Ứng dụng mô hình ARIMA trong dự báo chỉ số VN-Index

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:5

Thêm vào BST

Báo xấu

32
lượt xem 6
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Ứng dụng mô hình ARIMA trong dự báo chỉ số VN-Index tập trung dự báo chỉ số Vn-Index trong ngắn hạn bằng cách sử dụng mô hình ARIMA với phương pháp Box-jenkins theo 4 bước: Nhận dạng, ước lượng, kiểm tra và dự báo. Và từ kết quả nghiên cứu sẽ đưa ra các khuyến cáo với nhà đầu tư về việc ứng dụng mô hình ARIMA.

Chủ đề:

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

Lưu

Nội dung Text: Ứng dụng mô hình ARIMA trong dự báo chỉ số VN-Index

90 Nguyễn Hồ Diệu Uyên, Nguyễn Thị Thanh Huyền ỨNG DỤNG MÔ HÌNH ARIMA TRONG DỰ BÁO CHỈ SỐ VN-INDEX THE APPLICATION OF ARIMA MODEL TO VN-INDEX FORECAST Nguyễn Hồ Diệu Uyên, Nguyễn Thị Thanh Huyền Trường Cao đẳng Công nghệ Thông tin, Đại học Đà Nẵng; Email: ntth0401@gmail.com Tóm tắt - Thị trường chứng khoán luôn hấp dẫn các tổ chức và cá Abstract - The stock market always attract sorganisations and nhân đầu tư bởi mức sinh lợi cao. Các nhân tố tác động vào thị individuals because of its high capability of profit generation. trường Việt Nam rất đa dạng và biến đổi khó lường. Bên cạnh đó, Factors affecting the Vietnam market are diverse and yếu tố hành vi chi phối phần lớn biến động thị trường. Vì vậy công unpredictable. Besides, the behaviour factor controls most of the việc dự báo Vn-Index gặp nhiều khó khăn. ARIMA là một công cụ market fluctuation. Therefore, the forecast of Vn Index has met with dự báo hữu hiệu và phổ biến đối với dữ liệu chuỗi thời gian như difficulties. ARIMA is a efficient and popular tool to forecast the data Vn-Index. Việc dự báo được sự tăng giảm của Vn-Index giúp nhà in time chain like Vn Index. Forecasting the ups and downs of Vn đầu tư nhận biết chiều hướng biến động giá của các cổ phiếu để Index helps investors acquire the fluctuating trend of stocks to plan hoạch định chiến lược đầu tư phù hợp. Trong phạm vi bài báo này, their strategies appropriately. In this paper, the author focuses on tác giả tập trung dự báo chỉ số Vn-Index trong ngắn hạn bằng cách forecasting the Vn Index in the short term using ARIMA model with sử dụng mô hình ARIMA với phương pháp Box-jenkins theo 4 Box-Jenkins methods in 4 steps: identifying, estimating, testing as bước: nhận dạng, ước lượng, kiểm tra và dự báo. Và từ kết quả well as forecasting, and gives advice to investors in applying nghiên cứu sẽ đưa ra các khuyến cáo với nhà đầu tư về việc ứng ARIMA. dụng mô hình ARIMA. Từ khóa - thị trường chứng khoán; cổ phiếu; đầu tư; dự báo; mô Key words - stock market; stock; investment; predict; ARIMA. hình ARIMA. 1. Đặt vấn đề nghĩa thiết thực. Có bốn phương pháp dự báo kinh tế dựa Được hình thành từ đầu năm 2000, thị trường chứng vào dữ liệu chuỗi thời gian: mô hình hồi quy đơn phương khoán (TTCK) Việt Nam đã trở thành một kênh đầu tư hấp trình, mô hình hồi quy phương trình đồng thời, mô hình dẫn đối với các nhà đầu tư, từ các tổ chức đầu tư chuyên trung bình trượt kết hợp tự hồi quy (ARIMA), và mô hình nghiệp cho đến các nhà đầu tư cá nhân nghiệp dư nhỏ lẻ. tự hồi quy véctơ (VAR) [5]. Đặc biệt, mô hình ARIMA là Từ 2 mã chứng khoán niêm yết ban đầu là REE và SAM, mô hình được các nhà nghiên cứu kinh tế thế giới áp dụng cho đến nay đã có gần 700 công ty niêm yết. TTCK ngày nhiều trong dự báo chuỗi giá chứng khoán. càng phát triển thì mức sinh lợi tăng đồng thời gia tăng rủi Do ảnh hưởng của khủng hoảng kinh tế nên hoạt động ro. Phần đông các nhà đầu tư chỉ mua bán cổ phiếu theo của TTCK Việt Nam khá ảm đạm. Các nhà đầu tư không cảm tính và đa phần chịu ảnh hưởng của các thông tin ngắn mặn mà bởi mức sinh lợi không cao. Tuy nhiên, nếu có hạn. Do đó, giá chứng khoán biến động bất thường. Điều chiến lược đầu tư và dự báo thì vẫn có thể đạt được lợi này ảnh hưởng đến sự ổn định và phát triển bền vững của nhuận cao. Do giá chứng khoán biến động thất thường. Vì TTCK Việt Nam [3]. vậy, trong phạm vi bài báo này, tác giả tập trung ứng dụng Khi quyết định đầu tư vào bất kỳ chứng khoán nào nhà mô hình ARIMA với phương pháp Box-Jenkins để dự báo đầu tư cũng đều cần có những phân tích kỹ lưỡng về rủi ro Vn-Index trong ngắn hạn. và tỷ suất lợi tức. Rủi ro hệ thống là những sự cố xảy ra 2. Vận dụng mô hình mô hình ARIMA cho Vn-Index trong quá trình vận hành hệ thống (nền kinh tế) hoặc những sự cố xảy ra ngoài hệ thống nhưng có tác động đến phần 2.1. Mô hình ARIMA lớn hệ thống. Các nhân tố của rủi ro hệ thống bao gồm: Sự Mô hình ARIMA chỉ mới được khởi xướng từ vài năm biến động ngoài dự kiến của lạm phạt, lãi suất; sự thay đổi trở lại đây, nhưng với sự phát triển của khoa học công nghệ, chính sách tiền tệ của chính phủ; tăng trưởng kinh tế, dấu thế giới đã và đang nghiên cứu mô hình ARIMA ở mức độ hiệu của khủng hoảng kinh tế, khủng hoảng tài chính; biến ngày càng sâu bởi sự thành công của nó trong dự báo. động chính trị và kinh tế khu vực; biến động chính trị trong Trong một số trường hợp dự báo thu được từ phương pháp nước; thiên tai diện rộng làm đình trệ hoạt động của hệ này có tính tin cậy cao hơn so với các dự báo thu được từ thống trong dài ngày; … Những rủi ro này gây ảnh hưởng các phương pháp mô hình kinh tế lượng truyền thống khác, đến giá của hầu hết các chứng khoán và không thể đa dạng đặc biệt là trong dự báo ngắn hạn. hóa được [2]. Nhằm giảm thiểu rủi ro, đạt được lợi ích khi Tại Việt Nam cũng có một số công trình nghiên cứu vận đầu tư, chúng ta cần dự báo được mức độ biến động Vn- dụng mô hình ARIMA để dự báo sản lượng lúa, lượng Index và đo lường rủi ro của hệ thống của cổ phiếu để từ khách du lịch,... nhưng rất ít nghiên cứu liên quan đến đó có quyết định đầu tư phù hợp. chứng khoán được trình bày một cách hệ thống và cập nhật. Trong giai đoạn hiện nay, việc nghiên cứu và ứng dụng Tuy nhiên, nếu ứng dụng tốt thì ARIMA sẽ là công cụ hữu các lý thuyết phân tích, dự báo khi đầu tư vào TTCK Việt hiệu đối với nhà đầu tư chứng khoán Việt Nam. Nam là rất quan trọng và cấp thiết. Hơn nữa, đã có nhiều Dựa trên mô hình tự hồi quy AR và mô hình trung bình nghiên cứu trên thế giới trong việc ứng dụng các lý thuyết động MA. ARIMA là mô hình dự báo định lượng theo thời này vào thị trường chứng khoán, đặc biệt là các nghiên cứu gian, giá trị tương lai của biến số dự báo sẽ phụ thuộc vào xu thực nghiệm tại TTCK mới nổi đã cho những kết quả có ý thế vận động của đối tượng đó trong quá khứ. George Box
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 12(85).2014, QUYỂN 2 91 và Gwilym Jenkins [1] đã nghiên cứu mô hình ARIMA tau τ) của Dickey và Fuller để kiểm định tính dừng. Đây là (Autoregressive Integrated Moving Average - Tự hồi qui kiểm định phổ biến để kiểm định tính dừng của chuỗi thời tích hợp Trung bình trượt), và tên của họ được dùng để gọi gian. Ta thu được kết quả như bảng 1. tên các quá trình ARIMA tổng quát, áp dụng vào việc phân Kết quả cho thấy xác suất của kiểm định là 0,000 nhỏ tích và dự báo các chuỗi thời gian. Bản chất số liệu chuỗi hơn 5% chứng tỏ RVNI có tính dừng. Vì vậy, việc sử dụng thời gian là thể hiện tâm lý của nhà đầu tư và thông qua diễn mô hình ARIMA để dự đoán Vn-Index là phù hợp. Ta sẽ biến hành vi và hướng đi của dữ liệu. Vì vậy sử dụng mô có thể tiếp tục tiến hành nhận dạng ARIMA. hình ARIMA để dự báo Vn-Index là rất phù hợp. Mô hình ARIMA(p,d,q) tổng quát có dạng:  Thực hiện phương pháp Box-Jenkins gồm bốn bước: nhận dạng mô hình thử nghiệm, ước lượng, kiểm định bằng Yt=0+1Yt-1+2Yt-2+…+pYt-p+ut +θ1ut-1+…+θqut-q+et chẩn đoán và dự báo [4]. Đầu tiên, mô hình ARIMA phân Trong đó: tích tính tương quan giữa các dữ liệu quan sát để đưa ra mô Yt là chuỗi dừng bậc d của chuỗi ban đầu (chuỗi hình dự báo thông qua các giai đoạn nhận dạng mô hình, khảo sát). ước lượng các tham số từ dữ liệu quan sát và kiểm tra các tham số ước lượng để tìm ra mô hình thích hợp. Mô hình  là tham số tự hồi quy. kết quả của quá trình trên gồm các tham số thể hiện mức θ là tham số trung bình di động. độ tương quan trên dữ liệu và được chọn để dự báo giá trị ut là nhiễu trắng. tương lai. Giới hạn độ tin cậy của dự báo được tính dựa trên phương sai của sai số dự báo. et là sai số dự báo. 2.2. Thu thập số liệu p là bậc tự hồi qui. Nguồn cung cấp số liệu là trang web cophieu68.com. q là bậc trung bình trượt. Đây là website chuyên cung cấp số liệu về thị trường chứng Nhận dạng mô hình ARIMA(p,d,q) là tìm các giá trị khoán Việt Nam. thích hợp của p, d, q. Thông thường, các nghiên cứu thực nghiệm có sử dụng Bảng 1. Kết quả kiểm định tính dừng của RVNI số liệu quá khứ thường lấy độ dài dữ liệu là 5 năm. Do đó, số liệu được sử dụng để thực hiện bài báo là chỉ số Vn- Index từ ngày 04/05/2009 đến ngày 05/05/2014. Vậy dữ liệu là mỗi chuỗi có 1249 quan sát. Vn-Index được xem là danh mục thị trường do chỉ số Vn-Index được tính theo phần lớn các chứng khoán hiện có trên thị trường. Bên cạnh đó, chuyển hóa dữ liệu là công việc phổ biến Bảng 2. Giá trị tự tương quan và tự tương quan riêng đối với các mô hình dữ liệu thời gian nhằm giúp người phân phần của chuỗi RVNI tích lựa chọn mô hình phù hợp hoặc thực hiện mục đích nghiên cứu có sẵn. Chuyển dữ liệu gốc thành dữ liệu logarit để chuyển các mô hình phi tuyến thành các mô hình tuyến tính hoặc khắc phục một số hiện tượng hay gặp trong phân tích hồi quy như: đa cộng tuyến, phương sai của sai số thay đổi, tự tương quan,… Vì vậy, dựa trên các số liệu thu thập được tác giả thực hiện tính toán tỷ suất lợi tức của Vn- Index. Tỷ suất sinh lời của Vn-Index được tính bằng logarit tự nhiên của chỉ số Vn-Index của ngày hôm nay chia cho chỉ số Vn-Index của ngày giao dịch kề trước. Ta có thể phân tích chuỗi Vn-Index thông qua việc phân tích chuỗi RVn-Index (RVNI). Các số liệu được thực hiện thống kê, ước lượng, kiểm định bằng phần mềm Eview (Econometric Views) 5.1. Đây là phần mềm chuyên về kinh tế lượng, nghiên cứu với dữ liệu chuỗi thời gian, dữ liệu chéo, dữ liệu mảng… 2.3. Nhận dạng mô hình thử nghiệm Khi thực hiện hồi quy đối với là biến chuỗi thời gian thì chuỗi dữ liệu phải có tính dừng. Và nếu tìm thấy mối quan hệ hồi quy thì mối quan hệ này luôn xác thực. Do không phải bất kỳ chuỗi thời gian nào cũng có tính dừng. Vì vậy, để dự báo được Vn-Index ta cần phải kiểm định xem tỷ suất sinh lợi của Vn-Index (RVNI) có tính dừng hay không. Thực hiện kiểm định nghiệm đơn vị (dựa vào thống kê
92 Nguyễn Hồ Diệu Uyên, Nguyễn Thị Thanh Huyền Việc xác định p và q sẽ phụ thuộc vào các giá trị AC và Từ bảng trên ta thấy mô hình có thông số Schwarz PAC. Với AC là hàm tự tương quan và PAC là hàm tự criterion nhỏ nhất là ARIMA (0,1,1). Nên đây là mô hình tương quan riêng phần: phù hợp nhất. + Chọn giá trị của p nếu AC có giá trị cao tại độ trễ 1, Theo kết quả hồi quy, ta có: 2, ..., p và giảm nhiều sau p và dạng hàm AC giảm dần. rvnit= 0.000435 -0.360393rvnit – 1 + t. + Chọn giá trị của q nếu PAC có giá trị cao tại độ trễ 1, 2.5. Kiểm định tính hiệu lực 2, .., q và giảm nhiều sau q và dạng hàm PAC giảm dần. Tìm kiếm mô hình ARIMA phù hợp là một quá trình Thực hiện xác định các hàm tự tương quan và tự tương thử và sai. Khi một kiểm định nào đó không thỏa mãn, ta quan riêng phần cho RVNI. Ta được Bảng 2. phải xác định lại mô hình. Để kiểm định tính hiệu lực của Quan sát trên Bảng 2, ta thấy: đường nét đứt 2 bên là mô hình ta sử dụng các kiểm định sau: đường giới hạn có giá trị = ±1,96x(1/sqrt(n)). Với n là số 2.5.1. Kiểm định mô hình có biến bỏ sót không? quan sát. Việc kiểm định mô hình có bỏ sót biến hay không ta sử Thanh nằm trong hai đường giới hạn coi như giá trị gần dụng kiểm định thống kê Q. bằng 0. Giả thuyết: H0: mô hình không có biến bỏ sót. Ta có: Đối thuyết: H1: mô hình có biến bỏ sót. + RVNI là chuỗi dừng do đó d=1. Với  = 5%. + Tự tương quan bằng 0 từ bậc 2 trở đi nên dự đoán p = 1. Thực hiện kiểm định bằng Eviews 5. Thao tác: View/ + Tự tương quan riêng phần bằng 0 từ bậc 2 trở đi nên Residual Tests/ Correlogram–Q-statistics/Enter. dự đoán q = 1. Bảng 4. Kết quả kiểm định Q Các mô hình ARIMA có thể có là ARIMA (0,1,1), ARIMA(1,1,1), ARIMA(1,1,0). 2.4. Ước lượng mô hình ARIMA Do có nhiều hơn một mô hình được nhận diện nên ta cần xác định mô hình phù hợp. Dùng phương pháp bình phương bé nhất (OLS) để ước lượng cả 3 mô hình ARIMA (0,1,1), ARIMA(1,1,1), ARIMA(1,1,0). Thực hiện ước lượng bằng Eview. Sau đó từ kết quả thu được, ta lựa chọn mô hình theo tiêu chí AIC và BIC. AIC (Akaike Information Criterion) là phương tiện hữu ích để lựa chọn mô hình, cũng như xác định các độ trễ của một mô hình ARIMA. AIC trong mô hình ARIMA (p,d,q) được tính như sau: AIC = -2log(L) +2(p+q+k+1) Trong đó: L: hàm likehood đo lường mức hợp lý của dữ liệu. k = 1 nếu hệ số c của mô hình khác 0, k = 0 nếu c=0. p là độ trễ của mô hình AR(p). q là độ trễ của mô hình MA(q). Ngoài ra, tiêu chí thông tin Bayesion (BIC – Bayesian Theo Bảng 4, ta có tất cả các Prob (probability) đều lớn information criterion) hay còn gọi là tiêu chí Schwarz hơn 5% nên chấp nhận H0. (SBC hay BIC) là một tiêu chuẩn để lựa chọn mô hình Vậy mô hình ARIMA(0,1,1) không có biến bỏ sót. trong một tập hữu hạn các mô hình. BIC có liên quan chặt 2.5.2. Kiểm định tính tự tương quan của mô hình chẽ với các tiêu chí thông tin Akaike (AIC). Tiêu chí thông tin BIC trong mô hình ARIMA (p, d, q) được tính như sau: Giả thuyết: H0: mô hình không có tự tương quan. BIC = AIC + (log(T) – 2)(p + q + k + 1) Đối thuyết: H1: mô hình có tự tương quan. Trong các mô hình được ước lượng phù hợp thì mô hình Thực hiện kiểm định nhân tử Lagrange (LM) cho bậc nào có các tiêu chí Schwarz (BIC) nhỏ nhất sẽ được sử cao với Lags to include từ 1 đến 4, cỡ mẫu lớn và  = 5%. dụng để tiếp tục thực hiện dự báo [4]. Bảng 5. Kết quả kiểm định LM – bậc 1 Bảng 3. Kết quả thông số của các mô hình Mô hình Số quan sát Schwarz criterion ARIMA (0,1,1) 1249 -4.402795 ARIMA (1,1,1) 1249 -4.401407 ARIMA (1,1,0) 1249 -4.387610
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 12(85).2014, QUYỂN 2 93 Bảng 6. Kết quả kiểm định LM – bậc 2 Lần gần đây nhất trong giai đoạn 2009 đến 2014 là: ngày 15/1/2013, thị trường chứng khoán giao dịch với biên độ mới, HSX từ 2% lên 7%. Đây là thời điểm thị trường sẽ biến động mạnh. Vì vậy ta coi điểm gãy là ngày 15/1/2013 và thực hiện kiểm định Chow. Sau khi tiến hành kiểm định, ta thấy F-statistic> Pro F- tới hạn nên bác bỏ giả thiết H0 nghĩa là có sự thay đổi cấu trúc qua các thời kỳ. Hay nói cách khác, có sự khác biệt giữa Bảng 7. Kết quả kiểm định LM – bậc 3 các thời kỳ khi chính phủ điều chỉnh biên độ giao động. Do mô hình ARIMA giai đoạn 2009 đến 2014 không ổn định về mặt cấu trúc. Vì vậy ta tiếp tục ước lượng mô hình ARIMA với dữ liệu là giai đoạn 15/1/2013 đến 05/12/2014. Số quan sát là 317. Thực hiện các bước nhận dạng, ước lượng và kiểm định Bảng 8. Kết quả kiểm định LM – bậc 4 tương tự như trên. Riêng kiểm nghiệm Chow, khi lựa chọn 1 số điểm gãy (điểm mà Vn-Index giảm xuống thấp nhất và sau đó tăng trở lại) để kiểm định thì kết quả thu được là mô hình ổn định về mặt cấu trúc. Vậy mô hình ARIMA(0,1,1) là: rvnit= 0.00635+0.088140rvnit – 1 + t. 2.6. Dự báo bằng mô hình ARIMA (0,1,1) Từ kết quả ở các bảng trên, ta thấy tất cả Prob của Sử dụng mô hình vừa xây dựng để dự báo điểm và Obs*R-squared đều lớn hơn  = 5% nên chấp nhận H0. khoảng tin cậy cho RVNI từ 06/5/2014 đến 09/05/2014 Vậy mô hình không có hiện tượng tự tương quan. bằng phần mềm Eview với độ tin cậy 95%. 2.4.3 Kiểm định tính ổn định cấu trúc của mô hình – Kiểm Mô hình: rvnit= 0.00635+0.088140rvnit – 1 + t. định Chow Bảng 10. Kết quả kiểm định Chow tại ngày 15/1/2013 Bài báo sử dụng kiểm định Chow để xem liệu có sự STT Ngày Vn-Index Vn-Index Sai lệch thay đổi về mặt cấu trúc của mô hình hồi quy (đối với hồi dự báo thực tế quy chuỗi thời gian) giữa các giai đoạn khác nhau khi chỉ 1 06/05/2014 562 561.9 0.0001 số Vn-Index giao động trong biên độ hay không. 2 07/05/2014 558 560 0.0035 Giả sử chúng ta muốn kiểm định xem có một sự thay 3 08/05/2014 530 527.1 0.0055 đổi về cấu trúc hay không vào thời điểm t. Thủ tục sẽ là 4 09/05/2014 538 542.5 0.0082 phải chia mẫu gồm n quan sát thành hai nhóm, nhóm 1 gồm n1 quan sát đầu tiên và nhóm 2 gồm những quan sát còn lại Từ Bảng 10 thấy càng về sau, kết quả dự đoán càng có n2 = n – n1 để thực hiện kiểm định, với giả thiết: sự khác biệt với thực tế. Dự báo có sai lệch thấp hơn 5% + H0: Không có sự thay đổi cấu trúc trong 2 thời kỳ. nên vẫn trong giới hạn cho phép. Theo kết quả này Vn-Index trong thời gian tới có chiều hướng giảm dần. + H1: Có sự thay đổi cấu trúc trong 2 thời kỳ. Do yếu tố kinh tế vĩ mô chưa ổn định cũng như việc Nếu có sự khác biệt giữa 2 thời kỳ, nghiên cứu sẽ thực thực hiện các chính sách của chính phủ chưa nhất quán nếu hiện dự báo lại mô hình kể từ điểm gãy cuối cùng. có một cú sốc trên thị trường cũng sẽ tác động mạnh đến Kể từ khi thành lập đến nay, TTCK Việt Nam đã có 10 chỉ số Vn-Index. Khi sử dụng mô hình ARIMA nhà đầu tư lần thay đổi biên độ giao dịch. Cơ quan quản lý thường sử cần lựa chọn dữ liệu đầu vào phù hợp để kết quả dự báo sát dụng biện pháp giảm biên độ khi thị trường sụt giảm mạnh với thực tế nhất. Cụ thể là nên sử dụng kiểm định Chow tại và luôn “tận dụng” cơ hội khi thị trường lạc quan để nới các điểm gãy để xác định tính ổn định cấu trúc của mô hình. rộng biên độ. Các lần giảm biên độ tỏ ra hiệu quả, giúp giới Bởi TTCK Việt Nam thường xuyên có những đợt điều đầu tư bình tĩnh và thị trường có thể hồi phục nhẹ trở lại. chỉnh biên độ giao động. Không cần thiết phải cắt ngắn bớt Hiệu ứng của việc nới rộng biên độ có tác động tích cực để dữ liệu để dự báo. Bởi mô hình ARIMA nếu sử dụng số kích thích thị trường. quan sát quá ít thì không có căn cứ xác thực để dự báo. Còn Bảng 9. Kết quả kiểm định Chow tại ngày 15/1/2013 nếu sử dụng quá nhiều quan sát thì có thể gặp trường hợp đưa cả thời gian có cú “sốc” vào để dự đoán. Như vậy sẽ dẫn đến việc mô hình ARIMA có tính ổn định về mặt cấu trúc và không có ý nghĩa dự báo. 3. Kết luận Ta thấy rằng kết quả mô hình dự báo cho giá trị dự báo xấp xỉ với giá trị thực tế và khoản tin cậy 95%. Điều đó chứng tỏ mô hình có độ tin cậy khá cao khi dự báo.
94 Nguyễn Hồ Diệu Uyên, Nguyễn Thị Thanh Huyền Tuy nhiên, đối với TTCK Việt Nam, thì chỉ số dự báo ra việc suy giảm của thị trường. Vì vậy, chính phủ phải đưa trong một số ngày giao dịch sẽ khác biệt lớn với thực tế, ra hệ thống các chính sách và thực hiện một cách nhất quán bởi TTCK chịu ảnh hưởng lớn từ một số yếu tố như: tâm trong thời gian tới, tránh gây ra những cú sốc quá mạnh cho lý nhà đầu tư, tác động của các thị trường chứng khoán thị trường để lấy lại niềm tin đối với nhà đầu tư. khác, thông tin về sự thay đổi chính sách... Nhà đầu tư nên Kết quả của mô hình ARIMA vẫn chỉ mang tính chất kết hợp kết quả từ mô hình dự báo với phân tích kỹ thuật, tham khảo. Tuy nhiên có thể khẳng định rằng ARIMA là thường xuyên quan sát để có được cách nhìn nhận đúng một mô hình tốt để dự báo trong ngắn hạn. đắn và chính xác sự biến động của TTCK. Mặt khác, để đưa ra quyết định đầu tư phù hợp cho từng mã cổ phiếu nhà TÀI LIỆU THAM KHẢO đầu tư nên sử dụng thêm mô hình CAPM. [1] John E. Hanke & Dean W. Wichern, 2005, “Business Forecasting”, Mô hình ARIMA với ý nghĩa mô phỏng lại hành vi diễn Chapter 9. biến trong quá khứ, từ đó làm cơ sở cho dự báo kế tiếp. Tại [2] Võ Thị Thúy Anh, 2012, Đầu tư tài chính, Nhà xuất bản Tài chính, Việt Nam, mô hình dự báo có ý nghĩa chưa cao, vì nhà làm trang 52- 54. chính sách không nhận diện rõ các yếu tố khác nhau tác [3] Thu Hương, 2013, “Mong manh tâm lý nhà đầu tư”, Tạp chí chứng động lên thị trường mà chỉ sử dụng những biện pháp mang khoán, số 173. tính hành chính để điều chỉnh biên độ giao dịch với mục [4] Nguyễn Trọng Hoài, 2009, Dự báo và phân tích dữ liệu trong kinh tế và tài chính, Nhà xuất bản Thống kê, chương 8. đích là ổn định thị trường chứng khoán. Việc làm này [5] Robert S. Pindyck & Daniel L. Rubinfeld, 1991, Econometric không theo hướng giải quyết những nguyên nhân chính gây Models & Economic Forecasts, McGraw-Hill, Chapter 11, 12, 13. (BBT nhận bài: 22/08/2014, phản biện xong: 29/12/2014)