Luận văn thạc sĩ: Dự báo dải rộng của hoán đổi tỷ giá bằng mô hình tuyến tính và phi tuyến

Luận văn thạc sĩ HUS nghiên cứu mô hình tuyến tính và phi tuyến trong dự báo hoán đổi tỉ giá, mang lại cái nhìn sâu sắc cho lĩnh vực toán học.

• Tác giả: Nguyễn Đức Trường
• Người hướng dẫn: GS. Nguyễn Hữu Dư
• Trường học: Trường Đại học Khoa học Tự nhiên - Đại học Quốc gia Hà Nội
• Chuyên ngành: Lý thuyết xác suất và thống kê toán học
• Đề tài: Mô Hình Tuyến Tính Và Phi Tuyến Để Dự Báo Dải Rộng Của Hoán Đổi Tỉ Giá
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• MỞ ĐẦU
• 1. Kiến thức chuẩn bị
• 1.1. Mô hình tuyến tính AR
• 1.2. Mô hình Vector tự hồi quy VAR
• 1.3. Mô hình NN (Nearest-Neighbours)
• 1.4. Kiểm định Diebold - Mariano
• 2. Mô hình vector tự hồi quy chuyển đổi trơn STVAR
• 2.1. Mô hình STVAR lý thuyết
• 2.2. Kiểm tra tính tuyến tính của mô hình STVAR
• 3. Thực nghiệm ước lượng mô hình STVAR
• 3.1. Lựa chọn biến st
• 3.2. Ước lượng mô hình STVAR
• 3.2.1. Thuật toán ước lượng mô hình STVAR
• 3.2.2. Thực hành ước lượng
• 4. Một số vấn đề dự báo
• 4.1. Dự báo bằng mô hình STVAR
• 4.2. Dự báo bằng mô hình VAR
• 4.3. Dự báo bằng mô hình AR và NN
• 4.4. So sánh các dự báo
• 5. Kết luận
• Tài liệu tham khảo

Tóm tắt

I. Tổng quan về dự báo tỷ giá hoán đổi bằng mô hình tuyến tính và phi tuyến

Dự báo tỷ giá hoán đổi là một lĩnh vực quan trọng trong tài chính, ảnh hưởng đến nhiều quyết định đầu tư và quản lý rủi ro. Mô hình tuyến tính và phi tuyến được sử dụng để phân tích và dự đoán biến động của tỷ giá hoán đổi. Mô hình tuyến tính như AR và VAR cung cấp một cái nhìn cơ bản về mối quan hệ giữa các biến, trong khi mô hình phi tuyến như STVAR cho phép nắm bắt các mối quan hệ phức tạp hơn. Việc lựa chọn mô hình phù hợp có thể giúp cải thiện độ chính xác của dự báo và giảm thiểu rủi ro tài chính.

1.1. Khái niệm về tỷ giá hoán đổi và tầm quan trọng của nó

Tỷ giá hoán đổi là tỷ lệ giữa hai loại tiền tệ trong một giao dịch tài chính. Nó đóng vai trò quan trọng trong việc xác định chi phí vay mượn và đầu tư quốc tế. Sự biến động của tỷ giá hoán đổi có thể ảnh hưởng đến lợi nhuận của các doanh nghiệp và nhà đầu tư. Do đó, việc dự báo chính xác tỷ giá hoán đổi là rất cần thiết để quản lý rủi ro tài chính.

1.2. Các mô hình dự báo phổ biến trong tài chính

Trong tài chính, các mô hình dự báo phổ biến bao gồm mô hình tuyến tính như AR (Autoregressive) và VAR (Vector Autoregression), cũng như mô hình phi tuyến như STVAR (Smooth Transition Vector Autoregression). Mỗi mô hình có ưu điểm và nhược điểm riêng, và việc lựa chọn mô hình phù hợp phụ thuộc vào tính chất của dữ liệu và mục tiêu dự báo.

II. Thách thức trong việc dự báo tỷ giá hoán đổi

Dự báo tỷ giá hoán đổi không chỉ đơn thuần là một bài toán toán học mà còn liên quan đến nhiều yếu tố kinh tế và chính trị. Các yếu tố này có thể gây ra sự biến động lớn trong tỷ giá, làm cho việc dự báo trở nên khó khăn. Các thách thức chính bao gồm sự không chắc chắn trong dữ liệu, sự thay đổi trong chính sách tiền tệ và các yếu tố toàn cầu khác.

2.1. Sự biến động của thị trường tài chính

Thị trường tài chính thường xuyên biến động do nhiều yếu tố như lãi suất, lạm phát và các sự kiện chính trị. Những biến động này có thể ảnh hưởng đến tỷ giá hoán đổi, làm cho việc dự báo trở nên khó khăn hơn. Các nhà phân tích cần phải xem xét các yếu tố này khi xây dựng mô hình dự báo.

2.2. Khó khăn trong việc thu thập dữ liệu chính xác

Việc thu thập dữ liệu chính xác là một thách thức lớn trong dự báo tỷ giá hoán đổi. Dữ liệu không đầy đủ hoặc không chính xác có thể dẫn đến những dự báo sai lệch. Do đó, việc sử dụng các phương pháp thu thập và xử lý dữ liệu hiệu quả là rất quan trọng.

III. Phương pháp dự báo tỷ giá hoán đổi bằng mô hình tuyến tính

Mô hình tuyến tính như AR và VAR là những công cụ phổ biến trong việc dự báo tỷ giá hoán đổi. Các mô hình này dựa trên giả định rằng mối quan hệ giữa các biến là tuyến tính, cho phép phân tích và dự đoán các xu hướng trong dữ liệu. Việc áp dụng các mô hình này có thể giúp cải thiện độ chính xác của dự báo.

3.1. Mô hình tự hồi quy AR

Mô hình tự hồi quy AR là một trong những mô hình đơn giản nhất trong phân tích chuỗi thời gian. Nó sử dụng giá trị quá khứ của biến để dự đoán giá trị tương lai. Mô hình này có thể được áp dụng để dự báo tỷ giá hoán đổi bằng cách sử dụng dữ liệu lịch sử của tỷ giá.

3.2. Mô hình vector tự hồi quy VAR

Mô hình VAR cho phép phân tích mối quan hệ giữa nhiều biến cùng lúc. Điều này rất hữu ích trong việc dự báo tỷ giá hoán đổi, vì tỷ giá thường bị ảnh hưởng bởi nhiều yếu tố khác nhau. Mô hình VAR có thể giúp xác định các mối quan hệ này và cải thiện độ chính xác của dự báo.

IV. Phương pháp dự báo tỷ giá hoán đổi bằng mô hình phi tuyến

Mô hình phi tuyến như STVAR cung cấp một cách tiếp cận linh hoạt hơn trong việc dự báo tỷ giá hoán đổi. Mô hình này cho phép nắm bắt các mối quan hệ phi tuyến giữa các biến, điều này có thể dẫn đến những dự báo chính xác hơn trong một số trường hợp.

4.1. Mô hình STVAR và ưu điểm của nó

Mô hình STVAR là một mở rộng của mô hình VAR, cho phép sự chuyển đổi giữa các chế độ khác nhau trong dữ liệu. Điều này có thể giúp nắm bắt các biến động phi tuyến trong tỷ giá hoán đổi, từ đó cải thiện độ chính xác của dự báo.

4.2. So sánh giữa mô hình tuyến tính và phi tuyến

Việc so sánh giữa mô hình tuyến tính và phi tuyến cho thấy rằng mô hình phi tuyến thường cung cấp những dự báo chính xác hơn trong các tình huống có sự biến động lớn. Điều này cho thấy tầm quan trọng của việc lựa chọn mô hình phù hợp dựa trên tính chất của dữ liệu.

V. Ứng dụng thực tiễn của các mô hình dự báo tỷ giá hoán đổi

Các mô hình dự báo tỷ giá hoán đổi không chỉ có giá trị lý thuyết mà còn có ứng dụng thực tiễn trong quản lý tài chính. Các nhà đầu tư và doanh nghiệp có thể sử dụng các mô hình này để đưa ra quyết định đầu tư và quản lý rủi ro hiệu quả hơn.

5.1. Ứng dụng trong quản lý rủi ro tài chính

Việc dự báo chính xác tỷ giá hoán đổi giúp các doanh nghiệp và nhà đầu tư quản lý rủi ro tài chính hiệu quả hơn. Họ có thể sử dụng các mô hình dự báo để xác định thời điểm tốt nhất để thực hiện giao dịch, từ đó giảm thiểu thiệt hại do biến động tỷ giá.

5.2. Ứng dụng trong quyết định đầu tư

Các mô hình dự báo tỷ giá hoán đổi cũng có thể hỗ trợ các nhà đầu tư trong việc đưa ra quyết định đầu tư. Bằng cách dự đoán xu hướng tỷ giá, các nhà đầu tư có thể tối ưu hóa danh mục đầu tư của mình và tăng cường lợi nhuận.

VI. Kết luận và tương lai của dự báo tỷ giá hoán đổi

Dự báo tỷ giá hoán đổi là một lĩnh vực quan trọng trong tài chính, với nhiều thách thức và cơ hội. Việc áp dụng các mô hình tuyến tính và phi tuyến có thể giúp cải thiện độ chính xác của dự báo. Tương lai của lĩnh vực này sẽ phụ thuộc vào sự phát triển của các phương pháp phân tích và công nghệ mới.

6.1. Tương lai của các mô hình dự báo

Với sự phát triển của công nghệ và dữ liệu lớn, các mô hình dự báo sẽ ngày càng trở nên chính xác hơn. Các nhà nghiên cứu sẽ tiếp tục phát triển các phương pháp mới để cải thiện khả năng dự báo tỷ giá hoán đổi.

6.2. Tầm quan trọng của nghiên cứu trong lĩnh vực này

Nghiên cứu trong lĩnh vực dự báo tỷ giá hoán đổi là rất quan trọng để hiểu rõ hơn về các yếu tố ảnh hưởng đến tỷ giá. Điều này không chỉ giúp cải thiện độ chính xác của dự báo mà còn hỗ trợ các quyết định tài chính hiệu quả hơn.

Nội dung chính

Tổng quan nghiên cứu

Thị trường tài chính quốc tế luôn chứng kiến những biến động phức tạp, đặc biệt là sự tương tác dải rộng giữa các hợp đồng hoán đổi tỷ giá và lãi suất của hai nền kinh tế lớn là Mỹ và Anh. Các công cụ chuỗi thời gian tuyến tính truyền thống thường bộc lộ hạn chế khi giải thích các bước nhảy trạng thái hoặc phản ứng bất đối xứng của thị trường trước các cú sốc vĩ mô. Nghiên cứu tập trung giải quyết bài toán dự báo biến động dải rộng hoán đổi thông qua việc so sánh đối sánh giữa các mô hình tuyến tính gồm mô hình tự hồi quy bậc cao, mô hình véc tơ tự hồi quy đa biến và các mô hình phi tuyến tính hiện đại gồm mô hình véc tơ tự hồi quy chuyển đổi trơn kết hợp mô hình phi tham số lân cận gần nhất.

Mục tiêu cốt lõi của công trình là xây dựng thuật toán ước lượng hệ thống phương trình phi tuyến, xác định cơ chế chuyển đổi chế độ vận động của dữ liệu và đánh giá độ chính xác dự báo đa bước. Phạm vi thực nghiệm sử dụng chuỗi thời gian gồm 250 quan sát chuẩn hóa, phân tách thành 200 điểm ước lượng nội mẫu và 30 điểm dự báo ngoại mẫu. Ý nghĩa khoa học và thực tiễn của nghiên cứu được đo lường cụ thể thông qua chỉ số sai số bình phương trung bình dự báo kết hợp kiểm định thống kê chuyên biệt ở mức ý nghĩa 5%, tạo lập nền tảng định lượng vững chắc cho công tác quản trị rủi ro danh mục phái sinh quốc tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu tích hợp hệ thống ba khung lý thuyết kinh tế lượng chuỗi thời gian then chốt:

1. Lý thuyết tự hồi quy tuyến tính: Bao gồm mô hình tự hồi quy đơn biến bậc p và mô hình véc tơ tự hồi quy đa biến xem xét đồng thời mối quan hệ tương hỗ giữa các biến nội sinh qua các độ trễ thời gian.
2. Lý thuyết chuỗi thời gian phi tuyến chuyển đổi chế độ: Trọng tâm là mô hình véc tơ tự hồi quy chuyển đổi trơn phát triển theo khuôn khổ của Teräsvirta và Granger. Mô hình cho phép hệ thống chuyển đổi trơn tru giữa hai trạng thái kinh tế thông qua hàm biến đổi Logistic liên tục nhận giá trị trong khoảng từ 0 đến 1.
3. Lý thuyết phi tham số cục bộ: Đại diện bởi mô hình lân cận gần nhất, sử dụng khoảng cách định chuẩn để tính toán ước lượng bình quân có trọng số từ k điểm dữ liệu quá khứ tương đồng nhất.

Các khái niệm trọng tâm bao gồm: hàm chuyển đổi Logistic liên tục, tham số tốc độ chuyển đổi gamma (ước lượng đạt giá trị 1.0), tham số ngưỡng chuyển đổi c (xác định tại mức 5.471), và kiểm định nhân tử Lagrange đánh giá tính phi tuyến của cấu trúc dữ liệu.

Phương pháp nghiên cứu

Nghiên cứu sử dụng tập dữ liệu chuỗi thời gian tài chính gồm 250 quan sát của ba biến trạng thái liên kết. Cỡ mẫu nghiên cứu được phân bổ chặt chẽ theo phương pháp phân chia mẫu ngoài kiểm thử: 200 quan sát đầu tiên (từ quan sát 1 đến quan sát 200) dùng để ước lượng tham số nội mẫu, và 30 quan sát tiếp theo (từ quan sát 201 đến quan sát 230) được dùng riêng biệt cho việc kiểm định năng lực dự báo ngoại mẫu.

Lý do lựa chọn phương pháp phân tích dựa trên sự kết hợp chặt chẽ giữa thuật toán ước lượng lặp phi tuyến của Teräsvirta và kiểm định tính tuyến tính Lagrange Multiplier của Luukkonen. Để khắc phục hiện tượng phương sai sai số thay đổi trong các chuỗi tài chính lớn, nghiên cứu tích hợp ma trận hiệp phương sai vững theo quy trình của Wooldridge, đảm bảo việc bác bỏ giả thuyết tuyến tính không bị sai lệch. Đánh giá sai số dự báo được thực hiện thông qua chuẩn kiểm định Diebold - Mariano và biến thể hiệu chỉnh mẫu nhỏ của Harvey với phân phối Student 29 bậc tự do. Toàn bộ tiến trình thực nghiệm và kiểm định được triển khai trong mốc thời gian nghiên cứu 12 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm mô hình hóa mang lại bốn phát hiện trọng tâm:

1. Kết quả kiểm định tính tuyến tính Lagrange Multiplier xác định biến trễ bậc một của chuỗi Z là biến đại diện chuyển đổi tối ưu nhất trong hệ thống, với giá trị mức xác suất p-value đạt 0.000365, bác bỏ hoàn toàn giả thuyết tuyến tính ở mức ý nghĩa 1%.
2. Thuật toán ước lượng lặp phi tuyến đạt trạng thái hội tụ tại tham số tốc độ chuyển dịch gamma bằng 1.0 và giá trị ngưỡng c đạt 5.4710999, chứng minh sự tồn tại của hai cơ chế vận động rõ rệt trong dải hoán đổi tỷ giá khi biến trạng thái vượt qua ngưỡng này.
3. Đánh giá sai số bình phương trung bình trên trục hoành dự báo ngắn 30 bước ngoại mẫu cho thấy mô hình tự hồi quy đơn biến đạt sai số thấp nhất là 0.801886, mô hình lân cận gần nhất đạt 0.960806, mô hình véc tơ tự hồi quy đạt 1.210841, trong khi mô hình véc tơ tự hồi quy chuyển đổi trơn đạt mức sai số 3.766943.
4. Kiểm định Diebold - Mariano khẳng định sự khác biệt có ý nghĩa thống kê giữa mô hình chuyển đổi trơn và mô hình tự hồi quy với giá trị thống kê đạt 2.007966 (p-value bằng 0.003335), và giữa mô hình chuyển đổi trơn với mô hình lân cận gần nhất đạt 2.002897 (p-value bằng 0.002897), phản ánh độ lệch dự báo ngắn hạn giữa các mô hình lên tới 78.7%.

Thảo luận kết quả

Tại trục hoành dự báo ngắn hạn 30 bước, mô hình lân cận gần nhất và tự hồi quy đơn biến chiếm ưu thế vượt trội nhờ khả năng bám sát quán tính cục bộ của dữ liệu mà không bị nhiễu bởi các tham số cấu trúc phức tạp. Mô hình chuyển đổi trơn có cấu trúc đa biến phức tạp nên dễ tích lũy sai số ước lượng tham số khi ngoại suy liên tục qua từng bước nhảy ngắn.

Tuy nhiên, khi đối chiếu với công trình của Lekkos và Milas công bố trên hệ thống Wiley InterScience, bức tranh hiệu năng thay đổi hoàn toàn tại các trục hoành dự báo dài hạn (trên 50 đến 100 bước). Tại chân trời dài, mô hình lân cận gần nhất suy giảm hiệu quả nhanh chóng do phân tán thông tin cục bộ, trong khi mô hình chuyển đổi trơn vươn lên đạt độ chính xác cao nhất nhờ kiểm soát được sự chuyển dịch chu kỳ kinh tế giữa thị trường Mỹ và Anh.

Về mặt trực quan hóa, toàn bộ dữ liệu thực nghiệm được biểu diễn sắc nét thông qua hai định dạng: biểu đồ đường đa trục thể hiện sự phân kỳ giữa đường giá trị thực tế và 4 quỹ đạo dự báo ngoại mẫu của từng mô hình, kết hợp bảng ma trận thống kê so sánh cặp đôi p-value của kiểm định Diebold - Mariano điều chỉnh, làm nổi bật rõ nét ưu thế từng bậc của hệ thống mô hình.

Đề xuất và khuyến nghị

1. Thiết lập mô hình dự báo lai ghép đa tầng: Khuyến nghị các chuyên viên định lượng tại các định chế tài chính áp dụng giải pháp tích hợp giữa mô hình lân cận gần nhất cho các bước dự báo ngắn hạn (từ 1 đến 5 kỳ) và kích hoạt mô hình chuyển đổi trơn cho các kỳ hạn dài (từ kỳ 30 trở đi), hướng tới mục tiêu giảm sai số bình phương trung bình xuống dưới 0.70 trong vòng 6 tháng triển khai.
2. Tự động hóa quy trình ước lượng phi tuyến: Đề xuất các ngân hàng thương mại xây dựng module lập trình chuyên dụng trên nền tảng ngôn ngữ hiện đại nhằm tối ưu hóa thuật toán lặp tìm tham số gamma và ngưỡng c, rút ngắn thời gian xử lý dữ liệu xuống dưới 10 giây cho mỗi chu kỳ cập nhật tham số định kỳ hàng quý.
3. Ứng dụng kiểm định Diebold - Mariano có trọng số: Khuyến nghị các cơ quan giám sát tài chính chuẩn hóa việc sử dụng kiểm định Diebold - Mariano có trọng số phân phối đuôi theo phương pháp Van Dijk và Franses với độ tin cậy 95%, nhằm nhận diện sớm các rủi ro biến động tỷ giá cực đoan trong thời gian 12 tháng tới.
4. Mở rộng hệ biến số kinh tế vĩ mô: Nhóm nghiên cứu kinh tế lượng cần tích hợp thêm các chỉ số thanh khoản liên ngân hàng và chênh lệch lạm phát kỳ hạn vào hàm chuyển đổi trạng thái, nhằm nâng cao độ chính xác dự báo thị trường ngoại hối vượt mức 90% trong lộ trình 2024 - 2026.

Đối tượng nên tham khảo luận văn

1. Chuyên viên phân tích định lượng và giao dịch phái sinh: Vận dụng khung mô hình chuyển đổi trơn để thiết kế các chiến lược phòng ngừa rủi ro tỷ giá, định giá chính xác các hợp đồng hoán đổi tiền tệ giữa đồng Đô la Mỹ và Bảng Anh theo từng điều kiện thị trường.
2. Nhà hoạch định chính sách tiền tệ tại Ngân hàng Nhà nước: Ứng dụng phương pháp phân tích phi tuyến để đo lường mức độ truyền dẫn bất đối xứng của lãi suất điều hành sang thị trường tài chính trong các giai đoạn biến động vĩ mô.
3. Học viên cao học và nghiên cứu sinh ngành Toán tài chính và Kinh tế lượng: Kế thừa quy trình kiểm định tính tuyến tính Lagrange Multiplier mở rộng và thuật toán lặp Teräsvirta để phát triển các đề tài phân tích chuỗi thời gian tài chính chuyên sâu.
4. Giám đốc quản trị rủi ro tại các tổ chức tín dụng: Sử dụng hệ thống kiểm định sai số dự báo Diebold - Mariano làm bộ công cụ thẩm định độc lập cho các mô hình kiểm tra sức chịu tải và mô hình xếp hạng rủi ro thanh khoản nội bộ.

Câu hỏi thường gặp

Mô hình chuyển đổi trơn khác biệt như thế nào so với mô hình véc tơ tự hồi quy tuyến tính? Mô hình tuyến tính giả định mối quan hệ cố định qua thời gian, trong khi mô hình chuyển đổi trơn cho phép hệ số biến đổi linh hoạt theo hàm liên tục Logistic nhận giá trị từ 0 đến 1. Cơ chế này phản ánh chân thực trạng thái chuyển dịch mượt mà của thị trường khi biến trạng thái vượt ngưỡng 5.471.

Tại sao mô hình chuyển đổi trơn có sai số dự báo ngắn hạn cao hơn mô hình tự hồi quy? Tại 30 bước dự báo ngắn hạn, chuỗi số liệu chủ yếu chịu chi phối bởi quán tính đơn biến. Mô hình tự hồi quy đơn giản (đạt sai số 0.801886) tối ưu hóa rất tốt biến động cục bộ, trong khi mô hình chuyển đổi trơn có nhiều tham số phi tuyến nên dễ bị tích lũy sai số khi bước nhảy còn nhỏ.

Tiêu chuẩn nào quyết định việc lựa chọn biến chuyển đổi trạng thái trong mô hình? Nghiên cứu căn cứ vào giá trị mức xác suất p-value nhỏ nhất trong kiểm định nhân tử Lagrange mở rộng. Biến trễ bậc một của chuỗi Z được lựa chọn làm biến đại diện tối ưu nhờ xác lập p-value đạt 0.000365, chứng minh năng lực vượt trội trong việc phân tách hai trạng thái vận động phi tuyến.

Kiểm định Diebold - Mariano đóng vai trò gì trong việc so sánh các mô hình? Kiểm định Diebold - Mariano cung cấp bằng chứng thống kê vững chắc để kết luận sự vượt trội về độ chính xác giữa hai mô hình có mang tính bản chất hay không. Giá trị thống kê Diebold - Mariano đạt 2.007966 khẳng định sai số giữa mô hình chuyển đổi trơn và mô hình tự hồi quy có sự phân kỳ rõ rệt ở mức ý nghĩa 1%.

Thuật toán ước lượng mô hình chuyển đổi trơn được thực hiện theo quy trình nào? Thuật toán triển khai qua quy trình lặp hai bước của Teräsvirta: ban đầu cố định tốc độ gamma bằng 1 và ngưỡng c bằng giá trị trung bình mẫu để ước lượng ma trận hệ số bằng bình phương bé nhất, sau đó cố định ma trận hệ số để tìm lại bộ tham số chuyển đổi mới cho đến khi toàn bộ hệ số đạt trạng thái hội tụ ổn định.

Kết luận

• Công trình đã xây dựng thành công khung phân tích toàn diện kết hợp giữa các mô hình chuỗi thời gian tuyến tính và phi tuyến hiện đại phục vụ dự báo dải rộng hoán đổi.
• Quy trình kiểm định nhân tử Lagrange đã nhận diện chính xác tính phi tuyến của chuỗi dữ liệu với biến chuyển đổi tối ưu đạt mức xác suất p-value bằng 0.000365.
• Thuật toán lặp Teräsvirta đã ước lượng chuẩn xác bộ tham số chuyển đổi trơn với tốc độ chuyển đổi bằng 1.0 và giá trị ngưỡng phân định trạng thái tại 5.4710999.
• Thực nghiệm trên bộ dữ liệu 250 quan sát đã chứng minh ưu thế ngắn hạn vượt trội của mô hình tự hồi quy và mô hình lân cận gần nhất, đồng thời làm rõ tiềm năng dài hạn của mô hình chuyển đổi trơn.
• Phương pháp kiểm định Diebold - Mariano và biến thể hiệu chỉnh đã thiết lập chuẩn mực định lượng khách quan để đánh giá và so sánh độ tin cậy giữa các phương pháp dự báo.

Kế hoạch tiếp theo trong giai đoạn 2024 - 2025 là tự động hóa thuật toán ước lượng trên các tập dữ liệu ngoại hối thời gian thực với tần suất cao. Hãy liên hệ bộ môn chuyên ngành để tiếp cận trọn vẹn mã nguồn thuật toán và tài liệu thực nghiệm chuyên sâu.

Trích đoạn nội dung tài liệu

Chương 1 Kiến thức chuẩn bị Trong chương này tác giả sẽ đưa ra một số mô hình kinh tế lượng và một số tiêu chuẩn để kiểm định hiệu quả của dự báo. Phương pháp để ước lượng mô hình thường sử dụng là phương pháp LS (Least Square Method).1 Mô hình tuyến tính AR Mô hình tự hồi quy AR là mô hình có dạng: Xt = β1 × Xt−1 + β2 × Xt−2 +. + βk × Xt−k + βk+1 + εt , ở đó Xt là giá trị quan sát ở thời điểm t, còn các Xt−1 , Xt−2 , ., Xt−k là các trễ tương ứng. Các βi là các hệ số hồi quy.

Còn εt là sai số ngẫu nhiên. Mô hình AR được ước lượng từ biến nội sinh X bằng phương pháp OLS. Không có một biến ngoại sinh nào khác được đưa vào mô hình ngoài hiện tại và quá khứ của X. Đây là một dạng rút gọn của mô hình phương trình đồng thời.

Ta có ví dụ về mô hình AR: Ở đây ta ước lượng X theo độ trễ 2 (số liệu ở phụ lục 1): Tức là: Xt = β1 + β2 × Xt−1 + β3 × Xt−2 + εt. 9 LUAN VAN CHAT LUONG download : add [e-mail] Kết quả ước lượng bằng phần mềm Eview như sau: Xt = 0.2 Mô hình Vector tự hồi quy VAR Phương pháp đưa ra mô hình Vector tự hồi quy VAR là phương pháp xây dựng một mô hình phương trình đồng thời, ở đó các biến nội sinh sẽ được xem xét cùng với nhau. Từng biến nội sinh sẽ được giải thích qua các trễ của chính nó và các biến nội sinh còn lại. Mô hình VAR trên cơ sở đó được xây dựng như sau: p X Yt = β + Φi .Yt−i + εt , i=1 ở đó, Yt , β là vector (k × 1), ma trận Φi là ma trận (k × k) còn εt là sai số ngẫu nhiên của thời điểm t.

Mô hình VAR có thể ước lượng bằng phần mềm kinh tế lượng Eview. Một ví dụ về ước lượng của mô hình VAR cho 2 biến phụ thuộc X và Y với bộ số liệu 200 quan sát cho ở phụ lục 1. Ta đã ước lượng được mô hình với trễ bằng 2 như sau: Xt = 1. Ngoài cách ước lượng đồng thời cho cả mô hình, ta còn có thể ước lượng riêng từng biến X và Y giống như ước lượng mô hình AR.

Kết quả thu được hoàn toàn tương tự.3 Mô hình NN (Nearest-Neighbours) Mô hình này sử dụng thông tin từ các số liệu của lân cận gần nhất để tính toán một bình quân có trọng số của bước kế tiếp. Đầu tiên, ta 10 LUAN VAN CHAT LUONG download : add [e-mail] ước lượng Yt có điều kiện trong n quá khứ của nó là (Yt−1 , Yt−2 , ., Yt−n ) bằng cách chuyển đổi thời gian hàng loạt từ giá trị t = 1 cho đến thời điểm T. Ý tưởng là nắm bắt được quá khứ gần nhất, để sau đó cố gắng đưa ra k lân cận gần nhất tiếp sau đó. Đó là cách để ước lượng Yt có điều kiện từ thông tin sẵn có ở t − 1, tính toán khoảng cách n giữa các vector Yt−1 = (Yt−1 , Yt−2 ,.

, Yt−n ) và k bộ gần nhất để lấy Pk được ước lượng λti Yi với λti là trọng số. Ở đây tính toán sử dụng i=1 kY k = max |Yi |. Lân cận gần nhất được dự báo (theo nghĩa bình phương nhỏ nhất của các sai số (MSPE)) thu được bằng cách hồi quy Yt từ các lân cận gần nhất có thể. Cách làm này sẽ dẫn đến sự sai số nhanh chóng khi ta chuyển dữ liệu lên một vài bước kế tiếp.