Luận án tiến sĩ: Máy học giải thích trong quản lý rủi ro tín dụng

BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAM TRƯỜNG ĐẠI HỌC NGÂN HÀNG THÀNH PHỐ HỒ CHÍ MINH TRẦN KIM LONG MÁY HỌC GIẢI THÍCH TRONG QUẢN LÝ RỦI RO TÍN DỤNG LUẬN ÁN TIẾN SĨ NGÀNH: TÀI CHÍNH NGÂN HÀNG TP. Hồ Chí Minh – Năm 2024 BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAM TRƯỜNG ĐẠI HỌC NGÂN HÀNG THÀNH PHỐ HỒ CHÍ MINH TRẦN KIM LONG MÁY HỌC GIẢI THÍCH TRONG QUẢN LÝ RỦI RO TÍN DỤNG LUẬN ÁN TIẾN SĨ Chuyên ngành: TÀI CHÍNH NGÂN HÀNG Mã số: 9.01 Người hướng dẫn khoa học: PGS. NGUYỄN ĐỨC TRUNG PGS. NGUYỄN THANH HIÊN TP.

Hồ Chí Minh – Năm 2024 i LỜI CAM KẾT Luận án này chưa từng được thực hiện để lấy học vị tiến sĩ tại bất cứ cơ sở đào tạo nào. Luận án này là công trình nghiên cứu riêng của tác giả, kết quả nghiên cứu là trung thực, trong đó không có nội dung nào đã được công bố trước đây hoặc các nội dung do người khác thực hiện ngoại trừ các trích dẫn được dẫn nguồn đầy đủ trong luận án. Thành phố Hồ Chí Minh, tháng 08 năm 2024 Chữ ký ii LỜI CẢM ƠN Tôi xin bày tỏ lòng biết ơn sâu sắc tới người thầy hướng dẫn của tôi, PGS. Nguyễn Đức Trung, vì sự hướng dẫn tận tình của thầy trong suốt quá trình nghiên cứu.

Thầy đã đưa ra lời khuyên chuyên môn giúp tôi có định hướng và tạo điều kiện thuận lợi để tôi hoàn thành luận án. Tôi cũng xin gửi lời cảm ơn tới người thầy đồng hướng dẫn, PGS. Nguyễn Thanh Hiên, vì thầy đã giúp tôi nâng cao hiểu biết về lý thuyết và các ứng dụng máy học trong tài chính. Sự hướng dẫn của thầy rất quan trọng trong việc xây dựng đề cương và thực hiện công bố quốc tế.

Tôi cũng gửi lời cảm ơn tới các đồng nghiệp của tôi tại Trường Đại học Ngân hàng Thành phố Hồ Chí Minh, những người đã tạo điều kiện để tôi có thời gian tiến hành nghiên cứu cũng như có những góp ý rất chân thành, và hữu ích. Tôi xin gửi lời cảm ơn sâu sắc đến gia đình đã luôn động viên tôi trong quá trình nghiên cứu. Đối với vợ tôi, tôi đặc biệt cảm ơn sự ủng hộ, tình yêu và sự giúp đỡ của cô ấy. Đây là nguồn động lực của tôi trong suốt những năm qua.

Cuối cùng, tôi xin gửi lời cảm ơn chân thành nhất tới bố mẹ tôi, những người đã luôn ủng hộ và động viên tôi quyết định theo đuổi nghiên cứu này. Tôi xin dành tặng luận án này cho họ với lòng biết ơn. iii TÓM TẮT LUẬN ÁN Luận án nghiên cứu sử dụng các mô hình máy học tiên tiến và các kỹ thuật thống kê giải thích với mục tiêu nâng cao độ chính xác, tính minh bạch và khả năng giải thích của các kết quả dự báo rủi ro vỡ nợ doanh nghiệp. Nghiên cứu được thực hiện trên mẫu là các công ty phi tài chính trên các sàn giao dịch HOSE, HNX và UPCOM.

Dữ liệu được thu thập từ báo cáo tài chính của các công ty và dữ liệu từ cơ sở dữ liệu FiinPro. Tổng số quan sát thu thập được là 1027 quan sát, được phân chia thành hai nhóm: vỡ nợ (Default) và không vỡ nợ (Non-default), với tỷ lệ tương ứng là 48,3% và 51,7%. Đây là một nghiên cứu bao gồm hai giai đoạn nối tiếp nhau. Trong giai đoạn thứ nhất, tác giả đã sử dụng các mô hình máy học như Cây quyết định (Decision Tree), Máy vectơ hỗ trợ (Support Vector Machine), Mạng nơ-ron nhân tạo (Artificial Neural Network), Thuật toán tăng cường độ dốc cực đại (XGBoost), Rừng ngẫu nhiên (Random Forest) để dự báo và so sánh kết quả với mô hình hồi quy logistic truyền thống.

Kết quả cho thấy các mô hình máy học, đặc biệt là XGBoost và Rừng ngẫu nhiên, thể hiện hiệu suất dự báo vượt trội so với các mô hình thống kê truyền thống. Cụ thể, mô hình XGBoost đạt độ chính xác tổng quát là 100% trên tập huấn luyện và 89,6% trên tập kiểm tra, trong khi mô hình Rừng ngẫu nhiên đạt độ chính xác tổng quát là 99,8% trên tập huấn luyện và 86,4% trên tập kiểm tra. Các mô hình này cũng cho thấy khả năng phân biệt tốt giữa các doanh nghiệp vỡ nợ và không vỡ nợ, thể hiện qua các chỉ số AUC cao. Trong giai đoạn hai, tác giả áp dụng phương pháp thống kê giải thích là SHApley Additive exPlanations (SHAP) trên kết quả dự báo từ mô hình XGBoost và tiến hành diễn giải kết quả.

Theo đó, các biến số sau đây được xác định là có tác động đáng kể đến khả năng dự báo rủi ro vỡ nợ: tỷ lệ thu nhập giữ lại trên tổng tài sản, dòng tiền trên chi phí lãi vay, tỷ lệ nợ ròng trên tổng tài sản, tỷ lệ chi tiêu vốn trên tổng tài sản, tỷ lệ tiền mặt, quy mô công ty, tỷ lệ đầu tư ngắn hạn trên nợ ngắn hạn, số ngày tồn kho, lợi nhuận trên vốn chủ sở hữu và hệ số bao phủ lãi vay. SHAP không chỉ xác định tầm quan trọng của các biến mà còn làm rõ mối quan hệ phi tuyến giữa chúng với kết quả dự báo. Điều này cung cấp cho các nhà phân tích thông tin chi tiết và toàn diện hơn, hỗ trợ đắc lực cho quá trình ra quyết định. Tác giả cũng tiến hành kiểm tra mối quan hệ này thông iv qua việc chọn mẫu là ba công ty đang trong tình trạng chậm trả nợ để nghiên cứu sự khác biệt trong kết quả dự báo từ mô hình và kết quả đánh giá tình hình thực tế của doanh nghiệp.

Kết quả nghiên cứu trên các công ty Cadovimex (CAD), Đức Long Gia Lai (DLG) và Long Biên Group (LGD) đã cho thấy kết quả giải thích là phù hợp. Nghiên cứu đã chứng minh tính hiệu quả của việc kết hợp thuật toán máy học và kỹ thuật SHAP trong việc dự báo và giải thích rủi ro vỡ nợ. Kết quả nghiên cứu mang đến những kiến thức và công cụ hữu ích cho các tổ chức tài chính, nhà đầu tư và cơ quan quản lý. Thông qua việc ứng dụng các mô hình và kỹ thuật tiên tiến, các bên liên quan có thể nâng cao hiệu quả quản lý rủi ro tín dụng, góp phần thúc đẩy sự phát triển bền vững của thị trường tài chính.

Từ khóa: Máy học giải thích, dự báo rủi ro vỡ nợ, SHAP v Danh mục từ viết tắt Các từ viết tắt Các định nghĩa ACC Độ chính xác (Accuracy) AI Trí thông minh nhân tạo ANN Mạng thần kinh nhân tạo AUC Diện tích dưới đường cong (Area Under the Curve) CAD CTCP Chế biến và XNK Thủy sản Cadovimex DLG Công ty Cổ phần Đức Long Gia Lai DT Cây Quyết Định (Decision Tree) GBM Thuật toán tăng cường độ dốc HNX Sàn giao dịch chứng khoán Hà Nội HOSE Sàn Giao dịch Chứng khoán Hồ Chí Minh IIP Chỉ số sản xuất công nghiệp KNN Phương pháp K lân cận LGD Tập đoàn Long Điền LIME Kỹ thuật giải thích LIME LR Hồi quy Logistic (Logistic Regression) MLE Ước lượng Maximum Likelihood NHNN Ngân hàng Nhà nước NHTM Ngân hàng thương mại OLS Phương pháp bình phương nhỏ nhất PCA Phương pháp phân tích thành phần chính PD Xác suất vỡ nợ PMI Chỉ số quản lý mua hàng ROA Lợi nhuận trên tổng tài sản ROE Lợi nhuận trên vốn chủ sở hữu SHAP Phương pháp giải thích SHAP SVM Phương pháp Máy Vector hỗ trợ vi UPCOM Sàn giao dịch chứng khoán UPCOM XML Máy học có giải thích XGBoost Phương pháp Tăng cường độ dốc cực đại vii Danh mục bảng biểu Bảng 2.1 Các hệ số tài chính dự báo khả năng vỡ nợ doanh nghiệp .2 Khảo lược các nghiên cứu liên quan .1 Giai đoạn dự báo rủi ro vỡ nợ bằng mô hình máy học .2 Áp dụng kỹ thuật thống kê giải thích để diễn giải kết quả dự báo .3 Danh sách các biến độc lập .1 Giá trị phát hành của trái phiếu doanh nghiệp giai đoạn 2012-2023 .2 Tình hình chậm trả nợ trái phiếu doanh nghiệp của 69 tổ chức phát hành .3 Thống kê giá trị trung bình và độ lệch chuẩn của các biến độc lập .4 Phân tích và xử lý đa cộng tuyến trong mô hình hồi quy .5 Thống kê mô tả các biến độc lập trong mô hình .6 Kết quả hồi quy logistic trong mẫu và mẫu ngoài .7 Kết quả dự báo của Cây quyết định .8 Kết quả của mô hình rừng ngẫu nhiên trong mẫu và mẫu ngoài .9 Kết quả của mô hình tăng cường độ dốc cực đại .10 Kết quả của Mạng nơ-ron nhân tạo trong và ngoài mẫu .11 Kết quả của mô hình máy Vector hỗ trợ Kết quả .12 Tỷ lệ lợi nhuận ròng trên tổng tài sản của CAD qua các năm .13 Tỷ lệ đòn bẩy tài chính của CAD qua các năm .14 Tình hình hàng tồn kho của CAD .15 Một số hệ số quan trọng của DLG .16 Bộ siêu tham số tối ưu cho các thuật toán máy học .122 viii Danh mục các hình Hinh 3.1 Tỷ lệ công ty vỡ nợ và không vỡ nợ .2 Thống kê doanh nghiệp theo ngành.3 Đồ thị đường cong logistic .4 Mô hình cây quyết định .5 Mô hình rừng ngẫu nhiên .6 Cấu trúc của mạng nơ-ron nhân tạo hai lớp được kết nối đầy đủ .7 Phân tách nhị phân của nhóm O và nhóm X bằng SVM.8 Ma trận nhầm lẫn .1 Quy mô phát hành trái phiếu doanh nghiệp từ năm 2012 - 2023 .2 Tỷ lệ chậm thanh toán trái phiếu theo ngành .3 Cơ cấu nợ của 69 tổ chức phát hành.4 Ma trận nhầm lẫn đối với mô hình logistic .5 Đường cong ROC của mô hình hồi quy logistic .6 Ma trận nhầm lẫn đối với mô hình cây quyết định.7 Đường cong ROC của Cây quyết định .8 Ma trận nhầm lẫn cho mô hình rừng ngẫu nhiên.9 Đường cong ROC của mô hình rừng ngẫu nhiên .10 Ma trận nhầm lẫn đối với mô hình máy tăng cường độ dốc cực đại .11 Đường cong ROC của thuật toán tăng cường độ dốc cực đại .12 Ma trận nhầm lẫn cho kết quả mạng thần kinh nhân tạo .13 Đường cong ROC của Mô hình mạng nơ ron nhân tạo.14 Ma trận nhầm lẫn cho kết quả mô hình máy vectơ hỗ trợ .15 Đường cong ROC của Mô hình máy Vector hỗ trợ .16 So sánh hiệu quả dự báo của mô hình máy học .17 Đường cong ROC của các mô hình máy học .18 Tầm quan trọng của biến dựa vào SHAP .19 Tác động của các biến đến kết quả dự báo .20 Biểu đồ phụ thuộc SHAP của biến Thu nhập giữ lại/ Tổng tài sản .21 Biểu đồ phụ thuộc SHAP của biến Dòng tiền/lãi vay .22 Biểu đồ phụ thuộc SHAP của biến Nợ ròng/Tổng tài sản .