Ứng dụng mô hình ARIMA GARCH trong dự báo tỷ suất sinh lợi của danh mục đầu tư hiệu quả

ĐẠI HỌC HUẾ TRƯỜNG ĐẠI HỌC KINH TẾ KHOA TÀI CHÍNH – NGÂN HÀNG tế H uế  - in h KHĨA LUẬN TỐT NGHIỆP ĐẠI HỌC K ỨNG DỤNG MÔ HÌNH ARIMA - GARCH TRONG ại họ c DỰ BÁO TỶ SUẤT SINH LI CỦA DANH MỤC Đ ĐẦU TƯ HIỆU QUẢ Sinh viên thực hiện: Trần Quang Huy Lớp: K45B Tài – Ngân hàng Giáo viên hướng dẫn TS Trần Thị Bích Ngọc Niên khóa: 2011 - 2015 Huế, tháng năm 2015 Lời Cảm Ơn Đ ại họ c K in h tế H uế Đầu tiên, tơi xin gửi lời cảm ơn chân thành đến tồn thể trường Đại học Kinh tế Huế, khoa, ngành, mơn tạo điều kiện thuận lợi giúp tơi hồn thành tốt chương trình đại học mình, giúp tơi tham gia để nghiên cứu khóa luận tốt nghiệp Tơi xin gửi lời cảm ơn sâu sắc đến tồn thể q giảng viên, q thầy giáo trường, đặc biệt thầy giáo giảng viên khoa Tài – Ngân hàng trường đại học Kinh tế Huế Chính họ cung cấp cho tơi tảng kiến thức kiến thức chun sâu ngành Tơi xin gửi lời cảm ơn chân thành đến giáo, TS.Trần Thị Bích Ngọc Chính hỗ trợ, giúp đỡ tơi nhiều q trình nghiên cứu khóa luận tốt nghiệp Tơi bày tỏ lòng biết ơn lớn lao giúp đỡ tận tình Cuối cùng, lời cảm ơn lại tơi xin gửi đến tồn thể anh chị, cán nhân viên NHTMCP Cơng Thương Việt Nam chi nhánh Huế (Vietinbank) Sự bảo họ phần giúp tơi có kinh nghiệm, kỹ thực tế q trình làm việc giải tình thực tiễn Họ hỗ trợ tơi nhiều q trình làm khóa luận tốt nghiệp Mặc dù nỗ lực cố gắng nhiên khơng thể tránh khỏi sai sót Rất mong nhận góp ý sửa chữa từ q thầy giáo Tơi xin chân thành cảm ơn! Huế, tháng năm 2015 Sinh viên thực Trần Quang Huy MỤC LỤC LỜI CẢM ƠN MỤC LỤC DANH MỤC CHỮ VIẾT TẮT i DANH MỤC BẢNG BIỂU ii DANH MỤC HÌNH VẼ, ĐỒ THỊ iii TĨM TẮT NGHIÊN CỨU iv PHẦN I: ĐẶT VẤN ĐỀ 1.Lí chọn đề tài uế Mục tiêu tế H Đối tượng nghiên cứu Phạm vi nghiên cứu Phương pháp nghiên cứu in h Kết cấu đề tài PHẦN II: NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU K CHƯƠNG 1: TỔNG QUAN VỀ DMĐT HIỆU QUẢ VÀ MƠ HÌNH ARIMA – ại họ c GARCH TRONG DỰ BÁO 1.1 Tổng quan lý thuyết CK 1.1.1 Khái niệm Đ 1.1.2 Phân loại 1.2 Nội dung lý thuyết mơ hình Markowitz 1.2.1 Rủi ro lợi nhuận 1.2.2 Trung bình phương sai 1.2.3 Sự đa dạng hóa danh mục 1.2.4 Đường biên hiệu 1.2.5 Đường thị trường vốn 1.2.5.1 Kết hợp tài sản phi rủi ro vào DMĐT rủi ro 1.2.5.2 Đường thị trường vốn 10 1.2.6 Các bước thiết lập mơ hình Markowitz 11 1.2.6.1 Giả thiết 11 1.2.6.2 Các bước thiết lập 11 1.3 Mơ hình chuỗi thời gian ARIMA, ARCH/GARCH 11 1.3.1 Chuỗi thời gian 11 1.3.1.1 Khái niệm 11 1.3.1.2 Thành phần chuỗi thời gian 12 1.3.1.3 Tính dừng 13 1.3.1.4 Chuỗi thời gian dự báo 13 1.3.2 Tổng quan dự báo 14 uế 1.3.2.1 Khái niệm 14 tế H 1.3.2.2 Đặc điểm dự báo 14 1.3.2.3 Các phương pháp dự báo 14 1.3.2.4 Quy trình dự báo 15 in h 1.3.2.5 Các cơng cụ thống kê đánh giá độ xác dự báo 15 1.3.3 Kiểm định tính dừng 17 K 1.3.3.1 Kiểm định nghiệm đơn vị Dickey-Fuller (unit root test) 18 ại họ c 1.3.3.2 Nhiễu trắng (White noise) 18 1.3.3.3 Biến đổi chuỗi khơng dừng thành chuỗi dừng 19 1.3.4 Q trình tự hồi quy (AR), trung bình trượt (MA) mơ hình tự hồi quy tích hợp trung bình trượt (ARMA) 19 Đ 1.3.4.1 Q trình tự hồi quy (AR) 19 1.3.4.2 Q trình trung bình trượt (MA) 20 1.3.4.3 Q trình tự hồi quy tích hợp trung bình trượt (ARMA) 21 1.3.4.4 Q trình ARIMA 21 1.3.5 Phương pháp Box-Jenkins 21 1.3.6 Mơ hình hóa phương sai (ARCH/GARCH) 24 1.3.6.1 Mơ hình ARCH 24 1.3.6.2 Mơ hình GARCH 26 1.4 Tổng quan nghiên cứu ngồi nước 27 1.4.1 Các nghiên cứu nước ngồi 27 1.4.1.1 Thực tiễn ứng dụng mơ hình ARIMA 27 1.4.1.2 Thực tiễn ứng dụng mơ hình ARCH/GARCH 27 1.4.2 Thực tiễn nghiên cứu dự báo Việt Nam 29 1.4.2.1 Thực tiễn ứng dụng mơ hình ARMA 29 1.4.2.2 Thực tiễn ứng dụng mơ hình GARCH 30 CHƯƠNG 2: ỨNG DỤNG MƠ HÌNH ARIMA, ARCH/GARCH VÀO DỰ BÁO TSSL CỦA DMĐT HIỆU QUẢ 32 2.1 Giới thiệu danh mục 32 uế 2.1.1 Một số tiêu chuẩn để lựa chọn cổ phiếu 32 tế H 2.1.2 Danh mục cổ phiếu 32 2.2 Ứng dụng mơ hình Markowitz để xác định DMĐT hiệu 34 2.2.1 Xác định đường biên hiệu 34 in h 2.2.2 Xác định DMĐT hiệu 37 2.3 Ước lượng mơ hình ARIMA(p,d,q) 38 K 2.3.1 Mẫu quan sát 38 ại họ c 2.3.2 Kiểm tra tính dừng chuỗi GTDM 39 2.3.3 Xác định mơ hình ARIMA(p,d,q) 41 2.3.4 Kiểm tra tính ARCH 46 2.4 Tiến hành dự báo 48 Đ CHƯƠNG 3: THẢO LUẬN KẾT QUẢ VÀ MỘT SỐ KIẾN NGHỊ 50 Thảo luận kết 50 Kiến nghị 52 PHẦN III: KẾT LUẬN 53 Kết luận 53 Hạn chế 53 Hướng phát triển đề tài 54 TÀI LIỆU THAM KHẢO 56 PHỤ LỤC DANH MỤC CHỮ VIẾT TẮT ARCH AutoRegressive Conditional Heteroskedasticity Autocorrelation Function ARIMA Autoregressive Integrated Moving Average CK Chứng khốn CSDM Chỉ số danh mục DMCP Danh mục cổ phiếu DMĐT Danh mục đầu tư DN Doanh nghiệp GARCH Generalized tế H uế ACF Conditional in h AutoRegressive Heteroskedasticity K Giá trị danh mục Giá trị danh mục thời điểm t NĐT Nhà đầu tư NHTM Ngân hàng thương mại NHTMCP Ngân hàng thương mại cổ phần PACF Partial Autocorrelation Function PSSSTĐ Phương sai sai số thay đổi SGDCK Sở giao dịch chứng khốn TSSL Tỷ suất sinh lợi TTCK Thị trường chứng khốn ại họ c GTt Đ GTDM i DANH MỤC BẢNG BIỂU Bảng 1.1: Nhận dạng mơ hình ARIMA(p,d,q) 22 Bảng 2.1: Danh mục 10 cổ phiếu chọn 33 Bảng 2.2: TSSL kỳ vọng theo ngày cổ phiếu danh mục 34 Bảng 2.3: Ma trận phương sai - hiệp phương sai cặp cổ phiếu 35 Bảng 2.4: Tỷ trọng cổ phiếu DMĐT hiệu 37 uế Bảng 2.5: Chuỗi thời gian GTDM 39 tế H Bảng 2.6: Xác định mơ hình ARIMA(p,1,q) 41 Bảng 2.7: Giá trị thực tế giá trị dự báo điểm hậu nghiệm 44 Bảng 2.8: Giá trị dự báo khoảng hậu nghiệm 45 in h Bảng 2.9: Giá trị dự báo GTDM TSSL tuần 48 K Bảng 2.10: Giá trị dự báo khoảng cho GTDM tuần 49 Đ ại họ c Bảng 3.1: Giá trị thực tế giá trị dự báo tuần 51 ii DANH MỤC HÌNH VẼ, ĐỒ THỊ Hình 1.1: Biểu đồ rủi ro hệ thống rủi ro phi hệ thống Hình 1.2: Đường biên hiệu Markowitz Hình 1.3: Đường thẳng thị trường vốn CML 10 Hình 1.4 : Các thành phần chuỗi thời gian 12 Hình 1.5: Phân tích chuỗi số liệu từ năm 1976 đến năm 1999 13 uế Hình 1.6: Sơ đồ quy trình dự báo 15 tế H Hình 2.3: Phần dư, giá trị thực, giá trị ước lượng từ mơ hình ARIMA(2,1,2) 42 Hình 2.4: Dự báo hậu nghiệm TSSL danh mục 43 in h Hình 2.5: Giá trị dự báo giá trị thực tế GTDM 44 Hình 2.6: ACF PACF bình phương phần dư mơ hìnhARIMA(2,1,2) 46 K Hình 2.7: Kiểm tra PSSSTĐ mơ hình ARIMA(2,1,2) 47 ại họ c Hình 2.8: Dự báo TSSL DMĐT từ 3/3/2015-6/3/1015 48 Biểu đồ 2.1: Đường cong Markowitz 36 Đ Biểu đồ 2.2: Đường biên hiệu Markowitz 37 iii TĨM TẮT NGHIÊN CỨU TTCK giới nói chung Việt Nam nói riêng ln nơi hấp dẫn tổ chức nhân đầu tư mức sinh lợi cao nhiên hoạt động tiềm ẩn nhiều rủi ro Vì việc đưa dự báo xu hướng biến động TSSL DMĐT để có sách phù hợp cho hoạt động đầu tư cá nhân, tổ chức thu hút nhiều quan tâm nhà kinh tế lượng tài ngồi nước Tuy nhiên, để dự báo xác chiều hướng vận động đối tượng tương lai lại điều khơng dễ dàng Vào thập niên 70 kỷ 19, kể từ phương pháp chuỗi thời gian uế đời, điều khơng dễ dàng trở thành thực, kỷ ngun tế H mở cho hoạt động dự báo Sử dụng phương pháp chuỗi thời gian, hay gọi Box-Jenkins, số khác gọi mơ hình ARIMA, nhà nghiên cứu tiến hành dự báo nhiều biến số kinh tế Đa phần, họ đến kết luận chung in h phương pháp chuỗi thời gian phương pháp đơn giản hiệu K cơng tác dự báo ngắn hạn Nắm bắt thực tế này, tơi trình bày đề tài: “Ứng dụng mơ hình ARIMA – ại họ c GARCH dự báo tỷ suất sinh lợi danh mục đầu tư hiệu quả” Mục tiêu cốt yếu đề tài tiến hành dự báo TSSL tương lai DMĐT hiệu Từ kết đó, NĐT nhân, tổ chức đưa biện pháp tốt quản Đ trị rủi ro nhờ thúc đẩy thị trường phát triển Thơng qua số tiêu chí nhiều nhà nghiên cứu đề xuất như: AIC, SIC, R2… đề tài phân tích, lựa chọn mơ hình ARIMA(2,1,2) mơ hình dự báo giá trị trung bình cho TSSL Kết dự báo hậu nghiệm mơ hình đánh giá sát với giá trị thực tế Tiến hành kiểm tra tính ARCH/GARCH mơ hình khơng mắc phải tượng phương sai sai số thay đổi Từ đó, tác giả tiến hành dự báo (tiên nghiệm) khoảng tin cậy TSSL DMĐT hiệu vòng tuần tới với mơ hình ARIMA(2,1,2) Kết cuối cho thấy mơ hình ARIMA(2,1,2) nắm bắt tốt xu hướng biến động TSSL khoảng thời gian dự báo, giá trị dự báo sai lệch khơng nhiều so với thực tế iv PHẦN I: ĐẶT VẤN ĐỀ Lí chọn đề tài Tính đến nay, TTCK VN thức vào hoạt động gần 15 năm trải qua thăng trầm kể từ thành lập TTCK ngày khẳng định vai trò việc thu hút vốn đầu tư cho DN nơi tạo nguồn thu nhập cho NĐT Trong năm đầu hoạt động TTCK, hỗ trợ tích cực kinh tế tăng trưởng cực nóng mang lại mức sinh lợi cực cao cho NĐT, lên uế đến 600% thị trường niêm yết Lợi nhuận cao, khoản nhanh dẫn tới dễ tế H dãi đầu tư, NĐT khơng cần nhiều kiến thức kỹ năng, nghiệp vụ chứng khốn đạt lợi nhuận cao.Nhưng kể từ cuối năm 2007, kinh tế giới nói chung VN nói riêng rơi vào khủng hoảng kinh tế kép, kéo dài in h làm cho TTCK non trẻ VN biến động, liên tục giảm điểm khiến NĐT thiếu kinh nghiệm thua lỗ nặng nề Trước biến cố đặt u cầu K NĐT phải trở nên chuyện nghiệp Muốn đầu tư có hiệu quả, chiến thắng thị ại họ c trường NĐT cần phân tích tác động yếu tố vĩ mơ kinh tế, tình hình tài DN, ứng dụng lý thuyết, mơ hình để xác định rủi ro đưa dự báo xác giá cổ phiếu tương lai Đ Ngày nay, việc giảm thiểu rủi ro cách đa dạng hóa DMĐT xác định DMĐT hiệu trở nên quen thuộc với NĐT Tuy nhiên, việc xác định DMĐT đa dạng hóa tốt giải tốn giảm thiểu rủi ro cho danh mục khơng giúp NĐT đưa định đắn để mang lại mức lợi nhuận cao tương lai Nhưng với phát triển mơ hình dự báo, đặc biệt mơ hình chuỗi thời gian, NĐT ứng dụng vào việc tiên đốn tỷ suất sinh lợi DMĐT Nếu dự báo xác TSSL, NĐT sử dụng kết vào việc quản trị DMĐT hay chốt lời danh mục lúc Từ lý trên, tơi tiến hành nghiên cứu đề tài “Ứng dụng mơ hình ARIMA- GARCH dự báo tỷ suất sinh lợi danh mục đầu tư hiệu PHẦN III: KẾT LUẬN Kết luận Bài nghiên cứu mục đích thiết lập DMĐT hiệu sau thiết lập mơ hình dự báo TSSL danh mục Mơ hình xây dựng phù hợp với liệu thực tế giai đoạn ước lượng, kết dự báo hậu nghiệm sát với thực tế nên kết dự báo tiên nghiệm đáng tin cậy Sau q trình phân tích kỹ lưỡng góc độ lý luận thực tiễn, đến kết luận cuối chọn mơ hình ARIMA(2,1,2) để dự báo TSSL DMĐT hiệu uế tuần tế H Bài nghiên cứu làm bật phương pháp xây dựng, xác định mơ hình ARIMA phép kiểm tra chẩn đốn để lựa chọn mơ hình tốt Thơng qua việc phân tích bước, kiểm định, cung cấp nhìn sâu cụ thể in h việc ứng dụng mơ hình ARIMA dự báo TSSL danh mục K Bài nghiên cứu thực hữu ích cho người tiếp cận mơ hình ARIMA, ARCH/GARCH lần đầu Họ hồn tồn mở rộng mơ hình sâu ại họ c hơn, phát huy tính ưu việt mơ hình việc dự báo ngắn hạn đặc biệt khắc phục hạn chế mà nghiên cứu mắc phải Đ Hạn chế Mơ hình dừng lại dạng đơn biến, đơn chuỗi thời gian, ước lượng hồi quy tiến hành giá trị q khứ biến phụ thuộc, giá trị trễ sai số ngẫu nhiên Mơ hình chưa sâu vào dạng đa biến ARIMA, ARCH/GARCH mà điều dường phù hợp với thực tiễn nhiều Mơ hình ARIMA khơng nắm bắt yếu tố khơng phải xu hay sai số, chẳng hạn chuỗi liệu có yếu tố mùa cần phải loại bỏ tính mùa trước sử dụng mơ hình, sử dụng mơ hình khác, SARIMA Cơng việc đòi hỏi kỹ thuật kinh nghiệm người nghiên cứu nhiều 53 Mơ hình ARIMA, GARCH mơ hành vi q khứ giả định tương lai lại tái diễn Song thực tế rằng, giá trị tương lai biến số kinh tế khơng giữ ngun mà biến động nhiều Do đó, mơ hình ARIMA, GARCH dự báo cách ý nghĩa ngắn hạn, hai bước phía trước, dài hạn sai số dự báo gia tăng nhiều, kết dự báo khơng xác TTCK Việt Nam có q nhiều ngày nghỉ lễ, tết… làm đứt đoạn liên tục chuỗi thời gian cần nghiên cứu Dẫn đến kết dự báo dễ bị sai lệch Mẫu quan sát để tiến hành ước lượng mơ hình thu thập uế khoảng thời gian tháng Với khoảng thời gian ngắn phương sai sai số ARCH/GARCH vào việc nghiên cứu in h Hướng phát triển đề tài tế H mơ hình chưa thay đổi Do đó, đề tài chưa thể ứng dụng mơ hình Xây dựng mơ hình ARIMA đa biến: GTDM phụ thuộc vào nhiều biến độc K lập khác ngồi giá trị tại, q khứ biến phụ thuộc sai số, chẳng hạn ại họ c đưa yếu tố lạm phát, tỷ giá, giá vàng… biến độc lập bổ sung vào mơ hình ARIMA, điều cải thiện đáng kể mức độ tin cậy khắc phục đơn biến mơ hình ARIMA, lúc liệu trở nên đáng tin cậy Đ Mở rộng mẫu nghiên cứu cho giai đoạn ước lượng mơ hình để nắm bắt tốt biến động phương sai Việc mở rộng mẫu nên có tính tốn kỹ lưỡng để dự báo TSSL khoảng thời gian ngắn tuần mẫu quan sát khơng nên lấy cách thời điểm dự báo q xa Phải cần có linh hoạt nhạy bén việc điều chỉnh sai số dự báo giai đoạn dự báo hậu nghiệm Cần phải kết hợp với nhiều kỹ thuật đặc biệt để phân tích diễn biến rủi ro khơng nên vào mơ hình ARIMA để định, lẽ dự báo tốt khơng hồn hảo 54 TTCK Việt Nam ln tiềm ẩn nhiều rủi ro biến động bất thường, mơ hình ARIMA, ARCH/GARCH dường nắm bắt tốt liệu có tính ổn định cao Có thể tiến hành thử nghiệm với thời gian rộng hơn, hay thay đổi tần suất liệu từ ngày sang tuần, tháng để xem xét nắm bắt có tốt liệu gốc hay khơng Cần so sánh kết dự báo mơ hình chuỗi thời gian với mơ hình kinh tế Đ ại họ c K in h tế H uế lượng khác để lựa chọn mang lại độ tin cậy thuyết phục cao 55 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Phạm Thế Anh (2013), Kinh tế lượng ứng dụng – Phân tích chuỗi thời gian, NXB Lao động Hà Nội [2] Phạm Trí Cao (2007), Kinh tế lượng ứng dụng – Chương trình nâng cao [3] Đào Hồng Dũng (2012), “Dự báo lạm phát q I năm 2013 qua mơ hình ARIMA”, Học viện ngân hàng [4] Nguyễn Quang Dong (2012), Giáo trình kinh tế lượng, Đại học Quốc gia Hà uế Nội tế H [5] Đỗ Quang Giám & cs (2012), “Xây dựng mơ hình ARIMA cho dự báo khách du lịch quốc tế đến Việt Nam”, Tạp chí Khoa học Phát triển, Tập 10, Số 364 -370, in h Trường Đại học Nơng nghiệp Hà Nội [6] Vũ Thị Gương (2012), “Kỹ thuật khai phá liệu chuỗi thời gian áp dụng ại họ c viễn thơng K dự báo giá chứng khốn”, Luận văn thạc sĩ, Học viện Cơng nghệ bưu [7] Nguyễn Trọng Hồi (2001), Mơ hình hóa dự báo chuỗi thời gian kinh doanh, NXB Đại học quốc gia, Đại học kinh tế Thành phố Hồ Chí Minh Đ [8] Trần Sỹ Mạnh & Đỗ Khắc Hưởng (2010), “Đo lường dao động số chứng khốn VN-Index thơng qua mơ hình GARCH”, Học viện tài [9] Thục Đoan & Cao Hào Thi (2012 - 2014), đọc “Kinh tế lượng chuỗi thời gian II: Dự báo với mơ hình ARIMA VAR”, Chương trình giảng dạy kinh tế Fullbright [10] Võ Văn Tài (2012), “Dự báo sản lượng lúa Việt Nam mơ hình tốn học”, Tạp chí Khoa học, Số 23b, Trang 125 – 134 [11] Cao Hào Thi (2012), đọc “Dự báo”, Chương trình giảng dạy kinh tế Fullbright [12] Hồng Trọng & Chu Nguyễn Mộng Ngọc (2011), Thống kê ứng dụng kinh tế xã hội, NXB Lao động – Xã hội Nước ngồi [1] Anders Wilhelmsson (2006), “Garch Forecasting Performance under Different Distribution Assumptions”, Jornal of Forecasting, No 25, Page 561 - 578 [2] Bobert F Engle & Victror K NG (1993), “Measuring and Testing the Impact of News on Volatility”, The Journal of Finance, Vol XLVIII, No [3] Cheng (2001), “Stock Returns and Volatility on China’s Stock markets”, The uế Journal of Financial Research, Vol XXIV, No 4, Pages 523 – 543 Spot, Forward and Futures Markets” tế H [4] Chia Lin Chang & cs (2009), “Forecasting Volatility and Spillovers in Crude Oil [5] Chris Books (2008), Introductory Econometrics for Finace, Second Edition, The in h ICMA Centre, University Cambridge K [6] Niaz Bashiri Behmiri et al (2010), “Crude Oil Price Forecasting ại họ c Techniques: a Comprehensive Review of Literature”, Alternative Investment Analyst Review [7] Robert Engle (2001), “The Use of ARCH/GARCH Models in Applied Đ Econometrics”, Journal of Economic Perspectives, Vol 15, Number 4, Page 157 –168 [8] Robert Engle and Victor K Ng (1991), “Measuring and Testing the Impact of News on Volatility”, National Bureau of economic research, Nber working Paper 3681 [9] Saatcioglu (2007), “Information Content Of Exchange Rate Volatility: Turkish Experence”, International Business & Economics Research Journal, Volume 6, Number [10] Tim Bollerslev (2011), “ARCH and GARCH model”, Economics 350, Duke University [11] Tim Bolelerslev & Ole Mikkelsen (1996), “Modeling and pricing long memory in stock market volatility”, Journal of Econometrics 73, Pages 151 -184 [12] William H.Greene (1951), Econnometric Analysis, Fifth Editon, Prentice Hall, New York University Danh mục web tham khảo: [1]http://isponre.gov.vn/home/dien-dan/463-tong-quan-ve-phuong-phap-du-bao-vakha-nang-ap-dung-mot-so-mo-hinh-trong-du-bao-bien-dong-tai-nguyen-va-moitruong-tai-viet-nam uế [2]http://text.123doc.org/document/699291-kinh-te-luong-nang-cao-bai-giang-so- tế H 14.htm [3]http://vi.scribd.com/doc/111307200/MO-HINH-GARCH#scribd 115-174301 in h [4]http://vietstock.vn/2010/12/co-phieu-largecap-midcap-hay-smallcap-se-but-pha- K [5]http://www.tapchicongsan.org.vn/Home/Viet-nam-tren-duong-doi- ại họ c moi/2015/31474/Trien-vong-kinh-te-nam-2015 [6]http://stox.vn/tin-tuc/market/242142/ttck-thuan-dau-nam-thu-thach-cuoi-nam [7]http://www.stockbiz.vn/News/2015/3/2/553410/ssi-research-lac-quan-ve-trien- Đ vong-ttck-viet-nam-2015 [8]http://forums.eviews.com/viewtopic.php?f=5&t=500 [9]http://vietstock.vn/chu-de/365/du-bao-chung-khoan-2014.htm [10]https://www.academia.edu/4965234/S_D_NG_MO_HINH_ARIMA_TRO NG_D_BAO_GIA [11]http://tailieuhoctap.vn/chi-tiet-sach/205-nganh-khoa-hoc-ky-thuat/tudonghoa/770781-du-bao-bang-mo-hinh-arima [12]http://doc.edu.vn/tai-lieu/de-tai-su-dung-mo-hinh-arima-va-mo-hinhgarchtrong-phan-tich-gia-vang-20643/ [13]http://luanvan.net.vn/luan-van/su-dung-mo-hinh-arch-va-garch-de-phantich-va- Đ ại họ c K in h tế H uế du-bao-ve-gia-co-phieu-tren-thi-truong-chung-khoan-viet-nam-55616/ PHỤ LỤC 1.Kiểm định tính dừng ại họ c K in h tế H uế 1.1 Lược đồ tương quan ACF PACF chuỗi GTDM gốc Đ Có thể thấy nhiều ACF độ trễ khác tự tương quan Các hệ số tương quan vượt ngồi hai đường giới hạn đến độ trễ thứ 13 chấm dứt Do đó, nhận định chuỗi gốc GTDM chưa dừng 1.2 Kiểm định nghiệm đơn vị chuỗi gốc Giá trị P_value = 0.9107, chưa có sở để bác bỏ giả thiết Ho, tức chuỗi GTDM gốc tồn nghiệm đơn vị Kết luận cách thức, chuỗi gốc chưa dừng mức ý nghĩa 5% ại họ c K in h tế H uế 1.3 Lược đồ tương quan ACF PACF chuỗi TSSL DMĐT hiệu Đ Giá trị P_value lớn 5% nên chưa có sở bác bỏ giả thiết H0 Kết luận chuỗi TSSL khơng tự tương quan 1.4 Kiểm định nghiệm đơn vị chuỗi TSSL Trị thống kê t tính tốn ln lớn trị thống kê t quan sát mức ý nghĩa 1%, 5%, 10% Giá trị P_value = 0.0000, bác bỏ H0, tức chuỗi TSSL dừng Ước lượng mơ hình ARIMA(p,1,q) Đ ại họ c K 2.2 ARIMA(1,1,1) in h tế H uế 2.1 ARIMA(1,1,0) Đ ại họ c K 2.4 ARIMA(2,1,0) in h tế H uế 2.3 ARIMA(1,1,2) Đ K ại họ c 2.6 ARIMA(2,1,1) in h tế H uế 2.5 ARIMA(2,1,2) Đ ại họ c K 2.8 ARIMA(0,1,2) in h tế H uế 2.7 ARIMA(0,1,1) ại họ c K in h tế H uế Kiểm tra tự tương quan phần dư mơ hình ARIMA(2,1,2) Đ Giá trị P-Value = 0.4718, chưa có sở để bác bỏ giả thiết H0 Vậy phần dư mơ hình ARIMA(2,1,2) khơng có tự tương quan Ý KIẾN ĐÁNH GIÁ CỦA CÁN BỘ HƯỚNG DẪN, XÁC NHẬN CỦA CƠ SỞ THỰC TẬP Ý kiến đánh giá cán hướng dẫn, xác nhận sở thực tập Được giới thiệu trường ĐHKT Huế, Ngân hàng TMCP Cơng Thương – chi nhánh Huế tiếp nhận sinh viên Trần Quang Huy lớp K45B Tài Ngân hàng thuộc Khoa Tài - Ngân hàng thực tập làm đề tài tốt nghiệp cuối khóa từ ngày 10/03/2015 đến ngày 18/05/2015 Trong thời gian thực tập quan chúng tơi nhận thấy sinh viên Trần uế Quang Huy có ý thức tổ chức, kỷ luật cao, chấp hành tốt nội quy, quy định tế H quan, có ý thức phấn đấu học hỏi, thu thập số liệu, tài liệu liên quan đến đề tài nghiên cứu mình, tích cực điều tra vấn trực tiếp khách hàng cán ngân hàng Bên cạnh đó, sinh viên Trần Quang Huy Phòng Tổng hợp in h thuộc Ngân hàng cung cấp số liệu thơng tin cần thiết cho đề tài nghiên cứu K Vậy chúng tơi xác nhận sinh viên Trần Quang Huy có sở hồn thành tốt q trình thực tập Ngân hàng Thương mại Cổ phần Cơng Thương – Chi ại họ c nhánh Thừa Thiên Huế Kính chuyển nhà trường tạo điều kiện cho sinh viên Trần Quang Huy hồn Đ thành tốt khóa luận tốt nghiệp Xác nhận sở thực tập Ngân hàng VIETINBANK chi nhánh Thừa Thiên Huế [...]... và mô hình  Vận dụng lý thuyết của Markowitz vào việc xác định DMĐT hiệu quả của DMĐT hiệu quả K 3 Đối tư ng nghiên cứu in h  Vận dụng mô hình ARIMA – GARCH vào việc dự báo TSSL trong tư ng lai ại họ c Đối tư ng nghiên cứu của đề tài là mô hình ARIMA – GARCH và ứng dụng của mô hình trong dự báo TSSL 4 Phạm vi nghiên cứu Đ  Thời gian: thu thập giá đóng cửa theo ngày của 10 cổ phiếu được chọn trong. . .quả Qua đề tài này, tôi hy vọng sẽ cung cấp thêm cho NĐT một phương pháp để tham khảo khi tiến hành đầu tư trên TTCK VN và quản trị danh mục của mình một cách hiệu quả hơn 2 Mục tiêu - Mục tiêu chung:  Nghiên cứu ứng dụng mô hình ARIMA – GARCH trong dự báo TSSL của DMĐT hiệu quả - Mục tiêu cụ thể: tế H chuỗi thời gian ARIMA – GARCH uế  Lý luận cơ bản về lý thuyết lựa chọn DMĐT của Markowitz và mô. .. σ với k≠j Trong đó: o Wj: tỷ trọng của tài sản j trong danh mục o : độ lệch chuẩn của tài sản j trong danh mục o : hệ số tư ng quan giữa tài sản j và k Hệ số tư ng quan: 1≥ ≥-1, càng nhỏ thì rủi ro càng thấp 6  =1 (tư ng quan dương hoàn toàn): độ lệch chuẩn của danh mục sẽ bằng tổng độ lệch chuẩn của các tài sản trong danh mục theo tỷ trọng của chúng Phương sai danh mục bằng bình phương của tổng các... sai số dự báo càng nhỏ càng tốt, tức giá trị dự báo và thực tếcàng gần nhau thì mô hình dự báo tốt  Bước 4: Dự báo Dựa trên mô hình vừa xây dựng, tiến hành dự báo điểm và khoảng cho những thời điểm trong tư ng lai và đánh giá độ chính xác dự báo Phương pháp tốt nhất là ta chỉ nên dự báo cho một thời gian ngắn so với hiện tại, càng xa sai số sẽ gia tăng 23 1.3.6 Mô hình hóa phương sai (ARCH /GARCH) ... ước tính mô hình ARIMA cho dự báo lượng khách lưu trú dài hạn tại Barbados, và đề cập đến tính chính xác của các dự báo ngắn hạn, và dự báo chính xác hơn nhiều so với các mô hình dự báo sử dụng phương pháp kinh tế lượng thông thường và giản đơn (dự báo thô, xu thế, san bằng hàm mũ…) uế Darussalam Tsitsika et al (2007), nghiên cứu sử dụng mô hình ARIMA dự ARIMA( 1,0,1) và ARIMA( 0,1,1) tế H báo sản lượng... trị thực tế trong giai đoạn t in h o n là số quan sát trong giai đoạn kiểm tra K c Hệ số không ngang bằng Theil (Theil Inequality Coeficient) ại họ c Theil = Hệ số này chính là tỷ số giữa RMSE của mô hình dự báo gốc và RMSE của mô hình Naive (mô hình dự báo thô) Mô hình Naive đơn giản sử dụng giá trị yt cho Đ giá trị dự báo kế tiếp yt+1 Nếu giá trị Theil U càng tiến về 0 thì mô hình dự báo càng chính... bằng danh mục C nhưng lại có mức lợi nhuận cao hơn Đ 1.2.5 Đường thị trường vốn 1.2.5.1 Kết hợp tài sản phi rủi ro vào DMĐT rủi ro DMĐT được da dạng hóa thông qua việc kết hợp danh mục tài sản rủi ro với tài sản phi rủi ro có: Tỷ suất sinh lợi kỳ vọng: E(R) = (1-w)rf + wE(Rp) Trong đó: o w: tỷ trọng của tài sản rủi ro o rf: tỷ suất sinh lợi của tài sản phi rủi ro o E(Rp): mức sinh lợi mong đợi của danh. .. (PSSSTĐ) 25 1.3.6.2 Mô hình GARCH Mô hình GARCH là mô hình tổng quát hóa cao hơn mô hình ARCH, được đề xuất bởi Tim Bollerslev (1986), ông đã bổ sung thêm thành phần AR vào mô hình ARCH Một mô hình GARCH( p,q) có dạng sau đây: yt = ∑ + ∑ + + ~ N(0,ht) ht = + ∑ +∑ ℎ + > 0, ≥ 0 tế H > 0, Điều kiện: uế Trong đó: p,q lần lượt là bậc của mô hình GARCH, ARCH < 1 để thỏa mãn tính dừng trong phương sai yt =... Chương này cũng điểm qua tình hình thực tiễn ứng dụng các mô hình chuỗi thời gian trong dự báo in h  Chương 2 cung cấp kết quả nghiên cứu, xác định mô hình cuối cùng qua đó dự báo TSSL và phương sai biến động TSSL của DMĐT trong K vòng tuần tiếp theo Từ kết quả đó, tiến hành so sánh với thực tế để ại họ c kiểm định độ chính xác của mô hình  Chương 3 đưa ra những thảo luận về mô hình và một số kiến nghị... được thể hiện ở hình trên Mỗi một DMĐT nằm in h trên đường biên hiệu quả có mức lợi nhuận cao đối với mức rủi ro bằng nhau hoặc rủi ro thấp hơn đối với một mức lợi nhuận bằng nhau Như vậy chúng ta có thể nói K rằng danh mục A chiếm ưu thế hơn danh mục C bởi vì danh mục A có mức lợi ại họ c nhuận bằng với danh mục C nhưng lại có ít rủi ro hơn Tư ng tự danh mục B chiếm ưu thế hơn danh mục C bởi vì nó