Chào mừng các bạn đã quay trở lại! Trong hai bài học vừa qua, chúng ta đã tìm hiểu riêng lẻ về hai “gia đình” mô hình chuỗi thời gian: mô hình Tự hồi quy (AR) nắm bắt “quán tính” từ quá khứ, và mô hình Trung bình trượt (MA) nắm bắt ảnh hưởng của các “cú sốc” trong quá khứ. Chúng ta cũng đã học cách sử dụng cặp công cụ ACF và PACF để nhận diện chúng. Tuy nhiên, trong thực tế, các chuỗi thời gian tài chính thường phức tạp hơn. Đôi khi, một chuỗi dữ liệu có thể vừa có quán tính từ quá khứ, vừa chịu ảnh hưởng kéo dài từ các cú sốc. Trong những trường hợp như vậy, việc chỉ sử dụng mô hình AR hoặc MA thuần túy có thể không đủ. Đây là lúc chúng ta cần đến một mô hình kết hợp: Mô hình Tự hồi quy Trung bình trượt (Autoregressive Moving Average – ARMA). Hơn nữa, để xây dựng một mô hình ARMA tốt, chúng ta cần một quy …