Ứng dụng mô hình arima để dự báo chuỗi dữ liệu sai phân của chỉ số chứng khoán việt nam

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP HỒ CHÍ MINH TRẦN DUY LONG ỨNG DỤNG MƠ HÌNH ARIMA ĐỂ DỰ BÁO CHUỖI DỮ LIỆU SAI PHÂN CỦA CHỈ SỐ CHỨNG KHOÁN VIỆT NAM LUẬN VĂN THẠC SĨ KINH TẾ TP Hồ Chí Minh – Năm 2020 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP HỒ CHÍ MINH TRẦN DUY LONG ỨNG DỤNG MƠ HÌNH ARIMA ĐỂ DỰ BÁO CHUỖI DỮ LIỆU SAI PHÂN CỦA CHỈ SỐ CHỨNG KHOÁN VIỆT NAM Chuyên ngành: Tài – Ngân hàng (Tài – Hướng ứng dụng) Mã số: 8340201 LUẬN VĂN THẠC SĨ KINH TẾ NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS Trần Thị Hải Lý TP Hồ Chí Minh – Năm 2020 LỜI CAM ĐOAN Tôi xin cam đoan tất số liệu kết thu từ luận văn trung thực chưa sử dụng cho tác phẩm học thuật Tất tài liệu số liệu sử dụng cho luận văn có thơng tin nguồn gốc rõ ràng phép công bố Tp HCM, ngày 24 tháng 07 năm 2020 Học viên thực Trần Duy Long MỤC LỤC Trang phụ bìa Lời cam đoan Mục lục Danh mục chữ viết tắt Danh mục bảng Danh mục hình ảnh Tóm tắt – Abstract CHƯƠNG 1: GIỚI THIỆU 1.1: Lý chọn đề tài 1.2: Mục tiêu nghiên cứu 1.3: Câu hỏi nghiên cứu 1.4: Đối tượng nghiên cứu 1.5: Phạm vi nghiên cứu 1.5: Kết đạt 1.6: Cấu trúc luận văn CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ TỔNG LƯỢC CÁC KẾT QUẢ NGHIÊN CỨU TRƯỚC 2.1: Cơ sở lý thuyết 2.1.1: Lý thuyết thị trường hiệu bước ngẫu nhiên giá 2.1.1.1: Lý thuyết thị trường hiệu (Effective market theory) 2.1.1.2: Lý thuyết bước ngẫu nhiên (Random walk theory) 2.1.2: Thị trường không hiệu chứng giá tài sản dự báo 2.1.2.1: Thị trường không hiệu 2.1.2.2: Sự đảo ngược giá (Price reversal) 2.1.2.3: Quán tính giá (Momentum) 2.1.2.4: Bằng chứng giá tài sản dự báo 2.2: Tổng lược kết nghiên cứu trước 10 CHƯƠNG 3: PHƯƠNG PHÁP PHÂN TÍCH VÀ DỮ LIỆU NGHIÊN CỨU 16 3.1: Phương pháp phân tích 16 3.1.1: Kiểm định tính dừng chuỗi liệu 16 3.1.2: Phân tích biểu đồ tự tương quan (Correlogram Analysis) 19 3.1.3: Mô hình tự hồi quy tích hợp trung bình trượt (Auto Regressive Integrated Moving Average Model – ARIMA) 20 3.1.3.1: Mơ hình tự hồi quy – Auto Regressive Model [AR(p)] 21 3.1.3.2: Mô hình trung bình trượt – Moving Average Model [MA(q)] 21 3.1.3.3: Mơ hình tự hồi quy tích hợp trung bình trượt [Autoregressive Integrated Moving Average Model – ARIMA (p,d,q)] 22 3.1.4: Các tiêu chuẩn để chọn lựa mơ hình ARIMA(p,d,q) 22 3.1.4.1: Sai số trung bình bình phương gốc (RMSE) 22 3.1.4.2: Sai số trung bình tuyệt đối (MAE) 23 3.1.4.3: Sai số phần trăm trung bình tuyệt đối (MAPE) 23 3.1.5: Phương pháp luận Box – Jenkins 24 3.2: Dữ liệu nghiên cứu 26 CHƯƠNG 4: XÂY DỰNG MƠ HÌNH ARIMA CHO CHỈ SỐ VNI 27 4.1: Kiểm tra tính dừng chuỗi liệu (Bước 1) 27 4.2: Khắc phục chuỗi liệu khơng có tính dừng (Bước 2) 29 4.3: Xây dựng mơ hình ARIMA (Bước 4) 31 4.3.1: Chọn bậc tối ưu cho trình tự hồi quy – AR(p) 31 4.3.2: Chọn bậc tối ưu cho trình trung bình trượt – MA(q) 31 4.4: Các tiêu chí để chọn lựa mơ hình ARIMA (p,d,q) tối ưu (Bước 5) 34 4.5: Dự báo (Bước 6) 37 CHƯƠNG 5: KẾT LUẬN, KHUYẾN NGHỊ VÀ CÁC HẠN CHẾ 41 5.1: Kết luận 41 5.2: Hàm ý nghiên cứu 42 5.3: Khuyến nghị 42 5.4: Hạn chế 43 Tài liệu tham khảo Phụ lục DANH MỤC CÁC CHỮ VIẾT TẮT Số thứ tự Viết tắt Ý nghĩa VNI VN – Index ARIMA AutoRegressive Integrated Moving Average ADF Augmented Dickey Fuller EMH Efficient Market Hypothesis HFT Nhà giao dịch cao tần RMSE Sai số trung bình bình phương gốc MAE Sai số tuyệt đối trung bình AIC Chỉ tiêu Akaike BIC Chỉ tiêu Bayesian 10 ACF AutoCorrelation Function 11 PACF Partial AutoCorrelation Function 12 BG Breusch – Godfrey DANH MỤC CÁC BẢNG Bảng 4.1: Kết kiểm tra biểu đồ tự tương quan kiểm định ADF cho chuỗi LN 28 Bảng 4.2: Kết kiểm tra biểu đồ tự tương quan kiểm định ADF cho chuỗi SP 30 Bảng 4.3: Bậc tối ưu thành phần AR (p) MA (q) 32 Bảng 4.4: Các tiêu chí chọn mơ hình ARIMA (p,d,q) tối ưu 34 Bảng 4.5: Kết hồi quy mô hình ARIMA (1,1,16) 34 Bảng 4.6: Biểu đồ tự tương quan kiểm định BG cho phần dư 35 Bảng 4.7: Kết dự báo từ mơ hình ARIMA (1,1,16) cho chuỗi SP 37 Bảng 4.8: Hiệu suất dự báo từ mơ hình ARIMA (1,1,16) 38 DANH MỤC CÁC HÌNH ẢNH Hình 4.1: Biểu đồ bảng thống kê mô tả chuỗi logarit VNI (LN) 27 Hình 4.2: Đồ thị số VNI so với hai đường giới hạn thu từ mơ hình ARIMA (1,1,16) 39 TĨM TẮT Thị trường chứng khốn không ổn định dự báo biến động thị trường hữu ích cho nhà đầu tư việc thiết kế chiến lược đầu tư Một dự báo khả thi thực tế đem lại lợi nhuận đáng kể cho nhà đầu tư, nhiều mơ hình nghiên cứu đề xướng nhằm tăng tính hiệu cho việc dự báo thực Trong số đó, mơ hình dự báo dựa phân tích chuỗi liệu thời gian cho kết dự báo khả thi so với mơ hình lại Luận văn tập trung vào việc dự báo xu hướng thay đổi số thị trường chứng khoán Việt Nam (VN – Index) cách sử dụng mơ hình ARIMA với chuỗi liệu thời gian ngẫu nhiên Mơ hình ARIMA phù hợp chọn lựa dựa tiêu chí nhỏ tiêu chí AIC, BIC, RSME, MAE, MAPE, sai số chuẩn hồi quy giá trị tương đối cao tiêu chí R bình phương điều chỉnh Sử dụng mơ hình ARIMA (1,1,16) mơ hình tốt so với hai mơ hình cịn lại Mơ hình sử dựng chuỗi liệu theo tuần từ ngày 01/03/2009 đến ngày 01/03/2020 (562 quan sát), dự báo theo tuần đưa khoảng thời gian từ ngày 02/03/2020 đến ngày 01/06/2020 (13 quan sát) Luận văn làm sáng tỏ trình tự kiểm tra tính dừng chuỗi liệu thời gian thông qua kiểm định Augmented Dicky Fuller (ADF) phân tích biểu đồ tự tương quan (Correlogram) Đồng thời, luận văn làm sáng tỏ tiêu chí cách thức để lựa chọn mơ hình ARIMA (p,d,q) tốt từ đưa dự báo cho số VNI Luận văn dự báo diễn biến số VNI mô hình ARIMA (1,1,16) so sánh kết dự báo với giá trị thực tế để từ cho thấy sức mạnh phương pháp dự báo ngắn hạn Box – Jenkins, từ kết dự báo giúp phân tích thị trường, đánh giá rủi ro đưa khuyến nghị cho nhà đầu tư Các kết thu từ luận văn lần chứng minh sức mạnh mơ hình ARIMA (p,d,q) việc dự báo ngắn hạn khả ứng dụng vào thực tế hữu ích cho nhà nghiên cứu nhà đầu tư thị trường chứng khốn Việt Nam Từ khóa: Dự báo, chứng khốn, ARIMA 42 5.2: Hàm ý nghiên cứu Thông qua luận văn này, tác giả đưa hàm ý nghiên cứu sau: Luận văn làm sáng tỏ trình tự kiểm tra tính dừng chuỗi liệu thời gian thông qua kiểm định Augmented Dicky Fuller (ADF) phân tích biểu đồ tự tương quan (Correlogram) Đồng thời, luận văn làm sáng tỏ tiêu chí cách thức để lựa chọn mơ hình ARIMA (p,d,q) tốt từ đưa dự báo cho số VNI Điều làm tảng để giúp nghiên cứu sau sâu sắc Luận văn dự báo diễn biến số VNI mơ hình ARIMA (1,1,16) so sánh kết dự báo với giá trị thực tế để từ cho thấy sức mạnh phương pháp dự báo ngắn hạn Box – Jenkins, từ kết dự báo giúp phân tích thị trường, đánh giá rủi ro đưa khuyến nghị cho nhà đầu tư 5.3: Khuyến nghị Kết thu từ luận văn có ý nghĩa việc nghiên cứu ứng dụng thực tế, từ tác giả đưa khuyến nghị sau: Việc dự báo số VNI từ mơ hình ARIMA (1,1,16) tuân theo giả định chuỗi liệu thời gian thu thập để làm sở chạy mơ hình ARIMA tn theo mơ hình tuyến tính tuyệt đối Tuy nhiên, phương pháp dự báo dựa chuỗi liệu phi tuyến tính nên nghiên cứu thêm đối chiếu với phương pháp dự báo ARIMA để cải thiện hiệu dự báo 43 Luận văn xây dựng mô hình ARIMA để dự báo số VNI dựa chuỗi liệu thời gian đơn biến (chuỗi giá đóng cửa số VNI khứ), thực tế, ta hồn tồn xây dựng mơ hình dự báo số VNI dựa chuỗi liệu thời gian đa biến với biến độc lập mơ hình dự báo mơ hình ARIMA (p,d,q) khác Mặt khác, phương pháp dự báo ARIMA ứng dụng nhiều lĩnh vực khác dự báo giá vàng, dự báo giá dầu, dự báo tỷ giá, … 5.4: Hạn chế luận văn Mơ hình ARIMA luận văn nói chung hiệu dự báo ngắn hạn, khoảng thời gian dự báo lớn, hiệu dự báo bị giảm mạnh Đặc biệt, biến động giá trị chuỗi liệu làm sở để chạy mơ hình diễn q mạnh với nguyên đến từ thay đổi sách phủ biến động kinh tế vĩ mơ (khủng hoảng kinh tế) làm kết dự báo khơng cịn xác Phương pháp dự báo có khiếm khuyết lớn đòi hỏi chuỗi liệu thời gian dùng để chạy mơ hình phải tn theo giả thuyết tuyến tính, thực tế, khơng có sở để kết luận chuỗi liệu VNI luận văn tuân theo giả thuyết tuyến tính Ngồi ra, sử dụng kết dự báo thu từ mơ hình ARIMA ta ngầm chấp nhận giả định: “những xảy khứ, lặp lại tương lai” Thực tế, lịch sử chưa lặp lại hoàn toàn tương lai, việc dự báo giá trị tương lai dựa hoàn toàn vào chuỗi liệu lịch sử đưa kết dự báo hồn tồn khơng phù hợp với diễn biến thực tế TÀI LIỆU THAM KHẢO Abdullah, L (2012) ARIMA model for gold bullion coin selling price forecasting International Journal of Advances in Applied Sciences, 1(1), 153-158 Adebiyi, A.A., & Adewumi, O.A (2014) Stock Price Prediction using the ARIMA Model, UKsim-AMSS, 16th International Conference on Computer Modelling and Simulation (pp.105-111) Bakar, Nashirah Abu., & Rosbi, Sofian (2017) Autoregressive Integrated Moving Average (ARIMA) Model for Forecasting Cryptocurrency Exchange Rate in High Volatility Environment: A New Insight of Bitcoin Transaction International Journal of Advanced Engineering Research and Science (IJAERS), ISSN: 2349-6495(P) | 2456-1908(O) Banerjee, D (2014) Forecasting of Indian Stock Market using time-series ARIMA Model Proc Conference Paper Berninger, Jordan (2018) Forecasting the Time Series of Apple Inc.’s Stock Price Chitenderu, Tafadzwa T., Maredza, Andrew., & Sibanda, Kin (2014) The Random Walk Theory And Stock Prices: Evidence From Johannesburg Stock Exchange International Business & Economics Research Journal (IBER) 13(6):1241 Brooks, C (2008) Introductory Econometrics for Finance New York, USA: Cambridge University Press Contreras, J., Rodrigo, E., Francisco, J N., & Antonio, J C (2003) ARIMA Models to Predict Next Day Electricity Prices IEEE Transaction Power Systems, 18(3), 1014-1020 Draxler, T C (2014) Root Mean Square Error (RMSE) or Mean Absolute Error (MAE)? – Argument against avoiding RMSE in the Literature Geoscientific Model Development (Open Access), 7(3), 1247-1250 Emenike, Kalu O (2010) Forecasting Nigerian Stock Exchange Returns: Evidence from Autoregressive Integrated Moving Average (ARIMA) Model Fama, F E (1965) Random Walks in Stock Market Prices, Financial Analysts Journal, 21(5), 55-59 Gerakos, J J & Gramacy., R (2013) Regression-Based Earnings Forecasts Chicago Booth Research Paper No.12-26 Retrieved on July 19, 2018, from http://papers.ssrn.com/soli3/papers.cfm?abstract_id=2112137 Gideon, S (1978) Estimation of dimensions of a model Annals of Statistics, 6(2), 461-464 Jadhav, S., Kakade, S., Utpat, K., & Deshpande, H (2015) Indian Share market Forecasting with ARIMA Model International Journal of Advanced Research in Computer and Communication Engineering, 4(11), 334-336 Guha, B., & Bandyopadhyay, G (2016) Gold Price Forecasting using ARIMA Model Journal of Advanced Management Science, 4(2), 117-121 Gujarati, D N (2004) Basic Econometrics, 4th ed (4th Edition ed.) New Delhi: The McGraw Hill Company Hanke, E J., & Wichern, W D (2005) Business Forecasting (8th ed.) USA: Pearson Education Inc Jarrett, E.J., & Kyper, E (2011) ARIMA Modeling with intervention to Forecast and Analyze Chinese Stock Prices International Journal of Engineering, Business and Management, 3(3), 53-58 Mele, Marco (2015) On the Inefficient Markets Hypothesis: Arbitrage on the Forex Market Merh, N., Saxena, V P., & Pardasani, K R (2010) A Comparison between Hybrid approaches of ANN and ARIMA for Indian Stock Trend Forecasting Journal of Business Intelligence, 3(2), 23-43 Meyler, A., & Kenny, G a (1998) Forecasting Irish Inflation using ARIMA models Central Bank and Financial Services Authority of Ireland, 1998, No.3/RT/98, pp.148 Technical Paper Series Retrieved from: https://mpra.ub.uni- muenchen.de/11359/ Nochai, Rangsan., & Nochai, Titida (2006) Arima Model For Forecasting Oil Palm Price Pai, P F., & Shenglin, C (2005) A Hybrid ARIMA and Support Vector Machines Model in Stock Price Prediction Omega, 33 (2005), 497-505 Rangson, N., & Tidia, N (June 13-15, 2006) ARIMA model for Forecasting Oil Palm Price Proceedings of the 2nd IMT-GT Regional Conference on Mathematics, Statistics and Applications, (pp.1-7) Universiti Sains Malaysia, Penang Rao, N K., & Mukherjee, K (1971) Random Walk Hypothesis: An Empirical Study, Arthaniti, 4(1), 53-59 Reedy, C Viswanatha (2019) Predicting the Stock Market Index Using Stochastic Time Series Arima Modelling: The Sample of BSE and NSE Santosa, Perdana Wahyu (2020) Determinants of price reversal in high-frequency trading: empirical evidence from Indonesia Investment Management and Financial Innovations, Volume 17, Issue 1, 2020 Savadatti, P (2017) Forecasting of Area, Production, and Productivity of Food Grains in India: Application of ARIMA Model, Arthashastra: Indian Journal of Economics and Research, 6(6), 7-22, doi: 10.17010/aijer/2017/v6i6/120114, https://orcid.org/0000-0002- 8108-8678 Titan, Alexandra Gabriela (2015) The Efficient Market Hypothesis: review of specialized literature and empirical research Tofallis, C (2015) A Better Measure of Relative Prediction Accuracy for Model Selection and Model Estimation Journal of Operations Research Society, 66(8), 1352-1362 Tsay, S R (2005) Analysis of Financial Time Series (2nd ed.) Wiley Series in Probability and Statistics John Wiley & Sons, Inc, Chicago Wadhawan, D., & Singh, H (2019) Estimating and Forecasting Volatility using ARIMA Model: A Study on NSE, India Indian Journal of Finance, 13(5), 37-51 doi:10.17010/ijf/2019/v13i5/144184, https://orcid.org/0000-0001-6439-8909 Wu, Yangru (2004) MOMENTUM TRADING, MEAN REVERSAL AND OVERREACTION IN CHINESE STOCK MARKET HKIMR Working Paper No.23/2004 PHỤ LỤC Hình 1: Biểu đồ tự tương quan chuỗi LN (Nguồn: Tính tốn từ phần mềm Eviews 8.0.) Hình 2: Kết hồi quy biến LN với biến @trend (Nguồn: Tính tốn từ phần mềm Eviews 8.0.) Hình 3: Kết kiểm định ADF cho chuỗi LN (Nguồn: Tính tốn từ phần mềm Eviews 8.0.) Hình 4: Biểu đồ chuỗi liệu SP (Nguồn: Tính tốn từ phần mềm Eviews 8.0.) Hình 5: Thống kê mơ tả chuỗi SP (Nguồn: Tính tốn từ phần mềm Eviews 8.0.) Hình 6: Biểu đồ tự tương quan chuỗi SP (Nguồn: Tính tốn từ phần mềm Eviews 8.0.) Hình 7: Kiểm định nghiệm đơn vị ADF chuỗi SP (Nguồn: Tính tốn từ phần mềm Eviews 8.0.) Hình 8: Kết chạy hồi quy mơ hình ARIMA (1,1,16) từ phần mềm Eviews 8.0 (Nguồn: Tính tốn từ phần mềm Eviews 8.0.) Hình 9: Biểu đồ tự tương quan với 36 độ trễ chuỗi liệu SP (Nguồn: Tính tốn từ phần mềm Eviews 8.0.) Hình 10: Biểu đồ tự tương quan phần dư (Residuals) thu từ mơ hình ARIMA (1,1,16) (Nguồn: Tính tốn từ phần mềm Eviews 8.0.) Hình 11: Kết kiểm định BG cho phần dư thu từ mơ hình ARIMA (1,1,16) (Nguồn: Tính tốn từ phần mềm Eviews 8.0.) Hình 12: Mở rộng sở liệu để dự báo (Nguồn: Tính tốn từ phần mềm Eviews 8.0.) Hình 13: Đồ thị dự báo diễn biến số SP từ quan sát 562 đến 575 (Nguồn: Tính tốn từ phần mềm Eviews 8.0.) Hình 14: Kết dự báo cho số SP từ quan sát 562 đến 575 (Nguồn: Tính tốn từ phần mềm Eviews 8.0.) Hình 15: Kết hồi quy mơ hình ARIMA (1,1,1) (Nguồn: Tính tốn từ phần mềm Eviews 8.0.) Hình 16: Kết hồi quy mơ hình ARIMA (1,1,19) (Nguồn: Tính tốn từ phần mềm Eviews 8.0.) ... CHÍ MINH TRẦN DUY LONG ỨNG DỤNG MƠ HÌNH ARIMA ĐỂ DỰ BÁO CHUỖI DỮ LIỆU SAI PHÂN CỦA CHỈ SỐ CHỨNG KHOÁN VIỆT NAM Chuyên ngành: Tài – Ngân hàng (Tài – Hướng ứng dụng) Mã số: 8340201 LUẬN VĂN THẠC... (1976) đề xuất áp dụng vào việc phân tích dự báo chuỗi thời gian Với tất lý trên, tác giả định thực đề tài: ? ?Ứng dụng mơ hình ARIMA để dự báo chuỗi liệu sai phân số chứng khoán Việt Nam (VN – Index)”... sau: Liệu kết dự báo thu từ mô hình ARIMA cho chuỗi liệu sai phân số VN – Index sử dụng để dự báo diễn biến số hay không 1.4: Đối tượng nghiên cứu Đối tượng nghiên cứu luận văn số thị trường chứng