CƠ SỞ LÝ THUYẾT
Phương pháp dự báo
1.1.1 Mơ hình giản đơn mở rộng Nạve
Mô hình giản đơn dự báo cho giai đoạn tới dựa trên giá trị thực tế của giai đoạn vừa qua.
Công thức mô hình giản đơn:
Nếu chúng ta quan sát thấy khuynh hướng tăng, có thể áp dụng mô hình Naive mở rộng.
Công thức mô hình giản đơn mở rộng Naive:
F(t): là dự báo cho giai đoạn t
A(t-1) là số thực tại thời điểm t-1,
A(t-2) là số thực tại thời điểm t-2,
1.1.2 Dự báo Phương pháp trung bình
Phương pháp trung bình dự báo cho giai đoạn tiếp theo dựa trên kết quả trung bình của các kỳ trước, với sự thay đổi trong một khoảng thời gian nhất định.
- Công thức phương pháp trung bình giản đơn:
A(t-i) là số thực tại thời điểm t-i,
n: là số giai đoạn quan sát
Phương pháp trung bình động là một kỹ thuật dự báo, sử dụng kết quả trung bình của m kỳ trước và m thời kỳ sau đó để đưa ra dự đoán cho giai đoạn tiếp theo.
- Công thức phương pháp trung bình động:
t: là thời kì quan sát
m: là số thời kì quan sát sau thời kì t
Khi nhu cầu biến động, phương pháp trung bình động là lựa chọn phù hợp nhất, vì thời gian gần đây có ảnh hưởng lớn nhất đến kết quả dự báo, trong khi ảnh hưởng của thời gian xa hơn sẽ giảm dần.
1.1.3 Dự báo Phương pháp san chuỗi/ san mũ
1.1.3.1 Phương pháp san mũ giản đơn
Phương pháp san mũ giản đơn là giải pháp hiệu quả để khắc phục những hạn chế của các phương pháp dự báo khác, đặc biệt đối với các chuỗi dữ liệu không thay đổi hoặc thay đổi chậm theo thời gian Phương pháp này rất dễ sử dụng và chỉ yêu cầu một lượng nhỏ số liệu trong quá khứ, giúp người dùng nhanh chóng áp dụng để dự đoán xu hướng tương lai.
- Công thức phương pháp san mũ giản đơn:
Ft - Mức nhu cầu dự báo kỳ t
Ft-1 - Mức nhu cầu dự báo kỳ t-1
At-i - Mức nhu cầu thực kỳ t-i
αt-i - Hệ số san bằng mũ
*Phương pháp san mũ kép Phương pháp san mũ kép chính là việc san mũ đơn 2 lần, trong đó phản ánh được xu hướng biến động của nhu cầu.
- Công thức phương pháp san chuỗi kép:
Y t DE =(Y SE ) t SE sao cho e t
( Ft−¿ Y t DE ) 2 ¿ đạt giá trị nhỏ nhất
Khi bộ dữ liệu có tính khuynh hướng, việc áp dụng phương pháp san mũ đơn và kép sẽ dẫn đến sai số lớn Để khắc phục vấn đề này, phương pháp đường số mũ Holt được sử dụng nhằm điều chỉnh tính xu hướng của dữ liệu.
- Phương trình đường số Mũ Holt được viết:
+Ước lượng giá trị trung bình hiện tại:
+ Dự báo giai đoạn trong tương lai:
α = hằng số đường số mũ (0< α Simple exponential smoothing =>
Double Kết quả như sau:
Dự báo ngoài mẫu được kết quả như sau:
- Bước 2: So sánh tỷ giá gốc và tỷ giá dự báo :
Ta dùng lệnh line Ty_gia Ty_giasm, kết quả:
2.3.3 Phương pháp san mũ Holt
- Bước 1: chọn phương pháp san mũ Holt
Chọn Proc => Exponential smoothing => Simple exponential smoothing =>
Holt – winter: No seasonal Kết quả như sau:
Dự báo tỷ giá VND/USD từ tháng 10 năm 2018 đến tháng 6 năm 2016 theo phương pháp san mũ Holt như sau:
- Bước 2: So sánh tỷ giá gốc và tỷ giá dự báo
Ta dùng lệnh line ty_gia ty_giasm, kết quả:
2.3.4 Phương pháp san mũ winter
- Bước 1: xác định dùng mô hình winter nhân hay cộng:
Ta dùng câu lệnh line ty_gia, kết quả:
Ta thấy tỷ giá VND/USD từ tháng 1 năm 2014 đến tháng 9 năm 2018 có hình mương nhỏ vì thế ta cần phải dự báo bằng mô hình nhân.
- Bước 2: Ước lượng mô hình:
Chọn Proc => Exponential smoothing => Simple exponential smoothing =>
Holt – winter- Multiplicative, kết quả:
- Bước 3: Dự báo ngoài mẫu như sau:
- Bước 4: so sánh kết quả dự báo và số liệu gốc dung lệnh line ty_gia ty_giasm.
Dự báo bằng phương pháp phân tích
- Bước 1: Nhận dạng dữ liệu
Để thực hiện dự báo, bạn hãy mở cửa sổ Command và nhập lệnh Line ty_gia Đồ thị thu được sẽ có hình dạng mương nhỏ dần, do đó mô hình dự báo phù hợp sẽ là mô hình nhân.
-Bước 2: Tách yếu tố mùa vụ
Cách làm: Mở chuỗi ty_gia → Chọn Proc → Seasonal Adjustment → Moving Average Methods Trên cửa sổ hiển thị Adjustment Method chọn Ratio to moving average – Multiplicative và Factors: sr
Khi đó C, I vẫn tồn tại nhưng không ảnh hưởng đến chuỗi, mô hình hiện tại ty_giasa = f(T).
- Bước 3: Ước lượng hàm xu thế và dự báo Bước3.1 Ước lượng ty_giasa theo T
Trên cửa sổ command gõ lệnh Genr t = @trend(2014M01)
Sau khi kiểm định mô hình mắc lỗi tự tương quan và PSSS thay đổi ta khắc phục bằng cách chạy hồi quy Robust.
Cách làm: Trên cửa sổ hiển thị chọn Estimate → Method: Robustls –Robust Least Squares.
Bước 3.2 Dự báo trong mẫu chuỗi ty_giasa
Chọn Forecast trong khoảng thời gian 2014M01 2015M01, được kết quả:
Trung bình tuyệt đối phần trăm sai số Mean Abs Percent Error = 0.694783< 5%
Bước 3.3 Dự báo ngoài mẫu chuỗi ty_giasa
Chọn Forecast trong khoảng thời gian 2018M10 2019M06, ta thu được kết quả:
-Bước 4: Kết hợp yếu tố xu thế, yếu tố mùa vụ để đưa ra kết quả dự báo cuối cùng
Cách làm: Trên cửa sổ Command gõ lệnh Genr ty_giaf = ty_giasaf*sr
Ta thu được kết quả:
