Những đóng góp mới về mặt lý luận Luận án đã hệ thống hóa cơ sở lý luận về trí tuệ nhân tạo trong quản lý rủi ro tín dụng. Các mô hình trí tuệ nhân tạo được phân tích, làm rõ theo các bước của quản lý rủi ro tín dụng bao gồm: nhận diện, đo lường, sử dụng công cụ quản lý và báo cáo, giám sát. Luận án cũng đồng thời đưa ra khung lý thuyết để xây dựng, điều kiện ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại. Đây là cơ sở để tiến hành mô hình trí tuệ nhân tạo thực nghiệm và đưa ra các giải pháp kiến nghị khi áp dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam. 2. Những đóng góp mới về mặt thực tiễn Một là, luận án đã sử dụng phương pháp khảo sát đối với lãnh đạo và nhân viên để đánh giá thực trạng quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam. Nội dung khảo sát tập trung vào các bước trong quy trình quản lý rủi ro tín dụng để tạo cơ sở cho việc đánh giá các điều kiện ứng dụng trí tuệ nhân tạo tại ngân hàng này. Hai là, luận án đã sử dụng trí tuệ nhân tạo xây dựng mô hình đo lường rủi ro tín dụng dựa theo dữ liệu thực tế tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam. Các mô hình đo lường rủi ro tín dụng được thiết kế theo cách tiếp cận nâng cao (AIRB) của Basel II mà trong đó trí tuệ nhân tạo được áp dụng triệt để trong việc xác định xác suất vỡ nợ (PD), tỷ lệ tổn thất khi vỡ nợ (LGD) và dư nợ tại thời điểm vỡ nợ (EAD). Thêm vào đó, luận án cũng đưa ra sự so sánh để đánh giá hiệu quả giữa các mô hình đo lường rủi ro tín dụng được xây dựng dựa trên trí tuệ nhân tạo và các kĩ thuật truyền thống. Ba là, luận án đã đề xuất hệ thống giải pháp và kiến nghị để ứng dụng mô hình trí tuệ nhân tạo vào hoạt động quản lý rủi ro tín dụng trên hai khía cạnh chính là quy trình xây dựng, áp dụng các mô hình này trong thực tế và hoàn thiện các điều kiện hỗ trợ ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam.
TỔNG QUAN NGHIÊN CỨU VỀ TRÍ TUỆ NHÂN TẠO
Các nghiên cứu về mô hình quản lý rủi ro tín dụng
Bullivant (2010) trình bày một cái nhìn toàn diện về quản lý rủi ro tín dụng, tổng hợp mọi khía cạnh liên quan đến mô hình và thực thi trong lĩnh vực này Bài viết nêu chi tiết từ hướng dẫn về chính sách tín dụng và quản lý các chức năng tín dụng, điều kiện tín dụng, đánh giá rủi ro cho đến quản trị và mô hình hóa rủi ro, thu hồi nợ, bảo hiểm tín dụng, tín dụng xuất khẩu, tín dụng tiêu dùng, luật tín dụng thương mại và các dịch vụ tín dụng.
Một số hướng dẫn và nghiên cứu của IIA (2020) và Oliver Wyman (2016) về mô hình ba lớp bảo vệ, hay theo cách gọi cải tiến của Basel (2015) là “bốn lớp bảo vệ”, được xem là chuẩn mực trong quản lý rủi ro nói chung và quản lý rủi ro tín dụng nói riêng Mô hình quản lý rủi ro theo “ba lớp phòng vệ” được phát triển lần đầu bởi Institute of Internal Auditors (IIA) và được áp dụng như một khung làm việc nhằm tăng cường sự phối hợp giữa các chức năng quản trị, kiểm toán nội bộ và quản lý rủi ro để ngăn ngừa và kiểm soát rủi ro hiệu quả.
Mô hình năm 2013 đưa ra một cách tiếp cận đơn giản và hiệu quả để tăng cường trao đổi giữa quản trị rủi ro và kiểm soát bằng cách làm rõ vai trò và nhiệm vụ của các bên liên quan Mô hình nhấn mạnh phân tách chức năng quản lý rủi ro thành ba lớp độc lập gồm bộ phận kinh doanh, quản lý rủi ro và kiểm toán nội bộ Nghiên cứu của Tammenga (2020) đánh giá mức độ phù hợp của mô hình khi áp dụng các công cụ hiện đại như trí tuệ nhân tạo Kết quả cho thấy trí tuệ nhân tạo, khi được áp dụng có kiểm soát vào lớp bảo vệ thứ hai, phù hợp và an toàn cho hoạt động quản lý rủi ro.
Nguyễn Văn Tiến (2015) nghiên cứu về mô hình quản trị ngân hàng và xác định điểm căn bản của mô hình quản lý rủi ro tín dụng là sự độc lập giữa các khối kinh doanh, khối quản lý rủi ro và khối xử lý nội bộ, nhưng vẫn bảo đảm sự liên kết và trao đổi thông tin giữa các khối để nhận diện và xử lý rủi ro hiệu quả.
Đảm bảo quy trình quản lý tín dụng tập trung là nền tảng cho hệ thống ngân hàng hiện đại Dựa trên đề xuất mô hình tín dụng tập trung, Ghosh (2012) cho rằng ngân hàng cần có một bộ phận riêng làm quản lý rủi ro tín dụng do tần suất xuất hiện rủi ro cao và mức độ nghiêm trọng của rủi ro mà ngân hàng phải đối mặt Hai nghiên cứu thống nhất với việc lựa chọn mô hình tập trung đã phân tách rõ ràng chức năng kinh doanh với chức năng giám sát và kiểm soát rủi ro Đây là nền tảng lý thuyết cho mô hình quản trị rủi ro mang tính chuẩn mực, phù hợp với xu hướng quản trị ngân hàng hiện đại.
Trần Khánh Dương (2019) nghiên cứu về phòng ngừa và hạn chế rủi ro tín dụng tại Ngân hàng Thương mại cổ phần Đầu tư và Phát triển Việt Nam cho thấy hai dạng mô hình phổ biến về cơ cấu tổ chức quản lý rủi ro tín dụng ở ngân hàng thương mại là mô hình quản lý rủi ro tín dụng tập trung và mô hình quản lý rủi ro tín dụng phân tán; nghiên cứu cũng chỉ ra các nhân tố ảnh hưởng đến lựa chọn mô hình này, bao gồm định hướng quản lý rủi ro tín dụng, quy mô ngân hàng, trình độ công nghệ và trình độ nhân lực Ngoài ra, các nghiên cứu về quản lý rủi ro tín dụng tại một ngân hàng cụ thể khác được đề cập như luận án tiến sĩ của Nguyễn Quang Hiện (2016) về Ngân hàng TMCP Quân đội, luận án của Lê Thị Hạnh (2017) về Vietcombank và Nguyễn Như Dương, cho thấy thêm các đóng góp thực tiễn và lý luận trong lĩnh vực này.
Nghiên cứu của Lê Thị Huyền Diệu (2010) trình bày tổng quan các mô hình quản lý rủi ro tín dụng và các luận cứ khoa học hỗ trợ lựa chọn mô hình phù hợp cho điều kiện hoạt động của các ngân hàng thương mại Việt Nam Trên cơ sở đó, nghiên cứu của Nguyễn Bích Ngân (2020) thực hiện mô phỏng mô hình quản lý rủi ro danh mục theo cách tiếp cận cơ bản dựa trên xếp hạng nội bộ (FIRB) của Basel.
Nghiên cứu về đánh giá rủi ro tín dụng
Trong nghiên cứu toàn diện năm 2017, Koulafetis trình bày các mô hình đo lường rủi ro tín dụng, tập trung vào các mô hình đo lường rủi ro danh mục và phân tích chúng từ Basel theo ba cách tiếp cận: tiếp cận tiêu chuẩn (SA), tiếp cận cơ bản dựa trên xếp hạng tín dụng nội bộ (FIRB) và tiếp cận nâng cao dựa trên xếp hạng tín dụng nâng cao (AIRB); đồng thời xem xét các mô hình do các định chế tài chính lâu đời trên thế giới phát triển như CreditMetrics của JP Morgan (1997), KMV của Moody’s (2002) và CreditRisk+ của Credit Suisse.
CreditPortfolioView, được Wilson giới thiệu vào năm 1997 và sau đó được McKinsey áp dụng, là một khung mô hình hóa rủi ro tín dụng quan trọng Nghiên cứu cho thấy các mô hình này chủ yếu tập trung đo lường một đại lượng lý thuyết duy nhất là mức tổn thất ngoài dự tính (UL), trong khi một số mô hình khác lại tập trung vào thiết lập các cơ chế mô phỏng giá trị danh mục trong tương lai (Saunders & Allen, 2010).
Witzany (2017) trình bày cơ sở lý thuyết của các mô hình đo lường rủi ro danh mục tín dụng và mô tả các bước tính toán của chúng; trong đó CreditMetrics dựa trên mô phỏng Monte Carlo, CreditRisk+ xây dựng một khung phân bổ tổn thất cho danh mục tín dụng mà không cần thông qua mô phỏng Monte Carlo, CreditPortfolioView đưa vào các yếu tố vĩ mô để làm rõ ảnh hưởng của chúng tới khả năng vỡ nợ, còn KMV dựa trên giá trị chịu rủi ro (VaR) và xem khoản vay như một hợp đồng quyền chọn.
Rất nhiều nghiên cứu tập trung phân tích mô hình đo lường rủi ro tín dụng theo khung Basel, điển hình có Acharya và cộng sự (2006), Carey & Gordy (2007), Hibbeln (2010), Engelmann & Rauhmeier (2006), Witzany (2017) và Jacob (2010) Các nghiên cứu này mô tả chi tiết cơ sở lý thuyết và triển khai mô phỏng để áp dụng các khuyến nghị Basel II vào rủi ro tín dụng, từ việc xác định yếu tố rủi ro và cấu trúc mô hình đến đánh giá hiệu quả quản trị rủi ro và sự ổn định của hệ thống tài chính Những phân tích này giúp làm rõ cách đo lường và giám sát rủi ro tín dụng theo Basel II, đồng thời chỉ ra các thách thức thực tiễn khi triển khai các mô hình rủi ro tín dụng trong ngân hàng và thị trường.
13 mô hình quan trọng nhất trong cách tiếp cận Basel để đánh giá rủi ro tín dụng bao gồm PD (xác suất khách hàng không trả được nợ), LGD (tỷ lệ tổn thất khi khách hàng vỡ nợ) và EAD (dư nợ tại thời điểm vỡ nợ) Những mô hình này giúp ngân hàng ước lượng rủi ro tín dụng, dự báo khả năng vỡ nợ, mức tổn thất tiềm năng và mức dư nợ chịu rủi ro, từ đó hình thành khung quản trị rủi ro Basel hiệu quả và nhất quán cho quản lý nợ vay và an toàn vốn.
Luận án trình bày việc kế thừa các luận cứ lý thuyết về mô hình quản lý rủi ro tín dụng dựa trên cách tiếp cận xếp hạng tín dụng nội bộ nâng cao (AIRB) theo Basel II để xây dựng hệ thống xếp hạng tín dụng nội bộ cho Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam (Agribank) Thông qua việc hệ thống hóa các yếu tố xếp hạng tín dụng nội bộ và các tham số liên quan, nghiên cứu chứng minh tính phù hợp của phương pháp AIRB trong việc đo lường rủi ro tín dụng một cách chi tiết và nhạy bén, từ đó nâng cao độ chính xác của ước lượng dự phòng và vốn chịu rủi ro Hệ thống xếp hạng nội bộ được thiết kế nhằm phục vụ quản trị rủi ro và cấp tín dụng hiệu quả cho lĩnh vực nông nghiệp và phát triển nông thôn, đồng thời phù hợp với yêu cầu và chuẩn Basel II về quản trị rủi ro tài chính Kết quả hướng tới tăng cường khả năng quản trị rủi ro của Agribank và cải thiện hiệu quả cấp tín dụng với mức rủi ro được kiểm soát chặt chẽ.
1.2.1 Nghiên cứu về đo lường xác suất vỡ nợ
Altman (1968) là một trong những người đầu tiên đặt nền móng cho việc phân loại khách hàng vay theo rủi ro tín dụng bằng một mô hình định lượng, với điểm số Z (Z score) được xây dựng dựa trên phương pháp phân tích phân biệt (Multiple Discriminant Analysis – MDA) để phân loại khả năng vỡ nợ Tương tự, Wiginton (1980) đã góp phần làm cho mô hình Logit (LR) trở nên phổ biến trong các nghiên cứu và ứng dụng về xếp hạng tín dụng Cả hai nghiên cứu này đều đánh giá hiệu quả của mô hình thông qua ma trận phân loại, so sánh tỷ lệ phân loại đúng và sai giữa nợ xấu và nợ tốt.
Arminger và cộng sự (1997) thực hiện nghiên cứu với ba phương pháp chính là phân tích phân biệt logistic (logistic discriminant analysis), phân tích CART, và phân tích dữ liệu từ một ngân hàng Đức với 8.163 quan sát trong hai năm 1991–1992 Kết quả cho thấy các yếu tố như tuổi trưởng thành, thâm niên công tác, sở hữu ôtô, giới tính nữ và tình trạng có gia đình đều có liên quan đến khả năng trả nợ cao hơn.
Vasanthi và Raja (2006) ước tính khả năng vỡ nợ liên quan đến thu nhập và các yếu tố khác dựa trên dữ liệu của Úc cho một mẫu gồm 3.431 hộ gia đình Nghiên cứu cho thấy độ tuổi của khách hàng, thu nhập và các yếu tố nhân khẩu học là những yếu tố quan trọng ảnh hưởng đến khả năng vỡ nợ.
Autio và cộng sự (2009) đã nghiên cứu việc sử dụng các khoản vay nóng ở Phần Lan thông qua một khảo sát trực tuyến dành cho nhóm tuổi từ 18 đến 29, với các câu hỏi về tuổi tác, giới tính, tình hình tài chính, thu nhập, việc làm và cơ cấu gia đình Kết quả cho thấy số lượng khoản vay được xác định bởi các yếu tố như tình trạng nghề nghiệp, mức thu nhập và cơ cấu hộ gia đình, trong khi giới tính có vẻ không ảnh hưởng đáng kể đến số lượng vay.
Kocenda & Vojtek (2011) nghiên cứu một mẫu gồm 3.403 quan sát với
Có tổng cộng 21 biến giải thích được đưa vào phân tích Áp dụng hai phương pháp hồi quy logistic và phân tích CART, kết quả cho thấy các yếu tố như tài sản, trình độ học vấn, tình trạng hôn nhân, mục đích vay và thời gian có tài khoản ngân hàng có ảnh hưởng rõ rệt đến nguy cơ vỡ nợ trong danh mục vay tiêu dùng.
Trong nghiên cứu của Nwachukwu (2013) về các khoản vay trong lĩnh vực nông nghiệp tại Nigeria, tỷ lệ vỡ nợ của khách hàng được nhận định là rất cao, lên trên 50% Dữ liệu khảo sát gồm 36 đặc điểm về người vay được phân theo 6 nhóm thông tin: cá nhân và hộ gia đình, hoạt động kinh doanh, khoản vay và tổ chức cho vay, tham gia các nhóm tiết kiệm và hợp tác xã, tài sản, thu nhập và chi tiêu, và cơ sở hạ tầng Kết quả cho thấy có bốn yếu tố ảnh hưởng đáng kể đến khả năng trả nợ của khách hàng: độ tuổi, tần suất kiểm tra tín dụng bởi bên cho vay, tiền gửi tiết kiệm trong các nhóm tương trợ và tổng tiền tiết kiệm theo năm.
Nghiên cứu của Dinh & Kleimeier (2007) là một trong số ít nghiên cứu ở Việt Nam dùng mô hình định lượng (mô hình logistic) để xếp hạng tín dụng cá nhân Mục tiêu của nghiên cứu là xây dựng mô hình chấm điểm tín dụng và đề xuất các chính sách sử dụng phù hợp đối với mảng tín dụng cá nhân tại Việt Nam Dữ liệu dùng để xây dựng mô hình gồm 56.037 quan sát với 22 đặc điểm khách hàng Kết quả cho thấy 16 yếu tố ảnh hưởng đáng kể đến xếp hạng tín dụng cá nhân.
Trong nghiên cứu, thắt chặt yếu tố thâm niên giao dịch với ngân hàng, giới tính, số khoản vay, thời hạn vay, tài khoản tiết kiệm, khu vực và tình trạng nhà ở được nhấn mạnh như những biến trọng yếu cho điểm tín dụng Nghiên cứu cũng đưa ra hai tiêu chí để đánh giá sự phù hợp của mô hình chấm điểm tín dụng: ma trận tỷ lệ phân loại đúng và chi phí phân loại lỗi Những tiêu chí này giúp cân nhắc giữa độ chính xác và chi phí khi áp dụng mô hình trên các nhóm khách hàng khác nhau để nâng cao hiệu quả dự báo rủi ro tín dụng.
Bên cạnh việc sử dụng dữ liệu chính thức từ các tổ chức tín dụng, một số nghiên cứu xem xét khả năng vỡ nợ và tiếp cận vốn của khách hàng vay thông qua thông tin được thu thập bằng các cuộc khảo sát trực tiếp khách hàng vay Tra Pham và Lensink (2008) đã dùng bộ dữ liệu gồm 4.334 quan sát từ kết quả khảo sát hộ gia đình Việt Nam do Tổng cục Thống kê thực hiện vào năm 1998 để xem xét sự khác biệt về khả năng vỡ nợ giữa tín dụng chính thức, phi chính thức và bán chính thức Kết quả cho thấy hạn mức tín dụng, mục đích vay và khu vực sinh sống là ba yếu tố ảnh hưởng mạnh nhất ở thị trường Việt Nam.
Nghiên cứu về mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng
Cùng với sự bùng nổ công nghệ trong cuộc cách mạng 4.0, trí tuệ nhân tạo nói chung và trí tuệ nhân tạo trong lĩnh vực tín dụng nói riêng đã thu hút sự quan tâm đáng kể từ các nhà nghiên cứu Các nghiên cứu quốc tế về AI trong tín dụng được thực hiện ở nhiều góc độ khác nhau, từ các lý thuyết tổng quát về trí tuệ nhân tạo đến xây dựng các mô hình thực nghiệm Để có cái nhìn tổng quan, Latimore (2018) đã hệ thống hóa các ứng dụng AI trong lĩnh vực ngân hàng nói chung và tín dụng nói riêng, căn cứ vào bốn nhiệm vụ: (1) phân tích; (2) tương tác.
19 với khách hành; (3) tự động hóa quy trình; (4) thiết lập báo cáo Nghiên cứu cũng đưa ra ba điểm quan trọng cần quan tâm khi nghiên cứu về trí tuệ nhân tạo đó là: (1) việc giải thích tại sao và bằng cách nào trí tuệ nhân tạo đưa ra các kết quả là rất khó khăn; (2) càng nhiều dữ liệu thì càng cải thiện các mô hình này; (3) việc đưa thêm vào các đánh giá của con người sẽ tăng cường hiệu quả cho trí tuệ nhân tạo Bên cạnh đó, nghiên cứu cũng đưa ra nhận định các ngân hàng sẽ nâng cao hiệu quả hoạt động nhờ vào giảm thiểu chi phí, giảm thiểu rủi ro và tăng lợi nhuận khi áp dụng trí tuệ nhân tạo
Một số tác giả như Abdou và Pointon (2011), Chen và cộng sự (2016) hệ thống hóa các loại mô hình trí tuệ nhân tạo được sử dụng trong các nghiên cứu thực nghiệm đánh giá rủi ro tín dụng Các mô hình được sử dụng rất đa dạng bao gồm các dạng Học máy (machine learning) như các mô hình dựa trên Cây quyết định (Decision tree -DT), máy véc-tơ hỗ trợ (Support vector machine - SVM) đến các mô hình Học sâu (deep learning) như mạng nơ ron đa lớp truyền thẳng (multi-layer perceptron –MLP), mạng nơ ron xác suất (probabilistic neural network - PNN) Đồng thời, các nghiên cứu trên cũng chỉ ra động lực cho các ngân hàng thương mại ứng dụng trí tuệ nhân tạo vào hoạt động kinh doanh cùng với đó là một số thách thức, rủi ro cần phải vượt qua
Trong bối cảnh nghiên cứu thực nghiệm về khai phá dữ liệu và đo lường rủi ro tín dụng bằng mô hình trí tuệ nhân tạo, nhiều công trình đã đánh giá khả năng khai thác dữ liệu và hiệu quả dự báo của các mô hình này Các nghiên cứu tiêu biểu gồm Desai và cộng sự (1995) và West (2000) nhấn mạnh vai trò của dữ liệu và cấu trúc mô hình trong khai phá dữ liệu, Abdou và cộng sự (2008) cùng Tsai và Wu (2008) so sánh các kỹ thuật AI với các phương pháp truyền thống để đo lường rủi ro tín dụng, Brown (2012) mở rộng khung đánh giá bằng các thước đo xác suất và ROC; Zhao và cộng sự (2015) và Tang và cộng sự (2018) phân tích tác động của đặc trưng và tối ưu tham số đối với hiệu suất dự báo Những kết quả này cho thấy tiềm năng của AI trong nhận diện và đo lường rủi ro tín dụng, đồng thời nhấn mạnh sự cần thiết của các đánh giá dựa trên dữ liệu thực nghiệm và khung đo lường phù hợp.
Desai và cộng sự (1995) nghiên cứu khả năng phân loại của các mô hình nơ-ron multilayer perceptron (MLP) và modular neural networks (MNN), so sánh với các mô hình truyền thống như MLD và LR Kết quả cho thấy LR có tỷ lệ phân loại đúng cao nhất trên toàn tập với 81.7%, tuy nhiên hiệu suất của các mô hình còn lại phụ thuộc vào đặc thù dữ liệu và cách thiết lập tham số huấn luyện.
Trong quá trình so sánh các mô hình phân loại nợ xấu, mô hình MLP ghi nhận tỷ lệ phân loại đúng nợ xấu cao nhất là 42,08%, vượt đáng kể so với mô hình LR Việc phân loại sai một khoản nợ xấu gây tổn thất cho ngân hàng lớn gấp nhiều lần so với việc phân loại sai một khoản nợ tốt, do đó việc ứng dụng mạng nơ-ron MLP có vai trò quan trọng khi ngân hàng cân nhắc tối đa hóa lợi nhuận Tóm lại, để giảm rủi ro nợ xấu và tối ưu hóa lợi nhuận, ngân hàng nên xem xét sử dụng MLP làm công cụ phân loại nợ xấu chủ chốt.
West (2000) nghiên cứu khả năng phân loại chính xác của năm mô hình nơ-ron gồm multilayer perceptron (MLP), mixture-of-experts (MOE), radial basis function (RBF), learning vector quantization (LVQ) và fuzzy adaptive resonance (FAR), được huấn luyện 10 lần độc lập dựa trên hai bộ dữ liệu thực tế về khách hàng cá nhân tại Đức và Úc với tỉ lệ nợ xấu lần lượt là 30% và 56% Kiểm định McNemar's chi-square cho thấy có sự cải thiện nhỏ và sự khác biệt tương đối giữa các lần huấn luyện Các mô hình này được so sánh với các mô hình khác là MDA, LR, KNN Đối với bộ dữ liệu khách hàng tại Đức, mô hình MOE cho kết quả phân loại đúng cao nhất với tỷ lệ 78.6% Đối với bộ dữ liệu khách hàng cá nhân tại Úc, mô hình RBF đạt tỷ lệ phân loại tốt nhất là 88.78%, kế đến là mô hình MLP với 87.68%.
Abdou và cộng sự (2008) nghiên cứu khả năng khai thác dữ liệu của các mô hình nơ-ron MLP và PNN so với các mô hình truyền thống trên một bộ dữ liệu gồm 581 quan sát (25,5% nợ xấu) với 9 đặc điểm từ các khách hàng vay tại Ai Cập Mạng nơ-ron được huấn luyện để tìm cấu trúc hợp lý nhất từ 2 đến 6 nút, sau đó mỗi mô hình được huấn luyện thêm 20 lần để xác định mô hình có độ chính xác cao nhất Kết quả cho thấy mô hình MLP với 5 nút đạt độ chính xác cao nhất, phân loại nợ tốt đúng 95,6% và nợ xấu đúng 92,57% Nghiên cứu cũng trình bày cách tính tổn thất cho phân loại sai và cho tỷ lệ tổn thất khi phân loại sai hai loại nợ này là 5:1.
Tsai và Wu (2008) đề xuất ghép các mạng neuron MLP thành một hệ thống Multi MLP (MMLP) nhằm nâng cao hiệu quả phân loại nợ, với nguyên lý kết hợp là tổng hợp đầu ra phân loại từ các mô hình đơn lẻ để hình thành đầu ra của mô hình kết hợp và quyết định phân loại cuối cùng dựa trên đa số bỏ phiếu giữa các mô hình con Nghiên cứu được tiến hành trên ba bộ dữ liệu đến từ Đức, Úc và Nhật Bản, trong đó mô hình ghép hợp đạt được kết quả phân loại đúng tổng thể tốt hơn so với mô hình đơn lẻ chỉ trên bộ dữ liệu của Đức Bên cạnh đó, nghiên cứu còn so sánh các mô hình dựa trên tỷ lệ lỗi phân loại, nhưng chưa đánh giá chi phí của các lỗi phân loại để tăng tính thực tế trong so sánh hiệu suất giữa các mô hình.
Brown (2012) tập trung nghiên cứu các phương pháp khai phá dữ liệu với 5 bộ dữ liệu không cân bằng, nơi có sự chênh lệch lớn giữa số lượng khoản tín dụng tốt và xấu Ý tưởng này dựa trên đặc thù danh mục cho vay cá nhân của các ngân hàng, khi tỷ trọng nợ xấu thường rất nhỏ so với tổng danh mục Mỗi bộ dữ liệu gốc gồm từ 547 quan sát đến 2974 quan sát và số lượng đặc điểm về khoản nợ dao động từ 14 đến một giới hạn tùy thuộc từng bộ dữ liệu.
Bộ dữ liệu gốc được phân chia thành 6 bộ dữ liệu phái sinh nhằm giảm tỷ lệ nợ xấu từ 30% xuống 15%, 10%, 5%, 2.5% và 1%; trong các thử nghiệm, mô hình Random Forest (DF) kết hợp nhiều cây quyết định (Decision Tree – DT) là mô hình tốt nhất để phân loại các khoản nợ ở các bộ dữ liệu có nợ xấu 1%, trong khi với tỷ lệ nợ xấu 30% mô hình tối ưu là Máy vectơ hỗ trợ (SVM).
Giống như một số nghiên cứu trước đó sử dụng bộ dữ liệu khách hàng cá nhân tại Đức và mô hình MLP, Zhao và cộng sự (2015) đã cải tiến hiệu quả phân loại của mô hình thông qua ba phương pháp Trong đó, một phương pháp nổi bật là tối ưu hóa phân phối dữ liệu đầu vào bằng phương pháp lựa chọn ngẫu nhiên, nhằm tăng tính đại diện và cải thiện hiệu suất phân loại Ba phương pháp này được thiết kế để nâng cao độ chính xác và tốc độ huấn luyện so với các phương pháp trước đây.
Trong thử nghiệm 22 bình (Average random choosing), dữ liệu được phân chia thành ba tập con là huấn luyện, thẩm định và kiểm tra để xác định số node ẩn tối ưu Kết quả cho thấy khả năng phân loại của mô hình có sự thay đổi đáng kể, vượt trội so với các nghiên cứu cùng loại trước đó với mức tăng khoảng 5% độ chính xác.
Trong bài nghiên cứu năm 2018, Tang và cộng sự giới thiệu mô hình nơ ron cắt xén (pruning neural network – PNN) với ưu điểm tiết kiệm tài nguyên khi xử lý các bộ dữ liệu lớn Ý tưởng cốt lõi của PNN bắt nguồn từ thực tế rằng không phải tất cả các trọng số của mạng nơ ron đều quan trọng cho quá trình suy luận và phán đoán Nhiều tham số dù có trọng số rất nhỏ vẫn được tính toán như các tham số khác, dù đóng góp của chúng cho kết quả dự đoán là rất thấp Các nghiên cứu về phương pháp pruning cho thấy thực sự chỉ có một tỷ lệ rất nhỏ các kết nối là quan trọng trong mạng.
Bảng 1.2: Tổng hợp các nghiên cứu về mô hình trí tuệ trong đo lường rủi ro tín dụng
Nghiên cứu Dữ liệu Mô hình Mô hình tốt nhất
West (2000) - Đức, 1000 quan sát (30% nợ xấu)
- Úc: 690 quan sát (56 % nợ xấu)
FAR); Đức: MOE (tỷ lệ phân loại đúng 78.6%) Úc: RBF ( Tỷ lệ phân loại đúng 88.78%), MLP (
Tỷ lệ phân loại đúng 87.68%) Desai và cộng sự
- Mỹ: 962 quan sát (18.42% nợ xấu), 918 quan sát (25.98% nợ xấu), 853 quan sát (21.15% nợ xấu)
LR (tỷ lệ phân loại đúng 81.7%) MLP (tỷ lệ phân loại đúng nợ xấu 42.08%)
Abdou (2008) Ai Cập: 581 quan sát (25.5% nợ xấu)
MLP (tỷ lệ phân loại đúng
94.84%) Brown và cộng sự (2012) Đức, Úc, 03 bộ dữ liệu khác
SVM tốt nhất với dữ liệu 30% nợ xấu
RF tốt nhất với bộ dữ liệu 1% nợ xấu
- Đức, 1000 quan sát (30% nợ xấu)
- Úc: 690 quan sát (56 % nợ xấu)
- Nhật bản: 690 quan sát (56 % nợ xấu)
MLP, MMLP Đức: MMLP (tỷ lệ phân loại đúng 83.38%) Úc: MLP (tỷ lệ phân loại đúng 97.32%)
Nhật Bản: MLP (tỷ lệ phân loại đúng 87.94%) Altman (1968) 66 quan sát
MDA, LR LR (tỷ lệ phân loại đúng
- Úc: 690 quan sát (56 % nợ xấu)
- Nhật bản: 690 quan sát (56 % nợ xấu)
- Đức, 1000 quan sát (30% nợ xấu)
Nguồn: Tác giả tổng hợp
Khoảng trống nghiên cứu
Lĩnh vực quản lý rủi ro tín dụng nhận được sự quan tâm ngày càng sâu của các nhà nghiên cứu và các tổ chức trong nước và quốc tế Các nghiên cứu về quản lý rủi ro tín dụng được thực hiện rộng rãi với nội dung đa dạng, thể hiện các góc nhìn và phương pháp tiếp cận khác nhau, từ phân tích mô hình rủi ro, đo lường chất lượng tài sản cho vay cho đến dự báo mất khả năng thanh toán và tác động của biến động thị trường Những kết quả của nghiên cứu này cung cấp cơ sở cho các ngân hàng và tổ chức tài chính cải thiện công cụ quản trị rủi ro, tối ưu hóa danh mục cho vay và nâng cao hiệu quả vận hành Việc kết hợp dữ liệu lịch sử, các tiến bộ công nghệ và khung pháp lý cập nhật giúp nâng cao độ chính xác của dự báo rủi ro tín dụng và thúc đẩy ứng dụng thực tiễn trong quản lý rủi ro của các tổ chức tài chính.
24 nhìn khác nhau đối với hoạt động này Sau khi nghiên cứu tổng quan, luận án xác định được một số khoảng trống nghiên cứu sau:
Các nghiên cứu trong nước đã đề cập đến các khía cạnh của quản lý rủi ro tín dụng như mô hình tổ chức, nguyên tắc, quy trình và phương pháp đo lường rủi ro Tuy nhiên, còn rất ít nghiên cứu tập trung vào ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng Hiện nay, chưa có công trình nào xây dựng khung lý thuyết cho việc triển khai mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng.
Thứ hai, hầu như chưa có nghiên cứu ở cấp quốc tế và trong nước nào tiến hành một cách toàn diện về việc sử dụng trí tuệ nhân tạo trong đo lường rủi ro tín dụng theo phương pháp tiếp cận nâng cao của Basel Điều này cho thấy còn nhiều khoảng trống trong cơ sở lý thuyết và thực tiễn áp dụng AI vào đo lường rủi ro tín dụng theo Basel, đồng thời đặt ra yêu cầu cho các nghiên cứu thực nghiệm, phân tích dữ liệu và đánh giá hiệu quả, tính khả thi và rủi ro của việc triển khai trí tuệ nhân tạo trong khuôn khổ Basel.
Hiện nay chưa có công trình nghiên cứu trong nước nào nghiên cứu việc áp dụng trí tuệ nhân tạo trong quản lý rủi ro tại một ngân hàng cụ thể Đây là một khoảng trống thực tiễn mà luận án sẽ tập trung nghiên cứu để làm rõ cách AI có thể được triển khai, đánh giá hiệu quả và đối mặt với các thách thức trong quản trị rủi ro ngân hàng Kết quả từ đề tài hứa hẹn đóng góp cho cả lý thuyết và thực tiễn về áp dụng AI trong quản lý rủi ro ngân hàng ở Việt Nam, đồng thời đưa ra các khuyến nghị thực tế nhằm tăng cường an toàn và hiệu quả hoạt động của ngân hàng.
Chương 1 của luận án đã trình bày tổng quan về các nghiên cứu trong nước và quốc tế về các nội dung liên quan đến trí tuệ nhân tạo trong quản lý rủi ro tín dụng bao gồm: mô hình quản lý rủi ro tín dụng, đo lường rủi ro tín dụng và sử dngj trí tuệ nhân tạo trong quản lý rủi ro tín dụng Căn cứ trên nhưng nội dung các nghiên cứu hiện có, tác giả đã phân tích những khoảng trống làm cơ sở thực hiện các nội dung nghiên cứu trong luận án Trong đó khoảng trống về ứng dụng trí tuệ nhân tạo đo lường rủi ro tín dụng được khai thác rõ nét nhất trong các chương tiếp theo
CƠ SỞ LÝ LUẬN VỀ ỨNG DỤNG TRÍ TUỆ NHÂN TẠO
Cơ sở lý luận về quản lý rủi ro tín dụng tại ngân hàng thương mại
Rủi ro được hiểu là khả năng xảy ra các biến cố bất ngờ, khi xảy ra sẽ làm cho kết quả thực tế lệch khỏi kết quả dự tính Nhờ đó rủi ro mang tính tích cực lẫn tiêu cực: nó có thể đe dọa sự suy giảm về lợi ích nhận được, nhưng đồng thời cũng mở ra cơ hội để tăng lợi ích thực tế.
Ngân hàng thương mại là định chế tài chính hoạt động trong lĩnh vực tiền tệ và dịch vụ ngân hàng, luôn đối mặt với vô vàn rủi ro trong hoạt động Các loại rủi ro cơ bản của ngân hàng thương mại bao gồm rủi ro tín dụng, rủi ro lãi suất, rủi ro tỷ giá và rủi ro thanh khoản Trong số này, rủi ro tín dụng được xem là nguy cơ nổi bật nhất và là nguyên nhân của phần lớn thất bại ngân hàng, do đó việc quản trị, kiểm soát rủi ro tín dụng trở thành ưu tiên hàng đầu cho các ngân hàng (Fraser và cộng sự, 2001).
Theo Basel ủy ban về giám sát ngân hàng (2000), rủi ro tín dụng được hiểu là khả năng mà khách hàng vay hoặc bên đối tác không thực hiện các nghĩa vụ đã cam kết trong các điều khoản của hợp đồng Theo cách diễn đạt này, rủi ro tín dụng của ngân hàng là nguy cơ người vay không trả nợ đúng hạn hoặc không tuân thủ các điều kiện ghi trong hợp đồng tín dụng Cùng quan điểm ấy, Bessis (2002) đề xuất khái niệm đơn giản hơn: rủi ro tín dụng là rủi ro mà đối tác vi phạm nghĩa vụ trả nợ.
Xét ở một góc nhìn khác, Duffie và Singleton (2015) định nghĩa rủi ro tín dụng là xác suất vỡ nợ hoặc mất giá trị trên thị trường do sự suy giảm chất lượng tín dụng của tổ chức cho vay hoặc đối tác Định nghĩa này tập trung vào việc mất giá trị thị trường khi vị thế tài chính của đối tác bị yếu đi, và đối tác có thể là các bên như nhà phát hành giấy tờ có giá, con nợ, người đi vay, nhà hoạch định chính sách, cũng như các bên tái bảo lãnh và bảo lãnh.
Theo Thông tư 02/2013/TT-NHNN do Ngân hàng Nhà nước Việt Nam ban hành, rủi ro tín dụng trong hoạt động ngân hàng là tổn thất có khả năng xảy ra đối với nợ của tổ chức tín dụng hoặc chi nhánh ngân hàng nước ngoài do khách hàng không thực hiện hoặc không có khả năng thực hiện một phần hoặc toàn bộ nghĩa vụ theo cam kết Đối với các ngân hàng thương mại với các nghiệp vụ cụ thể, rủi ro tín dụng được diễn giải chi tiết bao gồm hai khía cạnh: (i) rủi ro tín dụng là rủi ro do khách hàng không thực hiện hoặc không có khả năng thực hiện một phần hoặc toàn bộ nghĩa vụ trả nợ theo hợp đồng hoặc thỏa thuận với ngân hàng; (ii) rủi ro tín dụng đối tác là rủi ro do đối tác không thực hiện hoặc không có khả năng thực hiện một phần hoặc toàn bộ nghĩa vụ thanh toán trước hoặc khi đến hạn của các giao dịch tự doanh; giao dịch repo và reverse repo; giao dịch sản phẩm phái sinh để phòng ngừa rủi ro; giao dịch mua bán ngoại tệ, tài sản tài chính để phục vụ nhu cầu của khách hàng, đối tác.
Rủi ro tín dụng có thể được diễn đạt dưới nhiều hình thức khác nhau, nhưng các khái niệm và quan điểm đều tựu trung về bản chất: rủi ro tín dụng là khả năng xảy ra tổn thất, thiệt hại về kinh tế mà ngân hàng thương mại phải gánh chịu do khách hàng vay vốn không thực hiện nghĩa vụ hoàn trả nợ gốc và lãi hoặc hoàn trả không đúng hạn Điều này cho thấy rủi ro tín dụng gắn liền với khả năng thu hồi vốn và tiền lãi của ngân hàng, đồng thời tác động trực tiếp đến cân đối vốn và hiệu quả hoạt động Vì vậy, quản trị rủi ro tín dụng nhằm nhận diện, đo lường và kiểm soát các yếu tố có thể làm tăng nợ xấu và thiệt hại tài chính cho ngân hàng và hệ thống tài chính nói chung.
2.1.1.2 Khái niệm về quản lý rủi ro tín dụng tại ngân hàng thương mại
Theo Basel (2000), quản lý rủi ro tín dụng được hiểu là thực hiện các biện pháp tối đa hóa lợi nhuận dựa trên mức độ rủi ro bằng cách duy trì rủi ro tín dụng trong phạm vi các tham số cho phép, tức là tối đa hóa lợi nhuận đồng thời đảm bảo tổn thất do rủi ro tín dụng nằm trong giới hạn ngân hàng có thể chấp nhận được Cùng quan điểm đó, Joseph (2013) cho rằng quản lý rủi ro tín dụng nhằm các mục đích sau: tối đa hóa lợi ích từ các cơ hội tín dụng tiềm năng, định giá rủi ro tín dụng một cách hợp lý, tối thiểu hóa các khoản nợ xấu, tuân thủ chính sách tín dụng và duy trì cơ sở dữ liệu đáng tin cậy.
Quản lý rủi ro tín dụng, theo Afriyie và Akotey (2013), là một cách tiếp cận có cấu trúc nhằm đối phó với các sự kiện tín dụng không chắc chắn thông qua đánh giá rủi ro và xây dựng chiến lược quản lý để giảm thiểu rủi ro tín dụng Hoạt động quản lý rủi ro tín dụng bao gồm cả chuyển giao rủi ro cho bên thứ ba, giảm thiểu các ảnh hưởng tiêu cực của rủi ro và chấp nhận một phần hoặc toàn bộ hậu quả của rủi ro.
Ở góc độ quy trình, Nguyễn Văn Tiến (2015) định nghĩa quản lý rủi ro tín dụng là toàn bộ quá trình nhận diện, đo lường, đánh giá, kiểm soát và báo cáo rủi ro tín dụng nhằm tối đa hóa lợi nhuận trong phạm vi mức độ rủi ro tín dụng được chấp nhận Tương tự, Bart và Tony (2009) cho rằng quản lý rủi ro tín dụng nên được xem như một hệ thống liên tục, kết nối các hoạt động nhận diện, đo lường, giám sát và báo cáo để đảm bảo sự cân đối giữa rủi ro và lợi nhuận trong hoạt động cho vay.
Quản lý rủi ro tín dụng là một quá trình gồm nhận diện rủi ro tiềm ẩn, đo lường rủi ro và thực hiện các hành động ứng xử phù hợp, trong đó có việc áp dụng các mô hình rủi ro vào thực tế để đánh giá và kiểm soát chất lượng cho vay Theo MAS (2013), các hành động ứng xử với rủi ro tín dụng được thực hiện thông qua giám sát, kiểm soát và báo cáo rủi ro tín dụng, bằng cách thiết lập khung chính sách và thủ tục để quản trị rủi ro một cách có hệ thống và hiệu quả.
Quản trị rủi ro tín dụng là quá trình xây dựng và triển khai các chiến lược, chính sách nhằm nhận diện, đo lường và kiểm soát rủi ro Đồng thời, nó bao gồm các biện pháp phòng ngừa và xử lý rủi ro, nhằm tối đa hóa lợi nhuận trong phạm vi mức rủi ro có thể chấp nhận.
2.1.2 Nội dung quản lý rủi ro tín dụng tại ngân hàng thương mại
2.1.2.1 Các nguyên tắc quản lý rủi ro tín dụng tại ngân hàng thương mại Để đảm bảo hoạt động quản lý rủi ro tín dụng được thực hiện hiệu quả, Basel (2000) đã đưa ra 17 nguyên tắc về quản lý rủi ro tín dụng bao gồm năm nhóm:
Nhóm 1 : Bao gồm 03 nguyên tắc về thiết lập môi trường rủi ro tín dụng phù hợp
Hội đồng quản trị chịu trách nhiệm phê duyệt và rà soát chiến lược quản lý rủi ro tín dụng định kỳ ít nhất một lần mỗi năm, đảm bảo chiến lược phản ánh khẩu vị rủi ro và mức độ lợi nhuận mà ngân hàng kỳ vọng tương ứng với các rủi ro chấp nhận được.
Các nhà quản lý cấp cao trong ngân hàng phải chịu trách nhiệm triển khai các chiến lược quản trị rủi ro được hội đồng quản trị phê duyệt, đồng thời xây dựng các chính sách và quy trình nhận diện, đo lường, giám sát và kiểm soát rủi ro tín dụng Các chính sách và chiến lược quản lý rủi ro tín dụng này phải bao phủ rủi ro tín dụng trong tất cả các hoạt động của ngân hàng, ở cả cấp độ từng khoản vay và ở cấp độ danh mục tín dụng, nhằm đảm bảo sự nhất quán và hiệu quả trong quản trị rủi ro.
Các ngân hàng cần nhận diện và quản lý rủi ro tín dụng trong tất cả các sản phẩm và hoạt động của mình Để giảm thiểu rủi ro và tăng tính bền vững tài chính, họ phải đảm bảo các sản phẩm và dịch vụ mới được kiểm soát bằng các quy trình quản trị rủi ro hiện có trước khi được giới thiệu ra thị trường Việc áp dụng nhất quán quy trình hiện tại cho mọi sản phẩm mới giúp cải thiện quản trị rủi ro tín dụng, tăng tính minh bạch và bảo vệ khách hàng, cổ đông cũng như danh tiếng của ngân hàng.
29 thiệu và cần được chấp thuận trước bởi ban điều hành hoặc các uỷ ban có trách nhiệm
Nhóm 2: Bao gồm 04 nguyên tắc về hoạt động theo quy trình cấp tín dụng hiệu quả:
Cơ sở lý luận về ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại
2.2.1 Khái quát về trí tuệ nhân tạo
Trí tuệ nhân tạo (AI) đã tồn tại hơn nửa thế kỉ và những tiến bộ của nó đang phát triển với tốc độ tăng trưởng theo cấp số nhân Theo Russell và cộng sự (2015), AI là lĩnh vực khoa học nghiên cứu cách máy tính có thể thực hiện các nhiệm vụ đòi hỏi trí tuệ của con người Sự tiến bộ nhanh chóng của AI đang mở ra nhiều ứng dụng thiết thực trong nhiều ngành và đặt ra những thách thức mới về dữ liệu, an toàn và quyền riêng tư, đồng thời mang lại cơ hội tối ưu hóa nội dung trực tuyến và hiệu quả SEO với từ khóa liên quan đến trí tuệ nhân tạo.
Charniak và cộng sự (2013) đưa ra định nghĩa AI là khoa học nghiên cứu các hoạt động trí não thông qua các mô hình tính toán, nhấn mạnh vai trò của mô hình hóa và xử lý thông tin trong việc thể hiện trí thông minh máy móc Trong khi đó Nilsson trình bày một quan điểm khác về AI, xem AI như một lĩnh vực rộng, bao gồm thiết kế và triển khai các hệ thống có khả năng học hỏi, thích nghi và đưa ra quyết định hiệu quả trong môi trường phức tạp và không chắc chắn Các cách tiếp cận này phản ánh sự đa dạng của AI, từ việc mô phỏng các quy trình nhận thức đến việc phát triển hệ thống tự chủ có khả năng cải thiện hiệu suất theo thời gian và kinh nghiệm.
(1998) thì cho rằng AI nghiên cứu các hành vi thông minh mô phỏng trong các vật thể nhân tạo
Trí tuệ nhân tạo (AI) là trí thông minh được thể hiện bởi máy móc, nghĩa là khi một hệ thống máy tính bắt chước các chức năng nhận thức của con người như học và giải quyết vấn đề Trong lĩnh vực ngân hàng, Latimore (2018) định nghĩa AI là các kỹ thuật thực hiện suy luận và đưa ra quyết định giống như những gì con người từng làm Theo quan điểm này, AI chưa sẵn sàng thay thế con người một cách toàn diện; thay vào đó, AI cho phép con người thực hiện các hoạt động có giá trị cao hơn, giải phóng thời gian và tăng hiệu quả đối với các công việc quen thuộc, lặp đi lặp lại.
Hình 2.4: Mô tả các mối quan hệ các kĩ thuật AI
Trí tuệ nhân tạo (AI) là một lĩnh vực rộng lớn, nhằm giải quyết nhiều bài toán còn chưa được con người chinh phục Từ học máy, nhận dạng hình ảnh cho tới xử lý ngôn ngữ tự nhiên, AI đang tái định hình quy trình làm việc và cuộc sống bằng cách tự động hóa, tối ưu hóa quyết định và khai thác dữ liệu một cách hiệu quả AI được xem là ý tưởng nền tảng thúc đẩy đổi mới công nghệ, mở ra cơ hội phát triển kinh tế và nâng cao chất lượng cuộc sống Hiểu sâu về AI và các ứng dụng của nó giúp các tổ chức xây dựng chiến lược số hóa, tối ưu hóa hoạt động kinh doanh và triển khai các giải pháp công nghệ thông minh một cách bền vững.
Các kĩ thuật cho phép máy móc bắt chước hành vi con người
Các kĩ thuật AI cho phép máy móc cải tiến với dữ liệu lịch sử
Các kĩ thuật học máy mô phỏng mạng nơ ron nhiều lớp
Các mô hình và thuật toán ngày nay được phát triển từ Học máy (Machine Learning – ML) đến Học sâu (Deep Learning – DL) Học máy là các kỹ thuật sử dụng phương pháp thống kê giúp máy móc cải tiến thông qua việc học từ dữ liệu lịch sử Trong các mô hình Học máy, Học sâu là một nhánh gồm các kỹ thuật có cấu trúc được mô phỏng như mạng nơ-ron nhiều lớp, lấy cảm hứng từ bộ não con người.
Việc sử dụng trí tuệ nhân tạo trong ngân hàng vẫn còn hạn chế so với các lĩnh vực khác như sản xuất, chăm sóc sức khỏe và thương mại điện tử, phần lớn do ngân hàng phải duy trì và bảo vệ tính bảo mật cho bộ dữ liệu khách hàng Tuy nhiên, với sự phát triển nhanh chóng của các dịch vụ ngân hàng và sự phổ biến ngày càng tăng của AI, mức độ ứng dụng trí tuệ nhân tạo trong ngân hàng đang có sự chuyển biến rõ rệt Ngoài ra, nhu cầu xử lý dữ liệu sẵn có lớn đã thúc đẩy AI được triển khai nhiều hơn trong ngân hàng, nhằm tăng hiệu quả vận hành, cải thiện trải nghiệm khách hàng và tối ưu hóa quản lý rủi ro.
Hình 2.5: Ứng dụng trong lĩnh vực ngân hàng của trí tuệ nhân tạo
Trí tuệ nhân tạo (AI) đang làm nền tảng cho nhiều ứng dụng trong ngân hàng nhờ khả năng xử lý hiệu quả các tác vụ cũ và tối ưu hóa quy trình làm việc Những ứng dụng AI nổi bật gồm phân tích dữ liệu, tư vấn tự động, tự động hóa quy trình và thiết lập báo cáo, giúp tăng hiệu quả và chất lượng quyết định Đặc biệt, phân tích rủi ro—trong đó rủi ro tín dụng được xem là mang lại lợi ích lớn nhất cho ngân hàng—nhờ AI có thể cải thiện khả năng dự báo, kiểm soát rủi ro và tối ưu danh mục cho vay.
2.2.2 Trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại
Theo hướng dẫn của WB (2019), trí tuệ nhân tạo trong quản lý rủi ro tín dụng được phân loại thành ba nhóm dựa trên các thuật toán huấn luyện: học có giám sát, học không giám sát và các kỹ thuật liên quan khác.
Bảng 2.1: Phân loại các mô hình trí tuệ nhân tạo
AI học có giám sát AI học không giám sát AI liên quan khác
(Decision tree) và các mô hình kết hợp
Máy véc-tơ hỗ trợ
Mạng nơ ron ( Neural network)
Phân cụm K trung bình (K-means clustering)
Phân cụm phân cấp (Hierarchical clustering)
Trích xuất thuộc tính tự động (Automated Feature Engineering - AFE)
Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP)
Nguồn: Tác giả tổng hợp từ hướng dẫn của WB (2019)
Thuật toán học có giám sát (supervised learning) là một phương pháp huấn luyện mô hình trong đó dữ liệu huấn luyện đi kèm với cặp đầu vào và đầu ra tương ứng Đầu vào là các biến độc lập còn đầu ra là biến phụ thuộc mà mô hình cố gắng dự đoán Trong quá trình huấn luyện, mô hình được tối ưu hóa bằng cách giảm thiểu sai số giữa giá trị dự đoán và thực tế trên từng vòng lặp huấn luyện Sau khi hoàn thành quá trình học, mô hình có thể đưa ra dự đoán đầu ra cho các đầu vào mới, từ đó ứng dụng trong các bài toán như phân loại, hồi quy và dự báo.
47 đầu vào mới gặp (không có trong dữ liệu học) Nếu không gian đầu ra được biểu diễn dưới dạng rời rạc, ta gọi đó là bài toán phân loại (classification) Nếu không gian đầu ra được biểu diễn dưới dạng liên tục, ta gọi đó là bài toán hồi quy (regression) Các mô hình trí tuệ nhân tạo dạng này là những mô hình chính hay mô hình lõi trong quản lý rủi ro tín dụng khi nó cho phép dự báo rủi ro với các dữ liệu đầu vào có sẵn
Các thuật toán học không giám sát (Unsupervised Learning) : Là cách huấn luyện một mô hình trong đó dữ liệu học chỉ bao gồm đầu vào mà không có đầu ra Mô hình sẽ được huấn luyện cách để tìm cấu trúc hoặc mối quan hệ giữa các đầu vào Một trong những phương pháp học không giám sát quan trọng nhất là phân cụm (clustering) Kĩ thuật này tạo các cụm khác nhau với mỗi cụm biểu diễn một đặc trưng nào đó của dữ liệu và phân các đầu vào mới vào các cụm theo các đặc trưng của đầu vào đó Các mô hình trí tuệ nhân tạo dựa trên kĩ thuật học không giám sát hay các kĩ thuật phân cụm thường được dùng để tìm kiếm, phân loại các nhóm khách hàng tiềm năng
Các thuật toán liên quan khác : Trích xuất thuộc tính tự động
Automated Feature Engineering là quá trình thu thập và xử lý dữ liệu đầu vào cho các mô hình trí tuệ nhân tạo, đặc biệt khi làm việc với dữ liệu phi cấu trúc và bán cấu trúc như văn bản và hình ảnh Những dữ liệu này không thể đưa trực tiếp vào huấn luyện mô hình nhận diện rủi ro hoặc đánh giá tín dụng mà cần được chuyển đổi thành các đặc trưng có ý nghĩa Các kỹ thuật trích xuất thuộc tính tự động sẽ lựa chọn các đặc trưng thiết yếu và loại bỏ các đặc trưng thừa của bộ dữ liệu, đảm bảo lượng thông tin bị mất là tối thiểu Ngoài ra, các phương pháp này giúp tự động hoá quá trình thu thập và chuyển đổi dữ liệu một cách chính xác thay vì phụ thuộc vào thủ công.
Thuật toán học tăng cường (Reinforcement Learning) là quá trình thực hiện các hành động phù hợp nhằm tối đa hóa phần thưởng trong một tình huống cụ thể Mục đích của học tăng cường là tìm ra hành vi hoặc phản ứng tối ưu nhất trong bối cảnh ấy Khác với học có giám sát, ở đó dữ liệu huấn luyện có đầu ra và mô hình được huấn luyện với câu trả lời đúng, học tăng cường không có đầu ra cố định hay câu trả lời sẵn có mà nhiệm vụ là tìm ra đáp án tối ưu thông qua tương tác với môi trường Với đặc điểm này, học tăng cường là chuỗi các hoạt động thử - sai, nơi hệ thống học cách tương tác với môi trường phức tạp để tối đa hóa phần thưởng nhận được theo thời gian.
Xử lý ngôn ngữ tự nhiên (Natural Language Processing – NLP) là quá trình xử lý dữ liệu ngôn ngữ đầu vào, bao gồm văn bản và tiếng nói, nhằm biến nó thành các dạng thông tin mà máy móc có thể hiểu và sử dụng được Quá trình này chuyển đổi dữ liệu ngôn ngữ tự nhiên thành các cấu trúc dữ liệu và đặc trưng có thể xử lý bởi hệ thống máy tính, mở ra các ứng dụng từ nhận diện giọng nói đến phân tích văn bản và tự động hóa các tác vụ dựa trên ngữ liệu ngôn ngữ.
Hình 2.6: Trí tuệ nhân tạo trong quản lý rủi ro tín dụng
Nguồn: Tác giả tổng hợp
Với sự đa dạng của các thuật toán, trí tuệ nhân tạo có thể tham gia vào hầu hết các nội dung trong quá trình quản lý rủi ro tín dụng Quy trình quản lý rủi ro được thiết lập theo 4 bước cơ bản: nhận biết rủi ro, đo lường rủi ro, sử dụng các công cụ quản lý rủi ro và giám sát, báo cáo Thêm vào đó, AI cho phép các ngân hàng kiểm soát rủi ro tín dụng ngay tại bước tìm kiếm khách hàng, từ đó tối ưu hóa quyết định cấp vốn ở giai đoạn đầu.