Khóa luận tốt nghiệp Tài chính ngân hàng: Ứng dụng mô hình ARIMA, GARCH trong việc dự báo chỉ số VN-Index trên Thị trường Chứng khoán Việt Nam

TRƯỜNG ĐẠI HỌC KINH TẾKHOA TÀI CHÍNH - NGÂN HÀNG KHÓA LUẬN TỐT NGHIỆP ĐỀ TÀI ỨNG DỤNG MÔ HÌNH ARIMA, GARCH TRONG VIỆC DỰ BÁO CHỈ SỐ VNINDEX TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM Giảng viê

TRƯỜNG ĐẠI HỌC KINH TẾ

KHOA TÀI CHÍNH - NGÂN HÀNG

KHÓA LUẬN TỐT NGHIỆP

TRƯỜNG ĐẠI HỌC KINH TẾ

KHOA TÀI CHÍNH - NGÂN HÀNG

KHÓA LUẬN TỐT NGHIỆP

ĐỀ TÀI

ỨNG DỤNG MÔ HÌNH ARIMA, GARCH TRONG VIỆC DỰ BÁO CHỈ

SỐ VNINDEX TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM

Giảng viên hướng dẫn: TS Nguyễn Tiến Chương

Sinh viên thực hiện: Đinh Khắc Tuấn

Lớp: QH2019E TCNH CLC 2 Hệ: Chính quy

Hà Nội, 2023

LỜI CAM ĐOAN

Tôi xin cam đoan đề tài nghiên cứu: “Ứng dụng mô hình ARIMA, GARCH trong việc

dự báo chỉ số VN-Index trên Thị trường Chứng khoán Việt Nam” là công trình nghiên cứucủa riêng tôi Mọi kết quả của bài nghiên cứu đều là công sức của quá trình tôi tìm tự tìm

số liệu, tự đọc, dịch tài liệu, chạy phần mềm, tổng hợp và thực hiện Nội dung lý thuyết

trong bài nghiên cứu tôi có sử dụng một số tài liệu tham khảo và đã trích dẫn nguồn đầy

đủ ở mục tài liệu tham khảo.

Tôi xin cam đoan rằng các số liệu và kết quả trong bài nghiên cứu của tôi là trung

thực, khách quan và chưa từng được công bố trong bất kỳ một công trình nào khác

Nếu có bất kỳ sự gian lận nào, tôi xin chịu toàn bộ trách nhiệm

Sinh viên thực hiện

Tuấn

Đinh Khắc Tuấn

LỜI CẢM ƠN

Để hoàn thành bài khóa luận này, tôi xin được gửi lời cảm ơn chân thành nhất đến:

Trường Đại học Kinh tế - Đại học Quốc gia Hà Nội đã tạo điều kiện tuyệt vời về cơ

sở vật chất, bao gồm một hệ thống thư viện hiện đại với đa dạng sách và tài liệu nghiêncứu, bài báo khoa học chất lượng cao

Tôi xin bày tỏ lòng biết ơn chân thành đến các thầy cô Trường đại học Kinh tế - Đạihọc Quốc gia Hà Nội nói chung, và thầy cô ở khoa Tài chính - Ngân hàng nói riêng, đã dànhthời gian và tâm huyết để truyền đạt cho tôi những kiến thức quý báu và hữu ích trong

suốt thời gian học tập Nhờ những kiến thức quý giá đó, tôi đã có nền tảng vững chắc để

hoàn thành bài nghiên cứu này.

Tôi muốn đặc biệt bày tỏ lòng biết ơn sâu sắc đến thầy TS Nguyễn Tiến Chương, người đã trực tiếp hướng dẫn tôi trong suốt thời gian thực hiện đề tài khóa luận này Nhờ

sự giúp đỡ tan tâm và hướng dẫn chi tiết của thầy, tôi đã tích lũy thêm nhiều kiến thức va

kinh nghiệm quý giá để hoàn thành đề tài nghiên cứu của mình

Do chưa có nhiều kinh nghiệm phân tích, cũng như còn hạn chế về mặt kiến thức,

nên trong bài nghiên cứu này chắc chắn không tránh khỏi những thiếu sót Rất mong nhận

được những lời góp ý chân thành, quý giá của thầy cô để bài nghiên cứu của tôi được hoàn

thiện hơn.

Lời cuối cùng tôi xin chúc thầy cô sức khỏe, thành công và hạnh phúc

Tôi xin chân thành cảm ơn!

LOT CAM ĐOAN HH HH HH HH HH HH HH HH HH HH HH Hit i

LOT CAM ƠN HH HH HH HH HH HH Hghrgrgrgrrtrrtrrrritrttretrrtrirrerer ii

DANH MỤC TỪ VIET TẮTT - 2t .222 224272472.217 7 2 1- 2 1 011 Vv

DANH MỤC HINH VE, DO TH ececscssssssssssssssssssssssesssssussssssssssssasseseeusesisesiseeieesiaseiaseniseetaseiasenusstsesisesieetee Vv DANH MUC CAC BANG BIEU

020/19/0000 ®7

1.1 Tính cấp thiết của đề tài -Ă Q1 HH TT TT TH vkp 1

1.2 Mục tiêu nghiên CỨU cece eect eee ee ee eeeeeaaeaaaaaaaaaaaaaaaeeeeeeeeeeeeeeeeeeeeeeeeenees 2

1.2.1 Muc ti€u tOng QUuat: 117 a4 2

1.3 Đối tượng va phạm Vi nghiên CWU ec eeeeeeeeeeeceeeeeeeeeneeeeeeeeeeeeeeeeeeeeseeaeeeseeeeeseseeeee 2

1.3.1 00 (1-ái 0) na 0n (dŸỶ 2

1.3.2 Phạm vi nghién CỨU - ee « « xxx xxx TT nọ vi 2 1.4 Câu hỏi nghiên CỨU [SH Họ nọ gọn kh 3 1.5 Phương pháp nghiên CỨU - cọ nọ và 3

1.6 Những đóng góp mới của đề tài - + HS k ST TT TT TH HH kh 3 1.7 Cấu trúc bài nghiên cứu - - - c1 vn TK HH 3

CHƯƠNG II TONG QUAN NGHIÊN CỨU :2¿22+.22SE2223E222123112714112211117 1021 1110 110c 5

2.1 Lý luận chung về chứng khoán, thị trường chứng khoán va chỉ số chứng khoán 5

Van 8i 0n eằee e 5 2.1.2 Thị trường chứng khoán

2.1.3 Chỉ số VN-Ïnnex s11 TH TH TH TH HT HH HH TH 2.1.4 Chỉ số Dow Jones

2.2 Bai toAn AU 8o ẶèÈ—=IAaaỖỒỖỒỎỖ 4

2.3 Quan điểm của các hoc giả trên thế giới về dự báo chứng khoán -‹ -«<++-+: 7 2.4 TOng quan nghién CUPU 8 n 8 2.5 Khoảng trống nghiên CỨU + SE T HT KH KH TH HT HH KH TH HH Thành thời 11

CHƯƠNG III PHƯƠNG PHAP NGHIÊN CỨU eeeretrietierrertirrrtrririirirrried 123.1 Phương pháp nghiên CỨU - - S SS 111111 ng gọt ki ki ki kg 12

3.2 Lý thuyết liên quan đến tính dừng trong chuỗi số liệu thời gian - . -< <5 12

KÝ? a 12

3.2.2 Kiểm định tinh dừng - -. S1 11v Sn HT TH TH TH TH TH TH TH TH 13

3.3 Mô hình ARIMA - - - - Ăn nọ kh 14

3.3.1 Mô hình AlR(D) - - 11H KH Hi kh 14 3.3.2 Mô hình MA(Q) << 1 HH KT ni vn 14

3.3.3 Sai phân I(d| - 22 5s+SE2E2E322E1271221127171121171121111111111112111111 1.1.1 eg 15 3.3.4 Mô hình ARIMA (p, d, QÌ) c1 1S TH kh 15 3.3.5 Phương pháp luận Box-JenkiÏnS + xe rưy 15

3.3.6 Han ché 0i-0u000))() 00.2104) 0-4 16 3.4 Mô hình tự điều chỉnh phương sai với điều kiện khác nhau (GARCH) - 16

3.5 Do lường độ chính xác dự báo của mô hình ARIMA và GARCH -c-<<<<s<s5- 17

4.3 Ước lượng mô hình GARCH - - Ă ST ki ki kvvvH 26

4.3.1 Ước lượng tham số GARCH ((p,Q) - - 5c 232213 +*E*+ 3 SE Hy rên 26

4.3.2 Dự báo trong mẫu + t 1 t1 t1 1121191121121 1 11 1111 11H TH TH TH TH TH Hà ngàn Hàn 28

4.4 Ước lượng mô hình ARIMA và GARCH tại thị trường chứng khoán Mỹ 30

4.4.1 Kiém dinh tinh dtyng 11077 31 4.4.2 Xác định hệ số p,d, q của mô hình ARIMA cccccccesseceesseceeeseeeesseeeeesseeesssaeeessseeeese 32

4.4.3 Ước lượng mô hình ARIMA - - - BS 1S HH ve 33

4.4.4 Dự báo trong mẫu mô hình ARIMA (1,1,2) - - ¿5c 5+ 2+ E3 **EEEeEereererrsrrerrerse 35

4.4.5 Kiém dinh tinh ARCH 000 ốe - 36

4.4.6 Ước lượng mô hình GARCH - - - (0x 0 kh 37

4.4.7 Dự báo trong mẫu đối với mô hình GARCH (1,1)

IV )00)2)040:7)8.47 0< 46

000000 10— ÔỎ 47

iv

STT Số hiệu Tên hình Trang

1 Hinh 4.1 Biểu đồ chỉ số VN-Index giai đoạn 2016 - 2023 21

2 Hinh 4.2 Biểu đồ sai phan bậc 1 chuỗi dữ liệu VN-Index 22

3 Hình 4.3 Biểu đồ tương quan cho chuỗi dữ liệu VN-Index 23

4 Hình 4.4 Kết quả dự báo trong mẫu từ 1/2/2023 - 31/3/2023 26

5 Hình 4.5 Do lường kết quả dự báo trong mẫu 27

6 Hình 4.6 Kết quả dự báo trong mẫu mô hình GARCH (1,1) 31

7 Hình 4.7 Do lường kết quả dự báo trong mẫu mô hình GARCH (1,1) 32

8 Hình 4.8 Biểu đồ chỉ số Dow Jones giai đoạn 2016 -2023 33

9 Hình 4.9 Biểu đồ sai phân bậc 1 của chuỗi dữ liệu Dow Jones 34

10 Hình 4.10 Biểu đồ tương quan cho chuỗi dữ liệu Dow Jones 34

11 Hình 4.11 | Kết qua dự báo trong mẫu cho chuỗi dữ liệu Dow Jones 37

12 Hình 4.12 | Do lường kết quả dự báo trong mẫu mô hình ARIMA (1,1,2) 38

13 Hình 4.13 | Kết quả dự báo trong mẫu mô hình GARCH (1,1) đối với chỉ số 39

Dow Jones

14 Hình 4.14 | Do lường kết quả dự báo mô hình GARCH (1,1) 40

15 Hình 4.15 | Biểu đồ kết quả dự báo VN-Index thang 4 năm 2023 43

DANH MỤC CÁC BẢNG BIỂU

STT Số hiệu Tên bảng Trang

1 Bang 4.1 Kiểm định tinh dừng của chuỗi thời gian 22

2 Bảng 4.2 Kết quả ước lượng mô hình ARIMA (1,1,1) 23

3 Bảng 4.3 Kết quả kiểm định phần dư của mô hình ARIMA (1,1,1) 24

4 Bảng 4.4 Kết quả kiểm định ARCH-LM 27

5 Bảng 4.5 Kết quả kiểm định AIC và SIC của mô hình GARCH 29

6 Bảng 4.6 Kết quả kiểm định mô hình GARCH (1,1) 29

7 Bảng 4.7 Kiểm định tính ARCH của mô hình GARCH (1,1) 30

§ Bảng 4.8 Kiểm định tính dừng của chỉ số Dow Jones 33

9 Bảng 4.9 Chỉ số AIC và SIC của mô hình ARIMA của chỉ số Dow Jones 35

10 Bảng 4.10 | Kết quả kiểm định mô hình ARIMA (1,1,2) 35

11 Bang 4.11 | Kết quả kiểm định phan dư của mô hình ARIMA (1,1,2) 36

12 | Bảng4.12 | Kết quả kiểm định ARCH-LM mô hình ARIMA (1,1,2) 38

13 Bảng 4.13 | Kết quả kiểm định AIC va SIC của mô hình GARCH 39

14 Bảng 4.14 | Kết quả kiểm định mô hình GARCH (1,1) 39

15 Bảng 4.15 | Tổng hợp kết qua 41

16 Bảng 4.16 | Kết quả dự báo VN-Index tháng 4 năm 2023 42

vi

CHƯƠNG I MỞ ĐẦU

1.1 Tính cấp thiết của đề tài

Thị trường chứng khoán Việt Nam ra đời và phát triển đến nay được 23 năm, tuytuổi đời còn non trẻ so với các thị trường chứng khoán quốc tế khác, nhưng thị trường

chứng khoán Việt Nam cũng đã trải qua nhiều thăng trầm như: tăng tốc tăng trưởng nóng,

khủng hoảng hay sideway.

Giai đoạn tăng trưởng mạnh mẽ của TTCK sau khi thành lập, kéo dài từ năm 2000

đến năm 2007 Trong giai đoạn này, thị trường chứng khoán phát triển nhanh chóng, với

sự tăng trưởng đáng kể của số lượng công ty niêm yết và khối lượng giao dịch Tuy nhiên,giai đoạn đó đã kết thúc với cuộc khủng hoảng tài chính toàn cầu vào năm 2008 Thị

trường chứng khoán Việt Nam đã trải qua một giai đoạn khủng hoảng kéo dài trong nhiều

năm Giá trị các cổ phiếu giảm sút, nhiều công ty niêm yết đang gặp khó khăn, và nhà đầu

tư đã mất niềm tin vào thị trường Sau đó, thị trường chứng khoán Việt Nam đã vào giai

đoạn sideway, kéo dài đến năm 2016 Trong giai đoạn này, TTCK không có sự tăng trưởng

đáng kể, với giá trị các cổ phiếu dao động ở mức thấp và sau đó thị trường bắt đầu hồi

phục từ năm 2017

Đầu năm 2020 với sự bùng phát của đại dịch COVID-19 đã gây ra những ảnh hưởng

vô cùng nặng nề cho xã hội, kinh tế bị đình trệ Khi việc kinh doanh bị tắc nghẽn thì các

kênh đầu tư lại được thu hút hơn cả, trong đó thị trường chứng khoán là điểm sáng, theo

số liệu của Trung tâm lưu ký Chứng khoán Việt Nam (VSD) có khoảng 1,09 triệu tài khoảnmới mở trong 10 tháng đầu năm 2021, gấp 3 lần lượng tài khoản mở trong năm 2020.Trong khoảng từ tháng 3 năm 2020 đến cuối tháng 12/2021 chỉ số VNindex đã tăng từ

mức 662 điểm lên khoảng 1500 điểm Ngay sau đà tăng điểm ấn tượng đó là chuỗi điều

chỉnh mạnh của thị trường sau 2 năm tăng trưởng nóng, chỉ số VNIndex giảm từ mức 1500

điểm xuống còn 1026 điểm tương đương mức giảm 32% Mức sụt giảm này lớn hơn rất

nhiều so với mức giảm của chứng khoán Mỹ (S&P500, giảm 20%), hay chứng khoán Châu

Âu (Euro Stoxx600, giảm 14%) Điều này cho thấy TTCK Việt Nam có mức độ rủi ro lớn

hơn nhiều so với các TTCK khác trên Thế giới.

Bước sang năm 2023 tuy chỉ số VN-Index dần có dấu hiệu hồi phục, tâm lý của nhà

đầu tư ngày càng cải thiện, vẫn còn đó sự bất ổn có thể ảnh hưởng mạnh đến thị trường như cuộc chiến giữa Nga-Ukcaina vẫn đang tiếp diễn căng thẳng, tình trạng lạm gia tăng

trên toàn cầu Những biến động này đang tác động mạnh mẽ đến nền kinh tế Việt Nam

1

và đặt ra nhiều thách thức cho các nhà đầu tư trên thị trường chứng khoán, đặc biệt là khi

thị trường chứng khoán Việt Nam vẫn còn khá non trẻ và vẫn luôn tiềm ẩn nhiều rủi ro và

có thể gây thiệt hại lớn đến tài sản nếu không có một chiến lược đầu tư hợp lý Do đó việc

dự báo giá chứng khoán là cần thiết, dự báo được các chỉ số tài chính sẽ là một sự giúp đỡ

lớn cho các nhà đầu tư trong việc lập kế hoạch và quản trị rủi ro Với những lý do nên trên,

tôi quyết định nghiên cứu đề tài: “Ứng dụng mô hình Arima, Garch trong việc dự báo chỉ

số VN-Index trên Thị trường Chứng khoán Việt Nam” Qua đó đưa ra một số kiến nghị cho

nhà đầu tư trong việc sử dụng mô hình

1.2 Mục tiêu nghiên cứu

1.2.1 Mục tiêu tổng quát:

Mục tiêu tổng quát của bài nghiên cứu là dự báo được giá trị của chỉ số VN-Index trong

tháng 4 năm 2023 Từ đó đưa ra được những xu hướng biến động của thị trường chứng

khoán, và giúp đưa ra một số kiến nghị cho tổ chức và nhà đầu tư cá nhân

1.2.2 Mục tiêu cụ thể:

Để mang lại hiệu quả của bài nghiên cứu ngoài mục tiêu tổng quát đã được trình bày

ở trên, đề tài cần phải thực hiện các mục tiêu khác sau đây Thứ nhất là đưa ra các lý thuyết

cơ bản về phân tích và ứng dụng chuỗi thời gian trong dự báo Thứ hai là dự báo chỉ số

VN-Index trong tháng 4/2023 thông qua các mô hình, cùng với đó là đánh giá và phân tích

kết quả dự báo Cuối cùng dựa vào kết quả thu được, đề xuất một vài kiến nghị nhằm phục

vụ mục đích đầu tư

1.3 Đối tượng và phạm vi nghiên cứu

1.3.1 Đối tượng nghiên cứu

Đối tượng nghiên cứu của đề tài là chuỗi số liệu quá khứ của chỉ số chứng khoán trên

Sở giao dịch Thành phố Hồ Chí Minh - VNIndex và chỉ số chứng khoán Dow Jones tại thị

trường chứng khoán Mỹ.

1.3.2 Phạm vi nghiên cứu

Phạm vi nội dung: Bài nghiên cứu sẽ tập trung vào chuỗi số liệu quá khứ của chỉ số VNindex trên thị trường chứng khoán Việt Nam, để xây dựng mô hình phù hợp nhằm mục tiêu dự báo chỉ số VNIndex trong ngắn hạn, so sánh mức độ chính xác của mô hình dự báo

giữa 2 TTCK, từ đó đưa ra những kiến nghị cho các nhà đầu tư

Phạm vi không gian: Đề tài được tiến hành nghiên cứu tại TTCK Việt Nam và TTCK Mỹ

2

Phạm vi thời gian: Bài nghiên cứu sử dụng thông tin về giá đóng cửa của chỉ số Index và Dow Jones trong khoảng thời gian từ tháng 1 năm 2016 đến tháng 3 năm 2023.

VN-1.4 Câu hỏi nghiên cứu

Tương ứng với các mục tiêu nghiên cứu đã đề ra như trên, đề tài xác định cần trả lời câu

hỏi nghiên cứu sau:

Thứ nhất là ưu điểm và nhược điểm của mô hình ARIMA và mô hình GARCH

Thứ hai là liệu mô hình ARIMA (p,d,q) hay GARCH (p,q) sẽ phù hợp để dự báo chỉ số Index.

VN-Thứ ba là xu hướng của chỉ số VN-Index trong tháng 4/2023

1.5 Phương pháp nghiên cứu

Bài nghiên cứu sẽ sử dụng phương pháp nghiên cứu định lượng qua 2 mô hình dự

báo là ARIMA và GARCH, số liệu trong bài nghiên cứu là dữ liệu quá khứ của chỉ số Index và Dow Jones, dữ liệu này sau đó sẽ được phân tích và kiểm định thông qua phần

VN-mềm Eview 8 từ đó dự báo chỉ số VN-Index trong ngắn hạn.

1.6 Những đóng góp mới của đề tài

Bài nghiên cứu này sẽ cung cấp cho những nhà đầu tư một phương tiện để dự báolợi nhuận của danh mục đầu tư trên thị trường Cùng với đó bài nghiên cứu sẽ đánh giámức độ hiệu quả của mô hình dự báo đối với TTCK Việt Nam và TTCK Mỹ Ngoài ra, các sốliệu trong đề tài được cập nhật trong khoảng thời gian gần nhất vì vậy kết quả của nghiên

cứu sẽ hỗ trợ những nhà đầu tư và nhà hoạch định chính sách đánh giá mức độ sinh lời và

sự biến động của thị trường trong bối cảnh kinh tế hiện nay, từ đó hỗ trợ họ đưa ra các

quyết định chính xác trong việc đầu tư cổ phiếu

1.7 Cấu trúc bài nghiên cứu

Cấu trúc của bài nghiên cứu được chia thành 5 chương chính như sau:

Chương I Mở đầu Chương II Tổng quan nghiên cứu Chương này sẽ tổng kết những khung

lý thuyết cơ bản liên quan đến các vấn đề quan trọng của bài nghiên cứu như: thị trườngchứng khoán, chỉ số chứng khoán VN-Index, các quan điểm về bài toán dự báo của các họcgiả trên Thế giới và cuối cùng là tổng hợp một số nghiên cứu trước đây liên quan tới đềtài Chương III Phương pháp nghiên cứu Phần này tác giả sẽ trình bày rõ hơn về phương

pháp và mô hình nghiên cứu của đề tài, cùng với đó là đưa ra những lý thuyết về tính dừng

và mô hình ARIMA, GARCH Tiếp theo là Chương IV Kết quả nghiên cứu Chương này sẽ

kiểm định và lựa chọn mô hình phù hợp nhất với chuỗi dữ liệu nghiên cứu và cuối cùng là

tiến hành dự báo Chương V Kết luận Trình bày kết quả nghiên cứu, những hạn chế và

hướng phát triển tiếp theo cho bài nghiên cứu

CHƯƠNG II TỔNG QUAN NGHIÊN CỨU

2.1 Lý luận chung về chứng khoán, thị trường chứng khoán và chỉ số chứng khoán

2.1.1 Chứng khoán

e Khái niệm:

Chứng khoán là một loại giấy tờ có giá trị đại diện cho quyền sở hữu hoặc quyềntham gia trong tài sản của một công ty hoặc tổ chức tài chính Chứng khoán được phát

hành và giao dịch trên các sàn giao dịch chứng khoán, và người mua chứng khoán trở

thành cổ đông hoặc chủ sở hữu một phần tài sản của công ty Chứng khoán có thể là cổ

phiếu, trái phiếu, chứng chỉ quỹ hoặc tùy chọn chứng khoán Giao dịch chứng khoán là một

trong những hoạt động quan trọng nhất của thị trường tài chính, được sử dụng để đầu tư

và giao dịch để kiếm lợi nhuận

2.1.2 Thị trường chứng khoán

e Khái niệm:

Thị trường chứng khoán là nơi giao dịch mua bán, trao đổi các loại cổ phiếu chứng khoán

và thường được thực hiện tại sở giao dịch chứng khoán hoặc thông qua các công ty môi giới chứng khoán.

Thị trường chứng khoán được chia thành 2 loại: thị trường sơ cấp và thị trường thứ cấp

- _ Thị trường sơ cấp là noi mà cổ phiếu được phát hành lần đầu tiên từ công ty để hút

một nguồn vốn đầu tư, giúp họ có thể huy động một số vốn trên thị trường chứngkhoán Thị trường sơ cấp thường thu hút các tổ chức lớn và các quỹ đầu tư Nhữngnhà đầu tư này sẽ mua các cổ phiếu mới phát hành, hi vọng có thể tận dụng cơ hộiđầu tư vào các công ty tiềm năng và tăng giá trị đầu tư của mình trong tương lai

- Thi trường chứng khoán thứ cấp, cổ phiếu được mua bán lại sau khi phát hành sơ

cấp Người mua tại thị trường sơ cấp sẽ tiến hành mua bán đối với các nhà đầu tư chứng khoán khác trên thị trường thứ cấp Chính vì thế sẽ không có tiền mới được

sinh ra mà chỉ là thay đổi quyền sở hữu cổ phiếu giữa người mua và bán Thị trườngchứng khoán thứ cấp cũng là nơi các nhà đầu tư cá nhân có thể tham gia giao dịch

chứng khoán.

2.1.3 Chỉ số VN-Index

Chỉ số VNINDEX là chỉ số đại diện cho Sở giao dịch Chứng khoán thành phố Hồ Chí

Minh tính từ lúc thị trường chứng khoán bắt đầu đi vào hoạt động vào ngày 28/07/2000,

đây là chỉ số đại diện cho tất cả cổ phiếu được niêm yết trên sàn HOSE

Chỉ số VNIndex được tính bằng phương pháp Passcher và được công bố vào cuối mỗi phiên giao dịch Chỉ số này so sánh giá trị vốn hóa thị trường hiện tại với giá trị thị

trường cơ sở vào ngày 28/7/2000.

VN-Index được tính theo công thức:

Tổng giá trị thị trường của các cổ phiếu niềm yết hiện tại

qui: Khối lượng niêm yết hiện hành của cổ phiếu i

Pii: Giá thị trường hiện tại của cổ phiếu i

doi: Khối lượng niêm yết vào thời kì gốc cổ phiếu i

Poi: Giá thị trường vào thời kì gốc của cổ phiếu i

N: Số cổ phiếu đưa vào tính

2.1.4 Chỉ số Dow Jones

Chỉ số Dow Jones, còn được gọi là chỉ số DJIA (Dow Jones Industrial Average), là

là một trong những chỉ số chứng khoán hàng đầu tại Hoa Kỳ và toàn cầu Chỉ số Dow Jonesđược phát triển và đưa ra sử dụng vào năm 1896 bởi Charles Dow, là một trong những

nhà báo kinh tế đầu tiên tại Mỹ.

Chỉ số Dow Jones bao gồm 30 công ty lớn và có tầm ảnh hưởng trên thị trườngchứng khoán Mỹ, bao gồm các công ty trong các ngành sản xuất, tài chính và dịch vụ Cáccông ty được lựa chọn để đưa vào chỉ số Dow Jones phải đáp ứng một số tiêu chuẩn nhấtđịnh, bao gồm: sự phản ánh của công ty về tình hình kinh tế, sự ổn định tài chính và lịch

sử thanh toán cổ tức cho cổ đông

Chỉ số này được tính toán như sau:

Tổng giá trị thị trường của các cổ phiếu niêm yết hiện trong danh sách

DJỊA=—“——————————— (2.3)

2.2 Bài toán dự báo

Bài toán dự báo đã tồn tại từ rất lâu và ngày càng trở nên quan trọng trong môitrường có quá nhiều thông tin như hiện nay Các lĩnh vực khác nhau trong đời sống đềucần đến dự báo, ví dụ như trong khí tượng thủy văn, dự báo thời tiết và nhiệt độ giúp tránh

được thiệt hại do thiên tai và hỗ trợ cho nền kinh tế, hoặc trong lĩnh vực tài chính, dự báo

giá của các loại tiền tệ và chứng khoán có thể mang lại nhiều lợi ích cho các nhà đầu tư

Như chúng ta đã biết, thị trường chứng khoán là một phần không thể thiếu của

nền kinh tế và được xem là một trong những lĩnh vực quan trọng nhất trong ngành tài

chính Trong thị trường chứng khoán, việc dự báo giá trị của các chứng khoán và các chỉ

số chứng khoán là một vấn đề quan trọng để các nhà đầu tư có thể đưa ra quyết định đúng

đắn về việc đầu tư vào các cổ phiếu chứng khoán

Để dự báo giá trị của các chứng khoán và chỉ số chứng khoán, các nhà đầu tư thường

sử dụng các mô hình phân tích kỹ thuật, phân tích cơ bản và mô hình dự báo Trong đó,

mô hình dự báo là một công cụ hữu hiệu giúp các nhà đầu tư có thể đưa ra các dự đoán vềgiá trị của các chứng khoán và chỉ số chứng khoán trong tương lai Một trong những môhình được sử dụng phổ biến trong thị trường chứng khoán là mô hình ARIMA và mô hìnhGARCH Hai mô hình này thường xuyên được sử dụng để dự báo biến động của giá trị củacác chứng khoán và chỉ số chứng khoán trong tương lai dựa trên các biến động của chúng

trong quá khứ.

2.3 Quan điểm của các học giả trên thế giới về dự báo chứng khoán

Cùng với sự phát triển của công nghệ, việc sử dụng các phương pháp định lượngtrong nghiên cứu tài chính-kinh tế đã dần trở nên phổ biến Đặc biệt là việc áp dụng môhình liên quan đến dự báo giá chứng khoán hoặc dự báo biến động giá các tài sản có giátrị khác như giá vàng, giá dầu Các học giả trên thế giới khi nghiên cứu về vấn đề dự báogiá chứng khoán thường chia làm 2 luồng quan điểm chính:

Thứ nhất là những học giả tin vào thuyết “Bước đi ngẫu nhiên” (Random walk

theory - được phát triển bởi nhà kinh tế học Fama vào năm 1965) những nhà nghiên cứu

này cho rằng giá chứng khoán biến động ngẫu nhiên và không thể dự đoán trước được.

7

Hiểu về mặt thống kê, thuyết này cho rằng những thay đổi giá liên tiếp là các biến ngẫu nhiên độc lập, có phân phối giống nhau Điều này ám chỉ rằng chuỗi thay đổi giá là “không

có bộ nhớ”, nghĩa là không thể sử dụng dữ liệu quá khứ để dự đoán tương lai

Tuy vậy lại có những học giả tin vào “Thuyết bước đi không ngẫu nhiên”

(Non-random walk theory) Thuyết này được phát triển dựa trên một trong những giả định quan

trọng rằng lợi nhuận hiện tại phụ thuộc vào các quyết định được đưa ra trong quá khứ Sự

liên kết giữa các hành động trong quá khứ và hiện tại mang lại cho các nhà nghiên cứu một

lượng thông tin được gọi là "lịch sử giá" Điều này dẫn đến ý tưởng là “lịch sử lặp lại chính nó” (History repeats itself), trong đó các hành vi giá trong quá khứ sẽ có xu hướng tái diễn

trong tương lai.

2.4 Tổng quan nghiên cứu

Trong những năm qua, đã có nhiều nỗ lực để phát triển các mô hình dự báo trong

lĩnh vực kinh tế, từ dự báo tỷ giá hối đoái và lãi suất cho đến việc sử dụng các mô hình để

dự đoán giá cả hàng hóa và lợi nhuận của các tài sản tài chính Mặc dù một số nghiên cứu

đã thành công trong việc triển khai các mô hình, việc tìm ra một mô hình phù hợp để dự

đoán lợi nhuận trên tài sản tài chính vẫn còn là thách thức lớn đối với các nhà nghiên cứu

và chuyên gia kinh tế tài chính Điều này đã được chứng minh trong nhiều nghiên cứu của

những học giả tin vào “Thuyết bước đi ngẫu nhiên” có thể kể đến:

Bellgard và Goldschmidt (1999) thực hiện tại thị trường Mỹ, hai tác giả đã áp dụng

các phương pháp nghiên cứu định lượng bao gồm làm mịn lũy thừa, bước đi ngẫu nhiên

và mô hình ARIMA để dự đoán tỷ giá hối đoái AUD/USD Tuy nhiên, kết quả cho thấy rằng

sử dụng các biện pháp trong việc dự báo thống kê không ảnh hưởng trực tiếp đến lợi

nhuận và tỷ giá hối đoái Thay vào đó, chuỗi thời gian các mẫu phi tuyến tính được giải

thích tốt hơn bằng cách sử dụng mô hình mạng thần kinh

Một nghiên cứu khác cũng ủng hộ lý thuyết “Bước đi ngẫu nhiên” là của Lock

(2007) Sau khi thực hiện kiểm tra tỷ lệ phương sai Lo và MacKinlay trên lợi nhuận hàng

tuần từ TTCK Đài Loan từ năm 1990 đến giữa năm 2006, tác giả kết luận rằng không chỉ

có chỉ số chứng khoán tổng hợp của Đài Loan (Taiex Index) biến động ngẫu nhiên mà cổ

phiếu cá nhân cũng có xu hướng di chuyển tương tự

Tuy vậy một số nghiên cứu gần đây của các học giả lại ủng hộ giả thuyết “Bước đi

không ngẫu nhiên” (Non-Random walk theory) của giá cổ phiếu, có thể kể đến như:

Nghiên cứu của Awazu và Weisang (2008) với đối tượng nghiên cứu là tỷ giá hốiđoái USD/EUR Đề tài nghiên cứu sử dụng mô hình ARIMA trong khoảng thời gian từ tháng

01 năm 1994 đến tháng 10 năm 2007 Kết quả cho thấy mối quan hệ tuyến tính giữa giá

trị hiện tại và các giá trị trước đó là phù hợp nhất để mô hình hóa chuỗi thời gian này.

Ngoài ra, đề tài cũng khẳng định rằng mô hình ARIMA(1,1,1) là phù hợp để dự đoán chuỗi

thời gian nghiên cứu.

Spiesova (2014) đã xác định khả năng dự báo của Mô hình ARIMA (1,1,1) đối với

ty giá hối đoái của đồng Koruna của Séc, Krona của Thụy Điển, Bang Anh, Zloty của Ba Lan,Forint của Hungary và Leu của Romania so với đồng Euro Tuy nhiên, kết quả của nghiên

cứu cho thấy rằng mô hình ARIMA đã gặp một số vấn đề trong việc ước tính và xác thực

mô hình Ngoài ra bài nghiên cứu cũng khẳng định mô hình ARIMA này dự báo hiệu quả nhất trong trung và ngắn hạn.

Paulo R Junior, Fernando L.R Salomon, Edson de Oliveira Pamplon (2014) đã đánh

giá sự hiệu qua của mô hình ARIMA trong việc dự báo chi số chứng khoán Bovespa tai thị

trường Brazil Số liệu trong bài viết được thu thập hàng tháng kể từ 1/2000 đến 12/2012

sau đó kiểm định các dữ liệu này theo phương pháp Box-Jenkins Bằng việc tìm ra mô hình

ARIMA (0, 2, 1) và so sánh kết quả với phương pháp liên tiến lũy thừa đơn và lũy thừa kép,

tác giả đã chỉ ra mô hình ARIMA là phù hợp hơn cả so với hai mô hình còn lại và hoàn toàn

có thể sử dụng được để dự báo các chuỗi thời gian trong tương lai.

Nguyen Vo, Robert Šlepaczuk (2022) đã thực hiện dự báo lợi nhuận của chỉ số

S&P 500 Đề tài này tập trung vào so sánh hiệu suất giữa mô hình tuyến tính ARIMA và các

mô hình kết hợp của mô hình ARIMA và GARCH để dự báo lợi nhuận của chỉ số S&P 500,với dữ liệu được lấy trong khoảng thời gian từ 1/1/2000 đến 31/12/2019 Nghiên cứu đã

sử dụng phương pháp cửa sổ trượt để so sánh hiệu suất dự báo của ARIMA và các mô hình

lai (ARIMA-SGARCH) để kiểm tra xem chúng có thể phản ánh các đặc điểm cụ thể của chuỗi

thời gian và có khả năng dự đoán tốt hơn so với mô hình ARIMA đơn giản Kết quả nghiên

cứu cho thấy mô hình lai ARIMA-GARCH vượt trội so với ARIMA trong thời gian dài Các

kết quả này không bị ảnh hưởng bởi các loại phân phối và loại mô hình GARCH

Nghiên cứu của Zhe Lin (2017) tại TTCK Trung Quốc, tác giả đã chọn chỉ số SSE

Composite làm đối tượng nghiên cứu, áp dụng các mô hình GARCH để phân tích thựcnghiệm Kết quả cho thấy, chỉ số tổng hợp SSE có tính chất biến động theo thời gian và

phân cụm đáng kể Với việc kiểm định chuỗi dữ liệu thời gian cho thấy có phân phối

leptokurtosis với hiệu ứng ARCH và GARCH Qua so sánh hiệu suất phù hợp và dự báo giữa

các mô hình GARCH (1,1), TARCH (1,1), và EGARCH (1,1), Tác giả kết luận rằng EGARCH

(1,1) vượt trội hơn so với các mô hình còn lại Bên cạnh đó, bài nghiên cứu cũng đề xuất

để phát triển thị trường chứng khoán của Trung Quốc, cần tăng cường xây dựng hệ thống,giảm sự can thiệp quá mức của chính phủ và ủng hộ triết lý đầu tư hợp lý

Một số đề tài trong nước cũng nghiên cứu về chủ đề này có thể kể đến như:

ThS Đỗ Khắc Hưởng (2013) đã do lường sự giao động của chỉ số chứng khoán

VN-Index thông qua mô hình GARCH Đề tài sử dụng 2692 quan sát được lấy trong suốt

hon 10 năm Ngoài việc sử dụng mô hình GARCH, tac giả còn thực hiện ước lượng mô hình

theo 4 phân phối khác nhau như: Quy luật phân phối t-student, quy luật phân phối chuẩn,phân phối t-student lệch, và phân phối sai số tổng quát Sau quá trình kiểm định tác giả

lựa chọn mô hình GARCH (1,1) là tối ưu nhất trong việc dự báo dãy lợi tức của chỉ số

VNIndex Bên cạnh đó Nghiên cứu đã chỉ ra tính quan trọng của việc áp dụng mô hình VaR

(Value-at-Risk) để quản lý rủi ro trong các danh mục đầu tư dựa trên sự biến động của chỉ

số chứng khoán trên thị trường

Bài nghiên cứu của ThS Phạm Chí Khoa (2017), đề tài này tác giả đã sử dụng dữliệu biến động chỉ số VN-Index từ ngày 15/06/2006 đến ngày 15/06/2016 để dự báo biếnđộng có điều kiện của thị trường chứng khoán Việt Nam Kết quả cho thấy, mô hình GARCH(1,1) phù hợp để ước tính biến động của thị trường chứng khoán trong nước Việc dự báocác biến động của thị trường có thể cung cấp dữ liệu quan trọng trong việc phân bổ tài sản,quản lý rủi ro và quản lý danh mục đầu tư cho các nhà đầu tư trên thị trường chứng khoánViệt Nam, bởi những biến động trong quá khứ có thể lặp lại trong hiện tại

Qua các bài nghiên cứu của các học giả trong và ngoài nước, có thể thấy được rằng

việc nghiên cứu về dự báo chứng khoán và và các tài sản tài chính mặc dù là một đề tàikhông mới nhưng luôn tạo được nguồn cảm hứng cũng như những kết luận khác nhau

xung quanh đề tài này Trên cơ sở của những đề tài nghiên cứu đi trước, bài nghiên cứunày sẽ tiến hành dự báo ngắn hạn chỉ số VNIndex trên thị trường chứng khoán Việt Nam

từ đó đưa ra một số những đúc kết mang tính ứng dụng

10

2.5 Khoảng trống nghiên cứu

Mặc dù đã có nhiều đề tài đã ứng dụng mô hình ARIMA và GARCH trong giới nghiên

cứu trong và ngoài nước nhưng những đề tài này vẫn chưa thật sự mang tính cập nhật

trong bối cảnh tình hình kinh tế hiện nay Ngoài ra những nghiên cứu này thường chỉ tậptrung trong một thị trường cụ thể, chưa có nhiều đề tài phản ánh liệu chất lượng dự báocủa mô hình có phụ thuộc vào mức độ mạnh yếu của nền kinh tế từng quốc gia, đặc biệt là

với một TTCK đang phát triển là Việt Nam so với TTCK đã phát triển là Mỹ Bài khóa luận

này tác giả sẽ tiếp tục sử dụng mô hình ARIMA, GARCH cùng với đó là phương pháp tiếp

cận Box-Jenkins để tìm ra mô hình dự báo chỉ số VN-Index tốt nhất với chuỗi dữ liệu

nghiên cứu cập nhật ở thời gian gần nhất, cùng với đó là đánh giá mức độ hiệu quả của mô

hình dự báo đối với TTCK Việt Nam và TTCK Mỹ, từ đó nêu lên một vài kiến nghị cho cácnhà đầu tư

11

CHƯƠNG III PHƯƠNG PHÁP NGHIÊN CỨU

3.1 Phương pháp nghiên cứu

Đề tài sẽ sử dụng phương pháp nghiên cứu định lượng thông qua 2 mô hình chính làARIMA và GARCH, trong đó các bước thực hiện được tiến hành như sau:

Bước đầu tiên để ước lượng và dự báo chỉ số VN-Index, cần phải kiểm định tính dừng

của chuỗi dữ liệu thời gian nghiên cứu Sau đó, tôi sử dụng chuỗi dữ liệu đã có tính dừng

để ước lượng các mô hình ARIMA thông qua biểu đồ tương quan Các tiêu chí như AIC, SIC

và các chỉ số khác sẽ được sử dụng để lựa chọn mô hình ARIMA tốt nhất từ các mô hình đã

xây dựng Tiếp theo, tiến hành áp dụng mô hình đã chọn để dự báo trong mẫu và kiểm tra

xem liệu mô hình này có mô tả được hiện tượng ARCH hay không.

Tại bước này nếu dự báo trong mẫu cho thấy độ chính xác cao và mô hình ARIMA

không có hiện tượng ARCH, thì có thể áp dụng trực tiếp mô hình này để dự báo chính thứccho chỉ số VN-Index trong tháng 4/2023 Tuy nhiên, nếu xuất hiện tính ARCH trong mô

hình ARIMA đã chọn, cần ước lượng mô hình GARCH để khắc phục vấn đề này Trong đó

quy trình ước lượng và các tiêu chuẩn lựa chọn mô hình GARCH phù hợp tương tự nhưquy trình đối với mô hình ARIMA Cuối cùng, khi đã chọn được mô hình GARCH phù hợp

tôi tiến hành dự báo ngoài mẫu.

Các lý thuyết liên quan đến tính dừng, mô hình ARIMA và GARCH sẽ được tác giảtrình bày kĩ hơn ở phần sau

3.2 Lý thuyết liên quan đến tính dừng trong chuỗi số liệu thời gian

3.2.1 Tính dừng

Theo Gujarati (2003), một chuỗi thời gian Yt được coi là có tính dừng nếu giá trị kỳ vọng và phương sai của chuỗi không thay đổi bất kể thời điểm nào chuỗi được xác định,

và hiệp phương sai giữa hai thời điểm chỉ phụ thuộc vào độ trễ k mà không phụ thuộc vào

thời điểm mà hiệp phương sai được tính

Nói theo cách khác, một chuỗi thời gian Yt có tính dừng nếu đáp ứng đủ những yêu cầu

Sau:

e _ Kỳ vọng không đổi theo thời gian:

E()=, (vt) (3.1)

12

e Phuong sai không đổi theo thời gian:

Var(Yt) = 07 (3.2)

© E(W -0)2= 0?

e Hiép phương sai chỉ phụ thuộc va độ trễ k mà không phụ thuộc vào thời điểm

tính toán:

Cov(Yt, Ytek) = E[Yt - E (¥t)] x [Yuk - E (Yek)] =, (3.3)

* Nếu như vi phạm 1 trong 3 điều kiện trên thi chuỗi thời gian Yt sẽ được coi là không có

tính dừng.

Hậu quả của chuỗi không có tính dừng

Khi dữ liệu là một chuỗi thời gian không dừng, các kiểm định t, F mất đi hiệu lực, ước

lượng và dự báo không đạt hiệu quả Do đó, phương pháp OLS không thể áp dụng được

cho những chuỗi không dừng, dẫn đến hiện tượng hồi quy giả mạo hoặc hồi quy vô nghĩa.

Để tránh những hậu quả như trên, việc xác định xem chuỗi thời gian có tính dừng hay không là rất quan trọng Trong thực tế, phần lớn các chuỗi thời gian đều là chuỗi không

dừng Hiện có nhiều cách để xác định một chuỗi thời gian có dừng hay không, trong đó

quan sát đồ thị của hàm tự tương quan là một trong những cách thông dụng và có độ chính

xác cao.

3.2.2 Kiểm định tính dừng

Kiểm nghiệm đơn vị Dickey - Fuller (Unit Root Test)

Sử dụng tiêu chuẩn kiểm định DF ta có:

t= (3.4)

Phân phối theo quy luật DF nếu |r| > |r„| thì ta bác bỏ giả thiết Ho và chấp nhận giả thiết

Hi tức là chuỗi có tính dừng

13

3.3 Mô hình ARIMA

Mô hình ARIMA (Auto Integrated Moving Average), về cơ bản tao ra một phương trình

tuyến tính trong đó mô tả và dự báo dữ liệu chuỗi thời gian Phương trình này được tạo ra

thông qua ba phần riêng biệt có thể được mô tả như sau:

3.3.1 Mô hình AR(p)

Mô hình tự hồi quy (Autoregressive Model) chỉ ra rằng biến đầu ra phụ thuộc tuyến tính

vào các giá trị trước đó Mô hình có dạng như sau:

Yt=@o + Lh Oj-Ve-j + Ue (3.5)

Trong do:

Yt: Quan sat dừng tai thời điểm

y(_¡: Quan sat dừng quá khứ

ó,: Hệ số phân tích hồi quy

uy: Sai số dự báo ngẫu nhiên tại thời điểm, có giá trị trung bình bằng 0 và phương sai

không đổi

p: Số nguyên dương

3.3.2 Mô hình MA(q)

Mô hình trung bình trượt là sự kết hợp tuyến tính giữa những số hạng nhiễu trắng.

Mô hình có dạng như sau: Yt= 6 + Vhs Ø.ty_j + Ue (3.6)

Trong đó:

Yt: Quan sát dừng tại thời điểm

u;_;: Sai số dự báo quá khứ

6;: Hệ số trung bình trượt

q: Số các sai số quá khứ dùng trong mô hình trung bình trượt

14

Uz: Sai số tại thời điểm t

3.3.3 Sai phân I(d)

Sai phân là sự khác nhau giữa giá trị hiện tại và giá trị liền trước đó Lấy sai phân

hay còn gọi là quá trình tích hợp (Integrated) Việc lấy sai phân là một phương pháp hữu

hiệu trong việc biến đổi chuỗi thời gian thành có tính dừng, để thỏa mãn yêu cầu của việc

dự báo chuỗi thời gian.

Sai phân bậc 1: I(1) = Al (xz) = x¢ - Xt-1 (3.7)

Sai phân bậc d: I(d) = A#(x¿) =x(®~9£) - x) — 1) (3.8)

3.3.4 Mô hình ARIMA (p, d, q)

ARIMA (Autoregressive Intergrated Moving Average) hay còn gọi là Mô Hình Tự

Hồi Quy Kết Hợp Trung Binh Trượt, biểu diễn phương trình hồi qui tuyến tinh đa biến

(multiple linear regression) của các biến đầu vào (còn gọi là biến phụ thuộc trong thốngkê) bao gồm 3 thành phần đã được nêu ra ở phần trên và có dạng như sau:

Yt=c+X-¡ Dj-Ye-j + Yet Gj Up_j + Ur (3.9)

Trong đó:

Yt: Quan sát dừng tại thời điểm

y_j: Quan sát dừng quá khứ

u;_;: Sai số dự báo quá khứ

Qj, Ø;: Các hệ số phân tích hồi quy

q: Số các sai số quá khứ dùng trong mô hình trung bình trượt

u¿ : Sai số tại thời điểm t

c: Hằng số

3.3.5 Phương pháp luận Box-Jenkins

Phương pháp Box-Jenkins được đặt theo tên của hai nhà toán học là George Box và

Gwilym Jenkins là phương pháp phổ biến trong mô hình chuỗi thời gian Phương pháp này

15

nhằm tìm ra các tham số phù hợp nhất với mô hình ARIMA thông qua một trình tự nhất

định trong việc xác định giá trị các tham số của mô hình, gồm các bước sau:

Nhận dạng mô hình: Tìm kiếm các giá trị phù hợp của p, d và q Yếu tố xu thế được

loại bỏ khỏi dữ liệu (bằng cách lấy sai phân bậc 1 hoặc sai phân bậc 2) Phân tích chiềuhướng biến đổi của hàm tự tương quan ACF hoặc hàm tự tương quan riêng PACF thường

được sử dụng để nhận dạng mô hình

Ước lượng: Ước lượng các tham số của các số hạng tự hồi quy và trung bình trượt

trong mô hình sau khi đã xác định các giá trị phù hợp của p và q Phương pháp ước lượng

hợp lý cực đại (MLE) thường được sử dụng để ước lượng

Chẩn đoán: Kiểm tra xem mô hình ARIMA đã chọn có phù hợp với dữ liệu hay

không Thông qua việc kiểm tra xem các phần dư ước lượng từ mô hình lựa chọn có tính

ngẫu nhiên thuần túy, hay có thể hiểu là phần dư ước lượng từ mô hình có tính dừng hay

không? Nếu có, ta chấp nhận sự phù hợp này của mô hình và ngược lại, ta phải lặp lại cácbước từ đầu cho đến khi mô hình thỏa mãn các điều kiện trên

Dự báo: Khi mô hình đã được kiểm chứng phù hợp với dữ liệu, yếu tố xu thế đượcđưa lại vào mô hình và thực hiện dự báo điểm và dự báo khoảng tin cậy Phương pháp lập

mô hình ARIMA đã được chứng minh là phổ biến và hiệu quả trong việc dự báo, đặc biệt

là trong các trường hợp dự báo ngắn hạn

3.3.6 Hạn chế của mô hình ARIMA

Mô hình ARIMA cung cấp một phương pháp mạnh mẽ để mô hình hóa và dự báo các

chuỗi dữ liệu, tuy vậy nó lại có nhiều những hạn chế Một trong những bất cập có thể kể

đến như:

Không thể mô hình hóa các đặc tính phi tuyến: Mô hình ARIMA là một mô hình tuyến

tính và không thể mô hình hóa các đặc tính phi tuyến của các chuỗi dữ liệu.

Không xử lý được các giá trị ngoại lai: Mô hình ARIMA không xử lý được các giá trị

ngoại lai (outliers) trong dữ liệu chuỗi thời gian, dẫn đến các dự báo không chính xác

3.4 Mô hình tự điều chỉnh phương sai với điều kiện khác nhau (GARCH)

Mô hình GARCH được phát triển bởi Tim Bollersle, là mô hình được phát triển dựa

trên mô hình ARCH, được bổ sung thêm thành phần tự hồi quy (AR) nên có độ tổng quát

16

cao hơn Theo Robert F Engle (1995), một trong những nhược điểm của mô hình ARCH là

nó giống với mô hình trung bình di động hơn là mô hình tự hồi quy Một phương pháp mới

đó là thêm các biến trễ của phương sai có điều kiện vào phương trình của phương sai theo dạng tự hồi quy (thêm biến AR), thay vì chỉ đưa những biến trễ của các hạng nhiễu bình

phương như trong mô hình ARCH Mô hình GARH sẽ khắc phục được nhược điểm của mô

hình ARIMA là phương sai sai số thay đổi, do vậy đây thường là mô hình được các nhànghiên cứu sử dụng để dự báo

Mô hình GARCH (p,q) có dạng như sau:

ur ~ N(0,h¿)

h, = V9 + Vins Oihe-i + Diet jue; (3.11)

Trong do:

p,q : la bậc của ARCH và GARCH trong mô hình, và giá tri Tạ 6; > 0

Theo mô hình GARCH, phương sai hiện tại phụ thuộc vào cả giá trị của những cú sốc trong

quá khứ, được đại diện bởi các biến trễ của hạng nhiễu bình phương, và các giá trị quá khứ

của chính nó, được đại diện bởi các biến ht-i i Nếu p =0 thì mô hình GARCH (0, q) sẽ trởthành mô hình ARCH (q) Dạng đơn giản nhất của mô hình GARCH là mô hình GARCH (1,1)

và dạng mô hình này thường được dùng để thay thế cho các mô hình ARCH bậc cao

3.5 Do lường độ chính xác dự báo của mô hình ARIMA và GARCH

Đề tài này sẽ dùng 3 thước đo phổ biến nhất để đo lường độ chính xác của mô hình

dự báo, đó là: Sai số bình phương trung bình MSE (Mean Square Error), Sai số dự báo tuyệt đối trung bình MAE (Mean absolute error), và Sai số phần trăm tuyệt đối MAPE (Mean absolute

Trong đó:

y;: Biến độc lập

9;: Giá tri ước lượng

Sai số dự báo tuyệt đối trung bình MAE (Mean absolute error): MAE đo lường mức độ trung bình của mẫu thử nghiệm về sự khác biệt tuyệt đối giữa lượng quan sát thực tế và lượng dự

Nếu giá trị của RMSE,MAE và MAPE càng tiến về không tức là sai số càng bé cho thay mức

độ tin cậy của mô hình càng cao

3.6 Nguồn dữ liệu

Mẫu dữ liệu được lấy trong khoảng thời gian từ 4/1/2016 đến 31/3/2023 Mẫu

nghiên cứu bao gồm giá trị thị trường được cập nhật hàng ngày là: Giá đóng của của chỉ sốchứng khoán VN-INDEX trên Sở Giao dịch chứng khoán Hồ Chí Minh (HOSE) Chỉ số thịtrường VNINDEX được lấy từ website: https://vn.investing.com/indices/vn Giá đóng cửacủa chỉ số Dow Jones được lấy từ trang web: https://vn.investing.com/indices/us-30-

historical-data.

18

CHƯƠNG IV KẾT QUẢ NGHIÊN CỨU

4.1 Mẫu quan sát

Số liệu trong bài nghiên cứu được thu thập từ 4/1/2016 đến 31/3/2023 với 1810

mẫu quan sát Giai đoạn từ năm 2016 đến 2023 là khoảng thời gian tương đối biến động

đối với TTCK Việt Nam với hàng loạt những sự kiện như sự bùng phát của đại dịch

Covid-19 (2020), cuộc chiến tranh giữa Nga-Ukcraina (2022).

Chuỗi số liệu lịch sử giá cuối phiên giao dịch của chỉ số VNIndex được chia thành 2 giai đoạn Giai đoạn đầu tiên từ 4/1/2016 đến 31/1/2023 gồm 1767 mẫu quan sát, đây là giai đoạn được sử dụng để ước lượng các mô hình ARIMA và GARCH Giai đoạn 2 bắt đầu

từ ngày 1/2/2023 đến ngày 31/3/2023, giai đoạn này sẽ tập trung vào dự báo ngoài mẫu

và đánh giá mức độ chính xác và phù hợp của mô hình đã được chọn Mục tiêu cuối cùng

là dự báo chỉ số VNIndex trong phiên giao dịch tháng 4/2023

4.2 Ước lượng mô hình ARIMA

800

-600 ea

4.00 Oe}

16 17 18 19 20 21 22

Nguồn: Kết quả nghiên cứu của tác giả

Yêu cầu đầu tiên trong việc ước lượng mô hình là chuỗi dữ liệu cần có tính dừng để

tránh trường hợp hồi quy giả mạo, khiến kết quả dự báo không có ý nghĩa thực tế Dựa vào

biểu đồ trên có thể thấy được chuỗi dữ liệu quá khứ của chỉ số VN-Index có sự biến động

19

tăng giảm rõ rệt trong từng thời kì Vì vậy điều kiện về giá trị kì vọng không đổi đã bị vi

phạm và do đó đây là một chuỗi không có tính dừng.

Do đó tôi sẽ tiến hành hiện lấy sai phân bậc 1 của chuỗi dir liệu và sau đó tiến hành

kiểm tra tính dừng thông qua kiểm định Dicky-Fuller

Giả thuyết :

H0: Chuỗi thời gian không có tính dừng.

H1: Chuỗi thời gian có tính dừng

Bảng 4.1 Kiểm định tính dừng của chuỗi thời gian

Null Hypothesis: D(VNINDEX) has a unit root Exogenous: Constant

Lag Length: 0 (Automatic - based on SIC, maxlag=24)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -40.21718 0.0000 Test criticalvalues: 1% level -3.433852

5% level -2.862974 10% level -2.567580

Nguồn: Kết quả nghiên cứu của tác giả

Kết quả sau khi lấy sai phân bậc 1 của chuỗi dữ liệu cho thấy giá trị p-value xấp xỉ bằng 0, nhỏ hơn mức ý nghĩa 5% Do đó bác bỏ giả thuyết H0 và chấp nhận giá thuyết H1 tức là chuỗi dữ liệu đã có tính dừng.

Hình 4.2: Biểu đồ sai phân bậc 1 của chuỗi dữ liệu VN-Index

DVNINDEX

60

-16 17 18 19 20 21 22

20

Nguồn: Kết quả nghiên cứu của tác giả

4.2.2 Xác Định Tham Số ARIMA (p, d, q)

Trên thực tế có nhiều cách để lựa xác định các tham số p,d và q trong mô hình ARIMA,

một trong những phương pháp thường được sử dụng nhất đó là dựa biểu đồ độ trễ của

các ham ACF và PACF và đây cũng là cách mà tôi chọn để xác định mô hình

Hình 4.3: Biểu đồ tương quan cho chuỗi dữ liệu VN-Index

0.028 0.025 8.4304 0.134 0.009 0.004 8.5596 0.200

Nguồn: Kết quả nghiên cứu của tác giả

Tham số d trong mô hình ARIMA chính là số lần sai phân của chuỗi hay nói cách khác, do chuỗi

dữ liệu nghiên cứu đã sử dụng sai phân bậc 1 trong việc biến đổi chuỗi có tính dừng, nên giá trị

tham số d = 1

Giá trị p là tự tương quan từng phần được đại diện bởi cột PAC, giá trị q được đại diện

bởi cột AC Theo như hình 4.3, tại giá trị độ trễ bằng 1 ta thấy được giá trị AC và PAC đạt

max và ngay sau đó là giảm dần, do đó giá trị p và q đều bằng 1 Do vậy từ chuỗi dữ liệu

VN-Index nghiên cứu, mô hình ARIMA duy nhất là ARIMA (1,1,1)

Sau khi xác định được các tham số chính của mô hình, tiến hành ước lượng mô hình

và kết quả chạy như sau:

21