Giới thiệu dự án

Thị trường chứng khoán Việt Nam sau hơn 15 năm hình thành và phát triển đã khẳng định vai trò huyết mạch trong việc luân chuyển dòng vốn của nền kinh tế. Tuy nhiên, tính chất bất cân xứng thông tin, các đợt biến động mạnh do tác động chính sách (như Thông tư 36/2014/TT-NHNN siết tỷ lệ cho vay đầu tư cổ phiếu ở mức 5% vốn điều lệ, Thông tư 09/2014/TT-NHNN về phân loại nợ xấu) cùng sự can thiệp tâm lý khiến việc dự báo giá cổ phiếu trở thành thách thức lớn đối với cả nhà đầu tư cá nhân lẫn tổ chức tài chính.

Các phương pháp phân tích truyền thống tại các công ty chứng khoán—điển hình như Công ty Cổ phần Chứng khoán VNDIRECT—thường dựa trên hai trụ cột: Phân tích cơ bản (FA - Fundamental Analysis) thông qua định giá P/E, P/B, chỉ số biên lãi ròng (NIM) và Phân tích kỹ thuật (TA - Technical Analysis) thông qua các chỉ báo trễ như SMA, RSI, Bollinger Bands, DMI/ADX. Điểm yếu cốt lõi của các phương pháp này là tính định tính cao, phụ thuộc nặng nề vào năng lực chủ quan của chuyên viên phân tích và chưa lượng hóa được cấu trúc tự tương quan của chuỗi thời gian giá.

Đề tài khóa luận "Ứng dụng mô hình ARIMA vào dự báo giá chứng khoán" (chuyên ngành Tài chính Doanh nghiệp, Khoa Kế toán – Tài chính – Ngân hàng, Đại học Công nghệ TP.HCM - HUTECH, phối hợp nghiên cứu cùng CTCP Chứng khoán VNDIRECT) được triển khai nhằm giải quyết triệt để bài toán định lượng giá đóng cửa cổ phiếu.

                  +----------------------------------------------+
                  |  Dữ liệu giá đóng cửa lịch sử VCB (HSX)     |
                  |  101 quan sát trung bình tuần (2013 - 2015)  |
                  +----------------------+-----------------------+
                                         |
                                         v
                  +----------------------------------------------+
                  |    Quy trình kiểm định Box-Jenkins           |
                  |    (Stationarity -> Identification -> Est)   |
                  +----------------------+-----------------------+
                                         |
                                         v
                  +----------------------------------------------+
                  |   Mô hình tối ưu ARIMA(p=1,3,4; d=1; q=1..6) |
                  |   Thực thi trên nền tảng EViews 8.0          |
                  +----------------------+-----------------------+
                                         |
                                         v
                  +----------------------------------------------+
                  |     Dự báo Out-of-sample: 26.409 VNĐ        |
                  |     Thực tế: 26.480 VNĐ (Sai số: 0,27%)      |
                  +----------------------------------------------+

Mục tiêu nghiên cứu cụ thể

  1. Khảo sát và đánh giá hiện trạng: Phân tích thực trạng ứng dụng phân tích cơ bản và phân tích kỹ thuật trong các Báo cáo phân tích nhanh (Quick Analysis Reports) tại VNDIRECT.
  2. Xây dựng quy trình định lượng chuỗi thời gian: Thiết lập quy trình 4 bước chuẩn Box-Jenkins để xử lý và kiểm định tính dừng của chuỗi giá chứng khoán.
  3. Ước lượng và tối ưu hóa mô hình: Tìm kiếm bộ tham số tối ưu $(p, d, q)$ cho chuỗi dữ liệu giá cổ phiếu Vietcombank (Mã: VCB) niêm yết trên Sở Giao dịch Chứng khoán TP.HCM (HOSE).
  4. Kiểm định và đánh giá sai số thực nghiệm: Thực hiện dự báo giá trung bình tuần out-of-sample và kiểm chứng độ chính xác so với giá thị trường thực tế.

Phương pháp tiếp cận và phạm vi nghiên cứu

  • Phương pháp tiếp cận: Sử dụng mô hình Tự hồi quy Tích hợp Trung bình trượt (ARIMA - Autoregressive Integrated Moving Average) kết hợp kiểm định tính dừng sai phân và đánh giá chuỗi phần dư nhiễu trắng (White Noise).
  • Phạm vi dữ liệu: 101 quan sát giá đóng cửa trung bình tuần của cổ phiếu Ngân hàng TMCP Ngoại thương Việt Nam (VCB) trên sàn HOSE từ ngày 01/01/2013 đến 07/01/2015.
  • Công cụ thực thi: Microsoft Excel 2010 (tiền xử lý chuỗi) và phần mềm Kinh tế lượng chuyên dụng EViews phiên bản 8.0.
  • Giới hạn đề tài: Tập trung vào dự báo đơn biến ngắn hạn (1 tuần tiếp theo), không tích hợp biến ngoại sinh vĩ mô đa chiều.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại thời điểm nghiên cứu, các báo cáo phân tích nhanh của VNDIRECT chủ yếu phục vụ nhu cầu tư vấn khách hàng trong vòng 24–48 giờ, sử dụng kết hợp FA và TA nhưng bộc lộ nhiều khoảng trống kỹ thuật:

Tiêu chí Phân tích cơ bản (FA) tại VNDIRECT Phân tích kỹ thuật (TA) tại VNDIRECT Mô hình định lượng ARIMA (Đề xuất)
Cơ sở dữ liệu BCTC quý/năm, P/E (16,3x), P/B (2,2x), NIM, tỷ lệ nợ xấu (<3%) Biểu đồ nến tuần/ngày, RSI, SMA(20), Bollinger Bands, DMI (+DI, -DI, ADX) Chuỗi thời gian giá đóng cửa lịch sử $\Delta Y_t$ (101 tuần)
Độ trễ thông tin Cao (BCTC phát hành trễ 15–45 ngày) Trung bình (các chỉ báo kỹ thuật trễ nhịp so với biến động giá tức thời) Không có độ trễ BCTC, cập nhật trực tiếp theo giá khớp lệnh sàn HOSE
Tính khách quan Phụ thuộc giả định chủ quan của chuyên viên Phụ thuộc cách kẻ vẽ kháng cự/hỗ trợ và nhận diện mẫu hình 100% dựa trên thuật toán thống kê và cấu trúc tự tương quan mẫu
Đầu ra dự báo Khung định giá hợp lý dài hạn (12 tháng) Khuyến nghị vùng mua/bán chung chung, thiếu mức giá mục tiêu chính xác Điểm giá dự báo cụ thể theo tuần với sai số lượng hóa dưới 1%

Ma trận yêu cầu giải pháp theo tiêu chuẩn MoSCoW

  • Must have (Bắt buộc): Khử hoàn toàn xu hướng không dừng của chuỗi giá ($d \ge 1$); xác định bậc $p, q$ tối ưu dựa trên tiêu chuẩn AIC/SIC; kiểm định phần dư $U_t$ không tự tương quan.
  • Should have (Nên có): Tự động hóa quá trình so sánh các tổ hợp mô hình cạnh tranh trong EViews; xuất kết quả dự báo điểm kèm biểu đồ tương quan.
  • Could have (Có thể có): Mở rộng sang mô hình biến thiên phương sai ARCH/GARCH để dự báo độ biến động (volatility).
  • Won't have (Chưa thực hiện): Tích hợp khớp lệnh real-time theo từng giây (High-Frequency Trading) do giới hạn hạ tầng phần mềm.

Thiết kế hệ thống và kiến trúc xử lý dữ liệu

Hệ thống phân tích dự báo được thiết kế theo luồng dữ liệu 4 tầng chuyên biệt:

[Tầng 1: Thu thập dữ liệu]
  └── Source: CSDL Giao dịch HOSE (finance.vn) -> 101 mẫu giá tuần VCB (01/2013 - 01/2015)
[Tầng 2: Tiền xử lý dữ liệu - MS Excel 2010]
  └── Làm sạch -> Tính giá trị đóng cửa trung bình 5 phiên tuần -> Xuất tệp .xls
[Tầng 3: Xử lý Kinh tế lượng - EViews 8.0 Engine]
  ├── Đánh giá chuỗi: Đồ thị Correlogram (ACF / PACF)
  ├── Biến đổi dừng: Lấy sai phân bậc 1: D(Close) = Close(t) - Close(t-1)
  ├── Ước lượng hồi quy: Lựa chọn mô hình có AIC, SIC tối thiểu & Adjusted R-squared tối đa
  └── Chẩn đoán mô hình: Kiểm định Q-Statistic kiểm tra nhiễu trắng phần dư
[Tầng 4: Kết xuất dự báo & Ra quyết định]
  └── Xuất điểm giá dự báo tuần T+1 -> Tính biên sai lệch (%) -> Cung cấp mức dừng lỗ/chốt lời

Ngăn xếp công nghệ sử dụng

  • Phần mềm kinh tế lượng: EViews (Econometric Views) Standard Edition Version 8.0 (hỗ trợ các thuật toán ước lượng hồi quy phi tuyến Gauss-Newton, Marquardt).
  • Phần mềm bảng tính: Microsoft Excel 2010 (Module Data Analysis & Statistical Functions).
  • Hệ điều hành môi trường: Windows 7 / Windows 8 Pro 64-bit.
  • Mô hình toán học: Box-Jenkins ARIMA Process $(p, d, q)$ đa biến trễ.

Phương pháp luận (Methodology)

Dự án áp dụng chặt chẽ quy trình 4 giai đoạn Box-Jenkins (1976):

flowchart TD
    A[Giai đoạn 1: Nhận dạng mô hình] -->|Kiểm tra đồ thị ACF/PACF & lấy sai phân d| B[Giai đoạn 2: Ước lượng tham số]
    B -->|Hồi quy OLS/ML các tổ hợp p và q| C[Giai đoạn 3: Kiểm định chẩn đoán]
    C -->|Phần dư là Nhiễu trắng?| D{Đạt yêu cầu?}
    D -- Không --> B
    D -- Có --> E[Giai đoạn 4: Dự báo thực nghiệm]
  • Tiêu chuẩn chất lượng kiểm định:
    • Tiêu chuẩn thông tin Akaike: $\text{AIC} = 2k - 2\ln(\hat{L})$
    • Tiêu chuẩn thông tin Schwarz-Bayesian: $\text{SIC} = k\ln(n) - 2\ln(\hat{L})$
    • Hệ số tương quan mẫu $r_k$ tại độ trễ $k$:

$$r_k = \frac{\sum_{t=1}^{T-k}(X_t - \bar{X})(X_{t+k} - \bar{X})}{\sum_{t=1}^T (X_t - \bar{X})^2}$$

  • Đánh giá ý nghĩa thống kê: Sử dụng thống kê Student $t$-test với ngưỡng tin cậy 95% ($\alpha = 0,05$), khoảng giới hạn $\pm 2/\sqrt{n}$.

Implementation và kết quả thực nghiệm

Quy trình xây dựng mô hình chi tiết

Mô hình tổng quát ARIMA(p,d,q) có dạng toán học:

$$\Delta^d Y_t = \Phi + \sum_{i=1}^p \alpha_i \Delta^d Y_{t-i} + \sum_{j=1}^q \beta_j U_{t-j} + U_t$$

Trong đó:

  • $\Delta^d Y_t$: Sai phân bậc $d$ của chuỗi giá tại thời điểm $t$.
  • $\Phi$: Hệ số chặn (Hằng số trung bình của quá trình).
  • $\alpha_1, \dots, \alpha_p$: Các hệ số tự hồi quy (AR), thỏa mãn điều kiện ổn định $|\alpha_i| < 1$.
  • $\beta_1, \dots, \beta_q$: Các hệ số trung bình trượt (MA), thỏa mãn điều kiện khả nghịch $|\beta_j| < 1$.
  • $U_t$: Nhiễu trắng với giả định phân phối chuẩn $U_t \sim \text{i.i.d } N(0, \sigma^2)$.

Bước 1: Kiểm định tính dừng (Stationarity Identification)

Quan sát biểu đồ Correlogram của chuỗi giá gốc $Y_t$ (Close): Hàm tự tương quan (ACF) khởi đầu ở giá trị cao (0,879) và giảm dần tuyến tính rất chậm về 0 qua 20 độ trễ $\rightarrow$ Chuỗi thời gian không dừng (Non-stationary).

Tiến hành lấy sai phân bậc 1 ($d = 1$):

$$\Delta Y_t = Y_t - Y_{t-1} = \text{D(Close)}$$

Kiểm tra Correlogram của chuỗi $\Delta Y_t$: Các giá trị ACF và PACF triệt tiêu nhanh chóng và rơi vào trong dải phân cách tin cậy $\pm 2/\sqrt{101} \approx \pm 0,199$ ngay từ các độ trễ đầu $\rightarrow$ Chuỗi $\text{D(Close)}$ dừng ở bậc 1 ($d = 1$, ký hiệu $I(1)$).

======================================================================
EViews 8 Command Line Specification:
======================================================================
smpl 1 101
series dclose = d(close)
dclose.correl(20)
======================================================================

Bước 2: Thử nghiệm và chọn lựa mô hình tối ưu

Chạy thử nghiệm hàng loạt cấu hình mô hình với các bậc trễ AR và MA khác nhau nhằm tối thiểu hóa AIC/SIC và tối đa hóa Adjusted $R^2$:

Cấu hình mô hình R-squared Adjusted R-squared Log Likelihood AIC SIC (Schwarz) Đánh giá
AR(1) MA(1) 0,0821 0,0624 -768,45 16,072 16,151 Chưa tối ưu
AR(1,2) MA(1,2) 0,1145 0,0763 -761,12 15,961 16,092 Mức trung bình
AR(1,3) MA(1..4) 0,1892 0,1351 -750,22 15,796 15,984 Cải thiện tốt
AR(1,3,4) MA(1..6) 0,2841 0,2044 -732,18 15,483 15,771 Tối ưu nhất

Cú pháp phương trình ước lượng tối ưu trong EViews 8:

D(CLOSE) C AR(1) AR(3) AR(4) MA(1) MA(2) MA(3) MA(4) MA(5) MA(6)

==============================================================================
Dependent Variable: D(CLOSE)
Method: Least Squares / ARMA Maximum Likelihood (BFGS)
Sample: 6 101 (Included observations: 96 after adjustments)
==============================================================================
Variable             Coefficient   Std. Error   t-Statistic      Prob.
==============================================================================
C                       0.048211     0.021142      2.280342     0.0249
AR(1)                  -0.341209     0.110283     -3.093940     0.0026
AR(3)                   0.281451     0.098412      2.859925     0.0052
AR(4)                  -0.219804     0.087615     -2.508748     0.0138
MA(1)                   0.412091     0.121045      3.404445     0.0010
MA(2)                  -0.184512     0.089410     -2.063662     0.0418
MA(3)                  -0.312480     0.091124     -3.429173     0.0009
MA(4)                   0.245192     0.084152      2.913680     0.0045
MA(5)                  -0.151240     0.071205     -2.123999     0.0363
MA(6)                   0.198451     0.068412      2.900821     0.0047
==============================================================================
R-squared: 0.284120           Mean dependent var: 0.041667
Adjusted R-squared: 0.204411  S.D. dependent var: 0.892451
Akaike info criterion: 15.483 Schwarz criterion: 15.771
==============================================================================

Bước 3: Kiểm định chẩn đoán phần dư (Diagnostic Checking)

Thực hiện kiểm định tương quan phần dư qua lệnh View/Residual Tests/Correlogram - Q-Statistic:

  • Tất cả các giá trị xác suất $p$-value của $Q$-Statistic từ bậc trễ 1 đến 20 đều lớn hơn mức ý nghĩa $\alpha = 0,05$ (đều đạt $p > 0,25$).
  • Hệ số tự tương quan phần dư nằm hoàn toàn trong ngưỡng an toàn.
  • Kết luận: Phần dư $U_t$ là chuỗi dừng phân phối chuẩn, đạt chuẩn nhiễu trắng thuần túy (White Noise), đảm bảo mô hình không bị bỏ sót thông tin cấu trúc.

Kiểm định và kết quả dự báo out-of-sample

Tại cửa sổ phương trình của EViews 8, chọn tính năng Forecast để thực hiện dự báo động (Dynamic Forecast) cho tuần giao dịch kế tiếp (tuần thứ 102).

======================================================================
BẢNG ĐỐI CHIẾU KẾT QUẢ DỰ BÁO VỚI THỰC TẾ (MÃ CỔ PHIẾU: VCB)
======================================================================
Chỉ tiêu đánh giá                 Giá trị ghi nhận
----------------------------------------------------------------------
Giá thực tế khớp lệnh (Actual):    26.480 VNĐ
Giá mô hình ARIMA dự báo (Forecast): 26.409 VNĐ
Độ lệch tuyệt đối (Absolute Error):  71 VNĐ
Tỷ lệ sai số tương đối (% Error):    0,27%
Khoảng tin cậy 95% (Forecast Interval): [25.820 VNĐ - 27.050 VNĐ]
======================================================================

Nhận xét hiệu năng: Sai số dự báo đạt mức 0,27%—thấp hơn đáng kể so với ngưỡng sai số thông thường trong phân tích tài chính (thường dao động từ 3%–5%). Điều này chứng minh chuỗi sai phân bậc 1 kết hợp các bậc trễ tự hồi quy $p = (1, 3, 4)$ và trung bình trượt $q = (1, 2, 3, 4, 5, 6)$ bắt trọn được dao động giá của VCB trong điều kiện thị trường tương đối ổn định.

Đổi mới và đóng góp

  1. Lượng hóa hoạt động phân tích nhanh: Đồ án đã chuyển dịch thành công phương thức dự báo từ định tính sang định lượng thực chứng, khắc phục hiện tượng phụ thuộc vào cảm tính cá nhân của môi giới viên tại VNDIRECT.
  2. Thiết lập chuẩn tham số ARIMA đặc thù cho ngành Ngân hàng (HOSE): Chứng minh cổ phiếu Blue-chip nhóm ngân hàng (đại diện là VCB) có tính ỳ chuỗi thời gian lớn, đòi hỏi cấu hình bậc MA trải dài từ 1 đến 6 để hấp thụ toàn bộ các cú sốc thông tin từ thị trường.
  3. Cung cấp điểm neo toán học cho quản trị rủi ro: Tạo cơ sở thiết lập các mức giá mục tiêu, giá dừng lỗ (Stop-loss) và chốt lời (Take-profit) với khoảng tin cậy thống kê chuẩn xác, cải thiện hiệu suất tư vấn danh mục đầu tư.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quy trình tư vấn của công ty chứng khoán

  • Tích hợp vào Bản tin phân tích nhanh (Quick Report Engine): Tự động hóa khâu tính toán giá mục tiêu ngắn hạn hàng tuần cho danh mục VN30. Khi có dữ liệu giá đóng cửa phiên thứ 6, mô hình tự động cập nhật chuỗi và xuất dự báo cho tuần kế tiếp vào sáng thứ 2.
  • Hỗ trợ nghiệp vụ Tự doanh (Proprietary Trading): Cung cấp tín hiệu tham chiếu cho các thuật toán giao dịch theo xu hướng, xác định điểm vào lệnh khi thị giá lệch quá 2 lần độ lệch chuẩn so với giá dự báo.

Lộ trình triển khai hệ thống (Implementation Roadmap)

Giai đoạn Thời gian Mục tiêu & Sản phẩm bàn giao
Pha 1: Thu thập & Làm sạch Tuần 1 – Tuần 4 Xây dựng pipeline tự động lấy dữ liệu EOD (End-of-Day) từ HOSE/HNX
Pha 2: Huấn luyện & Tối ưu Tuần 5 – Tuần 8 Thiết lập kịch bản tự động dò tìm bậc $(p, d, q)$ tối ưu cho toàn bộ rổ VN30
Pha 3: Backtesting & Nghiệm thu Tuần 9 – Tuần 12 Chạy kiểm thử lặp (Rolling-window forecast) trên dữ liệu 5 năm lịch sử
Pha 4: Đưa vào sản xuất Tuần 13 trở đi Nhúng kết quả vào hệ thống báo cáo phân tích tự động gửi nhà đầu tư

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ nhạy với cú sốc chính sách: ARIMA vận hành trên nguyên lý "hãy để dữ liệu tự lên tiếng" (Let data speak). Khi có can thiệp đột ngột từ chính sách vĩ mô (như việc bất ngờ thay đổi lãi suất điều hành hoặc ban hành quy định siết tín dụng như Thông tư 36), các tham số hồi quy $\alpha_i, \beta_j$ trong quá khứ bị biến dạng, làm suy giảm độ chính xác dự báo.
  • Giới hạn chu kỳ dự báo: Mô hình chỉ cho kết quả tối ưu trong siêu ngắn hạn (1 đến 2 bước thời gian). Sai số tích lũy tăng nhanh theo hàm mũ nếu mở rộng dự báo theo quý hoặc năm.
  • Hiện tượng phương sai thay đổi (Heteroskedasticity): ARIMA giả định phương sai sai số là hằng số $\sigma^2$, trong khi chuỗi tài chính thường xuyên xuất hiện các cụm biến động (Volatility Clustering).

Hướng nghiên cứu mở rộng

  • Tích hợp mô hình ARCH/GARCH: Kết hợp mô hình ARIMA với mô hình Phương sai có điều kiện thay đổi tự hồi quy (Autoregressive Conditional Heteroskedasticity) để đồng thời dự báo giá và đo lường độ rủi ro/biến động giá.
  • Ứng dụng mô hình ARIMAX / VECM: Đưa thêm các biến ngoại sinh vĩ mô (Lãi suất liên ngân hàng, Tỷ giá USD/VND, Chỉ số VN-Index) vào mô hình dạng đa biến.
  • Kết hợp mạng nơ-ron học sâu (Deep Learning): Phát triển mô hình lai ghép ARIMA-LSTM (Long Short-Term Memory) để giải quyết các thành phần phi tuyến phức tạp trong chuỗi thời gian.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Kinh tế lượng: Nắm vững tài liệu mẫu chuẩn mực về quy trình 4 bước Box-Jenkins thực thi trên phần mềm EViews 8.0 kèm bộ số liệu thực tế từ thị trường Việt Nam.
  • Chuyên viên phân tích dữ liệu & Quant Developers: Sở hữu bộ khung toán học và cú pháp ước lượng cụ thể để xây dựng các bot phân tích tự động hoặc thuật toán giao dịch định lượng.
  • Công ty Chứng khoán & Khối Tự doanh: Cải thiện chất lượng báo cáo khuyến nghị, nâng cao tỷ lệ dự báo chính xác, tạo dựng uy tín thương hiệu đối với khách hàng tổ chức.
  • Nhà đầu tư cá nhân: Tiếp cận phương pháp tham chiếu giá có cơ sở khoa học, hạn chế bẫy tâm lý và FOMO theo tin đồn trên thị trường.

Câu hỏi thường gặp

1. Yêu cầu cấu hình và phần mềm tối thiểu để chạy mô hình?

Hệ thống chỉ yêu cầu máy tính chạy hệ điều hành Windows XP/7/8/10/11, RAM tối thiểu 2GB, cài đặt bộ công cụ Microsoft Excel (2010 trở lên) để tổng hợp dữ liệu và EViews (phiên bản 8.0 trở lên) để thực thi kiểm định kinh tế lượng.

2. Tại sao phải lấy sai phân bậc 1 ($d = 1$) cho chuỗi giá cổ phiếu?

Chuỗi giá cổ phiếu thực tế hầu như luôn chứa thành phần xu hướng và không dừng ($Non-stationary$), vi phạm giả định cơ bản của mô hình tự hồi quy. Việc lấy sai phân bậc 1 ($\Delta Y_t = Y_t - Y_{t-1}$) giúp triệt tiêu xu hướng, đưa chuỗi về trạng thái dừng có kỳ vọng và phương sai ổn định theo thời gian.

3. Mô hình có thể dự báo chính xác giá cổ phiếu trong 1 năm tới không?

Không. ARIMA là mô hình chuyên biệt cho dự báo chuỗi thời gian ngắn hạn (từ 1 đến vài phiên/tuần tiếp theo). Đối với khung thời gian 1 năm, nhà đầu tư bắt buộc phải kết hợp phương pháp Phân tích cơ bản (định giá chiết khấu dòng tiền DCF, định giá theo chỉ số P/E, P/B) và đánh giá chu kỳ kinh tế vĩ mô.

4. Xử lý như thế nào khi đồ thị phần dư chưa đạt chuẩn nhiễu trắng?

Nếu kiểm định $Q$-Statistic cho thấy $p$-value $< 0,05$, nghĩa là phần dư vẫn còn tự tương quan. Khi đó cần quay lại bước nhận dạng: bổ sung thêm các bậc trễ AR hoặc MA cao hơn, kiểm tra tính dừng mùa (Seasonal ARIMA - SARIMA) hoặc xem xét biến đổi logarit tự nhiên $\ln(Y_t)$ để ổn định phương sai trước khi lấy sai phân.

5. Chi phí triển khai giải pháp này tại doanh nghiệp là bao nhiêu?

Chi phí triển khai gần như bằng không đối với doanh nghiệp đã có sẵn hạ tầng phân tích, do chỉ cần tận dụng nhân sự hiện hữu, dữ liệu giá EOD công khai từ các Sở Giao dịch và bản quyền phần mềm EViews/R/Python tiêu chuẩn.

Kết luận

Khóa luận tốt nghiệp "Ứng dụng mô hình ARIMA vào dự báo giá chứng khoán" đã chứng minh tính khả thi và hiệu quả vượt trội của phương pháp tiếp cận định lượng kinh tế lượng trong hoạt động phân tích tài chính. Bằng việc xây dựng thành công mô hình tối ưu $\text{ARIMA}(1,3,4; 1; 1..6)$ trên phần mềm EViews 8.0 cho cổ phiếu VCB với sai số thực nghiệm chỉ 0,27%, đề tài đã cung cấp một công cụ hỗ trợ ra quyết định khoa học, hạn chế tối đa cảm tính chủ quan. Đây chính là tiền đề thực tiễn vững chắc để các công ty chứng khoán và nhà đầu tư tiếp tục nâng cấp lên các hệ thống giao dịch tự động và quản trị danh mục hiện đại trong kỷ nguyên tài chính số.