Tài liệu Nghiên cứu ứng dụng chuỗi thời gian trong việc dự báo kinh doanh xăng dầu

  • Số trang: 8 |
  • Loại file: PDF |
  • Lượt xem: 63 |
  • Lượt tải: 0
nhattuvisu

Đã đăng 27125 tài liệu

Mô tả:

1 NGHIÊN CỨU ỨNG DỤNG CHUỖI THỜI GIAN TRONG VIỆC DỰ BÁO KINH DOANH XĂNG DẦU Trần Văn Tâm Em Tổng Công ty Tín Nghĩa Email: tvt_em@timexco.com.vn Tóm tắt Mục tiêu của nghiên cứu này nhằm giới thiệu việc xây dựng mô hình tự hồi qui (AutoRegressive – AR) với các dữ liệu chuỗi thời gian, và ứng dụng mô hình này trong việc dự báo. Mô hình giải thích sự biến động của chuỗi thời gian bằng cách quan hệ với các giá trị quá khứ có độ trễ. Cụ thể mô hình được ứng dụng tại Công ty Xăng dầu Tín Nghĩa nhằm hỗ trợ việc lập kế hoạch kinh doanh. 1. Đặt vấn đề Ngày nay, có rất nhiều cách, nhiều nghĩa đối với các công ty nhập khẩu xăng phương pháp và mô hình để dự báo nhằm dầu đầu mối để có kế hoạch nhập khẩu và để biết trước những điều có thể xảy ra dự trữ nhằm đảm bảo hiệu quả sản xuất trong tương lai. Mô hình AR là một trong kinh doanh và ổn định kinh tế chính trị. những mô hình về dự báo dự đoán giá trị Các nghiên cứu liên quan đến dữ liệu của biến số (hoặc một dãy biến số) tại chuỗi thời gian và dự báo có rất nhiều, rất một số điểm trong tương lai căn cứ vào đa dạng, ở nhiều lĩnh vực khác nhau. những dữ liệu trong quá khứ. Trong bất Trong phạm vi này có thể tóm tắt một số kì nền kinh tế phát triển ở mức độ nào nghiên cứu liên quan tiêu biểu dựa vào xăng dầu luôn được coi là mặt hàng chiến mô hình tự hồi quy AR (AutoRegressive). lược, là một mặt hàng thiết yếu. Việc Trên thế giới, việc nghiên cứu chuỗi thời đảm bảo cung cấp đầy đủ nhu cầu của sản gian để dự báo dựa vào mô hình hồi quy xuất cũng như sinh họat không chỉ có ý áp dụng rất nhiều trong lĩnh vực kinh tế nghĩa về kinh tế mà có cả yếu tố đảm bảo như: Dự báo tỷ giá giữa đồng Guarani sự ổn định về mặt chính trị. Vì vậy dự của Paraguay và đồng đô la Mỹ; Dự báo báo nhu cầu xăng dầu xăng dầu rất cần giá trà trên thế giới dựa trên giá xuất thiết đối với các đơn vị kinh doanh có ý khẩu trà của các nước xuất khẩu trà như 2 Trung Quốc, Đức, Anh, Ấn độ, Indonesia, áp dụng cho bài toán dự báo sản lượng Kenya, Banladesh, Sri Lanka… đây là tiêu thụ xăng dầu. Trong bài này tập ứng dụng áp dụng trong khoảng thời gian trung sử dụng chuỗi thời gian trong quá dài từ 1970 đến 1998. Dự báo lạm phát ở khứ, dùng mô hình tự hồi qui AR Ireland từ đầu năm 1999, Governing (AutoRegressive) để nhận dạng dữ liệu, Council of the European Central Bank ước lượng tham số, kiểm tra giá trị và dự ECB quyết định về chính sách tiền tệ báo. Áp dụng vào việc giải quyết bài toán chung cho các nước Châu Âu trong đó có dự báo sản lương tiêu thụ xăng dầu trong Ireland, dữ liệu được quan sát được thực tương lai. Để giải quyết bài toán ta sử hiện từ năm 1976 đến 1999. Trong nước, dụng mô hình tự hồi qui: p việc nghiên cứu chuỗi thời gian cho bài yt   0    i yt  i   t i 1 toán dự báo cũng được áp dụng khá nhiều Từ mô hình, chúng ta giải quyết bài toán trong lĩnh vực kinh tế, giáo dục, kỹ theo từng tự sau: thuật…. Nhóm nghiên cứu SAM của TS. o Nhận dạng cấu trúc mô hình. Nguyễn Văn Minh Mẫn và TS. Trần Nam o Ước lượng các tham số. Dũng áp dụng các mô hình dự báo khác o Kiểm tra sự tồn tại của mô hình và nhau, đưa lý thuyết toán vào bài toán ứng các tham số độ dốc. dụng o Xác định mô hình và dự báo. Qua tìm hiểu trên với việc chọn hướng 2.1 Nhận dạng mô hình nghiên cứu dự báo nhu cầu tiêu thụ xăng Mô hình dữ liệu chuỗi thời gian [4]: dầu, nhằm áp dụng thực tế cho bài toán Từ mô hình Chúng ta khảo sát những dấu tại doanh nghiệp để đánh giá được nhu hiệu nhận dạng mô hình tự hồi qui phù cầu tiêu thụ thực tế và đưa ra được chiến hợp là dựa vào thể hiện của hàm tự tương lược kinh doanh hợp lý, tăng hiệu quả quan [1,2](Autocorrelation Function – kinh doanh…Phần nghiên cứu này cụ thể ACF) và tự tương quan từng phần [1,2] (1) đặt vấn đề, (2) giải quyết vấn đề, (3) (Part Autocorrelation Function – PACF) ứng dụng kết quả trên tập dữ liệu thực (4) như sau: kết quả đạt được, (5) kết luận. 2. Giải quyết vấn đề Dựa vào dữ liệu theo chuổi thời gian Time Series [5] và xây dựng mô hình ước lượng dữ liệu, dự báo giá trị tương lai và yt  f ( yt 1 , yt 2 ,..., yt  p , t ) (2.1) 3  ACF: Cho chuỗi n quan sát, giá trị Sử dụng phương pháp bình phương cực rk của hàm tương tự quan tại độ tiểu (Ordinary Least Squares - OLS) [4] trễ k được tính như sau: để ước lượng tham số cho mô hình hồi N k rk  1 N  qui   ( yt  y)( yt k  y) t 1  y 1 n  ( yt ) n t 1 Trong đó:   yt: dữ liệu chuỗi thời gian dừng tại t 1 Từ phương trình hồi qui theo chuỗi thời gian tổng quát: yt   0    i yt  i   t (2.4) i 1 Xây dựng ma trận với các vector như yt+k : dữ liệu chuỗi thời gian dừng sau: : giá trị trung bình của chuỗi thời rk : giá trị tương quan mẫu giữa yt và yt+k tại độ trễ k.   y t ) 2  Min thời điểm t. gian dừng.  t 1 ^ t p  tại thời điểm t +k. y  n 2 t (2.2) s2 Với  1 n s 2   ( yt  y ) 2 n t 1 n    ( y rk=0 thì không có hiện tượng tự quan (-1<= rk<=1).  PACF: Tương tự như ACF, PACF được tính như sau Khi k=1 r1  k 1 r  rk 1, j .rk  j  k rkk   j 1 Khi k=2,3….  k 1  1 (2.3) rk 1, j .rk  j  j 1  Trong đó, rkj = rk-1,j - rkk .rk-1,k-j với j=1, 2,   …, k-1 2.2 Ước lượng tham số  y p1     y p2  y   ..  .  .   .   yn  1 y p y p 1 ... y1    1 y p 1 y p y2   X   .. .. .. .. . . . .  . . .  1 y y   n1 n2 yn p   0     1  e   ..     ..     p   0     1  b   ..     ..      p  - Tìm hệ số ước lượng b  ( X T X )1 X T y (2.5) 4 2.3 Kiểm định Kiểm định này được mô tả tổng quát * Kiểm định ý nghĩa tổng quát của mô trong bảng phân tích phương sai [1], [6] hình như sau: Để kiểm định, chúng ta hình thành giả Nguồn thuyết như sau: H0 : j = 0 (1 = 2 =...= j =0) H1 : j  0 (có ít nhất một hệ số j  0) Thủ tục kiểm định cho H0: β1 = β2 = · · · Tổng bình Bậc tự Trung bình biến động phương do bình phương Hồi qui Sai số / phần dư Tổng SSR SSE SST k n-k-1 n-1 MSR MSE F0 MSR/ MSE = βk = 0 là đúng, tính F0 với công thức: * Kiểm định tham số độ dốc Nếu |F0| > F,k,n-k−1[4]. Từ chối giả thuyết H0, tức là tạm chấp nhận H1 (mô hình có Phương pháp kiểm tra sự đóng góp của ý nghĩa về mặt thống kê) từng biến số độc lập [1],[4] sẽ mô tả Để tính toán các giá trị SSR, SSE, SST thông qua giả thuyết như sau: theo công thức sau: H0 : j = 0 (1 = 2 =... =j =0) n ^ SSE  y T y  bT X T y  SSE   ( yt  y ) 2 H1 : j  0 (có ít nhất một hệ số j  0) t 1 n SST  y T y  ( y ) 2 t 1 n n Nếu tạm chấp nhận H0 : βj = 0, thì chỉ ra _  SST   ( yt  y ) 2 rằng Xj (yt-1, yt-2….) có thể bị loại bỏ ra t 1 n SSR  b X y  T T ( y ) 2 t 1 n n ^ _  SST   ( y t  y ) t 1 khỏi mô hình. Kiểm định thống kê cho 2 giả thuyết này là SST  SSR  SSE  SSE(Sum of Square Error) : Tổng bình phương của sai số  SSR(Sum of Square Regression): Tổng bình phương của các phần dư.  SST(Sum of Square Total ): Tổng của các bình phương. t0  Trong đó: bj ^ 2 (2.7)  C jj - bj : là hệ số ước lượng của tham số đám đông  - Cjj là phần tử đường chéo chính của ma trận (XTX)−1 tương ứng với βj, 5 Giả thuyết H0 : βj = 0 bị bác bỏ nếu |t0| > t/2, n−k−1. [4] Tức là loại giả thiết H0 chấp nhận giả thuyết H1. 2.4. Mô hình tìm được Mô hình tự hồi qui bậc một AR(1): yt  0  1 yt 1   t . Mô hình tự hồi qui bậc 2 AR(2) xem xét ảnh hưởng của quan hệ giữa giá trị 2 kỳ - Nhận dạng cấu trúc mô hình  Mã R để hiện thực nhận dạng setwd("c:/works/") gas_data<- read.csv ("gas.csv", header=TRUE) summary(gas_data) qui <- gas_data[, c(8)] par(mfrow=c(2,1)) acf(qui, 16) pacf(qui, 16)  Kết quả hiện thị hàm ACF và PACF nhận dạng mô hình trước đó, yt  0  1 yt 1  2 yt  2   t . Công thức hồi qui tuyến tính trên chuỗi thời gian tổng quát xét trên quan hệ của nhiều kỳ trước đó được trình bày như 5 yt   0    i yt i   t sau: i 1 p yt   0   y i t i   t. i 1 3. Ứng dụng kết quả thử nghiệm trên tập dữ liệu thực. Bài toán sử dụng tập dữ liệu đã được thu thập từ những giá trị thực tế trong quá trình kinh doanh với sản lượng bán ra,tại Công ty xăng dầu Tín Nghĩa từ năm 2006 đến năm 2010. Trong đó, sử dụng mã lệnh R để đề cập đến việc hiện thực các tính toán bằng ngôn ngữ này. Sau đó sử dụng Java để xuất quả. - Ước lượng tham số với phương pháp OLS :  Mã R để hiện thực ước lượng X <- gas_data[, c(1,2,3,4,5,6)] X <- as.matrix(X) XtX <- t(X) %*% X solve(XtX) y <- gas_data[,c(7)] Xty <- t(X) %*% y solve(XtX) b <-(XtX)%*%Xty b <- solve(XtX)%*%Xty 6  Kết quả hiện thị ước lượng - Kiểm định :  Mã R để hiện thực kiểm định n=length(y) k=5 SSE<- t(y)%*%y t(b)%*%t(X)%*%y MSE<-SSE/(n-k-1) SSR<- t(b)%*%t(X)%*%y (sum(y)^2)/n MSR<-SSR/k SST<- t(y)%*%y - (sum(y))^2/n MST<-SST/(n-1) R_square <- (1- SSE/SST) R_adj_square <- (1- (MSE/MST)) F0<- MSR/MSE F0 # Compare to F0.05,5,7 = 4.88 if (F0 >= 4.88 {print("Ton tai it nhat mot he so beta_i khac 0")} else {print("Tat ca he so beta_i = 0")} Cij<-solve(XtX) # inverse (XtX) Cov<-SSE/(n-k) # covariance #Test b1: H01<-b[2]/sqrt(Cov*Cij[2,2])# Compare to t0.025,7= 2.365 if (H01>=2.365) {print( "Beta 1 co y nghia thong ke")} else {print( "Beta 1 khong co y nghia thong ke")} #Test b2: H02<-b[3]/sqrt(Cov*Cij[3,3])# Compare to t0.025,9= 2.365 if (H02>=2.365) {print( "Beta 2 co y nghia thong ke")} else {print( "Beta 2 khong co y nghia thong ke")} #Test b3: H03<-b[4]/sqrt(Cov*Cij[4,4])# Compare to t0.025,9= 2.365 if (H03>=2.365) {print( "Beta 3 co y nghia thong ke")} else {print( "Beta 3 khong co y nghia thong ke")} #Test b4: H04<-b[5]/sqrt(Cov*Cij[5,5])# Compare to t0.025,9= 2.365 if (H04>=2.365) {print( "Beta 4 co y nghia thong ke")} else {print( "Beta 4 khong co y nghia thong ke")} #Test b5: H05<-b[6]/sqrt(Cov*Cij[6,6])# Compare to t0.025,9= 2.365 if (H05>=2.365) {print( "Beta 5 co y nghia thong ke")} else {print( "Beta 5 khong co y nghia thong ke")}  Kết qủa hiện thực kiểm định 7 - Mô hình tìm được và dự báo :  Mã R để hiện thực kiểm định X <- gas_data[, c(1,5)] X <- as.matrix(X) XtX <- t(X) %*% X y <- gas_data[,c(7)] Xty <- t(X) %*% y b <-(XtX)%*%Xty b <- solve(XtX)%*%Xty  Kết quả hiện thị dự báo Tuy nhiên, bên cạnh các kết quả đạt được như mong muốn cũng còn một vài hạn chế như:  Chuỗi dữ liệu dạng thời gian phải quan sát liên tục có tính chu kỳ theo tháng, quí, năm… Theo cách tập hợp dữ liệu này sẽ làm tăng tính chính xác của dự báo nhưng hạn chế trong việc chọn lựa dữ liệu quan sát trước khi tiến hành dự báo.  Vấn đề nghiên cứu chỉ tập trung vào một mô hình tự hồi qui để giải quyết bài toán với một loại dữ liệu quan sát là sản lượng tiêu thụ nên bỏ qua một biến cố 4. Kết quả đạt được ảnh hưởng khác. 5. Kết luận Sử dụng mô hình tự hồi qui (AutoRegressive) với phương pháp OLS dùng để ước lượng các tham số và tiến tới dự báo giá trị tương lai. Trong cách tiếp cận này, kiểm định được độ chính xác và xác lập các tham số tối ưu cho kết quả dự báo sau cùng giúp doanh nghiệp giải quyết được bài toán bằng phương pháp thống kê toán học, với nhưng lập luận có tính logic cao. Ngoài ra, giải quyết được vấn đề then chốt là dữ liệu chuỗi thời gian có yếu tố mùa vụ mà bài toán thực tế đạt được trong mô hình dự báo. Cụ thể, nó ứng dụng rất tốt cho việc hỗ trợ lập kế hoạch kinh doanh. Dự báo là một bài toán khá thú vị và có ảnh hưởng rất lớn đến việc xác lập kế hoạch hành động. Nó đóng vai trò đặc biệt quan trọng đối với các đơn vị làm kinh tế mà đòi hỏi tính cạnh tranh cao. Đơn vị nào nhận định đúng về tương lai sẽ mang đến thành công. Bất kỳ một nhận định nào cũng đều có cơ sở suy luận của nó, trên cơ sở suy luận đó là việc tổng kết các kinh nghiệm đã diễn ra trong quá khứ, có thể là các quy luật đã được xác lập hoặc các suy luận logic nhưng nhìn chung mọi cơ sở đều xuất phát từ dữ liệu lịch sử. 8 Với việc nghiên cứu ứng dụng dữ liệu chuỗi thời gian và sử dụng mô hình tự hồi qui AR cho nghiên cứu này mang tính ứng dụng cao. Áp dụng vào thực tế mang đến [3] Nguyễn Trọng Hoài, Phùng Thanh Bình, Nguyễn Khánh Duy (2009), Dự báo và phân tích dữ liệu trong kinh tế và tài chính, Nhà xuất bản thống kê. TÀI LIỆU THAM KHẢO [4] Douglas C.Montgomery. (2001), Design and Analysis of Experiments, 5th edition, Jonh Wiley& Sons Inc. [1] Hoàng Trọng, Chu Nguyễn Mộng Ngọc (2008), Thống kê ứng dụng trong kinh tế - xã hội, nhà xuất bản thống kê. [5] THOMAS B.FOMBY (2002), Econometric Analysis of Financial and Economic Time Series Part A, Volume 20. [2] Nguyễn Trọng Hoài (2005), Mô hình hoá và dự báo chuỗi thời gian trong kinh doanh và kinh tế, nhà xuất bản Đại học Quốc gia TPHCM. [6] RUEY S. TSAY (2002), Analysis of Financial Time Series, The University of Chicago Booth School of Business Chicago, IL. kết quả như mong đợi của Doanh nghiệp. Time Series For Petrol & Oil Management Forecast ABSTRACT The objective of this reseach is to introduce the construction of the model of stochastic processes – AR ((AutoRegressive) model, and their use in forecasting. This model explains the movement of the time series by relating it to the own past values and to the weighted sum of current and lagged random disturbances. The model is also illustratively applied to forecast Petrol & Oil at Tin Nghia Corporation.
- Xem thêm -