Dự báo rủi ro thanh khoản tại các ngân hàng thương mại: Tiếp cận học máy
DOI:
https://doi.org/10.33301/JED.VI.3118Từ khóa:
ANN, thanh khoản, học máy, rừng ngẫu nhiên, hồi quy, XGBoostTóm tắt
Nghiên cứu này áp dụng các thuật toán hồi quy học máy (Mạng nơ-ron nhân tạo, Rừng Ngẫu nhiên, và XGBoost) nhằm dự báo rủi ro thanh khoản tại 26 ngân hàng thương mại Việt Nam giai đoạn 2010-2023. Các mô hình được đánh giá thông qua hai chỉ số RMSE và MAE. Kết quả chỉ ra XGBoost cho sai số dự báo thấp nhất trên tập kiểm tra, tiếp đến là RF trong khi ANN cho sai số cao nhất. Những kết quả cho thấy thuật toán họ cây tăng cường vượt trội trong dự báo thanh khoản. Nghiên cứu cũng gợi ý các phương pháp áp dụng trong tương lai nhằm nâng cao chất lượng dự báo và tăng tính giải thích của kết quả.
Tài liệu tham khảo
Abdul-Rahman, A., Sulaiman, A.A. & Mohd Said, N.L.H. (2018). Does financing structure affects bank liquidity risk?. Pacific-Basin Finance Journal, 52, 26-39. https://doi.org/10.1016/j.pacfin.2017.04.004
Arif, A. & Anees, N.A. (2012). Liquidity risk and performance of banking system. Journal of Financial Regulation and Compliance, 20(2), 182-195. https://doi.org/10.1108/13581981211218342
Barongo, R.I. & Mbelwa, J.T. (2024). Using machine learning for detecting liquidity risk in banks. Machine Learning with Applications, 15, 100511. https://doi.org/10.1016/j.mlwa.2023.100511
Berger, A.N. & Bouwman, C.H. (2009). Bank liquidity creation. The Review of Financial Studies, 22(9), 3779-3837. https://doi.org/10.1093/rfs/hhn104
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
Chen, T. & Guestrin, C. (2016). Xgboost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International conference on knowledge discovery and data mining, 785-794. https://doi.org/10.1145/2939672.2939785
Chen, W.D., Chen, Y. & Huang, S.C. (2021). Liquidity risk and bank performance during financial crises. Journal of Financial Stability, 56, 100906. https://doi.org/10.1016/j.jfs.2021.100906
Cornett, M.M., McNutt, J.J., Strahan, P.E. & Tehranian, H. (2011). Liquidity risk management and credit supply in the financial crisis. Journal of Financial Economics, 101(2), 297-312. https://doi.org/10.1016/j.jfineco.2011.03.001
Davis, E.P. & Karim, D. (2008). Comparing early warning systems for banking crises. Journal of Financial Stability, 4(2), 89-120. https://doi.org/10.1016/j.jfs.2007.12.004
Guerra, P., Castelli, M. & Côrte-Real, N. (2022). Machine learning for liquidity risk modelling: A supervisory perspective. Economic Analysis and Policy, 74, 175-187. https://doi.org/10.1016/j.eap.2022.02.001
Gujarati, D.N. (2004). Basic econometrics (4th ed.). McGraw-Hill.
Hartlage, A.W. (2012). The Basel III liquidity coverage ratio and financial stability. Michigan Law Review, 111, 453-484.
Heß, V.L. & Damásio, B. (2025). Machine learning in banking risk management: Mapping a decade of evolution. International Journal of Information Management Data Insights, 5(1), 100324. https://doi.org/10.1016/j.jjimei.2025.100324
Liu, W., Fan, H., Xia, M. & Pang, C. (2022). Predicting and interpreting financial distress using a weighted boosted tree-based tree. Engineering Applications of Artificial Intelligence, 116, 105466. https://doi.org/10.1016/j.engappai.2022.105466
Lu, S.H., Wang, H.J. & Nguyen, A.T. (2024). Machine learning applications on box-office revenue forecasting: The Taiwanese film market case study. In Ngoc Thach, N., Kreinovich, V., Ha, D.T. & Trung, N.D. (eds). Optimal Transport Statistics for Economics and Related Topics (pp. 384-402). Springer. https://doi.org/10.1007/978-3-031-35763-3_49
Mdaghri, A.A. & Oubdi, L. (2022). Bank-specific and macroeconomic determinants of bank liquidity creation: Evidence from MENA countries. Journal of Central Banking Theory and Practice, 11(2), 55-76. https://doi.org/10.2478/jcbtp-2022-0013
Nguyen, A.T., Lu, S.H. & Nguyen, P.T.T. (2021). Validating and forecasting carbon emissions in the framework of the environmental Kuznets curve: the case of Vietnam. Energies, 14(11), 3144. https://doi.org/10.3390/en14113144
Nguyễn Anh Tú (2024). Động lực thu hút vốn đầu tư trực tiếp nước ngoài tại các quốc gia đang phát triển: Bằng chứng thực nghiệm từ tiếp cận học máy. Tạp chí Nghiên cứu Kinh tế và Kinh doanh Châu Á, 35(5), 119-134. https://doi.org/10.24311/jabes/2024.35.5.6
Nguyễn Anh Tú, Trần Phú Thịnh & Đào Lê Kiều Oanh (2025). Tác động của rủi ro thanh khoản đến khả năng sinh lời trong đại dịch COVID-19: Trường hợp các ngân hàng thương mại Việt Nam. Tạp chí Kinh tế và Phát triển, 334(2), 124-134. https://doi.org/10.33301/JED.VI.2119
Rosenblatt, F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386-408. https://doi.org/10.1037/h0042519
Saleh, I. & Abu Afifa, M. (2020). The effect of credit risk, liquidity risk and bank capital on bank profitability: Evidence from an emerging market. Cogent Economics & Finance, 8(1), 1814509. https://doi.org/10.1080/23322039.2020.1814509
Sameen, M.I., Pradhan, B. & Lee, S. (2019). Self-Learning Random Forests Model for Mapping Groundwater Yield in Data-Scarce Areas. Natural Resources Research, 28(3), 757-775. https://doi.org/10.1007/s11053-018-9416-1
Singh, A. & Sharma, A.K. (2016). An empirical analysis of macroeconomic and bank-specific factors affecting liquidity of Indian banks. Future Business Journal, 2(1), 40-53. https://doi.org/10.1016/j.fbj.2016.01.001
Tanaka, K., Kinkyo, T. & Hamori, S. (2016). Random forests-based early warning system for bank failures. Economics Letters, 148, 118-121. https://doi.org/10.1016/j.econlet.2016.09.024
Tavana, M., Abtahi, A.R., Di Caprio, D. & Poortarigh, M. (2018). An Artificial Neural Network and Bayesian Network model for liquidity risk assessment in banking. Neurocomputing, 275, 2525-2554. https://doi.org/10.1016/j.neucom.2017.11.034
Tu, N.A., Khoa, D.D., Nhan, N.C.T. & Le Kieu Oanh, D. (2024). Hybrid ARIMA and machine learning approach for the VND/USD exchange rate prediction in Vietnam: A comparative analysis. In: Ngoc Thach, N., Trung, N.D., Ha, D.T. & Kreinovich, V. (eds). Partial Identification in Econometrics and Related Topics (pp. 587-604). Springer. https://doi.org/10.1007/978-3-031-59110-5_39
