dự báo tỷ giá hối đoái trung bình tháng loại usd vnd tại việt nam

Là một bước nghiên cứu khác so với các chuyên gia, thay vì dựa vào những yếu tố khác có liên quan đồng thời diễn ra trong thời gian đó, nhóm đã sử dụng cùng một mẫu dữ liệu tỷ giá trung

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC KINH TẾ - LUẬT

KHOA TOÁN KINH TẾ

2 Nguyễn Quang Nghị (L) K20413 K204130625 3 Hoàng Thị Hiền Thảo K20413 K204131852 4 Trần Nguyễn Ngọc Trâm K20413 K204131862

TP Hồ Chí Minh, tháng 12 năm 2022

MỤC LỤC

DANH MỤC BẢNG BIỂU iii

DANH MỤC HÌNH iv

CHƯƠNG 1: LỜI MỞ ĐẦU 5

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 7

1 Khái niệm về tỷ giá hối đoái 7

2 Mô hình lý thuyết ARMA & ARIMA 7

3 Các nghiên cứu liên quan 8

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 10

1 Phương pháp thu thập dữ liệu 10

2 Các bước thực hiện xây dựng mô hình Box - JenKins 10

CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN 11

1 Kiểm tra chuỗi dừng của chuỗi dữ liệu 11

2 Xử lý chuỗi dừng sai phân đối với chuỗi dữ liệu 12

3 Nhận diện dạng mô hình ARIMA (p,d,q) 13

3.1 Mô hình ARIMA (3,1,3) 14

3.2 Mô hình ARIMA (20,1,3) 15

4 Kiểm định sự phù hợp của mô hình ARIMA(20,1,3) 16

4.1 Kiểm định tính dừng trên phân dư 16

4.2 Kiểm định tự tương quan phần dư 16

4.3 Kiểm định AR/MA 17

4.4 Kiểm định khoảng nhiễu trắng 17

5 Dự báo 18

5.1 Dự báo trong mẫu 18

5.2 Dự báo ngoài mẫu 19

6 Kết luận 20

TÀI LIỆU THAM KHẢO 22

iii

DANH MỤC BẢNG BIỂU

Bảng 1: Tóm tắt dạng ACF và PACF cho mô hình ARIMA (p,q) 10

Bảng 2: Kiểm định tính dừng Root Test 12

Bảng 3: Kiểm định Dickey-Fuller Unit Root Test cho biến Ty_Gia 13

Bảng 4: Ước lượng ARIMA (3,1,3) 14

Bảng 5: Ước lượng ARIMA (20,1,3) 15

Bảng 6: Kiểm định tính dừng trên phần dư 16

Bảng 7: Kiểm định tự tương quan phần dư 16

Bảng 8: Kiểm định khoảng nhiễu trắng phần dư 18

Bảng 9: Giá trị dự báo trong mẫu (bên phải) và dữ liệu thực tế (bên phải) 19

Bảng 10: Giá trị dự báo ngoài mẫu (bên phải) và dữ liệu thực tế (bên trái) 20

DANH MỤC HÌNH

Hình 1: Đồ thị tỷ giá USD/VND 11

Hình 2: Kết quả thực hiện ACF và PACF 14

Hình 3: Kiểm định AR/MA bằng vòng tròn nghiệm đơn vị 17

Hình 4: Biểu đồ đường thể hiện dữ liệu thật và dữ liệu dự báo trong mẫu 19

Hình 5: Biểu đồ đường thể hiện dữ liệu thật và dữ liệu dự báo ngoài mẫu 20

CHƯƠNG 1: LỜI MỞ ĐẦU

Hiện nay, trong bối cảnh nền kinh tế mở rộng theo chiều hướng đa phương, hầu hết các quốc gia trên thế giới đều có những thách thức và nguy cơ không thể lường trước, cụ thể các vấn đề về tổng sản phẩm quốc nội (GDP), tổng sản phẩm quốc gia (GNP), tỷ lệ lạm phát, tỷ giá trung tâm,… luôn là các yếu tố quan trọng phản ánh sự thịnh vượng của nền kinh tế của một quốc gia Việt Nam cũng tương tự, Nhà nước Việt Nam luôn đề ra những chính sách dựa trên những chuyển biến thực tế của nền kinh tế để nhằm phân tích, dự báo và khắc phục những yếu tố vi mô, vĩ mô có liên quan

Trong những năm vừa qua, tỷ giá là một vấn đề được Chính phủ Việt Nam hết mực quan tâm Bởi lẽ nó phản ánh giá trị của đồng Việt Nam so với đồng tiền của các quốc gia khác, đặc biệt quan tâm là tỷ giá của đồng Việt Nam và đồng Đôla Mỹ, vì đồng Đôla Mỹ có sức ảnh hưởng khá lớn tới đồng tiền của hầu hết các quốc gia, trong đó có tác động mạnh mẽ tới Việt Nam Thuật ngữ được đề cập để phản ánh rõ nét hơn vấn đề này là tỷ giá trung tâm Tỷ giá trung tâm được hiểu là tỷ giá chính thức được xác định vào giờ chốt giao dịch của ngày hôm trước, cộng với một biên độ nhất định do Ngân hàng Nhà nước quyết định theo diễn biến thị trường Và tỷ giá trung tâm được chọn để làm tỷ giá giao dịch cho ngày hôm sau Bởi tầm quan trọng của vấn đề, để nền kinh tế Việt Nam có thể tiếp bước cùng các quốc gia trên thế giới, việc theo dõi biến động của tỷ giá phần nào giúp chúng ta phán đoán được những vấn đề có thể sẽ xảy ra, từ đó khắc phục, né tránh hoặc chuyển giao vấn đề để tránh tổn hại nghiêm trọng tới nền kinh tế quốc gia

Trên thực tế, có khá nhiều cú sốc tỷ giá giữa đồng Việt Nam và đồng Đôla Mỹ, ảnh hưởng đáng kể đến các ngành trong nền kinh tế Việt Nam, đặc biệt là xuất - nhập khẩu hàng hóa, một trong những ngành trọng điểm của nước ta Theo website chính thức của Cổng thông tin điện tử Bộ Tài chính (https://mof.gov.vn) cho biết vào nửa cuối năm 2018, đồng USD có xu hướng lên giá do Cục Dự trữ liên bang Mỹ (Fed) đã tiến hành thực hiện bình thường hóa lãi suất, đồng thời kèm theo ảnh hưởng của cuộc chiến thương mại toàn cầu làm cho đồng Việt Nam cũng chịu sức ép của sự lên giá đó Bên cạnh đó, nhờ sự nghiên cứu, phân tích dựa trên cơ sở thực tế mà các chuyên gia đã đưa ra nhận định rằng mức mất giá của đồng Việt Nam vẫn thấp hơn so với đồng tiền của một số quốc gia trong khu vực Từ thực tiễn được đề cập ở trên, ta có thể thấy tầm quan trọng của việc phân tích, dự báo một vấn đề có ảnh hưởng trực tiếp đến nhiều yếu tố khác Nhận thấy như vậy, nhóm đã tiến thành dự báo tỷ giá trung tâm trung bình tháng loại USD/VND tại Việt Nam vào năm 2018 nhằm phân tích, đánh giá và dự

báo tỷ giá trung tâm từ những dữ liệu trong quá khứ Là một bước nghiên cứu khác so với các chuyên gia, thay vì dựa vào những yếu tố khác có liên quan đồng thời diễn ra trong thời gian đó, nhóm đã sử dụng cùng một mẫu dữ liệu (tỷ giá trung tâm) để dự đoán sự gia tăng hay giảm sút của tỷ giá trung tâm tại thời điểm nghiên cứu Từ đó, làm tiền đề cho dự báo các giai đoạn sau và các vấn đề liên quan, đồng thời đưa ra những giải pháp thực tế nhằm kiểm soát và khắc phục sự ảnh hưởng của tỷ giá trung tâm lên nền kinh tế quốc gia

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT

Tỷ giá hối đoái là tỷ lệ trao đổi giữa hai đồng tiền của hai nước, là giá cả một đơn vị tiền tệ của một nước được tính bằng tiền của nước khác Tiền tệ trong việc dự báo tỷ giá hối đoái hoặc ít nhất là dự đoán chính xác xu hướng có tầm quan trọng quyết định đối với bất kỳ khoản đầu tư nào trong tương lai Sự phát triển của tỷ giá hối đoái có tác động quan trọng đến nền kinh tế và dự đoán nó là một chỉ số quan trọng đối với từng quốc gia, ngân hàng, công ty và doanh nhân cũng như đối với các nhà đầu tư

Có rất nhiều mô hình dự báo tỷ giá hối đoái trên thế giới nói chung và ở Việt Nam nói riêng Tuy nhiên, rất phức tạp để xây dựng mô hình tối ưu vì thực tế luôn tồn tại những yếu tố tác động đến sự biến động của tỷ giá hối đoái Do đó việc đầu tư ngoại tệ luôn luôn có rủi ro mà các nhà đầu tư phải lưu tâm, thận trọng

Mô hình ARMA là mô hình đồng liên kết của mô hình tự hồi quy (AR) và trung bình trượt (MA)

Điều này có nghĩa, giá trị Y tại thời điểm t không chỉ phụ thuộc vào các thông tin hiện tại mà còn phụ thuộc vào các thông tin trong quá khứ Tuy nhiên, các thông tin gần nhất có ý nghĩa nhiều hơn so với các thông tin trước đó Như vậy, các mô hình MA cung cấp giá trị dự báo của 𝑌𝑡 trên cơ sở một kết hợp tuyến tính của các giá trị sai số quá khứ, trong khi đó, các mô hình AR dự báo 𝑌𝑡 như một hàm tuyến tính của các giá trị quá khứ của bản thân 𝑌𝑡 Mô hình đồng liên kết AR và MA (ARMA) có dạng như sau:

𝑌𝑡 = 𝛼0 + ∑ 𝛼𝑝𝑖=1 𝑖𝑌𝑡−𝑖 + 𝜀𝑡 + ∑𝑞𝑗=1𝛽𝑗𝜀𝑡−𝑗

Các mô hình ARMA chỉ có thể được thực hiện khi chuỗi 𝑌𝑡 là chuỗi dừng Tuy nhiên, hầu hết các chuỗi thời gian số liệu kinh tế và tài chính đều là các chuỗi có yếu tố xu thế, nghĩa là giá trị trung bình của 𝑌𝑡 giữa các thời kỳ có thể khác nhau Hay nói cách khác, các chuỗi thời gian trong kinh tế và tài chính thường là các chuỗi không

dừng Chính vì vậy, để suy ra các chuỗi dừng chúng ta phải khử yếu tố xu thế trong các chuỗi dữ liệu gốc thông qua quy trình lấy sai phân Một chuỗi dừng ở sai phân bậc d, ta có kí hiệu là I(d) Khi đó, mô hình ARIMA được kí hiệu là ARIMA(p,d,q)

Theo nghiên cứu của Huỳnh Tấn Nguyên và Nguyễn Văn Lượng với đề tài “Ứng dụng mô hình ARIMA để dự báo chỉ số giá tiêu dùng ở Việt Nam” Bài nghiên cứu này sử dụng dữ liệu được thu thập từ Tổng cục Thống kê Việt Nam giai đoạn tháng 01 năm 2010 đến tháng 03 năm 2016 để dự báo cho chỉ số giá tiêu dùng tại thời điểm quý 2 năm 2016 Với mục đích tìm ra mô hình dự báo tốt nhất cho chỉ số giá tiêu dùng tại Việt Nam, nhóm nghiên cứu đã sử dụng phần mềm eviews để kiểm định, phân tích và kết quả dự báo cho thấy mô hình ARIMA (2,1,1) là thích hợp cho việc dự báo về vấn đề này

Một nghiên cứu khác về đề tài “Forecasting irish inflation using ARIMA models” của Meyler, Aidan and Kenny, Geoff and Quinn, Terry Bài nghiên cứu này đã đưa ra các bước thực tế cần được thực hiện để sử dụng mô hình ARIMA để dự báo cho lạm phát ở Ireland Bài nghiên cứu này có đề cập đến việc tiếp cận dự báo lạm phát bằng phương pháp sử dụng mô hình ARIMA - Box Jenkins và các phương pháp hàm phạt khách quan Kết quả cho thấy việc tiếp cận bằng mô hình Box Jenkins là hợp lý, vì mục tiêu nghiên cứu là hiệu suất của dự báo Trong khoảng thời gian dài hạn, mô hình ARIMA thường không có hiệu quả bằng mô hình đa biến Ngoài ra, nghiên cứu còn đề cập đến một số mặt ưu điểm và hạn chế của các mô hình ARIMA cho việc dự báo lạm phát

Một nghiên cứu của nhóm sinh viên Bùi Quang Trung, Nguyễn Quang Minh Nhi, Lê Văn Hiếu và Nguyễn Hồ Diệu Uyên, Khoa Tài Chính - Ngân hàng, Trường Đại học Kinh tế đã tiến hành nghiên cứu đề tài “Ứng dụng mô hình ARIMA để dự báo VNIndex” Dữ liệu nghiên cứu là chỉ số VNIndex được lấy từ ngày 02/01/2009 tới ngày 30/03/2010 Với khoảng tin cậy là 95%, nghiên cứu cho thấy kết quả sau khi chạy mô hình ARIMA trong đề tài đã cho ra giá trị dự báo xấp xỉ với giá trị chỉ số VNIndex thực tế, điều này chứng tỏ mô hình dự báo có độ tin cậy khá cao Tuy nhiên, trong một vài phiên giao dịch thực tế trên thị trường chứng khoán do sự tác động của các yếu tố bên ngoài như sự thay đổi về chính sách đầu tư hay tâm lý nhà đầu tư khi giao dịch,… làm cho khoảng cách của sai số dự báo lớn hơn Do đó, kết quả của mô hình này vẫn chỉ mang tính chất minh họa và tham khảo Nhóm nghiên cứu cũng kết luận rằng có thể nói mô hình ARIMA là một mô hình tốt để dự báo trong ngắn hạn

Như nghiên cứu của Daniela Spiesová với đề tài “The Prediction of Exchange Rates with the Use of Auto-Regressive Integrated Moving-Average Models” nhằm xác định mô hình phù hợp để dự đoán chuỗi tỷ giá hối đoái không cố định theo thời gian và sau đó sử dụng mô hình này để dự đoán xu hướng phát triển của các đồng tiền châu Âu so với đồng Euro Bài nghiên cứu vận dụng phương pháp tự hồi quy kết hợp trung bình trượt (mô hình ARIMA - Autoregressive Integrated Moving Average Models) Kết quả của nghiên cứu này khẳng định rằng để dự đoán phương sai có điều kiện và sau đó ước tính giá trị tương lai của tỷ giá hối đoái, việc sử dụng mô hình ARIMA(1,1,1) không có hằng số hoặc mô hình ARIMA [(1,7),1,(1,7)] là phù hợp

Nwankwo Steve C đã thực hiện bài nghiên cứu với đề tài “Autoregressive Integrated Moving Average (ARIMA) Model for Exchange Rate” nhằm xác định mô hình tỷ giá hối đoái, ước tính các tham số mô hình và dự đoán hoặc dự báo tương lai Trong nỗ lực để hiểu rõ hơn về cách thức mô hình hóa tỷ giá hối đoái, bài nghiên cứu này đã áp dụng mô hình ARIMA cho tỷ giá hối đoái (Naira sang Đô la) trong giai đoạn 1982-2011, thông qua phương pháp Box-Jenkins, mô hình AR(1): thứ tự một mô hình được tạo ra là được ưa thích hơn vì nó đã được chứng minh thông qua tỷ lệ chẩn đoán của Naira-Dollars dựa trên tiềm năng của nó đối với các yêu cầu tính toán và dự đoán tốt hơn

Nhìn chung, từ các nghiên cứu thực nghiệm phía trên đã chứng minh rằng mô hình ARIMA có khả năng dự báo phù hợp đối với nhiều đối tượng như chỉ số VNIndex, lạm phát, tỷ giá hối đoái,… phần nhiều theo dạng dữ liệu ngắn hạn và cho kết quả dự báo gần sát với thực tế Đặc biệt trong sự hội nhập đa phương về mọi mặt như hiện nay, tỷ giá hối đoái là đối tượng rất được quan tâm và cần thiết đối với nền kinh tế các nước và việc sử dụng mô hình ARIMA, cụ thể là phương pháp Box-Jenkins là một quyết định phù hợp cho dự báo tỷ giá hối đoái

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 1 Phương pháp thu thập dữ liệu

Nghiên cứu sử dụng dữ liệu là chỉ số tỷ giá hối đoái của USD/VND từ tháng 01/2015 đến tháng 12/2021 Số liệu được thu thập từ: https://vn.investing.com Số liệu được nhóm nghiên cứu tổng hợp, xử lý bằng phần mềm excel, sau đó tiến hành thực hiện các kiểm định phân tích trên phần mềm Eviews

2 Các bước thực hiện xây dựng mô hình Box - JenKins

Bước 1: Kiểm tra tính dừng của chuỗi dữ liệu:

Mô hình ARMA bao gồm 02 phần chính là AR (Auto regression) và MA (Moving average), các thành phần này chỉ có thể thực hiện trên chuỗi thời gian dừng Trung bình và phương sai của một bộ dữ liệu được xem là dừng khi 2 yếu tố trên không thay đổi theo thời gian Trong bài nghiên cứu này nhóm tác giả sử dụng phương pháp kiểm định Dicky - Fuller Kiểm định như sau:

𝐻0: 𝛿 = 0 𝐻0: 𝛿 < 0

Nguyễn tắc kiểm định: Nếu giá trị Prob < mức giả trị (1%, 5%, 10%) thì ta có cở sở bác bỏ H0 hoặc chấp nhận H1 (𝛿 < 0), tức chuỗi thời gian có tính dừng Và ngược lại thì chuỗi thời gian không dừng

Bước 2: Nhận dạng mô hình:

Để nhận biết mô hình ARMA phải cần tìm các giá trị p, d, q Trong đó p là bậc tự hồi qui, d là bậc sai phân của chuỗi thời gian được khảo sát và q là bậc trung bình trượt Vận dụng 02 đồ thị PACF (Partical Autocorrelation Function) là hàm tự tương quan mẫu riêng phần và ACF (Autocorrelation Function) là hàm tự tương quan mẫu để xác định p và q khi PACF = f(t) và ACF = f(t)

Bảng 1: Tóm tắt dạng ACF và PACF cho mô hình ARIMA (p,q)

ARIMA(1,1) Bằng không sau độ trễ thứ nhất Bằng không sau độ trễ thứ nhất

ARIMA(p,q) Bằng không sau độ trễ thứ q Bằng không sau độ trễ thứ p

Bước 3: Ước lương các tham số trong mô hình:

Mô hình ARIMA xác định phương pháp tìm ước lượng hàm thích hợp cực đại (Maximim Likelihood) Sau đó kết hợp kiểm định thống kê t và ước lượng sao số trung bình (RMSE), sai số tuyệt đối trung bình (MAE), tỷ lệ phần trăm sai số tuyệt đối trung bình (MAPE) và tiêu chuẩn đánh giá BIC (Bayesian information criterion)

Bước 4: Kiểm định mô hình và chọn lựa tốt nhất:

Để kiểm tra sự thích hợp của mô hình chúng ta dựa vào kiểm tra phân dư có nhiễu trắng không Trường hợp phần dư có nhiễu trắng thì mô hình được chấp nhận, còn ngược lại thì chúng ta tiến hành lại từ đầu sử dụng Ljung-Box và trị thống kê Q thực hiện Nếu tôn tại nhiều hơn một mô hình phù hợp thì đánh giá dựa trên trị số BIC (Bayesian information criterion) nhỏ nhất sẽ là mô hình phù hợp nhất với việc xem xét các sai số khác như: RMSE, MAE, MAPE

Bước 5: Dự báo mô hình ARIMA:

Trong dự báo ngắn hạn mô hình ARIMA có độ tin cây cao hơn các mô hình truyền thống khác Dựa trên mô hình AIRIMA nhóm nghiên cứu có thể đánh giá và dự váo được tỷ lệ phần trăm sai lệch của dự báo so với giá trị thực tế

CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

Nhóm tiến hành vẽ đồ thị tỷ giá (USD/VND)

Hình 1: Đồ thị tỷ giá USD/VND

Từ đồ thị, nhóm thấy rằng tỷ giá của USD so với VND thay đổi tăng giảm theo thời gian nên vi phạm 1 trong 3 điều kiện của chuỗi dừng Đối với bài nghiên cứu, nhóm tiến hành kiểm tra tính dừng của chuỗi dữ liệu (tỷ giá USD/VND) bằng phương pháp kiểm định Dickey - Fuller (DF)

Cặp giả thuyết kiểm định tính dừng: 𝐻0: Chuỗi dữ liệu dừng

𝐻1: Chuỗi dữ liệu không dừng

Bảng 2: Kiểm định tính dừng Root Test

Với mức ý nghĩa 1%, p_value (Ty_Gia) = 0.00189 >0.01, ngoài ra trị tyệt đối của thống kê τ của biến tỷ giá là 3.281405 < giá trị τ ở mức ý nghĩa 1% Do đó bác bỏ giả thuyết 𝐻0, chuỗi dữ liệu không dừng

Để xử lý tính dừng của chuỗi dữ liệu tỷ giá USD/VND, nhóm tiến hành phương pháp lấy sai phân bậc 1 cho chuỗi dữ liệu, sau đó tiến hành kiểm định bằng phương pháp kiểm định Dickey - Fuller (DF) với cặp giả thuyết như phần 4.1

Kết quả thu được: