Luận văn: PPNC Ứng dụng Big Data dự đoán rủi ro thanh khoản

Chia sẻ chuyên mục Đề Tài Luận văn: PPNC Ứng dụng Big Data dự đoán rủi ro thanh khoản hay nhất năm 2026 cho các bạn học viên ngành đang làm luận văn thạc sĩ tham khảo nhé. Với những bạn chuẩn bị làm bài luận văn tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm luận văn thì với đề tài Luận Văn: Ứng dụng Big Data để dự đoán rủi ro thanh khoản tại các Ngân hàng TMCP Việt Nam dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

3.1. Tổng quát chương

Chương này trình bày chi tiết về cách thức thu thập, xử lý và phân tích dữ liệu phục vụ nghiên cứu. Việc áp dụng dữ liệu lớn kết hợp giữa thông tin vi mô và vĩ mô giúp tạo nên một khung dữ liệu toàn diện, phục vụ cho mô hình hồi quy được đề xuất ở chương trước. Bên cạnh đó, chương cũng mô tả cụ thể các công cụ và kỹ thuật được sử dụng trong quá trình xử lý và phân tích định lượng, từ bước thống kê mô tả, phân tích tương quan đến hồi quy tuyến tính bội.

3.2. Quy trình nghiên cứu

Quy trình thực hiện nghiên cứu được triển khai theo một trình tự logic, nhằm đảm bảo tính khoa học trong việc xây dựng mô hình dự báo rủi ro thanh khoản. Các bước được thực hiện như sau:

• Bước 1: Xác định vấn đề và khung lý thuyết

Trước hết, nghiên cứu bắt đầu từ việc nhận diện rủi ro thanh khoản là một trong những rủi ro trọng yếu, có tác động trực tiếp tới khả năng tồn tại và phát triển của ngân hàng thương mại. Để lượng hóa rủi ro này, biến phụ thuộc được lựa chọn là Liquidity on Liability (LOL) – tỷ lệ thanh khoản trên tổng nợ phải trả, phản ánh khả năng đáp ứng nghĩa vụ thanh toán ngắn hạn của ngân hàng. Song song đó, khung lý thuyết được xây dựng dựa trên các nghiên cứu trước về các yếu tố ảnh hưởng đến rủi ro thanh khoản, bao gồm cả nhóm yếu tố vi mô (đặc trưng tài chính nội tại của ngân hàng) và vĩ mô (môi trường kinh tế – tài chính quốc gia), nhằm đảm bảo mô hình vừa có tính bao quát vừa bám sát thực tiễn vận hành ngân hàng..

• Bước 2: Thu thập dữ liệu từ hai nguồn chính

Tiếp theo, dữ liệu được thu thập từ hai nguồn chính. Về dữ liệu vi mô, nghiên cứu khai thác 30 biến tài chính phản ánh cấu trúc bảng cân đối kế toán, hiệu quả hoạt động, thu nhập, chi phí… của các ngân hàng thương mại Việt Nam, được trích xuất từ VNStock thông qua lập trình Python nhằm đảm bảo tính chính xác và khả năng tái lập. Về dữ liệu vĩ mô, nghiên cứu sử dụng 31 biến kinh tế như tăng trưởng GDP, lạm phát (CPI), tỷ giá hối đoái, tín dụng tư nhân trên GDP, FDI, lãi suất… được lấy từ cơ sở dữ liệu World Bank. Tất cả dữ liệu được thu thập theo cấu trúc panel data (bảng thời gian – ngân hàng) với giai đoạn từ 2020 –2024 để đảm bảo tính cập nhật và phù hợp với bối cảnh thị trường Việt Nam.

• Bước 3: Xử lý và chuẩn hóa dữ liệu Luận văn: PPNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Sau khi thu thập, toàn bộ dữ liệu được tiến hành xử lý và chuẩn hóa. Quá trình này bắt đầu bằng việc làm sạch dữ liệu, xử lý giá trị thiếu bằng phương pháp Median Imputation để đảm bảo tính bền vững trước ngoại lệ (outliers) và duy trì phân phối dữ liệu. Tiếp đó, các biến được chuẩn hóa đơn vị đo nhằm đảm bảo tính nhất quán, và dữ liệu được tổ chức lại theo cấu trúc panel với hai chỉ mục (Ngân hàng, Thời gian), tạo điều kiện thuận lợi cho các kỹ thuật phân tích chuỗi thời gian kết hợp chéo.

• Bước 4: Phân tích tương quan toàn bộ tập biến

Để xác định các yếu tố có ảnh hưởng rõ rệt nhất, nghiên cứu tiến hành phân tích tương quan toàn bộ tập biến. Từ tổng cộng 61 biến độc lập, ma trận tương quan Pearson được áp dụng để đo lường mối liên hệ tuyến tính giữa từng biến và biến phụ thuộc LOL. Phương pháp này cho phép nhận diện nhanh chiều hướng và mức độ liên kết, qua đó loại bỏ những biến ít tương quan hoặc có dấu hiệu gây nhiễu.

• Bước 5: Lựa chọn 10 biến có tương quan cao nhất

Trên cơ sở kết quả phân tích tương quan, 10 biến độc lập có hệ số tương quan tuyệt đối cao nhất với LOL được lựa chọn. Việc lựa chọn này giúp mô hình không bị quá tải (overfitting) và tập trung vào các biến mang thông tin mạnh nhất.

• Bước 6: Xây dựng mô hình

Tiếp đó, mô hình dự báo được xây dựng và lựa chọn dựa trên cả phương pháp thống kê truyền thống và học máy hiện đại. Ban đầu, mô hình hồi quy tuyến tính bội (Multiple Linear Regression) được áp dụng để đánh giá mối quan hệ giữa LOL và 10 biến độc lập đã chọn. Sau đó, nhằm nâng cao tính ổn định và hạn chế nguy cơ vi phạm giả định hồi quy, nghiên cứu triển khai song song các mô hình Ridge Regression (L2 Regularization), Lasso Regression (L1 Regularization). Việc kết hợp mô hình tuyến tính và phi tuyến cho phép so sánh toàn diện giữa hiệu quả dự báo và khả năng giải thích, từ đó chọn phương án tối ưu phù hợp với từng mục tiêu ứng dụng. Luận văn: PPNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

• Bước 7: Phân tích và diễn giải kết quả mô hình

Kế tiếp, các mô hình được đánh giá và diễn giải kết quả dựa trên các chỉ số như R² (Coefficient of Determination) để đo lường khả năng giải thích biến thiên của biến phụ thuộc, cùng với RMSE, MSE, MAE để đo sai số dự báo ở các thang đo khác nhau. Đồng thời, nghiên cứu tiến hành kiểm định ý nghĩa thống kê của từng biến (p-value) và so sánh trực quan hiệu quả các mô hình qua biểu đồ R² và RMSE.

• Bước 8: Đề xuất hàm ý thực tiễn và định hướng nghiên cứu tiếp theo

Cuối cùng, từ kết quả phân tích, nghiên cứu đề xuất các hàm ý thực tiễn và định hướng nghiên cứu tiếp theo. Đồng thời, nghiên cứu chỉ ra các hạn chế như thời gian dữ liệu còn ngắn, chưa kết hợp yếu tố phi định lượng (ví dụ: quản trị rủi ro, niềm tin thị trường) và đề xuất mở rộng mô hình bằng dữ liệu dài hơn, đa dạng hơn, kể cả dữ liệu phi cấu trúc như tin tức và mạng xã hội trong các nghiên cứu tiếp theo.

3.3. Biến nghiên cứu trong mô hình

3.3.1. Biến phụ thuộc:

• Liquidity On Liability – đo lường rủi ro thanh khoản thông qua tỷ lệ giữa tài sản thanh khoản và tổng nợ phải trả.

3.3.2. Biến độc lập:

Trong nghiên cứu này, việc xây dựng và lựa chọn danh sách biến độc lập được thực hiện theo quy trình rõ ràng và có kiểm chứng định lượng. Tập hợp ban đầu gồm tổng cộng 61 biến độc lập, được chia thành hai nhóm chính:

Biến tài chính vi mô: Phản ánh đặc điểm nội tại của các ngân hàng thương mại, như khả năng sinh lời (ROA, ROE), hiệu quả sử dụng vốn, chất lượng tài sản, cơ cấu nguồn vốn, thu nhập lãi và phi lãi, v.v. Dữ liệu được lấy từ hệ thống báo cáo tài chính qua thư viện Vnstock.

Biến vĩ mô: Phản ánh môi trường kinh tế và tài chính vĩ mô có ảnh hưởng đến hoạt động ngân hàng, như tăng trưởng GDP, lạm phát, tỷ lệ tín dụng tư nhân, tỷ giá, cán cân vãng lai, dòng vốn FDI, dự trữ ngoại hối, v. Dữ liệu được lấy từ World Bank.

Toàn bộ 61 biến được tổng hợp từ hai nguồn dữ liệu, sau đó được chuẩn hóa và đồng bộ về khung thời gian (2020 – 2024). Dữ liệu được xử lý để loại bỏ dòng bị thiếu nghiêm trọng hoặc có biến động bất thường không hợp lý. Áp dụng phương pháp tính hệ số tương quan giữa từng biến độc lập với biến phụ thuộc Liquidity On Liability theo như hình sau:

• Hình 3.1: Biểu đồ tương quan giữa các biến vi mô được tổng hợp trên VNstock
• Hình 3.2: Biểu đồ tương quan các biến được lấy trên Worldbank thông số tại Việt Nam

Dựa trên kết quả ma trận tương quan, 10 biến có hệ số tương quan cao nhất (về độ lớn tuyệt đối) với Liquidity On Liability được lựa chọn để xây dựng mô hình hồi quy tuyến tính bội. Việc lựa chọn này vừa đảm bảo sự đại diện đa chiều cho rủi ro thanh khoản, vừa tránh hiện tượng nhiễu do quá nhiều biến. Sau khi sàn lọc dữ liệu ta có 10 biến có hệ số tương quan cao nhất như sau: Luận văn: PPNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

1. Loan on Earning Asset (Tỷ lệ cho vay trên tài sản sinh lợi)
2. Loan on Asset (Tỷ lệ cho vay trên tổng tài sản)
3. Deposit on Earning Asset (Tỷ lệ tiền gửi trên tài sản sinh lợi)
4. Equity on Loan (Tỷ lệ vốn chủ sở hữu trên dư nợ cho vay)
5. Dividend – Cổ tức
6. Non-interest Income on Total Operating Income (Tỷ lệ thu nhập ngoài lãi trên tổng thu nhập hoạt động)
7. Asset on Equity (Hệ số tài sản trên vốn chủ sở hữu (đòn bẩy tài chính))
8. Payable on Equity (Tỷ lệ nợ phải trả trên vốn chủ sở hữu)
9. Cost of Financing (Chi phí tài trợ (chi phí sử dụng vốn vay)
10. Book Value per Share (Giá trị sổ sách trên mỗi cổ phiếu)

Hình 3.3: Biểu đồ tương quan của 10 biến có hệ số tương quan cao nhất với Biến phụ thuộc (Liquity on Liability)

3.4. Mô hình hồi quy tuyến tính bội Luận văn: PPNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Sau khi thực hiện phân tích tương quan trên tập dữ liệu gồm 61 biến độc lập, nghiên cứu đã lựa chọn 10 biến có hệ số tương quan cao nhất với chỉ số rủi ro thanh khoản (Liquidity On Liability) để đưa vào mô hình định lượng. Với mục tiêu kiểm định mức độ và chiều hướng tác động của các yếu tố này đến rủi ro thanh khoản, nghiên cứu áp dụng phương pháp hồi quy tuyến tính bội – một công cụ phổ biến và dễ giải thích trong phân tích định lượng kinh tế.

3.4.1. Cấu trúc mô hình

Mô hình được xây dựng dưới dạng tổng quát như sau: Liquidity On Liabilityi=β0+β1X1i+β2X2i+⋯+β10X10i+εi

Trong đó:

• Liquidity On Liabilityi: là biến phụ thuộc, đại diện cho mức độ rủi ro thanh khoản của ngân hàng i;
• X1 đến X10: là các biến độc lập đã được lựa chọn từ bước phân tích tương quan, bao gồm cả các biến tài chính vi mô và vĩ mô;
• β0: là hệ số chặn (hằng số);
• β1 đến β10: là hệ số hồi quy tương ứng, thể hiện mức độ và chiều hướng ảnh hưởng của từng biến đến Liquidity On Liability;
• εi: là sai số ngẫu nhiên.

Mô hình được ước lượng bằng ngôn ngữ lập trình Python để đảm bảo tính chính xác trong việc tính toán hệ số hồi quy và các kiểm định thống kê. Các bước thực hiện bao gồm:

• Ước lượng hệ số hồi quy βj;

Kiểm định ý nghĩa thống kê của từng biến bằng giá trị p-value; Kiểm định độ phù hợp của mô hình tổng thể qua hệ số xác định R²;

Kiểm tra hiện tượng đa cộng tuyến giữa các biến độc lập. Bên cạnh mô hình OLS, nghiên cứu còn triển khai nhiều thuật toán khác nhằm so sánh hiệu quả dự báo và khả năng giải thích, bao gồm:

• Ridge Regression – bổ sung điều chuẩn L2, giúp giảm hệ số của các biến ít quan trọng mà không loại bỏ hoàn toàn, từ đó ổn định mô hình khi có hiện tượng đa cộng tuyến nhẹ.
• Lasso Regression – sử dụng điều chuẩn L1 để tự động loại bỏ các biến không có đóng góp đáng kể, thích hợp khi muốn đơn giản hóa mô hình.

3.4.2. Mục tiêu mô hình Luận văn: PPNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Mục tiêu của việc triển khai mô hình hồi quy tuyến tính bội kết hợp với các thuật toán so sánh không chỉ dừng lại ở việc đánh giá hiệu suất dự báo thông qua các chỉ số định lượng như R² và RMSE, mà còn hướng tới việc kiểm định khả năng ứng dụng thực tiễn trong quản trị rủi ro ngân hàng. Thông qua mô hình tuyến tính, nghiên cứu có thể xác định và đo lường một cách định lượng các yếu tố có ảnh hưởng đáng kể đến rủi ro thanh khoản, từ đó làm rõ mức độ và chiều hướng tác động của từng biến trong bối cảnh dữ liệu thực tế. Bên cạnh đó, việc so sánh với các mô hình phi tuyến giúp bổ sung góc nhìn toàn diện hơn: trong khi nhóm tuyến tính thường đạt RMSE thấp và R² cao (OLS trong thử nghiệm đạt R² xấp xỉ 0,99 và RMSE khoảng 0,005), thích hợp cho mục tiêu giải thích chính sách và báo cáo giám sát, thì nhóm phi tuyến lại có khả năng nắm bắt các tín hiệu phi tuyến và tương tác phức tạp giữa các biến, phù hợp để cảnh báo sớm trong điều kiện thị trường biến động mạnh.

3.5. Kỳ vọng kết quả nghiên cứu

Từ quy trình xử lý và phân tích đã thiết kế, nghiên cứu kỳ vọng đạt được một số kết quả quan trọng cả về học thuật lẫn thực tiễn. Trước hết, nghiên cứu kỳ vọng sẽ xác định được 10 biến vi mô có mối tương quan mạnh nhất với rủi ro thanh khoản, qua đó làm rõ các yếu tố nội tại của ngân hàng ảnh hưởng trực tiếp đến khả năng chi trả. Đây sẽ là nhóm biến được chọn lọc bằng phương pháp định lượng, đảm bảo loại bỏ yếu tố cảm tính trong quá trình ra quyết định và cung cấp bằng chứng khoa học cho các nghiên cứu tiếp theo. Tiếp theo, kỳ vọng thiết lập được một mô hình hồi quy tuyến tính bội có ý nghĩa thống kê, với hệ số R² đạt mức cao (trong thử nghiệm ban đầu khoảng 0.99) và RMSE thấp, phản ánh khả năng giải thích và dự báo mạnh mẽ. Mô hình này sẽ không chỉ cho phép đo lường mức độ ảnh hưởng của từng biến, mà còn giúp dự báo xu hướng biến động của rủi ro thanh khoản khi các yếu tố đầu vào thay đổi, từ đó đóng vai trò như một công cụ hỗ trợ ra quyết định quản trị. Bên cạnh đó, thông qua việc so sánh với các mô hình khác như Ridge, Lasso, nghiên cứu kỳ vọng sẽ xác định được thuật toán tối ưu cho từng mục tiêu: mô hình tuyến tính để giải thích chính sách và báo cáo giám sát, mô hình phi tuyến để phát hiện sớm các dấu hiệu bất thường trong điều kiện thị trường biến động. Luận văn: PPNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Cuối cùng, nghiên cứu mong muốn đưa ra một khung dữ liệu chuẩn hóa có thể cập nhật theo thời gian và mở rộng cho nhiều ngân hàng khác. Khung dữ liệu này không chỉ phục vụ nghiên cứu học thuật mà còn ứng dụng thực tế trong việc xây dựng hệ thống cảnh báo sớm, chấm điểm rủi ro ngân hàng, hoặc kết hợp với dữ liệu phi cấu trúc (tin tức, báo cáo, mạng xã hội) để nâng cao độ chính xác của dự báo. Việc sử dụng Python và các thư viện học máy trong toàn bộ quá trình từ thu thập, xử lý đến mô hình hóa cũng là minh chứng rõ ràng cho tính khả thi của việc ứng dụng dữ liệu lớn trong quản trị rủi ro thanh khoản của ngân hàng thương mại Việt Nam.

• KẾT LUẬN CHƯƠNG 3

Chương 3 đã trình bày chi tiết về cách thức thu thập, xử lý và lựa chọn dữ liệu phục vụ nghiên cứu. Với tổng cộng 61 biến được xây dựng từ hai nguồn dữ liệu lớn là VNStock (30 biến vi mô) và World Bank (31 biến vĩ mô), đề tài đã đảm bảo một nền tảng dữ liệu đầy đủ và phong phú để khai thác. Trên cơ sở đó, phương pháp phân tích tương quan đã được áp dụng nhằm sàng lọc ra 10 biến có mối liên hệ mạnh nhất với rủi ro thanh khoản của ngân hàng thương mại, làm cơ sở đầu vào cho mô hình hồi quy tuyến tính bội. Các kỹ thuật phân tích được thực hiện hoàn toàn bằng Python, phản ánh định hướng ứng dụng dữ liệu lớn trong nghiên cứu định lượng. Việc lựa chọn phương pháp hồi quy tuyến tính không chỉ đảm bảo khả năng giải thích rõ ràng mà còn phù hợp với đặc điểm của bộ dữ liệu chuỗi thời gian theo năm. Những nội dung đã trình bày trong chương này sẽ là nền tảng để chương tiếp theo đi sâu vào phân tích kết quả mô hình, kiểm định ý nghĩa thống kê và thảo luận các phát hiện thực nghiệm. Luận văn: PPNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản

Dịch Vụ Viết Luận Văn 24/7 Chuyên cung cấp dịch vụ làm luận văn thạc sĩ, báo cáo tốt nghiệp, khóa luận tốt nghiệp, chuyên đề tốt nghiệp và Làm Tiểu Luận Môn luôn luôn uy tín hàng đầu. Dịch Vụ Viết Luận Văn 24/7 luôn đặt lợi ích của các bạn học viên là ưu tiên hàng đầu. Rất mong được hỗ trợ các bạn học viên khi làm bài tốt nghiệp. Hãy liên hệ ngay Dịch Vụ Viết Luận Văn qua Website:  https://hotrovietluanvan.com/ – Hoặc Gmail: hotrovietluanvan24@gmail.com