3.2.1 Dự báo bằng mô hình ARCH/GARCH
Mô hình GARCH chạy trên tập dữ liệu kiểm tra để dự báo biến động thị trƣờng ngày 01/07/2013. Kết quả thử nghiệm các mô hình đƣợc thể hiện trong bảng dƣới đây.
Tham số của mô hình
GARCH(1,1) GARCH(2,2)
VNINDEX HNXINDEX VNINDEX HNXINDEX
Α 0.92471046 0.99999999 α1: 0.92358524 α2: 0.00000001 α1: 0.99653953 α2: 0.00000001 Β 0.00000001 0.00000001 β1: 0.00000001 β2: 0.00000001 β1: 0.00000001 β2: 0.00000001
Ω 0.00013394 0.00010102 0.00013377 0.00010225 Log-likelihood 473.6418 460.6531 472.2404 459.0783
Bảng 3.2: Tham số của mô hình GARCH
Chỉ số Mô hình RMSE MAE MAPE VNINDEX GARCH(1,1) 0.009096027518 0.009096027518 6.053499053
GARCH(2,2) 0.009563314609 0.009563314609 6.364483377 HNXINDEX GARCH(1,1) 0.01206905 0.01206905 6.483781
GARCH(2,2) 0.01230717 0.01230717 6.611704 Bảng 3.3: Sai số mô hình GARCH trên tập dữ liệu kiểm tra
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 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% Bảng 3.4: Độ chính xác kết quả dự báo của mô hình GARCH so với thực tế
3.2.2 Dự báo bằng mô hình mạng nơ ron
Kiến trúc mạng nơ ron đƣợc lựa chọn thể hiện trong bảng dƣới đây.
Kiến trúc mạng
Loại Mạng nhiều lớp
Số lớp ẩn 1
Hàm kích hoạt Tuyến tính Số nơ ron trong lớp ẩn 3.[12]
Dữ liệu đầu vào 10giá trị biến động trƣớc thời điểm dự báo. [23] Giải thuật học Lan truyền ngƣợcđàn
hồivớitrọng sốquay lui. Tham số mô hình
Các tham số decay, sizeđƣợc lựa chọn ngẫu nhiên
Mô hình NN RMSE MAE MAPE VNINDEX 0.01408317139 0.008847549697 5.786719332 HNXINDEX 0.01441442 0.009425843 4.376282 Bảng3.6: Sai số dự báo của mô hình mạng nơ ron trên tập kiểm tra
Mô hình NN Giá trị thực tế Giá trị dự báo Độ chính xác
VNINDEX 0.2034469 0.1887491 92.776%
HNXINDEX 0.1514522 0.1579130 95.734%
Bảng 3.7: Độ chính xáckết quả dự báo của mô hình mạng nơ ron so với thực tế
3.2.3Dự báo bằng mô hìnhhồi quy vector hỗ trợ
Kiến trúc mô hình đƣợc lựa chọn thể hiện trong bảng dƣới đây.
Kiến trúc mạng
Loại eps-regression
Hàm nhân Radial
Dữ liệu đầu vào 10 giá trị biến động trƣớc thời điểm dự báo. [23]
Tham số mô hình Đƣợc tối ƣu theo phƣơng pháp đánh giá chéo k nhóm. [18]
Bảng 3.8: Kiến trúc mô hình SVR sử dụng dự báo biến động
Kết quả của dự báo của mô hình SVR đƣợc thể hiện trong bảng và hình dƣới đây:
Chỉ số RMSE MAE MAPE VNINDEX 0.01352901 0.007888988 4.571168 HNXINDEX 0.01420684 0.008783068 3.988082 Bảng 3.9: Sai số dự báo của mô hình SVR trên tập kiểm tra
Mô hình Giá trị thực tế Giá trị dự báo Độ chính xác
HNXINDEX 0.1514522 0.1547356 97.832%
Bảng 3.10: Độ chính xáckết quả dự báo của mô hình SVR so với thực tế
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.