Dự báo hoạt động ngân hàng bằng thuật toán rừng ngẫu nhiên
Từ khóa:
Trí tuệ nhân tạo, dự báo hoạt động ngân hàng, hồi quy đa biến, mạng nơron, thuật toán rừng ngẫu nhiên, RBFTóm tắt
Ngành ngân hàng có vài trò quan trọng trong việc ổn định vĩ mô của nền kinh tế. Quá trình toàn cầu hóa và đổi mới sáng tạo trong lĩnh vực công nghệ đã tạo ra sự cạnh tranh trong lĩnh vực ngân hàng và tài chính. Hoạt đông của các ngân hàng phụ thuộc rất nhiều vào độ chính xác của các quyết định quản lý. Mục tiêu của nghiên cứu này là dự báo hoạt động của ngân hàng dựa trên kỹ thuật trí tuệ nhân tạo thuật toán rừng ngẫu nhiên (Random Forest - RF). Để chứng minh tính hiệu quả của mô hình dự báo dựa trên RF, các mô hình dự báo khác được dựa trên ba kỹ thuật trí tuệ nhân tạo khác là mạng nơ ron truyền thẳng nhiều lớp (ANN-MLP), mạng hàm cơ sở bán kính (RBF) và hồi quy tuyến tính (MLR) cũng được phát triển. Dữ liệu được sử dụng trong xây dưng mô hình gồm 405 mẫu được thu thập từ 45 ngân hàng hoạt động tại Việt Nam trong giai đoạn 2002-2022. Các chỉ số đầu ra dự báo bao gồm tổng các khoản vay và tổng tiền gửi huy động. Kết quả thực nghiệm và các chỉ số đánh giá mô hình xác định mô hình dự báo dựa trên kỹ thuật RF cho độ chính xác cao nhất.
Tài liệu tham khảo
Appiahene, P., Missah, Y.M. & Najim, U. (2020), ‘Predicting bank operational efficiency using machine learning algorithm: comparative study of decision tree, random forest, and neural networks’, Advances in fuzzy systems, 2020, 1-12.
Assous, H.F. (2022), ‘Prediction of banks efficiency using feature selection method: comparison between selected machine learning models’, Complexity, 2022, 1-15.
Batool, F. (2013), ‘Gamma radiations induced improvement in dyeing properties and colorfastness of cotton fabrics dyed with chicken gizzard leaves extracts’, Radiation Physics and Chemistry, 89, 33-37.
Boďa, M. & Piklová, Z. (2018), ‘The production or intermediation approach?: It matters’, in Contemporary Trends and Challenges in Finance: Proceedings from the 3rd Wroclaw International Conference in Finance, Springer, 111-120.
Breiman, L. (2001), ‘Random forests’, Machine learning, 45, 5-32.
Caruana, R., Lawrence, S. & Giles, L. (2001), ‘Overfitting in neural nets: Backpropagation, conjugate gradient, and early stopping’, in Advances in Neural Information Processing Systems, Denver, CO, USA.
Cuomo, S. (2022), ‘Scientific machine learning through physics–informed neural networks: Where we are and what’s next’, Journal of Scientific Computing, 92(3), p.88.
Đào Công Ân (2018), ‘Mô hình dự báo churn cho khách hàng bằng phương pháp học máy suy diễn phương sai’, luận văn thạc sĩ, Trường Đại học Bách khoa Hà Nội.
Đoàn Việt Hùng (2019), ‘Cạnh tranh và hiệu quả hoạt động của các ngân hàng thương mại tại Việt Nam: Tiếp cận bằng phương pháp Lasso’, Tạp chí Khoa học Lạc Hồng, 8, 8-13.
Giang Thị Thu Huyền (2021), ‘Một số kĩ thuật học máy cho chấm điểm tín dụng’, Tạp chí Khoa học & Đào tạo Ngân hàng, 227, 34-40.
Guan, X., Zhu, Y. & Song, W. (2016), ‘Application of RBF neural network improved by peak density function in intelligent color matching of wood dyeing’, Chaos, Solitons and Fractals, 89, 485-490.
Hao, C. & Adsavakulchai, S. (2023), ‘The use of machine learning algorithms for bank loan prediction’, European Economic Letters (EEL), 13(3), 735-741.
Hart, P.E., Stork, D.G. & Duda, R.O. (2000), Pattern classification, Wiley Hoboken.
Jiang, J., Cao, D. & Chen, H. (2016), ‘Boundary value problems for fractional differential equation with causal operators’, Applied Mathematics and Nonlinear Sciences, 1(1), 11-22.
Kosmidou, K. & Zopounidis, C. (2008), ‘Measurement of bank performance in Greece’, South-Eastern Europe Journal of Economics, 1(1), 79-95.
Le, T.D.Q., Tin, H.H., Ngo, T., Nguyen, D.T. & Tran, S.H. (2022), ‘A dataset for the Vietnamese banking system (2002-2021)’, Data, 7(9), p.120.
Ledhem, M.A. (2022), ‘Data mining techniques for predicting the financial performance of Islamic banking in Indonesia’, Journal of Modelling in Management, 17(3), 896-915.
Lin, S.W. (2009), ‘Applying enhanced data mining approaches in predicting bank performance: A case of Taiwanese commercial banks’, Expert Systems with Applications, 36(9), 1543-11551.
Masini, R.P., Medeiros, M.C. & Mendes, E.F. (2023), ‘Machine learning advances for time series forecasting’, Journal of economic surveys, 37(1), 76-111.
Maulud, D. & Abdulazeez, A.M. (2020), ‘A review on linear regression comprehensive in machine learning’, Journal of Applied Science and Technology Trends, 1(4), 140-147.
Nguyễn Minh Kiều & Nguyễn Ngọc Thùy Trang (2020), ‘Phân tích hiệu quả kỹ thuật của các ngân hàng thương mại cổ phần tại Việt Nam’, Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh-Kinh tế và Quản trị Kinh doanh, 15(3), 22-40.
Nguyễn Thị Liên, Nguyễn Thị Thu Trang & Nguyễn Chiến Thắng (2018), ‘Phương pháp học máy trong phát hiện gian lận thẻ tín dụng-một nghiên cứu thực nghiệm’, Tạp Chí Kinh Tế & Phát Triển, 256(II), 118-126.
Raviv, L., Lupyan, G. & Green, S.C. (2022), ‘How variability shapes learning and generalization’, Trends in cognitive sciences, 26(6), 462-483.
Sealey Jr, C.W. & Lindley, J.T. (1977), ‘Inputs, outputs, and a theory of production and cost at depository financial institutions’, The journal of finance, 32(4), 1251-1266.
Wei, J., Ye, T. & Zhang, Z. (2021), ‘A machine learning approach to evaluate the performance of rural bank’, Complexity, 2021, 1-10.
