1. Mô hình Arima là gì?

Mô hình Arima được áp dụng chủ yếu trong kinh tế lượng với vai trò chính đó là dự đoán, khai phá dữ liệu trong ngành chứng khoán, tài chính ngân hàng. Phương pháp nghiên cứu mô hình arima hoàn toàn độc lập bằng cách dự đoán trên chuỗi thời gian. Các thuật toán được dùng ở bước tiếp theo nhằm dự đoán độ trễ, từ đó đưa ra được mô hình cụ thể, phù hợp. 

Có rất nhiều ví dụ thể hiện rõ sự áp dụng mô hình Arima. Chúng ta thấy chúng được sử dụng nhiều nhất trong việc dự đoán cổ phiếu, tài chính. 

2. Hiểu sâu hơn về Arima

Mô hình Arima do hai nhà khoa học là George Box và Gwilym Jenkins. Do đó, có lẽ ít ai biết rằng Arima còn được gọi với một cái tên khác vô cùng ý nghĩa đó là Box - Jenkins. Thực hiện phương pháp này thông qua 4 bước bao gồm: 

+ Xác nhận mô hình thử nghiệm 

+ Ước lượng 

+ Kiểm định mô hình dựa trên nghiệp vụ chẩn đoán

+ Dự báo

Qua nghiên cứu, người ta chia mô hình này thành 2 loại, một là Arma (p,q), hai là Arima (p,d,q). Trong mô hình thứ nhất (p,q) có hai hàm hỗn hợp tạo thành là AR và MA. Chúng có hàm tuyến tính là các quan sát ở quá khứ và sai số dự báo tại hai thời điểm, cả quá khứ lẫn hiện tại. 

Mô hình thứ 2 chỉ mô tả chuỗi đã dừng hoặc bị sai phân hóa. Sự thể hiện của mô hình này đặt tại các chuỗi dữ liệu d (không dừng, sai phân). 

Xem thêm: Mô hình tài chính là gì và hướng dẫn cách xây dựng mô hình tài chính

3. Quy trình dự báo bằng Arima

3.1. Xác nhận mô hình thử nghiệm

Nhận dạng của mô hình thử nghiệm là công việc mở màn để thiết lập dự báo bằng Arima. Vì chỉ mới là dạng thử nghiệm cho nên dữ liệu d là bậc tích hợp, dữ liệu p,q là Correlogram. 

Mô hình Arima có thể được trình bày bằng nhiều dạng. Mô hình được xác định sẽ dựa theo chiều hướng mà hàm biến đổi: một phần hay toàn phần. 

3.2. Ước lượng tham số

Khi ước lượng, cần phải lưu ý xác định rõ các tham số p và q. Sử dụng đồ thị Correlogram để thực hiện. Trong đó, p là bậc của đồ thị AR. Bắt đầu tính từ độ trễ đầu tiên, thanh nằm bên ngoài đường giới hạn, đồng thời bị giảm đáng kể sau một độ trễ thì sẽ có p là hệ số tương quan một phần. 

Làm tương tự để có q là tung độ trong đồ thị MA. 

Muốn ước lượng được tham số thì bạn sẽ phải ước lượng được các tham số cho mô hình dự kiến. Tiếp sau đó, xây dựng ước tính cuối cùng. Vừa dựa vào những tham số ước lượng ở trên lại vừa thông qua quá trình có diễn biến lặp đi lặp lại. 

3.3. Xét nghiệm chẩn đoán

Thông số cho mô hình chung sau khi được xây dựng xong từ bước 2, người ta sẽ tiếp tục kiểm tra xem mô hình đã có những số liệu phù hợp và đảm bảo chính xác hay chưa. Nếu nhận thấy có lỗi phát sinh, cần xem lỗi đó có phải là thuần túy và xảy đến ngẫu nhiên không. Nếu quả thực như vậy thì đây được coi là một mô hình thành công, còn nếu không nhận được điều đó thì bạn cần làm lại quy trình này từ đầu. 

3.4. Dự báo

Khi đã nghiệm thu thấy rằng mô hình hoàn toàn khớp với các dữ liệu tìm kiếm được thì các dự đoán sẽ được đưa ra vào thời điểm tiếp theo. 

4. Ứng dụng mô hình Arima bằng eviews

4.1. Xác định 

Đưa dữ liệu vào đề làm cơ sở đầu tiên, sử dụng nguồn bên ngoài nào đó mà không phải là eviews để đọc dữ liệu, mở tiếp hộp thoại open. Nhấn chọn loại file ở Files of type. Kích đúp chuột ở biến, như thế bạn sẽ dễ dàng kiểm tra được tính dừng của chuỗi dữ liệu. 

Thao tác tiếp theo, bạn cần chọn trình tự theo các lệnh sau: View --> Graph --> line nhằm đưa ý tưởng về chuỗi thời gian, đồng thời check xem chuỗi này dừng hay là không. 

Ngoài ra, bạn có thể chọn sự lựa chọn khác, thông qua lệnh Views/Correlogram, lệnh này giúp xác định chính xác ba thành phần trong mô hình là p, d, q. 

4.2. Ước lượng, kiểm tra mô hình

Dựa trên biểu đồ đã xác lập, bạn hãy bắt tay vào xác định các thành phần p, d, q được biểu thị tại mô hình. Khi đã xác lập xong, bạn tiến hàng dựng mô hình theo như hướng dẫn các bước ở phía dưới đây:

Đầu tiên, bạn cần chọn phương trình nhanh, tiến hành ước lượng, nhập thông tin tại mục Đặc tả phương trình.

Tiếp theo bạn sẽ xác định phần nhiễu trắng trong mô hình. Công thức lệnh sau đây giúp bạn thực hiện: chọn lần lượt View => Residual test - Correlogram-Q-Statistic. Nếu như mô hình bị nhiễu trắng thì có thể dừng mô hình lại, không cần chuyển sang thực hiện bất kỳ mô hình nào khác. 

Sau cùng, bạn chỉ cần nhấp vào lệnh dự báo ở mục Phương trình để kết thúc quá trình chạy mô hình Arima  trên eviews. 

Như vậy, kiến thức về mô hình Arima là gì đã được làm sáng tỏ. Bạn có thể áp dụng mô hình này vào các bài toán cần để dự báo thời gian khi cần. Lớp mô hình này mang lại độ chính xác cao và được dùng rất phổ biến. Chúng tôi hy vọng từ việc hiểu biết thông qua bài viết này chúng ta sẽ dễ dàng thực hiện các tính toán linh hoạt trong những ứng dụng thực tiễn.