Chương 1: Chƣơng này giới thiệu sơ lƣợc về đề tài, ý nghĩa của đề tài đối với công ty X nói riêng và xã hội nói chung. Giới thiệu về nghiệp vụ đặc trƣng của công ty X và khó khăn mà công ty X đang gặp đó là chƣa quản lý đƣợc dòng tiền vào, từ đó chúng tôi đƣa ra mục tiêu cần thực hiện của đề tài và phạm vi thực hiện của đề tài. 4 Chương 2: Chƣơng này trình bày các công trình liên quan đến việc dự báo dòng tiền. Các công trình liên quan cụ thể đến dự báo tỉ lệ thu hồi tiền cho vay tín dụng, dự báo ngày thu hồi đƣợc tiền cho vay tín dụng.
Tuy không có một công trình nào giống với bài toán chúng tôi nghiên cứu, nhƣng có tính chất tƣơng tự nên chúng tôi giới thiệu các công trình liên quan gián tiếp đến dòng tiền nhƣ các công trình sử dụng phƣơng pháp phân tích dữ liệu chuỗi thời gian để dự báo, gom cụm chuỗi thời gian để tăng độ chính xác cho bài toán dự báo. Chương 3: Chƣơng này trình bày cơ sở lý thuyết chi tiết các kỹ thuật đƣợc áp dụng trong đề tài nhƣ các thuật toán áp dụng trong việc phân tích dữ liệu chuỗi thời gian, phƣơng pháp dự báo chuỗi thời gian đa chuỗi và đơn chuỗi. Để cải thiện kết quả dự báo chúng tôi đã sử dụng giải thuật gom cụm. Chƣơng này trình bày giải thuật gom cụm bằng phân cấp (HAC) và cách tính độ đo khoảng cách.
Chương 4: Chƣơng này tập trung vào phƣơng pháp đề xuất và kết quả thực nghiệm. Bên cạnh đó cũng trình bày chi tiết nghiệp vụ cho vay tín dụng và thu nợ của công ty X, nhờ nghiệp vụ chúng tôi đề xuất các phƣơng pháp dự báo dòng tiền vào. Các phƣơng pháp đề xuất gồm phƣơng pháp dự báo dữ liệu chuỗi thời gian, phƣơng pháp gom cụm dữ liệu chuỗi thời gian, phƣơng pháp dự báo tỉ lệ thu hồi và ngày trả. Trong mỗi phƣơng pháp chúng tôi trình bày căn cứ để đề xuất, cách thực hiện, kết quả thực nghiệm và phân tích kết quả thực nghiệm.
Kết thúc chƣơng là phần nhận xét đánh giá chung các phƣơng pháp, kết quả chỉ rằng phƣơng pháp do chúng tôi đề xuất dự báo tỉ lệ thu hồi và ngày trả có kết quả sai số thấp nhất. Chương 5: Chƣơng này chúng tôi tóm tắt lại kết quả đạt đƣợc so với mục tiêu ban đầu đặt ra của đề tài. Bên cạnh đó đƣa ra một số nhận xét và hƣớng phát triển của đề tài. CÁC NGHIÊN CỨU LIÊN QUAN 2.
Dự báo tỉ lệ thu hồi tiền cho vay tín dụng Những thông số về tín dụng nhƣ tổng thu hồi và tổng thiệt hại tín dụng rất quan trọng với các tổ chức ngân hàng. Để đánh giá mức độ thu hồi cũng nhƣ thiệt hại tín dụng, các ngân hàng thƣờng dùng các thông số tỉ lệ thu hồi tín dụng (recovery rate) hay tỉ lệ tổn thất tín dụng(loss given default). Do tỉ lệ thu hồi tín dụng = 1 – tỉ lệ tổn thất tín dụng nên các công trình nghiên cứu thƣờng chọn một trong hai thông số trên để dự báo. Các công trình thƣờng đề cập đến dự báo tổn thất tín dụng hoặc tỉ lệ thu hồi tín dụng nhƣ Bellotti & Crook (2012), Calabrese & Zenga (2008, 2010), Caselli, Gatti & Querci (2008), Dermine & Carvalho (2006), Grunert & Weber (2009), Renaultand & Scaillet (2004), Schuermann (2003), Loterman, Brow, Martens, Mues & Baesens (2012).
Công trình của Dermine & Carvalho (2006) dự báo tỉ lệ thu hồi tín dụng dựa trên các mẫu dữ liệu tiền vay ngân hàng, phƣơng pháp dự báo tỉ lệ thu hồi tín dụng đƣợc mô hình bởi phƣơng pháp hồi quy hƣởng ứng phân đoạn (fractional response regressions). Không giống nhƣ phƣơng pháp hồi quy bình phƣơng nhỏ nhất (least squares regression), phƣơng pháp phân đoạn hƣởng ứng hồi quy đặc biệt thích hợp cho các biến mô hình nằm trong khoảng [0, 1], do vậy rất phù hợp để dự báo tỉ lệ thu hồi tín dụng vì giá trị tỉ lệ thu hồi luôn đƣợc đảm bảo nằm trong khoảng [0, 1]. Bellotti & Crook (2012) cũng đề nghị áp dụng mô hình tính toán thống kê Tobit để tính tỉ lệ tổn thất tín dụng. Bastos (2010) và Bellotti & Crook (2012) đề xuất áp dụng mô hình cây hồi quy (regression tree) để dự báo tỉ lệ tổn thất tín dụng.
Mô hình cây hồi quy phi tham số và phi tuyến (nonparametric and nonlinear regression tree model) đƣợc đề xuất nhƣ một công cụ dự báo thay thế cho mô hình cây hồi quy tham số thông thƣờng. Cây hồi quy là một kỹ thuật hồi quy đơn giản mạnh mẽ trong đó các giá trị dự báo của biến mục tiêu thu đƣợc thông qua một loạt tuần tự các điều kiện luận lý nếu- thì(if–then). Loạt tuần tự phân tách nhị phân này chia khoản vay ngân hàng quan sát đƣợc thành nhiều phân vùng theo đặc điểm của khoản vay. Mục tiêu của việc phân chia này là chia dữ liệu thành các nhóm sao cho tỉ lệ thu hồi đồng điều nhau.
Tỉ lệ thu hồi dự báo trong một phân vùng bằng trung bình của tập dữ liệu quan sát đƣợc. Cây hồi quy giống nhƣ bảng tìm kiếm chứa đựng tỉ lệ thu hồi trung bình dựa trên lịch sử. Loterman, Brow, Martens, Mues & Baesens (2012) đã thực hiện việc đo đạc dự báo tỉ lệ tổn thất tín dụng với 24 kỹ thuật hồi quy trên 6 tập dữ liệu của các ngân hàng quốc tế lớn. Kết quả chỉ ra rằng có nhiều khác biệt trong kết quả dự báo tỉ lệ thu hồi tín dụng của các kỹ thuật trên, sự khác biệt này vẫn không thể giải thích đƣợc.
Tuy nhiên có một xu hƣớng rõ ràng rằng kỹ thuật hồi quy phi tuyến tính nhƣ 6 SVM(Support Vector Machines) và mạng nơron nhân tạo (ANN - Artificial Neural Networks) thực hiện dự báo tốt hơn so với kỹ thuật hồi quy tuyến tính truyền thống. Công trình cũng chỉ ra rằng mô hình hai giai đoạn đƣợc xây dựng bởi một sự kết hợp của kỹ thuật tuyến tính và phi tuyến tính cho ra sức mạnh dự báo tốt hơn. Mặc dù chƣa có một công trình nào dùng phƣơng pháp phân tích chuỗi thời gian để dự báo tỉ lệ thu nợ, nhƣng nó cũng là một trong những phƣơng pháp thật sự phổ biến và đƣợc dùng nhiều để giải quyết các bài toán dự báo trong lĩnh vực tài chính. Do vậy phƣơng pháp này có thể là một lựa chọn đầy hứa hẹn để giải quyết bài toán dự báo tỉ lệ tiền thu hồi tín dụng.
Dự báo ngày thu hồi đƣợc tiền cho vay tín dụng Thời gian thu hồi của các công trình Bastos (2010) và Bellotti & Crook (2012) chỉ đề cập đến khả năng thu hồi tín dụng của khách hàng trong vòng 12 tháng, 24 tháng và 48 tháng. Chƣa có một công trình cụ thể nào trong việc dự báo chính xác ngày thu hồi đƣợc tiền cho vay tín dụng. Đối với việc dự báo liên quan đến sự kiện thời gian có các công trình Stefanski (2009), Martinez (2012). Công trình của Martinez (2012) đề xuất mô hình để ƣớc tính thời gian trễ của các chuyến bay dựa trên phân phối xác suất.
Công trình của Stefanski (2009) dự báo thời gian trễ của các chuyến bay bằng cách khai phá dữ liệu. Stefanski (2009) sử dụng phƣơng pháp học máy và phát triển hai loại mô hình. Đầu tiên tác giả dùng bộ phân lớp để tạo ra các mô hình dự báo sự khởi hành của các chuyến bay là trễ hay đúng giờ. Tiếp theo, tác giả xây dựng mô hình hồi quy để dự báo chuyến bay sẽ trễ bao nhiêu phút.
Tác giả thực nghiệm với mô hình hồi quy tuyến tính đơn giản và mô hình hồi quy tuyến tính phức tạp. Đối với mô hình hồi quy đơn giản, thời gian trễ của chuyến bay chỉ phụ thuộc vào yếu tố giờ xuất phát. Đối với mô hình hồi quy phức tạp, thời gian trễ của chuyến bay ngoài sự phụ thuộc vào hãng bay, thời gian khởi hành, quảng đƣờng, hãng vận chuyển hàng hóa còn phụ thuộc vào yếu tố chuỗi thời gian là thứ tự ngày trong tháng, ngày trong tuần mà chuyến bay khởi hành. Dự báo dựa vào dữ liệu chuỗi thời gian Ngày nay, có nhiều cách, nhiều phƣơng pháp và mô hình để dự báo nhằm để biết trƣớc những điều có thể xảy ra trong tƣơng lai.
Mô hình tự hồi quy (AutoRegressive – AR) với các dữ liệu chuỗi thời gian là một trong những mô hình mạnh về dự báo giá trị của biến số tại một số điểm trong tƣơng lai căn cứ vào những dữ liệu trong quá khứ. Trong lĩnh vực tài chính, các nghiên cứu liên quan đến dữ liệu chuỗi thời gian, dự báo tài chính có rất nhiều và xem chuỗi thời gian nhƣ là một trong những công cụ toán học hiệu quả cho việc phân tích và dự báo. 7 Phƣơng pháp phân tích chuỗi thời gian đƣợc đề xuất để giải quyết các bài toán dự báo trong lĩnh vực tài chính nhƣ Box, Jenkins & Reinsel (2015), Mastrangelo (2013). Riêng dự báo dựa vào phân tích chuỗi thời gian trong lĩnh vực ngân hàng có các công trình của Faure (2013), Ghassan (2013).
Dự báo dựa trên chuỗi thời gian là một quá trình sử dụng một mô hình để dự báo cho sự kiện tƣơng lai dựa trên các sự kiện đã biết ở quá khứ. Một chuỗi thời gian (time series) là một chuỗi các điểm dữ liệu đƣợc đo theo từng khoảng thời gian liền nhau theo một tần suất thời gian thống nhất. Các mô hình chuỗi thời gian đƣợc đặc biệt áp dụng trong dự báo ngắn hạn. Vasilev (2014) sử dụng phƣơng pháp phân tích chuỗi thời gian để chỉ ra rằng không có sự phụ thuộc nào giữa dòng tiền vào và dòng tiền cho mƣợn thêm của các tổ chức tín dụng.
Nyberg (2013) cũng dùng phƣơng pháp phân tích chuỗi thời gian để dự báo sự lên và xuống của giá cổ phiếu trên thị trƣờng Mỹ. Một số mô hình đƣợc dùng trong phƣơng pháp dự báo theo chuỗi thời gian nhƣ ARIMA (Autoregressive Integrated Moving Average), ANN, Bagging, Random Forests. Vaisla (2010) sử dụng ANN để dự báo giá cổ phiếu hằng ngày và so sánh mô hình này với kỹ thuật dự báo thống kê, kết quả cho thấy mạng nhân tạo, khi đƣợc huấn luyện đủ dữ liệu, đầu vào thích hợp và với kiến trúc thích hợp, có thể dự báo đƣợc giá cả thị trƣờng chứng khoán rất tốt.