<span class="text_page_counter">Trang 1</span><div class="page_container" data-page="1">

<b>HỌC VIỆN CHÍNH SÁCH VÀ PHÁT TRIỂNKHOA KINH TẾ SỐ</b>

<b>BÁO CÁO GIỮA KỲCHỦ ĐỀ </b>

<b>ÁP DỤNG MƠ HÌNH GARCH VÀO PHÂN TÍCH C PHI UỔẾ NGÂN HÀNGTMCP QUÂN Đ IỘ VI TỆ NAM (MB BANK)</b>

<b>Gi ngả viên hướ d nngẫ: TS. Đàm Thanh TúNhóm sinh viên th cự hi n:ệ Nguy nễ Thị Anh</b>

<b>Vũ Th ÁnhịNguy nễ Vi tế Dũng</b>

</div><span class="text_page_counter">Trang 2</span><div class="page_container" data-page="2">

<b>LỜI MỞ ĐẦU</b>

Trải qua hơn 20 năm, một chặng đường không phải là dài đối với lịch sử thị trườngchứng khoán Việt Nam nếu như đem so sánh với các thị trường chứng khoán tiên tiếnkhác. Tuy nhiên, thị trường chứng khoán Việt Nam đã trải qua những thăng trầm như:tăng tốc, tăng trưởng bong bóng, lao dốc khơng phanh, khủng hoảng, sideway. Suốt chiềudài lịch sử phát triển của thị trường chứng khốn, các nhà làm chính sách, tổ chức tư vấnvà nhà đầu tư luôn cố gắng dự báo sự biến động của thị trường thông qua chỉ số Vnindexnhưng 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 và sự biến động nàytương đối phức tạp hơn so với thị trường thế giới.

Việc phân tích và dự báo sự biến động của thị trường dựa vào kiểm soát mối tươngquan giữa các biến kinh tế vĩ mô và biến động thị trường dường như không mấy hiệu quảvà thường tạo ra kết quả sai lệch so với thực tế. Nên việc dự báo về tài chính ngày càngđược nhiều người quan tâm trong bối cảnh phát triển kinh tế xã hội. Một công cụ hữu íchđược các nhà nghiên cứu kinh tế thế giới áp dụng trong dự báo chuỗi giá chứng khoán đólà sự kết hợp mơ hình ARMA - GARCH. Chính vì vậy, nhóm chúng em đã lựa chọn đề

<b>tài: “Áp dụng mơ hình GARCH vào phân tích cổ phiếu TMCP Qn đội Việt Nam( MBBank)” nhằm xây dựng mơ hình dự báo hiệu quả để dự báo tốt nhất xu hướng vận động</b>

của chỉ số Vnindex trong giai đoạn hiện nay<small>.</small>Nội dung của bài Báo cáo gồm 3 chương chính:Chương 1: Giới thiệu về ngôn ngữ R

Chương 2: Cơ sở lý thuyết về phân tích và dự báo giá cổ phiếu theo mơhình Garch

Chương 3: Thực nghiệm và đánh giá

</div><span class="text_page_counter">Trang 3</span><div class="page_container" data-page="3">

<b>2.1. Gi i thi uớệ về ngân hàng MB Bank...8</b>

<b>2.2. Gi i thi uớệ về các mơ hình để phân tích và d báo...ự</b> 92.2.1. Mơ hình t h iự ồ quy AR(p)...9

2.2.2. Mơ hình trung bình trượ MA(q)...10tTrong m t q trình trung bình trộ ượ t b c q, s li u t i th i đi m hi n t i ytậ ố ệ ạ ờ ể ệ ạđượ tính b ic ở t ngổ trung bình có tr ngọ số giá trị c aủ các nhi uễ ng uẫ nhiên chođ nế nhi uễ thứ q. Mơ hình MA(q) có d ngạ nh sauư ...10

2.2.3. Mơ hình t h iự ồ quy và trung bình trượ ARMA(p,q)...11t2.2.4. Mơ hình t ngổ quát tự đi uề ch nhỉ phươ sai có đi ung ề ki nệ khác nhau (GARCH)...

12<b>CHƯƠNG 3: TH CỰ NGHI MỆ VÀ ĐÁNH GIÁ...15</b>

<b>3.1. Mô t dả ữ li uệ ...15</b>

<b>3.2. Gi i thi uớệ các th vi nư ệ ...15</b>

</div><span class="text_page_counter">Trang 5</span><div class="page_container" data-page="5">

Ngôn ngữ R là mã nguồn mở nên ai trong chúng ta cũng có thể phân tích sourcecode để hiểu được chính xác cách R vận hành. Bất kỳ ai cũng có thể thêm tính năng và fixbug mà không cần chờ nhà phát hành ra bản vá. Đồng thời, R có thể tích hợp được vớingơn ngữ khác (C,C++). Nó cũng cho phép chúng ta tương tác với nhiều nguồn dữ liệu vàcác gói thống kê (SAS, SPSS). R có một cộng đồng phát triển mạnh mẽ. Giờ đây chúng tasẽ cùng tìm hiểu về R, để cảm nhận được "How powerfull is R" và lý do bạn cần họcngôn ngữ này.

Ngôn ngữ lập trình R được đánh giá là một cơng cụ được sử dụng mạnh mẽ cho lĩnhvực học máy. Người dùng có thể ứng dụng R cho bất kỳ hệ điều hành nào, vì bản thân nólà một platform-independent (nền tảng độc lập). Bên cạnh đó, ngơn ngữ này khơng yêucầu hay buộc người dùng phải mua bản quyền. Chính vì vậy mà việc cài đặt R cũng đơngiản hơn rất nhiều và hồn tồn miễn phí.

<b>2. Ưu và nhược điểm của ngơn ngữ lập trình R:</b>

</div><span class="text_page_counter">Trang 6</span><div class="page_container" data-page="6">

• Khơng có giới hạn cho bất kỳ một ai đưa ra ý tưởng phát triển các package mới vàfix bug...

<b>3. Ứng dụng của ngơn ngữ lập trình R:</b>

Với R, người dùng có thể thao tác và quản lý các dữ liệu thống kê một cách dễ dàng.Đây còn là mơi trường phần mềm gồm các nhóm tốn tử giúp cho việc tính tốn mảng,vector, ma trận... trở nên dễ dàng hơn.

Bên cạnh đó, ngơn ngữ lập trình R cũng hỗ trợ rất tốt cho việc xây dựng các đồ họathống kê. R được trang bị bộ công cụ lớn, có thể tích hợp để phân tích dữ liệu các loạingơn ngữ như C, C++, Fortran... giúp cho việc tính tốn được thực hiện nhanh chóng.

Ngồi ra, điểm mạnh đáng chú ý khác của R là hỗ trợ các công cụ đồ thị rất chất lượngvà linh hoạt. Điểm đặc biệt là R, một ngơn ngữ lập trình mã nguồn mở, được tải, cài đặtvà sử dụng hồn tồn miễn phí cho tất cả người dùng với hơn 17634 gói chức năng(package) cũng như rất nhiều các hàm tính tốn thống kê và đồ thị.

Mỗi package được lập trình và chạy trên mơi trường R để phân tích một hoặc một sốvấn đề chuyên mơn nào đó. R ngày càng phổ biến và chúng ta nên biết cách sử dụng vớicác lợi ích được tóm tắt như sau:

● Mã nguồn mở và hồn tồn miễn phí

● Đa dạng và liên tục cập nhật các kỹ thuật phân tích và đồ thị thống kê● Cộng đồng người dùng lớn mạnh với các tài liệu tham khảo phong phú.● Phù hợp với các hệ điều hành UNIX, FreeBDS, Linux, Windows và MacOS.

<b>4. Các thư viện của R:</b>

</div><span class="text_page_counter">Trang 7</span><div class="page_container" data-page="7">

readr, dplyr, tidyr, purrr, forcats.● tibble: Thay thế data.frame của R.● stringr: Thay thế kiểu chuỗi trong R.

● psycho: Gọi là thư viện tâm lý học vậy thơi… chứ nó đa năng lắm.● RoughSets: Thư viện tập thơ, chun dùng để rút gọn thuộc tính.● mlr: Dành cho các bạn đam mê Machine Learning.

● RWeka: R interface đình đám cho Weka - một phần mềm Data Mining rấtmạnh.

● Leaflet: Một thư viện bản đồ tương tác (phải dùng devtools để cài).● Keras: Neural networks, Deep Learning với R.

● h2o: Một thư viện Machine Learning rất mạnh hệ sinh thái doanh nghiệp.● FRAPO: Quản lí rủi ro, tối ưu đầu tư.

● rvest: Web scraping với R.

● scatterplot3d: Một thư viện đồ họa mạnh mẽ.● sparklyr: Làm việc với Spark do dân BigData.

</div><span class="text_page_counter">Trang 8</span><div class="page_container" data-page="8">

● funModeling: Một tool-box thú vị của 5.

● rgl: Một thư viện OpenGL có thể xuất ra WebGL, PNG, SVG, PLY, OBJ,….Đây ch là m tỉ ộ số ví d và khơng ph iụ ả là tồn b các gói package có s nộ ẵ trong R.Khi m iớ b tắ đ uầ sử d ngụ R, b nạ nên tìm hi uể xem li uệ gói package b nạ c nầ có đã đượ cài hay ch ac ư . Thườ các gói package trên R đng ượ vi tcế t C/C++ qua chừ ứkhông ph iả trên ngôn ngữ R nên t cố độ khá nhanh . N uế b nạ mu nố k tế h pợ tr nộ l nẫ gi a các ngơn ng khác nhau trong R, có vài interfaces h tr nh Rcpp (cho C++),

rJava (cho Java), rPython (cho Python) và g nầ đây là cả V8 (cho Javascript) .

</div><span class="text_page_counter">Trang 9</span><div class="page_container" data-page="9">

<b>CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ MƠ HÌNH GARCH VỀ PHÂN TÍCH CỔ PHIẾU CỦA NGÂN HÀNG MB BANK.</b>

<b>2.1. Giới thiệu về ngân hàng MB Bank.</b>

Tên đầy đủ của MB Bank: Ngân hàng thương mại cổ phần Quân Đội● Tên giao dịch bằng tiếng Anh: Military Commercial Joint Stock Bank● Tên viết tắt: MB Bank

● Mã chứng khoán: MBB

● Loại hình: Ngân hàng thương mại cổ phần● Mã SWIFT code: MSCBVNVX● Trụ sở chính: 63, Lê Văn Lương, Cầu

Giấy, Hà Nội

● Năm thành lập: 04 tháng 11 năm 1994● Hotline: 1900 5454 26

● Website: www.mbbank.com.vn● Email: ● Số Fax: 024 6270 4888

Đây là một ngân hàng thương mại cổ phần của Việt Nam và đồng thời cũng là mộtdoanh nghiệp trực thuộc Bộ Quốc Phòng, được thành lập vào ngày 4 tháng 11 năm 1994bởi các cổ đơng chính là: Viettel, Tổng Công ty Đầu tư và kinh doanh vốn Nhà nước,Tổng Công ty Trực thăng Việt Nam và Tổng Cơng ty Tân Cảng Sài Gịn.

MBBank cũng đã mở rộng mạng lưới, phủ sóng tồn quốc với hơn 100 chi nhánh, 190 điểm giao dịch. Bên cạnh đó, ngân hàng MB còn xây dựng mạng lưới quốc tế với văn phòng đại diện ở Lào, Campuchia và Liên Bang Nga.

Lĩnh v cự ho tạ đ ngộ c aủ ngân hàng MB:

D chị vụ thẻ ngân hàng MB.D chị vụ ngân hàng đi nệ tử MBBank.S nả ph mẩ ti nề g iử ti tế ki mệ ngân hàng MB.

</div><span class="text_page_counter">Trang 10</span><div class="page_container" data-page="10">

● Công ty cổ phần chứng khốn MB.● Cơng ty Tài chính TNHH MB Shinsei.

● Công ty TNHH Bảo hiểm Nhân thọ MB Ageas (MBAL).● Công ty cổ phần Quản lý Quỹ đầu tư MB.

● Công ty Quản lý nợ và Khai thác tài sản Ngân hàng Quân Đội (AMC).● Tổng công ty cổ phần Bảo hiểm Quân đội (MIC).

<b>2.2. Giới thiệu về các mô hình để phân tích và dự báo:</b>

2.2.1. Mơ hình t h iự ồ quy AR(p):

Trong một quá trình tự hồi quy bậc p, số liệu tại thời điểm hiện tại yt được tạo ra bởimột tổng trung bình có trọng số của các giá trị trong quá khứ tính cho đến giá trị q khứthứ p (yt-k). Mơ hình tự hồi quy tổng qt chỉ có các giá trị hiện tại và quá khứ của Yđược sử dụng trong mơ hình và khơng có biến hồi quy nào khác. Giá trị của Y tương laiphụ thuộc vào giá trị của nó trong quá khứ cộng với một yếu tố ngẫu nhiên. Rõ ràng vớimơ hình tự hồi quy, dữ liệu đã tự nó giải thích cho bản thân nó. Mơ hình AR(p) có dạngnhư sau:

𝒚

𝒕

= 𝝁 + 𝝓

𝟏 𝒕−𝟏

𝒚+ 𝝓

𝟐 𝒕−𝟐

𝒚+ ⋯ + 𝝓

𝒑 𝒕−𝒑

𝒚+ 𝗌

𝒕

<b>(1.1)</b>

Trong đó: là nhiễu trắng, , 𝜀<small>𝑡</small> 𝜙<small>1</small>𝜙<small>2 </small>, 𝜙<small>𝑝 </small>là những thơng số cần tìm, μ là hệ số chặn.

</div><span class="text_page_counter">Trang 11</span><div class="page_container" data-page="11">

Mơ hình AR(p) nếu nó là q trình dừng địi hỏi phương trình (1.1) phải có nghiệmnằm ngồi đĩa trịn đơn vị (−1 ≤ ≤ 1). Nếu giá trị tuyệt đối > 1, Y sẽ có xu hướng càngϕ ϕngày càng lớn và vì thế có thể trở thành một chuỗi gia tăng đột biến.

Mơ hình AR(p) với ưu điểm là cho phép dự báo giá trị tương lai qua giá trị biến trễ vớimột yếu tố ngẫu nhiên mà khơng xét thêm biến vào mơ hình hồi quy, nghĩa là tự dữ liệugiải thích cho bản thân nó. Nhược điểm của mơ hình này chỉ thích hợp cho việc dự báođối với những dữ liệu chuỗi thời gian tài chính có sự biến động khơng đột biến trong thờigian xem xét.

2.2.2. Mơ hình trung bình trượ MA(q):t

Trong một quá trình trung bình trượt bậc q, số liệu tại thời điểm hiện tại yt được tính bởitổng trung bình có trọng số giá trị của các nhiễu ngẫu nhiên cho đến nhiễu thứ q. Mơ hìnhMA(q) có dạng như sau:

</div><span class="text_page_counter">Trang 12</span><div class="page_container" data-page="12">

2.2.3. Mơ hình t h iự ồ quy và trung bình trượ ARMA(p,q).t

Trên thực tế có những mơ hình dự báo cho chuỗi thời gian tài chính là sự kết hợp đồngthời của quá trình trung bình trượt và tự hồi quy với bậc bất kì. Mơ hình phối hợp trungbình trượt- tự hồi quy có dạng phương trình sau cịn được gọi tổng quát là mô hìnhARMA. Các mơ hình ARMA chỉ có thể được thực hiện khi chuỗi Yt là chuỗi dừng.

𝒚

_𝒕

= 𝝁 + 𝝓

_{𝟏 𝒕−𝟏}

𝒚+ 𝝓

_{𝟐 𝒕−𝟐}

𝒚+ ⋯ + 𝝓

_{𝒑 𝒕−𝒑}

𝒚+ 𝜽

_{𝟏 𝒕−𝟏}

𝗌+ 𝜽

_{𝟐 𝒕−𝟐}

𝗌+ ⋯ + 𝜽

𝒒

𝗌

𝒕−𝒒

+ 𝗌

𝒕

<b>(1.3)</b>

Nhận dạng mơ hình ARMA(p,q) là tìm các giá trị thích hợp của p, q. Với p là bậc tựhồi quy và q là bậc trung bình trượt. Việc xác định p,q sẽ phụ thuộc vào đồ thị hàm tựtương quan. Với ACF là hệ số tự tương quan và PACF là hệ số tự hồi quy từng phần mẫu.Chọn mơ hình AR(p) nếu đồ thị PACF có giá trị cao tại độ trễ 1,2,…,p và giảm nhiều saup và dạng hàm ACF giảm dần. Chọn mơ hình MA(q) nếu đồ thị ACF có giá trị cao tại cácđộ trễ 1,2,…,q và giảm nhiều sau q và dạng hàm PACF giảm dần.

Mơ hình ARMA(p,q) được sử dụng phổ biến để dự báo chuỗi thời gian tài chính vớinhững ưu điểm như: Thứ nhất, mơ hình giải thích được sự biến động của chuỗi thời giantài chính bằng cách quan hệ với các giá trị quá khứ và tổng có trọng số các nhiễu ngẫunhiên hiện hành và các nhiễu ngẫu nhiên có độ trễ nghĩa là mơ hình hóa được gần như tấtcả các dao động cuẩ chuỗi thời gian tài chính ban đầu; Thứ hai, dự báo từ mơ hìnhARMA(p,q) có kết quả tương đối chính xác phù hợp với dự đoán trong ngắn hạn với saisố nhỏ. Bên cạnh những ưu điểm kể trên, mơ hình có những nhược điểm như sau: mơhình ARMA có thể dự báo được kỳ vọng nhưng thất bại khi dự báo phương sai của chuỗithời gian tài chính, mơ hình ARMA khơng giải thích được sự thay đổi của sự biến độngtrong chuỗi thời gian, mô hình ARMA chỉ thích hợp với các chuỗi thời gian tài chínhdừng với nhiều nhiễu trắng, mơ hình được thực hiện với giả định phương sai không đổi

</div><span class="text_page_counter">Trang 13</span><div class="page_container" data-page="13">

<small>1</small>theo thời gian.

</div><span class="text_page_counter">Trang 14</span><div class="page_container" data-page="14">

2.2.4. Mô hình t ngổ quát tự đi uề ch nhỉ phươ sai có đi ung ề ki nệ khác nhau (GARCH):

<b>a. Mơ hình GARCH :</b>

Theo Engle (1995) một trong những hạn chế của mơ hình ARCH là nó có hình vẽgiống dạng mơ hình trung bình di động hơn là mơ hình tự hồi quy. Một ý tưởng mới làchúng ta nên đưa thêm các biến trễ của phương sai có điều kiện vào phương trình củaphương sai theo dạng tự hồi quy. Ngoài ra nếu các ảnh hưởng ARCH 10 có quá nhiều độtrễ sẽ ảnh hưởng tới kết quả ước lượng do giảm đáng kể số bậc tự do trong mơ hình. Mơhình được phát triển độc lập bởi các nhà kinh tế học Bollerslev (1986) và Taylor(1986).Mơ hình GRACH cho phép phương sai có điều kiện phụ thuộc vào độ trễ trước đây nhưsau:

𝒚

_𝒕

= 𝒙 𝖰 + 𝗌

_𝒕 _𝒕

𝗌

_𝒕

~ⅈ. ⅈ. 𝑑(𝟎, 𝒉

_𝒕

)

Mơ hình GARCH có ưu điểm là giải thích được khi nhà đầu tư dự báo về phương saicủa tài sản thời kỳ này bằng việc tạo ra một trọng số trung bình trong dài hạn và phươngsai dự báo ở giai đoạn trước, những thông tin về sự giao động từ thời kỳ trước. Xem xétcác dạng dữ liệu trong đó cho phép phương sai của nó phụ thuộc vào các giá trị phương

</div><span class="text_page_counter">Trang 15</span><div class="page_container" data-page="15">

sai trong quá khứ nhằm ước lượng mức độ rủi ro và dự báo mức độ giao động của chuỗithời gian tài chính có độ dao động cao. Nhược điểm của mô hình là có thể giải thíchsự bất

</div><span class="text_page_counter">Trang 16</span><div class="page_container" data-page="16">

thường của phương sai mà chỉ sử dụng những thông tin quá khứ của bản thân nhiễu,không tách biệt được mức độ ảnh hưởng của các cú sốc dương và cú sốc âm ở thời kỳ trễảnh hưởng đến tỷ suất sinh lợi ở kỳ hiện tại.

<b>b. Mơ hình GARCH-M:</b>

Mơ hình GARCH-M cho phép giá trị trung bình có điều kiện phụ thuộc vào phương saicó điều kiện của chính nó. Ví dụ xem xét 11 hành vi các nhà đầu tư thuộc dạng sợ rủi rovà vì thế họ có xu hướng địi hỏi thêm một mức phí bù rủi ro như một phần đền bù đểquyết định nắm giữ một tài sản rủi ro. Như vậy, phí bù rủi ro là một hàm đồng biến với rủiro; nghĩa là rủi ro càng cao thì phí bù rủi ro phải càng nhiều. Nếu rủi ro được đo lườngbằng mức dao động hay bằng phương sai có điều kiện thì phương sai có điều kiện có thểlà một phần trong phương trình trung bình của biến Yt . Theo cách này, mơ hìnhGARCH-M sẽ có dạng sau:

𝒚

_𝒕

= 𝒙 𝖰 + 𝜹𝒉 + 𝗌

𝒕 𝒕 𝒕

𝗌

_𝒕

~ⅈ. ⅈ. 𝑑 𝟎, 𝟏()

= 𝑎

𝟎 ^𝒒ⅈ=𝟏

𝜽

ⅈ

𝒉

_𝒕−ⅈ𝒒

𝒕−𝒋

<b>(1.5)</b>

Mơ hình GARCH-M được sử dụng trong dự báo dữ liệu chuỗi thời gian tài chính cónhững ưu điểm như sau: mơ hình này cho ta biết giá trị trung bình có điều kiện phụ thuộcvào phương sai có điều kiện nghĩa là rủi ro có ảnh hưởng đến tỷ suất lợi tức hay khơng,mơ hình hóa mức độ ảnh hưởng của các cú sốc ở thời kỳ trễ đến tỷ suất lợi tức ở thời kỳhiện tại. Mơ hình có nhược điểm là không tách biệt được mức độ ảnh hưởng của các cúsốc dương và cú sốc âm đến tỷ suất lợi tức ở thời kỳ hiện tại.

<b>c. Mơ hình TGARCH:</b>

Mơ hình Tgarch được biểu diễn như sau:

</div><span class="text_page_counter">Trang 17</span><div class="page_container" data-page="17">

= 𝑎

_𝟎 ^𝒒_ⅈ=𝟏

𝜽

_ⅈ

𝒉

𝒕−ⅈ𝒒

+ ∑ (𝑎

𝒋

+𝝑

_𝒋

𝑑

_𝒕−𝒋 _𝒕−𝒋^𝟐

<b>(1.6)</b>

Trong đó , d<small>t</small>

là biến có giá trị: 𝑑_𝑡 _{= {}^{1, 𝜀}<small>𝑡 </small>< 00, 𝜀 ≥ 0<small>𝑡 </small>

Nếu có ý nghĩa thống kê, thì các tin tức tốt và tin tức xấu sẽ có ảnh hưởng khác nhaulên phương sai. Cụ thể, tin tức tốt chỉ có ảnh hưởng , trong khi đó, tin tức xấu có ảnhhưởng (𝑎_𝒋+ 𝝑_𝒋<small>). </small>Nếu >0 thì chúng ta có thể nói rằng có sự bất cân xứng trong tác độngϑ<small>j </small>

giữa tin tức tốt và tin tức xấu và ngược lại.

Mơ hình TGARCH được sử dụng trong dự báo dữ liệu chuỗi thời gian tài chính cónhững ưu điểm như sau: Giải thích được sự khác biệt đáng kể giữa ảnh hưởng của cú sốcâm hoặc cú sốc dương, có thể sử dụng mơ hình để kiểm định tính hiệu quả của thị trường.Nhược điểm của mơ hình tương tự như mơ hình GARCH-M tức khơng giải thích đượcngun nhân gây ra mức độ giao động của tỷ suất lợi tức là gì.

</div><span class="text_page_counter">Trang 18</span><div class="page_container" data-page="18">

<b>CHƯƠNG 3: THỰC NGHIỆM VÀ ĐÁNH GIÁ3.1. Mô tả dữ liệu:</b>

Dữ liệu về chỉ số MBBank trong giai đoạn từ 07/01/2013 đến 03/10/2023, bao gồmcác sự kiện như khủng hoảng tài chính, ảnh hưởng của đại dịch Covid-19, chiến tranhkinh tế giữa Mỹ và Trung Quốc, và căng thẳng ở Ukraine để nghiên cứu và phân tích tácđộng của các sự kiện này đối với chỉ số MBBank.

Trong tập dữ liệu thu tập được từ trang của chỉ số MBBankbao gồm 6 cột dữ liệu:

• Day: thể hiện ngày thị trường chứng khốn mở cửa hoạt động để giao dịch• Open: Giá mở cửa

• High: Giá trần• Low: Giá sàn• Close: Giá đóng cửa

• Volume: Tổng khối lượng cổ phiếu đã thực hiện giao dịch trong ngày

Bộ dữ liệu được lấy từ ngày 07/01/2013 với mục đích đễ tránh những năm đầu của thịtrường chứng khốn Việt Nam cịn chưa ổn định và đây cung là ngày Sở GDCKTP.HCM (HOSE) chính thức áp dụng khớp lệnh liên tục.

<b>3.2. Giới thiệu các thư viện:</b>

</div>