Phân tích một số mô hình dự báo trong kinh tế phổ biến hiện nay và gợi ý lựa chọn mô hình

Ths. Vũ Thị Thư Thư

TS. Vũ Hoàng Đạt

Viện Kinh tế Việt Nam và Thế giới

Tóm tắt

Trong bối cảnh kinh tế toàn cầu luôn biến động và chịu sự tác động của nhiều yếu tố, diễn biến bất định, công tác dự báo có vai trò đặc biệt quan trọng trong việc nhận định xu hướng, từ đó đưa ra những giải pháp phù hợp, kịp thời để đảm bảo các mục tiêu phát triển. Đến nay, trên thế giới cũng như tại Việt Nam có rất nhiều mô hình dự báo khác nhau. Bài viết này tập trung phân tích, so sánh các mô hình dự báo phổ biến hiện nay; đánh giá cụ thể những ưu, nhược điểm của từng mô hình, nhằm cung cấp thông tin cho các nhà dự báo lựa chọn mô hình phù hợp trong các bối cảnh khác nhau.

Từ khóa: Dự báo, mô hình dự báo, ưu điểm, nhược điểm. lựa chọn mô hình

Summary

In the context of a constantly changing global economy influenced by multiple factors, forecasting plays a crucial role in identifying trends and providing timely, appropriate solutions to achieve development objectives. Both globally and in Viet Nam, a variety of forecasting models have been developed. The study analyzes and compares commonly used forecasting models and evaluates the specific advantages and limitations of each, aiming to provide forecasters with practical guidance for selecting suitable models in different contexts.

Keywords: forecasting, forecasting models, advantages, disadvantages, model selection

ĐẶT VẤN ĐỀ

Dự báo là nhu cầu và là đầu vào quan trọng trong việc lập kế hoạch của các các tác nhân trong nền kinh tế, từ người tiêu dùng, doanh nghiệp đến chính quyền các cấp. Kết quả dự báo ảnh hưởng đến hành vi của các tác nhân này, từ đó có thể ảnh hưởng đến toàn bộ nền kinh tế. Một ví dụ điển hình là dự báo lạm phát của Mỹ, quyết định của Cục dự trữ liên bang Mỹ… có những ảnh hưởng quan trọng đến chỉ số thị trường chứng khoán cũng như tỷ giá của các đồng tiền khác trên thế giới.

Do nhu cầu và vai trò quan trọng như vậy, dự báo có lịch sử lâu đời. Người Ai Cập cổ đại dự đoán về sản lượng nông nghiệp dựa vào mực nước của sông Nile mùa lũ. Vào thế kỷ XVII, William Petty đã chỉ ra chu kỳ kinh tế 7 năm, gợi ý một cơ sở cho các dự báo kinh tế (Hawkins, 2005). Cùng với sự phát triển của hệ thống thu thập số liệu và lý thuyết, mô hình thống kê hay kinh tế lượng, các mô hình dự báo cũng được phát triển và ứng dụng ngày càng rộng rãi.

Ở Việt Nam hiện nay có nhiều mô hình dự báo của cả các tổ chức, cơ quan chính phủ cũng như các mô hình dự báo riêng lẻ của các nhà nghiên cứu. Các đối tượng dự báo, mô hình dự báo tương đối đa dạng, từ tăng trưởng, lạm phát, đến nhu cầu thị trường. Từ các mô hình dựa theo chuỗi thời gian có tính truyền thống như VAR, ARIMA, đến các mô hình có tính cấu trúc cao như DSGE hay các dự báo dựa trên dữ liệu lớn. Tuy nhiên, chưa có nhiều đánh giá có tính hệ thống về tính hữu dụng và khả năng dự báo của các mô hình này cũng như ảnh hưởng của bối cảnh đến năng lực dự báo của các mô hình. Do đó, bài viết này tập trung so sánh các mô hình dự báo phổ biến hiện nay để từ đó đánh giá những ưu, nhược điểm của từng mô hình, nhằm cung cấp thông tin cho các nhà dự báo lựa chọn mô hình phù hợp trong những bối cảnh khác nhau.

CÁC MÔ HÌNH DỰ BÁO TRUYỀN THỐNG

Trong phần này bài viết thảo luận các mô hình có tính phổ biến được thừa nhận về dự báo.

Các mô hình chuỗi thời gian

Đặc trưng cơ bản của các mô hình dự báo chuỗi thời gian là nghiên cứu hành vi, kết quả trong quá khứ của một đối tượng hay một nhóm đối tượng, được phản ánh thông qua số liệu đã quan sát được về đối tượng hay nhóm đối tượng để từ đó phân tích, từ đó xử lý và đưa ra các kết quả về khả năng xảy ra các vấn đề quan tâm của đối tượng hay nhóm đối tượng trong tương lai (De Gooijer và Hyndman, 2006).

Đây là một trong những cách thức dự báo phổ biến nhất, với một số mô hình đã được phát triển:

Mô hình VAR

Mô hình VAR (Vector Autoregressive model) là một lớp các mô hình tự hồi quy đơn biến trong một tập hợp các phương trình đồng thời. Mô hình này ước lượng đồng thời tất cả các biến với các biến trễ của các biến còn lại. Đây là kết hợp giữa các phương trình hồi quy đơn chiều, hay mô hình hồi quy của bản thân các biến với các biến trễ của chính nó, và phương trình đồng thời. Với cấu trúc như vậy, mô hình VAR là một mô hình dựa chính vào số liệu và không có nền tảng lý thuyết vững chắc.

Mô hình ARIMA

Mô hình ARIMA (autoregressive integrated moving average) với một chuỗi được hồi quy với chính các biến là số liệu của chính nó trong quá khứ. Mô hình này gồm 3 cấu phần: tự hồi quy (autoregressive), trung bình trượt (moving average) và đồng liên kết (integrated). Sự khác biệt giữa ARIMA và VAR là trong mô hình ARIMA, chỉ tiêu dự báo chỉ ảnh hưởng bởi chính nó trong quá khứ. Trong khi đó, trong mô hình VAR, các biến ảnh hưởng bởi chính nó và các biến khác trong quá khứ.

Ngoài ra còn nhiều biến thể khác nhau của các mô hình chuỗi thời gian khác như ARCH/GARC hay VECM. Về cơ bản, sự khác biệt giữa các mô hình là việc xử lý các vấn đề về kỹ thuật kinh tế lượng như yêu cầu dừng của chuỗi thời gian, xử lý sai số… Yếu tố cơ bản nhất của lớp mô hình này là tự hồi quy hay dựa trên thông tin quá khứ của chính đối tượng và các đối tượng liên quan để dự báo tương lai.

Hiện nay, trên thế giới, các mô hình dự báo dựa trên chuỗi thời gian được các ngân hàng trung ương hay cơ quan tài chính quốc gia sử dụng phổ biến trong dự báo lạm phát và các biến số vĩ mô khác. Đối với các ngân hàng trung ương, nhu cầu sử dụng mô hình này rất lớn trong dự báo và đánh giá các cú sốc tác động vào nền kinh tế.

Với yêu cầu về dữ liệu cụ thể, các mô hình chuỗi thời gian tương đối dễ hình dung và các kỹ thuật ước lượng tương đối tường minh. Đồng thời, các phần mềm kinh tế lượng hay các ngôn ngữ lập trình phổ biến như STATA, EVIEWS, Python, R đều có các lệnh hay các gói (package) để ước lượng.

Tuy nhiên, thiếu vắng nền tảng lý thuyết và khả năng phản ánh các cú sốc hay các sự kiện ngoại sinh không có tính chu kỳ hoặc đơn lẻ là các điểm yếu chính của các mô hình này. Do vậy, các mô hình này cho kết quả tốt khi các đối tượng dự báo có tính ổn định hay tính chu kỳ chặt chẽ.

Bên cạnh đó, các mô hình này hạn chế về số biến xử lý. Về cơ bản, với cấu trúc tự hồi quy, số tham số cần ước lượng sẽ tăng theo cấp số nhân với số biến cần xử lý. Đây là một điểm yếu lớn của lớp mô hình này khi ảnh hưởng các biến số kinh tế khác không đưa vào mô hình đều được đưa vào phần dư. Điều này dẫn đến giả định về không tương quan của phần dư với các biến đưa vào mô hình có thể không thực tế.

Một hạn chế khác của các mô hình này là yêu cầu chặt chẽ về số liệu. Do số lượng lớn các tham số cần ước lượng, các mô hình SVAR đòi hỏi các chuỗi thời gian tương đối dài để có được các ước lượng đáng tin cậy và chính xác. Với dữ liệu kinh tế vĩ mô có tần suất thấp (ví dụ, hàng quý), đây có thể là một thách thức. Bên cạnh đó, yêu cầu về tính “dừng” của chuỗi thời gian cũng là một bất lợi của các mô hình dự báo chuỗi thời gian truyền thống.

Các mô hình cân bằng tổng thể (General Equilibrium)

Các mô hình cân bằng tổng thể có cách tiếp cận chung là dựa trên số liệu để mô hình hóa các mối quan hệ trong nền kinh tế, hành vi của các tác nhân cũng như mối quan hệ của nền kinh tế với bên ngoài. Từ đó, nghiên cứu sự thay đổi hành vi, đặc điểm của các tác nhân cũng như các biến số quan tâm.

Như tên gọi, các mô hình cân bằng tổng thể thiết lập sự tác động qua lại của các tác nhân trong nền kinh tế ở trạng thái cân bằng. Khi một hoặc nhiều biến số trong nền kinh tế thay đổi, các hành vi và trạng thái của các tác nhân trong nền kinh tế cũng thay đổi theo. Chúng ta có thể tìm hiểu sự thay đổi này thông qua các mối liên hệ đã được thiết lập.

Với các mối quan hệ đã được thiết lập, các mô hình này cho phép chúng ta thay đổi các biến số hay các hành vi của một hay một nhóm đối tượng, từ đó có được sự thay đổi của các nhóm đối tượng khác ở trạng thái cân bằng và dự báo được kết quả của các biến số cần quan tâm.

Hiện nay, Mô hình cân bằng tổng thể động ngẫu nhiên (Dynamic Stochastic General Equylibrium - DSGE) được sử dụng nhiều (Christoffel, 2010). Đây là một biến thể của mô hình Cân bằng tổng thể. Nhấn mạnh đến các yếu tố thay đổi qua thời gian (dynamic) và ngẫu nhiên (stochastic), mô hình sẽ xây dựng các mối liên hệ giữa hành vi của các tác nhân trong nền kinh tế như tiết kiệm, tiêu dùng, đầu tư, mỗi liên hệ đầu vào - đầu ra giữa các ngành như các mô hình cân bằng tổng thể điển hình nhưng tính đến yếu tố thay đổi qua thời gian và tính ngẫu nhiên trong các biến số của mô hình.

Theo Sbordone và cộng sự (2010), DSGE được xây dựng dựa trên nền tảng kinh tế vi mô và nhấn mạnh sự lựa chọn của các chủ thể trung gian. Sự phụ thuộc của các lựa chọn hiện tại do sự không chắc chắn của kết quả làm cho mô hình luôn biến động và gắn một vai trò trung tâm cho kì vọng của các chủ thể trong việc xác định các kết quả kinh tế vi mô.

Ở Việt Nam, đã có một số nghiên cứu sử dụng mô hình DSGE như nghiên cứu của Bùi Thị Trang Dung và Nguyễn Thị Giang (2015) ở dạng cơ bản để nghiên cứu giữa chênh lệch sản biến (chênh lệch sản lượng, lãi suất, lạm phát), 3 cú sốc (sốc cầu, sốc lạm phát và sốc tiền tệ). Nguyễn Đức Trung và Nguyễn Hoàng Chung (2017) xây dựng và hiệu chỉnh mô hình DSGE cho phù hợp với bối cảnh Việt Nam và mục tiêu dự báo đối với các biến số vĩ mô trong nền kinh tế như: tăng trưởng sản lượng, lạm phát, lãi suất chính sách, biến động trong tỉ giá hối đoái và điều kiện thương mại.

Như vậy, có thể thấy mô hình DSGE là một mô hình có khả năng trong việc mô phỏng nền kinh tế và dự báo được tác động của các có sốc trong nền kinh tế và từ đó có vai trò dự báo. Mô hình này cũng được sử dụng phổ biến ở các ngân hàng trung ương trên thế giới.

Tuy nhiên, yếu tố phức tạp và độ chính xác của kết quả dựa vào nhiều yếu tố như khả năng thiết lập các mối quan hệ giữa các tác nhân về mặt thực nghiệm hay yêu cầu cao về số liệu là những hạn chế của lớp mô hình này.

Bên cạnh đó, mô hình này có những điểm yếu chung của các mô hình dự báo truyền thống. Theo đó, các mô hình cổ điển dựa trên các thuật toán tĩnh. Sau khi mô hình được thiết lập, các tham số của nó vẫn cố định trừ khi được hiệu chỉnh lại thủ công. Chúng không có khả năng tự động điều chỉnh khi dữ liệu mới xuất hiện hoặc khi các mô hình cơ bản trong chuỗi thời gian phát triển theo thời gian, một hiện tượng được gọi là trôi khái niệm. Điều này đòi hỏi sự can thiệp thủ công định kỳ, thường tốn nhiều công sức, để duy trì tính phù hợp của mô hình.

MÔ HÌNH DỰ BÁO DỰA TRÊN HỌC MÁY

Mặc dù ý tưởng về các mô hình dự báo với học máy (machine learning - ML) đã được đề cập một thời gian nhưng việc sử dụng mới phổ biến trong những năm gần đây và có những bước tiến quan trọng (Cepni và cộng sự, 2019). Về cơ bản, các mô hình ML sử dụng thuật toán nhằm đưa ra các mối liên hệ dưới dạng tham số với mục tiêu là phản ánh tốt nhất mối liên hệ giữa các chiều cạnh/biến trong số liệu với chính nó trong quá khứ và các biến số khác.

Sự chuyển đổi mô hình sang các thuật toán ML không chỉ đơn thuần là việc áp dụng các thuật toán mới mà còn đòi hỏi một sự tái thiết lập khái niệm cơ bản về bản thân vấn đề dự báo. Dữ liệu chuỗi thời gian, với thứ tự thời gian vốn có, phải được chuyển đổi sang định dạng phù hợp với các thuật toán ML có giám sát được thiết kế cho dữ liệu bảng. Kiến trúc ML có thể chia thành ML cơ bản (non-deep leanring) và học sâu (deep leanring).

Các thuật toán hỗn hợp dạng cây

Các thuật toán hỗn hợp dạng cây (Tree-Based Ensemble Methods) là điển hình cho cấu trúc ML cơ bản, thực hiện dự báo bằng cách chuyển dạng số liệu chuỗi thời gian thành các gói nhỏ hơn và áp dụng các thuật toán ML dạng hỗn hợp (ensemble) dựa trên cây quyết định như rừng ngẫu nhiên (Random Forest) (Mostafa Ibrahim, 2024) hay Gradient Boosting (Rstudio, n.d.). Cơ chế của các phương pháp này dựa vào việc “đào tạo” các mô hình nhỏ hơn và sau đó tập hợp thành một mô hình đơn nhất dùng để dự báo. Đây là các mô hình học máy có giám sát (supervised machine learning).

Mặc dù dự báo dựa trên ML với thuật toán hỗn hợp dạng cây tương đối mạnh nhưng một vấn đề lớn với các thuật toán này là không thể dự báo các giá trị vượt ngoài các giá trị đã sử dụng để huấn luyện. Ví dụ, số liệu quá khức dùng để huấn luyện dự báo tăng trưởng cao nhất ở mức 9%/năm thì giá trị dự báo trong tương lai sẽ không lớn hơn 9%/năm.

Kiến trúc học sâu

Để khắc phục các vấn đề của những kiến trúc ML dạng cây, kiến trúc học sâu (deep learning) đã được đưa ra. Các kiến trúc học sâu, đặc biệt là các kiến trúc được thiết kế cho dữ liệu tuần tự, đã giới thiệu khả năng học các phụ thuộc thời gian và các đặc trưng phân cấp trực tiếp từ chuỗi thời gian. Các kiến trúc này bao gồm:

Mạng Nơ-ron hồi quy (Recurrent Neural Network - RNN): được thiết kế đặc biệt để xử lý dữ liệu tuần tự, chẳng hạn như chuỗi thời gian, bằng cách duy trì một "bộ nhớ" nội bộ. Không giống như các mạng nơ-ron truyền thống xử lý tất cả đầu vào cùng một lúc, RNN xử lý từng phần tử của chuỗi một cách tuần tự. Cấu trúc chính của thuật toán này là:

Vòng lặp Hồi quy: Đặc điểm nổi bật của RNN là một vòng lặp cho phép thông tin được truyền từ bước thời gian này sang bước tiếp theo. Tại mỗi bước thời gian t, mạng nhận một đầu vào x_t và trạng thái ẩn từ bước trước đó h_t-1 để tính toán trạng thái ẩn mới h_t và một đầu ra y_t.

Trạng thái Ẩn (Bộ nhớ): Trạng thái ẩn h_t hoạt động như một bản tóm tắt tích lũy của tất cả thông tin mà mạng đã thấy cho đến thời điểm t (Masih, 2023).

Đối với các bài toán dự báo chuỗi thời gian, kiến trúc Nhiều - Một, hay nhiều đầu vào cho một đầu ra, là phù hợp và được sử dụng rộng rãi nhất. Trong cấu hình này, một chuỗi các quan sát trong quá khứ (ví dụ: giá cổ phiếu trong 30 ngày qua) được đưa vào mạng. Mạng xử lý tuần tự từng điểm dữ liệu, cập nhật trạng thái ẩn của nó ở mỗi bước. Các đầu ra ở các bước thời gian trung gian thường được bỏ qua. Chỉ có trạng thái ẩn cuối cùng được sử dụng để tính toán đầu ra cuối cùng, chính là giá trị dự báo cho bước thời gian tiếp theo.

Hạn chế của thuật toán RNN

Mặc dù về mặt lý thuyết RNN có thể học các mẫu hình trong chuỗi, nhưng trên thực tế, các mô hình này gặp khó khăn trong việc kết nối thông tin từ quá khứ xa đến nhiệm vụ hiện tại. Vấn đề này được gọi là vấn đề phụ thuộc dài hạn (Bengio và cộng sự, 1993). Ví dụ, một mô hình RNN có thể không "nhớ" được dữ liệu từ đầu năm để dự báo chính xác doanh số vào cuối năm.

Nguyên nhân của vấn đề này là thuật toán huấn luyện lặp đi lặp lại sử dụng cùng một ma trận trọng số qua các vòng dẫn đến vấn đề suy giảm hoặc bùng nổ tốc độ thay đổi trạng thái (gradient). Điều này dẫn đến ảnh hưởng lớn hơn nhiều của các sự kiện gần so với thời điểm dự báo thay vì tổng hợp thông tin của toàn bộ chuỗi sự kiện.

Mạng Bộ nhớ Dài - Ngắn hạn (LSTM). Để khắc phục điểm yếu trên của thuật toán RNN, một thuật toán là Mạng Bộ nhớ Dài - Ngắn hạn được thiết kế để giải quyết vấn đề phụ thuộc dài hạn. Thay đổi chính của LSTM so với RNN truyền thống là việc giới thiệu 2 thành phần (Yadav và Thakkar, 20024):

Phần dài hạn (trạng thái tế bào): Cấu trúc này cho phép thông tin và thay đổi trạng thái chạy qua nhiều bước tuần tự của số liệu mà không bị suy giảm đáng kể, hoạt động như một bộ nhớ dài hạn.

Cơ chế Cổng (Gating Mechanism): Luồng thông tin vào và ra khỏi trạng thái tế bào được điều chỉnh bởi 3 "cổng" có thể học được. Các cổng này là các mạng nơ-ron nhỏ và có chọn lọc để quyết định thông tin nào được phép đi qua.

Một nguyên tắc thiết kế của LSTM là nó tách biệt bộ nhớ khỏi tính toán. Trạng thái tế bào đóng vai trò là bộ nhớ dài hạn, trong khi trạng thái ẩn là "bộ nhớ làm việc" ngắn hạn được sử dụng cho các phép tính ở bước hiện tại. Sự tách biệt này cho phép LSTM duy trì một bộ nhớ dài hạn ổn định trong khi vẫn thực hiện các phép biến đổi phức tạp cho đầu ra tức thời.

ĐÁNH GIÁ VÀ SO SÁNH CÁC MÔ HÌNH

Về mặt thực nghiệm, so sánh về chất lượng dự báo của Nguyễn Khắc Hiếu và Nguyễn Thị Anh Vân (2017) cho thấy với các dự báo dựa trên dữ liệu lớn có hiệu quả hơn mô hình VAR. Tuy nhiên, việc so sánh với này cần phân tích kỹ hơn về bối cảnh, yêu cầu về mặt kỹ thuật và nguồn lực.

Verma và cộng sự (2021) so sánh các mô hình dự báo chuỗi thời gian đơn và đưa đến kết luận mô hình ARIMA cho kết quả tốt nhất. Một nghiên cứu tương tự của Marzak và cộng sự (2024) về dự báo doanh thu tuần của một sản phẩm có tính đến yếu tố mùa vụ với các số liệu chuỗi thời gian đơn và kết luận các mô hình tự hồi quy trung bình trượt đồng liên kết và có điều chỉnh mùa vụ (SARIMAX) cho kết quả tốt nhất.

Liệu ML có thực sự ưu việt? Makridakis và cộng sự (2018) sử dụng 1045 chuỗi số liệu theo tháng trong M3 Competition để đánh giá và so sánh các phương pháp dự báo truyền thống (ARIMA, Holt…) và các phương pháp học máy (MLP, BNN…) với tiêu chuẩn là trung bình phần trăm sai số (sMAPE) và trung bình sai số tuyệt đối chuẩn hóa (MASE). Kết quả cho thấy các phương pháp dự báo truyền thống nhìn chung có kết quả tốt hơn các phương pháp ML. Cần lưu ý đây là các chuỗi số liệu thời gian đã được xây dựng chuyên biệt từ trước để dự báo. Trong khi đó, các số liệu có tính mới nổi như số liệu phi cấu trúc không được sử dụng để so sánh.

Tuy nhiên, Mitrea và cộng sự (2009), trong một nghiên cứu điển hình sử dụng dữ liệu hàng tồn kho từ Panasonic, đã phát hiện ra rằng mạng nơ-ron mang lại hiệu suất tốt hơn so với các phương pháp truyền thống (MA, ARIMA). Họ lưu ý rằng mạng nơ-ron có thể nắm bắt các mô hình phi tuyến tính mà các phương pháp truyền thống có thể bỏ sót.

Yamak và cộng sự (2019) nhận thấy ARIMA cho kết quả tốt hơn về tính chính xác so với LSTM và GRU trong việc dự báo giá Bitcoin, mặc dù lưu ý rằng kích thước tập dữ liệu có thể ưu tiên ARIMA.

Như vậy có thể thấy, đặc điểm dữ liệu ảnh hưởng lớn đến tính chính xác trong kết quả dự báo của các mô hình. Đồng thời, không phương pháp nào thực sự ưu việt vượt trội. Kết quả của các phương pháp phụ thuộc vào bản chất số liệu và bối cảnh dự báo.

Các mô hình dự báo đều có ưu, nhược điểm khác nhau và khả năng khác nhau. Một số mô hình dường như có khả năng tốt hơn nhưng yêu cầu khả năng và nguồn lực cao hơn. Đồng thời, độ chính xác còn phụ thuộc vào bối cảnh và định dạng cụ thể của các mô hình.

Mô hình DSGE cũng được sử dụng rộng rãi trong dự báo. Với hệ phương trình phong phú và đa dạng, mô hình này có thể kết hợp hành vi của các tác nhân trong nền kinh tế và tương tác với nhau. Đây là mô hình phản ánh tốt hơn hành vi cũng như sự tương tác lẫn nhau của các chủ thể trong nền kinh tế. Do vậy, mô hình này thường được các tổ chức quốc tế lớn như các ngân hàng trung ương hay các tổ chức có tính toàn cầu sử dụng.

Sự phát triển của các mô hình với dữ liệu lớn mở ra một trang mới cho các mô hình dự báo. Các mô hình dự báo với dữ liệu lớn hiện tại vẫn đang trong quá trình phát triển, mặc dù những nguyên lý cơ bản đã được đưa ra nhưng quá trình huấn luyện, kiểm thử phản ứng của mô hình sẽ đem lại các hiểu biết mới về cơ chế học hỏi của trí tuệ nhân tạo - được tích hợp trong các chương trình dự báo.

Bên cạnh việc dự báo điểm, các mô hình dự báo đã dịch chuyển sang dự báo khoảng. Về cơ bản, các mô hình dự báo khoảng có thể thực hiện độc lập với các mô hình dự báo điểm. Tuy nhiên, một số công ty trong nước đã cung cấp và cải tiến các phần mềm chuyên biệt để thực hiện công tác này.

KẾT LUẬN

Có nhiều mô hình dự báo khác nhau phụ thuộc vào nguồn lực và số liệu sẵn có. Một cách truyền thống, các mô hình kinh tế lượng chuỗi thời gian hay cân bằng tổng thể được sử dụng tương đối phổ biến. Các ngân hàng quốc gia đều có bộ phận dự báo riêng và sử dụng đa dạng các mô hình này, đặc biệt là mô hình cân bằng tổng thể và các biến thể của nó.

Hiện tại, các mô hình dự báo thời gian thực với các mô hình học máy, học máy tăng cường hay các phương pháp dựa trên dữ liệu lớn đã có những bước phát triển to lớn. Tuy nhiên, việc thực hiện các mô hình này đỏi hòi số liệu phi truyền thống và hệ thống kỹ năng riêng khác với kỹ năng về kinh tế lượng truyền thống. Điều này đòi hỏi tổ chức, cá nhân cần đầu tư thời gian và nguồn lực để chuyển đổi nếu tiến hành dự báo với các mô hình này.

Việc đánh giá một mô hình dự báo không chỉ dựa vào độ chính xác mà còn phụ thuộc vào nhiều yếu tố khác nhau. Nguồn lực dự báo là một yếu tố quan trọng ảnh hưởng đến lựa chọn mô hình dự báo. Với nguồn lực hạn chế và khả năng tính toán của thiết bị hạn chế, các mô hình dự báo truyền thống như VAR, ARIMA, SVAR là lựa chọn phù hợp. Với nguồn lực lớn hơn cũng như số liệu đầy đủ hơn, mô hình DSGE là một lựa chọn khả dĩ. Trong khi đó, nếu số liệu về thời gian thực có sẵn và phù hợp cũng năng năng lực tính toán tốt, các mô hình dự báo với dữ liệu lớn là một lựa chọn tốt.

Xu hướng sử dụng các mô hình dự báo với dữ liệu lớn ngày càng phổ biến. Do vậy, các cá nhân/tổ chức thực hiện công tác dự báo không nên bỏ qua xu hướng này. Tuy nhiên, việc đầu tư làm chủ các mô hình dự báo truyền thống là điều cần thiết nhằm đảm bảo làm chủ và hiểu các mô hình dự báo truyền thống để có thể chỉnh sửa, rèn luyện các mô hình với dữ liệu lớn. Đồng thời, việc so sánh kết quả dự báo của các mô hình khác nhau sẽ có nhiều thông tin hữu ích đê hiểu các cấu trúc bên trong và phản ứng với số liệu của các mô hình.

Để thực hiện công tác dự báo, tổ chức cần đầu tư có lộ trình về con người, số liệu, phần cứng, phầm mềm. Việc đầu tư cần được thực hiện thường xuyên nhằm nâng cao năng lực của người làm dự báo cũng như nguồn lực để phục vụ quá trình dự báo. Đội ngũ thực hiện dự báo cần chuyên biệt nhằm tích lũy kinh nghiệm.

(*) Bài viết là sản phẩm của đề tài cơ sở năm 2025 “Các mô hình dự báo kinh tế vĩ mô và khả năng ứng dụng cho Việt Nam” tại Viện Kinh tế Việt Nam và Thế giới.

Tài liệu tham khảo:

1. Bengio, Y., Frasconi, P., & Simard, P. (1993, March). The problem of learning long-term dependencies in recurrent networks. In IEEE international conference on neural networks (pp. 1183-1188). IEEE.

2. Bùi Thị Trang Dung và Nguyễn Thị Giang. (2015). Xây dựng, tiếp nhận hỗ trợ kĩ thuật, ứng dụng và đề xuất vận hành mô hình DSGE tại Vụ Dự báo, thống kê. Báo cáo kĩ thuật của Ngân hàng Nhà nước Việt Nam.

3. Cepni, O., Güney, I. E., & Swanson, N. R. (2019). Nowcasting and forecasting GDP in emerging markets using global financial and macroeconomic diffusion indexes. International Journal of Forecasting, 35(2), 555-572.

4. Christoffel, K. P., Coenen, G., & Warne, A. (2010). Forecasting with DSGE models.

5. De Gooijer, J. G., & Hyndman, R. J. (2006). 25 years of time series forecasting. International journal of forecasting, 22(3), 443-473.

6. Hawkins, J. (2005). Economic forecasting: history and procedures. Economic Round-up, (Autumn 2005), 1-10.

7. Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and Machine Learning forecasting methods: Concerns and ways forward. PloS one, 13(3), e0194889.

8. Marzak, Z., Benabbou, R., Mouatassim, S., & Benhra, J. (2024). Forecasting Seasonal and Trend-Driven Data: A Comparative Analysis of Classical Techniques. Journal of Optimization in Industrial Engineering, 16(2), 49-62.

9. Masih, B. (2023). Recurrent neural network model for time series analysis. https://ceur-ws.org/Vol-3885/paper50.pdf

10. Mitrea, C. A., Lee, C. K. M., & Wu, Z. (2009). A comparison between neural networks and traditional forecasting methods: A case study. International journal of engineering business management, 1, 11.

11. Mostafa Ibrahim (2024). How to Use XGBoost and LGBM for Time Series Forecasting? https://365datascience.com/tutorials/python-tutorials/xgboost-lgbm/.

12. Nguyễn Đức Trung và Nguyễn Hoàng Chung (2017). Mô hình dự báo cho nền kinh tế nhỏ và mở của Việt Nam Phương pháp tiếp cận BVAR-DSGE. Tạp chí Phát triển Kinh tế, 28(10), 05-38.

13. Nguyễn Khắc Hiếu và Nguyễn Thị Anh Vân (2018). Dự báo Lạm phát tại Việt Nam bằng mô hình Mạng Thần kinh Nhân tạo. https://fe.hcmute.edu.vn.

14. Yadav, H., & Thakkar, A. (2024). NOA-LSTM: An efficient LSTM cell architecture for time series forecasting. Expert Systems with Applications, 238, 122333.

15. Rstudio (n.d.). Time series forecast with stochastic gradient boosting. https://rstudio-pubs-static.s3.amazonaws.com/161075_05ce98dc51c844e0833c06835c9ce4c3.html.

16. Sbordone, A. M., Tambalotti, A., Rao, K., & Walsh, K. (2010). Policy analysis using dsge models: An introduction. Economic Policy Review, 16(2), 23-43.

17. Verma, P., Reddy, S. V., Ragha, L., & Datta, D. (2021, June). Comparison of time-series forecasting models. In 2021 International Conference on Intelligent Technologies (CONIT) (pp. 1-7). IEEE.