Ngày nhận bài: 06-03-2018
Ngày duyệt đăng: 21-08-2018
DOI:
Lượt xem
Download
Cách trích dẫn:
ỨNG DỤNG MỘT SỐ PHƯƠNG PHÁP XÂY DỰNG HÀM PHÂN LOẠI TRONG CẢNH BÁO SỚM NGUY CƠ VỠ NỢ CỦA CÁC NGÂN HÀNG THƯƠNG MẠI CỔ PHẦN VIỆT NAM
,
Đỗ Thị Nhâm
1
,
Ngọc Minh Châu
1
,
Lê Văn Hỗ
1
Từ khóa
Ngân hàng thương mại, cảnh báo nguy cơ vỡ nợ, hàm phân loại
Tóm tắt
Trong nghiên cứu này chúng tôi vận dụng các mô hình thống kê dựa trên phân tích khác biệt đa biến, hồi qui logistic và máy vecto hỗ trợ (SVM) để xây dựng các hàm phân loại nhằm cảnh báo rủi ro sớm cho các ngân hàng thương mại cổ phần (NHTMCP) Việt Nam. Các mô hình được thực hiện trên các nhóm thuộc tính như: khả năng sinh lời, các chỉ số thâm hụt, hiệu quả quản lí tài sản, chất lượng tài sản, mức độ an toàn, nhóm chỉ số tăng trưởng bền vững và tính thanh khoản. Nghiên cứu tính toán độ chính xác của các mô hình nghiên cứu trên cả tập dữ liệu và kiểm tra, ngoài ra còn đưa ra các loai sai lầm loại I, sai lầm loại II mà các mô hình mắc phải
Tài liệu tham khảo
Nguyễn Quang Dong (2009). Xếp hạng tín dụng các ngân hàng, các tổ chức tài chính Việt Nam bằng phương pháp phân tích khác biệt. Đề tài khoa học cấp bộ.
Đặng Huy Ngân (2015). Sử dụng kết hợp phân tích nhân tố và hồi qui Logistic để phân loại các ngân hàng thương mại cổ phần Việt Nam. Kỷ yếu hội thảo khoa học quốc gia “An ninh tài chính tiền tệ của Việt Nam trong bối cảnh hội nhập quốc tế” T7-2015.
Đặng Huy Ngân (2016). Xây dựng mô hình cảnh báo nguy cơ vỡ nợ cho các ngân hàng thương mại cổ phần Việt Nam. Tạp chí Kinh tế & Phát triển. Số đặc biệt, tr. 82-90.
Đặng Huy Ngân (2018). Xây dựng mô hình cảnh báo nguy cơ vỡ nợ cho các ngân hàng thương mại cổ phần Việt Nam. Luận án tiến sĩ Kinh tế học.
Lê Thanh Ngọc, Đặng Trí Dũng và Lê Nguyễn Minh Phương (2015). Mối quan hệ giữa tỉ lệ vốn tự có và rủi ro của ngân hàng thương mại. Tạp chí Phát triển & Hội nhập, 15(35): 54-61.
Nguyễn Nhật Quang (2012). Trí tuệ nhân tạo nâng cao. Viện Công nghệ thông tin và Truyền thông, Đại học Bách Khoa Hà Nội.
Võ Văn Tài, Đổng Yến Nghi (2016). Bài toán phân loại và ứng dụng trong y học. Tạp chí Khoa học, Đại học Cần Thơ, 42: 127-133.
Altman, Edward I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, 23: 589-609.
Barbro Back, Teija Laitinen, Kaisa Sere, Michiel van Wezel (1996). Choosing bankruptcy predictors using discriminant analysis, logit analysis and genetic algorithms. Turku Centre for Computer Science Technical Report No 40, September 1996.
LeCun, Y. (1986). Learning Process in an Asymmetric Threshold Network. Disordered systems and biological and organizations, LesHouches, France, Springer.
Nguyen Hoang Huy (2013). Multi-step linear discriminant Analysis and its applications. Ph.D. thesis. Greifswald University, p. 7.
Hastie, T. và Tibshirani, R., Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Series in Statistics. Springer Verlag.
Jae H. Min, Young-ChanLee (2005). Bankruptcy prediction using support vector machine with optimal choice of Kernel function parameters. Expert Systems with Applications, 28: 603-614.
M.Adnan Aziz, Humayon (2006). Predicting corporate bankruptcy: where we stand? Corporate governance: The international journal of business in society, 6(1): 18-33.
Soo Y Kim (2011). Prediction of hotel bankruptcy using support vector machine, artificial neural network, logistic regression, and multivariate discriminant analysis. The Service Industries Journal, 31(3): 441-468.
Sergio Bacallado (2017). Data Mining and Analysis. Stanford University. http://web.stanford.edu/class/ stats202/content/lectures.html/lec9.pdf. Truy cập ngày 9/1/2018.
Valadimir Vapnik (1995). The nature of statistical learning theory. Springer-Verlag.