Mô hình ARIMA
Mô hình ARIMA (Autoregressive Integrated Moving Average – Tự hồi quy tích hợp trung bình trượt) là một trong những kỹ thuật thống kê kinh điển được sử dụng rộng rãi trong phân tích và dự báo chuỗi thời gian (time series). Mô hình do nhà thống kê học George Box và người cộng sự Gwilym Jenkins đề xuất và phát triển trong cuốn "Time Series Analysis: Forecasting and Control" (1970), nên còn được gọi là phương pháp Box-Jenkins. ARIMA kết hợp ba thành phần chính: phần tự hồi quy (AR – Autoregressive), phần sai phân (I – Integrated) và phần trung bình trượt (MA – Moving Average). Mục tiêu của mô hình là nắm bắt các cấu trúc phụ thuộc trong dữ liệu chuỗi thời gian như xu hướng (trend), tính chu kỳ (seasonality) và các dao động ngẫu nhiên, từ đó đưa ra dự báo cho các giá trị tương lai với độ tin cậy cao. Trong ngành ngân hàng, ARIMA được ứng dụng phổ biến để dự báo dòng tiền gửi, dự báo nhu cầu tín dụng, dự báo tỷ lệ nợ xấu, dự báo doanh số giao dịch hoặc phân tích biến động lãi suất huy động trên thị trường liên ngân hàng.
Cấu trúc ký hiệu ARIMA(p, d, q)
Mô hình ARIMA tiêu chuẩn được ký hiệu là ARIMA(p, d, q), trong đó:
- p là bậc của phần tự hồi quy (AR), thể hiện số lượng giá trị quá khứ được sử dụng để giải thích giá trị hiện tại. Ví dụ: AR(1) nghĩa là giá trị hiện tại phụ thuộc tuyến tính vào giá trị ngay trước đó.
- d là bậc sai phân (Integration), tức số lần lấy sai phân để biến chuỗi không dừng (non-stationary) thành chuỗi dừng (stationary). Bậc d phổ biến là 0, 1 hoặc 2.
- q là bậc của phần trung bình trượt (MA), phản ánh số lượng sai số dự báo trong quá khứ được đưa vào mô hình hiện tại.
Ngoài ra, khi dữ liệu có tính chu kỳ rõ ràng theo mùa (ví dụ: số lượng giao dịch thẻ tín dụng tăng mạnh vào dịp lễ Tết, doanh số cho vay tiêu dùng tăng vào quý IV), người ta sử dụng mở rộng SARIMA(p, d, q)(P, D, Q)s với các tham số chu kỳ bổ sung. Ký hiệu s biểu thị độ dài của một chu kỳ mùa (ví dụ s = 12 với dữ liệu tháng, s = 4 với dữ liệu quý).
Các bước xây dựng mô hình ARIMA
Quy trình Box-Jenkins chuẩn để xây dựng một mô hình ARIMA gồm bốn bước cốt lõi:
- Nhận dạng (Identification): Kiểm tra tính dừng của chuỗi thời gian bằng đồ thị, kiểm định nghiệm đơn vị ADF (Augmented Dickey-Fuller) hoặc KPSS. Nếu chuỗi chưa dừng, tiến hành lấy sai phân bậc 1 hoặc bậc 2. Sau đó sử dụng hàm tự tương quan ACF và hàm tự tương quan riêng phần PACF để xác định sơ bộ giá trị p và q phù hợp.
- Ước lượng (Estimation): Ước lượng các tham số của mô hình bằng phương pháp bình phương tối thiểu (OLS) hoặc phương pháp ước lượng hợp lý cực đại (Maximum Likelihood Estimation – MLE).
- Kiểm tra (Diagnostic Checking): Kiểm tra phần dư (residual) của mô hình. Yêu cầu quan trọng là phần dư phải là nhiễu trắng (white noise), tức không tự tương quan. Kiểm định Ljung-Box thường được sử dụng cho mục đích này.
- Dự báo (Forecasting): Sử dụng mô hình đã được kiểm chứng để dự báo giá trị tương lai và đánh giá sai số dự báo thông qua các chỉ tiêu RMSE, MAPE hoặc MAE.
Ưu điểm, hạn chế và lưu ý khi áp dụng
Ưu điểm: ARIMA có nền tảng lý thuyết thống kê vững chắc, cho phép mô hình hóa nhiều dạng chuỗi thời gian khác nhau; có khả năng giải thích rõ ràng các thành phần ngẫu nhiên trong dữ liệu; phù hợp với các chuỗi có lượng dữ liệu lịch sử lớn và tương đối ổn định.
Hạn chế: ARIMA giả định chuỗi thời gian có tính tuyến tính, do đó khó bắt được các quan hệ phi tuyến phức tạp. Mô hình yêu cầu dữ liệu đầu vào phải có chất lượng tốt, đầy đủ và không có nhiều giá trị ngoại lệ (outlier). Ngoài ra, ARIMA nhạy cảm với dữ liệu bị mất (missing values) và không phù hợp với chuỗi có tính biến động cao (volatility clustering) – trường hợp này nên cân nhắc sử dụng mô hình ARCH hoặc GARCH. Trong thực tế ngân hàng hiện đại, nhiều đơn vị kết hợp ARIMA với các mô hình học sâu (deep learning) như LSTM hoặc các mô hình lai (hybrid model) để tận dụng thế mạnh của cả hai phương pháp.
Lưu ý: Nội dung trên mang tính tham khảo học thuật, không thay thế cho tư vấn chuyên môn trong triển khai mô hình thực tế tại tổ chức tín dụng.