Ứng Dụng Lý Thuyết Tập Hợp Mềm Để Tối Ưu Hóa Tỷ Số Tài Chính Trong Dự Báo Phá Sản Doanh Nghiệp

• 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 kinh tế
• Năm xuất bản: 2016
• Địa điểm: TP. Hồ Chí Minh

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 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
• 1.2.3. Câu hỏi nghiên cứu
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Cơ sở lý luận và lý thuyết sử dụng trong bài nghiên cứu
• 1.4.1. Định nghĩa phá sản
• 1.4.2. Lý thuyết về soft - set
• 1.4.3. Định nghĩa về tập hợp mềm (Tập hợp mềm Theory)
• 1.4.4. Lý thuyết phương pháp lọc truyền thống (Traditional Soft Set – TSS)
• 1.4.5. Lý thuyết theo phương pháp tiên tiến (Novel Soft Set – NSS)
• 2. THỰC TRẠNG VỀ DỰ BÁO PHÁ SẢN TRÊN THẾ GIỚI VÀ Ở VIỆT NAM
• 2.1. Những nghiên cứu ở ngoài Việt Nam
• 2.1.1. Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán
• 2.1.2. Những nghiên cứu sử dụng các mô hình dự báo dựa vào tỷ số tài chính thị trường
• 2.1.3. Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán kết hợp thị trường
• 2.2. Những nghiên cứu ở Việt Nam
• 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
• 3.1.3. Phân tách dữ liệu nghiên cứu
• 3.1.4. Phân loại công ty
• 3.1.5. Phân tách các công ty chạy mô hình
• 3.1.6. Xác định thời điểm dự báo
• 3.1.7. Lọc các tỷ số tài chính dựa trên lý thuyết tập hợp mềm
• 3.1.8. Bảng phân loại tác động của từng biến
• 3.1.9. Rút gọn tham số theo phương pháp NSS
• 3.2. Mô hình sử dụng trong bài nghiên cứu
• 3.2.1. Mô hình hồi quy Logistic
• 3.2.2. Mô hình sử dụng phân lớp dữ liệu
• 3.2.3. Mô hình NN
• 3.2.4. Mô hình SVM
• 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
• 4.3.2. Phương pháp ACC
• 4.3.3. Phương pháp kiểm định hệ số thống kê
• 4.3.4. Kết quả tính chính xác dựa vào mô hình NN
• 4.3.5. Kết quả tính chính xác dựa vào mô hình SVM
• 4.4. Kiểm tra tính vững
• 4.5. Kết quả tổng hợp
• 5. KẾT LUẬN VÀ KIẾN NGHỊ
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC BẢNG BIỂU
• DANH MỤC CÁC HÌNH

I. Giới thiệu và mục tiêu nghiên cứu

Nghiên cứu này tập trung vào việc tối ưu hóa việc lựa chọn các tỷ số tài chính để dự báo phá sản của doanh nghiệp bằng cách áp dụng lý thuyết tập hợp mềm. Mục tiêu chính là tìm ra bộ tỷ số tài chính tối ưu, giúp cải thiện độ chính xác của các mô hình dự báo phá sản. Nghiên cứu sử dụng dữ liệu từ 104 doanh nghiệp niêm yết tại Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE) từ năm 2009 đến 2016. Các phương pháp chọn lọc biến bao gồm Traditional Soft Set (TSS) và Novel Soft Set (NSS), được kiểm định bằng các mô hình như hồi quy Logistic (LR), Support Vector Machine (SVM), và Neural Network (NN).

1.1. Lý do chọn đề tài

Việc dự báo phá sản đã trở thành một chủ đề quan trọng trong phân tích tài chính và quản lý rủi ro. Các mô hình truyền thống thường chỉ sử dụng dữ liệu kế toán hoặc thông tin thị trường, dẫn đến hạn chế trong khả năng dự báo. Nghiên cứu này nhằm khắc phục những hạn chế đó bằng cách áp dụng lý thuyết tập hợp mềm, một phương pháp tiên tiến giúp tối ưu hóa việc lựa chọn các tỷ số tài chính. Điều này không chỉ giúp các nhà quản lý đưa ra quyết định kịp thời mà còn giúp các nhà đầu tư và chủ nợ giảm thiểu rủi ro.

1.2. Mục tiêu nghiên cứu

Mục tiêu tổng quát của nghiên cứu là tối ưu hóa việc dự báo phá sản thông qua việc chọn lọc các tỷ số tài chính dựa trên lý thuyết tập hợp mềm. Mục tiêu cụ thể bao gồm việc so sánh hiệu quả của các phương pháp chọn lọc biến (TSS và NSS) và kiểm định tính chính xác của các mô hình dự báo. Nghiên cứu cũng nhằm xác định tính vững của bộ lọc biến và khả năng ứng dụng của lý thuyết tập hợp mềm trong môi trường kinh doanh tại Việt Nam.

II. Cơ sở lý thuyết và phương pháp nghiên cứu

Nghiên cứu dựa trên lý thuyết tập hợp mềm, một phương pháp toán học giúp tối ưu hóa việc lựa chọn các biến trong phân tích dữ liệu. Các phương pháp chọn lọc biến bao gồm Traditional Soft Set (TSS) và Novel Soft Set (NSS), được áp dụng để rút gọn các tham số không cần thiết và tăng cường độ chính xác của mô hình. Dữ liệu được chia thành hai tập: Training data và Testing data, nhằm đảm bảo tính khách quan trong việc kiểm định mô hình.

2.1. Lý thuyết tập hợp mềm

Lý thuyết tập hợp mềm được giới thiệu bởi Molodtsov (1999), là một công cụ mạnh mẽ trong việc xử lý các bài toán quyết định dựa trên dữ liệu không chắc chắn. Trong nghiên cứu này, tập hợp mềm được sử dụng để lọc các tỷ số tài chính có ảnh hưởng lớn nhất đến việc dự báo phá sản. Phương pháp Novel Soft Set (NSS) được xem là tối ưu hơn so với Traditional Soft Set (TSS) do khả năng loại bỏ các biến không cần thiết và tăng cường độ chính xác của mô hình.

2.2. Phương pháp chọn lọc biến

Nghiên cứu sử dụng hai phương pháp chọn lọc biến chính: Traditional Soft Set (TSS) và Novel Soft Set (NSS). TSS dựa trên việc rút gọn các tham số không trọng yếu, trong khi NSS áp dụng các kỹ thuật tiên tiến hơn để tối ưu hóa việc lựa chọn biến. Cả hai phương pháp đều được kiểm định bằng các mô hình dự báo như hồi quy Logistic (LR), Support Vector Machine (SVM), và Neural Network (NN) để đánh giá hiệu quả.

III. Kết quả nghiên cứu và ứng dụng thực tiễn

Kết quả nghiên cứu cho thấy các mô hình sử dụng phương pháp Novel Soft Set (NSS) có độ chính xác cao hơn so với các mô hình sử dụng Traditional Soft Set (TSS). Điều này chứng tỏ rằng lý thuyết tập hợp mềm là một công cụ hiệu quả trong việc tối ưu hóa việc lựa chọn các tỷ số tài chính để dự báo phá sản. Nghiên cứu cũng chỉ ra rằng các mô hình này có tính vững cao và có thể áp dụng rộng rãi trong thực tiễn, đặc biệt là trong việc quản lý rủi ro và đánh giá hiệu quả tài chính của doanh nghiệp.

3.1. Độ chính xác của các mô hình

Các mô hình sử dụng phương pháp NSS đều cho kết quả dự báo chính xác hơn so với TSS. Đặc biệt, mô hình Neural Network (NN) sử dụng NSS đạt độ chính xác cao nhất, tiếp theo là Support Vector Machine (SVM) và hồi quy Logistic (LR). Điều này khẳng định tính ưu việt của lý thuyết tập hợp mềm trong việc tối ưu hóa các tỷ số tài chính.

3.2. Ứng dụng thực tiễn

Nghiên cứu này có ý nghĩa quan trọng trong việc quản lý rủi ro và đánh giá hiệu quả tài chính của doanh nghiệp. Các nhà quản lý có thể sử dụng các mô hình dự báo này để đưa ra các quyết định kịp thời, giúp doanh nghiệp tránh khỏi tình trạng phá sản. Đồng thời, các nhà đầu tư và chủ nợ cũng có thể sử dụng kết quả nghiên cứu để đánh giá rủi ro và đưa ra các quyết định đầu tư phù hợp.