ỨNG DỤNG TIN học TRONG dự báo và PHÂN TÍCH dữ LIỆU tài CHÍNH, CHỨNG KHOÁN

Dự báo thị trường bằng phương pháp định lượng được sử dụng một cách khá phổ biến trên thế giới.. Cơ sở lý thuyết về dự báo bằng phương pháp định lượng Các phương pháp định lượng dùng để

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN LỚP CAO HỌC CNTT QUA MẠNG – KHÓA 6

BÀI THU HOẠCH

MÔN HỌC: PHƯƠNG PHÁP NGHIÊN CỨU KHOA HỌC TRONG TIN HỌC

ĐỀ TÀI:

ỨNG DỤNG TIN HỌC TRONG DỰ BÁO VÀ PHÂN TÍCH

DỮ LIỆU TÀI CHÍNH, CHỨNG KHOÁN

Giảng viên: GS TSKH Hoàng Kiếm Sinh viên thực hiện: Nguyễn Hoàng Hạc MSSV: CH1101081

TP HCM, NĂM 2012

Theo Gaudin, chúng ta không thể bằng lòng với vốn kiến thức quá hạn hẹp thu nhận được trong những năm ngồi trên ghế nhà trường, mà phải học suốt đời, phải có đủ vốn kiến thức về phương pháp để tự mình học tập suốt đời

Kiến thức về phương pháp có thể được tích lũy trong kinh nghiệm lao động hay được tích lũy trong quá trình nghiên cứu các khoa học cụ thể, song bản thân phương pháp cũng có một hệ thống lý thuyết của riêng mình

Trong phạm vi của bài thu hoạch nhỏ này, chúng em sẽ trình bày một số vấn đề về phương pháp nghiên cứu khoa học nói chung và đặc biệt là trong ngành tin học Qua đây, chúng em cũng xin được gửi lời cảm ơn đến Giáo sư - Tiến sĩ Khoa học Hoàng Kiếm, người đã tận tâm truyền đạt những kiến thức nền tảng cơ bản cho chúng em về môn học

“Phương pháp nhiên cứu khoa học trong tin học” Bên cạnh đó cũng không thể không nhắc đến công lao trợ giúp của các chuyên gia cố vấn qua mạng thuộc Trung tâm phát triển CNTT – ĐH Quốc gia TP.HCM và toàn thể các bạn bè học viên trong lớp

MỤC LỤC

Mở đầu 2

PHẦN I: GIỚI THIỆU 5

I Cơ sở lý thuyết về dự báo bằng phương pháp định lượng 5

I.1 Dự báo chuỗi thời gian 5

I.2 Dự báo mô hình nhân quả 8

II Ứng dụng phương pháp định lượng dự báo trên thị trường chứng khoán 8

II.1 Dự báo chuỗi thời gian 9

II.2 Dự báo bằng mô hình nhân quả 9

II.3 Dự báo bằng mạng thần kinh (Neural Network) 10

PHẦN II: MÔ HÌNH ARIMA 12

I Mô hình ARIMA 12

I.1 Hàm tự tương quan ACF 12

I.2 Hàm tự tương quan từng phần PACF 14

II Mô hình AR(p) 17

III Mô hình MA(q) 18

IV Sai phân I(d) 18

V Mô hình ARIMA 19

VI Các bước phát triển mô hình ARIMA 20

VI.1 Xác định mô hình: 20

VI.2 Ước lượng tham số: 20

VI.3 Kiểm định độ chính xác: 20

VI.4 Dự báo : 21

PHẦN III: ÁP DỤNG MÔ HÌNH ARIMA VÀO BÀI TOÁN PHÂN

TÍCH DỮ LIỆU CHỨNG KHOÁN 22

I Mô hình ARIMA cho dự báo tài chính, chứng khoán 22

I.1 Dữ liệu tài chính 22

I.2 Mô hình ARIMA cho bài toán dự báo tài chính 22

I.3 Thiết kế mô hình ARIMA cho dữ liệu 23

I.3.1 Chọn tham biến 23

I.3.2 Chuẩn bị dữ liệu 23

I.3.3 Xác định thành phần p, q trong mô hình ARMA 24

I.3.4 Ước lượng các thông số của mô hình và kiểm định mô hình phù hợp nhất 24

I.3.5 Kiểm tra mô hình phù hợp nhất 24

I.3.6 Dự báo ngắn hạn mô hình 25

II Áp dụng 25

II.1 Dữ liệu 25

II.2 Nhận dạng mô hình 26

II.3 Ước lượng và kiểm định với mô hình ARIMA 27

II.4 Thực hiện dự báo 30

II.5 Kết luận 31

Tài liệu tham khảo: 32

PHẦN I: GIỚI THIỆU

Dự báo giá cổ phiếu, biến động của thị trường là một chủ đề thú vị, thu hút được

sự quan tâm của nhiều nhà đầu tư, chuyên gia, nhà khoa học Hiện nay, nhiều phương pháp dự báo đã được phát triển để dự báo xu hướng biến động giá cổ phiếu, thị trường hoặc tìm kiếm các cổ phiếu tiềm năng để đầu tư Ở Việt Nam, phương pháp phân tích và

dự báo được nhiều người biết đến nhất là phân tích kỹ thuật và phân tích cơ bản Bên cạnh đó, phương pháp phân tích và dự báo bằng định lượng thông quá các mô hình toán học đang dần được quan tâm

Trong tiểu luận này tôi giới thiệu những nguyên tắc cơ bản về phương pháp dự báo định lượng Tôi cho rằng đây là một phương pháp khá hiệu quả và giúp hạn chế những khiếm khuyết của 2 phương pháp dự báo phổ biến phân tích kỹ thuật và phân tích cơ bản

Dự báo thị trường bằng phương pháp định lượng được sử dụng một cách khá phổ biến trên thế giới Nhiều quỹ đầu tư đã thiết lập các hệ thống giao dịch tự động bằng phương pháp định lượng (quantitative trading) Hiệu quả từ phương pháp này đã được chứng minh tại rất nhiều thị trường Ưu điểm của phương pháp dự báo định lượng là những tín hiệu đưa khá khách quan, dựa vào tiêu chí của những chỉ tiêu thống kê từ mô hình Những tín hiệu mua bán được đưa ra dựa trên những phân tích khách quan nên giảm thiểu sự sai sót do yếu tố con người Dù vậy, nếu lạm dụng quá mức phương pháp này thì cũng sẽ tạo

ra những hệ quả xấu

I Cơ sở lý thuyết về dự báo bằng phương pháp định lượng

Các phương pháp định lượng dùng để dự báo dựa trên các mô hình toán với giả định rằng mối liên hệ giữa các yếu tố được thiết lập trong quá khứ sẽ lặp lại trong tương lai Nói cách khác phương pháp định lượng dựa trên dữ liệu quá khứ để phát hiện chiều hướng vận động trong tương lai của các yếu tố theo một quy luật nào đó Để dự báo diễn biến trong tương lai của một biến, người ta có thể sử dụng mô hình chuỗi thời gian hoặc

sử dụng biến nhân quả Ngoài ra, người ta còn sử dụng phương pháp khá phức tạp là Neural Network

I.1 Dự báo chuỗi thời gian

Các mô hình dự báo chuỗi thời gian là dự báo giá trị tương lai của một biến số nào

đó, bằng cách phân tích số liệu quá khứ và hiện tại của những biến số đó Giả định của dự báo chuỗi thời gian là sự vận động trong tương lại của biến dự báo sẽ giữ nguyên xu thế vận động trong quá khứ và hiện tại Như vậy, chỉ có chuỗi ổn định mới đưa ra được

những dự báo tin cậy Tính ổn định của chuỗi dữ liệu thể hiện qua tính “dừng”, đây là điều kiện quan trọng để phân tích và dự báo chuỗi thời gian

Dự báo quá khứ gọi là dự báo hậu nghiệm và dự báo các giai đoạn trong tương lai gọi là dự báo tiền nghiệm

Toàn bộ dự báo được phân chia làm 2 giai đoạn là dự báo hậu nghiệm (ex-post) và

dự báo tiền nghiệm (ex-ante)

- Giai đoạn dự báo hậu nghiệm: Là thời gian từ quan sát đầu tiên sau khi chấm dứt giai đoạn mẫu Yn+1 tới quan sát mới nhất YN Giai đoạn hậu nghiệm là giai đoạn kiểm nghiệm sự chính xác tính dự báo của mô hình Nếu như mô hình không đảm bảo độ chính xác theo yêu cầu thì lúc đó người dự báo cần tìm các giải pháp khác như tìm kiếm mô hình thay thế hoặc mở rộng mẫu dự báo

- Giai đoạn dự báo tiền nghiệm: Là giai đoạn dự báo tương lai Đây chính là mục tiêu của dự báo, nhưng vì chưa xảy ra nên không thể so sánh được Tuy vậy, một số tiêu chí thống kê sẽ cho chúng ta đánh giá được mức độ tin cậy của mô hình

Toàn bộ quá trình dự báo được tóm tắt ở sơ đồ sau:

I.2 Dự báo mô hình nhân quả

Mô hình dự báo này dựa trên sự tác động qua lại giữa các yếu tố với nhau, trong đó biến dự báo (biến phụ thuộc) có quan hệ nhân quả với các biến khác (biến độc lập)

Để thực hiện được dự báo theo mô hình nhân quả người làm dự báo dựa trên các lý thuyết về kinh tế, tài chính, các nghiên cứu thực nghiệm có liên quan, kinh nghiệm thực

tế Trước khi xây dựng mô hình người làm dự báo phải thiết lập các cơ sở lý thuyết, mối liên hệ giữa biến phụ thuộc (biến dự báo) và biến số khác (biến độc lập) Sau khi xác định các bước trên sẽ cần phải tiến hành thu thập dữ liệu, xây dựng, ước lượng mô hình, kiểm định giả thuyết và cuối cùng là thực hiện dự báo

Cơ sở lý thuyết cho việc dự báo biến động của thị trường chứng khoán đã được chứng minh khá rộng rãi Nhiệm vụ của nhà dự báo là thiết lập các mô hình để có thể dự báo những xu thế thị trường trong tương lai

Thực tế chúng ta phải chấp nhận rằng không có một mô hình nào là hoàn hảo để

dự báo mọi sự biến động của thị trường Việc dự báo bằng định lượng có thể sai sót khi gặp những cú sốc của các biến số ngoài mô hình khiến thị trường đảo chiều một cách đột ngột Ngoài ra, nếu nguồn dữ liệu đầu vào không được thu thập một cách khoa học, chính xác cũng có thể làm cho tính dự báo thiếu chính xác

Tại Việt Nam, nghiên cứu định lượng để dự báo thị trường chứng khoán xuất hiện chưa nhiều Nguyên nhân chính là lực lượng những người làm dự báo có đủ trình độ chuyên môn để thực hiện những phép toán phức tạp là khá ít Ngoài ra, do số liệu về kinh

tế, doanh nghiệp và thị trường chưa đủ dài và độ tin cậy chưa cao nên việc thực hiện các

dự báo trở nên khó khăn hơn

Dưới đây, Tôi xin đưa ra một số phương pháp dự báo như sau:

II.1 Dự báo chuỗi thời gian

Sử dụng chuỗi thời gian để dự báo giá cổ phiếu hoặc các chỉ số thị trường được sử dụng khá nhiều Phương pháp dự báo này có ưu điểm là chỉ sử dụng số liệu theo chuỗi thời gian nên khá phù hợp cho dự báo thị trường chứng khoán Tuy nhiên, nhược điểm của nó là không hiệu quả trong việc dự báo được xu thế dài hạn của thị trường

Mô hình chuỗi thời gian thường được sử dụng nhất là mô hình ARIMA và phương pháp Box-Jenkins Mô hình ARIMA (Autoregressive Integrated Moving Average - Tự hồi qui tích hợp Trung bình trượt), được George Box và Gwilym Jenkins (1976) nghiên cứu Phương pháp Box-Jenkins bao gồm bốn bước: nhận dạng mô hình thử nghiệm; ước lượng; kiểm định bằng chẩn đoán; và dự báo

Mô hình sử dụng để dự báo rủi ro ARCH/GARCH ARCH/GARCH được sử dụng khá phổ biến trong ngành tài chính để dự báo rủi ro Mô hình này dùng để dự báo độ giao động suất sinh lời của cổ phiếu theo thời gian Mô hình ARCH (Autogressive Conditional Heteroskedasticity) do Robert Engle và Clive Granger phát triển năm 1982 Mô hình GARCH (Generalised Autogressive Conditional Heteroskedasticity) được Tim Bollerslev

đề xuất năm 1986 để khắc phục những hạn chế của ARCH Ngày nay, GARCH được sử dụng một cách phổ biến và phù hợp với số liệu chuỗi thời gian ngắn như giá cổ phiếu trên thị trường

II.2 Dự báo bằng mô hình nhân quả

Mô hình nhân quả thường sử dụng số liệu bảng Trong dự báo chứng khoán, biến phụ thuộc (biến cần dự báo) là suất sinh lời của cổ phiếu, thị trường hay giá cổ phiếu và chỉ số thị trường Trong khi đó, các biến độc lập là các biến số của nền kinh tế như lạm phát, thất nghiệp, cung tiền, tăng trưởng công nghiệp, tăng trưởng bán lẻ, niềm tin tiêu dùng … hoặc là các biến số liên quan đến doanh nghiệp như lợi nhuận, tăng trưởng, giá hàng hóa liên quan đến quá trình sản xuất của doanh nghiệp Nói tóm lại là bất kỳ yếu tố nào tác động đến sự biến động của thị trường, giá cổ phiếu đều có thể trở thành biến độc lập sử dụng cho dự báo

Phương pháp này sử dụng các mô hình hồi quy để tìm mối liên hệ giữa biến phụ thuộc và biến độc lập Qua mô hình hồi quy, chúng ta có thể dự báo được xu thế và những nhân tố tác động đến biến động của giá chứng khoán hay thị trường

Ưu điểm của phương pháp này là có thể dự báo một cách khá chính xác xu hướng biến động dài hạn của giá cổ phiếu hay thị trường Tuy nhiên, việc thu thập dữ liệu là một công việc khó khăn và tốn nhiều chi phí Đối với Việt Nam, do các dữ liệu về doanh nghiệp và nền kinh tế còn ít nên áp dụng phương pháp dự báo này càng trở nên khó khăn

II.3 Dự báo bằng mạng thần kinh (Neural Network)

Lý thuyết Neural Network được phát triển từ những năm 1940 đến nay và đã được ứng dụng rộng rãi trong nhiều lĩnh vực Lý thuyết Neural Network nhanh chóng trở thành một hướng nghiên cứu triển vọng trong mục đích xây dựng các máy thông minh tiến gần tới trí tuệ con người Đối với lĩnh vực chứng khoán, Neural Network được sử dụng để dự báo thị trường, giá cổ phiếu Neural Network được xây dựng xuất phát từ một thực tế là

bộ não con người Có thể coi bộ não là một máy tính hay một hệ thống xử lý thông tin song song, phi tuyến và cực kỳ phức tạp Bộ não có khả năng tự tổ chức các bộ phận cấu thành của nó, như là các tế bào thần kinh (neural) hay các khớp nối thần kinh (synapse), nhằm thực hiện một số tính toán như nhận dạng mẫu và điều khiển vận động nhanh hơn nhiều lần các máy tính nhanh nhất hiện nay Sự mô phỏng bộ não con người của mạng neural được dựa trên cơ sở một số tính chất đặc thù rút ra từ các nghiên cứu về thần kinh sinh học

Dữ liệu đầu vào để thực hiện dự báo bằng Neural Network khá đa dạng và tùy thuộc vào trình độ, kinh nghiệm, mục tiêu dự báo và những cơ sở dữ liệu mà người làm

dự báo có Thông thường dữ liệu bao gồm các dữ liệu liên quan đến giao dịch cổ phiếu trên thị trường như giá, khối lượng… Ngoài ra, các dữ liệu trong nền kinh tế, dữ liệu của doanh nghiệp cũng có thể làm đầu vào cho quá trình dự báo Các thông tin đầu vào sẽ được xử lý bằng những thuật toán phức tạp thông qua tiến trình mô phỏng việc xử lý thông tin như bộ não con người

Hiện nay, có khá nhiều phần mền miễn phí về Neural Network được đăng tải trên mạng Internet Tuy nhiên việc vận dụng thành thạo để dự báo thị trường là một công việc không dễ dàng Để làm được điều này người dự báo cần phải có hàng loạt các kiến thức sâu rộng khác để bổ trợ

Trên đây tôi vừa giới thiệu những cơ sở lý thuyết và một số phương thức phổ biến

sử dụng để dự báo trên thị trường chứng khoán Ưu điểm của các phương pháp định lượng này là phân tích số liệu để đưa ra được những dự báo khách quan, để giảm thiểu rủi

ro của việc phân tích cảm tính của con người Tuy nhiên, áp dụng phương pháp định lượng trong dự báo sẽ có không ít thách thức và nó cũng không phải là phương pháp thay thế hoàn toàn trực giác trong đầu tư

Tôi cho rằng đây là một hướng phát triển trong tương lai đối với công tác dự báo với dự báo thị trường chứng khoán Việt Nam Tuy vậy, đây là công việc khó khăn và phức tạp, đòi hỏi người làm công tác dự báo cần có trình độ chuyên môn về kinh tế, tài chính, toán học và kinh nghiệm dự báo

Kết quả nghiên cứu bước đầu cho thấy phương pháp định lượng hoàn toàn có thể

áp dụng để dự báo đối với thị trường Việt Nam Sử dụng phương pháp định lượng dự báo thị trường khá hiệu quả và hiệu quả càng tăng lên khi kết hợp với các phương pháp dự báo khác

PHẦN II: MÔ HÌNH ARIMA

I Mô hình ARIMA

I.1 Hàm tự tương quan ACF

Hàm tự tương quan đo lường phụ thuộc tuyến tính giữa các cặp quan sát y(t) và y(t+k), ứng với thời đoạn k = 1, 2, …(k còn gọi là độ trễ) Với mỗi độ trễ k, hàm tự tương quan tại độ trễ k được xác định qua độ lệch giữa các biến ngẫu nhiên Yt Yt+k so với các giá trị trung bình, và được chuẩn hóa qua phương sai

Dưới đây, giả thiết rằng các biến ngẫu nhiên trong chuỗi dừng thay đổi quanh giá trị trung bình với phương sai hằng số Hàm tự tương quan tại các độ trễ khác nhau sẽ

có giá trị khác nhau

Trong thực tế, ta có thể ước lượng hàm tự tương quan tại độ trễ thứ k qua phép biến đổi trung bình của tất cả các cặp quan sát, phân biệt bằng các độ trễ k, với giá trị trung bình mẫu là , được chuẩn hóa bởi phương sai 2.Chẳng hạn, cho mỗi chuỗi N điểm, giá trị rk của hàm tự tương quan tại độ trễ thứ k được tính như sau :

yt: chuỗi thời gian dừng tại thời điểm t

yt+k : chuỗi thời gian dừng tại thời điểm t +k ^ : giá trị trung bình của chuỗi dừng

rk : giá trị tương quan giữa yt và yt+k tại độ trễ k

rk = 0 thì không có hiện tượng tự tương quan

Về mặt lý thuyết, chuỗi dừng khi tất cả các rk = 0 hay chỉ vài rk khác không Do chúng ta xem xét hàm tự tương quan mẫu, do đó sai số mẫu sẽ xuất hiện vì vậy, hiện tượng tự tương quan khi rk = 0 theo ý nghĩa thống kê

Khi hàm tự tương quan ACF giảm đột ngột, có nghĩa rk rất lớn ở độ trễ 1, 2 và có ý nghĩa thống kê (|t| >2) Những rk này được xem là những “đỉnh” và ta nói rằng hàm tự tương quan ACF giảm đột ngột sau độ trễ k nếu không có những “đỉnh” ở độ trễ k lớn hơn k Hầu hết hàm tự tương quan ACF sẽ giảm đột ngột sau độ trễ 1, 2

Nếu hàm tự tương quan ACF của chuỗi thời gian không dừng không giảm đột ngột

mà trái lại giảm nhanh nhưng đều: không có đỉnh, ta gọi chiều hướng này là “tắt dần”

Hàm tự tương quan ACF có thể “tắt dần” trong vài dạng sau :

Dạng phân phối mẫu

Dạng sóng sin

Hoặc kết hợp cả hai dạng trên

Sự khác nhau giữa hiện tượng “tắt dần” nhanh và “tắt dần” chậm đều được phân biệt khá tùy tiện

I.2 Hàm tự tương quan từng phần PACF

Song song với việc xác định hàm tự tương quan giữa các cặp y(t) và y(t+k), ta xác định hàm tự tương quan từng phần cũng có hiệu lực trong việc can thiệp đến các quan sát y(t+1), , y(t+k-1) Hàm tự tương quan từng phần tại độ trễ k Ckk được ước lượng bằng

hệ số liên hệ y(t) trong mối kết hợp tuyến tính bên dưới Sự kết hợp được tính dựa trên tầm ảnh hưởng của y(t) và các giá trị trung gian y(t+k)

y(t+k) = C k1 y(t+k-1) + C k2 y(t+k-2) + + C kk-1 y(t + 1) + C kk y(t) + e(t)

Giải phương trình hồi quy dựa trên bình phương tối thiểu vì hệ số hồi quy Ckj phải được tính ở mỗi độ trễ k, với j chạy từ 1 đến k

Giải pháp ít tốn kém hơn do Durbin phát triển dùng để xấp xỉ đệ quy hệ số hồi quy cho mô hình ARIMA chuỗi dừng, sử dụng giá trị hàm tự tương quan tại độ trễ k là rk và

hệ số hồi quy của độ trễ trước Dưới đây là phương pháp Durbin sử dụng cho 3 độ trễ đầu tiên

Độ trễ 1: Khởi tạo, giá trị của hàm tự tương quan từng phần tại độ trễ 1 có cùng

giá trị với hàm tự tương quan tại độ trễ 1 vì không có trung gian giữa các quan sát kết tiếp: C11 = r1

Độ trễ 2: Hai giá trị C22 và C21 được tính dựa vào hàm tự tương quan r2 và r1, cùng với hàm tự tương quan từng phần trước đó

Độ trễ 3: Tương tự, ba giá trị C33, C32, C31 được tính dựa vào các hàm tự tương quan trước r3, r2, r1 cùng với các hệ số được tính ở độ trễ thứ 2: C22 và C21

Tổng quan, hàm tự tương quan từng phần được tính theo Durbin : ∑

∑ Trong đó :

rk: Hàm tự tương quan tại độ trễ k v: Phương sai

Ckj : Hàm tự tương quan từng phần cho độ trễ k, loại bỏ những ảnh hưởng của các

độ trễ can thiệp

Ckj = Ck-1,j – (Ckk).C(k-1,k-j) k = 2,…; j = 1,2, …, k-1

C22 = (r2-r12)/(1-r12)

C11 = r1 Khi độ trễ tăng, số các hệ số tăng theo Phương pháp của Durbin cho phép việc tính đệ quy dựa vào việc sử dụng kết quả trước đó

Tóm lại, hàm tự tương quan ACF và hàm tự tương quan từng phần PACF của chuỗi thời gian có các đặc tính khác nhau Hàm tự tương quan ACF đo mức độ phụ thuộc tuyến tính giữa các cặp quan sát Hàm tự tương quan từng phần PACF đo mức độ phụ thuộc tuyến tính từng phần ARIMA khai thác những điểm khác biệt này để xác định cấu trúc mô hình cho chuỗi thời gian

Xu hướng vận động của hàm tự tương quan từng phần PACF có thể giảm đột ngột (thường sau độ trễ 1 hoặc 2) hay có thể giảm đều Cũng như hàm tự tương quan ACF, xu hướng giảm đều của hàm tự tương quan từng phần PACF cũng có các dạng phân phối mũ, dạng sóng hình sin hoặc kết hợp cả 2 dạng này

Dao động hàm mũ tắt dần (Damped Exponential)

Dao động tắt dần theo quy luật số mũ (Damped exponential oscillation)