3.3 Tổng hợp kết quả
Tổng hợp các kết quả thực nghiệm các mô hình trên chỉ số VNIDEX và HNXINDEX đƣợc mô tả trong bảng sau:
Mô hình RMSE MAE MAPE
Mô hình dự báo ARCH/GARCH
GARCH(1,1) 0.009096027518 0.009096027518 6.053499053 GARCH(2,2) 0.009563314609 0.009563314609 6.364483377
Các mô hình dựa trên máy học
NN 0.01408317139 0.008847549697 5.786719332 SVR 0.01352901 0.007888988 4.571168 Bảng 3.11: Bảng tổng hợp kết quả các mô hình dự báo VNINDEX
Mô hình RMSE MAE MAPE
Mô hình dự báo ARCH/GARCH
GARCH(1,1) 0.009096027518 0.009096027518 6.053499053 GARCH(2,2) 0.009563314609 0.009563314609 6.364483377
Các mô hình dựa trên máy học
NN 0.01408317139 0.008847549697 5.786719332 SVR 0.01352901 0.007888988 4.571168
Bảng 3.12: Bảng tổng hợp kết quả các mô hình dự báo HNXINDEX
Mô hình VNINDEX HNXINDEX Giá trị thực tế Giá trị dự báo Độ chính xác Giá trị thực tế Giá trị dự báo Độ chính xác Mô hình dự báo ARCH/GARCH
GARCH(1,1)
0.2034469 0.1593567 78.328% 0.1514522 0.1740732 85.064%
GARCH(2,2) 0.159824 78.558% 0.1738351 85.221%
Các mô hình dựa trên máy học
NN
0.2034469 0.1887491 92.776% 0.1514522 0.1579130 95.734%
Bảng 3.13: Bảng tổng hợp kết quả so với thực tế
Đối với các mô hình thống kê GARCH việc áp dụng đơn giản, không cần nhiều tham số dữ liệu cho của mô hình, mô hình chạy nhanh. Tuy nhiên các tham số khác chƣa có phƣơng án để lựa chọn sao cho kết quả dự báo đƣợc tối ƣu, thƣờng vẫn sử dụng mô hình GARCH(1,1) để dự báo.
Đối với các mô hình học máy, kết qủa khả quan hơn so với mô hình GARCH truyền thống hay đƣợc sử dụng để dự báo. Tuy nhiên vệc lựa chọn các tham số đầu vào của các mô hình là tùy ý, chƣa có quy tắc nào để lựa chọn các tham số một cách tối ƣu.
Qua các bảng kết quả thử nghiệm trên ta thấy mô hình SVR cho kết quả tốt hơn so với các mô hình khác.
KẾT LUẬN 4.1 Đánh giá
Qua quá trình thƣ̣c hiê ̣n luâ ̣n văn, tôi đã đa ̣t đƣợc nhƣ̃ng kết quả sau:
Tìm hiểu tổng quan về thị trƣờng chứng khoán Việt Nam, biến động của thị trƣờng, ứng dụng của biến động để quản lý rủi ro, quản lý danh mục đầu tƣ khi tham gia vào thị trƣờng chứng khoán. Một số chỉ số kỹ thuật để theo dõi biến động thị trƣờng.
Tìm hiểu đƣợc một số mô hình thống kê, mô hình học máy hay đƣợc sử dụng để dự báo biến động của thị trƣờng.
Thử nghiệm và so sánh kết quả của một số mô hình dự báo trên chỉ số VNINDEX, HNXINDEX, rút ra đƣợc kết luận trong việc tiếp cận hƣớng quản lý rủi ro trên thị trƣờng chứng khoán tại Việt Nam.
4.2Hƣớng phát triển, mở rộng luận văn
Trong các mô hình dự báo mà tôi áp dụng thử nghiệm trong luận văn, một vài tham số của mô hình đƣợc tùy chọn một cách ngẫu nhiên dẫn đến kết quả của mô hình có thể chƣa đƣợc tối ƣu trong dự báo. Vì vậy hƣớng phát triển của luận văn tiếp theo là nghiên cứu các phƣơng pháp tối ƣu hóa tham số đầu vào của mô hình, kết hợp với các mô hình khai phá dữ liệu tiên tiến khác để tối ƣu kết quả dự báo.
Theo khảo sát của Lê Tuấn Bách [2] đã thực hiện khảo sát các mô hình phân tích dự báo rủi ro tại các công ty chứng khoán ở Việt Nam. Kết quả khảo sát cho thấy các mô hình phân tích dự báo biến động hầu nhƣ là các khái niệm hoàn toàn mới đối với các nhà làm tài chính thực tế. Ngay cả phƣơng pháp phân tích dự báo thống kê GARCH cũng ít ngƣời sử dụng. Chƣa kể đến phƣơng pháp khai phá dữ liệu (mô hình học máy) để dự báo biến động của thị trƣờng chứng khoán. Do đó, một định hƣớng riêng của tôi là tiếp tục nghiên cứu, tƣ vấn triển khai các mô hình dự báo biến động này ở Việt Nam theo h ƣớng triển khai các giải pháp cho các nhà đầu tƣ, các công ty tài chính tham gia đầu tƣ trên thị trƣờng chứng khoán Việt Nam.
TÀI LIỆU THAM KHẢO Tiếng Việt
1. Nguyễn Thị Hải Yến (2007), “Phân lớp bán giám sát và ứng dụng thuật toán SVM vào phân lớp trang Web”, Khóa luận tốt nghiệp đại học, trƣờng Đại học công nghệ - Đại học quốc gia Hà Nội.
2. Lê Tuấn Bách (2010),“Phân tích dự báo giá và rủi ro thị trường cổ phiếu niêm yết Việt Nam”, Luận văn thạc sỹ,trƣờng Đại học Kinh tế TP.Hồ Chí Minh.
3. Lƣ Nhật Vinh(2001), “Kết hợp mạng Nơron và Logic mờ để giải quyết bài toán kinh tế”, Luận văn thạc sỹ, trƣờng Đại học Khoa học Tự nhiên - ĐHQG TP.Hồ Chí Minh.
4. Thục Đoan, Cao Hào Thi, “Nhập môn kinh tế lượng với các ứng dụng”, Chƣơng trình Giảng dạy Kinh tế Fulbright.
Tiếng Anh
5. Alex J. Smola and Bernhard Scholkopf (2003), “A Tutorial on Support Vector Regression”, Machine Learning Department, Carnegie Mellon University.
6. HaiqinYang, Laiwan Chan, and Irwin King, (2002), “Support Vector Machine Regression for Volatile Stock Market Prediction”, Department of Computer Science and Engineering, The Chinese University of Hong Kong, trang 391–396
7. Jeremy Andre, Alfred Wechselberger, Shanbin Zhao, “Volatility Forecasting using SVM”, Project for CS229 Machine Learning, Stanford University.
8. MaxWelling , “Support Vector Regression”, Department of Computer Science, University of Toronto.
9. Rafik Nazarian, Nadiya Gandali Alikhani, Esmaeil Naderi, Ashkan Amiri, “Forecasting Stock Market Volatility: A Forecast Combination Approach”, MPRA Paper No. 46786, March 2013.
10.Richard Minkah, (2007), “Forecasting volatility”, U.U.D.M. Project Report 2007, Uppsala University.
11.Rob Reider, (2009), “Volatility Forecasting I: GARCH Models”, The Department of Mathematics at the Courant Institute.
12.Saurabh Karsoliya. (1996), "Approximating Number of Hidden layer neurons in Multiple Hidden Layer BPNN Architecture". International Journal of Engineering Trends and Technology- Volume3Issue6- 2012. 13.Sergiy Ladokhin, (2009), “Forecasting Volatility in the Stock Market”,
BMI paper.
14.Sergiy Ladokhin, (2009), “Volatility modeling in financial markets”, Master Thesis, VU University Amsterdam.
15.Shaikh A. Hamida, Zahid Iqbalb, (2004), “Using neural networks for forecasting volatility of S&P 500 Index futures prices”, Journal of Business Research 57 (2004) trang – 1125
16.Shiyi Chen, Kiho Jeong, Wolfgang Härdle, (2008), “Support Vector Regression Based GARCH Model with Application to Forecasting Volatility of Financial Returns”, SFB 649 Humboldt-Universität zu Berlin.
17.Torben G. Andersen, Tim Bollerslev, Francis X. Diebold and Heiko Ebens,(2001), “The Distribution of Stock Return Volatility”, Journal of Financial Economics, 61, trang 43-76.
Websites
18.http://www.start.stanford.edu/~tibs/sta306b/cvwrong.pdfPhƣơng pháp đánh giá chéo k-nhóm.
19.http://www.inside-r.org và http://www.r-project.org/ Ngôn ngữ R.
20.http://www.wikihow.com/Calculate-Historical-Stock-Volatility Tính độ biến động từ dữ liệu hàng ngày.
21.http://www.financebycountry.com/ Đánh giá thị trƣờng chứng khoán của một số nƣớc trên thế giới.
22.http://kernelsvm.tripod.com/Trang web hƣớng dẫn về SVR
23.http://www.investopedia.com/university/technical/techanalysis9.aspT rang web hƣớng dẫn phƣơng pháp phân tích kỹ thuật thị trƣờng