Tổng quan nghiên cứu

Trong bối cảnh nền kinh tế số và thị trường tài chính toàn cầu biến động không ngừng, khoảng 80% các quyết định quản trị chiến lược và điều hành kinh doanh đều dựa vào năng lực dự báo dữ liệu. Việc nắm bắt xu thế vận động của các chỉ số tài chính, giá cả hàng hóa hay sản lượng tiêu thụ đóng vai trò sống còn đối với sự phát triển bền vững của doanh nghiệp. Vấn đề nghiên cứu trọng tâm đặt ra là các chuỗi dữ liệu trong thực tế thường tồn tại dưới dạng rời rạc, chịu ảnh hưởng phức tạp từ nhiều yếu tố ngẫu nhiên, khiến cho các phương pháp nội suy truyền thống trong giải tích không thể áp dụng khi điểm cần ước lượng nằm ngoài phạm vi quan sát quá khứ.

Mục tiêu cụ thể của công trình là hệ thống hóa toàn diện các kỹ thuật ngoại suy định lượng, từ các phương pháp cổ điển như hồi quy tuyến tính, trung bình động, san bằng mũ đến phương pháp Box-Jenkins hiện đại, đồng thời kiểm chứng tính hiệu quả thông qua bài toán thực nghiệm dự báo biến động giá cổ phiếu Vinamilk (mã VNM) trên thị trường chứng khoán Việt Nam. Phạm vi nghiên cứu tập trung vào chuỗi dữ liệu chuỗi thời gian tài chính với chu kỳ quan sát liên tục, được thực hiện và hoàn thành trong năm 2015. Ý nghĩa của nghiên cứu thể hiện rõ qua việc cung cấp một quy trình toán học chặt chẽ, giúp giảm thiểu sai số dự báo trung bình bình phương (MSE) và phần trăm sai số tuyệt đối (MAPE) xuống dưới 5%, tạo cơ sở khoa học tin cậy cho các nhà đầu tư và nhà quản trị giảm thiểu rủi ro tài chính tới 25% trong các quyết định trung và ngắn hạn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết chuỗi thời gian và toán xác suất thống kê ứng dụng. Dữ liệu chuỗi thời gian được định nghĩa là một dãy các quan sát ngẫu nhiên được sắp xếp tuần tự theo các mốc thời gian cách đều nhau. Một chuỗi thời gian tổng quát bao gồm 4 thành phần cơ bản: thành phần xu hướng dài hạn thể hiện sự tăng trưởng hoặc suy giảm qua nhiều năm, thành phần mùa vụ phản ánh các biến động lặp lại theo chu kỳ 1 năm, thành phần chu kỳ kinh tế với độ dài từ 3 đến 10 năm, và thành phần bất thường xuất phát từ các cú sốc ngẫu nhiên không thể dự đoán trước.

Nghiên cứu tập trung phân tích 4 mô hình ngoại suy cốt lõi:

  1. Mô hình hồi quy tuyến tính và phi tuyến: Sử dụng phương pháp bình phương cực tiểu (OLS) để tối thiểu hóa tổng bình phương độ lệch giữa giá trị thực nghiệm và hàm ước lượng.
  2. Mô hình trung bình động giản đơn (Moving Average) và san bằng mũ đơn (Exponential Smoothing): Gán trọng số giảm dần theo hàm mũ cho các quan sát quá khứ với hệ số điều hòa alpha tối ưu thường được xác định ở mức 0.4 nhằm cân bằng giữa khả năng lọc nhiễu và độ nhạy thông tin.
  3. Mô hình san bằng mũ Holt và Holt-Winters: Mở rộng với hai hệ số alpha, beta để ước lượng đồng thời mức độ và xu thế, kết hợp hệ số lambda nắm bắt yếu tố thời vụ với chu kỳ k = 4 đối với dữ liệu quý và k = 12 đối với dữ liệu tháng.
  4. Mô hình Box-Jenkins ARIMA (Tự hồi quy tích hợp trung bình trượt) công bố năm 1970: Đây là mô hình tổng quát nhất kết hợp giữa quá trình tự hồi quy AR(p), tích hợp sai phân d bậc để đưa chuỗi về trạng thái dừng, và quá trình trung bình trượt MA(q). Lý thuyết nhận dạng mô hình dựa trên hai công cụ toán học chủ đạo là hàm tự tương quan (ACF) và hàm tự tương quan từng phần (PACF) thông qua thuật toán đệ quy Durbin.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng trong luận văn là dữ liệu chuỗi thời gian thứ cấp, thu thập từ các phiên giao dịch thực tế của cổ phiếu VNM trên thị trường chứng khoán Việt Nam với cỡ mẫu gồm 250 quan sát liên tục theo ngày. Phương pháp chọn mẫu theo chuỗi thời gian toàn phần được áp dụng nhằm phản ánh đầy đủ đặc tính biến động liên tục, tính thanh khoản và các phản ứng giá của thị trường.

Lý do lựa chọn phương pháp phân tích Box-Jenkins bắt nguồn từ tính chất phi tuyến và không dừng cố hữu của dữ liệu tài chính. Quy trình nghiên cứu được triển khai nghiêm ngặt qua 4 bước:

  • Bước 1: Nhận dạng mô hình thử nghiệm thông qua kiểm tra tính dừng của chuỗi giá gốc. Nếu chuỗi không dừng, tiến hành lấy sai phân bậc d = 1 hoặc d = 2 kết hợp phân tích đồ thị tự tương quan mẫu SAC và tự tương quan từng phần mẫu SPAC.
  • Bước 2: Ước lượng các tham số p, q của mô hình bằng phương pháp bình phương cực tiểu và kiểm định ý nghĩa thống kê của các hệ số hồi quy với tiêu chuẩn t > 2.
  • Bước 3: Kiểm định chẩn đoán tính phù hợp của mô hình thông qua kiểm tra phần dư. Phần dư bắt buộc phải thỏa mãn tính chất của một quá trình nhiễu trắng ngẫu nhiên với trung bình bằng 0 và không còn hiện tượng tự tương quan.
  • Bước 4: Thực hiện dự báo giá đóng cửa trong tương lai và đánh giá độ chính xác thông qua các chỉ số sai số MAE, MSE và RMSE.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm mô hình trên chuỗi dữ liệu giá đóng cửa cổ phiếu VNM đã mang lại những phát hiện quan trọng:

  • Thứ nhất, chuỗi dữ liệu giá đóng cửa ban đầu là chuỗi không dừng với đồ thị SAC suy giảm rất chậm qua nhiều độ trễ. Sau khi thực hiện phép biến đổi sai phân bậc 1 (d = 1), chuỗi sai phân đã đạt trạng thái dừng hoàn toàn, phương sai ổn định quanh mức trung bình danh nghĩa.
  • Thứ hai, biểu đồ SPAC của chuỗi sai phân bậc 1 cho thấy hệ số tự tương quan từng phần giảm đột ngột sau độ trễ 2, xác định bậc tự hồi quy p = 2. Đồng thời, biểu đồ SAC giảm đột ngột sau độ trễ 1, xác định bậc trung bình trượt q = 1. Kết quả này định danh mô hình tối ưu nhất cho chuỗi là ARIMA(2,1,1).
  • Thứ ba, kết quả ước lượng tham số cho thấy toàn bộ các hệ số của mô hình ARIMA(2,1,1) đều đạt ý nghĩa thống kê với mức độ tin cậy trên 95%. Kiểm định phần dư khẳng định phần sai số hoàn toàn mang đặc tính nhiễu trắng, không xuất hiện các đỉnh vượt ngưỡng tin cậy tại 10 độ trễ đầu tiên.
  • Thứ tư, so sánh định lượng về độ chính xác dự báo chỉ ra rằng mô hình ARIMA(2,1,1) giúp giảm sai số tuyệt đối trung bình (MAE) khoảng 35% so với phương pháp trung bình động 5 ngày và giảm 22% sai số toàn phương trung bình (MSE) so với mô hình hồi quy tuyến tính đơn giản.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp mô hình ARIMA(2,1,1) đạt hiệu quả vượt trội là do mô hình này đã tích hợp hài hòa cả quán tính thông tin quá khứ của 2 phiên liền kề (AR(2)) và sự điều chỉnh phản ứng tức thời trước các cú sốc ngẫu nhiên của phiên trước đó (MA(1)). Trong thực tế giao dịch chứng khoán, tâm lý đám đông và xu hướng kỹ thuật tạo nên độ trễ nhất định trong việc hấp thụ thông tin mới, điều mà các mô hình hồi quy truyền thống vốn xem các biến độc lập không có tương quan chuỗi hoàn toàn bỏ sót.

Khi so sánh với các nghiên cứu kinh tế lượng cùng thời kỳ, kết quả này hoàn toàn tương thích với các công bố học thuật quốc tế về tính thích ứng cao của họ mô hình Box-Jenkins đối với thị trường tài chính mới nổi. Trong khi mô hình san bằng mũ Holt-Winters phát huy hiệu quả tối đa với các chuỗi có chu kỳ mùa vụ rõ nét như lưu lượng tiêu thụ điện hay doanh số bán lẻ (chu kỳ 4 quý hoặc 12 tháng), thì cấu trúc ARIMA lại chiếm ưu thế tuyệt đối trên các chuỗi biến động ngẫu nhiên cao và không có yếu tố mùa vụ cố định.

Về mặt biểu diễn trực quan, kết quả nghiên cứu được minh chứng rõ ràng thông qua hai dạng thức chính:

  • Hệ thống đồ thị hàm tự tương quan SAC và SPAC trước và sau khi lấy sai phân bậc 1, thể hiện trực quan quá trình triệt tiêu xu thế phi dừng của dữ liệu.
  • Bảng tổng hợp đối chiếu các chỉ số đánh giá sai số dự báo (MAE, MSE, MAPE) giữa 3 mô hình cạnh tranh, chứng minh các điểm ước lượng của ARIMA(2,1,1) bám sát chặt chẽ đường giá thực tế với biên độ lệch dưới 2.5%.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu lý thuyết và thực nghiệm, luận văn đề xuất 4 nhóm giải pháp chiến lược nhằm nâng cao năng lực ứng dụng kỹ thuật ngoại suy trong quản trị và đầu tư:

  1. Chuẩn hóa quy trình làm sạch và kiểm định tính dừng của dữ liệu chuỗi thời gian: Các chuyên viên phân tích định lượng cần áp dụng quy trình kiểm tra sai phân tự động thay vì nhận định chủ quan, hướng tới mục tiêu giảm 50% thời gian tiền xử lý dữ liệu và loại bỏ hoàn toàn hiện tượng hồi quy giả mạo. Lộ trình triển khai thực hiện trong 3 tháng đầu.
  2. Tích hợp thuật toán ARIMA(2,1,1) vào hệ thống giao dịch tự động và quản lý danh mục: Bộ phận công nghệ thông tin phối hợp cùng khối phân tích tài chính xây dựng module dự báo giá ngắn hạn theo thời gian thực, đặt mục tiêu duy trì tỷ lệ sai số MAPE dưới 3.5% trong điều kiện thị trường giao dịch ổn định. Thời gian hoàn thành trong vòng 6 tháng.
  3. Thiết lập cơ chế kiểm định lại mô hình (Backtesting) theo định kỳ 30 ngày: Nhà quản trị rủi ro tại các quỹ đầu tư cần định kỳ đánh giá lại tính nhiễu trắng của phần dư mô hình. Khi thị trường xuất hiện các biến cố vĩ mô đột biến, hệ thống phải tự động điều chỉnh lại các bậc p, d, q để đảm bảo độ chính xác dự báo luôn đạt trên 90%.
  4. Nâng cấp hạ tầng tính toán và phát triển các mô hình ngoại suy lai ghép: Ban lãnh đạo các tổ chức tài chính cần đầu tư ngân sách nâng cấp hệ thống máy chủ, tạo tiền đề để khối nghiên cứu phát triển kết hợp mô hình ARIMA với mạng nơ-ron nhân tạo và mô hình GARCH, nhằm giải quyết bài toán biến động phương sai thay đổi trong tầm nhìn 12 tháng tới.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và thực tiễn sâu sắc cho 4 nhóm đối tượng trọng tâm:

  1. Học viên cao học và nghiên cứu sinh chuyên ngành Khoa học máy tính, Hệ thống thông tin và Toán ứng dụng: Tài liệu cung cấp hệ thống công thức toán học tường minh, từ phương pháp chứng minh tính dừng, thuật toán đệ quy Durbin đến quy trình ước lượng tham số Box-Jenkins, phục vụ đắc lực cho việc phát triển các đề tài luận văn thạc sĩ và bài báo khoa học.
  2. Chuyên viên phân tích tài chính và kỹ sư định lượng (Quant Analyst) tại các công ty chứng khoán, quỹ đầu tư: Sử dụng khung phân tích thực nghiệm trên mã VNM như một ca điển hình (case study) mẫu để xây dựng các thuật toán dự báo giá cổ phiếu, tỷ giá ngoại hối và lãi suất ngắn hạn.
  3. Nhà quản trị doanh nghiệp và cán bộ hoạch định chiến lược kinh doanh: Nắm vững nguyên lý ngoại suy san bằng mũ Holt-Winters để lập kế hoạch sản xuất, dự báo nhu cầu nguyên vật liệu và kiểm soát hàng tồn kho theo chu kỳ 4 quý hoặc 12 tháng với độ chính xác cao.
  4. Lập trình viên và kiến trúc sư hệ thống phần mềm tài chính (FinTech): Tham khảo cấu trúc thuật toán để lập trình hóa các module phân tích kỹ thuật tự động trên các nền tảng giao dịch chứng khoán hiện đại.

Câu hỏi thường gặp

  1. Kỹ thuật ngoại suy khác biệt căn bản như thế nào so với kỹ thuật nội suy trong xử lý dữ liệu? Kỹ thuật nội suy thực hiện tính toán giá trị của hàm số tại các điểm nằm bên trong khoảng quan sát đã biết từ x0 đến xn, dựa trên các đa thức xấp xỉ liên tục. Ngược lại, kỹ thuật ngoại suy suy đoán giá trị tương lai nằm ngoài phạm vi quan sát quá khứ, dựa trên giả định quy luật vận động lịch sử sẽ tiếp tục tiếp diễn.

  2. Tại sao phải lấy sai phân bậc 1 trước khi xây dựng mô hình ARIMA cho dữ liệu chứng khoán? Dữ liệu chuỗi giá chứng khoán thường có tính chất không dừng, nghĩa là giá trị trung bình và phương sai luôn biến thiên theo thời gian. Việc lấy sai phân bậc 1 giúp triệt tiêu thành phần xu hướng dài hạn, chuyển đổi chuỗi giá gốc thành chuỗi biến động dừng quanh mức trung bình ổn định, đáp ứng điều kiện tiên quyết của phương pháp Box-Jenkins.

  3. Trong điều kiện nào thì phương pháp san bằng mũ Holt-Winters hiệu quả hơn mô hình ARIMA? Phương pháp Holt-Winters phát huy hiệu quả tối ưu khi dữ liệu chuỗi thời gian thể hiện rõ nét cả hai thành phần xu hướng tăng trưởng và yếu tố thời vụ có tính chu kỳ cố định, ví dụ như doanh số bán hàng theo 12 tháng. Khi đó, việc sử dụng 3 tham số san bằng riêng biệt giúp mô hình thích ứng nhanh mà không đòi hỏi cỡ mẫu quá lớn.

  4. Làm thế nào để nhận biết phần dư của mô hình dự báo đã đạt tiêu chuẩn nhiễu trắng? Phần dư đạt chuẩn nhiễu trắng khi thỏa mãn phân phối chuẩn với trung bình bằng 0, phương sai không đổi và không còn hiện tượng tự tương quan. Điều này được kiểm chứng khi toàn bộ các hệ số tự tương quan của phần dư tại các độ trễ đều xấp xỉ bằng 0 và nằm hoàn toàn trong dải tin cậy 95% trên đồ thị hàm tự tương quan.

  5. Cỡ mẫu tối thiểu cần thiết để triển khai dự báo bằng phương pháp Box-Jenkins là bao nhiêu? Theo chuẩn mực thống kê trong phương pháp Box-Jenkins, chuỗi thời gian cần tối thiểu từ 50 đến 100 quan sát liên tục cách đều nhau để đảm bảo độ tin cậy của việc ước lượng các hàm tự tương quan mẫu SAC và SPAC, giúp việc định danh các bậc p, d, q của mô hình đạt độ chuẩn xác cao.

Kết luận

  • Luận văn đã hệ thống hóa hoàn chỉnh cơ sở lý thuyết toán học về dữ liệu chuỗi thời gian, phân tích thấu đáo 4 thành phần biến động và làm rõ cơ chế của các kỹ thuật ngoại suy định lượng tiên tiến.
  • Chứng minh thành công tính ưu việt của mô hình Box-Jenkins ARIMA(2,1,1) trong việc mô hình hóa và dự báo chuỗi giá đóng cửa tài chính sau khi xử lý tính dừng bằng sai phân bậc 1.
  • Đạt độ chính xác dự báo vượt trội với sai số MAPE dưới 5%, giảm thiểu hơn 35% sai số MAE so với các phương pháp trung bình động giản đơn truyền thống.
  • Đóng góp một quy trình thực nghiệm 4 bước chuẩn mực, có thể chuyển giao và ứng dụng trực tiếp vào hệ thống phân tích định lượng tại các tổ chức tài chính và doanh nghiệp thương mại.
  • Định hướng trong 6 đến 12 tháng tới tiếp tục mở rộng mô hình ngoại suy trên chuỗi dữ liệu tần suất cao và phát triển các thuật toán lai ghép tích hợp trí tuệ nhân tạo.

Công trình là tài liệu tham khảo học thuật có giá trị cao, kết hợp hài hòa giữa toán học chuyên sâu và ứng dụng thực tiễn, mở ra giải pháp tối ưu hóa năng lực dự báo trong kỷ nguyên kinh tế số.