|
การประยุกต์ใช้แบบจำลอง machine learning เพื่อทำนายความเสี่ยงการผิดนัดชำระหนี้ของหุ้นกู้ภาคเอกชนในประเทศไทย |
|---|---|
| รหัสดีโอไอ | |
| Title | การประยุกต์ใช้แบบจำลอง machine learning เพื่อทำนายความเสี่ยงการผิดนัดชำระหนี้ของหุ้นกู้ภาคเอกชนในประเทศไทย |
| Creator | มนัสสร เลาหชนะกูร |
| Contributor | เอกจิตต์ จึงเจริญ, ที่ปรึกษา |
| Publisher | มหาวิทยาลัยธรรมศาสตร์ |
| Publication Year | 2568 |
| Keyword | ความเสี่ยงการผิดนัดชำระหนี้, หุ้นกู้ภาคเอกชน, การพยากรณ์ความเสี่ยงด้านเครดิต, แมชชีนเลิร์นนิง, Default risk, Corporate bonds, Credit risk prediction, Machine learning |
| Abstract | การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อศึกษาปัจจัยทางการเงินที่มีความสัมพันธ์กับความเสี่ยงในการผิดนัดชำระหนี้ของบริษัทผู้ออกหุ้นกู้ภาคเอกชนในประเทศไทย เพื่อพัฒนาแบบจำลองสำหรับพยากรณ์ความเสี่ยงการผิดนัดชำระหนี้และเปรียบเทียบประสิทธิภาพของแบบจำลองเชิงสถิติกับแบบจำลอง Machine Learning โดยใช้ข้อมูลบริษัทผู้ออกหุ้นกู้ภาคเอกชนในประเทศไทยในปี พ.ศ. 2560–2567 โดยมีตัวแปรที่ใช้ในการศึกษาเป็นอัตราส่วนทางการเงินจำนวน 10 ตัวแปร ครอบคลุมด้านสภาพคล่อง ความสามารถในการทำกำไร โครงสร้างเงินทุน ประสิทธิภาพในการดำเนินงาน กระแสเงินสด และขนาดกิจการ โดยกำหนดสถานะการผิดนัดชำระหนี้เป็นตัวแปรตาม และประยุกต์ใช้แบบจำลองจำนวน 3 วิธี ได้แก่ Logistic Regression, Artificial Neural Network และ Random Forest โดยผู้วิจัยได้ใช้วิธี 4-Fold Cross Validation เพื่อประเมินประสิทธิภาพของแบบจำลองและลดความเอนเอียงที่อาจเกิดขึ้นจากการแบ่งข้อมูลเพียงครั้งเดียวผลการศึกษาพบว่าแบบจำลองทั้งสามวิธีสามารถนำมาใช้ในการพยากรณ์ความเสี่ยงการผิดนัดชำระหนี้ของบริษัทผู้ออกหุ้นกู้ภาคเอกชนได้ในระดับที่น่าพอใจ โดยแบบจำลอง Logistic Regression ให้ค่า Accuracy เฉลี่ยสูงที่สุดสะท้อนถึงความสามารถในการจำแนกกลุ่มตัวอย่างได้อย่างถูกต้องโดยรวม ขณะที่แบบจำลอง ANN ให้ค่า ROC-AUC เฉลี่ยสูงที่สุดแสดงถึงประสิทธิภาพในการแยกแยะระหว่างกลุ่มบริษัทที่ผิดนัดชำระหนี้และกลุ่มบริษัทที่ยังดำเนินกิจการอยู่ได้ดีในภาพรวม ส่วนแบบจำลอง Random Forest แม้จะให้ค่าความแม่นยำและค่า ROC-AUC ต่ำกว่าสองแบบจำลองแรกแต่ยังคงสามารถสะท้อนความสัมพันธ์ที่ไม่เป็นเชิงเส้นของตัวแปรทางการเงินได้อย่างมีประสิทธิภาพ นอกจากนี้ผลการวิเคราะห์ความสำคัญของตัวแปรยังพบว่าปัจจัยด้านโครงสร้างเงินทุน ความสามารถในการทำกำไร กระแสเงินสดจากการดำเนินงาน และขนาดกิจการ เป็นปัจจัยที่มีความสัมพันธ์กับความเสี่ยงการผิดนัดชำระหนี้ของบริษัทผู้ออกหุ้นกู้ภาคเอกชนในประเทศไทยอย่างไรก็ตามการศึกษาครั้งนี้ยังมีข้อจำกัดจากลักษณะข้อมูลที่มีความไม่สมดุลระหว่างจำนวนบริษัทที่ผิดนัดชำระหนี้และบริษัทที่ยังดำเนินกิจการอยู่ส่งผลให้แบบจำลองส่วนใหญ่สามารถจำแนกกลุ่มบริษัทที่ยังดำเนินกิจการอยู่ได้ดีกว่ากลุ่มบริษัทที่ผิดนัดชำระหนี้ แต่ผลการศึกษาก็ยังคงสะท้อนให้เห็นถึงศักยภาพของการประยุกต์ใช้แบบจำลอง Machine Learning ในการประเมินความเสี่ยงด้านเครดิตและสนับสนุนการตัดสินใจลงทุนในตลาดตราสารหนี้ภาคเอกชนของประเทศไทยโดยสามารถใช้เป็นเครื่องมือเสริมร่วมกับการวิเคราะห์ทางการเงินและการจัดอันดับความน่าเชื่อถือเพื่อเพิ่มประสิทธิภาพในการติดตามและประเมินความเสี่ยงของผู้ออกตราสารหนี้ได้ในอนาคต |
