(TIỂU LUẬN) đề tài mô HÌNH XU THẾ và ỨNG DỤNG TRONG dữ LIỆU tài CHÍNH

GIỚI THIỆU

Lí do chọn đề tài

Trong bối cảnh nền kinh tế thị trường đa dạng, sự cạnh tranh ngày càng gay gắt hiện nay, có nhiều yếu tố ảnh hưởng đến các cá nhân và doanh nghiệp Để có thể tồn tại và phát triển vững mạnh thì không thể bỏ qua công tác dự báo vì nó cung cấp thông tin giúp cho việc sử dụng và phân bổ nguồn lực khan hiếm một cách có hiệu quả Ngoài ra dự báo còn hỗ trợ đưa ra những phương án để giải quyết những tác nhân ảnh hưởng đến thị trường Dự báo ngày càng được sử dụng phổ biến ở hầu hết các bộ phận của doanh nghiệp trong quá trình xây dựng kế hoạch chiến lược, phân tích tình huống kinh doanh, lập kế hoạch ngân sách, vốn đầu tư…

Tuy nhiên cũng phải tùy theo mục đích sử dụng cũng như dạng và tính chất của bộ dữ liệu mà nhà dự báo mới chọn được mô hình phù hợp nhất Thực tế kinh doanh ở doanh nghiệp hay thực tế quản lý ở tổ chức của mình, cần phải dự báo một chỉ tiêu nào đó nhưng dữ liệu trong quá khứ không nhiều hay gặp khó khăn về vấn đề thời gian, tốn nhiều kinh phí trong quá trình thu thập số liệu của nhiều biến khác có ảnh hưởng đến biến số cần dự báo thì phương pháp dự báo bằng mô hình xu thế là phù hợp nhất.

Phương pháp dự báo bằng các mô hình xu thế giúp ta phản ánh một xu thế nào đó một cách khoa học hơn những phán đoán thông thường ta hay sử dụng Ngày nay, các mô hình xu thế được sử dụng rộng rãi trong lĩnh vực kinh doanh, thiết lập và quản trị dự án, quản trị chuỗi cung ứng và logistics và là nhu cầu không thể thiếu trong mọi hoạt động kinh tế - xã hội, khoa học – kỹ thuật, được tất cả các ngành khoa học quan tâm nghiên cứu vì tính đơn giản và hiệu quả của nó trong thực tế.

Mục đích nghiên cứu

Sau khi nghiên cứu đề tài này, nhóm chúng tôi kỳ vọng sẽ đạt được những nội dung sau:

- Hiểu được tổng quan và mô hình hóa các mô hình dự báo bằng phương pháp hồi quy hàm xu thế.

- Nhận biết được những trường hợp cụ thể có thể áp dụng mô hình xu thể trong dự báo và khi nào hàm xu thế đóng vai trò tối ưu trong dự báo.

- Nhận biết và phân biệt được các hàm xu thế.

- Sử dụng được Eviews để thực hiện dự báo và đặc biệt là dự báo bằng mô hình xu thế.

1.3 Đối tượng và phạm vi nghiên cứu Đối tượng: Dự báo các hiện tượng kinh tế trong tương lai Tình hình tài chính của doanh nghiệp, hiệu suất cổ phiếu, dự báo lãi suất,

- Nhóm tập trung dự báo bằng mô hình xu thế.

- Về phần mềm sử dụng, nhóm tập trung sử dụng phần mềm Eviews để thực hiện các phép tính cũng như dự báo cho mô hình xu thế.

- Trong phạm vi nghiên cứu, nhóm quyết định dự báo dữ liệu lấy từ giá cổ phiếu ngân hàng BIDV từ ngày 24-12-2021 đến 24-1-2022.

Trong các lĩnh vực đời sống nói chung và kinh tế, tài chính nói riêng. Việc dự báo, phỏng đoán tương lai để ra kế hoạch chuẩn bị là rất cần thiết Đối với các nhà kinh tế, nhà đầu tư có thể dùng các mô hình dự báo để cung cấp thêm một góc nhìn về tương lai từ đó có thể gia tăng độ chính xác và tự tin về quyết định của họ Trong đó, dự báo bằng mô hình xu thế là một phương pháp khá đơn giản Thông qua việc tìm hiểu và phân tích giá cổ phiếu của BIDV từ ngày 24-12-2021 đến 24-01-2022 từ đó hiểu được tình hình thị trường cổ phiếu của BIDV như thế nào Bằng việc phân tích bằng hàm xu thế và đặc biệt là hàm xu thế bậc ba ta phần nào thấy dự báo giá cổ phiểu Tuy nhiên, vẫn còn một số điểm hạn chế vì mô hình xu thế còn khá cứng nhắc không thể dựa hoàn toàn vào dữ liệu quá khứ mà còn bị ảnh hưởng bởi nhiều yếu tố khác Từ đó, đưa ra một số kiến nghị để khắc phục những hạn chế đó.

Với các bộ dữ liệu có tính xu thế, bằng cách thực hiện một hàm hồi quy thích hợp giữa biến cần dự báo (Y) và thời gian (t), ta có thể dự báo các giá trị trong tương lai Trong bài nghiên cứu này, nhóm dùng các phương pháp nghiên cứu định lượng, áp dụng mô hình với dữ liệu tài chính trong thực tế để hiểu rõ và kiểm định tính đúng đắn, khả thi của mô hình xu thế trong thực nghiệm Qua đó rút ra kết luận kèm theo kiến nghị khi sử dụng mô hình.

Qua bài nghiên cứu chúng tôi thấy mặc dù mô hình xu thế là thường được sử dụng với dữ liệu tài chính nói chung, mà cụ thể là hàm xu thế bậc ba với dữ liệu BIDV nói trên đã phần nào dự báo được giá cổ phiếu, nhưng trên thực tế thì dùng mô hình xu thế còn khá rập khuôn, cứng nhắc không thể dựa hoàn toàn vào dữ liệu lịch sử vì còn phải xét theo nhiều khía cạnh khác Vì vậy, ngoài việc sử dụng hàm xu thế thích hợp còn phải kết hợp nhiều yếu tố vĩ mô bên ngoài, các chỉ số kinh tế, tình hình chính trị,v.v… đặc biệt là các ý kiến chủ quan, kinh nghiệm đúc kết của các cá nhân.

TỔNG QUAN VỀ LÝ THUYẾT

Nhận dạng mô hình xu thế

Giả sử ta có dữ liệu của biến phụ thuộc Y theo thời gian (Time), làm cách nào t mà ta biết được xu thế trong dữ liệu sẽ tuân theo hàm nào? Cách đơn giản nhất để nhận dạng là vẽ đồ thị của biến phụ thuộc ( Y ) theo thời gian (Time), sau đó xem thử đồ thịt đó biến động gần với dạng đồ thị của hàm số tương ứng với các dạng hàm nào.

BẢNG 2.1: Một số dạng hồi quy điển hình

Dạng hàm xu thế Phương trình hồi quy tổng thể

B Bậc hai Yt =β0 +β Time + β Time +u1 2 2 t (5.2)

C Bậc ba Yt =β0 +β Time + β Time + β Time + u1 2 2

D Tuyến tính – log Yt =β0 +β ln(Time) + u1 t (5.4)

G Log – tuyến tính ln(Y )= β +β Time + ut 0 1 t (5.7)

Ba dạng hàm đầu tiên được gọi là các hàm đa thức Ngoại trừ mô hình “Tăng trưởng mũ” là mô hình hồi quy phi tuyến tính theo các tham số, các mô hình còn lại đều là các mô hình hồi quy tuyến tính theo tham số Người ta không ước lượng mô hình “Tăng trưởng mũ” một cách trực tiếp bằng phương pháp OLS được, mà ước lượng nó gián tiếp qua mô hình “Log_tuyến tính” Chúng ta có thể dễ dàng nhận thấy được nếu lấy hai vế của phương trình hồi quy ở mô hình ln “Tăng trưởng mũ”, sẽ có được kết quả như mô hình “Log_tuyến tính”.

Trong các phương trình ở trên, chúng ta gặp một số hạng được ký hiệu là - sai số của mô hình Trong các chương trình dự báo luôn có nó vì dữ liệu trong thực tế không phải lúc nào cũng hoàn toàn nằm trên đường xu thế của bạn hay nói cách khác thường tồn tại một sai số Và sai số này càng nhỏ càng tốt. Đôi khi, chúng ta chưa thể biết được dữ liệu có xu thế tương ứng với dạng hàm toán học nào bằng đồ thị Lúc đó chúng ta có thể ước lượng một số mô hình mà mình cho rằng khả năng phù hợp cao, sau đó kiểm định tính toán các chỉ tiêu đo lường độ chính xác,v.v… và chọn ra mô hình phù hợp nhất Ngoài ra có thể kết hợp nhiều cách nhận diện khác nhau như quan sát đồ thị, sai phân, hệ số tương quan hoặc tốc độ phát triển.

Ước lượng mô hình xu thế

Các mô hình xu thế có thể là mô hình hồi quy đơn hoặc mô hình hàm hồi quy bội Đối với các mô hình xu thế tuyến tính theo tham số thì ta có thể dùng phương pháp OLS để ước lượng Với Eviews, có thể dễ dàng ước lượng các mô hình bằng cách gõ lệnh tương ứng vào cửa sổ lệnh.

BẢNG 2.2: Ước lượng các hàm xu thế trên Eview

Phương trình hồi quy tổng thể Các lệnh trên Eviews

HÌNH 2.1: Đồ thị một số dạng hàm xu thế điển hình

Kiểm định sự phù hợp của mô hình

Sau khi chúng ta ước lượng bằng phương pháp OLS, sau đó là kiểm định ý nghĩa thống kê của các hệ số độ dốc, đánh giá mức độ phù hợp chung, độ chính xác của mô hình và kiểm tra xem các mô hình có bị vi phạm các giả định của phương pháp OLS không (Gaynor & Kirkpatrick, 1994).

Ba trong số các giả định của mô hình hồi quy tuyến tính cổ điển là:

(1) Sai số dự báo tuân theo quy luật phân phối chuẩn,

(2) Phương sai của sai số là một hằng số không thay đổi

(3) Mô hình không bị hiện tượng tự tương quan (Gaynor & Kirkpatrick, 1994). Nếu phát hiện ra một trong số giả định này bị vi phạm, kết quả kiểm định hệ số độ dốc sẽ không còn hiệu lực nữa vì các hệ số độ dốc ước lượng sẽ bị chệch.

2.3.1 Sai số dự báo tuân theo quy luật phân phối chuẩn bằng kiểm định Jarque-Bera

Ho: Sai số dự báo tuân theo quy luật phân phối chuẩn.

H1: Sai số không tuân theo quy luật phân phối chuẩn.

Kết quả kiểm định này dễ dàng thực hiên trên Eview.

 Nếu Prob của F-statistic > 0.05 thì chấp nhận Ho, bác bỏ H1 Vậy mô hình có sai số dự báo tuân theo quy luật phân phối chuẩn.

2.3.2 Kiểm tra giả thuyết phương sai của sai số không đổi bằng kiểm định White

Ho: không có hiện tượng phương sai thay đổi.

H1: có hiện tượng phương sai thay đổi.

Kiểm định White: Đây là kiểm định tổng quát về phương sai không thay đổi do White đề xuất không lệ thuộc vào giả thuyết về quy luật chuẩn và được thực hiện dễ dàng trên Eview.

 Nếu Prob của F-statistic > 0.05 thì chấp nhận Ho, bác bỏ H1 Vậy mô hình không có hiện tượng phương sai thay đổi.

2.3.3 Kiểm tra giả thuyết mô hình không có hiện tượng tự tương quan

Ho: Mô hình không có hiện tượng tự tương quan.

H1: Mô hình có hiện tượng tự tương quan.

 Nếu Prob của F-statistic > 0.05 thì chấp nhận Ho, bác bỏ H1 Vậy mô hình không có hiện tượng tự tương quan.

Nếu một trong số giả định này bị vi phạm, kết quả kiểm định hệ số độ dốc sẽ không còn hiệu lực nữa vì các hệ số ước lượng sẽ bị chệch.

Kiểm định ý nghĩa thống kê của các hệ số hồi quy.

Sử dụng p-value để kiểm định Với là mức ý nghĩa, nếu p-value < thì bác bỏ Ho, tức là hệ số hồi quy có ý nghĩa thống kê và ngược lại.

Đánh giá độ phù hợp của mô hình

Đánh giá độ phù hợp của mô hình thông qua để thấy được bao nhiêu phần trăm sự biến thiên của biến phụ thuộc được giải thích bởi mô hình.

 Nếu Prob của F-Statistic < 0,05 thì bác bỏ Ho, chấp nhận H1

Vậy mô hình phù hợp.

Thực hiện dự báo

Dưới đây là công thức để tính dự báo điểm với từng dạng mô hình.

BẢNG 2.3: Dự báo điểm với hàm xu thế

Dạng hàm Hàm hồi quy mẫu

Bậc ba t =0 + Time + Time + Time1 2 2

Tuyến tính – log t =0 + ln(Time)1 (5.11)

Tăng trưởng mũ t Trong đó (5.14)

Khoảng dự báo của 5 mô hình đầu tiên trong bảng 5.1 (từ 5.8 đến 5.12) đưuọc tính theo công thức sau:

• Công thức để tính dự báo khoảng:

: là giá trị dự báo điểm tại thời điểm dự báo. se() : là sai số chuẩn của hàm dự báo cho các giá trị cá biệt tại thời điểm dự báo t. Khoảng dự báo cho mô hình tăng trưởng mũ được tính theo công thức sau:

: Là sai số chuẩn của hàm dự báo cho các giá trị cá biệt khi dự báo ln() và được phần mềm máy tính tự động tính toán.

So sánh và lựa chọn mô hình phù hợp

Có 2 cách thường được sử dụng để chọn ra mô hình phù hợp:

Cách một, vẽ đồ thị biểu diễn giá trị thực tế, và giá trị dự báo của hai mô hình lên cùng một đồ thị Sau đó, ta sẽ chọn mô hình nào có đường biểu diễn giá trị thức tế hơn Tuy nhiên, có đôi khi bằng trực quan chúng ta không thể phân biệt được đường nào bám sát đường giá trị thực tế hơn Do vậy, cách 2 là so sánh các chỉ tiêu đo lường độ chính xác của mỗi mô hình, chúng ta sẽ chọn mô hình nào có độ chính xác tốt hơn.

MÔ HÌNH NGHIÊN CỨU

Khái niệm

Xu thế là sự biến thiên tăng hay giảm thông qua sự quan sát các dữ liệu trong một khoảng thời gian nhất định Hiện tượng này có thể được diễn giải bằng một đồ thị đường thẳng (xu thế tuyến tính) hay dạng đồ thị đường cong (xu thế phi tuyến) theo biến thời gian t Một cách cụ thể thì mô hình hóa xu thế bằng cách thực hiện và điều chỉnh để tìm ra một hàm hồi quy thích hợp giữa biến cần dự báo (biến Y) và thời gian (biến t).

Giới thiệu mô hình xu thế

3.2.1 Phương pháp dự báo xu thế

Mô hình dự báo xu thế này sử dụng:

 Mô hình hồi quy phi tuyến tính theo các tham số

 Các mô hình hồi quy tuyến tính theo tham số.

3.2.2 Ưu điểm và nhược điểm của mô hình

- Ưu điểm: Việc sử dụng mô hình xu thế để dự báo các chỉ số kinh tế - xã hội là một trong những phương pháp đơn giản nhất mà vẫn hữu ích, hiệu quả trong việc dự báo các khuynh hướng của một chỉ số kinh tế nào đó Mô hình giúp dự báo giai đoạn tăng trưởng của một chu kỳ kinh doanh, hay một sự đoán trước các vận động của một chỉ số nào đó ảnh hưởng đến việc kinh doanh để mà từ đó chủ thể kinh doanh có thể đưa ra được các quyết định cũng như là các chính sách phù hợp cho doanh nghiệp.

- Nhược điểm: Tuy nhiên, các mô hình dự báo xu thế chỉ đơn thuần là những con số thống kê mô tả đơn giản, bằng việc thông qua các dữ liệu đã xảy ra trong lịch sử, hoặc việc sử dụng các mô hình này là quá cứng nhắc, gò bó chúng ta vào một khuôn mẫu có sẵn, mà trên thực tế thì không thể đoán trước được Vì còn nhiều yếu tố ảnh hưởng khác chẳng hạn như những chỉ số, vấn đề khác ảnh hưởng đến chỉ số mà ta quan sát hay những hiện tượng xã hội xảy ra thực tiễn làm ảnh hưởng đến chỉ số quan sát Do đó mô hình không thể phản ánh được chính xác hoàn toàn

- Dựa trên giả định rằng: sự vận động của dữ liệu trong quá khứ vẫn sẽ tiếp tục trong hiện tại và tương lai Tuy nhiên có thể dễ dàng nhận thấy rằng trong tương lai thì bất kỳ một biến số kinh tế - xã hội nào cũng có thể thay đổi, đều chứa một yếu tố rủi ro nhất định.

3.2.3 Ứng dụng của mô hình dự báo xu thế

Thực hiện dự báo thông qua các mô hình xu thế được sử dụng phổ biến trong các lĩnh vực vì tính đơn giản và dễ thực hiện trong thực tiễn, đặc biệt là lĩnh vực kinh doanh quản trị Mô hình sẽ giúp phản ánh được tiềm năng hay những bất cập mà một thực thể kinh doanh có thể gặp phải trong tương lai.

Trên thực tế thì việc kinh doanh ở các công ty hay quản lý ở các tổ chức cần phải dự báo một chỉ số hay chỉ tiêu nào đó để đưa ra quyết định phù hợp Tuy nhiên thì dữ liệu quá khứ không có nhiều và cũng khó có thể đáp ứng được việc thu thập dữ liệu của nhiều biến số khác có khả năng tác động đến chỉ số cần dự báo do điều kiện thời gian hay kinh phí không cho phép Khi đó thì phương pháp dự báo bằng các mô hình xu thế sẽ được đưa vào thưc hiện.

Dự báo bằng mô hình xu thế

Dữ liệu lấy từ giá cổ phiếu ngân hàng BIDV từ ngày 24-12-2021 đến 24-01-2022 Có đồ thị theo biến Time (t):

HÌNH 3.1: Đồ thị thể hiện giá cổ phiếu của ngân hàng BIDV từ ngày 24-12-2021 đến 24-01-2022 Ước lượng và kiểm định hàm tuyến tính:

HÌNH 3.2: Ước lượng mô hình xu thế tuyến tính trên Eviews Kiểm định hệ số

Ta có: Prob của hệ số hồi quy bằng 0.00 < 0.05 nên bác bỏ H chấp nhận H0, 1

 Hệ số hồi quy có ý nghĩa thống kê với mức ý nghĩa 5%.

HÌNH 3.3: Kiểm định LM của Breusch-Godfrey

H0: (Mô hình không có hiện tượng tự tương quan)

H1: (Mô hình có hiện tượng tự tương quan)

Kiểm định LM của Breusch-Godfrey cho thấy Prob của F-statistic là 0.2157 > 0.05

 Chấp nhận H , bác bỏ H , nên ở độ tin cậy 95%, mô hình không có hiện tượng tự0 1 tương quan.

HÌNH 3.4: Giản đồ tự tương quan của phần dư

Các cột autocorrelation của đồ thị hệ số tự tương quan, tự tương quan riêng phần chủ yếu đều nằm trong giới hạn của các đường nét đứt và Prob của thống kê Q- Stat đều lớn hơn 0,05 nên không có dấu hiệu về hiện tượng tự tương quan.

Kiểm định phương sai thay đổi

HÌNH 3.5: Kiểm định phương sai thay đổi

H0: “Mô hình không có hiện tượng phương sai thay đổi”

H1: “Mô hình có hiện tượng phương sai thay đổi”

Kiểm định White cho thấy Prob của F-statistic là 0,8919 > 0,05

 Chấp nhận H , bác bỏ Vậy mô hình không có hiện tượng phương sai thay đổi.0

Kiểm định sai số dự báo tuân theo quy luật phân phối chuẩn- Kiểm định Jarque- Bera

HÌNH 3.6: Kiểm định Jarque-Bera

H0: Sai số dự báo có phân phối chuẩn

H1: Sai số dự báo không có phân phối chuẩn

Kiểm định Jarque-Bera cho Prob của F-statistic là 0,576074 > 0,05

 Chấp nhận H , bác bỏ nên mô hình có sai số dự báo tuân theo phân phối chuẩn.0

● Đánh giá mức độ phù hợp của mô hình hồi qui:.

Thống kê F bằng 336.97 với Prob (F-statistic) = 0.000 < 0.05

 Bác bỏ H , chấp nhận H nên mô hình phù hợp với dữ liệu.0 1

HÌNH 3.7: Kết quả dự báo trên Eviews

BẢNG 3.1: Kết quả dự báo trên Eviews

Mô hình xu thế tuyến tính để dự báo giá đóng cửa cổ phiếu BIDV vào ngày 25- 1-2022 là 47.818,10 VND, ở độ tin cậy là 95% Giá cổ phiếu BIDV 25-1-2022 có khả năng nằm trong khoảng từ 45.449,86 VND đến 50.186,33 VND Ngày tiếp theo, kết quả dự báo điểm cho giá trị 48.500,04 VND, dự báo khoảng từ 46.102,63 VND đến 50.897,45 VND Cuối cùng là 49.181,99 VND cho giá trị dự báo ngày 27-1-2022, khoảng giá dự báo từ 46.753,26 VND đến 51.610,72 VND. Ước lượng và kiểm định dạng hàm bậc 2:

HÌNH 3.8: Ước lượng mô hình xu thế bậc hai trên Eviews

Ta có: Prob của hệ số hồi quy bằng 0,005 < 0,05 nên bác bỏ H chấp nhận H0, 1

 Hệ số hồi quy có ý nghĩa thống kê với mức ý nghĩa 5%.

Kiểm định LM của Breusch-Godfrey cho thấy Prob của F-statistic là 0,3789 > 0,05

HÌNH 3.10: Giản đồ tự tương quan của phần dư Đồ thị hệ số tự tương quan, tự tương quan riêng phần cho thấy các cột autocorrelation chủ yếu đều nằm trong giới hạn của các đường nét đứt, và Prob của thống kê Q-Stat đều lớn hơn 0,05 nên không có dấu hiệu về hiện tượng tự tương quan.

 Chấp nhận nên mô hình không có hiện tượng phương sai thay đổi.

HÌNH 3.12: Kiểm định Jarque-Bera

● Đánh giá mức độ phù hợp của mô hình hồi qui:

HÌNH 3.13: Kết quả dự báo trên EviewsBẢNG 3.2: Kết quả dự báo trên Eviews

Nếu sử dụng mô hình xu thế bậc 2 để dự báo giá trị cổ phiếu BIDV vào ngày 25-01-

2022 Ta được kết quả dự báo điểm 48.910,83 VND, ở độ tin cậy là 95% Giá cổ phiếu BIDV 25-1-2022 có khả năng nằm trong khoảng từ 46.444,43VND đến 51.377,23 VND Trong ngày 26-1-2022, dự báo giá là 49.890,79 VND, với khoảng dự báo từ 47.247,30 VND đến 52.534,29 VND Ngày cuối cùng cho kết quả giá đóng sàn là 50.896.67 VND và giá giao động từ 48.035,64 VND đến 53.757,70 VND. Ước lượng và kiểm định dạng hàm bậc 3

HÌNH 3.14: Ước lượng mô hình xu thế bậc ba trên Eviews

Hệ số hồi quy có ý nghĩa thống kê với mức ý nghĩa 5% vì Prob < 0.05

Kiểm định LM của Breusch-Godfrey cho thấy Prob của F-statistic là 0,3007 > 0,05

HÌNH 3.16: Giản đồ tự tương quan của mô hình Đồ thị hệ số tự tương quan, tự tương quan riêng phần cho thấy các cột autocorrelation chủ yếu đều nằm trong giới hạn của các đường nét đứt, và Prob của thống kê Q-Stat đều lớn hơn 0,05 nên không có dấu hiệu về hiện tượng tự tương quan.

 Mô hình không có hiện tượng phương sai thay đổi.

HÌNH 3.18: Kiểm định Jarque - Bera

Thống kê F bằng 164,93 với Prob (F-statistic) =0.000 < 0.05

HÌNH 3.19: Kết quả dự báo trên Eviews BẢNG 3.3: Kết quả dự báo trên Eviews

Mô hình xu thế bậc 3 dự báo giá cổ phiếu BIDV vào ngày 25-1-2022 là 47.399,54VND, ở độ tin cậy là 95% Giá trị cổ phiếu BIDV 25-1-2022 có khả năng nằm trong khoảng từ 44.783,48VND đến 50.015,60 VND Ngày 26-1-2022 có mức giá được dự báo là 47.555,17 VND, khoảng dự báo từ 44.355,58 VND tới 50.754,76 VND Ngày

27-01-2022, kết quả dự báo điểm là 47.557,51 VND, dự báo khoảng là 43.559 VND đến 51.555,67 VND trên một cổ phiếu. Ước lượng và kiểm định dạng hàm tăng trưởng

HÌNH 3.20: Ước lượng và kiểm định dạng hàm tăng trưởng trên Eviews Kiểm định hệ số hồi quy

Ta có Prob của hệ số hồi quy bằng 0.00 < 0.05 nên bác bỏ H chấp nhận H0, 1

 Hệ số hồi quy có ý nghĩa thống kê với mức ý nghĩa 5%. Đánh giá mức độ phù hợp của mô hình hồi qui:

HÌNH 3.21: Kiểm định LM của Breusch - Godfrey

HÌNH 3.22: Giản đồ tự tương quan của mô hình Đồ thị hệ số tự tương quan, tự tương quan riêng phần cho thấy các cột autocorrelation chủ yếu đều nằm trong giới hạn của các đường nét đứt, và Prob của thống kê Q-Stat đều lớn hơn 0,05 nên không có dấu hiệu về hiện tượng tự tương quan.

 Chấp nhận H , bác bỏ nên mô hình không có hiện tượng phương sai thay đổi.0

HÌNH 3.24: Kiểm định Jarque – Bera

 Chấp nhận H , bác bỏ nên ở độ tin cậy 95%, mô hình có sai số dự báo xấp xỉ phân0 phối chuẩn.

Thống kê F bằng 385,80 với Prob (F-statistic) = 0.000 < 0.05

BẢNG 3.4: Kết quả dự báo trên Eviews

Nếu sử dụng mô hình xu thế dạng hàm tăng trưởng để dự báo giá trị cổ phiếu BIDV vào ngày 25-1-2022 là 48.276,97 VND, ở độ tin cậy là 95% Giá trị cổ phiếu BIDV 25-1-2022 có khả năng nằm trong khoảng từ 45.707,10VND đến 50.991,33 VND Ngày tiếp theo, giá trị dự báo điểm là 49.097 VND với giá trong khoảng dự báo là 46.452,67 VND đến 51.892,99 VND Ngày cuối cùng có kết quả dự báo điểm đạt49.932,04 VND, dự báo khoảng từ 47.208,06 VND đến 52.813,20 VND.

So sánh và lựa chọn mô hình phù hợp

HÌNH 3.25: Đánh giá các hàm

Ta sẽ chọn mô hình hàm bậc ba, vì có các chỉ số đo lường RMSE, MAE,

MAPE và Theil’U nhỏ hơn Tuy nhiên trên thực tế, mô hình chỉ dự đoán đúng giá cổ phiếu vào ngày 25-1-2022 Trong hai ngày tiếp theo, do biến động nên giá của cổ phiếu đã giảm, không như kết quả dự báo Vì vậy, ngoài mô hình cần xem xét các yếu tố ảnh hưởng bên ngoài.

Tiêu đề	Mô hình xu thế và ứng dụng trong dữ liệu tài chính
Tác giả	Hoàng Minh Quân, Ngô Quí Trọng Trí, Đinh Đặng Phương Uyên, Hà Nguyễn Huy Hải
Người hướng dẫn	TS. Lê Thanh Hoa
Trường học	Đại học Quốc gia Tp.HCM Trường Đại học Kinh tế - Luật
Chuyên ngành	Kinh tế
Thể loại	Báo cáo tổng kết
Năm xuất bản	2022
Thành phố	TP.HCM

Định dạng
Số trang	33
Dung lượng	2,17 MB