dự báo tỷ giá hối đoái giai đoạn 2023q3 2025q3 tại việt nam

Có thể nhận xét, đồ thị REER có dạng cộng tính, có yếu tố xu thế tăng dần. Khảo sát yếu tố mùa vụ của dữ liệu Nhóm tiến hành vẽ đồ thị theo mùa Seasonal Graph và thực hiện kiểm định

TRƯỜNG ĐẠI HỌC NGOẠI THƯƠNG KHOA KINH TẾ QUỐC TẾ

-oOo -TIỂU LUẬN TÀI CHÍNH QUỐC TẾ

ĐỀ TÀI:

DỰ BÁO TỶ GIÁ HỐI ĐOÁI GIAI ĐOẠN 2023Q3 – 2025Q3

TẠI VIỆT NAM

Lớp tín chỉ: KTE418(HK1-2324)1.2

Giảng viên hướng dẫn: TS Đinh Thị Thanh Bình Nhóm sinh viên thực hiện: Nhóm 8

Hà Nội, tháng 9 năm 2023

LỜI MỞ ĐẦU

CHƯƠNG 1: KHẢO SÁT DỮ LIỆU

1.1 Phương pháp thu thập số liệu, nguồn số liệu

1.2 Mô tả thống kê dữ liệu

Thực hiện thống kê mô tả cho chuỗi (sau đây sẽ gọi là REER), nhóm được bảng mô tả một số thống kê quan trọng như sau:

Bảng 1 Mô tả thống kê chuỗi dữ liệu REER

Số quan sát 94 Giá trị trung bình 122.0716 Trung vị 118.6485 Giá trị lớn nhất 160.9224 Giá trị nhỏ nhất 88.27144

Độ lệch chuẩn 22.00947

Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 12

Qua bảng mô tả thống kê, nhóm có cái nhìn tổng quát về bộ dữ liệu:

• Bộ dữ liệu gồm 94 quan sát

• Giá trị trung bình và trung vị của chuỗi trong khoảng thời gian này lần lượt là

122.0716 và 118.6485

• Độ lệch chuẩn có giá trị không cao (xấp xỉ 18% giá trị trung bình) Điều này thể

hiện giá trị của chuỗi dữ liệu có độ phân tán thấp xung quanh giá trị trung bình

Chênh lệch giữa giá trị lớn nhất và giá trị nhỏ nhất khá cao (160.9224 và 88.27144)

1.3 Khảo sát số liệu

1.3.1 Phương pháp đồ thị

Nhóm có đồ thị theo thời gian của chuỗi REER như sau:

Hình 1: Đồ thị mô tả chuỗi giá trị biến động tỷ giá (REER) tại Việt Nam

Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 12

Từ đồ thị trên có thể thấy được chuỗi REER có xu hướng tăng dần qua các năm Nhìn chung, chuỗi có

xu hướng tăng mạnh dần trong các năm phía sau Riêng từ khoảng 2000 đến 2004, REER có xu hướng giảm nhẹ, khoảng 2008 – 2009 tăng vọt và từ 2010 trở đi giữ xu hướng tăng dần ổn định hơn Có thể nhận xét, đồ thị REER có dạng cộng tính, có yếu tố xu thế (tăng dần)

 Khảo sát yếu tố mùa vụ của dữ liệu

Nhóm tiến hành vẽ đồ thị theo mùa (Seasonal Graph) và thực hiện kiểm định Kruskal – Wallis để kiểm tra tính mùa vụ của chuỗi dữ liệu

Đầu tiên, nhóm vẽ đồ thị theo mùa cho chuỗi REER:

Hình 2: Đồ thị theo mùa của chuỗi REER

Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 12

Các đường màu đỏ nằm ngang là giá trị trung bình theo từng quý trong năm của chuỗi Do các vạch đỏ này xuất hiện nhưng sự chênh lệch giữa chúng là không đáng kể Vì vậy có thể nhận định chuỗi REER

có tính mùa vụ nhưng chúng ta không cần loại tính mùa vụ này khỏi chuỗi

Tiếp theo, nhóm tiến hành kiểm định Kruskal – Wallis với giả thuyết như sau:

H0: Chuỗi dữ liệu không có yếu tố mùa vụ

H1: Chuỗi dữ liệu có yếu tố mùa vụ

Kết quả thu được như sau:

Bảng 2: Kết quả kiểm định Kruskal - Wallis

Phương pháp df Giá trị p_value

Kruskal – Wallis 4 85.93438 0.0000

Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 12

Ta thấy p_value = 0.0000 < 0.05 => bác bỏ giả thuyết H0

⇨ Chuỗi dữ liệu có yếu tố mùa vụ

Từ ba phương pháp trên (khảo sát bằng đồ thị, sử dụng biểu đồ Seasonal Graph và kiểm định Kruskal – Wallis), nhóm đưa ra kết luận mô hình dự báo cho chuỗi dữ liệu REER là mô hình cộng tính có cả yếu tố

xu thế và mùa vụ

1.3.2 Phân tích tự tương quan và tự tương quan riêng của chuỗi

Thông qua phần mềm Eviews 12, nhóm có giản đồ tự tương quan và tự tương quan riêng của chuỗi REER như sau:

Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 12

Dựa vào giản đồ tự tương quan (ACF), ta thấy các hệ số tự tương quan ở các độ trễ đầu tiên đều lớn và

có ý nghĩa thống kê Điều này cho thấy chuỗi REER có yếu tố xu thế mạnh và có khả năng không có tính dừng

1.3.3 Kiểm định tính dừng của chuỗi

Để kiểm tra tính dừng của chuỗi dữ liệu nhằm đảm bảo mô hình không có hiện tượng hồi quy giả mạo, nhóm sử dụng kiểm định bước ngẫu nhiên (hay còn gọi là kiểm định nghiệm đơn vị Augmented Dickey

Hình 3: Giản đồ tự tương quan và tự tương quan riêng của chuỗi REER

– Fuller (ADF) Nhóm kiểm định tính dừng cho chuỗi REER, sai phân bậc 1 của chuỗi REER với cặp giả thuyết sau:

H0: Chuỗi dữ liệu không có tính dừng

H1: Chuỗi dữ liệu có tính dừng

Kết quả kiểm định ADF như sau:

Bảng 3: Kết quả kiểm định ADF của chuỗi REER, sai phân bậc 1

Tên chuỗi Ký hiệu chuỗi Thống kê t p_value Kết luận

Chuỗi gốc (REER) REER -0.239526 0.9284 Chấp nhận H0

Chuỗi sai phân bậc 1 d(REER) -6.880234 0.0000 Bác bỏ H0

Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 12

Kết quả trên cho thấy chuỗi REER là chuỗi không dừng, chỉ có chuỗi sai phân bậc 1 của dữ liệu ban đầu

là chuỗi có tính dừng

Kết luận: Khảo sát dữ liệu cho thấy chuỗi dữ liệu REER là chuỗi có yếu tố xu thế mạnh và mùa vụ,

cường độ mạnh dần và có sai phân bậc 1 là chuỗi dừng Vì thế mô hình dự báo chuỗi REER sẽ là mô hình cộng tính có cả yếu tố xu thế và mùa vụ

CHƯƠNG 2: LỰA CHỌN PHƯƠNG PHÁP DỰ BÁO

2.1 Dự báo thô hiệu chỉnh kết hợp xu thế và mùa vụ

Khi chuỗi dữ liệu cần dự báo có cả yếu tố xu thế và yếu tố mùa vụ thì dự báo thô hiệu chỉnh kết hợp yếu

tố xu thế và mùa vụ như sau:

= + ( - ) Với s là số mùa vụ trong năm (dữ liệu theo quý s = 4, dữ liệu theo tháng s = 12)

2.2 Phương pháp san mũ Holt – Winter

(Khác các ac, mình là MH cộng tính)

2.3 Phương pháp phân tích

2.4 Phương pháp ARIMA

Mô hình ARIMA là một loại mô hình được sử dụng phổ biến trong kinh tế lượng George Box và Gwilym Jenkins (1976) đã nghiên cứu mô hình ARIMA (Autoregressive Integrated Moving Average -

Tự hồi quy tích hợp Trung bình trượt), và tên của họ thường được dùng để gọi tên các quá trình ARIMA tổng quát, áp dụng vào việc phân tích và dự báo các chuỗi thời gian

Mô hình ARIMA (p, d, q) được tạo thành bởi 3 thành phần chính là AR (thành phần tự hồi quy); I (tính dừng của chuỗi thời gian) và MA (thành phần trung bình trượt):

• Thành phần d của mô hình được nhận dạng thông qua kiểm định tính dừng của chuỗi thời gian Ta có thể sử dụng đồ thị của Yt theo thời gian hoặc kiểm định nghiệm đơn vị (Unit Root Test) Nếu chuỗi thời gian dừng ở bậc 0 thì d = 0, nếu sai phân bậc 1 của chuỗi dừng thì d = 1,

• Thành phần p và q của quá trình tự hồi quy - AR và trung bình trượt - MA được xác định thông qua biểu đồ tự tương quan ACF và biểu đồ tự tương quan riêng phần PACF

Với các chuỗi thời gian có yếu tố mùa vụ, cần tách yếu tố mùa vụ ra trước rồi mới tiến hành dự báo bằng ARIMA Cách dự báo này được gọi là dự báo bằng mô hình SARIMA hay ARIMA điều chỉnh yếu tố mùa vụ

Sau khi các tham số của mô hình tổng quát đã được xây dựng, người ta sẽ kiểm tra mức độ chính xác và

sự phù hợp của mô hình với dữ liệu đã lập Ta xem xét phần sai số có phải ngẫu nhiên thuần túy không, các chỉ số AIC, SBC và HQ có phải tối ưu không Nếu có thì mô hình đó thỏa mãn, nếu không thì ta sẽ phải thực hiện lại các bước trên

Ở bước cuối cùng, khi mô hình phù hợp với dữ liệu đã tìm được, ta sẽ thực hiện dự báo tại thời điểm tiếp theo

Cụ thể, quy trình dự báo bằng mô hình ARIMA được tóm tắt qua các bước sau:

Bước 1: Kiểm tra tính dừng của chuỗi cần dự báo Nếu chuỗi không dừng cần biến đổi thành chuỗi dừng (lấy log, lấy sai phân của chuỗi, )

Bước 2: Tìm p, q của mô hình bằng giản đồ tương quan và tương quan riêng phần ACF và PACF Bước 3: Ước lượng mô hình với p, q vừa tìm được

Bước 4: Kiểm tra mô hình và các điều kiện giả định của mô hình: Độ trễ cao nhất có ý nghĩa thống kê hay không, nhiễu trắng, chất lượng dự báo (MAPE <= 5%) Bước 5: Tiến hành dự báo ngoài mẫu

CHƯƠNG 3: KẾT QUẢ DỰ BÁO

3.1 Dự báo thô hiệu chỉnh kết hợp xu thế và mùa vụ

Để dự báo cho chuỗi dữ liệu với dữ liệu theo quý thì s = 4 bằng lệnh trong phần mềm Eview 12 như sau: genr reerf = reer(-4) + reer(-4) - reer(-8)

Nhóm thu được bảng kết quả dự báo cho 4 quý từ 2023Q3 đến 2024Q2 như sau:

Quý 2023Q3 2023Q4 2024Q1 2024Q2

Giá trị dự báo 165.5044 171.0861 155.5259 147.6313

Để so sánh giữa kết quả giá trị dự báo (reerf) và giá trị thực tế (reer), nhóm sử dụng đồ thị để biểu thị sự chênh lệch này

Hình 4: Kết quả giá trị dự báo và giá trị thực tế

Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 12

Dựa vào đồ thị so sánh mức độ chênh lệch giữa giá trị dự báo và giá trị thực tế cùng với sai số % trung bình tuyệt đối kết luận rằng chuỗi dữ liệu được dự báo có thể kết luận rằng mô hình dự báo thô hiệu chỉnh kết hợp xu thế và mùa vụ đưa ra kết quả dự báo tương đối sát với giá trị thực tế

3.2 Phương pháp san mũ Holt – Winter

Thao tác dự báo bằng phương pháp san mũ Holt - Winters cho mô hình nhân trong Eviews 12:

chọn chuỗi REER => Proc => Exponential Smoothing => Simple Exponential Smoothing => Holt-Winters – Additive

Bảng 4: Các giá trị ước lượng bằng phương pháp san mũ Winters

1.0000 0.0000 0.0000 Tổng bình phương phần dư (SSR) 768.2482

Căn bậc hai trung bình bình phương sai số (RMSE) 2.858820

2022Q4 0.300286 2023Q1 -0.230002

2023Q2 -0.043097

Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 12

Các phương trình san mũ Winter cho mô hình cộng:

Bảng 5: Kết quả dự báo bằng phương pháp san mũ Winter cho mô hình cộng tính giai đoạn

2023Q3 – 2025Q2

2023Q3 151.982520096195 2023Q4 152.9054492343549 2024Q1 152.9706189626591 2024Q2 153.7529816734328 2024Q3 154.3643510336459 2024Q4 155.2872801718058 2025Q1 155.35244990011 2025Q2 156.1348126108837

Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 12

Sau khi dự báo, nhóm sử dụng lệnh line nhằm so sánh biểu đồ chuỗi REER và chuỗi dự báo:

Hình 5: So sánh giá trị dự báo và giá trị thực tế của tỷ giá hối đoái

Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 12

Thực hiện dự báo bằng phương pháp san mũ Winters với sai số % trung bình tuyệt đối MAPE bằng , đây là con số tốt chứng minh độ chính xác của dự báo Từ đồ thị có thể thấy đường REERSM không chênh lệch nhiều so với đường REER, hàm ý có thể tin cậy vào giá trị được dự báo

3.3 Phương pháp phân tích

Nhóm tác giả dự báo bằng phương pháp phân tích trong phần mềm Eview 12 bao gồm các bước như sau:

Bước 1: Nhận dạng dữ liệu

Qua phần khảo sát dữ liệu ở Chương 1, nhóm đưa ra kết luận mô hình dự báo cho chuỗi dữ liệu REER là

mô hình cộng tính có cả yếu tố xu thế và mùa vụ

Bước 2: Tách yếu tố mùa vụ S

Tại cửa sổ của graph (hình vẽ) – proc- seasonal adjustment- moving average methods-( chọn ratio moving average)- reersa

Bảng: Chỉ số mùa vụ Scaling Factors dự báo bằng phương pháp phân tích

Qu ý

Hệ số mùa vụ

1 -0.213644

2 -0.085843

3 -0.045904

4 -.345391

Bước 3: Tạo biến xu thế để đc ước lượng mô hình

i) Tạo biến xu thế

Genr t= @trend(1999Q4)

ii) Chạy mô hình

Ước lượng chuỗi đã hiệu chỉnh xu thế t và kiểm định mô hình ước lượng Sau khi thử nhiều hàm xu thế khác nhau của reer, nhóm tìm ra hàm xu thế tốt nhất đối với mô hình và chạy ước lượng bằng lệnh: ls reer c t t^2 t^3 t^4

Reer=

Nhóm chạy và thu được phương trình hồi quy như sau:

Reer=

Bảng 3.5 Kiểm định sự phù hợp của hàm xu thế

p-value Mức ý nghĩa Kết luận Các hệ số hồi quy Có ý nghĩa thống kê

Bỏ sót biến 0.3509 Lớn hơn Không có bỏ sót biến

Tự tương quan với

nhiễu của lags=2

0 Nhỏ hơn Có tự tương quan Phương sai sai số

thay đổi

0.2770 Lớn hơn Không có phương sai

sai số thay đổi

Phân phối chuẩn của

nhiễu

0.115372 Lớn hơn

Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 12

iii) Khắc phục tự tương quan

Thực hiện lệnh Estimate- Robust LS

Từ đó, mô hình dự báo cuối cùng được đưa ra là:

Reer=

iv) Dự báo cho chuỗi đã hiệu chỉnh theo xu thế

Dựa vào đồ thị kết quả dự báo chuỗi đã hiệu chỉnh theo xu thế, ta thấy sai số %

trung bình tuyệt đối MAPE của mô hình bằng 3.15%

Bước 4: Kết hợp yếu tố mùa vụ để đưa ra kết quả dự báo cuối cùng

Sử dụng câu lệnh trong Eview genr reerf1=reerf + sd

Thu được bảng giá trị dự báo tổng giá trị nhập khẩu theo tháng Việt Nam cho 10

tháng cuối năm 2023 như sau:

Quý-Năm Giá trị của tỷ giá 3-2023 150.2312 4-2023 150.3552 1-2-24 149.4921 2-2024 149.2800 3-2024 148.9451 4-2024 148.9274 1-2025 147.9265

2-2025 147.5804 3-2025

146.1157

3.4 Phương pháp ARIMA

Nhóm tiến hành sử dụng chuỗi đã tách yếu tố mùa vụ Reersa trong mô hình phân tích để thực hiện các bước như sau:

Bước 1: Xét tính dừng của chuỗi

Kiểm định tính dừng của chuỗi đã tách yếu tố mùa vụ bằng kiểm định nghiệm đơn vị (Unit Root Test – Dickey-Fuller) với cặp giả thiết:

H0 - chuỗi có nghiệm đơn vị (chuỗi không dừng)

H1 - chuỗi không có nghiệm đơn vị (chuỗi dừng)

Kết quả kiểm định được cho trong bảng:

Bảng 3.8 Bảng kiểm định tính dừng của chuỗi reersa

Thống kê t P-value

Kiểm định Augmented

Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eview 12

Ta thấy p-value = 0.9311 > α = 0.05 nên chưa thể bác bỏ H , chuỗi reersa chưa phải là chuỗi dừng.0 Thực hiện kiểm định Unit Root Test một lần nữa với sai phân bậc 1 của chuỗi

reersa, ta thu được bảng kết quả:

Bảng 3.9 Bảng kiểm định tính dừng của chuỗi dreersa

Thống kê t P-value

Kiểm định Augmented

Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eview 12

Ta thấy p-value = 0.0000 < α = 0.05 nên bác bỏ H0, sai phân bậc 1 của chuỗi dreersa là chuỗi dừng

Bước 2: Xác định bậc p, q của mô hình ARIMA với AR(p) và MA(q)

Lựa chọn bậc của 2 mô hình AR(p) và MA(q) bằng giản đồ tự tương quan riêng phần (PACF) và tự tương quan (ACF)

Mở chuỗi reersa – View – Correlogram- 1st difference với lags=8, ta được giản đồ sau:

Bảng 3.10 Giản đồ tương quan và tương quan riêng phần của dreer

Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eview 12 Nhìn vào giản đồ, tự tương quan và tự tương quan riêng phần, ta có thể lựa chọn được p=2, p=4; q=1 Nhóm tiến hành ước lượng mô hình ARIMA tương ứng: ARIMA(2,1,1); ARIMA(4,1,1)

Xét mô hình ARIMA(2,1,1)

Sử dụng lệnh ls d(reersa) c ar(1) ar(2) ma(1) cho ra kết quả như sau:

Bảng…: Kết quả ước lượng mô hình ARIMA(2,1,1)

c 0.550239 0.377698 1.456823 0.1487

AR (1) -0.038305 0.213106 -0.179746 0.8578

AR (2) -0.094330 0.144854 -0.651206 0.5166 MA(1) 0.564893 0.199915 2.825674 0.0058 SIGMASQ 6.375537 1.006008 6.337460 0.0000

R2 = 22.75% AIC = 4.802392

R2 hiệu chỉnh = 19.24% SBC=4.938553

p-value (thống kê F) = 0.000128 HQC = 4.857370

Nguồn: Nhóm tác giả tự tổng hợp qua phần mềm Eviews 12 Bảng kết quả trên cho thấy các hệ số đều không có ý nghĩa thống kê

Tiếp tục chọn lệnh Forecast tại bảng kết quả hồi quy, ta có:

Hình…: Dự báo

Kết quả cho thấy chỉ số MAPE của mô hình bằng 8.517444% và MAE=9.186549 Nhóm sử dụng chỉ số này để so sánh tính hiệu quả so với các mô hình khác

Xét mô hình ARIMA(4,1,1)

Tương tự, Sử dụng lệnh ls d(reersa) c ar(1) ar(2) ar(3) ar(4) ma(1) cho ra kết quả như sau:

Bảng…: Kết quả ước lượng mô hình ARIMA(2,1,1)

Biến Hệ số góc Độ lệch chuẩn Thống kê t p-value

c 0.558908 0.326272 1.713015 0.0903

AR (1) 0.290206 0.650537 0.446103 0.6566

AR (2) -0.274393 0.353668 -0.775850 0.4400 AR(3) 0.123751 0.268864 0.460273 0.6465 AR(4) -0.169801 0.183844 -0.923616 0.3583

MA(1) 0.232605 0.650629 0.357507 07216 SIGMASQ 6.266093 0.982331 6.378799 0.0000 R2 = 24.08% AIC = 4.88878

R2 hiệu chỉnh = 18.78% SBC=5.019504

p-value (thống kê F) = 0.000128 HQC = 4.905847

Nguồn: Nhóm tác giả tự tổng hợp qua phần mềm Eviews 12 Bảng kết quả trên cũng cho thấy các hệ số đều không có ý nghĩa thống kê

Tiếp tục chọn lệnh Forecast tại bảng kết quả hồi quy, ta có:

Có thể thấy, khi so sánh 2 mô hình ARIMA, giá trị R^2 của ARIMA(4,1,1) lớn hơn R^2 của mô hình ARIMA(2,1,1) nhưng giá trị hiệu chỉnh của nó lại nhỏ hơn Không những thế, các hệ số của cả 2 mô hình đều không mang ý nghĩa thống kê, tuy nhiên, với mục đích dự báo, nhóm sẽ sử dụng sai số phần trăm tuyệt đối MAPE để so sánh với các mô hình khác

Nhận thấy mô hình ARIMA(4,1,1) có MAPE nhỏ hơn so với mô hình ARIMA(2,1,1) (7,79 <8,51) Do

đó, ở mô hình ARIMA, nhóm lựa chọn mô hình ARIMA(4,1,1) là mô hình hiệu quả hơn cả

Dự báo chuỗi reer:

Để dự báo chuỗi reer theo mô hình ARIMA(4,1,1), sử dụng kết quả dự báo chuỗi reersaf