Dự báo giá chứng khoán của Ngân hàng TMCP Sài Gòn Hà Nội với mô hình ARIMA

Bài viết "Dự báo giá chứng khoán của Ngân hàng TMCP Sài Gòn Hà Nội với mô hình ARIMA" trình bày mô hình dự báo ARIMA và thực hiện dự báo thử nghiệm cho giá chứng khoán của ngân hàng thương mại cố phần Hà Nội Sài Gòn (SHB). Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Dự báo giá chứng khoán của Ngân hàng TMCP Sài Gòn Hà Nội với mô hình ARIMA DỰ BÁO GIÁ CHỨNG KHOÁN CỦA NGÂN HÀNG TMCP SÀI GÒN HÀ NỘI VỚI MÔ HÌNH ARIMA ThS. Lê Văn Hùng Khoa Hệ thống Thông tin Quản lý, Học viện Ngân hàng Tóm tắt Trong những năm gần đây bài toán dự báo tài chính ngày càng được nhiều người quan tâm trong bối cảnh phát triển kinh tế xã hội ở Việt Nam hiện nay. Việc đầu tư vào thị trường chứng khoán đòi hỏi nhiều kinh nghiệm và hiểu biết của các nhà đầu tư. Các kỹ thuật khai phá dữ liệu được áp dụng nhằm dự báo sự lên xuống của thị trường là gợi ý tốt giúp cho các nhà đầu tư có thể đưa ra quyết định giao dịch đúng đắn. Trong bài viết này, tôi trình bày mô hình dự báo ARIMA và thực hiện dự báo thử nghiệm cho giá chứng khoán của ngân hàng thương mại cố phần Hà Nội Sài Gòn (SHB). Từ khóa: dự báo, sai phân, tính dừng, ARIMA, chứng khoán, giao dịch, nhà đầu tư, AR, MA, SHB, ACF, PACF. 1. Mở đầu Ra đời vào đầu năm 2000, thị trường chứng khoán Việt Nam đã trở thành một kênh đầu tư hết sức hấp dẫn đối với các nhà đầu tư, từ các tổ chức đầu tư chuyên nghiệp cho đến các nhà đầu tư cá nhân nghiệp dư nhỏ lẻ. Tuy nhiên, bên cạnh mức sinh lợi cao, đây cũng là hoạt động luôn tồn tại nhiều rủi ro tiềm ẩn bởi nhà đầu tư không phải lúc nào cũng dự đoán được chính xác xu hướng của giá cổ phiếu trong tương lai. Do đó, việc dự báo chính xác sự biến động giá của cổ phiếu để có một sách lược nhằm phục vụ cho công việc kinh doanh của các cá nhân, tổ chức hay hoạch định chiến lược của một quốc gia đã thu hút rất nhiều sự quan tâm của các nghiên cứu trong và ngoài nước. Trong những năm gần đây, khai phá dữ liệu trong cơ sở dữ liệu đang là một xu hướng quan trọng của nền công nghệ thông tin thế giới. Khai phá dữ liệu có khả năng ứng dụng vào rất nhiều lớp bài toán thực tế khác nhau. Lĩnh vực tài chính nói chung và lĩnh vực chứng khoán nói riêng lưu trữ một dữ liệu khổng lồ, bao gồm thông tin các mã cổ phiếu, thông tin giao dịch và khối lượng giao dịch ròng, thông tin dữ liệu về khách hàng… Có nhiều kỹ thuật để khai phá dữ liệu trong chứng khoán như mô hình cây quyết định, mô hình mạng neural, mô hình đa nhân tố BARRA, mô hình chuỗi thời gian, mô hình ARIMA… Trong bài viết này, tôi trình bày mô hình ARIMA để dự báo chứng khoán. Đây là một trong những mô hình dự báo tốt cho chứng khoán. Ngoài khả năng dự báo với độ chính xác cao, mô hình này còn có ưu điểm là mềm dẻo và thích nghi cao với môi trường, rất thích hợp cho bài toán dự báo với chuỗi dữ liệu thay đổi theo thời gian. 212 Các hệ thống chứng khoán thường là những hệ thống rất phức tạp vì vậy rất khó có thể dự đoán được dữ liệu của nó. Nó phụ thuộc vào rất nhiều yếu tố trong đó có những yếu tố không thể định lượng được như tâm lý, sự mù quáng của nhà đầu tư, … Mặc dù vậy thị trường chứng khoán không phải là một quá trình ngẫu nhiên và nó có quy luật của nó, có thể dự đoán được. Việc tìm ra được xu hướng của thị trường chứng khoán nhằm đưa ra những gợi ý hỗ trợ tốt cho nhà đầu tư chứng khoán. 2. Mô hình ARIMA (AutoRegressive Integrate Moving Average) 2.1. Hàm tự tuơng quan ACF [6][8] Hàm tự tương quan đo lường sự phụ thuộc tuyến tính giữa các cặp quan sát y (t ) và y (t  k ) ứng với thời đoạn k = 1, 2, 3, … (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. Giả thiết rằng các biến ngẫu nhiên trong chuỗi dừng thay đổi quanh giá trị trung bình μ với phương sai hằng số  2 . Khi đó, 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 μ. Khi đó, với mỗi chuỗi N điểm, giá trị rk của hàm tự tương quan tại độ trễ thứ k được tính như sau: N k 1 N   y (t )    y(t  k )    t 1 rk  (1) 2 N N 2  y (t )   y (t )     t 1 và  2  t 1 (2) N N Nếu rk  0 thì không có sự tự tương quan. 2.2. Hàm tự tương quan từng phần PACF [1][4][5][6][7] 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 giải từ phương trình hồi quy: k y (t  k )   Cki . y (t  k  i )  e(t ) (3) i 1 Ở đây e(t) là sai số ngẫu nhiên. Giải phương trình (3) bằng phương pháp Durbin ta được: 213 k 1 rk   Ck 1, j .rk  j j 1 Ckk  k 1 (4) 1   Ck 1, j .r j j 1 Ckj  Ck 1, j  Ckk .Ck 1,k  j (5) Trong đó: k  2,3,... j  1, 2,..., k  1 C11 ...