Xây dựng mô hình dự báo rủi ro vỡ nợ bằng các mô hình học máy: Nghiên cứu thực nghiệm trên các doanh nghiệp Việt Nam
Tác giả: Nguyễn Minh Nhật, Trần Kim Long, Lê Hoàng Anh
Số trang:
Tr. 71-81
Số phát hành:
Số 216 - Tháng 3
Kiểu tài liệu:
Tạp chí trong nước
Nơi lưu trữ:
209 Phan Thanh
Mã phân loại:
332
Ngôn ngữ:
Tiếng Việt
Từ khóa:
Rừng ngẫu nhiên, mô hình cây quyết định, thuật toán Boosting
Chủ đề:
Rủi ro vỡ nợ
Tóm tắt:
Sử dụng các mô hình máy học dựa trên thuật toán cây quyết định để dự báo RRVN của các doanh nghiệp tại Việt Nam giai đoạn 2009–2020. Kết quả cho thấy mô hình Random Forest và Gradient Boosting là hai mô hình có kết quả vượt trội so với mô hình Logistic trên tất cả các tiêu chí đánh giá như Confusion Matrix AUC, tỷ lệ Accuracy, tỷ lệ Precision, tỷ lệ Recall và Điểm số F1. Trong đó, mô hình Random Forest có xu hướng vượt trội hơn so với mô hình Gradient Boosting trên các chỉ tiêu đánh giá. Hơn nữa, kết quả của mô hình cũng gợi ý những biến dự báo quan trọng trong việc xây dựng mô hình dự báo RRVN.
Tạp chí liên quan
- Mô hình ảnh hưởng từ phong cách lãnh đạo đến sự hài lòng công việc của nhân viên tại doanh nghiệp
- Nghiên cứu thực hành trách nhiệm xã hội tại các doanh nghiệp chế biến thủy sản ở Việt Nam
- Báo cáo trách nhiệm xã hội tại các trường đại học Việt Nam
- Trao đổi về kế toán chi phí thuế thu nhập doanh nghiệp
- Tác động của mô hình bảo mật kế toán điều tra an ninh mạng không giới hạn đến hiệu quả bảo mật dữ liệu cá nhân