Ứng dụng Data Mining dự báo kiệt quệ tài chính ở các Công ty Dược niêm yết tại Việt Nam

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP HỒ CHÍ MINH HỒ THỊ THANH THẢO ỨNG DỤNG DATA MINING DỰ BÁO KIỆT QUỆ TÀI CHÍNH Ở CÁC CÔNG TY ĐƯỢC NIÊM YẾT TẠI VIỆT NAM LUẬN VĂN THẠC SĨ KINH TẾ Tp Hồ Chí Minh – 2016 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP HỒ CHÍ MINH HỒ THỊ THANH THẢO ỨNG DỤNG DATA MINING DỰ BÁO KIỆT QUỆ TÀI CHÍNH Ở CÁC CÔNG TY ĐƯỢC NIÊM YẾT TẠI VIỆT NAM Chuyên ngành: Tài – Ngân hàng Mã số: 60340201 LUẬN VĂN THẠC SĨ KINH TẾ NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS Nguyễn Thị Ngọc Trang Tp Hồ Chí Minh – 2016 LỜI CAM ĐOAN Tôi xin cam đoan luận văn kết nghiên cứu cá nhân tôi, thực hướng dẫn khoa học PGS.TS Nguyễn Thị Ngọc Trang – Giảng viên Trường Đại học Kinh tế Thành phố Hồ Chí Minh TP Hồ Chí Minh, ngày 31 tháng 10 năm 2016 Hồ Thị Thanh Thảo MỤC LỤC TRANG PHỤ BÌA LỜI CAM ĐOAN MỤC LỤC DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH VẼ MỞ ĐẦU .1 Lý nghiên cứu Mục tiêu nghiên cứu Đối tượng phạm vi nghiên cứu Phương pháp nghiên cứu Ý nghĩa thực tiễn đề tài Kết cấu luận văn Chương – CÁC NGHIÊN CỨU TRƯỚC ĐÂY VỀ DỰ BÁO KIỆT QUỆ TÀI CHÍNH 1.1 Kiệt quệ tài ảnh hưởng kiệt quệ tài đến chủ thể kinh tế 1.1.1 Kiệt quệ tài 1.1.2 Những ảnh hưởng kiệt quệ tài đến chủ thể kinh tế 1.2 Các kỹ thuật thống kê sử dụng phổ biến để dự báo kiệt quệ tài .12 1.2.1 Phân tích phân biệt (DA) 12 1.2.1.1 Phân tích phân biệt đơn biến Beaver 12 1.2.1.2 Phân tích phân biệt đa biến Altman 14 1.2.2 Kỹ thuật phân tích Logit .17 1.2.2.1 Phân tích Logit Ohlson (1980) .17 1.2.2.2 Nghiên cứu Ying Wuang Michael Campbell (2010) 19 1.2.2.3 Nghiên cứu Dionysios Polemis Dimitrios Gounopoulos (2012) 20 1.2.3 Phương pháp máy học dựa trí tuệ thông minh nhân tạo 22 Chương – DỰ BÁO KIỆT QUỆ TÀI CHÍNH BẰNG PHƯƠNG PHÁP KHAI PHÁ DỮ LIỆU (DATA MINING) 24 2.1 Tổng quan Khai phá liệu (Data mining) 24 2.1.1 Khái niệm Data mining 24 2.1.2 Nhiệm vụ Data Mining 24 2.1.3 Ứng dụng Data Mining: 25 2.2 Một số thuật toán sử dụng Data mining .25 2.2.1 Neural network (NN) 25 2.2.2 Thuật toán định Decision tree (DT) .27 2.2.3 Support Vector Machine (SVM) 28 2.3 Áp dụng Data mining dự báo kiệt quệ tài 31 Chương – PHƯƠNG PHÁP NGHIÊN CỨU .33 3.1 Thu thập liệu 33 3.2 Các biến sử dụng nghiên cứu .34 3.3 Chuẩn bị liệu 40 Chương - KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN KẾT QUẢ 46 4.1 Thuật toán cho kết dự báo tốt .46 4.2 Khung thời gian để dự báo tốt 51 4.3 Các tỷ số quan trọng dự báo kiệt quệ tài .52 KẾT LUẬN VÀ KIẾN NGHỊ 61 Kết luận 61 Hạn chế đề tài hướng nghiên cứu .62 TÀI LIỆU THAM KHẢO DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT ANN Artificial Neural Network DT Decision tree NN Neural network SVM Support Vector Machine DANH MỤC CÁC BẢNG Bảng 1.1 Mức trung bình số tài dùng phân loại doanh nghiệp nghiên cứu Beaver (1966) 13 Bảng 1.2 Xếp loại trái phiếu Mỹ dựa số mô hình EMS 16 Bảng 2.1 Một số hàm truyền mạng neural yk = f(ak) .27 Bảng 3.1 Các số tài dùng để dự báo luận văn 34 Bảng 3.2 Các công ty có lợi nhuận ròng âm liên tục năm 2011 2012 41 Bảng 3.3 Các công ty có lợi nhuận ròng âm liên tục năm 2012 2013 42 Bảng 3.4 Các công ty có lợi nhuận ròng âm liên tục năm 2013 2014 44 Bảng 4.1 Kết dự báo thuật toán DT sử dụng liệu gồm 26 tỷ số tài 46 Bảng 4.2 Kết dự báo thuật toán NN sử dụng liệu gồm 26 tỷ số tài 47 Bảng 4.3 Kết dự báo thuật toán SVM sử dụng liệu gồm 26 tỷ số tài .48 Bảng 4.4 Tổng hợp kết dự báo thuật toán sử dụng liệu gồm 26 tỷ số tài 48 Bảng 4.5 Các biến có ý nghĩa dự báo kiệt quệ tài sử dụng liệu năm t – (năm 2012) 53 Bảng 4.7 Các biến có ý nghĩa dự báo kiệt quệ tài sử dụng liệu năm t – (năm 2014) 55 Bảng 4.8 Các tỷ số tài có nghĩa quan trọng dự báo kiệt quệ tài 56 Bảng 4.9 Kết dự báo thuật toán sử dụng liệu gồm 09 tỷ số tài 57 DANH MỤC CÁC HÌNH VẼ Hình 2.1 Cấu trúc neural .26 Hình 2.2 Support vector machine .30 Hình 2.3 Mô tả bước thực nghiệm để dự báo kiệt quệ tài 32 Hình 4.1 Độ xác thuật toán theo khung thời gian .49 Hình 4.2 Độ phủ thuật toán theo khung thời gian .50 Hình 4.3 Trung bình độ xác thuật toán 50 Hình 4.4 Trung bình độ phủ thuật toán .51 Hình 4.5 Độ xác thuật toán theo khung thời gian .52 Hình 4.6 Độ xác thuật toán theo hai liệu(Sử dụng khung thời gian t -1) 58 Hình 4.7 Độ xác thuật toán theo hai liệu (Sử dụng khung thời gian t -2) 58 Hình 4.8 Độ xác thuật toán theo hai liệu (Sử dụng khung thời gian t -3) 59 MỞ ĐẦU Lý nghiên cứu Dự báo kiệt quệ tài chủ đề đáng quan tâm thập kỷ qua tầm quan trọng lớn cho công ty niêm yết, nhà đầu tư, chủ nợ, nhà quản lý chí kinh tế quốc gia (Wanke,Barros, & Faria, 2014) Nếu dự đoán kiệt quệ tài đáng tin cậy, nhà quản lý công ty bắt đầu biện pháp khắc phục hậu để tránh suy giảm trước khủng hoảng xảy nhà đầu tư nắm bắt tình hình lợi nhuận công ty niêm yết điều chỉnh chiến lược đầu tư họ để tối ưu hóa khoản đầu tư Tuy nhiên, phát triển nhanh chóng thị trường vốn hội nhập kinh tế toàn cầu tăng số lượng công ty bị khủng hoảng tài năm qua Theo thống kê Vietstock, tính đến thời điểm tháng 8/2014 có 28 cổ phiếu trước nguy bị hủy niêm yết bắt buộcvà 41 doanh nghiệp thua lỗ hai năm liên tiếp lỗ lũy kế vượt vốn Doanh nghiệp phá sản gây nhiều tác động tiêu cực cho xã hội kinh tế Điều gây ảnh hưởng lớn đến kinh tế Việt Nam vốn giai đoạn hội nhập Thêm vào đó, việc bắt buộc hủy niêm yết gây tâm lý hoang mang cho nhà đầu tư làm ảnh hưởng đến thị trường chứng khoán Việt Nam phát triển Do đó, cần thiết để thiết lập sớm hệ thống cảnh báo hiệu để dự báo kiệt quệ tài từ quản trị doanh nghiệp tốt hơn, góp phần phát triển thị trường chứng khoán kinh tế Mục tiêu nghiên cứu Trong luận văn áp dụng phương pháp khai phá liệu (data mining) để dự báo kiệt quệ tài công ty Việt Nam.Từ xem xét số tài hiệu dự báo xác định khung thời gian dự báo hiệu Mã Chứng khoán Net Income After Taxes SDH.HN 31/12/2011 (1.068.368.210) SDY.HN 31/12/2012 (1.626.680.900) SDY.HN 31/12/2011 (17.880.272.670) TST.HN 31/12/2012 (25.102.937.920) TST.HN 31/12/2011 (5.392.762.720) VDS.HN 31/12/2012 (27.637.175.720) VDS.HN 31/12/2011 (126.342.463.600) BTS.HN 31/12/2012 (31.820.951.050) BTS.HN 31/12/2011 VIG.HN 31/12/2012 (63.400.681.020) VIG.HN 31/12/2011 (96.282.776.220) VTC.HN 31/12/2012 (2.285.987.460) VTC.HN 31/12/2011 (7.348.729.650) - Các công ty có lợi nhuận ròng âm liên tục năm 2012 2013 Mã Chứng khoán Net Income After Taxes KDH.HM 31/12/2013 (136.661.951.000) KDH.HM 31/12/2012 (57.003.767.000) PTL.HM 31/12/2013 (138.369.986.170) PTL.HM 31/12/2012 (2.597.892.440) PNC.HM 31/12/2013 (41.179.542.270) PNC.HM 31/12/2012 (19.166.904.590) STT.HM 31/12/2013 (17.781.891.250) STT.HM 31/12/2012 (21.638.909.760) TNT.HM 31/12/2013 (19.389.910.160) TNT.HM 31/12/2012 (2.526.037.360) TSC.HM 31/12/2013 (231.379.590) TSC.HM 31/12/2012 (56.947.271.830) TTF.HM 31/12/2013 (4.693.124.440) TTF.HM 31/12/2012 (2.902.491.010) Mã Chứng khoán Net Income After Taxes VNA.HM 31/12/2013 (107.894.901.770) VNA.HM 31/12/2012 (28.291.261.270) VIS.HM 31/12/2013 (27.787.922.450) VIS.HM 31/12/2012 (16.571.346.720) VOS.HM 31/12/2013 (190.325.411.500) VOS.HM 31/12/2012 (33.178.137.400) BKC.HN 31/12/2013 (20.883.695.520) BKC.HN 31/12/2012 (16.975.419.000) DZM.HN 31/12/2013 (2.453.199.590) DZM.HN 31/12/2012 (7.595.357.390) KHB.HN 31/12/2013 (2.777.273.380) KHB.HN 31/12/2012 (6.620.127.370) PGT.HN 31/12/2013 (21.079.750.670) PGT.HN 31/12/2012 (991.236.050) PVR.HN 31/12/2013 (6.831.771.640) PVR.HN 31/12/2012 (17.128.724.830) PXA.HN 31/12/2013 (48.265.959.360) PXA.HN 31/12/2012 (62.552.073.610) PVL.HN 31/12/2013 (185.182.675.500) PVL.HN 31/12/2012 (26.314.542.330) VCR.HN 31/12/2013 (35.171.561.040) VCR.HN 31/12/2012 (40.859.130.110) PVV.HN 31/12/2013 (100.220.720.270) PVV.HN 31/12/2012 (48.413.196.650) Các công ty có lợi nhuận ròng âm liên tục năm 2013 2014 Mã Chứng khoán HLG.HM Net Income After Taxes 31/12/2014 (42.503.153.370) HLG.HM 31/12/2013 (261.322.359.350) LCG.HM 31/12/2014 (11.659.521.930) LCG.HM 31/12/2013 (307.807.936.280) POM.HM 31/12/2014 (28.515.505.710) POM.HM 31/12/2013 (194.006.135.640) PXT.HM 31/12/2014 (164.715.338.860) PXT.HM 31/12/2013 (35.584.340.840) RIC.HM 31/12/2014 (153.149.254.100) RIC.HM 31/12/2013 (10.322.963.990) DLR.HN 31/12/2014 (12.652.180.080) DLR.HN 31/12/2013 (6.871.621.920) HDO.HN 31/12/2014 (31.016.810.630) HDO.HN 31/12/2013 (17.553.042.680) HBE.HN 31/12/2014 (2.094.206.900) HBE.HN 31/12/2013 (51.766.920) IDJ.HN 31/12/2014 (24.720.924.310) IDJ.HN 31/12/2013 (13.112.189.550) PV2.HN 31/12/2014 (26.413.430.640) PV2.HN 31/12/2013 (138.327.015.600) SRA.HN 31/12/2014 (795.632.380) SRA.HN 31/12/2013 (4.754.422.890) CVN.HN 31/12/2014 (2.399.654.080) CVN.HN 31/12/2013 (14.554.627.160) Màn hình chạy kết : Màn hình hiển thị kết chạy thuật toán DT từ liệu 2011sử dụng 26 tỉ số tài Màn hình hiển thị kết chạy thuật toán DT từ liệu 2012 sử dụng 26 tỉ số tài Màn hình hiển thị kết chạy thuật toán DT từ liệu 2013 sử dụng 26 tỉ số tài Màn hình hiển thị kết chạy thuật toán DT từ liệu 2014 sử dụng 26 tỉ số tài Màn hình hiển thị kết chạy thuật toán NN từ liệu 2011 sử dụng 26 tỉ số tài Màn hình hiển thị kết chạy thuật toán NN từ liệu 2012 sử dụng 26 tỉ số tài Màn hình hiển thị kết chạy thuật toán NN từ liệu 2013 sử dụng 26 tỉ số tài Màn hình hiển thị kết chạy thuật toán NN từ liệu 2014 sử dụng 26 tỉ số tài Màn hình hiển thị kết chạy thuật toán SVM từ liệu 2011 sử dụng 26 tỉ số tài Màn hình hiển thị kết chạy thuật toán SVM từ liệu 2012 sử dụng 26 tỉ số tài Màn hình hiển thị kết chạy thuật toán SVM từ liệu 2013 sử dụng 26 tỉ số tài Màn hình hiển thị kết chạy thuật toán SVM từ liệu 2014 sử dụng 26 tỉ số tài Màn hình hiển thị kết chạy thuật toán DT từ liệu 2011sử dụng tỉ số tài Màn hình hiển thị kết chạy thuật toán DT từ liệu 2012 sử dụng tỉ số tài Màn hình hiển thị kết chạy thuật toán DT từ liệu 2013 sử dụng tỉ số tài Màn hình hiển thị kết chạy thuật toán DT từ liệu 2014 sử dụng tỉ số tài Màn hình hiển thị kết chạy thuật toán NN từ liệu 2011 sử dụng tỉ số tài Màn hình hiển thị kết chạy thuật toán NN từ liệu 2012 sử dụng tỉ số tài Màn hình hiển thị kết chạy thuật toán NN từ liệu 2013 sử dụng tỉ số tài Màn hình hiển thị kết chạy thuật toán NN từ liệu 2014 sử dụng tỉ số tài Màn hình hiển thị kết chạy thuật toán SVM từ liệu 2011 sử dụng tỉ số tài Màn hình hiển thị kết chạy thuật toán SVM từ liệu 2012 sử dụng tỉ số tài Màn hình hiển thị kết chạy thuật toán SVM từ liệu 2013 sử dụng tỉ số tài Màn hình hiển thị kết chạy thuật toán SVM từ liệu 2014 sử dụng tỉ số tài ... HỌC KINH TẾ TP HỒ CHÍ MINH HỒ THỊ THANH THẢO ỨNG DỤNG DATA MINING DỰ BÁO KIỆT QUỆ TÀI CHÍNH Ở CÁC CÔNG TY ĐƯỢC NIÊM YẾT TẠI VIỆT NAM Chuyên ngành: Tài – Ngân hàng Mã số: 60340201 LUẬN VĂN THẠC... liệu (data mining) để dự báo kiệt quệ tài công ty Việt Nam. Từ xem xét số tài hiệu dự báo xác định khung thời gian dự báo hiệu 2 Đối tượng phạm vi nghiên cứu Các công ty cổ phần Việt Nam đưa vào... liệu (data mining) để nhận biết sớm dấu hiệu suy giảm lợi nhuận công ty. Đồng thời số tài hiệu dự báo kiệt quệ tài công ty Ý nghĩa thực tiễn đề tài Đề tài với mục đích để dự báo kiệt quệ tài thật