Giới thiệu về dự báo thời gian và phương pháp san mũ Holt – Winters...41.2.. Các khái niệm cơ bản trong phương pháp san mũ Holt-Winters...51.3.. Tổng kết kết quả dự báo tỷ giá hối đoái E
Trang 1TRƯỜNG ĐẠI HỌC THƯƠNG MẠI KHOA KINH TẾ
Trang 2Mục Lục
LỜI MỞ ĐẦU 3
CHƯƠNG I: CƠ SỞ LÝ LUẬN 4
1.1 Giới thiệu về dự báo thời gian và phương pháp san mũ Holt – Winters 4
1.2 Các khái niệm cơ bản trong phương pháp san mũ Holt-Winters 5
1.3 Ưu và nhược điểm của phương pháp san mũ Holt - Winters 6
CHƯƠNG II: DỰ BÁO 7
2.1 Tỷ giá hối đoái EUR/VND năm 2018-2022 7
2.2.1 Phương pháp San Mũ Holt - Winters dạng nhân tính 9
2.2.2 Phương pháp San Mũ Holt - Winters dạng cộng tính 16
2.2.3 Phương pháp San Mũ Holt - Winters không mùa vụ 23 2.3 Tổng hợp đánh giá sai số và lựa chọn mô hình 27
2.3.1 Đánh giá sai số và lựa chọn mô hình 27
2.3.2 Đánh giá sai số và lựa chọn mô hình dựa trên kết quả của phần mềm Eviews 29
CHƯƠNG III: KẾT LUẬN 29
3.1 Tổng kết kết quả dự báo tỷ giá hối đoái EUR/VND năm 2023 29
3.2 Giới hạn của đề tài và phương hướng phát triển 30
Trang 3LỜI MỞ ĐẦU
Tỷ giá hối đoái là một trong những chính sách kinh tế vĩ mô quan trọng của mỗi quốc gia.Lịch sử phát triển và vai trò của tỷ giá hối đoái gắn liền với quá trình lớn mạnh khôngngừng của nền kinh tế thế giới và quan hệ kinh tế quốc tế Tỷ giá tác động hầu hết đếncác mặt hoạt động của nền kinh tế như tình hình sản suất, xuất nhập khẩu hang hóa, tìnhtrạng tài chính tiền tệ, cán cân thanh toán quốc tế, cán cân thương mại quốc gia, thu hútvốn đầu tư…
Trong hai năm trở lại đây, tỷ giá hối đoái Việt Nam liên tục biến đổi mạnh mẽ bởi các tácđộng khách quan và chủ quan trên thế giới cũng như trong nước Trước tình hình này,việc dự báo càng lúc càng đóng một vai trò quan trọng, thông qua dự báo ta có thể hạnchế tối đa các rủi ro khủng hoảng cho toàn bộ nền kinh tế trong những giai đoạn tiếptheo
Từ những năm 1950 đến nay các lý thuyết về dự báo với các phương pháp luận đượchình thành và phát triển có hệ thống Song song với sự bùng nổ của công nghệ thông tin
mà điển hình là sự ra đời của máy tính đã giúp con người mô phỏng được nhiều hiệntượng về kinh tế, xã hội, thời tiết… Từ đó dự báo trở thành một công việc không thể thiếutrong mọi hoạt động của những nhà làm kinh tế Dự báo sẽ giúp con người đưa ra đượcnhững quyết định chính xác trong từng thời điểm
Trong thực tế đã hình thành nhiều phương pháp dự báo như: Dự báo bằng các mô hình xuthế, dự dáo bằng phương pháp san mũ đơn giản, dự báo bằng phương pháp san mũ Holt
và dự báo bằng phương pháp Holt- Winters Do vậy, để hiểu rõ lý thuyết và cũng như ápdụng lý thuyết tỷ giá hối đoái vào thực tiễn nhóm chúng em quyết định lựa chọn đề tài:
“Dự báo tỷ giá hối đoái EUR/VND năm 2023 bằng phương pháp san mũ Holt- Winters”.Mặc dù chúng em đã cố gắng hoàn thiện bài thảo luận bằng tất cả sự nhiệt tình và nănglực của mình, tuy nhiên vẫn không thể tránh khỏi những thiếu sót, rất mong nhận đượcnhững đóng góp quý báu từ thầy cô và các bạn
Trang 4CHƯƠNG I: CƠ SỞ LÝ LUẬN
1.1 Giới thiệu về dự báo thời gian và phương pháp san mũ Holt – Winters
Dự báo là sự tiên đoán có căn cứ khoa học, mang tính chất xác suất về mức độ, nội dungcác mối quan hệ, trạng thái, xu hướng phát triển của đối tượng nghiên cứu hoặc về cáchthức và thời hạn đạt được các mục tiêu nhất định đề ra trong tương lai
Căn cứ vào tầm xa có 3 loại dự báo:
- Dự báo tác nghiệp: là dự báo có tầm xa rất ngắn, có thể là tuần, tháng,… đến dưới
1 năm Sai số thường <3%
- Dự báo ngắn hạn: thường là từ 1 đến 3 năm thường cần thiết cho việc lập kế hoạchsản xuất, dự thảo ngân sách, huy động các nguồn lực… Sai số cho phép chỉ nên
<5%
- Dự báo trung hạn: là các dự báo cho khoảng thời gian từ 3 – 5 năm, phù hợp đểlập các dự án sản xuất mới, mở rộng doanh nghiệp, là dự báo có ai trò rất quantrọng trong nền kinh tế quốc dân
- Dự báo dài hạn: có tầm xa dự báo từ 10 – 20 năm nhằm cung cấp thông tin và dữliệu cho việc hoạch định các chiến lược phát triển kinh tế xã hội dài hạn hay hìnhthành một tầm nhìn có tính định hướng trong sự phát triển lâu dài của đất nước
- Ngoài ra còn có các dự báo siêu dài hạn
Khi dự báo chúng ta sẽ quan tâm đến bản chất của số liệu (Pattern) tức là tính mùa vụ,tính chu kỳ, tính xu hướng Số lượng dữ liệu trong quá khứ (Number of Observations), độdài của dự báo hay tầm dự báo (Forecast Horizon) Dựa trên những yếu tố đó ta có thểlựa chọn được mô hình phù hợp
Trang 5Holt - Winter là một trong những phương pháp được sử dụng để dự báo các chuỗi thờigian có chứa xu hướng và thành phần thời vụ Phương pháp này được mở rộng từ phươngpháp san mũ Holt và được sử dụng đối với các dữ liệu có chứa yếu tố mùa.
Phương pháp Holt – Winters dựa trên 3 hệ thức san mũ:
+ Hệ số chặn (thành phần cơ sở): L
+ Xu hướng: T
+ Thành phần thời vụ:S
1.2 Các khái niệm cơ bản trong phương pháp san mũ Holt-Winters
Holt – Winter là ứng dụng mở rộng của phương pháp trung bình trượt: trung bình trượtdựa vào k quan sát gần nhất còn phương pháp san mũ dựa vào giá trị trung bình trượt vớitrọng số giảm dần cho tất cả các quan sát trong quá khứ
Phương pháp Holt-Winters là một phương pháp dự báo chuỗi thời gian dựa trên các thànhphần chính của chuỗi đó, bao gồm:
+ Mức độ phân phối (level): là giá trị trung bình của chuỗi trong một khoảng thời gian,thể hiện trung bình của chuỗi trong quá khứ và hiện tại
+ Xu hướng (trend): là sự thay đổi của chuỗi theo thời gian, thể hiện xu hướng tăng hoặcgiảm của chuỗi trong quá khứ và hiện tại
+ Thành phần mùa vụ (seasonality): là sự biến đổi chu kỳ của chuỗi theo thời gian, thểhiện sự biến động theo chu kỳ hàng năm hoặc hàng quý
1.3 Ưu và nhược điểm của phương pháp san mũ Holt - Winters
Ưu điểm:
Trang 6- Sự đơn giản của các hoạt động tính toán và tính linh hoạt trong việc mô tả cácđộng lực quá trình khác nhau Phương pháp này đã được tìm thấy là ứng dụng lớnnhất cho việc thực hiện các dự báo trung hạn.
- Hệ thống dự báo có thể được điều chỉnh thông qua 1 tham số duy nhất (tham sốsan bằng mũ)
- Dễ dàng chương trình hoá vì chỉ phải thực hiện một số phép toán sơ cấp để xácđịnh giá trị dự báo
Nhược điểm:
- Đòi hỏi đầu vào dữ liệu chuỗi thời gian đã có tính tương quan mùa vụ để có thể ápdụng hiệu quả Nếu không có sự tương quan mùa vụ, mô hình có thể không phù hợp choviệc dự báo
- Mô hình sử dụng dữ liệu quá khứ để dự báo tương lai, do đó nó có thể không hiệuquả trong các tình huống mà dữ liệu có tính chất ngẫu nhiên và không có xu hướng haychu kỳ rõ ràng
- Nếu có sự thay đổi đột ngột trong xu hướng hoặc mô hình dữ liệu, phương phápsân mũ Holt-Winters có thể không thể đáp ứng được sự thay đổi đó và cho ra kết quả dựbáo không chính xác
- Mô hình chỉ áp dụng cho dữ liệu có tính ổn định, tức là không có sự thay đổi đáng
kể trong phương sai và trung bình của chuỗi thời gian
Trang 7mô 100% (18)
21
KINH TE VI TRAC- Nghiemkinh tế vĩ
Trang 8CHƯƠNG II: DỰ BÁO
2.1 Tỷ giá hối đoái EUR/VND năm 2018-2022
Dữ liệu được lấy từ tháng 1 năm 2018 đến tháng 12 năm 2022 (tổng hợp theo quý) Để dự tỷ giá hối đoái giữa EUR và VND năm 2023 Số liệu này được lấy từ trang web investing.com
Bảng 2.1: Số liệu tỷ giá hối đoái EUR/VND
2.2 Áp dụng phương pháp san mũ Holt-Winters để dự báo tỷ giá hối đoái
EUR/VND năm 2023
Để dự báo tỷ giá hối đoái EUR/VND năm 2023 dựa trên dữ liệu 2018-2022 ta sửdụng 2 phương pháp là san mũ Holt-Winters dưới dạng nhân tính và san mũ Holt-Wintersdưới dạng cộng tính
kinh tế vĩ
mô 97% (33)ĐÀM-PHÁN-
THƯƠNG-MẠI-…kinh tế vĩ
mô 100% (14)
46
Trang 9Sự phù hợp của từng mô hình sẽ được đánh giá qua 3 chỉ số là MAD, MAPE,RMSE
Trong đó:
Công thức tính MAD (Trung bình sai số tuyệt đối): Phản ánh sai số giữa thực tế và kếtquả dự báo mà không quan tâm đến đó là sai số vượt quá hay là sai số thiếu hụt
: Dữ liệu thực tế tại thời điểm n
: Dự đoán tại thời điểm n
: Số kỳ dự báo
Công thức tính MAPE (Trung bình phần trăm sai số tuyệt đối): Dùng để đo lường phầntrăm sai số tương đối mà một dự báo có thể mắc phải
: Dữ liệu thực tế tại thời điểm
: Dự đoán tại thời điểm n
: Số kỳ dự báo
Công thức tính RMSE (Căn bậc 2 của trung bình bình phương sai số): Dùng để đo lường
sự khác biệt giữa giá trị mẫu với giá trị dự báo bằng mô hình
: Dữ liệu thực tế tại thời điểm n
: Dự đoán tại thời điểm n
: Số kỳ dự báo
Các tiêu chí MAD và RMSE có đặc tính như nhau và thường cho cùng một kết quả khiđánh giá Khuyến cáo nếu giá trị sai số đều nhau thì nên chọn tiêu chí MSE để đánh giá.Ngược lại nếu các giá trị sai số quá khác biệt thì nên chọn tiêu chí MAD để đánh giá.Tiêu chí MAPE giúp đánh giá sai số một cách tương đối Vậy khi đánh giá sai số dự báo
Trang 10với những bộ số liệu khác nhau thì nên sử dụng tiêu chí MAPE Ngược lại với cùng một
bộ số liệu nhưng áp dụng nhiều phương pháp dự báo thì không nên áp dụng tiêu chíMAPE vì tính phức tạp trong tính toán
2.2.1 Phương pháp San Mũ Holt - Winters dạng nhân tính
Được xây dựng dựa trên phương pháp san mũ đơn giản, phương pháp này phù hợpvới dãy số liệu có tính xu hướng, mùa vụ
Công thức:
Trong đó:
Sử dụng dữ liệu được thu thập từ phần 2.1 vào dự báo:
: Giá trị san mũ ở thời điểm t: Giá trị ước lượng xu thế: Giá trị ước lượng chỉ số mùa vụ: Giá trị dự đoán ở thời điểm t+p: Giá trị quan sát tại thời điểm t: Giá trị ước lượng của chỉ số vụ mùa với độ dài s, , : Hằng số san mũ lần lượt của , ,
Trang 11Ta khởi tạo là dữ liệu thực tế đầu tiên (), xu thế bằng 0(, và chỉ số mùa vụ bằng cách lấy
dữ liệu thực tế đầu tiên chia cho trung bình dữ liệu thực tế đầu tiên ( Tuy nhiên chúng tacần chỉ số mùa vụ của 1 mùa trước đó để tiến hành đệ quy nên ta cũng khởi tạo đối với , ,
Dựa trên ý tưởng tối thiểu hóa sai số, các hằng số san mũ được chọn dựa trên một chươngtrình như sau:
Hình 2.2.1.1: Chương trình tối ưu hóa hằng số san mũ dạng nhân tính
Ta nhận được kết quả các tham số tối ưu là:
α = 0,981
β = 0,015
γ = 0,490
Vậy:
Trang 12Và ở 3 lần đệ quy tiếp theo của , , do ta chưa có dữ liệu của chỉ số mùa vụ trước
Trang 13Yt Lt St Tt t+pQ1/2018 28,010.67 28,011.67 1.03200179 0
Q2/2018 26,989.43 27,008.85 0.99437607 -15.0423 28,011.67Q3/2018 27,108.73 27,106.55 0.99877146 -13.3512 26,993.81Q4/2018 26,459.47 26,471.51 0.97485067 -22.6765 27,093.20Q1/2019 26,318.83 25,520.67 1.031645592 -36.5989 27,295.24Q2/2019 26,257.97 26,388.95 0.994699667 -23.0257 25,340.76Q3/2019 25,495.43 25,542.73 0.998465986 -35.3736 26,333.54Q4/2019 25,792.20 26,439.54 0.975176854 -21.3910 24,865.87Q1/2020 25,809.47 25,044.38 1.031108542 -41.9975 27,254.16Q2/2020 25,853.97 25,972.94 0.995052423 -27.4391 24,869.86Q3/2020 27,370.43 27,384.61 0.998963954 -5.8525 25,905.70Q4/2020 27,591.53 28,276.49 0.975470676 7.6135 26,699.13Q1/2021 27,606.87 26,802.66 1.030567676 -14.6081 29,163.98Q2/2021 27,718.60 27,836.12 0.995407978 1.1129 26,655.52Q3/2021 26,826.30 26,872.80 0.998623710 -13.3536 27,808.40Q4/2021 25,989.30 26,646.95 0.975396850 -16.5411 26,200.60Q1/2022 25,430.77 24,713.59 1.029809096 -45.2933 27,444.43Q2/2022 24,488.20 24,602.44 0.995382692 -46.2811 24,555.02Q3/2022 23,600.97 23,651.03 0.998261011 -59.8582 24,522.37Q4/2022 25,148.10 25,740.80 0.976169892 -27.6138 23,010.75Bảng 2.2.1: kết quả dự báo của phương pháp san mũ Holt - Winters
(Mô hình nhân)
Từ bảng trên ta tính được các chỉ số sau:
Trang 14So sánh kết quả dự báo và thực tế:
Hình 2.2.1.2: Đồ thị biểu hiện sự sai lệch giữa kết quả dự báo bằng phương pháp san mũ
Holt - Winters (mô hình nhân) và thực tế
Dưới đây là kết quả dự báo của phần mềm Eviews:
Trang 15Hình 2.2.1.3: Kết quả dự báo, ước lượng các hệ số san mũ tối ưu của phương pháp san
mũ Holt - Winters (mô hình nhân) bằng phần mềm Eviews 10.0
Theo kết quả, , ,
Mô hình tính toán gồm 3 hệ số có dạng:
Khi đó công thức dự báo có dạng:
Chỉ số mùa vụ của từng quý:
Kết quả dự báo cho 4 quý tiếp theo của năm 2023 là:
Trang 162.2.2 Phương pháp San Mũ Holt - Winters dạng cộng tính
Được xây dựng dựa trên phương pháp san mũ đơn giản, phương pháp này phù hợp với dãy số liệu có tính xu hướng, mùa vụ
Công thức:
Trong đó:
Sử dụng dữ liệu được thu thập từ phần 2.1 vào dự báo:
Ta khởi tạo là dữ liệu thực tế đầu tiên (), xu thế bằng 0(, và chỉ số mùa vụ bằng cách lấy
dữ liệu thực tế đầu tiên trừ cho trung bình dữ liệu thực tế đầu tiên ( Tuy nhiên chúng ta
: Giá trị san mũ ở thời điểm t: Giá trị ước lượng xu thế: Giá trị ước lượng chỉ số mùa vụ: Giá trị dự đoán ở thời điểm t+p: Giá trị quan sát tại thời điểm t: Giá trị ước lượng của chỉ số vụ mùa với độ dài s, , : Hằng số san mũ lần lượt của , ,
Trang 17cần chỉ số mùa vụ của 1 mùa trước đó để tiến hành đệ quy nên ta cũng khởi tạo đối với , ,.
Dựa trên ý tưởng tối thiểu hóa sai số, các hằng số san mũ được chọn dựa trên một chươngtrình như sau:
Hình 2.2.2.1: Chương trình tối ưu hóa hằng số san mũ dạng cộng tính
Ta nhận được kết quả các tham số tối ưu là:
α = 1,000
β = 0,283
γ = 0,100Vậy:
Trang 18Và ở 3 lần đệ quy tiếp theo của , , do ta chưa có dữ liệu của chỉ số mùa vụ trước
đó nên ta mặc định
Tính tương tự ta được và
Các giá trị , tính tương tự như Ở giá trị do đã có chỉ số mùa vụ của mùa trước nên tatính theo giá trị đó
Ta bắt đầu dự báo từ tới và do chưa có chỉ số mùa vụ của kì trước đó nên ta mặc định
Giá trị , tính tương tự Ở giá trị do đã có chỉ số mùa vụ của mùa trước nên ta tính theogiá trị đó
Tính tương tự cho tất cả các giá trị còn lại ta đuợc bảng sau:
Trang 19Q1/2018 28,010.67 28,010.67 868.595 0
Q2/2018 26,989.43 26,555.13 -152.645 -411.917 28,444.97Q3/2018 27,108.73 26,674.43 -33.345 -261.583 26,577.51Q4/2018 26,459.47 26,025.17 -682.605 -371.295 26,847.15Q1/2019 26,318.83 27,001.44 713.475 10.064 26,522.47Q2/2019 26,257.97 25,544.50 -66.033 -405.098 26,858.85Q3/2019 25,495.43 25,561.46 -36.614 -285.654 25,106.05Q4/2019 25,792.20 25,828.81 -618.006 -129.153 24,593.20Q1/2020 25,809.47 26,427.48 580.327 76.818 26,413.14Q2/2020 25,853.97 25,273.64 -1.397 -271.456 26,438.26Q3/2020 27,370.43 27,371.83 -33.092 399.152 24,965.57Q4/2020 27,591.53 27,624.62 -559.515 357.733 27,152.97Q1/2021 27,606.87 28,166.38 466.343 409.813 28,562.68Q2/2021 27,718.60 27,252.26 45.377 35.138 28,574.80Q3/2021 26,826.30 26,780.92 -25.245 -108.193 27,254.30Q4/2021 25,989.30 26,014.55 -506.088 -294.460 26,113.22Q1/2022 25,430.77 25,936.86 369.100 -233.113 26,186.43Q2/2022 24,488.20 24,119.10 77.749 -681.567 25,749.12Q3/2022 23,600.97 23,523.22 -14.946 -657.318 23,412.29Q4/2022 25,148.10 25,163.05 -456.973 -7.226 22,359.82Bảng 2.2.2: Kết quả dự báo của phương pháp san mũ Holt - Winters
(Mô hình cộng)
Từ bảng trên ta tính được các chỉ số sau:
Trang 20So sánh kết quả dự báo và thực tế:
Hình 2.2.2.2: Đồ thị biểu hiện sự sai lệch giữa kết quả dự báo bằng phương pháp san mũ
Holt - Winters (mô hình cộng) và thực tế
Trang 21Dưới đây là kết quả dự báo của phần mềm Eviews:
Hình 2.2.2.3: Kết quả dự báo, ước lượng các hệ số san mũ tối ưu của phương pháp san
mũ Holt - Winters (mô hình cộng) bằng phần mềm Eviews 10.0
Khi đó công thức dự báo có dạng:
Chỉ số mùa vụ của từng quý:
Kết quả dự báo cho 4 quý tiếp theo của năm 2023 là:
Trang 2224529,33
2.2.3 Phương pháp San Mũ Holt - Winters không mùa vụ
Phương pháp trên được xây dựng dựa trên phương pháp san mũ đơn giản (1tham số) thông qua việc đưa thêm một thừa số xu thế vào phương trình san mũ để điều chỉnh tính xu thế Phương pháp này thường được sử dụng cho bộ số liệu có
xu hướng tuyến tính nhưng không có tính mùa vụ
Công thức:
Trong đó:
Sử dụng dữ liệu được thu thập từ phần 2.1 vào dự báo:
Ta khởi tạo là dữ liệu thực tế đầu tiên (), xu thế bằng 0(
: Giá trị san mũ ở thời điểm t: Giá trị ước lượng xu thế: Giá trị dự đoán ở thời điểm t+p: Giá trị quan sát tại thời điểm t, : Hằng số san mũ lần lượt của ,