Tác động của Thông tư 200 đến mô hình xếp hạng tín dụng sử dụng phương pháp trí tuệ nhân tạo
Tóm tắt:
Nghiên cứu điều tra tác động của thông tư 200 đến mô hình xếp hạng tín dụng đối với các doanh nghiệp nhỏ, vừa và lớn tại Việt Nam giai đoạn 2008-2018 với phương pháp Mạng nơ-ron nhân tạo ANN. Nghiên cứu so sánh mô hình xếp hạng tín dụng trước và sau khi thực hiện thông tư 200 giữa giai đoạn 2008 – 2014 và giai đoạn 2015 – 2018 với dữ liệu nghiên cứu từ 39.162 doanh nghiệp tại Việt Nam trong cơ sở dữ liệu Orbis. Kết quả chỉ ra rằng NITA, ROE, khả năng thanh toán và hệ số thanh toán hiện hành là những biến độc lập quan trọng và có một số khác biệt đáng kể trong các mô hình xếp hạng tín dụng trước và sau khi thực hiện Thông tư 200. Phương pháp nghiên cứu hữu ích cho các nhà đầu tư trong việc phân tích rủi ro đầu tư để đưa ra quyết định đầu tư tốt nhất. Các NHTM Việt Nam có thể áp dụng mô hình để xác định một số vấn đề cụ thể về xếp hạng tín dụng đối với người vay, cho phép họ đưa ra chính sách tín dụng phù hợp và thiết lập các mức lãi suất khác nhau cho các khách hàng khác nhau dựa trên mức độ rủi ro. Một số hướng nghiên cứu tương lai gồm: (1) cải thiện dữ liệu và biến số, (2) cải tiến phương pháp phân tích dữ liệu và (3) cải thiện thước đo hiệu suất.
Abstract:
The study investigates the impact of Circular 200 on the credit rating model for small, medium, and large enterprises in Vietnam during the period 2008-2018, using Artificial Neural Network (ANN) methodology. The research compares credit rating models before and after the implementation of Circular 200 between 2008-2014 and 2015-2018, using data from 39,162 businesses in Vietnam obtained from the Orbis database. Results indicate that NITA, ROE, liquidity, and current payment ratio are important independent variables with significant differences in credit rating models before and after Circular 200. The research method proves useful for investors in analyzing investment risks for informed investment decisions. Vietnamese financial institutions can apply the model to identify specific credit rating issues for borrowers, enabling them to formulate appropriate credit policies and set different interest rates for varying risk levels. Future research directions include (1) enhancing data and variables, (2) improving data analysis methods, and (3) enhancing performance metrics.
