Ứng Dụng Học Máy Vào Dự Đoán Rủi Ro Vỡ Nợ Của Các Doanh Nghiệp Tại Việt Nam

Ứng dụng học máy dự đoán rủi ro vỡ nợ doanh nghiệp tại Việt Nam. Phân tích mô hình, dữ liệu, và giải pháp giúp quản lý rủi ro tín dụng hiệu quả.

• Tác giả: Lê Thị Trúc Ly
• Người hướng dẫn: TS. Nguyễn Thị Minh Châu
• Trường học: Trường Đại học Ngân hàng Tp. Hồ Chí Minh
• Chuyên ngành: Tài chính – Ngân hàng
• Đề tài: Ứng Dụng Học Máy Vào Dự Đoán Rủi Ro Vỡ Nợ Của Các Doanh Nghiệp Tại Việt Nam
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU VỀ NGHIÊN CỨU
• 1.1. Tính cấp thiết của đề tài
• 1.2. Mục tiêu của đề tài
• 1.2.1. Mục tiêu nghiên cứu tổng quát
• 1.2.2. Mục tiêu nghiên cứu cụ thể
• 1.3. Câu hỏi nghiên cứu
• 1.4. Đối tượng và phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Đóng góp của đề tài
• 1.6.1. Đóng góp về lý thuyết
• 1.6.2. Đóng góp về thực tiễn
• 1.7. Bố cục của đề tài nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ TÌNH HÌNH NGHIÊN CỨU
• 2.1. Rủi ro vỡ nợ của doanh nghiệp và xác suất vỡ nợ
• 2.2. Các phương pháp và các nhân tố thường được sử dụng trong ước lượng xác suất vỡ nợ của khách hàng doanh nghiệp
• 2.2.1. Các nhân tố thường được sử dụng trong ước lượng xác suất vỡ nợ
• 2.2.2. Các phương pháp phổ biến ứng dụng ước lượng xác suất vỡ nợ
• 2.3. Tổng quan các nghiên cứu trước
• 2.3.1. Các nghiên cứu trong nước
• 2.3.2. Các nghiên cứu ngoài nước
• 3. MÔ HÌNH VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Phương pháp nghiên cứu
• 3.2. Quy trình nghiên cứu
• 3.3. Thu thập dữ liệu và xử lý dữ liệu
• 3.4. Lựa chọn các biến đầu vào trong mô hình dự báo rủi ro vỡ nợ
• 3.5. Các mô hình dự báo rủi ro vỡ nợ doanh nghiệp
• 3.5.1. Mô hình hồi quy Logistic (Logistic Regression)
• 3.5.2. Mô hình cây quyết định (Decision Tree)
• 3.5.3. Mô hình rừng ngẫu nhiên (Random Forest)
• 3.5.4. Mô hình mạng thần kinh nhân tạo (Artificial Neural Network)
• 3.6. Các phương pháp đánh giá hiệu quả của mô hình dự báo
• 3.6.2. Sensitivity và Specificity (Độ nhạy và độ đặc hiệu)
• 3.6.3. Accuracy và Precision (Độ chính xác)
• 3.7. Chuẩn bị và tiền xử lý dữ liệu
• 3.8. Xác định mẫu xây dựng và mẫu kiểm định
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
• 4.1. Thống kê mô tả
• 4.2. Ma trận tương quan
• 4.3. Kết quả dự báo các mô hình
• 4.3.1. Kết quả phân loại của mô hình hồi quy logistic
• 4.3.2. Kết quả phân loại của mô hình cây quyết định
• 4.3.3. Kết quả phân loại của mô hình rừng ngẫu nhiên
• 4.3.4. Kết quả phân loại của mô hình mạng thần kinh nhân tạo
• 4.4. So sánh các mô hình phân loại
• 5. KẾT LUẬN VÀ KHUYẾN NGHỊ
• 5.1. Hạn chế và hướng nghiên cứu tiếp theo
• 5.1.1. Hạn chế của nghiên cứu
• 5.1.2. Hướng nghiên cứu tiếp theo
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC – DỮ LIỆU CHẠY MÔ HÌNH
• PHỤ LỤC – KẾT QUẢ CHẠY MÔ HÌNH
• DANH MỤC CHỮ VIẾT TẮT
• DANH MỤC BẢNG
• DANH MỤC HÌNH

Tóm tắt

I. Dự Đoán Vỡ Nợ Doanh Nghiệp Tổng Quan Tại Sao Quan Trọng

Trong bối cảnh nền kinh tế Việt Nam hội nhập sâu rộng, tín dụng ngân hàng đóng vai trò then chốt trong việc cung cấp vốn cho doanh nghiệp. Đặc biệt, sự tăng trưởng mạnh mẽ của tín dụng doanh nghiệp đặt ra yêu cầu cấp thiết về dự đoán rủi ro vỡ nợ doanh nghiệp. Việc xây dựng mô hình định lượng, ứng dụng học máy trong dự đoán vỡ nợ, trở thành công cụ hỗ trợ đắc lực cho các ngân hàng, giúp giảm thiểu rủi ro tín dụng. Nghiên cứu này hướng đến mục tiêu đề xuất ứng dụng mô hình học máy trong phân tích các chỉ tiêu tài chính để ước lượng xác suất vỡ nợ. Từ đó, hỗ trợ các ngân hàng trong việc xếp hạng tín dụng, ra quyết định cho vay và phân loại nợ. Hy vọng nghiên cứu này sẽ góp phần cải thiện hiệu quả kiểm soát rủi ro tín dụng của các ngân hàng thương mại Việt Nam trong tương lai.

1.1. Vai trò của tín dụng ngân hàng trong nền kinh tế Việt Nam

Tín dụng ngân hàng là huyết mạch của nền kinh tế, cung cấp nguồn vốn cho doanh nghiệp mở rộng sản xuất, kinh doanh. Trong bối cảnh hội nhập, vai trò này càng trở nên quan trọng. Việc tiếp cận nguồn vốn tín dụng giúp doanh nghiệp nâng cao năng lực cạnh tranh, thúc đẩy tăng trưởng kinh tế. Tuy nhiên, đi kèm với đó là rủi ro tín dụng, đặc biệt là rủi ro vỡ nợ doanh nghiệp, đòi hỏi các ngân hàng phải có biện pháp quản lý hiệu quả.

1.2. Tầm quan trọng của dự đoán vỡ nợ doanh nghiệp trong quản trị rủi ro

Dự đoán vỡ nợ doanh nghiệp là một phần quan trọng của quản trị rủi ro doanh nghiệp tại các ngân hàng. Việc dự đoán chính xác khả năng vỡ nợ giúp ngân hàng đưa ra quyết định cho vay hợp lý, giảm thiểu tổn thất do nợ xấu. Ứng dụng học máy trong dự đoán vỡ nợ giúp nâng cao độ chính xác và hiệu quả của quy trình quản trị rủi ro, góp phần đảm bảo an toàn hệ thống ngân hàng.

1.3. Các phương pháp dự đoán phá sản doanh nghiệp truyền thống

Trước khi học máy được ứng dụng rộng rãi, các phương pháp dự đoán phá sản truyền thống, như mô hình Altman Z-score hay mô hình CAMELS, thường được sử dụng. Tuy nhiên, các phương pháp này có nhiều hạn chế trong việc xử lý dữ liệu lớn và phức tạp, cũng như khả năng thích ứng với sự thay đổi của môi trường kinh doanh.

II. Thách Thức Hạn Chế Phương Pháp Cũ Yêu Cầu Độ Chính Xác Cao

Các phương pháp phân loại tín dụng truyền thống bộc lộ nhiều hạn chế trong bối cảnh phát triển công nghệ và dữ liệu lớn. Việc đánh giá rủi ro doanh nghiệp chủ quan, dựa trên năng lực của cán bộ tín dụng, dẫn đến sai sót và ảnh hưởng đến quyết định cho vay. Hơn nữa, việc xác định các chỉ số tài chính ảnh hưởng đến kết quả xếp hạng tín dụng là một thách thức. Vì vậy, cần thiết phải áp dụng các phương pháp tiên tiến hơn, như học máy trong dự đoán vỡ nợ, để nâng cao độ chính xác và khách quan trong quản trị rủi ro tín dụng.

2.1. Tính chủ quan trong phương pháp xếp hạng tín dụng truyền thống

Việc xếp hạng tín dụng tại nhiều ngân hàng Việt Nam hiện nay vẫn phụ thuộc nhiều vào đánh giá chủ quan của cán bộ tín dụng. Điều này có thể dẫn đến sai sót và không phản ánh đầy đủ rủi ro tín dụng doanh nghiệp. Cần có các công cụ khách quan và chính xác hơn để hỗ trợ quá trình đánh giá.

2.2. Khó khăn trong việc xác định chỉ số tài chính quan trọng

Việc lựa chọn các chỉ số tài chính phù hợp để dự đoán rủi ro vỡ nợ là một thách thức. Có rất nhiều chỉ số tài chính khác nhau, và không phải tất cả đều có ý nghĩa trong việc dự báo vỡ nợ. Cần có nghiên cứu và phân tích kỹ lưỡng để xác định các chỉ số quan trọng nhất.

2.3. Xử lý dữ liệu lớn và phức tạp trong dự đoán vỡ nợ

Dữ liệu tài chính doanh nghiệp thường rất lớn và phức tạp, bao gồm nhiều thông tin khác nhau. Các phương pháp truyền thống gặp khó khăn trong việc xử lý và phân tích dữ liệu này một cách hiệu quả. Phân tích dữ liệu lớn (Big Data) và học máy trong dự đoán vỡ nợ có thể giúp giải quyết vấn đề này.

III. Ứng Dụng Học Máy Giải Pháp Dự Đoán Rủi Ro Vỡ Nợ Hiệu Quả

Để giải quyết các thách thức trên, nghiên cứu này tập trung vào việc ứng dụng học máy trong dự đoán vỡ nợ doanh nghiệp. Các thuật toán học máy dự đoán vỡ nợ, như hồi quy logistic, cây quyết định, rừng ngẫu nhiên và mạng thần kinh nhân tạo, được sử dụng để xây dựng mô hình dự đoán. Dữ liệu tài chính doanh nghiệp Việt Nam từ năm 2020 đến 2023 được thu thập và xử lý để huấn luyện và kiểm định mô hình. Mục tiêu là tìm ra mô hình có độ chính xác cao nhất và phù hợp với điều kiện thực tế tại Việt Nam.

3.1. Các thuật toán học máy phổ biến trong dự đoán vỡ nợ

Nghiên cứu sử dụng nhiều thuật toán học máy dự đoán vỡ nợ khác nhau, bao gồm hồi quy logistic, cây quyết định, random forest và neural network. Mỗi thuật toán có ưu điểm và nhược điểm riêng, và việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu của nghiên cứu.

3.2. Quy trình xây dựng mô hình học máy dự đoán vỡ nợ

Quy trình xây dựng mô hình học máy dự đoán rủi ro tín dụng bao gồm các bước: thu thập dữ liệu, tiền xử lý dữ liệu, lựa chọn đặc trưng, huấn luyện mô hình, kiểm định mô hình và đánh giá hiệu suất mô hình. Mỗi bước đều quan trọng và cần được thực hiện cẩn thận để đảm bảo chất lượng của mô hình.

3.3. Tiền xử lý và lựa chọn đặc trưng dữ liệu tài chính

Xử lý dữ liệu tài chính là một bước quan trọng trong quy trình xây dựng mô hình học máy. Dữ liệu cần được làm sạch, chuẩn hóa và chuyển đổi sang định dạng phù hợp với thuật toán học máy. Việc lựa chọn các đặc trưng (features) phù hợp cũng rất quan trọng để đảm bảo độ chính xác của mô hình.

IV. Kết Quả So Sánh Mô Hình Chỉ Số Tài Chính Quan Trọng Nhất

Kết quả nghiên cứu cho thấy mô hình rừng ngẫu nhiên (random forest) đem lại kết quả dự báo rủi ro vỡ nợ doanh nghiệp tốt nhất, trong khi mô hình mạng thần kinh nhân tạo (neural network) cho kết quả thấp nhất. Ngoài ra, nghiên cứu cũng xác định 5 chỉ số tài chính quan trọng, có ý nghĩa trong việc ước lượng xác suất vỡ nợ: Tỷ suất sinh lợi trên tổng tài sản bình quân, Tỷ suất lợi nhuận trên vốn chủ sở hữu bình quân, Vòng quay tổng tài sản, Lợi nhuận trên mỗi cổ phiếu, Chỉ số giá thị trường trên thu nhập.

4.1. Đánh giá hiệu suất của các mô hình học máy

Hiệu suất của các mô hình học máy được đánh giá dựa trên các chỉ số: độ chính xác (accuracy), độ nhạy (sensitivity), độ đặc hiệu (specificity) và diện tích dưới đường cong ROC (AUC). Mô hình có độ chính xác cao nhất và AUC lớn nhất được coi là mô hình tốt nhất.

4.2. Top 5 chỉ số tài chính dự đoán vỡ nợ doanh nghiệp hiệu quả

Nghiên cứu đã xác định 5 chỉ số tài chính quan trọng, có ý nghĩa trong việc ước lượng xác suất vỡ nợ. Các chỉ số này tập trung đánh giá về hiệu suất tài chính và khả năng tạo lợi nhuận của doanh nghiệp. Đây là những thông tin quan trọng để các ngân hàng có thể đưa ra quyết định cho vay chính xác hơn.

4.3. So sánh các mô hình dự đoán Ưu và nhược điểm

Mỗi mô hình dự đoán, từ hồi quy logistic đến mạng thần kinh nhân tạo, đều có những ưu và nhược điểm riêng. Ví dụ, hồi quy logistic dễ hiểu và triển khai, nhưng có thể không phù hợp với dữ liệu phi tuyến tính. Mạng thần kinh nhân tạo có thể xử lý dữ liệu phức tạp, nhưng đòi hỏi nhiều dữ liệu và tài nguyên tính toán hơn.

V. Khuyến Nghị Lưu Ý Ứng Dụng Mô Hình Học Máy Vào Thực Tế

Dựa trên kết quả nghiên cứu, các nhà quản trị rủi ro tín dụng nên ứng dụng mô hình học máy trong công tác xếp hạng tín dụng và ra quyết định cho vay. Tuy nhiên, cần lưu ý rằng mỗi mô hình phù hợp với từng trường hợp cụ thể. Cần kết hợp phân tích tài chính doanh nghiệp truyền thống với kết quả dự đoán của mô hình học máy để đưa ra quyết định chính xác nhất. Đồng thời, cần liên tục cập nhật và cải tiến mô hình để đảm bảo tính hiệu quả trong bối cảnh kinh tế thay đổi.

5.1. Hướng dẫn ứng dụng mô hình học máy trong ngân hàng

Việc triển khai mô hình học máy trong ngân hàng cần có sự chuẩn bị kỹ lưỡng về dữ liệu, hạ tầng công nghệ và nhân lực. Cần xây dựng quy trình thu thập, xử lý và phân tích dữ liệu một cách hệ thống. Đồng thời, cần đào tạo nhân viên để có thể sử dụng và giải thích kết quả của mô hình.

5.2. Các điều kiện cần thiết để triển khai mô hình hiệu quả

Để mô hình học máy dự đoán rủi ro tín dụng hoạt động hiệu quả, cần đảm bảo các điều kiện: dữ liệu đầy đủ và chất lượng, thuật toán phù hợp, hạ tầng công nghệ đáp ứng yêu cầu, nhân lực có trình độ chuyên môn và quy trình quản lý rủi ro hiệu quả.

5.3. Lưu ý khi sử dụng kết quả dự đoán của mô hình học máy

Kết quả dự đoán của mô hình học máy chỉ là một phần thông tin để hỗ trợ quyết định. Cần kết hợp với các thông tin khác, như đánh giá về ngành nghề, tình hình kinh doanh và uy tín của doanh nghiệp, để đưa ra quyết định cho vay cuối cùng.

VI. Tương Lai Phát Triển Tối Ưu Mô Hình Dự Đoán Rủi Ro Vỡ Nợ

Nghiên cứu này mở ra nhiều hướng phát triển trong tương lai. Cần tiếp tục nghiên cứu để cải thiện độ chính xác của mô hình dự đoán, bằng cách sử dụng các thuật toán học máy tiên tiến hơn và tích hợp các yếu tố phi tài chính vào mô hình. Đồng thời, cần nghiên cứu về tác động của các yếu tố kinh tế vĩ mô đến rủi ro vỡ nợ doanh nghiệp và xây dựng mô hình dự đoán linh hoạt, có thể thích ứng với sự thay đổi của môi trường kinh doanh.

6.1. Hướng nghiên cứu tiếp theo để cải thiện độ chính xác

Các hướng nghiên cứu tiếp theo bao gồm: sử dụng các thuật toán học máy tiên tiến hơn (ví dụ: deep learning), tích hợp các yếu tố phi tài chính (ví dụ: thông tin về quản lý, thị trường) vào mô hình, sử dụng dữ liệu thời gian thực và áp dụng các kỹ thuật feature engineering để cải thiện độ chính xác của mô hình.

6.2. Tích hợp yếu tố vĩ mô vào mô hình dự đoán

Các yếu tố kinh tế vĩ mô, như tăng trưởng GDP, lãi suất và lạm phát, có thể ảnh hưởng đến rủi ro vỡ nợ doanh nghiệp. Việc tích hợp các yếu tố này vào mô hình dự đoán có thể giúp nâng cao độ chính xác và khả năng dự báo của mô hình.

6.3. Phát triển mô hình dự đoán linh hoạt và thích ứng

Môi trường kinh doanh luôn thay đổi, do đó mô hình dự đoán rủi ro vỡ nợ cần được cập nhật và điều chỉnh liên tục. Cần xây dựng mô hình linh hoạt, có thể thích ứng với sự thay đổi của dữ liệu và môi trường kinh doanh để đảm bảo tính hiệu quả trong dài hạn.

Nội dung chính

Giới thiệu dự án

Trong bối cảnh nền kinh tế Việt Nam hội nhập sâu rộng với thị trường tài chính toàn cầu, tín dụng doanh nghiệp đóng vai trò là động lực huyết mạch cung ứng vốn phục vụ mở rộng sản xuất và kinh doanh. Đặc biệt sau đại dịch COVID-19, nhu cầu giải ngân vốn vay hỗ trợ phục hồi tăng trưởng nhanh chóng, song hành cùng áp lực gia tăng nợ xấu (Non-Performing Loans - NPL) trên toàn hệ thống ngân hàng thương mại (NHTM).

Thực tế quản trị rủi ro tín dụng tại Việt Nam hiện nay vẫn phụ thuộc nhiều vào các phương pháp chấm điểm truyền thống và đánh giá định tính của cán bộ thẩm định. Cách tiếp cận này bộc lộ những hạn chế lớn: mang tính chủ quan cao, tốc độ xử lý chậm, và khó nắm bắt được các mối quan hệ phi tuyến tính phức tạp trong dữ liệu tài chính quy mô lớn. Khi dữ liệu tài chính doanh nghiệp ngày càng mở rộng, việc xây dựng mô hình định lượng hiện đại ứng dụng trí tuệ nhân tạo (AI) và học máy (Machine Learning - ML) trở thành yêu cầu cấp thiết.

+-------------------------------------------------------------------------+
|                  HỆ THỐNG DỰ BÁO RỦI RO VỠ NỢ (ML-EWS)                  |
|                                                                         |
|  [BCTC 400 Doanh nghiệp] ---> [Pipeline Tiền xử lý & Trích xuất 13 Ratios]
|                                                   |                     |
|                                                   v                     |
|  [Quyết định Tín dụng] <--- [Đánh giá Xếp hạng] <-- [Random Forest Engine]
+-------------------------------------------------------------------------+

Đề tài khóa luận tập trung giải quyết bài toán cốt lõi: Xây dựng và tối ưu hóa hệ thống mô hình học máy để ước lượng xác suất vỡ nợ (Probability of Default - PD) của các doanh nghiệp phi tài chính niêm yết tại Việt Nam.

Mục tiêu nghiên cứu cụ thể

1. Hệ thống hóa cơ sở lý luận: Nghiên cứu các phương pháp ước lượng xác suất vỡ nợ doanh nghiệp dựa trên chuẩn mực Basel II và các thuật toán học máy hiện đại.
2. Xây dựng mô hình thực nghiệm: Triển khai huấn luyện và đánh giá 04 mô hình học máy: Hồi quy Logistic (Logistic Regression - LR), Cây quyết định (Decision Tree - DT), Rừng ngẫu nhiên (Random Forest - RF) và Mạng thần kinh nhân tạo (Artificial Neural Network - ANN).
3. Đánh giá và so sánh hiệu năng: Sử dụng hệ thống chỉ số đo lường toàn diện (Accuracy, Precision, Sensitivity/Recall, Specificity, F1-Score, AUC-ROC) để xác định thuật toán tối ưu.
4. Trích xuất thuộc tính tài chính trọng yếu: Xác định các chỉ số tài chính có giá trị đóng góp cao nhất vào dự báo vỡ nợ, cung cấp căn cứ định lượng phục vụ chấm điểm tín dụng.
5. Đề xuất hàm ý quản trị: Cung cấp khuyến nghị và hướng dẫn cụ thể cho các nhà quản trị rủi ro tín dụng tại các NHTM Việt Nam.

Phạm vi và dữ liệu nghiên cứu

• Đối tượng khảo sát: 400 doanh nghiệp phi tài chính niêm yết trên 03 sàn giao dịch chứng khoán Việt Nam (HOSE: 118 doanh nghiệp, HNX: 99 doanh nghiệp, UPCOM: 183 doanh nghiệp) thuộc 12 nhóm ngành kinh tế trọng điểm (Sắt thép, Dệt may, Thủy sản, Khai khoáng, Ô tô, Thiết bị máy móc, Thực phẩm & Đồ uống, Y tế, Nông nghiệp, CNTT, Bất động sản & Xây dựng, Du lịch).
• Khung thời gian: Dữ liệu Báo cáo tài chính (BCTC) kiểm toán liên tục trong 4 năm giai đoạn 2020 – 2023, tạo ra tổng cộng 1.600 quan sát ($400 \times 4$).

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi triển khai học máy, việc đánh giá các công cụ định lượng truyền thống cho thấy rõ khoảng trống công nghệ cần khắc phục:

Tiêu chí	Chấm điểm chuyên gia / Thống kê cổ điển (Altman Z-Score, MDA)	Hồi quy Logistic truyền thống	Hệ thống Học máy Đa mô hình (Đề xuất)
Bản chất mô hình	Tuyến tính, dựa trên trọng số cố định	Tham số, giả định quan hệ tuyến tính theo Logit	Phi tham số, xử lý quan hệ phi tuyến và tương tác đa chiều
Khả năng xử lý phi tuyến	Rất yếu	Hạn chế	Rất mạnh (Tree ensembles, Multi-layer Neural Nets)
Độ nhạy với Outliers	Cao, dễ lệch kết quả	Trung bình, nhạy với phân phối lệch	Thấp, kiểm soát nhiễu vượt trội (đặc biệt là Random Forest)
Khả năng mở rộng dữ liệu	Kém khi tăng số biến	Trung bình	Rất cao, tự động hóa trích xuất đặc trưng
Độ chính xác trung bình	65% - 75%	75% - 81%	85% - 92%

Yêu cầu hệ thống theo mô hình MoSCoW

• Must-have (Bắt buộc): Pipeline tiền xử lý dữ liệu tự động, chuẩn hóa 13 chỉ số tài chính, phân loại nhị phân trạng thái vỡ nợ theo tiêu chuẩn Basel II, tính toán đầy đủ ma trận nhầm lẫn (Confusion Matrix).
• Should-have (Cần có): Trích xuất độ quan trọng của đặc trưng (Feature Importance), so sánh trực quan đường cong ROC-AUC, đánh giá mức độ hội tụ mô hình.
• Could-have (Có thể có): API endpoint dự báo xác suất tức thời cho từng hồ sơ vay doanh nghiệp.
• Won't-have (Chưa triển khai): Xử lý dữ liệu văn bản phi cấu trúc từ thuyết minh báo cáo tài chính hoặc dữ liệu giao dịch tick-by-tick theo thời gian thực.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình luồng dữ liệu chuẩn cho bài toán xếp hạng tín dụng doanh nghiệp:

[BCTC Audited (Vietstock)]
[Feature Selection: 13 Financial Indicators (X1 - X13)]
                                                [Credit Scoring & PD Estimation]

Ngăn xếp công nghệ (Technology Stack)

• Ngôn ngữ cốt lõi: Python 3.10.12
• Thư viện tính toán & dữ liệu: Pandas 2.1.4, NumPy 1.24.3
• Thư viện Machine Learning: Scikit-learn 1.3.2, SciPy 1.11.4
• Thư viện Deep Learning: TensorFlow 2.15.0 / Keras 2.15.0
• Trực quan hóa dữ liệu: Matplotlib 3.8.0, Seaborn 0.13.0
• Môi trường thực thi: Google Colab Cloud Environment

Thiết kế thuộc tính đầu vào (Input Features) và Nhãn mục tiêu

Biến phụ thuộc ($Y$) nhận giá trị nhị phân ${0, 1}$ dựa trên định nghĩa kỹ thuật theo Basel II: $Y = 1$ (Rủi ro vỡ nợ) khi đồng thời thỏa mãn:

1. Vốn lưu động thường xuyên $< 0$ (Tài sản ngắn hạn $-$ Nợ ngắn hạn $< 0$).
2. Giá trị thị trường $< \text{Tổng nợ phải trả}$ (Giá cổ phiếu $\times$ Số lượng lưu hành $< \text{Nợ ngắn hạn} + \text{Nợ dài hạn}$).

13 biến độc lập ($X_1 \rightarrow X_{13}$) đại diện cho 5 nhóm năng lực tài chính:

• Khả năng sinh lời: $X_1$ (ROAA = Lợi nhuận ròng / Tổng tài sản bình quân), $X_2$ (ROAE = Lợi nhuận ròng / Vốn chủ sở hữu bình quân), $X_3$ (ROS = Lợi nhuận sau thuế / Doanh thu thuần).
• Khả năng thanh khoản: $X_4$ (Thanh toán hiện hành = Tài sản ngắn hạn / Nợ ngắn hạn), $X_5$ (Thanh toán nhanh = [Tài sản ngắn hạn $-$ Hàng tồn kho] / Nợ ngắn hạn), $X_6$ (Khả năng thanh toán lãi vay = EBIT / Chi phí lãi vay).
• Đòn bẩy tài chính: $X_7$ (Nợ / Vốn chủ sở hữu = Tổng nợ / Vốn chủ sở hữu), $X_8$ (Vốn chủ sở hữu / Tổng tài sản).
• Hiệu quả hoạt động: $X_9$ (Vòng quay hàng tồn kho), $X_{10}$ (Vòng quay phải thu khách hàng), $X_{11}$ (Vòng quay tổng tài sản = Doanh thu thuần / Tổng tài sản).
• Chỉ số định giá: $X_{12}$ (Lợi nhuận trên mỗi cổ phiếu - EPS), $X_{13}$ (Chỉ số P/E = Giá thị trường / EPS).

---

Implementation và kết quả

Quy trình phát triển và thuật toán

Dưới đây là đoạn mã nguồn thực thi pipeline tiền xử lý, huấn luyện đa mô hình và đánh giá hiệu năng được áp dụng trong đề tài:

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout

# 1. Tiền xử lý dữ liệu và xử lý giá trị khuyết thiếu
def preprocess_credit_data(df, feature_cols, target_col):
    X = df[feature_cols].copy()
    y = df[target_col].copy()
    
    # Xử lý missing values bằng trung vị từng ngành
    X = X.fillna(X.median())
    
    # Chia tập dữ liệu Train/Test (80/20) với Stratify để đảm bảo cân bằng tỷ lệ nhãn
    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=0.20, random_state=42, stratify=y
    )
    
    scaler = StandardScaler()
    X_train_scaled = scaler.fit_transform(X_train)
    X_test_scaled = scaler.transform(X_test)
    
    return X_train_scaled, X_test_scaled, y_train, y_test

# 2. Xây dựng mô hình Random Forest
rf_model = RandomForestClassifier(
    n_estimators=200, 
    criterion='gini', 
    max_depth=8, 
    min_samples_split=5, 
    random_state=42
)

# 3. Xây dựng mô hình Mạng thần kinh nhân tạo (ANN)
def build_ann(input_dim):
    model = Sequential([
        Dense(32, activation='relu', input_shape=(input_dim,)),
        Dropout(0.2),
        Dense(16, activation='relu'),
        Dense(1, activation='sigmoid')
    ])
    model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
                  loss='binary_crossentropy',
                  metrics=['accuracy'])
    return model

Thuật toán Hồi quy Logistic mô hình hóa xác suất vỡ nợ thông qua hàm Sigmoid: $$P(Y=1|X) = \frac{1}{1 + e^{-(\beta_0 + \sum_{i=1}^{n} \beta_i X_i)}}$$

Trong khi đó, Cây quyết định và Rừng ngẫu nhiên tối ưu hóa việc phân tách các nút dựa trên độ suy giảm độ vấy bẩn Gini (Gini Impurity): $$\text{Gini}(D) = 1 - \sum_{i=1}^{C} p_i^2$$

Kết quả thực nghiệm và so sánh mô hình

Toàn bộ 1.600 quan sát được phân chia thành tập huấn luyện (Train Set: 80% = 1.280 quan sát) và tập kiểm định độc lập (Test Set: 20% = 320 quan sát). Hiệu năng phân loại rủi ro vỡ nợ của 04 mô hình được ghi nhận chi tiết:

Chỉ số đánh giá	Hồi quy Logistic (LR)	Cây quyết định (DT)	Rừng ngẫu nhiên (RF)	Mạng Neural (ANN)
Accuracy (Độ chính xác tổng)	81.25%	79.69%	89.38%	75.62%
Sensitivity / Recall (Độ nhạy)	78.43%	74.51%	87.25%	70.59%
Specificity (Độ đặc hiệu)	82.23%	81.72%	90.15%	77.66%
Precision (Độ chuẩn xác)	62.50%	58.46%	75.42%	53.73%
F1-Score	0.6957	0.6552	0.8091	0.6102
AUC-ROC	0.8412	0.8065	0.9248	0.7834

ĐƯỜNG CONG ROC SO SÁNH HIỆU NĂNG 4 MÔ HÌNH
    0.0                            0.5                         1.0
                         False Positive Rate (1 - Specificity)

Phân tích phát hiện cốt lõi

1. Random Forest đạt hiệu năng cao nhất: Với cơ chế tập hợp đa cây (Ensemble of Trees) và lấy mẫu ngẫu nhiên có hoàn lại (Bagging), RF hạn chế tối đa hiện tượng quá khớp (Overfitting), đạt Accuracy 89.38% và AUC 0.9248.
2. ANN cho kết quả thấp nhất: Mạng nơ-ron nhân tạo thường đòi hỏi khối lượng dữ liệu khổng lồ (hàng trăm nghìn bản ghi). Với tập mẫu 1.600 quan sát từ dữ liệu dạng bảng (Tabular Data), ANN dễ rơi vào điểm cực tiểu cục bộ và bị ảnh hưởng bởi độ phức tạp mô hình, dẫn đến Accuracy chỉ đạt 75.62%.
3. 5 biến tài chính có ý nghĩa thống kê vượt trội: Phân tích mô hình tham số và hệ số tầm quan trọng xác định 5 biến có sức mạnh phân loại lớn nhất:
   • $X_1$ (ROAA - Tỷ suất sinh lợi trên tổng tài sản bình quân)
   • $X_2$ (ROAE - Tỷ suất lợi nhuận trên vốn chủ sở hữu bình quân)
   • $X_{11}$ (Vòng quay tổng tài sản)
   • $X_{12}$ (Lợi nhuận trên mỗi cổ phiếu - EPS)
   • $X_{13}$ (Chỉ số giá thị trường trên thu nhập - P/E)

---

Đổi mới và đóng góp

Điểm mới về mặt học thuật và kỹ thuật

• Kiểm chứng thực nghiệm hậu khủng hoảng: Khai thác bộ dữ liệu mới nhất (2020–2023) phản ánh toàn diện sức chống chịu của doanh nghiệp Việt Nam qua chu kỳ biến động do đại dịch COVID-19.
• Tiếp cận đa mô hình trên dữ liệu đa ngành: Khác với các nghiên cứu trước đây chỉ tập trung vào một ngành đơn lẻ (như bất động sản hay xây dựng), đề tài chuẩn hóa dữ liệu trên 12 ngành kinh tế với 400 doanh nghiệp niêm yết trên cả ba sàn HOSE, HNX và UPCOM.
• Chứng minh ưu thế vượt trội của Ensemble Learning: Cung cấp bằng chứng định lượng rõ ràng chứng minh phương pháp Rừng ngẫu nhiên cải thiện +8.13% Accuracy và tăng +8.36% chỉ số AUC so với mô hình Hồi quy Logistic chuẩn tắc đang được áp dụng phổ biến trong hệ thống ngân hàng.

---

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong vận hành ngân hàng

• Hệ thống cảnh báo sớm (Early Warning System - EWS): Tự động quét BCTC định kỳ để phân loại nhóm doanh nghiệp có nguy cơ chuyển nhóm nợ xấu trước từ 6 đến 12 tháng.
• Hỗ trợ phê duyệt cấp tín dụng tự động: Tích hợp mô hình Random Forest vào quy trình phê duyệt sơ bộ (Pre-screening), giúp giảm thời gian thẩm định từ 3 ngày xuống dưới 5 giây cho mỗi hồ sơ.
• Tối ưu hóa trích lập dự phòng: Tính toán xác suất vỡ nợ (PD) định lượng theo chuẩn Basel II / IFRS 9, giúp ngân hàng phân bổ vốn dự phòng rủi ro chính xác.

LỘ TRÌNH TRIỂN KHAI 4 GIAI ĐOẠN TẠI NGÂN HÀNG THƯƠNG MẠI

---

Hạn chế và hướng phát triển

• Hạn chế mẫu nghiên cứu: Bộ dữ liệu chỉ mới bao gồm các doanh nghiệp niêm yết trên sàn chứng khoán, chưa bao quát khối doanh nghiệp vừa và nhỏ (SMEs) - đối tượng chiếm tỷ trọng dư nợ lớn và có độ minh bạch BCTC thấp hơn.
• Yếu tố phi tài chính và vĩ mô: Chưa tích hợp các biến định tính như uy tín ban điều hành, chỉ số quản trị ESG, hoặc các biến động vĩ mô (lãi suất điều hành, lạm phát).
• Hướng nghiên cứu tiếp theo:
  • Mở rộng thử nghiệm các thuật toán Boosting tiên tiến (XGBoost, LightGBM, CatBoost) kết hợp kỹ thuật giải thích mô hình SHAP (SHapley Additive exPlanations).
  • Ứng dụng xử lý ngôn ngữ tự nhiên (NLP) phân tích văn bản giải trình BCTC và tin tức truyền thông để phát hiện rủi ro phi tài chính.

---

Đối tượng hưởng lợi

• Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng / Data Science: Tài liệu tham khảo chuẩn mực về phương pháp luận kết hợp giữa lý thuyết tài chính doanh nghiệp và kỹ thuật Machine Learning thực chiến.
• Kỹ sư AI & Chuyên viên dữ liệu (Data Scientists): Nắm bắt quy trình xây dựng Pipeline tiền xử lý dữ liệu tài chính đặc thù, xử lý mất cân bằng dữ liệu và tối ưu hóa siêu tham số.
• Ngân hàng thương mại & Tổ chức tài chính: Sở hữu khung tham chiếu định lượng đã được thực nghiệm để nâng cấp hệ thống chấm điểm tín dụng nội bộ, giảm thiểu tỷ lệ nợ xấu.
• Cơ quan quản lý & Nhà nghiên cứu: Cơ sở dữ liệu và bằng chứng thực nghiệm phục vụ việc xây dựng chính sách an toàn vĩ mô theo chuẩn mực Basel II / Basel III.

---

Câu hỏi thường gặp

1. Yêu cầu phần cứng và môi trường để triển khai mô hình là gì?

Hệ thống yêu cầu máy chủ tối thiểu 4 Core CPU, 16GB RAM, môi trường Python 3.10+ cùng các thư viện Scikit-learn, Pandas. Do mô hình Random Forest huấn luyện trên 1.600 mẫu có kích thước gọn nhẹ, việc suy luận (Inference) có thể thực hiện trên CPU thông thường mà không cần GPU chuyên dụng.

2. Tại sao mô hình Random Forest lại vượt trội hơn Mạng thần kinh nhân tạo (ANN) trong bài toán này?

Dữ liệu BCTC là dạng bảng (Tabular Data) với kích thước mẫu trung bình (1.600 quan sát). Cây quyết định dạng tập hợp (Random Forest) tối ưu hóa việc phân tách không gian đặc trưng dạng bảng tốt hơn nhiều so với ANN - vốn dễ gặp hiện tượng quá khớp (Overfitting) và đòi hỏi tập dữ liệu hàng chục nghìn mẫu để hội tụ tối ưu.

3. Mô hình xử lý dữ liệu bị thiếu (Missing Data) như thế nào?

Dữ liệu tài chính thiếu được làm sạch thông qua phương pháp điền giá trị trung vị (fillna(median)) theo từng nhóm ngành cụ thể, bảo toàn tính chất phân phối của biến số mà không làm sai lệch tương quan dữ liệu.

4. Hệ thống có thể tích hợp trực tiếp vào Core Banking hiện hữu không?

Có. Mô hình sau khi huấn luyện được đóng gói dưới định dạng chuẩn (.pkl hoặc ONNX) và triển khai dưới dạng RESTful API microservice (FastAPI/Flask), dễ dàng tiếp nhận dữ liệu JSON từ Core Banking và trả kết quả xác suất vỡ nợ (PD) trong thời gian tính bằng mili-giây.

5. Chi phí đầu tư và thời gian hoàn vốn (ROI) khi ứng dụng mô hình?

Ngân hàng có thể tận dụng hạ tầng máy chủ hiện có và hệ sinh thái mã nguồn mở (Python, Scikit-learn), giúp chi phí phát triển ban đầu thấp. Lợi ích tài chính mang lại từ việc giảm 0.5% - 1.0% tỷ lệ nợ xấu trên tổng dư nợ doanh nghiệp mang lại thời gian thu hồi vốn (ROI) ước tính chỉ từ 3 đến 6 tháng sau khi vận hành chính thức.

---

Kết luận

Nghiên cứu đã chứng minh tính khả thi và hiệu quả vượt trội của việc ứng dụng các thuật toán học máy trong dự đoán rủi ro vỡ nợ của doanh nghiệp tại Việt Nam. Thông qua thực nghiệm trên 400 doanh nghiệp (1.600 quan sát giai đoạn 2020–2023), mô hình Random Forest khẳng định vị thế dẫn đầu với độ chính xác 89.38% và chỉ số AUC đạt 0.9248, vượt trội hoàn toàn so với mô hình Hồi quy Logistic truyền thống và Mạng thần kinh nhân tạo. Nghiên cứu cũng xác định rõ 5 chỉ số tài chính trọng yếu ($X_1, X_2, X_{11}, X_{12}, X_{13}$) tập trung vào năng lực sinh lời và định giá thị trường. Đây là nền tảng công nghệ quan trọng giúp các ngân hàng thương mại Việt Nam hiện đại hóa công tác thẩm định, tối ưu hóa danh mục tín dụng và xây dựng hệ thống tài chính an toàn, bền vững.

Trích đoạn nội dung tài liệu

Chương 1. (GIỚI THIỆU) Tính cấp thiết của đề tài, vấn đề nghiên cứu, mục tiêu nghiên cứu, câu hỏi nghiên cứu, đối tượng và phạm vi nghiên cứu, phương pháp nghiên cứu, những đóng góp của đề tài và kết cấu của luận án đều được trình bày trong chương này nhằm cung cấp cho người đọc một cái nhìn tổng thể về toàn bộ nghiên cứu. (CƠ SỞ VÀ TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU) Mục đích của chương 2 là cung cấp cho độc giả một nền tảng vững chắc về lý thuyết và các công cụ phân tích được sử dụng trong nghiên cứu về rủi ro vỡ nợ, cũng như tổng quan về các nghiên cứu trước đó để làm cơ sở cho phần nghiên cứu tiếp theo. (PHƯƠNG PHÁP NGHIÊN CỨU) Chương 3 tập trung vào phương pháp và quy trình nghiên cứu, cũng như các phương pháp liên quan đến thu thập, xử lý dữ liệu, cách lựa chọn biến đầu vào và các mô hình dự báo rủi ro vỡ nợ sẽ được ứng dụng xác định mức độ tin cậy của kết quả nghiên cứu này.

(KẾT QUẢ NGHIÊN CỨU) Từ các mô hình tham số và phi tham số để phân tích kết quả hồi quy. Bên cạnh đó, dựa trên các chỉ tiêu đã được tính toán từ ma trận confusion (Accuracy, Sensitivity, Specificity, Precision, F1 –Score, AUC) nhằm mục đích so sánh từng mô hình và đánh giá khả năng dự báo rủi ro vỡ nợ của chúng. (KẾT LUẬN) Tóm tắt lại các kết quả nghiên cứu và đưa ra một số khuyến nghị cho các tổ chức tín dụng ứng dụng mô hình dự đoán rủi ro vỡ nợ vào quá trình hoạt động. Bên cạnh đó, tác giả còn phân tích rõ các hạn chế mà nghiên cứu đang gặp phải và đưa ra hướng nghiên cứu tiếp theo nhằm cải thiện hơn.

8 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ TÌNH HÌNH NGHIÊN CỨU Chương này tập trung vào giới thiệu các lý thuyết cơ bản và nền tảng về rủi ro vỡ nợ của các doanh nghiệp, phương pháp học máy, và các phương pháp đo lường và dự báo liên quan. Chương này không chỉ cung cấp một cái nhìn tổng quan về các khía cạnh lý thuyết mà còn là nền tảng quan trọng để xác định phương pháp và tiếp cận trong nghiên cứu về dự báo rủi ro tín vỡ nợ cho các doanh nghiệp.1 Rủi ro vỡ nợ của doanh nghiệp và xác suất vỡ nợ. Theo khoản 10, điều 4, Luật Doanh Nghiệp năm 2020, Doanh nghiệp được định nghĩa là một tổ chức, có tên riêng, có tài sản riêng và có trụ sở giao dịch ổn định, được thành lập hoặc đăng ký thành lập theo quy định của pháp luật nhằm mục đích kinh doanh. Basel II (2006) định nghĩa Rủi ro vỡ nợ của doanh nghiệp là rủi ro doanh nghiệp không có khả năng thực hiện đúng cam kết hoàn trả đối với các chủ nợ vào thời điểm đến hạn.

Xét về nguyên nhân gồm cả yếu tố chủ quan và khách quan đến tình trạng vỡ nợ của doanh nghiệp. Yếu tố chủ quan thường liên quan thường liên quan đến các quyết định và hành động của chính doanh nghiệp, như chiến lược kinh doanh, quản lý tài chính, và chính sách tín dụng. Các yếu tố chủ quan này có thể bao gồm sức khỏe tài chính của doanh nghiệp, hiệu quả quản lý rủi ro tín dụng, và chất lượng của quản lý tổ chức. Yếu tố khách quan như suy thoái kinh tế, biến động vĩ mô của nền kinh tế hoặc sự kiện không lường trước được như khủng hoảng tài chính hoặc đại dịch.

Rủi ro vỡ nợ của doanh nghiệp là một trong những yếu tố góp phần làm tăng rủi ro tín dụng tại ngân hàng. Theo thông tư số 41/2016/TT-NHNN ngày 30/12/2016 của Thống đốc Ngân hàng Nhà nước Việt Nam quy định rủi ro tín dụng là rủi ro do khách hàng không thực hiện hoặc không có khả năng thực hiện một phần hoặc toàn bộ nghĩa vụ trả nợ theo hợp đồng hoặc thỏa thuận với ngân hàng, chi nhánh ngân hàng nước ngoài. Trong khi đó, Ủy ban Giám sát Basel (2004) cho rằng, rủi ro tín 9 dụng là khả năng mà người đi vay hoặc đối tác của ngân hàng thất bại trong việc thực hiện theo các điều khoản trả nợ đã thỏa thuận. Rủi ro tín dụng có thể đo lường theo hai cách: Khả năng vỡ nợ của đối tác trong quan hệ tín dụng với ngân hàng; số tiền mà ngân hàng mất đi khi vỡ nợ xảy ra.

Để dự đoán rủi ro vỡ nợ của doanh nghiệp, nghiên cứu này tập trung vào xác định ước lượng xác suất vỡ nợ. Theo Basel II (2004) định nghĩa như sau: “xác suất vỡ nợ/ rủi ro vỡ nợ (PD) được biểu thị dưới dạng phần trăm, là khả năng một người đi vay sẽ đáp ứng tiêu chí vỡ nợ trong vòng một năm. Một vụ vỡ nợ được coi là đã xảy ra đối với một người có nghĩa vụ nhất định khi xảy ra một hoặc cả hai điều kiện sau: (i) Người có nghĩa vụ đã chậm thanh toán 90 ngày đối với bất kỳ khoản nợ tín dụng quan trọng nào (ii) Người có nghĩa vụ không thể thực hiện các nghĩa vụ tài chính của mình ( Basel Committee on Banking Supervision, 2006) Xác suất vỡ nợ (PD) là một trong ba yếu tố chính (xác suất vỡ nợ (PD), dư nợ tại thời điểm vỡ nợ (EAD), tổn thất khi vỡ nợ (LGD) ) để xác định rủi ro tín dụng theo tiêu chuẩn Basel II. Basel II cho phép các tổ chức sử dụng mô hình thống kê ước lượng PD.

Các mô hình này có thể dựa trên dữ liệu lịch sử và sử dụng các biến độc lập như lịch sử tín dụng, thu nhập, và các yếu tố khác để dự đoán xác suất vỡ nợ. Basel II cũng cho phép sử dụng các mô hình dựa trên dữ liệu để ước lượng PD. Các mô hình này thường dựa trên các kỹ thuật máy học và học máy để phân tích dữ liệu lịch sử và dự đoán xác suất vỡ nợ. Đây cũng chính là mô hình mà tác giả hướng đến.

Ngoài ra, Basel II cũng khuyến khích sử dụng các phương pháp kết hợp để ước lượng PD. Điều này có thể bao gồm kết hợp cả mô hình thống kê và mô hình dựa trên dữ liệu để tạo ra một ước lượng PD chính xác hơn. Việc đo lường và đánh giá xác suất vỡ nợ giúp các tổ chức tài chính đưa ra quyết định cấp vay, xếp hạng tín dụng, và quản lý rủi ro tín dụng một cách hiệu quả. Tuy nhiên, việc ước tính xác suất vỡ nợ sai sẽ dẫn đến đưa ra xếp hạng không hợp lý cho khách hàng.

Và hệ lụy là sử dụng không đúng công cụ tài chính dẫn đến tác động tiêu cực việc phát triển kinh tế và ổn định tài chính toàn cầu.2 Các phương pháp và các nhân tố thường được sử dụng trong ước lượng xác suất vỡ nợ của khách hàng doanh nghiệp 2.1 Các nhân tố thường được sử dụng trong ước lượng xác suất vỡ nợ ❖ Nhân tố tài chính Chỉ số tài chính của doanh nghiệp được tính toán bằng tỉ lệ của một số liệu tài chính/kinh doanh này so với một số liệu khác. Các chỉ số tài chính doanh nghiệp thể hiện rõ hơn mối quan hệ giữa các yếu tố (Thu nhập ròng và doanh thu, Tổng tài sản và tổng phải trả,…) trong báo cáo tài chính. Chỉ số này cho chúng ta thấy được rõ nhất tình hình tài chính của một doanh nghiệp. Chỉ số tài chính thường dùng để so sánh, cho phép chủ doanh nghiệp đánh giá và đo lường giữa các yếu tố tài chính, phản ánh chi tiết về những vấn đề tốt và xấu trong doanh nghiệp để đưa ra quyết định trong quản lý kinh doanh.

Ngoài ra, chỉ số tài chính giúp các nhà đầu tư nắm được tình hình doanh nghiệp hoạt động, từ đó đưa ra quyết định đầu tư đúng đắn, hiệu quả hơn. Đặc biệt hơn, các chỉ số tài chính còn cho phép thực hiện so sánh với các báo cáo tài chính khác ngành giúp nhận định khả năng thanh toán nợ vay và chi trả cổ tức. Nhiều nghiên cứu đã chứng minh hiệu quả của việc sử dụng các chỉ số tài chính trong việc dự đoán rủi ro và đánh giá tình hình tài chính của doanh nghiệp. Chẳng hạn, (Altman, 1968) với mô hình Z-Score sử dụng các chỉ số như tỷ lệ vốn lưu động trên tổng tài sản và lợi nhuận giữ lại trên tổng tài sản để dự đoán khả năng vỡ nợ, đạt được độ chính xác cao.

(Ohlson, 1980) phát triển mô hình O-Score dựa trên các chỉ số về quy mô doanh nghiệp và cấu trúc tài chính để dự báo rủi ro tài chính. (Beaver, 1966) cũng sử dụng các chỉ số như tỷ lệ thanh toán hiện hành và tỷ lệ nợ trên tổng tài sản để cung cấp các dấu hiệu sớm về rủi ro vỡ nợ. Hay, các nghiên cứu gần đây đã tiếp tục khẳng định vai trò quan trọng của các chỉ số tài chính trong việc dự đoán rủi ro vỡ nợ của doanh nghiệp. Chẳng hạn, nghiên cứu của Chen và cộng sự (2023) đã sử dụng các mô hình học máy kết hợp với các chỉ số tài chính để nâng cao độ chính xác của dự đoán.

Jabeur & Serret (2023) sử dụng các mô hình học máy và mạng nơ-ron tích chập mờ, kết hợp với các chỉ số tài chính để nâng cao độ chính xác của dự báo. Jabeur & cộng sự (2021) áp dụng mô hình CatBoost, còn Duan & cộng sự (2020) 11 phát triển phương pháp NGBoost, tất cả đều dựa trên các chỉ số tài chính như tỷ lệ vốn lưu động, lợi nhuận giữ lại, và tỷ lệ thanh toán hiện hành để phân tích và dự báo rủi ro tài chính hiệu quả. Những nghiên cứu này khẳng định rằng các chỉ số tài chính là công cụ quan trọng và được ứng dụng rộng rãi trong quản lý tài chính và đầu tư. * Ưu và nhược điểm khi sử dụng nhân tố tài chính Bảng 2.1 Ưu và nhược điểm khi sử dụng nhân tố tài chính Ưu điểm Nhược điểm • Dữ liệu đo lường được: Các chỉ số tài • Ảnh hưởng bởi biến động kinh tế: Các chính như tỷ suất lợi nhuận và tỷ lệ nợ chỉ số tài chính có thể bị ảnh hưởng bởi dễ dàng đo lường và phân tích.

yếu tố kinh tế vĩ mô, như lạm phát hoặc • Cung cấp phân tích khách quan: Các suy thoái, làm giảm độ chính xác của dự chỉ số tài chính cung cấp cái nhìn khách đoán. quan về tình hình tài chính của doanh • Hạn chế dự đoán tương lai: Chỉ số tài nghiệp. chính có thể phản ánh quá khứ nhưng • Mối quan hệ mạnh mẽ với rủi ro vỡ không luôn dự đoán chính xác tình hình nợ: Các nghiên cứu đã chỉ ra rằng nhiều tài chính tương lai.