Tiểu luận:ỨNG DỤNG TIN HỌC TRONG DỰ BÁO VÀ PHÂN TÍCH DỮ LIỆU TÀI CHÍNH, CHỨNG KHOÁN

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN LỚP CAO HỌC CNTT QUA MẠNG – KHĨA BÀI THU HOẠCH MƠN HỌC: PHƯƠNG PHÁP NGHIÊN CỨU KHOA HỌC TRONG TIN HỌC ĐỀ TÀI: ỨNG DỤNG TIN HỌC TRONG DỰ BÁO VÀ PHÂN TÍCH DỮ LIỆU TÀI CHÍNH, CHỨNG KHỐN Giảng viên: GS TSKH Hoàng Kiếm Sinh viên thực hiện: Nguyễn Hoàng Hạc MSSV: CH1101081 TP HCM, NĂM 2012 Mở đầu Khoa học công nghệ đặc trưng thời đại, nghiên cứu khoa học trở thành hoạt động sôi rộng khắp phạm vi toàn cầu thành tựu khoa học đại làm thay đổi mặt giới Khoa học công nghệ trở thành động lực thúc đẩy tiến nhân loại Cùng với nghiên cứu khoa học đại, người ý đến phương pháp nhận thức khoa học, coi nhân tố quan trọng để phát triển khoa học Theo Gaudin, lòng với vốn kiến thức hạn hẹp thu nhận năm ngồi ghế nhà trường, mà phải học suốt đời, phải có đủ vốn kiến thức phương pháp để tự học tập suốt đời Kiến thức phương pháp tích lũy kinh nghiệm lao động hay tích lũy trình nghiên cứu khoa học cụ thể, song thân phương pháp có hệ thống lý thuyết riêng Trong phạm vi thu hoạch nhỏ này, chúng em trình bày số vấn đề phương pháp nghiên cứu khoa học nói chung đặc biệt ngành tin học Qua đây, chúng em xin gửi lời cảm ơn đến Giáo sư - Tiến sĩ Khoa học Hoàng Kiếm, người tận tâm truyền đạt kiến thức tảng cho chúng em môn học “Phương pháp nhiên cứu khoa học tin học” Bên cạnh khơng thể khơng nhắc đến cơng lao trợ giúp chuyên gia cố vấn qua mạng thuộc Trung tâm phát triển CNTT – ĐH Quốc gia TP.HCM toàn thể bạn bè học viên lớp MỤC LỤC Mở đầu PHẦN I: GIỚI THIỆU I Cơ sở lý thuyết dự báo phương pháp định lượng I.1 Dự báo chuỗi thời gian I.2 Dự báo mơ hình nhân II Ứng dụng phương pháp định lượng dự báo thị trường chứng khoán II.1 Dự báo chuỗi thời gian II.2 Dự báo mơ hình nhân II.3 Dự báo mạng thần kinh (Neural Network) 10 PHẦN II: MƠ HÌNH ARIMA 12 I Mơ hình ARIMA 12 I.1 Hàm tự tương quan ACF 12 I.2 Hàm tự tương quan phần PACF 14 II Mơ hình AR(p) 17 III Mơ hình MA(q) 18 IV Sai phân I(d) 18 V Mơ hình ARIMA 19 VI Các bước phát triển mơ hình ARIMA 20 VI.1 Xác định mơ hình: 20 VI.2 Ước lượng tham số: 20 VI.3 Kiểm định độ xác: 20 VI.4 Dự báo : 21 PHẦN III: ÁP DỤNG MƠ HÌNH ARIMA VÀO BÀI TỐN PHÂN TÍCH DỮ LIỆU CHỨNG KHOÁN 22 I Mơ hình ARIMA cho dự báo tài chính, chứng khoán 22 I.1 Dữ liệu tài 22 I.2 Mô hình ARIMA cho tốn dự báo tài 22 I.3 Thiết kế mô hình ARIMA cho liệu 23 I.3.1 Chọn tham biến 23 I.3.2 Chuẩn bị liệu .23 I.3.3 Xác định thành phần p, q mơ hình ARMA 24 I.3.4 Ước lượng thông số mơ hình kiểm định mơ hình phù hợp 24 I.3.5 Kiểm tra mô hình phù hợp .24 I.3.6 Dự báo ngắn hạn mơ hình 25 II Áp dụng 25 II.1 Dữ liệu 25 II.2 Nhận dạng mơ hình 26 II.3 Ước lượng kiểm định với mô hình ARIMA 27 II.4 Thực dự báo 30 II.5 Kết luận 31 Tài liệu tham khảo: 32 PHẦN I: GIỚI THIỆU Dự báo giá cổ phiếu, biến động thị trường chủ đề thú vị, thu hút quan tâm nhiều nhà đầu tư, chuyên gia, nhà khoa học Hiện nay, nhiều phương pháp dự báo phát triển để dự báo xu hướng biến động giá cổ phiếu, thị trường tìm kiếm cổ phiếu tiềm để đầu tư Ở Việt Nam, phương pháp phân tích dự báo nhiều người biết đến phân tích kỹ thuật phân tích Bên cạnh đó, phương pháp phân tích dự báo định lượng thơng q mơ hình tốn học dần quan tâm Trong tiểu luận giới thiệu nguyên tắc phương pháp dự báo định lượng Tôi cho phương pháp hiệu giúp hạn chế khiếm khuyết phương pháp dự báo phổ biến phân tích kỹ thuật phân tích Dự báo thị trường phương pháp định lượng sử dụng cách phổ biến giới Nhiều quỹ đầu tư thiết lập hệ thống giao dịch tự động phương pháp định lượng (quantitative trading) Hiệu từ phương pháp chứng minh nhiều thị trường Ưu điểm phương pháp dự báo định lượng tín hiệu đưa khách quan, dựa vào tiêu chí tiêu thống kê từ mơ hình Những tín hiệu mua bán đưa dựa phân tích khách quan nên giảm thiểu sai sót yếu tố người Dù vậy, lạm dụng mức phương pháp tạo hệ xấu I Cơ sở lý thuyết dự báo phương pháp định lượng Các phương pháp định lượng dùng để dự báo dựa mơ hình tốn với giả định mối liên hệ yếu tố thiết lập khứ lặp lại tương lai Nói cách khác phương pháp định lượng dựa liệu khứ để phát chiều hướng vận động tương lai yếu tố theo quy luật Để dự báo diễn biến tương lai biến, người ta sử dụng mơ hình chuỗi thời gian sử dụng biến nhân Ngoài ra, người ta sử dụng phương pháp phức tạp Neural Network I.1 Dự báo chuỗi thời gian Các mơ hình dự báo chuỗi thời gian dự báo giá trị tương lai biến số đó, cách phân tích số liệu q khứ biến số Giả định dự báo chuỗi thời gian vận động tương lại biến dự báo giữ nguyên xu vận động khứ Như vậy, có chuỗi ổn định đưa dự báo tin cậy Tính ổn định chuỗi liệu thể qua tính “dừng”, điều kiện quan trọng để phân tích dự báo chuỗi thời gian Dự báo khứ gọi dự báo hậu nghiệm dự báo giai đoạn tương lai gọi dự báo tiền nghiệm Toàn dự báo phân chia làm giai đoạn dự báo hậu nghiệm (ex-post) dự báo tiền nghiệm (ex-ante) - Giai đoạn dự báo hậu nghiệm: Là thời gian từ quan sát sau chấm dứt giai đoạn mẫu Yn+1 tới quan sát YN Giai đoạn hậu nghiệm giai đoạn kiểm nghiệm xác tính dự báo mơ hình Nếu mơ hình khơng đảm bảo độ xác theo u cầu lúc người dự báo cần tìm giải pháp khác tìm kiếm mơ hình thay mở rộng mẫu dự báo - Giai đoạn dự báo tiền nghiệm: Là giai đoạn dự báo tương lai Đây mục tiêu dự báo, chưa xảy nên so sánh Tuy vậy, số tiêu chí thống kê cho đánh giá mức độ tin cậy mô hình Tồn q trình dự báo tóm tắt sơ đồ sau: I.2 Dự báo mô hình nhân Mơ hình dự báo dựa tác động qua lại yếu tố với nhau, biến dự báo (biến phụ thuộc) có quan hệ nhân với biến khác (biến độc lập) Để thực dự báo theo mơ hình nhân người làm dự báo dựa lý thuyết kinh tế, tài chính, nghiên cứu thực nghiệm có liên quan, kinh nghiệm thực tế Trước xây dựng mơ hình người làm dự báo phải thiết lập sở lý thuyết, mối liên hệ biến phụ thuộc (biến dự báo) biến số khác (biến độc lập) Sau xác định bước cần phải tiến hành thu thập liệu, xây dựng, ước lượng mơ hình, kiểm định giả thuyết cuối thực dự báo II Ứng dụng phương pháp định lượng dự báo thị trường chứng khốn Chúng ta vừa tìm hiểu ngun lý chung dự báo kinh tế Sự biến động thị trường chứng khoán phản ánh sức khỏe kinh tế kỳ vọng nhà đầu tư Cơ sở lý thuyết cho việc dự báo biến động thị trường chứng khoán chứng minh rộng rãi Nhiệm vụ nhà dự báo thiết lập mơ hình để dự báo xu thị trường tương lai Thực tế phải chấp nhận khơng có mơ hình hoàn hảo để dự báo biến động thị trường Việc dự báo định lượng sai sót gặp cú sốc biến số ngồi mơ hình khiến thị trường đảo chiều cách đột ngột Ngoài ra, nguồn liệu đầu vào không thu thập cách khoa học, xác làm cho tính dự báo thiếu xác Tại Việt Nam, nghiên cứu định lượng để dự báo thị trường chứng khoán xuất chưa nhiều Nguyên nhân lực lượng người làm dự báo có đủ trình độ chun mơn để thực phép tốn phức tạp Ngoài ra, số liệu kinh tế, doanh nghiệp thị trường chưa đủ dài độ tin cậy chưa cao nên việc thực dự báo trở nên khó khăn Dưới đây, Tơi xin đưa số phương pháp dự báo sau: II.1 Dự báo chuỗi thời gian Sử dụng chuỗi thời gian để dự báo giá cổ phiếu số thị trường sử dụng nhiều Phương pháp dự báo có ưu điểm sử dụng số liệu theo chuỗi thời gian nên phù hợp cho dự báo thị trường chứng khoán Tuy nhiên, nhược điểm khơng hiệu việc dự báo xu dài hạn thị trường Mơ hình chuỗi thời gian thường sử dụng mơ hình ARIMA phương pháp Box-Jenkins Mơ hình ARIMA (Autoregressive Integrated Moving Average - Tự hồi qui tích hợp Trung bình trượt), George Box Gwilym Jenkins (1976) nghiên cứu Phương pháp Box-Jenkins bao gồm bốn bước: nhận dạng mô hình thử nghiệm; ước lượng; kiểm định chẩn đốn; dự báo Mơ hình sử dụng để dự báo rủi ro ARCH/GARCH ARCH/GARCH sử dụng phổ biến ngành tài để dự báo rủi ro Mơ hình dùng để dự báo độ giao động suất sinh lời cổ phiếu theo thời gian Mơ hình ARCH (Autogressive Conditional Heteroskedasticity) Robert Engle Clive Granger phát triển năm 1982 Mơ hình GARCH (Generalised Autogressive Conditional Heteroskedasticity) Tim Bollerslev đề xuất năm 1986 để khắc phục hạn chế ARCH Ngày nay, GARCH sử dụng cách phổ biến phù hợp với số liệu chuỗi thời gian ngắn giá cổ phiếu thị trường II.2 Dự báo mơ hình nhân Mơ hình nhân thường sử dụng số liệu bảng Trong dự báo chứng khoán, biến phụ thuộc (biến cần dự báo) suất sinh lời cổ phiếu, thị trường hay giá cổ phiếu số thị trường Trong đó, biến độc lập biến số kinh tế lạm phát, thất nghiệp, cung tiền, tăng trưởng công nghiệp, tăng trưởng bán lẻ, niềm tin tiêu dùng … biến số liên quan đến doanh nghiệp lợi nhuận, tăng trưởng, giá hàng hóa liên quan đến q trình sản xuất doanh nghiệp Nói tóm lại yếu tố tác động đến biến động thị trường, giá cổ phiếu trở thành biến độc lập sử dụng cho dự báo Phương pháp sử dụng mơ hình hồi quy để tìm mối liên hệ biến phụ thuộc biến độc lập Qua mơ hình hồi quy, dự báo xu nhân tố tác động đến biến động giá chứng khoán hay thị trường Ưu điểm phương pháp dự báo cách xác xu hướng biến động dài hạn giá cổ phiếu hay thị trường Tuy nhiên, việc thu thập liệu cơng việc khó khăn tốn nhiều chi phí Đối với Việt Nam, liệu doanh nghiệp kinh tế cịn nên áp dụng phương pháp dự báo trở nên khó khăn II.3 Dự báo mạng thần kinh (Neural Network) Lý thuyết Neural Network phát triển từ năm 1940 đến ứng dụng rộng rãi nhiều lĩnh vực Lý thuyết Neural Network nhanh chóng trở thành hướng nghiên cứu triển vọng mục đích xây dựng máy thơng minh tiến gần tới trí tuệ người Đối với lĩnh vực chứng khoán, Neural Network sử dụng để dự báo thị trường, giá cổ phiếu Neural Network xây dựng xuất phát từ thực tế não người Có thể coi não máy tính hay hệ thống xử lý thông tin song song, phi tuyến phức tạp Bộ não có khả tự tổ chức phận cấu thành nó, tế bào thần kinh (neural) hay khớp nối thần kinh (synapse), nhằm thực số tính tốn nhận dạng mẫu điều khiển vận động nhanh nhiều lần máy tính nhanh Sự mô não người mạng neural dựa sở số tính chất đặc thù rút từ nghiên cứu thần kinh sinh học Dữ liệu đầu vào để thực dự báo Neural Network đa dạng tùy thuộc vào trình độ, kinh nghiệm, mục tiêu dự báo sở liệu mà người làm dự báo có Thơng thường liệu bao gồm liệu liên quan đến giao dịch cổ phiếu thị trường giá, khối lượng… Ngoài ra, liệu kinh tế, liệu doanh nghiệp làm đầu vào cho trình dự báo Các thông tin đầu vào xử lý thuật tốn phức tạp thơng qua tiến trình mơ việc xử lý thông tin não người 10 Mơ hình AR(1): y(t) = a0 + a1y(t-1) + e(t) Mơ hình AR(2): y(t) = a0 + a1y(t-1) + a2y(t-2) +e(t) III Mơ hình MA(q) Quan sát dừng y(t) hàm tuyến tính phụ thuộc biến sai số dự báo khứ Mơ hình bình qn di động trung bình trọng số sai số y(t) = b0 + e(t) +b1e(t-1) + b2e(t-2) + +bqe(t-q) Trong đó: y(t): quan sát dừng e(t): sai số dự báo ngẫu nhiên, giá trị khơng biết giá trị trungbình e(t-1), e(t-2), : sai số dự báo khứ (thông thường mơ hình sử dụng khơng q biến này) b0, b1, b2, : giá trị trung bình y(t) hệ số bình quân di động q: sai số q khứ dùng mơ hình bình qn di động, ta sử dụng hai sai số khứ có mơ hình bình qn di động bậc MA(2) Điều kiện cần tổng hệ số bình quân di động phải nhỏ : b1 + b2 + + bq < Mơ hình MA(1): y(t) = b0 + e(t) + b1e(t-1) Mơ hình MA(2): y(t) = b0 + e(t) + b1e(t-1) + b2e(t-2) IV Sai phân I(d) Chuỗi dừng: Chuỗi thời gian coi dừng trung bình phương sai khơng đổi theo thời gian giá trị đồng phương sai hai thời đoạn phụ thuộc vào khoảng cách độ trễ thời gian hai thời đoạn không phụ thuộc vào thời điểm thực tế mà đồng phương sai tính Sai phân khác giá trị giá trị trước Phân tích sai phân nhằm làm cho ổn định giá trị trung bình chuỗi liệu, giúp cho việc chuyển đổi chuỗi thành chuỗi dưng Sai phân lần I(1): z(t) = y(t) Sai phân lần I(2): h(t) = z(t) – z(t-1) 18 V Mơ hình ARIMA Mơ hình ARMA(p,q): mơ hình hỗn hợp AR MA Hàm tuyến tính bao gồm quan sát dừng khứ sai số dự báo khứ : y(t)=a0+ a1y(t-1)+ a2y(t-2)+ +apy(t-p)+e(t)+b1e(t-1)+b2e(t-2)+ + bqe(t-q) Trong : y(t) : quan sát dừng y(t-p), e(t-q) : quan sát dừng sai số dự báo khứ a0, a1, a2, , b1, b2, : hệ số phân tích hồi quy Ví dụ : ARMA(1,2) mơ hình hỗn hợp AR(1) MA(2) Đối với mơ hình hỗn hợp dạng (p,q) = (1,1) phổ biến Tuy nhiên, giá trị p q xem độ trễ cho ACF PACF quan trọng sau Cả hai điều kiện bình quân di động điều kiện dừng phải thỏa mãn mơ hình hỗn hợp ARMA Mơ hình ARIMA(p,d,q): Do mơ hình Box-Jenkins mơ tả chuỗi dừng chuỗi sai phân hóa, nên mơ hình ARIMA(p,d,q) thể chuỗi liệu khơng dừng, sai phân (ở đây, d mức độ sai phân) Khi chuỗi thời gian dừng lựa chọn (hàm tự tương quan ACF giảm đột ngột giảm nhanh), mơ hình dự định cách nghiên cứu xu hướng hàm tự tương quan ACF hàm tự tương quan phần PACF Theo lý thuyết, hàm tự tương quan ACF giảm đột biến hàm tự tương quan phần PACF giảm mạnh có mơ hình tự tượng quan Nếu hàm tự tương quan ACF hàm tự tương quan phần PACF giảm đột ngột có mơ hình hỗn hợp Về mặt lý thuyết, khơng có trường hợp hàm tự tương quan ACF hàm tự tương quan phần giảm đột ngột Trong thực tế, hàm tự tương quan ACF hàm tự tương quan phần PACF giảm đột biến nhanh Trong trường hợp này, nên phân biệt hàm giảm đột biến nhanh hơn, hàm lại xem giảm Do đơi lúc có trường hợp giảm đột biến đồng thời quan sát biểu đồ hàm tự tương quan ACF hàm tự tương quan phần PACF, biện pháp khắc phục tìm vài dạng hàm dự định khác cho chuỗi thời gian dừng Sau đó, kiểm tra độ xác mơ hình tốt Mơ hình ARIMA (1, 1, 1): y(t) – y(t-1) = a0 + a1(y(t-1) – y(t-2) + e(t) + b1e(t-1)) Hoặc: 19 z(t) = a0 + a1z(t-1) + e(t) + b1e(t-1) Với z(t) = y(t) – y(t-1) sai phân đầu tiên: d = Tương tự ARIMA(1,2,1): h(t) = a0 + a1z(t-1) + e(t) + b1e(t-1), Với h(t) = z(t) – z(t-1) sai phân thứ hai: d = Trong thực hành d lớn sử dụng VI Các bước phát triển mơ hình ARIMA Phương pháp Box – Jenkins bao gồm bước chung:  Xác định mơ hình  Ước lượng tham số  Kiểm định độ xác  Dự báo VI.1 Xác định mơ hình: Mơ hình ARIMA áp dụng chuỗi dừng Mơ hình trình bày theo dạng AR, MA hay ARMA Phương pháp xác định mô hình thường thực qua nghiên cứu chiều hướng biến đổi hàm tự tương quan ACF hay hàm tự tương quan phần PACF Chuỗi ARIMA không dừng : cần phải chuyển đồi thành chuỗi dừng trước tính ước lượng tham số bình phương tối thiểu Việc chuyển đổi thực cách tính sai phân giá trị quan sát dựa vào giả định phần khác chuỗi thời gian xem xét tương tự, ngoại trừ khác biệt giá trị trung bình Nếu việc chuyển đổi không thành công, áp dụng tiếp kiểu chuyển đổi khác (chuyển đồi logarithm chẳng hạn) VI.2 Ước lượng tham số: Tính ước lượng khởi đầu cho tham số a0, a1,…, ap, b1, …, bq mơ hình dự định Sau xây dựng ước lượng sau trình lặp VI.3 Kiểm định độ xác: Sau tham số mơ hình tổng qt xây dựng, ta kiểm tra mức độ xác phù hợp mơ hình với liệu Chúng ta kiểm định phần dư (Yt –Y^t) có ý 20 nghĩa mối quan hệ tham số Nếu kiểm định khơng thỏa mãn, mơ hình nhận dạng lại bước thực lại VI.4 Dự báo : Khi mơ hình thích hợp với liệu tìm được, ta thực dự báo thời điểm t Do đó, mơ hình ARMA(p,q) : y(t+1) = a0 + a1y(t) + … + apy(t – p + 1) + e(t+1) + b1e(t) + … + bqe( t – q + 1) 21 PHẦN III: ÁP DỤNG MƠ HÌNH ARIMA VÀO BÀI TỐN PHÂN TÍCH DỮ LIỆU CHỨNG KHỐN I Mơ hình ARIMA cho dự báo tài chính, chứng khốn I.1 Dữ liệu tài Dữ liệu sử dụng liệu chuỗi thời gian Đặc điểm để phân biệt liệu có phải thời gian thực hay khơng tồn cột thời gian đính kèm đối tượng quan sát Nói cách khác, liệu thời gian thực chuỗi giá trị quan sát biến Y: Y = {y1, y2, y3,…, yt-1, yt, yt+1, …, yn} với yt giá trị biến Y thời điểm t Mục đích việc phân tích chuỗi thời gian thực thu mơ hình dựa giá trị khứ biến quan sát y1, y2, y3,…, yt-1, yt cho phép ta dự đoán giá trị biến Y tương lai, tức dự đoán giá trị yt+1, yt+2,…yn Trong toán chúng ta, liệu chứng khoán biết tới chuỗi thời gian đa dạng có nhiều thuộc tính ghi thời điểm Với liệu xét, thuộc tính : Open, High, Low, Close, Volume Open : Giá cổ phiếu thời điểm mở cửa ngày High : Giá cổ phiếu cao ngày Low : Giá cổ phiếu thấp ngày Close : Giá cổ phiếu niêm yết thời điểm đóng sàn giao dịch Volume : Khối lượng giao dịch cổ phiếu (bán, mua) ngày I.2 Mơ hình ARIMA cho tốn dự báo tài Dựa vào trình tự phương pháp luận (Phần I) cấu trúc hoạt động mơ hình ARIMA (trong Phần II) Để áp dụng mơ hình ARIMA vào tốn dự báo tài chính, ta xây dựng mơ hình dự báo Mơ hình gồm q trình chính: Xác định mơ hình: Với đầu vào tập liệu chuỗi thời gian tài giúp cho việc xác định ban đầu thành phần mơ hình p, d, q, S 22 Ước lượng, kiểm tra : Mơ hình ARIMA phương pháp lặp, sau xác định thành phần, mơ hình ước lượng tham số, sau kiểm tra độ xác mơ hình: Nếu hợp lý, tiếp bước sau, khơng hợp lý, quay trở lại bước xác định Dự báo: Sau xác định tham số, mơ hình đưa dự báo cho ngày I.3 Thiết kế mơ hình ARIMA cho liệu Việc thiết kế thành cơng mơ hình ARIMA phụ thuộc vào hiểu biết rõ ràng vấn đề, mơ hình, dựa vào kinh nghiệm chuyên gia dự báo… Trong q trình tìm hiểu, khóa luận đưa bước để xây dựng mơ sau : Chọn tham biến Chuẩn bị liệu  Xác định tính dừng chuỗi liệu  Xác định yếu tố mùa vụ  Xác định yếu tố xu Xác định thành phần p, q mơ hình ARMA Ước lượng tham số chẩn đốn mơ hình phù hợp Dự báo ngắn hạn I.3.1 Chọn tham biến Hướng tiếp cận phổ biến liệu tài tập trung xây dựng mơ hình dự báo giá cổ phiếu đóng cửa sau kết thúc phiên giao dịch (Close) I.3.2 Chuẩn bị liệu  Xác định tính dừng chuỗi liệu : Dựa vào đồ thị chuỗi đồ thị hàm tự tương quan  Nếu đồ thị chuỗi Y = f(t) cách trực quan chuỗi coi dừng đồ thị chuỗi cho trung bình phương sai không đổi theo thời gian (chuỗi dao động quanh giá trị trung bình chuỗi)  Dựa vào đồ thị hàm tự tương quan ACF đồ thị cho ta chuỗi giảm mạnh tắt dần sau q độ trễ  Xác định yếu tố mùa vụ cho chuỗi liệu: Dựa vào đồ thị chuỗi liệu Y=(t) 23  Xác định yếu tố xu cho chuỗi liệu I.3.3 Xác định thành phần p, q mơ hình ARMA Sau loại bỏ thành phần: Xu thế, mùa vụ, tính dừng liệu trở thành dạng áp dụng mơ hình ARMA cho q trình dự báo Việc xác định thành phần p q  Chọn mơ hình AR(p) đồ PACF có giá trị cao độ trễ 1, 2, …, p giảm nhiều sau p dạng hàm ACF giảm dần  Chọn mơ hình MA(q) đồ thị ACF có giá trị cao độ trễ 1, 2, …, q giảm nhiều sau q dạng hàm PACF giảm dần I.3.4 Ước lượng thơng số mơ hình kiểm định mơ hình phù hợp Có nhiều phương pháp khác để ước lượng Ở đây, phạm vi đề tài tập trung vào: Khi chọn mơ hình, hệ số mơ hình ước lượng theo phương pháp tối thiểu tổng bình phương sai số Kiểm định hệ số a, b mơ hình thống kê t Ước lượng sai số bình phương trung bình phần dư S2: ∑ ∑ Trong đó:  et = Yt – Y^t = phần dư thời điểm t  n = số phần dư  r = tổng số hệ số ước lượng Tuy nhiên : công thức đưa để tham khảo Hiện phương pháp ước lượng có hầu hết phần mềm thống kê : ET, MICRO TSP vaø SHAZAM, Eviews Nếu phần dư nhiễu trắng dừng dùng mơ hình để dự báo I.3.5 Kiểm tra mơ hình phù hợp Dựa vào kiểm định  BIC nhỏ (Schwarz criterion xác định : n.Log(SEE) + K.Log(n))  SEE nhỏ 24  R2 lớn : R-squared = (TSS-RSS)/TSS ,  Q-statistics đồ thị tương quan phần dư nhiễu trắng Sau thử với mơ hình khác so sánh kết theo tiêu chuẩn đánh giá I.3.6 Dự báo ngắn hạn mơ hình Dựa vào mơ hình chọn tốt nhất, với liệu khứ tới thời điểm t, ta sử dụng để dự báo cho thời điểm t+1 II Áp dụng Ứng dụng mơ hình ARIMA vào tốn dự báo chứng khốn của Công ty cổ phần Thủy sản Mekong(Mã CK : AAM) Nguồn liệu lấy từ trang web Stockbiz (www.stockbiz.vn) Sử dụng Phần mềm EVIEWS để dự đốn (Ứng dụng mơ hình ARIMA cho tốn dự đoán chuỗi thời gian) II.1 Dữ liệu Để xây dựng mơ hình ARIMA tơi sử dụng chuỗi liệu mã chứng khoán AMM gồm 157 quan sát từ ngày 24/4/2009 tới 15/4/2010 Dữ liệu khứ lấy giá đóng cửa (Close) q trình dự báo giúp ta xác định giá đóng cửa ngày 25 CLOSE 44 40 36 32 28 24 20 2009Q4 2010Q1 Hình: Biểu đồ giá đóng cửa II.2 Nhận dạng mơ hình Xác định tham số p, d, q ARIMA 26 Từ hình trên, ta thấy biểu đồ hàm tự tương quan ACF giảm dần cách từ từ Chuỗi chưa dừng, ta phải sai phân lần Kiểm tra đồ thị Correlogram chuỗi sai phân bậc Như sau lấy sai phân bậc chuỗi dừng:  d=1,  ACF tắt nhanh sau độ trễ  q=1,  PAC giảm nhanh sau độ trễ:  p=1 II.3 Ước lượng kiểm định với mơ hình ARIMA Xây dựng mơ hình ARIMA(1, 1, 1) Chọn Quick/Estimate Equation… sau nhập “d(close) c ar(1) ma(1)” 27 Hình: Ước lượng mơ hình ARIMA(1,1,1) Hình: Kết mơ hình ARIMA(1,1,1) 28 Chọn View/Residual tests/Correlogram-Q- Statistic Hình: Kiểm tra phần dư có nhiễu trắng Như vậy, sai số mơ hình ARIMA(1,1,1) chuỗi dừng có phân phối chuẩn Sai số nhiễu trắng 29 II.4 Thực dự báo Tại cửa sổ Equation ấn nút Forecast Tại Forecast sample, ta chỉnh ngày dự báo: 15/5/2010 – 20/5/2010 Kết là: 30 Ta có kết dự báo từ ngày 15/5/2010 – 20/5/2010 Ngày Giá thực tế 17/05/2010 18/05/2010 19/05/2010 20/05/2010 Giá dự báo 28.17 27.92 27.33 27.92 27.74802 27.66328 27.57923 27.49576 Đánh giá -0.42198 -0.25672 0.24923 -0.42424 Qua thực nghiệm dự báo ngày từ ngày 17/05 – 20/05/2010, nhận thấy kết đưa xác so với giá thực tế mã chứng khoán AAM II.5 Kết luận Kết dự báo cho thấy giá trị dự báo xấp xỉ với giá trị thực tế khoản tin cậy 95% chứa giá trị thực tế Điều chứng tỏ độ tin cậy mơ hình dự báo cao Trong vài phiên giao dịch tác động yếu tố ngoại lai lớn tâm lý nhà đầu tư, tác động thị trường chứng khốn khác, thơng tin thay đổi sách làm cho sai số dự báo tăng cao Do kết mơ hình mang tính chất tham khảo nhiều Tuy nhiên nói mơ hình ARIMA mơ hình tốt để dự báo ngắn hạn 31 Tài liệu tham khảo: [1] Phương pháp nghiên cứu khoa học Tin học - GS.TSKH Hoàng Kiếm ĐHQGTP HCM, 2005 [2] Dự báo phân tích liệu kinh tế tài – Nguyễn Trọng Hồi, Phùng Thanh Bình, Nguyễn Khánh Duy [3] Sử dụng mơ hình ARIMA cho việc giải toán dự báo tỷ giả - Nguyễn Thị Hiền Nhã Luận văn thạc sĩ tin học, Đại học Khoa Học Tự Nhiên – Đại Học Quốc Gia TP.HCM, 2002 [4] Hướng dẫn sữ dụng Eview – Phùng Thanh Bình 32