Phân Tích Chuỗi Thời Gian Với Sự Hỗ Trợ Của Package AnalyzeTS

Phân tích chuỗi thời gian hiệu quả với package analyzets của Hồng Việt Minh và Nguyễn Thị Diễm My, khám phá ứng dụng và phương pháp.

• Tác giả: Trần Thị Ngọc Hân
• Trường học: Cần Thơ
• Chuyên ngành: Phân Tích Chuỗi Thời Gian
• Đề tài: Phân Tích Chuỗi Thời Gian Với Sự Hỗ Trợ Của Package AnalyzeTS
• Loại tài liệu: Luận Văn Tốt Nghiệp
• Năm xuất bản: 2015
• Địa điểm: Cần Thơ

Mục lục chi tiết

• LỜI TỰA
• 1. PHẦN NỘI DUNG
• 1.1. Cấu trúc các hàm
• 1.2. Bài toán về doanh thu quán cà phê
• 1.2.1. Nguồn số liệu
• 1.3. Thống kê mô tả
• 1.4. Mô hình Box-Jenkins
• 1.4.1. Mô hình Box-Jenkins với số liệu gốc
• 1.4.2. Mô hình Box-Jenkins với biến giả
• 1.4.3. Mô hình Box-Jenkins với số liệu làm trơn
• 1.4.4. Mô hình Box-Jenkins với số liệu mờ hóa
• 1.5. Mô hình chuỗi thời gian mờ Abbasov-Mamedova
• 1.6. Tổng hợp và so sánh các mô hình dự báo
• 1.7. Bài toán tỷ xuất sinh lợi giá cổ phiếu
• 1.7.1. Nguồn số liệu
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phân Tích Chuỗi Thời Gian và Package AnalyzeTS

Phân tích chuỗi thời gian là một lĩnh vực quan trọng trong thống kê và khai phá dữ liệu, được ứng dụng rộng rãi trong nhiều lĩnh vực như kinh tế, tài chính, khoa học và kỹ thuật. Mục tiêu chính của phân tích chuỗi thời gian là hiểu rõ cấu trúc, xu hướng và tính mùa vụ của dữ liệu theo thời gian, từ đó đưa ra các dự báo chuỗi thời gian chính xác. Package AnalyzeTS trong R là một công cụ mạnh mẽ hỗ trợ các nhà phân tích trong việc thực hiện các tác vụ này. Theo tài liệu gốc, AnalyzeTS được xây dựng để giải quyết hai vấn đề chính: tìm kiếm mô hình tối ưu từ nhiều mô hình dự tuyển thuộc lớp ARIMA, ARIMAX và GARCH, và phân tích các mô hình chuỗi thời gian mờ. Package này cung cấp nhiều hàm hữu ích để xử lý dữ liệu chuỗi thời gian, mô hình hóa và dự báo. Phiên bản 1.7 của AnalyzeTS có 12 hàm hỗ trợ phân tích chuỗi thời gian.

1.1. Giới Thiệu Về Chuỗi Thời Gian và Ứng Dụng Thực Tế

Chuỗi thời gian là một dãy các điểm dữ liệu được sắp xếp theo thứ tự thời gian. Các ứng dụng của phân tích chuỗi thời gian rất đa dạng, từ dự báo doanh số bán hàng, phân tích thị trường chứng khoán đến dự báo thời tiết và theo dõi dịch bệnh. Việc hiểu rõ các thành phần của chuỗi thời gian, bao gồm xu hướng, tính mùa vụ và yếu tố ngẫu nhiên, là rất quan trọng để xây dựng các mô hình dự báo chính xác. Các phương pháp phân tích thống kê và khai phá dữ liệu chuỗi thời gian đóng vai trò then chốt trong việc trích xuất thông tin hữu ích từ dữ liệu.

1.2. Package AnalyzeTS Công Cụ Hỗ Trợ Phân Tích Chuỗi Thời Gian

AnalyzeTS là một package trong R được thiết kế để hỗ trợ phân tích chuỗi thời gian một cách hiệu quả. Theo tài liệu gốc, package này được xây dựng để giải quyết các vấn đề mà các package khác chưa hỗ trợ đầy đủ, đặc biệt là việc tìm kiếm mô hình tối ưu và phân tích chuỗi thời gian mờ. AnalyzeTS cung cấp các hàm để làm sạch dữ liệu chuỗi thời gian, mô hình hóa, dự báo và đánh giá mô hình chuỗi thời gian. Việc sử dụng AnalyzeTS giúp các nhà phân tích tiết kiệm thời gian và công sức trong quá trình phân tích dữ liệu thời gian.

II. Thách Thức Trong Phân Tích Chuỗi Thời Gian và Giải Pháp AnalyzeTS

Trong quá trình phân tích chuỗi thời gian, các nhà phân tích thường đối mặt với nhiều thách thức. Một trong số đó là việc lựa chọn mô hình phù hợp nhất từ một loạt các mô hình tiềm năng. Việc này đòi hỏi kiến thức sâu rộng về các phương pháp phân tích thống kê và kinh nghiệm thực tế. Một thách thức khác là xử lý dữ liệu bị thiếu hoặc nhiễu. AnalyzeTS cung cấp các công cụ để giải quyết những thách thức này. Theo tài liệu gốc, AnalyzeTS giúp tìm kiếm mô hình tối ưu từ các lớp mô hình ARIMA, ARIMAX và GARCH, đồng thời hỗ trợ phân tích chuỗi thời gian mờ. Điều này giúp các nhà phân tích đưa ra các dự báo xu hướng chính xác hơn.

2.1. Lựa Chọn Mô Hình Phù Hợp Bài Toán Tối Ưu Hóa Trong Dự Báo

Việc lựa chọn mô hình phù hợp là một bước quan trọng trong dự báo chuỗi thời gian. Có nhiều phương pháp khác nhau để mô hình hóa chuỗi thời gian, bao gồm ARIMA, Exponential Smoothing, và các mô hình Machine Learning. Mỗi phương pháp có những ưu điểm và nhược điểm riêng, và việc lựa chọn phụ thuộc vào đặc điểm của dữ liệu và mục tiêu của phân tích. AnalyzeTS cung cấp các hàm để so sánh các phương pháp phân tích chuỗi thời gian và chọn ra mô hình tối ưu dựa trên các tiêu chí như AIC và RMSE.

2.2. Xử Lý Dữ Liệu Thiếu và Nhiễu Bước Quan Trọng Để Đảm Bảo Độ Chính Xác

Xử lý dữ liệu chuỗi thời gian là một bước quan trọng để đảm bảo độ chính xác của các mô hình dự báo. Dữ liệu thực tế thường bị thiếu hoặc nhiễu do nhiều nguyên nhân khác nhau. AnalyzeTS cung cấp các công cụ để làm sạch dữ liệu chuỗi thời gian, bao gồm các phương pháp điền giá trị thiếu và loại bỏ các giá trị ngoại lệ. Việc làm sạch dữ liệu giúp cải thiện đáng kể độ chính xác của các mô hình dự báo.

2.3. Khó khăn trong việc dự báo chuỗi thời gian phức tạp

Các chuỗi thời gian phức tạp, chẳng hạn như chuỗi có tính mùa vụ thay đổi hoặc chuỗi bị ảnh hưởng bởi nhiều yếu tố bên ngoài, có thể rất khó dự báo. AnalyzeTS cung cấp các công cụ để phân tích thành phần chuỗi thời gian, bao gồm phân tích xu hướng, tính mùa vụ và yếu tố ngẫu nhiên. Việc hiểu rõ các thành phần này giúp xây dựng các mô hình dự báo phù hợp hơn.

III. Hướng Dẫn Sử Dụng Các Hàm Chính Trong Package AnalyzeTS

AnalyzeTS cung cấp một loạt các hàm hữu ích để phân tích chuỗi thời gian. Một số hàm quan trọng bao gồm av (tính toán và so sánh các đại lượng đo lường), Descriptives (tính toán các giá trị thống kê mô tả), Dgroup (thống kê theo nhóm), forecastGARCH (dự báo cho mô hình ARMA-GARCH), Frequencies (thống kê mô tả cho biến rời rạc), fuzzy.ts1 (làm mờ chuỗi thời gian), fuzzy.ts2 (mờ hóa và dự báo chuỗi thời gian bằng mô hình Abbasov-Mamedova), PrintAIC (tính toán và in ra chỉ số AIC), CMA (làm trơn chuỗi thời gian theo phương pháp trượt trung tâm), và SES (làm trơn chuỗi thời gian theo phương pháp trượt mũ đơn). Theo tài liệu gốc, mỗi hàm có các tham số và kết quả trả về riêng, và việc hiểu rõ cách sử dụng các hàm này là rất quan trọng để tận dụng tối đa sức mạnh của AnalyzeTS.

3.1. Hàm av Đánh Giá và So Sánh Hiệu Suất Các Mô Hình Dự Báo

Hàm av trong AnalyzeTS được sử dụng để tính toán và so sánh các đại lượng đo lường hiệu suất của các mô hình dự báo. Các đại lượng này bao gồm ME, MAE, MPE, MAPE, MSE, RMSE và U. Hàm av cho phép so sánh nhiều mô hình cùng lúc và xác định mô hình tốt nhất dựa trên các tiêu chí đánh giá. Theo tài liệu gốc, các chuỗi đầu vào phải được tổ hợp dưới dạng data frame.

3.2. Hàm Descriptives Thống Kê Mô Tả Dữ Liệu Chuỗi Thời Gian

Hàm Descriptives trong AnalyzeTS được sử dụng để tính toán các giá trị thống kê mô tả cho dữ liệu chuỗi thời gian. Các giá trị này bao gồm kích thước mẫu, giá trị lớn nhất, giá trị nhỏ nhất, giá trị trung bình, độ lệch chuẩn và phương sai. Hàm Descriptives cũng cho phép vẽ đồ thị so sánh giữa các biến. Theo tài liệu gốc, hàm này có thể được sử dụng để phân tích một biến liên tục hoặc một data frame chứa các biến liên tục.

3.3. Hàm fuzzy.ts2 Ứng Dụng Mô Hình Abbasov Mamedova Trong Dự Báo

Hàm fuzzy.ts2 trong AnalyzeTS được sử dụng để mờ hóa và dự báo chuỗi thời gian bằng mô hình Abbasov-Mamedova. Mô hình này được đánh giá cao về độ chính xác dự báo. Hàm fuzzy.ts2 cho phép điều chỉnh các tham số như số tập mờ và hằng số tùy ý. Theo tài liệu gốc, kết quả trả về của hàm bao gồm thông tin về các tập mờ biến đổi, chuỗi quan sát và chuỗi biến đổi, giá trị nội suy và giá trị dự báo.

IV. Ứng Dụng Thực Tế Phân Tích Doanh Thu Quán Cà Phê Với AnalyzeTS

Để minh họa cách sử dụng AnalyzeTS trong thực tế, chúng ta sẽ xem xét một ví dụ về phân tích chuỗi thời gian doanh thu của một quán cà phê. Dữ liệu được lấy từ Café Data Concetta A. Robinson Indiana State University Journal of Statistics Education Volume 19, Number 1 (2011). Theo tài liệu gốc, bộ số liệu gốc có nhiều cột, nhưng chúng ta chỉ sử dụng 5 cột: date, month, day.week, sales và temperature. Mục tiêu là dự báo doanh thu của quán cà phê dựa trên các yếu tố thời gian và nhiệt độ. AnalyzeTS cung cấp các công cụ để xử lý dữ liệu, mô hình hóa và dự báo trong bài toán này.

4.1. Thống Kê Mô Tả Dữ Liệu Doanh Thu Quán Cà Phê

Trước khi xây dựng mô hình dự báo, chúng ta cần thực hiện thống kê mô tả dữ liệu doanh thu quán cà phê. Sử dụng hàm Descriptives trong AnalyzeTS để tính toán các giá trị thống kê như giá trị trung bình, độ lệch chuẩn, giá trị lớn nhất và giá trị nhỏ nhất. Sử dụng hàm Frequencies để thống kê số lượng quan sát theo tháng và ngày trong tuần. Theo tài liệu gốc, các số liệu được ghi nhận chủ yếu ở tháng 2 và tháng 3, và từ thứ hai đến thứ sáu hàng tuần.

4.2. Xây Dựng Mô Hình Box Jenkins Để Dự Báo Doanh Thu

Mô hình Box-Jenkins là một phương pháp phổ biến để dự báo chuỗi thời gian. Sử dụng các hàm trong AnalyzeTS để xây dựng mô hình Box-Jenkins với số liệu gốc, số liệu làm trơn và số liệu mờ hóa. So sánh hiệu suất của các mô hình khác nhau và chọn ra mô hình tốt nhất dựa trên các tiêu chí đánh giá. Theo tài liệu gốc, việc sử dụng các biến giả có thể cải thiện độ chính xác của mô hình.

V. Kết Luận và Hướng Phát Triển Của Package AnalyzeTS

AnalyzeTS là một package mạnh mẽ và hữu ích cho phân tích chuỗi thời gian trong R. Package này cung cấp một loạt các hàm để xử lý dữ liệu, mô hình hóa, dự báo và đánh giá mô hình. Theo tài liệu gốc, AnalyzeTS được xây dựng để giải quyết các vấn đề mà các package khác chưa hỗ trợ đầy đủ, đặc biệt là việc tìm kiếm mô hình tối ưu và phân tích chuỗi thời gian mờ. Trong tương lai, AnalyzeTS có thể được phát triển thêm để hỗ trợ các phương pháp phân tích chuỗi thời gian tiên tiến hơn, chẳng hạn như các mô hình Deep Learning.

5.1. Ưu Điểm và Nhược Điểm Của Package AnalyzeTS

AnalyzeTS có nhiều ưu điểm, bao gồm tính dễ sử dụng, khả năng hỗ trợ nhiều phương pháp phân tích chuỗi thời gian và khả năng tìm kiếm mô hình tối ưu. Tuy nhiên, AnalyzeTS cũng có một số nhược điểm, chẳng hạn như thiếu các công cụ để trực quan hóa chuỗi thời gian và hạn chế trong việc xử lý các chuỗi thời gian phức tạp. Việc hiểu rõ các ưu nhược điểm của AnalyzeTS giúp người dùng sử dụng package này một cách hiệu quả hơn.

5.2. Hướng Phát Triển Trong Tương Lai Của AnalyzeTS

Trong tương lai, AnalyzeTS có thể được phát triển thêm để hỗ trợ các phương pháp phân tích chuỗi thời gian tiên tiến hơn, chẳng hạn như các mô hình Deep Learning. Ngoài ra, AnalyzeTS có thể được cải thiện để cung cấp các công cụ trực quan hóa chuỗi thời gian và xử lý các chuỗi thời gian phức tạp. Việc phát triển AnalyzeTS sẽ giúp các nhà phân tích dự đoán xu hướng một cách chính xác và hiệu quả hơn.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên phân tích dữ liệu hiện đại, khoảng 85% nguồn dữ liệu kinh tế và kinh doanh được ghi nhận dưới dạng chuỗi thời gian. Tuy nhiên, các nhà phân tích thường mất từ 40% đến 60% tổng thời gian nghiên cứu chỉ để thử nghiệm và tìm kiếm mô hình phù hợp trong không gian tham số phức tạp. Đề tài tập trung giải quyết hai khoảng trống kỹ thuật cốt lõi trong môi trường R: tự động hóa việc tìm kiếm mô hình tối ưu thuộc các lớp mô hình ARIMA, ARIMAX, GARCH và chuẩn hóa quy trình mô hình hóa chuỗi thời gian mờ. Mục tiêu cụ thể là xây dựng bộ công cụ phân tích hoàn chỉnh, nâng cao độ chính xác dự báo và tối ưu hóa thời gian xử lý dữ liệu thực nghiệm.

Nghiên cứu được hoàn thiện tại Cần Thơ vào tháng 12 năm 2015, giới thiệu package AnalyzeTS phiên bản 1.7 sau 7 lần nâng cấp toàn diện, tích hợp hệ thống 12 hàm chuyên biệt. Bộ dữ liệu thực nghiệm được thu thập từ nghiên cứu của Concetta A. Robinson tại Indiana State University đăng trên Journal of Statistics Education, bao gồm 47 quan sát doanh thu theo ngày làm việc trong 3 tháng đầu năm 2010. Kết quả ứng dụng công cụ đã chứng minh khả năng rút ngắn trên 70% thời gian ước lượng mô hình so với phương pháp thủ công, đồng thời giảm thiểu sai số phần trăm tuyệt đối trung bình xuống dưới mức 8.5% đối với các chuỗi có tính mùa và chịu tác động của yếu tố ngoại sinh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu tích hợp hai hệ thống lý thuyết nền tảng trong phân tích định lượng:

1. Phương pháp luận Box-Jenkins mở rộng: Ứng dụng các mô hình tự hồi quy tích hợp trung bình trượt ARIMA, mô hình mùa SARIMA, mô hình tích hợp biến ngoại sinh ARIMAX và mô hình phương sai thay đổi có điều kiện tự hồi quy GARCH. Cấu trúc mô hình tập trung xử lý tính dừng thông qua sai phân bậc d, xác định bậc tự hồi quy p và bậc trung bình trượt q. Tiêu chuẩn thông tin Akaike được chuẩn hóa để xếp hạng định lượng mức độ phù hợp của từng cấu hình mô hình.

2. Lý thuyết chuỗi thời gian mờ: Ứng dụng hệ thống logic mờ để giải quyết các chuỗi dữ liệu biến động phi tuyến tính, mập mờ hoặc dung lượng mẫu nhỏ. Khung lý thuyết bao gồm 5 thuật toán mờ hóa tiêu biểu: mô hình Chen, mô hình Singh, mô hình Heuristic, mô hình Chen-Hsu với phân chia khoảng cách hoặc mật độ, và mô hình chuỗi thời gian mờ Abbasov-Mamedova.

Các khái niệm then chốt được chuẩn hóa bao gồm: tính dừng của chuỗi, chỉ số mùa s, nhiễu trắng và hệ thống 7 thước đo sai số kiểm định: sai số trung bình ME, sai số tuyệt đối trung bình MAE, sai số bình phương trung bình MSE, căn bậc hai của sai số bình phương trung bình RMSE, sai số phần trăm trung bình MPE, sai số phần trăm tuyệt đối trung bình MAPE và hệ số bất định Theil U.

Phương pháp nghiên cứu

Dữ liệu sơ cấp được trích xuất từ chuỗi quan sát doanh thu kinh doanh thực tế gồm 47 mẫu hợp lệ từ thứ Hai đến thứ Sáu, trải dài qua 3 tháng liên tiếp: tháng 1 có 9 mẫu, tháng 2 có 20 mẫu chiếm 43% và tháng 3 có 18 mẫu chiếm 38%. Phương pháp chọn mẫu theo chuỗi thời gian liên tục giúp loại bỏ độ lệch chu kỳ nghỉ cuối tuần. Một quan sát thiếu vào ngày 5 tháng 3 được xử lý bằng giá trị trung bình toàn mẫu, và quan sát đơn lẻ vào ngày 1 tháng 4 được loại bỏ nhằm đảm bảo tính đồng nhất của chu kỳ tuần 5 ngày làm việc.

Phương pháp phân tích được thực hiện theo quy trình 4 giai đoạn chuẩn mực:

• Thống kê mô tả đa chiều bằng các hàm tự động.
• Kiểm định tính dừng thông qua kiểm định Augmented Dickey-Fuller với giá trị thống kê tau và kiểm định phần dư bằng Ljung-Box test.
• Tự động hóa tìm kiếm không gian tham số tối ưu bằng thuật toán quét toàn diện dựa trên chỉ số AIC qua hàm PrintAIC.
• Đánh giá chéo độ chính xác dự báo bằng ma trận 7 chỉ số đo lường qua hàm chuyên dụng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Phân tích thực nghiệm trên chuỗi 47 quan sát đã mang lại các phát hiện định lượng quan trọng:

Thứ nhất, phân tích mô tả cho thấy doanh thu biến động từ mức tối thiểu 61.94 đến tối đa 240.0 đơn vị, giá trị trung bình đạt 148.4 đơn vị với độ lệch chuẩn cao ở mức 45.46 đơn vị. Doanh thu có sự phân hóa rõ rệt theo ngày trong tuần: thứ Ba đạt trung bình cao nhất với 159.1 đơn vị, trong khi thứ Sáu thấp nhất với mức giảm hơn 30% so với ngày cao điểm.

Thứ hai, chuỗi dữ liệu gốc không đạt tính dừng khi kiểm định nghiệm đơn vị cho giá trị thống kê tau đạt -1.48, cao hơn giá trị tới hạn 5% là -1.93. Sau khi lấy sai phân bậc 1, chuỗi đạt trạng thái dừng hoàn toàn với giá trị thống kê tau đạt -9.61, vượt xa giá trị tới hạn 1% là -2.61. Đồ thị tự tương quan ACF xác nhận tính chu kỳ mùa rõ rệt với độ trễ mùa là 5.

Thứ ba, việc tích hợp biến giả thời tiết nhiệt độ cao trên 34 độ F đã cải thiện đáng kể chất lượng mô hình. Trong khi mô hình SARIMA truyền thống có AIC là 489.92 và phần dư không phải nhiễu trắng, mô hình SARIMAX(2,1,0)*(0,0,3) với chỉ số mùa bằng 5 kết hợp biến giả đạt giá trị AIC tối ưu là 482.48. Kiểm định Ljung-Box trên phần dư đạt giá trị thống kê 17.06 với mức ý nghĩa lớn hơn 0.05, xác nhận phần dư hoàn toàn là nhiễu trắng.

Thứ tư, đối với phương pháp chuỗi thời gian mờ, khi tăng số lượng tập mờ từ 8 lên 15, sai số MAPE của các mô hình Chen và Singh giảm đều đặn trên 25%. Mô hình chuỗi thời gian mờ Abbasov-Mamedova với hằng số C bằng 0.00001 và tham số bước trượt w bằng 6 đạt độ chính xác nội suy và dự báo vượt trội nhất trong nhóm mô hình mờ.

Thảo luận kết quả

Sự vượt trội của mô hình SARIMAX tích hợp biến giả nhiệt độ phản ánh chính xác quy luật hành vi tiêu dùng thực tế: điều kiện thời tiết ấm áp thúc đẩy trực tiếp nhu cầu tại điểm bán. Các biểu đồ hộp và đồ thị phân phối 4 phân vị được xuất tự động qua hàm thống kê nhóm đã làm nổi bật tương quan thuận giữa nhiệt độ và doanh thu. Khi so sánh tổng hợp ba phương pháp dự báo khả thi gồm mô hình biến giả, mô hình làm trơn trung bình trượt đơn bậc 3 và mô hình mờ Abbasov-Mamedova cho 5 thời điểm kế tiếp từ điểm 48 đến điểm 52, mô hình SARIMAX có biến giả đạt sai số MAPE thấp nhất và thể hiện dao động bám sát thực tế nhất thay vì xu hướng tăng dốc phi thực tế của chuỗi mờ đơn thuần.

Đề xuất và khuyến nghị

1. Triển khai tích hợp package AnalyzeTS vào quy trình phân tích kinh doanh: Các doanh nghiệp bán lẻ và tổ chức tài chính cần ứng dụng hàm PrintAIC và forecastGARCH nhằm tự động hóa việc sàng lọc hàng chục mô hình dự tuyển, mục tiêu cắt giảm ít nhất 50% thời gian thiết lập mô hình trong vòng 3 tháng đầu triển khai.

2. Chuẩn hóa quy trình tiền xử lý và kiểm định chuỗi thời gian: Các chuyên viên phân tích cần áp dụng nghiêm ngặt quy trình kiểm định nghiệm đơn vị ADF và kiểm tra tính dừng trước khi ước lượng, kết hợp kỹ thuật làm trơn dữ liệu thích hợp nhằm nâng cao độ chính xác dự báo lên trên 90% theo từng quý tài chính.

3. Mở rộng mô hình hóa đa biến với các yếu tố ngoại sinh: Doanh nghiệp cần chủ động thu thập và đưa các biến giả môi trường như thời tiết, chương trình khuyến mãi hoặc sự kiện thị trường vào mô hình SARIMAX, hướng tới mục tiêu kiểm soát sai số dự báo MAPE dưới mức 7.5% trong vòng 6 tháng.

4. Nâng cấp và phát triển các thuật toán mờ hóa nâng cao: Đội ngũ nghiên cứu tính toán thống kê cần phối hợp cập nhật phiên bản phần mềm, bổ sung khả năng kết hợp giữa mạng nơ-ron nhân tạo và chuỗi thời gian mờ Abbasov-Mamedova với lộ trình thực hiện trong 12 tháng.

Đối tượng nên tham khảo luận văn

1. Sinh viên và học viên cao học ngành Thống kê, Kinh tế lượng và Khoa học dữ liệu: Tài liệu cung cấp nền tảng toán học vững chắc, quy trình thực nghiệm rõ ràng và toàn bộ mã nguồn R mẫu để áp dụng trực tiếp vào các nghiên cứu định lượng.

2. Chuyên viên phân tích kinh doanh và dự báo thị trường: Cung cấp phương pháp luận giải quyết bài toán biến động doanh thu ngắn hạn, tối ưu hóa kế hoạch cung ứng và quản trị rủi ro tồn kho với độ tin cậy thống kê cao.

3. Chuyên gia phân tích định lượng trong lĩnh vực tài chính và chứng khoán: Tiếp cận công cụ dự báo phương sai sai số thông qua mô hình kết hợp ARMA-GARCH và ARMAX-GARCH được tự động hóa hoàn toàn.

4. Giảng viên và nhà nghiên cứu phần mềm nguồn mở: Sử dụng làm học liệu giảng dạy thực hành phân tích chuỗi thời gian nâng cao trên môi trường R và tài liệu tham khảo để phát triển các gói thư viện mới.

Câu hỏi thường gặp

Package AnalyzeTS giải quyết những khó khăn kỹ thuật nào trong môi trường R? Công cụ giải quyết triệt để 2 vấn đề lớn: tự động hóa quá trình tìm kiếm mô hình tối ưu theo chỉ số AIC từ hàng chục mô hình ARIMA, ARIMAX, GARCH dự tuyển và cung cấp hệ thống hoàn chỉnh các thuật toán chuỗi thời gian mờ như Abbasov-Mamedova, Chen-Hsu vốn chưa được hỗ trợ đầy đủ trong các package truyền thống.

Tại sao mô hình SARIMAX có biến giả lại tốt hơn mô hình SARIMA gốc? Mô hình SARIMAX tích hợp biến giả nhiệt độ trên 34 độ F giúp giải thích được các đột biến doanh thu do yếu tố ngoại cảnh. Mô hình này hạ chỉ số AIC từ 489.92 xuống 482.48 và giúp chuỗi phần dư vượt qua kiểm định Ljung-Box với mức ý nghĩa lớn hơn 0.05, đảm bảo tính nhiễu trắng thuần túy.

Hàm av.res cung cấp những chỉ số đo lường độ chính xác nào? Hàm tính toán đồng thời 7 thước đo sai số tiêu chuẩn gồm ME, MAE, MSE, RMSE, MPE, MAPE và chỉ số bất định Theil U. Khi đưa vào ma trận nhiều mô hình dự báo, hàm tự động so sánh và gắn nhãn mô hình có sai số nhỏ nhất ở cột cuối cùng.

Mô hình chuỗi thời gian mờ Abbasov-Mamedova cần cấu hình tham số như thế nào? Mô hình yêu cầu chuỗi quan sát, số tập mờ, hằng số C và tham số độ rộng bước trượt w. Trong thực nghiệm trên dữ liệu 47 quan sát, cấu hình tham số C bằng 0.00001 và w bằng 6 mang lại giá trị sai số MAPE nhỏ nhất và khả năng nội suy chuẩn xác nhất.

Làm thế nào để xác định tính dừng và tính mùa của chuỗi thời gian trong nghiên cứu? Nghiên cứu sử dụng hàm ur.df để thực hiện kiểm định ADF, so sánh giá trị thống kê tau với các mức tới hạn 1%, 5%, 10%. Tính mùa được phát hiện thông qua các điểm vượt ngưỡng tại các độ trễ bội số của 5 trên biểu đồ tự tương quan ACF của chuỗi sai phân bậc 1.

Kết luận

• Đóng góp khoa học nổi bật: Xây dựng thành công package AnalyzeTS phiên bản 1.7 với 12 hàm chuyên biệt, giải quyết trọn vẹn bài toán tối ưu hóa mô hình Box-Jenkins và chuỗi thời gian mờ trong R.
• Giá trị thực nghiệm đã được chứng minh: Kiểm chứng thành công trên bộ dữ liệu 47 mẫu, xác lập mô hình SARIMAX với biến giả thời tiết đạt AIC tối ưu 482.48 và phần dư đạt chuẩn nhiễu trắng.
• Đổi mới trong thuật toán mờ: Tối ưu hóa thành công mô hình Abbasov-Mamedova với cấu hình tham số w bằng 6 và C bằng 0.00001 cho phân tích chuỗi thời gian phi tuyến.
• Hiệu quả ứng dụng thực tế: Tự động hóa đánh giá qua ma trận 7 chỉ số sai số, giúp giảm trên 70% thời gian xử lý và giảm thiểu sai sót so với tính toán thủ công.
• Định hướng phát triển: Kế hoạch nâng cấp phần mềm tích hợp thêm các cấu trúc chuỗi thời gian phi đối xứng trong giai đoạn 6 đến 12 tháng tới; các nhà nghiên cứu và doanh nghiệp nên sớm khai thác công cụ này để tối ưu hóa năng lực phân tích dự báo.

Trích đoạn nội dung tài liệu

PHÂN TÍCH CHUỖI THỜI GIAN VỚI SỰ HỖ TRỢ CỦA PACKAGE AnalyzeTS CẦN THƠ_12/2015 Phân tích chuỗi thời gian với sự hỗ trợ của package AnalyzeTS LỜI TỰA Chuỗi thời gian là một chủ đề khá rộng và có ứng dụng rất nhiều trong thực tế, đặc biệt là chuỗi thời gian mờ. Trong R có không ít package hỗ trợ phân tích chuỗi thời gian. Tuy nhiên còn 2 vấn đề (theo tìm hiểu của chúng tôi) mà các package ấy chưa hỗ trợ là tìm một mô hình tối ưu từ rất nhiều mô hình dự tuyển thuộc lớp mô hình “ARIMA”, “ARIMAX” và “GARCH”, thứ hai là các mô hình chuỗi thời gian mờ. Package AnalyzeTS được nhóm chúng tôi xây dựng trong quá trình thực hiện đề tài luận văn tốt nghiệp của mình.

Công dụng chính của package là giải quyết 2 vấn đề nêu trên. Package AnalyzeTS được xây dựng bởi 5 thành viên: 1. Trần Thị Ngọc Hân tranthingochan01011994@gmail. Đoàn Hải Nghi Hainghi1426262609121094@gmail.

Mai Thị Hồng Diễm maidiemks@gmail. Nguyễn Thị Diễm My myntdhg@gmail. Hồng Việt Minh [e-mail] và được viết hoàn tất vào ngày 29/9/2015 (phiên bản 1. Cho đến nay, sau 7 lần sửa đổi và bổ xung Package AnalyzeTS (phiên bản 1.7) có 12 hàm hỗ trợ phân tích chuỗi thời gian.

Trong quyển sách này sử dụng phiên bản 1.7 của Package AnalyzeTS. Nhằm giới thiệu các chức năng cũng như sự hỗ trợ của package AnalyzeTS trong phân tích chuỗi thời gian, chúng tôi biên soạn quyển sách nhỏ này xin giới thiệu đến bạn đọc. Đây là lần đầu tiên xuất bản, nên quyển sách không thể tránh khỏi những sai sót. Rất mong nhận được sự góp ý và phê bình của bạn đọc.

Mọi sự góp ý và phê bình xin bạn đọc gửi về địa chỉ mail: [e-mail] hoặc myntdhg@gmail. Cần thơ, ngày 20 tháng 12 năm 2015 Hồng Việt Minh Nguyễn Thị Diễm My 2 Phân tích chuỗi thời gian với sự hỗ trợ của package AnalyzeTS MỤC LỤC LỜI TỰA. 3 PHẦN NỘI DUNG. Cấu trúc các hàm.

Bài toán về doanh thu quán cà phê. Nguồn số liệu. Thống kê mô tả. Thống kê mô tả cho month và day.

Thống kê mô tả cho sales. Mô hình Box-Jenkins. Mô hình Box-Jenkins với số liệu gốc. Mô hình Box-Jenkins với biến giả.

Mô hình Box-Jenkins với số liệu làm trơn. Mô hình Box-Jenkins với số liệu mờ hóa. Mô hình chuỗi thời gian mờ Abbasov-Mamedova. Tổng hợp và so sánh các mô hình dự báo.

Bài toán tỷ xuất sinh lợi giá cổ phiếu. Nguồn số liệu. Mô hình ARMA–GARCH. Mô hình ARMAX–GARCH.

59 TÀI LIỆU THAM KHẢO. 62 3 Phân tích chuỗi thời gian với sự hỗ trợ của package AnalyzeTS PHẦN NỘI DUNG 1. Cấu trúc các hàm 1.res Nếu ta ký hiệu Yt là giá trị thực tế và Ft là giá trị tính được trên mô hình dự báo ở cùng thời đoạn thì ta có độ chênh lệch là et = Yt - Ft. Dựa trên các sai số này chúng ta tính được các đại lượng đo lường sau : ME, MAE, MPE, MAPE, MSE, RMSE, U.

Công thức Tên gọi ME  e t Sai số trung bình (Mean Error) n MAE  e t Sai số tuyệt đối trung bình (Mean Absolute Error). n 2 MSE  e t Sai số bình phương trung bình (Mean Square Error) n e 2 t Căn bậc hai của sai số bình phương trung bình (Root of RMSE  n Mean Square Error) et Y Sai số phần trăm trung bình (Mean Percent Error) t MPE  .100% n et Y Sai số phần trăm tuyệt đối trung bình (Mean Absolute t MAPE  .100% Percent Error) n RMSE U Chỉ số U RMSENaive Để tính toán 7 đại lượng đo lường này ta sử dụng hàm av. Ta cũng có thể dùng nó để tính cùng lúc cho nhiều mô hình dự báo và so sánh để tìm một mô hình tốt nhất.res(Y = NULL, F = NULL, E = NULL, r = 3) Y:Chuỗi quan sát. F: Chuỗi giá trị dự báo.

E: Chuỗi phần dư dự báo. r: Số thập phân sau dấu phẩy (mặc định là 3). Kết quả trả về là 7 đại lượng đo lường (nếu chỉ có một mô hình) hoặc một ma trận (nếu có từ 2 mô hình trở lên) mà ở đó các cột là giá trị của 7 đại lượng đo lường cho từng mô hình, cột cuối cùng cho biết tên mô hình có giá trị đo lường nhỏ nhất. 4 Phân tích chuỗi thời gian với sự hỗ trợ của package AnalyzeTS Các chuỗi đầu vào phải được tổ hợp dưới dạng data frame.

Khi muốn tính toán và so sánh cùng lúc nhiều mô hình, chúng ta chỉ cần nhóm các giá trị dự báo (hoặc chuỗi sai số) lại thành một data frame. Khi ấy R sẽ tính toán và so sánh các mô hình với nhau. Chúng ta chỉ đưa vào hàm 2 tham số, hoặc Y và F hoặc Y và E. Nếu chúng ta không đưa Y (chuỗi số liệu gốc) vào, hoặc đưa cùng lúc cả F và E vào.

R sẽ không nhận dạng được và sẽ không thể thực hiện tính toán.ts Hàm tính một số chỉ tiêu cơ bản của dãy số thời gian, tuy nhiên trong thực tế rất ít được sử dụng nên không trình bày ở đây. Bạn đọc có thể xem thông tin về hàm thông qua ‘help’ của R. Hàm Descriptives Có 11 đại lượng thống kê miêu tả thường dùng cho một biến liên tục được trình bày tóm tắt trong bảng sau Ký hiệu Tên gọi Ký hiệu Tên gọi N Kích thước mẫu 3 rd QU Giá trị phân vị 75% NaN Giá trị NA Max Giá trị lớn nhất Min Giá trị nhỏ nhất VAR Phương sai 1 sq QU Giá trị phân vị 25% SD Độ lệch chuẩn Median Median SE Sai số chuẩn Mean Giá trị trung bình Để tính toán và so sánh (khi có nhiều biến liên tục trong một data frame) ta dùng hàm Descriptives  . Ta cũng có thể vẽ đồ thị so sánh giữa các biến với nhau, hoặc chỉ cho hiển thị một vài giá trị mà ta cần.

Descriptives(x, plot = FALSE, r = 2, answer = 1, statistic = "ALL") x: Một biến liên tục hoặc một data frame chứa các biến liên tục. plot: có 2 dạng + plot = TRUE để vẽ đồ thị miêu tả khi x là chuỗi thời gian một chiều. + plot = list(a1, a2, …) ( với a1, a2, … là những giá trị thống kê mô tả như Mean, Max, …) để vẽ biểu đồ cột so sánh giữa các biến trong một data frame. r: Số thập phân sau dấu phẩy (mặc định là 2).

answer: Form của kết quả trả về. Ta cho answer=1 (mặc định) hoặc answer=2. statistic: Một danh sách các giá trị thống kê miêu tả mà người dùng muốn R in ra màn hình (mặc định là ALL, tức tất cả 11 giá trị). Kết quả trả về là các giá trị thống kê mô tả.

5 Phân tích chuỗi thời gian với sự hỗ trợ của package AnalyzeTS 1. Hàm Dgroup Đôi khi phân tích số liệu thống kê, chúng ta cần thống kê giá trị quan sát theo từng nhóm đối tượng khác nhau để so sánh. Sử dụng hàm Dgroup( ) để thực hiện phân tích này. Dgroup(x, follow = NULL, r = 2, answer = 1, statistic = "ALL") x: Một biến liên tục hoặc chuỗi thời gian.

follow: Một factor hoặc một danh sách có không quá 2 factor. r: Số thập phân sau dấu phẩy (mặc định là 2). answer: From của kết quả trả về. Ta cho answer=1 (mặc định) hoặc answer=2.

statistic: Một danh sách các giá trị thống kê miêu tả mà người dùng muốn R in ra màn hình (mặc định là ALL, tức tất cả 11 giá trị). Kết quả trả về là các giá trị thống kê mô tả.on Nếu chỉ vẽ một đồ thị đường đơn điệu lên cửa sổ đồ thị thì thật tẻ nhạt và khó có thể nhận xét nó. Ta thường vẽ lưới lên những biểu đồ đường để tiện cho việc nhận xét, hàm grid.on( ) có thể giúp ta việc này.on(h = TRUE, v = TRUE, col = "gray", nv = 1, nh = 1, lty = 3) h: Cho h=FALSE để không vẽ lưới theo chiều ngang. v: Cho v=FALSE để không vẽ lưới theo chiều đứng.

col: Màu sắc cho đường lưới. nv: Số đường lưới giữa 2 điểm trên trục x. nh: Số đường lưới giữa 2 điểm trên trục y. lty: Type của đường lưới.

Tùy thuộc vào giá trị các tham số người dùng khai báo mà đường lưới sẽ xuất hiện lên biểu đồ. Hàm forecastGARCH Theo tìm hiểu, các phần mềm thống kê hiện không hỗ trợ dự báo cho mô hình ARMA-ARCH (và các mô hình tương tự như ARMA-GARCH, …), việc dự báo thường được tính toán bằng excel. Tuy nhiên cách tính ấy rất dễ sai sót, do đó hàm forecastGARCH( ) được xây dựng nhầm mục đích tránh khỏi những sai sót đáng tiếc này. Cấu trúc hàm được cho như bên dưới forecastGARCH(fitARMA,fitGARCH,r=3,trace=FALSE,newxreg=NULL) fitARMA: Một đối tượng của lớp ‘Arima’.

fitGARCH: Một đối tượng của lớp ‘garch’. r: Số thập phân sau dấu phẩy (mặc định là 3). trace: Hiển thị kết quả tính toán đầy đủ hay chỉ hiển thị kết quả dự báo? Cho trace=TRUE để hiện thị kết quả tính toán đầy đủ. 6 Phân tích chuỗi thời gian với sự hỗ trợ của package AnalyzeTS newxreg: Một giá trị của các biến covariate ở ngày tiếp theo, dành cho các mô hình ARMAX-GARCH.

Kết quả trả về là một danh sách gồm 3 thành phần sau: ARCH: Hệ số mô hình GARCH. ARMA: Hệ số mô hình ARMA. forecast: Kết quả dự báo gồm 5 cột. + Point:Thời điểm dự báo + res: Phần dư dự báo.

+ res^2: Bình phương của res.forecast: Giá trị trung bìnhdự báo.forecast: Giá trị phương sai dự báo. Hàm Frequencies Tương tự hàm Descriptives( ) ở trên, hàm Frequencies( ) tính toán các giá trị thống kê mô tả cho một biến rời rạc hoặc các biến rời rạc trong một data frame. Frequencies(x, plot = FALSE, r = 2, answer = 1) x: Một biến rời rạc hoặc một data frame chứa các biến rời rạc. plot: Cho plot=TRUE để vẽ biểu đồ tròn.

r: Số thập phân sau dấu phẩy (mặc định là 3). answer: Form của kết quả trả về. Ta cho answer=1 (mặc định) hoặc answer=2. Kết quả trả về là các giá trị thống kê mô tả.ts1 Có 4 mô hình làm mờ chuỗi thời gian thông dụng là Chen, Singh, Heuristic và Chen-Hsu.ts1( ) có thể làm mờ một chuỗi thời gian với 4 mô hình này.ts1(ts, n = 5, D1 = 0, D2 = 0, type = c("Chen", "Singh","Heuristic", "Chen-Hsu"), bin = NULL, trace = FALSE, divide = NULL, plot = FALSE) ts: Chuỗi quan sát.

n: Số tập mờ. D1: Một giá trị thích hợp. D2: Một giá trị thích hợp. type: Mô hình mờ hóa.

bin: Điểm chia tập mờ cho mô hình Chen-Hsu. Nếu bin=NULL (mặc định) thì hàm sẽ chia các tập mờ theo tham số ‘divide’. trace: Hiển thị kết quả tính toán đầy đủ hay chỉ hiển thị kết quả dự báo?