45
Tài chính - ngân hàng
hệ tuyến tính giữa dữ liệu hiện tại và dữ liệu quá
khứ (Khashei & Bijari, 2011).
Cách sử dụng mô hình
Mô hình ARIMA lần đầu tiên được đưa ra bởi
Box & Jenkins (1970). ARIMA được kết hợp bởi 3
thành thành phần chính: AR (thành phần tự hồi
quy); I (tính dừng của chuỗi thời gian); MA (thành
phần trung bình trượt).
Các bước thực hiện mô hình ARIMA:
Bước 1:
Nhận dạng mô hình để áp dụng mô
hình ARIMA vào dự báo trước cần nhận dạng ba
thành phần p, d và q của mô hình. Thành phần d
của mô hình được nhận dạng thông qua kiểm định
tính dừng của chuỗi thời gian. Nếu chuỗi thời gian
dừng ở bậc không ta c I(d=0), nếu sai phân bậc 1
của chuỗi dừng ta c I(d=1), nếu sai phân bậc 2 của
chuỗi dừng ta c I(d=2)…
Phương pháp kiểm định tính dừng thường được
áp dụng là kiểm định Dickey-fuller. Sau khi kiểm
định tính dừng, ta sẽ xác định bậc của thành phần
AR và MA thông qua biểu đồ tự tương quan (ACF)
và biểu đồ tự tương quan riêng phần (PACF).
Đối với thành phần MA(q), ta c phương trình (1):
Trong đ : Yt là chuỗi cần dự báo, ut là sai số của
mô hình. Nếu chuỗi c dạng MA(q) thì biểu đồ ACF
sẽ c các hệ số tương quan c ý nghĩa thống kê từ 1
tới q và các giá trị sau đ sẽ giảm nhanh về không.
Còn đối với PACF, các hệ số tương quan riêng phần
sẽ giảm dần về không.
Đối với thành phần AR(p), mối quan hệ giữa giá
trị hiện tại và quá khứ được thể hiện qua phương
trình sau (2):
D
ự báo chính xác là một nhiệm vụ quan
trọng nhưng thường là kh khăn đối
với các nhà hoạch định chính sách trong
nhiều lĩnh vực. Mặc dù c rất nhiều mô hình được
ứng dụng trong việc dự báo nhưng mỗi mô hình
đều c ưu điểm và hạn chế riêng. Trong đ , mô
hình trung bình chuyển động tự hồi quy (ARIMA)
là một trong những mô hình tuyến tính phổ biến
nhất trong dự báo chuỗi thời gian đã được áp
dụng rộng rãi để xây dựng các mô hình lai chính
xác hơn trong thập kỷ qua. Mô hình này cũng
được đánh giá là phù hợp đối với những quan
DỰBÁOBIẾNĐỘNGTỶ GIÁ BẰNGMÔHÌNHARIMA
TS. Trịnh Thị Phan Lan
- Đại học Kinh tế (Đại học Quốc gia Hà Nội) *
Bài viết sử dụng mô hình trong hình chuyển động tự hồi quy ARIMA để tìm ra mô hình tốt cho việc dự báo
biến động tỷ giá tại Việt Nam. Kết quả nghiên cứu cho thấy, mô hình SARIMA cho kết quả dự báo tốt nhất
trong các mô hình được nghiên cứu. Sai số trong mô hình không lớn cho thấy, có thể sử dụng mô hình
SARIMA để dự báo tỷ giá trong tương lai. Tuy nhiên, trong công tác dự báo cũng nên sử dụng kết hợp các
mô hình, bởi vì mỗi mô hình có một ưu thế khác nhau và kết quả của mỗi mô hình sẽ đóng vai trò hỗ trợ,
kiểm định cho mô hình còn lại.
Từ khóa: Tỷ giá , mô hình ARIMA, dự báo, biến động, lãi suất
The paper uses the model in the ARIMA self-
regression model to find a good model for
forecasting fluctuations of exchange rates in
Vietnam. The result has shown that the ARIMA
model provides the best forcast result of the
models studied. The error in the model is not
great, which suggests that it is possible to use the
SARIMAmodel to forecast exchange rates in the
future. However, forecast activites should also
be used with a combination of models, because
each model has different advantages and the
results of each model will play as a supporting
role, testing for the remaining model.
Key words: Exchange rates, ARIMA model, forecast, fluctu-
ations, interest rates
Ngày nhận bài: 23/1/2018
Ngày hoàn thiện biên tập: 6/2/2018
Ngày duyệt đăng: 8/2/2018
*Email:
