Dự báo thị trường BĐS thường bắt đầu bằng chuỗi theo thời gian: giá trung bình tháng, số giao dịch quý, tỷ lệ hấp thụ, vacancy, giá thuê hay số giấy phép xây dựng. ARIMA và ETS là hai họ mô hình nền tảng để khai thác chính cấu trúc quá khứ của chuỗi trước khi đưa thêm quan hệ kinh tế phức tạp.
Điểm quan trọng nhất không phải thuộc ký hiệu p–d–q, mà là hiểu chuỗi có xu hướng, mùa vụ, độ trễ, thay đổi phương sai hay cú sốc cấu trúc nào; và forecast horizon thực sự phục vụ quyết định gì.
Chuyên đề: Mô hình định lượng, không gian & mô phỏng trong BĐS · Bài 16 · Kinh tế lượng, giá và dự báo thị trường
Biên soạn: ThS. Nguyễn Mạnh Hùng
Đơn vị: GV. Khoa QLĐĐ&BĐS – ĐH Nông Lâm TP.HCM
Email: nguyenmanhhung@hcmuaf.edu.vn
1. Bắt đầu bằng đồ thị, không bắt đầu bằng ARIMA
Một chuỗi cần được xem theo thời gian, seasonal plot, rolling mean/variance, missing và outliers trước khi chọn mô hình. Giá nhà theo quý có thể có xu hướng dài hạn nhưng ít mùa vụ; giao dịch theo tháng lại có mùa mạnh.
Một mô hình tự động tốt vẫn không thay thế bước hiểu chuỗi.
2. Stationarity là gì và vì sao quan trọng?
ARMA giả định cấu trúc thống kê ổn định theo thời gian. Chuỗi có xu hướng thường cần differencing hoặc transformation. Stationarity không có nghĩa chuỗi phải phẳng tuyệt đối; nó nói mean, variance và autocovariance không thay đổi theo thời gian theo nghĩa mô hình.
Kiểm ADF/KPSS chỉ hỗ trợ; đừng để một p-value duy nhất quyết định differencing.
3. ARIMA(p,d,q)
| Thành phần | Ý nghĩa |
|---|---|
| AR(p) | Giá trị hiện tại liên hệ p độ trễ của chính chuỗi |
| I(d) | Sai phân d lần để xử lý nonstationarity |
| MA(q) | Giá trị hiện tại liên hệ q sai số quá khứ |
ARIMA phù hợp khi dynamics của chính chuỗi chứa phần lớn thông tin dự báo.
4. Seasonal ARIMA
Nếu có mùa vụ ổn định, dùng SARIMA với (P,D,Q)s. Ví dụ số giao dịch tháng có chu kỳ 12. Seasonal differencing giúp xử lý pattern lặp.
Không thêm seasonal terms chỉ vì dữ liệu theo tháng; phải có evidence mùa vụ.
5. ACF và PACF
ACF đo tương quan với các độ trễ; PACF đo tương quan sau khi loại ảnh hưởng lags trung gian. Chúng giúp chẩn đoán AR/MA order nhưng với dữ liệu thực phức tạp, AICc và automated search thường hỗ trợ thêm.
Không đọc ACF/PACF máy móc như công thức tuyệt đối.
6. ETS – Error, Trend, Seasonality
ETS mô hình hóa trực tiếp level, trend, seasonality với các dạng additive/multiplicative. Exponential smoothing đặc biệt mạnh với chuỗi có cấu trúc trend/seasonality rõ và thay đổi mềm theo thời gian.
ETS và ARIMA có triết lý khác nhau nhưng đều có thể dự báo rất tốt.
7. Additive hay multiplicative?
Mùa vụ additive phù hợp khi biên độ mùa tương đối ổn; multiplicative khi biên độ tăng theo level. Log transform có thể biến multiplicative behavior thành additive dễ xử lý.
8. Dữ liệu BĐS nên tổ chức thế nào?
| date | market_id | metric | value | frequency | source |
|---|---|---|---|---|---|
| 2026-01-01 | HCMC_APT | transactions | 1240 | monthly | registry |
Một chuỗi phải có tần suất đều. Nếu tháng thiếu dữ liệu, không nên tự điền 0 nếu 0 nghĩa thật sự không có giao dịch.
9. Train–test theo thời gian
Không shuffle time series. Hãy train quá khứ, test tương lai. Rolling-origin evaluation phản ánh thực tế doanh nghiệp cập nhật forecast theo thời gian.
Một split 80/20 duy nhất có thể phụ thuộc mạnh giai đoạn test.
10. Baseline bắt buộc
- Naive: kỳ tới = kỳ trước.
- Seasonal naive: cùng kỳ mùa trước.
- Drift: nối điểm đầu–cuối.
- Mean forecast nếu chuỗi ổn định.
Mô hình phức tạp mà không thắng baseline không tạo giá trị.
11. Đánh giá forecast
| Chỉ số | Lưu ý |
|---|---|
| MAE | Dễ hiểu, cùng đơn vị |
| RMSE | Phạt lỗi lớn |
| MAPE | Gặp vấn đề khi actual gần 0 |
| MASE | So với naive, hữu ích đa chuỗi |
Chọn metric theo cost của sai số; với absorption gần 0, MAPE có thể vô nghĩa.
12. Prediction interval
Forecast không chỉ là point estimate. Khoảng dự báo 80%/95% cho biết uncertainty tăng theo horizon. Quyết định vốn nên dựa distribution/range hơn một đường duy nhất.
13. Structural break và regime shift
COVID, thay đổi tín dụng, thay luật, mở hạ tầng lớn có thể làm lịch sử trước đó ít đại diện. ARIMA/ETS không tự hiểu nguyên nhân. Cần intervention variables, regime models hoặc forecast scenario.
Backtest nên bao gồm giai đoạn stress nếu có.
14. ARIMAX / Dynamic Regression
Có thể thêm biến ngoại sinh như lãi suất, việc làm, tín dụng. Nhưng nếu X tương lai chưa biết, phải có forecast của X. Forecast uncertainty vì vậy lan từ driver sang outcome.
Nếu nhiều chuỗi nội sinh tác động lẫn nhau, VAR/VECM ở Bài 17 phù hợp hơn.
15. Case: dự báo absorption căn hộ
Chuỗi absorption tháng có trend giảm và mùa Tết. Seasonal naive là baseline. ETS damped trend thắng ARIMA về MASE trong rolling backtest, nhưng cả hai thất bại sau chính sách tín dụng mới. Nhóm thêm intervention dummy và scenario để cải thiện.
16. Sai lầm thường gặp
- Shuffle train/test.
- Không có naive baseline.
- Forecast quá xa so với dữ liệu.
- Dùng MAPE khi actual gần 0.
- Không kiểm residual autocorrelation.
- Không báo prediction interval.
- Tự động ARIMA rồi không hiểu break.
17. Bài tập thực hành
Chọn chuỗi giao dịch tháng 8 năm. Vẽ seasonal plot, xác định baseline, fit ETS và ARIMA, rolling-origin 12 tháng, so MAE/MASE và kiểm residual Ljung–Box. Sau đó mô tả một structural break có thể làm forecast sai.
Ghi nhớ trong 30 giây
- Hiểu chuỗi trước khi chọn mô hình.
- ARIMA mô hình hóa autocorrelation sau differencing; ETS mô hình level–trend–seasonality.
- Time split, baseline và prediction interval là bắt buộc.
- Forecast không đồng nghĩa giải thích nguyên nhân.
- Structural breaks rất quan trọng trong BĐS.
Nguồn tham khảo
- Hyndman & Athanasopoulos – Forecasting: Principles and Practice, 3rd ed.
- Box, Jenkins, Reinsel & Ljung – Time Series Analysis.
Bài tiếp theo: VAR và VECM: quan hệ động giữa lãi suất, tín dụng, giá thuê và giá BĐS