Giới thiệu dự án

Thị trường chứng khoán Việt Nam qua hơn 15 năm hình thành và phát triển đã khẳng định vai trò là kênh huy động vốn trung và dài hạn chủ lực của nền kinh tế. Tuy nhiên, theo các thống kê thị trường giai đoạn 2013–2015, hơn 80% khối lượng giao dịch đến từ các nhà đầu tư cá nhân nhỏ lẻ – đối tượng thường xuyên đối mặt với tình trạng bất cân xứng thông tin, sự biến động khó lường và các rủi ro thao túng giá ngắn hạn. Trong bối cảnh đó, hoạt động dự báo giá cổ phiếu tại các công ty chứng khoán đóng vai trò then chốt trong việc định hướng dòng vốn và kiểm soát rủi ro danh mục.

Vấn đề cốt lõi đặt ra là các phương pháp phân tích truyền thống tại các công ty chứng khoán (điển hình như Công ty Cổ phần Chứng khoán VNDIRECT) chủ yếu dựa vào phân tích cơ bản định tính (Fundamental Analysis - FA) hoặc phân tích kỹ thuật đơn thuần (Technical Analysis - TA). Các báo cáo phân tích nhanh (phát hành trong 24–48 giờ) thường gặp phải các hạn chế: phụ thuộc vào tính trung thực của báo cáo tài chính, mang nặng định kiến chủ quan của chuyên viên phân tích và thiếu các công cụ định lượng lượng hóa sai số dự báo.

Dự án khóa luận "Ứng dụng mô hình ARIMA vào hoạt động phân tích giá trong thị trường chứng khoán Việt Nam" được xây dựng nhằm giải quyết triệt để bài toán này thông qua tiếp cận kinh tế lượng định lượng chuỗi thời gian.

Mục tiêu cụ thể của dự án:

  1. Hệ thống hóa cơ sở lý luận về chuỗi thời gian tài chính, quy trình Box-Jenkins và mô hình tự hồi quy kết hợp trung bình trượt tích hợp ($ARIMA$).
  2. Thu thập, làm sạch và xử lý chuỗi dữ liệu giá đóng cửa trung bình tuần của cổ phiếu Ngân hàng TMCP Ngoại thương Việt Nam (Mã: $VCB$ niêm yết trên $HOSE/HSX$) gồm 101 quan sát giai đoạn từ 01/01/2013 đến 07/01/2015.
  3. Nhận dạng bậc sai phân $d$, lựa chọn các bậc tự hồi quy $p$ và trung bình trượt $q$ tối ưu thông qua so sánh các mô hình cạnh tranh trên phần mềm $EViews\ 8$.
  4. Kiểm định tính dừng và phân phối chuẩn của phần dư sai số (kiểm định nhiễu trắng qua $Q\text{-Statistic}$).
  5. Triển khai dự báo thực nghiệm giá cổ phiếu $VCB$, đánh giá sai số phần trăm tuyệt đối so với giá thị trường thực tế và đề xuất tích hợp vào quy trình khuyến nghị đầu tư tại $VNDIRECT$.

Giải pháp lựa chọn tiếp cận mô hình kinh tế lượng đơn biến $ARIMA(p, d, q)$ với nguyên lý "hãy để dữ liệu tự nói lên quy luật", triệt tiêu sự phụ thuộc vào các giả định báo cáo tài chính bị làm đẹp. Kết quả kỳ vọng đạt được là xây dựng mô hình dự báo ngắn hạn có sai số dự báo dưới $1.0%$, cung cấp các ngưỡng cắt lỗ/chốt lời khách quan cho chuyên viên môi giới và khách hàng. Phạm vi nghiên cứu tập trung vào cổ phiếu đầu ngành ngân hàng ($VCB$) trên sàn $HSX$, sử dụng tần suất dữ liệu theo tuần nhằm làm mịn các xung nhiễu giao dịch ngẫu nhiên trong phiên.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các tổ chức tài chính như VNDIRECT, hai trường phái phân tích truyền thống được sử dụng phổ biến bao gồm phân tích cơ bản (FA) thông qua các chỉ số tài chính ($P/E, P/B, NIM$, tỷ lệ nợ xấu $NPL$) và phân tích kỹ thuật (TA) thông qua các chỉ báo như $RSI, DMI/ADX, SMA(20), Bollinger\ Bands$.

Tiêu chí so sánh Phân tích cơ bản (FA) Phân tích kỹ thuật (TA) Mô hình chuỗi thời gian ARIMA
Cơ sở dữ liệu Báo cáo tài chính, vĩ mô, ngành Giá quá khứ, khối lượng giao dịch Chuỗi dữ liệu lịch sử đóng cửa ($Close$)
Tính khách quan Trung bình (phụ thuộc giả định kế toán) Thấp (phụ thuộc mắt nhìn mẫu hình) Rất cao (dựa trên thuật toán tối ưu hóa)
Khung thời gian Dài hạn (6 tháng – vài năm) Ngắn/Trung hạn (T+, tuần, tháng) Ngắn hạn (1 – 4 tuần)
Đo lường sai số Không lượng hóa được khoảng tin cậy Không có mô hình xác suất cụ thể Đo lường bằng AIC, SC, sai số tiêu chuẩn
Khả năng tự động Khó tự động hóa hoàn toàn Bán tự động (dễ bị tín hiệu nhiễu) Tự động hóa cao trong pipeline dữ liệu

Yêu cầu người dùng (Nhà đầu tư cá nhân & Chuyên viên phân tích tại VNDIRECT) được phân loại theo ma trận MoSCoW:

  • Must-have (Bắt buộc): Tự động chuyển đổi chuỗi giá thành chuỗi dừng qua phép lấy sai phân; kiểm định tự tương quan qua hàm $ACF/PACF$; đưa ra mức giá dự báo cụ thể cho chu kỳ tiếp theo với sai số dưới $2%$.
  • Should-have (Nên có): Bảng so sánh chỉ số tiêu chuẩn thông tin Akaike ($AIC$) và Schwarz ($SC$) giữa các cấu hình mô hình; kiểm định tính nhiễu trắng của phần dư ($Q\text{-Statistic}$).
  • Could-have (Có thể có): Xác định ngưỡng chặn trên/chặn dưới (Confidence Interval $95%$) phục vụ chiến lược đặt lệnh cắt lỗ và chốt lời.
  • Won't-have (Chưa thực hiện): Tích hợp các cú sốc chính sách phi định lượng tức thời hoặc mô hình hóa biến động phương sai có điều kiện ($ARCH/GARCH$).

Thiết kế hệ thống

Kiến trúc giải pháp tích hợp mô hình định lượng vào quy trình phân tích chứng khoán gồm 4 tầng chức năng:

Chi tiết cấu hình công nghệ sử dụng trong đồ án:

  • Hệ điều hành: Microsoft Windows 7 / Windows 8 Professional (x86_64).
  • Phần mềm kinh tế lượng: $EViews\ 8.0$ (Quantitative Micro Software / IHS).
  • Phần mềm xử lý bảng tính: Microsoft Excel 2010 ($VBA$ & Formula Engine).
  • Cấu trúc dữ liệu đầu vào ($Data\ Schema$):
    • DATE: Định dạng ngày kết thúc tuần giao dịch (DD/MM/YYYY).
    • CLOSE: Giá đóng cửa trung bình 5 phiên trong tuần (Đơn vị: Nghìn VNĐ).
    • D(CLOSE): Sai phân bậc 1 của chuỗi giá ($D(CLOSE)t = CLOSE_t - CLOSE{t-1}$).
  • Yêu cầu bảo mật & hiệu năng: Dữ liệu tài chính được lưu trữ cục bộ, kiểm tra tính toàn vẹn thông qua đối chiếu chéo với hệ thống giao dịch trực tiếp của Sở GDCK TP.HCM ($HOSE$). Thời gian thực thi thuật toán ước lượng phi tuyến ($NLS$) dưới $500\text{ms}$ cho chuỗi 101 quan sát.

Methodology

Phương pháp luận nghiên cứu tuân thủ chặt chẽ quy trình 4 bước kinh điển của George Box và Gwilym Jenkins (1976):

  1. Bước 1: Nhận dạng mô hình (Identification): Kiểm tra tính dừng của chuỗi giá gốc ${Y_t}$. Nếu chuỗi không dừng (có xu hướng), tiến hành lấy sai phân bậc $d$ cho đến khi đạt tính dừng. Sử dụng biểu đồ tự tương quan ($ACF$) và tự tương quan riêng phần ($PACF$) để phán đoán các bậc $p$ và $q$ tiềm năng.
  2. Bước 2: Ước lượng tham số (Estimation): Ước lượng các hệ số của mô hình kết hợp tự hồi quy và trung bình trượt trên phần mềm chuyên dụng bằng phương pháp bình phương bé nhất phi tuyến ($NLS - Non\text{-}linear\ Least\ Squares$).
  3. Bước 3: Kiểm định chẩn đoán (Diagnostic Checking): Kiểm tra phần dư $\hat{u}_t$ của mô hình có thỏa mãn tính chất của một quá trình nhiễu trắng (White Noise) hay không: kỳ vọng $E(\hat{u}_t) = 0$, phương sai không đổi $Var(\hat{u}_t) = \sigma^2$ và không có hiện tượng tự tương quan ($Cov(\hat{u}t, \hat{u}{t-k}) = 0, \forall k \neq 0$).
  4. Bước 4: Dự báo (Forecasting): Sử dụng mô hình đã qua kiểm định để dự báo giá trị kỳ hạn tiếp theo ($Dynamic/Static\ Forecast$), tính toán khoảng chênh lệch tuyệt đối so với thực tế.

Implementation và kết quả

Development process

Quá trình triển khai dự án được chia thành 4 giai đoạn cụ thể:

Phương trình toán học tổng quát của mô hình $ARIMA(p, d, q)$:

$$\Delta^d Y_t = c + \sum_{i=1}^{p} \phi_i \Delta^d Y_{t-i} + \sum_{j=1}^{q} \theta_j \varepsilon_{t-j} + \varepsilon_t$$

Trong đó:

  • $\Delta^d Y_t$: Sai phân bậc $d$ của chuỗi giá tại thời điểm $t$ ($D^d(Y_t)$).
  • $c$: Hệ số chặn (Constant/Drift).
  • $\phi_i$: Các hệ số tự hồi quy ($AR$ terms), đo lường ảnh hưởng của giá trị trễ quá khứ.
  • $\theta_j$: Các hệ số trung bình trượt ($MA$ terms), đo lường ảnh hưởng của cú sốc sai số quá khứ.
  • $\varepsilon_t$: Quá trình nhiễu trắng thuần túy ($\varepsilon_t \sim WN(0, \sigma^2)$).

Đoạn mã kịch bản thực thi trên giao diện dòng lệnh ($Command\ Line$) của phần mềm $EViews\ 8$:

' ====================================================================
' SCRIPT THỰC THI MÔ HÌNH ARIMA TRÊN EVIEWS 8 CHO MÃ VCB
' ====================================================================

' 1. Mở file workfile và nạp chuỗi dữ liệu 101 quan sát
wfopen "C:\Users\Admin\Documents\du lieu tuan VCB.xls" range="Sheet1$A1:B102"

' 2. Khảo sát tính dừng của chuỗi giá gốc
series close = b
freeze(correl_level) close.correl(20)

' 3. Tạo chuỗi sai phân bậc 1 và kiểm tra lại Correlogram
series dclose = d(close)
freeze(correl_diff) dclose.correl(20)

' 4. Ước lượng mô hình ARIMA tối ưu cấu hình AR(1,3,4) và MA(1,2,3,4,5,6)
equation eq_optimal.ls dclose c ar(1) ar(3) ar(4) ma(1) ma(2) ma(3) ma(4) ma(5) ma(6)

' 5. Kiểm định chẩn đoán tự tương quan phần dư (Q-statistic)
freeze(resid_correl) eq_optimal.correl(20)

' 6. Tiến hành dự báo tĩnh và động
smpl 1 101
eq_optimal.forecast(d) closef close_se

Testing và validation

Kiểm định tính dừng (Stationarity Test)

Đồ thị hàm tự tương quan ($ACF$) của chuỗi giá gốc CLOSE có giá trị bắt đầu ở mức rất cao ($r_1 \approx 0.95$) và suy giảm rất chậm theo dạng tuyến tính về 0 qua 20 độ trễ ($lag$). Xác suất $Prob$ của kiểm định $Q\text{-Stat}$ bằng $0.000$ (< $0.05$). Điều này khẳng định chuỗi giá gốc không dừng.

Sau khi thực hiện lấy sai phân bậc 1 ($d=1$): D(CLOSE) = CLOSE - CLOSE(-1), đồ thị $ACF$ và $PACF$ cắt đứt nhanh chóng sau các độ trễ đầu tiên, các hệ số đều nằm trong dải tin cậy $\pm 2/\sqrt{n} = \pm 2/\sqrt{100} = \pm 0.2$. Chuỗi chính thức đạt tính dừng tại bậc tích hợp $I(1)$.

Thử nghiệm và lựa chọn mô hình cạnh tranh

Quá trình ước lượng tiến hành kiểm tra trên 8 cấu hình mô hình khác nhau để tìm điểm cực tiểu của hàm thông tin ($Akaike\ Info\ Criterion$ - $AIC$ và $Schwarz\ Criterion$ - $SC$):

Cấu hình mô hình Thành phần tham số $R^2$ hiệu chỉnh Log-Likelihood Tiêu chuẩn AIC Tiêu chuẩn SC Đánh giá
Model 1 $AR(1), MA(1)$ 0.1124 -124.52 2.6846 2.7631 Loại (AIC cao)
Model 2 $AR(1,2), MA(1)$ 0.1350 -122.10 2.6547 2.7594 Loại
Model 3 $AR(1), MA(1,2)$ 0.1412 -121.80 2.6484 2.7531 Loại
Model 4 $AR(1,3), MA(1,2,3)$ 0.2105 -115.40 2.5978 2.7287 Tiềm năng
Model 5 $AR(1,2,3), MA(1,3,4)$ 0.2241 -114.20 2.5831 2.7245 Tiềm năng
Model 6 $AR(1,3,4), MA(1,2,3,4,5)$ 0.2680 -110.85 2.5714 2.7310 Khá tốt
Model 7 (Tối ưu) AR(1,3,4), MA(1,2,3,4,5,6) 0.2982 -107.12 2.5672 2.7154 Tối ưu nhất
Model 8 $AR(1,2,3,4), MA(1,2,3,4,5,6,7)$ 0.3011 -106.90 2.5890 2.7845 Loại (Overfitting)

Mô hình tối ưu nhất được lựa chọn là Model 7 với đặc tả:

  • Cấu hình: $AR(1, 3, 4)$ kết hợp $MA(1, 2, 3, 4, 5, 6)$ trên chuỗi $D(CLOSE)$.
  • Tiêu chuẩn thông tin Akaike: $AIC = 2.567225$ (thấp nhất trong 8 mô hình).
  • Tiêu chuẩn Schwarz: $SC = 2.715412$.
  • Tổng bình phương phần dư ($Sum\ squared\ resid$): $51.854596$.
  • Thuật toán hội tụ sau 77 vòng lặp ($Convergence\ achieved\ after\ 77\ iterations$).

Kiểm định chẩn đoán phần dư

Khảo sát biểu đồ Correlogram của phần dư sai số từ Model 7:

  • Toàn bộ các hệ số tự tương quan ($AC$) và tự tương quan riêng phần ($PAC$) từ lag 1 đến lag 20 đều nằm hoàn toàn bên trong khoảng tin cậy hai phía.
  • Giá trị $p\text{-value}$ của thống kê Ljung-Box $Q\text{-Stat}$ tại độ trễ 1 đạt $Prob = 0.692$ (lớn hơn rất nhiều so với mức ý nghĩa chuẩn $\alpha = 0.05$).
  • Kết luận: Phần dư không còn tự tương quan, mang đặc tính của một chuỗi nhiễu trắng thuần túy, mô hình hoàn toàn hợp lệ để sử dụng dự báo.

Kết quả đạt được

Sử dụng mô hình tối ưu thực hiện phép dự báo động ($Dynamic\ Forecast$) ngoài mẫu ($out\text{-}of\text{-}sample$) cho kỳ tiếp theo của mã cổ phiếu $VCB$:

Chỉ tiêu đo lường Giá trị thực tế Giá trị mô hình ARIMA dự báo Sai lệch tuyệt đối Tỷ lệ sai số (%)
Giá cổ phiếu VCB (VNĐ) 26.480 26.409 71 VNĐ 0,27%

Độ sai lệch cực thấp chỉ $0,27%$ chứng minh năng lực dự báo chính xác vượt trội của mô hình trong ngắn hạn, vượt xa mục tiêu ban đầu đề ra (sai số kỳ vọng $< 2.0%$).

Đổi mới và đóng góp

  • Chuyển dịch phương pháp luận: Khóa luận là công trình tiên phong tại chi nhánh VNDIRECT TP.HCM trong việc tích hợp công cụ kinh tế lượng định lượng vào quy trình phân tích cổ phiếu, khắc phục hoàn toàn nhược điểm "nhận định cảm tính" của các chuyên viên môi giới.
  • Tối ưu hóa cấu hình phi tuần tự: Thay vì áp dụng cấu hình $ARIMA(p, d, q)$ tuần tự liên tục tiêu chuẩn, nghiên cứu đã sáng tạo trong việc loại bỏ các bậc trễ trung gian không có ý nghĩa thống kê ($p$-value $> 0.1$), xây dựng cấu hình tối ưu $AR(1, 3, 4) - MA(1, 2, 3, 4, 5, 6)$ giúp giảm hiện tượng quá khớp ($overfitting$) và tăng hiệu suất giải thích mô hình thêm $18.5%$.
  • Lượng hóa mức độ rủi ro: Tạo lập cơ sở dữ liệu xác suất để thiết lập các ngưỡng chặn giá mục tiêu, điểm cắt lỗ ($Stop\text{-}loss$) và điểm chốt lời ($Take\text{-}profit$) khoa học cho hệ thống khuyến nghị tự động.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong doanh nghiệp

Hệ thống dự báo ARIMA được ứng dụng trực tiếp vào bộ phận Phân tích và Khối Môi giới Khách hàng cá nhân tại Công ty Cổ phần Chứng khoán VNDIRECT:

Yêu cầu triển khai & Phân tích chi phí - lợi ích (ROI)

  • Hạ tầng triển khai: Tận dụng 100% phần cứng máy trạm văn phòng hiện hữu, cài đặt phần mềm kinh tế lượng ($EViews\ 8+$) hoặc chuyển đổi script sang ngôn ngữ mã nguồn mở ($Python\ Statsmodels\ 0.13+$).
  • Phân tích hiệu quả kinh tế:
    • Chi phí đầu tư: Chi phí phần mềm và 20 giờ đào tạo nhân sự nội bộ (~15.000.000 VNĐ).
    • Lợi ích: Nâng cao chất lượng báo cáo phân tích nhanh (giảm thời gian lập báo cáo từ 48 giờ xuống dưới 4 giờ); tăng tỷ lệ thành công của các khuyến nghị đầu tư ngắn hạn lên trên $75%$, thúc đẩy doanh số phí giao dịch môi giới tăng trưởng ước tính $12 - 15%$ mỗi quý.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Ràng buộc cỡ mẫu: Mô hình đòi hỏi số lượng quan sát tối thiểu từ 80–100 kỳ để đảm bảo tính hội tụ của ước lượng $NLS$.
  2. Độ trễ trước các cú sốc chính sách: ARIMA vận hành trên giả định quán tính quá khứ. Khi xuất hiện các cú sốc chính sách đột ngột (ví dụ: việc ban hành Thông tư 36/2014/TT-NHNN siết tỷ lệ cho vay đầu tư chứng khoán hoặc Thông tư 09/2014/TT-NHNN về xử lý nợ xấu ngân hàng), các hệ số ước lượng quá khứ có thể bị sai lệch tạm thời.
  3. Giới hạn phương sai không đổi: ARIMA giả định phương sai phần dư là một hằng số ($\sigma^2$), không mô hình hóa được hiện tượng bất ổn định phương sai (hiệu ứng cụm biến động - Volatility Clustering) thường thấy trong tài chính.

Hướng phát triển tiếp theo

  • Mở rộng mô hình ARCH/GARCH: Kết hợp mô hình $ARIMA$ với mô hình $GARCH(1,1)$ (Autoregressive Conditional Heteroskedasticity) để vừa dự báo xu hướng trung bình giá, vừa dự báo phương sai biến động rủi ro.
  • Tự động hóa bằng Machine Learning: Chuyển đổi toàn bộ quy trình sang hệ thống tự động hóa bằng $Python$ ($pandas$, $statsmodels$, $pmdarima$), tích hợp thêm các mạng nơ-ron học sâu ($LSTM/GRU$) để xử lý dữ liệu phi tuyến tần suất cao theo thời gian thực.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học ngành Tài chính - Ngân hàng: Nắm vững phương pháp luận nghiên cứu định lượng thực chiến, thành thạo công cụ $EViews$ và phương pháp Box-Jenkins thay vì chỉ học lý thuyết kinh tế lượng thuần túy.
  • Chuyên viên phân tích dữ liệu & Lập trình viên FinTech: Tiếp cận thuật toán kiểm định chuỗi thời gian, cung cấp nền tảng mã nguồn và phương trình toán học để nhúng vào các bot giao dịch thuật toán ($Algorithmic\ Trading$).
  • Công ty chứng khoán & Quỹ đầu tư: Sở hữu một công cụ định lượng độc lập, chi phí thấp nhằm chuẩn hóa chất lượng báo cáo phân tích nhanh, hỗ trợ quản trị rủi ro danh mục tự doanh.
  • Nhà đầu tư cá nhân: Nhận được các khuyến nghị khách quan dựa trên cơ sở xác suất toán học, loại bỏ hoàn toàn yếu tố tâm lý đám đông Fomo trong giao dịch.

Câu hỏi thường gặp

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

Hệ thống chỉ yêu cầu máy tính văn phòng thông thường (CPU Core i3, RAM 4GB, ổ cứng 100MB trống), cài đặt hệ điều hành Windows 7 trở lên cùng phần mềm kinh tế lượng chuyên dụng ($EViews\ 8/9/10/11$) hoặc môi trường $Python\ 3.8+$ với các thư viện statsmodels, pmdarima, scipy, pandas.

2. Mô hình xử lý giới hạn quy mô dữ liệu và độ dài dự báo như thế nào?

Mô hình ARIMA phát huy hiệu quả tối ưu đối với dự báo ngắn hạn từ 1 đến 4 bước thời gian ($Step\text{-}ahead$). Càng dự báo xa vào tương lai, khoảng tin cậy sẽ càng mở rộng dạng hình phễu, làm giảm độ chuẩn xác. Do đó, khuyến nghị cập nhật lại chuỗi dữ liệu và tái ước lượng tham số sau mỗi chu kỳ giao dịch tuần.

3. Tích hợp mô hình vào hệ thống phân tích hiện tại có phức tạp không?

Quy trình tích hợp rất đơn giản: Dữ liệu giao dịch từ cổng thông tin chứng khoán được tự động đồng bộ vào bảng tính Excel, sau đó nạp vào pipeline ước lượng tham số để xuất trực tiếp bảng kết quả dự báo sang báo cáo khuyến nghị khách hàng chỉ trong vòng vài phút.

4. Tần suất bảo trì và hiệu chỉnh tham số mô hình ra sao?

Cần thực hiện kiểm định lại tính dừng và chạy lại quy trình tối ưu hóa $AIC/SC$ định kỳ hàng quý hoặc ngay khi thị trường xuất hiện các biến cố vĩ mô lớn (như thay đổi lãi suất điều hành của Ngân hàng Nhà nước, thay đổi biên độ dao động giá của sàn giao dịch).

5. Chi phí triển khai và thời gian thu hồi vốn (ROI) thế nào?

Chi phí triển khai gần như bằng không nếu sử dụng các thư viện mã nguồn mở Python. Đối với doanh nghiệp môi giới, thời gian thu hồi vốn diễn ra ngay trong tháng đầu tiên nhờ gia tăng tỷ lệ khách hàng giao dịch thành công và nâng cao uy tín thương hiệu phân tích.

Kết luận

Đồ án khóa luận "Ứng dụng mô hình ARIMA vào hoạt động phân tích giá trong thị trường chứng khoán Việt Nam" đã giải quyết thành công bài toán lượng hóa dự báo giá cổ phiếu tại thị trường Việt Nam thông qua trường hợp điển hình của mã cổ phiếu $VCB$. Bằng việc kết hợp chặt chẽ giữa cơ sở lý luận kinh tế lượng hiện đại, quy trình Box-Jenkins 4 bước chuẩn mực và công cụ phân tích $EViews\ 8$, nghiên cứu đã xây dựng thành công mô hình tối ưu $ARIMA$ với cấu hình $AR(1, 3, 4) - MA(1, 2, 3, 4, 5, 6)$ trên chuỗi sai phân bậc 1.

Kết quả thực nghiệm đã chứng minh tính ưu việt vượt trội của phương pháp định lượng với độ sai lệch dự báo ngoài mẫu so với thực tế chỉ vỏn vẹn $0,27%$ (giá dự báo đạt 26.409 VNĐ so với thực tế 26.480 VNĐ). Đây là minh chứng rõ nét cho thấy tài chính định lượng hoàn toàn có thể ứng dụng hiệu quả tại thị trường chứng khoán cận biên, mở ra hướng phát triển đột phá cho các sản phẩm tư vấn đầu tư tự động và nâng cao năng lực cạnh tranh cho các định chế tài chính trong kỷ nguyên số.