Mô hình chuỗi thời gian đơn biến và dự báo

Chào mừng các bạn sinh viên đến với chuỗi bài học về một trong những công cụ mạnh mẽ và phổ biến nhất trong kinh tế lượng tài chính: Mô hình chuỗi thời gian đơn biến. Trong tài chính, chúng ta thường xuyên làm việc với dữ liệu được thu thập theo thời gian – giá cổ phiếu hàng ngày, tỷ giá hối đoái hàng giờ, hay GDP hàng quý. Làm thế nào để chúng ta có thể hiểu được quy luật vận động của những chuỗi dữ liệu này và quan trọng hơn, làm thế nào để dự báo giá trị của chúng trong tương lai? Chuỗi bài học này sẽ trang bị cho các bạn những kiến thức nền tảng và kỹ năng thực hành để trả lời câu hỏi đó.

Mô hình chuỗi thời gian đơn biến là một phương pháp tiếp cận độc đáo, nơi chúng ta cố gắng dự đoán tương lai của một biến chỉ dựa vào chính những thông tin trong quá khứ của nó. Thay vì tìm kiếm các biến giải thích phức tạp bên ngoài, chúng ta sẽ học cách “lắng nghe” câu chuyện mà dữ liệu tự kể. Đây là một kỹ năng cực kỳ quan trọng, không chỉ giúp xây dựng các mô hình dự báo hiệu quả mà còn là nền tảng để hiểu các mô hình kinh tế lượng phức tạp hơn. Xuyên suốt các bài học, chúng ta sẽ cùng nhau khám phá ba khái niệm cốt lõi:

• Quá trình Dừng (Stationary Process): Đây là khái niệm nền tảng nhất, giúp chúng ta hiểu được khi nào một chuỗi thời gian có tính ổn định và có thể mô hình hóa một cách đáng tin cậy.
• Mô hình ARMA (ARMA Models): “Trái tim” của chuỗi bài học, đây là một họ mô hình linh hoạt kết hợp hai thành phần tự hồi quy (AR) và trung bình trượt (MA) để nắm bắt các quy luật phức tạp trong dữ liệu.
• Dự báo (Forecasting): Mục tiêu cuối cùng của việc mô hình hóa, chúng ta sẽ học cách sử dụng các mô hình đã xây dựng để đưa ra những dự đoán có ý nghĩa về tương lai.

Đừng lo lắng nếu những thuật ngữ này nghe có vẻ xa lạ. Chúng ta sẽ bắt đầu từ những khái niệm đơn giản nhất, giải thích cặn kẽ từng bước và kết hợp lý thuyết với các ví dụ thực hành sinh động bằng phần mềm Stata. Mục tiêu của chuỗi bài viết này không chỉ là giúp bạn hiểu lý thuyết, mà còn là trang bị cho bạn sự tự tin để áp dụng chúng vào các vấn đề thực tế.

Cấu trúc chuỗi bài học

Để giúp các bạn dễ dàng theo dõi và nắm bắt kiến thức một cách có hệ thống, chuỗi bài học của chúng ta sẽ được chia thành các phần nhỏ, đi từ lý thuyết nền tảng đến ứng dụng thực hành chuyên sâu.

PHỤ LỤC: Dữ liệu mô phỏng cho chuỗi bài viết

Để giúp việc học trở nên trực quan và dễ dàng, chúng ta sẽ sử dụng một bộ dữ liệu mô phỏng đơn giản trong suốt chuỗi bài viết. Bộ dữ liệu này mô phỏng lợi suất hàng ngày của một cổ phiếu giả định, được thiết kế để thể hiện các đặc điểm của một quá trình ARMA. Hãy chạy đoạn code Stata dưới đây để tự tạo ra bộ dữ liệu này nhé.

* ==================================================
* TẠO DỮ LIỆU MÔ PHỎNG CHO CHUỖI BÀI HỌC
* Mục đích: Tạo ra một chuỗi thời gian ARMA(1,1) đơn giản
* Số quan sát: 1000 (đủ lớn để phân tích)
* ==================================================

* Xóa bộ nhớ và thiết lập số quan sát
clear
set obs 1000

* Thiết lập seed để kết quả có thể tái lập
set seed 12345

* Tạo biến thời gian (ngày)
gen day = _n
tsset day

* Tạo ra một chuỗi nhiễu trắng (sai số ngẫu nhiên)
* Đây là thành phần không thể dự đoán được trong mô hình
gen u = rnormal(0, 0.5) // Trung bình 0, độ lệch chuẩn 0.5

* Tạo chuỗi lợi suất (returns) theo mô hình ARMA(1,1)
* y(t) = 0.5*y(t-1) + 0.3*u(t-1) + u(t)
* Chúng ta cần khởi tạo giá trị đầu tiên cho y
gen returns = 0 in 1

* Dùng vòng lặp để tạo dữ liệu từ quan sát thứ 2 trở đi
forvalues i = 2/1000 {
    replace returns = 0.5 * returns[_n-1] + 0.3 * u[_n-1] + u in `i'
}

* Bỏ đi 100 quan sát đầu để chuỗi "ổn định" (loại bỏ ảnh hưởng của giá trị khởi tạo)
drop in 1/100

* Mô tả và lưu dữ liệu
describe
summarize returns
tsline returns, title("Lợi suất Cổ phiếu Mô phỏng Hàng ngày")

* Lưu dữ liệu để sử dụng cho các bài học sau
save "stock_returns_sim.dta", replace

* ==================================================
* TẠO DỮ LIỆU MÔ PHỎNG CHO CHUỖI BÀI HỌC
* Mục đích: Tạo ra một chuỗi thời gian ARMA(1,1) đơn giản
* Số quan sát: 1000 (đủ lớn để phân tích)
* ==================================================

* Xóa bộ nhớ và thiết lập số quan sát
clear
set obs 1000

* Thiết lập seed để kết quả có thể tái lập
set seed 12345

* Tạo biến thời gian (ngày)
gen day = _n
tsset day

* Tạo ra một chuỗi nhiễu trắng (sai số ngẫu nhiên)
* Đây là thành phần không thể dự đoán được trong mô hình
gen u = rnormal(0, 0.5) // Trung bình 0, độ lệch chuẩn 0.5

* Tạo chuỗi lợi suất (returns) theo mô hình ARMA(1,1)
* y(t) = 0.5*y(t-1) + 0.3*u(t-1) + u(t)
* Chúng ta cần khởi tạo giá trị đầu tiên cho y
gen returns = 0 in 1

* Dùng vòng lặp để tạo dữ liệu từ quan sát thứ 2 trở đi
forvalues i = 2/1000 {
    replace returns = 0.5 * returns[_n-1] + 0.3 * u[_n-1] + u in `i'
}

* Bỏ đi 100 quan sát đầu để chuỗi "ổn định" (loại bỏ ảnh hưởng của giá trị khởi tạo)
drop in 1/100

* Mô tả và lưu dữ liệu
describe
summarize returns
tsline returns, title("Lợi suất Cổ phiếu Mô phỏng Hàng ngày")

* Lưu dữ liệu để sử dụng cho các bài học sau
save "stock_returns_sim.dta", replace

Hướng dẫn sử dụng:

1. Mở Stata.
2. Sao chép toàn bộ đoạn code trên và dán vào cửa sổ Do-file Editor.
3. Chạy (Execute) toàn bộ file.
4. Một file có tên stock_returns_sim.dta sẽ được lưu trong thư mục làm việc hiện tại của Stata. Chúng ta sẽ sử dụng file này trong các bài học tiếp theo.