đề tài mô HÌNH XU THẾ và ỨNG DỤNG TRONG dữ LIỆU tài CHÍNH

GIỚI THIỆU

Lí do chọn đề tài

Trong bối cảnh nền kinh tế thị trường cạnh tranh gay gắt, việc dự báo trở nên thiết yếu cho cá nhân và doanh nghiệp Dự báo cung cấp thông tin quý giá giúp phân bổ nguồn lực khan hiếm một cách hiệu quả và đưa ra các phương án giải quyết tác nhân ảnh hưởng đến thị trường Ngày nay, dự báo được áp dụng rộng rãi trong các bộ phận doanh nghiệp, từ xây dựng kế hoạch chiến lược đến phân tích tình huống kinh doanh và lập kế hoạch ngân sách.

Tùy thuộc vào mục đích sử dụng và tính chất của bộ dữ liệu, nhà dự báo cần chọn mô hình phù hợp Trong thực tế kinh doanh và quản lý, khi cần dự báo một chỉ tiêu nhưng dữ liệu quá khứ hạn chế hoặc gặp khó khăn về thời gian và chi phí thu thập, phương pháp dự báo bằng mô hình xu thế trở thành lựa chọn tối ưu.

Phương pháp dự báo bằng các mô hình xu thế cung cấp cách tiếp cận khoa học hơn cho việc phân tích xu hướng so với các phán đoán thông thường Hiện nay, các mô hình xu thế được áp dụng rộng rãi trong kinh doanh, quản trị dự án, quản lý chuỗi cung ứng và logistics Chúng trở thành nhu cầu thiết yếu trong mọi hoạt động kinh tế - xã hội và khoa học - kỹ thuật, thu hút sự quan tâm nghiên cứu từ nhiều ngành khoa học nhờ vào tính đơn giản và hiệu quả trong thực tiễn.

Mục đích nghiên cứu

Sau khi nghiên cứu đề tài này, nhóm chúng tôi kỳ vọng sẽ đạt được những nội dung sau:

- Hiểu được tổng quan và mô hình hóa các mô hình dự báo bằng phương pháp hồi quy hàm xu thế.

Mô hình xu thế là công cụ hữu ích trong việc dự báo, đặc biệt khi xác định các trường hợp cụ thể mà nó có thể áp dụng Việc nhận biết thời điểm hàm xu thế phát huy tối đa hiệu quả sẽ giúp cải thiện độ chính xác của dự báo.

- Nhận biết và phân biệt được các hàm xu thế.

- Sử dụng được Eviews để thực hiện dự báo và đặc biệt là dự báo bằng mô hình xu thế.

1.3 Đối tượng và phạm vi nghiên cứu Đối tượng: Dự báo các hiện tượng kinh tế trong tương lai Tình hình tài chính của doanh nghiệp, hiệu suất cổ phiếu, dự báo lãi suất,

TIEU LUAN MOI download : skknchat@gmail.com

- Nhóm tập trung dự báo bằng mô hình xu thế.

- Về phần mềm sử dụng, nhóm tập trung sử dụng phần mềm Eviews để thực hiện các phép tính cũng như dự báo cho mô hình xu thế.

- Trong phạm vi nghiên cứu, nhóm quyết định dự báo dữ liệu lấy từ giá cổ phiếu ngân hàng BIDV từ ngày 24-12-2021 đến 24-1-2022.

Trong lĩnh vực kinh tế và tài chính, việc dự báo tương lai là rất quan trọng để lập kế hoạch Các nhà kinh tế và nhà đầu tư có thể sử dụng mô hình dự báo để cải thiện độ chính xác trong quyết định của mình Dự báo bằng mô hình xu thế là một phương pháp đơn giản, cho phép phân tích giá cổ phiếu của BIDV từ ngày 24-12-2021 đến 24-01-2022, giúp hiểu rõ hơn về tình hình thị trường cổ phiếu Phân tích bằng hàm xu thế, đặc biệt là hàm xu thế bậc ba, có thể cung cấp dự báo giá cổ phiếu, tuy nhiên, mô hình này vẫn có những hạn chế do tính cứng nhắc và sự ảnh hưởng của nhiều yếu tố khác Do đó, cần có các kiến nghị để khắc phục những hạn chế này.

Bằng cách áp dụng hàm hồi quy giữa biến cần dự báo (Y) và thời gian (t), chúng ta có thể dự báo các giá trị tương lai cho các bộ dữ liệu có tính xu thế Trong nghiên cứu này, nhóm sử dụng phương pháp nghiên cứu định lượng và áp dụng mô hình vào dữ liệu tài chính thực tế để kiểm định tính đúng đắn và khả thi của mô hình xu thế Kết quả nghiên cứu sẽ đưa ra những kết luận và kiến nghị khi sử dụng mô hình này.

Mặc dù mô hình xu thế, đặc biệt là hàm xu thế bậc ba, thường được áp dụng trong phân tích dữ liệu tài chính như giá cổ phiếu của BIDV, nhưng việc sử dụng mô hình này vẫn còn hạn chế và không thể hoàn toàn dựa vào dữ liệu lịch sử Để có được dự báo chính xác hơn, cần kết hợp hàm xu thế với nhiều yếu tố vĩ mô bên ngoài, các chỉ số kinh tế, tình hình chính trị, cùng với ý kiến chủ quan và kinh nghiệm của các cá nhân.

TỔNG QUAN VỀ LÝ THUYẾT

Nhận dạng mô hình xu thế

Để xác định xu thế của biến phụ thuộc Y t theo thời gian (Time), phương pháp đơn giản nhất là vẽ đồ thị của Y t theo Time Qua việc phân tích đồ thị, ta có thể nhận diện được dạng hàm số mà dữ liệu có thể tuân theo, từ đó giúp hiểu rõ hơn về xu hướng biến động của dữ liệu.

BẢNG 2.1: Một số dạng hồi quy điển hình

Dạng hàm xu thế Phương trình hồi quy tổng thể

A Tuyến tính Yt =ββ0 +β1 Time + ut (5.1)

B Bậc hai Yt =ββ0 +β1 Time + β2 Time 2 +ut (5.2)

C Bậc ba Y t =ββ 0 +β 1 Time + β 2 Time 2 + β3 Time 3 + ut (5.3)

D Tuyến tính – log Y t =ββ 0 +β 1 ln(Time) + u t (5.4)

E Nghịch đảo Yt =ββ0 +β1(1/Time) + uTime) + ut (5.5)

G Log – tuyến tính ln(Y t )=β β 0 +β 1 Time + u t (5.7)

Hàm đầu tiên trong phân loại hàm là các hàm đa thức Ngoại trừ mô hình "Tăng trưởng mũ", đây là mô hình hồi quy phi tuyến tính theo các tham số; các mô hình còn lại đều thuộc loại hồi quy tuyến tính theo tham số Việc ước lượng mô hình không được thực hiện.

Tăng trưởng mũ có thể được ước lượng trực tiếp bằng phương pháp OLS, nhưng cũng có thể ước lượng gián tiếp thông qua mô hình Log_tuyến tính Bằng cách lấy ln của hai vế trong phương trình hồi quy của mô hình Tăng trưởng mũ, chúng ta sẽ thu được kết quả tương tự như trong mô hình Log_tuyến tính.

Trong các phương trình dự báo, một yếu tố quan trọng là sai số của mô hình, thể hiện sự khác biệt giữa dữ liệu thực tế và đường xu thế Sai số này luôn tồn tại, do dữ liệu thực tế không hoàn toàn khớp với mô hình lý thuyết Để nâng cao độ chính xác của dự báo, việc giảm thiểu sai số là rất cần thiết.

Đôi khi, việc xác định xu thế của dữ liệu thông qua đồ thị không cho phép chúng ta nhận biết ngay dạng hàm toán học tương ứng Trong những trường hợp này, chúng ta có thể ước lượng và thử nghiệm một số mô hình có khả năng phù hợp cao, sau đó kiểm tra các chỉ tiêu đo lường độ chính xác để chọn ra mô hình tối ưu nhất Bên cạnh đó, việc kết hợp nhiều phương pháp nhận diện như quan sát đồ thị, sai phân, hệ số tương quan và tốc độ phát triển cũng có thể mang lại hiệu quả trong việc phân tích xu thế dữ liệu.

Ước lượng mô hình xu thế

Các mô hình xu thế bao gồm mô hình hồi quy đơn và mô hình hàm hồi quy bội Đối với các mô hình xu thế tuyến tính theo tham số, phương pháp OLS là công cụ ước lượng hiệu quả Sử dụng phần mềm Eviews, người dùng có thể dễ dàng ước lượng các mô hình bằng cách nhập lệnh tương ứng vào cửa sổ lệnh.

BẢNG 2.2: Ước lượng các hàm xu thế trên Eview Phương trình hồi quy tổng thể Các lệnh trên Eviews

Kiểm định sự phù hợp của mô hình

Sau khi ước lượng bằng phương pháp OLS, chúng ta cần kiểm định ý nghĩa thống kê của các hệ số độ dốc, đánh giá độ phù hợp và độ chính xác của mô hình, đồng thời kiểm tra xem các giả định của phương pháp OLS có bị vi phạm hay không (Gaynor & Kirkpatrick, 1994).

Ba trong số các giả định của mô hình hồi quy tuyến tính cổ điển là:

(1) Sai số dự báo tuân theo quy luật phân phối chuẩn,

(2) Phương sai của sai số là một hằng số không thay đổi

Mô hình cần đảm bảo không xảy ra hiện tượng tự tương quan (Gaynor & Kirkpatrick, 1994) Khi phát hiện một trong các giả định này bị vi phạm, kết quả kiểm định hệ số độ dốc sẽ không còn chính xác, dẫn đến các hệ số độ dốc ước lượng bị chệch.

2.3.1 Sai số dự báo tuân theo quy luật phân phối chuẩn bằng kiểm định Jarque-Bera

Ho: Sai số dự báo tuân theo quy luật phân phối chuẩn.

H1: Sai số không tuân theo quy luật phân phối chuẩn.

Kết quả kiểm định này dễ dàng thực hiên trên Eview.

Nếu Prob của F-statistic > 0.05 thì chấp nhận Ho, bác bỏ H1 Vậy mô hình có sai số dự báo tuân theo quy luật phân phối chuẩn.

2.3.2 Kiểm tra giả thuyết phương sai của sai số không đổi bằng kiểm định White

Ho: không có hiện tượng phương sai thay đổi.

H1: có hiện tượng phương sai thay đổi.

Page 10 of 33 Đây là kiểm định tổng quát về phương sai không thay đổi do White đề xuất không lệ thuộc vào giả thuyết về quy luật chuẩn và được thực hiện dễ dàng trên Eview.

Nếu Prob của F-statistic > 0.05 thì chấp nhận Ho, bác bỏ H1 Vậy mô hình không có hiện tượng phương sai thay đổi.

2.3.3 Kiểm tra giả thuyết mô hình không có hiện tượng tự tương quan

Ho: Mô hình không có hiện tượng tự tương quan.

H1: Mô hình có hiện tượng tự tương quan.

Nếu Prob của F-statistic > 0.05 thì chấp nhận Ho, bác bỏ H1 Vậy mô hình không có hiện tượng tự tương quan.

Nếu một trong các giả định này không được tuân thủ, kết quả kiểm định hệ số độ dốc sẽ không còn giá trị, dẫn đến việc các hệ số ước lượng bị chệch.

Kiểm định ý nghĩa thống kê của các hệ số hồi quy.

Sử dụng p-value để kiểm định Với là mức ý nghĩa, nếu p-value < thì bác bỏ Ho, tức là hệ số hồi quy có ý nghĩa thống kê và ngược lại.

Đánh giá độ phù hợp của mô hình

Đánh giá độ phù hợp của mô hình giúp xác định tỷ lệ phần trăm biến thiên của biến phụ thuộc được giải thích bởi mô hình Điều này cho phép người nghiên cứu hiểu rõ hơn về hiệu quả và tính chính xác của mô hình trong việc dự đoán hoặc giải thích dữ liệu.

Nếu Prob của F-Statistic < 0,05 thì bác bỏ Ho, chấp nhận H1

Vậy mô hình phù hợp.

Thực hiện dự báo

Dưới đây là công thức để tính dự báo điểm với từng dạng mô hình.

BẢNG 2.3: Dự báo điểm với hàm xu thế

Dạng hàm Hàm hồi quy mẫu

Bậc ba t =β 0 + 1 Time + 2 Time 2 + 3 Time 3 (5.10)

Tuyến tính – log t =β0 +1 ln(Time) (5.11)

Khoảng dự báo của 5 mô hình đầu tiên trong bảng 5.1 (từ 5.8 đến 5.12) đưuọc tính theo công thức sau:

• Công thức để tính dự báo khoảng:

Giá trị dự báo điểm tại thời điểm dự báo được ký hiệu là "là giá trị dự báo điểm" Sai số chuẩn của hàm dự báo cho các giá trị cá biệt tại thời điểm dự báo t được ký hiệu là "se()".

Khoảng dự báo cho mô hình tăng trưởng mũ được tính theo công thức sau:

: Là sai số chuẩn của hàm dự báo cho các giá trị cá biệt khi dự báo ln() và được phần mềm máy tính tự động tính toán.

So sánh và lựa chọn mô hình phù hợp

Có 2 cách thường được sử dụng để chọn ra mô hình phù hợp:

Để so sánh hai mô hình dự báo, ta có thể vẽ đồ thị thể hiện giá trị thực tế và giá trị dự báo của cả hai mô hình trên cùng một biểu đồ Qua đó, chúng ta sẽ dễ dàng nhận diện mô hình nào có đường biểu diễn gần gũi với giá trị thực tế hơn Tuy nhiên, trong một số trường hợp, việc phân biệt giữa các đường biểu diễn có thể gặp khó khăn chỉ bằng cách quan sát trực quan.

TIEU LUAN MOI tải về tại địa chỉ skknchat@gmail.com, với cách tiếp cận bám sát giá trị thực tế hơn Để chọn lựa mô hình phù hợp, chúng ta cần so sánh các chỉ tiêu đo lường độ chính xác của từng mô hình và ưu tiên mô hình có độ chính xác cao hơn.

MÔ HÌNH NGHIÊN CỨU

Khái niệm

Xu thế là sự biến thiên tăng hoặc giảm được quan sát qua dữ liệu trong một khoảng thời gian nhất định, có thể được thể hiện bằng đồ thị đường thẳng (xu thế tuyến tính) hoặc đồ thị đường cong (xu thế phi tuyến) theo biến thời gian t Để mô hình hóa xu thế, cần thực hiện và điều chỉnh nhằm tìm ra hàm hồi quy phù hợp giữa biến cần dự báo (biến Y) và thời gian (biến t).

Giới thiệu mô hình xu thế

3.2.1 Phương pháp dự báo xu thế

Mô hình dự báo xu thế này sử dụng:

Mô hình hồi quy phi tuyến tính theo các tham số Các mô hình hồi quy tuyến tính theo tham số.

3.2.2 Ưu điểm và nhược điểm của mô hình

Mô hình xu thế là một phương pháp đơn giản nhưng hiệu quả trong việc dự báo các chỉ số kinh tế - xã hội Nó giúp xác định giai đoạn tăng trưởng trong chu kỳ kinh doanh và dự đoán các biến động của các chỉ số kinh tế, từ đó hỗ trợ các doanh nghiệp đưa ra quyết định và chính sách phù hợp.

Mặc dù các mô hình dự báo xu thế cung cấp thông tin dựa trên dữ liệu lịch sử, nhưng chúng chỉ là những con số thống kê đơn giản và có thể quá cứng nhắc Việc sử dụng các mô hình này có thể gò bó chúng ta vào những khuôn mẫu nhất định, trong khi thực tế lại có nhiều yếu tố khác tác động đến các chỉ số quan sát Những hiện tượng xã hội và các vấn đề khác cũng có thể ảnh hưởng đến kết quả, dẫn đến việc mô hình không thể phản ánh chính xác thực tế.

Dựa trên giả định rằng sự vận động của dữ liệu trong quá khứ sẽ tiếp tục diễn ra trong hiện tại và tương lai, chúng ta có thể dễ dàng nhận thấy rằng trong thời gian gần đây, những thay đổi trong xu hướng dữ liệu đang ngày càng rõ rệt.

Page 13 of 33 lai thì bất kỳ một biến số kinh tế - xã hội nào cũng có thể thay đổi, đều chứa một yếu tố rủi ro nhất định.

3.2.3 Ứng dụng của mô hình dự báo xu thế

Dự báo xu hướng bằng các mô hình đơn giản đang được ưa chuộng trong nhiều lĩnh vực, đặc biệt là quản trị kinh doanh, nhờ vào tính dễ thực hiện và hiệu quả Những mô hình này không chỉ giúp nhận diện tiềm năng mà còn chỉ ra những thách thức mà doanh nghiệp có thể đối mặt trong tương lai.

Trong kinh doanh và quản lý tổ chức, việc dự báo các chỉ số quan trọng là cần thiết để đưa ra quyết định chính xác Tuy nhiên, dữ liệu lịch sử thường hạn chế và việc thu thập thông tin từ nhiều biến số có thể bị cản trở bởi thời gian và ngân sách Do đó, áp dụng phương pháp dự báo bằng các mô hình xu thế trở thành giải pháp hiệu quả.

Dự báo bằng mô hình xu thế

Dữ liệu lấy từ giá cổ phiếu ngân hàng BIDV từ ngày 24-12-2021 đến 24-01-2022 Có đồ thị theo biến Time (t):

HÌNH 3.1: Đồ thị thể hiện giá cổ phiếu của ngân hàng BIDV từ ngày 24-12-2021 đến 24-01-2022 Ước lượng và kiểm định hàm tuyến tính:

HÌNH 3.2: Ước lượng mô hình xu thế tuyến tính trên Eviews Kiểm định hệ số

Ta có: Prob của hệ số hồi quy bằng 0.00 < 0.05 nên bác bỏ H0, chấp nhận H1

Hệ số hồi quy có ý nghĩa thống kê với mức ý nghĩa 5%.

HÌNH 3.3: Kiểm định LM của Breusch-Godfrey

H 0 : (Mô hình không có hiện tượng tự tương quan)

H1: (Mô hình có hiện tượng tự tương quan)

Page 15 of 33 Kiểm định LM của Breusch-Godfrey cho thấy Prob của F-statistic là 0.2157 > 0.05 Chấp nhận H0 , bác bỏ H1, nên ở độ tin cậy 95%, mô hình không có hiện tượng tự tương quan.

HÌNH 3.4: Giản đồ tự tương quan của phần dư

Các cột autocorrelation trong đồ thị hệ số tự tương quan và tự tương quan riêng phần chủ yếu nằm trong giới hạn của các đường nét đứt Hơn nữa, giá trị Prob của thống kê Q-Stat đều lớn hơn 0,05, cho thấy không có dấu hiệu của hiện tượng tự tương quan.

Kiểm định phương sai thay đổi

HÌNH 3.5: Kiểm định phương sai thay đổi

H0: “Mô hình không có hiện tượng phương sai thay đổi”

H 1 : “Mô hình có hiện tượng phương sai thay đổi”

Kiểm định White cho thấy Prob của F-statistic là 0,8919 > 0,05.

Chấp nhận H0, bác bỏ Vậy mô hình không có hiện tượng phương sai thay đổi.

Kiểm định sai số dự báo tuân theo quy luật phân phối chuẩn- Kiểm định Jarque- Bera

HÌNH 3.6: Kiểm định Jarque-Bera

H0: Sai số dự báo có phân phối chuẩn

H 1 : Sai số dự báo không có phân phối chuẩn

Kiểm định Jarque-Bera cho Prob của F-statistic là 0,576074 > 0,05.

Chấp nhận H0, bác bỏ nên mô hình có sai số dự báo tuân theo phân phối chuẩn.

● Đánh giá mức độ phù hợp của mô hình hồi qui: H 0 : R 2 =β0

Thống kê F bằng 336.97 với Prob (F-statistic) =β 0.000 < 0.05

Bác bỏ H0 , chấp nhận H1 nên mô hình phù hợp với dữ liệu.

HÌNH 3.7: Kết quả dự báo trên Eviews

BẢNG 3.1: Kết quả dự báo trên Eviews

Mô hình xu thế tuyến tính dự báo giá đóng cửa cổ phiếu BIDV vào ngày 25-1-2022 là 47.818,10 VND với độ tin cậy 95%, dự kiến giá cổ phiếu sẽ nằm trong khoảng từ 45.449,86 VND đến 50.186,33 VND Ngày tiếp theo, giá trị dự báo là 48.500,04 VND, với khoảng dự báo từ 46.102,63 VND đến 50.897,45 VND Đến ngày 27-1-2022, giá trị dự báo đạt 49.181,99 VND, trong khoảng từ 46.753,26 VND đến 51.610,72 VND.

HÌNH 3.8: Ước lượng mô hình xu thế bậc hai trên Eviews Kiểm định hệ số

Ta có: Prob của hệ số hồi quy bằng 0,005 < 0,05 nên bác bỏ H0, chấp nhận H1

Hệ số hồi quy có ý nghĩa thống kê với mức ý nghĩa 5%.

Kiểm định LM của Breusch-Godfrey cho thấy Prob của F-statistic là 0,3789 > 0,05

Chấp nhận H0 , bác bỏ H1, nên ở độ tin cậy 95%, mô hình không có hiện tượng tự tương quan.

Hình 3.10 trình bày giản đồ tự tương quan của phần dư, cho thấy các cột autocorrelation chủ yếu nằm trong giới hạn của các đường nét đứt Thêm vào đó, giá trị Prob của thống kê Q-Stat đều lớn hơn 0,05, điều này chỉ ra không có dấu hiệu của hiện tượng tự tương quan.

H1: “Mô hình có hiện tượng phương sai thay đổi”

Chấp nhận nên mô hình không có hiện tượng phương sai thay đổi.

HÌNH 3.12: Kiểm định Jarque-Bera

H0: Sai số dự báo có phân phối chuẩn

H1: Sai số dự báo không có phân phối chuẩn

Chấp nhận H 0 , bác bỏ nên mô hình có sai số dự báo tuân theo phân phối chuẩn.

● Đánh giá mức độ phù hợp của mô hình hồi qui: H0: R 2 =β0

Bác bỏ H 0 , chấp nhận H 1 nên mô hình phù hợp với dữ liệu.

HÌNH 3.13: Kết quả dự báo trên Eviews BẢNG 3.2: Kết quả dự báo trên Eviews

Nếu sử dụng mô hình xu thế bậc 2 để dự báo giá trị cổ phiếu BIDV vào ngày 25-01-

Vào năm 2022, dự báo giá cổ phiếu BIDV đạt 48.910,83 VND với độ tin cậy 95%, nằm trong khoảng từ 46.444,43 VND đến 51.377,23 VND Vào ngày 26-1-2022, giá dự báo là 49.890,79 VND, dao động từ 47.247,30 VND đến 52.534,29 VND Ngày cuối cùng, giá đóng cửa đạt 50.896,67 VND, với biên độ giao động từ 48.035,64 VND đến 53.757,70 VND Kết quả này được ước lượng và kiểm định theo dạng hàm bậc 3.

HÌNH 3.14: Ước lượng mô hình xu thế bậc ba trên Eviews Kiểm định hệ số

Hệ số hồi quy có ý nghĩa thống kê với mức ý nghĩa 5% vì Prob < 0.05

Kiểm định LM của Breusch-Godfrey cho thấy Prob của F-statistic là 0,3007 > 0,05

Chấp nhận H0 , bác bỏ H1, nên ở độ tin cậy 95%, mô hình không có hiện tượng tự tương quan.

Hình 3.16 trình bày giản đồ tự tương quan và hệ số tự tương quan riêng phần của mô hình Các cột autocorrelation chủ yếu nằm trong giới hạn của các đường nét đứt Hơn nữa, giá trị Prob của thống kê Q-Stat đều lớn hơn 0,05, cho thấy không có dấu hiệu của hiện tượng tự tương quan.

H 1 : “Mô hình có hiện tượng phương sai thay đổi”

Mô hình không có hiện tượng phương sai thay đổi.

HÌNH 3.18: Kiểm định Jarque - Bera

H 0 : Sai số dự báo có phân phối chuẩn

Chấp nhận H 0 , bác bỏ nên mô hình có sai số dự báo tuân theo phân phối chuẩn.

● Đánh giá mức độ phù hợp của mô hình hồi qui:

Thống kê F bằng 164,93 với Prob (F-statistic) =β0.000 < 0.05

HÌNH 3.19: Kết quả dự báo trên Eviews BẢNG 3.3: Kết quả dự báo trên Eviews

Mô hình xu thế bậc 3 dự báo giá cổ phiếu BIDV vào ngày 25-1-2022 đạt 47.399,54 VND với độ tin cậy 95% Giá trị cổ phiếu BIDV có khả năng dao động trong khoảng từ 44.783,48 VND đến 50.015,60 VND Vào ngày 26-1-2022, mức giá dự báo là 47.555,17 VND, với khoảng dự báo từ 44.355,58 VND tới 50.754,76 VND.

Page 27 of 33 27-01-2022, kết quả dự báo điểm là 47.557,51 VND, dự báo khoảng là 43.559 VND đến 51.555,67 VND trên một cổ phiếu. Ước lượng và kiểm định dạng hàm tăng trưởng

HÌNH 3.20: Ước lượng và kiểm định dạng hàm tăng trưởng trên Eviews Kiểm định hệ số hồi quy

Ta có Prob của hệ số hồi quy bằng 0.00 < 0.05 nên bác bỏ H 0, chấp nhận H 1

Hệ số hồi quy có ý nghĩa thống kê với mức ý nghĩa 5%. Đánh giá mức độ phù hợp của mô hình hồi qui:

Bác bỏ H0, chấp nhận H1 nên mô hình phù hợp với dữ liệu.

HÌNH 3.21: Kiểm định LM của Breusch - Godfrey

Giản đồ tự tương quan của mô hình cho thấy các cột autocorrelation chủ yếu nằm trong giới hạn của các đường nét đứt Thêm vào đó, giá trị Prob của thống kê Q-Stat đều lớn hơn 0,05, điều này chỉ ra rằng không có dấu hiệu của hiện tượng tự tương quan.

Page 29 of 33 Xét cặp giả thuyết:

H1: “Mô hình có hiện tượng phương sai thay đổi”

Chấp nhận H0, bác bỏ nên mô hình không có hiện tượng phương sai thay đổi.

HÌNH 3.24: Kiểm định Jarque – Bera

H 0 : Sai số dự báo có phân phối chuẩn

Chấp nhận H0, bác bỏ nên ở độ tin cậy 95%, mô hình có sai số dự báo xấp xỉ phân phối chuẩn.

● Đánh giá mức độ phù hợp của mô hình hồi qui:

Thống kê F bằng 385,80 với Prob (F-statistic) =β 0.000 < 0.05

BẢNG 3.4: Kết quả dự báo trên Eviews

Dựa trên mô hình xu thế dạng hàm tăng trưởng, giá trị cổ phiếu BIDV dự báo vào ngày 25-1-2022 là 48.276,97 VND với độ tin cậy 95% Giá trị cổ phiếu có khả năng nằm trong khoảng từ 45.707,10 VND đến 50.991,33 VND Vào ngày tiếp theo, giá trị dự báo đạt 49.097 VND, với khoảng dự báo từ 46.452,67 VND đến 51.892,99 VND Cuối cùng, dự báo vào ngày sau đó cho thấy giá trị đạt 49.932,04 VND, với khoảng từ 47.208,06 VND đến 52.813,20 VND.

So sánh và lựa chọn mô hình phù hợp

HÌNH 3.25: Đánh giá các hàm

Mô hình hàm bậc ba được lựa chọn do có chỉ số RMSE, MAE, MAPE và Theil’U thấp hơn Tuy nhiên, thực tế cho thấy mô hình chỉ chính xác trong việc dự đoán giá cổ phiếu vào ngày 25-1-2022 Trong hai ngày sau đó, giá cổ phiếu đã giảm do biến động thị trường, không giống như dự báo Do đó, cần xem xét thêm các yếu tố bên ngoài ảnh hưởng đến giá cổ phiếu.

Tiêu đề	Mô Hình Xu Thế Và Ứng Dụng Trong Dữ Liệu Tài Chính
Tác giả	Hoàng Minh Quân, Ngô Quí Trọng Trí, Đinh Đặng Phương Uyên, Nguyễn Huy Hải
Người hướng dẫn	TS. Lê Thanh Hoa
Trường học	Đại học Quốc gia TP.HCM
Chuyên ngành	Tài chính- ngân hàng- chứng khoán- kế toán- kiểm toán, bảo hiểm - tín dụng
Thể loại	báo cáo tổng kết
Năm xuất bản	2022
Thành phố	TP.HCM

Định dạng
Số trang	34
Dung lượng	1,41 MB