Time-Series - Nhãn - NZQIRC

Kiểm định ADF (Augmented Dickey-Fuller)

Du Mã — Thu, 06 Aug 2026 10:00:00 +0700

Trong phân tích chuỗi thời gian, khái niệm tính dừng (stationarity) đóng vai trò trung tâm. Một chuỗi thời gian dừng có kỳ vọng, phương sai và tự tương quan không thay đổi theo thời gian. Nếu hồi quy các chuỗi không dừng (chẳng hạn như giá chứng khoán thô) với nhau, ta rất dễ gặp phải hiện tượng hồi quy giả mạo (spurious regression) — kết quả cho ra $R^2$ cao nhưng thực tế các biến hoàn toàn không có mối quan hệ nhân quả.

Kiểm định Ljung-Box

Du Mã — Thu, 06 Aug 2026 10:00:00 +0700

Nhiều mô hình thống kê giả định rằng các sai số hoặc tỷ suất sinh lợi là chuỗi nhiễu trắng (white noise) — nghĩa là không có cấu trúc tự tương quan tuyến tính giữa các thời điểm khác nhau. Để kiểm tra sự tồn tại của tự tương quan trên nhiều độ trễ (lags) cùng một lúc, kiểm định Ljung-Box (hay kiểm định Ljung-Box Q) là một phương pháp rất phổ biến.

Tỷ suất sinh lợi logarit (Log-Return)

Du Mã — Thu, 06 Aug 2026 10:00:00 +0700

Khi phân tích biến động giá của một tài sản tài chính (ví dụ: cổ phiếu), thay vì sử dụng giá thô $P_t$, các nhà phân tích thường chuyển sang tỷ suất sinh lợi (return) để có một chuỗi dữ liệu độc lập với quy mô giá. Có hai loại tỷ suất sinh lợi chính: tỷ suất sinh lợi đơn giản (simple return) và tỷ suất sinh lợi logarit (log-return).

Phương pháp Bootstrap

Du Mã — Mon, 03 Aug 2026 09:30:00 +0700

Trong thống kê và học máy, việc đánh giá độ bất định của một ước lượng (như trung bình, phương sai hay một thước đo rủi ro) thường phụ thuộc vào phân phối chọn mẫu của ước lượng đó. Trong thực tế, phân phối này hiếm khi có sẵn dưới dạng giải tích. Phương pháp Bootstrap dùng phân phối thực nghiệm để xấp xỉ độ bất định mà không cần ấn định một họ phân phối tham số cụ thể. Bài viết trình bày trực giác, cách hoạt động và một ứng dụng của Bootstrap trong phân tích chuỗi thời gian tài chính.