Dự Đoán Khó Khăn Tài Chính: Bằng Chứng Từ Việt Nam

Chuyên khảo phân tích Financial distress prediction evidence from vietnam, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Le Tuan Tung
• Người hướng dẫn: PhD. Truong Cong Doan
• Trường học: Vietnam National University, Hanoi International School
• Chuyên ngành: Management Information System
• Đề tài: Dự Đoán Khó Khăn Tài Chính Tại Việt Nam: Ứng Dụng Machine Learning
• Loại tài liệu: graduation project
• Năm xuất bản: 2024
• Địa điểm: Hanoi

Mục lục chi tiết

• List of Figures
• List of Tables
• List of Abbreviations
• Abstract
• Author’s Declaration
• Acknowledgements
• 1. I. Introduction
• 1.1. Financial Distress Prediction
• 1.2. Problem Background
• 1.3. Problem Statement
• 1.4. Research Objectives and Contributions
• 1.5. Financial Distress
• 1.6. Machine Learning in Financial Distress

Tóm tắt

I. Tổng Quan Dự Đoán Khó Khăn Tài Chính Tại Việt Nam

Dự đoán khó khăn tài chính là một khía cạnh quan trọng trong phân tích tài chính, đặc biệt đối với các bên liên quan như nhà đầu tư, chủ nợ và nhà hoạch định chính sách. Việc dự đoán chính xác khó khăn tài chính giúp giảm thiểu rủi ro và thực hiện các hành động phòng ngừa để tránh những hậu quả kinh tế nghiêm trọng, bao gồm phá sản, mất việc làm và suy thoái kinh tế trên diện rộng. Luận văn này tập trung vào việc dự đoán khó khăn tài chính trong bối cảnh Việt Nam, tận dụng sự kết hợp giữa các tỷ số tài chính và kỹ thuật machine learning để nâng cao độ chính xác và độ tin cậy của dự đoán. Dự báo khủng hoảng tài chính Việt Nam giúp các bên liên quan có thể đưa ra quyết định sáng suốt hơn.

1.1. Tầm Quan Trọng Của Dự Đoán Khó Khăn Tài Chính

Dự đoán khó khăn tài chính liên quan đến việc xác định các công ty có khả năng gặp khó khăn tài chính trong tương lai gần. Những khó khăn như vậy thường biểu hiện như không có khả năng đáp ứng các nghĩa vụ tài chính, lợi nhuận giảm và các vấn đề về thanh khoản. Các phương pháp truyền thống, như Altman Z-score, đã được sử dụng rộng rãi để dự đoán mức độ khó khăn tài chính. Điểm Z của Altman sử dụng các tỷ số tài chính để phân loại các công ty thành các mức độ khó khăn khác nhau (Altman, 1968). Tuy nhiên, sự ra đời của machine learning đã giới thiệu các phương pháp tiếp cận tiên tiến hơn có khả năng xử lý các mẫu phức tạp và bộ dữ liệu lớn, có khả năng cải thiện hiệu suất dự đoán.

1.2. Bối Cảnh Kinh Tế Việt Nam Và Rủi Ro Tài Chính

Sự chuyển đổi của Việt Nam từ nền kinh tế kế hoạch hóa tập trung sang nền kinh tế thị trường đã thúc đẩy tăng trưởng kinh tế nhanh chóng và tăng cường hội nhập toàn cầu. Sự chuyển đổi này cũng đã khiến các công ty Việt Nam phải đối mặt với nhiều rủi ro tài chính khác nhau, đòi hỏi các mô hình dự đoán tài chính Việt Nam mạnh mẽ. Bối cảnh kinh tế và quy định đang phát triển ở Việt Nam đòi hỏi phải phát triển các mô hình dự đoán chính xác và đáng tin cậy phù hợp với các điều kiện địa phương. Luận văn này đặc biệt tập trung vào các công ty sản xuất, dịch vụ và thương mại tại Việt Nam. Các lĩnh vực này rất quan trọng đối với nền kinh tế Việt Nam, đóng góp đáng kể vào GDP, việc làm và thương mại quốc tế.

II. Vấn Đề Thách Thức Dự Đoán Khó Khăn Kinh Tế Tại Việt Nam

Nền kinh tế Việt Nam, đặc trưng bởi sự chuyển đổi nhanh chóng và hội nhập vào thị trường toàn cầu, mang đến những thách thức và cơ hội riêng cho việc dự đoán khó khăn tài chính. Các công ty sản xuất, dịch vụ và thương mại, vốn rất cần thiết cho nền tảng kinh tế của Việt Nam, đặc biệt dễ bị tổn thương trước sự bất ổn tài chính do nhiều ảnh hưởng bên trong và bên ngoài, chẳng hạn như sự biến động của thị trường, thay đổi trong quy định và sự kém hiệu quả trong hoạt động. Sự cần thiết phải có các mô hình dự đoán tiên tiến hơn và chính xác hơn có thể tận dụng lượng lớn dữ liệu tài chính hiện có ngày nay.

2.1. Hạn Chế Của Các Phương Pháp Dự Đoán Truyền Thống

Mặc dù vai trò quan trọng của các lĩnh vực này, các nghiên cứu hiện tại về dự đoán khó khăn tài chính ở Việt Nam chủ yếu dựa vào các phương pháp thống kê truyền thống, có thể không phản ánh đầy đủ bản chất phức tạp và luôn thay đổi của khó khăn tài chính trong bối cảnh kinh doanh ngày nay. Những phương pháp truyền thống này thường không tính đến các tương tác phức tạp giữa nhiều biến tài chính, dẫn đến hiệu suất dự đoán không tối ưu. Có một nhu cầu quan trọng đối với các mô hình dự đoán tiên tiến hơn và chính xác hơn có thể tận dụng lượng lớn dữ liệu tài chính hiện có ngày nay. Machine learning là giải pháp hứa hẹn cho vấn đề này.

2.2. Thiếu Ứng Dụng Machine Learning Trong Bối Cảnh Việt Nam

Các phương pháp machine learning, được biết đến với khả năng quản lý các bộ dữ liệu mở rộng và xác định các mẫu phức tạp, đưa ra một giải pháp đầy hứa hẹn cho vấn đề này. Tuy nhiên, ứng dụng của chúng trong bối cảnh Việt Nam, đặc biệt đối với các công ty sản xuất, dịch vụ và thương mại, vẫn chưa được khám phá đầy đủ. Luận văn này tìm cách thu hẹp khoảng cách này bằng cách tạo và đánh giá các mô hình machine learning để dự đoán khó khăn tài chính ở các công ty Việt Nam, sử dụng một bộ tỷ số tài chính toàn diện và điểm Z của Altman để gắn nhãn các mức độ khó khăn.

III. Phương Pháp Ứng Dụng Machine Learning Dự Đoán Tài Chính Việt Nam

Machine learning đã chuyển đổi lĩnh vực dự đoán khó khăn tài chính, tạo điều kiện thuận lợi cho việc tạo ra các mô hình dự đoán chính xác và hiệu quả hơn. Các phương pháp truyền thống như cây quyết định và phân tích phân biệt đối xử đã được sử dụng rộng rãi để dự đoán khó khăn tài chính. Tuy nhiên, những phương pháp này thường không đủ khả năng xác định các mối quan hệ phi tuyến tính và các mẫu phức tạp được tìm thấy trong dữ liệu tài chính. Các kỹ thuật machine learning, mặt khác, có thể xử lý các tập dữ liệu lớn và xác định các mối quan hệ phức tạp giữa các biến, do đó cung cấp các dự đoán mạnh mẽ hơn (Machine Learning for Finance Vietnam).

3.1. Các Thuật Toán Machine Learning Phổ Biến Trong Tài Chính

Nghiên cứu gần đây đã sử dụng các thuật toán machine learning để dự đoán khó khăn tài chính với kết quả đáng khích lệ. Ví dụ, Wu et al. (2023) đã sử dụng mạng nơ-ron và rừng ngẫu nhiên để dự đoán những khó khăn kinh tế ở các công ty vừa và nhỏ, đạt được độ chính xác 87%. Tương tự, Zhou et al. (2021) đã triển khai XGBoost và máy vectơ hỗ trợ (SVM) để nâng cao độ chính xác dự đoán cho các công ty niêm yết, báo cáo độ chính xác 89%.

3.2. Ứng Dụng Machine Learning Tại Việt Nam Nghiên Cứu Điển Hình

Trong bối cảnh Việt Nam, các kỹ thuật machine learning cũng đã được khám phá để dự đoán khó khăn tài chính. Nguyen và Tran (2019) đã tiến hành...

IV. Kết Quả Đánh Giá Mô Hình Dự Đoán Khó Khăn Tài Chính ML

Kết quả nghiên cứu cho thấy rằng các mô hình machine learning có thể cải thiện đáng kể độ chính xác của dự đoán khó khăn tài chính so với các phương pháp thống kê truyền thống. Các tỷ số tài chính cụ thể, chẳng hạn như tỷ số thanh khoản, tỷ suất lợi nhuận và tỷ số đòn bẩy, đóng một vai trò quan trọng trong việc dự đoán khó khăn tài chính. Nghiên cứu cũng nhấn mạnh tầm quan trọng của việc lựa chọn các thuật toán machine learning và tính năng phù hợp để cải thiện hiệu suất dự đoán. Điều này sẽ cung cấp các khuyến nghị có giá trị cho các nhà quản lý doanh nghiệp, nhà đầu tư và các nhà hoạch định chính sách trong việc đưa ra các quyết định sáng suốt để ngăn chặn khó khăn tài chính và thúc đẩy sự ổn định kinh tế.

4.1. Độ Chính Xác Của Các Mô Hình Machine Learning SVM RF XGBoost

Các mô hình được đánh giá dựa trên độ chính xác, độ chính xác, thu hồi và điểm F1 để xác định phương pháp tiếp cận hiệu quả nhất. Nghiên cứu này góp phần vào tài liệu hiện có bằng cách cung cấp bằng chứng thực nghiệm từ Việt Nam, một nền kinh tế đang phát triển nhanh chóng với các đặc điểm tài chính riêng. Các hiểu biết sâu sắc thu được từ nghiên cứu này có thể có ý nghĩa quan trọng đối với các nhà quản lý doanh nghiệp, nhà đầu tư và các nhà hoạch định chính sách trong việc đưa ra các quyết định sáng suốt để ngăn chặn khó khăn tài chính và thúc đẩy sự ổn định kinh tế.

4.2. Các Yếu Tố Tài Chính Quan Trọng Trong Dự Đoán Khó Khăn

Các tỷ số tài chính cụ thể, chẳng hạn như tỷ số thanh khoản, tỷ suất lợi nhuận và tỷ số đòn bẩy, đóng một vai trò quan trọng trong việc dự đoán khó khăn tài chính. Nghiên cứu cũng nhấn mạnh tầm quan trọng của việc lựa chọn các thuật toán machine learning và tính năng phù hợp để cải thiện hiệu suất dự đoán. Điều này sẽ cung cấp các khuyến nghị có giá trị cho các nhà quản lý doanh nghiệp, nhà đầu tư và các nhà hoạch định chính sách trong việc đưa ra các quyết định sáng suốt để ngăn chặn khó khăn tài chính và thúc đẩy sự ổn định kinh tế.

V. Ứng Dụng Xây Dựng Web App Dự Đoán Khó Khăn Tài Chính

Việc phát triển một ứng dụng web thân thiện với người dùng bằng Streamlit, cho phép người dùng nhập các tỷ số tài chính và nhận dự đoán về mức độ khó khăn, cung cấp một giải pháp thực tế cho các bên liên quan. Công cụ thực tế này sẽ hỗ trợ các bên liên quan trong việc đưa ra quyết định sáng suốt. Ứng dụng này sẽ cho phép người dùng nhập các tỷ số tài chính và nhận dự đoán về mức độ khó khăn dựa trên các mô hình machine learning đã được đào tạo. Công cụ thực tế này sẽ hỗ trợ các bên liên quan trong việc đưa ra quyết định sáng suốt.

5.1. Streamlit Nền Tảng Phát Triển Ứng Dụng Web Dễ Dàng

Streamlit là một thư viện Python tạo điều kiện thuận lợi cho việc phát triển các ứng dụng web tương tác. Ứng dụng này sẽ cho phép người dùng nhập các tỷ số tài chính và nhận dự đoán về mức độ khó khăn dựa trên các mô hình machine learning đã được đào tạo. Quá trình phát triển sẽ đảm bảo ứng dụng trực quan và dễ tiếp cận đối với tất cả các loại người với các cấp độ kỹ năng kỹ thuật khác nhau.

5.2. Giao Diện Người Dùng Thân Thiện và Dễ Sử Dụng

Ứng dụng sẽ phục vụ như một công cụ thiết thực cho các bên liên quan, cung cấp các dự đoán theo thời gian thực dựa trên các mô hình machine learning đã được đào tạo. Quá trình phát triển sẽ đảm bảo ứng dụng trực quan và dễ tiếp cận đối với tất cả các loại người với các cấp độ kỹ năng kỹ thuật khác nhau.

VI. Kết Luận Tương Lai Của Dự Đoán Khó Khăn Tài Chính ML Tại VN

Nghiên cứu này đánh dấu một bước tiến quan trọng trong việc ứng dụng machine learning để dự đoán khó khăn tài chính tại Việt Nam. Việc kết hợp các kỹ thuật tiên tiến này với dữ liệu tài chính đặc thù của thị trường Việt Nam mở ra cơ hội để nâng cao độ chính xác và hiệu quả của các mô hình dự đoán. Những kết quả này có thể được sử dụng để xây dựng các hệ thống cảnh báo sớm, giúp các doanh nghiệp và nhà đầu tư chủ động phòng ngừa rủi ro và đưa ra các quyết định đầu tư thông minh hơn. Hơn nữa, nghiên cứu này cũng góp phần vào việc nâng cao năng lực phân tích và dự báo kinh tế của Việt Nam, tạo tiền đề cho sự phát triển bền vững và ổn định hơn.

6.1. Hướng Nghiên Cứu Tiếp Theo Và Mở Rộng Ứng Dụng

Trong tương lai, nghiên cứu có thể tập trung vào việc kết hợp thêm các yếu tố kinh tế vĩ mô và các chỉ số phi tài chính để cải thiện hơn nữa độ chính xác của dự đoán. Bên cạnh đó, việc mở rộng phạm vi nghiên cứu sang các ngành công nghiệp khác nhau và thử nghiệm với các thuật toán machine learning phức tạp hơn cũng là những hướng đi đầy tiềm năng. Quan trọng hơn, cần có sự hợp tác chặt chẽ giữa các nhà nghiên cứu, doanh nghiệp và các cơ quan quản lý để đảm bảo rằng các mô hình dự đoán được phát triển không chỉ hiệu quả về mặt kỹ thuật mà còn phù hợp với thực tiễn kinh doanh và tuân thủ các quy định pháp luật.

6.2. Chính Sách Hỗ Trợ Ứng Dụng AI Trong Dự Báo Tài Chính

Để thúc đẩy ứng dụng AI trong dự báo tài chính và quản lý rủi ro, chính phủ Việt Nam có thể xem xét việc ban hành các chính sách khuyến khích đầu tư vào nghiên cứu và phát triển các công nghệ machine learning. Đồng thời, cần có các chương trình đào tạo và nâng cao nhận thức để giúp các doanh nghiệp và nhà đầu tư hiểu rõ hơn về tiềm năng và rủi ro của việc sử dụng AI trong tài chính.

Trích đoạn nội dung tài liệu

VIETNAM NATIONAL UNIVERSITY, HANOI INTERNATIONAL SCHOOL GRADUATION PROJECT PROJECT NAME FINANCIAL DISTRESS PREDICTION: EVIDENCE FROM VIETNAM Student’s name Le Tuan Tung Hanoi - 2024 VIETNAM NATIONAL UNIVERSITY, HANOI INTERNATIONAL SCHOOL GRADUATION PROJECT FINANCIAL DISTRESS PREDICTION: EVIDENCE FROM VIETNAM SUPERVISOR: PhD. Truong Cong Doan STUDENT: Le Tuan Tung STUDENT ID: 21070006 COHORT: QH-2021-Q SUBJECT CODE: INS401101 MAJOR: Management Information System Hanoi - 2024 Table of Contents List of Figures. 1 List of Tables. 1 List of Abbreviations.

Financial Distress Prediction. Research Objectives and Contributions. Machine Learning in Financial Distress. Random Forest Classification.

Support Vector Machine. Gradient Boosting Machine. Artificial Neural Networks. Experimental Set-up .5 Principal Component Analysis (PCA).

Class Imbalance: Over-sampling. Result and Discussion .1 Finding on total.2 Findings by sectors. Demo Streamlit App. Conclusion and Future Research.46 2 List of Figures Figure 1.

Distribution of business types. Distress level by business type. Correlation matrix of financial ratios. Distribution of financial ratios.

Distribution of financial distress levels over the years. Flowchart of financial prediction model. ROC curves for total data. Home page - App Demo.

Prediction Distress Interface. Insert data to web - demo. Result from web demo. 42 List of Tables Table 1.

Summary of Literature Review. List of Independent Variables. Hyperparameters optimization for manufacturer company. Accuracy Before and After tuning for total data.

Distribution of training and testing data. Accuracy Before and After Tuning the Hyperparameters. Evaluation indexes for SVM. ROC curves of SVM for three types of company.

AUROC of models for three types of company. 38 1 List of Abbreviations • ANN: Artificial Neural Network • AUC: Area Under the Curve • AUROC: Area Under the Receiver Operating Characteristic Curve • BNK: Bankrupt • CL: Current Liabilities • DPD: Days Past Due • EBIT: Earnings Before Interest and Taxes • FCF: Free Cash Flow • FDP: Financial Distress Prediction • IE: Interest Expense • LSTM: Long Short-Term Memory • MCC: Matthews Correlation Coefficient • ML: Machine Learning • MVE: Market Value of Equity • NOCF: Net Operating Cash Flow • PCA: Principal Component Analysis • RE: Retained Earnings • ROC: Receiver Operating Characteristic • RNN: Recurrent Neural Network • SVM: Support Vector Machine • TA: Total Assets • TL: Total Liabilities • XGBoost: Extreme Gradient Boosting • Z-Score: Altman's Z-Score • FDP: Financial Distress Prediction 2 Abstract This thesis investigates the application of machine learning techniques to predict financial distress among companies in Vietnam, utilizing a comprehensive dataset encompassing financial ratios from 509 firms, resulting in 7,126 observations spanning from 2006 to 2019. Financial distress prediction (FDP) is crucial for stakeholders, including investors, creditors, and policymakers, as it aids in identifying early warning signs and mitigating potential financial crises. To create prediction models, the study uses a variety of machine learning techniques, such as ANN, XGBoost, gradient boosting, random forests, and support vector machines.

The financial distress levels are labeled using the Altman Z-score, a well- established metric for assessing a company's financial health. These models are trained and validated on historical financial data, focusing on key financial ratios that serve as indicators of a company's financial health. To guarantee solid and trustworthy predictions, the performance of these models is assessed using the following metrics: accuracy, precision, recall, and the area under the receiver operating characteristic (ROC) curve. My findings demonstrate that machine learning models can significantly enhance the accuracy of financial distress predictions compared to traditional statistical methods.

The results indicate that specific financial ratios, such as liquidity, profitability, and leverage ratios, play a pivotal role in predicting financial distress. Additionally, the study highlights the importance of selecting appropriate machine learning algorithms and features to improve predictive performance. This research contributes to the existing literature by providing empirical evidence from Vietnam, a rapidly developing economy with unique financial characteristics. The insights gained from this study can be instrumental for corporate managers, investors, and policymakers in making informed decisions to prevent financial distress and promote economic stability.

Keywords: Financial Distress Prediction, Altman Z-score, Machine Learning 3 Author’s Declaration I certify that I am the author of this thesis. This is an accurate copy of the thesis that my examiners have approved, along with any necessary last-minute changes. I give the Vietnam National University's International School permission to lend this thesis to other organizations or people for academic purposes. Additionally, at the request of other organizations or persons for scholarly research, I grant permission to the International School, Vietnam National University, to replicate this thesis in whole or in part through photocopying or other means.

I understand that the public will have electronic access to my thesis. Le Tuan Tung 4 Acknowledgements First and foremost, I would like to express my deepest gratitude to my advisors, Dr. Truong Cong Doan and Dr. Nguyen Thi Kim Oanh, for their constant assistance, direction, and inspiration during my research.

Their deep expertise and perceptive criticism have been extremely helpful in developing my argument. Their patience and dedication to my academic growth have been a source of inspiration, and I am immensely grateful for their mentorship. Their expertise in financial analysis and machine learning provided the foundation for this study, and their contributions were crucial in the development and completion of this research on financial distress prediction among listed companies in Vietnam. I would also like to thank the faculty members of International School - Vietnam National University, Hanoi for providing a stimulating and supportive academic environment.

Additionally, I extend my appreciation to my friends who have provided support and encouragement throughout this journey. Their companionship and discussions have enriched my learning experience and made this endeavor more enjoyable. The collaborative environment allowed me to explore different perspectives and improve my understanding of machine learning techniques and their application in financial distress prediction. I am also grateful to the financial institutions and data providers that made the data for this research available.

The comprehensive dataset from the FiinPro Platform was essential in conducting a thorough analysis and developing robust predictive models. Without their cooperation, this research would not have been possible. Lastly, I want to express my sincere gratitude to my family for their constant understanding and support. Their support, affection, and faith in my skills have been my inspiration and motivation.

The countless hours they spent listening to my progress and providing emotional support were instrumental in the completion of this thesis. Without the assistance and efforts of each of these people, my thesis would not have been feasible, and for that I am very grateful. Their collective efforts have not only made this research possible but have also enriched my academic journey, providing me with the skills and knowledge to pursue future endeavors in the field of financial distress prediction and beyond. Le Tuan Tung 5 I.

Introduction The prediction of financial distress is a crucial aspect of financial analysis, particularly relevant for stakeholders such as investors, creditors, and policymakers. Accurately predicting financial distress helps in mitigating risks and taking preventive actions to avoid significant economic consequences, including bankruptcy, loss of employment, and broader economic downturns. This thesis focuses on predicting financial distress within the Vietnamese context, leveraging a combination of financial ratios and machine learning techniques to enhance prediction accuracy and reliability. Financial Distress Prediction Financial distress prediction involves identifying firms likely to encounter financial difficulties in the near future.

Such difficulties often manifest as an inability to meet financial obligations, declining profitability, and liquidity problems. Traditional methods, such as Altman Z-score, have been widely used to predict financial distress level. The Altman Z-score uses financial ratios to classify firms into different distress levels (Altman, 1968). In this thesis, the Z-score will be employed to label firms into three categories of distress level: 2 (non-distressed), 1 (moderately distressed), and 0 (severely distressed).

However, the emergence of machine learning has introduced more advanced approaches capable of handling complex patterns and large datasets, potentially improving prediction performance. Based on sixteen financial ratios, this thesis uses a variety of machine learning methods, such as Random Forest, Support Vector Machine (SVM), Artificial Neural Networks (ANN), Gradient Boosting, and XGBoost, to predict financial hardship. These algorithms are chosen for their ability to capture non-linear relationships and interactions among variables, which traditional methods might miss. Problem Background Vietnam's shift from a centrally planned economy to a market-oriented one has driven rapid economic growth and heightened global integration.

This transformation has also exposed Vietnamese firms to various financial risks, necessitating robust financial distress prediction models. The evolving regulatory and economic landscape in Vietnam makes it imperative to develop accurate and reliable prediction models tailored to local conditions. This thesis specifically focuses on manufacturing, service, and trade companies in Vietnam. These sectors are critical to the Vietnamese economy, contributing significantly to GDP, employment, and international trade.

However, they also face 6 unique financial challenges due to fluctuations in market demand, supply chain disruptions, and changing regulatory environments. Predicting financial distress in these sectors can provide valuable insights and preemptive measures to mitigate adverse economic impacts. Earlier research on predicting financial distress in Vietnam has predominantly utilized traditional statistical methods, including logistic regression and discriminant analysis (Nguyen & Tran, 2019). While these methods have provided valuable insights, they may not fully capture the complexity of financial distress in the modern business environment.

This thesis aims to address this gap by incorporating machine learning techniques, presenting a novel approach to improving the predictive accuracy of financial distress models. Additionally, this thesis seeks to create an intuitive web application using Streamlit, a Python library that facilitates the development of interactive web applications. The application will allow users to input financial ratios and receive a prediction of the distress level based on the trained machine learning models. This practical tool will provide valuable assistance to stakeholders in making informed decisions.

Problem Statement The Vietnamese economy, characterized by its rapid transformation and integration into the global market, presents unique challenges and opportunities for financial distress prediction. Manufacturing, service, and trade companies, which are essential to Vietnam's economic foundation, are particularly vulnerable to financial instability due to various internal and external influences, such as market volatility, changes in regulations, and inefficiencies in operations. Despite the significant role these sectors play, existing studies on financial distress prediction in Vietnam have predominantly relied on traditional statistical approaches, which may not adequately reflect the intricate and ever-changing nature of financial distress in today's business landscape. These traditional methods often fail to account for the intricate interactions between multiple financial variables, leading to suboptimal predictive performance.

There is a critical need for more advanced and accurate predictive models that can leverage the vast amount of financial data available today. Machine learning methods, known for their capacity to manage extensive datasets and identify intricate patterns, present a promising solution to this issue. However, their application in the Vietnamese 7 context, especially for manufacturing, service, and trade companies, remains underexplored. This thesis seeks to bridge this gap by creating and assessing machine learning models for predicting financial distress in Vietnamese companies, using a comprehensive set of financial ratios and the Altman Z-score for labeling distress levels.

Additionally, the development of a web application using Streamlit will provide a practical tool for stakeholders to easily input financial data and obtain distress level predictions, enhancing decision-making processes. Research Objectives and Contributions The primary objectives of this thesis are as follows: ● To identify the key financial ratios that significantly impact financial distress prediction in Vietnamese manufacturing, service, and trade companies: ○ This involves selecting and analyzing 17 financial ratios to determine their relevance and predictive power in the context of financial distress. ● To use the chosen financial ratios to create, evaluate, and compare different machine learning models for financial distress prediction. ○ This includes applying algorithms such as Support Vector Machine (SVM), Random Forest, XGBoost, Artificial Neural Networks (ANN) and Gradient Boosting Machine to create models.