Luận văn Thạc sĩ Kinh tế: Ứng dụng data mining dự báo kiệt quệ tài chính ở các công ty được niêm yết tại Việt Nam

Luận văn này nghiên cứu ứng dụng Data Mining để dự báo kiệt quệ tài chính cho các công ty niêm yết tại Việt Nam. Mục tiêu là xác định các chỉ số tài chính hiệu quả nhất và khung thời gian dự báo tối ưu, từ đó giúp các nhà quản lý và nhà đầu tư đưa ra quyết định chính xác hơn. Đề tài này có ý nghĩa thực tiễn cao, cung cấp một phương pháp dự báo dễ sử dụng, dữ liệu sẵn có, giúp quản trị doanh nghiệp tốt hơn và phát triển thị trường chứng khoán.

Luận văn hướng đến các nhà quản lý doanh nghiệp, nhà đầu tư, các tổ chức tín dụng và các cơ quan quản lý nhà nước, cung cấp công cụ và thông tin hữu ích để đánh giá rủi ro tài chính và đưa ra các quyết định kinh tế phù hợp.

Luận văn tập trung vào việc ứng dụng các thuật toán Data Mining như Mạng Neural (NN), Cây Quyết định (DT) và Máy Vector Hỗ Trợ (SVM) để dự báo kiệt quệ tài chính. Nghiên cứu sử dụng dữ liệu từ các công ty niêm yết trên HOSE và HNX trong giai đoạn 2011-2015.

Kết quả cho thấy:

1. **Thuật toán dự báo tốt nhất:** Cây Quyết định (DT) cho độ chính xác cao nhất trong việc dự báo.
2. **Khung thời gian dự báo hiệu quả nhất:** Dữ liệu của năm liền kề trước năm dự báo (t-1) và dữ liệu cách năm dự báo 3 năm (t-3) cho kết quả tốt nhất.
3. **Chỉ số tài chính quan trọng nhất:** Một số chỉ số như dòng tiền từ hoạt động kinh doanh/nợ ngắn hạn, biên lợi nhuận gộp, EBIT/chi phí lãi vay, và các tỷ lệ sinh lời trên doanh thu và tài sản có ý nghĩa dự báo quan trọng.
4. **Bộ dữ liệu rút gọn:** Việc sử dụng bộ dữ liệu rút gọn gồm 9 chỉ số tài chính quan trọng mang lại hiệu quả tương đương, thậm chí cao hơn trong một số trường hợp so với việc sử dụng bộ dữ liệu đầy đủ 26 chỉ số.
5. Đề xuất sử dụng thuật toán NN với bộ dữ liệu gồm 09 tỷ số tài chính để tiết kiệm thời gian dự báo.