Sử dụng mô hình arima trong dự báo

Chia sẻ: Dau Con | Ngày: | Loại File: PDF | Số trang:13

Thêm vào BST

Báo xấu

250
lượt xem 45
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Tham khảo tài liệu 'sử dụng mô hình arima trong dự báo', khoa học tự nhiên, toán học phục vụ nhu cầu học tập, nghiên cứu và làm việc hiệu quả

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Sử dụng mô hình arima trong dự báo

SÖÛ DUÏNG MOÂ HÌNH NG ARIMA TRONG DÖÏ BAÙO GIAÙ CAO HAØO THI 1 NOÄI DUNG Giôùi thieäu xaây döïng Moâ Hình ARIMA (Auto-Regressive Integrated Moving Average) Töï Hoài Qui Keát Hôïp Trung Bình Tröôït ÖÙng duïng döï baùo giaù caù soâng taïi Tp. HCM 2 1
GIÔÙI THIEÄU Hai loaïi moâ hình döï baùo chính: Moâ hình nhaân quaû Moâ hình chuoãi thôøi gian 3 Ñoái vôùi caùc chuoãi thôøi gian ARIMA thöôøng ñöôïc söû duïng ñeå döï baùo Theo moâ hình ARIMA, giaù trò döï baùo seõ phuï thuoäc vaøo caùc giaù trò quaù khöù vaø toång coù troïng soá caùc nhieãu ngaãu nhieân hieän haønh vaø caùc nhieãu ngaãu nhieân coù ñoä treã 4 2
MOÂ HÌNH ARIMA Tính döøng (Stationary) Tính muøa vuï (Seasonality) Nguyeân lyù Box-Jenkin Nhaän daïng moâ hình ARIMA Xaùc ñònh thoâng soá moâ hình ARIMA Kieåm ñònh veà moâ hình ARIMA 5 TÍNH DÖØNG NG Moät quaù trình ngaãu nhieân Yt ñöôïc xem laø döøng neáu Trung bình: E(Yt ) = const Phöông sai: Var (Yt ) = σ2 = const Ñoàng phöông sai: Covar (Yt , Yt-k ) = const 6 3
Nhaän bieát: Ñoà thò Yt = f(t) Haøm töï töông quan maãu (SAC – Sample Auto Correllation) γk ˆ = SAC ρk = ˆ γo ˆ ∑(Y −Y)(Y −Y) t t−k γ k = E[(Yt −Y)(Yt−k −Y) = = Cov(Yt ,Yt−k ) ˆ n ∑(Y −Y) 2 t γ o = E[(Yt −Y)2 ] = = VarYt ) ˆ ( n Neáu SAC = f(t) giaûm nhanh vaø taét daàn veà 0 thì chuoãi coù tính döøng 7 Kieåm ñònh Dickey-Fuller xaùc ñònh xem chuoãi thôøi gian coù phaûi laø Böôùc Ngaãu Nhieân (Random Walk); nghóa laø Yt = 1*Yt-1 + εt Neáu chuoãi laø Böôùc Ngaãu Nhieân thì khoâng coù tính döøng BIEÁN ÑOÅI CHUOÃI KHOÂNG DÖØNG THAØNH CHUOÃI DÖØNG: Laáy sai phaân baäc 1 hoaëc baäc 2 thì seõ ñöôïc moät chuoãi keát quaû coù tính döøng Chuoãi goác: Yt Chuoãi sai phaân baäc 1: Wt = Yt – Yt-1 Chuoãi sai phaân baäc 2: Vt = Wt – Wt-1 8 4
TÍNH MUØA VUÏ Tính muøa vuï laø haønh vi coù tính chu kyø cuûa chuoãi thôøi gian treân cô sôû naêm lòch Tính muøa vuï coù theå ñöôïc nhaän ra döïa vaøo ñoà thò SAC = f(t). Neáu cöù sau m thôøi ñoaïn thì SAC laïi coù giaù trò cao thì ñaây laø daáu hieäu cuûa tính muøa vuï Chuoãi thôøi gian coù toàn taïi tính muøa vuï seõ khoâng coù tính döøng Phöông phaùp ñôn giaûn nhaát ñeå khöû tính muøa vuï laø laáy sai phaân thöù m Z t = Yt − Yt − m 9 MOÂ HÌNH ARIMA Theo Box- Jenkin moïi quaù trình ngaãu nhieân coù tính döøng ñeàu coù theå bieåu dieãn baèng moâ hình ARIMA 10 5
Moâ Hình AR(p) Quaù trình phuï thuoäc vaøo toång coù troïng soá cuûa caùc giaù trò quaù khöù vaø soá haïng nhieàu ngaãu nhieân Yt = φ1Yt−1 +φ2Yt−2 + ...+φpYt− p +δ + εt Moâ Hình MA(q) Quaù trình ñöôïc moâ taû baèng toång coù troïng soá cuûa caùc ngaãu nhieân hieän haønh coù ñoä treã Y = µ +εt −θ1εt−1 −θ2εt−2 −...−θqεt−q t Moâ Hình ARIMA(p,d,q) Phöông trình toång quaùt cuûa ARIMA Y=φY−1 +... φpY−p +δ+εt −θ1εt−1−... θqεt−q +t − t 1t 11 NHAÄN DAÏNG MOÂ HÌNH NG Tìm caùc giaù trò thích hôïp cuûa p, d, q. Vôùi d laø baäc sai phaân cuûa chuoãi ñöôïc khaûo saùt p vaø q seõ phuï thuoäc vaøo SPAC = f(t) vaø SAC = f(t) Choïn moâ hình AR(p) neáu SPAC coù giaù trò cao taïi ñoä treã 1, 2, ..., p vaø giaûm nhieàu sau p vaø daïng haøm SAC giaûm daàn Choïn moâ hình MA(q) neáu ñoà thò SAC coù giaù trò cao taïi ñoä treã 1, 2, ..., q vaø giaûm nhieàu sau q vaø daïng haøm SPAC giaûm daàn 12 6
Moâ hình SAC = f(t) SPAC = f(t) AR (p) Giaûm daàn Coù ñænh ôû p MA(q) Coù ñænh ôû q Giaûm daàn ARMA(p,q) Giaûm daàn Giaûm daàn 13 THOÂNG SOÁ CUÛA ARIMA (p,d, q) Caùc thoâng soá φi vaø θj cuûa ARIMA seõ ñöôïc xaùc ñònh theo phöông phaùp bình phöông toái thieåu (OLS-Ordinary Least Square) sao cho: ˆ ∑ (Yt − Yt ) 2 → Min Vôùi ˆ ε t = (Y t − Y t ) 14 7
KIEÅM TRA CHAÅN ÑOAÙN MOÂ HÌNH Kieåm ñònh xem soá haïng εt cuûa moâ hình coù phaûi laø moät nhieãu traéùng (white noise, nhieãu ngaãu nhieân thuaàn tuùy) hay khoâng. εt ñöôïc taïo ra bôûi quaù trình nhieàu traéng neáu: E (ε t ) = 0 +εt ~ N(0,σε2 ) Var( ε t ) = σ ε2 = const + γ k = Cov (ε t , ε t − k ) = 0 Vieäc kieåm ñònh tính nhieãu traéng seõ döïa treân ñoà thò SAC cuûa chuoãi εt . 15 DÖÏ BAÙO Döï baùo ñieåm Yˆ t Khoaûng tin caäy ˆ ˆ Yt − kσ (ε t ) < Yt < Yt + kσ (ε t ) 16 8
SÖÛ DUÏNG MOÂ HÌNH ARIMA NG TRONG DÖÏ BAÙO GIAÙ Chuoãi giaù caù soâng taïi Tp.HCM goàm 111 döõ lieäu thaùng töø 1/1990 ñeán 3/1999 vaø phaàn meàm EVIEWS ñeå döï baùo giaù trò thaùng 4/1999 Caùc döõ lieäu quaù khöù cuûa giaù caù soâng ñöôïc ñaët teân laø RFISH vaø chuoãi sai phaân baäc 1 ñöôïc ñaët teân laø DRFISH. 17 SÖÛ DUÏNG MOÂ HÌNH ARIMA NG TRONG DÖÏ BAÙO GIAÙ 40000 12000 36000 8000 32000 28000 4000 24000 0 20000 16000 -4000 12000 -8000 8000 4000 -12000 90 91 92 93 94 95 96 97 98 90 91 92 93 94 95 96 97 98 RFISH DRFISH Chuoãi RFISH vaø DRFISH khoâng coù tính döøng do döõ lieäu coù tính muøa vuï 18 9
SÖÛ DUÏNG MOÂ HÌNH ARIMA NG TRONG DÖÏ BAÙO GIAÙ Söû duïng phaàn meàm EVIEW ñeå khöû tính muøa vuï vaø tieán haønh thöû nghieäm cho nhieàu moâ hình ARIMA Moâ hình toái öu coù daïng ARIMA(2,1,2) vôùi thôøi ñoaïn khöû tính muøa vuï laø m = 12 19 Keát quaû veà caùc thoâng soá φi vaø θj ñöôïc trình baøy trong baûng sau: Dependent Variable: D(RFISH) Method: Least Squares Date: 2/3/2002 Time: 18:17 Sample(adjusted): 1991:04 1999:03 Included observations: 96 after adjusting endpoints Convergence achieved after 50 iterations Backcast: 1990:02 1991:03 Variable Coefficient Std. Error t-Statistic Prob. C -283.3601 1010.997 -0.280278 0.7799 AR(2) 0.413278 0.135466 3.050799 0.0030 SAR(12) 0.963121 0.044544 21.62164 0.0000 MA(2) -0.846851 0.118603 -7.140218 0.0000 SMA(12) -0.781433 0.078476 -9.957634 0.0000 R-squared 0.614807 Mean dependent var 203.1250 Adjusted R-squared 0.597875 S.D. dependent var 3545.923 S.E. of regression 2248.588 Akaike info criterion 18.32467 Sum squared resid 4.60E+08 Schwarz criterion 18.45823 Log likelihood -874.5842 F-statistic 36.31124 Durbin-Watson stat 1.718345 Prob(F-statistic) 0.000000 20 10
THAÅM ÑÒNH TÍNH NHIEÃU TRAÉNG NG CUÛA εt Ñoà thò SAC cuûa chuoãi et. cho thaáy et coùù tính nhieãu traéng vaø ñöôïc trình baøy nhö sau: OHT #1 21 ÑOÀ THÒ CUÛA RFISH VAØ RFISHF RFISH 40000 36000 32000 28000 24000 20000 16000 12000 8000 4000 90 91 92 93 94 95 96 97 98 RFISH RFISHF 22 11
KEÁT QUAÛ ˆ Yt Döï baùo ñieåm laø = 26267 Ñ Khoaûng tin caäy 95% laø [ 21742 Ñ, 30792 Ñ] Giaù trò thöïc thaùng 4/1999 laø Yt = 26000 Ñ Giaù trò naøy naèm trong khoaûng tin caäy 95% vaø xaáp xæ vôùi giaù trò döï baùo ñieåm ˆ Yt Sai soá döï baùo laø ( -Yt)/ Yt *100 = 1,03% 23 KEÁT LUAÄN Ñoà thò RFISHF baùm raát saùt ñoà thò RFISH Giaù trò döï baùo xaáp xæ vôùi giaù trò treân thöïc teá (sai soá döï baùo nhoû) vaø khoaûng tin caäy 95% cuõng chöùa giaù trò thöïc ñoä tin caäy cuûa moâ hình döï baùo Ñaõ aùp duïng moâ hình ARIMA ñeå döï baùo cho hôn 20 loaïi maët haøng taïi Tp.HCM theo qui trình töông töï vaø cuõng ñaït ñöôïc caùc keát quaû döï baùo vôùi ñoä tin caäy cao TOÙM LAÏI, MOÂ HÌNH ARIMA LAØ MOÄT MOÂ HÌNH ÑAÙNG TIN CAÄY ÑOÁI VÔÙI DÖÏ BAÙO NGAÉN HAÏN 24 12
TAØI LIEÄU THAM KHAÛO Bowerman B.L., and O’Connell R.T., 1993. Forecasting and Time Series. 3rd ed., Wadsworth, Inc. Cao Haøo Thi vaø Caùc Coäng Söï 1998. Baûn Dòch Kinh Teá Löôïng Cô Sôû (Basic Econometrics cuûa Gujarati D.N.). Chöông Trình Fulbright veà Giaûng Daïy Kinh Teá taïi Vieät Nam. EVIEWS, 2000. Quantitative Micro Software. 25 TAØI LIEÄU THAM KHAÛO Pindyck R.S., and Rubinfeld D.L., 1991. Econometric Models and Economic Forecast. 3rd ed., McGraw-Hill. Ramanathan R., 2001. Introductory Econometrics with Applications. 5th ed., Harcourt College Publishers 26 13