T P SAN TIN ả C ẬU N LÝ
T p 03, số 1&2, 2014, 27-44.
LOGIC M
VÀ CÁC BÀI TOÁN
NG D NG TRONG LĨNH VỰC TÀI CHÍNH
Phan ảiền1
Thái Kim Phụng1
1 ĐẶT V N Đ
Logic mờ (Fuzzy logic) được biết đến lần đầu tiên trong nghiên cứu về tập mờ
(fuzzy set) của Zadeh (1965) và nhanh chóng được ứng dụng rộng rãi trong hầu
hết các lĩnh vực khoa học kỹ thuật. Đến nay, việc ứng dụng logic mờ dần chuyển
sang các lĩnh vực kinh tế, đặc biệt là trong tài chính và đã đạt được những kết quả
khả quan (Korol, 2012). Tại Việt Nam, việc ứng dụng logic mờ còn nhiều hạn chế,
nhất là trong lĩnh vực kinh tế (Duc & Thien, 2013). Với những ứng dụng rộng rãi
và hiệu quả của logic mờ trên phạm vi toàn thế giới, trong bài viết này chúng tôi
muốn giới thiệu đôi nét về logic mờ và một số bằng chứng thực nghiệm của việc
ứng dụng logic mờ trong lĩnh vực tài chính. Qua đây, chúng tôi nhận thấy rằng
logic mờ được xem như một phương pháp tiếp cận mới để giải quyết các bài toán
trong lĩnh vực tài chính.
2 LOGIC M
2.1 Gi i thiệu v t p m
Trong thực tế, khi định nghĩa một tập các số lớn hơn 10 và ký hiệu là A, ta có định
nghĩa như sau:
Khi đó, rất dễ xác định được các phần tử chắc chắn thuộc và không thuộc khái
niệm A. Tuy nhiên, nếu đưa ra một khái niệm về tập nhà giàu (với những người có
thu nhập hơn hay bằng 10 triệu một tháng) và ký hiệu là B
Khi đó ta bảo một người có thu nhập là 10 triệu/tháng là thuộc nhà giàu, tuy nhiên
bằng trực giác bình thường nó sẽ không hợp lý nếu gọi người có thu nhập
9999999/tháng không phải là nhà giàu.
Vì vậy, khái niệm tập mờ xuất hiện để giải quyết những ý niệm nhắm tới các tập
không có ranh giới rõ ràng. Thường thì tập mờ biểu diễn cho một thể hiện ngôn
ngữ, lấy ví dụ: “trời rất nóng”, “anh ta rất hiền”,…
1
Khoa Hệ Thống Thông Tin Kinh Doanh – ĐH Kinh Tế HCM
Logic mờ và các bài toán ứng dụng tọong lĩnh vực tài chính
Gọi X là không gian các đối tượng và x là các phần tử tổng quát thuộc X. Khi đó,
theo Zadeh (1965), một tập mờ A trong X được định nghĩa là tập các cặp như sau:
được gọi là hàm thành viên của tập mờ A. Hàm thành viên này chỉ
trong đó,
mức độ thuộc của x trong không gian X và có giá trị từ 0 đến 1. Hay ký hiệu khác
khi X là không gian liên tục: (ký hiệu này không phải chỉ hàm tích phân mà chỉ sự
hội các phần tử liên tục)
Dễ dàng nhận thấy, nếu như tập mờ A chỉ toàn những hàm thành viên có giá trị 0
hoặc 1 thì A trở thành một tập rõ.
Lấy ví dụ: khi mô tả tập khái niệm về độ tuổi là “trẻ” ký hiệu là:
Khi đó
và hàm thành viên
có dạng như sau:
Hình 1: Hàm thành viên
Đây là dạng số mờ hình thang và thường được ký hiệu là bộ bốn số tre: [15, 20,
27, 37]
2.2 Phép mở r ng hình tr trên t p m
Cho một định nghĩa tập mờ A với hàm thành viên là
trong không gian X. Ta
có phép mở rộng hình trụ của tập mờ A trên không gian Y, ta được một tập mờ mới
định nghĩa trong không gian X x Y như sau
28
T p san Tin h c Ọu n lý, t p 03, số 1&2, 2014.
hay
Hình 2: Phép mở r ng hình tr trên tâp m
2.3 Phép giao trên t p m
Cho tập mờ A và B cùng trong không gian X. Giao của tập mờ A và tập mờ B là tập
mờ mới C trong không gian X được định nghĩa như sau:
Trong đó T được biết như hàm T-norm (triangular norm) [12]. Hàm T này thường
có 4 dạng
2.4 Phép h i trên t p m
Cho tập mờ A và B cùng trong không gian X. Hội của tập mờ A và tập mờ B là tập
mờ mới C trong không gian X được định nghĩa như sau:
Trong đó S được biết như hàm T-conorm (S-norm) [12]. Hàm S này thường có 4
dạng
29
Logic mờ và các bài toán ứng dụng tọong lĩnh vực tài chính
2.5 Quan hệ m
Cho tập mờ A trong không gian X, tập mờ B trong không gian Y. Quan hệ R của A
và B hay còn gọi là quan hệ mờ 2 - ngôi được định nghĩa như là một tập mờ R trên
không gian
:
2.6 Phép chi u
Cho tập mờ R trong không gian X x Y, khi đó ta định nghĩa phép chiếu của R trên
không gian X và Y như sau:
2.7 Lu t m và suy diễn lu t
Luật mờ được biết đến như dạng luật “nếu…thì…” nhưng có sử dụng các khái
niệm tập mờ chỉ ngữ nghĩa. Cho 2 tập mờ A trong không gian X và B trong không
gian Y. Ta phát biểu một luật như sau:
Nếu x là A thì y là B
Với luật như vậy, ta có thể định nghĩa luật mờ như một quan hệ mờ R của A và B.
Có thể hiểu luật mờ theo một số cách khác :
30
T p san Tin h c Ọu n lý, t p 03, số 1&2, 2014.
Trong bài này, nhóm tác giả lựa chọn cách hiểu luật mờ như một quan hệ mờ của
A và B.
Như vậy, nếu ta có sự thật là “x là A” và ta có luật “Nếu x là A thì y là B” thì ta sẽ
có kết quả là “y là B”.
Hay trong trường hợp sự thật “x là A’” và ta có luật “Nếu x là A thì y là B” thì ta
sẽ có kết quả là “y là B’”.
Để tính toán được kết quả, ta thực hiện việc suy luận trên như sau: (phương pháp
suy diễn và hàm T-norm theo đề xuất của Mamdani [13])
B1: Giao giữa tập hình trụ mở rộng của A’ với RAxB , ta có:
B2: Chiếu
trên không gian Y, ta có tập mờ
B3: Ta có hàm thành viên
Tương tự nếu ta có luật với 3 tập mờ A,B,C trong 3 không gian X,Y,Z như sau:
“Nếu x là A và y là B thì z là C”
Và khi ta có sự thật “x là A’ và y là B’” thì “z là C’”, với hàm thành viên của C’
như sau:
w
1
w
2
Hình 4: Suy diễn lu t
31
Logic mờ và các bài toán ứng dụng tọong lĩnh vực tài chính
2.8 Mô hình suy diễn m
Đầu
vào rõ
Hệ suy diễ
Đầu vào
ờ
Giải
ờ
Tri thức
dạ g
luật
Đầu ra rõ
Hình 5: Mô hình suy diễn m (tham kh o Jang & Sun (1996))
Đầu vào: Các giá trị rõ hay mờ của các tính chất
Hệ thống: Hệ suy luận dựa vào tập luật (tri thức)
Đầu ra: Các giá trị rõ mà được suy luật dựa trên tập luật và phương pháp
suy luận.
Theo như hệ suy diễn thì kết quả là một tập mờ, chính vì vậy mà có thành phần
giải mờ để làm kết quả trở thành kết quả rõ.
Một số phương pháp giải mờ theo Mamdani [13]:
Phương pháp phân đôi:
Phương pháp bình quân hay lớn nhất hay nhỏ nhất của giá trị lớn nhất:
Phương pháp trọng tâm vùng:
2.9 Ví d minh ho
Cho tập luật mô tả chỉnh nhiệu độ máy lạnh theo số người và nhiệt độ ngoài trời:
Nếu phòng nhiều người và tọời nóng thì máy điều hòa để chế độ l nh.
Nếu phòng nhiều người và tọời bình thường thì máy điều hòa để chế độ bình
thường.
Nếu phòng ít người và tọời nóng thì máy điều hòa để chế độ bình thường.
Nếu phòng ít người và tọời l nh thì máy điều hòa để chế độ nóng.
Với các khái niệm mờ được biểu diễn dạng số mờ hình thành với 4 chân như sau:
Nhiều người:
[10,15,18,22]
Ít người
[2,8,12,15]
Nóng (nhiệt)
[26,31,31,35]
Bình thường
[20,22,25,29]
L nh
[14,16,20,24]
32
T p san Tin h c Ọu n lý, t p 03, số 1&2, 2014.
V y nếu phòng có 20 người và nhiệt độ ngoài tọời là 28 độ, thì máy điều hòa ph i
ở chế độ thế nào ?
Ta thấy có 20 người thuộc khái niệm nhiều người và 28 độ thuộc khái niệm nóng,
bình thường. Ta sử dụng 2 luật đầu tiên trong 4 luật.
Nhiều gười
Lạ h
Nóng
w
11
w
12
Nhiều gười
Bình
thườ g
Bình
thườ g
w
21
w
22
Hình 6: Ví d v suy diễn m
lanh( z ) zdz (1 / 2) ( z 14) zdz zdz (1 / 4) (24 z ) zdz
16
20
(1 / 2) [( z / 3) 7 z ]
14
16
14
3
2
24
( z / 2) (1 / 4) [(24 z 2 (1 / 2)) ( z 3 / 3)]
16
20
16
20
2
24
20
(92 / 6) 72 (1 / 24) *1024 130
binhthuong( z ) zdz (1 / 2) ( z 20) zdz zdz (1 / 4) (29 z ) zdz
22
(1 / 2) [( z / 3) 10 z ]
25
20
22
20
3
2
29
( z / 2) (1 / 4) [(29 z (1 / 2)) ( z 3 / 3)]
22
25
22
2
25
29
25
2
(1 / 6) *128 (3 * 47 / 2) (1 / 4) * (1264 / 6) 144.5
0.4 *130 0.25 *144.5 88.125
Z COA
20.49
0.4 * 7 0.25 * 6
4.3
3 M T S NGHIÊN C U
TÀI CHÍNH
NG D NG LOGIC M
TRONG LĨNH VỰC
Vlachos & Tolias (2003) đã báo cáo nghiên cứu tại hội nghị Vận trù học
(Operational Research) tại Balkan về ứng dụng logic mờ trong dự báo phá sản.
Nhằm mục đích so sánh kết quả với mô hình của Altman, nghiên cứu chỉ xem xét
5 chỉ số tài chính mà Altman (1968) đã đưa ra trước đó. Dữ liệu bao gồm 129 công
ty xem xét giai đoạn 1975 – 1982, trong đó có 65 công ty phá sản. Dữ liệu sử dụng
để dự báo là báo cáo tài chính năm cuối cùng trước khi công ty tuyên bố phá sản.
Kết quả thu được ngoài sự mong đợi của các tác giả khi dự báo chính xác 100%,
tốt hơn hẳn so với các mô hình định lượng (chỉ đạt 85%). Mặc dù, nghiên cứu
chọn lựa trên các công ty đã phá sản, nên sự ngẫu nhiên khách quan trong đánh giá
chưa tuyệt đối. Tuy nhiên, kết quả cũng cho thấy những ưu điểm vượt trội của
logic mờ.
33
Logic mờ và các bài toán ứng dụng tọong lĩnh vực tài chính
Malagoli & cộng sự (2009) đã xếp hạng và xếp hạng tín dụng công ty phân phối
gas Camuzzi của Ý sử dụng ý kiến chuyên gia kết hợp logic mờ. Tác giả đã dùng
mệnh đề hợp thành “nếu… thì….” để tổng hợp điểm và xếp hạng tín nhiệm dựa
trên cả tiêu chí định tính và định lượng. Với 21 chỉ tiêu đầu vào, nghiên cứu đã
tổng hợp lại thành các biến trung gian thông qua các luật mờ để ra kết quả. Biến
giá trị doanh nghiệp sẽ được giải mờ ra kết quả trong khoảng [0;1] thể hiện khả
năng tài chính của doanh nghiệp. Tuy nghiên cứu chỉ tập trung vào một công ty cụ
thể nhưng mô hình vẫn có thể dùng đánh giá cho các doanh nghiệp trong cùng
ngành.
Yildiz & Akkoc (2010) đã thực hiện nghiên cứu dự báo phá sản ngân hàng sử dụng
logic mờ ở Thổ Nhĩ Kỳ. Cuộc khủng hoảng tài chính toàn cầu đã cuốn đi khá
nhiều doanh nghiệp yếu kém. Do vậy, đánh giá hiệu quả hoạt động của công ty và
rủi ro phá sản, đặc biệt hệ thống ngân hàng trở nên cực kỳ cần thiết. Nghiên cứu
xem xét dữ liệu 55 ngân hàng, chọn lọc 24 chỉ tiêu từ 36 chỉ tiêu tài chính, với mức
ý nghĩa thống kê là 5%. Thực nghiệm so sánh dựa trên 2 phương pháp: (i) mô hình
hồi qui tuyến tính; và (ii) hàm phi tuyến dựa trên logic mờ, sử dụng luật hợp thành
với mệnh đề “nếu …. thì….”. Kết quả đạt được cho thấy dùng phương pháp sử
dụng lý thuyết mờ có khả năng dự báo đúng là 90,91% trong khi mô hình hồi quy
chỉ đạt 81,82%.
Othman & Etienne (2010) đã sử dụng logic mờ kết hợp trí tuệ nhân tạo để thực
hiện nghiên cứu “Ra quyết định sử dụng logic mờ trong giao dịch chứng khoán”.
Các yếu tố đầu vào cho mô hình mà các tác giả quan tâm là ý kiến chuyên gia, lợi
nhuận trên từng cổ phiếu và tỷ lệ lợi nhuận mong muốn. Kết quả của nghiên cứu
đã cho thấy hiệu quả đầu tư khi sử dụng logic mờ tốt hơn so với những phương
pháp nghiên cứu trước đây trong điều kiện thiếu thông tin.
Korol & Korodian (2011) tiến hành nghiên cứu, đánh giá mức độ hiệu quả của
logic mờ trong việc dự báo phá sản của doanh nghiệp. Trong quá trình nghiên cứu,
tác giả đã sử dụng báo cáo tài chính của 132 công ty trên thị trường chứng khoán
(trong đó có 25 công ty đã phá sản). Các tác giả đã sử dụng cả dữ liệu chắc chắn
(định lượng) và không chắc chắn (định tính) làm dữ liệu đầu vào để dự báo khả
năng phá sản của công ty trong 1, 2 và 3 năm tới. Kết quả khi sử dụng dữ liệu chắc
chắn thì kết quả không khác biệt nhiều so với các mô hình dự báo rủi ro, phá sản
khác như Z-score. Nhưng kết quả khi sử dụng dữ liệu không chắc chắn thì kết quả
từ mô hình logic mờ được cải thiện rất nhiều.
4
NG D NG LOGIC M
CHO BÀI TOÁN X P H NG TÍN D NG
Xếp hạng tín dụng là đánh giá khả năng tín dụng của bên phải thực hiện nghĩa vụ
tài chính trong tương lai dựa trên những yếu tố hiện tại và quan điểm của người
đánh giá (Standard & Poor’s, 2012). Theo quan điểm của Moody’s (2013), xếp
hạng tín dụng nhằm mục đích đánh giá các rủi ro tín dụng liên quan đến nghĩa vụ
tài chính của một đối tượng trong tương lai. Bài toán xếp hạng tín dụng có thể
được mô hình hóa dưới dạng toán học như sau (Lahsasna & cộng sự, 2010):
34
T p san Tin h c Ọu n lý, t p 03, số 1&2, 2014.
Trong đó:
x1,x2,…,xm : là m thuộc tính của đối tượng được xếp hạng (hoặc đánh giá)
yi: là hạn mức tín dụng của đối tượng thứ i (i = 1,2,…n)
f là hàm hoặc mô hình xếp hạng tín dụng, thực hiện dự báo giá trị y i khi đã
biết giá trị của các thuộc tính x1 ,x2,…,xm.
Có rất nhiều mô hình xếp hạng tín dụng đã được sử dụng như: mô hình Z-score
của Altman (1968), mô hình hồi quy logistic (Logistic Regression), mạng thần
kinh nhân tạo (Artificial Neural Network), SVM (Support Vector Machine),…
Trong nội dung của bài viết này, chúng tôi muốn giới thiệu một cách tiếp cận mới
dựa trên logic mờ cho bài toán xếp hạng tín dụng khách hàng của Korol (2012).
Tất cả khách hàng được mô tả bởi 10 biến bao gồm: nhóm biến nhân khẩu học
(demographical variables) và nhóm biến tài chính (financial variables).
Ký
bi n
hiệu Tên bi n
X1
Tuổi (Age)
X2
Trình độ học vấn (Education)
X3
Tình trạng hôn nhân (Marital status)
X4
Số con (Number of children)
X5
Thu nhập hàng tháng (Monthly income)
X6
Thâm niên công tác (Length of employment)
X7
Loại hợp đồng lao động (Type of employment
contract)
X8
Giá trị tài sản xe hơi (Value of owned car)
X9
Giá trị tài sản
apartment/house)
X10
Giá trị tài sản khác (Value of other assets)
nhà
ở
(Value
of
owned
B ng 1: Các bi n nhân khẩu học và tài chính c a khách hàng
Mô hình được chia ra làm 4 nhóm luật (rule blocks). Nhóm 1 “Nhân khẩu học”,
bao gồm: Tuổi, Trình độ học vấn, Tình trạng hôn nhân và Số con. Nhóm 2 “Tài
chính”, đánh giá điều kiện tài chính của khách hàng, bao gồm: Thu nhập hàng
tháng, Thâm niêm công tác và Loại hợp đồng lao động. Nhóm 3 “Tài s n đ m
b o”, bao gồm: Giá trị tài sản xe, Giá trị tài sản nhà ở và Giá trị tài sản khác.
Nhóm 4 “X p h ng”, bao gồm: Các biến nhân khẩu học, Các biến tài chính và các
biến tài sản đảm bảo để dựa báo kết quả đầu ra.
35
Logic mờ và các bài toán ứng dụng tọong lĩnh vực tài chính
Hình 6: C u trúc mô hình Logic m cho bài toán x p h ng tín d ng (Korol, 2012)
Tập mờ và ngưỡng cho các hàm thành viên được trình bày trong bảng sau:
Tên bi n
Tuổi (từ 18 đến 65 tuổi)
Ngưỡng cho t t c các hàm thành viên
Trẻ: nhỏ hơn 33
Trung niên: từ 27 đến 53
Già: lớn hơn 48
Trình độ học vấn (từ 1 đến 3: 0- phổ Th p: nhỏ hơn 1
thông, 1- công nhân kỹ thuật, 2- cao Trung bình: từ 0.8 đến 2.25
đẳng, 3- đại học và sau đại học)
Cao: hơn 1.5
Tình trạng hôn nhân (từ 0 đến 1: 0 – Đ c thân: nhỏ hơn 0.7
độc thân, 1 – có giá đình; từ 0-1: là Có gia đình: lớn hơn 0.7
tình nhân hoặc góa phụ,…)
Số con (từ 1 đến 5 con)
Ít: nhỏ hơn 2
Vừa: từ 1 đến 3.7
Nhi u: lớn hơn 3
Thu nhập hàng tháng (từ 800 đến Th p: nhỏ hơn 2900
5000)
Trung bình: từ 1850 đến 3950
Cao: lớn hơn 2950
36
T p san Tin h c Ọu n lý, t p 03, số 1&2, 2014.
Thâm niên công tác (từ 0 đến 15 năm) Ngắn: nhỏ hơn 7.5 năm
Trung bình: từ 3.7 đến 11.25 năm
Dài: trên 7.5 năm
Loại hợp đồng lao động (từ 0 đến 2: 0- Th i v : nhỏ hơn 1
thời vụ, 1- có thời hạn, 2-không thời Có th i h n: từ 0.5 đến 1.5
hạn)
Không th i han: lớn hơn 1
Giá trị tài sản xe hơi (từ 10000 đến Rẻ: nhỏ hơn 55000
100000)
Vừa: từ 33000 đến 77500
Đắt: lớn hơn 55000
Giá trị tài sản nhà ở (từ 0 đến 500000) Th p: nhỏ hơn 325000
Trung bình: từ 237500 đến 412500
Cao: lớn hơn 325000
Giá trị tài sản khác (từ 1000 đến Th p: nhỏ hơn 4500
20000)
Trung bình: từ 2700 đến 15250
Cao: lớn hơn 10500
Kết quả xếp hạng (từ 0 đến 1)
R i ro cao: nhỏ hơn 0.3
R i ro trung bình: từ 0.3 đến 0.7
R i ro th p: lớn hơn 0.7
B ng 2: Xác định ngưỡng cho các hàm thành viên
N u Tu i
N u Trình đ học v n
N u Tình tr ng hôn nhân
N u S con
Thì Nhân khẩu học
Trẻ
Thấp
Độc thân
Ít
Yếu
Trẻ
Trung bình
Độc thân
Ít
Trung bình
Trẻ
Cao
Độc thân
Ít
Trung bình
Trung niên
Thấp
Độc thân
Ít
Yếu
Trung niên
Trung bình
Độc thân
Ít
Trung bình
Trung niên
Cao
Độc thân
Ít
Trung bình
Già
Thấp
Độc thân
Ít
Yếu
Già
Trung bình
Độc thân
Ít
Trung bình
37
Logic mờ và các bài toán ứng dụng tọong lĩnh vực tài chính
38
Già
Cao
Độc thân
Ít
Trung bình
Trẻ
Thấp
Có gia đình
Ít
Yếu
Trẻ
Trung bình
Có gia đình
Ít
Trung bình
Trẻ
Cao
Có gia đình
Ít
Mạnh
Trung niên
Thấp
Có gia đình
Ít
Yếu
Trung niên
Trung bình
Có gia đình
Ít
Trung bình
Trung niên
Cao
Có gia đình
Ít
Mạnh
Già
Thấp
Có gia đình
Ít
Yếu
Già
Trung bình
Có gia đình
Ít
Trung bình
Già
Cao
Có gia đình
Ít
Mạnh
Trẻ
Thấp
Độc thân
Vừa
Yếu
Trẻ
Trung bình
Độc thân
Vừa
Yếu
Trẻ
Cao
Độc thân
Vừa
Trung bình
Trung niên
Thấp
Độc thân
Vừa
Yếu
Trung niên
Trung bình
Độc thân
Vừa
Trung bình
Trung niên
Cao
Độc thân
Vừa
Trung bình
Già
Thấp
Độc thân
Vừa
Yếu
Già
Trung bình
Độc thân
Vừa
Trung bình
Già
Cao
Độc thân
Vừa
Trung bình
Trẻ
Thấp
Có gia đình
Vừa
Yếu
Trẻ
Trung bình
Có gia đình
Vừa
Trung bình
Trẻ
Cao
Có gia đình
Vừa
Mạnh
Trung niên
Thấp
Có gia đình
Vừa
Yếu
Trung niên
Trung bình
Có gia đình
Vừa
Trung bình
Trung niên
Cao
Có gia đình
Vừa
Mạnh
Già
Thấp
Có gia đình
Vừa
Yếu
Già
Trung bình
Có gia đình
Vừa
Trung bình
Già
Cao
Có gia đình
Vừa
Mạnh
T p san Tin h c Ọu n lý, t p 03, số 1&2, 2014.
Trẻ
Thấp
Độc thân
Nhiều
Yếu
Trẻ
Trung bình
Độc thân
Nhiều
Yếu
Trẻ
Cao
Độc thân
Nhiều
Trung bình
Trung niên
Thấp
Độc thân
Nhiều
Yếu
Trung niên
Trung bình
Độc thân
Nhiều
Trung bình
Trung niên
Cao
Độc thân
Nhiều
Trung bình
Già
Thấp
Độc thân
Nhiều
Yếu
Già
Trung bình
Độc thân
Nhiều
Yếu
Già
Cao
Độc thân
Nhiều
Trung bình
Trẻ
Thấp
Có gia đình
Nhiều
Yếu
Trẻ
Trung bình
Có gia đình
Nhiều
Trung bình
Trẻ
Cao
Có gia đình
Nhiều
Trung bình
Trung niên
Thấp
Có gia đình
Nhiều
Yếu
Trung niên
Trung bình
Có gia đình
Nhiều
Trung bình
Trung niên
Cao
Có gia đình
Nhiều
Trung bình
Già
Thấp
Có gia đình
Nhiều
Yếu
Già
Trung bình
Có gia đình
Nhiều
Trung bình
Già
Cao
Có gia đình
Nhiều
Trung bình
B ng 3: Lu t cho nhóm Nhân khẩu học
N u Thu nh p hàng tháng
N u Thâm niên công tác
N u Lo i h p đ ng
Thì Tài chính
Thấp
Ngắn
Thời vụ
Yếu
Thấp
Trung bình
Thời vụ
Yếu
Thấp
Dài
Thời vụ
Trung bình
Thấp
Ngắn
Có thời hạn
Yếu
Thấp
Trung bình
Có thời hạn
Yếu
Thấp
Dài
Có thời hạn
Trung bình
Thấp
Ngắn
Không thời hạn
Yếu
Thấp
Trung bình
Không thời hạn
Trung bình
39
Logic mờ và các bài toán ứng dụng tọong lĩnh vực tài chính
Thấp
Dài
Không thời hạn
Trung bình
Trung bình
Ngắn
Thời vụ
Yếu
Trung bình
Trung bình
Thời vụ
Trung bình
Trung bình
Dài
Thời vụ
Trung bình
Trung bình
Ngắn
Có thời hạn
Yếu
Trung bình
Trung bình
Có thời hạn
Trung bình
Trung bình
Dài
Có thời hạn
Trung bình
Trung bình
Ngắn
Không thời hạn
Trung bình
Trung bình
Trung bình
Không thời hạn
Trung bình
Trung bình
Dài
Không thời hạn
Mạnh
Cao
Ngắn
Thời vụ
Trung bình
Cao
Trung bình
Thời vụ
Trung bình
Cao
Dài
Thời vụ
Mạnh
Cao
Ngắn
Có thời hạn
Trung bình
Cao
Trung bình
Có thời hạn
Mạnh
Cao
Dài
Có thời hạn
Mạnh
Cao
Ngắn
Không thời hạn
Mạnh
Cao
Trung bình
Không thời hạn
Mạnh
Cao
Dài
Không thời hạn
Mạnh
B ng 4: Lu t cho nhóm Tài chính
40
N u Giá trị tài s n xe
N u Giá trị tài s n nhà ở
N u Giá trị tài s n khác
Thì Tài s n đ m b o
Rẻ
Thấp
Thấp
Yếu
Rẻ
Trung bình
Thấp
Yếu
Rẻ
Cao
Thấp
Trung bình
Rẻ
Thấp
Trung bình
Yếu
Rẻ
Trung bình
Trung bình
Yếu
Rẻ
Cao
Trung bình
Mạnh
T p san Tin h c Ọu n lý, t p 03, số 1&2, 2014.
Rẻ
Thấp
Cao
Yếu
Rẻ
Trung bình
Cao
Trung bình
Rẻ
Cao
Cao
Mạnh
Vừa
Thấp
Thấp
Yếu
Vừa
Trung bình
Thấp
Trung bình
Vừa
Cao
Thấp
Mạnh
Vừa
Thấp
Trung bình
Trung bình
Vừa
Trung bình
Trung bình
Trung bình
Vừa
Cao
Trung bình
Mạnh
Vừa
Thấp
Cao
Trung bình
Vừa
Trung bình
Cao
Trung bình
Vừa
Cao
Cao
Mạnh
Đắt
Thấp
Thấp
Yếu
Đắt
Trung bình
Thấp
Trung bình
Đắt
Cao
Thấp
Mạnh
Đắt
Thấp
Trung bình
Trung bình
Đắt
Trung bình
Trung bình
Trung bình
Đắt
Cao
Trung bình
Mạnh
Đắt
Thấp
Cao
Trung bình
Đắt
Trung bình
Cao
Mạnh
Đắt
Cao
Cao
Mạnh
B ng 5: Lu t cho nhóm Tài s n đ m b o
N u Nhân khẩu học
N u Tài chính
N u Tài s n đ m b o
Thì K t qu (X p h ng)
Yếu
Yếu
Yếu
Rủi ro cao
Yếu
Yếu
Trung bình
Rủi ro cao
Yếu
Yếu
Mạnh
Rủi ro cao
Yếu
Trung bình
Yếu
Rủi ro cao
Yếu
Trung bình
Trung bình
Rủi ro trung bình
41
Logic mờ và các bài toán ứng dụng tọong lĩnh vực tài chính
Yếu
Trung bình
Mạnh
Rủi ro trung bình
Yếu
Mạnh
Yếu
Rủi ro trung bình
Yếu
Mạnh
Trung bình
Rủi ro trung bình
Yếu
Mạnh
Mạnh
Rủi ro thấp
Trung bình
Yếu
Yếu
Rủi ro cao
Trung bình
Yếu
Trung bình
Rủi ro cao
Trung bình
Yếu
Mạnh
Rủi ro trung bình
Trung bình
Trung bình
Yếu
Rủi ro trung bình
Trung bình
Trung bình
Trung bình
Rủi ro trung bình
Trung bình
Trung bình
Mạnh
Rủi ro trung bình
Trung bình
Mạnh
Yếu
Rủi ro trung bình
Trung bình
Mạnh
Trung bình
Rủi ro thấp
Trung bình
Mạnh
Mạnh
Rủi ro thấp
Mạnh
Yếu
Yếu
Rủi ro trung bình
Mạnh
Yếu
Trung bình
Rủi ro trung bình
Mạnh
Yếu
Mạnh
Rủi ro trung bình
Mạnh
Trung bình
Yếu
Rủi ro trung bình
Mạnh
Trung bình
Trung bình
Rủi ro trung bình
Mạnh
Trung bình
Mạnh
Rủi ro thấp
Mạnh
Mạnh
Yếu
Rủi ro thấp
Mạnh
Mạnh
Trung bình
Rủi ro thấp
Mạnh
Mạnh
Mạnh
Rủi ro thấp
B ng 6: Lu t cho X p h ng tín d ng
Korol (2012) đã thực nghiệm mô hình logic mờ cho bài toán xếp hạng tín dụng
trên tập dữ liệu 500 khách hàng tại Ba Lan. Hiệu quả của phương pháp tiếp cận
dựa trên logic mờ vượt trội hơn hẳn so với các mô hình thống kê (88,75% so với
72%).
42
T p san Tin h c Ọu n lý, t p 03, số 1&2, 2014.
5 TH O LU N VÀ TRAO Đ I
Các bài toán tài chính nói riêng và lĩnh vực kinh tế nói chung thường chứa
đựng những yếu tố (biến) không chắc chắn, khó lượng hóa một cách rõ
ràng. Phương pháp logic mờ có thể giải quyết tốt những bài toán có tính
chất này (từ các minh chứng thực nghiệm đã giới thiệu trên).
Đặc điểm của logic mờ là không cần phải xác định mô hình toán học (hoặc
mô hình thống kê) mô tả mối quan hệ giữa các biến trong bài toán mà chỉ
cần phát biểu tập luật dưới dạng ngôn ngữ tự nhiên “Nếu … thì…”. Điều
này làm cho phương logic mờ trở nên mềm dẻo và linh hoạt hơn các
phương pháp toán và thống kê truyền thống. Tập luật trong hệ logic mờ có
thể do chuyên gia cung cấp hoặc được rút ra từ tập dữ liệu quá khứ nhờ vào
các phương pháp khai phá dữ liệu (data mining).
Hiện nay có rất nhiều công cụ mạnh hỗ trợ việc ứng dụng logic mờ để giải
quyết các bài toán trong lĩnh vực kinh tế và kỹ thuật như: SPSS Clementine,
MATLAB,…
Với những bằng chứng thực nghiệm, chúng tôi nhận thấy rằng logic mờ
được xem như là một phương pháp tiếp cận mới để giải quyết các bài toán
trong lĩnh vực tài chính.
Tài liệu tham kh o
[1] Duan, J. C., & Shrestha, K. (2011), “Statistical Credit Rating Methods”, Global
Credit Review, 1, 43-64.
[2] Duc, V. H., & Thien, N. D. (2013), “A new approach to determining credit rating &
Its applications to Vietnam’s listed firms”.
[3] Jang, J. S. R., & Sun, C. T. (1996), Neuro-fuzzy and soft computing: a computational
approach to learning and machine intelligence, Prentice-Hall, Inc..
[4] Korol, T. and Korodian, A. (2011), “Evaluation of effectiveness of fuzzy logic model
in predicting the business bankruptcy”, Romanian Journal of Economic Forecasting,
pp 92 – 107.
[5] Korol, T. (2012), “Fuzzy logic in financial management”, Fuzzy logic-emerging
technologies and applications.
[6] Lahsasna, A., Ainon, R. N., & Teh, Y. W. (2010), “Credit Scoring Models Using Soft
Computing Methods: A Survey”. Int. Arab J. Inf. Technol., 7(2), 115-123.
[7] Malagoli, S., Magni, C., A, Buttignon, F. and Mastroleo, G. (2009), “Rating and
Ranking Firms with Fuzzy Expert Systems: The Case of Camuzzi”, IUP Jouọnal of
Applied Finance, Vol (15), October 2009.
[8] Othman, S. and Etienne, S. (2010), “Decision making using fuzzy logic for
stock trading”, Institute of Electrical and Electronics Engineers (IEEE),
Information Technology (ITSim), International Symposium Publications, Vol (2), pp
880 - 884.
[9] Vlachos, D. & Tolias, Y. A. (2003), “Neuro-fuzzy modeling in bankruptcy
prediction”, Yugoslav Journal of Operations Research, Vol (13), Issue (2), pp 165174.
[10]
Yildiz, B. và Akkoc, S, (2010), “Bankruptcy Prediction Using Neuro
Fuzzy: An Application in Turkish Banks”, International Research Journal of
Finance and Economics, Issue (60).
[11]
Zadeh, L.A. (1965), “Fuzzy sets”, Information and Control 8: pp 338–353.
[12]
D. Dubois, H. Prade. Fuzzy sets and systems: Theory and applications. Academic
press, New York, 1980.
43
Logic mờ và các bài toán ứng dụng tọong lĩnh vực tài chính
[13]
E. H. Mamdani, S. Assilian. An experiment in linguistic synthesis with a fuzzy
logic controller. International Journal of Man-Machine Studies, 7(1):1-13, 1975
Thông tin tác gi
Phan ảiền,
Khoa Hệ Thống Thông Tin Kinh Doanh – ĐH Kinh Tế HCM,
Email: hienphan@ueh.edu.vn
Thái Kim Phụng,
Khoa Hệ Thống Thông Tin Kinh Doanh – ĐH Kinh Tế HCM,
Email: phungthk@ueh.edu.vn
44