TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂNKHOA KẾ HOẠCH & PHÁT TRIỂN
BÀI TẬP LỚN
HỌC PHẦN: Dự báo kinh tế xã hội 1
ĐỀ TÀI: Hãy thu thập dữ liệu chuỗi thời gian về chỉ số giá vàng thực tế củaViệt Nam (theo tháng) giai đoạn 2018-1022, từ đó áp dụng phương pháp
ARIMA/SARIMA để dự báo chỉ số giá vàng 5 tháng đầu năm 2023.Họ và tên SV: Nguyễn Anh Ngọc
Mã sinh viên: 11224686
Lớp học phần: PTCC1126(123)_04GV hướng dẫn: Lê Huy Đức
HÀ NỘI: 11/2023
Trang 2MỤC LỤC
I TẦM QUAN TRỌNG CỦA ĐỀ TÀI 2
II MỤC TIÊU, ĐỐI TƯỢNG, PHẠM VI NGHIÊN CỨU 2
III PHƯƠNG PHÁP NGHIÊN CỨU 3
1 Nhận dạng mô hình 3
2 Xác định bậc p (bậc tự hồi quy), q (bậc trung bình trượt) 3
3 Chạy mô hình ARIMA (sử dụng phần mềm SPSS) 3
4 Kiểm định mô hình và dự báo 3
IV TIẾN HÀNH DỰ BÁO 4
Trang 3I TẦM QUAN TRỌNG CỦA ĐỀ TÀI
Vàng từ trước đến nay luôn được biết đến là một kênh dự trữ an toàn do giá cả không bị mất quá nhiều, do đó người Việt Nam luôn tìm đến vàng để dữ trự tài sản vào thời điểm lạm phát lên cao, tiền tệ bị mất giá quá nhiều Trong thời điểm năm 2023, khi lạm phát vẫn đang ở mức cao thì vàng lại càng là công cụ dự trữ tài sản hữu hiệu.
Chỉ số giá vàng là chỉ tiêu tương đối (tính bằng %) phản ánh xu hướng và mức độ biến động giá theo thời gian của mặt hàng vàng trên thị trường Từ chỉ sốgiá vàng có thể thấy được mối tương quan giữa chỉ số giá vàng và lãi suất Chỉ số giá vàng cho thấy một cách trực quan nhất về các thay đổi của giá vàng, vì vậy có thể so sánh mối liên hệ của giá vàng và thị trường chứng khoán dễ dàng Do vậy việc dự báo được giá vàng sẽ phần nào dự báo được giá của hàng hóa của thị trường khác, ngoài ra còn giúp công chúng chọn lựa được kênh đầu tư chuẩn xác với tỉ suất lợi nhuận cao Qua bài tập này em hy vọng mình có thể vậndụng được những kiến thức đã học qua môn dự báo kinh tế- xã hội để có thể dự đoán chỉ số giá vàng trong một vài tháng sắp tới Từ đó dự đoán được các chỉ số khác liên quan.
II MỤC TIÊU, ĐỐI TƯỢNG, PHẠM VI NGHIÊN CỨU
- Mục tiêu: Dự báo chỉ số giá vàng tại Việt Nam của 5 tháng đầu năm 2023 thông qua các dữ liệu về chỉ số giá vàng đã tìm được.
- Đối tượng: Chỉ số giá vàng Việt Nam 5 tháng đầu năm 2023.
- Phạm vi nghiên cứu: Chỉ số giá vàng tại Việt Nam theo tháng giai đoạn 2017-2022.
Trang 4III PHƯƠNG PHÁP NGHIÊN CỨU
Về tổng quát thì ARIMA là mô hình kết hợp của 2 quá trình tự hồi quy và trung bình trượt Dữ liệu trong quá khứ sẽ được sử dụng để dự báo dữ liệu trong tương lai Mô hình ARIMA được kết hợp bởi 3 thành phần chính: AR (thành phần tự hồi quy, tính dừng của chuỗi thời gian) và MA (thành phần trung bình trượt) Để sử dụng mô hình ARIMA trong dự báo chuỗi thời gian, hầu hết các chuỗi thời gian đều có sự tương quan giữa giá trị trong quá khứ đến giá trị hiện tại Mức độ tương quan càng lớn khi chuỗi càng gần thời điểm hiện tại Chính vì thể mô hình ARIMA sẽ tìm cách đưa vào các biến trễ nhằm tạo ra một mô hình dự báo phù hợp tốt hơn giá trị của chuỗi Các bước thực hiện mô hình:
1 Nhận dạng mô hình
Nhận dạng mô hình: Để sử dụng mô hình ARIMA(p,d,q) trong dự báo cần nhận dạng ba thành phần p, d và q của mô hình Thành phần d của mô hình đượcnhận dạng thông qua kiểm định tính dừng của chuỗi thời gian Nếu chuỗi thời gian dừng ở bậc 0 ta ký hiệu I(d=0), nếu sai phân bậc 1 của chuỗi dừng ta ký hiệu I(d=1), nếu sai phân bậc 2 của chuỗi dừng ta ký hiệu I(d=2)…
2 Xác định bậc p (bậc tự hồi quy), q (bậc trung bình trượt)
Sau khi kiểm định tính dừng, ta sẽ xác định bậc p của quy trình tự hồi quy (AR) và bậc q của quy trình trung bình trượt (MA) thông qua biểu đồ tự tương quan (ACF) và biểu đồ tự tương quan riêng phần (PACF).
3 Chạy mô hình ARIMA (sử dụng phần mềm SPSS)4 Kiểm định mô hình và dự báo
Sau khi xác định các tham số của quá trình ARIMA, tiến hành kiểm định xemsố hạng sai số et của mô hình có phải là một nhiễu trắng (white noise) hay không Đây là yêu cầu của một mô hình tốt.
Trang 5Sau khi đã tìm ra được mô hình ARIMA tốt nhất, dựa trên phương trình của mô hình ARIMA, tiến hành xác định giá trị dự báo điểm và khoảng tin cậy của dự báo.
IV TIẾN HÀNH DỰ BÁO
1 Số liệu sử dụng
Để tiến hành dự báo, thu thập 60 số liệu về chỉ số giá vàng (tháng sau so với tháng trước) của Việt Nam hàng tháng, từ tháng 1/2018 đến tháng 12/2022 (đơn vị tính: %), thể hiện ở bảng sau:
Bảng 1: Chỉ số giá vàng hàng tháng của Việt Nam 2018-2022
(chỉ số ở tháng 12 năm 2017 là 100)Thời
gianChỉ sốThờigianChỉ sốThờigianChỉ sốThờigianChỉ sốThờigianChỉ số
2018m1101,692019m1102,252020m1104,372021m1102,172022m1101,082018m2101,832019m2101,532020m2102,742021m2100,252022m2101,852018m399,652019m399,512020m3103,872021m397,032022m3104,512018m4100,472019m499,502020m4100,692021m498,102022m4100,732018m599,252019m599,502020m5102,412021m5101,682022m599,482018m699,212019m6101,982020m6101,712021m6101,122022m698,862018m798,432019m7104,792020m7103,492021m798,612022m797,612018m898,592019m8104,612020m8109,862021m899,512022m899,102018m999,032019m9103,252020m999,672021m9100,002022m998,292018m10 100,12 2019m1099,432020m10 103,25 2021m1099,792022m10 100,502018m11 100,98 2019m1199,372020m1199,432021m11 102,65 2022m11 101,822018m12 100,41 2019m1299,642020m12 100,12 2021m12 100,25 2022m12 100,45
Đơn vị: Phần trăm (%) Nguồn: Tổng cục thống kê
2 Thực hiện quy trình dự báo
Bước 1: Kiểm định tính dừng của chuỗi thời gian
Trang 6Để xác định tính dừng của chuỗi thời gian, nhập số liệu về chuỗi thời gian vào phần mềm Eviews 12, đặt tên biến là CHISO và thực hiện kiểm định ADF
bằng lệnh View/Unit Root Test, trong mục Test for unit root in chọn Level.
Hình 2.1: Chạy kiểm định tính dừng
Thu được kết quả kiểm định như sau:
Bảng 2.1: Kết quả kiểm định tính dừng
Trang 7Nhận thấy giá trị P-value = 0.0001 < 0.05 có thể kết luận rằng chuỗi thời giannên có thể kết luận rằng chuỗi thời gian này là chuỗi dừng Do đó mô hình ARIMA có d = 0, mô hình ARIMA sử dụng có dạng ARIMA(p, 0, q).
Bước 2: xác định bậc của p và q thông qua đồ thị ACF và PACF
Bấm vào biến CHISO chọn View/ Correlogram, chuỗi có tính dừng nên chọn level, thấy hiện ra bảng sau:
Hình 2.2: Đồ thị ACF và PACF
Trang 8So sánh ACF và PACF với giá trị giới hạn ±1.96/ để tìm ra bậc của p và q Ở đây là ±1.96/ = ± 0.253034912 vị trí số liệu PACF nào nằm ngoài khoảng từ - 0.253034912 đến 0.253034912 thì là các giá trị của p và cứ số liệu ACF nào ngoài khoảng trên thì là các giá trị của q.
Dựa vào đồ thị xác định được p = 1 và q = 1
Do đó thiết lập được mô hình phù hợp là ARIMA(1,0,1).
Bước 3: : Chạy mô hình ARIMA nói trên có được trên phần mềm SPSS để ước lượng, kiểm định và dự báo.
Nhập lại số liệu vào SPSS và đặt tên là biến Y Chọn mục Analyze / Forecasting / Creat Traditional Models Sau đó đưa biến Y vào mục DependentVariables.
Hình 2.3: Mở mô hình ARIMA
Trang 9Ở thẻ Variables, trong khung Method chọn ARIMA để dự báo cho phương pháp này Trong mục Criteria chọn các giá trị p, d, q ở phần Nonseason (không có yếu tố mùa vụ) đã xác lập để xem mô hình dự báo Điền giá trị p, d, q tương
ứng đã tìm được rồi bấm Continue.
Tại thẻ Statistics chọn các mục như sau:
Hình 2.4: Đặt điều kiện cho mô hình ARIMA Trong thẻ Plots chọn các mục như sau:
Hình 2.5: Đặt điều kiện cho mô hình ARIMA
Trang 10Tại thẻ Options chọn 65 để dự báo cho 5 bước tiếp theo từ 61 đến 65:
Hình 2.6: Chạy mô hình ARIMA Sau đó bấm OK để chạy mô hình, thu được kết quả sau :
Model Description
Model Type
ARIMA(1, 0, 1)
Trang 11Model Fit
Fit StatisticMeanSEMinimumMaximum
5102550759095Stationary R-
squared.133 133.133.133.133.133.133.133.133.133R-squared .133 . .133 .133 .133 .133 .133 .133 .133 .133 .133RMSE 2.060 . 2.060 2.060 2.060 2.060 2.060 2.060 2.060 2.060 2.060MAPE 1.508 . 1.508 1.508 1.508 1.508 1.508 1.508 1.508 1.508 1.508MaxAPE 7.328 . 7.328 7.328 7.328 7.328 7.328 7.328 7.328 7.328 7.328MAE 1.532 . 1.532 1.532 1.532 1.532 1.532 1.532 1.532 1.532 1.532MaxAE 8.051 . 8.051 8.051 8.051 8.051 8.051 8.051 8.051 8.051 8.051Normalized BIC
Model Statistics
Number ofPredictors
Model Fit
statisticsLjung-Box Q(18)
Number ofOutliersStationary R-
Y-Model_1Forecast100.76100.82100.85100.86100.87UCL104.88105.18105.26105.28105.29LCL96.6396.4696.4496.4596.45
Trang 12Hình 2.7: Kết quả chạy mô hình ARIMA(1, 0, 1)
Trang 13Bước 4: Kiểm định mô hình và dự báo
Trên đồ thị phần dư của ACF và PACF ta thấy toàn bộ các quan sát vượt nằm trong giới hạn nên phần dư này là nhiễu trắng Do đó, mô hình ARIMA(1, 0, 1) này là phù hợp.
Kết quả dự báo 5 tháng đầu năm 2023 ứng với giá trị của các quan sát thứ 61 đến 65 trên bảng Forecast:
Bảng 2.2: Dự báo chỉ số giá vàng 5 tháng đầu năm 2023Tháng1/20232/20233/20234/20235/2023
Y-Model_1 Forecast 100.76100.82100.85100.86100.87UCL104.88105.18105.26105.28105.29
3 Đánh giá dự báo
Từ kết quả Eview ta thấy mô hình dự báo ARIMA(1, 0, 1 ) có phần dư là nhiễu trắng do đó mô hình là phù hợp Và giá trị sai số RMSE = 2.060 tương đối nhỏ như vậy kết quả dự báo là đáng tin cậy.
Trang 14KẾT LUẬN
Nghiên cứu này đã kế thừa kết quả của những nghiên cứu trước đó, đồng thời đã chỉ ra được những hạn chế và khoảng trống nghiên cứu Trên cơ sở khẳng định về sự hội tụ trong thu nhập của nghiên cứu trước, nghiên cứu này đã đề xuấtđược phương pháp nghiên cứu mới và dự báo cho giai đoạn trung, dài hạn để đưa ra những hàm ý chính sách cho những nhà hoạch định Bên cạnh đó bài nghiên cứu còn có một số hạn chế, trên thực tế, các quá trình kinhtế - xã hội thường có sự biến động lớn dưới tác động của nhiều nhân tố, các yếu tố ngẫu nhiên.Vì vậy em đã đưa ra những giả thiết của mô hình đó là ko tính đến sự thay đổi đột ngột của các yếu tố tác động đến Chỉ số giá vàng như:
- Yếu tố khủng hoảng kinh tế – chính trị toàn cầu.
- Chính sách và phương thức hoạt động của ngân hàng trung ương.
- Hoạt động của các quỹ giao dịch trao đổi ETF vàng.- Tác động của đồng USD đến giá vàng.
- Ảnh hưởng của lạm phát và lãi suất đến giá vàng.
- Quan hệ giữa nguồn cung – cầu vàng ảnh hướng tới giá vàng.
Trang 15DANH MỤC TÀI LIỆU THAM KHẢO
1 Lê Huy Đức (2019) Giáo trình dự báo kinh tế xã hội, Đại học Kinh tế Quốc dân, Hà Nội.
Trang 16PHỤ LỤCDanh mục bảng:
1 Bảng 1: Số liệu về chỉ số giá vàng (tháng sau so với tháng trước) của Việt Nam hàng tháng, từ tháng 1/2018 đến tháng 12/2022.
2 Bảng 2.1: Kết quả kiểm định tính dừng.
3 Bảng 2.2: Dự báo chỉ số giá vàng 5 tháng đầu năm 2023.
Danh mục hình:
1 Hình 2.1: Chạy kiểm định tính dừng2 Hình 2.2: Đồ thị ACF và PACF3 Hình 2.3: Mở mô hình ARIMA
4 Hình 2.4, 2.5: Đặt điều kiện cho mô hình ARIMA5 Hình 2.6: Chạy mô hình ARIMA
6 Hình 2.7: Kết quả chạy mô hình ARIMA