Chuyên đề thực tập tốt nghiệp ứng dụng mô hình arima và mạng rnn dự báo chuỗi giá đóng cửa của cổ phiếu ngân hàng tmcp ngoại thương việt nam vcb

Tài liệu nghiên cứu Chuyên đề thực tập tốt nghiệp ứng dụng mô hình arima và mạng rnn dự báo chuỗi giá đóng cửa của cổ, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên

• Tác giả: Nguyễn Thị Quỳnh Anh
• Người hướng dẫn: TS. Hoàng Dire Mạnh
• Trường học: Trường Đại Học Kinh Tế Quốc Dân
• Chuyên ngành: Toán Kinh Tế
• Đề tài: Dự Báo Giá Cổ Phiếu VCB Bằng Mô Hình ARIMA Và Mạng RNN
• Loại tài liệu: Chuyên Đề Thực Tập
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM KẾT
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: DỰ BÁO CHUỖI THỜI GIAN VÀ TỔNG QUAN NGHIÊN CỨU
• 1.1. Kiến thức cơ sở về chuỗi thời gian
• 1.1.1. Khái niệm chuỗi thời gian
• 1.1.2. Các đặc trưng của chuỗi thời gian
• 1.1.3. Ứng dụng dự báo chuỗi thời gian
• 1.1.4. Đề tài phân tích chuỗi thời gian
• 1.2. Kết luận chương 1
• 2. CHƯƠNG 2: MÔ HÌNH ARIMA VÀ MẠNG RNN
• 2.1. Mô hình tự hồi quy tích hợp trung bình trượt — ARIMA
• 2.1.1. Hàm tự tương quan
• 2.1.2. Kiểm định tính dừng
• 2.1.3. Mô hình tự hồi quy AR(p)
• 2.1.4. Mô hình trung bình trượt MA(Q)
• 2.1.5. Mô hình tự hồi quy và trung bình trượt ARMA (p, q)
• 2.1.6. Mô hình trung bình trượt tích hợp tự hồi quy ARIMA (p, d, q)
• 2.1.7. Phương pháp Box — Jenkins
• 2.2. Các bước xây dựng mô hình ARIMA
• 2.2.1. Nhận dạng mô hình
• 2.2.2. Ước lượng các tham số mô hình ARIMA (p, d, q)
• 2.2.3. Kiểm định mô hình
• 2.3. Mạng nơ-ron hồi quy nhân tạo — Mạng Long short-term memory
• 2.3.1. Mạng nơ-ron hồi quy nhân tạo (Recurrent Neural Network - RNN)
• 2.3.2. Mạng bộ nhớ ngắn hạn dài (Long short-term memory)
• 2.3.3. Ý tưởng cốt lõi của LSTM
• 2.3.4. Các bước xây dựng mạng Long short-term memory
• 2.3.5. Các chỉ tiêu đánh giá mạng LSTM
• 3. CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU
• 3.1. Đối tượng nghiên cứu
• 3.1.1. Đôi nét về Ngân hàng TMCP Ngoại thương Việt Nam — VCB
• 3.1.2. Thông tin về mã cổ phiếu của Vietcombank (Mã: VCB)
• 3.2. Phân tích giá cổ phiếu VCB trong giai đoạn 2016 — 2021
• 3.2.1. Phân tích chỉ hiệu
• 3.3. Kết quả dự báo mô hình ARIMA
• 3.3.1. Kiểm định nghiệm đơn vị ADF của chuỗi gốc
• 3.3.2. Chia tập dữ liệu
• 3.3.3. Xác định mô hình ARIMA (p, d, q)
• 3.3.4. Kiểm định phần dư của mô hình
• 3.3.5. Kiểm định với hai tập Train và Test
• 3.4. Kết quả mạng Long short-term memory (LSTM)
• 3.4.1. Chuẩn hóa dữ liệu
• 3.4.2. Lớp mạng Long short-term memory (LSTM)
• 3.4.3. Kiểm định với tập Train và Test
• 3.5. Kết luận chương 3
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Giới thiệu về dự báo giá cổ phiếu VCB

Dự báo giá cổ phiếu là một lĩnh vực quan trọng trong tài chính, đặc biệt là đối với cổ phiếu của Ngân hàng TMCP Ngoại thương Việt Nam (VCB). Việc dự đoán giá trị thực trong tương lai của cổ phiếu không chỉ giúp các nhà đầu tư đưa ra quyết định đầu tư chính xác mà còn ảnh hưởng đến chiến lược kinh doanh của ngân hàng. Dự báo giá cổ phiếu VCB sử dụng các phương pháp như mô hình ARIMA và mạng RNN để phân tích và dự đoán xu hướng giá. Mô hình ARIMA, với khả năng xử lý chuỗi thời gian, cho phép phân tích các yếu tố ảnh hưởng đến giá cổ phiếu, trong khi mạng RNN, đặc biệt là LSTM, giúp cải thiện độ chính xác của dự báo nhờ khả năng ghi nhớ thông tin từ quá khứ. Việc áp dụng các mô hình này không chỉ mang lại lợi ích cho các nhà đầu tư mà còn cho các nhà quản lý tài chính trong việc đưa ra các quyết định chiến lược.

II. Mô hình ARIMA trong dự báo giá cổ phiếu

Mô hình ARIMA (AutoRegressive Integrated Moving Average) là một trong những phương pháp phổ biến nhất trong dự báo giá cổ phiếu. Mô hình này dựa trên nguyên lý Box-Jenkins, bao gồm các bước nhận dạng mô hình, ước lượng tham số, kiểm định mô hình và dự báo. ARIMA cho phép phân tích các chuỗi thời gian không ổn định bằng cách biến đổi chúng thành chuỗi ổn định. Việc áp dụng mô hình ARIMA trong dự báo giá cổ phiếu VCB giúp xác định các yếu tố ảnh hưởng đến giá cổ phiếu qua các giai đoạn khác nhau. Kết quả từ mô hình ARIMA cho thấy khả năng dự đoán chính xác giá cổ phiếu trong ngắn hạn, tuy nhiên, mô hình này cũng có những hạn chế khi đối mặt với các biến động lớn trong thị trường. Do đó, việc kết hợp với các phương pháp khác như mạng RNN có thể cải thiện độ chính xác của dự báo.

III. Mạng RNN và ứng dụng trong dự báo giá cổ phiếu

Mạng nơ-ron hồi quy (RNN) là một công nghệ tiên tiến trong lĩnh vực học máy, đặc biệt là trong dự báo giá cổ phiếu. RNN có khả năng xử lý dữ liệu chuỗi thời gian nhờ vào cấu trúc cho phép lưu trữ thông tin từ các bước trước đó. Mạng LSTM (Long Short-Term Memory) là một biến thể của RNN, được thiết kế để giải quyết vấn đề mất thông tin trong quá trình huấn luyện. Việc áp dụng LSTM trong dự báo giá cổ phiếu VCB cho phép mô hình học được các mẫu phức tạp trong dữ liệu, từ đó cải thiện độ chính xác của dự báo. Kết quả cho thấy LSTM có thể dự đoán chính xác hơn so với các mô hình truyền thống, đặc biệt trong các giai đoạn có biến động lớn. Sự kết hợp giữa LSTM và ARIMA có thể tạo ra một mô hình dự báo mạnh mẽ hơn, giúp các nhà đầu tư đưa ra quyết định chính xác hơn.

IV. Phân tích và đánh giá kết quả dự báo

Kết quả từ việc áp dụng mô hình ARIMA và mạng RNN trong dự báo giá cổ phiếu VCB cho thấy sự khác biệt rõ rệt trong độ chính xác của các dự báo. Mô hình ARIMA cung cấp một cái nhìn tổng quan về xu hướng giá, trong khi mạng RNN, đặc biệt là LSTM, cho phép nắm bắt các biến động ngắn hạn và các yếu tố không tuyến tính. Việc so sánh các chỉ số đánh giá như MSE (Mean Squared Error) và MAE (Mean Absolute Error) cho thấy LSTM thường đạt được kết quả tốt hơn trong việc dự đoán giá cổ phiếu. Điều này chứng tỏ rằng việc kết hợp các phương pháp dự báo có thể mang lại lợi ích lớn cho các nhà đầu tư và các nhà phân tích tài chính trong việc đưa ra quyết định đầu tư.

Trích đoạn nội dung tài liệu

Chương 1 đã cho chúng ta một cái nhìn tổng quát nhất về khái niệm chuỗi thời gian, các thành phần chính tồn tại trong một chuỗi thời gian bao gồm: tính xu thế, tinh mùa vụ, và các yêu tô ngẫu nhiên. Chúng ta cũng thay rõ được cơ sở của dự báo chuỗi thời gian và tính ứng dụng của nó trong đời sống phổ biến ra sao trong các lĩnh vực khoa học và đời sông. 11190401 - Nguyễn Thị Quỳnh Anh 10 Chuyên đề thực tập chuyên ngành Toán Kinh TẾ CHƯƠNG 2 MÔ HÌNH ARIMA VÀ MẠNG RNN Trong khuôn khổ dé tài này, tác giả sẽ sử dụng hai phương pháp dự báo chuỗi thời gian đó là mô hình Tự hoi quy tích hợp trung bình trượt ( Auto Regression Intergrated Moving Average - ARIMA) và Mạng nơ — ron hồi quy nhận tao (Recurrent Neural Network — RNN). Từ đó chúng ta có thé ứng dụng vào van dé mà chuyên dé đưa ra.

Mô hình tự hồi quy tích hợp trung bình trượt - ARIMA 2. Hàm tự tương quan 2. Tự tương quan (ACF — AutoCorrelation Function) AutoCorrelation là sự tương quan giữa hai giá trị trong một chuỗi thời gian. Nói cách khác, dữ liệu chuỗi thời gian tương quan với chính nó - do đó tự tương quan.

Chúng tôi gọi những mối tương quan này là "độ trễ". Các nhà phân tích ghi lại dữ liệu chuỗi thời gian băng cách đo lường một hàm theo các khoảng thời gian đều đặn, ví dụ: hàng ngày, hàng tháng hoặc hàng năm. Khoảng thời gian giữa hai lần quan sát là độ trễ. Ví dụ, độ trễ giữa quan sát hiện tại và trước đó là một.

Quay lại một lần nữa, độ trễ là hai,. Về mặt toán học, các quan sát tại các điểm y, và y,_„ cách nhau k don vị thời gian với k là độ trễ. Độ trễ này có thê là ngày, quý hoặc năm tùy thuộc vào bản chất của dữ liệu. Khi k = J, các quan sát liền kề được đánh giá.

Mọi độ chậm trễ đều có mỗi tương quan.1) Ta thường sử dụng hàm tự tương quan (ACF) dé xác định độ trễ nào có mối tương quan đáng kê dé hiểu các mẫu và đặc điểm của chuỗi thời gian rồi lập mô hình dữ liệu. Dựa trên ACF, chúng ta có thê suy luận đề đánh giá tính ngẫu nhiên và tính ồn định của dữ liệu chuỗi thời gian. Chúng tôi cũng có thể xác định xem các xu hướng và mô hình theo mùa có đang nổi lên hay không. Trong biểu đồ ACF, mỗi thanh biéu thị cường độ và hướng của mối tương quan.

Các thanh bên ngoài đường màu đỏ có ý nghĩa thống kê. Tự tương quan riêng (PACF — Partitial AutoCorrelation Function) Tương tự, chúng ta có một thước do khác là tự tương quan cá nhân (PACF), cũng là thước do mức độ tương quan, giống nhu ACF của phan trước. Hệ số tương 11190401 - Nguyễn Thị Quỳnh Anh 11 Chuyên đề thực tập chuyên ngành Toán Kinh TẾ quan của PACF giúp chúng ta loại bỏ ảnh hưởng của chuỗi trễ (là chuỗi trễ x¿_¡, .„e_y-+ giữa x, và x¿_„, đây là điểm khác biệt so với ACF- hàm tự tương quan. Các mô hình trung bình động (MA) được sử dụng trong phân tích chuỗi thời gian để mô tả chuỗi thời gian tĩnh.

Các mô hình MA biểu thị chuỗi thời gian được tạo bằng cách truyền nhiễu trắng qua bộ lọc tuyến tính không đệ quy. Một mô hình trung bình động của một quá trình ngẫu nhiên. PACF được ký hiệu là ø„y , k = 1,2,. là hệ số tương quan có điều kiện: Pex = Corr (Ye, Ye-r | Ye-a Ye-2 ee Vega) kk = 1,2,.2) Quá trình tự hồi quy AR(p) tìm thấy giá tri của độ trễ p nhờ đồ thị tương quan PACE.

Bậc tự do p có thé được tìm thấy bang cách tham khảo đồ thị PACF, đồ thị này cho thấy các hệ số tự tương quan riêng lẻ tương ứng với các độitrễ khác nhau. Giá trị của hệ số tương quan riêng phần năm ngoài ngưỡng tin cậy 95% đối với giả thuyết tương quan riêng phần không nằmở vị trí của biến trễ thứ ?. Kiểm định tính dừng Khi tạo mô hình cho mục đích dự báo trong phân tích chuỗi thời gian, chúng ta giả định rằng chuỗi thời gian là một chuỗi có định dé các dự đoán đưa ra sẽ cho kết quả tốt. Vì vậy, bước đầu tiên khi làm việc trên một mô hình là dừng chuỗi thời gian.

Kiểm thử tính dừng là một thủ tục thường được sử dụng trong mô hình tự hồi quy. Chúng tôi có thé thực hiện nhiều thử nghiệm khác nhau như KPSS, Phillips-Perron và Augmented Dickey-Fuller. Chủ đề này tập trung nhiều hơn vào bài kiểm tra Dickey-Fuller. Thử nghiệm Augmented Dickey-Fuller (ADF) là một thử nghiệm có ý nghĩa thống kê, có nghĩa là thử nghiệm cho kết quả trong các thử nghiệm giả thuyết với giả thuyết không và giả thuyết thay thế.

Kết quả là một giá trị p mà từ đó chúng ta phải kết luận từ chuỗi thời gian liệu nó có dừng hay không. Dựa vào chuỗi cơ sở lý thuyết áp dụng cho quá trình AR(1) với chuỗi Y được xác định như sau: Y, =m+ $F,_¡ + tự (2.3) Dé có thé đưa ra kết luân phương trình đặc trưng của chuỗi có nghiệm đơn vị hay không, chúng ta sẽ tiến hành sử dụng kiêm định ADF (Augmented Dickey-Fuller Test) với cặp giả thuyết như sau: Hạ: ¢; = 1. Chuỗi là chuoi dừng. Chúng ta sẽ đối chiếu giá trị của kiểm định ADF với giá trị tới hạn của phân 11190401 - Nguyễn Thị Quỳnh Anh 12 Chuyên đề thực tập chuyên ngành Toán Kinh TẾ phối Dickey - Fuller sau khi chúng ta ước lượng xong mô hình AR (p).

Dựa vào đó chúng ta đưa ra kết luận rằng những chuỗi dữ liệu đã đầy đủ thông tin dé kết luận chấp nhận hay bác bỏ Hạ. (-1) Nếu giá trị |r = > |r„| thì chúng ta có đầy đủ thông tin dé có thé bác (s. Từ đó, kết luận răng chuỗi thời gian của chúng ta là chuỗi dừng. Mô hình tự hồi quy AR(p) Các mô hình tự hồi quy (AR) dự đoán hành vi trong tương lai dựa trên hành vi trong quá khứ.

Nó được sử dụng dé dự báo khi có một số tương quan giữa các giá trị của chuỗi thời gian và các giá trị trước và sau chúng. Bạn chỉ cần sử dụng đữ liệu trong quá khứ dé lập mô hình hành vi, do đó có tên là tự hồi quy (tiền tố trong tiếng Hy Lạp auto— có nghĩa là "bản thân". Quá trình này thực chat là hồi quy tuyến tính của đữ liệu trong chuỗi hiện tại so với một hoặc nhiều giá trị trước đó trong cùng một chuỗi. Trong mô hình AR, giá trị của biến kết quả (Y) tại một số thời điểm t - giống như hồi quy tuyến tính "bình thường" - có liên quan trực tiếp đến biến dự đoán (X).

Van đề về hồi quy tuyến tính đơn giản và các mô hình AR khác nhau là Y phụ thuộc vào X và các giá tri trước đó của Y. Một quy trình AR là một ví dụ về quy trình ngẫu nhiên có một số tính không chắc chắn hoặc tính ngẫu nhiên tích hợp. Tính ngẫu nhiên có nghĩa là bạn có thê dự đoán khá tốt các xu hướng trong tương lai dựa trên đữ liệu trong quá khứ, nhưng có một điều chắc chắn là kết quả dự báo sẽ không bao giờ chính xác 100%. Nói chung, quy trình này "đủ gần" dé hữu ích trong hau hết các tình huống.

Mô hình AR còn được gọi là mô hình có điêu kiện, mô hình Markov hoặc mô hình chuyền tiếp. Y= Pot địÈ,¡ + PoN-2 to Ð pŸ,_p + Ut (2.4) Trong dé: 0 hệ số chặn của mô hình., dp các hệ số được ước lượng của mô hình. ut nhiéu trang. Ta có: (1) Ey, ==uu = — — 9° — g a : là sân h ằ n g đài T~ội-#;—¬-ứp còn được gọi là cân băng dài hạn.5) Trong cân bằng dài hạn, mô hình còn có thể được viết theo cách sau: (2) Y,—m= br TH) +t bpp —H) + tụ (2.6) 11190401 - Nguyễn Thị Quỳnh Anh 13 Chuyên đề thực tập chuyên ngành Toán Kinh TẾ Điểm mau chốt ở đây là mô hình AR(p) sử dung đữ liệu trong quá khứ dé giải thích chính nó cho hiện tại, tức là.

dự đoán các giá trị trong tương lai dựa trên các giá trị trong quá khứ gắn với một yếu tô ngẫu nhiên, mà không xem xét các biến bố sung trong mô hình hồi quy. Tuy nhiên, không phải không có nhược điểm, một nhược điểm điển hình của mô hình này là chỉ phù hợp để dự báo theo chuỗi thời gian ngành tài chính không có sự tăng giảm đột ngột theo thời gian. Mô hình trung bình trượt MA(q) Với chuỗi thời gian, đôi khi chúng ta nhận thấy sự tương đồng giữa các lỗi trong quá khứ và các giá trị hiện tại. Điều này là do một số sự kiện bất ngờ xảy ra và phải được tính đến.

Nói cách khác, nếu chúng ta biết ước tính của mình cách giá trị thực của ngày hôm qua bao xa, chúng ta có thê điều chỉnh mô hình của mình cho phủ hợp. Trong quy trình trung bình động, giá trị g quan sát được tính tại thời điểm Y, được tinh bằng công thức lay trung bình trọng số của các giá trị lỗi ngẫu nhiên cho đến lỗi thứ g. Như vậy, mô hình MA(q) có dang như sau: ¥, = Wt py + Øyuy_+ + + Ogg (2.7) Trong dé: yu hệ số chặn của mô hình., dq các tham số được ước lượng của mô hình. ut sai số ngẫu nhiên.

Vì 1, là chuỗi nhiễu trang (White Noise) với E,,, = 0 và Var,, = ?, ta có các giá trỊ sau: (1) EŒ,) = (2.9) (3) Covariance Ve = CovŒ(,Y,.) = {Cee + 04101 + Op 4202 ++ + Og0q-K)O? VOLK <q 0 với k> q (2.10) Vì vậy, có thé đưa ra nhận xét như sau: Với quá trình trung bình động - MA(q) là đường trung bình 6n định, không bi ảnh hưởng bởi các yếu tố khác, phương sai không đổi và các yếu tô khác Hệ số tương quan giảm dan sau khi di qua độ trễ q và giá trị của Hệ số tương quan. giảm dần về 0, ở các giai đoạn sau, tuy nhiên MA(q) mô hình có một điểm khá yếu là lớn, tức là mô hình chỉ phù hợp dé dự báo van dé 11190401 - Nguyễn Thị Quỳnh Anh 14 Chuyên đề thực tập chuyên ngành Toán Kinh TẾ trong ngắn hạn, khi dự báo trong dài han. , nó làm giảm hiệu quả của mô hình và đưa ra dự đoán với sai số rất lớn. Nó có lợi thế là có thể xác định tác động của các cú sốc trong quá khứ và hiện tại.