TRUONG ĐẠI HỌC KINH TE QUOC DÂN KHOA TOÁN KINH TẺ Dé tai: UNG DUNG MO HÌNH ARIMA VA MẠNG RNN DỰ BAO CHUOI GIA DONG CUA CUA CO PHIEU NGAN HANG TMCP NGOAI THUONG VIỆT NAM - VCB Giảng viên hướng dẫn : TS. Hoang Dire Mạnh. Sinh viên thực hiện : Nguyễn Thị Quỳnh Anh. Lép : Toán kinh tế 61. Hà Nội - 2022 Chuyên đề thực tập chuyên ngành Toán Kinh TẾ LOI CAM KET Tác giả xin cam kết rằng dé tài “Ung dụng mô hình ARIMA và mang nơ-ron hồi quy — Recurrent Network dé dự báo chuỗi giá đóng cửa cô phiếu VCB” là một sản phầm từ quá trình tự nghiên cứu và tìm tòi của tác giả. Tác giả đã tự tìm hiểu, phân tích, thực hiện xây dựng mô hình một cách trung thực dựa vào số liệu chính xác được lấy từ các nguồn thông tin đáng tin cậy. 11190401 - Nguyễn Thị Quỳnh Anh 1 Chuyên đề thực tập chuyên ngành Toán Kinh TẾ MỤC LỤC 0900965057 . i DANH MỤC CAC Ki HIỆU VA CHU CAI VIET TAT .---°s- v DANH MỤC CAC BANG BIỀU .csssssssssssesseessssssssesaccssssnssnesocsscssssaceancancsnessceacees vi DANH MỤC CÁC HINH VE BIEU ĐÒ.- 2 se csscsseeserssessessee vii 0980006710077. 1 CHUONG 1 DU BAO CHUOI THỜI GIAN VA TONG QUAN NGHIÊN CỨU —-. Kiến thức cơ sở về chuỗi thời gian. Khái niệm chuỗi thời gian. Các đặc trưng của chuỗi thời gian. Ứng dụng dự báo chuỗi thời gian . Đề tài phân tích chuỗi thời gian.---2¿-2¿©5+2c++22xv2z+erxrsrxrerxee 8 KET LUẬN CHƯNG .- 5< <2 2£ s£©s2Ss£Ss£EseESSESsEEseEseEsstsserserssrssee 10 CHUONG 2 MÔ HÌNH ARIMA VÀ MẠNG RNN. Mô hình tự hồi quy tích hợp trung bình trượt — ARIMA. Ham tu tung Quan . Kiểm định tính ding . Mô hình tự hồi quy AR(p). Mô hình trung bình trượt MA(Q) . Mô hình tự hồi quy và trung bình trượt ARMA (p, q). Mô hình trung bình trượt tích hợp tự hồi quy ARIMA (p, d, q). Phương pháp Box — Jenkin .- --- --- + kg ng ng sư 17 2. Các bước xây dựng mô hình AIRLMA. Nhan dang m6 hinh 0 . Ước lượng các tham số mô hình ARIMA(, đ, q). Kiểm định mô hình .---- 2 2£ £++£+E£+EE£EE++E++EEtEEtrEzrerrxerxerxee 19 2. Mạng nơ-ron hồi quy nhân tạo — Mạng Long short-term memory . Mạng nơ-ron hồi quy nhân tạo (Recurrent Neural Network -RNN) . Mạng bộ nhớ Ngan hạn dai (Long short — term memory). 22 11190401 - Nguyễn Thị Quỳnh Anh ii Chuyên đề thực tập chuyên ngành Toán Kinh TẾ 2. Ý tưởng cốt lõi của LSTÌM.--- 2 2 <+SE+2E2EE2EEEEEEEEEErrxerkerxee 24 2. Các bước xây dựng mạng Long short — term I€ITOTFV. Chia tap dit GU eee . Chudn hod na ốốố. Xác định mang LSTM trong Keras. Biên dich mạng .- - - -- c1 192111191119 11 9 11191 1H vn ng kg cư, 30 2. Các chỉ tiêu đánh giá mạng LSTM . 32 CHƯƠNG 3 KET QUA NGHIÊN CUU wisccsccssssssssssssssssssssssssesssssssssessesssssssssessees 34 3. Đối tượng nghiên €ứu. Đôi nét về Ngân hàng TMCP Ngoại thương Việt Nam — VCB. Thông tin về mã cô phiếu của Vietcombank ( Mã: VCB). Phân tích giá cô phiếu VCB trong giai đoạn 2016 — 2021 . Phân tích Cit HIỆU. Kết qua dự báo mô hình ARIIMA. Kiểm định nghiệm đơn vi ADF của chuỗi gốc . Chia tap dit WU an. Xác định mô hình ARIMA (p, d, Q). Kiểm định phan du của mô hình. Kiểm định với hai tập Train và Test . - -- - c Q10 HS ng ng vn 44 3. Kết quả mạng Long short — term memory (LSTM) . Chuan hoá dit liệu . Lớp mang Long short-term memory (LS TM) . Kiểm định với tập Train và Tesf. 47 KET LUẬN CHƯNG 3.- 5< e° 2s se se ssESsEESeEsSExsEEsersersstsserserssrssse 49 5000900057 . 50 TÀI LIỆU THAM KHẢO PHU LUC 11190401 - Nguyén Thi Quynh Anh iii Chuyên đề thực tập chuyên ngành Toán Kinh TẾ 11190401 - Nguyễn Thị Quỳnh Anh iv Chuyên đề thực tập chuyên ngành Toán Kinh TẾ DANH MỤC CÁC KI HIỆU VÀ CHỮ CAI VIET TAT ARIMA Tự hồi quy tích hợp trung bình trượt. ARMA Tự hồi quy trung bình trượt. AR Tự hồi quy. MA Trung bình trượt. ACF Ham tự tương quan. PACF Ham tự tương quan riêng. LSTM Mạng nơ-ron bộ nhớ dài ngắn hạn. VIETCOMBANK Ngân hàng TMCP Ngoại thương Việt Nam. VCB Mã cô phiếu của Ngân hàng Vietcombank. 11190401 - Nguyễn Thị Quỳnh Anh Chuyên đề thực tập chuyên ngành Toán Kinh TẾ DANH MỤC CAC BANG BIEU Bang 2.1: Kết qua kết hợp mô hình ARMA.---2- 2552 £+EE+£E+£E£+Ezrxerxezez 18 Bang 3.1: Bang thống kê mô tả chuỗi giá VCB.-- 2-52 2 2+ e£Ee£Ee£xererszxee 38 Bang 3.2: Bảng kết qua kiêm định ADF chuỗi gốc.3: Các mô hình ARIMA (p, d, (). k* HH HH,41 Bang 3.4: Bang hệ số ước lượng mô hình ARIMA(1,0,1) với tap Train. Error! Bookmark not defined.5: Bang hệ số ước lượng mô hình ARIMA(1,0,1) với cả chudi. Error! Bookmark not defined.6: Các chi tiêu đánh giá mô hình ARIMA(1,0,1).7: Dự báo kết quả 15 quan sát tiếp theo của chuỗi giá VCB theo mô hình 90/0.8: Kết quả đánh giá mạng LSTM dé dự báo giá cô phiếu VCB.9: Kết qua dự báo 15 quan sát tiếp theo của chuỗi theo mô hình LSTM.48 11190401 - Nguyễn Thị Quỳnh Anh vi Chuyên đề thực tập chuyên ngành Toán Kinh TẾ DANH MỤC CÁC HÌNH VE BIEU DO Hình 2.1: Cau trúc mạng nơ-ron hồi quy (RINN).-----¿2- scx+2sczzs+cxerxcrez 22 Hình 2.2: Mô hình mạng Long short — term memory (LSTM) chuân.3: Các kí hiệu được sử dụng trong cấu trúc mạng LSTM.4: Kí hiệu công trong LSTM.- 2-22 5¿©2++2E++EE+2EEt2EEtEEterxezrxerresree 24 Hình 2.5: Tầng cổng quên (Forgot Gate) trong LSTM.1: Tổng tài sản của Vietcombank giai đoạn 2017 — 2021.2: Lợi nhuận trước thuế của Vietcombank 6 tháng đầu năm 2017 — 2022.3: Giá đóng cửa của mã cô phiếu WCB.4: Các thành phan trong chuỗi thời gian.5: Biểu đồ trung bình trượt của chuỗi.6: Biéu đồ thé hiện hai tập dữ liệu Train và Tesf.7:Biéu đồ thé hiện phan dư của mô hình ARIMA.8: Kết quả dự báo dựa trên hai tập Train và Test.----ccsscs+ccsscsss 44 Hình 3.9: Kết quả dự báo 15 quan sát tiếp theo của chuỗi giá VCB theo mô hình 30/0.10: Tập dữ liệu sau khi chia thành tập Train va 'Test.11: Kết quả kiểm định mạng LSTM với tập Train và Test.12: Kết quả dự báo 15 quan sát tiếp theo của chuỗi theo mô hình LSTM.48 11190401 - Nguyén Thi Quynh Anh vii Chuyên đề thực tập chuyên ngành Toán Kinh TẾ LOI MỞ DAU Trong thời đại ma xã hội phát triển ngày càng mạnh mẽ, nền kinh tế xã hội dang dần chuyên lên một tầm cao mới thì vai trò quan trong và không thé thiếu của công tác dự báo, cảnh báo sớm trong các lĩnh vực của đời sống ngày càng tăng lên. Phương pháp nào có thé dự đoán chính xác hướng chuyên động của đối tượng nghiên cứu là một thách thức không dé dàng đối với các nhà định lượng kinh tế. Vào những năm 1970, các phương pháp khai thác chuỗi thời gian ra đời, đặt nền móng cho một kỷ nguyên mới của dự báo. Các chuyên gia đã nghiên cứu và dự báo nhiều biến số kinh tế để thử nghiệm phương pháp này, và kết luận chung được hầu hết mọi người đưa ra là phương pháp chuỗi thời gian không quá nặng nhọc và rất hiệu quả trong dự báo. Việc dự báo chuỗi thời gian được ứng dụng trong rất nhiều ngành nghé va lĩnh vực khác nhau của đời sông, ví dụ như được ứng dụng trong lĩnh vực như kinh tế, tài chính, khoa học kĩ thuật,. Với từng lĩnh vực cụ thé khác nhau, ta sẽ nhiều mô hình khác nhau dé có thé dự báo. Tiêu biểu nhất trong các mô hình được dùng dé dự báo là mô hình ARIMA (Auto Regressive Intergrated Moving Average — Mô hình tự hồi quy tích hợp trung bình trượt). Chuỗi thời gian được dùng dé ước lượng mô hình ARIMA sẽ được giả sử là một chuỗi tuyến tính và chuỗi đó sẽ mang hình hài một phân phối mà chúng ta đã biết như phân phối chuẩn. Vì có tính chất biến đổi linh hoạt với các chuỗi thời gian khác mà nó dan trở nên phô biến hơn và sự kết hợp mô hình ARIMA và phương pháp Box-Jenkins đã cải tiến mô hình một cách vượt bậc, làm cho nó tối ưu hơn so với trước đây. Bên cạnh sự đóng góp to lớn của mô hình ARIMA, nó vẫn còn tôn tại những khuyết điểm chưa thé hoàn thiện được như: giả định chuỗi thời gian là tuyến tính. Điều này khó kiểm soát trong một số lĩnh vực như kinh tế, bởi chúng sẽ bị tác động bởi nhiều yếu tố như chính sách, xã hội. Tuy nhiên, sự xuất hiện của mạng nơ-ron hồi quy (Recurrent Neural Network) giúp các nhà dự báo vượt qua cực điểm yếu của mô hình tuyến tính. Ngày nay, sự phát triển nhanh chóng của mạng nơ-ron nhân tạo đã thu hút rất nhiều sự chú ý trong các bài toán dự báo và phân loại, và tất nhiên dự báo chuỗi thời gian cũng không ngoại lệ. Dự báo chuỗi thời gian thường đi kèm với trục mạng thần kinh tái phát (Recurrent neural network) và nồi bật là mô hình LSTM- trí nhớ ngắn hạn dai (Long short- term memory). 11190401 - Nguyén Thi Quynh Anh 1 Chuyên đề thực tập chuyên ngành Toán Kinh TẾ Chuyên dé này sẽ nếu tổng quát về cả phương pháp và cách xây dựng mô hình ARIMA và LSTM dé dự báo chuỗi giá cô phiếu và ứng dụng đề dự báo 15 giá trị tiếp theo của mã cô phiếu VCB (Ngân hàng TMCP Ngoại thương Việt Nam) 11190401 - Nguyễn Thị Quỳnh Anh 2 Chuyên đề thực tập chuyên ngành Toán Kinh TẾ MỞ ĐẦU 1. Vấn đề nghiên cứu Mục đích của dự báo giá cô phiếu là dự đoán giá trị thực trong tương lai của một cô phiếu. Các nhà đầu tư có xu hướng đầu tư một lượng tiền đáng kế hoặc cực kỳ lớn vào thị trường chứng khoán vì chứng khoán có khả năng sinh lời khá cao và có tính thanh khoản cao hơn nhiều loại tài sản khác như bat động sản, xe cộ. Do đó, giá cổ phiếu tương lai rất được các nhà đầu tư trên thị trường chứng khoán quan tâm. Một chỉ số quan tâm. Nếu dự báo giá gần đúng sẽ mang lại lợi nhuận đáng kể, nhưng nếu kết quả dự báo có sai số lớn thì thua lỗ, thậm chí phá sản là điều khó tránh khỏi. Vì vậy chúng ta cần xây dựng một mô hình dự đoán với sai số nhỏ nhất. Và hai phương pháp ARIMA và LSTM sẽ giúp chúng ta chọn được mô hình phù hợp nhất. Đối tượng và phạm vi nghiên cứu Ngân hàng Thương mại Cô phần Ngoại Thương Việt Nam (tên tiếng Anh quốc tế: Joint Stock Commercial Bank for Foreign Trade of Vietnam), gọi tắt là “Vietcombank”, hiện là công ty lớn nhất trên thị trường chứng khoán Việt Nam. Hiện tại, đây cũng là một định chế hàng đầu về vốn hóa trong ngành tài chính tại Việt Nam.
Chuyên đề thực tập: Dự báo chuỗi giá cổ phiếu ngân hàng TMCP Ngoại thương Việt Nam (VCB) bằng mô ...
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
Trường đại học
Trường Đại Học Kinh Tế Quốc DânChuyên ngành
Toán Kinh TếNgười đăng
Ẩn danhThể loại
Chuyên Đề Thực TậpPhí lưu trữ
30 PointMục lục chi tiết
THÔNG TIN CHI TIẾT
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
Bài viết "Dự báo giá cổ phiếu VCB bằng mô hình ARIMA và mạng RNN" cung cấp cái nhìn sâu sắc về việc sử dụng các mô hình thống kê và học máy để dự đoán giá cổ phiếu của Ngân hàng Vietcombank (VCB). Tác giả phân tích cách mà mô hình ARIMA và mạng nơ-ron hồi tiếp (RNN) có thể giúp cải thiện độ chính xác trong việc dự đoán xu hướng giá cổ phiếu, từ đó hỗ trợ các nhà đầu tư đưa ra quyết định thông minh hơn. Bài viết không chỉ mang lại kiến thức về các phương pháp phân tích tài chính hiện đại mà còn giúp người đọc hiểu rõ hơn về sự biến động của thị trường chứng khoán.
Nếu bạn muốn mở rộng kiến thức của mình về các khía cạnh khác trong lĩnh vực tài chính và đầu tư, hãy tham khảo thêm bài viết Đề tài nghiên cứu khoa học chính sách cổ tức chi phí huy động vốn ngân hàng và kỷ luật thị trường, nơi bạn có thể tìm hiểu về chính sách cổ tức và tác động của nó đến thị trường. Ngoài ra, bài viết Luận văn thạc sĩ hệ thống thông tin quản lý dùng học máy xếp hạng cổ phiếu bằng các chỉ số tài chính trong quá khứ sẽ giúp bạn nắm bắt cách mà học máy có thể được áp dụng để xếp hạng cổ phiếu dựa trên các chỉ số tài chính. Cuối cùng, bài viết Luận văn thạc sĩ quản trị kinh doanh phân tích hiệu quả dài hạn của ipo tại thị trường chứng khoán tp hcm sẽ cung cấp cái nhìn về hiệu quả của các đợt phát hành cổ phiếu lần đầu ra công chúng (IPO) tại thị trường chứng khoán. Những tài liệu này sẽ giúp bạn có cái nhìn toàn diện hơn về các yếu tố ảnh hưởng đến giá cổ phiếu và thị trường tài chính.
Trích đoạn nội dung tài liệu
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ