Tiểu Luận Dự Báo Ứng Dụng Mô Hình Arima Vào Dự Báo Kinh Tế Chỉ Số Vnindex Trong Năm Thời Đoạn Tương Lai.pdf

Bài viết này nhằm nghiên cứu mô hình ARIMA và ứng dụng mô hình này vào dự báo chỉ số VNIndex theo tuần tại Việt Nam.. ARIMA được kết hợp bởi 3 thành thành phần chính: AR thành phần tự hồ

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂN

- - - - - -  

BÀI TẬP LỚN

MÔN HỌC: DỰ BÁO KINH TẾ XÃ HỘI

ĐỀ TÀI: Ứng dụng mô hình ARIMA vào dự báo kinh tế chỉ số VNIndex

trong năm thời đoạn tương lai

Hà Nội, ngày 11 tháng 11 năm 2023

1

MỤC LỤC

A LỜI MỞ ĐẦU……… 3

B PHƯƠNG PHÁP NGHIÊN CỨU……… 3

C XÂY DỰNG MÔ HÌNH VÀ KẾT QUẢ NGHIÊN CỨU………4

D KẾT LUẬN……….10

E TÀI LIỆU THAM KHẢO……….….11

2

1 LỜI NÓI ĐẦU

Dự báo các biến số kinh tế là vấn đề mà các nhà kinh tế và các nhà hoạch định chính sách đều quan tâm khi lập kế hoạch cho đơn vị của mình Kết quả dự báo càng chính xác thì kế hoạch lập ra sẽ càng khả thi Stock & Watson (2007) cho rằng lạm phát ngày càng khó dự báo hơn do các nhà hoạch định ngày càng có nhiều thông tin liên quan hơn Hiện tại, có nhiều mô hình khác nhau được ứng dụng trong việc dự báo Mỗi mô hình dự báo đều có ưu và nhược điểm riêng (Khashei & Bijari, 2011)

Theo Khashei & Bijari (2011) mô hình ARIMA rất phù hợp đối với những quan

hệ tuyến tính giữa dữ liệu hiện tại và dữ liệu quá khứ Bài viết này nhằm nghiên cứu mô hình ARIMA và ứng dụng mô hình này vào dự báo chỉ số VNIndex theo tuần tại Việt Nam

2 PHƯƠNG PHÁP NGHIÊN CỨU

Mô hình ARIMA có tên tiếng Anh là Autoregressive Integrated Moving Average

Mô hình này lần đầu tiên được đưa ra bởi Box & Jenkins (1970) ARIMA được kết hợp bởi 3 thành thành phần chính: AR (thành phần tự hồi quy), I (tính dừng của chuỗi thời gian) và MA (thành phần trung bình trượt) Theo Gujarati (2004),

để ước lượng mô hình ARIMA ta cần đi qua 4 bước chính sau:

Bước 1: Nhận dạng mô hình Để áp dụng mô hình ARIMA(p,d,q) vào dự

báo trước tiên ta phải nhận dạng ba thành phần p,d và q của mô hình Thành phần d của mô hình được nhận dạng thông qua kiểm định tính dừng của chuỗi thời gian Nếu chuỗi thời gian dừng ở bậc không ta có I(d=0), nếu sai phân bậc 1 của chuỗi dừng ta có I(d=1), nếu sai phân bậc 2 của chuỗi dừng ta có I(d=2)…v.v Phương pháp kiểm định tính dừng thường được áp dụng là kiểm định Dickey-fuller

Sau khi kiểm định tính dừng, ta sẽ xác định bậc của thành phần AR và MA thông qua biểu đồ tự tương quan (ACF) và biểu dồ tự tương quan riêng phần (PACF)

Bước 2: Ước lượng các tham số và lựa chọn mô hình Các tham số của mô

hình sẽ được ước lượng bằng phần mềm Eview Quá trình lựa chọn mô

3

hình là quá trình thực nghiệm và so sánh các tiêu chí R2 hiệu chỉnh, AIC

và Schwarz cho đến khi ta chọn được mô hình tốt nhất cho việc dự báo

Bước 3: Kiểm định mô hình Để đảm bảo mô hình là phù hợp, sai số của

mô hình phải là nhiễu trắng (white noice) Ta có thể sử dụng biểu đồ tự tương quan ACF hoặc kiểm định Breusch-Godfrey kiểm tra tính tự tương quan của sai số Đối với phương sai sai số thay đổi, ta có thể sử dụng kiểm định White hoặc ARCH

Bước 4: Dự báo Sau khi kiểm định sai số, nếu mô hình là phù hợp, mô

hình sẽ được sử dụng vào việc dự báo

3, XÂY DỰNG MÔ HÌNH ARIMA VÀ KẾT QUẢ NGHIÊN CỨU

(Hình 1)

Dữ liệu: được sử dụng trong nghiên cứu này là chỉ số VNIndex theo tuần của

Việt Nam, dữ liệu này được thu thập từ Investing.com Việt Nam từ tháng 31/7 năm 2022 đến tháng 07/30 năm 2023 Tổng cộng bao gồm 52 quan sát Tất cả

các quan sát này được sử dụng vào việc thiết lập mô hình Arima (giả định alpha=5%) với nhu cầu dự đoán 5 thời đoạn tương lai

Để xây dựng mô hình ARIMA, trước tiên ta phải kiểm định tính dừng của chuỗi VNIndex Kết quả kiểm định Dickey-Fuller (ADF) và Phillips-Perron (PP) cho thấy giá trị Probability lớn hơn 5%, đưa ta tới kết quả rằng đây là chuỗi không dừng

4

(Hình 2)

Do chuỗi gốc là chuỗi không dừng, ta tiến hành lấy sai phân bậc một và đạt được giá trị Prob nhỏ hơn alpha=5%, chứng minh sai phân bậc một của biến Price là chuỗi dừng ở bậc 1 hay I(d=1)

(Hình 3)

Để xác định giá trị p,q của mô hình ARIMA ta phải dựa vào biểu đồ ACF và PACF Dựa vào biểu đồ PACF ở hình 1 ta thấy, các hệ số tương quan tiệm cận 0

ở các độ trễ 5 và 8 Còn đối với biểu đồ ACF, ta có các hệ số tương quan riêng phần khác nhau ở các độ trễ 7 và 8

5

(Hình 3) Tiếp theo, mô hình hóa ARIMA cho chuỗi sai phân bậc 1 với phương pháp CLS ( Conditional least squared) và phương pháp tối ưu Newton-Raphson và ta đạt được kết quả:

6

(Hình 3) Tiến hành loại bỏ biến MA(8) và AR(5) do giá trị Probability có sự chênh lệch lớn với ALPHA, ta được:

(Hình 5)

Để biết mô hình ARIMA có vi phạm các giả định của mô hình hồi quy không, ta thực hiện thêm một số kiểm định Kiểm định ARCH cho thấy mô hình không có phương sai sai số thay đổi Kiểm định Breusch-Godfrey cho thấy sai số không có

tự tương quan

(Hình 6, 7) Ngoài ra qua hình 8, ta nhận thấy tất cả các nghiệm nghịch đảo của AR và AM đều nằm trong đường tròn đơn vị Ta có thể kết luận mô hình trên là mô hình nhiễu trắng và thích hợp cho việc dự báo

7

(Hình 8)

Ta thực hiện dự báo động (Dynamic forecast) năm tuần tiếp theo cho biến chuỗi thời gian VNIndex cho tới ngày 9/3/2023

(Hình 8) 8

Ta đạt được kết quả như sau:

(Hình 9)

4 KẾT LUẬN

Bài viết đã nghiên cứu khả năng ứng dụng của mô hình ARIMA vào việc dự báo chỉ số VNIndex nhằm tìm ra mô hình tốt nhất cho việc dự báo chỉ số VNIndex

9

tại Việt Nam Kết quả nghiên cứu cho thấy, Các nhà hoạch định nên sử dụng mô hình này vào việc dự báo chỉ số VNIndex nhằm nâng cao tính khả thi cho các kế hoạch vĩ và vĩ mô của mình

10

TÀI LIỆU THAM KHẢO

[1].Box & Jenkins, 1970 Time series analysis: Forecasting and control, San Francisco: HoldenDay

[2] Giáo trình Kinh tế lượng trường đại học Kinh tế Quốc dân 2015

[3].Khashei & Bijari, 2011 A novel hybridization of artificial neural networks and ARIMA

SỐ LIỆU ĐƯỢC SỬ DỤNG TRONG BÀI

Date Price

7/31/20

22

1252,

74

8/7/202

2 1262,33

8/14/20

22 1269,18

8/21/20

22 1282,57

8/28/20

22 1280,51

9/4/202

2 1248,78

9/11/20

22 1234,03

9/18/20

22 1203,28

9/25/20

22 1132,11

10/2/20

22

1035,

91

10/9/20

22 1061,85

10/16/2

022 1019,82

10/23/2

022 1027,36

10/30/2

022 997,15

11

22 954,53

11/13/2

022 969,33

11/20/2

022 971,46

11/27/2

022 1080,01

12/4/20

22 1051,81

12/11/2

022 1052,48

12/18/2

022 1020,34

12/25/2

022 1007,09

1/1/202

3 1051,44

1/8/202

3 1060,17

1/15/20

23 1108,08

1/22/20

23 1117,10

1/29/20

23 1077,15

2/5/202

3 1055,30

2/12/20

23 1059,31

2/19/20

23

1039,

56

2/26/20

23 1024,77

3/5/202

3 1053,00

3/12/20

23 1045,14

3/19/20 1046,

12

23 79

3/26/20

23

1064,

64

4/2/202

3

1069,

71

4/9/202

3 1052,89

4/16/20

23

1042,

91

4/23/20

23 1049,12

4/30/20

23 1040,31

5/7/202

3

1066,

90

5/14/20

23 1067,07

5/21/20

23 1063,76

5/28/20

23

1090,

84

6/4/202

3 1107,53

6/11/20

23

1115,

22

6/18/20

23

1129,

38

6/25/20

23 1120,18

7/2/202

3 1138,07

7/9/202

3

1168,

40

7/16/20

23

1185,

90

7/23/20

23 1207,67

7/30/20

23

1217,

20

13