Ứng dụng mô hình ARIMA-GARCH để dự báo chỉ số VN-INDEX

Nghiên cứu xây dựng mô hình ARIMA và GARCH để tiến hành dự báo với bộ dữ liệu VNindex hằng ngày được thu thập từ sở giao dịch chứng khoán thành phố Hồ Chí Minh trong vòng 12 năm từ 28/7/2000 tới 29/7/2012.
Nội dung trích xuất từ tài liệu:
Ứng dụng mô hình ARIMA-GARCH để dự báo chỉ số VN-INDEX HỘI THẢO 'NGÂN HÀNG VIỆT NAM: BỐI CẢNH VÀ TRIỂN VỌNG' ỨNG DỤNG MÔ HÌNH ARIMA-GARCH ĐỂ DỰ BÁO CHỈ SỐ VN-INDEX ThS. Bùi Quang Trung Trường Đại học Kinh tế - Đại học Đà Nẵng qtrung8x@gmail.com TÓM TẮT Trong các vấn đề mà con người phải đối mặt, ảnh hưởng của sự biến động của chỉ số chứng khoán đến các thị trường tài chính cũng như nền kinh tế thế giới là một trong những chủ đề rất được quan tâm nhất, đặc biệt là đối với một thị trường mới nổi như Việt Nam. Do đó, việc dự báo xu hướng biến động trong tương lai của các chỉ số chứng khoán là cần thiết đối không những với các nhà đầu tư mà còn với các nhà quả lý thị trường. Nghiên cứu xây dựng mô hình ARIMA và GARCH để tiến hành dự báo với bộ dữ liệu VNindex hàng ngày được thu thập từ sở giao dịch chứng khoán thành phố Hồ Chí Minh trong vòng 12 năm từ 28/7/2000 tới 29/7/2012. 1. Giới thiệu Trong những năm gần đây, dự báo và phân tích sử dụng phương pháp chuỗi thời gian đã được thực hành rộng rãi.Trong nông nghiệp, phương pháp này đã được sử dụng để dự báo năng suất lúa (Shabri et al., 2009) và giá hạt ca cao (Assis et al., 2010). Trong kinh doanh, nó đã được áp dụng để dự báo các biến động của tỷ giá hối đoái (Zhang, 2001;.Fahimifard và cộng sự, 2009) và giá dầu thô (Kumar, 1992). Trong hai thập kỷ qua, phương pháp dự báo dựa vào chuỗi thời gian cho giá cổ phiếu, lãi suất trái phiếu và biến động tỷ giá đã được khái quát thành hai loại đó là phân tích cơ bản (Edward, 1998; Kenneth, 1994) sử dụng các biến kinh tế vĩ mô và phân tích kỹ thuật sử dụng dữ liệu lịch sử và đồ thị (Harvey, 1990; Diebold, 1989). Về những thay đổi tronla2phan6 tích cơ bản, giá cổ phiếu là quá trình có sự biến động cao.Trong khi đó phương pháp phân tích kỹ thuật chỉ sử dụng dữ liệu lịch sử, chẳng hạn như giá cổ phiếu trong quá khứ, để tìm ra xu hướng và biến động của chuỗi dữ liệu đó trong tương lai.Nếu như các nhà đầu tư có thể dự báo được xu hướng biến động của giá cổ phiếu, họ sẽ có thể đưa ra quyết định để tối đa hóa lợi nhuận của mình hoặc giảm thiểu thiệt hại càng nhiều càng tốt hơn. Nghiên cứu này tập trung vào dự báo chuỗi thời gian của chỉ số chứng khoán Việt Nam (VN-Index), bằng cách sử dụng mô hình ARIMA và GARCH.Mặc dù phương pháp phương pháp Box-Jenkins rất được phổ biến và mạnh mẽ nhưng nó không thể xử lý các biến đông trong 1 chuỗi thời gian như VN-Index.Sự biến động này có thể được xử lý bằng cách sử dụng mô hình GARCH. Các dự báo thu được từ GARCH sẽ được so sánh với kết quả dự báo điểm chuẩn từ mô hình ARIMA. với kết quả dự báo điểm chuẩn từ mô hình ARIMA. 2. Cơ sở lý luận 2.1. Mô hình ARIMA Một chuỗi thời gian Yt được mô tả tổng quát như sau: Yt= {Yt-1, Yt-2,..,Y0} Box và Jenkins (1976) đề xuất sử dụng mô hình ARIMA cho các chuỗi thời gian.Mô hình này sau đó được ứng dụng rộng rãi cho các chuỗi thời gian trên nhiều lĩnh vực khác nhau. Chúng được sử dụng trong trường hợp dữ liệu là một chuỗi dừng hoặc các đặc tính không dừng của nó có thể được loại bỏ. Quy trình ngẫu nhiên của Yt được xem là dừng nếu trung bình và phương sai của quá trình không thay đổi theo thời gian và hiệp phương sai giữa hai thời đoạn chỉ phụ thuộc vào khoảng cách độ trễ về thời gian giữa các thời đoạn này chứ không phụ thuộc vào thời điểm thực tế mà đồng phương sai được tính. Có ba cách để nhận biết tính dừng của một chuỗi thời gian là dựa 453 TRƯỜNG ĐẠI HỌC KINH TẾ - ĐẠI HỌC ĐÀ NẴNG vào trên đồ thịcủa chuỗi thời gian, đồ thị của hàm tự tương quan mẫu hay kiểm định Dickey – Fuller (ADF). Mô hình tự hồi quy p - AR(p): trong mô hình tự hồi quy quá trình phụ thuộc vào tổng trọng số của các giá trị quá khứ và số hạng nhiễu ngẫu nhiên Yt= c + φ1yt-1 + φ2yt-2 + …+ φt-pyt-p+ εt = Mô hình trung bình trượt q – MA(q): trong mô hình trung bình trượt, quá trình được mô tả hoàn toàn bằng tổng trọng số của các ngẫu nhiên hiện hành có độ trễ: Mô Hình Hồi Quy Kết Hợp Trung Bình Trượt - ARMA(p,q): Mô hình ARMA giả định rằng các chuỗi thời gian là dừng.Tuy nhiên, các quy trình trong thực tế thường là không dừng. Các nhà nghiên cứu thường dung sai phân để mang lại tính dừng một chuỗi thời gian không dừng. Mô hình ARMA, có chuỗi dữ liệu thời gian mang tính dừng được tạo ra bằng cách lấy sai phân chuỗi dữ liệu gốc, được gọi là mô hình ARIMA. Do đó, mô hình ARIMA có các bậc tự hồi quy và trung bình trượt giống như của mô hình ARMA gốc. Tuy nhiên, nó cũng bao gồm một tham số bổ sung, cụ thể là, d lần thứ tự sai phân. Mô hình này sử dụng dữ liệu trong quá khứ cho một quá trình tự hồi quy (AR) có lưu trữ sự kiện trước đó.Một quá trình tích hợp (I) làm cho dữ liệu có tính dừng để dư báo và một trung bình trượt trượt (MA) để xác định sai số dự báo. Box-Jenkins đã xác định bốn bước để xây dựng một mô hình ARIMA: • Nhận dạng mô hình: Nhận dạng mô hình ARMA(p,d,q) là tìm các giá trị thích hợp của p, d, q. Với d là bậc sai phân của chuỗi thời gian được khảo sát, p là bậc tự hồi qui và q là bậc trung bình trượt. • Ước lượng mô hình: Các hệ số và của mô hình ARIMA được xác định bằng phương pháp ước lượng thích hợp cực đại. Sau đó chúng ta kiểm định và bằng thống kê t. Ước lượng sai số bình phương trung bình của phần dư: S2 • Kiểm định mô hình: xem xét liệu các mô hình phù hợp với các dữ liệu hay không, nếu không. • Dự báo bằng mô hình tốt nhất. 2.2. Mô hình GARCH Mô hình GARCH đã được sử dụng rộng rãi trong nhiều nghiên cứu để giải thích sự biến động của ...