TIỂU LUẬN NHÓM Môn học KINH TẾ LƯỢNG ỨNG DỤNG TRONG TÀI CHÍNH DỰ BÁO GIÁ CHỨNG KHOÁN CỦA CÔNG TY CHỨNG KHOÁN BSC

Xét thấy phần trên là nghiệm nghịch đảo của đa thức AR không có giá trị nào lớn hơn 1 không có nghiệm nào nằm ngoài vòng tròn đơn vị.. Suy ra Mô hình AR dừng.Xét thấy phần dưới là nghiệm

Trang 1

TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP HỒ CHÍ MINH

BÀI TIỂU LUẬN NHÓM

DỰ BÁO GIÁ CHỨNG KHOÁN CỦA CÔNG TY CHỨNG

KHOÁN BSC

Môn học: KINH TẾ LƯỢNG ỨNG DỤNG TRONG TÀI CHÍNHLớp: D01

GVHD: Th.S Đỗ Hoàng Oanh

Nhóm sinh viên thực hiện: NHÓM 2

Trang 3

ĐẦU TƯ VÀ PHÁT TRIỂN VIỆT NAM (BSC)

1 Tên đầy đủ: Công ty cổ phần Chứng khoán Ngân hàng Đầu tư và Phát triểnViệt Nam (HOSE: BSI)

Được cấp phép thành lập ngày 26/11/1999,

với tên giao dịch: Công ty TNHH Chứng khoán

Ngân hàng Đầu tư và Phát triển Việt Nam (BSC),

Công ty vinh dự trở thành Công ty chứng khoán đầu

tiên trong ngành ngân hàng tham gia kinh doanh

trong lĩnh vực chứng khoán và cũng là một trong hai

công ty chứng khoán đầu tiên tại Việt Nam

Trang 4

Nguồn dữ liệu được lấy từ website https://www.cophieu68.vn.

nếu phân phối xác suất đồng thời (joint probability distribution) của hai quan sát bất kỳ

mà không phụ thuộc vào thời điểm quan sát (t)

Một chuỗi dữ liệu thời gian được xem là dừng nếu như trung bình và phươngsai của phương trình không thay đổi theo thời gian và giá trị của đồng phương sai giữahai đoạn chỉ phụ thuộc vào khoảng cách hay độ trễ về thời gian giữa hai thời đoạn nàychứ không phụ thuộc vào thời điểm thực tế mà đồng phương sai được tính(Ramanathan, 2002)

Chuỗi thời gian Yt là dừng yếu hay dừng hiệp phương sai (Weak/

covariance/ second-order/ wide-sense stationary process) nếu:

[trung bình không đổi (là hằng số) với mọi t]

Phương sai: Var(Y t )=σ2=const

[phương sai không đổi (là hằng số) với mọi t]

Hiệp phương sai: Cov (Y t ,Y t−k )=E [(Y t −μ)(Y t−k −μ)]

Như vậy nếu E (Yt) và Var (Yt) đều là chuỗi dừng thì Cov (Yt, Yt-k) là chuỗidừng Do đó chuỗi chứng khoán là chuỗi dừng

Trang 5

Kiểm định tính dừng của dữ liệu giá đóng cửa của BSI từ ngày 04/09/2014 –22/09/2022, tương đương 2000 quan sát.

Để nhận định rõ BSI là chuỗi dừng hay không, ta cần sử dụng các dữ liệu trên đểtiến hành phân tích và dự báo cho toàn bộ bài

- Xét xu thế (trend):

Nhìn vào đồ thị ta thấy giai đoạn năm 2014 – 2020 chuỗi có dạng ổn định trongkhoảng thời gian này, nhưng nhìn chung tổng thể, nhìn từ năm bắt đầu (2014) đến nămkết thúc (2022) thì chúng ta thấy chuỗi có xu hướng đi lên Vì vậy chuỗi BSI là chuỗi

có trend đi lên

- Xét chu kỳ (Cyclical)

Chu kỳ là quy luật có tính chất lặp lại của dữ liệu theo thời gian, mà trong chuỗiBSI ta đang xét chỉ trong 8 năm và không có sự lặp lại, nên chuỗi dữ liệu thời gian BSI

Trang 6

- Ngẫu nhiên/bất thường (Ir - Irregular)

Trên đồ thị của chuỗi BSI các yếu tố bất thường biểu hiện giống độ nhiễu của

dữ liệu, các biến động không lặp lại theo một quy luật nào cả và xảy ra nhiều lần trongsuốt 8 năm (từ 2014 – 2022) với nhiều hình thức khác nhau

Kiểm tra tính dừng theo trung bình: E(Y t ) = µ = const, t, t=1,2,3… Ɐ

Ta chia chuỗi chứng khoán thành 2 phần:

+ Giai đoạn 1 (từ năm 2014 – 2020) có trung bình xấp xỉ 9

+ Giai đoạn 2 (từ năm 2020 – 2022) có trung bình xấp xỉ 30

Qua đó, ta thấy trung bình 2 đoạn không bằng nhau và có sự chênh lệch lớn, giátrị trung bình này không cân xứng và biến động khá nhiều Vì trung bình thay đổi nên

Trang 7

Kiểm tra tính dừng theo phương sai: Var(Y t ) = σ y, t Ɐ

Hoặc: E[Yt – E(Yt))2] = E[Yt - µ)2] = σ2y

Ta thấy giữa hai giai đoạn, phương sai của chuỗi BSI có sự biến động

+ Giai đoạn năm 2014 - 2020: giá trị thấp nhất xấp xỉ 7 và giá trị cao nhất xấp xỉ 14.

Lúc này chuỗi biến động ít cho thấy phương sai nhỏ

+ Giai đoạn năm 2020 - 2022: giá trị thấp nhất xấp xỉ 8 và giá trị cao nhất xấp xỉ 54.

Lúc này chuỗi bắt đầu có biến động lớn với độ biến động xấp xỉ 46

Trang 8

Kết luận: Xét theo phương sai, chuỗi chứng khoán BSI là chuỗi không dừng Kiểm tra hiệp phương sai: Cov (Y t ,Y t −k)=E[(Y t −μ)(Y t −k−μ)]

Từ những kết luận trên, vì chuỗi không dừng theo trung bình và chuỗi khôngdừng theo phương sai nên chuỗi không dừng theo hiệp phương sai

Kết luận: Chuỗi thời gian BSI không phải là chuỗi dừng

Dựa vào những phân tích trên, ta thấy chuỗi BSI có giá trị trung bình thay đổinhìn chung không cân xứng và có xu hướng biến động tăng lên (Chuỗi Trend lên,Phương sai và Covariance đều thay đổi) Ta có thể kết luận chuỗi BSI là không dừnghay nói cách khác mô hình BSI không thể dự báo giá trị tương lai dựa trên giá trị quákhứ

Trang 9

Thực hiện: Chọn chuỗi BSI – Chọn “View – Correlogram – OK”.

Ta được như sau:

Kết quả Correlogram của BSI có ACF không giảm về 0 do các hệ số tự tương

Trang 10

1 Tạo biến sai phân bậc 1 từ giá đóng cửa của BSI

“GENR BSI_1 = BSI(-1)”

“GENR SPBSI = BSI – BSI(-1)”

2 Vẽ Correlogram của chuỗi SPBSI

Thực hiện: Chọn SPBSI – Chọn “View – Correlogram – OK”

Trang 11

Hàm tự tương quan (Autocorrection function, ACF) hoặc biểu đồ tương quan

Hàm tự tương quan riêng phần (Partial autocorrelation, PACF) là biểu đồ cóđược khi vẽ các hệ số tự tương quan riêng phần, τkk, lần lượt tại kk = 1, 2, 3…

Do tồn tại tương quan trực tiếp giữa Y t và Y t −s (s ≤ p) và không tồn tại tươngquan trực tiếp giữa Y t và Y t −s (s > p), PACF thường có hệ số tự tương quan riêng phần

có hệ số tương quan riêng phần bằng 0 đối với các bậc trễ lớn hơn bậc trễ của mô hình(τkk = 0, kk > p)

Trang 12

Và các giá trị PACF lớn (nằm ngoài vùng bác bỏ) có đỉnh nhọn tại bậc trễ: 1, 2,

3, 5, 6, 8, 10, 11, 14, 15, 18, 19, 20, 22, 24, 26, 29, 31, 30, 32, 34, 36

Ta có mô hình ARIMA tổng quát có ký hiệu ARIMA (p, d, q), với:

- p là số bậc trễ của quá trình tự hồi qui, tương ứng với thành phần AR

Trang 23

Mô hình hồi quy kết hợp trung bình trượt – ARIMA (p, d, q)

Mô hình ARIMA (p, d, q) là sự tích hợp của 2 quá trình: quá trình tự hồi quy bậc p– AR(p) và quá trình trung bình trượt bậc q – MA(q) Mặt khác, trong kinh tế cácchuỗi thời gian thường là không dừng vì vậy cần phải dùng sai phân để làm cho chuỗithời gian trở thành chuỗi dừng Vì vậy mô hình này viết đầy đủ là mô hình ARIMA (p,

d, q) với p là bậc tự hồi quy, q là bậc trung bình trượt, d là bậc sai phân (hay là số lầnlấy sai phân) và (Nếu d = 0 thì chuỗi xuất phát là một chuỗi dừng thì áp dụng mô hìnhARMA (p, q))

Mô hình AR (Autoregressive): Mô hình tự hồi quy bậc p – AR(p)

- Mô hình tự hồi quy (AR) là mô hình mà giá trị hiện tại của biến số, Yt chỉ phụ thuộc vào: (i) giá trị của chính nó ở những giai đoạn trước đó, Yt-1, Yt-2 ; và (ii) sai số, ut

- Mô hình tự hồi qui bậc p, AR(p) trong đó p là bậc của quá trình tự hồi qui, cũng đồngthời là biến số độc lập trễ có dạng như sau:

Mô hình MA (Moving average) Mô hình trung bình trượt bậc q - MA

- Mô hình trung bình trượt (MA) là giá trị hiện tại của biến số, Yt chỉ phụ thuộc vào: (i) giá trị của chính nó ở những giai đoạn hiện tại và giai đoạn trước đó và (ii) sai số, ut

Trang 24

+ ^ut-q là sai số ở giai đoạn t-q.

quá khứ

I (Integrated)

- Là quá trình đồng tích hợp hoặc lấy sai phân Sai phân chỉ sự khác nhau giữa giá trịhiện tại và giá trị trước đó Phân tích sai phân nhằm làm cho ổn định giá trị trungbình của chuỗi dữ liệu, giúp cho việc chuyển đổi chuỗi thành một chuỗi dừng

- Sai phân có dạng:

Trang 25

Lệnh: LS SPBSI C AR(1) AR(2) MA(1) MA(2)

SPBSI t =0.0094−0.7217 AR(1)−0.8601 AR(2)+0.769 MA(1)−0.0712 MA(2)+^ut

⟺SPBSI t =0.0094−0.7217 DBSI t−1 −0.8601 DBSI t−2 +0.769 û t −1 −0.0712 û t−2 +ût

⟺ BSI t −BSI t −1 =0.0094−0.7217(BSI t −1 −BSI t−2 )−0.8601(BSI¿¿ t−2−BSI t−3 )+0.769 û t−1 −0.0712 û t −2 + û¿

Trang 26

SPBSI t =0.0092+0.3889 AR(1)−0.0573 AR(3)−0.3054 MA(1)+0.0598 MA(5)+^ut

⟺SPBSI t =0.0092+0.3889 DBSI t −1 −0.0573 DBSI t−3 −0.3054 û t−1 +0.0598 û t −5 + ût

⟺ BSI t −BSI t −1 =0.0092+0.3889(BSI t −1 −BSI t−2 )−0.0573(BSI¿¿t−3−BSI t−4 )−0.3054 û t −1 +0.0598 û t−5 +û¿

t

Trang 27

SPBSI t =0.0090−0.0650 AR(1)+0.0912 AR(10)+0.1290 MA(1)+0.0657 MA(5)+ ^ut

⟺SPBSI t =0.0090−0.0650 DBSI t −1 +0.0912 DBSI t−10 +0.1290 û t −1 +0.0657 û t −5 +ût

⟺ BSI t −BSI t −1 =0.0090−0.0650 (BSI t−1 −BSI t −2 )+0.0912(BSI¿¿t−10−BSI t −11 )+0.1290 û t−1 +0.0657 û t −5 + û¿

t

Trang 28

SPBSI t =0.0093+0.0995 AR(1)−0.0370 AR(15)−0.0256 MA(1)−0.1227 MA(19)+ ^ut

⟺SPBSI t =0.0093+0.0995 DBSI t−1 −0.0370 DBSI t −15 −0.0256 û t−1 −0.1227 û t−19 + ût

⟺ BSI t −BSI t −1 =0.0093+0.0995(BSI t −1 −BSI t −2 )−0.0370(BSI¿¿t−15−BSI t −16 )−0.0256 û t−1 −0.1227 û t−19 + û¿

t

Trang 29

SPBSI t =0.0093+0.5482 AR(1)+0.0228 AR(14)−0.4847 MA(1)−0.0763 MA(18)+^ut

⟺SPBSI t =0.0093+0.5482DBSI t −1 +0.0228 DBSI t −14 −0.4847 û t −1 −0.0763 û t −18 +ût

⟺ BSI t −BSI t −1 =0.0093+0.5482(BSI t −1 −BSI t−2 )+0.0228(BSI¿¿t−14−BSI t −15 )−0.4847 û t −1 −0.0763 û t −18 +û¿

t

Trang 30

SPBSI t =0.0090+0.4674 AR(1)+0.0412 AR(8)−0.3976 MA(1)−0.0595 MA(26)+ ^ut

⟺SPBSI t =0.0090+0.4674 DBSI t −1 +0.0412 DBSI t−8 −0.3976 û t−1 −0.0595 û t−26 +ût

⟺ BSI t −BSI t −1 =0.0090+0.4674(BSI t−1 −BSI t −2 )+0.0412(BSI¿¿t−8−BSI t−9 )−0.3976 û t−1 −0.0595 û t−26 +û¿

t

Trang 31

SPBSI t =0.0088+0.3456 AR(1)−0.0589 AR(26)−0.2715 MA(1)−0.0420 MA(28)+^ut

⟺SPBSI t =0.0088+0.3456 DBSI t−1 −0.0589 DBSI t −26 −0.2715 û t−1 −0.0420 û t−28 +ût

⟺ BSI t −BSI t −1 =0.0088+0.3456(BSI t −1 −BSI t −2 )−0.0589(BSI¿¿t−26−BSI t−27 )−0.2715 û t −1 −0.0420 û t−28 +û¿

t

Trang 32

SPBSI t =0.0088+0.5353 AR(1)+0.1518 AR (30)−0.4632 MA(1)−0.0684 MA(31)+^ut

⟺SPBSI t =0.0088+0.5353 DBSI t−1 +0.1518 DBSI t−30 −0.4632 û t −1 −0.0684 û t −31 +ût

⟺ BSI t −BSI t −1 =0.0088+0.5353(BSI t −1 −BSI t −2 )+0.1518(BSI¿¿t−30−BSI t −31 )−0.4632 û t−1 −0.0684 û t−31 +û¿

t

Trang 33

SPBSI t =0.0089+0.7481 AR(1)−0.0288 AR(15)−0.6990 MA(1)−0.0339MA(34)+ ^ut

⟺SPBSI t =0.0089+0.7481 DBSI t −1 −0.0288 DBSI t−15 −0.6990 û t −1 −0.0339 û t −34 + ût

⟺ BSI t −BSI t −1 =0.0089+0.7481(BSI t −1 −BSI t−2 )−0.0288(BSI¿¿t−15−BSI t −16 )−0.6990 û t −1 −0.0339 û t −34 + û¿

t

Trang 34

⟺SPBSI t =0.0092+0.2907 DBSI t−1 −0.0302 DBSI t−34 −0.2452 û t −1 −0.0467 û t −36 + ût

⟺ BSI t −BSI t −1 =0.0092+0.2907(BSI t −1 −BSI t −2 )−0.0302(BSI¿¿t−34−BSI t −35 )−0.2452 û t −1 −0.0467 û t −36 + û¿

t

Trang 35

1 Điều kiện dừng của mô hình AR

Nếu mô hình AR dừng, các sai số trong quá khứ sẽ có tác động giảm dần lên giá trịhiện tại của Yt theo thời gian

Điều kiện này còn được diễn giải là: nghịch đảo nghiệm đặc trưng nằm trong vòngtròn đơn vị

Điều kiện của AR(1) dừng là trị tuyệt đối tổng của các hệ số tự hồi qui phải nhỏ hơn

1 :¿∑

i=1

p

∅1| <1

2 Điều kiện dừng của mô hình MA

Thông thường điều kiện MA khả nghịch còn được diễn giải là nghịch đảo củanghiệm đặc trưng nằm trong vòng tròn đơn vị (bản chất giống AR)

Trang 36

Lệnh: LS SPBSI C AR(1) AR(2) MA(1) MA(2)

Kết quả được xuất ra như sau:

Nhận xét: dựa theo bảng ta thấy có 3 cột, cột đầu tiên là giá trị nghịch đảo của

nghiệm, cột thứ 2 là giá trị tuyệt đối Các nghiệm được sắp xếp theo trật tự từ cao đếnthấp theo giá trị tuyệt đối

Xét thấy phần trên là nghiệm nghịch đảo của đa thức AR không có giá trị nào lớn hơn

1 (không có nghiệm nào nằm ngoài vòng tròn đơn vị) Suy ra Mô hình AR dừng.Xét thấy phần dưới là nghiệm nghịch đảo của đa thức MA không có giá trị nào lớn hơn

1 (không có nghiệm nào nằm ngoài vòng tròn đơn vị) Suy ra Mô hình MA khả

Trang 37

Nhận xét: Xét thấy phần trên là nghiệm nghịch đảo của đa thức AR không có giá trị

nào lớn hơn 1 (không có nghiệm nào nằm ngoài vòng tròn đơn vị) Suy ra Mô hình ARdừng

Xét thấy phần dưới là nghiệm nghịch đảo của đa thức MA không có giá trị nào lớn hơn

Trang 38

Trang 39

Trang 40

Trang 41

Trang 42

Trang 43

Kết luận: Mô hình ARIMA (1,1,1) (26,1,28) dừng và khả nghịch Mô hình phù hợp Kiểm định mô hình 8: ARIMA (1,1,1) (30,1,31)

Trang 44

1 (không có nghiệm nào nằm ngoài vòng tròn đơn vị) Suy ra Mô hình MA khảnghịch

Kết luận: Mô hình ARIMA (1,1,1) (30,1,31) dừng và khả nghịch Mô hình phù hợp Kiểm định mô hình 9: ARIMA (1,1,1) (15,1,34)

Trang 45

Trang 47

1 (không có nghiệm nào nằm ngoài vòng tròn đơn vị) Suy ra Mô hình MA khảnghịch

Kết luận: Mô hình ARIMA (1,1,1) (34,1,36) dừng và khả nghịch Mô hình phù hợp.

Theo tất cả các kết quả của 10 mô hình đã cho, ta thấy tất cả nghiệm đều nằm trongvòng tròn đơn vị, có thể kết luận rằng Mô hình tích hợp ARIMA (p, d, q) của chuỗiBSI đủ điều kiện dừng và khả nghịch

BƯỚC 6: KIỂM ĐỊNH CHUẨN ĐOÁN MÔ HÌNH (LỰA CHỌN MÔ HÌNH PHÙ HỢP)

Trải qua quá trình lựa chọn mô hình ARIMA và ước lượng các tham số của nó, tiếptheo ta tìm hiểu xem mô hình lựa chọn có phù hợp với dữ liệu ở mức chấp nhận đượchay không

Cơ sở để lựa chọn mô hình gồm:

(1) Tiêu chuẩn thông tin (Information Criteria)

Ba tiêu chuẩn thông tin phổ biến thường được sử dụng là tiêu chuẩn thông tin Akaike

Information Criterion (AIC); tiêu chuẩn thông tin Schwarzs-Bayesian Information Criterion (SBIC) và tiêu chuẩn thông tin Hannan-Quinn Information Criterion

(HQIC):

AIC = ln(σ^2) + 2k T

SBIC = ln(σ^2) + T k lnT

HQIC = ln(σ^2) + 2k T ln(lnT)

Trang 48

mô hình đó càng cao AIC đo độ biến động của sai số, đó cũng là lý do chỉ số AIC

càng thấp càng tôt, mô hình dự báo càng chính xác

Schwarzs-Bayesian Information Criterion (SBIC) và Hannan-Quinn Information Criterion (HQIC) là các tiêu chí tin cậy khác cho việc lựa chọn mô hình trong số các

mô hình hữu hạn, mô hình có SBIC hoặc HQIC càng thấp thì càng được ưu thích

Bởi vì 3 tiêu chí thông tin trên đều phụ thuộc vào σ^2 là phương sai phần dư, nên

các tiêu chí trên càng nhỏ thì mô hình càng phù hợp

(2) Sự phù hợp của mô hình thể hiện qua hệ số R 2 và R 2 hiệu chỉnh (Adjusted R 2 ):

được thêm vào mô hình Nhưng sự phù hợp của mô hình là tiêu chí quan trong để đánhgiá khả năng giải thích của mô hình

R 2 là hệ số xác định cho biết mức độ phù hợp của mô hình nghiên cứu với ý

nghĩa là các biến Đồng thời còn giải thích nhân tố phụ thuộc đó đạt bao nhiêu phần

phù hợp

Adjusted R 2 là hệ số hiệu chỉnh được nghiên cứu giúp khắc phục nhược điểmcủa R bình phương thông thường Hệ số này cho phép ta đo độ thích hợp khi ta thêm

Tiêu đề	Dự báo giá chứng khoán của Công ty Chứng khoán BSC
Người hướng dẫn	Th.S Đỗ Hoàng Oanh
Trường học	Trường Đại học Ngân hàng Thành phố Hồ Chí Minh
Chuyên ngành	Kinh tế lượng ứng dụng trong tài chính
Thể loại	Bài tiểu luận
Năm xuất bản	2022
Thành phố	TP. Hồ Chí Minh

Định dạng
Số trang	59
Dung lượng	1,47 MB