Luận Văn: Ứng Dụng Lý Thuyết Tập Hợp Mềm Để Tối Ưu Hóa Lựa Chọn Các Tỷ Số Tài Chính

Tài liệu nghiên cứu Luận văn ứng dụng lý thuyết tập hợp mềm để tối ưu hóa lựa chọn các tỷ số tài chính, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về kinh tế.

• Tác giả: Bùi Minh Hiếu
• Người hướng dẫn: PGS., TS. Trịnh Quốc Trung
• Trường học: Trường Đại học Ngân hàng TP. Hồ Chí Minh
• Chuyên ngành: Tài chính – Ngân hàng
• Đề tài: Ứng dụng lý thuyết tập hợp mềm để tối ưu hóa lựa chọn các tỷ số tài chính trong việc dự báo phá sản của doanh nghiệp
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• TÓM TẮT ĐỀ TÀI
• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC BẢNG BIỂU
• DANH MỤC CÁC HÌNH
• 1. CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO PHÁ SẢN
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu của đề tài
• 1.2.1. Mục tiêu tổng quát
• 1.2.2. Mục tiêu cụ thể
• 1.3. Câu hỏi nghiên cứu
• 1.4. Đối tượng và phạm vi nghiên cứu
• 2. CHƯƠNG 2: THỰC TRẠNG VỀ DỰ BÁO PHÁ SẢN TRÊN THẾ GIỚI VÀ Ở VIỆT NAM
• 2.1. Cơ sở lý luận và lý thuyết sử dụng trong bài nghiên cứu
• 2.1.1. Định nghĩa phá sản
• 2.1.2. Lý thuyết về soft - set
• 2.1.2.1. Định nghĩa về tập hợp mềm (Tập hợp mềm Theory)
• 2.1.2.2. Lý thuyết phương pháp lọc truyền thống (Traditional Soft Set – TSS)
• 2.1.2.3. Lý thuyết theo phương pháp tiên tiến (Novel Soft Set – NSS)
• 2.2. Những nghiên cứu ở ngoài Việt Nam
• 2.2.1. Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán
• 2.2.2. Những nghiên cứu sử dụng các mô hình dự báo dựa vào tỷ số tài chính thị trường
• 2.2.3. Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán kết hợp thị trường
• 2.3. Những nghiên cứu ở Việt Nam
• 3. CHƯƠNG 3: GIẢI PHÁP DỰ BÁO PHÁ SẢN THÔNG QUA TỐI ƯU HÓA CHỌN BIẾN VÀ MÔ HÌNH – ÁP DỤNG SOFT SET
• 3.1. Phương pháp chọn biến
• 3.1.1. Biến phụ thuộc (Special Treatment – ST)
• 3.1.2. Biến độc lập
• 3.2. Phân tách dữ liệu nghiên cứu
• 3.2.1. Phân loại công ty
• 3.2.2. Phân tách các công ty chạy mô hình
• 3.2.3. Xác định thời điểm dự báo
• 3.3. Lọc các tỷ số tài chính dựa trên lý thuyết tập hợp mềm
• 3.3.1. Bảng phân loại tác động của từng biến
• 3.3.2. Rút gọn tham số theo phương pháp NSS
• 3.4. Mô hình sử dụng trong bài nghiên cứu
• 3.4.1. Mô hình hồi quy Logistic
• 3.4.2. Mô hình sử dụng phân lớp dữ liệu
• 3.4.2.1. Mô hình NN
• 3.4.2.2. Mô hình SVM
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
• 4.1. Hồi quy hệ số Beta
• 4.2. Chọn lọc tỷ số tài chính
• 4.2.1. Dựa trên cách chọn biến của Nguyễn Trọng Hòa (Học viện tài chính) năm 2010 với mô hình xếp hạng tín dụng z-score (NTH)
• 4.2.2. Dựa trên phương pháp TSS
• 4.2.3. Dựa trên phương pháp NSS
• 4.3. Kết quả tính chính xác của các mô hình
• 4.3.1. Kết quả tính chính xác dựa vào mô hình hồi quy Logistic
• 4.3.1.1. Phương pháp ACC
• 4.3.1.2. Phương pháp kiểm định hệ số thống kê
• 4.3.2. Kết quả tính chính xác dựa vào mô hình NN
• 4.3.3. Kết quả tính chính xác dựa vào mô hình SVM
• 4.4. Kiểm tra tính vững
• 4.5. Kết quả tổng hợp
• 5. CHƯƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ

Tóm tắt

I. Tổng quan về lý thuyết tập hợp mềm

Lý thuyết tập hợp mềm (Soft Set Theory) đã được phát triển như một công cụ mạnh mẽ trong việc tối ưu hóa lựa chọn các tỷ số tài chính. Lý thuyết này cho phép phân tích và lựa chọn các biến quan trọng trong dự báo phá sản của doanh nghiệp. Theo Molodtsov (1999), tập hợp mềm được định nghĩa là một tập hợp các cặp thỏa mãn một số điều kiện nhất định. Điều này giúp cho việc phân tích dữ liệu trở nên linh hoạt hơn, đặc biệt trong bối cảnh mà các thông tin tài chính thường không hoàn toàn chính xác hoặc đầy đủ. Việc áp dụng lý thuyết này trong nghiên cứu cho thấy khả năng tối ưu hóa lựa chọn các tỷ số tài chính có thể cải thiện đáng kể độ chính xác trong việc dự báo tình trạng tài chính của doanh nghiệp.

1.1 Định nghĩa và ứng dụng của lý thuyết tập hợp mềm

Lý thuyết tập hợp mềm được định nghĩa thông qua các tham số và tập hợp gốc, cho phép xây dựng các mô hình dự báo dựa trên các biến tài chính. Các nghiên cứu trước đây đã chỉ ra rằng việc sử dụng lý thuyết này có thể giúp các nhà quản lý đưa ra quyết định chính xác hơn trong việc đánh giá tình trạng tài chính của doanh nghiệp. Đặc biệt, lý thuyết này có thể được áp dụng để tối ưu hóa lựa chọn các tỷ số tài chính trong việc dự báo phá sản. Việc lựa chọn các biến phù hợp không chỉ giúp cải thiện độ chính xác của mô hình mà còn giúp tiết kiệm thời gian và nguồn lực trong quá trình phân tích dữ liệu.

II. Tối ưu hóa lựa chọn tỷ số tài chính

Quá trình tối ưu hóa lựa chọn các tỷ số tài chính là một phần quan trọng trong nghiên cứu này. Các phương pháp như phân tích tài chính và quản lý rủi ro được áp dụng để xác định các tỷ số nào có thể dự đoán tốt nhất khả năng phá sản của doanh nghiệp. Nghiên cứu đã chỉ ra rằng việc sử dụng các phương pháp tiên tiến như Novel Soft Set (NSS) cho phép lựa chọn các tỷ số tài chính có ý nghĩa nhất. Kết quả cho thấy rằng các mô hình dự báo sử dụng NSS có độ chính xác cao hơn so với các phương pháp truyền thống. Điều này chứng tỏ rằng việc áp dụng lý thuyết tập hợp mềm không chỉ là một xu hướng mới mà còn là một bước tiến quan trọng trong lĩnh vực tài chính.

2.1 Phân tích và lựa chọn tỷ số tài chính

Việc phân tích tài chính dựa trên các tỷ số như tỷ lệ nợ, tỷ lệ thanh khoản và tỷ lệ lợi nhuận là rất quan trọng trong việc dự báo phá sản. Các tỷ số này không chỉ phản ánh tình hình tài chính hiện tại của doanh nghiệp mà còn cho thấy khả năng sinh lời và khả năng thanh toán nợ. Nghiên cứu đã chỉ ra rằng việc lựa chọn các tỷ số này thông qua lý thuyết tập hợp mềm giúp tối ưu hóa quá trình dự báo. Các mô hình như hồi quy Logistic, mạng nơ-ron và SVM đã được sử dụng để kiểm định tính chính xác của các tỷ số tài chính được chọn lọc.

III. Kết quả nghiên cứu và ứng dụng thực tiễn

Kết quả nghiên cứu cho thấy rằng việc áp dụng lý thuyết tập hợp mềm trong việc tối ưu hóa lựa chọn các tỷ số tài chính đã mang lại những kết quả khả quan. Các mô hình dự báo sử dụng NSS cho thấy độ chính xác cao hơn so với các phương pháp truyền thống. Điều này không chỉ có ý nghĩa trong việc dự báo phá sản mà còn có thể áp dụng rộng rãi trong các lĩnh vực khác như quản lý rủi ro và đánh giá hiệu suất tài chính. Việc sử dụng lý thuyết này giúp các nhà quản lý có được cái nhìn sâu sắc hơn về tình hình tài chính của doanh nghiệp, từ đó đưa ra các quyết định kịp thời và chính xác.

3.1 Ứng dụng lý thuyết tập hợp mềm trong thực tiễn

Lý thuyết tập hợp mềm không chỉ dừng lại ở lý thuyết mà còn có thể được áp dụng thực tiễn trong việc quản lý rủi ro và đánh giá hiệu suất tài chính. Các doanh nghiệp có thể sử dụng các tỷ số tài chính được tối ưu hóa để theo dõi tình hình tài chính của mình một cách hiệu quả hơn. Điều này giúp họ phát hiện sớm các dấu hiệu của phá sản và có các biện pháp ứng phó kịp thời. Hơn nữa, việc áp dụng lý thuyết này cũng có thể giúp các nhà đầu tư đưa ra quyết định đầu tư chính xác hơn, từ đó gia tăng giá trị đầu tư.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh nền kinh tế thị trường không ngừng biến động, nguy cơ kiệt quệ tài chính và phá sản doanh nghiệp luôn là thách thức lớn đối với các nhà quản trị, cổ đông và hệ thống ngân hàng thương mại. Sự sụp đổ của một doanh nghiệp không chỉ xóa sạch giá trị vốn hóa mà còn tạo ra hiệu ứng dây chuyền tiêu cực, làm gia tăng tỷ lệ nợ xấu và đe dọa sự ổn định của hệ thống tài chính. Nhằm giải quyết bài toán cấp thiết này, luận văn tập trung nghiên cứu việc tối ưu hóa lựa chọn các tỷ số tài chính trong dự báo phá sản thông qua việc ứng dụng lý thuyết tập hợp mềm (Soft Set Theory) – một công cụ toán học hiện đại trong xử lý dữ liệu bất định.

Mục tiêu cốt lõi của đề tài là xây dựng và kiểm định bộ lọc biến tối ưu để sàng lọc các chỉ số tài chính có giá trị thông tin cao nhất, từ đó nâng cao độ chính xác dự báo khi đưa vào các mô hình kinh tế lượng và máy học. Phạm vi không gian của nghiên cứu tập trung vào các doanh nghiệp niêm yết tại Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) trong giai đoạn biến động 2009 – 2016. Mẫu quan sát thực nghiệm bao gồm 104 doanh nghiệp, được chia thành 52 cặp doanh nghiệp kiệt quệ tài chính và doanh nghiệp khỏe mạnh tương đồng, tạo ra tổng cộng 208 quan sát với hơn 4.700 biến quan sát theo chu kỳ năm.

Ý nghĩa thực tiễn của công trình thể hiện rõ nét qua việc cải thiện độ chính xác dự báo trung bình lên trên mức 88% tại thời điểm một năm trước phá sản và duy trì trên 80% tại thời điểm hai năm trước sự kiện. Nghiên cứu mang lại giải pháp công nghệ định lượng vững chắc, giúp các ngân hàng thương mại giảm thiểu tổn thất tín dụng và hỗ trợ doanh nghiệp chủ động tái cơ cấu trước khi rơi vào tình trạng mất khả năng thanh toán.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng vững chắc của các lý thuyết tài chính doanh nghiệp kinh điển kết hợp với công cụ toán học ứng dụng tiên tiến. Thứ nhất, luận văn kế thừa lý thuyết kiệt quệ tài chính và dự báo phá sản của Beaver (1966) và Altman (1968), kết hợp với tiêu chuẩn nhận diện kiệt quệ tài chính hiện đại của Pindado (2008) và khung pháp lý của Luật Phá sản Việt Nam năm 2014. Theo đó, doanh nghiệp được xác định phá sản khi bị hủy niêm yết bắt buộc kèm theo điều kiện lợi nhuận trước thuế, lãi vay và khấu hao (EBITDA) thấp hơn chi phí lãi vay liên tục trong 2 năm, hoặc giá trị thị trường sụt giảm liên tiếp trong 2 năm.

Thứ hai, nghiên cứu ứng dụng lý thuyết tập hợp mềm do Molodtsov khởi xướng năm 1999 và được nhóm tác giả Wei Xu phát triển năm 2014. Lý thuyết tập hợp mềm cung cấp cơ chế toán học linh hoạt để giải quyết các vấn đề ra quyết định phức tạp mà không đòi hỏi các giả định phân phối khắt khe như xác suất thống kê truyền thống hay lý thuyết tập mờ. Khung phân tích vận dụng ba khái niệm then chốt: phương pháp lọc truyền thống (Traditional Soft Set – TSS), phương pháp lọc tiên tiến (Novel Soft Set – NSS) dựa trên ước lượng hợp lý cực đại (MLE) của hàm hồi quy Logistic, và quy tắc ra quyết định hợp giao (uniint decision). Hệ thống biến số ban đầu bao quát 49 tỷ số tài chính phản ánh 6 khía cạnh trọng yếu: khả năng thanh toán, cơ cấu vốn, hiệu quả hoạt động, khả năng sinh lời, lưu chuyển tiền tệ và định giá thị trường.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thứ cấp được trích xuất từ báo cáo tài chính đã kiểm toán của 104 doanh nghiệp niêm yết trên sàn HOSE giai đoạn 2009 – 2016. Phương pháp chọn mẫu áp dụng kỹ thuật ghép cặp ngẫu nhiên có kiểm soát (matched-pairs sampling) giữa 52 doanh nghiệp phá sản và 52 doanh nghiệp hoạt động lành mạnh nhằm loại trừ sai lệch quy mô và chu kỳ kinh tế vĩ mô. Lý do lựa chọn cách tiếp cận này là nhằm tạo ra tập dữ liệu cân bằng, giúp các thuật toán phân loại học tập đặc trưng một cách khách quan nhất.

Quy trình phân tích dữ liệu được thực hiện chặt chẽ qua kỹ thuật kiểm định chéo 10 phần (10-fold cross-validation). Toàn bộ dữ liệu được phân chia thành tập huấn luyện (training data chiếm 90%) để ước lượng tham số và tập kiểm định độc lập (testing data chiếm 10%) để đánh giá khả năng tổng quát hóa, tránh hiện tượng quá khớp (overfitting). Nghiên cứu tiến hành so sánh 3 phương pháp chọn biến: phương pháp phân tích đa biệt số (MDA) theo nghiên cứu của Nguyễn Trọng Hòa (2010), phương pháp TSS và phương pháp NSS. Sau khi chọn lọc biến, 3 mô hình dự báo mạnh mẽ bao gồm Hồi quy Logistic (Logistic Regression – LR), Mạng thần kinh nhân tạo (Neural Network – NN) và Kỹ thuật vectơ hỗ trợ (Support Vector Machine – SVM) được vận hành trên dữ liệu quá khứ tại hai mốc thời gian cảnh báo sớm: 1 năm trước phá sản (t-1) và 2 năm trước phá sản (t-2).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thực nghiệm trên bộ dữ liệu 104 doanh nghiệp Việt Nam đã chỉ ra những phát hiện khoa học mang tính đột phá về việc tối ưu hóa biến số dự báo:

Thứ nhất, phương pháp lọc tiên tiến NSS chứng minh ưu thế vượt trội khi rút gọn 49 tỷ số tài chính ban đầu xuống một tập hợp tinh gọn gồm các biến có ý nghĩa thống kê cao nhất. Các biến số giữ vai trò quyết định bao gồm tỷ số dòng tiền từ hoạt động kinh doanh trên tổng nợ, tỷ số tài sản ngắn hạn trên nợ ngắn hạn, tỷ số lợi nhuận sau thuế trên vốn chủ sở hữu và tỷ số nợ vay trên tổng tài sản.

Thứ hai, về độ chính xác dự báo (ACC), các mô hình sử dụng bộ biến lọc theo phương pháp NSS đều đạt hiệu suất cao hơn đáng kể so với phương pháp TSS và phương pháp MDA của Nguyễn Trọng Hòa (2010). Cụ thể, tại mốc thời gian t-1, mô hình NSS kết hợp SVM đạt độ chính xác trung bình trên 88,5%, vượt trội hơn khoảng 12% đến 15% so với mô hình MDA truyền thống (chỉ đạt quanh mức 73,5% đến 76,0%).

Thứ ba, tại mốc thời gian t-2, khả năng cảnh báo sớm của mô hình NSS vẫn duy trì độ chính xác ấn tượng trên 81,2% đối với mô hình Mạng thần kinh nhân tạo (NN) và Hồi quy Logistic (LR). Trong khi đó, các phương pháp truyền thống bị sụt giảm độ chính xác xuống dưới 68,0%, cho thấy sự suy yếu rõ rệt khi khoảng cách thời gian dự báo kéo dài.

Thứ tư, khi kiểm tra tính vững của mô hình, diện tích dưới đường cong ROC (Receiver Operating Characteristic) của bộ lọc NSS luôn tiệm cận mức 0,90 tại thời điểm t-1 và 0,84 tại thời điểm t-2, cao hơn hẳn so với đường cong ROC của bộ biến TSS và mô hình của Wei Xu (2014).

Thảo luận kết quả

Sự vượt trội của phương pháp NSS bắt nguồn từ việc kết hợp sức mạnh của hệ số hồi quy Logistic nhị phân với lý thuyết tập hợp mềm. Thuật toán NSS giải quyết triệt để bài toán mất mát thông tin khi chuyển đổi các biến số tài chính liên tục thành biến nhị phân 0-1, đồng thời loại bỏ hoàn toàn hiện tượng đa cộng tuyến giữa các chỉ số kế toán. Khi so sánh với công trình của Wei Xu (2014) trên thị trường quốc tế, nghiên cứu tại Việt Nam cho thấy các biến số phản ánh dòng tiền thực tế và áp lực nợ ngắn hạn có trọng số phân loại mạnh mẽ hơn các biến số định giá thị trường.

Dữ liệu thực nghiệm của luận văn có thể được biểu diễn trực quan thông qua bảng ma trận nhầm lẫn (confusion matrix) thể hiện tỷ lệ dự báo chính xác doanh nghiệp lành mạnh (True Positive) và doanh nghiệp kiệt quệ (True Negative). Đồng thời, đồ thị đường cong ROC tại mốc t-1 và t-2 minh chứng rõ ràng khoảng cách chênh lệch diện tích AUC giữa phương pháp NSS và các phương pháp truyền thống. Việc phân tách độc lập giữa tập dữ liệu huấn luyện (90%) và kiểm định (10%) khẳng định kết quả đạt được là hoàn toàn khách quan, không bị ảnh hưởng bởi hiện tượng độ chính xác ảo thường gặp ở các nghiên cứu trước đây.

Đề xuất và khuyến nghị

Dựa trên các bằng chứng định lượng vững chắc, luận văn đề xuất 4 nhóm giải pháp chiến lược nhằm ứng dụng hiệu quả mô hình dự báo phá sản vào thực tiễn quản trị:

Thứ nhất, tích hợp thuật toán lọc biến Novel Soft Set vào hệ thống chấm điểm tín dụng nội bộ tại các ngân hàng thương mại. Chủ thể thực hiện là Khối Quản trị Rủi ro và Khối Công nghệ Thông tin. Mục tiêu định lượng là giảm tỷ lệ nợ xấu phát sinh từ 15% đến 20% trong vòng 12 tháng sau khi triển khai, đồng thời rút ngắn thời gian thẩm định hồ sơ vay vốn doanh nghiệp xuống dưới 48 giờ làm việc.

Thứ hai, thiết lập công cụ cảnh báo sớm kiệt quệ tài chính cho danh mục đầu tư chứng khoán. Chủ thể thực hiện là các Công ty Quản lý Quỹ và Công ty Chứng khoán. Mục tiêu định lượng là nâng cao tỷ suất sinh lời điều chỉnh theo rủi ro (Sharpe ratio) thêm 10% đến 15%, đồng thời nhận diện và thoái vốn thành công khỏi 90% các mã cổ phiếu có nguy cơ bị đình chỉ hoặc hủy niêm yết trước thời hạn 1 năm. Kế hoạch thực hiện theo chu kỳ rà soát báo cáo tài chính hàng quý.

Thứ ba, chuẩn hóa quy trình kiểm soát dòng tiền và cơ cấu nợ tại các doanh nghiệp niêm yết. Chủ thể thực hiện là Hội đồng Quản trị và Giám đốc Tài chính (CFO). Mục tiêu định lượng là duy trì tỷ số EBITDA trên chi phí lãi vay tối thiểu từ 2,0 lần trở lên và khống chế tỷ lệ nợ ngắn hạn trên tổng tài sản dưới ngưỡng 40%. Lộ trình thực hiện liên tục trong kế hoạch tài chính trung hạn từ 1 đến 3 năm.

Thứ tư, hoàn thiện hệ thống giám sát an toàn tài chính vĩ mô và tiêu chuẩn công bố thông tin. Chủ thể thực hiện là Ủy ban Chứng khoán Nhà nước và các Sở Giao dịch Chứng khoán. Mục tiêu định lượng là phát hiện và đưa vào diện cảnh báo sớm 95% doanh nghiệp suy giảm sức khỏe tài chính trong khung thời gian 2 năm trước khi xảy ra vi phạm nghiêm trọng, triển khai đồng bộ trong giai đoạn 2017 – 2020.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và ứng dụng thực tiễn cao, đặc biệt hữu ích cho 4 nhóm đối tượng sau:

Nhóm thứ nhất là Chuyên viên thẩm định và Quản trị rủi ro tín dụng tại các Ngân hàng thương mại. Luận văn cung cấp mô hình toán học đã được kiểm định thực chứng, giúp tự động hóa quy trình phân loại rủi ro khách hàng doanh nghiệp và giảm thiểu tỷ lệ sai lệch do đánh giá cảm tính.

Nhóm thứ hai là Chuyên gia phân tích đầu tư và Nhà quản lý danh mục tại các Quỹ đầu tư, Công ty chứng khoán. Tài liệu này mang lại bộ chỉ số sàng lọc tối ưu 49 biến thành nhóm biến tinh gọn, giúp phát hiện sớm các tín hiệu suy thoái tài chính của cổ phiếu mục tiêu để phòng ngừa rủi ro sụt giảm giá trị danh mục.

Nhóm thứ ba là Ban điều hành, Giám đốc Tài chính (CFO) và Trưởng ban Kiểm soát tại các Doanh nghiệp. Luận văn là cẩm nang giúp nhận diện chính xác các ngưỡng cảnh báo an toàn về dòng tiền và đòn bẩy nợ tại mốc 2 năm trước khủng hoảng, từ đó chủ động xây dựng phương án tái cấu trúc nguồn vốn kịp thời.

Nhóm thứ tư là Giảng viên, Học viên cao học và Nghiên cứu sinh chuyên ngành Tài chính – Ngân hàng và Khoa học Dữ liệu kinh tế. Đây là tài liệu tham khảo mẫu mực về phương pháp luận kết hợp giữa lý thuyết toán học mờ, lý thuyết tập hợp mềm với các thuật toán học máy hiện đại (SVM, Neural Network) trong nghiên cứu định lượng.

Câu hỏi thường gặp

Lý thuyết tập hợp mềm mang lại ưu thế gì nổi bật so với các kỹ thuật lọc biến thống kê truyền thống? Lý thuyết tập hợp mềm giải quyết triệt để hạn chế của các phương pháp thống kê cổ điển nhờ khả năng xử lý dữ liệu bất định mà không cần giả định phân phối chuẩn. Phương pháp NSS kết hợp hồi quy Logistic giúp chuyển đổi 49 biến liên tục thành ma trận quyết định nhị phân chính xác, loại bỏ nhiễu và tăng độ chính xác phân loại lên thêm khoảng 12% so với phân tích đa biệt số MDA.

Tiêu chí xác định doanh nghiệp rơi vào tình trạng phá sản trong nghiên cứu được định nghĩa như thế nào? Nghiên cứu kết hợp quy định của Luật Phá sản năm 2014 và tiêu chuẩn thị trường của Pindado (2008). Doanh nghiệp được xếp vào nhóm kiệt quệ tài chính (Special Treatment) khi bị hủy niêm yết trên sàn HOSE đồng thời thỏa mãn điều kiện EBITDA thấp hơn chi phí lãi vay liên tục trong 2 năm, hoặc giá trị thị trường sụt giảm liên tiếp trong 2 năm.

Trong các mô hình thử nghiệm, sự kết hợp nào đem lại hiệu quả dự báo cao nhất? Sự kết hợp giữa bộ lọc biến Novel Soft Set (NSS) và mô hình Kỹ thuật vectơ hỗ trợ (SVM) cho kết quả tối ưu nhất với độ chính xác trung bình đạt trên 88,5% tại mốc t-1. Mô hình Mạng thần kinh nhân tạo (NN) kết hợp NSS cũng đạt hiệu suất cao vượt trội trên 81,2% tại mốc cảnh báo sớm t-2.

Tại sao nghiên cứu lại chọn mốc thời gian dự báo tại năm t-1 và năm t-2 trước sự kiện? Khoảng thời gian 1 đến 2 năm trước khi phá sản là giai đoạn vàng mang tính quyết định trong quản trị rủi ro. Dự báo tại t-1 giúp xác định nguy cơ vỡ nợ trực tiếp để xử lý nợ khẩn cấp, trong khi dự báo tại t-2 cung cấp đủ thời gian cho ban quản trị doanh nghiệp và các chủ nợ thực hiện các biện pháp tái cấu trúc tài chính toàn diện.

Mô hình dự báo của luận văn có thể áp dụng cho các doanh nghiệp chưa niêm yết hoặc doanh nghiệp nhỏ và vừa không? Hoàn toàn có thể áp dụng bằng cách trích xuất bộ tỷ số tài chính kế toán trọng yếu đã được lọc bởi phương pháp NSS (như tỷ số dòng tiền trên nợ, khả năng thanh toán hiện hành, đòn bẩy tài chính). Tuy nhiên, cần hiệu chỉnh trọng số của các biến thị trường để phù hợp với đặc thù dữ liệu kế toán của doanh nghiệp chưa niêm yết.

Kết luận

Luận văn đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra thông qua 5 đóng góp học thuật và thực tiễn cốt lõi:

• Chứng minh tính khả thi và ưu thế vượt bậc của lý thuyết tập hợp mềm cải tiến (Novel Soft Set – NSS) trong việc tối ưu hóa lựa chọn tỷ số tài chính trên thị trường chứng khoán Việt Nam.
• Rút gọn thành công hệ thống 49 biến số tài chính ban đầu xuống bộ chỉ tiêu cốt lõi, nâng cao độ chính xác dự báo tổng thể lên trên mức 88,5% tại thời điểm một năm trước khủng hoảng.
• Khẳng định tính tương thích và hiệu suất vượt trội của mô hình máy học Support Vector Machine (SVM) và Neural Network (NN) khi kết hợp với bộ lọc NSS so với các mô hình thống kê truyền thống.
• Xác lập khung cảnh báo sớm tin cậy tại mốc 2 năm trước phá sản với độ chính xác trên 81,2%, tạo tiền đề vững chắc cho việc quản trị rủi ro tín dụng chủ động.
• Cung cấp phương pháp luận định lượng chuẩn mực, đóng góp thêm bằng chứng thực nghiệm giá trị cho kho tàng nghiên cứu tài chính doanh nghiệp tại các thị trường mới nổi.

Về định hướng tiếp theo, nghiên cứu mở ra lộ trình mở rộng quy mô dữ liệu cho toàn bộ các sàn giao dịch (HNX, UPCoM) và tích hợp các chỉ số kinh tế vĩ mô vào phần mềm chấm điểm tự động trong giai đoạn tới. Quý độc giả, các nhà nghiên cứu và tổ chức tài chính quan tâm hãy tham khảo toàn văn công trình để khai thác và ứng dụng hiệu quả giải pháp quản trị rủi ro tiên tiến này vào thực tế hoạt động.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN VỀ DỰ BÁO PHÁ SẢN. Lý do chọn đề tài. Mục tiêu của đề tài.

Mục tiêu tổng quát. Mục tiêu cụ thể. Câu hỏi nghiên cứu. Đối tượng và phạm vi nghiên cứu.

Cơ sở lý luận và lý thuyết sử dụng trong bài nghiên cứu. Định nghĩa phá sản. Lý thuyết về soft - set. Định nghĩa về tập hợp mềm (Tập hợp mềm Theory).

Lý thuyết phương pháp lọc truyền thống (Traditional Soft Set – TSS). Lý thuyết theo phương pháp tiên tiến (Novel Soft Set – NSS). THỰC TRẠNG VỀ DỰ BÁO PHÁ SẢN TRÊN THẾ GIỚI VÀ Ở VIỆT NAM 4 2. Những nghiên cứu ở ngoài Việt Nam.

Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán 11 2. Những nghiên cứu sử dụng các mô hình dự báo dựa vào tỷ số tài chính thị trường 14 2. Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán kết hợp thị trường. Những nghiên cứu ở Việt Nam.

GIẢI PHÁP DỰ BÁO PHÁ SẢN THÔNG QUA TỐI ƯU HÓA CHỌN BIẾN VÀ MÔ HÌNH – ÁP DỤNG SOFT SET. Phương pháp chọn biến. Biến phụ thuộc (Special Treatment – ST). Biến độc lập.

Phân tách dữ liệu nghiên cứu. Phân loại công ty. Phân tách các công ty chạy mô hình. Xác định thời điểm dự báo.

Lọc các tỷ số tài chính dựa trên lý thuyết tập hợp mềm. Bảng phân loại tác động của từng biến. Rút gọn tham số theo phương pháp NSS. Mô hình sử dụng trong bài nghiên cứu.

Mô hình hồi quy Logistic. Mô hình sử dụng phân lớp dữ liệu. Mô hình NN. Mô hình SVM.

KẾT QUẢ NGHIÊN CỨU. Hồi quy hệ số Beta. Chọn lọc tỷ số tài chính. Dựa trên cách chọn biến của Nguyễn Trọng Hòa (Học viện tài chính) năm 2010 với mô hình xếp hạng tín dụng z-score (NTH).

Dựa trên phương pháp TSS. Dựa trên phương pháp NSS. Kết quả tính chính xác của các mô hình. Kết quả tính chính xác dựa vào mô hình hồi quy Logistic.

Phương pháp ACC. Phương pháp kiểm định hệ số thống kê:. Kết quả tính chính xác dựa vào mô hình NN. Kết quả tính chính xác dựa vào mô hình SVM.

Kiểm tra tính vững. Kết quả tổng hợp. KẾT LUẬN VÀ KIẾN NGHỊ. 76 DANH MỤC CÁC TỪ VIẾT TẮT Ký Tên tiếng Anh Tên tiếng Việt hiệu Average Accuracy Độ chính xác trong mô hình dự báo ACC Cross-validiation Nhóm phân loại chéo Decision Tree Cây quyết định DT Grid-search Tìm kiếm dạng lưới Sở giao dịch chứng khoán HOS Ho Chi Minh Stock Exchange Tp.

Hồ Chí Minh E Logistic regression Hồi quy Logistic LR Multiple Discriminant Analysis Phân tích đa biệt số MDA Neural Network Mạng thần kinh nhân tạo NN Non Special Treatment Khỏe mạnh về tài chính NST Novel Soft Set Phương pháp tiên tiến NSS Soft-Set Lý thuyết tập mềm Special Treatment Phá sản ST Support Vector Machine Kỹ thuật vectơ hỗ trợ SVM Taiwan Economic Journal Tạp chí kinh tế Đài Loan TEJ Taiwan Stock Exchange Tập đoàn giao dịch cổ phiếu Đài TSEC Corporation Loan Testing data Tập hợp dữ liệu kiểm tra Traditional Soft Set Phương pháp truyền thống TSS Training data Tập hợp dữ liệu thử nghiệm True Nagative Dự báo kiệt quệ chính xác TN True Possitive Dự báo khỏe mạnh chính xác TP DANH MỤC BẢNG BIỂU Bảng 2. Các biến sử dụng trong bài nghiên cứu của Phạm Hữu Hồng Thái. 24 DANH MỤC CÁC HÌNH Hình 3. Sơ đồ tóm tắt phương pháp nghiên cứu.

Mô tả kiểm định quá khứ (Back-Testing).1 Đường cong ROC của NTH, TSS và NSS trong t-1.2 Đường cong ROC của NTH, TSS và NSS trong t-2. TỔNG QUAN VỀ DỰ BÁO PHÁ SẢN 1. Lý do chọn đề tài Hiện nay đã có nhiều nghiên cứu mở rộng về mô hình dự báo phá sản của doanh nghiệp như Beaver (1966), Altman (1968), Ohlson (1980), Shumway (2001), Agarwal và Taffler (2008), Fengyi Lin và các cộng sự (2013), tuy nhiên các mô hình này chỉ sử dụng dữ liệu kế toán trong lịch sử hoặc dựa vào thông tin thị trường chứng khoán để dự báo tình trạng không trả được nợ của doanh nghiệp. Do đó, các mô hình dự báo này không thể phát huy được hết khả năng dự báo phá sản.

Vì vậy, xuất hiện nhu cầu về một tập hợp dữ liệu tốt hơn nhằm giúp các nhà quản lý đưa ra các hành động kịp thời và đúng đắn, giúp công ty tránh khỏi tình trạng phá sản và từ đó gia tăng giá trị công ty. Đồng thời, việc dự báo sớm cũng giúp cho các chủ nợ ngăn chặn được một số chi phí liên quan đến việc nộp đơn phá sản. Các nhà quản lý cần những thông tin về việc dự báo chính xác khả năng rơi vào tình trạng phá sản để đưa ra những quyết định phù hợp nhằm duy trì sự tồn tại và phát triển của công ty. Những nhà cho vay và các nhà đầu tư trong khu vực doanh nghiệp cần những thông tin kịp thời về khả năng vỡ nợ của các doanh nghiệp trong quá trình đưa quyết định cho vay và đầu tư vào các danh mục đầu tư của mình.

Việc dự báo khi nào thì doanh nghiệp có nguy cơ phá sản đã trở thành trọng tâm của nghiên cứu phân tích kinh doanh và có ý nghĩa quan trọng đối với các nhà quản lý, cổ đông, cũng như các chủ nợ. Ở Việt Nam cũng đã có nhiều bài nghiên cứu về dự báo phá sản nhưng đó có phải là những mô hình, cách chọn biến tối ưu hay chưa khi sự thay đổi, cập nhật kiến thức không ngừng biến động. Để trả lời câu hỏi này tác giả ứng dụng lý thuyết tập mềm để có sự so sánh với các cách chọn biến cũng như các mô hình trước đó, cuối cùng là kết luận lý thuyết tập hợp mềm có khả dụng và tối ưu trong việc dự báo phá sản ở Việt Nam hay không. Mục tiêu của đề tài 1.

Mục tiêu tổng quát Tối ưu hóa dự báo phá sản của doanh nghiệp qua việc ứng dụng lý thuyết tập hợp mềm để chọn lọc ra bộ tỷ số tài chính tốt nhất cho việc chạy mô hình dự báo. Mục tiêu cụ thể Dựa trên phương pháp nghiên cứu của Wei Xu và các cộng sự (2014), việc thực hiện đề tài nhằm tìm ra một bộ tỷ số tài chính tối ưu được xây dựng dựa trên lý thuyết tập mềm (Soft - set). Qua đó nhằm tìm kiếm, kế thừa những mô hình dự báo phá sản đã được phát triển trên thế giới trong thời gian qua để ứng dụng vào nghiên cứu thực tiễn dự báo sớm nguy cơ phá sản cho các DN Việt Nam nhằm chọn lọc các tỷ số tài chính có ý nghĩa nhất, ứng với mô hình phù hợp nhất trong việc dự báo phá sản của doanh nghiệp dựa trên lý thuyết tập hợp mềm. Ngoài ra việc kiểm tra lý thuyết tập hợp mềm có phải là tối ưu chưa và tính vững của bộ lọc biến qua lý thuyết tập hợp mềm cũng là mục tiêu mà bài nghiên cứu muốn hướng tới để làm sáng tỏ.

Câu hỏi nghiên cứu Bài nghiên cứu tập trung giải quyết các câu hỏi: - Thứ nhất, lý thuyết tập hợp mềm có hoạt động hiệu quả với dữ liệu từ các tỷ số tài chính được xây dựng tài thị trường chứng khoán Việt Nam hay không? - Thứ hai, lý thuyết tập hợp mềm có phải là bộ lọc biến tối ưu hay chưa? - Thứ ba, mô hình ước lượng theo các tỷ số tài chính được chọn lọc bởi lý thuyết tập hợp mềm có vững qua thời gian và đáng tin cậy hơn so với các tỷ số được sử dụng ở các phương pháp dự báo phá sản đã sử dụng trước đây hay không? 1. Đối tượng và phạm vi nghiên cứu 3 Trước hết, người nghiên cứu cần xác định đối tượng nghiên cứu. Dự báo phá sản là một chủ đề rộng. Những ngành nghề khác nhau như ngân hàng, du lịch, công ty nhỏ, hoặc công ty bất động sản sẽ có những cách tiếp cận cũng như kết quả khác nhau.

Bài nghiên cứu không đi sâu vào từng ngành nghề cụ thể hay những nhóm ngành nghề bởi như thế sẽ rất phức tạp và cần có những chuyên đề nghiên cứu sâu hơn. Trước hết, dựa trên các công ty niêm yết tại Sở giao dịch chứng khoán Tp. Hồ Chí Minh (HOSE), bài nghiên cứu tổng hợp 52 công ty phá sản trong giai đoạn từ năm 2011 đến năm 2016 (Định nghĩa phá sản được giới thiệu trong mục 2.1), tương ứng là 52 công ty khỏe mạnh ngẫu nhiên được lựa chọn trong giai đoạn này. Với cỡ mẫu 52x52, nếu năm t là năm phá sản thì dữ liệu sẽ được lấy ở năm t-1 và năm t-2 tương ứng; tổng số 208 quan sát và 4700 biến quan sát theo năm, trung bình khoảng 50 biến quan sát hàng năm cho mỗi công ty trong khoảng thời gian 2009-2015, với thời điểm cụ thể được xác định là 2 năm trước khi xảy ra sự kiện (khỏe mạnh hoặc kiệt quệ).

Dữ liệu được thu thập từ báo cáo tài chính đã qua kiểm toán của các công ty niêm yết tại Sở giao dịch chứng khoán Tp. Hồ Chí Minh (HOSE). CÁC NGHIÊN CỨU VỀ DỰ BÁO PHÁ SẢN TRÊN THẾ GIỚI VÀ Ở VIỆT NAM 2. Cơ sở lý luận và lý thuyết sử dụng trong bài nghiên cứu 2.

Định nghĩa phá sản Phá sản là gì? Đã có rất nhiều định nghĩa ở các bài nghiên cứu trước đây: Beaver (1966) định nghĩa tình trạng phá sản là việc không có khả năng đáp ứng các nghĩa vụ nợ đến hạn của công ty. Hay Wruck (1990) định nghĩa phá sản là tình huống mà dòng tiền của một công ty không đủ để trang trải các nghĩa vụ tài chính hiện hành, các nghĩa vụ này là nợ phải thanh toán cho nhà cung cấp và nhân viên, tiền thanh toán lãi vay và chủ nợ, các nghĩa vụ khác. Khác với hai bài nghiên cứu của Beaver (1966) và Wruck (1990), trong bài nghiên cứu của mình, Asquith, Gertner và Scharfstein (1994) định nghĩa phá sản dựa trên tỷ lệ chi trả lãi vay. Theo đó, một công ty được phân loại là phá sản nếu EBITDA thấp hơn so với chi phí tài chính (chi phí lãi vay) được báo cáo trong hai năm liên tiếp bắt đầu từ năm phát hành trái phiếu lãi suất cao; hoặc trong bất kỳ năm nào khác có EBITDA thấp hơn 80% chi phí lãi vay của công ty đó.