Professional Documents
Culture Documents
11.01.2021 - Final Đánh Trang
11.01.2021 - Final Đánh Trang
SĐT: 0907341993
Họ và tên: Trà Thị Hoàng Anh. STT: 33. SĐT: 0378240359
Lớp: LT20NH3, 4
1
CHƯƠNG 2: MÔ HÌNH ARIMA
Ước lượng và dự báo bằng mô hình chuỗi thời gian đơn biến.
Mô hình ARIMA là mô hình dùng để dự báo chuỗi thời gian ngắn hạn.
LÝ THUYẾT
Nhiễu trắng (White noise):
Chuỗi εt là nhiễu trắng có các đặc điểm sau:s
E(εt) = 0, ∀t
[trung bình = 0]
𝑣𝑎𝑟(εt ) = 𝜎 2 , ∀t
[phương sai không đổi (là hằng số)]
𝐶𝑜𝑣(ε𝑡 , ε𝑡−𝑠 ) = 𝜎 2 , ∀s #0
[không có tự tương quan]
Chuỗi thời gian đơn biến (Univariate time series model):
AR (autoregressive) tự hồi qui
I (intergrated): tích hợp
MA (moving average): trung bình trượt
2
Bước 1: Kiểm định tính dừng của chuỗi PNJ
Cách 1: Căn cứ ACF
Hàm tự tương quan và hàm tự tương quan riêng phần:
Hàm tự tương quan (Autocorrelation Function, ACF).
Hàm tự tương quan riêng phần (Partial autocorrelation, PACF) là biểu đồ có được khi
vẽ cá hệ số tự tương quan riêng phần, τkk lần lượt tại kk = 1, 2, 3, …
Do tồn tại tương quan trực tiếp giữa Yt và Yt-s (s ≤ p) và không tồn tại tương quan trực
tiếp giữa Yt và Yt-s (s > p), PACF thường có hệ số tự tương quan riêng phần khác 0
đối với các bậc trễ nhỏ hơn hoặc bằng bậc trễ của mô hình (τkk ≠ 0, kk ≤ p) và có hệ
số tương quan riêng phần bằng 0 đối với các bậc trễ lớn hơn bậc trễ của mô hình (τkk
= 0, kk > p).
3
4
Kết quả Correlogram of PNJ có ACF không giảm về 0 do các hệ số tự tương quan đều nằm
ngoài vùng bác bỏ. Như vậy, chuỗi PNJ không dừng tại bậc gốc.
5
Cách 2: Kiểm định tính dừng
E(Yt) = μ, ∀t, t = 1, 2, 3,…
[trung bình không đổi (là hằng số) với mọi t]
var(Yt) = ϭ2𝑌 , ∀t
Hoặc viết: E[(Yt - E(Yt)2] = E[(Yt – μ)2] = ϭ2𝑌
[phương sai không đổi (là hằng số) với mọi t]
cov(Yt, Yt-s) = γs, ∀s, t
Hoặc viết: E[(Yt – E(Yt)).(Yt-s – E(Yt-s))] = E[(Yt – μ).(Yt-s – μ) = γs
[tự hiệp phương sai không đổi (là hằng số) với mọi s, t]
PNJ
240
200
160
120
80
40
0
I II III IV I II III IV I II III IV I II III IV I II III IV
2016 2017 2018 2019 2020
7
KẾT QUẢ THỰC HÀNH:
Ho: PNJ có 1 nghiệm đơn vị (chuỗi PNJ không dừng)
H1: PNJ không có nghiệm đơn vị (chuỗi PNJ dừng)
t-Statistic Prob.*
8
Bước 2: Kỹ thuật lấy sai phân để chuỗi PNJ không dừng thành chuỗi PNJ dừng.
LÝ THYẾT
Quá trình tích hợp và mô hình ARIMA: Để chuyển một chuỗi không dừng thành chuỗi
dừng, phương pháp phổ biến là lấy sai phân (differencing)
GENR PNJ1=PNJ(-1)
GENR SPPNJ=PNJ-PNJ(-1)
Lưu ý: Tiếng Việt là sai phân (SP) còn tiếng Anh sai phân là (Diffrencing)
9
Bước 3: Kiểm định tính dừng của chuỗi DPNJ
GENR DPNJ=D(PNJ)
Cách 1: Căn cứ ACF
Hàm tự tương quan và hàm tự tương quan riêng phần:
Hàm tự tương quan (Autocorrelation Function, ACF).
Hàm tự tương quan riêng phần (Partial autocorrelation, PACF) là biểu đồ có được khi
vẽ cá hệ số tự tương quan riêng phần, τkk lần lượt tại kk = 1, 2, 3, …
Do tồn tại tương quan trực tiếp giữa Yt và Yt-s (s ≤ p) và không tồn tại tương quan trực
tiếp giữa Yt và Yt-s (s > p), PACF thường có hệ số tự tương quan riêng phần khác 0
đối với các bậc trễ nhỏ hơn hoặc bằng bậc trễ của mô hình (τkk ≠ 0, kk ≤ p) và có hệ
số tương quan riêng phần bằng 0 đối với các bậc trễ lớn hơn bậc trễ của mô hình (τkk
= 0, kk > p).
10
11
Kết quả Correlogram of DPNJ có ACF giảm về 0 do các hệ số tự tương quan đều nằm
trong vùng bác bỏ. Như vậy, chuỗi DPNJ dừng tại bậc sai phân.
12
Cách 2: Kiểm định tính dừng
E(Yt) = μ, ∀t, t = 1, 2, 3,…
[trung bình không đổi (là hằng số) với mọi t]
var(Yt) = ϭ2𝑌 , ∀t
Hoặc viết: E[(Yt - E(Yt)2] = E[(Yt – μ)2] = ϭ2𝑌
[phương sai không đổi (là hằng số) với mọi t]
cov(Yt, Yt-s) = γs, ∀s, t
Hoặc viết: E[(Yt – E(Yt)).(Yt-s – E(Yt-s))] = E[(Yt – μ).(Yt-s – μ) = γs
[tự hiệp phương sai không đổi (là hằng số) với mọi s, t]
DPNJ
20
10
-10
-20
-30
-40
-50
-60
I II III IV I II III IV I II III IV I II III IV I II III IV
2016 2017 2018 2019 2020
13
Cách 3: Kiểm định nghiệm đơn vị Dickey – Fuller (View => Unit Root Test)
LÝ THUYẾT:
Có 3 dạng phương trình hồi qui:
- Dạng thứ nhất là phương trình AR(1)
Yt = ΦYt-1 + ut (1)
Nếu Φ = 1, Yt có 1 nghiệm đơn vị, hay Yt không dừng.
Giả thuyết H0: Φ = 1
Giả thuyết H1: Φ # 1
Một dạng khác (và thuận tiện hơn) của kiểm định này là trừ hai vế phương trình (1) với Yt-1:
Yt - Yt-1 = (Φ – 1)Yt-1 + ut
ΔYt = (Φ – 1)Yt-1 + ut
ΔYt = ψYt-1 + ut (2)
Lúc này, giả thuyết kiểm định là:
Giả thuyết H0: ψ = 0
Giả thuyết H1: ψ < 0
Nếu H0 bị bác bỏ, thì kết luận Yt là chuỗi dừng, H0 không bị bác bỏ thì kết luận Yt
không dừng.
- Dạng phương trình thứ hai Có thêm hằng số (μ) vào phương trình (2), hằng số đại
diện cho xu hướng xác định (definite trend) của chuỗi như sau:
ΔYt = μ + ψYt-1 + ut (3)
- Dạng phương trình thứ ba có thêm xu hướng thời gian không ngẫu nhiên (non-
stochastic time trend) (t) vào phương trình (3):
ΔYt = μ + λt + ψYt-1 + ut (4)
14
KẾT QUẢ THỰC HÀNH:
Ho: DPNJ có 1 nghiệm đơn vị (chuỗi PNJ không dừng)
t-Statistic Prob.*
p – value (= 0,000) < α (= 0,05): Bác bỏ Ho => Vậy chuỗi DPNJ dừng tại bậc sai phân.
15
Bước 4: Xác định bậc Mô hình ARIMA (p,d,q)
LÝ THUYẾT:
- Mô hình trung bình trượt (MA):
Mô hình MA(1) có dạng như sau: Yt = μ + ut + θ1ut-1
Mô hình MA(q) có dạng như sau: Yt = μ + ut + θ1ut-1 + θ2ut-2 + …+ θqut-q
Mô hình MA được sử dụng khi Yt phụ thuộc chủ yếu vào sai số ở hiện tại và trước đó.
- Mô hình tự hồi qui (AR):
Mô hình AR(1) có dạng như sau: Yt = μ + ΦYt -1 + ut (Trong đó ut là sai số nhiễu trắng)
Mô hình AR(p): Yt = μ + Φ1Yt -1 + Φ2Yt -2 +…+ ΦpYt-p + ut
Lưu ý: Mô hình ARIMA chỉ chạy được trên chuỗi dừng.
Trong bài này chuỗi PNJ là chuỗi không dừng, chuỗi DPNJ là chuỗi dừng nên sẽ chạy mô
hình ARIMA trên chuỗi này (ít nhất 8 mô hình)
KẾT QUẢ THỰC HÀNH:
ARIMA (p,d,q)
p (PACF) = 1, 2, 3, 8, 10, 12, 14, 18, 19, 22, 23, 25, 26, 30, 31, 32, 33
d (sai phân) = 1
q (ACF) = 1, 2, 3, 10, 12, 13, 14, 18, 19, 22, 23, 25, 26, 27, 30, 31, 35
ARIMA (1, 1, 1) ARIMA (1, 1, 10) ARIMA (1, 1, 14)
ARIMA (1, 1, 2) ARIMA (1, 1, 12) ARIMA (1, 1, 18)
ARIMA (1, 1, 3) ARIMA (1, 1, 13) ARIMA (1, 1, 19)
Mô hình ARIMA giữ gốc
ARIMA (1, 1, 1)(2, 1, 2)(2, 1, 3)
ARIMA (1, 1, 1)(3, 1, 2)(3, 1, 3)
ARIMA (1, 1, 1)(8, 1, 2)(8, 1, 3)
16
Bước 5: Thực hiện Mô hình ARIMA (p, d, q)
ARIMA (1, 1, 1)
LS DPNJ C AR(1) MA(1)
Dependent Variable: DPNJ
Method: Least Squares
Date: 01/05/21 Time: 20:53
Sample (adjusted): 1/06/2016 12/31/2020
Included observations: 1167 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 1/05/2016
ARIMA (1, 1, 2)
LS DPNJ C AR(1) MA(2)
Dependent Variable: DPNJ
Method: Least Squares
Date: 01/05/21 Time: 20:47
Sample (adjusted): 1/06/2016 12/31/2020
Included observations: 1167 after adjustments
Convergence achieved after 7 iterations
MA Backcast: 1/04/2016 1/05/2016
17
ARIMA (1, 1, 3)
LS DPNJ C AR(1) MA(3)
Dependent Variable: DPNJ
Method: Least Squares
Date: 01/05/21 Time: 20:49
Sample (adjusted): 1/06/2016 12/31/2020
Included observations: 1167 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 1/01/2016 1/05/2016
18
ARIMA (1, 1, 12)
LS DPNJ C AR(1) MA(12)
Dependent Variable: DPNJ
Method: Least Squares
Date: 01/05/21 Time: 20:50
Sample (adjusted): 1/06/2016 12/31/2020
Included observations: 1167 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 12/21/2015 1/05/2016
19
ARIMA (1, 1, 14)
LS DPNJ C AR(1) MA(14)
Dependent Variable: DPNJ
Method: Least Squares
Date: 01/05/21 Time: 20:51
Sample (adjusted): 1/06/2016 12/31/2020
Included observations: 1167 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 12/17/2015 1/05/2016
20
ARIMA (1, 1, 18)
LS DPNJ C AR(1) MA(18)
Dependent Variable: DPNJ
Method: Least Squares
Date: 01/05/21 Time: 20:52
Sample (adjusted): 1/06/2016 12/31/2020
Included observations: 1167 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 12/11/2015 1/05/2016
21
ARIMA (1, 1, 19)
LS DPNJ C AR(1) MA(19)
Dependent Variable: DPNJ
Method: Least Squares
Date: 01/05/21 Time: 20:52
Sample (adjusted): 1/06/2016 12/31/2020
Included observations: 1167 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 12/10/2015 1/05/2016
22
Mô hình ARIMA giữ gốc: ARIMA (1, 1, 1)(2, 1, 2)(2, 1, 3)
LS DPNJ C AR(1) AR(2) MA(1) MA(2) MA(3)
Dependent Variable: DPNJ
Method: Least Squares
Date: 01/05/21 Time: 20:54
Sample (adjusted): 1/07/2016 12/31/2020
Included observations: 1166 after adjustments
Convergence achieved after 52 iterations
MA Backcast: 1/04/2016 1/06/2016
23
ARIMA (1, 1, 1)(3, 1, 2)(3, 1, 3)
LS DPNJ C AR(1) AR(3) MA(1) MA(2) MA(3)
Dependent Variable: DPNJ
Method: Least Squares
Date: 01/05/21 Time: 20:56
Sample (adjusted): 1/08/2016 12/31/2020
Included observations: 1165 after adjustments
Convergence achieved after 74 iterations
MA Backcast: 1/05/2016 1/07/2016
24
ARIMA (1, 1, 1)(8, 1, 2)(8, 1, 3)
LS DPNJ C AR(1) AR(8) MA(1) MA(2) MA(3)
Dependent Variable: DPNJ
Method: Least Squares
Date: 01/05/21 Time: 20:57
Sample (adjusted): 1/15/2016 12/31/2020
Included observations: 1160 after adjustments
Convergence achieved after 13 iterations
MA Backcast: 1/12/2016 1/14/2016
25
Bước 6: Lựa chọn các tiêu chí mô hình (từ 12 mô hình còn 3 mô hình)
Có 2 tiêu chí lựa chọn mô hình:
Chuẩn thông tin:
2𝑘
Akaike (Akaike Information Criterion): AIC = ln(σ
̂2 ) +
𝑇
Sự phù hợp mô hình: R2 Adjusted - R2 càng lớn càng tốt, nghĩa là mô hình càng phù
hợp.
R2 Hiêu
STT Mô hình R2 AIC SBIC HQIC
chỉnh
4.811504 4.803399
1 ARIMA (1, 1, 1) 0.013124 0.011429 4.798490
** **
4.811531 4.803427
2 ARIMA (1, 1, 2) 0.013097 0.011401 4.798518
* *
3 ARIMA (1, 1, 3) 0.008634 0.006930 4.803030 4.816044 4.807939
4 ARIMA (1, 1, 10) 0.008047 0.006343 4.803622 4.816635 4.808530
4.793807 4.806821 4.798716
5 ARIMA (1, 1, 12) 0.017735 0.016047
*** *** ***
6 ARIMA (1, 1, 13) 0.005780 0.004071 4.805905 4.818919 4.810814
7 ARIMA (1, 1, 14) 0.009624 0.007922 4.802031 4.815044 4.806940
8 ARIMA (1, 1, 18) 0.007550 0.005844 4.804123 4.817137 4.809032
9 ARIMA (1, 1, 19) 0.006079 0.004371 4.805604 4.818618 4.810513
0.023418 0.019209 4.793974
10 ARIMA (1, 1, 1)(2, 1, 2)(2, 1, 3) 4.820018 4.803798
*** *** **
0.022262 0.018044 4.796022
11 ARIMA (1, 1, 1)(3, 1, 2)(3, 1, 3) 4.822085 4.805854
** ** *
0.021962 0.017725
12 ARIMA (1, 1, 1)(8, 1, 2)(8, 1, 3) 4.800320 4.826473 4.810188
* *
26
Bước 7: Kiểm tra Mô hình ARIMA (p, d, q) dừng và khả nghịch
LÝ THUYẾT:
Điều kiện AR(p) dừng: trị tuyệt đối của tổng của các hệ số tự hồi qui phải nhỏ hơn
𝑝
1:| ∑𝑖=1 Φi| < 1, nghịch đảo nghiệm đặc trưng nằm trong vòng tròn đơn vị. Nếu mô hình
AR dừng các sai số trong quá khứ sẽ có tác động giảm dần lên giá trị hiện tại của Yt theo
thời gian.
Điều kiện MA(q) khả nghịch: trị tuyệt đối của tổng của các hệ số tự hồi qui phải nhỏ
𝑞
hơn 1:| ∑𝑖=1 Φi| < 1, nghịch đảo nghiệm đặc trưng nằm trong vòng tròn đơn vị. Mô hình
MA(q) có thể được viết lại thành mô hình AR(ꝏ).
0.060560 0.060560
27
Điều kiện MA(q) khả nghịch: trị tuyệt đối của tổng của các hệ số tự hồi qui phải nhỏ hơn
𝑞
1:| ∑𝑖=1 Φi| < 1, nghịch đảo nghiệm đặc trưng nằm trong vòng tròn đơn vị. Mô hình MA(q)
có thể được viết lại thành mô hình AR(ꝏ).
VẬY:
Điều kiện AR(p) dừng: trị tuyệt đối của tổng của các hệ số tự hồi qui phải nhỏ hơn
𝑝
1:| ∑𝑖=1 Φi| < 1, nghịch đảo nghiệm đặc trưng nằm trong vòng tròn đơn vị. Nếu mô hình
AR dừng các sai số trong quá khứ sẽ có tác động giảm dần lên giá trị hiện tại của Yt theo
thời gian.
Điều kiện MA(q) khả nghịch: trị tuyệt đối của tổng của các hệ số tự hồi qui phải nhỏ hơn
𝑞
1:| ∑𝑖=1 Φi| < 1, nghịch đảo nghiệm đặc trưng nằm trong vòng tròn đơn vị. Mô hình MA(q)
có thể được viết lại thành mô hình AR(ꝏ).
28
ARIMA (1, 1, 1)(3, 1, 2)(3, 1, 3)
Inverse Roots of AR/MA Polynomial(s)
Specification: DPNJ C AR(1) AR(3) MA(1) MA(2) MA(3)
Date: 01/07/21 Time: 19:34
Sample: 1/04/2016 12/31/2020
Included observations: 1165
VẬY:
Điều kiện AR(p) dừng: trị tuyệt đối của tổng của các hệ số tự hồi qui phải nhỏ hơn
𝑝
1:| ∑𝑖=1 Φi| < 1, nghịch đảo nghiệm đặc trưng nằm trong vòng tròn đơn vị. Nếu mô hình
AR dừng các sai số trong quá khứ sẽ có tác động giảm dần lên giá trị hiện tại của Yt theo
thời gian.
Điều kiện MA(q) khả nghịch: trị tuyệt đối của tổng của các hệ số tự hồi qui phải nhỏ hơn
𝑞
1:| ∑𝑖=1 Φi| < 1, nghịch đảo nghiệm đặc trưng nằm trong vòng tròn đơn vị. Mô hình MA(q)
có thể được viết lại thành mô hình AR(ꝏ).
KẾT LUẬN:
Vậy mô hình tốt là mô hình vừa dừng vừa khả nghịch:
ARIMA (1, 1, 12)
ARIMA (1, 1, 1)(2, 1, 2)(2, 1, 3)
ARIMA (1, 1, 1)(3, 1, 2)(3, 1, 3)
29
Bước 8: Viết Mô hình ARIMA (p, d, q):
Mô hình trung bình trượt tự hồi qui (ARMA)
Mô hình ARMA(p, q) được kết hợp từ mô hình AR(p) và MA(q). Mô hình được sử dụng
khi giá trị hiện tại của Yt phụ thuộc tuyến tính vào giá trị của chính nó tại các thời điểm
trước (t-s) và giá trị hiện tại, trước đó của sai số:
Yt = μ + Φ1Yt -1 + Φ2Yt -2 +…+ ΦpYt-p + ut + θ1ut-1 + θ2ut-2 +…+ θqut-q
30
ARIMA (1, 1, 1)(2, 1, 2)(2, 1, 3)
Dependent Variable: DPNJ
Method: Least Squares
Date: 01/07/21 Time: 20:10
Sample (adjusted): 1/07/2016 12/31/2020
Included observations: 1166 after adjustments
Convergence achieved after 52 iterations
MA Backcast: 1/04/2016 1/06/2016
31
ARIMA (1, 1, 1)(3, 1, 2)(3, 1, 3)
Dependent Variable: DPNJ
Method: Least Squares
Date: 01/07/21 Time: 21:09
Sample (adjusted): 1/08/2016 12/31/2020
Included observations: 1165 after adjustments
Convergence achieved after 74 iterations
MA Backcast: 1/05/2016 1/07/2016
32
Bước 9: Căn cứ trên tính chính xác dự báo để lựa chọn mô hình (từ 3 mô hình chọn
còn 1 mô hình):
Dự báo (forecast):
Dự báo chuỗi thời gian (time series forecast) và Dự báo cấu trúc (economic/structural
forecast)
Dự báo điểm (point forecast) và dự báo khoảng (interval forecast).
Dự báo trong mẫu (in-sample forecast) và dự báo ngoài mẫu (out-of-sample forecast).
Dự báo mẫu chồng lấn (rolling sample) và dự báo mẫu đệ quy (recursive sample).
Đánh giá tính chính xác của dự báo:
Tính chính xác (accuracy) của dự báo được đánh giá trên sai số dự báo (forecast
error). Sai số dự báo càng nhỏ, dự báo càng có tính chính xác cao.
Sai số bình phương trung bình (Mean squared error, MSE) và Sai số trị tuyệt đối
trung bình (Mean absolute error, MAE).
Công thức:
1 𝑇
𝑀𝑆𝐸 = ∑ = 𝑇1 (𝑌𝑡+𝑠 − 𝑓𝑡,𝑠 )2
𝑇 − (𝑇1 − 1) 𝑡
1 𝑇
𝑀𝐴𝐸 = ∑ = 𝑇1 |𝑌𝑡+𝑠 − 𝑓𝑡,𝑠 |
𝑇 − (𝑇1 − 1) 𝑡
Sai số phần trăm trị tuyệt đối trung bình (Mean absolute percentage error. MAPE
100 𝑇 𝑌𝑡+𝑠 − 𝑓𝑡,𝑠
𝑀𝐴𝑃𝐸 = ∑ = 𝑇1 | |
𝑇 − (𝑇1 − 1) 𝑡 𝑌𝑡+𝑠
33
ARIMA (1, 1, 12)
8
Forecast: DPNJF
Actual: DPNJ
4
Forecast sample: 1/04/2016 12/31/2020
Adjusted sample: 1/06/2016 12/31/2020
0 Included observations: 1167
Root Mean Squared Error 2.652213
-4 Mean Absolute Error 1.374393
Mean Abs. Percent Error 94.81055
-8
Theil Inequality Coefficient 0.873652
Bias Proportion 0.000000
Variance Proportion 0.763884
-12
Covariance Proportion 0.236116
-16
I II III IV I II III IV I II III IV I II III IV I II III IV
2016 2017 2018 2019 2020
DPNJF ± 2 S.E.
-12
I II III IV I II III IV I II III IV I II III IV I II III IV
2016 2017 2018 2019 2020
DPNJF ± 2 S.E.
34
ARIMA (1, 1, 1)(3, 1, 2)(3, 1, 3)
8
Forecast: DPNJF
Actual: DPNJ
4
Forecast sample: 1/04/2016 12/31/2020
Adjusted sample: 1/08/2016 12/31/2020
0 Included observations: 1165
Root Mean Squared Error 2.648312
-4 Mean Absolute Error 1.380470
Mean Abs. Percent Error 101.2309
-8
Theil Inequality Coefficient 0.859829
Bias Proportion 0.000000
Variance Proportion 0.739935
-12
Covariance Proportion 0.260065
-16
I II III IV I II III IV I II III IV I II III IV I II III IV
2016 2017 2018 2019 2020
DPNJF ± 2 S.E.
35
Bước 10: Dự báo ngày 11/01/2021, 12/01/2021, 13/01/2021
6
-2
-4
-6
1/11/21
DPNJF ± 2 S.E.
PNJ8/1 = 82.4
DPNJf11/1:
+ DPNJf11/1 max = 5.2 = PNJf11/1 max – PNJ8/1 = PNJf11/1 max – 82.4
=> PNJf11/1 max = 87.6
+ DPNJf11/1 = - 0.1 = PNJf11/1 – PNJ8/1 = PNJf11/1 – 82.4
=> PNJf11/1 = 81.4
+ DPNJf11/1 min = - 5.4 = PNJf11/1 min – PNJ8/1 = PNJf11/1 min – 82.4
=> PNJf11/1 min = 77.0
36
Bước 11: Dự báo ngày 12/01/2021
6
-2
-4
-6
1/12/21
DPNJF ± 2 S.E.
PNJ11/1 = 81.4
DPNJf12/1:
+ DPNJf12/1 max = 5.4 = PNJf12/1 max – PNJ11/1 = PNJf12/1 max – 81.4
=> PNJf12/1 max = 86.8
+ DPNJf12/1 = 0.1 = PNJf12/1 – PNJ11/1 = PNJf12/1 – 81.4
=> PNJf12/1 = 81.5
+ DPNJf12/1 min = - 5.2 = PNJf12/1 min – PNJ11/1 = PNJf12/1 min – 81.
=> PNJf12/1 min = 76.2
37
Bước 12: Dự báo ngày 13/01/2021
6
-2
-4
-6
1/13/21
DPNJF ± 2 S.E.
PNJf12/1 = 81.5
DPNJf13/1:
+ DPNJf13/1 max = 5.4 = PNJf13/1 max – PNJ12/1 = PNJf13/1 max – 81.5
=> PNJf13/1 max = 86.9
+ DPNJf13/1 = 0.1 = PNJf13/1 – PNJ12/1 = PNJf13/1 – 81.5
=> PNJf13/1 = 81.6
+ DPNJf13/1 min = - 5.2 = PNJf13/1 min – PNJ12/1 = PNJf13/1 min – 81.5
=> PNJf13/1 min = 76.3
38
CHUỖI VNINDEX
Chương 2: Mô hình ARIMA
Ước lượng và dự báo bằng mô hình chuỗi thời gian đơn biến.
Mô hình ARIMA là mô hình dùng để dự báo chuỗi thời gian ngắn hạn.
39
Kết quả Correlogram of VNINDEX có ACF giảm về 0 do các hệ số tự tương quan đều
nằm trong vùng bác bỏ. Như vậy, chuỗi VNINDEX dừng tại bậc gốc.
40
Cách 2: Kiểm định tính dừng
E(Yt) = μ, ∀t, t = 1, 2, 3,…
[trung bình không đổi (là hằng số) với mọi t]
var(Yt) = ϭ2𝑌 , ∀t
Hoặc viết: E[(Yt - E(Yt)2] = E[(Yt – μ)2] = ϭ2𝑌
[phương sai không đổi (là hằng số) với mọi t]
cov(Yt, Yt-s) = γs, ∀s, t
Hoặc viết: E[(Yt – E(Yt)).(Yt-s – E(Yt-s))] = E[(Yt – μ).(Yt-s – μ) = γs
[tự hiệp phương sai không đổi (là hằng số) với mọi s, t]
VNINDEX
6
-2
-4
-6
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2006 2007 2008 2009 2010 2011
41
Cách 3: Kiểm định nghiệm đơn vị Dickey – Fuller (View => Unit Root Test)
Ho: VNINDEX có 1 nghiệm đơn vị (chuỗi VNINDEX không dừng)
H1: VNINDEX không có nghiệm đơn vị (chuỗi VNINDEX dừng)
t-Statistic Prob.*
42
Bước 4: Xác định bậc Mô hình ARIMA (p,d,q)
Lưu ý: Mô hình ARIMA chỉ chạy được trên chuỗi dừng.
ARIMA (p,d,q)
p (PACF) = 1, 2, 4, 5, 13, 22,
d (sai phân) = 0
q (ACF) = 1, 4, 5, 12, 13, 14, 18, 19, 21, 22. 23, 28, 32
ARIMA (1, 0, 1)
ARIMA (1, 0, 4)
ARIMA (1, 0, 5)
ARIMA (1, 0, 12)
ARIMA (2, 0, 1)
ARIMA (2, 0, 4)
ARIMA (2, 0, 5)
ARIMA (2, 0, 12)
Mô hình ARIMA giữ gốc
ARIMA (1, 0, 1)(1, 0, 4)(1, 0, 5)
ARIMA (1, 0, 1)(2, 0, 1)(4, 0, 5)
ARIMA (1, 0, 1)(4, 0, 5)(5, 0, 18)
43
Bước 5: Thực hiện Mô hình ARIMA (p, d, q)
ARIMA (1, 0, 1)
LS VNINDEX C AR(1) MA(1)
Dependent Variable: VNINDEX
Method: Least Squares
Date: 01/09/21 Time: 20:24
Sample (adjusted): 1/04/2006 12/30/2011
Included observations: 1495 after adjustments
Convergence achieved after 9 iterations
MA Backcast: 1/03/2006
ARIMA (1, 0, 4)
LS VNINDEX C AR(1) MA(4)
Dependent Variable: VNINDEX
Method: Least Squares
Date: 01/09/21 Time: 20:32
Sample (adjusted): 1/04/2006 12/30/2011
Included observations: 1495 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 12/28/2005 1/03/2006
44
ARIMA (1, 0, 5)
LS VNINDEX C AR(1) MA(5)
Dependent Variable: VNINDEX
Method: Least Squares
Date: 01/09/21 Time: 20:38
Sample (adjusted): 1/04/2006 12/30/2011
Included observations: 1495 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 12/27/2005 1/03/2006
45
ARIMA (2, 0, 1)
LS VNINDEX C AR(2) MA(1)
Dependent Variable: VNINDEX
Method: Least Squares
Date: 01/09/21 Time: 20:45
Sample (adjusted): 1/05/2006 12/30/2011
Included observations: 1494 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 1/04/2006
ARIMA (2, 0, 4)
LS VNINDEX C AR(2) MA(4)
Dependent Variable: VNINDEX
Method: Least Squares
Date: 01/09/21 Time: 20:46
Sample (adjusted): 1/05/2006 12/30/2011
Included observations: 1494 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 12/29/2005 1/04/2006
46
ARIMA (2, 0, 5)
LS VNINDEX C AR(2) MA(5)
Dependent Variable: VNINDEX
Method: Least Squares
Date: 01/09/21 Time: 20:42
Sample (adjusted): 1/05/2006 12/30/2011
Included observations: 1494 after adjustments
Convergence achieved after 5 iterations
MA Backcast: 12/28/2005 1/04/2006
47
Mô hình ARIMA giữ gốc
ARIMA (1, 0, 1)(1, 0, 4)(1, 0, 5)
LS VNINDEX C AR(1) MA(1) MA(4) MA(5)
Dependent Variable: VNINDEX
Method: Least Squares
Date: 01/09/21 Time: 20:50
Sample (adjusted): 1/04/2006 12/30/2011
Included observations: 1495 after adjustments
Convergence achieved after 7 iterations
MA Backcast: 12/27/2005 1/03/2006
48
ARIMA (1, 0, 1)(4, 0, 5)(5, 0, 18)
LS VNINDEX C AR(1) AR(4) AR(5) MA(1) MA(5) MA(18)
Dependent Variable: VNINDEX
Method: Least Squares
Date: 01/09/21 Time: 21:03
Sample (adjusted): 1/10/2006 12/30/2011
Included observations: 1491 after adjustments
Convergence achieved after 8 iterations
MA Backcast: 12/14/2005 1/09/2006
49
Bước 6: Lựa chọn các tiêu chí mô hình (từ 11 mô hình còn 3 mô hình)
Có 2 tiêu chí lựa chọn mô hình:
- Chuẩn thông tin: AIC, SBIC, HQIC
- Sự phù hợp mô hình: R2, Adjusted - R2
ST R2 Hiêu
Mô hình R2 AIC SBIC HQIC
T chỉnh
1 ARIMA (1, 0, 1) 0.086478 0.085254 4.004256 4.014911 4.008226
4.008792 4.002107
2 ARIMA (1, 0, 4) 0.092051 0.090834 3.998137
** *
4.012280
3 ARIMA (1, 0, 5) 0.088878 0.087657 4.001625
*
4.005595
50
Bước 7: Kiểm tra Mô hình ARIMA (p, d, q) dừng và khả nghịch
LÝ THUYẾT:
𝑝
Điều kiện AR (p) dừng: tổng của các hệ số tự hồi qui phải nhỏ hơn 1:| ∑𝑖=1 Φi| < 1,
nghịch đảo nghiệm đặc trưng nằm trong vòng tròn đơn vị. Nếu mô hình AR dừng các sai số
trong quá khứ sẽ có tác động giảm dần lên giá trị hiện tại của Yt theo thời gian.
Điều kiện MA (q) khả nghịch: tổng của các hệ số tự hồi qui phải nhỏ hơn
𝑞
1:| ∑𝑖=1 Φi| < 1, nghịch đảo nghiệm đặc trưng nằm trong vòng tròn đơn vị. Mô hình MA(q)
có thể được viết lại thành mô hình AR(ꝏ).
0.119743 0.119743
51
ARIMA (1, 0, 1)(2, 0, 1)(4, 0, 5)
Inverse Roots of AR/MA Polynomial(s)
Specification: VNINDEX C AR(1) AR(2) AR(4) MA(1)
MA(5)
Date: 01/10/21 Time: 11:21
Sample: 12/30/2005 12/30/2011
Included observations: 1492
0.633158 0.633158
0.095666 ± 0.577377i 0.585249 4.466939
-0.467729 0.467729
VẬY:
𝑝
Điều kiện AR (p) dừng: tổng của các hệ số tự hồi qui phải nhỏ hơn 1:| ∑𝑖=1 Φi| < 1, nghịch
đảo nghiệm đặc trưng nằm trong vòng tròn đơn vị. Nếu mô hình AR dừng các sai số trong
quá khứ sẽ có tác động giảm dần lên giá trị hiện tại của Yt theo thời gian.
𝑞
Điều kiện MA (q) khả nghịch: tổng của các hệ số tự hồi qui phải nhỏ hơn 1:| ∑𝑖=1 Φi| < 1,
nghịch đảo nghiệm đặc trưng nằm trong vòng tròn đơn vị. Mô hình MA(q) có thể được viết
lại thành mô hình AR(ꝏ).
52
ARIMA (1, 0, 1)(4, 0, 5)(5, 0, 8)
Inverse Roots of AR/MA Polynomial(s)
Specification: VNINDEX C AR(1) AR(4) AR(5) MA(1)
MA(5) MA(8)
Date: 01/10/21 Time: 11:22
Sample: 12/30/2005 12/30/2011
Included observations: 1491
0.642377 0.642377
0.085219 ± 0.577897i 0.584147 4.411150
-0.412429 0.412429
-0.288433 0.288433
-0.620711 0.620711
0.407750 ± 0.375020i 0.553986 8.449587
-0.096735 ± 0.513283i 0.522319 3.575935
-0.314064 ± 0.376486i 0.490284 2.772755
0.439352 0.439352
VẬY:
𝑝
Điều kiện AR (p) dừng: tổng của các hệ số tự hồi qui phải nhỏ hơn 1:| ∑𝑖=1 Φi| < 1, nghịch
đảo nghiệm đặc trưng nằm trong vòng tròn đơn vị. Nếu mô hình AR dừng các sai số trong
quá khứ sẽ có tác động giảm dần lên giá trị hiện tại của Yt theo thời gian.
𝑞
Điều kiện MA (q) khả nghịch: tổng của các hệ số tự hồi qui phải nhỏ hơn 1:| ∑𝑖=1 Φi| < 1,
nghịch đảo nghiệm đặc trưng nằm trong vòng tròn đơn vị. Mô hình MA(q) có thể được viết
lại thành mô hình AR(ꝏ).
53
Bước 8: Viết Mô hình ARIMA (p, d, q):
ARIMA (1, 0, 1)(1, 0, 4)(1, 0, 5)
Dependent Variable: VNINDEX
Method: Least Squares
Date: 01/10/21 Time: 11:09
Sample (adjusted): 1/04/2006 12/30/2011
Included observations: 1495 after adjustments
Convergence achieved after 7 iterations
MA Backcast: 12/27/2005 1/03/2006
54
ARIMA (1, 0, 1)(2, 0, 1)(4, 0, 5)
Dependent Variable: VNINDEX
Method: Least Squares
Date: 01/10/21 Time: 08:15
Sample (adjusted): 1/09/2006 12/30/2011
Included observations: 1492 after adjustments
Convergence achieved after 8 iterations
MA Backcast: 12/30/2005 1/06/2006
55
ARIMA (1, 0, 1)(4, 0, 5)(5, 0,8)
Dependent Variable: VNINDEX
Method: Least Squares
Date: 01/10/21 Time: 08:18
Sample (adjusted): 1/10/2006 12/30/2011
Included observations: 1491 after adjustments
Convergence achieved after 9 iterations
MA Backcast: 12/28/2005 1/09/2006
56
Bước 9: Căn cứ trên tính chính xác dự báo để lựa chọn mô hình (từ 3 mô hình chọn
còn 1 mô hình):s
ARIMA (1, 0, 1)(1, 0, 4)(1, 0, 5)
6
Forecast: VNINDEXF
Actual: VNINDEX
4
Forecast sample: 12/30/2005 12/30/...
Adjusted sample: 1/04/2006 12/30/2011
2 Included observations: 1495
Root Mean Squared Error 1.773880
0 Mean Absolute Error 1.379272
Mean Abs. Percent Error 175.1056
-2
Theil Inequality Coefficient 0.719738
Bias Proportion 0.000000
Variance Proportion 0.518431
-4 Covariance Proportion 0.481569
-6
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2006 2007 2008 2009 2010 2011
V NINDEXF ± 2 S.E.
-6
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2006 2007 2008 2009 2010 2011
V NINDEXF ± 2 S.E.
57
ARIMA (1, 0, 1)(4, 0, 5)(5, 0,8)
6
Forecast: VNINDEXF
Actual: VNINDEX
4
Forecast sample: 12/30/2005 12/30/...
Adjusted sample: 1/10/2006 12/30/2011
2 Included observations: 1491
Root Mean Squared Error 1.776306
0 Mean Absolute Error 1.381822
Mean Abs. Percent Error 173.0000
-2
Theil Inequality Coefficient 0.719620
Bias Proportion 0.000000
Variance Proportion 0.517873
-4 Covariance Proportion 0.482127
-6
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
2006 2007 2008 2009 2010 2011
V NINDEXF ± 2 S.E.
58