Đánh giá khả năng dự báo kiệt quệ tài chính các công ty trên thị trường chứng khoán Thành Phố Hồ Chí Minh bằng mô hình máy học

Abstract

Nghiên cứu này tập trung vào việc đánh giá khả năng dự báo tình trạng kiệt quệ tài chính của các công ty niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) thông qua các mô hình truyền thống và hiện đại. Cụ thể, với mô hình truyền thống, nghiên cứu sử dụng mô hình Z-Score nổi tiếng của Altman (1968). Mặc dù đã được phát triển từ thập niên 1960, mô hình này vẫn được sử dụng rộng rãi nhờ vào sự đơn giản và khả năng dự báo tương đối hiệu quả. Bên cạnh đó, các mô hình máy học tiên tiến cũng được nghiên cứu ứng dụng như Logistic Regression, Random Forest, K-Nearest Neighbors (KNN), Artificial Neural Networks (ANN), Naive Bayes và Support Vector Machine (SVM) nhằm so sánh hiệu quả dự báo của các phương pháp khác nhau. Các dữ liệu được thu thập từ báo cáo tài chính đã được kiểm toán của các công ty vào cuối mỗi năm, cung cấp một bức tranh toàn diện về tình trạng tài chính của doanh nghiệp. Trong nghiên cứu này, dữ liệu của các công ty niêm yết trên sàn HOSE giai đoạn 2018 - 2023 sẽ được sử dụng để huấn luyện và kiểm tra các mô hình. Mẫu nghiên cứu bao gồm 341 công ty niêm yết trên sàn HOSE, trong đó có 40 công ty đã gặp tình trạng kiệt quệ tài chính, trong khi 301 công ty duy trì được hoạt động tài chính ổn định. Kết quả phân tích cho thấy tất cả các mô hình được sử dụng trong nghiên cứu đều có khả năng dự báo hiệu quả, tuy nhiên mô hình Random Forest nổi bật với chỉ số AUC ổn định nhất khi dự báo cho giai đoạn trước 2 năm và trước 3 năm, cho thấy độ chính xác và khả năng phân biệt rõ ràng giữa các công ty có khả năng kiệt quệ tài chính và các công ty không gặp rủi ro tài chính nghiêm trọng. Mô hình này không chỉ có hiệu suất dự báo tốt nhất mà còn có khả năng xử lý các biến phức tạp và mối quan hệ phi tuyến tính, làm tăng tính chính xác của kết quả. So với mô hình Z-Score truyền thống, các mô hình máy học đã chứng minh được sự hiệu quả vượt trội trong việc dự báo tài chính, đặc biệt trong bối cảnh nền kinh tế có nhiều biến động. Kết quả dự kiến của nghiên cứu này sẽ cung cấp một cái nhìn toàn diện về hiệu quả của các mô hình máy học trong việc dự đoán khả năng kiệt quệ của doanh nghiệp, đồng thời xác định mô hình phù hợp nhất với thị trường chứng khoán Việt Nam. Đóng góp của nghiên cứu không chỉ nằm ở khía cạnh học thuật mà còn có ý nghĩa thực tiễn quan trọng đối với nền kinh tế Việt Nam. Việc áp dụng các mô hình máy học trong dự báo kiệt quệ tài chính có thể hỗ trợ các nhà quản lý doanh nghiệp, nhà đầu tư, và các cơ quan quản lý tài chính trong việc ra quyết định kịp thời và giảm thiểu rủi ro. Hơn nữa, nghiên cứu cung cấp một công cụ mạnh mẽ cho các bên liên quan, giúp họ nắm bắt tốt hơn tình trạng tài chính của doanh nghiệp và dự đoán sớm các nguy cơ tiềm ẩn, từ đó cải thiện hiệu quả quản trị rủi ro và tăng cường sự ổn định của thị trường chứng khoán Việt Nam