Phân tích chuỗi thời gian trong tài chính tính mùa vụ ngẫu nhiên là gì cách phát hiện cách loại bỏ tình mùa vụ ngẫu nhiên thực hành trên phần mềm

TRƯỜNG ĐẠI HỌC KINH TẾ - LUẬT BÀI THỰC HÀNH NHÓM TÊN MÔN HỌC: PHÂN TÍCH CHUỖI THỜI GIAN TRONG TÀI CHÍNH MÃ HỌC PHẦN: 232TO1701 Tính mùa vụ ngẫu nhiên là gì?. Tính mùa v ụ 1.1 Khái ni m

TRƯỜNG ĐẠI HỌC KINH TẾ - LUẬT

BÀI THỰC HÀNH NHÓM TÊN MÔN HỌC: PHÂN TÍCH CHUỖI THỜI GIAN

TRONG TÀI CHÍNH MÃ HỌC PHẦN: 232TO1701

Tính mùa vụ ngẫu nhiên là gì? Cách phát hiện? Cách loại bỏ tình mùa vụ ngẫu nhiên? Thực hành trên phần mềm?

Giảng viên hướng dẫn: TS Võ Thị Lệ Uyển

II Cách phát hiện tính mùa vụ ngẫu nhiên và phương pháp loại bỏ 2

1 Cách phát hiện tính mùa vụ ngẫu nhiên 2

2 Phương pháp loại bỏ tính mùa vụ ngẫu nhiên 3

III Thực hiện trên phần mềm 3

4 Phát hiện tính mùa vụ ngẫu nhiên 10

4 Loại bỏ tính mùa vụ ngẫu nhiên 15

IV Kết luận chủ đề 17

LINK THAM KHẢO 19

1 I Tổng quát v tính mùa v ề ụ

1 Tính mùa v ụ 1.1 Khái ni m ệ

Tính mùa vụ trong dữ liệu chuỗi thời gian đề cập đến những biến động tăng hoặc giảm lặp đi lặp lại một cách đều đặn của dữ liệu trong một khoảng thời gian 1.2 Đặc điểm

Một số tính mùa vụ phổ biến khi phân tích Time Series data:

Weekly Seasonality: Sự thay đổi lặp lại trong khoảng thời gian 7 ngày Ví dụ: số lượng vé xem phim tại các rạp tăng mạnh vào các dịp cuối tuần

Monthly Seasonality: Sự thay đổi lặp lại trong khoảng thời gian 30 hoặc 31 ngày Ví dụ: Chi tiêu của người dùng shopee tăng vọt vào các đợt sales định kỳ hàng tháng Annual Seasonality: Sự thay đổi lặp lại trong khoảng thời gian 365 hoặc 366 ngày Ví dụ: Số lượng khách du lịch tăng vọt vào các đợt cao điểm tháng hè

Holiday Seasonality: Sự thay đổi này thường được gây ra bởi các sự kiện đặc biệt như ngày lễ, lễ hội, sự kiện thể thao Ví dụ: Doanh số các hãng bán lẻ tăng mạnh vào dịp sát Tết

2 Tính mùa v ụ ngẫu nhiên 2.1 Định nghĩa

Tính mùa vụ ngẫu nhiên là sự biến đổi không có một mô hình cố định theo thời gian và không có sự dự đoán trước về các biến đổi này Trong ngữ cảnh phân tích thời gian, tính mùa vụ ngẫu nhiên đề cập đến các biến đổi không theo quy luật hoặc chu kỳ cố định trong dữ liệu thời gian, mà thường do các yếu tố ngẫu nhiên như biến động ngẫu nhiên của thị trường, sự kiện bất ngờ, hoặc các yếu tố tự nhiên

2.2 Đặc điểm

Không có chu kỳ: Tính mùa vụ ngẫu nhiên không tuân theo một chu kỳ hoặc mô hình cố định, mà thường biến đổi một cách ngẫu nhiên và không đều

Không dự đoán được: Không thể dự đoán trước được các biến đổi của tính mùa vụ ngẫu nhiên do tính ngẫu nhiên của chúng

Ví dụ:

Tính mùa vụ hàng tuần (Weekly seasonality): Biến động theo các chu kỳ hàng tuần, ví dụ như doanh số bán hàng tăng vào cuối tuần và giảm vào đầu tuần Tính mùa vụ hàng tháng (Monthly seasonality): Biến động theo các chu kỳ hàng tháng, ví dụ như doanh số bán hàng tăng vào cuối tháng khi người dùng nhận lương và giảm vào đầu tháng

Tính mùa vụ hàng năm (Yearly seasonality): Biến động theo các chu kỳ hàng năm, ví dụ như doanh số bán hàng tăng vào mùa lễ hội như Giáng sinh và giảm sau kỳ nghỉ lễ

II Cách phát hiện tính mùa v ụ ngẫu nhiên và phương pháp loạ ỏi b 1 Cách phát hi n tính mùa v ệ ụ ngẫu nhiên

Biểu đồ dãn cách và Biểu đồ chu kỳ:

Vẽ biểu đồ dãn cách để quan sát sự biến động theo thời gian và xem xét có sự mùa vụ nào không Biểu đồ chu kỳ cũng có thể giúp bạn nhận diện các mô hình chu kỳ.

Biểu đồ ACF và PACF:

Sử dụng biểu đồ tự tương quan (ACF) và biểu đồ tự tương quan riêng lẻ (PACF) để phân tích mối quan hệ giữa các quan sát ở các khoảng thời gian khác nhau Các đỉnh ở lớp lớn có thể chỉ ra sự hiện diện của mô hình mùa vụ.

Phương pháp Spectral Analysis:

Sử dụng phân tích phổ để xác định các tần số quan trọng trong dữ liệu Sự xuất

Too long to read onyour phone? Save

to read later on your computer

Save to a Studylist

3

Mô hình ARIMA có thể tự động xử lý các thành phần mùa vụ Nếu mô hình chọn có các tham số mùa vụ, điều này có thể là dấu hiệu của tính mùa vụ trong dữ liệu.

Kiểm tra thống kê:

-tra tính chất mùa vụ của dữ liệu.

2 Phương pháp loại bỏ tính mùa v ụ ngẫu nhiên Differencing:

Áp dụng phương pháp differencing để loại bỏ các thành phần mùa vụ từ dữ liệu Differencing có thể giúp chuyển đổi dữ liệu thành dạng không có mùa vụ.

Sử dụng phương pháp decomposition để phân rã chuỗi thời gian thành các thành phần, bao gồm thành phần mùa vụ Sau đó, bạn có thể loại bỏ thành phần mùa vụ trước khi tái tạo chuỗi.

Mô hình Seasonal Decomposition of Time Series (STL):

STL là một phương pháp phổ biến để phân rã chuỗi thời gian thành các thành phần mùa vụ, trend và residual Bạn có thể loại bỏ thành phần mùa vụ và nhận được chuỗi không có mùa vụ.

Sử dụng mô hình dự báo:

Huấn luyện một mô hình dự báo mà không bao gồm tính mùa vụ và sử dụng nó để dự báo dữ liệu Sau đó, loại bỏ dự báo mùa vụ khỏi chuỗi thời gian gốc.

Áp dụng các biến đổi như log-transform để giảm đi sự biến động mùa vụ III Thực hi n trên phệ ần mềm

1 Đặt vấn đề:

Trong thời buổi hiện nay, khi thị trường kinh tế có dấu hiệu khởi sắc sau những năm bị ảnh hưởng bởi dịch bệnh và chiến tranh thì nhu cầu tiết kiệm tiền của người dân đã hết do nhà nước chủ trương giảm lãi suất tiết kiệm của ngân hàng trong năm

2024 Chính vì vậy nhu cầu đầu tư của người dân đã tăng lên và thị trường chứng khoán chính là một nơi lý tưởng để dòng tiền đầu tư của người dân đổ vào Theo TS Lê Hải Trung phân tích “Tôi cho rằng, những yếu tố này trong năm 2024 sẽ dần được kiểm soát và đi vào ổn định Từ phía quốc tế, mặc dù các ngân hàng trung ương thế giới phát đi tín hiệu giảm lãi suất điều hành nhưng thời điểm giảm như thế nào, mức giảm ra sao cũng là câu hỏi còn đang bỏ ngỏ Theo tôi, thời điểm giảm sẽ không quá sớm và mức giảm không lớn để đảm bảo kinh tế thế giới có mức độ hạ cánh mềm.

Bên cạnh đó, Chính phủ Việt Nam và Ngân hàng Nhà nước đã có động thái tương đối rõ ràng trong việc sẵn sàng can thiệp vào thị trường vàng, nhằm đảm bảo sự ổn định, hạn chế tính đầu cơ cũng như chênh lệch giữa giá vàng trong nước và thế giới Vì vậy, những yếu tố tác động đẩy giá vàng lên cao được giảm bớt, sẽ giúp cho kênh đầu tư trên thị trường vàng ổn định hơn Tuy nhiên, trước những mức độ rủi ro có thể tiềm tàng trong năm 2024, thì vàng vẫn là một trong những lựa chọn cho các nhà đầu tư dưới góc độ phòng ngừa rủi ro thay vì đầu cơ ngắn hạn”.

Tuy hấp dẫn là thế, nhưng thị trường chứng khoán có những rủi ro mà nhà đầu tư khó có thể kiểm soát Chính vì vậy, nhóm chúng tôi quyết định phân tích một chỉ số CBOE (Chicago Board Options Exchange) của một mã chứng khoán lớn là Amazon Nhằm phân tích đo lường mức độ biến động dự kiến của thị trường chứng khoán trong tương lai Chúng tôi hy vọng với bài phân tích này có thể giúp nhà đầu tư có cái nhìn khách quan và tự quyết định được việc quản lý rủi ro của mã chứng khoán này.

Bên cạnh đó, VIX (CBOE Cboe Volatility Index) là chỉ số đo lường trạng thái - biến động chung của thị trường chứng khoán, dùng để đo mức độ biến động dự kiến của 30 ngày tới trên thị trường chứng khoán, bằng việc sử dụng dữ liệu về quyền chọn từ 500 cổ phiếu công ty thuộc chỉ số này Nguồn dữ liệu chúng tôi sẽ lấy từ trên Fred để đảm bảo tính chính xác của bộ dữ liệu, thời gian của bộ dữ liệu sẽ được lấy từ 1/1/2010 - 29/2/2024.

-Variable Storage Display Value

name type format label Variable label -datestr str10 %-10s observation datetime int %td numeric (daily) dateCBOE float %9.0g CBOE Equity VIX on Amazon

quarter1 byte %8.0g quarter== 1.0000quarter2 byte %8.0g quarter== 2.0000quarter3 byte %8.0g quarter== 3.0000quarter4 byte %8.0g quarter== 4.0000 -Sorted by: time

Tổng thể mà nhóm khảo sát gồm 3588 quan sát Để tiến hành ước lượng các mô hình phù hợp, nhóm lựa chọn 2 biến là time với CBOE Amazon (CBOE Amazon là chỉ số VIX của Amazon từ ngày 1/1/2010 đến ngày 29 2/2024).

2.2 Tr c quan dự ữ liệu:

Đồ thị chuỗi thời gian thể hiện sự biến động của chỉ số CBOE từ ngày 1/1/2010 đến ngày 29 2/2024

Nhận xét: Chỉ số VIX của Amazon đã biến động ngẫu nhiên trong giai đoạn 2010 đến cuối 2024 Tuy nhiên, vẫn có sự ổn định tối thiểu giữ cho chỉ số không thấp hơn mức thấp nhất là 5 và cao hơn mức cao nhất là 76.

7

Đồ thị ACF cho chúng ta thấy đây là một bộ dữ liệu tương quan rất mạnh khi tất cả các độ trễ đều nằm ngoài khoảng tin cậy.

Đồ thị PACF cho chúng ta thấy các độ trễ tắt sau 3 độ trễ.

Đồ th Histogram:ị

Đồ thị Histogram thể hiện chỉ số CBOE cho toàn bộ dữ liệu của tổng thể Nhận xét: Dựa vào histogram ta có thể thấy hình dạng phân phối của CBOE có dạng xấp xỉ lệch trái nghĩa là các giá trị dữ liệu được phân bố đều xung quanh gần giá trị trái điều này có thể cho thấy rằng các yếu tố đều đóng vai trò quan trọng trong việc xác định CBOE

9 Đồ thị Boxplot:

Đồ thị Box plot thể hiện chỉ số CBOE cho toàn bộ dữ liệu của tổng thể Nhận xét: Đồ thị boxplot mô tả biến ra CBOE, nhìn đồ thị boxplot có thể nhìn thấy rõ hơn CBOE nằm trong khoảng 10 60 và chiếm nhiều nhất là từ hơn- 24-40, mean khoảng 25 Và dữ liệu có giá trị ngoại lai.

Nhận xét: Độ lệch (Skewness) trong trường hợp này, độ lệch của chỉ số CBOE là 0,527463 Độ lệch dương nhỏ cho thấy phân phối có dạng đối xứng tương đối, với phần lớn các giá trị nằm ở xung quanh trung bình.

Độ nhọn (Kurtosis) trong trường hợp này, độ nhọn của chỉ số CBOE là 2,899837 Độ nhọn dương cho thấy phân phối có phần đuôi nhiều hơn phân phối chuẩn, tức là có nhiều giá trị nằm ở phần đuôi.

Kiểm định phân phối chuẩn: Skewness and kurtosis tests for normality Joint test

Variable | Obs Pr(skewness) Pr(kurtosis) Adj chi2(2) Prob>chi2 CBOE | 55 0.2476 0.2937 2.56 0.2776

Đồ thị cho thấy hình dáng phân phối của dữ liệu khá cân đối Ta tiến hành kiểm định phân phối chuẩn của dữ liệu với giả thiết:

H0 : Dữ liệu có phân phối chuẩn H1 : Dữ liệu không có phân phối chuẩn

Trực quan hóa dữ liệu để kiểm tra tính mùa vụ Tìm phương pháp loại bỏ tính mùa vụ ngẫu nhiên

Nhận xét: Ta có thể thấy ví dụ như quý 2 năm 2010, quý 2 năm 2015 và quý 2 năm 2020 đồ thị có sự tương đồng lặp lại, khi CBOE sẽ tăng lên, đạt đỉnh vào quý 3 và quý 4 sẽ giảm Có thể dữ liệu có tính mùa, nên chúng tôi sẽ đi kiểm tra.

Kiểm tra tính mùa bằng cách đặt biến giả mùa vụ gen quarter = quarter(dofq(time))

tab quarter, gen(quarter)

quarter | Freq Percent Cum.

Nhận xét: Ta thấy các dữ khá đều với các quý đều có 14 quan sát đầy đủ, trừ năm 2010 không có quý 1 do dữ liệu được thu thập từ quý 2 trở đi.

Hồi quy theo biến giả mùa vụ Y= q1 + q2 + q3 + q4 reg CBOE quarter* , noc

Source | SS df MS Number of obs = 55

Nhận xét: vì chúng ta đã hồi quy với biến giả mùa vụ,nên chúng talấy phầndưmôhìnhhồi quysẽ khửbỏtính mùacốđịnh

predict Y_deseasonal, residuals

13 Vẽ đồ thị để phát hiện mùa vụ ngẫu nhiên tsline Y_deseasonal

Nhận xét: Sau khi đã khử tính mùa vụ cố định và có được chuỗi Y_deseasonal, ta sẽ vẽ đồ thị xem có còn tính mùa nữa hay không Đồ thị của chuỗi phần dư sau khi loại bỏ tính mùa vẫn còn các dấu hiệu biến động lặp lại theo chu kỳ mùa mặc dù không được rõ ràng và ổn định Như vậy chúng ta có thể trong chuỗi dữ liệu vẫn còn tính mùa vụ ngẫu nhiên

ACF

PACF

Dickey–Fuller test for unit root Number of obs = 54 Variable: Y_deseasonal Number of lags = 0

H0: Random walk without drift, d = 0

MacKinnon approximate p value for Z(t) = 0.0079 -Lấy sai phân bậc 1 của biến Y_deseasonal generate Y_deseasonal_diff = D.Y_deseasonaldfuller Y_deseasonal_diff Dickey–Fuller test for unit root Number of obs = 53 Variable: Y_deseasonal_d~f Number of lags = 0 H0: Random walk without drift, d = 0

-Lấy sai phân bậc 2

generate Y_deseasonal_diff2 = D.D.Y_deseasonaldfuller Y_deseasonal_diff2

Dickey–Fuller test for unit root Number of obs = 52 Variable: Y_deseasonal_d~2 Number of lags = 0 H0: Random walk without drift, d = 0

MacKinnon approximate p value for Z(t) = 0.0000 -Chạy mô hình arima arima Y_deseasonal , arima(0,1,1) sarima(0,1,1,4) noconstantIteration 0: log likelihood = -189.8177 Iteration 1: log likelihood = -175.85662 Iteration 2: log likelihood = -166.88116 Iteration 3: log likelihood = -166.46757 Iteration 4: log likelihood = -166.40118 (switching optimization to BFGS)Iteration 5: log likelihood = -165.86706 Iteration 6: log likelihood = -165.26933 Iteration 7: log likelihood = -165.11094 Iteration 8: log likelihood = -165.09982 Iteration 9: log likelihood = -165.09909 Iteration 10: log likelihood = -165.09908

-Note: The test of the variance against zero is one sided, and the two-sided confidence interval is truncated at zero.

Nhận xét: Mô hình S-Arima (0,1,1)(0,1,1,4) đã có thể hồi quy được chuỗi phần dư,

Trong quá trình thực hiện các quá trình để đối phó với tính mùa vụ ngẫu nhiên, chúng ta nhận thức được tầm quan trọng của việc hiểu rõ về biến động không dự đoán được trong dữ liệu Tính mùa vụ ngẫu nhiên có thể làm suy giảm độ chính xác của kết quả phân tích và tăng nguy cơ đưa ra kết luận không chính xác về quần thể.

Bằng cách sử dụng các phương pháp thống kê, chúng ta đã có cơ hội phát hiện và đánh giá mức độ ảnh hưởng của tính mùa vụ ngẫu nhiên Qua đó, việc kiểm soát yếu tố ngẫu nhiên, lựa chọn phương pháp thống kê chính xác và phân tích chuỗi thời gian đã giúp chúng ta đưa ra những kết quả đáng tin cậy hơn.

Bằng cách này, chúng ta đã tăng cường sự chắc chắn và tính hợp lý của phân tích dữ liệu, giúp đưa ra những quyết định và kết luận có tính khái quát hóa cao hơn Việc thực hành trên các phần mềm thống kê đã mang lại sự hiệu quả và thuận lợi trong việc triển khai các biện pháp loại bỏ tính mùa vụ ngẫu nhiên.

Qua đó, việc đối mặt với tính mùa vụ ngẫu nhiên là một phần quan trọng của quá trình nghiên cứu và phân tích dữ liệu, và các phương pháp đã thực hiện đã đóng góp vào sự đáng tin cậy của kết quả và sự chắc chắn trong quyết định.

Thông qua bài tiểu luận trên, hẳn chúng ta đã có cái nhìn khách quan hơn về mã chứng khoán của Amazon cũng như việc ứng dụng chỉ số CBOE vào việc đánh giá

mức rủi ro khi đầu tư mã chứng khoán này trong tương lai Qua việc sử dụng các biểu đồ PACF ACF và mô hình Arima, chúng tôi có thể khẳng định được tính biến đổi ngẫu nhiên trong bộ dữ liệu chỉ số CBOE của mã AMZN và thành công trong việc loại bỏ tính ngẫu nhiên

19 LINK THAM KH O Ả

1 https://stockbiz.vn/tin-tuc/dau- -chung-khoan-tuvan-hap-dan-trong-nam-2024/23278566

2.https://online.hsc.com.vn/tin-tuc/de-dau- -chung-khoan-hieu-qua/chi-tuso vix va -ung dung khi-giao-dich-tren- -truong-chung-thi

khoan.html#:~:text=VIX%20(CBOE%20%2D%20Cboe%20Volatility%20Index,ty%20thu%E1%BB%99c%20ch%E1%BB%89%20s%E1%BB%91%20n%C3%A0y.

3.https://fsppm.fulbright.edu.vn › PDF

Bài giảng 1: Phân tích hồi quy cơ bản với dữ liệu chuỗi thời gianTrường Đại học Kinh tế - Luật

4 https://maths.uel.edu.vn › E PDF

TỔNG QUAN MÔN HỌC: PHÂN TÍCH CHUỖI THỜI GIAN TRONG TÀI CHÍNH

5.https://vneconomy.vn/nhieu-dong-luc-cho- -truong-chung-khoan-2024.htmthi