Ứng dụng Machine Learning trong dự báo kiệt quệ tài chính cho các doanh nghiệp niêm yết trên Sàn Chứng khoán Việt Nam

Abstract

Dự báo về khả năng suy giảm, kiệt quệ tài chính hoặc phá sản luôn thu hút sự quan tâm lớn, đặc biệt là trong bối cảnh biến động phức tạp của nền kinh tế hiện nay. Hơn nữa, việc dự báo về khả năng kiệt quệ tài chính cũng cung cấp nhiều thông tin hữu ích cho các quản trị viên công ty, nhà đầu tư, tổ chức tín dụng, và các bên liên quan khác. Bài viết này được thực hiện trên mẫu các công ty được niêm yết trên trên Sàn Giao dịch Chứng khoán Hà Nội (HNX), Sàn Giao dịch Chứng Khoán Thành phố Hồ Chí Minh (HOSE) và Sàn Giao dịch Chứng khoán của các công ty đại chúng chưa niêm yết (UPCoM) trong giai đoạn 2014 - 2022. Mục tiêu của nghiên cứu là nhằm đánh giá mức độ dự báo chính xác thông qua phương pháp máy học (machine learning) bằng các kỹ thuật phân tích logit, Artificial Neural Network, Decision Tree và Support Vector Machine. Từ đó chọn ra kỹ thuật và khung thời gian nào phù hợp nhất để đo lường khả năng xảy ra kiệt quệ tài chính của các doanh nghiệp niêm yết tại Việt Nam hiện nay. Kết quả nghiên cứu cho thấy phương pháp máy học có mức độ dự báo chính xác tình trạng kiệt quệ tài chính của doanh nghiệp khá cao. Trong đó, kỹ thuật Cây quyết định được đánh giá là phù hợp hơn, có tính chính xác cao hơn so với các kỹ thuật còn lại dựa trên các tiêu chí đã đưa ra. Bên cạnh đó, khung thời gian dự báo trước 1 năm khi xảy ra kiệt quệ tài chính cho dự báo kết quả tốt nhất và giảm dần qua các năm xa hơn. Nghiên cứu đã góp phần đem lại một góc nhìn khách quan khác trong bức tranh dự báo kiệt quệ tài chính của các doanh nghiệp niêm yết tại Việt Nam, giúp cho các nhà quản trị, nhà đầu tư, tổ chức tín dụng,… có thể đánh giá khả năng xảy ra kiệt quệ tài chính nhằm đưa ra quyết định phù hợp nhất để giảm thiểu rủi ro mất vốn, phòng tránh rủi ro xảy ra kiệt quệ tài chính.