Mô hình xu thế và ứng dụng trong dữ liệu tài chính

Mô hình xu thế và ứng dụng trong dữ liệu tài chính Mô hình xu thế và ứng dụng trong dữ liệu tài chính Mô hình xu thế và ứng dụng trong dữ liệu tài chính Mô hình xu thế và ứng dụng trong dữ liệu tài chính

ĐẠI HỌC QUỐC GIA TP.HCM

TRƯỜNG ĐẠI HỌC KINH TẾ - LUẬT

BÁO CÁO TỔNG KẾT

ĐỀ TÀI NGHIÊN CỨU KHOA HỌC SINH VIÊN

THAM GIA XÉT GIẢI THƯỞNG “NHÀ KHOA HỌC TRẺ UEL”

NĂM 2022

Tên đề tài:

MÔ HÌNH XU THẾ VÀ ỨNG DỤNG TRONG DỮ LIỆU TÀI CHÍNH

Lĩnh vực khoa học: Kinh tế

Chuyên ngành: Tài chính- ngân hàng- chứng khoán- kế toán- kiểm toán, bảo hiểm - tíndụng

TP.HCM, Tháng 3 Năm 2022

Page of

MỤC LỤC

CHƯƠNG I: GIỚI THIỆU 5

1.1 Lí do chọn đề tài 5

1.2 Mục đích nghiên cứu 5

CHƯƠNG II: TỔNG QUAN VỀ LÝ THUYẾT 7

2.1 Nhận dạng mô hình xu thế 7

2.2 Ước lượng mô hình xu thế 8

2.3 Kiểm định sự phù hợp của mô hình 9

2.4 Đánh giá độ phù hợp của mô hình 10

2.5 Thực hiện dự báo 11

2.6 So sánh và lựa chọn mô hình phù hợp 12

CHƯƠNG III: MÔ HÌNH NGHIÊN CỨU 12

3.1 Khái niệm 12

3.2 Giới thiệu mô hình xu thế 12

3.3 Dự báo bằng mô hình xu thế 13

CHƯƠNG IV: KẾT LUẬN VÀ KIẾN NGHỊ 32

4.1 Kết luận 32

4.2 Kiến nghị sử dụng mô hình dự báo xu thế 32

TÀI LIỆU THAM KHẢO 32

DANH MỤC BẢNG BI BẢNG 2.1: Một số dạng hồi quy điển hình 7

BẢNG 2.2: Ước lượng các hàm xu thế trên Eview 8

BẢNG 2.3: Dự báo điểm với hàm xu thế 11Y BẢNG 3.1: Kết quả dự báo trên Eviews 18

BẢNG 3.2: Kết quả dự báo trên Eviews 22

BẢNG 3.3: Kết quả dự báo trên Eviews 26

BẢNG 3.4: Kết quả dự báo trên Eviews 30

DANH MỤC HÌNH Ả HÌNH 2.1: Đồ thị một số dạng hàm xu thế điển hình 8

Page of Y

HÌNH 3.1: Đồ thị thể hiện giá cổ phiếu của ngân hàng BIDV 14

HÌNH 3.2: Ước lượng mô hình xu thế tuyến tính trên Eviews 14

HÌNH 3.3: Kiểm định LM của Breusch-Godfrey 15

HÌNH 3.4: Giản đồ tự tương quan của phần dư 15

HÌNH 3.5: Kiểm định phương sai thay đổi 16

HÌNH 3.6: Kiểm định Jarque-Bera 16

HÌNH 3.7: Kết quả dự báo trên Eviews 17

HÌNH 3.8: Ước lượng mô hình xu thế bậc hai trên Eviews 19

HÌNH 3.9: Kiểm định LM của Breusch-Godfrey 19

HÌNH 3.10: Giản đồ tự tương quan của phần dư 20

HÌNH 3.11: Kiểm định phương sai thay đổi 20

HÌNH 3.12: Kiểm định Jarque-Bera 21

HÌNH 3.13: Kết quả dự báo trên Eviews 22

HÌNH 3.14: Ước lượng mô hình xu thế bậc ba trên Eviews 23

HÌNH 3.15: Kiểm định LM của Breusch-Godfrey 23

HÌNH 3.16: Giản đồ tự tương quan của mô hình 24

HÌNH 3.17: Kiểm định phương sai thay đổi 24

HÌNH 3.18: Kiểm định Jarque - Bera 25

HÌNH 3.19: Kết quả dự báo trên Eviews 26

HÌNH 3.20: Ước lượng và kiểm định dạng hàm tăng trưởng trên Eviews 27

HÌNH 3.21: Kiểm định LM của Breusch - Godfrey 28

HÌNH 3.22: Giản đồ tự tương quan của mô hình 28

HÌNH 3.23: Kiểm định phương sai thay đổi 28

HÌNH 3.24: Kiểm định Jarque – Bera 29

HÌNH 3.25: Đánh giá các hàm 31

DANH MỤC TỪ VIẾT TẮT

OLS: Phương pháp bình phương tối thiểu (Ordinary Least Square)

Tuy nhiên cũng phải tùy theo mục đích sử dụng cũng như dạng và tính chất của

bộ dữ liệu mà nhà dự báo mới chọn được mô hình phù hợp nhất Thực tế kinh doanh ở doanh nghiệp hay thực tế quản lý ở tổ chức của mình, cần phải dự báo một chỉ tiêu nào

đó nhưng dữ liệu trong quá khứ không nhiều hay gặp khó khăn về vấn đề thời gian, tốn nhiều kinh phí trong quá trình thu thập số liệu của nhiều biến khác có ảnh hưởng đến biến số cần dự báo thì phương pháp dự báo bằng mô hình xu thế là phù hợp nhất.Phương pháp dự báo bằng các mô hình xu thế giúp ta phản ánh một xu thế nào

đó một cách khoa học hơn những phán đoán thông thường ta hay sử dụng Ngày nay, các mô hình xu thế được sử dụng rộng rãi trong lĩnh vực kinh doanh, thiết lập và quản trị dự án, quản trị chuỗi cung ứng và logistics và là nhu cầu không thể thiếu trong mọi hoạt động kinh tế - xã hội, khoa học – kỹ thuật, được tất cả các ngành khoa học quan tâm nghiên cứu vì tính đơn giản và hiệu quả của nó trong thực tế

- Nhận biết được những trường hợp cụ thể có thể áp dụng mô hình xu thể trong

dự báo và khi nào hàm xu thế đóng vai trò tối ưu trong dự báo

- Nhận biết và phân biệt được các hàm xu thế

- Sử dụng được Eviews để thực hiện dự báo và đặc biệt là dự báo bằng mô hình

xu thế

1.3 Đối tượng và phạm vi nghiên cứu

Đối tượng: Dự báo các hiện tượng kinh tế trong tương lai Tình hình tài chính

của doanh nghiệp, hiệu suất cổ phiếu, dự báo lãi suất,

Page of

Phạm vi nghiên cứu:

- Nhóm tập trung dự báo bằng mô hình xu thế

- Về phần mềm sử dụng, nhóm tập trung sử dụng phần mềm Eviews để thực hiệncác phép tính cũng như dự báo cho mô hình xu thế

- Trong phạm vi nghiên cứu, nhóm quyết định dự báo dữ liệu lấy từ giá cổ phiếungân hàng BIDV từ ngày 24-12-2021 đến 24-1-2022

Tóm tắt:

Trong các lĩnh vực đời sống nói chung và kinh tế, tài chính nói riêng.Việc dự báo, phỏng đoán tương lai để ra kế hoạch chuẩn bị là rất cần thiết Đốivới các nhà kinh tế, nhà đầu tư có thể dùng các mô hình dự báo để cung cấpthêm một góc nhìn về tương lai từ đó có thể gia tăng độ chính xác và tự tin vềquyết định của họ Trong đó, dự báo bằng mô hình xu thế là một phương phápkhá đơn giản Thông qua việc tìm hiểu và phân tích giá cổ phiếu của BIDV từngày 24-12-2021 đến 24-01-2022 từ đó hiểu được tình hình thị trường cổ phiếucủa BIDV như thế nào Bằng việc phân tích bằng hàm xu thế và đặc biệt là hàm

xu thế bậc ba ta phần nào thấy dự báo giá cổ phiểu Tuy nhiên, vẫn còn một sốđiểm hạn chế vì mô hình xu thế còn khá cứng nhắc không thể dựa hoàn toànvào dữ liệu quá khứ mà còn bị ảnh hưởng bởi nhiều yếu tố khác Từ đó, đưa ramột số kiến nghị để khắc phục những hạn chế đó

Với các bộ dữ liệu có tính xu thế, bằng cách thực hiện một hàm hồi quythích hợp giữa biến cần dự báo (Y) và thời gian (t), ta có thể dự báo các giá trịtrong tương lai Trong bài nghiên cứu này, nhóm dùng các phương pháp nghiêncứu định lượng, áp dụng mô hình với dữ liệu tài chính trong thực tế để hiểu rõ

và kiểm định tính đúng đắn, khả thi của mô hình xu thế trong thực nghiệm Qua

đó rút ra kết luận kèm theo kiến nghị khi sử dụng mô hình

Qua bài nghiên cứu chúng tôi thấy mặc dù mô hình xu thế là thường được sử dụng với dữ liệu tài chính nói chung, mà cụ thể là hàm xu thế bậc ba với dữ liệu BIDV nói trên đã phần nào dự báo được giá cổ phiếu, nhưng trên thực tế thì dùng mô hình xu thế còn khá rập khuôn, cứng nhắc không thể dựa hoàn toàn vào dữ liệu lịch sử vì còn phải xét theo nhiều khía cạnh khác Vì vậy, ngoài việc sử dụng hàm xu thế thích hợp còn phải kết hợp nhiều yếu tố vĩ mô bên ngoài, các chỉ số kinh tế, tình hình chính trị,v.v… đặc biệt là các ý kiến chủquan, kinh nghiệm đúc kết của các cá nhân

Page of

CHƯƠNG II: TỔNG QUAN VỀ LÝ THUYẾT

2.1 Nhận dạng mô hình xu thế

Giả sử ta có dữ liệu của biến phụ thuộc Y theo thời gian (Time), làm cách nào t

mà ta biết được xu thế trong dữ liệu sẽ tuân theo hàm nào? Cách đơn giản nhất để nhậndạng là vẽ đồ thị của biến phụ thuộc ( Y ) theo thời gian (Time), sau đó xem thử đồ thịt

đó biến động gần với dạng đồ thị của hàm số tương ứng với các dạng hàm nào

BẢNG 2.1: Một số dạng hồi quy điển hình

B Bậc hai Yt =β0 +β Time + β Time +u1 2 2 t (5.2)

C Bậc ba Yt =β0 +β Time + β Time + β Time + u1 2 2 3 3 t (5.3)

D Tuyến tính – log Yt =β0 +β ln(Time) + u1 t (5.4)

G Log – tuyến tính ln(Y )= β +β Time + ut 0 1 t (5.7)

Ba dạng hàm đầu tiên được gọi là các hàm đa thức Ngoại trừ mô hình “Tăng trưởng mũ” là mô hình hồi quy phi tuyến tính theo các tham số, các mô hình còn lại

đều là các mô hình hồi quy tuyến tính theo tham số Người ta không ước lượng môhình “Tăng trưởng mũ” một cách trực tiếp bằng phương pháp OLS được, mà ướclượng nó gián tiếp qua mô hình “Log_tuyến tính” Chúng ta có thể dễ dàng nhận thấyđược nếu lấy hai vế của phương trình hồi quy ở mô hình ln “Tăng trưởng mũ”, sẽ cóđược kết quả như mô hình “Log_tuyến tính”

Trong các phương trình ở trên, chúng ta gặp một số hạng được ký hiệu là - sai

số của mô hình Trong các chương trình dự báo luôn có nó vì dữ liệu trong thực tế

không phải lúc nào cũng hoàn toàn nằm trên đường xu thế của bạn hay nói cách khácthường tồn tại một sai số Và sai số này càng nhỏ càng tốt

2.2 Ước lượng mô hình xu thế

Các mô hình xu thế có thể là mô hình hồi quy đơn hoặc mô hình hàm hồi quybội Đối với các mô hình xu thế tuyến tính theo tham số thì ta có thể dùng phươngpháp OLS để ước lượng Với Eviews, có thể dễ dàng ước lượng các mô hình bằngcách gõ lệnh tương ứng vào cửa sổ lệnh

BẢNG 2.2: Ước lượng các hàm xu thế trên Eview

Ba trong số các giả định của mô hình hồi quy tuyến tính cổ điển là:

(1) Sai số dự báo tuân theo quy luật phân phối chuẩn,

(2) Phương sai của sai số là một hằng số không thay đổi

(3) Mô hình không bị hiện tượng tự tương quan (Gaynor & Kirkpatrick, 1994).Nếu phát hiện ra một trong số giả định này bị vi phạm, kết quả kiểm định hệ số độ dốc

sẽ không còn hiệu lực nữa vì các hệ số độ dốc ước lượng sẽ bị chệch

2.3.1 Sai số dự báo tuân theo quy luật phân phối chuẩn bằng kiểm định Jarque-Bera

Xét cặp giả thuyết:

Ho: Sai số dự báo tuân theo quy luật phân phối chuẩn

H1: Sai số không tuân theo quy luật phân phối chuẩn

Kết quả kiểm định này dễ dàng thực hiên trên Eview

 Nếu Prob của F-statistic > 0.05 thì chấp nhận Ho, bác bỏ H1 Vậy mô hình có sai số

dự báo tuân theo quy luật phân phối chuẩn

2.3.2 Kiểm tra giả thuyết phương sai của sai số không đổi bằng kiểm định White

Xét cặp giả thuyết:

Ho: không có hiện tượng phương sai thay đổi

H1: có hiện tượng phương sai thay đổi

Kiểm định White:

Page of Đây là kiểm định tổng quát về phương sai không thay đổi do White đề xuất không lệthuộc vào giả thuyết về quy luật chuẩn và được thực hiện dễ dàng trên Eview.

 Nếu Prob của F-statistic > 0.05 thì chấp nhận Ho, bác bỏ H1 Vậy mô hình không

có hiện tượng phương sai thay đổi

2.3.3 Kiểm tra giả thuyết mô hình không có hiện tượng tự tương quan

Xét cặp giả thuyết:

Ho: Mô hình không có hiện tượng tự tương quan

H1: Mô hình có hiện tượng tự tương quan

 Nếu Prob của F-statistic > 0.05 thì chấp nhận Ho, bác bỏ H1 Vậy mô hình không

có hiện tượng tự tương quan

Nếu một trong số giả định này bị vi phạm, kết quả kiểm định hệ số độ dốc sẽ không còn hiệu lực nữa vì các hệ số ước lượng sẽ bị chệch

Kiểm định ý nghĩa thống kê của các hệ số hồi quy

Xét cặp giả thuyết:

Sử dụng p-value để kiểm định Với là mức ý nghĩa, nếu p-value < thì bác bỏ Ho, tức

là hệ số hồi quy có ý nghĩa thống kê và ngược lại

2.4 Đánh giá độ phù hợp của mô hình

Đánh giá độ phù hợp của mô hình thông qua để thấy được bao nhiêu phần trăm sựbiến thiên của biến phụ thuộc được giải thích bởi mô hình

Dưới đây là công thức để tính dự báo điểm với từng dạng mô hình

BẢNG 2.3: Dự báo điểm với hàm xu thế

Page of

Bậc ba t =0 + Time + Time + Time1 2 2 3 3 (5.10)

: là giá trị dự báo điểm tại thời điểm dự báo

se() : là sai số chuẩn của hàm dự báo cho các giá trị cá biệt tại thời điểm dự báo t.Khoảng dự báo cho mô hình tăng trưởng mũ được tính theo công thức sau:

Exp [ ln() + ]

Trong đó:

^ 2

Có 2 cách thường được sử dụng để chọn ra mô hình phù hợp:

Cách một, vẽ đồ thị biểu diễn giá trị thực tế, và giá trị dự báo của hai mô hìnhlên cùng một đồ thị Sau đó, ta sẽ chọn mô hình nào có đường biểu diễn giá trị thức tếhơn Tuy nhiên, có đôi khi bằng trực quan chúng ta không thể phân biệt được đường

Page of nào bám sát đường giá trị thực tế hơn Do vậy, cách 2 là so sánh các chỉ tiêu đo lường

độ chính xác của mỗi mô hình, chúng ta sẽ chọn mô hình nào có độ chính xác tốt hơn

CHƯƠNG III: MÔ HÌNH NGHIÊN CỨU

3.1 Khái niệm

Xu thế là sự biến thiên tăng hay giảm thông qua sự quan sát các dữ liệu trong một khoảng thời gian nhất định Hiện tượng này có thể được diễn giải bằng một đồ thị đường thẳng (xu thế tuyến tính) hay dạng đồ thị đường cong (xu thế phi tuyến) theo biến thời gian t Một cách cụ thể thì mô hình hóa xu thế bằng cách thực hiện và điều chỉnh để tìm ra một hàm hồi quy thích hợp giữa biến cần dự báo (biến Y) và thời gian (biến t)

3.2 Giới thiệu mô hình xu thế

3.2.1 Phương pháp dự báo xu thế

Mô hình dự báo xu thế này sử dụng:

 Các hàm đa thức

 Mô hình hồi quy phi tuyến tính theo các tham số

 Các mô hình hồi quy tuyến tính theo tham số

3.2.2 Ưu điểm và nhược điểm của mô hình

- Ưu điểm: Việc sử dụng mô hình xu thế để dự báo các chỉ số kinh tế - xã hội là

một trong những phương pháp đơn giản nhất mà vẫn hữu ích, hiệu quả trong việc dự báo các khuynh hướng của một chỉ số kinh tế nào đó Mô hình giúp dự báo giai đoạn tăng trưởng của một chu kỳ kinh doanh, hay một sự đoán trước các vận động của một chỉ số nào đó ảnh hưởng đến việc kinh doanh để mà từ đóchủ thể kinh doanh có thể đưa ra được các quyết định cũng như là các chính sách phù hợp cho doanh nghiệp

- Nhược điểm: Tuy nhiên, các mô hình dự báo xu thế chỉ đơn thuần là những

con số thống kê mô tả đơn giản, bằng việc thông qua các dữ liệu đã xảy ra tronglịch sử, hoặc việc sử dụng các mô hình này là quá cứng nhắc, gò bó chúng ta vào một khuôn mẫu có sẵn, mà trên thực tế thì không thể đoán trước được Vì còn nhiều yếu tố ảnh hưởng khác chẳng hạn như những chỉ số, vấn đề khác ảnh hưởng đến chỉ số mà ta quan sát hay những hiện tượng xã hội xảy ra thực tiễn làm ảnh hưởng đến chỉ số quan sát Do đó mô hình không thể phản ánh được chính xác hoàn toàn

- Dựa trên giả định rằng: sự vận động của dữ liệu trong quá khứ vẫn sẽ tiếp tục

trong hiện tại và tương lai Tuy nhiên có thể dễ dàng nhận thấy rằng trong tương

Page of lai thì bất kỳ một biến số kinh tế - xã hội nào cũng có thể thay đổi, đều chứa một yếu tố rủi ro nhất định.

3.2.3 Ứng dụng của mô hình dự báo xu thế

Thực hiện dự báo thông qua các mô hình xu thế được sử dụng phổ biến trong các lĩnh vực vì tính đơn giản và dễ thực hiện trong thực tiễn, đặc biệt là lĩnh vực kinh doanh quản trị Mô hình sẽ giúp phản ánh được tiềm năng hay những bất cập mà một thực thểkinh doanh có thể gặp phải trong tương lai

Trên thực tế thì việc kinh doanh ở các công ty hay quản lý ở các tổ chức cần phải dự báo một chỉ số hay chỉ tiêu nào đó để đưa ra quyết định phù hợp Tuy nhiên thì dữ liệu quá khứ không có nhiều và cũng khó có thể đáp ứng được việc thu thập dữ liệu của nhiều biến số khác có khả năng tác động đến chỉ số cần dự báo do điều kiện thời gian hay kinh phí không cho phép Khi đó thì phương pháp dự báo bằng các mô hình xu thế

sẽ được đưa vào thưc hiện

3.3 Dự báo bằng mô hình xu thế

Dữ liệu lấy từ giá cổ phiếu ngân hàng BIDV từ ngày 24-12-2021 đến 24-01-2022 Có

đồ thị theo biến Time (t):

HÌNH 3.1: Đồ thị thể hiện giá cổ phiếu của ngân hàng BIDV

từ ngày 24-12-2021 đến 24-01-2022

Ước lượng và kiểm định hàm tuyến tính:

Page of

HÌNH 3.2: Ước lượng mô hình xu thế tuyến tính trên Eviews Kiểm định hệ số

Ta có: Prob của hệ số hồi quy bằng 0.00 < 0.05 nên bác bỏ H chấp nhận H0, 1

 Hệ số hồi quy có ý nghĩa thống kê với mức ý nghĩa 5%

Kiểm định chẩn đoán

HÌNH 3.3: Kiểm định LM của Breusch-Godfrey

Xét cặp giả thuyết:

H0: (Mô hình không có hiện tượng tự tương quan)

H1: (Mô hình có hiện tượng tự tương quan)

Page of Kiểm định LM của Breusch-Godfrey cho thấy Prob của F-statistic là 0.2157 > 0.05

 Chấp nhận H , bác bỏ H , nên ở độ tin cậy 95%, mô hình không có hiện tượng tự0 1

tương quan

HÌNH 3.4: Giản đồ tự tương quan của phần dư

Các cột autocorrelation của đồ thị hệ số tự tương quan, tự tương quan riêngphần chủ yếu đều nằm trong giới hạn của các đường nét đứt và Prob của thống kê Q-Stat đều lớn hơn 0,05 nên không có dấu hiệu về hiện tượng tự tương quan

Kiểm định phương sai thay đổi

HÌNH 3.5: Kiểm định phương sai thay đổi

Xét cặp giả thuyết:

H0: “Mô hình không có hiện tượng phương sai thay đổi”

H1: “Mô hình có hiện tượng phương sai thay đổi”

Page of Kiểm định White cho thấy Prob của F-statistic là 0,8919 > 0,05

 Chấp nhận H , bác bỏ Vậy mô hình không có hiện tượng phương sai thay đổi.0

Kiểm định sai số dự báo tuân theo quy luật phân phối chuẩn- Kiểm định Bera

Jarque-HÌNH 3.6: Kiểm định Jarque-Bera

Xét cặp giả thuyết:

H0: Sai số dự báo có phân phối chuẩn

H1: Sai số dự báo không có phân phối chuẩn

Kiểm định Jarque-Bera cho Prob của F-statistic là 0,576074 > 0,05

 Chấp nhận H , bác bỏ nên mô hình có sai số dự báo tuân theo phân phối chuẩn.0

● Đánh giá mức độ phù hợp của mô hình hồi qui:.

H0: R =02

H : R 01 2

Thống kê F bằng 336.97 với Prob (F-statistic) = 0.000 < 0.05

 Bác bỏ H , chấp nhận H nên mô hình phù hợp với dữ liệu.0 1

● Thực hiện dự báo