2.2.1. Giới thiệu Eviews
Eviews là một gĩi phần mềm thống kê cho Windows (do Quantitative Micro Software (QMS) phát triển), đƣợc sử dụng chính vào phân tích kinh tế hƣớng đối tƣợng chuỗi thời gian.. Phiên bản 1.0 đƣợc ra đời vào tháng 3 năm 1994 [20].
Phùng Thanh Bình [4] đã giới thiệu tƣơng đổi cụ thể về Eviews và các tình huống sử dụng Eviews. Eviews cung cấp các cơng cụ phân tích dữ liệu phức tạp, hồi quy và dự báo chạy trên Windows. Với Eviews, chúng ta cĩ thể nhanh chĩng xây dựng mối quan hệ kinh tế lƣợng từ dữ liệu cĩ sẵn và sử dụng mối quan hệ này để dự báo các giá trị tƣơng lai. Eviews cĩ thể hữu ích trong tất cả các loại nghiên cứu nhƣ đánh giá và phân tích dữ liệu khoa học, phân tích tài chính, mơ phỏng và dự báo vĩ mơ, dự báo doanh số, và phân tích chi phí. Đặc biết, Eviews là một phần mềm rất mạnh cho phân tích dữ liệu thời gian.
Eviews đƣa ra nhiều cách nhập dữ liệu rất thơng dụng và dễ sử dụng nhƣ nhập bằng tay, từ các file cĩ dƣới dạng excel hay text, dễ dàng mở rộng file dữ liệu cĩ sẵn. Eviews trình bày các biểu đồ, kết quả ấn tƣợng và cĩ thể in trực tiếp hoặc chuyển qua các loại định dạng văn bản khác nhau. Eviews giúp ngƣời sử dụng dễ dàng ƣớc lƣợng và kiểm định các mơ hình kinh tế lƣợng. Eviews cung cấp nhiều mơ hình cho quá trình dự báo: Mơ hình trung bình dịch chuyển hàm mũ, mơ hình ARIMA, … Ngồi ra, Eviews cịn giúp ngƣời nghiên cứu cĩ thể xây dựng các file chƣơng trình cho dự án nghiên cứu của mình, với ngơn ngữ lập trình hƣớng đối tƣợng.
18 Khi khởi động chƣơng trình cĩ dạng :
Hình 7. Giao diện sử dụng (Eviews 5 Users Guide)
Tạo một tập tin Eviews
Cĩ nhiều cách tạo một tập tin mới.
Eviews sẽ tạo ra một tập tin mới để ta nhập dữ liệu vào một cách thủ cơng từ bàn phím hoặc copy và paste
File/ New Workfile…từ thực đơn chính để mở hộp thoại Workfile Create. Ở gĩc bên trái mơ tả cấu trúc cơ bản của dữ liệu. Ta cĩ thể chọn giữa Dated-Regular Frequency, Unstructured, Balanced Panel. Với dữ liệu thời gian ta chọn Dated-Regular Frequency, nếu dữ liệu đơn giản ta chọn Balanced Panel, các trƣờng hợp khác chọn Unstructured.
Main menu Command window
Work area
19
Hình 8. Lựa chọn cấu trúc cơ bản của quá trình tạo Workfile
Nếu là dữ liệu năm, thì ở ơ Frequency ta chọn Annual; ở các ơ
Start date và Ende date ta nhập năm bắt đầu và năm kết thúc của chuỗi dữ liệu. Nếu dữ liệu là quý, thì ở ơ Frequency ta chọn Quarrterly…
Mở và đọc dữ liệu từ một nguồn bên ngồi (khơng thuộc định dạng của Eviews) nhƣ Text, Excel, Stata
File/open/Foreign Data as Workfile,…để đến hộp thoại Open, chọn
Files of type
20
Sau khi tạo một tập tin Eviews, ta lƣu lại dƣới định dạng Eviews bằng cách họn
File/Save As… hay File/Save... Trình bày dữ liệu
Trình bày dữ liệu của một chuỗi
Để xem nội dung của một biến nào đĩ, ví dụ giadongcua trong tập tin. Kích đúp vào biến cần xem.
Hình 10. Miêu tả chuỗi dữ liệu
Vẽ đồ thị
Cĩ hai cách biểu hiện đồ thị dạng Line của biến.
Thứ nhất, từ chuỗi (lấy chuỗi giadongcua làm ví dụ) ta chọn
View/Graph/Line.
Thứ hai, từ cửa sổ Workfile trên thanh Main menu ta chọn Quick/Graph/Line Graph,… rồi nhập tên biến giadongcua
21 (adsbygoogle = window.adsbygoogle || []).push({});
Hình 11. Đồ thị của chuỗi GIADONGCUA
Đơn giản để copy đồ thị ra word ta chỉ cần Ctrl + C và paste sang word. Tạo một biến mới
Eviews hỗ trợ chuyển đổi để tạo biến mới bằng cách click Genr rồi gõ hàm chuyển đổi:
loggiadongcua = log(giadongcua) : chuyển đổi chuỗi ban đầu thành chuỗi mới cĩ giá trị bằng log(chuỗi ban đầu)
dexport = export – export(-1) : Sai phân lần một
d12lexport = lexport - lexport(-12) : Khử tính mùa vụ bằng cách lấy sai phân
d = 12.
Biến trễ, tới, sai phân và mùa vụ
Biến trễ , tới một giai đoạn (xt-1) : x(-1), (xt+1) : x(+1) Biến trễ k giai đoạn (xt-k) : x(-k), (xt+k) : x(+k)
Sai phân bậc một (d(x) = xt – xt-1) Sai phân bậc k (d(x,k) = xt – xt-k)
22 Biểu đồ tƣơng quan : View/Correlogram…
Hình 12. Biểu đồ hàm tự tƣơng quan, tự tƣơng quan từng phần
Hàm và các phép tốn trong Eviews - Các phép tốn số học : +, -, *, /
- Các phép tốn chuỗi
Eviews cho phép tính tốn hoặc tạo một chuỗi mới từ một hoặc nhiều chuỗi đã cĩ sẵn bằng các tốn tử thơng thƣờng nhƣ trên. Ví dụ :
2*y +3, x/y +z…
-Các hàm chuỗi : Hầu hết các hàm Eviews đều bắt đầu bằng ký hiệu @, ví dụ
@mean(y) : Giá trị trung bình của chuỗi y
@abs(x) : Hàm giá trị tuyệt đối
@sqrt(x) : Hàm căn bậc hai…
Tại cửa sổ command cĩ thể gõ câu lệnh thực thi chƣơng trình : “LS Dgiadongcua c ar(1)”,…
23
Ngồi cách sử dụng thơng thƣờng, Eivews cho phép ngƣời đọc xây dựng chƣơng trình của riêng mình (file.prg),
Tạo một chƣơng trình : File/New/Program
Mở một chƣơng trình cĩ sẵn : File/Open/Program…
Chạy chƣơng trình : Tại cửa sổ chƣơng trình : Run
Hình 13. Cửa sổ chƣơng trình/Run
Tại cửa sổ cĩ lựa chọn tham số đầu vào : Program arguments(%0 %1 …) Ví dụ : chạy chƣơng trình với đƣa ra mơ hình ARIMA sẽ cĩ những tham số đầu vào : Biến phụ thuộc, tham số p, tham số q, tên dữ liệu đƣa vào tƣơng ứng.
2.2.2. Áp dụng Eviews thi hành các bƣớc mơ hình ARIMA 2.2.2.1. Xác định mơ hình 2.2.2.1. Xác định mơ hình
Đƣa dữ liệu vào : Do dữ liệu trong quá trình dự báo sử dụng mơ hình ARIMA là đủ lớn, dữ liệu đầu vào đƣợc đề xuất : Mở và đọc dữ liệu từ một nguồn bên ngồi (khơng thuộc định dạng của Eviews) nhƣ Text, Excel, Stata (adsbygoogle = window.adsbygoogle || []).push({});
File/open/Foreign Data as Workfile,…để đến hộp thoại Open, chọn Files of type
(xem thêm ở 2.2.1)
24
View/Graph/line : đƣa ra ý tƣởng về một chuỗi thời gian là dừng hay khơng.
View/Correlogram : Xác định các thành phần p,d,q của mơ hình.
2.2.2.2. Ƣớc lƣợng mơ hình, kiểm tra mơ hình
Từ biểu đồ tƣơng quan, xác định đƣợc các thành phần p,d,q cho mơ hình. Tiếp theo ta xây dựng mơ hình theo các bƣớc :
Chọn Quick/estimate Equation gõ vào mục Equation Specification mơ hình đã đƣợc xác định ở 2.2.2.1.
Type : ‘giadongcua c ar(1) ma(2)‘, ‗giadongcua c ar(1)‘, ‗giadongcua c ma(2) (Tùy thuộc vào mơ hình đã đƣợc xác định)
Hình 14. Ƣớc lƣợng mơ hình.
25
Chọn View/Residual tests/correlogram-Q-Statistic : Dùng để xác định tính nhiễu trắng của mơ hình.
Mơ hình đƣợc gọi là nhiễu trắng(white noise) khi cĩ trung bình và phƣơng sai của chuỗi khơng đổi theo thời gian hay hàm tự tƣơng quan và tự tƣơng quan riêng phần dao động quanh một vị trí trung bình của chuỗi [16].
Đây là bƣớc kiểm tra mơ hình, nếu mơ hình khơng cho kết quả phần dƣ của một đồ thị là nhiễu trắng. Phải thực hiện lại từ bƣớc xác định mơ hình khác.
Khi một một mơ hình đƣợc xác định là nhiễu trắng, ta cĩ thể dừng ở mơ hình đĩ mà khơng cần đến mơ hình tiếp theo.
Các tiêu chuẩn để đánh giá một mơ hình là tốt nhất [17] :
BIC nhỏ
SEE nhỏ
R2 lớn
Q-statistics và đồ thị tƣơng quan chỉ ra phần dƣ là nhiễu trắng. Ở mỗi mơ hình đƣa ra chỉ số các tiêu chuẩn đánh giá là khác nhau. Sau đĩ cĩ thể thử với các mơ hình khác và so sánh kết quả theo các tiêu chuẩn đánh giá.
2.2.2.3. Dự báo
Tại cửa sổ Equation của phƣơng trình, bấm nút forecast
Hình 16. Chọn các yêu cầu thích hợp cho dự báo
Ta phải đƣa các tham số thích hợp, điểm quan trọng là phải đƣa thời điểm dự báo cho hợp lý.
26
Tĩm tắt chƣơng 2
Chƣơng này nhằm giới thiệu về mơ hình ARIMA: (1) hàm tự tƣơng quan ACF, (2) hàm tự tƣơng quan từng phần PACF, (3) mơ hình thành phần AR(p), (4) mơ hình MA(q), sai phân I(d), các bƣớc trong quá trình xây dựng mơ hình ARIMA. Giới thiệu sơ bộ về phần mềm ứng dụng Eviews 5.1 phục vụ cho bài tốn dự báo bằng mơ hình ARIMA.
27
CHƢƠNG 3. ÁP DỤNG MƠ HÌNH ARIMA VÀO BÀI TỐN TÀI CHÍNH, CHỨNG KHỐN
3.1. Mơ hình ARIMA cho dự báo tài chính, chứng khốn 3.1.1. Dữ liệu tài chính 3.1.1. Dữ liệu tài chính (adsbygoogle = window.adsbygoogle || []).push({});
Dữ liệu chúng ta sử dụng là dữ liệu chuỗi thời gian. Mục đích chính của việc phân tích chuỗi thời gian thực là thu đƣợc một mơ hình dựa trên các giá trị trong quá khứ của biến quan sát y1, y2, y3,…, yt-1, yt cho phép ta dự đốn đƣợc giá trị của biến Y trong tƣơng lai, tức là cĩ thể dự đốn đƣợc các giá trị yt+1, yt+2,…yn.
Trong bài tốn của chúng ta, dữ liệu chứng khốn đƣợc biết tới nhƣ một chuỗi thời gian đa dạng bởi cĩ nhiều thuộc tính cùng đƣợc ghi tại một thời điểm nào đĩ. Với dữ liệu đang xét, các thuộc tính đĩ là :
Giá cổ phiếu tại thời điểm mở cửa trong ngày. Giá cổ phiếu cao nhất trong ngày
Giá cổ phiếu thấp nhất trong ngày
Giá cổ phiếu đƣợc niêm yết tại thời điểm đĩng của sàn giao dịch Khối lƣợng giao dịch cổ phiếu (bán, mua) trong ngày.
Giá trần, Giá sàn Giá Tham chiếu
Ví dụ: Giá cổ phiếu của cơng ty cĩ mã AAM trong 3 ngày 25/5/2010-27/5/2010
Ngay MoCua GiaCaoNhat GiaThapNhat GiaDongCua KLGD GiaTran/GiaSan GiaThamChieu
5/27/2010 31.1 31.5 31 31.4 40490 32.9/29.9 31.4
5/26/2010 31.2 31.9 31.2 31.4 29500 32.7/29.7 31.2
5/25/2010 32 32.5 31.1 31.2 41250 33.6/30.4 32
3.1.2. Mơ hình ARIMA cho bài tốn dự báo tài chính
Dựa vào trình tự cơ bản của phƣơng pháp luận (phần 1.7) cùng cấu trúc và hoạt động của mơ hình ARIMA trong chƣơng 2. Để áp dụng mơ hình ARIMA vào bài tốn dự báo tài chính, ta xây dựng mơ hình dự báo.
28
Xác định mơ hình : Với đầu vào là tập dữ liệu chuỗi thời gian trong tài chính giúp cho việc xác định ban đầu các thành phần trong mơ hình p, d, q, S.
Ƣớc lƣợng và kiểm tra : Mơ hình ARIMA là phƣơng pháp lặp, sau khi xác định các thành phần, mơ hình sẽ ƣớc lƣợng các tham số, sau đĩ thì kiểm tra độ chính xác của mơ hình : Nếu hợp lý, tiếp bƣớc sau, nếu khơng hợp lý, quay trở lại bƣớc xác định Dự báo : Sau khi đã xác định các tham số, mơ hình sẽ đƣa ra dự báo cho ngày tiếp theo.
3.1.3. Thiết kế mơ hình ARIMA cho dữ liệu
Việc thiết kế thành cơng mơ hình ARIMA phụ thuộc vào sự hiểu biết rõ ràng về vấn đề, về mơ hình, cĩ thể dựa vào kinh nghiệm của các chuyên gia dự báo…
Trong quá trình tìm hiểu, khĩa luận sẽ đƣa ra các bƣớc để xây dựng một mơ hình nhƣ sau :
1. Chọn tham biến 2. Chuẩn bị dữ liệu
Xác định tính dừng của chuỗi dữ liệu Xác định yếu tố mùa vụ
Xác định yếu tố xu thế
3. Xác định các thành phần p, q trong mơ hình ARMA
4. Ƣớc lƣợng các tham số và chẩn đốn mơ hình phù hợp nhất 5. Dự báo ngắn hạn
3.1.3.1 Chọn tham biến
Hƣớng tiếp cận trong dữ liệu tài chính, chứng khốn là tập trung xây dựng mơ hình dự báo tƣơng lai đối với dữ liệu dạng chuỗi thời gian liên tiếp trong quá khứ:
Dự báo lƣợng điện tiêu thụ của tổ dân phố A trong tháng tới
Dự báo chỉ số GDP cho năm tiếp theo qua dữ liệu của nhiều năm trƣớc Dự báo chỉ số giá chứng khốn của một cơng ty…
3.1.3.2 Chuẩn bị dữ liệu
Xác định tính dừng của chuỗi dữ liệu : Dựa vào đồ thị của chuỗi và đồ thị của hàm tự tƣơng quan. (adsbygoogle = window.adsbygoogle || []).push({});
Nếu đồ thị của chuỗi Y = f(t) một cách trực quan nếu chuỗi đƣợc coi là dừng khi đồ thị của chuỗi cho trung bình hoặc phƣơng sai khơng đổi
29
theo thời gian khi đĩ đồ thị của chuỗi dữ liệu sẽ dao động quanh giá trị trung bình của chuỗi.
Dựa vào đồ thị của hàm tự tƣơng quan ACF nếu đồ thị cho ta một chuỗi giảm mạnh và tắt dần về 0 sau q độ trễ.
Nếu chuỗi dữ liệu ban đầu là một chuỗi khơng dừng, cần phải khử tính dừng bằng cách lấy sai phân (2.1.5.) một lần hoặc hai lần (thƣờng chỉ sau hai lần ta sẽ đƣợc một chuỗi mới đã dừng). Tiếp đến, thực hiện các quá trình cịn lại với chuỗi dữ liệu mới (đã dừng). Sau khi đƣa ra đƣợc dự báo với chuỗi dữ liệu mới, cần tích hợp để đƣa ra dự báo với chuỗi dữ liệu ban đầu.
Xác định yếu tố mùa vụ cho chuỗi dữ liệu : Dựa vào đồ thị của chuỗi dữ liệu Y = f(t) (xem 1.2.3. Thành phần mùa) để cĩ thể dự đốn đƣợc dữ liệu chuỗi thời gian cĩ yếu tố mùa vụ? Với những dấu hiệu điển hình khi nhìn vào biểu đồ tự tƣơng quan ACF và tự tƣơng quan từng phần PACF:
Khi biểu đồ tự tƣơng quan ACF cĩ dấu hiệu giảm một cách từ từ
Khi biểu đồ tự tƣơng quan từng phần giảm một cách đột ngột tại các độ trễ thƣờng là 4, 8, 12…hoặc 12, 24,...
Nếu chuỗi dữ liệu ban đầu là một chuỗi cĩ tính mùa vụ, cần xác định bậc mùa vụ của chuỗi dữ liệu (S = ?), sau đĩ thì khử tính mùa vụ (theo 2.1.5) để cĩ đƣợc một chuỗi dữ liệu thời gian khơng cĩ tính mùa vụ.
Xác định yếu tố xu thế cho chuỗi dữ liệu : Xem lại phần 2.1.2 (Trong giới hạn của khĩa luận chúng tơi để đây nhƣ là một hƣớng nghiên cứu tƣơng lai.)
3.1.3.3 Xác định thành phần p, q trong mơ hình ARMA
Sau khi loại bỏ các thành phần : Xu thế, mùa vụ, tính dừng thì dữ liệu trở thành dạng thuần cĩ thể áp dụng mơ hình ARMA cho quá trình dự báo. Việc xác định 2 thành phần p và q.
Chọn mơ hình AR(p) nếu đồ thì PACF cĩ giá trị cao tại độ trễ 1, 2, …, p và giảm nhiều sau p và dạng hàm ACF giảm dần
Chọn mơ hình MA(q) nếu đồ thị ACF cĩ giá trị cao tại độ trễ 1, 2, …, q và giảm nhiều sau q và dạng hàm PACF giảm dần.
30
3.1.3.4 Ƣớc lƣợng các thơng số của mơ hình và kiểm định mơ hình phù hợp nhất
Cĩ nhiều phƣơng pháp khác nhau để ƣớc lƣợng. Ở đây, khĩa luận tập trung vào : Khi đã chọn đƣợc mơ hình, các hệ số của mơ hình sẽ đƣợc ƣớc lƣợng theo phƣơng pháp tối thiểu tổng bình phƣơng các sai số. Kiểm định các hệ số a, b của mơ hình bằng thống kê t. Ƣớc lƣợng sai số bình phƣơng trung bình của phần dƣ S2
: S2= 𝒆𝒕 𝟐 𝒏 𝒕−𝟏 𝒏−𝒓 = (𝒀𝒕−𝒀^𝒕) 𝟐 𝒏 𝒕−𝟏 𝒏−𝒓 2.9
Trong đĩ : et = Yt – Y^t = phần dƣ tại thời điểm t n = số phần dƣ
r = tổng số hệ số ƣớc lƣợng
Tuy nhiên : cơng thức chỉ đƣa ra để tham khảo...Hiện nay phƣơng pháp ƣớc lƣợng cĩ hầu hết trong các phần mềm thống kê : ET, MICRO TSP và SHAZAM, Eviews...
Nếu phần dƣ là nhiễu trắng thì cĩ thể dừng và dùng mơ hình đĩ để dự báo.
3.1.3.5 Kiểm tra mơ hình phù hợp nhất
Dựa vào một số tiêu chuẩn đánh giá:
BIC nhỏ (Schwarz criterion đƣợc xác định bởi : n.Log(SEE) + K.Log(n)) [18] SEE nhỏ [18] SEE = [ 𝒆𝒊 𝟐 𝒏−𝟐]1/2 R2 lớn : R-squared = (TSS-RSS)/TSS [18] TSS = (𝒀𝒊 − 𝒀^)𝟐 RSS = 𝒆𝒊𝟐 = (𝒀𝒊^ − 𝒀𝒊)𝟐[18]
Một mơ hình tốt khi chỉ số BIC nhỏ, SEE nhỏ, và R2
lớn
3.1.3.6 Dự báo ngắn hạn mơ hình
Sau các bƣớc trên giúp xác định đƣợc mơ hình phù hợp cho chuỗi dữ liệu đƣa vào. Dựa vào mơ hình đƣợc chọn là tốt nhất, với dữ liệu quá khứ tới thời điểm t, ta sử dụng để dự báo cho thời điểm kế tiếp t+1.
31 (adsbygoogle = window.adsbygoogle || []).push({});
3.2. Áp dụng dự báo chứng khốn với dữ liệu Cơng ty cổ phần Thủy sản Mekong(Mã CK : AAM) Mekong(Mã CK : AAM)
Ứng dụng mơ hình ARIMA vào bài tốn dự báo chứng khốn của của Cơng ty cổ phần Thủy sản Mekong(Mã CK : AAM)
Sử dụng Phần mềm EVIEWS 5.1 để dự đốn (Ứng dụng của mơ hình ARIMA