy, chủ thể tham gia định nên xu hướng thị trường nhà đầu tư, người khơng hồn tồn lý (Sargent (1997, 1999)) Dựa quan điểm này, luận án tập trung vào việc lựa chọn phương pháp phân tích dự báo giá chứng khốn theo giả định “sự hợp lý có chừng mực” nhà đầu tư Nói cách khác nhà đầu tư khơng hồn tồn lý định Phương pháp hồi quy dựa biến cố quan sát độc lập ngẫu nhiên, dựa giả thuyết hợp lý hoàn toàn tối ưu người Mơ hình mạng thần kinh nhân tạo ANN mô theo não người dùng để dự báo biến kinh tế thị trường tài chính, đặc biệt giá chứng khoán thiết lập tảng giả định “sự hợp lý có chừng mực” nêu Do đó, luận án tiếp cận LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 165 Như vậy, mơ hình hồi quy tuyến tính với biến giải thích PE PB khơng có tượng phương sai thay đổi tự tương quan Ta tiến hành kiểm định tượng đa cộng tuyến mơ hình hồi quy phụ Kết quả: Variable PB C Rsquared Adjusted Rsquared S.E of regression Sum squared resid Log likelihood Fstatistic Prob(Fstatistic) Coefficient Std Error tStatistic Prob 0.497317 0.009642 0.104696 0.018553 4.750093 0.519703 0.0000 0.6059 0.344146 0.328894 0.124069 0.661899 31.08211 22.56339 0.000023 Mean dependent var S.D dependent var Akaike info criterion Schwarz criterion HannanQuinn criter DurbinWatson stat 0.016584 0.151449 1.292538 1.212242 1.262605 2.024333 Kết luận: Xảy tượng đa cộng tuyến biến giải thích, mơ hình khơng phù hợp Như vậy, ta chọn mơ hình hồi quy tuyến tính đơn biến tối ưu với biến giải thích PB khơng thể xây dựng mơ hình hồi quy tuyến tính đa biến Áp dụng tương tự với trường hợp mơ hình hồi quy tuyến tính đơn biến cịn lại, kết xây dựng mô hình hồi quy tuyến tính đa biến Bảng ma trận hồi quy phụ biến, cho biết biến giải thích có bị tượng đa cộng tuyến với hay không Từ bảng này, kết hợp với kết từ hồi quy đơn biến, ta tiến hành xây dựng mơ hình hồi quy tuyến tính đa biến kiểm định ROA ROE PB PE PM EPS CM ROE(coefficient) 4.132 Prob 0.00*** PB(coefficient) 0.289 0.015 Prob 0.508 0.853 PE(coefficient) 0.175 0.051 0.497 Prob 0.735 0.596 0.00*** PM(coefficient) 2.219 0.692 0.011 0.134 Prob 0.004*** 0.00*** 0.97 0.573 EPS(coefficient) 2.791 0.545 0.104 0.05 0.418 Prob 0.000** 0.000*** 0.594 0.76 0.00*** CM(coefficient) 1.726 0.301 0.505 0.41 0.214 Prob 0.00*** 0.00*** 0.001*** 0.002*** 0.015*** CF(coefficient) 0.18 0.021 0.007 0.009 0.02 0.546 0.00*** 0.049 0.025 Prob 0.037** 0.377 0.035** 0.196 0.809 0.719 0.22 CF LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com DE (coefficient) 1.297 0.065 166 0.137 0.161 0.076 Prob 0.06* 0.619 0.579 0.439 0.573 0.009*** 0.491 0.126 1.029 0.58 0.404 * : mức ý nghĩa 10%; ** : Mức ý nghĩa 5%; ***: Mức ý nghĩa 1% Kết luận cuối cùng: Khơng thể xây dựng mơ hình hồi quy tuyến tính đa biến dựa liệu biến tài chưa điều chỉnh dộ trễ Vậy mơ hình hồi quy tuyến tính tối ưu sử dụng liệu biến tài chưa điều chỉnh độ trễ là: VNI = 0.501093285767*PB + 0.00443970671375 Với độ giải thích mơ hình 44.7% Các biến tài điều chỉnh độ trễ Hồi quy tuyến tính đơn biến Biến giải thích tStatistic Prob ROE ROA PE PB CM CF EPS PM DE 0.098 0.923 0.312 5.249 0.757 0.00*** 0.077 0.939 13.120 0.000*** 0.896 0.388 0.499 0.620 0.580 0.565 1.623 0.113 ***: Mức ý nghĩa 1% Kiểm định tượng phương sai thay đổi cho mơ hình hồi quy tuyến tính đơn biến với biến giải thích CM PE Phương pháp sử dụng kiểm định White Giả thiết H0: Mô hình có tượng phương sai khơng đổi (thuần nhất): o Biến giải thích PE Heteroskedasticity Test: White Fstatistic 62.76921 Prob F(2,40) 0.0000 Kết luận: Bác bỏ H0 Có tượng phương sai thay đổi, mơ hình khơng phù hợp o Biến giải thích CM Heteroskedasticity Test: White Fstatistic 87.69402 Prob F(2,40) 0.0000 Kết luận: Bác bỏ H0, có tượng phương sai thay đổi Mơ hình khơng phù hợp Bây ta tiến hành tìm mơ hình tốt theo phương pháp loại bớt biến Đầu tiên ta xây dựng mơ hình hồi quy tuyến tính với tất biến giải thích trên: LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 167 Variable ROED ROAD PMD PED PBD EPSD DED CMD CFD C Rsquared Adjusted Rsquared S.E of regression Sum squared resid Log likelihood Fstatistic Prob(Fstatistic) Coefficient Std Error tStatistic 0.249616 0.116012 0.077414 0.487758 0.017219 0.269579 0.036079 0.458234 0.007960 0.021676 0.165923 0.028231 0.105213 0.072298 0.036885 0.103968 0.074343 0.067905 0.007766 0.007301 1.504408 4.109393 0.735787 6.746520 0.466838 2.592896 0.485306 6.748210 1.025042 2.968770 0.906496 Mean dependent var 0.880995 S.D dependent var 0.042049 Akaike info criterion 0.058349 Schwarz criterion 80.93961 HannanQuinn criter 35.54725 DurbinWatson stat 0.000000 Prob 0.1420 0.0002 0.4671 0.0000 0.6437 0.0141 0.6307 0.0000 0.3128 0.0055 0.013791 0.121893 3.299517 2.889935 3.148476 1.853071 Kế đến, ta loại bỏ dần biến thông qua kiểm định thừa biến Redundant Variables Likelihood Ratio, mơ hình phù hợp sau loại bỏ biến không cần thiết là: Variable ROAD PED EPSD CMD C Rsquared Adjusted Rsquared S.E of regression Sum squared resid Log likelihood Fstatistic Prob(Fstatistic) Coefficient Std Error tStatistic 0.086736 0.428195 0.372768 0.507790 0.024075 0.023118 0.063700 0.086850 0.059571 0.006916 3.751868 6.722060 4.292081 8.524168 3.480844 0.891154 Mean dependent var 0.879696 S.D dependent var 0.042278 Akaike info criterion 0.067923 Schwarz criterion 77.67311 HannanQuinn criter 77.77901 DurbinWatson stat 0.000000 Prob 0.0006 0.0000 0.0001 0.0000 0.0013 0.013791 0.121893 3.380145 3.175354 3.304624 1.838099 Tiến hành kiểm định đa cộng tuyến cho mơ hình trên, kết sau: Kết luận: Có tượng đa cộng tuyến, nên bỏ bớt biến EPSd biến Ped CMd khỏi mơ hình LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 168 ROAd 0.003 0.742 0.593 0.000*** 0.006 0.622 Ped prob EPSd prob CMd prob PEd EPSd 0.085 0.057* 0.335 0*** 0.017 0.409 ***: Mức ý nghĩa 1%; ** : Mức ý nghĩa 5%; * : Mức ý nghĩa 10% Như có tượng đa cộng tuyến EPSd ROAd, Ped, Ped CMd, nên loại bỏ Ped EPSd khỏi mơ hình Lúc mơ hình cịn lại biến giải thích: Variable Coefficient Std Error tStatistic ROAD 0.004156 0.018127 0.229288 0.8198 CMD C 0.754044 0.033665 0.066969 0.009601 11.25967 3.506284 0.0000 0.0011 Rsquared Adjusted Rsquared S.E of regression Sum squared resid Log likelihood Fstatistic Prob(Fstatistic) 0.760755 Mean dependent var 0.748793 S.D dependent var 0.061093 Akaike info criterion 0.149295 Schwarz criterion 60.74079 HannanQuinn criter 63.59643 DurbinWatson stat 0.000000 Prob 0.013791 0.121893 2.685618 2.562744 2.640306 1.718582 Kết luận: Tiếp tục loại bỏ biến ROAd khỏi mơ hình, mơ hình đa biến cịn mơ hình đơn biến với CMd biến giải thích Mơ hình hồi quy tuyến tính đơn biến với CMd biến giải thích ta kiểm định phần trên, phát mơ hình có tượng phương sai thay đổi Tóm lại, khơng thể xây dựng mơ hình hồi quy tuyến tính từ liệu biến tài điều chỉnh độ trễ Các biến số thị trường khác (trường hợp theo tháng) Hồi quy tuyến tính đơn biến Biến kết hợp tStatistic Prob RSquared DJm FTSEm N225m SSECm 3.723 0.000 0.119 3.461 0.001 0.014629** 4.316 0.000 0.153 2.690 0.008 0.06562* ***: Mức ý nghĩa 1%; ** : Mức ý nghĩa 5%; * : Mức ý nghĩa 10% Kết luận: Tất mơ hình hồi quy đơn biến có ý nghĩa thống kê với mức ý nghĩa 1% Mơ hình: VNIm = 0.899659*DJm + 0.011105 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 169 VNIm = 0.84424*FTSEm + 0.011297 VNIm = 0.773768*N225m + 0.012142 VNIm = 0.323669*SSECm + 0.009781 Hồi quy tuyến tính đa biến kiểm định Từ mơ hình hồi quy tuyến tính đơn biến trên, ta tiến hành kiểm định tượng phương sai thay đổi kiểm định tự tương quan Kiểm định tượng phương sai thay đổi: Kiểm định White Giả thiết H0: Khơng có tượng phương sai thay đổi Kết kiểm định: Fstatistic 0.926828 1.423116 0.688148 1.035809 DJm FTSEm N225m SSECm Prob F(2.102) 0.3991 0.2457 0.5048 0.3586 Kết luận Chấp nhận giả thiết H0 Chấp nhận giả thiết Ho Chấp nhận giả thiết Ho Chấp nhận giả thiết Ho Kết luận: Mơ hình hồi quy tuyến tính với biến giải thích DJm, FTSEm, N225m SSECm không xảy tượng phương sai thay đổi Ta tiếp tục tiến hành kiểm định tự tương quan cho mơ hình · Kiểm định tự tương quan: Kiểm định Breusch Godfrey Giả thiết H0: Khơng có tượng tự tương quan Kết kiểm định: Kiểm định BreuschGodfrey Fstatistic Prob F(1,102) Kết luận DJm 10.5032 0.0016*** Bác bỏ giả thiết Ho FTSEm 12.8208 0.0005*** Bác bỏ giả thiết Ho N225m 10.3582 0.0017*** Bác bỏ giả thiết Ho SSECm 8.69243 0.004*** Bác bỏ giả thiết Ho ***: Mức ý nghĩa 1% Kết luận: Cả mơ hình hồi quy đơn biến với biến giải thích DJm, FTSEm, N225m, SSECm xảy tượng tự tương quan LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 170 ð Không thể xây dựng mơ hình hồi quy tuyến tính dựa liệu liệu nhân tố thị trường khác Các biến thị trường khác (trường hợp theo tuần) Hồi quy tuyến tính đơn biến Biến kết hợp DJw FTSEw N225w SSECw Coefficient tStatistic Prob RSquared 0.0674 0.6446 0.5197 0.0014 0.0609 0.6308 0.5287 0.00134 0.0011 0.0132 0.9894 1E06 0.18172 2.72684 0.0068*** 0.02442 ***: Mức ý nghĩa 1% Kết luận: Mơ hình hồi quy đơn biến SSECw VNIw mơ hình có ý nghĩa thống kê với mức ý nghĩa 1% Mơ hình: VNIw = 0.18172 * SSECw + 0.002682 Hồi quy tuyến tính đa biến kiểm định · Từ mơ hình hồi quy đơn biến ta tiến hành kiểm định tượng phương sai thay đổi kiểm định tự tương quan Kiểm định tượng phương sai thay đổi : Kiểm định White Giả thiết H0 : Khơng có tượng phương sai thay đổi Kết kiểm định: Heteroskedasticity Test: White Fstatistic 0.673796 Prob F(2,296) 0.5106 Kết luận: Chấp nhận giả thiết H0, mơ hình khơng có tượng phương sai thay đổi Kiểm định tượng tự tương quan: Kiểm định Breusch Godfrey Giả thiết H0: Không có tượng tự tương quan Kết kiểm định: BreuschGodfrey Serial Correlation LM Test: Fstatistic 16.48881 Prob F(1,296) 0.0001 Kết luận: Bác bỏ giả thiết H0, mơ hình có tượng tự tương quan Như vậy, xây dựng mơ hình hồi quy tuyến tính theo liệu nhân tố thị trường tài khác LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 171 Các biến số thị trường điều chỉnh độ trễ (trường hợp theo tháng) Hồi quy tuyến tính đơn biến Biến kết hợp Coefficient tStatistic Prob RSquared VNI1m 0.383975 4.102325 0.0001*** 0.146558 VNI2m 0.097281 0.964422 0.3372 0.009402 VNI3m 0.05245 0.51991 0.6043 0.002751 ***: Mức ý nghĩa 1% Kết luân: Mơ hình hồi quy tuyến tính đơn biến VNI1m VNIm có nghĩa thống kê với mức ý nghĩa % Mơ hình: VNIm = 0.383975 * VNI1m + 0.008382 Hồi quy tuyến tính đa biến kiểm định Từ mơ hình hồi quy đơn biến ta tiến hành kiểm định tượng phương sai thay đổi kiểm định tự tương quan Kiểm định tượng phương sai thay đổi : Kiểm định White Giả thiết H0 : Khơng có tượng phương sai thay đổi Kết kiểm định: Heteroskedasticity Test: White Fstatistic 0.549705 Prob F(2,97) 0.5789 Kết luận: Chấp nhận giả thiết H0, mơ hình khơng có tượng phương sai thay đổi Kiểm định tượng tự tương quan: Kiểm định Breusch Godfrey Giả thiết H0: Khơng có tượng tự tương quan Kết kiểm định: BreuschGodfrey Serial Correlation LM Test: Fstatistic 0.334717 Prob F(1,97) 0.5642 Kết luận: Chấp nhận giả thiết H0, mơ hình khơng có tượng tự tương quan Như mơ hình hồi quy đơn biến VNI1m VNIm phù hợp Từ mơ hình đơn biến ta tiến hành kiểm định xem mơ hình có bỏ sót biến cịn lại hay khơng Phương pháp: Sử dụng kiểm định Omited VariablesLikelihoodratio phần mềm Eview 6.0 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 172 Giả thiết H0: hệ số hồi quy biến đưa thêm vào mơ hình khơng Kết kiểm định: Biến đưa vào Fstatistic Prob F(1,97) VNI2m 0.32311 0.5711 VNI3m 0.90408 0.3441 Kết luận: Chấp nhận giả thiết H0, tức không xảy trường hợp thiếu biến Kiểm định trường hợp đưa đưa thêm đồng thời biến cịn lại vào mơ hình Giả thiết H0: Hệ số hồi quy biến đưa thêm vào mơ hình = c(vni2m) = c(vni3m)=0 Kết kiểm định: Omitted Variables: VNI2m VNI3m Fstatistic Log likelihood ratio 0.474584 0.983861 Prob F(2,96) Prob ChiSquare(2) 0.6236 0.6114 Kết luận: Chấp nhận giả thiết Ho, mơ hình khơng thiếu biến giải thích Vậy, mơ hình hồi quy tuyến tính phù hợp mơ hình xây dựng dựa biến giải thích VNI1m Các biến số thị trường điều chỉnh độ trễ (trường hợp theo tuần) Hồi quy tuyến tính đơn biến Biến kết hợp Coefficient tStatistic Prob RSquared VNI1w 0.250109 4.421367 0.000* 0.062545 VNI2w 0.135148 2.334618 0.0202** 0.018262 VNI3w 0.101195 1.741042 0.0827*** 0.01024 ****: mức ý nghĩa 1%; **: Mức ý nghĩa 5%; *: Mức ý nghĩa 10% Kết luân: Mơ hình hồi quy tuyến tính đơn biến VNI1w, VNI2w VNI3w với VNIw có ý nghĩa thống kê Mơ hình: VNIw = 0.250109* VNI1w + 0.002591 VNIw= 0.135148* VNI2w + 0.002982 VNIw = 0.101195* VNI3w + 0.003102 Hồi quy tuyến tính đa biến kiểm định LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 173 Từ mơ hình hồi quy đơn biến ta tiến hành kiểm định tượng phương sai thay đổi kiểm định tự tương quan Kiểm định tượng phương sai thay đổi : Kiểm định White Giả thiết H0: Không có tượng phương sai thay đổi Kết kiểm định Kiểm định White Fstatistic 1.827408 4.796707 4.1849 VNI1w VNI2w VNI3w Prob.F(2,292) 0.1627 0.0089*** 0.0161** Kết luận Chấp nhận Ho Bác bỏ Ho Bác bỏ Ho ****: Mức ý nghĩa 1%; **: Mức ý nghĩa 5% Kết luận: § Mơ hình hồi quy tuyến tính đơn biến với biến giải thích VNI2w VNI3w có xảy tượng phương sai thay đổi § Mơ hình hồi quy tuyến tính đơn biến với biến giải thích VNI1w khơng xảy tượng phương sai thay đổi nên ta tiến hành kiểm định tượng tự tương quan với hai mô hình Kiểm định tượng tự tương quan: Kiểm định Breusch – Godfrey Giả thiết H 0: Khơng có tượng tự tương quan Kết kiểm định: Kiểm định BreuschGodfrey Fstatistic 1.756501 VNI1w Prob F(1,292) 0.1861 Kết luận Chấp nhận giả thiết Ho Kết luận: Mơ hình khơng có tượng tự tương quan Như mơ hình hồi quy đơn biến VNI1w VNIw phù hợp Từ mơ hình đơn biến ta tiến hành kiểm định xem mơ hình có bỏ sót biến cịn lại hay khơng Phương pháp: Sử dụng kiểm định Omited VariablesLikelihoodratio phần mềm Eview 6.0 Giả thiết H0: hệ số hồi quy biến đưa thêm vào mô hình = Biến đưa vào Fstatistic VNI2w VNI3w 1.757691 1.44875 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 174 Prob F(1,292) 0.1859 1.44875 Kết luận: Chấp nhận giả thiết H0, tức không xảy trường hợp thiếu biến Kiểm định trường hợp đưa đưa thêm đồng thời biến cịn lại vào mơ hình Giả thiết H0: Hệ số hồi quy biến đưa thêm vào mơ hình = c(vni2w) = c(vni3w) = Kết kiểm định: Omitted Variables: VNI2w VNI3w Fstatistic Log likelihood ratio 1.309276 2.642673 Prob F(2,291) Prob ChiSquare(2) 0.2716 0.2668 Kết luận: Chấp nhận giả thiết H0, mơ hình khơng thiếu biến giải thích Vậy, mơ hình hồi quy tuyến tính phù hợp mơ hình xây dựng dựa biến giải thích VNI1w KẾT LUẬN Trong trình xây dựng mơ hình hồi quy tuyến tính đa nhân tố để xác định tỷ suất sinh lợi thị trường chứng khoán, người viết đưa số kết luận sau: Những nhân tố ảnh hưởng đến tỷ suất sinh lợi thị trường có ý nghĩa thống kê xây dựng mơ hình PB (chỉ số giá sổ sách/ giá thị trường) VNI1 (chỉ số thị trường điều chỉnh độ trễ tháng) Đối với nhân tố vĩ mô, tiến hành kiểm định, nhân tố không cho kết đáng tin cậy, điều cần nhấn mạnh nhân tố vĩ mô điều chỉnh độ trễ cho kết thống kê cải thiện so với chưa điều chỉnh độ trễ Đối với nhân tố độ trễ thị trường, tiến hành xây dựng mơ hình, dù trường hợp mơ hình xây dựng theo tuần hay theo tháng, có nhân tố số thị trường điều chỉnh trễ kì có ý nghĩa thống kê Từ biến PB VNI1, người viết tiến hành xây dựng mơ hình thu kết mơ hình đa nhân tố với độ giải thích 48% Đây mơ hình hồi quy tuyến tính tốt xây dựng từ liệu nhân tố mà người viết tập hợp Dependent Variable: VNI Method: Least Squares LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 175 Variable VNI1 BP C Rsquared Adjusted Rsquared S.E of regression Sum squared resid Log likelihood Fstatistic Prob(Fstatistic) Coefficient Std Error tStatistic Prob 0.195256 0.459210 0.003534 0.112971 0.086552 0.014733 1.728369 5.305568 0.239857 0.0913 0.0000 0.8116 0.483751 Mean dependent var 0.459168 S.D dependent var 0.098466 Akaike info criterion 0.407209 Schwarz criterion 42.01231 HannanQuinn criter 19.67808 DurbinWatson stat 0.000001 0.002556 0.133892 1.733880 1.613436 1.688980 1.938519 Theo đó, mơ hình hồi quy tuyến tínhgiúp xác định tỉ suất sinh lợi thị trường có dạng: VNI = 0.195255718065*VNI1 + 0.459210023695*BP + 0.00353392919441 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 176 Phụ lục Cách tính số phân tích kỹ thuật Chỉ báo trung bình di động (Moving average MA) Chỉ báo cho biết giá trị trung bình giá chứng khoán khoảng thời gian định Nó hữu ích việc loại trừ phần yếu tố nhiễu chuỗi ban đầu cho trang tổng quát xu hướng Hai loại trung bình di động sử dụng phổ biến trung bình di động giản đơn (Simple Moving Average – SMA) trung bình di động theo hàm mũ (Exponential Moving Average – EMA) Trung bình di động giản đơn SMA Trong khoảng thời gian định, trung bình di động giản đơn SMA tính tốn theo cơng thức sau: Với: SMA trung bình di động giản đơn (simple moving average) Ci giá trị thứ i chuỗi liệu i số liệu chuỗi Theo đó, khoảng thời gian tính tốn ngắn đường trung bình di động nhạy cảm với thay đổi giá Chỉ báo trung bình di động ngắn hạn điển hình thường tính tốn cho khoảng thời gian từ đến 25 ngày, trung hạn từ 25 đến 100 ngày, 200 đến 250 ngày trung bình di động dài hạn Trung bình di động hàm mũ EMA EMA có phần khác so với trung bình di động giản đơn chỗ EMA thiết lập trọng số cao mức giá gần Mức trọng số ứng với mức giá gầy phụ thuộc vào độ dài khoảng thời gian sử dụng để tính tốn báo Bình quân di động theo hàm mũ tính tốn qua ba bước, trước hết tính tốn trung bình di động giản đơn điểm khởi đầu chuỗi trung bình di động theo hàm mũ Tiếp việc tính tốn trọng số cho mức giá gần cuối tính tốn trung bình di động theo hàm mũ Cuối cùng, trung bình di động hàm mũ thực theo công thức sau: LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 177 Với: EMA trung bình di động hàm mũ α tỷ trọng giá trị gần chuỗi liệu, xác định bằng: Ci giá trị chuỗi liệu (i = 1, 2, …, n) với i = giá trị gần I = n giá trị xa Đường trung bình di động hội tụ phân kỳ (Moving Average Convergence Divergence MACD) Được xây dựng Gerald Appel vào cuối năm 1970 báo đơn giản sử dụng phổ biến Thơng qua MACD, báo trung bình di động chuyển thành báo dao động xu lượng cách lấy hiệu số đường trung bình di động dài hạn (thường 26 ngày) với đường trung bình di động ngắn hạn (thường 12 ngày) Sự dao động đường MACD lên mức không cho thấy hội tụ, phân kỳ giao hai đường bình quân di động Cụ thể, MACD tính tốn theo cơng thức: Chỉ báo cường độ tương đối (Relative Strength Index RSI) Chỉ báo cường độ tương đối RSI báo thuộc nhóm Oscillator, xây dựng J Welles Wilder lần đầu vào năm 1978 dựa chênh lệch trung bình kỳ tăng giá so với trung bình kỳ giảm giá khoảng thời gian xác định Chỉ số so sánh mức độ lần tăng giá gần với lần giảm giá tương ứng RSI tính theo cơng thức sau: Với: RSI báo cường độ tương đối (Relative strength index) RS cường độ tương đối, tính trung bình mức tăng giá đóng cửa n ngày chia cho trung bình mức giảm giá đóng cửa n ngày Chỉ báo dịng tiền (Money Flow Index MFI) Chỉ báo dòng tiền MFI số động lượng (momentum indicator) Nó liên quan mật thiết với RSI cách diễn đạt lẫn tính tốn Tuy nhiên, báo có điểm so với RSI chỗ có đưa thêm vào thành phần khối lượng giao dịch kỳ Vì vậy, MFI trở thành công cụ tốt để đo lường dòng tiền vào thị trường chứng khốn Có thể nói RSI kết hợp chặt chẽ với đường giá MFI xem đường khối lượng LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 178 MFI thực cách so sánh “dòng tiền dương” với “dịng tiền âm” để từ hình thành nên báo đem so sánh với giá, nhằm xác định độ mạnh yếu xu hướng Tương tự RSI, báo thiết lập khoảng từ đến 100 thường tính khoảng thời gian 14 kỳ Chỉ số MFI tính sau: · Tính giá điển hình (Typical price TP): · Dịng tiền (Money flow): · Nếu giá điển hình hơm lớn giá điển hình hơm qua gọi dịng tiền dương (positive money flow) Cịn thấp gọi dòng tiền âm (negative money flow) · Tỷ số dòng tiền (Money Ration MF): · Chỉ báo dòng tiền (Money flow index MFI): Chỉ báo kênh hàng hóa (Commodity Channel Index CCI) CCI xây dựng Donald Lambert dùng để đo lường chênh lệch giá chứng khốn với mức trung bình Khi báo mức cao thấp cho thấy chênh lệnh bất thường giá so với mức trung bình Khơng tên gọi vốn có, báo CCI sử dụng với loại chứng khốn nào, khơng loại hàng hóa Cụ thể, có bốn bước để tính CCI: · Tính giá điển hình (Typical price TP): · Tính trung bình di động giản đơn giá điển hình chu kỳ tính tốn (Simple Moving Average of Typical Price SMATP) Ví dụ với chu kỳ 20 ngày tính SMATP (20) LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 179 · Tính độ lệch trung bình (Mean Deviation) TP SMATP 20 ngày: Tìm chênh lệch SMATP kỳ cuối TP cho giai đoạn 20 ngày trước Sau đó, tính tổng khoảng chênh lệch chia cho 20 để tìm độ lệch TP SMATP · Cuối kết hợp TP, SMATP, độ lệch trung bình hệ số 0.015 theo cơng thức để có CCI: Chỉ báo dao động ngẫu nhiên (Stochastic Oscillator – K% D%) Chỉ báo dao động ngẫu nhiên xây dựng để đo lường mối liên hệ hiệu số giá đóng cửa giá thấp so với giá cao khoảng thời gian định, thể qua cơng thức sau: Theo đó, giá trị K% cho biết mức giá đóng cửa nằm vị trí khoảng giá cao thấp thời kỳ xem xét Giá trị K% tiến đến khơng cho thấy giá đóng cửa gần mức giá thấp ngược lại giá trị K% 100 đồng nghĩa với việc giá đóng cửa mức cao khoảng thời gian LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com ... mơ hình ANN để dự báo giá chứng khoán thị trường chứng khoán Việt Nam hồn tồn thực · Mơ hình ANN dùng để dự báo giá chứng khoán thị trường chứng khoán Việt Nam cho kết dự báo ngồi mẫu tốt mơ hình. .. mơ hình ANN để dự báo giá chứng khoán thị trường chứng khoán Việt Nam hồn tồn thực · Mơ hình ANN dùng để dự báo giá chứng khoán thị trường chứng khoán Việt Nam cho kết dự báo ngồi mẫu tốt mơ hình. .. giá chứng khoán thị trường chứng khoán Việt Nam? (4) Cấu trúc mạng ANN thích hợp để dự báo giá chứng khoán? (5) Liệu khả ứng dụng mơ hình ANN dự báo giá chứng khốn thị trường chứng khốn Việt Nam