tiểu luận dự báo kinh tế dự báo chỉ số VN index bằng mô hình ARIMA trong tháng 122019

I.
1.1.

TỔNG QUAN
Lời nói đầu

Thị trường chứng khoán là một trong những yếu tố cơ bản của nền kinh tế thị
trường hiện đại. Nó có chức năng huy động vốn cho nền kinh tế và cung cấp cho công
chúng một môi trường đầu tư lành mạnh, ngoài ra nó còn phản ánh tình trạng của nền
kinh tế. Đồng thời, đây cũng là một kênh đầu tư hết sức hấp dẫn, bởi mức sinh lợi mà thị
trường chứng khoán mang lại là rất lớn. Tuy nhiên, đây cũng là thị trường luôn tồn tại rủi
ro tiềm ẩn bởi không phải nhà đầu tư nào cũng dự đoán được chính xác xu hướng của giá
cổ phiếu trong tương lai. Vì vậy, trong bối cảnh nền kinh tế xã hội nói chung và thị
trường chứng khoán nói riêng luôn vận động không ngừng, bài toán tài chính ngày trở
nên quan trọng và được nhiều người quan tâm. Việc dự báo chính xác xu hướng của thị
trường sẽ giúp đề ra được một chiến lược đúng đắn nhằm phục vụ cho công việc kinh
doanh của các cá nhân hay tổ chức.
Xét đến thị trường chứng khoán nước ta, 2019 là năm thứ 23 thị trường chứng khoán
Việt Nam hình thành và phát triển. Trong suốt thời gian hoạt động đó, thị trường chứng
khoán đã phát huy rất tốt vai trò của mình, góp phần to lớn thúc đẩy nền kinh tế. Thị trường
chứng khoán nước ta gần đây có nh ững biến đ ộng mạnh. Năm 2018, thị trường chứng
khoán Việt Nam được đánh giá biến động mạnh mẽ hàng đầu thế giới, đây cũng là năm có
mức biến động mạnh nhất kể từ năm 2009 đến nay. Bước sang năm 2019, được đánh giá là
sẽ gặp nhiều khó khăn và thách thức, tuy nhiên theo số liệu mới nhất của Tổng Cục Thống
Kê cho thấy, qua 9 tháng đầu năm 2019, thị trường chứng khoán đã có nhiều đóng góp cho
việc huy động vốn cho nền kinh tế. Tuy nhiên, với các yếu tố bất lợi từ căng thẳng của cuộc
chiến tranh thương mại Mỹ- Trung, với bối cảnh nền kinh tế Việt Nam đang có tốc độ tăng
trưởng mạnh nhất 10 năm qua, thị trường chứng khoán sẽ có nhiều biến động.

Trước tình hình đó, việc nghiên cứu biến động của thị trường chứng khoán nước ta
trong thời gian sắp tới là cần thiết. Tại thị trường Việt Nam, xu hướng biến động của thị

trường được phản ánh rõ nét thông qua chỉ số chứng khoán VN-Index. Vì vậy, thông qua


việc dự báo làm tăng giảm của chỉ số VN-Index, ta có thể nhận biết được chiều hướng
biến động giá của các cổ phiếu trên thị trường.
Nghiên cứu chuổi thời gian để dự báo là một phương pháp hữu hiệu, được sử dụng
nhiều trong các lĩnh vực kinh tế, xã hội ở nhiều nước trên thế giới. Trong đó, mô hình
ARIMA được cho là đáng tin cậy hơn cả. Xuất phát từ những lý do nêu trên, nhóm tác giả
lựa chọn đề tài: “Dự báo chỉ số VN-Index bằng mô hình ARIMA trong tháng 12/2019”

1.2.

Các nghiên cứu đã thực hiện

Năm
Tác phẩm xuất Nội dung bản
Nguyễn

Ứng dụng mô hình 2015

Dự báo giá cổ phiếu mã chứng khoán

Thanh Phú

ARIMA vào dự báo

VCB.

giá chứng khoán

Kết quả cho thấy, chệnh lệch giá dự báo
và thực tế là 0.27%. Như vậy, sử dụng
mô hình ARIMA đ ể dự báo giá chứng
khoán có mức độ tin cậy khá cao

Bùi Quang Ứng dụng mô hình 2010

Dự báo giá cổ phiếu VN-Index

Trung,

Kết quả dự báo cho thấy giá trị xấp xỉ với giá trị

ARIMA đ ể

Nguyễn NV-Index
Quang Minh Nhi, Lê
Văn
Hiếu,
Nguyễn Hồ
Diệu Uyên

dự báo

thực tế với sai số sự báo 0.1506% và khoảng tin cậy
95% cũng chứa giá trị thị tế. Đi ều này cho thấy
mức đ ộ tin cậy của mô hình dự báo là khá cao


Dương Ngân Dự báo biến động của 2018

Dự báo chỉ số Vn-Index trong 10 ngày

Hà

chỉsốVN-Index

Kết quả dự báo cho thấy, sai số dự báo

thông qua khối lượng

bình quân của mô hình là 0.68%, đây là

giao dịch ròng và giá

kết quả dự báo gần chính xác về biến

trị giao dịch ròng của

động của chỉ số VN-Index.

nhà đầu tư nước ngoài


II.

PHƯƠNG PHÁP NGHIÊN CỨU
2.1.

Dữ liệu nghiên cứu

Dữ liệu sử dụng trong bài nghiên cứu là giá đóng cửa hàng ngày của VN INDEX
trong thời gian từ ngày 03/01/2017 đến 06/12/2019. Dữ liệu này được thu thập từ trang
webside CafeF – Kênh thông tin kinh tế - tài chính Việt Nam ( />Để xác định xem chuỗi số liệu nghiên cứu có yếu tố thời vụ hay không cũng như
chuỗi số liệu được nghiên cứu cần sử dụng mô hình cộng hay mô hình nhân để thực hiện
tách riêng nhân tố mùa vụ, ta thực hiện như sau.
Mô tả chuỗi dự liệu thu được bằng lệnh Line VNINDEX

Hình 2. 1: Giá đóng cửa theo ngày của VNINDEX từ 03/01/2017 đến 06/12/2019


Từ đồ thị, ta có thể thấy được chuỗi số liệu cần dự báo có biên độ tương đối ổn
định. Từ đó, có thể kết luận rằng sử dụng mô hình cộng tính phù hợp hơn so với mô hình
nhân tính.
Tiếp đến, tiến hành kiểm tra tính mùa vụ của chuỗi số liệu. Ta nhận thấy, chuỗi giá
cần dự báo không thể vẽ được đồ thị mùa vụ (seasonal graph) chứng tỏ chuỗi trên không
có tính mùa vụ.
Để xem chi tiết mô tả bộ dữ liệu, ta thực hiện thao tác sau:
Trên cửa số Series: VNINDEX chọn View/ Descriptive Statistics & Tests/ Stats
Table, ta có một số mô tả thống kê như sau:
•

Số quan sát (Obserations) : 731

•

Giá trị trung bình (Mean) : 918.6823

•

Giá trị trung vị (Median) : 957.97

•

Giá trị lớn nhất (Maximum) : 1204.33

•

Giá trị nhỏ nhất (Minimum) : 672.01

•

Độ lệch chuẩn (Std.Dev.) : 121.42
Tất cả 731 quan sát của bộ dữ liệu này được nhóm tác giả sử dụng vào việc thiết

lập mô hình dự báo
2.2.

Phương pháp nghiên cứu

2.2.1. Giới thiệu phương pháp chuỗi thời gian
Phương pháp định lượng sử dụng những dữ liệu quá khứ theo thời gian, dựa trên
dữ liệu lịch sử để phát hiện chiều hướng vận động của đối tượng phù hợp với một mô
hình toán học nào đó và đồng thời sử dụng mô hình đó làm mô hình ước lượng. Tiếp cận
định lượng dựa trên giả định rằng giá trị tương lai của biến số dự báo sẽ phụ thuộc vào xu
thế vận động của đối tượng đó trong quá khứ, biến số dự báo sẽ giữ nguyên chiều hướng
phát triển trong quá khứ, phương pháp chuỗi thời gian dựa trên việc phân tích chuỗi quan
sát của một biến duy nhất theo thời gian

Với một chuỗi số liệu theo thời gian thông thường, các thành phần có thể có mặt
bao gồm:
•

Thành phần xu thế (Trend): Tt

•

Thành phần chu kỳ dài hạn (Cyclical): Ct

•

Thành phần mùa vụ (Seasonal): St

•

Thành phần ngẫu nhiên (Erratic): Et
Cụ thể hơn, mô hình cộng tính và nhân tính để dự báo cho biến Yt lần lượt được viết

dưới dạng:
• Yt = Tt + Ct + St + Et
•

Yt = Tt * Ct * St * Et
Nhìn chung, hàm xu thế, chỉ số thời vụ được xác định từng mô hình còn những nhân

tố biến động bất thường thường không thể dự báo được, do vậy, mô hình chỉ còn lại hai
nhân tố là biến động xu hướng và biến động thời vụ.
2.2.2. Mô hình ARIMA
Mô hình tích hợp trung bình trượt tự hồi quy (mô hình ARIMA – Auto Regressive

Integrated Moving Average) được tích hợp từ 3 quá trình: Tự hồi quy (AR) đối với các số
liệu kinh tế - xã hội, trung bình trượt (MA) đối với phần sai số của số liệu (hay phần
nhiễu ngẫu nhiên) và quá trình tích hợp hay sai phân (I) nhằm biến đổi chuỗi không dừng
thành chuỗi dừng trước khi thực hiện các thao tác phân tích và dự báo khác. Bản chất của
mô hình ARIMA là dự báo giá trị tương lai của một biến số (biểu thị theo chuỗi thời gian)
dựa trên giá trị quá khứ và các sai số ngẫu nhiên. Tuy nhiên, mô hình ARIMA chỉ thích
hợp cho việc phân tích, dự báo dữ liệu chuỗi thời gian có tính dừng.
Chuỗi dừng
Một chuỗi dữ liệu được coi như dừng nếu có đồng thời 3 đặc điểm sau:
•

Dữ liệu dao động xung quanh một giá trị cố
định E (Yt) = µ

•

Dữ liệu có giá trị phương sai không đổi theo thời gian


Var (Yt) =
•

"

Hiệp phương sai giữa hai thời đoạn t và k chỉ phụ thuộc vào độ trễ về thời gian
giữa hai thời đoạn này chứ không phụ thuộc vào thời điểm t
Cov (Yt, Yt+k) = Cov (Ys, Ys + k) = $ với mọi k Hậu quả
của chuỗi không dừng

Trong mô hình hổi quy cổ điển, giả định rằng sai số ngẫu nhiên có kì vọng bằng

không ( E(ut) = 0), phương sai không đổi và nhiễu không tương quan với nhau. Với dữ
liệu là chuỗi không dừng thì các giả thiết này bị vi phạm khiến cho các ước lượng và dự
báo không còn hiệu quả, điển hình là hiện tượng hồi quy giả mạo. Nghĩa là khi mô hình
tồn tại ít nhất một biến độc lập có cùng xu thế với biến phụ thuộc, khi ước lượng mô hình
ta thu được các hệ số có ý nghĩa thống kê và hệ số xác định R 2 cao, tuy nhiên điều này có
thể chỉ do xuất phát từ việc biến độc lập và biến phụ thuộc cùng xu thế chứ không phải
chúng có quan hệ chặt chẽ với nhau.
Trong thực tế, đặc biệt là đối với các chuỗi kinh tế - tài chính phần lớn đều là không

dừng.


III.

KẾT QUẢ DỰ BÁO VÀ PHÂN TÍCH
3.1. Quy trình dự báo

Nhóm nghiên cứu chọn dự báo bằng mô hình với quy trình thực hiện như sau:
-

Bước 1: Kiểm tra tính dừng
Để xem một chuỗi thời gian có dừng hay không, ta có thể sử dụng mô hình tự hồi

quy Yt = ρYt-1 + Ut, với giả thiết:
':

ρ = 1, Yt là chuỗi không dừng.
=: ρ < 1, Yt là chuỗi dừng.

+ Nếu chuỗi thời gian dừng ở bậc không ta có I(d=0)

+ Nếu sai phân bậc 1 của chuỗi dừng ta có I(d=1)
+ Nếu sai phân bậc 2 của chuỗi dừng ta có I(d=2)
-

Bước 2: Xác định bậc p, q của mô hình ARIMA
Sau khi kiểm định tính dừng, ta sẽ xác định bậc của thành phần AR và MA thông

qua giản đồ tự tương quan (ACF) và giản đồ tương quan riêng (PACF).
+ Mô hình tự hồi quy bậc p, kí hiệu AR(p) được viết như sau:
E

@=

∅' +

CF=

∅

C @DC

+

@

Giá trị p được xác định thông qua giản đồ tương quan riêng PACF.
+ Mô hình trung bình trượt bậc q, kí hiệu MA(q) được viết là:
J

@= ' +

IF= C @DI

+

@


Giá trị q được nhận dạng thông qua giản đồ tương quan riêng PACF.
-

Bước 3: Kiếm định các điều kiện giả định của mô hình
+ Kiểm định tính ổn định và khả nghịch
+ Kiểm đinh nhiễu trắng
+ Kiểm định chất lượng dự báo
Nếu kiểm định mô hình được lựa chọn không thỏa mãn thì quay lại từ giai đoạn

nhận dạng để lựa chọn mô hình khác hợp lý hơn.
-

Bước 4: Dự báo ngoài mẫu
Mô hình là phù hợp nếu vượt qua tất cả các kiểm định trên, sau đó mô hình sẽ

được sử dụng vào việc dự báo.
3.2.

Kết quả nghiên cứu

3.2.1. Kiểm định tính dừng
Chuỗi số liệu sử dụng trong mô hình ARIMA được giả định là chuỗi dừng, vì vậy

để dự báo cho chuỗi “VNINDEX” bằng mô hình này ta cần phải xem xét tính dừng của
chuỗi dữ liệu nghiên cứu. Trước tiên, dựa vào việc quan sát đồ thị của chuỗi số liệu, sau
đó tiến hành kiểm tra tính chất này thông qua kiểm định phổ biến: kiểm định nghiệm đơn
vị (unit root test).
Mở chuỗi VNINDEX → View → Unit Root Test → Chọn Level & Intercept
Ta thu được bảng kết quả sau:


Hình 3.1 Kiểm định tính dừng của chuỗi ở level
Tại mức ý nghĩa 5%, ta thấy P-value = 0.2757 > 5% → Chuỗi không dừng tại level,
thử tiếp tính dừng của chuỗi với sai phân bậc 1 bằng cách chọn 1st difference & Intercept.

Hình 3.2 Kiểm định tính dừng của chuỗi với sai phân bậc 1
Theo kết quả từ bảng 3.2, ta có thể thấy Prob = 0.0000, chứng tỏ chuỗi VNINDEX
đã dừng ở sai phân bậc 1 với mức ý nghĩa α=1%.
3.2.2. Xác định mô hình


Sau khi kiểm định được chuỗi VNINDEX đã dừng ở sai phân bậc 1, chúng ta bắt
đầu xác định mô hình thông qua thao tác lập mô hình Correlogram,
Mở chuỗi VNINDEX → View → Ch ọn 1st difference & Lags to include 35, ta
được bảng kết quả sau:


Hình 3.3 Lược đồ tương quan của biến VNINDEX


Từ kết quả ở hình 3.3, dựa vào giản đồ PACF để xác định p, ta thấy, p ở độ trễ 1 là
có ý nghĩa thống kê. Dựa vào giản đồ ACF để xác định q, ta thấy q ở các độ trễ 1, 3, 4, 34
là có ý nghĩa thống kê.

Lựa chọn mô hình với p=1; q=1, q=3, q=4 và q=34. Ta có kết quả ước lượng mô
hình “ls d(VNINDEX) c ma(1) ma(3) ma(4) ma(34) ar(1) ar(3)” như sau:
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

0.400380

0.421449

0.950008

0.3424

AR(1)

-0.716595

0.135665

-5.282088

0.0000

MA(1)

0.632787

0.139897

4.523241

0.0000

MA(4)

0.159343

0.036823

4.327298

0.0000

MA(34)

-0.063754

0.029626

-2.151982

0.0317

MA(3)

0.162145

0.040926

3.961925

0.0001

Bảng 3.4 Kết quả ước lượng mô hình ARIMA cho chuỗi VNINDEX
Từ kết quả trên, ta có thể thấy hai biến độc lập AR(1), MA(1), MA(3) và MA(4) có

ý nghĩa thống kê ở mức ý nghĩa α=1% và MA(34) có ý nghĩa thống kê ở mức ý nghĩa
α=5% và AR(3). Do đó có thể kết luận mô hình trên có ý nghĩa thống kê.
3.2.3. Kiểm định các điều kiện giả định của mô hình
• Kiểm định tính ổn định và khả nghịch
Với đi ều kiện các nghiệm trong mô hình phụ phải đáp ứng yêu cầu nằm trong
khoảng từ 0 đến 1 thì có nghĩa là mô hình này ổn định. Các nghiệm của mô hình lần lượt
là:
−0.68 ± 0.43 và −0.22 ± 0.14 đều nằm trong đường tròn đơn vị. Như vậy, mô hình này đã thoả mãn về tính khả nghịch

và ổn định của mô hình.

• Kiểm định nhiễu trắng


Giả thiết cơ bản của mô hình ARIMA là yếu tố ngẫu nhiên ut – phần không giải

thích được của biến phụ thuộc Yt, với các thông tin đã biết trong quá khứ Yt-1, Yt-2 ... và
ut-1, ut-2 ,.., - không thể giải thích (đầy đủ hay từng phần) hoặc dự báo từ các thông tin
trong quá khứ. Nói cách khác, ut phải là nhiễu trắng. Do đó, cần phải kiểm định giả thiết
“ut là nhiễu trắng”.
Tại cửa sổ ước lượng: View → Residual Diagnostics → Serial Correlation →
Correlogram - Q-statistics (kiểm tra với 12 bậc trễ liên tiếp), ta đư ợc bảng kết quả
Correlogram of Residuals

Hình 3.5 Kết quả kiểm định nhiễu trắng
Từ kết quả bảng 3.5, ta nhận thấy không có tự tương quan ở 12 độ trễ liên tiếp, ut
là nhiễu trắng. Như vậy, mô hình trên là thích hợp và có thể sử dụng để dự báo.


• Kiểm định chất lượng dự báo
Để thực hiện khảo sát kiểm

định chất lượng mẫu, nhóm nghiên cứu thực hiện dự

báo cho một đoạn ngẫu nhiên trong mẫu.

Cắt đoạn: 6/28/2019 7/12/2019

Hình 3.6 Kết quả kiểm định chất lượng mẫu
Từ kết quả hình 3.6, thấy được đoạn mẫu được chọn ngẫu nhiên (06/28/2019 –
7/12/2019) có sai số dự báo nhỏ hơn 5% - Mean Abs. Percent Error= 3.0610. Như vậy,
mô hình có chất lượng dự báo tốt.
Kết luận: Mô hình trên là thích hợp và có thể sử dụng để dự báo


3.2.4. Dự báo ngoài mẫu

Nhóm nghiên cứu lựa chọn dự báo chỉ số giá đóng cửa của VNINDEX trong giai
đoạn 13 ngày cuối năm 2019 (từ tháng 12/7/2019 đến tháng 12/20/2019). Vì vậy, đầu tiên

nhóm tác giả tiến hành mở rộng mẫu Range thành từ 01/03/2019 đến 12/20/2019. Sau đó,
nhóm tác giả chạy lại mô hình ARIMA “ls d(VNINDEX) c ma(1) ma(3) ma(4) ma(34)
ar(1)” .
Tiến hành dự báo giá ngoài mẫu bằng lệnh Forecast, ta thu được kết quả sau:

Hình 3.7 Dự báo ngoài mẫu


Ngày

VNINDEXF

Ngày

VNINDEXF

12/09/2019

964.7185

12/16/2019

967.2098

12/10/2019

966.1406

12/17/2019

967.1174

12/11/2019

965.3845

12/18/2019

967.9444

12/12/2019

966.4068

12/19/2019

967.0134

12/13/2019

966.4665

12/20/2019

967.8668

Bảng 3.8 Dự báo giá VNINDEX đến ngày 12/20/2019

Sau khi thu được kết quả dự báo của chuỗi VNINDEX, ta được chuỗi đã dự báo
có tên là VNINDEXF, thực hiện vẽ hai chuỗi này bằng đồ thị line, ta được hình sau:

Hình 3.9 Đồ thị giá VNINDEX và giá dự báo VNINDEXF


KẾT LUẬN
Nghiên cứu khả năng ứng dụng của mô hình ARIMA vào việc dự báo chỉ số giá
VNINDEX và mục đích tìm ra mô hình tốt nhất cho việc dự báo chỉ số giá VNINDEX tại
Việt Nam. Kết quả nghiên cứu cho thấy, mô hình ARIMA cho kết quả dự báo chỉ số giá
VNINDEX tốt và việc ứng dụng mô hình ARIMA đã được thực hiện ở một số nghiên cứu
trên thế giới.
Có thể thấy, mô hình dự báo trên cơ sở tác động của khối lượng giao dịch và giá trị
giao dịch của nhà đầu tư nước ngoài có khả năng đưa ra dự báo gần chính xác về sự biến
động của chỉ số VNINDEX. Tuy nhiên, do chỉ số thị trường còn chịu ảnh hưởng bởi rất
nhiều nhân tố khác nhau như các yếu tố từ phía thị trường tiền tệ, thị trường bất động sản
và các yếu tố khác như tâm lý nhà đầu tư… Hơn nữa, mô hình dự báo đưa ra chỉ xem xét
trên chuỗi thời gian biến động trong quá khứ, đây chính là nguyên nhân gây ra sai lệch
trong giá trị dự báo của mô hình VAR. Cũng bắt nguồn từ chính nguyên nhân về giá
chứng khoán trong quá khứ, chuỗi giá chứng khoán tại thị trường Việt Nam được đánh
giá là chưa phản ánh đầy đủ các thông tin có thể tác động tới giá.
Kết luận Kết quả dự báo cho thấy giá trị dự báo xấp xỉ với giá trị thực tế và khoản
tin cậy 95% cũng chứa giá trị thực tế. Điều này chứng tỏ độ tin cậy của mô hình dự báo là
khá cao. Trong một vài phiên giao dịch do tác động của các yếu tố ngoại lai lớn như tâm
lý nhà đầu tư, tác động của các thị trường chứng khoán khác, thông tin về sự thay đổi
chính sách...sẽ làm cho sai số dự báo tăng cao hơn. Do đó kết quả của mô hình vẫn chỉ
mang tính chất tham khảo nhiều hơn. Tuy nhiên có thể nói mô hình ARIMA là một mô
hình tốt để dự báo trong ngắn hạn.

TÀI LIỆU THAM KHẢO
-

Đại học Kinh Tế Huế, Ứng dụng mô hình ARIMA, ARCH và GARCH để dự báo chỉ
số VNIndex trong ngắn hạn />
-

Dương Ngân Hà , 18/07/2018, “Dự báo biến động của chỉ số VN-Index thông qua
khối lượng giao dịch ròng và giá trị giao dịch ròng của nhà đầu tư nước ngoài”
http://210.245.26.173:6788/tapchi/09.2018/system/archivedate/B%C3%A0i%20c%E1
%BB%A7a%20ThS.D%C6%B0%C6%A1ng%20Ng%C3%A2n%20H%C3%A0.pdf

-

GS.TS. Nguyễn Quang Dong, TS. Nguyễn Thị Minh, khoa Toán kinh tế, Đại học
Kinh tế Quốc dân, 2013, Giáo trình Kinh tế lượng

-

Ứng dụng mô hình Arima đ ể dự báo VN-Index />
-

Webside CafeF – Kênh thông tin kinh tế - tài chính Việt Nam />