Mô hình trung bình trượt là gì?
Mô hình chuỗi thời gian dự đoán dựa trên sai số dự báo (nhiễu trắng) trong quá khứ.
Thuật ngữ tiếng Anh: Moving Average Model (MA)
Lĩnh vực: Thống kê & Mô hình
Cách mô hình MA hoạt động
Khác với mô hình AR (tự hồi quy) lấy chính giá trị quá khứ của chuỗi để dự báo, mô hình MA lấy sai số dự báo trong quá khứ (còn gọi là nhiễu trắng – white noise) làm biến đầu vào. Công thức tổng quát ở dạng MA(q) với bậc q:
$$Y_t = \mu + \varepsilon_t + \theta_1\varepsilon_{t-1} + \theta_2\varepsilon_{t-2} + ... + \theta_q\varepsilon_{t-q}$$
Trong đó:
- Y_t: giá trị của chuỗi tại thời điểm t (ví dụ doanh thu tuần này)
- μ: giá trị trung bình dài hạn của chuỗi
- ε_t: sai số (nhiễu trắng) tại thời điểm t — được giả định có kỳ vọng bằng 0, phương sai không đổi, và không tương quan với nhau
- θ_i: hệ số của sai số trễ i, phản ánh mức độ ảnh hưởng của "cú sốc" trong quá khứ lên hiện tại
Ý nghĩa thực tế: nếu tuần trước doanh thu bị "sốc" tăng/giảm bất thường so với dự báo (ví dụ do lễ, do mất khách hàng lớn, do đợt khuyến mãi ngắn hạn), phần dư đó sẽ tiếp tục ảnh hưởng đến dự báo ở các kỳ tiếp theo với trọng số θ. Khi cộng dồn đủ q bước trễ, tác động của cú sốc sẽ tắt dần.
Phân biệt MA (Moving Average Model) với SMA (Simple Moving Average) và EMA (Exponential Moving Average)
Đây là điểm SME hay nhầm lẫn:
- MA trong mô hình Box-Jenkins (ARMA, ARIMA): là mô hình toán học thống kê dùng để dự báo chuỗi thời gian tĩnh (stationary), ước lượng tham số bằng phương pháp likelihood/OLS, thường đi kèm kiểm định ACF, PACF.
- SMA (Simple Moving Average): là công cụ làm mượt đơn giản — lấy trung bình cộng của n kỳ gần nhất. Không phải mô hình dự báo, không có hệ số ước lượng. Ví dụ: SMA 7 ngày của doanh thu = tổng doanh thu 7 ngày gần nhất ÷ 7.
- EMA (Exponential Moving Average): cũng là công cụ làm mượt, nhưng trọng số giảm theo hàm mũ — dữ liệu gần hơn được đánh trọng số cao hơn. Phổ biến trong phân tích kỹ thuật chứng khoán.
Nói ngắn gọn: SMA/EMA dùng để nhìn xu hướng; MA Model dùng để dự báo có cơ sở thống kê và kiểm định được.
Ứng dụng thực tế cho SME Việt Nam
Mô hình MA thường xuất hiện trong các bài toán sau:
- Dự báo doanh thu ngắn hạn: Khi doanh thu có xu hướng ổn định quanh một mức trung bình nhưng chịu nhiễu ngẫu nhiên (ví dụ cửa hàng FMCG, quán ăn có lượng khách dao động nhưng không có trend tăng/giảm rõ), mô hình MA(q) cho phép tách phần "nhiễu" khỏi tín hiệu cốt lõi.
- Dự báo nhu cầu vốn lưu động: Dùng sai số dự báo dòng tiền vào/ra các tuần trước để ước lượng dòng tiền ròng tuần tới, từ đó tính hạn mức vốn lưu động cần bổ sung.
- Phân tích chuỗi bán hàng có tính mùa vụ ngắn: Thường MA được kết hợp với AR thành mô hình ARMA, hoặc với phần sai phân mùa vụ thành SARIMA, để xử lý dữ liệu bán lẻ ngành hàng tiêu dùng nhanh, thời trang theo mùa.
- Kiểm tra độ ổn định của dữ liệu: Trước khi áp dụng, SME cần kiểm tra chuỗi có stationary (tĩnh) hay không — phổ biến nhất qua kiểm định Augmented Dickey-Fuller (ADF). Nếu chuỗi không tĩnh, cần lấy sai phân rồi mới xây MA/ARMA.
- Đánh giá sai số mô hình dự báo: Doanh nghiệp đã có dự báo doanh thu bằng phương pháp khác (Excel, phần mềm kế toán) có thể dùng MA để phân tích phần dư, từ đó phát hiện những cú sốc hệ thống chưa được giải thích.
Lưu ý khi áp dụng: Mô hình MA chỉ phù hợp với chuỗi tĩnh. Với dữ liệu SME Việt Nam thường có trend tăng theo quy mô hoặc mùa vụ rõ (Tết, Black Friday, mùa tựu trường), MA đơn lẻ ít giá trị — thực tế phải dùng ARIMA hoặc SARIMA. Ngoài ra, cần tối thiểu khoảng 50 quan sát trở lên để ước lượng hệ số θ đáng tin cậy; dữ liệu quá ngắn sẽ cho kết quả không ổn định.
Nội dung mang tính tham khảo, không thay thế tư vấn từ chuyên gia thống kê/kế toán khi xây dựng mô hình dự báo chính thức cho doanh nghiệp.
Câu hỏi thường gặp
Mô hình MA có cần nhiều dữ liệu lịch sử không — với cửa hàng mới mở 6 tháng thì có dùng được không?
Mô hình MA cần tối thiểu khoảng 50 quan sát trở lên (tùy bậc q) để ước lượng hệ số θ đáng tin cậy. Với 6 tháng dữ liệu theo tuần chỉ được khoảng 26 quan sát — chưa đủ để chạy MA riêng lẻ, bạn nên bắt đầu bằng SMA/EMA để làm mượt, hoặc thu thập thêm dữ liệu trước khi áp dụng mô hình ARMA/SARIMA.
Tại sao doanh thu cửa hàng có xu hướng tăng rõ ràng mà chạy MA ra kết quả xấu?
Vì MA chỉ phù hợp với chuỗi tĩnh (không có trend tăng/giảm, không có mùa vụ). Khi doanh thu đang tăng đều, giá trị trung bình dài hạn μ thay đổi theo thời gian, làm sai lệch hệ số. Trường hợp này cần lấy sai phân bậc 1 (hoặc sai phân mùa vụ) trước, rồi mới áp dụng MA/ARMA — tức là dùng ARIMA hoặc SARIMA.
Doanh nghiệp nhỏ không có chuyên gia thống kê thì có cách nào tự kiểm tra chuỗi có "tĩnh" không?
Có thể dùng kiểm định Augmented Dickey-Fuller (ADF) — nhiều phần mềm miễn phí như Python (statsmodels), R, hay thậm chí Excel add-in đều hỗ trợ. Ngoài ra, cách trực quan là vẽ đồ thị chuỗi theo thời gian: nếu đường đi ngang quanh một mức trung bình là có dấu hiệu tĩnh; nếu đi lên/xuống rõ rệt hoặc có sóng mùa vụ thì chưa tĩnh.
MA Model khác SMA/EMA như thế nào — có dùng thay thế được cho nhau không?
Không thay thế được. SMA/EMA là công cụ làm mượt để nhìn xu hướng, cho kết quả ngay từ dữ liệu quá khứ; MA Model là mô hình dự báo có cơ sở thống kê, cho kết quả ở tương lai và phải kiểm định được. SME chỉ cần nhìn xu hướng thì dùng SMA/EMA; cần dự báo có sai số đo lường được để lên kế hoạch dòng tiền thì dùng MA/ARMA/ARIMA.
Vay vốn kinh doanh
Hiểu rõ thuật ngữ tài chính giúp doanh nghiệp chuẩn bị hồ sơ vay vốn tốt hơn và tăng khả năng được phê duyệt khoản vay. Đăng ký so sánh lãi suất từ nhiều ngân hàng qua BizLoan.