Nguyễn Hồ Diệu Uyên, Nguyễn Thị Thanh Huyền

90

ỨNG DỤNG MÔ HÌNH ARIMA TRONG DỰ BÁO CHỈ SỐ VN-INDEX
THE APPLICATION OF ARIMA MODEL TO VN-INDEX FORECAST
Nguyễn Hồ Diệu Uyên, Nguyễn Thị Thanh Huyền
Trường Cao đẳng Công nghệ Thông tin, Đại học Đà Nẵng; Email:
Tóm tắt - Thị trường chứng khốn luôn hấp dẫn các tổ chức và cá
nhân đầu tư bởi mức sinh lợi cao. Các nhân tố tác động vào thị
trường Việt Nam rất đa dạng và biến đổi khó lường. Bên cạnh đó,
yếu tố hành vi chi phối phần lớn biến động thị trường. Vì vậy cơng
việc dự báo Vn-Index gặp nhiều khó khăn. ARIMA là một cơng cụ
dự báo hữu hiệu và phổ biến đối với dữ liệu chuỗi thời gian như
Vn-Index. Việc dự báo được sự tăng giảm của Vn-Index giúp nhà
đầu tư nhận biết chiều hướng biến động giá của các cổ phiếu để
hoạch định chiến lược đầu tư phù hợp. Trong phạm vi bài báo này,
tác giả tập trung dự báo chỉ số Vn-Index trong ngắn hạn bằng cách
sử dụng mơ hình ARIMA với phương pháp Box-jenkins theo 4
bước: nhận dạng, ước lượng, kiểm tra và dự báo. Và từ kết quả
nghiên cứu sẽ đưa ra các khuyến cáo với nhà đầu tư về việc ứng
dụng mơ hình ARIMA.

Abstract - The stock market always attract sorganisations and
individuals because of its high capability of profit generation.
Factors affecting the Vietnam market are diverse and
unpredictable. Besides, the behaviour factor controls most of the
market fluctuation. Therefore, the forecast of Vn Index has met with
difficulties. ARIMA is a efficient and popular tool to forecast the data
in time chain like Vn Index. Forecasting the ups and downs of Vn
Index helps investors acquire the fluctuating trend of stocks to plan

their strategies appropriately. In this paper, the author focuses on
forecasting the Vn Index in the short term using ARIMA model with
Box-Jenkins methods in 4 steps: identifying, estimating, testing as
well as forecasting, and gives advice to investors in applying
ARIMA.

Từ khóa - thị trường chứng khốn; cổ phiếu; đầu tư; dự báo; mơ
hình ARIMA.

Key words - stock market; stock; investment; predict; ARIMA.

1. Đặt vấn đề
Được hình thành từ đầu năm 2000, thị trường chứng
khốn (TTCK) Việt Nam đã trở thành một kênh đầu tư hấp
dẫn đối với các nhà đầu tư, từ các tổ chức đầu tư chuyên
nghiệp cho đến các nhà đầu tư cá nhân nghiệp dư nhỏ lẻ.
Từ 2 mã chứng khoán niêm yết ban đầu là REE và SAM,
cho đến nay đã có gần 700 cơng ty niêm yết. TTCK ngày
càng phát triển thì mức sinh lợi tăng đồng thời gia tăng rủi
ro. Phần đông các nhà đầu tư chỉ mua bán cổ phiếu theo
cảm tính và đa phần chịu ảnh hưởng của các thơng tin ngắn
hạn. Do đó, giá chứng khoán biến động bất thường. Điều
này ảnh hưởng đến sự ổn định và phát triển bền vững của
TTCK Việt Nam [3].
Khi quyết định đầu tư vào bất kỳ chứng khoán nào nhà
đầu tư cũng đều cần có những phân tích kỹ lưỡng về rủi ro
và tỷ suất lợi tức. Rủi ro hệ thống là những sự cố xảy ra
trong quá trình vận hành hệ thống (nền kinh tế) hoặc những
sự cố xảy ra ngồi hệ thống nhưng có tác động đến phần
lớn hệ thống. Các nhân tố của rủi ro hệ thống bao gồm: Sự

biến động ngoài dự kiến của lạm phạt, lãi suất; sự thay đổi
chính sách tiền tệ của chính phủ; tăng trưởng kinh tế, dấu
hiệu của khủng hoảng kinh tế, khủng hoảng tài chính; biến
động chính trị và kinh tế khu vực; biến động chính trị trong
nước; thiên tai diện rộng làm đình trệ hoạt động của hệ
thống trong dài ngày; … Những rủi ro này gây ảnh hưởng
đến giá của hầu hết các chứng khoán và khơng thể đa dạng
hóa được [2]. Nhằm giảm thiểu rủi ro, đạt được lợi ích khi
đầu tư, chúng ta cần dự báo được mức độ biến động VnIndex và đo lường rủi ro của hệ thống của cổ phiếu để từ
đó có quyết định đầu tư phù hợp.
Trong giai đoạn hiện nay, việc nghiên cứu và ứng dụng
các lý thuyết phân tích, dự báo khi đầu tư vào TTCK Việt
Nam là rất quan trọng và cấp thiết. Hơn nữa, đã có nhiều
nghiên cứu trên thế giới trong việc ứng dụng các lý thuyết
này vào thị trường chứng khoán, đặc biệt là các nghiên cứu
thực nghiệm tại TTCK mới nổi đã cho những kết quả có ý

nghĩa thiết thực. Có bốn phương pháp dự báo kinh tế dựa
vào dữ liệu chuỗi thời gian: mơ hình hồi quy đơn phương
trình, mơ hình hồi quy phương trình đồng thời, mơ hình
trung bình trượt kết hợp tự hồi quy (ARIMA), và mơ hình
tự hồi quy véctơ (VAR) [5]. Đặc biệt, mơ hình ARIMA là
mơ hình được các nhà nghiên cứu kinh tế thế giới áp dụng
nhiều trong dự báo chuỗi giá chứng khoán.
Do ảnh hưởng của khủng hoảng kinh tế nên hoạt động
của TTCK Việt Nam khá ảm đạm. Các nhà đầu tư không
mặn mà bởi mức sinh lợi không cao. Tuy nhiên, nếu có
chiến lược đầu tư và dự báo thì vẫn có thể đạt được lợi
nhuận cao. Do giá chứng khoán biến động thất thường. Vì
vậy, trong phạm vi bài báo này, tác giả tập trung ứng dụng

mơ hình ARIMA với phương pháp Box-Jenkins để dự báo
Vn-Index trong ngắn hạn.
2. Vận dụng mơ hình mơ hình ARIMA cho Vn-Index
2.1. Mơ hình ARIMA
Mơ hình ARIMA chỉ mới được khởi xướng từ vài năm
trở lại đây, nhưng với sự phát triển của khoa học cơng nghệ,
thế giới đã và đang nghiên cứu mơ hình ARIMA ở mức độ
ngày càng sâu bởi sự thành công của nó trong dự báo.
Trong một số trường hợp dự báo thu được từ phương pháp
này có tính tin cậy cao hơn so với các dự báo thu được từ
các phương pháp mơ hình kinh tế lượng truyền thống khác,
đặc biệt là trong dự báo ngắn hạn.
Tại Việt Nam cũng có một số cơng trình nghiên cứu vận
dụng mơ hình ARIMA để dự báo sản lượng lúa, lượng
khách du lịch,... nhưng rất ít nghiên cứu liên quan đến
chứng khốn được trình bày một cách hệ thống và cập nhật.
Tuy nhiên, nếu ứng dụng tốt thì ARIMA sẽ là cơng cụ hữu
hiệu đối với nhà đầu tư chứng khoán Việt Nam.
Dựa trên mơ hình tự hồi quy AR và mơ hình trung bình
động MA. ARIMA là mơ hình dự báo định lượng theo thời
gian, giá trị tương lai của biến số dự báo sẽ phụ thuộc vào xu
thế vận động của đối tượng đó trong quá khứ. George Box


ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 12(85).2014, QUYỂN 2

và Gwilym Jenkins [1] đã nghiên cứu mơ hình ARIMA
(Autoregressive Integrated Moving Average - Tự hồi qui
tích hợp Trung bình trượt), và tên của họ được dùng để gọi
tên các quá trình ARIMA tổng quát, áp dụng vào việc phân

tích và dự báo các chuỗi thời gian. Bản chất số liệu chuỗi
thời gian là thể hiện tâm lý của nhà đầu tư và thông qua diễn
biến hành vi và hướng đi của dữ liệu. Vì vậy sử dụng mơ
hình ARIMA để dự báo Vn-Index là rất phù hợp.
Thực hiện phương pháp Box-Jenkins gồm bốn bước:
nhận dạng mơ hình thử nghiệm, ước lượng, kiểm định bằng
chẩn đốn và dự báo [4]. Đầu tiên, mơ hình ARIMA phân
tích tính tương quan giữa các dữ liệu quan sát để đưa ra mơ
hình dự báo thơng qua các giai đoạn nhận dạng mơ hình,
ước lượng các tham số từ dữ liệu quan sát và kiểm tra các
tham số ước lượng để tìm ra mơ hình thích hợp. Mơ hình
kết quả của q trình trên gồm các tham số thể hiện mức
độ tương quan trên dữ liệu và được chọn để dự báo giá trị
tương lai. Giới hạn độ tin cậy của dự báo được tính dựa
trên phương sai của sai số dự báo.

tau τ) của Dickey và Fuller để kiểm định tính dừng. Đây là
kiểm định phổ biến để kiểm định tính dừng của chuỗi thời
gian. Ta thu được kết quả như bảng 1.
Kết quả cho thấy xác suất của kiểm định là 0,000 nhỏ
hơn 5% chứng tỏ RVNI có tính dừng. Vì vậy, việc sử dụng
mơ hình ARIMA để dự đốn Vn-Index là phù hợp. Ta sẽ
có thể tiếp tục tiến hành nhận dạng ARIMA.
Mơ hình ARIMA(p,d,q) tổng quát có dạng: 
Yt=0+1Yt-1+2Yt-2+…+pYt-p+ut +θ1ut-1+…+θqut-q+et
Trong đó:
Yt là chuỗi dừng bậc d của chuỗi ban đầu (chuỗi
khảo sát).
 là tham số tự hồi quy.
θ là tham số trung bình di động.

ut là nhiễu trắng.
et là sai số dự báo.

2.2. Thu thập số liệu

p là bậc tự hồi qui.

Nguồn cung cấp số liệu là trang web cophieu68.com.
Đây là website chuyên cung cấp số liệu về thị trường chứng
khoán Việt Nam.

q là bậc trung bình trượt.

Thơng thường, các nghiên cứu thực nghiệm có sử dụng
số liệu quá khứ thường lấy độ dài dữ liệu là 5 năm. Do đó,
số liệu được sử dụng để thực hiện bài báo là chỉ số VnIndex từ ngày 04/05/2009 đến ngày 05/05/2014. Vậy dữ
liệu là mỗi chuỗi có 1249 quan sát.

Nhận dạng mơ hình ARIMA(p,d,q) là tìm các giá trị
thích hợp của p, d, q.
Bảng 1. Kết quả kiểm định tính dừng của RVNI

Vn-Index được xem là danh mục thị trường do chỉ số
Vn-Index được tính theo phần lớn các chứng khốn hiện có
trên thị trường.
Bên cạnh đó, chuyển hóa dữ liệu là cơng việc phổ biến
đối với các mơ hình dữ liệu thời gian nhằm giúp người phân
tích lựa chọn mơ hình phù hợp hoặc thực hiện mục đích
nghiên cứu có sẵn. Chuyển dữ liệu gốc thành dữ liệu logarit
để chuyển các mơ hình phi tuyến thành các mơ hình tuyến

tính hoặc khắc phục một số hiện tượng hay gặp trong phân
tích hồi quy như: đa cộng tuyến, phương sai của sai số thay
đổi, tự tương quan,… Vì vậy, dựa trên các số liệu thu thập
được tác giả thực hiện tính tốn tỷ suất lợi tức của VnIndex. Tỷ suất sinh lời của Vn-Index được tính bằng logarit
tự nhiên của chỉ số Vn-Index của ngày hôm nay chia cho
chỉ số Vn-Index của ngày giao dịch kề trước. Ta có thể
phân tích chuỗi Vn-Index thơng qua việc phân tích chuỗi
RVn-Index (RVNI).
Các số liệu được thực hiện thống kê, ước lượng, kiểm
định bằng phần mềm Eview (Econometric Views) 5.1. Đây
là phần mềm chuyên về kinh tế lượng, nghiên cứu với dữ
liệu chuỗi thời gian, dữ liệu chéo, dữ liệu mảng…
2.3. Nhận dạng mơ hình thử nghiệm
Khi thực hiện hồi quy đối với là biến chuỗi thời gian thì
chuỗi dữ liệu phải có tính dừng. Và nếu tìm thấy mối quan
hệ hồi quy thì mối quan hệ này luôn xác thực. Do không
phải bất kỳ chuỗi thời gian nào cũng có tính dừng. Vì vậy,
để dự báo được Vn-Index ta cần phải kiểm định xem tỷ suất
sinh lợi của Vn-Index (RVNI) có tính dừng hay khơng.
Thực hiện kiểm định nghiệm đơn vị (dựa vào thống kê

91

Bảng 2. Giá trị tự tương quan và tự tương quan riêng
phần của chuỗi RVNI


Nguyễn Hồ Diệu Uyên, Nguyễn Thị Thanh Huyền

92


Việc xác định p và q sẽ phụ thuộc vào các giá trị AC và
PAC. Với AC là hàm tự tương quan và PAC là hàm tự
tương quan riêng phần:
+ Chọn giá trị của p nếu AC có giá trị cao tại độ trễ 1,
2, ..., p và giảm nhiều sau p và dạng hàm AC giảm dần.
+ Chọn giá trị của q nếu PAC có giá trị cao tại độ trễ 1,
2, .., q và giảm nhiều sau q và dạng hàm PAC giảm dần.
Thực hiện xác định các hàm tự tương quan và tự tương
quan riêng phần cho RVNI. Ta được Bảng 2.
Quan sát trên Bảng 2, ta thấy: đường nét đứt 2 bên là
đường giới hạn có giá trị = ±1,96x(1/sqrt(n)). Với n là số
quan sát.
Thanh nằm trong hai đường giới hạn coi như giá trị gần
bằng 0.
Ta có:
+ RVNI là chuỗi dừng do đó d=1.
+ Tự tương quan bằng 0 từ bậc 2 trở đi nên dự đoán p = 1.
+ Tự tương quan riêng phần bằng 0 từ bậc 2 trở đi nên
dự đốn q = 1.
Các mơ hình ARIMA có thể có là ARIMA (0,1,1),
ARIMA(1,1,1), ARIMA(1,1,0).
2.4. Ước lượng mơ hình ARIMA
Do có nhiều hơn một mơ hình được nhận diện nên ta
cần xác định mơ hình phù hợp. Dùng phương pháp bình
phương bé nhất (OLS) để ước lượng cả 3 mơ hình ARIMA
(0,1,1), ARIMA(1,1,1), ARIMA(1,1,0).
Thực hiện ước lượng bằng Eview. Sau đó từ kết quả thu
được, ta lựa chọn mơ hình theo tiêu chí AIC và BIC.
AIC (Akaike Information Criterion) là phương tiện hữu

ích để lựa chọn mơ hình, cũng như xác định các độ trễ của
một mơ hình ARIMA. AIC trong mơ hình ARIMA (p,d,q)
được tính như sau:
AIC = -2log(L) +2(p+q+k+1)
Trong đó:
L: hàm likehood đo lường mức hợp lý của dữ liệu.
k = 1 nếu hệ số c của mơ hình khác 0, k = 0 nếu c=0.
p là độ trễ của mơ hình AR(p).
q là độ trễ của mơ hình MA(q).
Ngồi ra, tiêu chí thơng tin Bayesion (BIC – Bayesian
information criterion) hay còn gọi là tiêu chí Schwarz
(SBC hay BIC) là một tiêu chuẩn để lựa chọn mơ hình
trong một tập hữu hạn các mơ hình. BIC có liên quan chặt
chẽ với các tiêu chí thơng tin Akaike (AIC). Tiêu chí thơng
tin BIC trong mơ hình ARIMA (p, d, q) được tính như sau:
BIC = AIC + (log(T) – 2)(p + q + k + 1)
Trong các mơ hình được ước lượng phù hợp thì mơ hình
nào có các tiêu chí Schwarz (BIC) nhỏ nhất sẽ được sử
dụng để tiếp tục thực hiện dự báo [4].
Bảng 3. Kết quả thơng số của các mơ hình
Số quan sát

Schwarz criterion

ARIMA (0,1,1)

1249

-4.402795


ARIMA (1,1,1)

1249

-4.401407

ARIMA (1,1,0)

1249

-4.387610

Mơ hình

Từ bảng trên ta thấy mơ hình có thơng số Schwarz
criterion nhỏ nhất là ARIMA (0,1,1). Nên đây là mơ hình
phù hợp nhất.
Theo kết quả hồi quy, ta có:
rvnit= 0.000435 -0.360393rvnit – 1 + t.
2.5. Kiểm định tính hiệu lực
Tìm kiếm mơ hình ARIMA phù hợp là một quá trình
thử và sai. Khi một kiểm định nào đó khơng thỏa mãn, ta
phải xác định lại mơ hình. Để kiểm định tính hiệu lực của
mơ hình ta sử dụng các kiểm định sau:
2.5.1. Kiểm định mơ hình có biến bỏ sót khơng?
Việc kiểm định mơ hình có bỏ sót biến hay khơng ta sử
dụng kiểm định thống kê Q.
Giả thuyết: H0: mơ hình khơng có biến bỏ sót.
Đối thuyết: H1: mơ hình có biến bỏ sót.
Với  = 5%.

Thực hiện kiểm định bằng Eviews 5. Thao tác: View/
Residual Tests/ Correlogram–Q-statistics/Enter.
Bảng 4. Kết quả kiểm định Q

Theo Bảng 4, ta có tất cả các Prob (probability) đều lớn
hơn 5% nên chấp nhận H0.
Vậy mơ hình ARIMA(0,1,1) khơng có biến bỏ sót.
2.5.2. Kiểm định tính tự tương quan của mơ hình
Giả thuyết: H0: mơ hình khơng có tự tương quan.
Đối thuyết: H1: mơ hình có tự tương quan.
Thực hiện kiểm định nhân tử Lagrange (LM) cho bậc
cao với Lags to include từ 1 đến 4, cỡ mẫu lớn và  = 5%.
Bảng 5. Kết quả kiểm định LM – bậc 1


ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 12(85).2014, QUYỂN 2

Bảng 6. Kết quả kiểm định LM – bậc 2

Bảng 7. Kết quả kiểm định LM – bậc 3

Bảng 8. Kết quả kiểm định LM – bậc 4

93

Lần gần đây nhất trong giai đoạn 2009 đến 2014 là:
ngày 15/1/2013, thị trường chứng khoán giao dịch với biên
độ mới, HSX từ 2% lên 7%. Đây là thời điểm thị trường sẽ
biến động mạnh. Vì vậy ta coi điểm gãy là ngày 15/1/2013
và thực hiện kiểm định Chow.

Sau khi tiến hành kiểm định, ta thấy F-statistic> Pro Ftới hạn nên bác bỏ giả thiết H0 nghĩa là có sự thay đổi cấu
trúc qua các thời kỳ. Hay nói cách khác, có sự khác biệt giữa
các thời kỳ khi chính phủ điều chỉnh biên độ giao động.
Do mơ hình ARIMA giai đoạn 2009 đến 2014 khơng
ổn định về mặt cấu trúc. Vì vậy ta tiếp tục ước lượng mơ
hình ARIMA với dữ liệu là giai đoạn 15/1/2013 đến
05/12/2014. Số quan sát là 317.
Thực hiện các bước nhận dạng, ước lượng và kiểm định
tương tự như trên. Riêng kiểm nghiệm Chow, khi lựa chọn
1 số điểm gãy (điểm mà Vn-Index giảm xuống thấp nhất
và sau đó tăng trở lại) để kiểm định thì kết quả thu được là
mơ hình ổn định về mặt cấu trúc. Vậy mơ hình
ARIMA(0,1,1) là:
rvnit= 0.00635+0.088140rvnit – 1 + t.

Từ kết quả ở các bảng trên, ta thấy tất cả Prob của
Obs*R-squared đều lớn hơn  = 5% nên chấp nhận H0.
Vậy mô hình khơng có hiện tượng tự tương quan.
2.4.3 Kiểm định tính ổn định cấu trúc của mơ hình – Kiểm
định Chow
Bài báo sử dụng kiểm định Chow để xem liệu có sự
thay đổi về mặt cấu trúc của mơ hình hồi quy (đối với hồi
quy chuỗi thời gian) giữa các giai đoạn khác nhau khi chỉ
số Vn-Index giao động trong biên độ hay không.
Giả sử chúng ta muốn kiểm định xem có một sự thay
đổi về cấu trúc hay khơng vào thời điểm t. Thủ tục sẽ là
phải chia mẫu gồm n quan sát thành hai nhóm, nhóm 1 gồm
n1 quan sát đầu tiên và nhóm 2 gồm những quan sát còn lại
n2 = n – n1 để thực hiện kiểm định, với giả thiết:
+ H0: Khơng có sự thay đổi cấu trúc trong 2 thời kỳ.

+ H1: Có sự thay đổi cấu trúc trong 2 thời kỳ.
Nếu có sự khác biệt giữa 2 thời kỳ, nghiên cứu sẽ thực
hiện dự báo lại mơ hình kể từ điểm gãy cuối cùng.
Kể từ khi thành lập đến nay, TTCK Việt Nam đã có 10
lần thay đổi biên độ giao dịch. Cơ quan quản lý thường sử
dụng biện pháp giảm biên độ khi thị trường sụt giảm mạnh
và luôn “tận dụng” cơ hội khi thị trường lạc quan để nới
rộng biên độ. Các lần giảm biên độ tỏ ra hiệu quả, giúp giới
đầu tư bình tĩnh và thị trường có thể hồi phục nhẹ trở lại.
Hiệu ứng của việc nới rộng biên độ có tác động tích cực để
kích thích thị trường.
Bảng 9. Kết quả kiểm định Chow tại ngày 15/1/2013

2.6. Dự báo bằng mơ hình ARIMA (0,1,1)
Sử dụng mơ hình vừa xây dựng để dự báo điểm và
khoảng tin cậy cho RVNI từ 06/5/2014 đến 09/05/2014
bằng phần mềm Eview với độ tin cậy 95%.
Mơ hình: rvnit= 0.00635+0.088140rvnit – 1 + t.
Bảng 10. Kết quả kiểm định Chow tại ngày 15/1/2013
STT

Ngày

Vn-Index
dự báo

Vn-Index
thực tế

Sai lệch


1

06/05/2014

562

561.9

0.0001

2

07/05/2014

558

560

0.0035

3

08/05/2014

530

527.1

0.0055


4

09/05/2014

538

542.5

0.0082

Từ Bảng 10 thấy càng về sau, kết quả dự đốn càng có
sự khác biệt với thực tế. Dự báo có sai lệch thấp hơn 5%
nên vẫn trong giới hạn cho phép. Theo kết quả này
Vn-Index trong thời gian tới có chiều hướng giảm dần.
Do yếu tố kinh tế vĩ mô chưa ổn định cũng như việc
thực hiện các chính sách của chính phủ chưa nhất qn nếu
có một cú sốc trên thị trường cũng sẽ tác động mạnh đến
chỉ số Vn-Index. Khi sử dụng mơ hình ARIMA nhà đầu tư
cần lựa chọn dữ liệu đầu vào phù hợp để kết quả dự báo sát
với thực tế nhất. Cụ thể là nên sử dụng kiểm định Chow tại
các điểm gãy để xác định tính ổn định cấu trúc của mơ hình.
Bởi TTCK Việt Nam thường xun có những đợt điều
chỉnh biên độ giao động. Không cần thiết phải cắt ngắn bớt
dữ liệu để dự báo. Bởi mơ hình ARIMA nếu sử dụng số
quan sát q ít thì khơng có căn cứ xác thực để dự báo. Còn
nếu sử dụng q nhiều quan sát thì có thể gặp trường hợp
đưa cả thời gian có cú “sốc” vào để dự đốn. Như vậy sẽ
dẫn đến việc mơ hình ARIMA có tính ổn định về mặt cấu
trúc và khơng có ý nghĩa dự báo.

3. Kết luận
Ta thấy rằng kết quả mơ hình dự báo cho giá trị dự báo
xấp xỉ với giá trị thực tế và khoản tin cậy 95%. Điều đó
chứng tỏ mơ hình có độ tin cậy khá cao khi dự báo.


Nguyễn Hồ Diệu Uyên, Nguyễn Thị Thanh Huyền

94

Tuy nhiên, đối với TTCK Việt Nam, thì chỉ số dự báo
trong một số ngày giao dịch sẽ khác biệt lớn với thực tế,
bởi TTCK chịu ảnh hưởng lớn từ một số yếu tố như: tâm
lý nhà đầu tư, tác động của các thị trường chứng khốn
khác, thơng tin về sự thay đổi chính sách... Nhà đầu tư nên
kết hợp kết quả từ mơ hình dự báo với phân tích kỹ thuật,
thường xun quan sát để có được cách nhìn nhận đúng
đắn và chính xác sự biến động của TTCK. Mặt khác, để
đưa ra quyết định đầu tư phù hợp cho từng mã cổ phiếu nhà
đầu tư nên sử dụng thêm mơ hình CAPM.
Mơ hình ARIMA với ý nghĩa mơ phỏng lại hành vi diễn
biến trong quá khứ, từ đó làm cơ sở cho dự báo kế tiếp. Tại
Việt Nam, mơ hình dự báo có ý nghĩa chưa cao, vì nhà làm
chính sách không nhận diện rõ các yếu tố khác nhau tác
động lên thị trường mà chỉ sử dụng những biện pháp mang
tính hành chính để điều chỉnh biên độ giao dịch với mục
đích là ổn định thị trường chứng khốn. Việc làm này
khơng theo hướng giải quyết những ngun nhân chính gây

ra việc suy giảm của thị trường. Vì vậy, chính phủ phải đưa

ra hệ thống các chính sách và thực hiện một cách nhất quán
trong thời gian tới, tránh gây ra những cú sốc quá mạnh cho
thị trường để lấy lại niềm tin đối với nhà đầu tư.
Kết quả của mơ hình ARIMA vẫn chỉ mang tính chất
tham khảo. Tuy nhiên có thể khẳng định rằng ARIMA là
một mơ hình tốt để dự báo trong ngắn hạn.
TÀI LIỆU THAM KHẢO
[1] John E. Hanke & Dean W. Wichern, 2005, “Business Forecasting”,
Chapter 9.
[2] Võ Thị Thúy Anh, 2012, Đầu tư tài chính, Nhà xuất bản Tài chính,
trang 52- 54.
[3] Thu Hương, 2013, “Mong manh tâm lý nhà đầu tư”, Tạp chí chứng
khốn, số 173.
[4] Nguyễn Trọng Hoài, 2009, Dự báo và phân tích dữ liệu trong kinh
tế và tài chính, Nhà xuất bản Thống kê, chương 8.
[5] Robert S. Pindyck & Daniel L. Rubinfeld, 1991, Econometric
Models & Economic Forecasts, McGraw-Hill, Chapter 11, 12, 13.

(BBT nhận bài: 22/08/2014, phản biện xong: 29/12/2014)