Số 218 | Tháng 5/2024
Ứng dụng học máy giải thích để dự báo rủi ro vỡ nợ đối với các doanh nghiệp tại Việt Nam
Trần Kim Long, Nguyễn Đức Trung
Tóm tắt:
Khả năng giải thích cho các mô hình học máy (MHHM) đang trở nên ngày càng quan trọng, đặc biệt trong lĩnh vực quản trị rủi ro. Nghiên cứu này sử dụng phương pháp SHAP và LIME để giải thích kết quả dự báo vỡ nợ từ MHHM XGBoost trên bộ dữ liệu các doanh nghiệp niêm yết tại Việt Nam giai đoạn 2018–2023. Kết quả cho thấy SHAP đã xác định được các yếu tố quan trọng có tác động mạnh đến kết quả dự báo như tỷ lệ bao phủ lãi (interest coverage ratio), tỷ lệ lợi nhuận giữ lại trên tổng tài sản, tỷ lệ dòng tiền trên lãi suất, hệ số tiền mặt, tỷ lệ nợ trên tổng tài sản, quy mô doanh nghiệp, và đồng thời nghiên cứu cũng mô tả được mối quan hệ phi tuyến của các tác động này thông qua giá trị SHAP. Bên cạnh đó, nhóm tác giả sử dụng LIME để giải thích các yếu tố tác động lên một đối tượng vỡ nợ cụ thể và cho thấy sự phù hợp giữa kết quả dự báo với tình hình thực tế của doanh nghiệp.
Tài liệu tham khảo:
- Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance, 23(4), 589-609.
- Babaei, G., Giudici, P., & Raffinetti, E. (2023). Explainable fintech lending. Journal of Economics and Business, 125, 106126.
- Barboza, F., Kimura, H., & Altman, E. (2017). Machine learning models and bankruptcy prediction. Expert systems with applications, 83, 405-417.
- Bracke, P., Datta, A., Jung, C., & Sen, S. (2019). Machine learning explainability in finance: an application to default risk analysis.
- Burkart, N., & Huber, M. F. (2021). A survey on the explainability of supervised machine learning. Journal of artificial intelligence research, 70, 245-317.
- Bussmann, N., Giudici, P., Marinelli, D., & Papenbrock, J. (2021). Explainable machine learning in credit risk management. Computational Economics, 57, 203-216.
- Černevičienė, J., & Kabašinskas, A. (2022). Review of multi-criteria decision-making methods in finance using explainable artificial intelligence. Frontiers in artificial intelligence, 5, 827584.
- Dikmen, M., & Burns, C. (2022). The effects of domain knowledge on trust in explainable AI and task performance: A case of peer-to-peer lending. International Journal of Human-Computer Studies, 162, 102792.
- Gan, L., Wang, H., & Yang, Z. (2020). Machine learning solutions to challenges in finance: An application to the pricing of financial products. Technological Forecasting and Social Change, 153, 119928.
- Gilpin, L. H., Bau, D., Yuan, B. Z., Bajwa, A., Specter, M., & Kagal, L. (2018). Explaining explanations: An overview of interpretability of machine learning. Paper presented at the 2018 IEEE 5th International Conference on data science and advanced analytics (DSAA).
- Lakkaraju, H., Slack, D., Chen, Y., Tan, C., & Singh, S. (2022). Rethinking explainability as a dialogue: A practitioner's perspective. arXiv preprint arXiv:2202.01875.
- Liu, Q., Liu, Z., Zhang, H., Chen, Y., & Zhu, J. (2021). Mining cross features for financial credit risk assessment. Paper presented at the Proceedings of the 30th ACM international conference on information & knowledge management.
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in neural information processing systems, 30.
- Misheva, B. H., Osterrieder, J., Hirsa, A., Kulkarni, O., & Lin, S. F. (2021). Explainable AI in credit risk management. arXiv preprint arXiv:2103.00949.
- Mittal, D., Raj, V. E., & Kumar, V. (2023). Revolutionizing Finance and Travel with AI: Impacting through Machine Learning Models. Paper presented at the Proceedings of the 2023 Fifteenth International Conference on Contemporary Computing.
- Pamuk, M., & Schumann, M. (2023). Opening a New Era with Machine Learning in Financial Services? Forecasting Corporate Credit Ratings Based on Annual Financial Statements. International Journal of Financial Studies, 11(3), 96.
- Parne, P. (2021). Artificial Intelligence & Machine Learning Role in Financial Services. Paper presented at the CS & IT Conference Proceedings.
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). Model-agnostic interpretability of machine learning. arXiv preprint arXiv:1606.05386.
- Tran, K. L., Le, H. A., Nguyen, T. H., & Nguyen, D. T. (2022). Explainable machine learning for financial distress prediction: evidence from Vietnam. Data, 7(11), 160.
- Vilone, G., & Longo, L. (2020). Explainable artificial intelligence: a systematic review. arXiv preprint arXiv:2006.00093.
Explainable Machine Learning Applications for Predicting Corporate Default Risk in Vietnam
Abstract:
The explainability of machine learning models is becoming increasingly important, especially in the field of risk management. In this study, we utilized the SHAP and LIME methods to explain the default prediction results from the XGBoost machine learning model on a dataset of listed companies in Vietnam from 2018 to 2023. The results indicated that SHAP identified significant factors such as the interest coverage ratio, the retained earnings to total assets ratio, the cash flow to interest ratio, the cash ratio, the debt to total assets ratio, and the size of the company as having a strong impact on the prediction outcomes and also described the nonlinear relationship of these impacts through SHAP values. Additionally, LIME was used to explain the factors affecting a specific default case and showed the alignment of the prediction results with the actual situation of the company.