LUẬN văn một số PHƯƠNG PHÁP KHAI PHÁ dữ LIỆU QUAN hệ TRONG tài CHÍNH và CHỨNG KHOÁN

55 307 0
LUẬN văn một số PHƯƠNG PHÁP KHAI PHÁ dữ LIỆU QUAN hệ TRONG tài CHÍNH và CHỨNG KHOÁN

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ Nguyễn Ngọc Thiệp MỘT SỐ PHƢƠNG PHÁP KHAI PHÁ DỮ LIỆU QUAN HỆ TRONG TÀI CHÍNH VÀ CHỨNG KHOÁN KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin HÀ NỘI – 2010 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ HÀ NỘI - 20< hai số cuối năm bảo vệ KLTN> (chữ hoa, 12pt, đậm, giữa) ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ Nguyễn Ngọc Thiệp MỘT SỐ PHƢƠNG PHÁP KHAI PHÁ DỮ LIỆU QUAN HỆ TRONG TÀI CHÍNH VÀ CHỨNG KHOÁN (MÔ HÌNH ARIMA ) KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin Cán hƣớng dẫn : PGS-TS Hà Quang Thụy Cán đồng hƣớng dẫn : ThS Trần Thị Oanh HÀ NỘI - 2010 LỜI CẢM ƠN Lời đầu tiên, em xin bày tỏ long biết ơn tới thầy, cô giáo trƣờng Đại học Công Nghệ - Đại học Quốc Gia Hà nội Các thầy cô dạy bảo, dẫn em tạo điều kiện tốt cho chúng em học tập suốt trình học đại học đặc biệt thời gian làm khóa luận tốt nghiệp Em xin bày tỏ lòng biết ơn sâu sắc tới thầy giáo PGS.TS Hà Quang Thụy cô giáo ThS Trần Thị Oanh, anh chị phòng LAB 102 hƣớng dẫn em tận tình năm học vừa qua Tôi xin cảm ơn ngƣời bạn mình, bạn bên tôi, giúp đỡ cho ý kiến đóng góp quý báu học tập nhƣ sống Cuối xin gửi tới bố mẹ toàn thể gia đình lòng biết ơn tình cảm yêu thƣơng Hà Nội, ngày 10/05/2010 Nguyễn Ngọc Thiệp TÓM TẮT NỘI DUNG Bài toán dự báo tài ngày đƣợc nhiều ngƣời quan tâm bối cảnh phát triển kinh tế xã hội Đầu tƣ vào thị trƣờng chứng khoán đòi hỏi nhiều kinh nghiệm hiểu biết nhà đầu tƣ Các kĩ thuật khai phá liệu đƣợc áp dụng nhằm dự báo lên xuống thị trƣờng gợi ý giúp nhà đầu tƣ định giao dịch Mô hình ARIMA đƣợc xây dựng với chức nhận dạng mô hình, ƣớc lƣợng tham số đƣa kết dự báo dựa tham số ƣớc lƣợng đƣợc lựa chọn cách tối ƣu Khóa luận nghiên cứu mô hình ARIMA vào toán khai phá liệu chuỗi thời gian dự báo tài chính, chứng khoán Hệ thống công cụ Eviews đƣợc sử dụng để thi hành mô hình ARIMA liệu chứng khoán công ty cổ phần Thủy sản Mekong Khóa luận tiến hành thử nghiệm, kết thực nghiệm cho thấy việc nghiên cứu, áp dụng có sở MỤC LỤC Chƣơng GIỚI THIỆU CHUNG 1.1 Bài toán dự báo 1.2 Dữ liệu chuỗi thời gian 1.2.1 Khái niệm chuối thời gian thực 1.2.2 Thành phần xu hƣớng dài hạn 1.2.3 Thành phần mùa 1.2.4 Thành phần chu kỳ 1.2.5 Thành phần bất thƣờng Tóm tắt chƣơng CHƢƠNG MÔ HÌNH ARIMA VÀ PHẦN MỀM EVIEWS 2.1 Mô hình ARIMA 2.1.1 Hàm tự tƣơng quan ACF 2.1.2 Hàm tự tƣơng quan phần PACF 2.1.3 Mô hình AR(p) 11 2.1.4 Mô hình MA(q) 11 2.1.5 Sai phân I(d), mùa vụ (S) 12 2.1.6 Mô hình ARIMA 13 2.1.7 Các bƣớc phát triển mô hình ARIMA 16 2.2 Phần mềm ứng dụng Eviews 17 2.2.1 Giới thiệu Eviews 17 2.2.2 Áp dụng Eviews thi hành bƣớc mô hình ARIMA 23 Tóm tắt chƣơng 26 Chƣơng ÁP DỤNG MÔ HÌNH ARIMA VÀO BÀI TOÁN TÀI CHÍNH, CHỨNG KHOÁN 27 3.1 Mô hình ARIMA cho dự báo tài chính, chứng khoán 27 3.1.1 Dữ liệu tài 27 3.1.2 Mô hình ARIMA cho toán dự báo tài 27 3.1.3 Thiết kế mô hình ARIMA cho liệu 28 3.2 Áp dụng dự báo chứng khoán với liệu Công ty cổ phần Thủy sản Mekong(Mã CK : AAM) 31 3.2.1 Môi trƣờng thực nghiêm 31 3.2.2 Dữ liệu 31 3.2.3 Kiểm tra tính dừng chuỗi chứng khoán AAM 32 3.2.4 Nhận dạng mô hình 33 3.2.5 Ƣớc lƣợng kiểm định với mô hình ARIMA 34 3.2.6 Thực dự báo 36 KẾT LUẬN 43 DANH MỤC HÌNH VẼ Hình 1.Chuỗi thời gian kiểu liệu đƣợc phân tích phổ biến Hình Thành phần mùa [1] Hình Xu hƣớng tăng theo thời gian [12] Hình Thành phần chu kỳ [1] Hình Ví dụ chiều hƣớng giảm khác [3] Hình Sơ đồ mô mô hình Box-Jenkins [3,5] 15 Hình Giao diện sử dụng (Eviews Users Guide) 18 Hình Lựa chọn cấu trúc trình tạo Workfile 19 Hình Mở file có sẵn với Eviews 19 Hình 10 Miêu tả chuỗi liệu 20 Hình 11 Đồ thị chuỗi GIADONGCUA 21 Hình 12 Biểu đồ hàm tự tƣơng quan, tự tƣơng quan phần 22 Hình 13 Cửa sổ chƣơng trình/Run 23 Hình 14 Ƣớc lƣợng mô hình 24 Hình 15 Kết trình ƣớc lƣợng 24 Hình 16 Chọn yêu cầu thích hợp cho dự báo 25 Hình 17 Chọn GIADONGCUA làm mục tiêu dự báo 32 Hình 18 Biểu đồ giá đóng cửa 32 Hình 19 xác định sai phân d = 0,1,2 ? 33 Hình 20 Biểu đồ SAC SPAC chuỗi GIADONGCUA 33 Hình 21 Biểu đồ SPAC SAC ứng với d=1 34 Hình 22 Ƣớc lƣợng mô hình ARIMA(1,1,1) 34 Hình 23 Kết mô hình ARIMA(1,1,1) 35 Hình 24 Kiểm tra phần dƣ có nhiễu trắng 35 Hình 25 Tham số chạy chƣơng trình 36 Hình 26 Tập mô hình đƣa 38 Hình 27 Dự báo biến GIADONGCUA 39 Hình 28 Dữ liệu biến dự báo 39 Hình 29 Kết bảng thống kê dự báo 40 DANH MỤC BẢNG BIỂU Bảng Dữ liệu đầu vào 31 Bảng : Tiêu chuẩn đánh giá mô hình ARIMA 36 Bảng Đánh giá dự báo 40 Bảng : Kết dự báo từ ngày 11/05 – 14/05/2010 41 Bảng : Kết dự báo từ ngày 24/03– 26/03/2010 41 CHƢƠNG GIỚI THIỆU CHUNG 1.1 Bài toán dự báo Sự phát triển công nghệ thông tin việc ứng dụng công nghệ thông tin nhiều lĩnh vực đời sống, kinh tế xã hội nhiều năm qua đồng nghĩa với lƣợng liệu đƣợc quan thu thập lƣu trữ ngày tích lũy nhiều lên Họ lƣu trữ liệu cho ẩn chứa giá trị định Tuy nhiên, theo thống kê có lƣợng nhỏ liệu (khoảng từ 5% đến 10% ) đƣợc phân tích, số lại họ phải làm làm với chúng nhƣng họ tiếp tục thu thập tốn với ý nghĩ lo sợ có quan trọng bị bỏ qua sau có lúc cần đến Mặt khác, môi trƣờng cạnh tranh, ngƣời ta ngày cần có nhiều thông tin với tốc độ nhanh để trợ giúp việc định ngày có nhiều câu hỏi mang tính chất định tính cần phải trả lời dựa khối lƣợng liệu khổng lồ có Với lý nhƣ vậy, phƣơng pháp quản trị khai thác sở liệu truyền thống ngày không đáp ứng đƣợc thực tế làm phát triển khuynh hƣớng kỹ thuật kỹ thuật phát tri thức khai phá liệu (KDD – Knowledge Discovery and Data Mining) Kỹ thuật phát tri thức khai phá liệu đƣợc nghiên cứu, ứng dụng nhiều lĩnh vực khác nƣớc giới, Việt Nam kỹ thuật tƣơng đối mẻ nhiên đƣợc nghiên cứu dần đƣa vào ứng dụng Nhƣ trình bày [2, 3], kỹ thuật dự báo hình thành từ kỉ thứ 19, nhiên dự báo có ảnh hƣởng mạnh mẽ công nghệ thông tin phát triển chất mô phƣơng pháp dự báo cần thiết hỗ trợ máy tính Đến năm 1950, lý thuyết dự báo với phƣơng pháp luận đƣợc xây dựng phát triển có hệ thống Dự báo nhu cầu thiếu cho hoạt động ngƣời bối cảnh bùng nổ thông tin Dự báo cung cấp sở cần thiết cho hoạch định, nói khoa học dự báo dự định tƣơng lai ngƣời vạch thuyết phục đáng kể Trong công tác phân tích dự báo, vấn đề quan trọng hàng đầu cần đặt việc nắm bắt tối đa thông tin lĩnh vực dự báo Thông tin hiểu cách cụ thể gồm : (1) số liệu khứ lĩnh vực dự báo, (2) diễn biến tình hình trạng nhƣ động thái phát triển lĩnh vực dự báo (3) đánh giá cách đầy đủ nhân tố ảnh hƣởng định lƣợng lẫn định tính Dữ liệu cho trình dự báo đƣợc ngày 24/9/2009 đến ngày 14/5/2010 Ở khóa luận tập trung vào GiaDongCua, trình dự báo giúp ta xác định đƣợc Giá đóng cửa ngày sau Hình 17 Chọn GIADONGCUA làm mục tiêu dự báo Kết bảng giá trị tƣơng ứng với liệu ban đầu Giadongcua 3.2.3 Kiểm tra tính dừng chuỗi chứng khoán AAM Hình 18 Biểu đồ giá đóng cửa 32 3.2.4 Nhận dạng mô hình Xác định tham số p, d, q ARIMA Hình 19 xác định sai phân d = 0,1,2 ? Ban đầu, chọn d = 0, ta đƣợc biểu đồ tƣơng quan: Hình 20 Biểu đồ SAC SPAC chuỗi GIADONGCUA Nhìn vào hình 19, ta thấy biểu đồ hàm tự tƣơng quan ACF giảm dần cách từ từ sau nhiều độ trễ, nên chuỗi thời gian ứng với d = chƣa dừng Kiểm tra chuỗi sai phân lần thứ có dừng (d=1)? Cũng với cách làm tƣơng tự nhƣ trên, thay vào việc chọn hình 18 1st difference Kết kiểm tra đồ thị Correlogram chuỗi sai phân bậc 33 Hình 21 Biểu đồ SPAC SAC ứng với d=1 Từ biểu đồ ta thấy, biểu đồ hàm tự tƣơng quan tắt nhanh sau độ trễ, suy đƣợc mô hình ARIMA ban đầu với q =1 đồ thị hàm tự tƣơng quan phần tắt nhanh sau độ trễ, suy p =1 Vậy việc xác định mô hình ban đầu hoàn tất, với mô hình dự kiến : ARIMA(1,1,1) 3.2.5 Ƣớc lƣợng kiểm định với mô hình ARIMA Xây dựng mô hình ARIMA(1,1,1) Chọn Quick/Estimate Equation, sau gõ "dgiadongcua c ar(1) ma(1)", Hình 22 Ƣớc lƣợng mô hình ARIMA(1,1,1) 34 Click OK, kết : Hình 23 Kết mô hình ARIMA(1,1,1) Chọn ―View/Residual tests/Correlogram-Q- Statistic” Hình 24 Kiểm tra phần dƣ có nhiễu trắng Nhƣ vậy, sai số mô hình ARIMA(1,1,1) chuỗi dừng có phân phối chuẩn Sai số nhiễu trắng Ta có bảng xác định tiêu chuẩn đánh giá sau thử với vài mô hình khác : 35 Bảng : Tiêu chuẩn đánh giá mô hình ARIMA Mô hình ARIMA BIC Adjusted R2 SEE ARIMA(1,0,0) 4.24 0.97 1.967 ARIMA(2,1,1) 4.26 0.004 1.96 ARIMA(1,1,1) 4.20 0.57 1.909 ARIMA(4,2,1) 4.26 0.44 1.957 Tại bƣớc xác định tiêu chuẩn đánh giá, khóa luận tìm hiểu, nghiên cứu xây dựng đƣợc:  Chƣơng trình thứ : Đƣa mô hình với tham số đầu vào : biến phụ thuộc, tham số p, tham số q.(Chƣơng trình bao hàm chƣơng trình 1) Code chƣơng trình : wfopen C:\aam.csv ‗—mở file liệu aam.csv‘ equation e1.ls {%0} c ar({%1}) ma({%2}) Trong {%0} ứng với biến dự báo, {%1} ứng với tham số p, {%2} ứng với tham số q Hình 25 Tham số chạy chƣơng trình 36 Và kết đƣa giống nhƣ cách làm thông thƣờng(Hình 22.) với tham số đầu vào tƣơng ứng : %0 – D(giadongcua) %1 – %2 –  Chƣơng trình thứ hai : đƣa mô hình khác với liệu đầu vào biến phụ thuộc, tham số p, tham số q mô hình Kết trả tập mô hình với tiêu chuẩn giúp cho trình đánh giá, dự báo.Dƣới code chƣơng trình wfopen C:\aam.csv ‘ -mở file aam.csv‘ !L = {%1} ‗ -lấy tham số đầu vào 1‘ !M = {%2} ‗ -lấy tham số đầu vào 2‘ for !i=1 to !L for !j=1 to !M equation e1_!i_!j.ls {%0} c ar(!i) ma(!j) ‗ tập mô hình‘ next next Kết quả, bảng workfile xuất mô hình từ ARMA(1,1), ARMA(1,2),…ARMA(%1,%2) với %1 %2 tƣơng ứng với tham số p q Ví dụ ta sử dụng chƣơng trình với liệu chuỗi giá đóng của công ty có mã AAM : Với tham số đầu vào tƣơng ứng : %0 – D(giadongcua) %1 – cho tham số p chạy từ - %1 %2 – Cho tham số q chạy từ - %2 Và kết chƣơng trình : với %1 = 2, % = Tƣơng ứng với mô hình ARMA(1, 1), ARMA(1, 2), ARMA(2, ), ARMA(2, 2) 37 Hình 26 Tập mô hình đƣa Kích đúp vào tên mô hình bất kì, ta có kết tƣơng tự nhƣ kết hình 22 Mục đích mà chƣơng trình đƣợc khóa luận xây dựng giúp ta từ dễ dàng đánh giá tiêu chí lựa chọn mô hình khác cách nhanh so với cách thông thƣờng.(Muốn xem mô hình nào, cần kích vào mô hình Workfile) Có nhiều tiêu chí chọn lựa, khóa luận đƣa tiêu chí đƣợc xét tới : BIC nhỏ nhất, tiếp SEE min, cuối Adjested R2 max Dựa vào đó, ta thấy mô hình ARIMA(1,1,1) ban đầu mô hình hợp lý Thấy : Việc xác định mô hình ban đầu quan trọng, giúp ta định hƣớng đƣợc mô hình phù hợp trình ƣớc lƣợng kiểm tra 38 3.2.6 Thực dự báo Tại cửa sổ Equation ấn nút Forecast Hình 27 Dự báo biến GIADONGCUA Tại Forecast sample : ta chỉnh ngày dự báo : 14/5/2010 – 20/5/2010 Kết : Hình 28 Dữ liệu biến dự báo 39 Vẽ đồ thị giadongcua giadongcua dự báo nhằm đƣa cho ngƣời sử dụng nhìn tổng quan giúp khách hàng đƣa hƣớng mua bán giá chứng khoán 80 70 60 50 40 30 20 09M10 09M12 GIADONGCUA 10M02 10M04 10M05 GIADONGCUAF Hình 29 Kết bảng thống kê dự báo  Ta có kết dự báo ngày 14/5/2010 – 20/5/2010 Bảng Đánh giá dự báo Ngày Giá thực tế Giá dự báo Đánh giá +/- % so với giá thực tế 17/05/2010 33.5 32.94174 -0.55826 -1.66645 18/05/2010 33.2 32.89932 -0.30068 -0.90566 19/05/2010 32.5 32.86322 0.36322 1.1176 20/05/2010 33.2 32.83250 -0.3675 -1.10693 40  Dự báo từ ngày 11/05/2010- 14/05/2010 Bảng : Kết dự báo từ ngày 11/05 – 14/05/2010 Ngày Giá thực tế Giá dự báo Đánh giá +/- 5/11/2010 5/12/2010 34.4 33.2 34.71 34.5 5/13/2010 33.2 34.31 5/14/2010 33.4 34.11 % 0.31 1.3 1.11 0.901163 3.915663 3.343373 0.71 2.125749  Dự báo từ ngày 24/03/2010 – 26/03/2010 Bảng : Kết dự báo từ ngày 24/03– 26/03/2010 Ngày Giá thực tế Giá dự báo Đánh giá +/- % 3/24/2010 34.5 33.76565 -0.73 -2.115 3/25/2010 33.5 33.53083 0.03 0.0895 3/26/2010 33.4 33.29561 -0.10 -0.2994 Việc đánh giá mang tính chất thô : o Tính độ lệch giá dự báo với giá thực tế o Tính phần trăm độ lệch so với giá thực tế Kết đƣa bất ngờ mô hình dự báo ARIMA cho toán dự báo ngắn hạn.(tỉ lệ phần trăm chấp nhận đƣợc) Cũng với cách làm tƣơng tự, khóa luận đƣa dự báo cho vài ngày khác : 41 Qua thực nghiệm dự báo đƣợc vài ngày nhận thấy kết đƣa xác so với giá thực tế mã chứng khoán AAM Tuy số lƣợng ngày dự báo thử nghiệm chƣa nhiều song nhận định mô hình ARIMA(1,1,1) phù hợp để dự báo theo ngày(ngắn hạn) mã CK AAM Tóm tắt chƣơng Chƣơng giới thiệu môi trƣờng thực nghiệm phần mềm, liệu đầu vào giá chứng khoán công ty với mã AAM (chọn GiaDongCua làm biến dự báo) Khóa luận tiến hành bƣớc trình thi hành dự báo từ liệu nhƣ nêu chƣơng Đánh giá sơ thành công mô hình đƣợc chọn : Mô hình đƣợc chọn dự báo xác 42 KẾT LUẬN Qua thời gian nghiên cứu để thực khóa luận tốt nghiệp, em nắm đƣợc quy trình xây dựng mô hình ARIMA cho liệu tài áp dụng mô hình vào toán thực tế - toán dự báo tài Những kết mà khóa luận đạt đƣợc tổng kết nhƣ sau :  Nghiên cứu số nội dung lý thuyết chuỗi thời gian, mô hình ARIMA, công cụ Eviews để áp dụng đƣợc Eviews thi hành mô hình ARIMA dự báo tài chính, chứng khoán  Nắm đƣợc quy trình dùng phần mềm Eviews thi hành mô hình ARIMA cho liệu thời gian thực (với bƣớc bản) tính toán giá trị dự báo liệu tài chính, chứng khoán  Thực quy trình sử dụng phần mềm Eviews thi hành mô hình ARIMA cho liệu mã cổ phiếu mã CK AAM để dự báo ngắn hạn giá cổ phiếu Bên cạnh kết đạt đƣợc, có vấn đề mà thời điểm này, khóa luận chƣa giải đƣợc:  Áp dụng với chuỗi liệu có tính xu  Thuật toán để ƣớc lƣợng nhƣ đánh giá mức tham khảo  Đây mô hình phân tích kĩ thuật, chƣa thể dự báo cách xác, phụ thuộc vào biến – Thời gian, trình dự báo phụ thuộc vào nhiều yếu tố  Xây dựng mô hình hoàn chỉnh có giao diện tƣơng tác với ngƣời sử dụng Những nội dung cần nghiên cứu phát triển để tiếp tục nội dung khóa luận:  Xây dựng mô hình ARIMA đa biến : số giá chứng khoán phụ thuộc vào nhiều biến khác  Giải yếu tố xu thể cho toán dự báo chuỗi liệu tài  Nhúng mô hình ARIMA vào phƣơng pháp dự báo định tính khác, nhằm đƣa kết xác 43 PHỤ LỤC – MỘT SỐ THUẬT NGỮ ANH – VIỆT Thuật ngữ Giải nghĩa ACF(Autocorrelation function) Hàm tự tƣơng quan AR(AutoRegressive) Mô hình tự hồi quy ARIMA(AutoRegressiveIntegrate Moving Average) Mô hình tự hồi quy kết hợp với trung bình trƣợt Mean squared error Sai số bình phƣơng trung bình PACF(Partial Autocorrelation function) Hàm tự tƣơng quan phần Time series Chuỗi thời gian White noise Nhiễu trắng 44 TÀI LIỆU THAM KHẢO Tài liệu tham khảo tiếng Việt [1] Đặng Thị Ánh Tuyết Tìm hiểu ứng dụng số thuật toán khai phá liệu time series áp dụng toán dự báo tài Khóa luận tốt nghiệp đại học hệ quy, khoa Công nghệ thông tin – Đại học Công Nghệ - Đại học Quốc Gia Hà nội, 2009 [2] Damodar N Gujarati Kinh tế lƣợng Chƣơng 21, 22 [3] Nguyễn Thị Hiền Nhã Sử dụng mô hình ARIMA cho việc giải toán dự báo tỷ giả Luận văn thạc sĩ tin học, Đại học Khoa Học Tự Nhiên – Đại Học Quốc Gia TP.HCM, 2002 [4] Phùng Thanh Bình Hướng dẫn sử dụng Eviews 5.1 Tài liệu tham khảo tiếng Anh [5] Boris Kovalerchuk and Evgenii Vityaev (2001) Data Mining in Finance: Advances in Relational and Hybrid Methods, Kluwer Academic Publishers, Boston, Dordrecht - London, 2001 [6] Box G E P & Jenkins G M Time series analysis : Forecasting and control San Francisco, CA: Holden-day, 1970 [7] Cao Hao Thi, Pham Phu, Pham Ngoc Thuy Application of ARIMA model for testing “serial independence” of stock prices at the HSEC, The Joint 14th Annual PBFEA and 2006 Annual FeAT Conference, Taipei, Taiwan, July, 2006 [8] Jamie Monogan ARIMA Estimation adapting Maximum Likehood to the special Issues of Time Series [9] Ramasubramanian V.I.A.S.R.I Time series analysis, Library Avenue, New Delhi110 012 [10] Robert Yaffee and Monnie McGee Time series Analysis and forecasting [11] Roy Batchelor Box-Jenkins Analysis Cass Business School, City of Lodon [12] Ross Ihaka Time Series Analysis, Lecture Notes for 475.726, Statistics Department, University of Auckland, 2005 45 [13] http://www.pstat.ucsb.edu/faculty/feldman/174-03/lectures/l13.pdf.Sample PACF; Durbin - Levinson algorithm [14] http://adt.curtin.edu.au/theses/available/adtWCU20030818.095457/unrestricted/07Chapter6.pdf Chapter six Univariate ARIMA models [15] http://en.wikipedia.org/wiki/Time_series Time series [16] http://www.barigozzi.eu/ARIMA.pdf ARIMA estimation theory and applications [17] http://www.hkbu.edu.hk/~billhung/econ3600/application/app05/app05.html ARIMA models [18] http://www.stata.com/statalist/archive/2006-06/msg00554.html R-Squared with ARIMA [19] http://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average: Autoregressive integrated moving average [20] http://en.wikipedia.org/wiki/EViews Eviews [21] http://www.hkbu.edu.hk/~billhung/econ3600/application/app06/app06.html Building Seasonal ARIMA Model 46 [...]...Căn cứ vào nội dung phƣơng pháp và mục đích của dự báo, ngƣời ta chia dự báo thành hai loại: Phƣơng pháp định tính và phƣơng pháp định lƣợng  Phƣơng pháp định tính thƣờng phụ thuộc rất nhiều vào kinh nghiệm của một hay nhiều chuyên gia trong lĩnh vực liên quan Phƣơng pháp này thƣờng đƣợc áp dụng, kết quả dự báo sẽ đƣợc các chuyên gia trong lĩnh vực liên quan nhận xét, đánh giá và đƣa ra kết luận cuối... dựng mối quan hệ kinh tế lƣợng từ dữ liệu có sẵn và sử dụng mối quan hệ này để dự báo các giá trị tƣơng lai Eviews có thể hữu ích trong tất cả các loại nghiên cứu nhƣ đánh giá và phân tích dữ liệu khoa học, phân tích tài chính, mô phỏng và dự báo vĩ mô, dự báo doanh số, và phân tích chi phí Đặc biết, Eviews là một phần mềm rất mạnh cho phân tích dữ liệu thời gian Eviews đƣa ra nhiều cách nhập dữ liệu rất... trong quá trình xây dựng mô hình ARIMA Giới thiệu sơ bộ về phần mềm ứng dụng Eviews 5.1 phục vụ cho bài toán dự báo bằng mô hình ARIMA 26 CHƢƠNG 3 ÁP DỤNG MÔ HÌNH ARIMA VÀO BÀI TOÁN TÀI CHÍNH, CHỨNG KHOÁN 3.1 Mô hình ARIMA cho dự báo tài chính, chứng khoán 3.1.1 Dữ liệu tài chính Dữ liệu chúng ta sử dụng là dữ liệu chuỗi thời gian Mục đích chính của việc phân tích chuỗi thời gian thực là thu đƣợc một. .. Dữ liệu chuỗi thời gian Trong các bài toán dự báo nói chung và các bài toán dự báo tài chính và chứng khoán nói riêng, dữ liệu thƣờng đƣợc biểu diễn dƣới dạng chuỗi thời gian Trong các dạng dữ liệu đƣợc phân tích thì dữ liệu chuỗi thời gian luôn thuộc tốp đầu về tính phổ biến Các bảng thống kê thăm dò về các kiểu dữ liệu đƣợc phân tích trong 4 năm 200520081 (Hình 1) là một minh chứng về điều này http://www.kdnuggets.com/polls/2008/datatypes-analyzed-data-mined.htm... đó trong quá khứ Mô hình ARIMA phân tích tính tƣơng quan giữa các dữ liệu quan sát để đƣa ra mô hình dự báo thông qua các giai đoạn nhận dạng mô hình, ƣớc lƣợng các tham số từ dữ liệu quan sát và kiểm tra các tham số ƣớc lƣợng để tìm ra mô hình thích hợp Mô hình kết quả của quá trình trên gồm các tham số thể hiện mức độ tƣơng quan trên dữ liệu, và đƣợc chọn để dự báo giá trị tƣơng lai 2 1.2 Dữ liệu. .. Xác định mô hình  Đƣa dữ liệu vào : Do dữ liệu trong quá trình dự báo sử dụng mô hình ARIMA là đủ lớn, dữ liệu đầu vào đƣợc đề xuất : Mở và đọc dữ liệu từ một nguồn bên ngoài (không thuộc định dạng của Eviews) nhƣ Text, Excel, Stata File/open/Foreign Data as Workfile,…để đến hộp thoại Open, chọn Files of type (xem thêm ở 2.2.1)  Kiểm tra tính dừng của chuỗi dữ liệu : kích đúp vào biến ―GiaDongCua‖,... với dữ liệu trong một khoảng thời gian dài Vì lý do đó, để có thể áp dụng đƣợc mô hình ARIMA vào dữ liệu chuỗi thời gian cần khử tính mùa vụ trƣớc Nếu Y(t) có tính mùa vụ, với chu kỳ s, thì để khử tính mùa vụ ta lấy sai phân thứ s : Z(t) = Y(t) – Y(t-s) Và sử dụng chuỗi dữ liệu mới Z(t) sau khi đã khử tính mùa vụ vào mô hình ARIMA Thông thƣờng, tính mùa vụ của chuỗi dữ liệu vào khoảng  4 mùa trong một. .. Dated-Regular Frequency, nếu dữ liệu đơn giản ta chọn Balanced Panel, các trƣờng hợp khác chọn Unstructured 18 Hình 8 Lựa chọn cấu trúc cơ bản của quá trình tạo Workfile Nếu là dữ liệu năm, thì ở ô Frequency ta chọn Annual; ở các ô Start date và Ende date ta nhập năm bắt đầu và năm kết thúc của chuỗi dữ liệu Nếu dữ liệu là quý, thì ở ô Frequency ta chọn Quarrterly…  Mở và đọc dữ liệu từ một nguồn bên ngoài... cuối  Phƣơng pháp định lƣợng sử dụng những dữ liệu quá khứ theo thời gian, dựa trên dữ liệu lịch sử để phát hiện chiều hƣớng vận động của đối tƣợng phù hợp với một mô hình toán học nào đó và đồng thời sử dụng mô hình đó làm mô hình ƣớc lƣợng Tiếp cận định lƣợng dựa trên giả định rằng giá trị tƣơng lai của biến số dự báo sẽ phụ thuộc vào xu thế vận động của đối tƣợng đó trong quá khứ Phƣơng pháp dự báo... tối thiểu vì hệ số hồi quy Ckj phải đƣợc tính ở mỗi độ trễ k, với j chạy từ 1 đến k Giải pháp ít tốn kém hơn do Durbin [13] phát triển dùng để xấp xỉ đệ quy hệ số hồi quy cho mô hình ARIMA chuỗi dừng, sử dụng giá trị hàm tự tƣơng quan tại độ trễ k rk và hệ số hồi quy của độ trễ trƣớc Dƣới đây là phƣơng pháp Durbin sử dụng cho 3 độ trễ đầu tiên Độ trễ 1 : Khởi tạo, giá trị của hàm tự tƣơng quan từng phần ... HỌC CÔNG NGHỆ Nguyễn Ngọc Thiệp MỘT SỐ PHƢƠNG PHÁP KHAI PHÁ DỮ LIỆU QUAN HỆ TRONG TÀI CHÍNH VÀ CHỨNG KHOÁN (MÔ HÌNH ARIMA ) KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin... ARIMA 26 CHƢƠNG ÁP DỤNG MÔ HÌNH ARIMA VÀO BÀI TOÁN TÀI CHÍNH, CHỨNG KHOÁN 3.1 Mô hình ARIMA cho dự báo tài chính, chứng khoán 3.1.1 Dữ liệu tài Dữ liệu sử dụng liệu chuỗi thời gian Mục đích việc... HÌNH ARIMA VÀO BÀI TOÁN TÀI CHÍNH, CHỨNG KHOÁN 27 3.1 Mô hình ARIMA cho dự báo tài chính, chứng khoán 27 3.1.1 Dữ liệu tài 27 3.1.2 Mô hình ARIMA cho toán dự báo tài 27

Ngày đăng: 07/12/2015, 13:46

Từ khóa liên quan

Tài liệu cùng người dùng

  • Đang cập nhật ...

Tài liệu liên quan