Ứng dụng mô hình học máy để dự báo rủi ro tài chính của các công ty thuộc ngành tài chính ở Việt Nam

Abstract

Bối cảnh và lý do nghiên cứu: Trong bối cảnh thị trường tài chính Việt Nam giai đoạn 2015–2025 có nhiều biến động do tác động của chu kỳ kinh tế, thay đổi chính sách và các cú sốc bất thường, rủi ro tài chính của các doanh nghiệp ngành tài chính ngày càng trở nên phức tạp và khó dự báo bằng các phương pháp truyền thống. Điều này đặt ra yêu cầu cấp thiết về việc ứng dụng các phương pháp định lượng hiện đại nhằm nâng cao năng lực nhận diện và dự báo rủi ro tài chính sớm. Mục tiêu nghiên cứu: Nghiên cứu hướng đến ba mục tiêu chính: (i) xây dựng và ứng dụng các mô hình học máy tiêu biểu bao gồm Logistic Regression, Random Forest, Support Vector Machine (SVM) và Neural Network để dự báo rủi ro tài chính; (ii) so sánh hiệu quả dự báo giữa các mô hình học máy với các mô hình truyền thống như Altman Z-score và Logit/Probit; (iii) đề xuất hàm ý quản trị và chính sách nhằm nâng cao năng lực quản trị rủi ro tài chính trong ngành tài chính Việt Nam. Dữ liệu và phương pháp: Nghiên cứu sử dụng dữ liệu tài chính theo quý của các công ty thuộc ngành tài chính niêm yết trên HOSE, HNX và UPCoM, bao gồm ngân hàng, công ty chứng khoán và công ty bảo hiểm, trong giai đoạn 2015–2025. Bộ dữ liệu được thu thập từ các nguồn công bố chính thức và cơ sở dữ liệu tài chính FireAnt, SSI. Hệ thống biến độc lập bao gồm 34 chỉ tiêu tài chính phản ánh thanh khoản, khả năng sinh lời, đòn bẩy tài chính, hiệu quả hoạt động và dòng tiền. Biến phụ thuộc được xây dựng dưới dạng nhị phân phản ánh trạng thái rủi ro tài chính của doanh nghiệp. Hiệu quả dự báo của các mô hình được đánh giá thông qua các thước đo Accuracy, Precision, Recall, F1-score và ROC–AUC. Kết quả nghiên cứu: Kết quả cho thấy các mô hình học máy, đặc biệt là Random Forest và Neural Network, đạt hiệu quả dự báo vượt trội so với các mô hình truyền thống trên hầu hết các thước đo đánh giá. Các biến phản ánh đòn bẩy tài chính, khả năng thanh khoản và khả năng sinh lời được xác định là những yếu tố có ảnh hưởng quan trọng nhất đến rủi ro tài chính của doanh nghiệp ngành tài chính tại Việt Nam. Đóng góp và ý nghĩa: Nghiên cứu cung cấp bằng chứng thực nghiệm về tính vượt trội của mô hình học máy trong dự báo rủi ro tài chính tại thị trường Việt Nam, đồng thời đề xuất hàm ý chính sách cụ thể cho các nhà quản trị doanh nghiệp, nhà đầu tư và cơ quan quản lý trong việc ứng dụng các công cụ định lượng hiện đại vào quản trị rủi ro hệ thống tài chính