(TIỂU LUẬN) TIỂU LUẬN NHÓM môn học KINH tế LƯỢNG ỨNG DỤNG TRONG tài CHÍNH dự báo GIÁ CHỨNG KHOÁN của CÔNG TY CHỨNG KHOÁN BSC

NGÂN HÀNG NHÀ NƯỚC VIỆT NAM TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP HỒ CHÍ MINH BÀI TIỂU LUẬN NHĨM DỰ BÁO GIÁ CHỨNG KHỐN CỦA CƠNG TY CHỨNG KHỐN BSC Mơn học: KINH TẾ LƯỢNG ỨNG DỤNG TRONG TÀI CHÍNH Lớp: D01 GVHD: Th.S Đỗ Hồng Oanh Nhóm sinh viên thực hiện: NHÓM Hồ Hữu Tuấn Lý Xn Đào Bùi Thị Bích Ngọc Đồn Thị Hồng Ngọc Bùi Đình Ngọc Trần Hà Thùy Dương TP HỒ CHÍ MINH – NĂM 2022 TỔNG QUAN VỀ CƠNG TY CỔ PHẦN CHỨNG KHỐN NGÂN HÀNG ĐẦU TƯ VÀ PHÁT TRIỂN VIỆT NAM (BSC) Tên đầy đủ: Cơng ty cổ phần Chứng khốn Ngân hàng Đầu tư Phát triển Việt Nam (HOSE: BSI) Được cấp phép thành lập ngày 26/11/1999, với tên giao dịch: Công ty TNHH Chứng khoán Ngân hàng Đầu tư Phát triển Việt Nam (BSC), Công ty vinh dự trở thành Cơng ty chứng khốn ngành ngân hàng tham gia kinh doanh lĩnh vực chứng khoán hai cơng ty chứng khốn Việt Nam Mã chứng khoán: BSI Vốn điều lệ: 121,570,623,000 đồng Trụ sở: Tầng 8, Tầng Toà nhà ThaiHoldings, số 210 Trần Quang Khải, phường Tràng Tiền, quận Hoàn Kiếm, TP Hà Nội Website: http://www.bsc.com.vn/ Các lĩnh vực kinh doanh bao gồm Mơi giới chứng khốn; Tự doanh chứng khốn; Bảo lãnh phát hành chứng khốn; Tài bảo hiểm… PHÂN TÍCH DỰ BÁO VỀ GIÁ CỦA MÃ CHỨNG KHỐN BSI Nguồn liệu lấy từ website https://www.cophieu68.vn Số liệu từ ngày 04/09/2014 – 22/09/2022 Số quan sát: 2000 quan sát BƯỚC 1: KIỂM TRA TÍNH DỪNG CHUỖI GIÁ ĐĨNG CỬA CỦA MÃ CHỨNG KHỐN BSI Lý thuyết chuỗi dừng Chuỗi thời gian Yt dừng/ chặt/ mạnh (Strictly/ Strong stationary process) phân phối xác suất đồng thời (joint probability distribution) hai quan sát từ trình (Yt, Yt+s) phụ thuộc vào khoảng cách thời gian quan sát (s), mà không phụ thuộc vào thời điểm quan sát (t) Một chuỗi liệu thời gian xem dừng trung bình phương sai phương trình khơng thay đổi theo thời gian giá trị đồng phương sai hai đoạn phụ thuộc vào khoảng cách hay độ trễ thời gian hai thời đoạn không phụ thuộc vào thời điểm thực tế mà đồng phương sai tính (Ramanathan, 2002) Chuỗi thời gian Yt dừng yếu hay dừng hiệp phương sai (Weak/ covariance/ second-order/ wide-sense stationary process) nếu: Trung bình: E(Y t )=μ=const [trung bình khơng đổi (là số) với t] Phương sai: Var (Y t )=σ2=const [phương sai không đổi (là số) với t] Hiệp phương sai: Cov (Y t ,Y t−k )=E [(Y t −μ)(Y t−k−μ)] Như E (Yt) Var (Yt) chuỗi dừng Cov (Yt, Yt-k) chuỗi dừng Do chuỗi chứng khốn chuỗi dừng Nếu E(Y t ) Var (Y t ) không đồng thời chuỗi dừng Cov (Y t ,Y t−k ) chuỗi khơng dừng Do chuỗi chứng khốn khơng dừng Kiểm tra tính dừng chuỗi BSI Kiểm định tính dừng liệu giá đóng cửa BSI từ ngày 04/09/2014 – 22/09/2022, tương đương 2000 quan sát Để nhận định rõ BSI chuỗi dừng hay không, ta cần sử dụng liệu để tiến hành phân tích dự báo cho tồn - Xét xu (trend): Nhìn vào đồ thị ta thấy giai đoạn năm 2014 – 2020 chuỗi có dạng ổn định khoảng thời gian này, nhìn chung tổng thể, nhìn từ năm bắt đầu (2014) đến năm kết thúc (2022) thấy chuỗi có xu hướng lên Vì chuỗi BSI chuỗi có trend lên - Xét chu kỳ (Cyclical) Chu kỳ quy luật có tính chất lặp lại liệu theo thời gian, mà chuỗi BSI ta xét năm khơng có lặp lại, nên chuỗi liệu thời gian BSI khơng có tính chu kỳ - Xét yếu tố mùa (Sn - Season) Nhìn vào chuỗi BSI, ta thấy liệu khơng có tính mùa khơng có lặp lại theo năm - Ngẫu nhiên/bất thường (Ir - Irregular) Trên đồ thị chuỗi BSI yếu tố bất thường biểu giống độ nhiễu liệu, biến động không lặp lại theo quy luật xảy nhiều lần suốt năm (từ 2014 – 2022) với nhiều hình thức khác Kiểm tra tính dừng theo trung bình: E(Yt) = µ = const, Ɐt, t=1,2,3… Ta chia chuỗi chứng khoán thành phần: + Giai đoạn (từ năm 2014 – 2020) có trung bình xấp xỉ + Giai đoạn (từ năm 2020 – 2022) có trung bình xấp xỉ 30 Qua đó, ta thấy trung bình đoạn khơng có chênh lệch lớn, giá trị trung bình khơng cân xứng biến động nhiều Vì trung bình thay đổi nên trung bình khơng phải số Bên cạnh ta thấy chuỗi có trend lên suy chuỗi khơng dừng theo trung bình E Kết luận: Xét theo trung bình, chuỗi chứng khốn BSI chuỗi khơng dừng Kiểm tra tính dừng theo phương sai: Var(Yt) = σ2y, Ɐt Hoặc: E[Yt – E(Yt))2] = E[Yt - µ)2] = σ2y Giai đoạn Giá trị biến động Độ biến động Ta thấy hai giai đoạn, phương sai chuỗi BSI có biến động + Giai đoạn năm 2014 - 2020: giá trị thấp xấp xỉ giá trị cao xấp xỉ 14 Lúc chuỗi biến động cho thấy phương sai nhỏ + Giai đoạn năm 2020 - 2022: giá trị thấp xấp xỉ giá trị cao xấp xỉ 54 Lúc chuỗi bắt đầu có biến động lớn với độ biến động xấp xỉ 46 Có thể thấy mức biến động phương sai từ năm 2014 - 2020 xấp xỉ 7, xem ổn định Nhưng giai đoạn năm 2020 - 2022 độ biến động xấp xỉ 46 Sự biến động vượt mức ổn định lớn làm phương sai thay đổi nên chuỗi chứng khoán BSI có phương sai thay đổi Kết luận: Xét theo phương sai, chuỗi chứng khốn BSI chuỗi khơng dừng Kiểm tra hiệp phương sai: Cov (Y t ,Y t−k )=E[(Y t−μ)(Y t −k −μ)] Từ kết luận trên, chuỗi khơng dừng theo trung bình chuỗi khơng dừng theo phương sai nên chuỗi không dừng theo hiệp phương sai Kết luận: Chuỗi thời gian BSI chuỗi dừng Dựa vào phân tích trên, ta thấy chuỗi BSI có giá trị trung bình thay đổi nhìn chung khơng cân xứng có xu hướng biến động tăng lên (Chuỗi Trend lên, Phương sai Covariance thay đổi) Ta kết luận chuỗi BSI khơng dừng hay nói cách khác mơ hình BSI khơng thể dự báo giá trị tương lai dựa giá trị khứ Để nhận định rõ chuỗi BSI chuỗi dừng hay khơng dùng thêm kiểm định Correlogram để xác định Correlogram – kiểm định tính dừng chuỗi thời gian dựa vào ACF Bước 1: Kiểm tra tính dừng chuỗi ACF PACF Thực hiện: Chọn chuỗi BSI – Chọn “View – Correlogram – OK” Ta sau: Kết Correlogram BSI có ACF khơng giảm hệ số tự tương quan nằm vùng bác bỏ 95% trị thống kê Q lớn giá trị bác bỏ (prob < 1%) Như vậy, chuỗi BSI không dừng bậc gốc BƯỚC 2: CHUYỂN CHUỖI BSI SANG DẠNG SAI PHÂN BẬC VÀ KIỂM ĐỊNH TÍNH DỪNG CỦA SAI PHÂN BẬC 1 Tạo biến sai phân bậc từ giá đóng cửa BSI “GENR BSI_1 = BSI(-1)” “GENR SPBSI = BSI – BSI(-1)” Vẽ Correlogram chuỗi SPBSI Thực hiện: Chọn SPBSI – Chọn “View – Correlogram – OK” Ta thấy ACF SPBSI giảm nhanh 0, kết luận sai phân bậc BSI dừng Vậy SPBSI chuỗi dừng nên dự báo giá chứng khốn Kiểm định mơ hình 10: ARIMA (1,1,1) (34,1,36) Lệnh: LS SPBSI C AR(1) AR(34) MA(1) MA(36) Kết xuất sau: Nhận xét: Xét thấy phần nghiệm nghịch đảo đa thức AR khơng có giá trị lớn (khơng có nghiệm nằm ngồi vịng trịn đơn vị) Suy Mơ hình AR dừng Xét thấy phần nghiệm nghịch đảo đa thức MA khơng có giá trị lớn (khơng có nghiệm nằm ngồi vịng trịn đơn vị) Suy Mơ hình MA khả nghịch Kết luận: Mơ hình ARIMA (1,1,1) (34,1,36) dừng khả nghịch Mơ hình phù hợp Theo tất kết 10 mơ hình cho, ta thấy tất nghiệm nằm vòng tròn đơn vị, kết luận Mơ hình tích hợp ARIMA (p, d, q) chuỗi BSI đủ điều kiện dừng khả nghịch BƯỚC 6: KIỂM ĐỊNH CHUẨN ĐỐN MƠ HÌNH (LỰA CHỌN MƠ HÌNH PHÙ HỢP) Trải qua q trình lựa chọn mơ hình ARIMA ước lượng tham số nó, ta tìm hiểu xem mơ hình lựa chọn có phù hợp với liệu mức chấp nhận hay không Cơ sở để lựa chọn mơ hình gồm: (1) Tiêu chuẩn thông tin (Information Criteria) Ba tiêu chuẩn thông tin phổ biến thường sử dụng tiêu chuẩn thông tin Akaike Information Criterion (AIC); tiêu chuẩn thông tin Schwarzs-Bayesian Information Criterion (SBIC) tiêu chuẩn thông tin Hannan-Quinn Information Criterion (HQIC): ^ k σ T k AIC = ln( 2) + ^ SBIC = ln( 2) + σ ^ lnT T k HQIC = ln( 2) + σ ln(lnT) T Akaike Information Criterion (AIC) số ước lượng out-of-mẫu lỗi dự đoán chất lượng tương đối mơ hình thống kê cho tập hợp liệu Đưa tập hợp mơ hình cho liệu, AIC ước tính lượng thông tin tương đối bị mô hình định: mơ hình thơng tin chất lượng mơ hình cao AIC đo độ biến động sai số, lý số AIC thấp tôt, mô hình dự báo xác Schwarzs-Bayesian Information Criterion (SBIC) Hannan-Quinn Information Criterion (HQIC) tiêu chí tin cậy khác cho việc lựa chọn mơ hình số mơ hình hữu hạn, mơ hình có SBIC HQIC thấp ưu thích Bởi tiêu chí thơng tin phụ thuộc vào ^2 phương sai phần dư, nên σ tiêu chí nhỏ mơ hình phù hợp (2) Sự phù hợp mơ hình thể qua hệ số R2 R2 hiệu chỉnh (Adjusted R2): Mặc dù phù hợp mơ hình qua hệ số R hiệu chỉnh không sử dụng làm sở ưu tiên lựa chọn mơ hình chuỗi thời gian R thường trở nên lớn tham số thêm vào mơ hình Nhưng phù hợp mơ hình tiêu chí quan để đánh giá khả giải thích mơ hình R2 hệ số xác định cho biết mức độ phù hợp mơ hình nghiên cứu với ý nghĩa biến Đồng thời cịn giải thích nhân tố phụ thuộc đạt phần trăm q trình nghiên cứu Giá trị R cao chứng tỏ mô hình hồi quy phù hợp Adjusted R2 hệ số hiệu chỉnh nghiên cứu giúp khắc phục nhược điểm R bình phương thơng thường Hệ số cho phép ta đo độ thích hợp ta thêm tham số Qua giúp giảm phức tạp mơ hình Giá trị Adjusted R cao chứng tỏ mơ hình hồi quy phù hợp Từ Bước ta tiến hành lựa chọn mơ hình tốt từ 10 mơ hình tích hợp ARIMA (p, d, q) với tiêu chí mơ hình phải vượt qua tất kiểm định, có R2 Adjusted R2 cao tiêu chuẩn thơng tin thấp, so sánh tiêu ta có bảng sau: STT 10 Kết luận: Từ mơ hình thấy rõ Mơ hình 1, mơ hình có R Adjusted R2 (R2 hiệu chỉnh) cao tương ứng tiêu chuẩn thông tin AIC, SBIC HQIC thấp Ngoài mơ hình cịn đạt tiêu chí AR dừng MA khả nghịch Với điều kiện Mơ hình 1, mơ hình phù hợp để lựa chọn dự báo tốt BƯỚC 7: CHỌN MƠ HÌNH THÍCH HỢP Đối với quan sát dự báo, tính xác (accuracy) dự báo đánh giá dựa sai số dự báo (forecast error) Sai số dự báo chênh lệch giá trị thực tế giá trị dự báo cho nhằm đánh giá chất lượng hay phù hợp mơ hình dự báo thời điểm Trong eviews gồm loại số sai số dự báo: + Sai số bình phương trung bình - MSE + Sai số trị tuyệt đối trung bình - MAE + Sai số phần trăm trị tuyệt đối trung bình - MAPE ● Sai số bình phương trung bình (MSE - Mean Square Error) - Là biện pháp thường sử dụng khác biệt giá trị dự đốn mơ hình hay ước lượng giá trị quan sát - Đại diện cho bậc hai thời điểm mẫu thứ hai khác biệt giá trị dự đoán giá trị quan sát giá trị trung bình bậc hai khác biệt - Các độ lệch gọi phần dư phép tính thực mẫu liệu sử dụng để ước tính - MSE thước đo độ xác, để so sánh lỗi dự báo mơ hình khác cho tập liệu cụ thể liệu, phụ thuộc vào quy mơ - Công thức: MSE= ● Sai số trị tuyệt đối trung bình (MAE - Mean absolute error) - MAE đo lường mức độ trung bình lỗi tập hợp dự đốn mà khơng xem xét hướng chúng Đó trung bình mẫu thử nghiệm khác biệt tuyệt đối dự đoán lượng quan sát thực tế, tất khác biệt với trọng số - Công thức: MAE= ● Sai số phần trăm trị tuyệt đối trung bình (MAPE - Mean absolute percentage error) - Là thước đo thống kê mức độ xác hệ thống dự báo Nó đo độ xác theo phần trăm tính sai số phần trăm tuyệt đối trung bình cho khoảng thời gian trừ giá trị thực chia cho giá trị thực - MAPE phản ánh giá trị dự báo sai khác phần trăm so với giá trị trung bình - Cơng thức: MAPE= Mơ hình 1: ARIMA (1,1,1) (2,1,2) Mơ hình 4: ARIMA (1,1,1) (15,1,19) Mơ hình 10: ARIMA (1,1,1) (30,1,31) Từ mơ hình ta có sai số mơ sau: MƠ HÌNH Nhận xét: Trong mơ hình, ta thấy mơ hình 1: ARIMA (1,1,1) (2,1,2) có sai số bé Như bảng trên, mơ hình có RMSE nhỏ mơ hình lại có MAE nhỏ Tuy nhiên ta nên lựa chọn mơ hình RMSE quan trọng có ưu điểm sau: - RMSE độ lệch chuẩn phần dư (lỗi dự đoán) Phần dư thước đo khoảng cách từ điểm liệu đường hồi quy; RMSE thước đo mức độ lan truyền phần dư Nói cách khác, cho biết mức độ tập trung liệu xung quanh dòng phù hợp - RMSE phục vụ để tổng hợp cường độ lỗi dự đoán nhiều thời điểm khác thành thước đo sức mạnh dự đoán RMSE thước đo độ xác, để so sánh lỗi dự báo mơ hình khác cho tập liệu cụ thể, phụ thuộc vào quy mơ - RMSE có độ tin cậy cao R2 (có số mơ hình nghiên cứu gần khơng chấp nhận R2 mà chấp nhận tiêu cho cao R2 RMSE) - RMSE thước đo mức độ hiệu mô hình Nó thực điều cách đo khác biệt giá trị dự đoán giá trị thực tế RMSE nhỏ tức sai số bé mức độ ước lượng cho thấy độ tin cậy mơ hình đạt cao Kết luận: Mơ hình 1: ARIMA (1,1,1) (2,1,2) xem mơ hình tốt mơ hình BƯỚC 8: CẬP NHẬT KẾT QUẢ ĐẾN NGÀY 8/10 KẾT QUẢ MƠ HÌNH TỐT NHẤT NHƯ SAU: Thêm sở liệu cập nhật đến ngày 7/10 sau: Do mơ hình 1: ARIMA tốt (1,1,1) (2,1,2) mơ hình nhất, chọn có sai số bé nhất, nên ta chạy mơ hình liệu mới, cụ thể sau: Ta có: LS SPBSI C AR(1) AR(2) MA(1) MA(2) BƯỚC 9: KIỂM ĐỊNH HIỆU ỨNG ARCH/GARCH A Mơ hình ARCH (q): Tinh thần quan trọng Mơ hình ARCH/GARCH ước lượng rủi ro tài sản tài hay ước lượng mức độ biến động biến kinh tế vĩ mơ Mơ hình ARCH GARCH xây dựng sở lý thuyết trình nghiên cứu thường hay gặp trường hợp ảnh hưởng từ thông tin tốt xấu mà định lượng được, tác động thơng tin tập trung u, kéo theo khả phương sai hạng nhiễu thay đổi theo thời gian Ý tưởng mơ hình ARCH (Autoregressive conditional heteroscedastic), cịn gọi mơ hình phương sai có điều kiện sai số thay đổi tự hồi quy: phương sai số hạng nhiễu thời điểm t phụ thuộc vào số hạng nhiễu bình phương giai đoạn trước ARCH(q): Y t =β0 + β1 Y t −1 + β2 Y t−2 +…+ βq ut −q+ut Xác định giả thuyết: H : ⍺1=⍺2= =⍺q => Mơ hình khơng có hiệu ứng ARCH H 1: Có số ⍺ khác => Mơ hình có hiệu ứng ARCH Ta tính R2 *T với T số quan sát chuỗi liệu xem xét aux χ 2 > χ (q): bác bỏ giả thiết H0 => Mơ hình có hiệu ứng ARCH ➢ Nhược điểm mơ hình ARCH: - Nhược điểm Mặc dù mơ hình ARCH ước lượng mức độ rủi ro biến kinh tế thơng qua mơ hình phương sai có điều kiện sai số thay đổi Tuy nhiên: • Mơ hình ARCH dựa giả thiết cú sốc dương cú sốc âm có mức độ ảnh hưởng đến độ rủi ro thơng qua việc bình phương nhiễu u t-1 Tuy nhiên, ta biết thực tế, thông thường biến động từ lợi suất (biến kinh tế) tin tức xấu để lại mức độ ảnh hưởng mạnh dài lâu so với tin tức tốt, đó, tin tức xấu thơng thường tạo nên rủi ro mạnh so với tin tốt • Nếu thực mơ hình ARCH sử dụng nhiều độ trễ, điều đồng nghĩa mơ hình ta làm số lượng bậc tự lớn mơ hình, đó, kết thiếu xác ➢ Điều kiện ARCH(q): Phương trình phương sai có điều kiện có hai ràng buộc quan trọng: • Ràng buộc khơng âm (non-negativity constraint): α > 0, α ≥ Do σ t phương sai có điều kiện, giá trị phải ln dương (> 0) Ngồi ra, tất biến số vế phải phương trình phương sai có điều kiện bình phương, vậy, phương sai có điều kiện khơng thể âm Để đảm bảo phương sai có điều kiện ln dương, hệ số∀ước lượng phương trình phương sai có điều kiện khơng âm: αi ≥ i = 0, 1, 2, … , q • Ràng buộc dừng: α < Phương trình phương sai có điều kiện xem q trình AR(1) Chính ràng buộc để đảm bảo q trình AR(1) dừng B Mơ hình GARCH (p, q) Ý tưởng mơ hình GARCH (p, q): Phương sai nhiễu mơ hình khơng phụ thuộc vào biến trễ hạng nhiễu bình phương (các cú shock) mà phụ thuộc vào giá trị khứ biến động phương sai nhiễu Mơ hình GARCH (p, q) có dạng Y t =β0 +β1 Y t −1 +β2 Y t−2 +θ1 ut−1 +ut ut ∼N (0; σ2t) ^ σ t α 0> 0; αi> với i = 1…q; β j >0 với j= 1… p max ( p ,q ) ∑ i , j=1 ➢ Nhược điểm mơ hình GARCH: ( αi + β j ) 0, α ≥ 0, β ≥ 0; ràng buộc dừng: α + β < Mơ hình GARCH cho phép giải thích phương sai phù hợp hành, σ 2t, hàm có trọng số của: (i) giá trị trung bình dài hạn (phụ α thuộc vào 0); (ii) thông tin biến động giai đoạn trước (α1 u2t−1); (iii) phương sai phù hợp từ mơ hình giai đoạn trước ( σ 2t−1) ➢ Thực hành eviews: Ta có cặp giả thiết: H0 : Mơhình khơngcóhiệu ứng ARCH❑ H 1: có số ⍺ khác (mơ hình có hiệu ứng ARCH) Với 0,01; 0,05 0,1 ta có:P-value=0,0000< Bước 10: Thực mơ hình ARCH(5) GARCH (1,2) từ mơ hình ARIMA (1,1,1) (2,1,2) tốt nhất: Thực mơ hình ARCH(5): Ta có ARCH (5) là: σ^ t = 0.015 + 0.234 u^2t−1+0.175 u^2t−2 +0.166u^2t−3+0.154u^2t−4+0.0.536u^2t−5 Thực mơ hình GARCH(1,2): GARCH (1,2) là: σ^ 2t= 0.0007 + 0.2026 u^2t−1 - 0.0389 u^2t−2+ 0.7908σ^ t−1 Ta thấy chạy mơ hình ARCH (5) thoả điều kiện ràng buộc khơng âm ràng buộc dừng Bên cạnh mơ hình GARCH (1,2) thoả điều kiện có ràng buộc khơng âm ràng buộc dừng mơ hình ... dịch: Công ty TNHH Chứng khoán Ngân hàng Đầu tư Phát triển Việt Nam (BSC) , Công ty vinh dự trở thành Công ty chứng khoán ngành ngân hàng tham gia kinh doanh lĩnh vực chứng khoán hai cơng ty chứng. .. chọn dự báo tốt BƯỚC 7: CHỌN MƠ HÌNH THÍCH HỢP Đối với quan sát dự báo, tính xác (accuracy) dự báo đánh giá dựa sai số dự báo (forecast error) Sai số dự báo chênh lệch giá trị thực tế giá trị dự. .. http://www .bsc. com.vn/ Các lĩnh vực kinh doanh bao gồm Mơi giới chứng khốn; Tự doanh chứng khốn; Bảo lãnh phát hành chứng khốn; Tài bảo hiểm… PHÂN TÍCH DỰ BÁO VỀ GIÁ CỦA MÃ CHỨNG KHỐN BSI Nguồn liệu lấy