Mơi trường thực nghiệm Eview 5.1 chạy trên hệ điều hành Window XP SP2, máy tính tốc độ 2*2.0 GHz, bộ nhớ 1GB RAM.
3.2.2. Dữ liệu
Chọn loại dữ liệu dự báo: Dữ liệu được lấy từ
http://www.cophieu68.com/datametastock.php
Trong đĩ ta chọn Cổ phiếu cĩ mã MMA để dự đốn, và sử dụng riêng Giá đĩng cửa.
Dữ liệu đầu vào là file.CSV or .dat được lấy từ website xuống. Dữ liệu ở đây cĩ dạng như sau :
M A
A A A A A …
Bảng 1. Dữ liệu đầu vào
Dữ liệu cho quá trình dự báo được bắt đầu từ ngày 24/9/2009 đến ngày 14/5/2010. Ở đây khĩa luận chỉ tập trung vào GiaDongCua, và quá trình dự báo sẽ giúp ta xác định được Giá đĩng cửa của ngày kế tiếp ngay sau đĩ.
Hình 15. Chọn GIADONGCUA làm mục tiêu dự báo
3.2.3. Kiểm tra tính dừng của chuỗi chứng khốn AAM
Hình 16. Biểu đồ đĩng cửa
3.2.4. Nhận dạng mơ hình
Xác định các tham số p, d, q trong ARIMA
Hình 17. xác định d = 0,1,2 ?
Hình 18. Biểu đồ của SAC và SPAC của chuỗi GIATHAMCHIEU
Nhìn vào hình 3.7, ta thấy biểu đồ hàm tự tương quan ACF giảm dần một cách từ từ về 0. Chuỗi chưa dừng, ta phải sai phân lần 1.
Kiểm tra đồ thị Correlogram của chuỗi sai phân bậc 1.
Hình 19. Biểu đồ của SPAC và SAC ứng với d=1 sau 1 độ trễ q=1, PAC giảm nhanh về 0 sau 1 độ trễ:p=1
3.2.5. Ước lượng và kiểm định với mơ hình ARIMA
Xây dựng mơ hình ARIMA(1,1,1)
Chọn Quick/Estimate Equation, sau đĩ gõ"dgiathamchieu c ar(1) ma(1)",
Hình 20. Ước lượng mơ hình ARIMA(1,1,1)
Click OK, kết quả là :
Hình 21. Kết quả mơ hình ARIMA(1,1,1)
Chọn “View/Residual tests/Correlogram-Q- Statistic”
Hình 22 : Kiểm tra phần dư cĩ nhiễu trắng
Như vậy, sai số của mơ hình ARIMA(1,1,1) là một chuỗi dừng và nĩ cĩ phân phối chuẩn. Sai số này là nhiễu trắng. (adsbygoogle = window.adsbygoogle || []).push({});
Ta cĩ bảng xác định các tiêu chuẩn đánh giá sau khi đã thử với một vài mơ hình khác nhau : A 0 0 0 0 B 3 T H
Tại Forecast sample : ta chỉnh ngày dự báo : 14/5/2010 – 20/5/2010 Kết quả là : Mơ hình ARIMA BIC ARIMA(1,0,0) 4.24 ARIMA(2,1,1) 4.26 ARIMA(1,1,1)
Hình 24. Kết quả của bảng thống kê dự báo.
Ta cĩ kết quả dự báo của 3 ngày 14/5/2010 – 20/5/2010
Đánh giá -0.55826 -0.30068 0.36322 -0.3675 Bảng 3. Đánh giá dự báo
Qua thực nghiệm dự báo được 4 ngày từ ngày 17/05 – 20/05/2010, chúng ta nhận thấy kết quả đưa ra khá chính xác so với giá thực tế của mã chứng khốn AAM.
Tuy số lượng ngày dự báo thử nghiệm chưa nhiều song cĩ thể nhận định rằng mơ hình ARIMA(1,1,1) là khá phù hợp để dự báo mã CK AAM.
Tĩm tắt chương 3
Chương 3 giới thiệu về mơi trường thực nghiệm phần mềm, dữ liệu đầu vào là giá chứng khốn của cơng ty với mã AAM (chọn GiaDongCua làm biến dự báo). Khĩa luận đã tiến hành từng bước quá trình thi hành dự báo twf dữ liệu như đã nêu ở
Ngày Giá thực tế Giá dự báo 17/05/2010 33.5 32.94174 18/05/2010
chương 2. Đánh giá sơ bộ thành cơng của mơ hình được chọn : Mơ hình được chọn dự báo khá chính xác.
KẾT LUẬN
Qua thời gian nghiên cứu để thực hiện khĩa luận tốt nghiệp, em đã nắm được quy trình xây dựng mơ hình ARIMA cho dữ liệu tài chính và áp dụng mơ hình này vào bài tốn thực tế - bài tốn dự báo tài chính. Những kết quả chính mà khĩa luận đã đạt được cĩ thể tổng kết như sau :
Nghiên cứu một số nội dung lý thuyết cơ bản về chuỗi thời gian, về mơ hình ARIMA, về cơng cụ Eviews để cĩ thể áp dụng được Eviews thi hành mơ hình ARIMA trong dự báo tài chính, chứng khốn.
Nắm được quy trình dùng phần mềm Eviews thi hành mơ hình ARIMA cho dữ liệu thời gian thực (với 4 bước cơ bản) tính tốn giá trị dự báo dữ liệu tài chính, chứng khốn.
Thực hiện quy trình sử dụng phần mềm Eviews thi hành mơ hình ARIMA cho dữ liệu mã cổ phiếu mã CK AAM để dự báo ngắn hạn giá cổ phiếu.
Bên cạnh những kết quả đã đạt được, cịn cĩ những vấn đề mà thời điểm này, khĩa luận chưa giải quyết được:
Áp dụng với chuỗi dữ liệu cĩ tính xu thế.
Thuật tốn để ước lượng cũng như đánh giá cịn nhiều hạn chế.
Đây chỉ là mơ hình phân tích kĩ thuật, chưa thể dự báo một cách chính sách, bởi chỉ phụ thuộc vào một biến – Thời gian, trong khi quá trình dự báo phụ thuộc vào nhiều yếu tố.
Những nội dung cần nghiên cứu phát triển để tiếp tục nội dung khĩa luận: Xây dựng mơ hình ARIMA đa biến : chỉ số của giá chứng khốn phụ thuộc vào
nhiều biến khác nhau.
Giải quyết yếu tố xu thể cho chuỗi dữ liệu
TÀI LIỆU THAM KHẢO Tài liệu tham khảo tiếng Việt
[1].Đặng Thị Ánh Tuyết. Tìm hiểu và ứng dụng một số thuật tốn khai phá dữ liệu
time series áp dụng trong bài tốn dự báo tài chính. Khĩa luận tốt nghiệp đại học
hệ chính quy, khoa Cơng nghệ thơng tin – Đại học Cơng Nghệ - Đại học Quốc Gia Hà nội, 2009.
[2]. Nguyễn Thị Hiền Nhã. Sử dụng mơ hình ARIMA cho việc giải quyết bài tốn dự
báo tỷ giả. Luận văn thạc sĩ tin học, Đại học Khoa Học Tự Nhiên – Đại Học Quốc
Gia TP.HCM, 2002. (adsbygoogle = window.adsbygoogle || []).push({});
[3]. Nguyễn Thị Thanh Huyền, Nguyễn Văn Huân, Vũ Xuân Nam. Phân tích và dự
báo kinh tế, Đại Học Thái Nguyên, http://ictu.edu.vn/LinkClick.aspx?fileticket=
EKrjb8h5MaQ%3D&tabid=212&mid=910.
[4]. Damodar N Gujarati. Kinh tế lượng căn bản. Chương 21, 22 [5]. Phùng Thanh Bình. Hướng dẫn sử dụng Eviews 5.1
Tài liệu tham khảo tiếng Anh
[6] Boris Kovalerchuk and Evgenii Vityaev (2001). Data Mining in Finance: Advances in Relational and Hybrid Methods, Kluwer Academic Publishers, Boston, Dordrecht - London, 2001.
[7] Jamie Monogan. ARIMA Estimation adapting Maximum Likehood to the special Issues of Time Series.
[8] Cao Hao Thi, Pham Phu, Pham Ngoc Thuy. Application of ARIMA model for
testing “serial independence” of stock prices at the HSEC, The Joint 14th Annual
PBFEA and 2006 Annual FeAT Conference, Taipei, Taiwan, July, 2006. [9] Robert Yaffee and Monnie McGee. Time series Analysis and forecasting.
[10] Box G E P & Jenkins G M. Time series analysis : Forecasting and control. San Francisco, CA: Holden-day, 1970.
[11] Roy Batchelor. Box-Jenkins Analysis. Cass Business School, City of Lodon [12]. http://en.wikipedia.org/wiki/Time_series. Time series
[13] Ramasubramanian V.I.A.S.R.I. Time series analysis, Library Avenue, New Delhi- 110 012
[14]. http://www.pstat.ucsb.edu/faculty/feldman/174-03/lectures/l13.pdf. Sample PACF; Durbin - Levinson algorithm.
[15]. http://adt.curtin.edu.au/theses/available/adt-
WCU20030818.095457/unrestricted/07Chapter6.pdf. Chapter six Univariate
ARIMA models
[16]. Ross Ihaka. Time Series Analysis, Lecture Notes for 475.726, Statistics Department, University of Auckland, 2005.
[17]. http://www.barigozzi.eu/ARIMA.pdf. ARIMA estimation theory and applications
[18]. http://www.hkbu.edu.hk/~billhung/econ3600/application/app05/app05.html.
ARIMA models.
[19]. http://www.stata.com/statalist/archive/2006-06/msg00554.html. R-Squared with ARIMA
[20]. http://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average:
Autoregressive integrated moving average.