TIỂU LUẬN NHÓM môn học KINH tế LƯỢNG ỨNG DỤNG TRONG tài CHÍNH dự báo GIÁ CHỨNG KHOÁN của CÔNG TY CHỨNG KHOÁN BSC

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

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 CHÍNH

Lớp: D01 GVHD: Th.S Đỗ Hoàng Oanh

Nhóm sinh viên thực hiện: NHÓM 2

Trang 2

TIEU LUAN MOI download : skknchat123@gmail.com moi nhat

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 triển

Việt Nam (HOSE: BSI)

Được cấp phép thành lập ngày 26/11/1999,với tên giao dịch: Công ty TNHH Chứng khoánNgân hàng Đầu tư và Phát triển Việt Nam (BSC),Công ty vinh dự trở thành Công ty chứng khoán đầutiên trong ngành ngân hàng tham gia kinh doanhtrong lĩnh vực chứng khoán và cũng là một trong haicông ty chứng khoán đầu tiên tại Việt Nam

Trang 4

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

Chuỗi thời gian Yt dừng/ chặt/ mạnh (Strictly/ Strong stationary process)

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

kỳ từ quá trình (Yt, Yt+s) chỉ phụ thuộc vào khoảng cách thời gian giữa các quan sát (s),

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: E(Y t )=μ=const

[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

Nếu E(Y t ) và Var (Y t ) không đồng thời là chuỗi dừng thì Cov (Y t ,Y t−k ) là chuỗikhông dừng Do đó chuỗi chứng khoán không 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 để tiến 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 gianBSI không có tính chu kỳ

- Xét yếu tố mùa (Sn - Season)

Trang 6

theo năm.

- 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, Ɐt, t=1,2,3…

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 nêntrung bình không phải là một hằng số Bên cạnh đó ta thấy chuỗi có trend đi lên suy rachuỗi không dừng theo trung bình E

Trang 7

Kiểm tra tính dừng theo phương sai: Var(Y t ) = σ 2 y, Ɐt

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

Giai đoạn 2014 – 2020 2020 – 2022

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

Có thể thấy mức biến động phương sai từ năm 2014 - 2020 xấp xỉ 7, có thể xem

là ổn định Nhưng giai đoạn năm 2020 - 2022 độ biến động xấp xỉ 46 Sự biến động

Trang 8

BSI có phương sai thay đổi.

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

Để nhận định rõ chuỗi BSI là chuỗi dừng hay không thì có thể dùng thêm kiểmđịnh Correlogram để xác định

Trang 9

Kiểm tra tính dừng của chuỗi bằng ACF và PACF

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 tươngquan đều nằm ngoài vùng bác bỏ 95% và trị thống kê Q đều lớn hơn giá trị bác bỏ(prob < 1%) Như vậy, chuỗi BSI không dừng tại bậc gốc

Trang 10

ĐỊNH TÍNH DỪNG CỦA SAI PHÂN BẬC 1.

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”

Ta thấy ACF của SPBSI giảm rất nhanh về 0, vậy có thể kết luận sai phân bậc 1của BSI dừng Vậy SPBSI là chuỗi dừng nên có thể dự báo giá chứng khoán

Trang 11

Hàm tự tương quan (Autocorrection function, ACF) hoặc biểu đồ tương quan(correlogram) là biểu đồ có được khi vẽ các hệ số tự tương quan (τs) tại các s = 0,1,2…

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 phầnkhác 0 đối với các bậc trễ nhỏ hơn hoặc bằng bậc trễ của mô hình (τkk ≠ 0, kk ≤ p) và

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)

Căn cứ vào ACF và PACF để xác định bậc của mô hình ARIMA (p, d, q), thực hiện

mô hình ARIMA:

Trang 12

đỉnh nhọn tại bậc trễ: 1, 2, 3, 5, 8, 10, 11, 14, 18, 19, 21, 22, 24, 26, 28, 29, 30, 31, 34,36.

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 p = 1, 2, 3, 5, 6,

Trang 13

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

Kết quả được xuất ra như sau:

Trang 14

Trang 15

Lệnh: LS SPBSI C AR(1) AR(10) MA(1) MA(5)Kết quả được xuất ra như sau:

Trang 16

Trang 17

Trang 18

Lệnh: LS SPBSI C AR(1) AR(8) MA(1) MA(26)Kết quả được xuất ra như sau:

Trang 19

Trang 20

Trang 21

Trang 22

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 qui bậc p, AR(p) trong đó p là bậc của quá trình tự hồi qui, cũng đồng thời làbiến 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

Trang 24

1u^t-1 + u^tTrong đó:

+ Hàm ý của mô hình MA(q) là Y tphụ thuộc vào giá trị của sai số hiện tại và sai số quá khứ

I (Integrated)

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

Trang 25

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 u^ t −1 −0.0712u^ t−2 +^ut

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 u^ t−1 −0.0712u^ t−

t

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 u^ t−1 +0.0598 u^ t −5+u^t

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 u^ t −1+ 0.0598u^ t−

Trang 27

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

SPBSI t =0.0090−0.0650 DBSI t −1 +0.0912 DBSI t−10 +0.1290 u^ t −1 +0.0657 u^ t −5 +^ut

BSI t −BSI t−1=0.0090−0.0650 (BSI t−1 −BSI t−2)+0.0912(BSI ¿ ¿t−10−BSI t −11)+ 0.1290u^ t−1 +0.0657 u^

Trang 28

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

SPBSI t =0.0093+0.0995 DBSI t−1 −0.0370 DBSI t −15−0.0256u^ t−1 −0.1227u^ t−19 + u^t

BSI t −BSI t−1=0.0093+0.0995(BSI t −1−BSI t−2 )−0.0370(BSI ¿¿ t−15−BSI t −16)−0.0256u^ t−1−0.1227

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+0.5482 DBSI t −1+0.0228 DBSI t −14−0.4847 u^ t −1−0.0763 u^ t −18 +^ut

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 u^ t−1−0.0763

Trang 30

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

SPBSI t =0.0090+0.4674 DBSI t −1 +0.0412 DBSI t−8 −0.3976 u^ t−1 −0.0595u^ t−26 +^ut

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 u^ t−1 −0.0595u^ 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 u^ t−1 −0.0420u^ t−28 +^ut

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 u^ t−1−0.0420

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 u^ t −1 −0.0684 u^ t −31 +^ut

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

Trang 33

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

SPBSI t =0.0089+0.7481 DBSI t −1−0.0288 DBSI t−15 −0.6990 u^ t −1−0.0339 u^ t −34 +u^t

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 u^ t−1 −0.0339

t

BSI t =0.0089+1.7481 BSI t−1+0.7481 BSI t−2−0.0288 BSI t−15−0.0288 BSI t−16 −0.6990 u^ t −1−0.0339 u^ t−

t

Mô hình 10: ARIMA (1,1,1) (34,1,36)

Trang 34

SPBSI t =0.0092+ 0.2907 DBSI t−1 −0.0302 DBSI t−34 −0.2452u^ t −1−0.0467 u^ t −36+u^t

BSI t −BSI t−1=0.0092+0.2907(BSI t −1−BSI t−2 )−0.0302(BSI ¿¿ t−34−BSI t −35)−0.2452u^ t−1−0.0467

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 vòng tròn đơn vị

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

p

1 :¿∑ ∅ 1| <1

i=1

2 Điều kiện dừng của mô hình MA

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

Điều kiện của MA khả nghịch là trị tuyệt đối tổng của các hệ số tự hồi qui phải nhỏhơn 1

Trang 36

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

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 lớnhơn 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) (2,1,2) dừng và khả nghịch Mô hình phù hợp.

Trang 37

Lệnh: LS SPBSI C AR(1) AR(3) MA(1) MA(5)

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 lớnhơn 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) (3,1,5) dừng và khả nghịch Mô hình phù hợp.

Định dạng
Số trang	60
Dung lượng	4,23 MB