Phân tích và giao dịch định lượng K3 - Buổi 10

Phân tích và Giao dịch Định lượng K3 - Buổi 10
🔹 Giới thiệu buổi học
✅ Buổi học tập trung vào việc sử dụng mô hình phân tích chuỗi thời gian (Time Series) để dự báo tài chính.
✅ Hướng dẫn chi tiết cách áp dụng mô hình ARIMA và SARIMA trong Python để dự đoán biến động thị trường.
🔹 Nội dung chính
Tổng quan về phân tích chuỗi thời gian
✅ Định nghĩa và vai trò của chuỗi thời gian trong dự báo tài chính.
✅ Các thành phần của chuỗi thời gian:
🔸 Xu hướng (Trend).
🔸 Tính mùa vụ (Seasonality).
🔸 Ngẫu nhiên (Residual).
Chuẩn bị dữ liệu
✅ Xử lý dữ liệu thời gian: định dạng thời gian và sắp xếp theo thứ tự.
✅ Kiểm tra tính dừng của chuỗi thời gian bằng ADF Test (Augmented Dickey-Fuller Test).
✅ Loại bỏ xu hướng và tính mùa vụ để đảm bảo dữ liệu phù hợp cho mô hình.
Xây dựng mô hình ARIMA
✅ Giới thiệu các tham số (p, d, q) của mô hình ARIMA:
🔸 p: Độ trễ của tự hồi quy.
🔸 d: Số lần lấy sai phân để đạt tính dừng.
🔸 q: Độ trễ của sai số.
✅ Sử dụng thư viện statsmodels để xây dựng mô hình ARIMA.
✅ Kiểm tra và tinh chỉnh các tham số dựa trên AIC (Akaike Information Criterion).
Mở rộng với mô hình SARIMA
✅ Giới thiệu thêm các tham số mùa vụ (P, D, Q, s).
✅ Ứng dụng SARIMA cho dữ liệu có tính mùa vụ rõ ràng.
Đánh giá mô hình
✅ Kiểm tra phần dư (residual) để đảm bảo không có mẫu hình rõ ràng.
✅ Sử dụng chỉ số RMSE (Root Mean Squared Error) để đánh giá độ chính xác của mô hình.
Ứng dụng thực tế
✅ Dự đoán giá cổ phiếu hoặc các chỉ số tài chính dựa trên chuỗi thời gian.
✅ Xây dựng chiến lược giao dịch dựa trên kết quả dự báo.
🔹 Nhắc nhở
✅ Thực hành xây dựng và tinh chỉnh mô hình ARIMA/SARIMA với các bộ dữ liệu thực tế.
✅ Luôn kiểm tra tính dừng và loại bỏ xu hướng, mùa vụ trước khi xây dựng mô hình.
📢 Thông tin liên hệ Hướng Nghiệp Dữ Liệu
➡️ Zalo: zalo.me/058358...
➡️ Fanpage: huongnghiepdulieu
➡️ Website: huongnghiepdul...
➡️ Email: [e-mail]