DỰ BÁO NGẮN HẠN GIÁ CHỨNG KHOÁN CỦA CÁC CÔNG TY TRONG THỊ TRƯỜNG CHỨNG KHOÁN VIỆT

NAM Nguyễn Văn Hữu, Vương Quân Hoàng, Thiều Lê Quyên
I. Mở đầu Thị trường chứng khoán Việt Nam đã hoạt động được hơn 10 năm và đang ở trong giai đoạn phát triển mạnh, do vậy rất hấp dẫn đối với các nhà đầu tư trong và ngoài nước. Nhiều nhà đầu tư muốn biết trong các phiên giao dịch tiếp theo giá chứng khoán của công ty nào sẽ tăng, công ty nào sẽ giảm. Điều này là rất quan trọng cho việc đưa ra các quyết định hợp lý cho các đầu tư trong tương lai. Tuy nhiên, diễn biến của các động thái chứng khoán của các công ty rất phức tạp vì nó chịu tác động của rất nhiều các nhân tốt bất định (ngẫu nhiên) như là: Sự biến động của cung và cầu Sự hoạt động kinh doanh có hiệu quả hay không hiệu quả của các công ty Những thông tin về hoạt động kinh tế trong khu vực Sự thay đổi các chinh sách kinh tế Tin đồn v.v.

Dự báo giá chứng khoán của các công ty trong thị trường chứng khoán Việt nam cũng không nằm ngoài các yếu tố trên. Vì vậy, mục tiêu của nghiên cứu này là: Nhận dạng mô hình: Sử dụng các công cụ toán học để tìm hiểu sự biến động của giá chứng khoán của các công ty trên các sàn giao dịch chứng khoán tại Việt nam tuân theo mô hình nào?. Phân tích quan hệ giữa giá chứng khoán của các công ty với chỉ số VNI, phân tích quan hệ giữa các loại chứng khoán hiện đang được giao dịch trên thị trường. Xây dựng các phần mềm hỗ trợ theo mô hình đề xuất để có thể dự báo được chỉ số VNI và giá chứng khoán của các công ty trong các phiên giao dịch tới với độ chính xác cho phép nào đó. II. Phương pháp thường dùng trong dự báo : Phương pháp chuyên gia : Phương pháp này dựa trên các kinh nghiêm của các chuyên gia theo dõi và phân tích các nhân tố tác động đến sự biến động giá của thị trường như: Các bién động trong thị trường bất động sản, lãi suất tiết kiệm , giá vàng, tỷ giá ngoại hối,
1
DHVP Empirics.net

sự biến động của giá chứng khoán trong khu vực hoặc trên các thị trường quan trọng của thế giới, kể cả tác động của các yêu tố tâm lý...để đư ra sự phán đoán xu thế , thậm chí cả dự đoán giá các loại chứng khoán. Phương pháp phân tích hồi qui : Phương pháp này dựa trên phân tích mối quan hệ tiềm ẩn giữa giá cấc lọai chứng khoán khác nhau trên thị trường chứng khoán của nước ta với các yếu tố ngoại sinh như đã kể trên và các yếu tố khác như : lượng xuất nhập khẩu, giá dầu mỏ, tình hình an ninh ở khu vực...Tuy nhiên phương pháp này có thể đưa ra các dự đoán sai lệch vì phải dựa trên nhiều các dự đoán khác( có thể không đúng ). Phương pháp dự đoán dựa trên việc phân tích các số liệu thông kê trong quá khứ: Phương pháp này khá tiện lợi dựa trên giả thiết rằng các nguyên nhân tác động tới sự biến động gia chứng khoán thể hiện trên sự biến động của giá chứng khoán, và sự tác động dó có độ trễ hoặc có tính “dừng” theo thời gian. Tuy vậy sự biến động của giá chứng khoán do quá nhiều nguyên nhân, trong đó có cả các sự cố bất thường mà ta chưa tính hết được, vì vậy dự báo thống kê thường có độ chính xác chấp nhận được cho các dự báo ngắn hạn trong một vài phiên giao dịch tới. Báo cáo này dựa trên việc phân tích các số liệu thông kê trong quá khứ III. Mô hình giá các loại chứng khoán Từ 1900 Bachelier đã nhận xét rằng sự biến động liên tục theo thời gian của giá chứng khoán tại thời điểm t có gia số thoả mãn: S(t+Δ)-S(t)≈Δ1/2 , sau đó 1923 khi nghiên cứu động học của các phân tử Alber Einstein đưa ra quá trình chuyển động Brown W(t) có tính chất đó , cụ thể là E[ W(t+Δ)-W(t) ]2≈Δ, vì vậy giá của các loại chứng khoán có tham gia thành phần chuyển động Brown W(t) . 1965 P.Samuelson , theo sáng kiến của L. Savage , giá của các loại chứng khoán không bao giờ âm nên ông đã đề suất mô hình chuyển động Brown hình học sau đây để tả động học giá của các loại chứng khoán: S(t) = exp( at+bW(t)). Sau này 1973 Black-Scholes đã sử dụng mô hình đó để xây dựng các công thức định giá hợp lý các quyền chọn và các phái sinh chứng khoán khác. Với công trình đó Merton và Scholes đã được tặng giải thưởng Nobel 1997. Trong toán tài chính người ta vẫn sử dụng mô hình chuyển động Brown hình học để định giá hợp lý các quyền tài chính mặc dù mô hình đó khá đơn giản nên nó mô tả chưa sát giá thực tế của các loại chứng khoán. Người ta còn sử dụng các quá trình phức tạp hơn như quá trình khuếch tán, khuếch tán có bước nhảy, quá trình mũ Lévy... để mô tả chuẩn xác hơn giá các loại chứng khoán. Tuy nhiên khi rời rạc hoá theo thời gian quá trình ta chọn phải sát với số liệu quan sát thực tế.

2
DHVP Empirics.net

Để dự báo giá các loại chứng khoán lúc mở cửa (open) , giá cao (high), giá thấp(low) trên các sàn giao dịch người ta cần phải nghiên cứu các mô hình sát với thực tế , đặc biệt kỹ thuật phân tích tương quan của các chuỗi thời gian . Cần lưu ý rằng sự diẽn biến của các loại chứng khoán cũng phức tạp như diễn biến của các quá trình vật lý (sự khuếch tán của các phân tử), của các quá trình sinh học, .... Vì vậy việc dự báo dài hạn chính xác giá chứng khoán là rất khó khan, thậm chí là không thể được với các thị truờng không ổn định như thị trường Việt nam. Chính vì vậy, chúng tôi chỉ nghiên cứu khả năng dự báo ngắn hạn sau một số phiên giao dịch. Chúng tôi đã thử nghiệm bước đầu của 100 phiên giao dịch gần đây nhất (chưa tính đến các yếu tố cung , cầu) và thấy kết quả có thể chấp nhận đựơc với sai số tương đối không quá 2%. Hiện nay trên thế giới người ta vẫn tiến hành hàng ngày dự báo sự lên xuống của giá các loại chứng khoán dựa trên 2 phương pháp chủ yếu sau: (i) (ii) Phân tích su thế ( phân tích su thế thăng giáng nội tại). Sử dụng mạng Neuron nhân tạo. Phương pháp của chúng tôi hơi khác : Kết hợp phân tích su thế và phân tích tương quan vì ngoài su thế các yếu tố khác của thị trường cũng ảnh hưởng đáng kể như tình hình cung cầu, lãi suất tiết kiệm, hoạt động của thị trường bất động sản ( hiện chưa khảo sát vì chưa có số liệu thống kê)... Nếu sử dụng tìm kiếm Google : Price stock predition, chúng ta có thể truy cập đến các chủ đề sau : 1) 2) 3) 4) 5) 6) Price Pattern Prediction./www./ Price Pattern Prediction. com Predicting stock prices using BrainMaker Neutral Network Software./www.Calsci.com/stock.html Stock and Fund prediction . Stocks prediction for the busy investor: An estimated potential price path through the stock trend line is also part of the stock predition. Stock price prediction using Neutral Network( Research index). Stock prediction based on Price pattern .From Luigi Posa. Day trader, Get tomorrows price-today. Predict future stock price. Predict the “open”, “high”, “low” and “close” prices for any selected futres contract.Forex or Stock. Ideal for internet day. www.tmorrows prices.com/

Các phương pháp đó cho độ chính xác không cao, có thể với sai số đến 20%.

3
DHVP Empirics.net

IV. Các căn cứ toán học đảm bảo cho việc dự báo 1. Mô hình toán học của giá chứng khoán (động thái của giá chứng khoán): Giống như rất nhiều giá cả của các loại mặt hàng khác, giá chứng khoán là sự kết hợp của ba thành phần X(t) = f(t) + S(t) + g(D(t))+ Y(t,ω ) Trong đó: f(t): Là hàm của thời gian và được gọi là thành phần xu thế. S(t): là thành phần mùa với chu kỳ t; g(D(t)): là một hàm nào đấy của độ sai khác giữa cung và cầu. Hàm này phản ánh sự ảnh hưởng của sự cân bằng của thị trường đối với sự lên xuống của giá các loại cổ phiếu , phản ảnh tác động của các yếu “bày đàn” Y(t,ω): Là thành phần bất định (ngẫu nhiên), ngoài yếu tố thời gian, nó còn chịu sự tác động của vô số các nhân tố ngẫu nhiên khác. Với quá trình giá chứng khoán thành phần mùa S(t) thể hiện không rõ và có thể bỏ qua nhất là khi nghiên cứu quá trình trên khoảng thời gian ngắn. Trong khoảng thời gian tương đối ngắn [t0 , t0+Δ] , Y(t,ω) là quá trình dừng. Vì vậy trước khi dự báo ngắn hạn ta phải tách thành phần xu thế f(t), sau đó tiến hành dự báo thành phần dừng. Ta cũng có thể sư dụng mô hình chuyển tiếp trơn hoặc chuyển tiếp Markov như sau: X(t) = f(t, D(t)) + S(t) + Y(t,ω ) trong đó các yếu tố thị trường tác động lên phần xu thế f. 2. Nhận dạng cấu trúc của giá các loại chứng khoán Để xác định cấu trúc của giá chứng khoán X(t) ta cần phải thu thập các số liệu về giá chứng khoán trong các phiên giao dịch trước, tình hình cung và cầu (số lượng đặt mua, số cổ phiếu được khớp lệnh trong mỗi phiên giao dịch), sau đó thường xuyên câp nhật để thay đổi mô hình. Việc nhận dạng mô hình càng chính xác thì kết quả dự báo càng mắc ít sai số. V. Các bước tiến hành phân tích mô hình và phân tích dự báo 1. Thu thập và cập nhật các dữ liệu về giá chứng khoán của các công ty và chỉ số VNI 2. Xử lý việc nhận dạng mô hình. 3. Phân tích quan hệ giữa giá chứng khoán của các công ty với chỉ số VNI. 4. Phân tích quan hệ giữa các loại chứng khoán hiện đang được giao dịch trên thị trường. 5. Dự báo giá chứng khoán của các công ty cho các phiên giao dịch gần. 6. Điều chỉnh dự báo khi có số liệu mới.
4
DHVP Empirics.net

(1.1)

(1.2)

7. Xây dựng bộ phần mềm để thực hiện các công đoạn trên. Qua phân tích số liệu chúng tôi thấy mối quan hệ của nhiều loại giá chứng khoán với VNI tỏ ra khá yếu ( Khoảng 0,4%)

VI. Dự báo ngắn hạn giá chứng khoán bằng phân tích xu thế:
1.Dự báo VNI 1. Đồ thị của hiệu suất của chỉ số VNI của 207 phiên giao dich của năm 2008( xem Hình2) • Phân tích lợi suất R(t) = [ VNI (t)-VNI (t-1)) ] /VNI (t-1)

.06 .04 .02 .00 -.02 -.04 -.06 25 50 75 100 125 RI
Hình 1: Đồ thị của hàm lợi suất của VNI
• Phân tích xu thế
5
DHVP Empirics.net

150

175

200

Hình 2 Chú thích: - Đường mầu đỏ mô tả diễn biến thưc tế của VNI - Đường mầu xanh mô tả diễn biến của xu thế f(t) Phương Trình mô tả xu thế của VNI_2008 VNI(t)=999.558 – 12,94t+0.101t2 -0,003t3 +e(t) e(t)= 1.313e(t-1)- 370e(t-2)+ε(t) (1) (2)

trong đó ε(t) là sai số dự báo sau một bước, đó là nhiễu trắng điều này đã được kiểm chứng bằng các tiêu chuẩn thống kê. Từ (1) và (2) ta suy ra mô hình mô tả động thái của VNI: VNI(t)=1004.685 – 13.1492t+0.1031t2 -0,0003t3 + 1.2924e(t-1)-0.3464e(t-2)+ ε(t) (3)

• Đồ thị mô tả dãy giá trị quan sát của VNI, dãy giá trị dự báo sau một bước và phần dư ε(t)
6
DHVP Empirics.net

Hình 3 Sau đây là biếu diễn đồ thị của dự báo và sai số dự báo sau 5 bước dựa trên mẫu quan sát của 204 phiên giao dịch

Hình 4
7
DHVP Empirics.net

2. Dự báo giá chứng khoán của công ty cổ phần viễn thông VTC. • Phân tích lợi suất: R (t ) =

VTC (t ) − VTC (t − 1) VTC (t − 1)

Hình 5: Đồ thị của hàm lợi suất của giá chứng khoán VTC

Phân tích xu thế:

8
DHVP Empirics.net

Chú thích: - Đường mầu đỏ mô tả diễn biến thưc tế của giá chứng khoán VTC

- Đường mầu xanh mô tả diễn biến của xu thế f(t)
Phương trình mô tả xu thế của giá chứng khoán của công ty VTC trong năm 2008

vtc(t ) = 41.6868 − 0.3292t + 0.001t 2 + e(t ) e(t ) = 1.1983e(t − 1) − 0.2648e(t − 2) + ε (t )
các tiêu chuẩn thống kê.

(1) (2)

trong đó ε(t) là sai số dự báo sau một bước, đó là nhiễu trắng điều này đã được kiểm chứng bằng

Từ (1) và (2) ta suy ra mô hình mô tả động thái của giá chứng khoán VTC:

VTC (t ) = 41.5684 − 0.3264t + 0.0009t 2 + 1.1927e(t − 1) − 0.2589e(t − 2) + ε (t ) •

Đồ thị mô tả dãy giá trị quan sát của VNI, dãy giá trị dự báo sau một bước và phần dư ε(t)

Hình 7

Sau đây là biếu diễn đồ thị của dự báo và sai số dự báo sau 5 bước dựa trên mẫu quan sát của 210 phiên giao dịch
9
DHVP Empirics.net

Hình 8 VI. Dự báo giá chứng khoán dựa trên mô hình chuyển tiếp trơn 1. Giới thiệu mô hình:

Mô hình hồi quy có chuyển tiếp trơn là mô hình mà sự chuyển tiếp từ chế độ này sang chế độ khác không diễn ra rời rạc mà diễn ra một cách trơn. Do đó mô hình được minh họa như sau:
yt = φ ' zt + θ ' zt G ( st ; γ , c) + ut , t = 1,..., T (6.1)

Trong đó, zt = (w t ', xt ') ' là véc tơ các biến giải thích, w t ' = (1, yt −1 ,..., yt − p ) ' và

xt ' = ( x1t ,..., xkt ) ' là véc tơ các biến ngoại sinh. Hàm chuyển G ( st ; γ , c ) là hàm của biến chuyển st , bị chặn giữa 0 và 1. γ là tham số xác định tốc độ của sự chuyển tiếp của mô hình. c = (c1 ,..., cK ) ' là tham số xác định vị trí diễn ra sự chuyển tiếp mô hình. Ứng dụng thực tiễn của mô hình (6.1) phụ thuộc vào định nghĩa của hàm

G ( st ; γ , c ) . Sau đây là một số dạng phổ biến của hàm chuyển:

Mô hình LSTR1:
G1 ( st ; γ , c) = 1 1+ e
− γ ( st − c )

,γ >0
10

DHVP Empirics.net

Hàm chuyển G1 là hàm đơn điệu tăng của biến st . st = c là điểm chuyển giữa mô hình yt = φ ' zt + ut và mô hình yt = (φ + θ ) ' zt + ut . Kiểu chuyển chế độ này rất thuận tiện cho việc mô hình hóa các mô hình kinh tế không đối xứng. Trong đó, các chế độ của mô hình ứng với các thời kì phát triển hay suy thoái của nền kinh tế.

Mô hình LSTR2:

G2 ( st ; γ , c) =

1 1+ e
− γ ( st − c1 )( st − c2 )

,γ >0

Hàm chuyển logistic G2 đối xứng qua điểm

c1 + c2 , lim G2 = 1 và không bao giờ nhận st →±∞ 2

giá trị . Mô hình LSTR2 thích hợp cho những trường hợp có chuyển lại. 1 1+ e
− γ ( st − c )2

Mô hình ESTR:

G3 ( st ; γ , c) =

,γ >0

Hàm chuyển G3 không đơn điệu, đối xứng qua c và lim G2 = 1 . Mô hình ESTR thích
st →±∞

hợp cho những mô hình mà tính chất của các chế độ ứng với các giá trị tuyệt đối lớn hay nhỏ của st là giống nhau.
Dịch chuyển theo xu thế và hệ số chặn:

Mô hình hồi quy chuyển tiếp trơn logistic (logistic smooth transition regression (LSTR)) cho phép sự thay đổi cả về mức độ và xu hướng của chuỗi thời gian diễn ra một cách từ từ. Và việc chuyển chế độ diễn ra theo thời gian chứ không diễn ra ngay lập tức. Mô hình được minh họa như sau: ln( yt ) = α 0 + β 0t + α1Gt ( st , γ , c) + β1tGt ( st , γ , c) + ε t , t = 1, 2,..., T trong đó, T là số quan sát về chuỗi thời gian yt ; ε t là quá trình dừng I (0) với trung bình không; Gt ( st ; γ , c) là hàm chuyển logsitic
2. Ước lượng các tham số bằng phương pháp hợp lí cực đại

Các tham số của mô hình LSTR được ước lượng bằng phương pháp hợp lí cực đại. Ta sử dụng phần mềm JmulTi và thuật toán lặp Newton Raphson để tìm cực đại của hàm hợp lí. Trước tiên, ta tìm các giá trị xuất phát γ 0 , c0 cho thuật toán lặp. Bằng phương pháp GRID SEARCH, ta thiết lập lưới hai chiều cho γ 0 , c0 và tìm các giá trị của hai tham số đó sao cho nó làm cực tiểu

∑u
t =1

T

2 t

(γ , c)
11

DHVP Empirics.net

trong đó, ut là chuỗi phần dư. Sau khi ước lượng được các giá trị ban đầu γ 0 , c0 , ta tiến hành thuật toán lặp Newton Raphson để tìm ước lượng hợp lí cực đại của các tham số. Tư tưởng của thuật toán lặp này là: thay vì tìm các giá trị của các tham số làm cực đại hàm hợp lí thì trước tiên ta xấp xỉ hàm hợp lí bởi một xấp xỉ Taylor cấp hai. Sau đó ước lượng các giá trị của tham số làm cực đại hàm xấp xỉ này.
3. Phát hiện điểm chuyển của xu thế

Ta nghiên cứu chỉ số VNI năm 2005, với 250 ngày giao dịch.

Hình 9: Đồ thị chuỗi VNI năm 2005.

Bằng phương pháp GRID SEARCH, ta ước lượng được các giá trị xuất phát

γ 0 = 7.3352, c0 = 189.8966

Phân tích xu thế:

12
DHVP Empirics.net

Hình 10: Đồ thị đường xu thế của chuỗi VNI năm 2005

Phương trình mô tả xu thế của chuỗi VNI năm 2005:

ln VNI (t ) = 5.4574 + 0.0005t + (0.4339 − 0.001t ) e(t ) = 0.8657e(t − 1) + ε (t )
chứng bằng các tiêu chuẩn thống kê.

1 1 + e−8.4382( t −186.6967)

+ e(t )

trong đó ε(t) là sai số dự báo sau một bước, đó là nhiễu trắng điều này đã được kiểm Từ kết quả thu được, ta thấy thời điểm diễn ra sự chuyển tiếp mô hình là ngày giao dịch thứ 186 − 187 của năm 2005. Hệ số chuyển tiếp

γ = 8.4382 khá lớn, nghĩa là tốc độ diễn

ra sự chuyển tiếp mô hình khá nhanh. Cụ thể hơn ta có thể thấy qua đồ thị của hàm

13
DHVP Empirics.net

Hình 11: Đồ thị hàm chuyển tiếp trơn

Tài liệu tham khảo: 1. Granger, Clive, Terasvirta, Timo, 1993. Modelling Nonlinear Economic Relationships. Oxford Univ. Press, Oxford. 2. Greenaway, David, Leybourne, Steve, Sapsford, David, 2000. Smooth transition and GDP growth in the European Union. Manchester School 68, 145-165 3. Leybourne, Steve, Newbold, Paul, Vougas, Dimitrios, 1998b. Unit roots and smooth transitions. Journal of Time Series Analysis 19, 83-97. 4. Luukkonen, Ritva, Saikkonen, Pentti, Terasvirta, Timo, 1988. Testing linearity against smooth transition autoregressive models. Biometrika 75, 491-499. 5. Terasvirta, Timo, 1994. Specification, estimation and evaluation of smooth transition autoregressive models. Journal of the American Statistical Association 89, 208-218 6. Neil Foster, Robert Stehrer, 2007. Modelling transformation in CEECs using smooth transitions. Journal of Comparative Economics 35, 57-86. 7. James D. Hamilton. Time Series Analysis. Princeton University Press, New Jersey

14
DHVP Empirics.net

Sign up to vote on this title
UsefulNot useful