Thống kê Bayes và ứng dụng trong dự báo giá chứng khoán của các ngân hàng và công ty tài chính ở Việt Nam

Đạt Nguyễn Phát; Hoa Lê Thanh; Bảo Phạm Thế

doi:10.24311/jabes/2020.31.04.2

Các tác giả

Nguyễn Phát Đạt Trường Đại học Kinh tế TP. Hồ Chí Minh Tác giả
Lê Thanh Hoa Trường Đại học Kinh tế - Luật, Đại học Quốc gia TP. Hồ Chí Minh Tác giả
Phạm Thế Bảo Trường Đại học Sài Gòn Tác giả

DOI:

https://doi.org/10.24311/jabes/2020.31.04.2

Từ khóa:

Thống kê Bayes, Dự báo giá chứng khoán, Mã chứng khoán ngân hàng, Công ty tài chính

Tóm tắt

Dự báo là một vấn đề rất được quan tâm, đặc biệt trong lĩnh vực kinh tế - tài chính. Một khi dự báo tốt, kết quả dự báo sẽ rất hữu ích cho các doanh nghiệp trong việc đưa ra các chính sách quản lý, cũng như giúp các nhà đầu tư tối đa hóa lợi nhuận. Bên cạnh đó, theo Quyết định số 242/QĐ-TTg ngày 28/2/2019 của Thủ tướng Chính phủ về phê duyệt đề án “cơ cấu lại thị trường chứng khoán và thị trường bảo hiểm đến năm 2020 và định hướng đến năm 2025” đòi hỏi các công ty phải chuẩn hóa hoạt động nghiệp vụ kinh doanh, báo cáo chính xác và minh bạch theo tiêu chuẩn quốc tế. Nhờ các thông tin chính xác và minh bạch, các nhà đầu tư sẽ có đầy đủ cơ sở giúp đưa ra các quyết định đầu tư, góp vốn hiệu quả nhất. Thống kê Bayes sử dụng phối hợp thông tin hàm hợp lý từ các giá trị quá khứ và thông tin tiên nghiệm sẽ đưa ra kết quả dự báo phù hợp với thực tế hơn nên chính xác hơn. Các bài toán dự báo ngắn hạn thường tại thời điểm ???? sẽ dự báo thời điểm ngay sau đó là (???? + 1); trong khi đó, đối với thị trường chứng khoán Việt Nam, nhà đầu tư cần phải dự báo đến thời điểm (???? + 3) – đây là thời điểm nhà đầu tư mới có thể giao dịch cổ phiếu mới mua, tức là nhà đầu tư cần mở rộng hơn kết quả dự báo nhằm lường trước các rủi ro có thể xảy ra.

Tài liệu tham khảo

Ariyo, A. A., Adewumi, A. O., & Ayo, C. K. (2014). Stock price prediction using the ARIMA model. UKSim-AMSS 16th International Conference on Computer Modelling and Simulation (pp. 106–112). doi: 10.1109/UKSim.2014.67

Bolstad, W. M., & Curran, J. M. (2016). Introduction to Bayesian Statistics. Hoboken, NJ, USA: John Wiley & Sons.

Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian Data Analysis. New York: Chapman & Hall/CRC.

Guha, B., & Bandyopadhyay, G. (2016). Gold price forecasting using ARIMA model. Journal of Advanced Management Science, 4(2), 117–121.

Lê Thanh Hoa, Phạm Hoàng Uyên., & Nguyễn Đình Thiên. (2017a). Một phương pháp mới tìm khoảng mật độ hậu nghiệm cao nhất và ứng dụng. Tạp chí Phát triển Kinh tế, 28(10), 79–120.

Lê Thanh Hoa, Phạm Hoàng Uyên, & Nguyễn Phúc Sơn. (2017b). Sử dụng thống kê Bayes mờ trong dự báo tỷ giá và một số chỉ số kinh tế. Tạp chí Công nghệ Ngân hàng, 140, 92–100.

Le, H., Pham, U., Nguyen, P., & Pham, T. B. (2020). Improvement on Monte Carlo estimation of HPD intervals. Communications in Statistics - Simulation and Computation, 49(8), 2164–2180. doi: 10.1080/03610918.2018.1513141

Pham, U., Le, H. T., & Nguyen, T. (2017). Choosing the best model in fuzzy Bayesian statistics and its application in financial analysis. Science & Technology Development Journal - Economics - Law and Management, 1(Q2), 144–155.

Robert, C. (2007). The Bayesian Choice: From Decision-Theoretic Foundations to Computational Implementation. Springer Science & Business Media.

Tran, H. D., Nguyen, S., Le, H. T., & Pham, U. (2017). An alternative to p-values in Hypothesis testing with applications in model selection of stock price data. In V. Kreinovich, S. Sriboonchitta, & V.-N. Huynh (Eds.), Robustness in Econometrics (pp. 305–319). Springer.