Dự báo rủi ro hệ thống ngân hàng thương mại Việt Nam tiếp cận theo phương pháp học máy

Abstract

Nghiên cứu khám phá xem liệu thước đo rủi ro hệ thống SRISK có thể tăng cường khả năng dự đoán rủi ro hệ thống của ngân hàng thương mại Việt Nam bằng các mô hình học máy hay không. Đồng thời, nghiên cứu đánh giá các yếu tố nội tại ảnh hưởng đến rủi ro hệ thống đại diện bởi thước đo rủi ro SRISK, ứng dụng dự báo rủi ro với bốn mô hình học máy gồm: Logistic Regession, Random Forest, Neural Network và Gradient Boosting Machine. Nghiên cứu thực hiện trên dữ liệu của 16 ngân hàng thương mại Việt Nam trong giai đoạn từ quý 2/2012 tới quý 2/2024. Sau khi kiểm tra và so sánh hiệu suất độ chính xác của mô hình học máy thông qua ma trận nhầm lẫn, kết quả của nghiên cứu cho thấy cả bốn mô hình có sự khác biệt ở khả năng cân bằng giữa: Độ chính xác tổng thể và tỷ lệ cảnh báo sai. Logistic Regession và Random Forest có ưu thế về độ chính xác tổng thể và giảm thiểu cảnh báo sai, trong khi Neural Network giảm thiểu cảnh báo sai tối đa nhưng thiếu khả năng bao phủ. Gradient Boosting Machine có độ bao phủ cao nhất, phù hợp với mục tiêu phát hiện rủi ro cao, nhưng với nhược điểm là tỷ lệ cảnh báo sai cao hơn. Về giá trị đóng góp, nghiên cứu mở rộng kiến thức hiện có bằng cách đề xuất các thuật toán phân loại cho việc mô hình hóa xác suất rủi ro hệ thống thông qua chỉ số SRISK qua đó giúp ngành ngân hàng thực hiện các biện pháp phòng ngừa hiệu quả hơn, tạo nền tảng cho các nghiên cứu mở rộng về học máy trong lĩnh vực tài chính - ngân hàng sâu rộng hơn. Ứng dụng thực tiễn của nghiên cứu này là cung cấp thông tin quan trọng cho các ngân hàng và cơ quan quản lý, có thể đưa ra các quyết định chính sách phù hợp để kiểm soát và hạn chế rủi ro hệ thống. Nghiên cứu này làm phong phú thêm tài liệu về dự đoán rủi ro hệ thống ngân hàng bằng cách tiếp cận khoa học dữ liệu tại Việt Nam