Giới thiệu dự án

Thị trường chứng khoán (TTCK) Việt Nam sau hơn hai thập kỷ hình thành và phát triển từ năm 2000 với 2 mã niêm yết ban đầu (REE và SAM) đã mở rộng quy mô lên hơn 1.900 doanh nghiệp niêm yết trên cả ba sàn giao dịch (HOSE, HNX, UPCoM). Chỉ số VN-Index đã trải qua các chu kỳ tăng trưởng vượt bậc, từ mốc cơ sở 100 điểm (28/07/2000) thiết lập đỉnh lịch sử trên 1.500 điểm vào cuối năm 2021, trước khi chịu áp lực điều chỉnh sâu hơn 34,2% trong năm 2022 do những biến động vĩ mô phức tạp (lạm phát toàn cầu, Cục Dự trữ Liên bang Mỹ - FED liên tục tăng lãi suất, sự cố thanh khoản trên thị trường trái phiếu doanh nghiệp và các vụ việc sai phạm thao túng thị trường).

Sự biến động khó lường của VN-Index phản ánh trực tiếp rủi ro hệ thống của toàn bộ nền kinh tế tài chính Việt Nam. Phần lớn các nhà đầu tư cá nhân trên thị trường (chiếm trên 85% giá trị giao dịch toàn thị trường) vẫn đưa ra quyết định dựa trên cảm tính hoặc bị chi phối bởi các luồng thông tin nhiễu loạn trong ngắn hạn, dẫn đến thua lỗ nặng nề khi thị trường đảo chiều. Bài toán dự báo xu hướng chỉ số VN-Index trong ngắn hạn nhằm cung cấp công cụ định lượng khoa học, khách quan giúp kiểm soát rủi ro và tối ưu hóa danh mục đầu tư là một yêu cầu cấp thiết.

                    ┌─────────────────────────────────────────┐
                    │  Dữ liệu giá đóng cửa VN-Index thô      │
                    │      (20/09/2021 - 30/12/2022)          │
                    └────────────────────┬────────────────────┘
                                         │
                                         ▼
                    ┌─────────────────────────────────────────┐
                    │   Kiểm định tính dừng ADF (Unit Root)   │
                    └────────────────────┬────────────────────┘
                                         │
                   ┌─────────────────────┴─────────────────────┐
                   ▼                                           ▼
          [Chuỗi không dừng: d=0]                      [Lấy sai phân d=1]
          t = -0.2399 (p=0.9302)                     t = -16.356 (p=0.0000)
                   │                                           │
                   └───────────────────►◄──────────────────────┘
                                         │
                                         ▼
                    ┌─────────────────────────────────────────┐
                    │ Nhận dạng & Ước lượng ARIMA(2,1,0)      │
                    │   (AIC = 8.562736, SIC = 8.598227)      │
                    └────────────────────┬────────────────────┘
                                         │
                                         ▼
                    ┌─────────────────────────────────────────┐
                    │    Kiểm định Heteroskedasticity ARCH    │
                    │  (Phát hiện phương sai sai số thay đổi) │
                    └────────────────────┬────────────────────┘
                                         │
                                         ▼
                    ┌─────────────────────────────────────────┐
                    │  Ước lượng phương sai GARCH(1,1)        │
                    │    (Khắc phục cụm biến động ARCH)       │
                    └────────────────────┬────────────────────┘
                                         │
                                         ▼
                    ┌─────────────────────────────────────────┐
                    │ Dự báo Out-of-sample 5 phiên T1/2023    │
                    │     (Độ chính xác cao, Theil U < 0.55)  │
                    └─────────────────────────────────────────┘

Đề tài khóa luận "Ứng dụng mô hình ARIMA, GARCH để dự báo chỉ số VN-Index trong ngắn hạn" được thực hiện bởi sinh viên Nguyễn Đắc Tuấn Minh dưới sự hướng dẫn của ThS. Hoàng Hạnh Nguyên (Khoa Kế toán - Tài chính, Trường Đại học Kinh tế – Đại học Huế) tập trung giải quyết triệt để bài toán biến động giá và phương sai thay đổi của chuỗi tài chính thông qua kết hợp quy trình Box-Jenkins và mô hình phương sai có điều kiện GARCH.

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý luận về chuỗi thời gian, lý thuyết bước ngẫu nhiên, phương pháp Box-Jenkins cho mô hình ARIMA và cơ chế kiểm soát phương sai thay đổi của mô hình ARCH/GARCH trong chuỗi dữ liệu tài chính.
  2. Kiểm định và xử lý dữ liệu thực nghiệm của chỉ số VN-Index giai đoạn 20/09/2021 đến 30/12/2022 (324 phiên giao dịch) để đảm bảo các điều kiện dừng của chuỗi dữ liệu kinh tế lượng.
  3. Ước lượng và lựa chọn mô hình tối ưu giữa các cấu trúc bậc $(p, d, q)$ của ARIMA và $(p, q)$ của GARCH dựa trên các tiêu chuẩn tối ưu hóa thông tin Akaike (AIC), Schwarz (SIC) và kiểm định chuẩn của phần dư.
  4. Thực hiện dự báo ngoài mẫu (Out-of-sample forecast) cho 5 phiên giao dịch trong tuần đầu tiên của tháng 01/2023, so sánh kết quả dự báo với diễn biến thực tế để đánh giá sai số và đưa ra khuyến nghị phòng ngừa rủi ro cho nhà đầu tư.

Phạm vi và giới hạn nghiên cứu

  • Đối tượng nghiên cứu: Chuỗi thời gian giá đóng cửa điều chỉnh hàng ngày của chỉ số VN-Index.
  • Không gian dữ liệu: Toàn bộ các cổ phiếu niêm yết trên Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE).
  • Thời gian nghiên cứu: Dữ liệu mẫu quan sát từ ngày 20/09/2021 đến ngày 30/12/2022 (324 quan sát), tập trung dự báo kiểm định ngoài mẫu 5 ngày giao dịch từ 03/01/2023 đến 09/01/2023.
  • Giới hạn kỹ thuật: Mô hình tập trung vào phân tích định lượng chuỗi thời gian đơn biến nội sinh, không tích hợp các biến giải thích ngoại sinh như lãi suất liên ngân hàng, tỷ giá USD/VND hay dòng vốn ngoại khối (FII).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong phân tích dự báo tài chính, các phương pháp truyền thống như hồi quy tuyến tính cổ điển (OLS), mô hình trượt đơn giản (Naive Model) hoặc phân tích kỹ thuật thuần túy bộc lộ nhiều điểm yếu khi đối mặt với các chuỗi phi tuyến có tính biến động cụm (Volatility Clustering).

Tiêu chí so sánh Mô hình Naive / SMA Hồi quy tuyến tính (OLS) Mô hình ARIMA thuần túy Mô hình Hybrid ARIMA-GARCH
Xử lý chuỗi không dừng Kém, phụ thuộc chu kỳ trễ Không xử lý được hiện tượng hồi quy giả Tốt thông qua sai phân tích hợp $I(d)$ Tối ưu thông qua sai phân tích hợp $I(d)$
Kiểm soát phương sai đổi Không hỗ trợ Giả định phương sai đồng nhất (vi phạm OLS) Thất bại khi có hiệu ứng ARCH Khắc phục triệt để bằng phương trình GARCH
Khả năng dự báo ngắn hạn Trễ theo xu hướng (Lagging) Sai số dự báo lớn Tốt cho giá trị trung bình có điều kiện Tối ưu cho cả trung bình và biên độ dao động
Độ phức tạp tính toán Thấp ($O(N)$) Thấp ($O(N \cdot K^2)$) Trung bình ($O(N \cdot (p+q)^2)$) Cao ($O(N \cdot (p+q+P+Q)^3)$)

Phân loại yêu cầu hệ thống định lượng (MoSCoW)

  • Must-have (Bắt buộc): Kiểm định nghiệm đơn vị Augmented Dickey-Fuller (ADF); lấy sai phân bậc 1 $d=1$; xác định mô hình ARIMA tối ưu theo AIC/SIC; kiểm định hiện tượng ARCH trong phần dư; thiết lập mô hình GARCH(1,1).
  • Should-have (Nên có): Dự báo đa bước ngoài mẫu (Multi-step out-of-sample forecasting); biểu đồ so khớp Residual Normality (Jarque-Bera); kiểm tra hệ số Theil Inequality Coefficient ($U < 0.55$).
  • Could-have (Có thể mở rộng): Tích hợp biến thể phi đối xứng T-GARCH hoặc E-GARCH để đo lường tác động của tin tức tiêu cực (Leverage Effect).
  • Won't-have (Chưa thực hiện): Huấn luyện mô hình học sâu (Deep Learning LSTM/Transformer) đa biến thời gian thực.

Thiết kế hệ thống định lượng

graph TD
    A[Thu thập dữ liệu VN-Index 20/09/2021 - 30/12/2022] --> B[Làm sạch dữ liệu & Vẽ biểu đồ chuỗi gốc]
    B --> C{Kiểm định ADF chuỗi gốc}
    C -- "p-value > 0.05 (Không dừng)" --> D[Lấy sai phân bậc 1: d=1]
    C -- "p-value <= 0.05 (Dừng)" --> E[Nhận dạng bậc p, q]
    D --> F{Kiểm định ADF sai phân d=1}
    F -- "p-value = 0.0000 (Dừng)" --> E
    E --> G[Ước lượng bộ mô hình ARIMA candidates]
    G --> H[Chọn ARIMA 2,1,0 có AIC, SIC Min]
    H --> I{Kiểm định ARCH-LM phần dư}
    I -- "Tồn tại hiệu ứng ARCH" --> J[Ước lượng mô hình GARCH p,q]
    I -- "Không có ARCH" --> K[Dự báo bằng ARIMA]
    J --> L[Chọn GARCH 1,1 tối ưu]
    L --> M[Dự báo trung bình có điều kiện 5 phiên T1/2023]
    M --> N[Đánh giá sai số RMSE, MAE, MAPE, Theil U]

Technology Stack và Công cụ nghiên cứu

  • Phần mềm phân tích chính: EViews Enterprise Edition (Version 12.0) - chuyên dụng cho mô hình hóa chuỗi thời gian kinh tế lượng tài chính.
  • Công cụ tiền xử lý và trực quan hóa: Microsoft Excel 365 (Build 16.0) & Python 3.10 với các thư viện:
    • pandas v2.1.0 (Xử lý chuỗi thời gian).
    • statsmodels v0.14.0 (Kiểm định ADF, KPSS, mô hình ARIMA).
    • arch v6.2.0 (Mô hình hóa ARCH, GARCH, GJR-GARCH).
    • matplotlib v3.8.0 & seaborn v0.13.0 (Vẽ ACF, PACF, Correlogram).
  • Hệ thống cơ sở dữ liệu: Dữ liệu chuỗi thời gian giá đóng cửa lịch sử trích xuất từ Trung tâm dữ liệu CafeF và HOSE.

Phương pháp nghiên cứu (Methodology)

Nghiên cứu tuân thủ chặt chẽ 4 bước của Phương pháp Box-Jenkins (1976) kết hợp quy trình ước lượng phương sai của Bollerslev (1986):

  1. Nhận dạng mô hình (Identification): Vẽ biểu đồ hàm tự tương quan (ACF) và hàm tự tương quan từng phần (PACF) của chuỗi gốc và chuỗi sai phân bậc 1 để sơ bộ xác định khoảng bậc $(p, d, q)$.
  2. Ước lượng tham số (Estimation): Sử dụng phương pháp bình phương tối thiểu phi tuyến (NLS) và phương pháp hợp lý cực đại (Maximum Likelihood Estimation - MLE) để ước lượng các hệ số $\phi_i, \theta_j, \alpha_i, \beta_j$.
  3. Kiểm tra chẩn đoán (Diagnostic Checking): Kiểm tra tính dừng của phần dư, phân phối chuẩn của sai số qua kiểm định Jarque-Bera, và kiểm định hiện tượng phương sai thay đổi có điều kiện bằng kiểm định Lagrange Multiplier (ARCH-LM).
  4. Dự báo (Forecasting): Thiết lập phương trình dự báo điểm cho kỳ hạn 5 ngày tiếp theo, tính toán khoảng tin cậy 95% và đo lường độ chính xác thông qua hệ số Theil.
+-----------------------------------------------------------------------------------+
|                           KẾ HOẠCH TRIỂN KHAI DỰ ÁN                               |
+------------------------------------+---------------------+------------------------+
| Giai đoạn                          | Thời lượng          | Sản phẩm bàn giao      |
+------------------------------------+---------------------+------------------------+
| 1. Thu thập & Tiền xử lý dữ liệu   | Tuần 1 - Tuần 2     | Bộ dữ liệu 324 phiên   |
| 2. Kiểm định tính dừng & Sai phân  | Tuần 3 - Tuần 4     | Kết quả kiểm định ADF  |
| 3. Ước lượng ARIMA & Kiểm định ARCH| Tuần 5 - Tuần 7     | Mô hình ARIMA(2,1,0)   |
| 4. Xây dựng mô hình GARCH(1,1)     | Tuần 8 - Tuần 9     | Hệ số phương sai GARCH |
| 5. Dự báo Out-of-sample & Đánh giá | Tuần 10 - Tuần 12   | Báo cáo sai số dự báo  |
+------------------------------------+---------------------+------------------------+

Implementation và kết quả

Quy trình toán học và thuật toán cốt lõi

1. Mô hình ARIMA($p, d, q$)

Phương trình tổng quát của mô hình tự hồi quy tích hợp trung bình trượt đối với chuỗi giá trị VN-Index ($Y_t$) sau khi lấy sai phân bậc $d=1$ ($\Delta Y_t = Y_t - Y_{t-1}$):

$$\Delta Y_t = \phi_0 + \sum_{i=1}^{p} \phi_i \Delta Y_{t-i} + u_t - \sum_{j=1}^{q} \theta_j u_{t-j}$$

Với mô hình được lựa chọn thực nghiệm ARIMA(2, 1, 0):

$$\Delta Y_t = \phi_0 + \phi_1 \Delta Y_{t-1} + \phi_2 \Delta Y_{t-2} + u_t$$

Trong đó:

  • $\Delta Y_t$: Mức thay đổi chỉ số VN-Index tại ngày giao dịch $t$.
  • $\phi_1, \phi_2$: Các hệ số tự hồi quy bậc 1 và bậc 2.
  • $u_t$: Nhiễu trắng có kỳ vọng $E(u_t) = 0$.

2. Mô hình GARCH($p, q$)

Khi phần dư $u_t$ xuất hiện hiện tượng phương sai thay đổi, phương sai có điều kiện $\sigma_t^2$ (hoặc $h_t$) được biểu diễn thông qua mô hình GARCH(1, 1):

Phương trình trung bình: $$Y_t = \mu + \phi_1 Y_{t-1} + \phi_2 Y_{t-2} + u_t, \quad u_t = \sigma_t \epsilon_t, \quad \epsilon_t \sim i.i.d(0, 1)$$

Phương trình phương sai có điều kiện: $$\sigma_t^2 = \alpha_0 + \alpha_1 u_{t-1}^2 + \beta_1 \sigma_{t-1}^2$$

Điều kiện thỏa mãn tính dừng của phương sai: $\alpha_0 > 0, \alpha_1 \ge 0, \beta_1 \ge 0$ và $\alpha_1 + \beta_1 < 1$.

3. Đoạn mã thực thi Econometrics & Quant Pipeline (Python Equivalent)

import numpy as np
import pandas as pd
from statsmodels.tsa.stattools import adfuller
from statsmodels.tsa.arima.model import ARIMA
from arch import arch_model

# 1. Load và tiền xử lý dữ liệu chuỗi thời gian VN-Index
df = pd.read_csv('VNINDEX_2021_2022.csv', parse_dates=['Date'], index_col='Date')
close_prices = df['GIA_DONG_CUA'].dropna()

# 2. Kiểm định tính dừng Augmented Dickey-Fuller (ADF Test)
def perform_adf(series, title=""):
    result = adfuller(series, autolag='SIC')
    print(f"--- ADF Test: {title} ---")
    print(f"ADF Statistic: {result[0]:.6f}")
    print(f"p-value: {result[1]:.4f}")
    print(f"Critical Values (1%): {result[4]['1%']:.6f}")
    return result[1] <= 0.05

# Kiểm định chuỗi gốc và chuỗi sai phân bậc 1
is_stationary = perform_adf(close_prices, "Chuỗi gốc VN-Index")
diff_prices = close_prices.diff().dropna()
is_diff_stationary = perform_adf(diff_prices, "Chuỗi sai phân bậc 1 D(GIA_DONG_CUA)")

# 3. Ước lượng mô hình ARIMA(2, 1, 0)
arima_model = ARIMA(close_prices, order=(2, 1, 0))
arima_fit = arima_model.fit()
print(arima_fit.summary())

# 4. Trích xuất phần dư và mô hình hóa phương sai GARCH(1, 1)
residuals = arima_fit.resid
garch = arch_model(residuals, vol='GARCH', p=1, q=1, dist='normal')
garch_fit = garch.fit(disp='off')
print(garch_fit.summary())

# 5. Dự báo ngoài mẫu 5 phiên giao dịch
forecast_mean = arima_fit.forecast(steps=5)
forecast_variance = garch_fit.forecast(horizon=5)
print("Dự báo VN-Index 5 phiên T1/2023:")
print(forecast_mean)

Kiểm định và đánh giá thống kê thực nghiệm

1. Kết quả kiểm định nghiệm đơn vị ADF

Dữ liệu quan sát gồm 324 phiên, giá trị trung bình chuỗi gốc là 1.294,8 điểm, mức thấp nhất là 911,9 điểm (15/11/2022) và mức cao nhất là 1.570 điểm (06/01/2022).

Chuỗi dữ liệu Trễ chọn (SIC) Trị thống kê $t$-ADF $p$-value Giá trị tới hạn 1% Giá trị tới hạn 5% Kết luận
Chuỗi gốc $Y_t$ 0 (Max=16) -0.239979 0.9302 -3.450747 -2.870416 Không dừng ($p > 0.05$)
Sai phân bậc 1 $\Delta Y_t$ 0 (Max=16) -16.35640 0.0000 -3.451146 -2.870591 Dừng tuyệt đối ở mức 1%

2. Lựa chọn mô hình ARIMA tối ưu

Thực hiện thử nghiệm tổ hợp tham số $p, q \in {0, 1, 2}$ với $d=1$. Có 3 mô hình thỏa mãn điều kiện có ý nghĩa thống kê của các hệ số ($p$-value $< 0.05$):

Mô hình ứng viên AIC (Akaike Info Criterion) SIC (Schwarz Criterion) $R^2$ điều chỉnh (%) Xếp hạng tiêu chí
ARIMA(0, 1, 1) 8.568291 8.603782 0.6935% Hạng 3
ARIMA(0, 1, 2) 8.563683 8.599174 1.1733% Hạng 2
ARIMA(2, 1, 0) 8.562736 (Min) 8.598227 (Min) 1.2733% (Max) Mô hình tối ưu nhất

3. Chẩn đoán phần dư và Kiểm định ARCH-LM

Kiểm định tính thuần nhất phương sai của phần dư từ mô hình ARIMA(2, 1, 0) qua kiểm định Lagrange Multiplier (ARCH-LM Test) cho thấy giá trị $F$-statistic và $Obs*R^2$ có $p$-value $< 0.05$. Điều này bác bỏ giả thiết $H_0$ (phương sai không đổi), xác nhận tồn tại hiệu ứng ARCH (phương sai sai số thay đổi).

Sau khi ước lượng các bậc GARCH khác nhau gồm GARCH(0,1), GARCH(1,0), GARCH(1,1), GARCH(2,1), GARCH(2,2), mô hình GARCH(1, 1) được lựa chọn nhờ đáp ứng tối ưu:

  • Các hệ số $\alpha_0, \alpha_1, \beta_1$ đều dương và có ý nghĩa thống kê ở mức 1%.
  • Tổng hệ số $\alpha_1 + \beta_1 < 1$ đảm bảo tính dừng trong phương sai.
  • Kiểm định ARCH-LM kiểm tra lại trên phần dư chuẩn hóa của GARCH(1,1) cho thấy $p$-value $> 0.10$, chứng tỏ hiện tượng phương sai thay đổi đã được loại bỏ hoàn toàn.

Kết quả đạt được và Đánh giá độ chính xác

Kết quả dự báo ngoài mẫu 5 ngày giao dịch trong tuần đầu tiên của tháng 01/2023 cho thấy mô hình kết hợp ARIMA(2,1,0) - GARCH(1,1) bắt trọn chiều hướng biến động của chỉ số VN-Index.

  Điểm số VN-Index
   1060 |
   1050 |                                       ● Thực tế (1051.44)
   1040 |                      ● Thực tế (1043.90)   * Dự báo GARCH
   1030 |             ● Thực tế (1040.59)
   1020 |    ● Thực tế (1043.90)
   1010 |
   1000 |-------------------------------------------------------------
          03/01/2023    04/01/2023    05/01/2023    06/01/2023   (Phiên)
  • Hệ số bất bình đẳng Theil ($U$): Đạt mức $U = 0.0124 < 0.55$, khẳng định mô hình có độ tin cậy và năng lực dự báo vượt trội so với mô hình Naive.
  • Tỷ lệ chệch (Bias Proportion): Tiếp cận ngưỡng xấp xỉ 0, chứng minh mô hình không bị lệch hệ thống (systematic bias).
  • Xu hướng dự báo: Nắm bắt chính xác trạng thái điều chỉnh tích lũy và biên độ dao động trong các phiên giao dịch đầu năm mới 2023.

Đổi mới và đóng góp

  1. Khắc phục triệt để nhược điểm phương sai thay đổi trong chuỗi tài chính: Đa phần các nghiên cứu chuỗi thời gian trước đây chỉ dừng lại ở mô hình ARIMA thuần túy và bỏ qua giả định phương sai đồng nhất bị vi phạm. Nghiên cứu đã kết hợp thành công mô hình GARCH(1,1) để mô hình hóa đồng thời cả kỳ vọng trung bình và cụm biến động (Volatility Clusters).
  2. Cập nhật dữ liệu trong giai đoạn biến động mạnh (2021 - 2022): Dữ liệu nghiên cứu bao quát giai đoạn thị trường đạt đỉnh lịch sử (1.500+ điểm) và pha giảm mạnh (-34,2%), mang lại giá trị thực nghiệm cao trong các điều kiện thị trường chịu cú sốc vĩ mô nặng nề.
Tiêu chí Nghiên cứu Nguyễn Hồ Diệu Uyên (2014) Nghiên cứu Trần Quang Huy (2015) Đề tài Nguyễn Đắc Tuấn Minh (2023)
Phương pháp ARIMA thuần túy ARIMA(2,1,2) - GARCH ARIMA(2,1,0) - GARCH(1,1)
Cỡ mẫu quan sát 1.021 quan sát (2006 - 2013) 257 quan sát 324 quan sát (2021 - 2022)
Xử lý rủi ro ARCH Không xử lý được hiệu ứng ARCH Đã tích hợp GARCH cho danh mục Xử lý triệt để ARCH trên VN-Index
Kiểm định phần dư Cơ bản Kiểm định hậu nghiệm Jarque-Bera & ARCH-LM Test đa tầng
Sai số Theil's U Không công bố $< 0.45$ $U = 0.0124$ (Rất xuất sắc)

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

  • Quản trị rủi ro danh mục (Risk Management): Sử dụng phương sai có điều kiện $\sigma_t^2$ từ mô hình GARCH(1,1) để tính toán chính xác chỉ số Giá trị chịu rủi ro (Value at Risk - VaR) theo ngày, hỗ trợ các quỹ đầu tư điều chỉnh tỷ lệ tiền mặt/cổ phiếu.
  • Hệ thống giao dịch thuật toán (Algorithmic Trading): Tích hợp dự báo trung bình có điều kiện của ARIMA(2,1,0) vào các thuật toán lọc tín hiệu Mua/Bán tự động trong các phiên khớp lệnh liên tục tại HOSE.
  • Phòng ngừa rủi ro chứng khoán phái sinh: Cung cấp thông tin tham chiếu biên độ dao động dự kiến cho các hợp đồng tương lai chỉ số VN30F1M.
+-----------------------------------------------------------------------------------+
|                     LỘ TRÌNH TRIỂN KHAI HỆ THỐNG ĐỊNH LƯỢNG                       |
+-------------------+---------------------------------------------------------------+
| Giai đoạn         | Mục tiêu & Hạng mục kỹ thuật                                  |
+-------------------+---------------------------------------------------------------+
| Q1: Prototype     | Tự động hóa pipeline nạp dữ liệu EOD (End-of-Day) từ HOSE     |
| Q2: Backtesting   | Kiểm thử chiến lược giao dịch giả lập trên dữ liệu 5 năm      |
| Q3: Risk Engine   | Tích hợp module tính toán VaR và Expected Shortfall (ES)      |
| Q4: Production    | Triển khai API microservice phục vụ ứng dụng quản lý gia sản  |
+-------------------+---------------------------------------------------------------+

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Tính đối xứng của mô hình GARCH tiêu chuẩn: Mô hình GARCH(1,1) giả định các cú sốc tích cực (tin tốt) và cú sốc tiêu cực (tin xấu) có tác động như nhau đến độ biến động, chưa phản ánh trọn vẹn "hiệu ứng đòn bẩy" (Leverage Effect) trên TTCK Việt Nam.
  • Mô hình đơn biến (Univariate Model): Chưa đưa vào các nhân tố vĩ mô tác động trực tiếp như tỷ giá, tăng trưởng tín dụng, lãi suất điều hành của Ngân hàng Nhà nước và chỉ số lạm phát CPI.

Hướng phát triển tương lai

  • Mở rộng sang các biến thể GARCH phi đối xứng: Ứng dụng mô hình E-GARCH (Exponential GARCH) hoặc T-GARCH (Threshold GARCH) để lượng hóa sự bất cân xứng của thông tin tiêu cực.
  • Kết hợp mô hình lai Deep Learning (Hybrid AI-Econometrics): Tích hợp mô hình ARIMA-GARCH với mạng nơ-ron hồi quy LSTM (Long Short-Term Memory) hoặc Transformer để tăng cường năng lực xử lý các phi tuyến tính phức tạp trong dữ liệu giao dịch tần suất cao (Intraday Tick Data).

Đối tượng hưởng lợi

                ┌──────────────────────────────────────────────┐
                │             ĐỐI TƯỢNG HƯỞNG LỢI              │
                └──────────────────────┬───────────────────────┘
         ┌──────────────────┬──────────┴──────────┬──────────────────┐
         ▼                  ▼                     ▼                  ▼
  [Sinh viên]         [Quants/Devs]          [Quỹ đầu tư]      [Nhà nghiên cứu]
 - Nắm vững Box-     - Đoạn mã mẫu          - Tối ưu hóa VaR   - Cơ sở so sánh
   Jenkins & GARCH     chuỗi thời gian        quản trị rủi ro    thực nghiệm
 - Tài liệu học      - Khung kiểm định      - Giảm thiểu rủi   - Phát triển mô
   tập chuẩn mực       chuẩn xác              ro hệ thống        hình phi đối xứng
  • Sinh viên chuyên ngành Tài chính - Kinh tế lượng: Tiếp cận tài liệu tham khảo hoàn chỉnh, chuẩn mực về các bước nghiên cứu chuỗi thời gian, từ kiểm định nghiệm đơn vị ADF, khắc phục chuỗi không dừng đến chẩn đoán phần dư.
  • Chuyên viên phân tích định lượng (Quantitative Analysts / Developers): Sở hữu cấu trúc mô hình hóa chuỗi thời gian hoàn chỉnh với các tham số đo kiểm rõ ràng để tích hợp vào các engine phân tích kỹ thuật và hệ thống giao dịch tự động.
  • Nhà đầu tư cá nhân và Tổ chức tài chính: Nhận diện xu hướng vận động của chỉ số VN-Index với độ tin cậy khoa học cao, giúp loại bỏ yếu tố cảm tính và xây dựng chiến lược quản trị rủi ro chặt chẽ.
  • Cộng đồng nghiên cứu học thuật: Cung cấp bằng chứng thực nghiệm giá trị về hành vi của thị trường chứng khoán cận biên trong giai đoạn chịu tác động của chu kỳ thắt chặt tiền tệ toàn cầu 2021 - 2022.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai và chạy mô hình là gì?

Hệ thống yêu cầu máy trạm hoặc máy chủ cơ bản với CPU từ 2 nhân (x86_64), RAM tối thiểu 4GB, cài đặt phần mềm EViews (từ phiên bản 10 trở lên) hoặc môi trường Python 3.9+ với các thư viện statsmodels ($\ge 0.13$) và arch ($\ge 5.0$). Quá trình ước lượng trên tập dữ liệu 300 - 500 quan sát hoàn tất trong dưới 1 giây.

2. Tại sao mô hình ARIMA thuần túy không đủ tin cậy cho chuỗi tài chính mà phải cần thêm GARCH?

Mô hình ARIMA giả định phương sai sai số là một hằng số không đổi theo thời gian (Homoskedasticity). Tuy nhiên, dữ liệu chuỗi thời gian tài chính luôn xuất hiện hiện tượng "cụm biến động" (biến động lớn đi liền với biến động lớn, biến động nhỏ đi liền với biến động nhỏ). Mô hình GARCH bổ sung phương trình phương sai có điều kiện giúp dự báo chính xác độ rủi ro và biên độ dao động của thị trường.

3. Làm thế nào để tích hợp mô hình này vào hệ thống giao dịch tự động đang hoạt động?

Mô hình có thể được đóng gói dưới dạng RESTful API microservice bằng Python (sử dụng FastAPI hoặc Flask). Mỗi ngày sau giờ đóng cửa sàn HOSE (15h00), hệ thống tự động kích hoạt tiến trình (Cron Job) tải giá đóng cửa mới nhất, cập nhật lại tham số ARIMA-GARCH (Rolling Window Estimation) và xuất tín hiệu dự báo cho phiên giao dịch kế tiếp qua định dạng JSON.

4. Chi phí vận hành và tỷ suất hoàn vốn (ROI) khi áp dụng mô hình vào thực tế như thế nào?

Chi phí vận hành gần như bằng không nếu sử dụng nền tảng mã nguồn mở Python trên các dịch vụ đám mây miễn phí hoặc máy chủ nội bộ sẵn có. ROI đạt được thông qua việc giảm thiểu tỷ lệ sụt giảm tài sản (Drawdown) trong các nhịp điều chỉnh sâu của thị trường nhờ tín hiệu cảnh báo biến động sớm từ phương sai GARCH.

5. Giới hạn về độ dài dự báo của mô hình là bao lâu để đảm bảo độ chính xác?

Mô hình ARIMA-GARCH được thiết kế chuyên biệt cho dự báo ngắn hạn (từ 1 đến 5 phiên giao dịch). Càng dự báo xa vào tương lai (hơn 10 phiên), sai số tích lũy của các thành phần tự hồi quy sẽ tăng dần và phương sai có điều kiện sẽ tiệm cận về phương sai vô điều kiện của tổng thể, làm suy giảm độ chính xác của dự báo điểm.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Đắc Tuấn Minh đã giải quyết thành công bài toán dự báo ngắn hạn chỉ số VN-Index trong giai đoạn thị trường tài chính đầy biến động 2021 - 2022. Bằng việc kết hợp hài hòa giữa phương pháp Box-Jenkins với mô hình ARIMA(2, 1, 0) và mô hình phương sai có điều kiện GARCH(1, 1), nghiên cứu không chỉ đưa ra các dự báo điểm có độ tin cậy cao (hệ số Theil $U = 0.0124$) mà còn khắc phục triệt để hiện tượng phương sai sai số thay đổi vốn là rào cản lớn nhất của kinh tế lượng tài chính cổ điển.

Kết quả thực nghiệm là nguồn tư liệu học thuật giá trị cho sinh viên, đồng thời cung cấp công cụ định lượng tin cậy cho các nhà đầu tư và nhà quản lý quỹ trong việc nâng cao năng lực phòng ngừa rủi ro hệ thống. Khóa luận mở ra hướng nghiên cứu đầy tiềm năng trong việc kết hợp các biến thể GARCH phi đối xứng với các thuật toán học máy hiện đại trên thị trường chứng khoán Việt Nam.