Mô hình dự báo tần suất cao đối với chỉ số thị trường chứng khoán

Bài báo đề xuất phương pháp kết hợp kỹ thuật hồi quy nhiều biến và kỹ thuật phân tích thành phần chính (PCA) trên tập các biến dữ liệu giao dịch cổ phiếu có tương quan mẫu cao với chỉ số thị trường chứng khoán để xây dựng mô hình dự báo chỉ số thị trường chứng khoán. Việc thực hành xây dựng mô hình dự báo được thực hiện trên dữ liệu thực theo ngày của sàn giao dịch chứng khoán thành phố Hồ Chí Minh từ đầu năm 2010 đến nay

Kỷ yếu Hội nghị Khoa học Quốc gia lần thứ IX “Nghiên cứu ứng dụng Công nghệ thơng tin (FAIR'9)”; Cần Thơ, ngày 4-5/8/2016 DOI: 10.15625/vap.2016.00037 MƠ HÌNH DỰ BÁO TẦN SUẤT CAO ĐỐI VỚI CHỈ SỐ THỊ TRƯỜNG CHỨNG KHOÁN Đỗ Văn Thành1 Nguyễn Minh Hải2 Khoa Công nghệ thông tin, Trường Đại học Nguyễn Tất Thành Khoa bản, Trường Đại học Cơng nghiệp, Thành phố Hồ Chí Minh dvthanh@ntt.edu.vn, nguyenminhhaidhcn@gmail.com TĨM TẮT — Bài báo đề xuất phương pháp kết hợp kỹ thuật hồi quy nhiều biến kỹ thuật phân tích thành phần (PCA) tập biến liệu giao dịch cố phiếu có tương quan mẫu cao với số thị trường chứng khoán để xây dựng mơ hình dự báo số thị trường chứng khốn Việc thực hành xây dựng mơ hình dự báo thực liệu thực theo ngày sàn giao dịch chứng khốn thành phố Hồ Chí Minh từ đầu năm 2010 đến Kết dự báo mơ hình xây dựng cho thấy triển vọng tốt phương pháp đề xuất dự báo số thị trường chứng khoán nhiều số kinh tế - xã hội khác Từ khóa— Mơ hình dự báo, số thị trường chứng khốn, phân tích thành phần chính, tần suất cao I GIỚI THIỆU Dự báo thị trường chứng khốn vấn đề ln cộng đồng quốc tế quan tâm Dự báo thị trường chứng khốn bao gồm nội dung dự báo số thị trường chứng khốn (nói gọn số thị trường chứng khoán) dự báo giá biến liệu giao dịch cổ phiếu thị trường [9] Hiện có hàng trăm báo nghiên cứu đề xuất cách tiếp cận kỹ thuật dự báo thị trường chứng khốn Đã có số nghiên cứu điều tra tổng quan tương đối có hệ thống kỹ thuật dự báo thị trưởng chứng khốn [9] Theo cách tiếp cận kỹ thuật dự báo thị trường chứng khoán phân loại giới thiệu [3, 9] Một số kỹ thuật dự báo thị trường chứng khoán nghiên cứu nhiều vài năm gần giới thiệu [3], có kỹ thuật phân tích thành phần (PCA) [1-2, 5, 7, 10-14] Những phương pháp kết hợp sử dụng kỹ thuật PCA với một vài kỹ thuật khai phá liệu khác phương pháp học máy véc tơ hỗ trợ, giải thuật di truyền, mạng nơtron,… phân tích dự báo thị trường chứng khoán quan tâm nghiên cứu ứng dụng [1, 4, 11-12, 14] PCA kỹ thuật sử dụng để làm đơn giản hóa tập liệu phức tạp thành tập liệu nhỏ hiểu dễ dàng [6] PCA khác với kỹ thuật hồi qui nhiều biến chỗ kỹ thuật hồi qui nhiều biến tập trung vào suy luận thống kê xây dựng mơ hình để giải thích dự báo mối quan hệ biến PCA tóm lược tập liệu lớn phức tạp cách tạo biến tổ hợp tuyến tính có trọng số biến ban đầu Mỗi biến gọi thành phần khơng tương quan với thành phần khác Với việc làm giảm số chiều biến, PCA hữu ích phân tích thống kê nhiều biến Các thành phần liệu tần suất cao nên mơ hình dự báo có biến giải thích thành phần gọi mơ hình dự báo tần suất cao [4] Hầu hết mơ hình dự báo kinh tế giới thiệu [5] phát triển số nước có trình độ khoa học phát triển năm gần mơ hình dự báo xây dựng phương pháp hồi quy nhiều biến tập biến giải thích thành phần tập biến gốc chúng mơ hình dự báo tần suất cao [1, 4, 11-12] Các cơng trình nghiên cứu [5] gợi ý quan trọng cho nghiên cứu báo Mục đích báo đề xuất phương pháp xây dựng mơ hình dự báo số thị trường chứng khoán sử dụng phương pháp hồi qui nhiều biến, biến giải thích thành phần tập biến liệu ban đầu Các thành phần lựa chọn cho nắm bắt thay đổi nhiều tập liệu gốc Do biến thành phần nên mơ hình dự báo khơng cịn tượng đa cộng tuyến việc giải thích yếu tố tác động thực đến thay đổi số thị trường chứng khoán dễ dàng chuẩn xác Nói ngắn gọn báo kết hợp kỹ thuật phân tích hồi qui nhiều biến kỹ thuật PCA nhiều biến việc dự báo số thị trường chứng khoán Khác với hầu hết nghiên cứu dự báo thị trường chứng khoán sử dụng kỹ thuật khai phá liệu trước đây, phương pháp dự báo trọng đưa kết dự báo cụ thể không đơn dự báo xu thị trường Việc thực hành xây dựng mô hình dự báo số thị trường chứng khốn theo phương pháp đề xuất thực tập liệu thực sàn giao dịch chứng khoán Thành phố Hồ Chí Minh Bài báo cấu trúc thành mục Mục giới thiệu số cơng trình nghiên cứu liên quan Mục trình bày phương pháp xây dựng mơ hình dự báo tần suất cao số thị trường chứng khốn Mục trình bày kết xây dựng mơ hình dự báo số thị trường chứng khoán theo phương pháp đề xuất tập liệu thực tế theo tần suất ngày sàn giao dịch chứng khốn Thành phố Hồ Chí Minh Việc đánh giá chất lượng dự báo mơ hình thực Mục Mục 5, cuối cùng, trình bày số kết luận 300 MƠ HÌNH DỰ BÁO TẦN SUẤT CAO ĐỐI VỚI CHỈ SỐ THỊ TRƯỜNG CHỨNG KHOÁN II NHỮNG NGHIÊN CỨU LIÊN QUAN Trong mục tổng quan số cơng trình nghiên cứu có sử dụng kỹ thuật PCA phân tích xây dựng mơ hình dự báo thị trường chứng khoán năm gần Wang Yansshan [14] sử dụng kết hợp kỹ thuật học máy véc tơ hỗ trợ kỹ thuật PCA để làm giảm điểm liệu thành hai thành phần quan sát thấy hình thành cụm cổ phiếu thay đổi việc sử dụng thành phần tạo từ PCA nghiên cứu dự báo số giá cổ phiếu tổng hợp KOSPI Hàn Quốc số thị trường chứng khoán Hangseng (HSI) Phân tích thành phần dạng hàm (FPCA) tương tự PCA nhiều biến thông thường trọng số thành phần (hay véc tơ riêng) hàm số phụ thuộc thời gian Wang [13], sử dụng kỹ thuật FPCA để nghiên cứu giá 50 cổ phiếu giao dịch sàn giao dịch chứng khoán Thượng Hải Wang [13] làm giảm số chiều rút thành phần giàu ý nghĩa So sánh với PCA thơng thường FPCA giải vấn đề chiều mẫu khác cách tiếp cận hợp lý để rút yếu tố thay đổi Mbeledogu [7], sử dụng kỹ thuật PCA để giảm biến liệu giao dịch cổ phiếu thành biến nhằm phục vụ cho hệ thống dự báo giao dịch cổ phiếu Nigiêria Nghiên cứu lựa chọn thành phần mang nhiều thông tin loại bỏ thành phần dư thừa để nâng cao hiệu cho việc phân lớp, phân loại Xa kết báo hỗ trợ việc sử dụng PCA để nhận diện yếu tố quan trọng trình làm giảm đáng kể số lượng biến đầu vào đảm bảo hiệu đầy đủ thông tin cho việc phân lớp, phân loại Carol Anne Hargreaves, Chandrika Kadirvel Mani [2] rút ngắn trình thời gian xác định cổ phiếu tốt cách giảm số lượng biến để phân tích phân tích biến quan trọng Trong thực hành tác giả chọn 22 biến chứa thông tin kinh tế vĩ mô thông tin tài thực kỹ thuật PCA để giảm 22 biến thành số đáng kể biến Có thể thấy việc sử dụng đơn lẻ kỹ thuật PCA nghiên cứu thị trường chứng khốn hỗ trợ làm giảm số lượng biến đầu vào cần phân tích, làm cho việc phân tích liệu thị trường chứng khốn trở lên thuận lợi, dễ dàng [2, 7, 13] Việc kết hợp sử dụng kỹ thuật PCA kỹ thuật học máy véc tơ hỗ trợ nghiên cứu thị trường chứng khốn [14] giúp cho phân cụm, phân lớp liệu, hỗ trợ dự báo xu chưa hỗ trợ trực tiếp cho việc xây dựng mơ hình dự báo thị trường chứng khốn nói chung, số thị trường chứng khốn nói riêng Phân tích mơ hình dự báo kinh tế mức quốc gia số nước có trình độ khoa học phát triển xây dựng năm gần [5] nhận thấy: - Việc lựa chọn biến gốc đầu vào cho biến phụ thuộc dựa vào lý thuyết kinh tế Các biến giải thích thường số thuộc tài khoản quốc gia, tài khoản thu nhập tài khoản sản xuất nên nói chung chúng lớn [4] - Hầu hết mơ hình dự báo kinh tế [5] sử dụng kỹ thuật PCA để lựa chọn thành phần thay biến giải thích gốc ban đầu mơ hình dự báo [1, 4, 11-12] - Dạng phương trình hồi qui biến phụ thuộc theo thành phần dạng tổng qt mơ hình trễ phân bố tự hồi qui [1] dạng rút gọn hàm loga tuyến tính nhiều biến [4, 11-12] Q trình hồi qui nhiều biến sử dụng thêm biến giả để loại bỏ điểm liệu bất thường xem phần dư mơ hình ARMA để khắc phục tượng tự tương quan chuỗi phần dư kỳ vọng phần dư khác 0; xem xét đưa vào yếu tố phi tuyến (tích chéo biến giải thích) xử lý phần dư phương trình ước lượng có phương sai khơng đổi Những nhận xét gợi ý cho thực nghiên cứu xây dựng mơ hình dự báo số thị trường chứng khốn, [1] việc định mơ hình trễ phân bố tự hồi qui làm mơ hình lý thuyết cho mơ hình dự báo cần xây dựng III PHƢƠNG PHÁP XÂY DỰNG MƠ HÌNH DỰ BÁO Ký hiệu Y biến số thị trường chứng khoán Y biến véctơ, YT = (y1, y2, …, ym), yi , i=1, 2, …, m, giá trị biến Y ngày thứ i, m số ngày giao dịch thực sàn Ký hiệu Xj (j =1, 2, …, n), biến liệu giao dịch cố phiếu thứ j n số biến liệu giao dịch cổ phiếu niêm yết sàn, Xj biến véctơ, XjT = (xj1, xj2, …, xjm), xjk giá trị Xj ngày thứ k, tích giá trung bình biến liệu giao dịch cổ phiếu Xj nhân với số lượng cổ phiếu giao dịch ngày thứ k Ta sử dụng mã cổ phiếu làm tên biến liệu giao dịch cổ phiếu Đỗ Văn Thành, Nguyễn Minh Hải 301 Ký hiệu A = (X1, X2, …, Xn) véc tơ mà phần tử véctơ cột m chiều Nói cách khác A biểu diễn ma trận mxn chiều: A = (xij), i = 1, 2, …,m , j = 1, 2, …, n xij giá trị giao dịch ngày giao dịch thứ i biến liệu giao dịch cố phiếu Xj Phương pháp xây dựng mơ hình dự báo tần suất cao số thị trường chứng khốn trình bày Hình giải thích tóm tắt sau: 3.1 Bƣớc 1: Lựa chọn biến liệu giao dịch cổ phiếu có tương quan mẫu cao với số thị trường chứng khoán 1) Nếu số lượng biến liệu giao dịch cổ phiếu sàn khơng q lớn (khuyến nghị 100) chuyển sang Bước 3; 2) Tính tương quan mẫu số thị trường chứng khoán Y biến liệu giao dịch cổ phiếu Xj; 3) Lựa chọn biến liệu giao dịch cổ phiếu có tương quan mẫu cao với số thị trường chứng khoán Y (mức tương quan mẫu cao người dùng định) Không giảm tổng quát, giả sử tất biến liệu giao dịch cổ phiếu Xj (j =1, 2, …., n) biến liệu giao dịch cổ phiếu có tương quan mẫu cao với Y chúng chọn để thực PCA Hình Phương pháp xây dựng mơ hình dự báo tần suất cao số thị trường chứng khoán MƠ HÌNH DỰ BÁO TẦN SUẤT CAO ĐỐI VỚI CHỈ SỐ THỊ TRƯỜNG CHỨNG KHỐN 302 3.2 Bƣớc 2: Tính tốn lựa chọn thành phần đại diện cho tập liệu gốc 4) Tính ma trận tương quan tập biến liệu giao dịch cổ phiếu lựa chọn Bƣớc 1, ký hiệu ma trận vng R bậc h (h≤n) 5) Tính giá trị riêng véc tơ riêng ma trận R 6) Xác định số thành phần cách xếp giá trị riêng theo giá trị giảm dần phân tích tỷ lệ tích lũy giá trị riêng Tỷ lệ tích lũy giá trị riêng tỷ lệ nắm bắt thay đổi tập liệu gốc thành phần tương ứng với giá trị riêng Một số nhà nghiên cứu gợi ý nên giữ lại tất thành phần có giá trị riêng lớn nhiều nhà nghiên cứu khác gợi ý nên giữ lại thành phần giải thích từ 70% - 90% thay đổi tập liệu gốc Giả sử có k thành phần giữ lại, ký hiệu PC1, PC2, …, PCk (k ≤ h) 7) Xác định thành phần chính, tổ hợp tuyến tính tập liệu gốc chuẩn hóa với trọng số véc tơ riêng tương ứng Cụ thể: Giả sử V1, V2, …., Vk véc tơ riêng ứng với thành phần PC1, PC2, …, PCk Vi véc tơ h chiều cụ thể ViT = (v1i, v2i, …, vhi), thành phần PCi véc tơ m chiều ứng với véc tơ riêng Vi xác định sau [6]: PCi = v1i* ̂ + v2i* ̂ + … + vhi* ̂ , ̂ j = ̿ (1) , (2) ̿ , Sj tương ứng kỳ vọng (giá trị trung bình) độ lệch chuẩn véc tơ Xj Các véc tơ ̂ j gọi véc tơ chuẩn hóa véc tơ Xj Nói cách khác thành phần tính theo h véc tơ cột ma trận A chuẩn hóa lấy véc tơ giá trị riêng làm trọng số Véc tơ riêng Vi trọng số thành phần PCi tương ứng 3.3 Bƣớc 3: Xây dựng mơ hình dự báo số thị trường chứng khốn tần suất cao 8) Chia tập liệu thành tập Tập liệu thứ để xây dựng mơ hình dự báo tập liệu thứ để kiểm định mơ hình dự báo 9) Kiểm tra tính dừng đưa chuỗi dừng biến Y thành phần PC1, PC2, …, PCk nhằm đảm bảo phép hồi qui biến hồi qui Giả sử Y thành phần PC1, PC2, …, PCk chuỗi dừng 10) Hồi quy biến Y theo thành phần theo cơng thức: 5 5 i 0 i 0 i 0 q 1 Y   a1i PC1 (i )   a2i PC2 (i )    aki PCk (i )   bqY (q)  ut (3) ut phần dư phương trình ước lượng giả thiết nhiễu trắng Quá trình hồi qui lặp lặp lại cho tất tham số ước lượng i (i= 1, 2, …, k) mơ hình dự báo có ý nghĩa thống kê, theo thông lệ thường mức 10% Phương trình (3) thực chất thuộc dạng mơ hình trễ phân bố tự hồi qui [15], hàm ý giá trị số thị trường chứng khốn Y khơng phụ thuộc biến PC1, PC2, …, PCk đến trễ biến mà phụ thuộc vào trễ Độ dài trễ giao dịch thị trường chứng khoán thực theo ngày làm việc tuần 11) Phương trình ước lượng cuối khơng phải đảm bảo tham số ước lượng có ý nghĩa thống kê mà phải ổn định (hay vững), phần dư nhiễu trắng khơng có tượng nội sinh phần dư Mơ hình dự báo xem ổn định, có ước lượng khơng chệch tốt theo phương pháp hồi qui bình phương tối thiểu [8, 15] 12) Thực kiểm định mơ hình dự báo cách: sử dụng mơ hình xây dựng tập liệu thứ để dự báo tập liệu thứ so sánh kết dự báo với số liệu thực tế tập thứ để đánh giá chất lượng dự báo mơ hình 13) Nếu sai số dự báo chấp nhận theo quan điểm người dùng ước lượng lại mơ hình tồn tập liệu gốc sử dụng để dự báo tương lai Để xây dựng mơ hình dự báo số thị trường chứng khoán theo phương pháp vừa nêu sử dụng phần mềm cơng cụ sau: SAS, STATA, EVIEW hay R,… Bài báo sử dụng phần mềm cơng cụ EVIEW [16] IV XÂY DỰNG MƠ HÌNH DỰ BÁO CHỈ SỐ VNINDEX 4.1 Tập liệu sử dụng Dữ liệu số thị trường chứng khoán VNINDEX biến liệu giao dịch cổ phiếu niêm yết sàn giao dịch Thành phố Hồ Chí Minh thu thập theo tần suất ngày từ ngày 4/01/2010 đến ngày 5/5/2016, bao Đỗ Văn Thành, Nguyễn Minh Hải 303 gồm 278 biến liệu giao dịch cổ phiếu kể số thị trường chứng khoán 1574 ngày giao dịch (hay quan sát) Giá trị giao dịch cổ phiếu giá trung bình * khối lượng khớp lệnh cổ phiếu ngày 4.2 Xây dựng mơ hình dự báo Trong phần trình bày cách tóm tắt việc xây dựng mơ hình dự báo phương pháp trình bày Mục Bƣớc 1: Lựa chọn biến liệu giao dịch cổ phiếu có tương quan cao với số VNINDEX Do số lượng biến liệu giao dịch cổ phiếu lớn (277 mã cổ phiếu) nên Bước phải tính tương quan mẫu số VNINDEX với 277 biến liệu giao dịch cổ phiếu để lựa chọn biến liệu giao dịch cố phiếu có tương quan mẫu với số thị trường chứng khoán cao Như biết hệ số tương quan mẫu biến dương hai biến biến đổi chiều ngược lại biến đổi trái chiều việc lựa chọn ngưỡng cho hệ số tương quan mẫu cho tương quan mẫu dương âm nên khác Nếu chọn ngưỡng hệ số tương quan mẫu dương 0.49 ngưỡng hệ số tương quan mẫu âm -0.20 có 25 biến liệu giao dịch cổ phiếu Bảng Tập liệu giá trị giao dịch biến từ ngày 04/01/2010 đến ngày 05/5/2016 trở thành tập liệu gốc STT 10 11 12 13 Mã cố phiếu DLG DXG FLC FPT HAG HAR HCM HHS HPG HQC HT1 HVG IDI Hệ số tƣơng quan mẫu 0.5996 0.6279 0.6353 0.5612 0.5208 0.5298 0.5963 0.4931 0.5581 0.5645 0.5093 0.5385 0.4990 STT 14 15 16 17 18 19 20 21 22 23 24 25 Mã cố phiếu MHC PVD PXS TCM TTF VHG BMC CLG LCM PNJ VMD VPK Hệ số tƣơng quan mẫu 0.5446 0.5810 0.5435 0.6483 0.6209 0.5870 -0.2312 -0.2226 -0.2023 -0.2650 -0.2893 -0.3180 Bảng Các biến liệu giao dịch cổ phiếu có tương quan mẫu cao với VNINDEX Bƣớc 2: Tính tốn lựa chọn thành phần đại diện cho tập liệu gốc Trước hết xây dựng ma trận tương quan R 25 biến liệu nêu Bảng Mỗi phần tử R hệ số tương quan mẫu biến 25 biến liệu giao dịch cổ phiếu chọn Do R ma trận vng đối xứng cấp 25x25 RRT dạng toàn phương xác định dương nên giá trị riêng ma trận R số dương Đồ thị giá trị riêng ma trận R trình bày Hình Theo có giá trị riêng có giá trị lớn 1, cịn lại nhỏ Theo [6], điều hàm ý chọn thành phần để nghiên cứu cấu trúc tập liệu gốc làm biến giải thích phân tích hồi qui nhiều biến tập liệu gốc Hình Đồ thị giá trị riêng thứ tự ma trận tương quan R MƠ HÌNH DỰ BÁO TẦN SUẤT CAO ĐỐI VỚI CHỈ SỐ THỊ TRƯỜNG CHỨNG KHOÁN 304 Phân tích cụ thể chi tiết giá trị riêng ta thấy, ma trận R có 25 giá trị riêng Tổng giá trị riêng 25 Giá trị riêng lớn 8.9921, giá trị riêng thứ là: 2.0265 Giá trị riêng thứ lớn giá trị riêng thứ 6.9656 Tỷ lệ giá trị riêng thứ tổng giá trị riêng 0.3597 hàm ý thành phần ứng với giá trị riêng phản ánh 35.97% thay đổi tập liệu gốc Trong tỷ lệ giá trị riêng thứ tổng giá trị riêng 0.0811 thành phần ứng với giá trị riêng thứ phản ánh 8.11% thay đổi tập liệu gốc Tỷ lệ tổng hai giá trị riêng tổng giá trị riêng (được gọi giá trị tích lũy) 11.0187 tỷ lệ tích lũy thể hai thành phần phản ánh % thay đổi tập liệu gốc Trong trường hợp 44.07% Như ta thấy thành phần tương ứng với giá trị riêng phản ánh 70.28% thay đổi tập liệu gốc Một số nhà nghiên cứu khác cho [6] việc lựa chọn số thành phần cần cho phản ánh từ 70% đến 90% thay đổi tập liệu gốc Kết hợp hai gợi ý lựa chọn số thành phần thay cho tập liệu gốc [6], báo đề xuất sử dụng thành phần làm biến giải thích mơ hình dự báo số thị trường chứng khoán VNINDEX Số giá trị riêng: 25 Giá trị riêng 8.992132 2.026554 1.538553 1.325642 1.025336 0.998123 0.876027 0.787339 0.689266 0.648738 0.592070 0.570516 0.551257 0.529312 0.453333 0.435492 0.424848 0.400270 0.384414 0.355966 0.323556 0.310182 0.277935 0.253640 0.229499 Số thứ tự 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Chênh lệch giá trị riêng 6.965577 0.488001 0.212911 0.300307 0.027213 0.122096 0.088688 0.098074 0.040528 0.056668 0.021553 0.019259 0.021945 0.075979 0.017841 0.010644 0.024578 0.015855 0.028449 0.032409 0.013374 0.032247 0.024296 0.024141 - Tỷ lệ tổng giá trị riêng 0.3597 0.0811 0.0615 0.0530 0.0410 0.0399 0.0350 0.0315 0.0276 0.0259 0.0237 0.0228 0.0221 0.0212 0.0181 0.0174 0.0170 0.0160 0.0154 0.0142 0.0129 0.0124 0.0111 0.0101 0.0092 Giá trị riêng tích lũy 8.992132 11.01869 12.55724 13.88288 14.90822 15.90634 16.78237 17.56971 18.25897 18.90771 19.49978 20.07030 20.62155 21.15087 21.60420 22.03969 22.46454 22.86481 23.24922 23.60519 23.92874 24.23893 24.51686 24.77050 25.00000 Tỷ lệ tích lũy 0.3597 0.4407 0.5023 0.5553 0.5963 0.6363 0.6713 0.7028 0.7304 0.7563 0.7800 0.8028 0.8249 0.8460 0.8642 0.8816 0.8986 0.9146 0.9300 0.9442 0.9571 0.9696 0.9807 0.9908 1.0000 Bảng Các giá trị riêng mức độ phản ánh thay đổi tập liệu gốc Bảng bao gồm véc tơ riêng tương ứng với giá trị riêng Mỗi véc tơ riêng trở thành trọng số thành phần tương ứng Thực chuẩn hóa 25 biến liệu giao dịch cổ phiếu (25 cột ma trận A) theo công thức (2) thực tính tốn thành phần PC1, PC2, …, PC8 theo công thức (1) với véc tơ trọng số cho tương ứng với thành phần (Bảng 3) ta nhận thành phần Các thành phần thứ tự theo độ lớn giá trị riêng chúng Mã cổ phiếu DLG DXG FLC FPT HAG HAR PC1 0.23 0.24 0.26 0.21 0.21 0.21 PC2 -0.10 -0.04 0.05 -0.01 0.15 0.15 PC3 -0.18 -0.05 -0.04 0.19 0.22 -0.03 PC4 -0.06 0.10 -0.14 0.32 0.09 -0.30 PC5 -0.23 -0.15 -0.03 -0.22 0.09 -0.14 PC6 0.30 0.09 -0.04 -0.02 -0.11 -0.08 PC7 -0.05 0.00 0.07 0.19 -0.33 -0.47 PC8 -0.02 0.28 -0.31 -0.02 0.17 -0.06 Đỗ Văn Thành, Nguyễn Minh Hải Mã cổ phiếu HCM HHS HPG HQC HT1 HVG IDI MHC PVD PXS TCM TTF VHG BMC CLG LCM PNJ VMD VPK 305 PC1 0.23 0.18 0.20 0.23 0.21 0.24 0.23 0.21 0.24 0.25 0.24 0.22 0.24 -0.08 -0.04 -0.04 -0.09 -0.09 -0.09 PC2 0.05 -0.23 -0.02 0.15 0.12 0.07 0.13 -0.15 -0.01 0.10 -0.06 -0.07 -0.03 0.52 0.18 0.49 -0.13 -0.26 0.40 PC3 0.11 -0.28 0.02 0.15 0.13 0.09 0.00 -0.06 -0.03 0.07 0.11 -0.14 -0.08 -0.16 0.51 0.17 0.33 0.40 -0.34 PC4 0.36 0.06 0.42 0.00 0.08 -0.18 -0.26 -0.04 -0.02 -0.17 0.20 0.14 -0.36 0.14 -0.23 0.06 0.17 -0.08 0.11 PC5 0.03 -0.12 0.12 -0.30 -0.13 0.36 0.15 0.15 0.16 0.21 -0.03 0.00 0.17 0.04 -0.25 0.02 0.59 -0.18 0.04 PC6 -0.18 0.36 0.08 0.07 -0.11 -0.13 0.20 0.21 -0.01 -0.07 -0.24 0.18 0.04 0.24 -0.01 0.43 0.28 0.42 0.00 PC7 0.07 0.11 -0.11 -0.15 0.12 0.20 0.21 0.08 0.06 0.38 0.11 -0.30 -0.17 0.09 0.01 -0.06 -0.25 0.27 0.19 PC8 0.08 0.14 0.02 -0.28 -0.53 0.15 0.01 0.06 0.00 -0.06 0.23 0.16 0.12 0.11 0.46 -0.08 -0.17 -0.01 0.13 Bảng Các véc tơ riêng tương ứng với giá trị riêng Bƣớc 3: Xây dựng mơ hình dự báo tần suất cao Thực kiểm định Dickey – Fuller tăng cường nghiệm đơn vị biến VNINDEX thành phần ta thấy VNINDEX dừng sai phân bậc 1, tất các thành phần PC1, PC2,…, PC8 chuỗi dừng Do ta hồi qui sai phân bậc VNINDEX theo thành phần Chia tập số gốc thành tập, tập thứ gồm liệu giao dịch từ ngày 04/1/2010 đến 22/4/2016, tức có 1567 quan sát, tập thứ gồm liệu giao dịch ngày từ 25/4/2016 đến ngày 05/5/2016, gồm quan sát Thực trình lặp phép hồi qui VNINDEX theo biến PC1, PC2, …, PC8 tập liệu thứ dựa theo công thức (3) cách loại trừ dần biến mà hệ số ước lượng khơng có ý nghĩa thơng kê, ta nhận phương trình ước lượng sau: Biến phụ thuộc D(VNINDEX) Số quan sát: 1556 (sau điều chỉnh) Biến Hệ số Sai số chuẩn Mức ý nghĩa D(VNINDEX(-1)) 0.270726 0.025290 *** D(VNINDEX(-2)) -0.077034 0.026149 *** D(VNINDEX(-3)) 0.070167 0.026060 *** D(VNINDEX(-4)) -0.073430 0.024966 *** PC1(-2) -4.00E-09 2.49E-09 * PC2 5.62E-08 1.99E-08 *** PC2(-2) -3.79E-08 1.74E-08 ** PC3 6.21E-08 1.66E-08 *** PC3(-5) -5.22E-08 1.50E-08 *** PC6 7.06E-08 1.67E-08 *** PC6(-5) -5.10E-08 1.66E-08 *** R = 0.11; Thống kê Durbin – Watson: 1.99477; Bảng Phương trình ước lượng (hay mơ hình dự báo) VNINDEX theo thành phần Các ký hiệu: *, ** *** Cột (Bảng 4) tương ứng mức ý nghĩa thống kê 10%, 5% 1% MƠ HÌNH DỰ BÁO TẦN SUẤT CAO ĐỐI VỚI CHỈ SỐ THỊ TRƯỜNG CHỨNG KHỐN 306 Phương trình ước lượng (hay mơ hình dự báo) dạng tường minh có dạng: D(VNINDEX) = 0.271*D(VNINDEX(-1)) - 0.077*D(VNINDEX(-2)) + 0.070*D(VNINDEX(-3)) 0.073*D(VNINDEX(-4)) - 3.995*PC1(-2) + 5.625e-08*PC2 - 3.793e-08*PC2(-2) + 6.208e-08*PC3 - 5.218e08*PC3(-5) + 7.059e-08*PC6 - 5.101e-08*PC6(-5) Thực kiểm định Ramsey tính ổn định mơ hình, kiểm định Jarque-Bera phần dư có phân phối chuẩn có kỳ vọng 0, kiểm định Breusch-Godfrey khơng có tượng nội sinh phần dư phần dư không tự tương quan, kiểm định Breusch-Pagan [14] phương sai phần dư không đổi ta nhận kiểm định thỏa mãn Đánh giá chất lượng dự báo mơ hình cách sử dụng mơ hình xây dựng để dự báo số VNINDEX phiên giao dịch Giá trị số VNINDEX thực tế kết dự báo số sử dụng mô hình dự báo trình bày Bảng Phần trăm sai số tuyệt đối nói chung nhỏ 1%, trừ thứ ngày 25/04/2016, phần trăm sai số tuyệt đối 1%, thể ngày nghỉ cuối tuần có thơng tin khơng tích cực đến thị trường chứng khốn tác động xấu tới tâm lý, niềm tin thị trường nhà đầu tư Thứ Ngày VNINDEX VNINDEXF % sai số Thứ Thứ Thứ Thứ Thứ Thứ Thứ 25/04/2016 26/04/2016 27/04/2016 28/04/2016 29/04/2016 04/05/2016 05/05/2016 596.60 594.35 596.60 593.65 595.45 597.75 602.15 586.84 599.70 594.02 597.10 592.16 597.52 600.47 -1.63 0.90 -0.43 0.58 -0.55 -0.04 -0.28 Bảng So sánh kết dự báo mơ hình với số liệu thực tế V KẾT LUẬN Bài báo trình bày cách tóm tắt phương pháp xây dựng mơ hình dự báo số thị trường chứng khốn kết hợp sử dụng phương pháp hồi qui nhiều biến kỹ thuật PCA tập liệu gốc để tạo số biến thay biến tập liệu làm biến giải thích mơ hình hồi qui nhiều biến Thực hành phương pháp tập số liệu thực tế sàn giao dịch chứng khốn Thành phố Hồ Chí Minh cho thấy mơ hình dự báo có độ xác cao, thành phần sử dụng xây dựng mơ hình phản ánh 70,2% thay đổi tập liệu gốc gồm 25 biến liệu giao dịch cổ phiếu có hệ số tương quan mẫu cao với số thị trường chứng khoán sàn giao dịch Nếu tăng số lượng biến liệu giao dịch cổ phiếu tập liệu thay tập liệu ban đầu tăng số thành phần để phản ánh tỷ lệ % cao thay đổi tập liệu gốc chất lượng dự báo sử dụng mơ hình cải thiện Phương pháp dự báo số thị trường chứng khốn báo ứng dụng để dự báo nhiều kiện kinh tế - xã hội khác dự báo tiêu kinh tế vĩ mô TÀI LIỆU THAM KHẢO [1] Andrei Roudoi (2009), “Short-term forecasting of key indicators of the German economy”, in The Making of National Economic Forecasts, Edited by Lawrence R Klein, Published by Edward Elgar, Cheltenham, UK • Northampton, MA, USA, pp 121-148 [2] Carol Anne Hargreaves, Chandrika Kadirvel Mani (2015), “The Selection of Winning Stocks Using Principal Component Analysis”, American Journal of Marketing Research, Vol 1, No 3, 2015, pp 183-188 [3] Đỗ Văn Thành Nguyễn Minh Hải (2016), “Phân tích dự báo số thị trường chứng khoán sử dụng số báo trước “, Báo cáo Hội nghị FAIR, 2015, Cần Thơ, 04/8 – 5/8/2016, trang [4] Lawrence R Klein (2009), “Background to national economic forecasts and the high-frequency model of the USA”, in The Making of National Economic Forecasts, Edited by Lawrence R Klein, Published by Edward Elgar, Cheltenham, UK • Northampton, MA, USA, pp.1-26 [5] Lawrence R Klein, “Background to national economic forecasts and the high-frequency model of the USA”, in The Making of National Economic Forecasts, Edited by Lawrence R Klein, Published by Edward Elgar, Cheltenham, UK • Northampton, MA, USA, 2009, 403 pages [6] Lindsay I Smith (2002), A tutorial on Principal Components Analysis [7] Mbeledogu, N N., Odoh, M., Umeh, M.N (2012) “Stock feature extraction using Principle Component Analysis” International Conference on Computer Technology and Science IACSIT Press, Singapore DOI: 10.7763/IPCSIT, 2012, V47, 44 [8] Graham E., Granger C.W.J., Timmerman A (2006), Hanbook of Economic Forecasting, Volume 1, Elsevier BV, 2006, 933 p Đỗ Văn Thành, Nguyễn Minh Hải 307 [9] Preethi, G and Santhi, B.: “Stock Market Forecasting Techniques: A Survey”, Journal of theoretical and Applied Information technology, Vol 46, No 1, 2012, pp 24-30 [10] Yacine Aăt-Sahalia and Dacheng Xiu, Principal Component Analysis of High Frequency Data”, Working paper, Princeton University and University of Chicago, 47 pages, March 2015 [11] Yoshihisa Inada (2009), “A high-frequency forecasting model and its application to the Japanese economy”, in The Making of National Economic Forecasts, Edited by Lawrence R Klein, Published by Edward Elgar, Cheltenham, UK • Northampton, MA, USA, 172-197 [12] Vladimir Eskin and Mikhail Gusev (2009), “High-frequency forecasting model for the Russian economy, in The Making of National Economic Forecasts, Edited by Lawrence R Klein, Published by Edward Elgar, Cheltenham, UK • Northampton, MA, USA, pp 93-120 [13] Wang, Z., Sun, Y., Stockli, P (2014) “Functional Principal Components Analysis of Shanghai Stock Exchange 50 Index” Discrete Dynamics in Nature and Society Volume 2014 (2014), Article ID 365204, pages [14] Wang Yanshan, In-Chan Choi (2013).” Market Index and stock price direction prediction using Machine Learning Techniques: An empirical study on the KOSPI and HSI” Science Direct, pp 1-13 [15] William H Greene, “Economic Analysis”, New York University, Seventh Edition, Prentice Hall, 2012 [16] www.eviews.com HIGH-FREQUENCY FORECAST MODEL FOR STOCK MARKET INDEX Thanh Do Van and Hai Nguyen Minh ABSTRACT — The paper proposed a methodology of combining techniques of multivariate regression and principal component analysis (PCA) on the stocks listed on a stock exchange and had high pattern correlations with the stock market index of this stock exchange to build a forecast model of stock market index The practising to build forecast model of stock market index is implemented on real data from early 2010 to the present of Ho Chi Minh City’s Stock Exchange The forecasted results using the built model show good prospects of the proposed methodology for building forecast models of stock market index as well as others socio-economic indicators  ... quan mẫu cao với Y chúng chọn để thực PCA Hình Phương pháp xây dựng mơ hình dự báo tần suất cao số thị trường chứng khốn MƠ HÌNH DỰ BÁO TẦN SUẤT CAO ĐỐI VỚI CHỈ SỐ THỊ TRƯỜNG CHỨNG KHOÁN 302... xây dựng mơ hình dự báo tần suất cao số thị trường chứng khoán trình bày Hình giải thích tóm tắt sau: 3.1 Bƣớc 1: Lựa chọn biến liệu giao dịch cổ phiếu có tương quan mẫu cao với số thị trường chứng. .. cứu xây dựng mô hình dự báo số thị trường chứng khốn, [1] việc định mơ hình trễ phân bố tự hồi qui làm mơ hình lý thuyết cho mơ hình dự báo cần xây dựng III PHƢƠNG PHÁP XÂY DỰNG MƠ HÌNH DỰ BÁO Ký