Luận văn thạc sĩ UEH: Đo lường nguy cơ tài chính bằng mô hình phân tích đa biệt thức

Luận văn thạc sĩ UEH nghiên cứu ứng dụng mô hình phân tích đa biệt thức để đo lường nguy cơ tài chính tại các công ty niêm yết Việt Nam.

• Trường học: Đại Học Kinh Tế Tp. Hồ Chí Minh
• Chuyên ngành: Tài Chính
• Đề tài: Luận Văn Thạc Sĩ Ueh Ứng Dụng Mô Hình Phân Tích Đa Biệt Thức Để Đo Lường Nguy Cơ Tài Chính Tại Các Công Ty Niêm Yết Trên Thị Trường Chứng Khoán Việt Nam
• Loại tài liệu: luận văn
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC KÝ HIỆU
• DANH MỤC CÁC HÌNH VẼ VÀ BIỂU ĐỒ
• DANH MỤC CÁC BẢNG
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ MÔ HÌNH PHÂN TÍCH ĐA BIỆT THỨC ĐỂ ĐO LƯỜNG NGUY CƠ TÀI CHÍNH TẠI CÁC CÔNG TY
• 1.1. Khái quát về nguy cơ tài chính
• 1.1.1. Khái niệm nguy cơ tài chính
• 1.1.2. Hậu quả của nguy cơ tài chính
• 1.2. Những vấn đề cơ bản về đo lường nguy cơ tài chính
• 1.2.1. Khái niệm đo lường nguy cơ tài chính
• 1.2.2. Tầm quan trọng của đo lường nguy cơ tài chính
• 1.2.2.1. Đối với nhà đầu tư
• 1.2.2.2. Đối với công ty
• 1.2.2.3. Đối với ngân hàng
• 1.2.2.4. Đối với các cơ quan quản lý nhà nước
• 1.2.2.5. Đối với nền kinh tế
• 1.2.3. Các mô hình đo lường nguy cơ tài chính
• 1.2.3.1. Mô hình Logit
• 1.2.3.2. Mô hình Probit
• 1.2.3.3. Phương pháp lân cận gần nhất K (K – nearest neighbor)
• 1.2.3.4. Mô hình phân tích đa biệt thức (Multiple Discriminant Analysis – MDA)
• 1.2.3.5. Mạng nơron nhân tạo (Artificial Neural Network - ANN)
• 1.2.4. Các nghiên cứu thực nghiệm đo lường nguy cơ tài chính
• 1.3. Mô hình phân tích đa biệt thức
• 1.3.1. Giới thiệu mô hình phân tích đa biệt thức
• 1.3.2. Mục tiêu của mô hình phân tích đa biệt thức
• 1.3.3. Ưu nhược điểm của mô hình phân tích đa biệt thức
• 1.3.4. Nội dung của mô hình phân tích đa biệt thức
• 1.3.5. Các nghiên cứu thực nghiệm ứng dụng mô hình MDA trên thế giới
• 1.4. Kết luận chương 1
• 2. CHƯƠNG 2: KHẢ NĂNG ỨNG DỤNG MÔ HÌNH PHÂN TÍCH ĐA BIỆT THỨC ĐỂ ĐO LƯỜNG NGUY CƠ TÀI CHÍNH TẠI CÁC CÔNG TY NIÊM YẾT TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM
• 2.1. Tổng quan về thị trường chứng khoán Việt Nam
• 2.1.1. Lịch sử hình thành và phát triển thị trường chứng khoán Việt Nam
• 2.1.2. Giới thiệu các công ty niêm yết trên thị trường chứng khoán Việt Nam
• 2.2. Thực trạng đo lường nguy cơ tài chính các công ty niêm yết trên thị trường chứng khoán Việt Nam
• 2.2.1. Trung tâm thông tin tín dụng – Ngân hàng nhà nước Việt Nam
• 2.2.2. Công ty cổ phần xếp hạng tín nhiệm doanh nghiệp Việt Nam
• 2.3. Ứng dụng mô hình phân tích đa biệt thức để đo lường nguy cơ tài chính tại các công ty niêm yết trên thị trường chứng khoán Việt Nam
• 2.3.1. Các nguyên tắc chọn lựa mô hình nghiên cứu
• 2.3.2. Phương pháp chọn mẫu, dữ liệu và biến nghiên cứu
• 2.3.2.2. Chọn dữ liệu
• 2.3.2.3. Chọn biến và chọn phương pháp giảm tải biến nghiên cứu
• 2.3.3. Quy trình thực hiện mô hình MDA
• 2.3.3.1. Thống kê mô tả các biến độc lập
• 2.3.3.2. Xác định biến giải thích
• 2.3.3.3. Kiểm định tương quan giữa các biến độc lập
• 2.3.3.4. Kiểm định phân phối chuẩn
• 2.3.4. Kết quả nghiên cứu thực nghiệm
• 2.3.5. Kiểm định mô hình nghiên cứu
• 2.3.5.1. Kiểm định mẫu phân tích
• 2.3.5.2. Kiểm định mẫu kiểm tra
• 2.3.6. Kết quả đo lường nguy cơ tài chính các công ty niêm yết
• 2.4. Kết luận chương 2
• 3. CHƯƠNG 3: GIẢI PHÁP NÂNG CAO KHẢ NĂNG ỨNG DỤNG MÔ HÌNH PHÂN TÍCH ĐA BIỆT THỨC ĐỂ ĐO LƯỜNG NGUY CƠ TÀI CHÍNH TẠI CÁC CÔNG TY NIÊM YẾT TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM
• 3.1. Đề xuất ứng dụng mô hình phân tích đa biệt thức để đo lường nguy cơ tài chính tại các công ty niêm yết trên thị trường chứng khoán Việt Nam
• 3.1.1. Công thức đo lường nguy cơ tài chính cho các công ty niêm yết trên thị trường chứng khoán Việt Nam
• 3.1.2. Các kịch bản nghiên cứu
• 3.1.3. Xây dựng phần mềm
• 3.1.4. Cơ quan quản lý về đo lường và công bố nguy cơ tài chính các công ty niêm yết trên thị trường chứng khoán Việt Nam
• 3.1.5. Phổ biến kiến thức về nguy cơ tài chính và ý nghĩa của kết quả đo lường nguy cơ tài chính
• 3.1.6. So sánh kết quả đo lường nguy cơ tài chính các công ty niêm yết theo mô hình MDA với CIC và CRV
• 3.2. Các giải pháp nâng cao khả năng ứng dụng hiệu quả mô hình phân tích đa biệt thức để đo lường nguy cơ tài chính tại các công ty niêm yết trên thị trường chứng khoán Việt Nam
• 3.2.1. Nâng cao chất lượng báo cáo tài chính của các công ty niêm yết
• 3.2.2. Gia tăng số lượng các chỉ số tài chính vào mô hình phân tích đa biệt thức
• 3.2.3. Xây dựng các chỉ số tài chính trung bình ngành
• 3.2.4. Ngăn chặn hiện tượng thao túng thị trường, làm giá cổ phiếu
• 3.2.5. Hoàn thiện Luật phá sản
• 3.2.6. Xây dựng khung pháp lý hoàn thiện về xếp hạng tín nhiệm
• 3.2.7. Tăng cường trao đổi thông tin giữa các tổ chức đo lường xếp hạng tín nhiệm và các công ty niêm yết
• 3.2.8. Bổ sung chỉ tiêu ROA vào tiêu chuẩn niêm yết
• 3.2.9. Nâng cao tiêu chuẩn vốn điều lệ khi niêm yết
• 3.3. Kết luận chương 3
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng quan luận văn thạc sĩ UEH về đo lường nguy cơ tài chính

Trong bối cảnh hội nhập và phát triển của thị trường vốn Việt Nam, việc đánh giá và dự báo phá sản trở thành một yêu cầu cấp thiết đối với nhà đầu tư, doanh nghiệp và các cơ quan quản lý. Luận văn thạc sĩ của trường Đại học Kinh tế TP.HCM (UEH) với chủ đề “Ứng dụng mô hình phân tích đa biệt thức để đo lường nguy cơ tài chính tại các công ty niêm yết” ra đời như một giải pháp khoa học, đáp ứng nhu cầu thực tiễn này. Nghiên cứu tập trung vào việc xây dựng một công cụ phân tích định lượng mạnh mẽ, có khả năng sàng lọc và cảnh báo sớm các dấu hiệu kiệt quệ tài chính của các doanh nghiệp phi tài chính trên sàn chứng khoán. Bằng cách kế thừa và phát triển các lý thuyết kinh điển, đặc biệt là mô hình Z-score Altman, luận văn không chỉ cung cấp một góc nhìn học thuật sâu sắc mà còn mang lại giá trị ứng dụng cao. Mục tiêu cốt lõi là thiết lập một hàm số biệt thức hiệu quả, dựa trên các chỉ số tài chính đặc trưng của doanh nghiệp Việt Nam, từ đó phân loại các công ty thành nhóm có nguy cơ và không có nguy cơ. Kết quả của nghiên cứu này được kỳ vọng sẽ hỗ trợ đắc lực cho hoạt động quản trị rủi ro tài chính, giúp nhà đầu tư đưa ra quyết định sáng suốt, ngân hàng thẩm định rủi ro tín dụng chính xác hơn, và các cơ quan quản lý có thêm công cụ giám sát thị trường hiệu quả. Luận văn sử dụng phương pháp thống kê mô tả và mô hình phân tích phân biệt (MDA) để xử lý dữ liệu bảng (panel data), tạo ra một công cụ đo lường khách quan, giảm thiểu sự phụ thuộc vào các đánh giá chủ quan vốn còn tồn tại trong các phương pháp truyền thống.

1.1. Bối cảnh cấp thiết của việc dự báo phá sản tại Việt Nam

Sự phát triển nhanh chóng của thị trường chứng khoán Việt Nam từ những năm 2000 đã mang lại nhiều cơ hội nhưng cũng tiềm ẩn không ít rủi ro. Tài liệu gốc chỉ ra, "số lượng CTNY có nguy cơ tài chính do kinh doanh thua lỗ và rơi vào tình trạng gần như phá sản cũng đang có xu hướng gia tăng". Đặc biệt, giai đoạn sau khủng hoảng kinh tế 2008, số lượng doanh nghiệp thua lỗ tăng vọt, đặt ra bài toán cấp bách về việc nhận diện sớm nguy cơ. Việc thiếu các mô hình cảnh báo hiệu quả khiến nhà đầu tư và các bên liên quan đối mặt với rủi ro mất vốn khi một công ty lâm vào tình trạng kiệt quệ tài chính.

1.2. Mục tiêu nghiên cứu Xây dựng mô hình đánh giá sức khỏe tài chính

Luận văn đặt ra mục tiêu rõ ràng: kiểm tra tính hữu ích của các chỉ số tài chính trong việc dự báo và xếp hạng nguy cơ tài chính của các công ty niêm yết. Thay vì phân tích đơn lẻ, nghiên cứu hướng đến việc kết hợp các chỉ số này thành một hàm biệt thức duy nhất, có khả năng phân loại chính xác các doanh nghiệp. Mục đích cuối cùng là cung cấp một mô hình khách quan để đánh giá sức khỏe tài chính doanh nghiệp, hỗ trợ nhà đầu tư xây dựng danh mục hiệu quả và giúp các nhà quản trị nhận diện sớm các vấn đề tiềm ẩn trong hoạt động của công ty.

II. Thách thức đo lường nguy cơ tài chính công ty niêm yết VN

Việc đo lường nguy cơ tài chính tại Việt Nam vẫn còn đối mặt với nhiều thách thức đáng kể. Mặc dù đã có một số tổ chức hoạt động trong lĩnh vực này như Trung tâm Thông tin Tín dụng (CIC) và Công ty Cổ phần Xếp hạng Tín nhiệm Doanh nghiệp Việt Nam (CRV), nhưng thực tiễn cho thấy vẫn tồn tại những bất cập lớn. Luận văn đã chỉ ra một vấn đề nhức nhối: “Xếp hạng CTNY của CIC và CRV không phải lúc nào cũng có sự tương đồng, trái lại có những khác biệt rất lớn”. Ví dụ điển hình năm 2010 cho thấy sự sai khác đáng kể trong kết quả xếp hạng tín nhiệm của 11 công ty quan trọng, gây hoang mang cho nhà đầu tư. Sự khác biệt này bắt nguồn từ việc mỗi tổ chức sử dụng phương pháp luận và tiêu chí riêng, trong đó yếu tố chủ quan của chuyên viên phân tích vẫn có thể ảnh hưởng đến kết quả cuối cùng. Thêm vào đó, các phương pháp này thường là “bí quyết” kinh doanh và không được công bố rộng rãi, làm giảm tính minh bạch và khả năng kiểm chứng. Một thách thức khác là chất lượng và tính nhất quán của báo cáo tài chính. Hiện tượng “làm đẹp” số liệu hay các thông tin phi tài chính khó định lượng cũng là rào cản lớn đối với việc xây dựng một mô hình dự báo phá sản chính xác. Do đó, việc tìm kiếm một phương pháp phân tích định lượng khách quan, dựa trên dữ liệu công khai và có thể kiểm chứng như mô hình MDA là một hướng đi vô cùng cần thiết để nâng cao tính minh bạch cho thị trường vốn Việt Nam.

2.1. Hạn chế của các phương pháp xếp hạng tín nhiệm hiện tại

Các phương pháp xếp hạng tín nhiệm hiện hành tại Việt Nam, theo tài liệu nghiên cứu, còn mang nhiều đặc điểm định tính và phụ thuộc vào ý chí chủ quan. Quy trình của CIC, dù có hệ thống, vẫn dựa vào việc chấm điểm thủ công, tốn thời gian và có thể thiếu chính xác. Trong khi đó, mô hình của CRV không được công bố chi tiết. Sự thiếu nhất quán giữa các tổ chức này cho thấy thị trường đang cần một chuẩn mực khách quan hơn. Các mô hình này cũng chưa thực sự khai thác hết sức mạnh của các kỹ thuật thống kê đa biến để đưa ra xác suất rủi ro tín dụng một cách khoa học.

2.2. Vấn đề chất lượng dữ liệu và thông tin bất cân xứng

Một rào cản cố hữu là chất lượng báo cáo tài chính của các công ty niêm yết. Dù đã có kiểm toán, nhưng tình trạng thông tin bất cân xứng vẫn tồn tại. Việc lựa chọn các chỉ số tài chính phù hợp và đáng tin cậy để đưa vào mô hình là một bài toán khó. Luận văn nhấn mạnh sự cần thiết phải sàng lọc kỹ lưỡng dữ liệu bảng (panel data) và lựa chọn các biến có ý nghĩa thống kê cao nhất để đảm bảo mô hình MDA hoạt động hiệu quả, phản ánh đúng sức khỏe tài chính doanh nghiệp.

III. Hướng dẫn ứng dụng mô hình phân tích đa biệt thức MDA

Luận văn đã trình bày chi tiết về mô hình phân tích đa biệt thức (MDA), một kỹ thuật thống kê đa biến được Altman (1968) tiên phong áp dụng để dự báo phá sản. Về bản chất, MDA là một phương pháp phân loại. Mục tiêu của nó là xây dựng một hàm số tuyến tính (hàm biệt thức) từ một tập hợp các biến độc lập (là các chỉ số tài chính) để phân biệt rõ nhất giữa các nhóm đã được xác định trước (nhóm có nguy cơ và không có nguy cơ tài chính). Thay vì xem xét từng chỉ số một cách riêng lẻ, MDA kết hợp chúng lại, xem xét cả sự tương tác và trọng số của từng biến để tạo ra một điểm số tổng hợp duy nhất, gọi là Z-score. Điểm Z này chính là thước đo tổng hợp về sức khỏe tài chính doanh nghiệp. Một ưu điểm vượt trội của MDA so với các phương pháp khác như hồi quy logistic là tính đơn giản trong diễn giải và ứng dụng. Kết quả của mô hình là một điểm cắt (cut-off score), giúp người dùng dễ dàng phân loại: nếu điểm Z của công ty thấp hơn điểm cắt, công ty được xếp vào nhóm có nguy cơ cao, và ngược lại. Quá trình xây dựng mô hình đòi hỏi các giả định chặt chẽ như các biến độc lập phải có phân phối chuẩn và ma trận hiệp phương sai đồng nhất. Mặc dù có những hạn chế nhất định, nhưng với khả năng giảm thiểu số lượng biến phân tích và tạo ra một thước đo duy nhất, MDA vẫn là một công cụ phân tích định lượng vô cùng mạnh mẽ và hữu ích trong thực tiễn quản trị rủi ro tài chính.

3.1. Nguyên lý cốt lõi của phương pháp phân tích phân biệt

Phân tích phân biệt hoạt động dựa trên nguyên tắc tối đa hóa phương sai giữa các nhóm và tối thiểu hóa phương sai trong nội bộ từng nhóm. Nói cách khác, mô hình sẽ tìm ra một tổ hợp tuyến tính của các biến đầu vào sao cho khoảng cách giữa các nhóm (ví dụ: nhóm 'khỏe mạnh' và nhóm 'nguy cơ') là lớn nhất có thể. Điều này giúp hàm số tạo ra có khả năng phân loại chính xác nhất. Luận văn đã sử dụng nguyên lý này để xây dựng hàm Z đặc thù cho các công ty Việt Nam.

3.2. So sánh mô hình MDA và mô hình Z score Altman kinh điển

Mô hình Z-score Altman chính là một ứng dụng nổi tiếng nhất của MDA. Luận văn kế thừa phương pháp luận này nhưng không áp dụng máy móc các hệ số của Altman. Thay vào đó, nghiên cứu tự xây dựng một mô hình mới dựa trên dữ liệu thực tế của thị trường chứng khoán Việt Nam. Cách tiếp cận này phù hợp hơn vì đặc điểm cấu trúc vốn, môi trường kinh doanh và các quy định kế toán tại Việt Nam có nhiều khác biệt so với thị trường Mỹ những năm 1960.

IV. Cách chọn mẫu và biến cho mô hình phân tích đa biệt thức

Để xây dựng một mô hình phân tích đa biệt thức chính xác, việc lựa chọn mẫu và các biến nghiên cứu đóng vai trò quyết định. Luận văn đã thực hiện quy trình này một cách khoa học và chặt chẽ. Mẫu nghiên cứu bao gồm 98 công ty, được chia thành hai nhóm bằng nhau: 49 công ty có nguy cơ tài chính (được định nghĩa là có ít nhất 1 năm thua lỗ trong giai đoạn 2008-2011) và 49 công ty không có nguy cơ tài chính (luôn có lãi trong cùng giai đoạn). Một nguyên tắc quan trọng là các doanh nghiệp phi tài chính được lựa chọn phải có quy mô tài sản tương đương và hoạt động trong cùng một ngành để đảm bảo tính so sánh. Dữ liệu được thu thập là dữ liệu bảng (panel data) từ năm 2008 đến 2011. Về biến nghiên cứu, luận văn đã sàng lọc từ 33 chỉ số tài chính ban đầu, chia làm 4 nhóm chính: khả năng thanh khoản, hoạt động, đòn bẩy và khả năng sinh lời. Các chỉ số tài chính quan trọng như tỷ suất sinh lời trên tài sản (ROA), tỷ suất sinh lời trên vốn chủ sở hữu (ROE), các chỉ số về khả năng thanh toán và cấu trúc vốn đều được xem xét. Quá trình lựa chọn biến cuối cùng cho mô hình được thực hiện thông qua các kiểm định thống kê nghiêm ngặt như kiểm định tương quan Pearson và phân tích từng bước (stepwise analysis) để chọn ra những biến có khả năng phân tích phân biệt tốt nhất và không bị đa cộng tuyến. Cách tiếp cận này đảm bảo mô hình cuối cùng vừa tinh gọn vừa có sức mạnh dự báo cao.

4.1. Quy trình chọn mẫu doanh nghiệp phi tài chính niêm yết

Mẫu được chọn lọc kỹ lưỡng để loại bỏ các ngành có cấu trúc tài chính đặc thù như ngân hàng, bảo hiểm, chứng khoán. Theo luận văn, các công ty trong mẫu phải "cung cấp đầy đủ thông tin trên BCTC đã kiểm toán trong 4 năm từ 2008 đến 2011". Việc ghép cặp các công ty có nguy cơ và không có nguy cơ theo ngành và quy mô giúp loại bỏ các yếu tố nhiễu, làm tăng độ tin cậy của kết quả phân tích định lượng.

4.2. Các chỉ số tài chính then chốt ROA ROE và cấu trúc vốn

Luận văn đặc biệt chú trọng đến các chỉ số phản ánh hiệu quả hoạt động và sự an toàn tài chính. ROA và ROE là những thước đo cốt lõi về khả năng sinh lời. Các chỉ số về cấu trúc vốn (ví dụ: Nợ/Tổng tài sản) phản ánh mức độ rủi ro đòn bẩy tài chính. Trong khi đó, nhóm chỉ số về khả năng thanh toán (ví dụ: khả năng thanh toán ngắn hạn) cho thấy năng lực đáp ứng các nghĩa vụ nợ ngắn hạn của doanh nghiệp. Sự kết hợp các nhóm chỉ số này tạo nên một bức tranh toàn diện về sức khỏe tài chính doanh nghiệp.

V. Kết quả đo lường nguy cơ tài chính từ luận văn thạc sĩ UEH

Kết quả nghiên cứu của luận văn đã chứng minh tính hiệu quả của mô hình phân tích đa biệt thức (MDA) khi áp dụng vào bối cảnh Việt Nam. Sau quá trình phân tích và kiểm định, mô hình đã xác định được một hàm biệt thức Z tối ưu, bao gồm các biến số có ý nghĩa thống kê cao nhất trong việc dự báo phá sản. Độ chính xác của mô hình được đánh giá trên cả mẫu phân tích và mẫu kiểm tra, cho kết quả rất khả quan. Cụ thể, mô hình có khả năng phân loại đúng các công ty vào nhóm có nguy cơ và không có nguy cơ với tỷ lệ chính xác cao, tương đương với nhiều nghiên cứu kinh điển trên thế giới. Một trong những đóng góp quan trọng nhất là việc luận văn đã xây dựng được một công thức đo lường nguy cơ tài chính dành riêng cho các doanh nghiệp phi tài chính trên thị trường chứng khoán Việt Nam. Kết quả này khi được so sánh với hệ thống xếp hạng tín nhiệm của CIC và CRV đã cho thấy sự tương đồng ở nhiều trường hợp nhưng cũng chỉ ra những khác biệt, gợi ý rằng mô hình MDA có thể là một công cụ tham chiếu khách quan và bổ sung hiệu quả. Việc ứng dụng mô hình này vào thực tiễn sẽ giúp nâng cao hiệu quả quản trị rủi ro tài chính, cung cấp một thước đo định lượng đáng tin cậy để đánh giá sức khỏe tài chính doanh nghiệp. Điều này không chỉ có lợi cho nhà đầu tư cá nhân mà còn cho các tổ chức tín dụng trong việc đánh giá rủi ro tín dụng và các cơ quan quản lý trong việc giám sát sự ổn định của thị trường.

5.1. Xây dựng hàm biệt thức Z cho thị trường vốn Việt Nam

Thông qua phần mềm SPSS, nghiên cứu đã xác định các hệ số biệt thức (V) và các biến tài chính (X) phù hợp nhất để tạo thành công thức Z = V1X1 + V2X2 + ... + VnXn. Hàm số này là kết quả của quá trình phân tích định lượng trên dữ liệu thực tế, phản ánh đặc thù của các doanh nghiệp Việt Nam, khác với các mô hình nhập khẩu. Đây là đóng góp cốt lõi và có giá trị ứng dụng thực tiễn cao nhất của luận văn.

5.2. Đánh giá độ chính xác và khả năng dự báo của mô hình

Độ chính xác của mô hình được kiểm chứng qua ma trận phân loại (classification matrix), cho thấy tỷ lệ dự báo đúng (hit ratio) cao. Luận văn cũng kiểm tra sự suy giảm độ chính xác của mô hình theo thời gian, một thực tế đã được Scott (1981) chỉ ra. Kết quả khẳng định rằng mô hình MDA là một công cụ hữu ích để cảnh báo sớm nguy cơ kiệt quệ tài chính ít nhất một năm trước khi xảy ra, cung cấp đủ thời gian cho các bên liên quan để hành động.

Nội dung chính

Tổng quan nghiên cứu

Thị trường chứng khoán Việt Nam ghi nhận sự phát triển vượt bậc sau hơn một thập kỷ vận hành, với số lượng công ty niêm yết tăng từ 2 doanh nghiệp vào năm 2000 lên 699 doanh nghiệp vào cuối năm 2011 trên cả hai Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE với 306 công ty) và Sở Giao dịch Chứng khoán Hà Nội (HNX với 393 công ty). Tổng giá trị vốn hóa thị trường đến cuối năm 2011 đạt mức 539.000 tỷ đồng, tương đương khoảng 21% GDP, sau khi từng đạt đỉnh trên 43% GDP vào năm 2007. Đi cùng với sự tăng trưởng về quy mô là những biến động mạnh mẽ của chỉ số VN-Index, từ mức đỉnh 1.170 điểm vào tháng 3/2007 sụt giảm xuống mức đáy 235 điểm vào năm 2009 và dao động quanh mức 332 điểm vào cuối năm 2011.

Khủng hoảng kinh tế toàn cầu cùng những bất ổn vĩ mô nội tại đã khiến nguy cơ tài chính của các công ty niêm yết gia tăng rõ rệt. Nếu giai đoạn 2005–2007 số lượng doanh nghiệp thua lỗ chỉ dao động từ 2 đến 7 công ty mỗi năm, thì đến năm 2008 đã có 44 công ty báo lỗ. Tính đến cuối năm 2011, thị trường ghi nhận 11 trường hợp bị hủy niêm yết bắt buộc do thua lỗ 3 năm liên tiếp và 1 trường hợp nộp đơn phá sản là Công ty Cổ phần Dược Viễn Đông. Thực trạng này đặt ra yêu cầu cấp thiết về một công cụ định lượng khách quan giúp nhận diện sớm rủi ro phá sản.

Luận văn hướng đến mục tiêu xây dựng và kiểm định mô hình phân tích đa biệt thức nhằm đo lường, phân loại nguy cơ tài chính tại các công ty niêm yết. Nghiên cứu thực hiện trên tập dữ liệu gồm 98 công ty niêm yết thuộc 10 nhóm ngành kinh tế trong giai đoạn 2008–2011. Kết quả nghiên cứu mang lại ý nghĩa thực tiễn to lớn trong việc nâng cao hiệu quả quản trị rủi ro cho nhà đầu tư, tổ chức tín dụng và cơ quan quản lý thị trường.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết phân tích đa biệt thức do Edward I. Altman khởi xướng từ năm 1968 với mô hình chỉ số Z kinh điển, sau đó được mở rộng thành các phiên bản Z' năm 1993 và Z'' năm 1995. Khung lý thuyết này kết hợp cùng các công trình nền tảng về phân tích đơn biến của Beaver năm 1966, mô hình hồi quy Logit của Ohlson năm 1980, Zavgren năm 1983 và mạng nơ-ron nhân tạo của Adnan và Dar năm 2006.

Trong khuôn khổ nghiên cứu, các khái niệm cốt lõi được chuẩn hóa:

• Nguy cơ tài chính: Trạng thái suy giảm nghiêm trọng khả năng sinh lời, mất cân đối dòng tiền dẫn đến nguy cơ mất khả năng thanh toán hoặc phá sản, được xác định cụ thể qua tiêu chí doanh nghiệp có kết quả kinh doanh thua lỗ từ 1 năm trở lên trong giai đoạn 2008–2011.
• Phân tích đa biệt thức: Kỹ thuật thống kê đa biến cho phép kết hợp đồng thời nhiều chỉ số tài chính để tìm ra tổ hợp tuyến tính tối ưu hóa khoảng cách giữa các nhóm quan sát.
• Hệ số biệt thức và giá trị điểm Z: Thang đo tổng hợp dùng để phân loại doanh nghiệp vào nhóm an toàn hoặc nhóm có rủi ro cao dựa trên ngưỡng phân định định lượng.
• Khoảng cách Mahalanobis: Đại lượng đo lường khoảng cách đa chiều giữa trọng tâm của hai nhóm quan sát, đóng vai trò xác định hàm biệt thức tối ưu.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng thống kê mô tả kết hợp phân tích đa biệt thức từng bước thông qua phần mềm SPSS 19.0 và Microsoft Excel 2007. Nguồn dữ liệu thứ cấp được trích xuất từ hệ thống phần mềm dữ liệu tài chính Stoxpro với báo cáo tài chính đã được kiểm toán trong 4 năm liên tục từ 2008 đến 2011.

Cỡ mẫu nghiên cứu được thiết kế khoa học với tổng số 98 công ty niêm yết, được chia thành hai tập dữ liệu độc lập:

• Mẫu phân tích (Mẫu I): Gồm 98 công ty được phân chia cân bằng thành 49 công ty có nguy cơ tài chính và 49 công ty không có nguy cơ tài chính. Phương pháp chọn mẫu áp dụng nguyên tắc ghép cặp tương đồng theo ngành cấp 2 theo chuẩn phân ngành ICB và có quy mô tổng tài sản tương đương, loại trừ các doanh nghiệp có cấu trúc tài chính đặc thù như ngân hàng, bảo hiểm và công ty chứng khoán.
• Mẫu kiểm tra (Mẫu II): Gồm 48 công ty (24 công ty có nguy cơ và 24 công ty an toàn) được chọn ngẫu nhiên từ tập mẫu ban đầu nhằm kiểm tra chéo độ tin cậy và khả năng dự báo của hàm biệt thức.

Hệ thống biến số ban đầu bao gồm 33 chỉ số tài chính thuộc 4 nhóm cơ bản: khả năng sinh lời, đòn bẩy tài chính, khả năng thanh khoản và hiệu quả hoạt động. Lý do lựa chọn mô hình phân tích đa biệt thức là nhờ khả năng xử lý đồng thời nhiều biến số tương quan, giảm thiểu sai số của phân tích đơn biến truyền thống và tạo ra một công thức chấm điểm trực quan, phù hợp với đặc thù dữ liệu tài chính tại thị trường mới nổi như Việt Nam.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Mô hình phân tích đa biệt thức đã sàng lọc từ 33 chỉ số tài chính ban đầu để xác định các biến số có ý nghĩa thống kê cao nhất trong việc phân biệt sức khỏe tài chính doanh nghiệp:

• Khả năng phân loại vượt trội: Hàm biệt thức xây dựng từ dữ liệu năm 2008 đạt tỷ lệ dự báo chính xác trên 85% đối với các công ty có nguy cơ tài chính trước thời điểm khủng hoảng 1 năm. Khi kiểm định trên Mẫu II gồm 48 doanh nghiệp, mô hình duy trì độ chuẩn xác ổn định trên 80%.
• Sự khác biệt rõ nét ở nhóm chỉ số sinh lời và đòn bẩy: Tỷ suất sinh lời trên tổng tài sản (ROA), lợi nhuận trước thuế trên tổng tài sản cùng hệ số nợ trên vốn chủ sở hữu thể hiện khoảng cách biệt thức lớn nhất giữa hai nhóm. Nhóm công ty có nguy cơ tài chính ghi nhận tỷ lệ nợ phải trả trên vốn chủ sở hữu cao gấp 2,5 đến 3 lần so với nhóm công ty an toàn.
• Phân hóa theo ngành kinh tế: Nghiên cứu trên 10 ngành kinh tế cho thấy ngành Thực phẩm & Đồ uống (26 công ty), Hàng & Dịch vụ Công nghiệp (24 công ty) và Xây dựng & Vật liệu (16 công ty) có mức độ phân hóa rủi ro tài chính sâu sắc nhất trước các cú sốc lãi suất và chi phí đầu vào.
• Bất cập trong các hệ thống xếp hạng hiện hành: Kết quả nghiên cứu chỉ ra độ lệch đáng kể khi so sánh chéo với các hệ thống xếp hạng của CIC và CRV. Điển hình trong năm 2010, có tới 11 mã chứng khoán lớn ghi nhận sự sai khác nghiêm trọng giữa CIC và CRV (như CII, TIC, HLA, SJD, FPC), khẳng định tính cần thiết của một mô hình định lượng chuẩn hóa độc lập.

Thảo luận kết quả

Nguyên nhân cốt lõi dẫn đến tình trạng suy kiệt tài chính của các công ty niêm yết giai đoạn 2008–2011 bắt nguồn từ việc lạm dụng đòn bẩy tài chính ngắn hạn để đầu tư dàn trải ngoài ngành khi thị trường tăng nóng giai đoạn 2006–2007. Khi Ngân hàng Nhà nước thắt chặt chính sách tiền tệ, mặt bằng lãi suất cho vay vọt lên trên 18–20%/năm, áp lực chi phí lãi vay đã nhanh chóng bào mòn toàn bộ biên lợi nhuận hoạt động của doanh nghiệp.

Kết quả kiểm định thực nghiệm hoàn toàn tương thích với các nghiên cứu của Altman năm 1968 tại Hoa Kỳ (đạt độ chính xác 94% trước 1 năm) và các nghiên cứu tại Thái Lan giai đoạn 1995–1999 (đạt 92%). Dữ liệu phân tích thực nghiệm có thể được mô hình hóa trực quan qua bảng ma trận phân loại phân biệt và đồ thị phân bổ điểm Z. Trên biểu đồ không gian đa chiều, tọa độ trọng tâm nhóm công ty an toàn và nhóm nguy cơ tách rời hoàn toàn qua một đường ranh giới cắt ngang điểm Z giới hạn, giúp nhận diện ngay lập tức những doanh nghiệp đang tiến sát vùng nguy hiểm.

Đề xuất và khuyến nghị

Nhằm nâng cao hiệu quả dự báo rủi ro và tăng cường tính minh bạch của thị trường chứng khoán Việt Nam, luận văn đưa ra 5 nhóm giải pháp cụ thể:

• Nâng cao chất lượng kiểm toán và minh bạch báo cáo tài chính: Bộ Tài chính và Ủy ban Chứng khoán Nhà nước cần siết chặt chế tài xử phạt hành vi gian lận thông tin kế toán, áp dụng chuẩn mực báo cáo tài chính quốc tế nhằm giảm thiểu tối đa tình trạng thao túng lợi nhuận trước kỳ kiểm toán.
• Bổ sung chỉ tiêu ROA và nâng chuẩn vốn điều lệ niêm yết: Hai Sở Giao dịch Chứng khoán HOSE và HNX cần đưa chỉ tiêu ROA tối thiểu đạt trên 5% trong 2 năm liên tiếp vào điều kiện niêm yết bắt buộc, đồng thời nâng mức vốn điều lệ tối thiểu đối với doanh nghiệp đăng ký mới nhằm gia tăng năng lực tự chủ vốn.
• Xây dựng bộ chỉ số tài chính trung bình ngành chuẩn hóa: Cơ quan quản lý cần phối hợp cùng các viện nghiên cứu thiết lập hệ thống cơ sở dữ liệu chỉ số tài chính bình quân cho hơn 10 nhóm ngành kinh tế theo chuẩn ICB, làm hệ quy chiếu đánh giá định kỳ hàng quý cho toàn thị trường.
• Hoàn thiện khung pháp lý về xếp hạng tín nhiệm và Luật Phá sản: Quốc hội và Chính phủ cần sớm ban hành Nghị định chuyên biệt quản lý hoạt động của các tổ chức định mức tín nhiệm độc lập, đồng thời rút ngắn quy trình thủ tục giải thể, phá sản doanh nghiệp yếu kém theo Luật Phá sản.
• Phát triển phần mềm tự động hóa đo lường nguy cơ tài chính: Các công ty chứng khoán và quỹ đầu tư cần tích hợp thuật toán phân tích đa biệt thức vào hệ thống giao dịch, thiết lập cơ chế cảnh báo tự động khi điểm Z của doanh nghiệp rơi xuống ngưỡng nguy hiểm theo chu kỳ đánh giá 3 tháng một lần.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và ứng dụng thực tiễn chuyên sâu cho 4 nhóm đối tượng chính:

• Nhà đầu tư cá nhân và tổ chức: Cung cấp bộ lọc định lượng khoa học giúp sàng lọc danh mục đầu tư, loại trừ sớm các cổ phiếu có nguy cơ bị hủy niêm yết bắt buộc hoặc lâm vào tình trạng mất khả năng thanh toán.
• Ban điều hành và Giám đốc Tài chính doanh nghiệp: Giúp các nhà quản trị nhận diện điểm yếu trong cơ cấu tài sản và nguồn vốn, từ đó chủ động cơ cấu lại các khoản nợ vay trước khi doanh nghiệp rơi vào tình trạng mất cân đối thanh khoản.
• Ngân hàng thương mại và các tổ chức tín dụng: Sử dụng hàm biệt thức như một công cụ hỗ trợ thẩm định hồ sơ cấp tín dụng, phân loại nợ kỹ thuật và trích lập dự phòng rủi ro chính xác hơn đối với các khách hàng doanh nghiệp niêm yết.
• Cơ quan quản lý thị trường và giới nghiên cứu học thuật: Đóng vai trò tài liệu tham khảo giá trị cho Ủy ban Chứng khoán Nhà nước trong việc hoàn thiện chính sách giám sát an toàn thị trường, đồng thời là nền tảng mở rộng nghiên cứu sang các mô hình trí tuệ nhân tạo và học máy hiện đại.

Câu hỏi thường gặp

1. Mô hình phân tích đa biệt thức (MDA) hoạt động như thế nào trong dự báo rủi ro tài chính?
Mô hình MDA kết hợp đồng thời nhiều chỉ số tài chính trọng yếu từ bảng cân đối kế toán và báo cáo kết quả kinh doanh để tính toán ra một chỉ số tổng hợp gọi là điểm Z. Doanh nghiệp có điểm số nằm dưới ngưỡng tới hạn sẽ được cảnh báo thuộc nhóm nguy cơ cao, với độ chính xác kiểm định thực tế đạt trên 85% trước 1 năm khủng hoảng.

2. Tại sao nghiên cứu sử dụng mẫu 98 doanh nghiệp ghép cặp thay vì toàn bộ thị trường?
Phương pháp ghép cặp 49 công ty có nguy cơ và 49 công ty an toàn tương đồng về ngành nghề ICB cấp 2 và quy mô tổng tài sản giúp triệt tiêu các sai lệch do đặc thù ngành và quy mô vốn tạo ra. Cách tiếp cận này đảm bảo tính thuần nhất của ma trận hiệp phương sai theo đúng giả thuyết toán học của mô hình MDA.

3. Nguyên nhân dẫn đến sự sai khác xếp hạng giữa CIC và CRV đối với 11 cổ phiếu năm 2010 là gì?
Sự khác biệt phát sinh do CIC sử dụng thang điểm 11 chỉ tiêu truyền thống mang tính chủ quan của chuyên viên, trong khi CRV kết hợp hơn 100 chỉ tiêu tài chính và phi tài chính theo quy trình nội bộ riêng. Sự không nhất quán này chứng minh tính cấp thiết của một công thức toán học định lượng rõ ràng như mô hình MDA.

4. Nhóm chỉ số tài chính nào phản ánh nguy cơ tài chính nhạy bén nhất?
Nhóm chỉ số về khả năng sinh lời (như ROA, lợi nhuận trước thuế trên tổng tài sản) và đòn bẩy tài chính (nợ phải trả trên vốn chủ sở hữu) có khả năng phân biệt mạnh nhất. Khi các chỉ số này suy giảm liên tục từ 2 đến 3 năm, xác suất doanh nghiệp rơi vào diện kiểm soát đặc biệt tăng lên trên 70%.

5. Nhà đầu tư cá nhân có thể ứng dụng kết quả nghiên cứu vào thực tế như thế nào?
Nhà đầu tư có thể thu thập các chỉ số tài chính sau kiểm toán của doanh nghiệp, đưa vào hàm biệt thức đã được ước lượng để tính điểm Z định kỳ hàng năm. Nếu điểm số có xu hướng giảm liên tục qua 2 năm và tiệm cận ngưỡng rủi ro, nhà đầu tư nên chủ động tái cơ cấu và thoái vốn khỏi cổ phiếu đó.

Kết luận

• Luận văn đã ứng dụng thành công mô hình phân tích đa biệt thức (MDA) trên tập dữ liệu 98 công ty niêm yết tại Việt Nam giai đoạn 2008–2011, đạt tỷ lệ dự báo chính xác trên 85%.
• Nghiên cứu chứng minh tính ưu việt của phương pháp đa biến so với các hệ thống chấm điểm truyền thống trong việc phát hiện sớm nguy cơ thua lỗ của doanh nghiệp.
• Xác định rõ vai trò then chốt của các chỉ số sinh lời (ROA) và cấu trúc đòn bẩy nợ trong việc duy trì trạng thái an toàn tài chính.
• Đóng góp hệ thống giải pháp toàn diện từ cấp quản lý vĩ mô đến các công cụ định lượng thực hành cho nhà đầu tư trên thị trường chứng khoán.
• Hướng phát triển tiếp theo cần mở rộng kiểm định mô hình trên sàn UPCoM và tích hợp các thuật toán học máy nâng cao trong chu kỳ phân tích tiếp theo.

Hãy tải và nghiên cứu toàn văn luận văn thạc sĩ để áp dụng trực tiếp mô hình định lượng này vào việc tối ưu hóa hiệu quả quản trị danh mục đầu tư và kiểm soát rủi ro tài chính của bạn ngay hôm nay.

Trích đoạn nội dung tài liệu

Chương 1 TỔNG QUAN VỀ MÔ HÌNH PHÂN TÍCH ĐA BIỆT THỨC ĐỂ ĐO LƯỜNG NGUY CƠ TÀI CHÍNH TẠI CÁC CÔNG TY 1.1 Khái quát về nguy cơ tài chính 1.1 Khái niệm nguy cơ tài chính Theo khái niệm truyền thống, nguy cơ tài chính là sự xuất hiện các tình huống dẫn đến việc suy giảm khả năng sinh lời của công ty và trong tình huống đặc biệt có thể làm công ty phá sản. Khái niệm về nguy cơ tài chính hiện đại hơn bao hàm nghĩa rộng hơn và không chỉ tính đến nguy cơ tài chính mà còn bao gồm cả những nguy cơ liên quan đến những mục tiêu hoạt động và mục tiêu chiến lược của công ty như rủi ro kinh doanh, rủi ro tín dụng, rủi ro lãi suất… 1.2 Hậu quả của nguy cơ tài chính Nguy cơ tài chính không chỉ gây tổn thất về vốn, tài sản của công ty mà còn ảnh hưởng xấu tới mức độ tín nhiệm và thương hiệu của công ty. Nguy cơ tài chính có thể dẫn đến phá sản công ty và gây thiệt hại trực tiếp cho các nhà đầu tư và các nhà tài trợ của công ty. Nguy cơ tài chính có thể gây ra những tổn thất gián tiếp cho nền kinh tế và ở mức độ nặng hơn có thể gây ra những bất ổn xã hội.

Hậu quả của nguy cơ tài chính là nghiêm trọng nếu như không được quản trị rủi ro. Quản trị rủi ro tài chính thay vì cách tiếp cận hậu kiểm đã chuyển sang cách tiếp cận rủi ro mang tính phòng ngừa, dự báo trước bằng các mô hình đo lường nguy cơ tài chính.2 Những vấn đề cơ bản về đo lường nguy cơ tài chính 1.1 Khái niệm đo lường nguy cơ tài chính Bắt đầu từ thập kỷ 70, đo lường và dự báo nguy cơ tài chính đã trở thành một hướng đi phát triển mạnh mẽ của khoa học xác suất thống kê. Khi đề cập đến đo lường nguy cơ tài chính, người ta liên tưởng đến ngay các hoạt động quản lý LUAN VAN CHAT LUONG download :5 add [e-mail] danh mục đầu tư, định giá quyền chọn và các công cụ tài chính khác. Việc đo lường nguy cơ tài chính là một trong những hoạt động nhằm quản trị rủi ro tài chính mà các tổ chức tài chính trên thế giới, ngay cả các quốc gia cũng rất quan tâm và ứng dụng từ rất sớm.

Tùy theo góc độ nghiên cứu mà ta có thể có định nghĩa khác nhau về đo lường nguy cơ tài chính. Đo lường nguy cơ tài chính được khái niệm là một bộ phận của xếp hạng tín nhiệm doanh nghiệp, vì thông qua việc đo lường này sẽ phân loại, sắp xếp một đối tượng hay một nhóm đối tượng có nguy cơ tài chính hay không có nguy cơ tài chính vào bảng xếp hạng theo chuẩn mực đã được quy định sẵn. Từ khái niệm trên cần tìm hiểu thêm hai khái niệm đó là công ty có nguy cơ tài chính và công ty không có nguy cơ tài chính. Khái niệm công ty có nguy cơ tài chính theo tiêu chí xếp hạng tín dụng của Trung tâm thông tin tín dụng – Ngân hàng nhà nước Việt Nam (CIC) là công ty hoạt động kém hiệu quả, tự chủ về tài chính yếu kém, hoạt động sản xuất kinh doanh thua lỗ, có nguy cơ lâm vào tình trạng phá sản, rủi ro rất cao.

Trái lại, công ty không có nguy cơ tài chính là công ty hoạt động hiệu quả cao, khả năng tự chủ tài chính rất tốt, triển vọng phát triển lâu dài, tiềm lực tài chính mạnh, rủi ro thấp nhất.2 Tầm quan trọng của đo lường nguy cơ tài chính 1.1 Đối với nhà đầu tư Đối với hầu hết các nhà đầu tư trên TTCK, trước khi quyết định đầu tư vào công ty thì vấn đề quan trọng là phải nắm rõ thông tin. Để có được những thông tin cần thiết về công ty dự định đầu tư, các nhà đầu tư thường thu thập những thông tin từ báo cáo tài chính (BCTC) của công ty để có thể đưa ra quyết định chính xác, nhằm hạn chế rủi ro trong đầu tư. Ngày nay, với các mô hình đo lường nguy cơ tài chính, các nhà đầu tư có thêm công cụ để giúp nhận diện và đánh giá rủi ro tài chính. Từ đó so sánh, đánh giá mối quan hệ giữa lợi nhuận và rủi ro, nhằm đảm bảo hiệu quả đầu tư cũng như đảm bảo an toàn cho đồng vốn.

LUAN VAN CHAT LUONG download :6 add luanvanchat@agmail.2 Đối với công ty Một công ty được đo lường không có nguy cơ tài chính thì công ty đó có nhiều điều kiện thuận lợi trong việc mở rộng thị trường vốn, được các nhà đầu tư quan tâm, giảm bớt sự phụ thuộc vào các khoản vay ngân hàng. Đo lường nguy cơ tài chính cũng giúp duy trì sự ổn định nguồn tài trợ cho công ty, các công ty không có nguy cơ tài chính có thể duy trì được thị trường vốn hầu như trong mọi hoàn cảnh, ngay cả khi thị trường vốn có những biến động bất lợi. Nguy cơ tài chính càng thấp thì chi phí vay sẽ càng giảm vì các nhà đầu tư sẵn sàng nhận một mức lãi suất thấp hơn cho một chứng khoán an toàn hơn. Đo lường nguy cơ tài chính giúp cho nguồn tài trợ của công ty linh hoạt hơn, đặc biệt là trong việc phát hành các cổ phiếu và công cụ nợ.

Công ty phát hành có thể cơ cấu thời hạn và tổng giá trị chứng khoán phát hành một cách thích hợp.3 Đối với ngân hàng Đo lường nguy cơ tài chính là cơ sở để quản trị rủi ro tín dụng nhằm hạn chế và giới hạn rủi ro ở mức mục tiêu. Đồng thời cũng hỗ trợ ngân hàng trong việc phân loại nợ và trích lập dự phòng rủi ro, tiến tới mục đích tối đa hóa lợi nhuận và bảo vệ sự ổn định của hệ thống ngân hàng.4 Đối với các cơ quan quản lý nhà nước Đo lường nguy cơ tài chính giúp các cơ quan quản lý nhà nước thực hiện giám sát các hoạt động kinh doanh, hoạt động tài chính tiền tệ của công ty theo khuôn khổ Pháp luật góp phần thúc đẩy thị trường tài chính ngày càng minh bạch hơn, nâng cao hiệu quả của nền kinh tế. Đo lường nguy cơ tài chính giúp cho cơ quan quản lý nhà nước về TTCK sàng lọc và phân loại các CTNY trên thị trường để thực hiện kịp thời các hoạt động thanh tra, giám sát, đồng thời chủ động hơn trong công bố thông tin về nguy cơ tài chính của các CTNY đến các thành phần tham gia trên TTCK nhằm góp phần hạn chế rủi ro cho thị trường. LUAN VAN CHAT LUONG download :7 add luanvanchat@agmail.5 Đối với nền kinh tế Nâng cao tính minh bạch của thị trường bằng cách đo lường nguy cơ tài chính, xếp hạng các công ty có nguy cơ tài chính và không có nguy cơ tài chính một cách minh bạch, khách quan theo chuẩn mực.

Nhờ sự minh bạch của thị trường các nhà đầu tư gia tăng niềm tin trong các hoạt động đầu tư và các nhà phát hành có thể tạo được những kênh phân phối đến những thị trường khác, kết quả đo lường nguy cơ tài chính cũng làm giảm những chi phí cơ hội vô hình, giảm những tin đồn thất thiệt… 1.3 Các mô hình đo lường nguy cơ tài chính 1.1 Mô hình Logit Mô hình Logit nghiên cứu sự phụ thuộc của một biến nhị phân vào các biến độc lập khác. Mục tiêu của các mô hình này là sử dụng các nhân tố có ảnh hưởng đến khả năng không có nguy cơ tài chính (biến độc lập) để xác định khả năng có nguy cơ tài chính (biến phụ thuộc) của các công ty là cao hay thấp. Nghĩa là mô hình Logit có thể ước lượng xác suất một công ty có nguy cơ tài chính là bao nhiêu. Cấu trúc của dữ liệu trong mô hình như sau: Biến Loại Phụ thuộc Nhị phân Độc lập Liên tục hoặc rời rạc Mô hình Logit có dạng: Ln(p/(1-p)) = a + b1x1 + b2x2 + b3x 3 + … + bnx n (1.1) Trong đó: - p là xác suất xảy ra nguy cơ tài chính - x1, x 2, x3… xn là các chỉ số tài chính - a, b là các hệ số.

Công thức tính xác suất xảy ra nguy cơ tài chính: = ( … (1.2) LUAN VAN CHAT LUONG download :8 add [e-mail] Trong đó: - e là số Logarit tự nhiên, hay còn gọi là cơ số e. Adnan và Dar (2006) đã thống kê lại tất cả các mô hình đo lường nguy cơ tài chính trong các nghiên cứu được sử dụng trong quá khứ và kết quả cho thấy có 19 nghiên cứu sử dụng mô hình Logit và chiếm khoảng 21% trong các mô hình đo lường nguy cơ tài chính. Độ chính xác trung bình của 19 nghiên cứu sử dụng mô hình Logit đạt 87%.2 Mô hình Probit Cấu trúc dữ liệu cũng tương tự như mô hình Logit, mô hình này cũng ước lượng được xác suất xảy ra nguy cơ tài chính của một công ty. Sự khác biệt giữa mô hình Logit và Probit không đáng kể và không có ý nghĩa về mặt thống kê.Friel trong nghiên cứu “Linear probability response models: Probit and Logit” đã chỉ ra vấn đề này.

Kết quả đo lường của hai mô hình Logit và Probit khác nhau không đáng kể nhưng vì dễ dùng hơn trong trình bày toán học, các mô hình Logit thường được sử dụng cho mô hình xếp hạng doanh nghiệp trong thực tế. Ưu điểm của mô hình Logit và Probit là kết quả có thể cung cấp trực tiếp được xác suất công ty có nguy cơ tài chính là bao nhiêu. Mô hình Logit và Probit có một số lợi thế: Mô hình Logit và Probit không đòi hỏi các nhân tố đầu vào phải là phân phối chuẩn. Kết quả của mô hình hồi quy Logit và Probit có thể tính được trực tiếp xác suất xảy ra nguy cơ tài chính của một công ty.

Mô hình Logit và Probit thường cho kết quả chính xác. Những năm gần đây, mô hình này được sử dụng nhiều trong nghiên cứu lý thuyết và thực tiễn.3 Phương pháp lân cận gần nhất K (K – nearest neighbor) LUAN VAN CHAT LUONG download :9 add [e-mail] Học máy (Machine learning) là một lĩnh vực của trí tuệ nhân tạo liên quan đến thiết kế và phát triển các thuật toán cho phép cải thiện khả năng thực thi các chức năng dựa trên cơ sở dữ liệu. Mục tiêu chính trong nghiên cứu học máy là đưa ra những mô hình có kết quả được tạo ra một cách tự động từ những quy luật hay kiểu mẫu từ dữ liệu. Do đó, các mô hình này đòi hỏi phải có dữ liệu đầu vào lớn.