Tiếp cận phương pháp xác định hành vi quản trị lợi nhuận theo hướng truyền thống và hiện đại
16/10/2024 08:00 758 lượt xem
Tóm tắt: Quản trị lợi nhuận là một chiến lược có thể được ban quản lí cố ý sử dụng để điều chỉnh chỉ tiêu thu nhập của công ty với các mục tiêu đã xác định trước. Trong khi một số ý kiến coi đây là một công cụ hữu ích trong báo cáo tài chính thì luồng ý kiến khác lại xem đây là một hành vi lừa đảo làm sai lệch tình trạng tài chính thực sự của công ty. Các nhà nghiên cứu cho rằng, hành vi này có thể đánh lừa nhà đầu tư và các bên liên quan khác, dẫn đến những quyết định đầu tư không chính xác. Hơn nữa, việc sử dụng liên tục quản trị lợi nhuận có thể dẫn đến mất niềm tin của nhà đầu tư và giảm giá trị công ty. Do đó, việc phát hiện quản trị lợi nhuận có ý nghĩa rất quan trọng đối với các đối tượng sử dụng báo cáo tài chính. Bài viết tập trung vào phương pháp xác định quản trị lợi nhuận thông qua các cách tiếp cận khác nhau, từ phương pháp truyền thống tới mô hình khai phá dữ liệu hiện đại hiện nay, cung cấp cái nhìn tổng quan về các thuật toán học máy và xem xét khả năng ứng dụng của chúng trong hoạt động kế toán hiện nay.
 
Từ khóa: Quản trị lợi nhuận, học máy.
 
APPROACHING THE METHOD OF IDENTIFYING EARNING MANAGEMENT BEHAVIOR
USING TRADITIONAL AND MODERN METHODS

Abstract: Earning management is a strategy intentionally used by management board to adjust a company’s earning targets with predetermined goals. While some views regarding this as a useful tool in financial reporting, others views regarding this as a fraudulent act that distorts the company’s true financial status. Researchers say this behavior can mislead investors and other stakeholders, leading to inaccurate investment decisions. Furthermore, the continuous use of earning management can lead to loss of investor confidence and a decrease in company value. Therefore, detecting earning management is very important for users of financial reports. The article focuses on methods to determine earning management through different approaches, from traditional methods to modern data mining models, providing an overview of machine learning algorithms and consider their applicability in current accounting activities.
 
Keywords: Earning management, machine learning.
 
1. Đặt vấn đề
 
Các công ty niêm yết trên sàn chứng khoán cố gắng thu hút vốn từ các nhà đầu tư và chủ nợ bằng cách thường xuyên công bố kết quả hoạt động tài chính thông qua báo cáo thu nhập và đáp ứng dự báo thu nhập của các nhà phân tích tài chính (Degeorge và cộng sự, 1999). Để đáp ứng mong đợi của các bên liên quan và không muốn bỏ lỡ những kì vọng này, quản lí một tổ chức có thể cố ý gây ảnh hưởng đến thu nhập được ghi nhận trong báo cáo tài chính (Rodriguez - Ariza và cộng sự, 2016). Hiện nay, bên cạnh các phương pháp truyền thống phổ biến được sử dụng trong việc phát hiện hành vi quản trị lợi nhuận như mô hình nghiên cứu của Jones (1991), Dechow và các cộng sự (mô hình Jones điều chỉnh, 1995); mô hình Kothari và cộng sự (2005), Raman và Shahrur (2008) còn có sự tích hợp các thuật toán học máy mang lại một giải pháp đầy hứa hẹn để nâng cao hiệu quả hoạt động kiểm toán, đặc biệt là trong việc phát hiện sự bất thường. Quản trị lợi nhuận được xác định qua các phương pháp này như thế nào và liệu phương pháp học máy có thực sự ưu việt hơn phương pháp đo lường truyền thống hay không? Đó cũng chính là mục đích hướng đến của bài nghiên cứu này.
 
2. Hành vi quản trị lợi nhuận 
 
Thu nhập là yếu tố giải thích chính cho lợi nhuận và được các nhà phân tích, nhà đầu tư cũng như ban giám đốc coi là chỉ mục quan trọng cung cấp thông tin trong báo cáo tài chính (Bhojraj và cộng sự, 2009; Degeorge và cộng sự, 1999; Hazarika và cộng sự, 2012; Kothari và Sloan, 1992; Leuz và cộng sự, 2003). Các nhà điều hành, quản lí có thể cố ý gây ảnh hưởng đến thu nhập được ghi nhận trong báo cáo tài chính theo hướng hợp pháp hoặc bất hợp pháp (Rodriguez - Ariza và cộng sự, 2016) và hành động đó gọi là hành vi quản trị thu nhập hay quản trị lợi nhuận. Quản trị lợi nhuận có thể tác động hai mặt tới chất lượng báo cáo tài chính. Thứ nhất, quản trị lợi nhuận che giấu tình hình tài chính thực sự của doanh nghiệp và “che khuất” sự thật mà các bên liên quan có quyền được biết (Bajra và Cadez, 2018; Gunny, 2010; Lassoued và cộng sự, 2017). Quản trị lợi nhuận có thể dẫn đến mất danh tiếng (Rodriguez - Ariza và cộng sự, 2016) hoặc thậm chí là các vụ kiện pháp lí nếu có thể được coi là dấu hiệu của tham nhũng trong quản lí hoặc “nỗ lực” đánh lừa các nhà đầu tư (Gunny, 2010). Mặt khác, một số nhà nghiên cứu cũng đã chỉ ra những mặt tích cực của quản trị lợi nhuận (Bajra và Cadez, 2018; Jiraporn và cộng sự, 2008). Quản trị lợi nhuận được chia thành 2 loại: Quản trị lợi nhuận thực tế (Real Earnings Management - REM) và quản trị lợi nhuận dựa trên cơ sở dồn tích (Accruals Earnings Management - AEM). Cả hai hình thức đều làm tổn hại đến giá trị thông tin của báo cáo tài chính. Chính vì vậy, việc phát hiện hành vi quản trị lợi nhuận là một câu hỏi quan trọng trong nghiên cứu kế toán (Bhojraj và cộng sự, 2009; Dechow và Skinner, 2000; Efendi và cộng sự, 2007). Đa phần hoạt động quản trị lợi nhuận đều được thực hiện thông qua việc thao túng các khoản dồn tích vì các khoản dồn tích mang tính chủ quan do đó dễ dàng điều chỉnh. Nội dung bài viết chủ yếu tập trung vào các nghiên cứu xác định hành vi quản trị lợi nhuận thông qua các khoản dồn tích. 
 
3. Yếu tố đo lường AEM
 
Kế toán dồn tích nhằm mục đích ghi lại các tác động kinh tế đối với một công ty có liên quan đến tiền mặt diễn ra trong các giai đoạn thay vì chỉ đơn thuần là thu, chi (Dechow và Skinner, 2000). Hệ thống kế toán này cung cấp quyền kiểm soát quản lí đối với việc lựa chọn và cho phép ban quản lí sử dụng quyền quyết định vốn có trong hệ thống để xác định thu nhập được báo cáo nhằm đạt được mục đích. Nghĩa là, các nhà quản lí sử dụng phán đoán của mình dựa trên thông tin có sẵn để ước tính các khoản mục khác nhau được công bố trong báo cáo tài chính (Al - Sraheen, 2019; Fang và cộng sự, 2016).
 
Việc đánh giá quyền quyết định của nhà quản lí đối với thu nhập là rất quan trọng để khám phá quản trị lợi nhuận. Các khoản dồn tích thay đổi thời điểm báo cáo thu nhập và cho phép ban quản lí chuyển thu nhập giữa các kì báo cáo. Trong đó, các khoản dồn tích không tùy ý nằm ngoài tầm kiểm soát của nhà quản lí vì đây là kết quả của các hoạt động thường ngày của công ty, trong khi các khoản dồn tích tùy ý phát sinh từ các lựa chọn của ban quản lí (Dechow và cộng sự, 1995). Theo các nghiên cứu, một lượng lớn các khoản dồn tích tùy ý cho thấy một công ty đang tham gia vào AEM. Do đó, các khoản dồn tích tùy ý được xem là yếu tố để nắm bắt phạm vi của AEM.
 
4. Phương pháp nghiên cứu
 
4.1. Tiếp cận theo hướng truyền thống - Mô hình Jones điều chỉnh
 
Các nghiên cứu trước đây cho thấy, phương pháp AEM không ảnh hưởng đến hoạt động  hiệu quả tài chính dài hạn của công ty (Cohen và Zarowin, 2010; Dechow và cộng sự, 2012). Dechow và cộng sự (1995) đã đánh giá hiệu quả hoạt động (dựa trên sức mạnh của các mô hình) của 5 kĩ thuật đo AEM: Mô hình Jones (Jones, 1991), mô hình Jones điều chỉnh  (Dechow và cộng sự, 1995), mô hình DeAngelo (DeAngelo, 1986), mô hình Dechow và Sloan (Dechow và  Sloan, 1991) và mô hình Healy (Healy, 1985). Những phát hiện chứng minh rằng, mô hình Jones điều chỉnh xác định được mức độ của AEM hiệu quả nhất. Dechow và cộng sự cho rằng, thông số kĩ thuật tiêu chuẩn của Jones không nắm bắt được hết tác động của việc thao túng dựa trên doanh số bán hàng, do thực tế cho thấy, những thay đổi về doanh số bán hàng được coi là mang lại lợi ích, tăng lên các khoản dồn tích không tùy ý. Trong phiên bản mới hơn này, mô hình bổ sung thêm biến nợ phải thu vào mô hình gốc. Thay đổi duy nhất so với mô hình đầu tiên của Jones là những thay đổi về doanh thu được điều chỉnh phù hợp với sự thay đổi của các khoản phải thu trong thời gian diễn ra sự kiện. Phiên bản sửa đổi đưa ra giả định rằng, tất cả các thay đổi về doanh thu trả chậm trong thời gian diễn ra sự kiện là kết quả của việc quản lí thu nhập do thực tế là thu nhập được quản lí dễ dàng hơn thông qua việc thực hiện quyền quyết định đối với việc xác nhận doanh thu bán hàng trả chậm hơn là thông qua việc thực hiện quyền quyết định đối với việc bán hàng bằng tiền mặt.
 
Trong mô hình Jones điều chỉnh, các khoản phải thu được tính vào doanh thu vì chúng có thể liên quan đến việc điều chỉnh quản trị lợi nhuận, sử dụng biến (∆REVit - ∆RECit) thay cho biến ∆REVit, ngầm giả định rằng tất cả những thay đổi về doanh thu từ các khoản phải thu là do quản trị lợi nhuận.   
 


Tổng các khoản dồn tích = Các khoản dồn tích không tùy ý + Các khoản dồn tích tùy ý.

 
Trong đó: 
 
∆REVit : Chênh lệch  doanh thu  của công ty i trong năm t và t-1.
 
∆RECit: Chênh lệch các khoản phải thu thuần của công ty i trong năm t và t-1.
 
PPEit : Tổng tài sản, nhà xưởng và thiết bị của công ty i năm t.
 
: Sai số trong năm t đối với công ty i.
 
4.2. Tiếp cận theo hướng hiện đại - Mô hình cây quyết định
 
Nhóm mô hình học máy cây quyết định bao gồm các thuật toán dựa trên cấu trúc cây để thực hiện các nhiệm vụ học có giám sát như phân loại và hồi quy. Các thuật toán học máy có giám sát được sử dụng phổ biến nhất trong việc phát hiện hành vi thao túng quản lí thu nhập và phát hiện gian lận tài chính như phương pháp rừng ngẫu nhiên (Random forest - RF), phương pháp cây quyết định (Decision tree), đây cũng chính là những mô hình nổi bật của hướng nghiên cứu này. Mô hình này dựa trên việc chia tập dữ liệu thành các nhóm nhỏ hơn bằng cách sử dụng quyết định dựa trên giá trị của các thuộc tính. Các thuật toán này có ưu điểm là dễ hiểu, dễ giải thích và hiệu quả trong việc xử lí các loại dữ liệu khác nhau.
 
Việc xây dựng mô hình học máy để phát hiện hành vi thao túng quản lí thu nhập, phát hiện gian lận tài chính thường trải qua các bước sau:
 
Bước 1: Thu thập dữ liệu
 
Đây là bước đầu tiên trong tất cả các nhiệm vụ học máy, nhằm lấy dữ liệu, cả về số lượng lẫn chất lượng. Dữ liệu này có thể là báo cáo tình hình tài chính của công ty có sẵn trên website chính thức của công ty hoặc hệ thống dữ liệu Fiinpro. Dữ liệu này được sử dụng để đào tạo và thử nghiệm thuật toán học máy. 
 
Bước 2: Chuẩn bị dữ liệu
 
Bước này nhằm xử lí các giá trị bị thiếu, loại bỏ các phần tử nhiễu, thống nhất thang đo số trong dữ liệu. Đây được coi là một bước rất quan trọng trong việc chuẩn bị sẵn sàng dữ liệu để xây dựng mô hình học máy thành công và tăng cường độ chính xác của mô hình. Sau đó, chia dữ liệu thành hai phần, tức là đào tạo và kiểm tra. 
 
Phần đào tạo sẽ được sử dụng để dạy thuật toán học máy, trong khi phần kiểm tra sẽ được sử dụng để đánh giá hiệu suất của mô hình đã tạo.
 
Các phương pháp nghiên cứu sử dụng trong nghiên cứu như:
 
- Mô hình RF: Bản chất của thuật toán RF là không hoàn toàn dựa trên quyết định của một cây để ra quyết định mà có thể kết hợp được nhiều cây để có kết quả phân loại rõ ràng hơn. Do đó, RF có thể khắc phục nhược điểm là giảm lỗi sai sót trong dự đoán và đem đến hiệu suất dự đoán cao hơn. Các mô hình RF phổ biến do độ chính xác cao và chi phí tính toán tương đối thấp (T.Le và cộng sự, 2023).
 
- Phương pháp cây quyết định: Cây quyết định là một công cụ phân loại trong học máy, nơi các quyết định được thực hiện dựa trên thuộc tính của dữ liệu. Trong bối cảnh phát hiện hành vi gian lận, cây quyết định thường sử dụng Entropy hoặc chỉ số Gini để tối ưu hóa quá trình phân loại, nhằm phân biệt giao dịch gian lận với giao dịch hợp pháp. Cây quyết định có thể được sử dụng cho cả vấn đề phân loại và hồi quy. Thuật toán này được sử dụng để phân tích các tập dữ liệu lớn dựa trên quy tắc chia, mang lại dự đoán tốt nhất. Ngoài việc không bị ảnh hưởng bởi bất kì giả thuyết thống kê nào về dữ liệu mẫu, đặc điểm chính của cây quyết định là khả năng xử lí một phần dữ liệu và kiểm tra mối quan hệ tiềm năng giữa các biến đầu vào và đầu ra lớn, phức tạp.
 
Bước 3: Xây dựng mô hình
 
Bước này là nơi phần đào tạo dữ liệu kết nối với thuật toán học máy. Thuật toán này tận dụng mô hình toán học phức tạp để tìm hiểu dữ liệu và đưa ra dự đoán. 
 
Bước 4: Thử nghiệm mô hình
 
Bước này được sử dụng để xác thực mô hình đã xây dựng từ bước trước đó trong phần kiểm tra tập dữ liệu và kiểm tra hiệu suất theo bất kì số liệu đo lường nào thông qua ma trận nhầm lẫn (Confusion matrix), các chỉ số đánh giá từ ma trận như độ chính xác (Accuracy), độ nhạy (Recall), Precision và điểm F1 (F1 Score) là các thước đo toán học rộng rãi nhất được sử dụng để đánh giá hiệu suất của các phương pháp học máy… Nếu kết quả thu được không đạt yêu cầu, quy trình nên quay lại quá trình đào tạo hoặc thậm chí quay lại bước chuẩn bị dữ liệu.

Bước 5: Hiển thị kết quả

 
Đây là bước cuối cùng nhằm hiển thị kết quả thu được từ các bước trước đó (bước huấn luyện và kiểm tra) trong dạng bảng hoặc biểu đồ như đường, thanh, hình tròn... bằng cách sử dụng một trong các công cụ trực quan hóa phân tích như Excel.
 
Về biến nghiên cứu, các mô hình học máy cũng sử dụng bộ dữ liệu của phương pháp truyền thống. Những khoản dồn tích tùy ý được sử dụng làm biến đại diện cho quản trị lợi nhuận trong các nghiên cứu học máy này. Khoản dồn tích không tùy ý được trừ khỏi tổng số dồn tích để đạt được số dồn tích tùy ý. Bảng cân đối kế toán và báo cáo lưu chuyển tiền tệ là hai báo cáo cơ bản để tính tổng các khoản dồn tích. Vì dùng chung một bộ số liệu nên đây là căn cứ quan trọng để chúng ta xem xét đến tính hiệu quả của các mô hình với nhau. Liệu rằng mô hình học máy có hiệu quả hơn phương pháp truyền thống hay không, có nâng cao khả năng nhận biết kịp thời hoặc đánh giá được rủi ro phù hợp không?
 
5. So sánh tính hiệu quả 
 
Học máy hiện tại đang được sử dụng trong ngân hàng để phát hiện gian lận, chẳng hạn như chuẩn đoán khủng hoảng tài chính và hiệu quả hoạt động của ngân hàng. Khả năng của máy tính làm cho các kĩ thuật học máy hiệu quả hơn trong việc xử lí các vấn đề tài chính lớn. Các nghiên cứu trên cho thấy, khoa học dữ liệu có khả năng dự đoán tốt hơn so với phương pháp thống kê thông thường. Các phương pháp kiểm toán truyền thống, kiểm định mô hình truyền thống có thể không còn phù hợp trong bối cảnh tích hợp liên tục giữa tiến bộ công nghệ và doanh nghiệp hiện nay.
 
Nghiên cứu của B. Dbouk và I. Zaarour (2017) cho thấy, các mô hình toán học hoạt động tốt hơn các kiểm toán viên. Nghiên cứu chỉ ra rằng, các phương pháp của kiểm toán viên thủ công rất khó phát hiện quản trị lợi nhuận trên báo cáo tài chính, cụ thể, tỉ lệ phân loại là 86,84% khi sử dụng mô hình Beneish, là 60,53% khi áp dụng phương pháp của kiểm toán viên thủ công.
 
Nghiên cứu của Fu-Hsiang Chen và Hu Howard (2015) sử dụng phương pháp lai được đề xuất để sàng lọc các biến ngay từ đầu, sau đó áp dụng ba loại cây quyết định bao gồm bộ phát hiện tương tác tự động Chi bình phương, cây phân loại và hồi quy, sử dụng phương pháp lai để thiết lập một mô hình và tìm hiểu xem doanh nghiệp được thử nghiệm có bị thao túng thu nhập quá mức hay không. Kết quả cho thấy, phương pháp lai được đề xuất có tỉ lệ phân loại tối ưu (tỉ lệ chính xác là 91,24%) và tỉ lệ xảy ra lỗi thấp nhất.
 
Theo Faozi A. Almaqtari và cộng sự (2021), các nghiên cứu trước đây về tối ưu hóa quản lí thu nhập không mang lại sự tối ưu hóa lí tưởng cho việc quản lí thu nhập. Nghiên cứu hiện tại thông qua học máy mang lại những kiến thức hữu ích để dự đoán và tối ưu hóa việc quản lí thu nhập và gian lận tài chính, có ý nghĩa quan trọng đối với các nhà hoạch định chính sách, thị trường chứng khoán, kiểm toán viên, nhà đầu tư, nhà phân tích và chuyên gia.
 
6. Kết luận

Các hệ thống kiểm toán truyền thống với hạn chế về thời gian, nguồn nhân lực, chi phí có thể gặp khó khăn trong việc phát hiện các hoạt động bất thường trong dữ liệu tài chính rộng lớn và phức tạp. Do đó, việc phát triển mô hình dự đoán quản trị lợi nhuận khá hữu ích cho kiểm toán viên, nhà đầu tư trong việc xác định mức độ thao túng báo cáo tài chính. Hiện tại, ở Việt Nam, nghiên cứu áp dụng mô hình học máy để dự đoán hành vi quản trị lợi nhuận trong kế toán còn hạn chế. Đối với kiểm toán viên, mô hình này sẽ có chi phí thấp hơn so với các phương pháp truyền thống, vì việc khai thác dữ liệu diễn ra nhanh hơn, do đó tiết kiệm thời gian, đồng thời cung cấp thông tin bổ sung có thể giúp kiểm toán viên thực hiện phân tích, xác định rủi ro kiểm toán (tác động đến việc thiết kế kế hoạch kiểm toán) và thủ tục kiểm tra. Đối với các nhà đầu tư, việc xác định quản trị lợi nhuận tiềm năng có thể giúp gây áp lực lên ban giám đốc để giám sát chặt chẽ hơn trong trình bày thông tin trên báo cáo tài chính. Các ngân hàng có thể sử dụng mô hình phân tích này để hỗ trợ trong quá trình đánh giá hồ sơ tín dụng của người đi vay.
 
TÀI LIỆU THAM KHẢO:
 
1. B. Dbouk and I. Zaarour, (2017), “Financial Statements Earnings Manipulation Detection Using a Layer of Machine Learnin”, International Journal of Innovation, Management and Technology, Vol. 8, No. 3, June 2017.
2. Bernardo D, Hagras H, Tsang E (2013), “A genetic type-2 fuzzy logic based system for the generation of summarised linguistic predictive models for financial applications” Soft Comput 17(12): pages 2185- 2201.
3. Bhojraj, S., Hribar, P., Picconi, M., and McInnis, J, (2009). “Making sense of cents: An examination of firms that marginally miss or beat analyst forecasts”, Journal of Finance, 64(5): pages 2361- 2388.
4. Dechow, P. M., & Dichev, I. D, (2002), “The quality of accruals and earnings: The role of accrual estimation errors”, The accounting review, 77(s-1), pages 35-59. 
5. Dechow, P. M., Sloan, R. G., & Sweeney, A. P, (1995), “Detecting earnings Management”, Accounting review, pages 193-225
Degeorge, F., Patel, J., and Zeckhauser, R, (1999), “Earnings management to exceed thresholds” Journal of Business, 72(1): pages 1-33.
6. Efendi, J., Srivastava, A. & Swanson, E.P. (2007), ‘Why do corporate managers misstate financial statements? The role of option compensation and other factors”, Journal of Financial Economics, 85(3), pages 667-708.
7. F.-H. Chen, H. Howard, (2016), “An alternative model for the analysis of detecting electronic industries earnings management using stepwise regression, random forest, and decision tree”, Soft Computer (2016) 20:1 pages 945-1960, DOI 10.1007/s00500-015-1616-6.
8. Faozi A. Almaqtari et al. (2021), “Earning management estimation and prediction  using machine learning: A systematic review of processing methods and synthesis for future Research”, 2021 International Conference on Technological Advancements and Innovations (ICTAI).
9. Fethi MD, Pasiouras F (2010), “Assessing bank efficiency and performance with operational research and artificial intelligence techniques: a survey”, The European Journal of Operational Research, 204(2), pages 189-198.
10. Hsu MF, Pai PF (2013), “Incorporating support vector machines with multiple criteria decision making for financial crisis analysis”,  Quality Quantity 47(7), pages 3481-3492.
11. Kothari, S. P., Leone, A. J., & Wasley, C. E. (2005), “Performance matched discretionary accrual measures”, Journal of accounting and economics, pages 163-197. 
12. Lassoued, N„ Sassi, H. & Attia, M.B.R. (2016), “The impact ofstate and foreign ownership on banking risk: Evidence from the MENA countries”, Research in International Business and Finance, pages 167-178.
13. Levitt Jr, A. (1998). The numbers game. The CPA Journal, 68(12).
14. Raman, K., & Shahrur, H,  (2008), “Relationship-specific investments and earnings management: Evidence on corporate suppliers and customers”, The accounting review, pages 1041-1081. 
15. Rodriguez-Ariza, L., Martínez-Ferrero, J., & Bermejo-Sanchez, M, (2016), “Consequences of earnings management for corporate reputation: Evidence from family firms” Accounting Research Journal, 29(4), pages 457-474. https://doi.org/10.1108/ARJ-02-2015- 0017
16. Shen KY, Tzeng GH (2014), “A decision rule-based soft computing model for supporting financial performance-improvement of the banking Industry”,  Soft Comput. in Press. doi:10.1007/s00500-014-1413-7.
17. T. Le et al, (2021), “Using Machine Learning to Predict the Defaults of Credit Card Clients. Fintech with Artificial Intelligence, Big Data, and Blockchain, Blockchain Technologie”s, https://doi.org/10.1007/978-981-33-6137-9_4
18. Tran Kim Long et al (2022), “Explainable Machine Learning for Financial Distress Prediction: Evidence from Vietnam”. Data 2022, 7, 160. s Note: MDPI stays neutral with regard to jurisdictional claims in published, https://doi.org/10.3390/data7110160.
19. Tran Kim Long et al, (2023). Machine Learning to Forecast Financial Bubbles in Stock Markets: Evidence from Vietnam. International Journal of Financial Studies 11: 133. https:// doi.org/10.3390/ijfs11040133 
20. Verikas A, Kalsyte Z, Bacauskiene M, Gelzinis A (2010), “Hybrid and ensemble-based soft computing techniques in bankruptcy prediction: a survey”, Soft Computer 14(9), pages 995-1010.

ThS. Trần Thị Tuyết Vân 
Trường Đại học Ngân hàng Thành phố Hồ Chí Minh

Bình luận Ý kiến của bạn sẽ được kiểm duyệt trước khi đăng. Vui lòng gõ tiếng Việt có dấu
Đóng lại ok
Bình luận của bạn chờ kiểm duyệt từ Ban biên tập
Bảo đảm chất lượng nguồn nhân lực tại ngân hàng thương mại: Thực trạng và một số giải pháp nâng cao hiệu quả
Bảo đảm chất lượng nguồn nhân lực tại ngân hàng thương mại: Thực trạng và một số giải pháp nâng cao hiệu quả
05/11/2024 08:10 165 lượt xem
Hiện nay, công tác bảo đảm chất lượng nguồn nhân lực được các NHTM chú trọng đầu tư phát triển, tuy nhiên, nguồn nhân lực của nhiều ngân hàng vẫn chưa thực sự đáp ứng yêu cầu về chất lượng, ảnh hưởng đến quá trình hoạt động của các ngân hàng.
Đánh giá khả năng huy động tiền gửi từ khách hàng của NHTM Việt Nam bằng mô hình định lượng
Đánh giá khả năng huy động tiền gửi từ khách hàng của NHTM Việt Nam bằng mô hình định lượng
04/11/2024 08:23 307 lượt xem
Nghiên cứu này nhằm chỉ ra mức độ tác động của các nhân tố ảnh hưởng đến khả năng huy động tiền gửi từ khách hàng thông qua phương pháp khảo sát và phân tích hồi quy dữ liệu của 37 NHTM Việt Nam.
Thúc đẩy chuyển đổi sang mô hình kinh tế tuần hoàn: Rào cản và gợi ý cho Việt Nam
Thúc đẩy chuyển đổi sang mô hình kinh tế tuần hoàn: Rào cản và gợi ý cho Việt Nam
31/10/2024 08:07 490 lượt xem
Biến đổi khí hậu trở thành rủi ro lớn nhất mà loài người đang phải gánh chịu (WEF, 2024). Trong bối cảnh đó, phát triển bền vững không còn là sự lựa chọn, mà gần như bắt buộc ở hầu hết các quốc gia trên toàn cầu. Để đạt được mục tiêu này, mô hình kinh tế tuần hoàn nổi lên như một công cụ quan trọng.
Việt Nam sau gần 30 năm hội nhập kinh tế quốc tế
Việt Nam sau gần 30 năm hội nhập kinh tế quốc tế
29/10/2024 15:02 1.632 lượt xem
Trong những năm qua, hội nhập kinh tế quốc tế đã trở thành động lực quan trọng thúc đẩy sự phát triển kinh tế đất nước. Vị thế và uy tín quốc tế của Việt Nam không ngừng được nâng lên, khẳng định vai trò tích cực và trách nhiệm trong việc duy trì hòa bình, hợp tác phát triển và thúc đẩy tiến bộ toàn cầu.
Kinh tế Việt Nam 9 tháng năm 2024 và một số đề xuất, khuyến nghị
Kinh tế Việt Nam 9 tháng năm 2024 và một số đề xuất, khuyến nghị
22/10/2024 14:35 4.159 lượt xem
Tình hình kinh tế Việt Nam trong tháng 9, quý III và 9 tháng năm 2024 tiếp tục xu hướng phục hồi tích cực, tháng sau tốt hơn tháng trước, quý sau cao hơn quý trước; tính chung 9 tháng năm 2024 đạt nhiều kết quả quan trọng, cao hơn cùng kỳ trên hầu hết các lĩnh vực.
Phát triển thị trường tài chính trong nền kinh tế số tại Việt Nam
Phát triển thị trường tài chính trong nền kinh tế số tại Việt Nam
21/10/2024 08:35 1.413 lượt xem
Kinh tế số là hoạt động kinh tế sử dụng công nghệ số và dữ liệu số làm yếu tố đầu vào chính, sử dụng môi trường số làm không gian hoạt động chính, sử dụng công nghệ thông tin - viễn thông để tăng năng suất lao động, đổi mới mô hình kinh doanh và tối ưu hóa cấu trúc nền kinh tế.
Tác động của tiền gửi đến hiệu quả tài chính các ngân hàng thương mại Việt Nam
Tác động của tiền gửi đến hiệu quả tài chính các ngân hàng thương mại Việt Nam
18/10/2024 08:05 1.488 lượt xem
Nghiên cứu này xem xét tác động của tiền gửi đến hiệu quả tài chính của các ngân hàng thương mại (NHTM) Việt Nam giai đoạn 2014 - 2023.
Thách thức và giải pháp tài chính trong phát triển nông nghiệp bền vững tại Việt Nam
Thách thức và giải pháp tài chính trong phát triển nông nghiệp bền vững tại Việt Nam
17/10/2024 08:45 1.271 lượt xem
Biến đổi khí hậu đang gây ra những tác động lớn đến đời sống và kinh tế toàn cầu, nông nghiệp tác động đến phát triển kinh tế - xã hội trên hai khía cạnh thích ứng với môi trường và tác động tiêu cực đến môi trường.
Bảo lãnh tín dụng cho doanh nghiệp nhỏ và vừa - công cụ hỗ trợ phát triển “tam nông”: Kinh nghiệm từ Nhật Bản và bài học cho Việt Nam
Bảo lãnh tín dụng cho doanh nghiệp nhỏ và vừa - công cụ hỗ trợ phát triển “tam nông”: Kinh nghiệm từ Nhật Bản và bài học cho Việt Nam
15/10/2024 08:02 477 lượt xem
Bảo lãnh tín dụng được coi là một công cụ hữu hiệu giúp khắc phục được “điểm nghẽn” về vốn cho phát triển “tam nông”. Bài viết đề cập đến kinh nghiệm của Nhật Bản về bảo lãnh tín dụng cho các DNNVV, từ đó rút ra một số bài học kinh nghiệm cho Việt Nam.
Thực hiện đồng bộ các giải pháp tiền tệ, tín dụng, góp phần phát triển nông nghiệp, nông thôn nhanh và bền vững
Thực hiện đồng bộ các giải pháp tiền tệ, tín dụng, góp phần phát triển nông nghiệp, nông thôn nhanh và bền vững
14/10/2024 08:00 614 lượt xem
Quán triệt sâu sắc những quan điểm chỉ đạo của Đảng, Chính phủ, Thủ tướng Chính phủ, Ngân hàng Nhà nước Việt Nam đã triển khai nhiều chính sách, biện pháp về tiền tệ, tín dụng để khơi thông dòng vốn tín dụng vào khu vực nông nghiệp, nông thôn.
Xây dựng mô hình dự báo hiện tại tổng sản phẩm nội địa của Việt Nam
Xây dựng mô hình dự báo hiện tại tổng sản phẩm nội địa của Việt Nam
11/10/2024 09:58 432 lượt xem
Dự báo hiện tại (Nowcasting) rất quan trọng trong kinh tế học vì dữ liệu cho các chỉ số chính như GDP thường có độ trễ và sai số đo lường đáng kể (Giannone và cộng sự, 2008)...
Giải pháp về giáo dục tài chính cho trẻ em của các ngân hàng thương mại
Giải pháp về giáo dục tài chính cho trẻ em của các ngân hàng thương mại
07/10/2024 08:06 602 lượt xem
Trong những năm gần đây, vấn đề dân trí tài chính đã trở thành một mối quan tâm lớn tại Việt Nam. Dân trí tài chính là khả năng hiểu biết và áp dụng các kiến thức tài chính trong cuộc sống hằng ngày, giúp cá nhân quản lý tài sản, lập kế hoạch tài chính và đưa ra các quyết định đầu tư một cách hiệu quả.
Phát triển kinh tế xanh - Từ nhận thức, chính sách đến thực tiễn ở Việt Nam
Phát triển kinh tế xanh - Từ nhận thức, chính sách đến thực tiễn ở Việt Nam
01/10/2024 10:00 925 lượt xem
Kinh tế xanh là sự kết hợp hài hòa giữa ba yếu tố kinh tế - xã hội - môi trường, hướng đến mục tiêu phát triển bền vững.
Tác động của khoản vay mua nhà đến quản lí tài chính cá nhân
Tác động của khoản vay mua nhà đến quản lí tài chính cá nhân
27/09/2024 10:24 1.118 lượt xem
Bài viết nghiên cứu về tác động của khoản vay mua nhà đến quản lí tài chính của khách hàng cá nhân có vay vốn mua nhà tại các ngân hàng thương mại cổ phần Việt Nam.
Xây dựng khung chiến lược quản lý rủi ro quốc gia nhằm thu hút vốn đầu tư trực tiếp nước ngoài tại Việt Nam
Xây dựng khung chiến lược quản lý rủi ro quốc gia nhằm thu hút vốn đầu tư trực tiếp nước ngoài tại Việt Nam
23/09/2024 09:30 1.218 lượt xem
Tần suất dòng vốn đầu tư trực tiếp nước ngoài (FDI) vào và ra khỏi một nền kinh tế cụ thể cùng với biến động quy mô dòng vốn này thường xuyên chịu ảnh hưởng của rất nhiều yếu tố liên quan đến tính ổn định của môi trường kinh tế - chính trị quốc gia...
Giá vàngXem chi tiết

Giá vàng - Xem theo ngày

Khu vực

Mua vào

Bán ra

HÀ NỘI

Vàng SJC 1L

87,500

89,500

TP.HỒ CHÍ MINH

Vàng SJC 1L

87,500

89,500

Vàng SJC 5c

87,500

89,520

Vàng nhẫn 9999

87,400

89,000

Vàng nữ trang 9999

87,300

88,700


Ngoại tệXem chi tiết
Tỷ giá - Xem theo ngày 
Ngân Hàng USD EUR GBP JPY
Mua vào Bán ra Mua vào Bán ra Mua vào Bán ra Mua vào Bán ra
Vietcombank 25,167 25,497 26,507 27,960 31,849 33,203 158.43 167.65
BIDV 25,197 25,497 26,786 27,948 32,355 33,251 160.99 167.86
VietinBank 25,212 25,497 26,853 28,053 32,447 33,457 161.20 168.95
Agribank 25,210 25,497 26,711 27,903 32,120 33,194 160.72 168.23
Eximbank 25,180 25,497 26,820 27,690 32,305 33,311 162.02 167.31
ACB 25,170 25,497 26,843 27,764 32,406 33,384 161.58 167.96
Sacombank 25,210 25,497 26,825 27,797 32,314 33,469 161.74 168.75
Techcombank 25,190 25,497 26,679 28,034 32,040 33,384 158.27 170.76
LPBank 25,185 25,497 27,038 27,931 32,546 33,077 162.25 169.33
DongA Bank 25,240 25,497 26,790 27,640 32,300 33,230 159.70 166.90
(Cập nhật trong ngày)
Lãi SuấtXem chi tiết
(Cập nhật trong ngày)
Ngân hàng
KKH
1 tuần
2 tuần
3 tuần
1 tháng
2 tháng
3 tháng
6 tháng
9 tháng
12 tháng
24 tháng
Vietcombank
0,10
0,20
0,20
-
1,60
1,60
1,90
2,90
2,90
4,60
4,70
BIDV
0,10
-
-
-
1,70
1,70
2,00
3,00
3,00
4,70
4,70
VietinBank
0,10
0,20
0,20
0,20
1,70
1,70
2,00
3,00
3,00
4,70
4,80
ACB
0,01
0,50
0,50
0,50
2,30
2,50
2,70
3,50
3,70
4,40
4,50
Sacombank
-
0,50
0,50
0,50
2,80
2,90
3,20
4,20
4,30
4,90
5,00
Techcombank
0,05
-
-
-
3,10
3,10
3,30
4,40
4,40
4,80
4,80
LPBank
0.20
0,20
0,20
0,20
3,00
3,00
3,20
4,20
4,20
5,30
5,60
DongA Bank
0,50
0,50
0,50
0,50
3,90
3,90
4,10
5,55
5,70
5,80
6,10
Agribank
0,20
-
-
-
1,70
1,70
2,00
3,00
3,00
4,70
4,80
Eximbank
0,10
0,50
0,50
0,50
3,10
3,30
3,40
4,70
4,30
5,00
5,80

Liên kết website
Bình chọn trực tuyến
Nội dung website có hữu ích với bạn không?