Nghiên cứu ứng dụng AI khả diễn trong FinTech: Tối ưu hóa đầu tư bền vững dựa trên tiêu chí ESG tại Việt Nam

Anh Hoàng; Phương Lê Vũ Uyên; Mẫn Nguyễn Minh; Nhi Võ Huỳnh Yến

doi:10.24311/jabes/2025.36.2.07

Các tác giả

Hoàng Anh Đại học Kinh tế Thành phố Hồ Chí Minh Tác giả
Lê Vũ Uyên Phương Đại học Kinh tế Thành phố Hồ Chí Minh Tác giả
Nguyễn Minh Mẫn Đại học Kinh tế Thành phố Hồ Chí Minh Tác giả
Võ Huỳnh Yến Nhi Đại học Kinh tế Thành phố Hồ Chí Minh Tác giả

DOI:

https://doi.org/10.24311/jabes/2025.36.2.07

Từ khóa:

XAI, Fintech, Đầu tư bền vững, ESG

Tóm tắt

Nghiên cứu này khám phá vai trò của AI khả diễn (XAI) ứng dụng thúc đẩy chiến lược đầu tư bền vững trong lĩnh vực công nghệ tài chính (FinTech) tại Việt Nam. Trong khi các mô hình AI góp phần nâng cao hiệu quả trong quá trình ra quyết định đầu tư, thì những hạn chế về tính minh bạch đang là rào cản đáng kể đối với việc tích hợp các tiêu chí Môi trường, Xã hội và Quản trị (ESG). XAI được xem là giải pháp tiềm năng để giải quyết vấn đề này bằng việc tăng cường tính minh bạch, cải thiện khả năng diễn giải, và có trách nhiệm giải trình nhằm củng cố niềm tin của nhà đầu tư trong quá trình ra quyết định. Trong bối cảnh Việt Nam đang có sự thay đổi mạnh mẽ về AI và Dữ liệu lớn, cùng với tiềm năng tăng trưởng cao của công nghệ và ứng dụng FinTech: Nghiên cứu này dựa trên phân tích dữ liệu thứ cấp từ các báo cáo tài chính và ESG, đồng thời ứng dụng các mô hình AI tân tiến kết hợp nền tảng toán học SHAP nhằm làm rõ cách thức XAI được sử dụng để nâng cao hiệu quả phân bổ nguồn lực, quản lý rủi ro và thúc đẩy phát triển bền vững trong dài hạn.

Tài liệu tham khảo

Acemoglu, D., Ozdaglar, A., & Tahbaz-Salehi, A. (2015). Systemic risk and stability in financial networks. American Economic Review, 105(2), 564-608.

Adadi, A., & Berrada, M. (2018). Peeking inside the black-box: A survey on explainable artificial intelligence (XAI). IEEE Access, 6, 52138-52160.

Anderson, H., Paddrik, M., & Wang, J. J. (2019). Bank networks and systemic risk: Evidence from the National Banking Acts. American Economic Review, 109(9), 3125-3161.

Alam, A., Banna, H., Alam, A. W., Bhuiyan, M. B. U., & Mokhtar, N. B. (2024). Climate change and geopolitical conflicts: The role of ESG readiness. Journal of Environmental Management, 353, 120284.

Albuquerque, R., Koskinen, Y., & Zhang, C. (2019). Corporate social responsibility and firm risk: Theory and empirical evidence. Management Science, 65(10), 4451-4469.

Angelov, P., & Soares, E. (2020). Towards explainable deep neural networks (xDNN). Neural Networks, 130, 185-194.

Angelov, P. P., Soares, E. A., Jiang, R., Arnold, N. I., & Atkinson, P. M. (2021). Explainable artificial intelligence: An analytical review. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 11(5), e1424.

Bloomberg Intelligence. (2024). Global ESG assets predicted to hit $40 trillion by 2030, despite challenging environment, forecasts Bloomberg Intelligence. https://www.bloomberg.com/company/press/global-esg-assets-predicted-to-hit-40-trillion-by-2030-despite-challenging-environment-forecasts-bloomberg-intelligence/

Bussmann, N., Giudici, P., Marinelli, D., & Papenbrock, J. (2020). Explainable AI in fintech risk management. Frontiers in Artificial Intelligence, 3. https://doi.org/10.3389/frai.2020.00026

Caruana, R., Lou, Y., Gehrke, J., Koch, P., Sturm, M., & Elhadad, N. (2015). Intelligible models for healthcare: Predicting pneumonia risk and hospital 30-day readmission. Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 1721-1730).

Černevičienė, J., & Kabašinskas, A. (2024). Explainable artificial intelligence (XAI) in finance: A systematic literature review. Artificial Intelligence Review, 57(8), 216.

Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)?–Arguments against avoiding RMSE in the literature. Geoscientific Model Development, 7(3), 1247-1250.

Chen, T., & Guestrin, C. (2016). XGboost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.

Biecek, P., Chlebus, M., Gajda, J., Gosiewska, A., Kozak, A., Ogonowski, D.,… Wojewnik, P. (2021). Enabling machine learning algorithms for credit scoring -- Explainable artificial intelligence (XAI) methods for clear understanding complex predictive models. https://doi.org/10.48550/arXiv.2104.06735

Demajo, L. M., Vella, V., & Dingli, A. (2020). Explainable ai for interpretable credit scoring. https://doi.org/10.5121/csit.2020.101516

Doshi-Velez, F., & Kim, B. (2017). Towards a rigorous science of interpretable machine learning. https://doi.org/10.48550/arXiv.1702.08608

Eccles, R. G., Ioannou, I., & Serafeim, G. (2014). The impact of corporate sustainability on organizational processes and performance. Management Science, 60(11), 2835-2857.

Elton, E. J., & Gruber, M. J. (1997). Modern portfolio theory, 1950 to date. Journal of Banking & Finance, 21(11-12), 1743-1759.

Fabozzi, F. J., Markowitz, H. M., & Gupta, F. (2008). Portfolio selection. In Handbook of Finance (Vol. 2, pp. 3-13). https://doi.org/10.1002/9780470404324.hof002001

Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., . . . Rossi, F. (2018). AI4People – An ethical framework for a good AI society: Opportunities, risks, principles, and recommendations. Minds and Machines, 28, 689-707.

Friede, G., Busch, T., & Bassen, A. (2015). ESG and financial performance: Aggregated evidence from more than 2000 empirical studies. Journal of Sustainable Finance & Investment, 5(4), 210-233.

Giese, G., Lee, L. E., Melas, D., Nagy, Z., & Nishikawa, L. (2019). Foundations of ESG investing: How ESG affects equity valuation, risk, and performance. Journal of Portfolio Management, 45(5), 69-83.

Grossman, G. M., & Krueger, A. B. (1995). Economic growth and the environment. The Quarterly Journal of Economics, 110(2), 353-377.

Holzinger, A. (2018). From machine learning to explainable AI. 2018 World Symposium on Digital Intelligence for Systems and Machines (DISA), Košice, Slovakia, 2018, pp. 55-66.

Huỳnh Diệu Ngân. (2024). Hành trình ESG của Việt Nam: Thực trạng và giải pháp. https://kinhtevadubao.vn/hanh-trinh-esg-cua-viet-nam-thuc-trang-va-giai-phap-28995.html

Ioannou, I., & Serafeim, G. (2010). The impact of corporate social responsibility on investment recommendations. Academy of Management Proceedings, 2010(1). https://doi.org/10.5465/ambpp.2010.54493509

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning (1st ed.). Springer.

Khan, M., Serafeim, G., & Yoon, A. (2016). Corporate sustainability: First evidence on materiality. The Accounting Review, 91(6), 1697-1724.

Leung, C. K., Ko, J., & Chen, X. (2025). Economic crises and the erosion of sustainability: A global analysis of ESG performance in 100 countries (1990–2019). Innovation and Green Development, 4(2), 100226. https://doi.org/10.1016/j.igd.2025.100226

Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Proceedings of the 31st International Conference on Neural Information Processing Systems (pp. 4768-4777).

Mention, A.-L. (2019). The future of fintech. Research-Technology Management, 62(4), 59-63. https://doi.org/10.1080/08956308.2019.1613123

Molnar, C. (2022). Interpretable Machine Learning. A Guide for Making Black Box Models Explainable. Independently Published.

MSCI. (2024). MSCI ESG ratings methodology. Retrieved from https://www.msci.com/documents/1296102/34424357/MSCI+ESG+Ratings+Methodology.pdf

Nardo, M., Saisana, M., Saltelli, A., Tarantola, S., Hoffman, A., & Giovannini, E. (2005). Handbook on constructing composite indicators: methodology and user guide (OECD Statistics Working Papers No. 2005/03). Paris: OECD Publishing. https://doi.org/10.1787/533411815016

PwC. (2022). Báo cáo về Mức độ sẵn sàng thực hành ESG tại Việt Nam năm 2022. https://www.pwc.com/vn/vn/publications/vietnam-publications/esg-readiness-2022.html

Trần Ngọc Hùng. (2023). ESG Trong môi trường bất định COVID-19: Nghiên cứu thực nghiệm tại các doanh nghiệp Việt Nam. Tạp Chí Kinh tế & Phát triển, 311(2), 44-53.

Trương Đình Hải Thụy, & Nguyễn Thị Trần Lộc. (2025). Tăng cường ứng dụng trí tuệ nhân tạo (AI) trong phát triển kinh tế Việt Nam. https://kinhtevadubao.vn/tang-cuong-ung-dung-tri-tue-nhan-tao-ai-trong-phat-trien-kinh-te-viet-nam-31289.html