Chương 1. Tổng quan hình ARIMA, SARIMA và các phương pháp MLP, SVM và kNN-TSPI để tìm ra mô hình có độ dự báo tốt hơn. Tiến hành thực nghiệm và kết quả dự báo cho các mô hình chuỗi thời gian cho dự báo giá Bitcoin: Tiến hành thực nghiệm các mô hình dự báo chuỗi thời gian trên dit liệu giá Bitcoin đê dự báo giá mở cửa của Bitcoin trong các ngày kế tiếp. Kết luận và hướng phát triển © Danh mục công bố khoa học của tác giả e Tài liệu tham khảo 14 Chương 2.
Các phương pháp, mô hình dự báo chuỗi thời gian CHƯƠNG2_ CÁC PHƯƠNG PHÁP, MÔ HÌNH DỰ BAO CHUOI THỜI GIAN Dự báo chuỗi thời gian được áp dụng rộng rãi trong rất nhiều lĩnh vực. Các mô hình dự báo chuỗi thời gian đang được tập trung nghiên cứu và phát triển dé đáp ứng các yêu cầu dự báo. Chương này sẽ trình bày chỉ tiết một số mô hình dự báo chuỗi thời gian như mô hình thống kê gồm AR, MA, ARIMA hay mô hình máy học gồm MLP, SVM, kNN-TSPI đồng thời các phương pháp, mô hình đã được áp dụng vào dự đoán giá Bitcoin cũng sẽ được trình bày.1 Các phương pháp dự báo Căn cứ vào độ dài thời gian dự báo có thể phân làm 3 loại: Dự báo dài hạn: Là những dự báo có thời gian dự báo từ 5 năm trở lên. Thường được dùng dé dự báo những mục tiêu, chiến lược về kinh tế chính trị, khoa học kỹ thuật trong thời gian đài ở tầm vĩ mô.
Dự báo trung hạn: Là những dự báo có thời gian dự báo từ 3 đến 5 năm. Thường phục vụ cho việc xây dựng những kế hoạch trung hạn về kinh tế văn hoá xã hội. ở tầm vi mô và vĩ mô. Dự báo ngắn hạn: Là những dự báo có thời gian dự báo dưới 3 năm, loại dự báo này thường dùng dé dự báo hoặc lập các kế hoạch kinh tế, văn hoá, xã hội chủ yếu ở tam vi mô và vĩ mô trong khoảng thời gian ngắn nhằm phục vụ cho công tác chỉ đạo kịp thời.
Dựa vào phương pháp dự báo chia làm 2 nhóm chính: Các phương pháp dự báo định tính: Là các phương pháp dự báo dự báo bằng cách phân tích định tính dựa vào suy đoán, cảm nhận. Các phương pháp này phụ thuộc nhiều vào trực giác, kinh nghiệm của các nhà dự báo, chỉ mang tính phỏng đoán, không định lượng. Là phương pháp đơn giản, dé thực hiện, chỉ phí thấp. Một trong những phương pháp tiêu biểu cho phương pháp định tinh là dự báo bằng phương pháp chuyên gia.
Phương pháp chuyên gia là phương pháp dự báo dựa trên cơ sở tổng hợp 15 Chương 2. Các phương pháp, mô hình dự báo chuỗi thời gian các ý kiến, kinh nghiệm và ước tính xác suất chủ quan của các chuyên gia trong lĩnh vực được nghiên cứu. Phương pháp này được sử dụng trong trường hợp thiếu dữ liệu lịch sử, không có cơ sở nào. Các phương pháp dự báo định lượng: Là các phương pháp dựa vào số liệu thống kê và thông qua các công thức toán học được thiết lập dé dự báo.
Một trong những phương pháp tiêu biéu cho phương pháp định lượng là phương pháp dự báo chuỗi thời gian.2 Dự báo chuỗi thời gian 2. Khái niệm chuỗi thời gian Chuỗi thời gian (time series) là một chuỗi các quan sát được định hướng theo thời gian hay sắp xếp theo trình tự thời gian về một biến số quan tâm. Trong toán học, chuỗi thời gian được định nghĩa là một vector x(t), t = 0, 1, 2,.với t đại điện cho các điểm thời gian. Biến x(t) được xem như một biến ngẫu nhiên [4] 10,800 10,600 | Í TiUhnousatd, 10,400 10,200 10,000 9800 1 12 24 36 48 60 72 84 96 108 120 Week Hình 2.
Chuỗi thời gian doanh số dược phẩm ban được hang tháng Nguồn: Một số ví dụ về chuỗi thời gian [5] Một chuỗi thời gian được gọi là đơn biến nếu tại mỗi điểm dữ liệu chỉ bao gồm một biến duy nhất. Ngược lại, nếu tại mỗi điểm dữ liệu gồm nhiều hơn một biến thì 16 Chương 2. Các phương pháp, mô hình dự báo chuỗi thời gian chuỗi thời gian đó được gọi là đa biến. Ví dụ, chuỗi thời gian là giá mở cửa của Bitcoin theo từng ngày là chuỗi thời gian đơn biến, còn chuỗi thời gian là giá mở cửa, giá đóng cửa, giá cao nhất, giá thấp nhất theo từng ngày là chuỗi thời gian đa biến.
Bitcoin pice from 2012 to 2021 — Open 10000 xe xo xả: mis ie xu mie zie Ey xa Ea Hình 2. Chuỗi thời gian giá mở cửa của Bitcoin Nguồn: Dữ liệu giá Bitcoin thu thập trên Investing. Các tính chất cúa chuỗi thời gian Do dữ liệu chịu ảnh hưởng bởi tính chất thời gian nên một chuỗi thời gian thường xuất hiện những quy luật đặc trưng như: xu hướng (trend), chu kỳ (cyclical), mùa (seasonal), biên đồi ngẫu nhiên (irregular) [4]: © Sw tăng, giảm hoặc không thay đổi của một chuỗi thời gian trong một thời gian đài được gọi là xu hướng. Tính xu hướng là chỉ ra sự vận động lâu dai của một chuỗi thời gian.
e _ Chu kỳ là sự thay đôi của chuỗi thời gian trong một khoảng thời gian dài trung bình và sự thay đồi này được lặp lại sau khoảng thời gian đó. Thong thường, khoảng thời gian của một chu kỳ lớn hơn 2 năm. © Mùa là sự thay đổi của chuỗi thời gian theo một khoảng thời gian ngắn, thường là trong một năm. ¢ _ Biến đổi ngẫu nhiên được gây ra bởi những tác động không thé đoán trước, không thường xuyên và cũng không theo một quy luật nào.
Các phương pháp, mô hình dự báo chuỗi thời gian 2. Dự báo chuỗi thời gian Dự báo chuỗi thời gian là việc mô hình hóa dữ liệu, ước lượng các tham số của mô hình dựa trên những dữ liệu chuỗi thời gian trong quá khứ, từ đó đưa ra dự báo về các giá trị của chuỗi thời gian trong tương lai. Do đó, dit liệu thời gian trong quá khứ ảnh hưởng rat lớn đến quá trình xây dựng mô hình. Trong dự báo chuỗi thời gian, vẫn còn nhiều thách thức đang chờ các nhà khoa học tiếp tục nghiên cứu, giải quyết: © Dau tiên phải kể đến tính chất của dữ liệu chuỗi thời gian với 4 tính chất tiêu biểu là là tính xu thế, chu kỳ, theo mùa và biến đổi ngẫu nhiên làm cho việc xử lý dữ liệu và dự báo gặp nhiều khó khăn.
Đề dự báo trên dữ liệu chuỗi thời gian, các phương pháp dự báo phải phân tích tốt các tính chất này. Tuy nhiên, hiện nay chưa có phương pháp nào thực sự tốt cho việc phân tích này. © Một trong những thách thức khó giải quyết nhất của đữ liệu chuỗi thời gian là tính biến đổi ngẫu nhiên. Có nghĩa là các dữ liệu mang tính thời gian dễ chịu tác động bởi các yếu té bên trong lẫn bên ngoài, biến đổi một cách ngẫu nhiên, không theo quy luật.
Đề xác định dữ liệu chuỗi thời gian có bị biến đổi ngẫu nhiên hay không là một thách thức lớn cho các nhà nghiên cứu. © Các phương pháp, kỹ thuật dự báo chuỗi thời gian được dé xuất thường chỉ phù hợp một số đạng dữ liệu nhất định như tuyến tính hoặc phi tuyến [6]. Những phương pháp kết hợp các mô hình riêng lẻ để nâng cao độ chính xác dự báo là hết sức cần thiết. Tuy nhiên, kết hợp như thế nào và khi nào là vấn dé cần được xem xét kỹ để đem đến kết quả dự bao tốt nhất.
Các phương pháp dự báo chuỗi thời gian 2. Mô hình tự hồi quy Mô hình tự hồi quy (Autoregressive - AR) là một mô hình được sử dụng phỏ biến trong thống kê, kinh tế lượng và xử lý tín hiệu. Mô hình này dự báo giá trị tương lai của chuỗi thời gian dựa vào một hoặc nhiều giá trị trong quá khứ của chuỗi thời gian 18 Chương 2. Các phương pháp, mô hình dự báo chuỗi thời gian cộng với giá trị ngẫu nhiên, được gọi là nhiễu trắng (white noise).
Mô hình tự hồi quy AR bậc p— AR(p) là một quá trình tuyến tính được xác định bởi phương trình [7]: NCH LP Oia + &e = C+ Dryrit ỦạYc2 +--+ ÕpYcp + & (2.1) với y: là giá trị tại thời điểm t, c là hằng sé, Ø, là hệ số tự tương quan tại các thời điểm t-1, t-2, ., tp trước đó và e; là một số hạng sai số ngẫu nhiên không tương quan, có giá trị trung bình bằng 0 và phương sai không đổi ø. Giá trị của y ở thời điểm t phụ thuộc vào chính giá trị của y ở thời điểm trước đó cộng với một sai số ngẫu nhiên nào đó tại thời điểm t (£,). Mô hình trung bình trượt Thay vì sử dụng các giá trị trong quá khứ của chuỗi thời gian để dự báo như mô hình AR, mô hình trung bình trượt (Moving Average - MA) sử dụng các lỗi dự báo trước đó (số hạng sai số ngẫu nhiên) và giá trị trung bình của chuỗi thời gian dé dự bao. Một mô hình trung bình trượt MA bậc q — MA(q) được xác định bởi phương trinh[7]: yi=c+ Xio O Epp = C + Gr + OyEr-1 + Öybc2+ c + Ổp—aEca (2.2) với c là hằng số và là giá tri trung bình của chuỗi, 0; là trọng số của các số hạng sai số ngẫu nhiên tại các thời điểm t, t-1, ., t-q, & là một số hạng sai số ngẫu nhiên không tương quan, có giá trị trung bình bằng 0 và phương sai không đổi ø.
Mô hình ARMA Giả sử một chuỗi thời gian tuân theo cả quá trình tự hồi quy và trung bình trượt, chúng ta có thé kết hop hai mô hình lại với nhau, gọi là mô hình ARMA (Autoregressive Moving Average) đề biểu diễn chuỗi thời gian như sau [8]: y= Ot DP iyi + y + Dig Ôi Eri (2. Mô hình ARIMA Mô hình Autoregressive Intergrated Moving Average (ARIMA) là một mô hình thống kê được sử dụng phổ biến trong dự báo chuỗi thời gian. Có một số khái niệm ta cần hiểu trước khi tìm hiểu về mô hình ARIMA là chuỗi có tinh dừng và chuỗi không có tính dừng. Chuỗi thời gian có định hay còn gọi là chuỗi thời gian có tính 19 Chương 2.
Các phương pháp, mô hình dự báo chuỗi thời gian dừng là chuỗi mà các thuộc tính của chuỗi không phụ thuộc vào thời gian của. chuỗi đang xét [7]. Ngược lại nếu chuỗi thời gian có tính xu hướng hoặc tính thời vụ thì là chuỗi không dừng vì xu hướng và tính thời vụ sẽ ảnh hưởng đến giá trị của chuỗi thời gian ở các thời điểm thời gian khác.