Luận án Tiến sĩ: Phân tích thống kê, dự báo & mô phỏng chuỗi thời gian của Phạm Văn Khánh

Chuỗi thời gian là dãy các giá trị được ghi nhận theo thứ tự thời gian. Mỗi điểm dữ liệu gắn liền với một thời điểm cụ thể. Phân tích thống kê chuỗi thời gian giúp phát hiện xu hướng thời gian, tính mùa vụ và chu kỳ. Xu hướng thời gian thể hiện hướng đi lên hoặc đi xuống dài hạn. Tính mùa vụ phản ánh biến động lặp lại theo chu kỳ cố định. Các yếu tố này rất quan trọng trong dự báo kinh tế, tài chính. Phương pháp trung bình trượt giúp làm mịn dữ liệu nhiễu. Mô hình ARIMA và SARIMA là công cụ mạnh mẽ cho dự báo chuỗi thời gian. Nghiên cứu chuỗi thời gian phục vụ ra quyết định trong nhiều lĩnh vực.

Phân tích hồi quy là kỹ thuật cốt lõi trong nghiên cứu chuỗi thời gian. Mô hình hồi quy giúp xác định mối quan hệ giữa biến phụ thuộc và biến giải thích. Trong chuỗi thời gian, phân tích hồi quy phải xử lý tính tự tương quan của sai số. Mô hình tự hồi quy (AR) sử dụng giá trị quá khứ để dự báo hiện tại. Mô hình trung bình trượt (MA) khai thác thông tin từ các sai số quá khứ. Mô hình ARIMA kết hợp cả hai thành phần AR và MA. Mô hình SARIMA mở rộng ARIMA để xử lý tính mùa vụ. Các phương pháp ước lượng như MLE và BPTT được sử dụng rộng rãi. Sai số dự báo bình phương trung bình MSE đánh giá hiệu quả mô hình.

Điều kiện dừng là yếu tố quyết định tính hợp lý của mô hình. Chuỗi dừng khi phân phối hội tụ về một phân phối xác định. Với hệ số hồi quy không âm, điều kiện dừng có dạng đặc thù. Luận án chứng minh điều kiện dừng dựa trên kỳ vọng của hệ số. Khi kỳ vọng hệ số nhỏ hơn 1, chuỗi dừng hầu chắc chắn. Kết quả này mở rộng định lý dừng kinh điển của chuỗi AR. Điều kiện dừng liên quan mật thiết đến tính ergodic của chuỗi. Chuỗi ergodic cho phép suy luận thống kê từ một mẫu duy nhất. Phát hiện này có ý nghĩa lý thuyết quan trọng trong thống kê toán.

Ước lượng tham số là bước quan trọng trong phân tích chuỗi thời gian. Luận án sử dụng phương pháp ước lượng hợp lý cực đại MLE. Phương pháp MLE tìm giá trị tham số tối ưu hóa hàm hợp lý. Với mô hình có hệ số ngẫu nhiên, hàm hợp lý có dạng phức tạp. Luận án đề xuất giải thuật tính toán hiệu quả cho bài toán này. Phương pháp bình phương tối thiểu BPTT cũng được áp dụng song song. Kết quả ước lượng được kiểm chứng qua mô phỏng Monte Carlo. Sai số ước lượng nhỏ chứng tỏ phương pháp có hiệu quả cao. Ước lượng chính xác giúp dự báo chuỗi thời gian đáng tin cậy hơn.

Mô phỏng là công cụ không thể thiếu trong nghiên cứu chuỗi thời gian. Luận án thực hiện mô phỏng Monte Carlo để kiểm chứng kết quả lý thuyết. Hàng nghìn mẫu giả lập được tạo ra với các tham số khác nhau. Kết quả mô phỏng xác nhận điều kiện dừng đã chứng minh. Phân phối mẫu của ước lượng gần với phân phối lý thuyết. Sai số dự báo bình phương trung bình MSE được tính toán chi tiết. RMSE cho thấy mô hình dự báo với độ chính xác cao. Mô phỏng cũng giúp đánh giá độ nhạy của mô hình với thay đổi tham số. Kết quả thực nghiệm củng cố vững chắc nền tảng lý thuyết của luận án.

Bài toán bán tối ưu đặt ra câu hỏi: khi nào nên bán tài sản? Tốc độ tăng giá là biến ngẫu nhiên rời rạc nhận hai giá trị. Biến ngẫu nhiên này phản ánh trạng thái thị trường thực tế. Bài toán phụ được xây dựng để giải bài toán chính. Bao dừng tối ưu là tập hợp các trạng thái nên bán ngay. Khi giá nằm ngoài bao, nên tiếp tục giữ tài sản. Kết quả này dựa trên lý thuyết quyết định ngẫu nhiên. Bài toán tối ưu hóa kỳ vọng lợi nhuận có chiết khấu. Giải thuật tính toán bao dừng được trình bày chi tiết. Kết quả áp dụng cho thị trường chứng khoán Việt Nam.

Xích Markov là công cụ mạnh mẽ để mô hình hóa chuyển đổi trạng thái. Thị trường tài chính có hai trạng thái cơ bản: tăng và giảm. Xác suất chuyển đổi giữa các trạng thái được ước lượng từ dữ liệu. Bài toán mua tài sản tìm thời điểm mua với giá thấp nhất kỳ vọng. Bài toán bán tài sản tìm thời điểm bán với giá cao nhất kỳ vọng. Hai bài toán này liên kết tạo thành chiến lược giao dịch hoàn chỉnh. Kết quả mô phỏng cho thấy chiến lược này hiệu quả. So sánh với chiến lược mua bán ngẫu nhiên cho kết quả vượt trội. Mô hình xích Markov cải thiện đáng kể dự báo chuỗi thời gian tài chính.

Phương trình vi phân ngẫu nhiên mô tả biến động giá tài sản. Hệ số hằng trong phương trình đơn giản hóa bài toán phân tích. Môi trường rủi ro trung tính là kỹ thuật chuẩn trong tài chính. Trong môi trường này, giá chiết khấu là martingale. Điều kiện rủi ro trung tính đảm bảo không có cơ hội chênh lệch giá. Phương trình có bước nhảy mô tả các cú sốc bất ngờ trên thị trường. Bước nhảy ngẫu nhiên phản ánh sự kiện bất thường ảnh hưởng giá. Quá trình Poisson mô hình hóa tần suất xuất hiện bước nhảy. Kết hợp Brownian motion và bước nhảy tạo mô hình thực tế hơn. Nền tảng lý thuyết này phục vụ định giá chính xác các quyền chọn.

Giải thuật Monte Carlo tạo mẫu ngẫu nhiên từ phân phối xác suất. Hàng nghìn đường dẫn giá được giả lập trên máy tính. Mỗi đường dẫn cho một giá quyền chọn tại ngày đáo hạn. Giá quyền chọn là trung bình các payoff có chiết khấu. Quyền chọn mua có payoff bằng max(S-K, 0). Quyền chọn bán có payoff bằng max(K-S, 0). Giá hiện tại là kỳ vọng có chiết khấu của payoff trong môi trường rủi ro trung tính. Kết quả mô phỏng hội tụ khi số mẫu tăng lớn. Độ lệch chuẩn của ước lượng giảm theo quy luật căn bậc hai. Phương pháp Monte Carlo linh hoạt với mọi phân phối của bước nhảy. Kết quả áp dụng cho thị trường quyền chọn Việt Nam.

Mô hình Barro là nền tảng trong nghiên cứu tăng trưởng kinh tế. Mô hình Barro 1 mở rộng thêm biến giải thích mới. Mô hình Barro 2 mở rộng cải thiện cấu trúc sai số hồi quy. Phân tích hồi quy xác định mối quan hệ giữa thu nhập và các yếu tố. Biến giải thích bao gồm vốn, lao động, giáo dục, thể chế. Hồi quy đa biến kiểm soát ảnh hưởng của nhiều yếu tố cùng lúc. Sai số chuẩn và hệ số xác định R² đánh giá chất lượng mô hình. Kiểm định giả thuyết thống kê xác nhận ý nghĩa của hệ số. Kết quả cho thấy mức thu nhập ban đầu ảnh hưởng tốc độ tăng trưởng. Mô hình Barro mở rộng phù hợp với dữ liệu Việt Nam.

Mô hình xích Markov bổ sung chiều sâu cho phân tích kinh tế. Trạng thái kinh tế được phân loại thành các chế độ khác nhau. Xác suất chuyển đổi giữa các chế độ được ước lượng từ dữ liệu. Mô hình này捕捉 được tính phi tuyến của chuỗi thời gian kinh tế. Kết hợp mô hình Barro và xích Markov cho kết quả dự báo tốt hơn. Dự báo có tính đến xác suất chuyển đổi trạng thái kinh tế. So sánh MSE và RMSE giữa các mô hình cho thấy ưu việt. Mô hình xích Markov phát hiện được cấu trúc ẩn trong dữ liệu. Dự báo trạng thái hội tụ giúp đánh giá triển vọng tăng trưởng. Kết quả có ý nghĩa cho chiến lược phát triển kinh tế dài hạn.

So sánh mô hình mới với Barro kinh điển là bước kiểm chứng quan trọng. Tiêu chí so sánh bao gồm MSE, RMSE và khả năng dự báo ngoài mẫu. Mô hình Barro mở rộng cho sai số dự báo nhỏ hơn. Mô hình xích Markov cải thiện khả năng捕捉 chuyển đổi trạng thái. Kết hợp hai phương pháp cho kết quả vượt trội nhất. Kiểm định Diebold-Mariano xác nhận khác biệt có ý nghĩa thống kê. Dự báo ngoài mẫu cho thấy mô hình hoạt động ổn định. Đánh giá độ nhạy với dữ liệu đầu vào đảm bảo tínhrobust. Kết luận khẳng định ưu điểm của phương pháp đề xuất. Nghiên cứu đóng góp vào lý thuyết tăng trưởng kinh tế Việt Nam.

Mô hình VAR là mở rộng đa biến của mô hình AR đơn biến. VAR mô hình hóa tương tác đồng thời giữa nhiều chuỗi thời gian. Hệ phương trình VAR bao gồm tất cả biến nội sinh làm biến giải thích. Ước lượng VAR sử dụng phương pháp bình phương tối thiểu từng phương trình. Chọn bậc tối ưu dựa trên tiêu chí thông tin AIC và BIC. Phân tích đáp ứng xung cho thấy phản ứng của CPI với cú sốc. Dự báo VAR sử dụng giá trị quá khứ để tính giá trị tương lai. Mô hình VAR hoạt động tốt với dữ liệu macro kinh tế Việt Nam. Hạn chế của VAR là giả định tuyến tính giữa các biến. Kết quả dự báo VAR là cơ sở so sánh với phương pháp GP.

Lập trình Gen là kỹ thuật giải thuật tiến hóa tìm hàm số tối ưu. GP tạo quần thể các cây biểu thức ngẫu nhiên ban đầu. Các phép toán di truyền bao gồm chọn lọc, lai ghép và đột biến. Quần thể tiến hóa qua nhiều thế hệ đến khi hội tụ. Hàm phù hợp đánh giá khả năng dự báo của mỗi cây biểu thức. GP không yêu cầu giả định trước về dạng hàm số mô hình. Ưu điểm lớn nhất là khả năng捕捉 phi tuyến tính tự nhiên. GP tìm được cấu trúc mô hình mà con người khó nhận ra. Kết quả GP cho dự báo CPI Việt Nam với độ chính xác cao. So sánh với VAR cho thấy GP vượt trội ở một số giai đoạn. Kết hợp VAR và GP có thể tạo mô hình dự báo lai hiệu quả.