Ứng dụng các mô hình học máy vào việc phân tích khả năng kiệt quệ tài chính của các công ty phi tài chính trên thị trường chứng khoán Việt Nam

Abstract

Trong thập kỷ vừa qua lĩnh vực kinh tế và tài chính đã diễn ra sự phát triển nhanh chóng của việc ứng dụng Machine Learning. Bằng chứng gần đây cho thấy các mô hình học máy đã tạo ra kết quả vượt trội so với các mô hình thống kê truyền thống và trở thành động lực thúc đẩy sự cải thiện mạnh mẽ trong ngành tài chính, đặc biệt là trong quản lý rủi ro. Trong nghiên cứu dự báo kiệt quệ tài chính của nhóm, nhóm đã so sánh khả năng dự báo của các phương pháp học máy để tìm ra phương pháp tối ưu nhất để dự báo và áp dụng phương pháp phân cụm dựa trên tập dữ liệu của các công ty phi tài chính niêm yết tại Việt Nam từ năm 2010 đến năm 2021. Kết quả nghiên cứu chỉ ra rằng mô hình phân lớp SVM (Support Vector Machine) cho kết quả đánh giá cao nhất so với các mô hình khác và kết quả phân cụm chỉ ra rằng, với 5 đặc trưng: Nợ dài hạn trên vốn chủ sở hữu, Khoản phải trả người bán trên tổng tài sản, Tổng nợ phải trả đối với vốn chủ sở hữu, Khoản phải trả người bán trên vốn chủ sở hữu và Nợ dài hạn trên tổng tài sản có mức độ thông tin quan trọng trong việc đánh giá liệu một công ty đang trong tình trạng kiệt quệ tài chính hay không kiệt quệ. Nghiên cứu đã tìm ra những điểm tương đồng giữa các đối tượng trong cùng nhóm công ty kiệt quệ tài chính, hoặc không kiệt quệ. Từ đó, giúp các công ty xếp hạng tín nhiệm có một phương pháp mới để dự đoán khả năng kiệt quệ tài chính của các công ty trên thị trường. Nghiên cứu cũng cung cấp công cụ cảnh báo sớm cho các nhà hoạch định chính sách về rủi ro của công ty đại chúng nhằm xây dựng các biện pháp bảo vệ nhà đầu tư cá nhân trước nguy cơ vỡ nợ trái phiếu.