TÀI CHÍNH -
Tháng 02/2018
47
để dự báo cho năm 2017.
Các tháng cuối năm cho thấy, tỷ giá dự báo theo
xu hướng tăng lên, phán ánh đúng xu hướng biến
động tỷ giá trên thực tế. Như vậy, các tổ chức tài
chính cũng như doanh nghiệp c thể chủ động dự
báo để chuẩn bị tốt hơn cho công tác quản trị rủi ro.
Kết luận và kiến nghị
Bài viết đã nghiên cứu khả năng ứng dụng của
mô hình ARIMA vào việc dự báo tỷ giá nhằm tìm
ra mô hình tốt nhất 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, điều này cho thấy c thể sử dụng mô
hình SARIMA để dự báo tỷ giá trong tương lai.
Mặc dù vậy, trong công tác dự báo nên sử dụng kết
hợp các mô hình, bởi vì mỗi mô hình c một ưu thế
khác nhau trong quá trình dự báo và kết quả của
mỗi mô hình sẽ đ ng vai trò hỗ trợ, kiểm định cho
mô hình còn lại.
Tài liệu tham khảo:
1. Box & Jenkins (1970). Time series analysis: Forecasting and control, San
Francisco: HoldenDay;
2. Khashei & Bijari (2011). A novel hybridization of artificial neural networks
and ARIMA, Journal Applied Soft Computing Volume 11, Issue 2, March, 2011;
3. Website:
4. Website:
.
Kết quả kiểm định Dickey – Fuller mở rộng
đối với phần dư của hình 1 cho thấy, phần dư này
không dừng nhưng sai phân bậc 1 của phần dư thì
dừng (Bảng 1) và c dạng nhiễu trắng (Hình 2), vì
vậy, phần dư chính là một bước ngẫu nhiên. Do đ ,
thay vì hồi quy chuỗi tỷ giá theo 11 biến giả, ta hồi
quy sai phân bậc 1 chuỗi tỷ giá theo sai phân bậc 1
của 11 biến giả (Hình 2) thu được phần dư. Kết quả
kiểm định Dickey – Fuller mở rộng đối với phần dư
mô hình 2 cho thấy phần dư này dừng theo hệ số
chặn (Bảng 1).
Đồ thị tương quan chuỗi và tương quan chuỗi
riêng phần của phần dư của mô hình 2 cho thấy,
p và q đều c thể nhận giá trị bằng 2 hoặc 3.
Căn cứ vào các tiêu chuẩn AIC, SC và giá trị, mô
hình tốt nhất đối với phần dư của mô hình 2 là
MA(3) hay đối với dữ liệu gốc, mô hình tốt nhất là
SARIMA(3,1,0) (Hình 1).
Kết quả kiểm định cho thấy, phần dư là nhiễu
trắng (Hình 1), không c khuyết tật phương sai sai
số thay đổi và tự tương quan, vì vậy c thể sử dụng
vào dự báo. Kết quả ước lượng mô hình và dự báo
lần lượt được cho trong Hình 1b.
So sánh các tiêu chí RMSE, MAE, MAPE, cho thấy,
mô hình SARIMA(3,1,0) cho kết quả dự báo tốt hơn.
Vì vậy, nghiên cứu sử dụng mô hình SARIMA(3,1,0)
Mô hình trung bình chuyển động tự hồi quy 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.
hình 2 : Khoảng tin cậy của giá trị tỉ giá
dự báo năm 2017
Nguồn: Tính toán, nghiên cứu của tác giả
Bảng 1: Sai số dự báo
Tiêu chí
RM
SE
MA
E
MA
PE
R
2
ARIMA(3,1, 3), 3)
110.
007
77.2
113
0.3
58
0.2
05
SARIMA(3,1,0),1,
89.4
95
68.9
75
0.32
0
0.47
3
