Phân tích và dự báo chỉ số thị trường chứng khoán bằng sử dụng chỉ số báo trước

Kỷ yếu Hội nghị Khoa học Quốc gia lần thứ IX “Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR'9)”; Cần Thơ, ngày 4-5/8/2016 
DOI: 10.15625/vap.2016.00069 
 PHÂN TÍCH VÀ DỰ BÁO CHỈ SỐ THỊ TRƯỜNG CHỨNG KHOÁN BẰNG 
SỬ DỤNG CHỈ SỐ BÁO TRƯỚC 
Đỗ Văn Thành1, Nguyễn Minh Hải2 
1
Khoa Công nghệ thông tin, Trường Đại học Nguyễn Tất Thành 
2
Khoa Cơ bản, Trường Đại học Công nghiệp, Thành phố Hồ Chí Minh 
dvthanh@ntt.edu.vn, , nguyenminhhaidhcn@gmail.com 
TÓM TẮT — Mục đích của bài báo này là đề xuất kết hợp phương pháp chỉ số dẫn báo và hệ số tương quan giữa chỉ số thị trường 
chứng khoán của một sàn giao dịch với các biến dữ liệu giao dịch cổ phiếu trong việc xây dựng mô hình dự báo chỉ số thị trường 
chứng khoán. Áp dụng phương pháp được đề xuất, bài báo sẽ thực hành xây dựng mô hình dự báo chỉ số thị trường chứng khoán 
VNINDEX của sàn giao dịch Thành phố Hồ Chí Minh. So sánh kết quả dự báo bằng sử dụng mô hình so với số liệu thống kê thực tế 
cho thấy triển vọng của phương pháp dự báo được đề xuất trong việc xây dựng mô hình dự báo chỉ số thị trường chứng khoán. 
Từ khóa — Mô hình dự báo, chỉ số thị trường chứng khoán, chỉ số báo trước, hệ số tương quan. 
I. GIỚI THIỆU 
Trong những nền kinh tế phát triển theo cơ chế thị trường, Chứng khoán là một kênh thu hút vốn đầu tư quan 
trọng cho phát triển kinh tế. Dự báo thị trường chứng khoán gồm 2 nội dung là dự báo chỉ số thị trường chứng khoán 
và dự báo giá của các cổ phiếu trên thị trường [12]. Dự báo thị trường chứng khoán được quan tâm nghiên cứu, ứng 
dụng từ lâu và liên tục được nghiên cứu tìm tòi, đề xuất mới. Hiện đã có nhiều tổ chức, trung tâm nghiên cứu thực hiện 
dự báo về thị trường chứng khoán và cung cấp thông tin dự báo trên internet [20]. Rất nhiều phương pháp/kỹ thuật dự 
báo thị trường chứng khoán đã được đề xuất và thực nghiệm, nhưng các tổ chức thực hiện và cung cấp thông tin dự báo 
về thị trường chúng khoán đã sử dụng các phương pháp/kỹ thuật này như thế nào để dự báo thị trường chứng khoán là 
điều thuộc bí mật công nghệ. 
G. Preethi and B. Santhi đã khảo sát các kỹ thuật dự báo thị trường chứng khoán cho đến năm 2012 [12], theo 
đó có thể thấy chủ yếu đó là những kỹ thuật khai phá dữ liệu sau: mạng nơtron [2, 6, 14, 16], mô hình Markov [13, 17], 
hệ suy luận nơtron-mờ (Neuro Fuzzy) [8-9, 15], giải thuật di truyền [5, 14], phân tích chuỗi thời gian [7], phương pháp 
hồi quy [1], lý thuyết tập thô [5], cũng như sự kết hợp của một sỗ kỹ thuật này trong việc dự báo thị trường chứng 
khoán [5, 9, 11, 14, 16-17]. Một số hạn chế của các kỹ thuật nêu trên cũng được giới thiệu trong [8]. 
Những năm gần đây người ta đề xuất mới một số kỹ thuật dự báo thị trường chứng khoán thông qua phân tích 
và dự báo niềm tin thị trường, sử dụng kỹ thuật phân tích thành phần chính [3, 18], hay kỹ thuật học máy véctơ hỗ trợ 
[4, 19] cũng như kết hợp kỹ thuật học máy véctơ hỗ trợ với kỹ thuật phân tích thành phần chính [3]. Nhưng các kỹ 
thuật này chủ yếu chỉ dự báo được xu hướng của thị trường chứng khoán mà chưa đưa ra được giá trị dự báo cụ thể. 
Trong phương pháp hồi quy để dự báo thị trường chứng khoán [1], người ta thường xây dựng mô hình dự báo 
thị trường chứng khoán theo cách tiếp cận kinh tế lượng, đó là sử dụng một số biến kinh tế vĩ mô và biến tài chính tiền 
tệ mà theo lý thuyết kinh tế có tác động đến biến động của thị trường chứng khoán làm biến giải thích trong mô hình 
hồi quy đa biến. 
Thực tế trong lĩnh vực kinh tế cho thấy tồn tại nhiều chuỗi thời gian mà những biến động của nó có quan hệ ổn 
định với những biến động của một hoặc một vài chuỗi thời gian khác. Khi đó các thông tin về một số chuỗi thời gian 
(được gọi là chỉ số tác động) có thể được sử dụng để hỗ trợ giám sát và dự báo về biến động của một số chuỗi thời gian 
khác. 
Các chỉ số tác động được phát hiện không dựa vào lý thuyết kinh tế mà chủ yếu dựa vào dữ liệu thực tế có được 
và được tìm thông qua xây dựng mô hình dự báo. Các chỉ số tác động được phân làm 3 loại: chỉ số báo trước (hay dẫn 
báo), chỉ số báo đồng thời và chỉ số báo sau. Chỉ số báo trước cho biết trước sự biến đổi tương lai của một số chuỗi thời 
gian mà nó có tác động, trong khi chỉ số báo đồng thời và chỉ số báo sau cho biết thông tin biến động cùng nhịp thời 
gian và thông tin biến động quá khứ của những chuỗi thời gian mà nó có tác động [7]. Trong phân tích và dự báo người 
ta đặc biệt quan tâm đến hai loại chỉ số tác động đầu. Các chỉ số báo trước liên quan đến việc xây dựng mô hình dự báo 
không điều kiện trong khi các chỉ số báo đồng thời liên quan đến mô hình dự báo có điều kiện [10]. 
Một số câu hỏi đặt ra khi nghiên cứu phân tích và dự báo về thị trường chứng khoán: liệu có tồn tại một số biến 
dữ liệu giao dịch cổ phiếu là chỉ số báo trước của chỉ số thị trường chứng khoán không ? Nếu có tìm bằng cách nào? 
Mô hình dự báo chỉ số thị trường chứng khoán được xây dựng thông qua các chỉ số báo trước nên được xây dựng thế 
nào? và độ chính xác dự báo theo mô hình đó ra sao ?. Mục đích của bài báo này là nhằm trả lời các câu hỏi đó, cụ thể 
Bài báo sẽ đề xuất phương pháp xây dựng mô hình dự báo chỉ số thị trường chứng khoán bằng sử dụng các chỉ số báo 
trước của chỉ số thị trường chứng khoán làm biến giải thích trong mô hình hồi quy nhiều biến và áp dụng phương pháp 
được đề xuất để dự báo chỉ số thị trường chứng khoán Việt Nam VNINDEX. 
560 PHÂN TÍCH VÀ DỰ BÁO CHỈ SỐ THỊ TRƯỜNG CHỨNG KHOÁN BẰNG SỬ DỤNG CHỈ SỐ BÁO TRƯỚC 
Phần còn lại của Bài báo được cấu trúc như sau: tiếp theo mục này, mục II tiếp theo sẽ giới thiệu một số kiến 
thức có tính chất chuẩn bị. Mục III sẽ đề xuất phương pháp xây dựng mô hình dự báo chỉ số thị trường chứng khoán 
bằng sử dụng chỉ số báo trước. Mục IV sẽ trình bầy kết quả xây dựng mô hình dự báo chỉ số VNINDEX theo phương 
pháp được đề xuất và cuối cùng là một số kết luận và hướng nghiên cứu tiếp theo. 
II. MỘT SỐ KIẾN THỨC CHUẨN BỊ 
Trong phần này sẽ giới thiệu lại một số kiến thức nền tảng mà Bài báo sẽ sử dụng. Giả sử X và Y đều là những 
chuỗi dừng, xét 2 phương trình sau đây [7]: 
  
n
i
m
j
tji ujYbiXaY
1 1
1)()( (1) 
  
p
i
q
j
tjit ujYdiXcX
1 1
2)()( (2) 
ở đây các ai, ci, bj, dj, là các tham số; X(-i), Y(-j) tương ứng là ký hiệu biến X trễ i bước và Y trễ j bước; n, m, p, q là số 
các biến giải thích, nó cũng chính là độ dài trễ lớn nhất của các biến X, Y và uit (i =1, 2) là sai số được giả định là nhiễu 
trắng. 
Ta nói tồn tại mối quan hệ nhân quả duy nhất chiều từ X đến Y nếu 
n
i
ia
1
2 0 và 
m
j
jd
1
2 0 , và tương tự, tồn tại 
mối quan hệ nhân quả duy nhất chiều từ Y đến X nếu 
n
i
ia
1
2 0 và 
m
j
jd
1
2 0 . Nếu 
n
i
ia
1
2 0 và 
m
j
jd
1
2 0 thì hai 
biến X và Y có liên quan trực tiếp với nhau, khi đó giữa hai biến X và Y còn được gọi là có quan hệ nhân quả hai chiều 
(hay quan hệ phản hồi). Các biến X và Y là độc lập nhau nếu 
n
i
ia
1
2 0 và 
m
j
jd
1
2 0 . 
Khi có quan hệ nhân quả chiều từ X đến Y thì X chính là nguyên nhân gây ra Y và nó cũng chính là chỉ số báo 
trước của Y. 
Một cách tổng quát: quan hệ giữa các biến X1, X2, , Xn và Y được gọi là quan hệ nhân quả từ các biến này 
đến Y nếu Y được dự báo từ quá khứ của các biến đó. Nói cách khác khi đó: 
t
m
q
q
k
h
nh
p
j
j
n
i
it uqYdhXcjXbiXaY 
 111
2
1
1 )()(...)()(
 (3) 
ở đây: 
n
i
ia
1
2 0 , 
p
j
jb
1
2 0 và 
k
h
hc
1
2 0 và trong trường hợp này các biến X1, X2, , Xn cũng là các chỉ số báo trước 
của biến Y. 
Trong ứng dụng thực tế, để làm giảm tính phức tạp trong các công thức (1) và (2) người ta thường cho 
n=m=p=q, tức là độ trễ lớn nhất của các biến trong các công thức này là như sau [7, 21]. 
III. PHƢƠNG PHÁP XÂY DỰNG MÔ HÌNH DỰ BÁO 
Giá trị của chỉ số thị trường chứng khoán của một sàn giao dịch được tính toán thông qua giá trị giao dịch của 
các cổ phiếu được niêm yết trên sàn này. Nên về nguyên tắc ta có thể dự báo chỉ số thị trường chứng khoán thông qua 
các biến dữ liệu giao dịch cổ phiếu. 
Ký hiệu Y là biến chỉ số thị trường chứng khoán. Y là một biến véctơ, YT = (y1, y2, , ym), yi , i=1, 2, , m là 
giá trị của biến Y ở ngày giao dịch thứ i, m là số các giao dịch được thực hiện. 
Ký hiệu Xj (j =1, 2, , n), là biến dữ liệu giao dịch cổ phiếu thứ j và n là số các biến dữ liệu giao dịch cổ phiếu. 
Ta có thể sử dụng các mã cổ phiếu để làm tên cho các biến này. Các biến Xj cũng là biến véctơ, Xj
T
 = (xj1, xj2, , xjm), 
ở đây xjk là giá trị của Xj trong ngày giao dịch thứ k, nó là tích của giá trung bình trong ngày của Xj nhân với số lượng 
của cổ phiếu này được giao dịch trong ngày đó. 
Phương pháp xây dựng mô hình dự báo chỉ số thị trường chứng khoán bằng sử dụng chỉ số báo trước được trình 
bầy trong Hình 1 ở dưới và được giải thích như sau: 
Bƣớc 1: Tìm các biến dữ liệu giao dịch cổ phiếu Xj là chỉ số báo trước của chỉ số thị trường chứng khoán Y 
1) Kiểm tra tính dừng của các biến Y và Xj. Nếu chúng chưa dừng thì phải biến đổi các chuỗi không dừng 
thành chuỗi dừng [7]. 
Đỗ Văn Thành, Nguyễn Minh Hải 561 
2) Giả sử các biến Y và Xj đều dừng, tìm quan hệ nhân quả với trễ là 5 giữa biến Xj và biến Y. Độ dài trễ là 5 
hàm ý rằng chỉ số thị trường chứng khoán cũng như các biến dữ liệu giao dịch cổ phiếu do được thống kê theo ngày 
trong tuần làm việc chỉ gồm 5 ngày. Đó cũng là độ dài mùa vụ của các biến chuỗi thời gian Y và Xj. 
3) Lựa chọn các biến Xj thỏa mãn giả thuyết H0: không có quan hệ nhân quả chiều từ Xj đến Y với mức ý nghĩa 
dưới 10% và khi đó giả thuyết H1: Có quan hệ nhân quả chiều từ Xj đến Y sẽ có mức ý nghĩa trên 90%. 
Bƣớc 2: Lựa chọn chỉ số báo trước để xây dựng mô hình dự báo 
Nếu số lượng các chỉ số báo trước của biến Y là quá lớn (do người sử dụng tự quy ước, nhưng thường là trên 10) thì: 
4) Tìm tương quan mẫu giữa chỉ số thị trường chứng khoán Y và các chỉ số dẫn báo Xj; 
5) Lựa chọn các chỉ số báo trước của Y mà giữa chúng có hệ số tương quan cao về giá trị tuyệt đối (ngưỡng hệ 
số tương quan để lựa chọn do người dùng quyết định). 
Trong trường hợp các chỉ số báo trước của Y là không quá lớn thì chuyển sang Bước 3. 
Hình 1. Phương pháp dự báo chỉ số thị trường chứng khoán bằng sử dụng chỉ số báo trước 
Bƣớc 3: Xây dựng mô hình dự báo chỉ số thị trường chứng khoán Y theo các chỉ số báo trước 
6) Chia tập dữ liệu thành 2 tập. Tập thứ nhất để xây dựng mô hình dự báo và tập thứ 2 để phục vụ kiểm thử mô 
hình dự báo. 
7) Giả sử Xj1, Xj2, , Xjk là các chỉ số báo trước được chọn ở Bước 2, hồi quy theo công thức: Y = f(Xj1, Xj2, 
, Xjk) + ut, ở đây f(.) có dạng như trong công thức (3). Quá trình hồi quy được lặp đi lặp lại sao cho tất cả các tham số 
ước lượng trong mô hình dự báo đều có ý nghĩa thống kê, theo thông lệ thường ở mức dưới 10%, phần dư là nhiễu 
trắng, không có hiện tượng nội sinh của phần dư và mô hình ước lượng là vững [10]. 
8) Thực hiện dự báo kiểm định chấp nhận mô hình bằng cách: sử dụng mô hình được xây dựng trên tập dữ liệu 
thứ nhất để dự báo tập dữ liệu thứ 2 và so sánh kết quả dự báo với số liệu thực tế trong tập dữ liệu thứ 2 để đánh giá 
chất lượng dự báo của mô hình. 
562 PHÂN TÍCH VÀ DỰ BÁO CHỈ SỐ THỊ TRƯỜNG CHỨNG KHOÁN BẰNG SỬ DỤNG CHỈ SỐ BÁO TRƯỚC 
9) Nếu sai số của dự báo là chấp nhận được theo quan điểm của người dùng thì ước lượng lại mô hình trên toàn 
bộ tập dữ liệu và sử dụng nó để dự báo tương lai. 
Để xây dựng mô hình dự báo chỉ số thị trường chứng khoán theo phương pháp vừa nêu có thể sử dụng các phần 
mềm công cụ sau: SAS, STATA, EVIEW hay R,. Bài báo này sử dụng phần mềm công cụ EVIEW [21]. 
IV. XÂY DỰNG MÔ HÌNH DỰ BÁO CHỈ SỐ VNINDEX 
4.1. Tập dữ liệu được sử dụng 
Dữ liệu về chỉ số thị trường chứng khoán VNINDEX và các biến dữ liệu giao dịch cổ phiếu được thu thập trên 
sàn giao dịch Thành phố Hồ Chí Minh từ ngày 4/01/2010 đến ngày 5/5/2016, bao gồm 278 biến dữ liệu giao dịch cổ 
phiếu kể cả chỉ số thị trường chứng khoán và 1574 quan sát do các ngày thứ 7, chủ nhật và các ngày nghỉ lễ, sàn giao 
dịch chứng khoán không hoạt động. 
4.2. Xây dựng mô hình dự báo 
Bƣớc 1: Tìm các chỉ số báo trước của VNINDEX 
- Thực hiện kiểm định Dickey – Fuller tăng cường về nghiệm đơn vị của tất cả các biến dữ liệu giao dịch cổ 
phiếu và chỉ số VNINDEX ta sẽ nhận được tất cả các biến dữ liệu giao dịch cổ phiếu đều là chuỗi dừng, trong khi 
VNINDEX không dừng nhưng sai phân bậc 1 của nó (ký hiệu là VNINDEX) là chuỗi dừng. 
- Thực hiện kiểm định quan hệ nhân quả với độ dài trễ là 5 ta sẽ nhận được 38 biến dữ liệu giao dịch cổ phiếu 
có quan hệ nhân quả chiều từ các biến này đến VNINDEX với ý nghĩa thông kê ở mức dưới 10%. Cột 2 (Bảng 1) chỉ 
ra danh sách 38 biến dữ liệu giao dịch cổ phiếu như vậy. Cột 3 (Bảng 1) là mức ý nghĩa của giả thuyết H0: “Biến dữ 
liệu giao dịch cổ phiếu ở cùng dòng thuộc Cột 2 không phải là nguyên nhân của VNINDEX”. Các ký hiệu: *, ** và 
*** trong Cột 3 (Bảng 1) tương ứng là các mức ý nghĩa dưới 10%, 5% và 1%. 
Bƣớc 2: Lựa chọn chỉ số báo trước để xây dựng mô hình dự báo 
- Nếu lựa chọn tất cả 38 biến dữ liệu giao dịch cổ phiếu (là chỉ số báo trước) để làm biến giải thích khi xây 
dựng mô hình dự báo chỉ số thị trường chứng khoán VNINDEX theo công thức (3) thì mô hình dự báo khi đó có thể có 
đến 39*5 =195 biến giải thích (VNINDEX và mỗi biến dữ liệu giao dịch cổ phiếu đều có 5 biến trễ). Số lượng biến giải 
thích khá lớn sẽ gây khó khăn khi phải thực hiện nhiều kỹ thuật xử lý bổ sung khác để mô hình ước lượng cuối cùng 
thỏa mãn tất cả các yêu cầu kiểm định đã nêu ở mục III. Vì thế cần lựa chọn chỉ một số số biến trong đó làm đại diện. 
- Tính hệ số tương quan mẫu giữa 38 chỉ số báo trước và VNINDEX ta sẽ nhận được Cột 3 Bảng 1. Trong bài 
báo này các chỉ số báo trước mà hệ số tương quan mẫu của nó với VNINDEX có giá trị tuyệt đối không nhỏ hơn 
0.0399 sẽ được chọn. Theo tiêu chuẩn này có 6 chỉ số báo trước được khi chọn để làm biến giải thích xây dựng mô 
hình dự báo VNINDEX là: ANV, EIB, ITC, PXL, TIC, VCF (Cột 3, Bảng 1). 
Số 
thứ tự 
Mã cố 
phiếu 
(1) 
Mức ý 
nghĩa 
của giả 
thuyết 
H0 (2) 
Tƣơng quan 
mẫu với 
 VNINDEX 
(3) 
Mã cố 
phiếu 
đƣợc 
lựa 
chọn 
Số 
thứ tự 
Mã cố 
phiếu 
(1) 
Mức ý 
nghĩa 
của giả 
thuyết 
H0 (2) 
Tƣơng quan 
mẫu với 
(3) 
Mã cố 
phiếu 
đƣợc lựa 
chọn 
1 AGF * 0.0239 20 PVD * -0.0054 
2 AGR * 0.0204 21 PXL * 0.0399 PXL 
3 ANV * -0.0629 ANV 22 RIC ** -0.0049 
4 ASM *** 0.0022 23 SAM * -0.0016 
5 BGM * 0.0132 24 SFI * -0.0048 
6 D2D * -0.0151 25 SRF ** -0.0258 
7 DPR ** -0.0191 26 TCL * 0.0099 
8 EIB ** 0.0436 EIB 27 TDC ** -0.0043 
9 FMC ** -0.0361 28 TIC ** -0.0666 TIC 
10 HU1 * 0.0175 29 TLH * 0.0122 
11 ITC *** -0.0534 ITC 30 TMP *** -0.0284 
12 KSA * 0.0017 31 TNC * -0.0132 
13 LSS * 0.0238 32 TRA * 0.0316 
14 NBB * 0.0032 33 TYA ** 0.0349 
15 NTL ** 0.0048 34 VCF *** -0.0876 VCF 
16 PJT * -0.0096 35 VFG * 0.0047 
17 POM * -0.012 36 VID * -0.0178 
18 PPI *** -0.0206 37 VNA ** 0.002 
19 PTC ** -0.0256 38 VRC * 0.0164 
Bảng 1. Chỉ số báo trước, hệ số tương quan mẫu và biến dữ liệu giao dịch cổ phiếu được chọn 
Bƣớc 3: Xây dựng mô hình dự báo chỉ số thị trường chứng khoán 
Đỗ Văn Thành, Nguyễn Minh Hải 563 
- Tập số liệu đầu vào được chia thành hai tập. Tập thứ nhất gồm các ngày từ 4/01/2010 đến ngày 22/4/2016 
được sử dụng để xây dựng mô hình dự báo, tập thứ 2 gồm các ngày từ 25/4/2016 đến ngày 5/5/2016 (gồm 7 ngày giao 
dịch do các ngày từ 30/4/2016 đến 3/5 là những ngày nghỉ lễ, sàn giao dịch không làm việc) được sử dụng để kiểm 
định mô hình. 
- Do VNINDEX là dừng nên Ln VNINDEX) cũng là chuỗi dừng, hơn nữa Ln X) chính là tốc độ thay đổi 
của biến X. Vì thế thay cho biến VNINDEX), bài báo này sẽ thực hiện hồi quy Ln VNINDEX) theo công thức (3) 
đối với các chỉ số báo trước ANV, EIB, ITC, PXL, TIC, VCF. Kết quả ta nhận được Bảng 2. 
- Thực hiện lặp phép hồi quy theo cách loại trừ dần từng biến theo thứ tự của mức ý nghĩa thống kê của hệ số 
các biến sao cho phương trình ước lượng với các tham số đều có ý nghĩa thông kê ở mức dưới 10% và bằng cách bổ 
sung thêm bình phương và tích chéo của các biến trễ của các biến giải thích vào tập các biến giải thích ta nhận được 
mô hình dự báo được xác định như trong Bảng 2. 
Biến phụ thuộc: DLOG(VNINDEX) (trong EVIEW: DLOG là Ln) 
Số quan sát: 1560 sau khi điều chỉnh; 
Biến Hệ số Sai số chuẩn Mức ý nghĩa 
 DLOG(VNINDEX(-1)) 0.251563 0.026508 *** 
DLOG(VNINDEX(-2)) -0.070045 0.025714 *** 
DLOG(VNINDEX(-3)) 0.116759 0.031631 *** 
DLOG(VNINDEX(-4)) -0.070953 0.025003 *** 
ITC(-1) -5.84E-11 2.28E-11 ** 
ITC(-4) 1.02E-10 2.27E-11 *** 
ITC(-5) -5.55E-11 2.21E-11 ** 
TIC(-1) -4.12E-09 1.22E-09 *** 
VCF(-2) -1.09E-09 3.06E-10 *** 
C 0.000946 0.000341 *** 
DLOG(VNINDEX(-1))*VCF(-4) 4.63E-08 1.24E-08 *** 
DLOG(VNINDEX(-3))*DLOG(VNINDEX(-4)) 6.940.499 1.831.745 *** 
DLOG(VNINDEX(-3))*EIB(-2) -2.63E-09 9.16E-10 *** 
DLOG(VNINDEX(-3))*VCF(-5) 3.20E-08 1.43E-08 ** 
ANV(-5)*PXL(-3) -7.47E-17 2.67E-17 *** 
EIB(-2)*VCF(-5) -6.57E-17 1.64E-17 *** 
EIB(-4)*PXL(-1) -1.21E-17 4.19E-18 *** 
EIB(-4)*PXL(-2) 1.48E-17 3.91E-18 *** 
EIB(-4)*VCF(-5) 4.96E-17 1.46E-17 *** 
ITC(-1)*VCF(-4) -6.25E-17 3.15E-17 ** 
ITC(-4)*VCF(-5) -1.49E-16 4.73E-17 *** 
PXL(-1)*VCF(-2) 2.37E-16 8.37E-17 *** 
VCF(-4)*VCF(-5) 4.39E-16 8.11E-17 *** 
 R
2
 = 0.164; Thống kê DW = 1.994797. 
Bảng 2. Bảng ước lượng Ln VNINDEX) 
Phương trình ước lượng được nêu trong Bảng 2 là vững theo kiểm định Ramsey, phần dư có kỳ vọng bằng 0, 
phần dư có phân phối chuẩn theo kiểm định Jarque-Bera, không có hiện tượng nội sinh phần dư và phần dư không tự 
tương quan theo kiểm định Breusch-Godfrey và phân dư có phương sai không đổi theo kiểm định White [10, 21]. Phần 
tích chéo của các biến trễ trong phương trình ước lượng ở Bảng 2 thực chất nhằm khắc phục tình trạng phần dư có 
phương sai thay đổi. 
 Như vậy mô hình dự báo chỉ số VNINDEX sử dụng chỉ số báo trước được nêu ở Bảng 2 có các tham số đều có 
ý nghĩa thống kê, các kiểm định về tính vững và kiểm định về phần dư đều đáp ứng yêu cầu để mô hình ước lượng là 
không chệch, vững và tốt nhất theo phương pháp hồi quy bình phương tối thiểu. 
 Nếu chú ý rằng DLOG(VNINDEX) chính là tốc độ thay đổi của chỉ số thị trường chứng khoán VNINDEX thì 
Phương trình ước lượng (Bảng 2) cung cấp nhiều thông tin có giá trị. Chẳng hạn từ phương trình này có thể rút ra một 
số kết luận kiểu như: nếu hôm nay chỉ số thị trường chứng khoán VNINDEX tăng/giảm 1% thì ngày mai chỉ số này sẽ 
564 PHÂN TÍCH VÀ DỰ BÁO CHỈ SỐ THỊ TRƯỜNG CHỨNG KHOÁN BẰNG SỬ DỤNG CHỈ SỐ BÁO TRƯỚC 
tăng/giảm 0.25% nhưng đến ngày kia thì chỉ số VNINDEX giảm/tăng 0.07%,... Còn tác động của các biến dữ liệu giao 
dịch cổ phiếu đến chỉ số VNINDEX được diễn giải khác một chút cụ thể nếu hôm nay, khối lượng giao dịch của mã 
chứng khoán ITC tăng lên 1 đơn vị thì chỉ số thị trường chứng khoán VNINDEX ngày mai sẽ giảm 5.84e-11 % nhưng 
đến 4 ngày sau đó nó sẽ tăng lên 1.02e-10 %,  
 Để đánh giá chất lượng dự báo của mô hình, ta sử dụng mô hình để dự báo cho 7 phiên giao dịch gồm các ngày 
từ 25/4/2016 đến 29/4/2016 và 2 ngày 4, 5 tháng 5 năm 2016. Bảng 3 ở dưới so sánh % sai số giữa kết quả dự báo bằng 
mô hình so với giá trị thống kê thực tế. Sai số lớn nhất rơi vào ngày đầu tiên của dự báo mà theo lẽ thông thường nó 
cần cho kết quả dự báo tốt nhất. Nhưng nếu để ý rằng đó là ngày thứ 2 đầu tuần và ở thứ 6 tuần trước, ngày 22/4/2016 
chỉ số thị trường chứng khoán VNINDEX khi chốt phiên là 583.55 điểm thì việc thứ 2 ngày 25/4/2016 VNINDEX đạt 
596.6 điểm có thể do trong 2 ngày cuối tuần đã có những thông tin tích cực đối với thị trường chứng khoán làm các nhà 
đầu tư lạc quan, đẩy mạnh tham gia thị trường. Mô hình dự báo có thể chưa nắm bắt kịp và đưa được những thông tin 
này vào mô hình dự báo. 
Thứ Ngày VNINDEX VNINDEXF % sai số 
Thứ 2 25/04/2016 596.6 587.1673 -1.58 
Thứ 3 26/04/2016 594.35 600.2165 0.99 
Thứ 4 27/04/2016 596.6 594.815 -0.30 
Thứ 5 28/04/2016 593.65 597.9075 0.72 
Thứ 6 29/04/2016 595.45 591.7211 -0.63 
Thứ 4 04/05/2016 597.75 596.4889 -0.21 
Thứ 5 05/05/2016 602.15 597.9781 -0.69 
Bảng 3. So sánh VNINDEX thực tế và VNINDEXF dược dự báo bằng mô hình 
V. KẾT LUẬN 
- Mô hình dự báo chỉ số thị trường chứng khoán VNINDEX là mô hình dự báo không điều kiện. Ta có thể tính 
được giá trị của VNINDEX chỉ bằng cách dựa vào quá khứ của nó và của các chỉ số báo trước. Sai số dự báo của mô 
hình nói chung là có thể chấp nhận được. 
- Để dự báo được chính xác hơn ngoài những thông tin định lượng nhận được từ các chỉ số báo trước đã được 
đưa vào mô hình dự báo cần phải thu thập và phân tích một số thông tin bổ sung khác, nhất là các thông tin kinh tế và 
tài chính có tác động đến biến động của thị trường chứng khoán. Nói cách khác cần kết hợp dự báo bằng mô hình định 
lượng với dự báo định tính (thu thập và phân tích thông tin có tác động đến chỉ số thị trường chứng khoán). Chính yêu 
cầu này làm cho việc dự báo nói chung và dự báo chứng khoán nói riêng khó khăn lên rất nhiều. Không chỉ đơn thuần 
là khoa học, để dự báo chính xác còn cần nhiều kinh nghiệm, vốn sống và văn hóa của người làm công tác dự báo. 
- Như đã biết các quan hệ nhân quả thường không ổn định bởi vậy phương pháp dự báo chỉ số thị trường chứng 
khoán sử dụng chỉ số dẫn báo chỉ áp dụng cho các dự báo ngắn hạn. Hơn nữa khi hoạt động của sàn giao dịch có dấu 
hiệu diễn ra bất thường thì một mặt phải xác định lại các chỉ số báo trước, đồng thời cần xem xét phân tích thêm thông 
tin về những yếu tố có tác động đến hoạt động giao dịch trên sàn cũng như thông tin có ảnh hưởng đến giao dịch của 
các mã cố phiếu là chỉ số báo trước được lựa chọn để xây dựng mô hình. 
- Thông thường, khi nền kinh tế trong nước cũng như thế giới có những diễn biến rất bất thường, hoạt động giao 
dịch trên sàn chứng khoán bất ổn thì xu hướng chung là sử dụng mô hình dự báo có điều kiện trong dự báo chỉ số thị 
trường chứng khoán. Xây dựng mô hình có điều kiện để dự báo chỉ số thị trường chứng khoán như thế nào đang được 
các tác giả bài báo này nghiên cứu và sẽ được trình bày trong nghiên cứu khác. 
TÀI LIỆU THAM KHẢO 
[1] Abdulsalam S. O.,, Adewole K.,Jimoh R.G., “Stock Trend Prediction using Regression Analysis – A Data Mining Approach”, 
AJSS journal, ISSN 2222-9833, 2010. 
[2] Akinwale A.T., Arogundade O.T. and Adekoya A.F., “ Translated Nigeria stock market price using artificial neural network for 
effective prediction. Journal of theoretical and Applied Information technology, 2009. 
[3] Carol A.H., Chandrika K.M. (2015), “The Selection of Winning Stocks Using Principal Component Analysis” American 
Journal of Marketing Research, Vol. 1, No. 3, 2015, pp. 183-188. 
[4] Chandrika K.M., Carol A.H., “Stock Trading Using Analytics “, American Journal of Marketing Research, Vol. 2, No. 2, 
2016, pp. 27-37. 
[5] Cheng C.-H., Chen T.-L., Wei L. Y., “ A hybrid model based on rough set theory and genetic algorithms for stock price 
forecasting”, 2010, pp. 1610-1629. 
[6] Dase R.K. and Pawar D.D., “Application of Artificial Neural Network for stock market predictions: A review of literature” 
International Journal of Machine Intelligence, ISSN: 0975–2927, Volume 2, Issue 2, 2010, pp-14-17. 
[7] Enders, W., Applied Econometric Time Series, Wiley: USA, 2004. 
Đỗ Văn Thành, Nguyễn Minh Hải 565 
[9] George S. A. and Kimon P.V., “Forecasting stock market short-term trends using a neuro-fuzzy based methodology”, Expert 
systems with Application, 2009, pp. 10696-10707. 
[10] George S. A., Emmanouil M.D. and Constantinos D. Z., “Elliot Wave Theory and neurofuzzy systems, in stock market 
predictions: The WASP system”, Expert systems with application, 2011, pp. 9196-9206. 
[11] Graham E., Granger C.W.J., Timmerman A. (2006), Hanbook of Economic Forecasting, Volume 1, Elsevier BV, 2006, 933 p. 
[12] Kuang Y. H., Jane C.-J., “A hybrid model stock market forecasting and portfolio selection based on ARX, grey system and RS 
theories”, Expert systems with Applications, 2009, pp. 5387-5392. 
[13] Preethi G. and Santhi B.,“Stock Market Forecasting Techniques: A Survey”, Journal of theoretical and Applied Information 
technology, Vol 46, No 1, 2012, pp. 24-30. 
[14] Rafiul H.Md., Baikunth N., “Stock Market forecasting using Hidden Markov Model: A New Approach”, Proceeding of the 
2005 5th international conference on intelligent Systems Design and Application 0- 7695-2286-06/05, IEEE 2005. 
[15] Rafiul H.Md., Baikunth N. and Michael K., “ A fusion model of HMM, ANN and GA for stock market forecasting”, Expert 
systems with Applications, 2007, pp. 171-180. 
[16] Samarth A., Manoj J. and Pillai G.N., “Preduction using Adaptive NeuroFuzzy Inference System (ANFIS)”, proceeding of the 
international Multiconference of engineers and computer scientists, 2010, Vol I. 
[17] Suresh B.M., Geethanjali N. and Sathyanarayana B., “ Forecasting of Indian Stock Market Index Using Data Mining & 
Artificial Neural Nework”, International journal of advance engineering & application, 2011. 
[18] Wang,Y.-F., Shihmin C. and Hsu M-H., “Incorporating the Markov chain concepts into fuzzy stochastic prediction of stock 
indexes”, Applied Soft Computing, 2010, pp.613-617. 
[19] Wang, Z., Sun, Y., Stockli, P. (2014). “Functional Principal Components Analysis of Shanghai Stock Exchange 50 Index”. 
Discrete Dynamics in Nature and Society Volume 2014 (2014), Article ID 365204, 7 pages. 
[20] Wang, Y., Choi, I-C., (2013).” Market Index and Stock Price direction prediction using Machine Learning Techniques: An 
empirical study on the KOSPI and HSI”. Science Direct. Pages 1-13. 
[21]  
[22]  
ANALYZING AND FORECASTING A STOCK MARKET INDEX BY USING 
LEADING INDICATORS 
Thanh Do Van, Hai Nguyen Minh
ABSTRACT— The goal of this paper is to propose a methodology of combining the leading indicator method and correlation 
coefficients between the stock market index of a stock exchange and the stock transaction data variables to build a forecast model 
of the stock market index. Applying the proposed methodology, the paper practised to build a model forecasting the stock market 
index of Ho Chi Minh City’s stock exchange: VNINDEX. Comparing the forecasted results by using the built model with real 
statistical data shows good prospects of the proposed methodology for building forecast models of stock market index.