Bối cảnh và vấn đề nghiên cứu

Thị trường chứng khoán là một lĩnh vực phức tạp chịu sự chi phối đan xen của các điều kiện kinh tế vĩ mô và kết quả hoạt động nội tại của từng doanh nghiệp. Đề tài "Phân tích biến động giá cổ phiếu theo thị trường, các yếu tố kinh doanh nội bộ và dự báo giá cổ phiếu của Apple" (tên gốc: Analyse Stock Price Fluctuations According to Market, Internal Business Factors and Forecast the Price of Apple’s Stock) được nhóm sinh viên ngành Hệ thống Thông tin, Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP.HCM thực hiện trong khuôn khổ môn học Phân tích Dữ liệu trong Kinh doanh (Data Analytics in Business - Mã lớp: IS403.TMCL) dưới sự hướng dẫn của TS. Trần Văn Hải Triều.

Apple Inc. là tập đoàn công nghệ có giá trị vốn hóa hàng đầu thế giới, sở hữu hệ sinh thái sản phẩm và dịch vụ đa dạng. Những biến động giá cổ phiếu của Apple phản ánh rõ nét tác động từ cả môi trường vĩ mô lẫn chiến lược kinh doanh nội tại. Báo cáo tập trung giải quyết các nhiệm vụ và mục tiêu nghiên cứu cụ thể:

  1. Mục tiêu tổng quát: Vận dụng các công cụ phân tích thống kê và thuật toán dự báo chuỗi thời gian vào bài toán kinh doanh thực tế; đánh giá mức độ phản ánh tình hình tài chính của doanh nghiệp thông qua dữ liệu thị trường chứng khoán; áp dụng học máy phục vụ công tác dự báo xu hướng giá.
  2. Nhiệm vụ và mục tiêu cụ thể:
    • Nghiên cứu và đo lường mức độ tác động của các chỉ số kinh tế vĩ mô (lạm phát, lãi suất FED, chỉ số USD Index, tỷ lệ thất nghiệp, CPI) đến giá đóng cửa cổ phiếu Apple.
    • Phân tích các yếu tố nội tại của doanh nghiệp thông qua báo cáo tài chính (doanh thu, lợi nhuận ròng, biên lợi nhuận, ROA, ROE, EPS, hệ số P/E, đòn bẩy tài chính).
    • Khảo sát các tham số thống kê mô tả chuỗi giá cổ phiếu Apple từ năm 2019 đến ngày 08/11/2023, đồng thời đối chiếu các biến động bất thường với các sự kiện kinh tế - xã hội và hoạt động kinh doanh thực tế.
    • Xây dựng và so sánh hiệu quả dự báo giá cổ phiếu giữa mô hình thống kê cổ điển ARIMA (Autoregressive Integrated Moving Average) và mô hình học sâu LSTM (Long Short-Term Memory).
  3. Đối tượng và phạm vi nghiên cứu:
    • Đối tượng nghiên cứu: Giá cổ phiếu của Apple Inc. (mã giao dịch: AAPL), các chỉ số tài chính nội tại và các biến số kinh tế vĩ mô của Hoa Kỳ.
    • Phạm vi thời gian: Dữ liệu giá giao dịch hàng ngày giai đoạn từ 01/01/2019 đến 08/11/2023 (phục vụ thống kê mô tả, phân tích hồi quy và dự báo); chuỗi dữ liệu mở rộng từ năm 2000 đến 2023 để thử nghiệm tính dừng và hiện tượng quá khớp (overfitting); dữ liệu tài chính từ các báo cáo thường niên giai đoạn 2018–2023.
    • Phạm vi không gian: Thị trường chứng khoán Hoa Kỳ và nền kinh tế Mỹ.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết và công cụ phân tích

Nghiên cứu kết hợp lý thuyết thống kê ứng dụng, kinh tế lượng và học sâu:

  • Thống kê mô tả (Descriptive Statistics): Các đại lượng đo lường độ tập trung và phân tán gồm trung bình (Mean), trung vị (Median), yếu vị (Mode), phương sai (Variance), độ lệch chuẩn (Standard Deviation), khoảng biến thiên (Range), sai số chuẩn của giá trị trung bình (Standard Error of Mean). Độ bất đối xứng (Skewness) được dùng để xác định phân phối lệch phải (dương) hoặc lệch trái (âm); độ nhọn (Kurtosis) được chia thành ba dạng: phân phối chuẩn (Mesokurtic), phân phối đuôi dày (Leptokurtic) và phân phối đuôi mỏng (Platykurtic).
  • Phân tích phương sai và Hồi quy: Kiểm định One-Way ANOVA (sử dụng đại lượng thống kê $F$ và giá trị $p$-value với mức ý nghĩa $\alpha = 0{,}05$) nhằm xác định sự khác biệt có ý nghĩa thống kê; mô hình hồi quy tuyến tính bình phương bé nhất (OLS) để thiết lập hàm phụ thuộc giữa giá cổ phiếu và các biến độc lập vĩ mô.
  • Mô hình chuỗi thời gian ARIMA(p, d, q): Mô hình kết hợp ba thành phần: Tự hồi quy (AR - bậc $p$, xác định qua đồ thị PACF), Sai phân tích hợp (I - bậc sai phân $d$, loại bỏ xu thế để đạt tính dừng), và Trung bình trượt (MA - bậc $q$, xác định qua đồ thị ACF). Thư viện pmdarima được sử dụng để chạy thuật toán AutoARIMA nhằm tối ưu hóa chỉ số thông tin Akaike (AIC).
  • Mô hình mạng nơ-ron hồi quy LSTM (Long Short-Term Memory): Kiến trúc giải quyết triệt để vấn đề triệt tiêu đạo hàm (vanishing gradient) của mạng RNN truyền thống trên chuỗi thời gian dài nhờ cấu trúc tế bào nhớ (memory cell) và ba cổng điều khiển:
    • Cổng quên (Forget Gate): Sử dụng hàm kích hoạt Sigmoid để quyết định mức độ loại bỏ thông tin từ trạng thái trước ($h_{t-1}$) và đầu vào hiện tại ($X_t$).
    • Cổng vào (Input Gate): Kết hợp hàm Sigmoid và hàm Tanh để xác định và cập nhật các giá trị mới vào ô nhớ ($C_t$).
    • Cổng ra (Output Gate): Sử dụng hàm Sigmoid và Tanh để tính toán trạng thái ẩn ($h_t$) đưa ra đầu ra dự báo.
  • Các chỉ số tài chính doanh nghiệp: Đo lường tỷ suất sinh lời trên tổng tài sản ($\text{ROA}$), tỷ suất sinh lời trên vốn chủ sở hữu ($\text{ROE}$), hệ số đòn bẩy tài chính ($\text{Leverage} = \text{ROE} / \text{ROA}$), thu nhập trên mỗi cổ phần ($\text{EPS}$) và hệ số giá trên thu nhập một cổ phần ($\text{P/E}$).

Phương pháp nghiên cứu và nguồn dữ liệu

Nhóm nghiên cứu triển khai song song nghiên cứu thứ cấp (tổng hợp báo cáo tài chính nộp SEC, phân tích ngành công nghệ, cơ cấu doanh thu theo sản phẩm/khu vực) và nghiên cứu sơ cấp (thu thập, tiền xử lý và lập trình tính toán định lượng). Để đảm bảo tính khách quan và tìm hiểu ưu nhược điểm của từng công cụ, phân tích thống kê được chạy đồng thời trên 4 môi trường: Microsoft Excel, IBM SPSS Statistics, R Language và Python.

Nguồn dữ liệu sử dụng trong báo cáo:

  • Tập dữ liệu 1 (Dataset 1): Chuỗi giá đóng cửa hàng ngày của cổ phiếu AAPL thu thập từ Yahoo Finance từ ngày 01/01/2019 đến ngày 08/11/2023.
  • Tập dữ liệu 2 (Dataset 2): Chuỗi giá đóng cửa hàng tháng của AAPL (59 quan sát, 2019–2023) kết hợp với 5 biến số vĩ mô:
    • Tỷ lệ lạm phát (Inflation): Tỷ lệ lạm phát hàng năm của Mỹ từ Investopedia.
    • Chỉ số US Dollar Index (USDollarindexClose): Dữ liệu từ Investing.com phản ánh sức mạnh đồng USD so với rổ 6 ngoại tệ.
    • Lãi suất quỹ liên bang (FED rate): Dữ liệu từ Investing.com về khung lãi suất mục tiêu của FOMC.
    • Chỉ số giá tiêu dùng (CPI): Dữ liệu do Cục Thống kê Lao động Hoa Kỳ (U.S. Bureau of Labor Statistics) công bố.
    • Tỷ lệ thất nghiệp (UNRATE): Dữ liệu từ Cục Dự trữ Liên bang St. Louis (FRED).
  • Dữ liệu tài chính: Báo cáo tài chính thường niên của Apple Inc. từ 2018 đến quý 4/2023.

Nội dung chính theo từng chương

Chương 1 & 2: Lý do chọn đề tài và Mục tiêu nghiên cứu (Reason for Choosing the Topic & Research Objectives)

Chương này làm rõ tầm quan trọng của việc phân tích định lượng thị trường chứng khoán đối với nhà đầu tư và quản trị tài chính doanh nghiệp. Báo cáo xác lập hệ thống mục tiêu kép: vừa tìm hiểu mối liên hệ nhân quả giữa các yếu tố vĩ mô/nội tại với giá cổ phiếu AAPL, vừa áp dụng các công cụ tính toán từ thống kê đến học máy (ARIMA, LSTM) để dự báo giá.

Chương 3 & 4: Phương pháp nghiên cứu và Cơ sở lý thuyết (Research Methodology & Theoretical Framework)

Tài liệu trình bày quy trình thu thập dữ liệu thứ cấp và dữ liệu chuỗi thời gian; chi tiết hóa các công thức toán học của thống kê mô tả, kiểm định giả thuyết thống kê (ANOVA, Z-test, F-test), lý thuyết chuỗi thời gian ARIMA (phương pháp sai phân, đồ thị ACF/PACF, tiêu chí AIC) và cơ chế đóng mở cổng của mạng nơ-ron LSTM.

Chương 5: Tổng quan về Apple Inc. và Vị thế cổ phiếu (Overview of Apple & Apple Stock Review)

Tổng quan lịch sử thành lập từ năm 1976 bởi Steve Jobs, Steve Wozniak và Ronald Wayne; các cột mốc vốn hóa vượt 1.000 tỷ USD (2018), 2.000 tỷ USD (2020) và vượt 3.000 tỷ USD (2022, 2023). Báo cáo phân tích mô hình kinh doanh đa dạng hóa nguồn thu:

  • Cơ cấu doanh thu sản phẩm và dịch vụ: iPhone đóng vai trò chủ lực, tiếp theo là Services, Wearables/Home/Accessories, Mac và iPad. Mảng Services (Apple TV+, Apple News+, Apple Arcade, Apple Pay, iCloud) có sự tăng trưởng mạnh mẽ, bù đắp hiệu quả cho các giai đoạn sụt giảm doanh số phần cứng.
  • Cơ cấu doanh thu theo khu vực địa lý (năm tài chính 2020): Châu Mỹ chiếm tỷ trọng lớn nhất, tiếp theo là Châu Âu, Trung Quốc, Nhật Bản và phần còn lại của Châu Á - Thái Bình Dương.
  • Vị thế trong nhóm S&P 500 và FAANG: Apple và Microsoft chiếm tỷ trọng khoảng 7,14% mỗi mã trong chỉ số S&P 500. Tính đến quý 1/2023, tỷ suất sinh lời của cổ phiếu Apple đạt mức cao nhất trong nhóm các tập đoàn công nghệ lớn tại Hoa Kỳ.

Chương 6: Tập dữ liệu và Triển khai (Dataset and Deployment)

Mô tả chi tiết việc xây dựng hai tập dữ liệu (Dataset 1 và Dataset 2) cùng các nguồn dữ liệu tin cậy (Yahoo Finance, Investing.com, U.S. BLS, FRED). Chương này giải thích ý nghĩa kinh tế của từng biến vĩ mô đối với thị trường tài chính.

Chương 7: Phân tích giá cổ phiếu Apple giai đoạn 2019 đến 2023 (Apple Stock Price Analysis From 2019 to 2023)

Phân tích thực nghiệm đa biến trên chuỗi dữ liệu 5 năm được chia thành các nội dung chính:

  • Thống kê mô tả và đối chiếu thực tế:
    • Giá trung bình hàng năm tăng liên tục: từ khoảng 50,39 USD (năm 2019) lên 94 USD (2020), 94 USD (2021), 154 USD (2022) và đạt 169,39 USD (2023). Mức tăng trưởng đột biến diễn ra trong giai đoạn 2019–2020 khi giá trung bình tăng gần gấp đôi do sự bùng nổ của mảng dịch vụ và các đợt ra mắt phần cứng (iPhone 11, iPhone 12, chip Apple Silicon).
    • Phương sai và độ lệch chuẩn: Năm 2019 có phương sai thấp nhất (74,54), thể hiện tính ổn định cao. Năm 2020 chứng kiến phương sai tăng vọt lên 472,18 do tác động của đại dịch COVID-19, việc cắt giảm lãi suất khẩn cấp của FED xuống 0,25% (tháng 3/2020) và tỷ lệ thất nghiệp tăng mạnh. Giai đoạn 2021 (phương sai 218,45), 2022 (170,46) và 2023 (275,98) duy trì mức biến động ổn định nhưng chịu ảnh hưởng từ tranh chấp pháp lý với Epic Games (mức phí 30% App Store), sự cố "Batterygate", xung đột kiểm duyệt với Elon Musk (Twitter) và chính sách thắt chặt tiền tệ.
    • Skewness và Kurtosis: Năm 2019 (Skewness: 0,56; Kurtosis: -0,29) và năm 2021 (Skewness: 0,75; Kurtosis: 0,15) phân phối lệch phải rõ rệt. Năm 2020 (Skewness: 0,09; Kurtosis: -1,41) và năm 2022 (Skewness: 0,02; Kurtosis: -1,01) phân phối đối xứng và ít ngoại lai cực đoan. Năm 2023 (Skewness: -0,64; Kurtosis: -1,19) phân phối lệch trái do sự thúc đẩy mạnh từ đợt ra mắt iPhone 15 tại sự kiện Wonderlust và lạm phát được kiểm soát.
Năm Số quan sát ($N$) Trung bình (Mean - USD) Phương sai (Variance) Độ lệch (Skewness) Độ nhọn (Kurtosis)
2019 252 50,39 74,54 0,56 -0,29
2020 253 94,00 472,18 0,09 -1,41
2021 253 94,00 218,45 0,75 0,15
2022 251 154,84 170,46 0,02 -1,01
2023 215 169,39 275,98 -0,64 -1,19
  • Kiểm định ANOVA đơn yếu tố và Hồi quy OLS:
    • Kết quả kiểm định ANOVA trên Dataset 2 xác nhận cả 5 biến số (Inflation, USDollarindexClose, FED rate, CPI, UNRATE) đều có tác động có ý nghĩa thống kê đến giá đóng cửa của AAPL ($p\text{-value} < 0{,}05$).
    • Mô hình hồi quy ban đầu (Mô hình 1): $$Y = 445{,}55 + 2321{,}1X_1 - 4{,}962X_2 + 2106{,}5X_3 - 461{,}77X_4 + 10{,}25X_5$$ (Trong đó $X_1$: Inflation, $X_2$: USDollarIndexClose, $X_3$: FED rate, $X_4$: CPI, $X_5$: UNRATE, $R^2 = 0{,}9325$). Do biến CPI có $p\text{-value} = 0{,}05$ (không đạt ý nghĩa ở ngưỡng khắt khe), nhóm tiến hành loại bỏ biến này.
    • Mô hình hồi quy hiệu chỉnh tối ưu (Mô hình 2): $$Y = 469{,}15 + 1884{,}04X_1 - 5{,}2X_2 + 2095{,}45X_3 + 10{,}16X_5$$ Tất cả các biến trong Mô hình 2 đều có $p\text{-value} < 0{,}05$, hệ số $R^2$ điều chỉnh tăng, khẳng định tính phù hợp cao hơn.

Chương 8: Dự báo giá cổ phiếu bằng ARIMA và LSTM (Stock Price Prediction Using ARIMA and LSTM)

Chương này mô tả chi tiết các thử nghiệm mô hình hóa chuỗi thời gian:

  • Hiện tượng quá khớp (Overfitting): So sánh việc không chia tập dữ liệu với việc phân chia theo tỷ lệ 90% tập huấn luyện (train) và 10% tập kiểm thử (test).
  • Phạm vi co giãn thời gian (Time Scaling): Việc huấn luyện dữ liệu từ năm 2000 dẫn tới mô hình không bắt kịp xu hướng hiện tại; việc thu hẹp chuỗi dữ liệu huấn luyện từ năm 2022 giúp cải thiện độ chính xác cho năm 2023.
  • Xác định bậc sai phân: Dữ liệu gốc không dừng; sai phân bậc 1 ($d=1$) còn dao động biên độ nhẹ, sai phân bậc 2/3 giúp chuỗi đạt tính dừng với phương sai ổn định.
  • Thử nghiệm tham số ARIMA: Thử nghiệm các mô hình ARIMA(1,1,2), ARIMA(10,3,1), ARIMA(10,3,2) và ARIMA(10,3,75). Các tham số $p, q$ cao được sử dụng để thích ứng với biến động phức tạp của tập kiểm thử.
  • Triển khai AutoARIMA: Thuật toán tìm kiếm tối ưu trên pmdarima xác định mô hình tốt nhất là ARIMA(2,1,3)(0,0,0)[0] với chỉ số $\text{AIC} = 18381{,}29$. Khi chia tỷ lệ 80% train và 20% test, mô hình đạt sai số $\text{RMSE} = 2{,}42$.
  • Triển khai mô hình LSTM: Mô hình học sâu phản ánh sát đường xu hướng thực tế của chuỗi dữ liệu (độ lệch trung bình khoảng 10%). Khi chạy thử nghiệm dự báo điểm giá cho ngày 15/11/2023, LSTM đưa ra mức giá dự báo là 167 USD so với giá thực tế là 188 USD (mức chênh lệch xấp xỉ 12%).

Chương 9: Đánh giá hiệu quả hoạt động tài chính Apple (Relating Analysis Results to Apple Stock Performance Evaluation)

Phân tích 4 chỉ số tài chính cơ bản giai đoạn 2018–2023:

  • ROA: Luôn duy trì trên 25%, vượt trội so với mức trung bình ngành công nghệ (khoảng 6%) và ổn định hơn so với các đối thủ như Microsoft hay Alphabet.
  • ROE và Đòn bẩy tài chính (Leverage): ROE luôn ở mức cao vượt trội so với ROA. Năm 2022, hệ số đòn bẩy tài chính $\text{Leverage} = \text{ROE} / \text{ROA} = 150 / 28 = 5{,}35$. Mức đòn bẩy cao phản ánh Apple sử dụng vốn vay hiệu quả để tối ưu hóa lợi nhuận nhưng cũng đòi hỏi kiểm soát nghĩa vụ nợ cẩn trọng.
  • EPS: Thu nhập trên mỗi cổ phần duy trì ổn định quanh mức 2,5 USD và đạt mức 6 USD/cổ phần trong quý 2/2023 (chỉ xếp sau Meta và Netflix trong nhóm công nghệ lớn).
  • Hệ số P/E: Tăng từ mức khoảng 20 lên 27,91 vào quý 4/2023, thể hiện kỳ vọng cao của thị trường vào tiềm năng tăng trưởng tương lai của Apple.

Chương 10: Tổng kết (Summary)

Tổng kết các kết quả đạt được về phân tích định lượng, làm rõ mức độ phụ thuộc của giá cổ phiếu vào cả các biến số vĩ mô lẫn hiệu quả hoạt động nội tại, đồng thời nhấn mạnh tính phức tạp và thách thức của bài toán dự báo tài chính.

Kết quả và đóng góp

Kết quả chính

  1. Mô hình hóa tác động vĩ mô: Chứng minh mối tương quan định lượng chặt chẽ giữa giá cổ phiếu AAPL và các biến số vĩ mô. Hàm hồi quy hiệu chỉnh xác lập: $$\text{Close} = 469{,}15 + 1884{,}04 \times \text{Inflation} - 5{,}2 \times \text{USDollarIndexClose} + 2095{,}45 \times \text{FEDrate} + 10{,}16 \times \text{UNRATE}$$ Hệ số $R^2$ đạt trên 0,93 ở mô hình đầy đủ và toàn bộ các hệ số trong mô hình tinh gọn đều có ý nghĩa thống kê ($p < 0{,}05$).
  2. Hiệu quả của các thuật toán dự báo:
    • Thuật toán AutoARIMA tối ưu hóa thành công mô hình ARIMA(2,1,3) với chỉ số $\text{AIC} = 18381{,}29$, đạt sai số $\text{RMSE} = 2{,}42$ trên tập kiểm thử (tỷ lệ 80/20).
    • Mô hình mạng nơ-ron LSTM nắm bắt tốt xu hướng dài hạn của chuỗi giá đóng cửa với biên độ sai lệch quanh mức 10%.
  3. Đánh giá sức khỏe tài chính doanh nghiệp: Xác lập các bằng chứng định lượng về nền tảng tài chính của Apple: $\text{ROA} > 25%$, $\text{EPS}$ đạt 6 USD (quý 2/2023), hệ số $\text{P/E}$ đạt 27,91 (quý 4/2023) và đòn bẩy tài chính năm 2022 là 5,35.

Giải pháp và khuyến nghị của tác giả

  • Nhà đầu tư không nên phụ thuộc hoàn toàn vào một mô hình dự báo kỹ thuật đơn lẻ mà cần kết hợp đồng thời việc theo dõi các chính sách vĩ mô (quyết định lãi suất của FED, số liệu lạm phát) và các chỉ số tài chính cơ bản (ROA, ROE, đòn bẩy nợ).
  • Khi xây dựng mô hình chuỗi thời gian cho chứng khoán, cần chú trọng việc co giãn phạm vi thời gian (time scaling) và xử lý tính dừng phù hợp để tránh việc dữ liệu lịch sử quá xa làm sai lệch dự báo hiện tại.

Đóng góp của đề tài

  • So sánh thực nghiệm kết quả thống kê mô tả và hồi quy trên 4 công cụ phân tích phổ biến (Excel, SPSS, R, Python), chỉ ra sự tương đồng và khác biệt về mặt kỹ thuật giữa các phần mềm.
  • Kết hợp đa chiều giữa thống kê mô tả chuỗi thời gian, kinh tế lượng vĩ mô (ANOVA, OLS), học máy/học sâu (ARIMA, LSTM) và phân tích báo cáo tài chính doanh nghiệp trên một trường hợp nghiên cứu cụ thể (Apple Inc.).

Hạn chế và hướng nghiên cứu tiếp

  • Hạn chế được ghi nhận trong văn bản:
    • Mô hình LSTM vẫn tồn tại độ lệch nhất định khi dự báo điểm ngắn hạn (ví dụ sai số 12% ở phiên dự báo ngày 15/11/2023: giá dự báo 167 USD so với giá thực tế 188 USD; phần lớn giá trị dự báo có xu hướng thấp hơn giá thực tế).
    • Có sự sai khác nhỏ về kết quả kỹ thuật giữa phần mềm SPSS và các công cụ còn lại trong bảng phân tích ANOVA/Hồi quy.
    • Nhóm tác giả tự nhận định kiến thức chuyên môn và kinh nghiệm thực tế còn hạn chế nên báo cáo có thể còn một số thiếu sót trong việc tối ưu hóa siêu tham số mô hình.
  • Hướng nghiên cứu tiếp:
    • Tiếp tục tinh chỉnh cấu trúc và tham số của mô hình LSTM nhằm giảm thiểu biên độ sai số trên tập dữ liệu kiểm thử.
    • Mở rộng thêm các biến số đầu vào và kéo dài chuỗi thời gian kiểm chứng để nâng cao độ tin cậy trong các kịch bản dự báo tương lai.

Giá trị tham khảo

Đồ án là tài liệu học thuật hữu ích cho:

  • Sinh viên các ngành: Hệ thống Thông tin Quản lý, Khoa học Dữ liệu, Phân tích Kinh doanh (Business Analytics), Tài chính - Ngân hàng và Kinh tế lượng ứng dụng.
  • Nội dung đáng tham khảo:
    • Quy trình từng bước xây dựng và lựa chọn tham số cho mô hình ARIMA thông qua ACF/PACF và AutoARIMA.
    • Cách thiết lập kiến trúc mạng nơ-ron hồi quy LSTM để xử lý dữ liệu chuỗi thời gian trong Python.
    • Phương pháp đối chiếu các chỉ số thống kê mô tả (Mean, Variance, Skewness, Kurtosis) với các sự kiện thực tế của doanh nghiệp và biến động kinh tế vĩ mô.

Câu hỏi thường gặp

1. Mô hình hồi quy tối ưu xác định biến số vĩ mô nào có ý nghĩa tác động đến giá cổ phiếu Apple?
Sau khi loại bỏ biến CPI do có $p\text{-value} = 0{,}05$, mô hình hồi quy hiệu chỉnh tối ưu giữ lại 4 biến độc lập đều có ý nghĩa thống kê ($p < 0{,}05$) bao gồm: Tỷ lệ lạm phát (Inflation), Chỉ số USD Index (USDollarIndexClose), Lãi suất quỹ liên bang (FED rate) và Tỷ lệ thất nghiệp (UNRATE), với phương trình: $$\text{Close} = 469{,}15 + 1884{,}04X_1 - 5{,}2X_2 + 2095{,}45X_3 + 10{,}16X_5$$

2. Mô hình ARIMA nào được thuật toán AutoARIMA lựa chọn là tốt nhất và đạt sai số bao nhiêu?
Thuật toán AutoARIMA (sử dụng thư viện pmdarima) đã chọn mô hình tối ưu là ARIMA(2,1,3)(0,0,0)[0] có hằng số chặn (intercept) với chỉ số $\text{AIC} = 18381{,}29$. Khi huấn luyện trên tập dữ liệu với tỷ lệ 80% train và 20% test, mô hình đạt sai số căn bậc hai trung bình bình phương $\text{RMSE} = 2{,}42$.

3. Tại sao phương sai của giá cổ phiếu Apple lại tăng vọt vào năm 2020?
Năm 2020 ghi nhận phương sai cao kỷ lục ở mức 472,18 (so với 74,54 của năm 2019) do tác động đa chiều từ đại dịch COVID-19: các đợt đóng cửa cửa hàng và giãn cách xã hội khiến doanh số điện thoại quý 1 giảm 21%, tỷ lệ thất nghiệp tăng vọt, cùng với việc FED cắt giảm lãi suất khẩn cấp xuống 0,25% vào tháng 3/2020 thúc đẩy dòng tiền đổ mạnh vào thị trường chứng khoán, khiến giá cổ phiếu biến động mạnh từ mức 75 USD lên mức đỉnh gần 150 USD.

4. Kết quả dự báo giá cổ phiếu bằng mô hình LSTM cho ngày 15/11/2023 sai lệch như thế nào so với thực tế?
Khi chạy thử nghiệm mô hình LSTM để dự báo giá cho phiên giao dịch ngày 15/11/2023, mức giá dự đoán của mô hình là 167 USD, trong khi giá đóng cửa thực tế là 188 USD, tạo ra mức sai lệch xấp xỉ 12%.

5. Hệ số đòn bẩy tài chính (Leverage) của Apple năm 2022 được tính toán bằng bao nhiêu?
Năm 2022, với tỷ suất sinh lời trên vốn chủ sở hữu $\text{ROE} = 150%$ và tỷ suất sinh lời trên tổng tài sản $\text{ROA} = 28%$, hệ số đòn bẩy tài chính của Apple được tính bằng $\text{Leverage} = \text{ROE} / \text{ROA} = 150 / 28 = 5{,}35$.

Kết luận

Đồ án môn học của nhóm sinh viên Khoa Hệ thống Thông tin (Trường Đại học Công nghệ Thông tin – ĐHQG-HCM) đã hoàn thành toàn diện việc phân tích tác động của các yếu tố vĩ mô và nội tại đến biến động giá cổ phiếu Apple giai đoạn 2019–2023. Báo cáo đã ứng dụng thành công các công cụ thống kê đa nền tảng (Excel, SPSS, R, Python) cùng các mô hình dự báo chuỗi thời gian ARIMA và học sâu LSTM, đồng thời đối chiếu chặt chẽ kết quả định lượng với báo cáo tài chính và bối cảnh kinh tế thực tế. Kết quả nghiên cứu cung cấp một quy trình thực nghiệm rõ ràng, minh chứng cho việc kết hợp hiệu quả giữa khoa học dữ liệu và phân tích tài chính doanh nghiệp.