ARIMA MODLE FOR DVN STOCK

1. Tổng quan:

Sử dụng dữ liệu cổ phiếu DVN của PVIAM để vẽ ra những biểu đồ như: Scatter Plot, Candlestick Charts, Bar Charts, Multi-line Chart. Bên cạnh vẽ những biểu đồ trực quan hóa dữ liệu, tác giả cũng tiến hành sử dụng ARIMA để tiến hành dự đoán giá trị của cổ phiếu.

Tiến hành:

2.1. Cài đặt Package và nhập dữ liệu PVIAM:

1. Cài đặt Package

install.packages("knitr")
install.packages("plotly")
library(plotly)
install.packages("tq")
library(tq)
install.packages("quantmod")
library(quantmod)
install.packages("TTR")
library(TTR)
install.packages("ggplot2")
library(ggplot2)
library(ggplot2)
library(TTR)
library(magrittr)

# Các packages cần cài đặt
install.packages("knitr")
install.packages("plotly")
library(plotly)
install.packages("tq")
library(tq)
install.packages("quantmod")
library(quantmod)
install.packages("TTR")
library(TTR)
install.packages("ggplot2")
library(ggplot2)
library(ggplot2)
library(TTR)
library(magrittr)

2. Nhập dữ liệu PVIAM:

#Import Data----
mydata <- read.csv("C:\\Users\\buith\\KPIM Joint Stock Company\\Business Intelligence - 4. Projects\\Research Portfolio Management Models\\R\\Data cổ phiếu PVI.csv")
mydata <- mydata[complete.cases(mydata$gia_mo_cua), ]

# Transform data----
mydata <- na.omit(mydata)
mydata$ngay <- as.Date(mydata$ngay, format = "%m/%d/%Y")
mydata$ma <- as.character(mydata$ma)
mydata$gia_mo_cua <- as.numeric(mydata$gia_mo_cua)

Warning: NAs introduced by coercion

mydata$gia_dong_cua <- as.numeric(mydata$gia_dong_cua)
mydata$khoi_luong_giao_dich_khop_lenh <- as.numeric(mydata$khoi_luong_giao_dich_khop_lenh)
mydata$gia_cao_nhat <- as.numeric(mydata$gia_cao_nhat)
mydata$gia_thap_nhat <- as.numeric(mydata$gia_thap_nhat)
mydata$gia_dieu_chinh <- as.numeric(mydata$gia_dieu_chinh)

Warning: NAs introduced by coercion

mydata$gia_tri_thay_doi <- as.numeric(mydata$gia_tri_thay_doi)

2.2. Lọc ra dữ liệu cổ phiếu DVN:

# Lọc dữ liệu DVN----
DVN <- mydata[mydata$ma == "DVN", ]
DVN <- na.omit(DVN)
DVN <- DVN[complete.cases(DVN$gia_tri_thay_doi), ]

2.3. Scattor Plot for DVN

plot(DVN$gia_dong_cua, main = "Closing Prices of DVN in 2022", ylab="DVN Close Price", x=DVN$ngay, xlab="Date")

2.4. Candlestick of DVN

DVN %>%
  plot_ly(x = ~ngay, type = "candlestick",
          open = ~gia_mo_cua, close = ~gia_dong_cua, high = ~gia_cao_nhat, low = ~gia_thap_nhat) %>%
  layout(title = "Candlestick Chart for DVN",
         xaxis = list(title = "Date"),
         yaxis = list(title = "Price"))

2.5. Bar chart for DVN

DVN_bar <- DVN %>%
  plot_ly(x = ~ngay, y = ~khoi_luong_giao_dich_khop_lenh, type = "bar", 
          marker = list(color = "#1f77b4")) %>%
  layout(title = "DVN Daily Trading Volume", plot_bgcolor = "#e5ecf6",
         xaxis = list(title = "Date"), yaxis = list(title = "Volume"))
DVN_bar

2.6. Multi-line Chart:

DVN$ma7 = SMA(DVN$gia_tri_thay_doi, n=7)
DVN$ma30 = SMA(DVN$gia_tri_thay_doi, n=30)
ggplot(data = DVN) +
  geom_line(aes(x = ngay, y = gia_tri_thay_doi , color = "Daily Price")) +
  geom_line(aes(x = ngay, y = ma7, color = "Weekly Moving Average"))  +
  geom_line(aes(x = ngay, y = ma30, color = "Monthly Moving Average"))  +
  ylab('DVN Stock Price') +
  xlab('Time') +
  labs(color = 'Trendline')

3. Sử dụng mô hình ARIMA để dự báo giá đóng cửa của cổ phiếu DVN trong 60 ngày:

3.1. ADF Test:

print(adf.test(DVN$gia_dong_cua))

    Augmented Dickey-Fuller Test

data:  DVN$gia_dong_cua
Dickey-Fuller = -2.2199, Lag order = 6, p-value = 0.4832
alternative hypothesis: stationary

3.2. Decompose time series:

DVN$ma7 = SMA(DVN$gia_tri_thay_doi, n=7)
price_maDVN = ts(na.omit(DVN$ma7), frequency=30)
decomp = stl(price_maDVN, s.window="periodic", robust = TRUE)
plot(decomp)

par(mar=c(5,6,7,8))

df_DVN <- data.frame(date = index(DVN), DVN, row.names=NULL)

3.3. ACF test:

Acf(
  df_DVN$gia_dong_cua,
  lag.max = NULL,
  type = c("correlation", "covariance", "partial"),
  plot = TRUE,
  na.action = na.contiguous,
  demean = TRUE,
  main = "ACF Series Plot"
)

3.4. PACF

# Partial Auto-correlation
Pacf(
  df_DVN$gia_dong_cua,
  lag.max = NULL,
  plot = TRUE,
  na.action = na.contiguous,
  demean = TRUE,
  main = "PACF Series Plot"
)

3.5. ARIMA model:

# ARIMA Model Fitting
modelfit <- auto.arima(df_DVN$gia_dong_cua, stepwise = TRUE, lambda = NULL)
modelfit

Series: df_DVN$gia_dong_cua 
ARIMA(1,1,0) 

Coefficients:
          ar1
      -0.1179
s.e.   0.0646

sigma^2 = 243294:  log likelihood = -1881.63
AIC=3767.27   AICc=3767.32   BIC=3774.29

# Forecasting future prices
price_forecast <- forecast(modelfit, h=30)
plot(price_forecast)

4. ARIMA dự đoán theo dữ liệu DVN từ năm 2017:

4.1. Import dữ liệu:

DVN2 <- read.csv("C:\\Users\\buith\\KPIM Joint Stock Company\\Business Intelligence - 4. Projects\\Research Portfolio Management Models\\R\\Dữ liệu DVN.csv")

4.2. Test ADF

print(adf.test(DVN2$gia_dong_cua))

    Augmented Dickey-Fuller Test

data:  DVN2$gia_dong_cua
Dickey-Fuller = -2.2053, Lag order = 10, p-value = 0.4914
alternative hypothesis: stationary

4.3. Decompose:

DVN2$ma7 = ma(DVN2$gia_tri_thay_doi, order=7)
DVN2$ma7[is.na(DVN2$ma7)] <- 0
price_ma <- ts(na.omit(DVN2$ma7), frequency=30)

decomp = stl(price_ma, s.window="periodic", robust = TRUE)
plot(decomp)

4.4. ACF Test

Acf(
  series,
  lag.max = NULL,
  type = c("correlation", "covariance", "partial"),
  plot = TRUE,
  na.action = na.contiguous,
  demean = TRUE,
  main = "ACF Series Plot"
)

4.5. PACF test:

Pacf(
  series,
  lag.max = NULL,
  plot = TRUE,
  na.action = na.contiguous,
  demean = TRUE,
  main = "PACF Series Plot"
)

4.5. Forecasting:

modelfit <- auto.arima(DVN2$gia_dong_cua, stepwise = TRUE, lambda = NULL)
modelfit

Series: DVN2$gia_dong_cua 
ARIMA(1,1,2) 

Coefficients:
         ar1      ma1      ma2
      0.8857  -0.7681  -0.1495
s.e.  0.0566   0.0603   0.0276

sigma^2 = 280155:  log likelihood = -10003.86
AIC=20015.72   AICc=20015.75   BIC=20036.4

price_forecast <- forecast(modelfit, h=60)
plot(price_forecast)