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

Đây là một căn cứ quan trọng đểcác ngân hàng thương mại xác định mục tiêu, lộ trình cho việc hoàn thiện hệthống quản lý rủi ro tín dụng của mình Trong xu hướng bùng nổ của cuộc cách mạng

BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAM

THÔN VIỆT NAM

Chuyên ngành: Tài chính – Ngân hàng

Mã số: 9340201

Người hướng dẫn khoa học:

Hướng dẫn 1: TS Bùi Tín Nghị Hướng dẫn 2: PGS.TS Nguyễn Đức Trung

HÀ NỘI - 2022

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi dưới sựhướng dẫn của TS Bùi Tín Nghị và PGS.TS Nguyễn Đức Trung Các tài liệu, số liệu trong nghiên cứu đều có nguồn gốc và được trích dẫn rõ ràng.

Nghiên cứu sinh

Nguyễn Tiến Hưng

DANH MỤC TỪ VIẾT TẮT

Từ viết

tắt

Nghĩa tiếng Anh Nghĩa tiếng Việt

AI Artificial Intelligence Trí tuệ nhân tạo

AIRB Advanced internal

rating- based approach

Cách tiếp cận nâng cao dựa trên xếp hạng nội bộAUF Additional utilization factor Hệ số sử dụng bổ sung

CFF Credit conversion factor Hệ số chuyển đổi tín dụngCIC Credit Information Center Trung tâm thông tin tín

dụng quốc gia

EAD Exposure at Default Dư nợ tại thời điểm vỡ nợEADF Exposure at default factor Hệ số dư nợ tại thời điểm

vỡ nợFIRB Foundation internal

ratings based approach

Cách tiếp cận cơ bản dựa trên xếp hạng nội bộFSB Financial Stability Board Hội đồng ổn định tài chính

GA Genetic Algorithm Thuật toán di truyền

KNN K-Nearest Neighbor K Láng giềng gần nhấtLEQ Loan equivalent factor Hệ số tương đương khoản

vayLGD Loss Given Default Tỷ lệ tổn thất khi vỡ nợLQV learning vector quantization Học lượng tử hóa véc tơ

LTV Loan to Value Ratio Tỷ lệ dư nợ trên tài sản

đảm bảo

Discriminant Analysis

MLP Multi-layer perceptron Mạng nơ ron đa lớp

nơ ron đa lớpMNN modular neural networks Mạng nơ ron mô đun

OLS Ordinary least squares Bình phương nhỏ nhất

thông thường

PD Probability of default Xác suất vỡ nợ

PNN probabilistic neural network mạng nơ ron xác suấtRBF radial basis function Hàm cơ sở bán kính

ROA Return on Assets Lợi nhuận trên tổng tài sản

operating characteristic

Đặc trưng hoạt động thu nhận

ROE Return on Equity Lợi nhuận trên vốn chủ

sở hữu

SA Standard approach Cách tiếp cận tiêu chuẩnSOM Seft-Organzing Map Sơ đồ tự tổ chức

SVM Support vector machine Máy véc tơ hỗ trợ

VAMC Vietnam aset

MỤC LỤC

CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU VỀ TRÍ TUỆ NHÂN TẠO

1.1 Các nghiên cứu về mô hình quản lý rủi ro tín dụng 10

1.2.1 Nghiên cứu về đo lường xác suất vỡ nợ 13

1.2.3 Nghiên cứu về mức độ rủi ro khi vỡ nợ 171.3 Nghiên cứu về mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng 18

2.2.2 Trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại 46

2.2.3 Khung đo lường áp dụng cho mô hình trí tuệ nhân tạo trong quản lý

2.2.4 Dữ liệu cho các mô hình trí tuệ nhân tạo trong quản lý rủi ro tín

2.2.5 Các tiêu chí đánh giá kết quả ứng dụng mô hình trí tuệ nhân tạo

2.2.6 Điều kiện ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng 712.3 Kinh nghiệm quốc tế về nghiên cứu và ứng dụng trí tuệ nhân tạo trong

2.3.2 Kinh nghiệm từ Mỹ 81

2.3.4 Kinh nghiệm từ Hội đồng ổn định tài chính (FSB) 872.3.5 Kinh nghiệm từ Ngân hàng thế giới (WB) 892.3.6 Bài học kinh nghiệm cho các ngân hàng thương mại tại Việt Nam 91

3.2 Thực trạng quản lý rủi ro tín dụng tại Agribank 102

3.2.2 Tổ chức thực hiện quản lý rủi ro tín dụng tại Agribank 1063.3 Đánh giá thực trạng quản lý rủi ro tín dụng tại Agribank 128

4.2 Xây dựng mô hình tính xác suất vỡ nợ (PD) 137

4.2.2 Kết quả các mô hình tính xác suất vỡ nợ (PD) 142

4.5 Các điều kiện để ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng 163

CHƯƠNG 5: GIẢI PHÁP ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ

5.1 Định hướng phát triển hoạt động quản lý rủi ro tín dụng trong hệ thống

5.2 Định hướng phát triển hoạt động quản lý rủi ro tín dụng tại Agribank 1705.3 Giải pháp ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại

5.3.1 Về cơ cấu tổ chức quản lý rủi ro tín dụng 1725.3.2 Về quy trình áp dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng 1735.3.3 Về nhóm các giải pháp hỗ trợ cần thiết 1835.4 Kiến nghị với Ngân hàng nhà nước Việt Nam 186

1 TÍNH CẤP THIẾT CỦA ĐỀ TÀI

Hoạt động tín dụng được biết đến như một hoạt động truyền thốngđóng vai trò quan trọng đối với các ngân hàng thương mại Việt Nam Bêncạnh vai trò là nguồn thu lợi nhuận chủ yếu thì hoạt động tín dụng cũng tiềm

ẩn rất nhiều rủi ro Trong xu hướng phát triển mạnh mẽ, đa dạng của các sảnphẩm tín dụng, các ngân hàng thương mại đã bộc lộ những hạn chế trongcông tác quản lý rủi ro tín dụng đặc biệt là việc sử dụng các công cụ hiện đạitrong việc kiểm soát rủi ro này Việc xây dựng một hệ thống quản lý nóichung và quản lý rủi ro tín dụng nói riêng đáp ứng được các yêu cầu về hiệuquả có vai trò sống còn đối với hoạt động ngân hàng

Để đáp ứng kịp thời nhiệm vụ của ngành ngân hàng trong giai đoạnmới, Thống đốc NHNN đã ban hành chỉ thị 01 năm 2021, trong đó nhấn mạnhmột trong những nhiệm vụ trọng tâm của ngành ngân hàng là tăng trưởng tíndụng hợp lý gắn với nâng cao chất lượng tín dụng, tập trung vào các lĩnh vựcsản xuất, lĩnh vực ưu tiên, kiểm soát chặt tín dụng trong lĩnh vực tiềm ẩn rủi

ro như bất động sản, chứng khoán, các dự án BOT, BT giao thông Một trongnhững yêu cầu đưa ra đó là tiếp tục xây dựng phương án tái cơ cấu các TCTDgắn với xử lý nợ xấu giai đoạn 2021 – 2025 Đây là một căn cứ quan trọng đểcác ngân hàng thương mại xác định mục tiêu, lộ trình cho việc hoàn thiện hệthống quản lý rủi ro tín dụng của mình

Trong xu hướng bùng nổ của cuộc cách mạng 4.0, trí tuệ nhân tạo đangdần thể hiện được vai trò là công nghệ tiên phong đối với lĩnh vực ngân hàngnói chung và lĩnh vực tín dụng nói riêng Công nghệ này đã được phát triển từhơn 50 năm trước, tuy nhiên với sự tiến bộ của khoa học máy tính, sự dồi dào

về dữ liệu và nhu cầu của thị trường thì trí tuệ nhân tạo đang được phát triển

một cách mạnh mẽ và dần định hình cuộc chơi của các ngân hàng trong tương lai.

Việc quản lý rủi ro tín dụng được phát triển trong nhiều thập kỉ ở cácnước phát triển với các công cụ từ truyền thống đến hiện đại như trí tuệ nhântạo Trong đó, Trí tuệ nhân tạo được coi là “chìa khóa” định hình cục diệnngành ngân hàng thông qua những thay đổi về cách ngân hàng tạo ra sảnphẩm, quyết định cho vay, cũng như ngăn chặn từ sớm các rủi ro gian lận, giatăng trải nghiệm và gắn kết khách hàng Trong khi đó, ở các nước đang pháttriển, việc sử dụng các công cụ quản lý rủi ro tín dụng vẫn đang còn nhiều hạnchế do những thiếu hụt về nhiều điều kiện để triển khai áp dụng các côngnghệ mới Nhận thấy tầm quan trọng và tiềm năng của trí tuệ nhân tạo, ngày26/1/2021, Thủ tướng chính phủ ban hành Quyết định số 127/QĐ-TTg vềchiến lược quốc gia về nghiên cứu, phát triển và ứng dụng trí tuệ nhân tạo đếnnăm 2030 Trong đó, nhiệm vụ cụ thể của ngành ngân hàng được chỉ rõ baogồm: “ Phân tích, dự đoán nhu cầu vay vốn, đối tượng vay vốn, hỗ trợ hoạtđộng cấp tín dụng phát hiện các hành vi gian lận; cá nhân hóa các dịch vụngân hàng cho khách hàng; cung cấp các dịch vụ hỗ trợ tức thời cho khách

hàng thông qua cáctrợ lý ảo và chatbot”

Trong hệ thống ngân hàng thương mại Việt Nam thì Ngân hàng Nôngnghiệp và Phát triển nông thôn Việt Nam là ngân hàng có quy mô lớn nhấttính trên tổng tài sản và số lượng khách hàng, đóng vai trò chủ lực trong hệthống ngân hàng Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Namgóp phần thực hiện có hiệu quả chính sách tiền tệ quốc gia, đi đầu thực hiệnchính sách tiền tệ, góp phần ổn định kinh tế vĩ mô, kiềm chế lạm phát, hỗ trợtăng trưởng, luôn đồng hành cùng sự nghiệp phát triển nông nghiệp, nôngdân, nông thôn, có nhiều đóng góp tích cực thúc đẩy quá trình tái cơ cấu nền

Tuy nhiên, trong giai đoạn trước thì Ngân hàng Nông nghiệp và Phát triểnnông thôn Việt Nam đã phát sinh nhiều vụ việc tiêu cực liên quan đến tíndụng, ảnh hưởng lớn đến hoạt động kinh doanh và uy tín của ngân hàng Hậuquả của những vụ việc này còn kéo dài trong thời gian sau đó và tác động trựctiếp đến đời sống người lao động Thực trạng này đã đặt ra yêu cầu cần cónhững giải pháp cải tiến, tăng cường hiệu quả của hệ thống quản lý rủi ro tíndụng và giảm thiểu, loại bỏ những hạn chế tồn tại trong một thời gian dàitrước đó.

Căn cứ vào tình hình bối cảnh chung và đặc điểm của Ngân hàng Nôngnghiệp và Phát triển nông thôn Việt Nam, tác giả nhận thấy việc nghiên cứu

đề tài: “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” có ý nghĩa cao về cả lý

2.2 Mục tiêu cụ thể

Mục tiêu tổng quát được cụ thể hóa thành bốn mục tiêu sau:

Thứ nhất, hệ thống hóa cơ sở lý luận về trí tuệ nhân tạo trong quản lýrủi ro tín dụng;

Thứ hai, đánh giá thực trạng quản lý rủi ro tín dụng tại Ngân hàngNông nghiệp và Phát triển nông thôn Việt Nam nhằm xác định các điều kiện

và giải pháp ứng dụng trí tuệ nhân tạo trong hoạt động này;

dụng theo phương pháp nâng cao của Basel II tại Ngân hàng Nông nghiệp vàPhát triển nông thôn Việt Nam;

Thứ tư, đề xuất các nhóm giải pháp và kiến nghị nhằm ứng dụng trí tuệnhân tạo trong quản lý rủi ro tại Ngân hàng Nông nghiệp và Phát triển nôngthôn Việt Nam

3 ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU

3.1 Đối tượng nghiên cứu

Đối tượng nghiên cứu của luận án là ứng dụng trí tuệ nhân tạo trongquản lý rủi ro tín dụng

3.2 Phạm vi nghiên cứu

Phạm vi nghiên cứu về không gian: Ứng dụng trí tuệ nhân tạo trongquản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thônViệt Nam, trong đó tập trung mô hình hóa trí tuệ nhân tạo trong khâu đolường rủi ro tín dụng

Phạm vi nghiên cứu về thời gian: 2009-2021 Trong đó dữ liệu dùng đểxây dựng mô hình trí tuệ nhân tạo được thu thập trong khoảng thời gian 2009

- 2014

4 PHƯƠNG PHÁP NGHIÊN CỨU

Phương pháp thống kê, mô tả, phân tích, tổng hợp: nhằm trực quán

hóa, hệ thống hóa các vấn đề về trí tuệ nhân tạo, quản lý rủi ro tín dụng vàứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng

Phương pháp khảo sát: Để đánh giá thực trạng công tác tổ chức thực

hiện quản lý rủi ro tín dụng tại Agribank, tác giả thực hiện cuộc khảo sát với

95 cán bộ có liên quan trực tiếp tới hoạt động cho vay khách hàng (bao gồm

05

lãnh đạo phòng tín dụng chi nhánh loại 2 và lãnh đạo phòng giao dịch, và 62chuyên viên) với nội dung hỏi bao quát toàn bộ các hoạt động quản lý rủi rotín dụng tại Agribank.

Phương pháp định lượng: Luận án sẽ sử dụng các mô hình trí tuệ

nhân tạo bao gồm: Mô hình Cây quyết định (Decision Tree- DT), Mô hìnhMạng Nơ ron (Neural network - NN) để đo lường rủi ro tín dụng và có sự sosánh với các mô hình truyền thống như mô hình logit

Mô hình logit

Mô hình Logit là mô hình hồi quy với biến phụ thuộc (Y) là biến nhị phân,chỉ nhận hai giá trị là 0 và 1; các biến độc lập Xi có thể là biến nhị phân, biếnrời rạc hoặc biến liên tục Trong mô hình xếp hạng tín dụng, biến phụ thuộc Ynhận giá trị 0 khi khách hàng không trả được nợ và 1 khi khách hàng trả được

nợ (Lee và cộng sự, 2000) Các biến độc lập Xi đại diện cho các thông tin địnhtính và định lượng của khách hàng như thu nhập, độ tuổi, giới tính, trình độhọc vấn

Sau khi hồi quy mô hình Logit, thu được Ŷ=α+β1X1 +β2X2+…+βkXk làgiá trị ước lượng của Y Khi đó, xác suất trả nợ của khách hàng được tínhbằng công thức sau:

P = 1/ (1+e−Y)

Giá trị P nhận được trong khoảng (0,1) được so sánh với các ngưỡng

mà ngân hàng đặt ra để xếp hạng khách hàng Tuy nhiên, trong bài nghiên cứunày, để dễ dàng hơn trong việc so sánh hiệu quả của các mô hình, giá trịngưỡng để phân loại khách hàng được chọn là 0,5 Điều này có nghĩa rằngnếu giá trị P

<0,5, khách hàng sẽ được dự báo vỡ nợ, và ngược lại nếu P ≥ 0,5, khách hàng

sẽ được dự báo trả được nợ

Mô hình Cây quyết định (Decision Tree- DT)

Cây quyết định (DT) là một kiểu mô hình phân lớp các quan sát dựavào dãy các luật Mô hình này bao gồm một nút gốc (Root node), các nút bêntrong (Internal node) và nút lá (Leaf node) Mỗi một nút trong DT tương ứngvới một biến; đường nối giữa nó với nút con của nó thể hiện một giá trị cụ thểcho biến đó (đây chính là điều kiện hay quy luật để phân nhánh cho mỗinode) Mỗi nút lá đại diện cho giá trị dự đoán của biến mục tiêu; các giá trịcho trước của các biến được biểu diễn bởi đường đi từ nút gốc tới nút lá đó

Cây quyết định được xây dựng bằng cách phân tách thuộc tính các giátrị tại mỗi nút dựa trên một thuộc tính đầu vào Quá trình phân lớp sử dụngcác thuộc tính phân tách được thực hiện liên tục cho tới khi gặp các nút lá (giátrị mục tiêu) Tập hợp các luật đường đi từ nút gốc tới nút lá sẽ xác định chochúng ta các luật quyết định mà hàm mục tiêu trả về giá trị là mức độ rủi rotương ứng với khách hàng

Mô hình Mạng Nơ ron (Neural network - NN)

Ý tưởng về mạng nơ ron (NN) được hình thành từ những quan sát bộnão con người với chức năng cơ bản là tiếp nhận thông tin, xử lý thông tin vàđưa ra kết quả Cụ thể, bộ não được cấu thành từ các nơ ron liên kết với nhau.Mỗi nơ ron tiếp nhận thông tin đầu vào, xử lý và xuất thông tin đầu ra Vì các

nơ ron có sự liên kết phức tạp với nhau nên thông tin đầu ra của nơ ron này sẽ

là thông tin đầu vào của nơ ron khác Đến khi các thông tin được xử lý thỏamãn theo các yêu cầu thì não bộ sẽ ngừng quá trình này lại và đưa ra kết quảcuối cùng

Một mạng nơ ron đầy đủ bao gồm 3 lớp với tên gọi lớp đầu vào (input

tạo từ một cho đến nhiều node Trong lịch sử phát triển của mạng nơ ron nhântạo,

nhiều kiểu kiến trúc mạng quy định kết nối giữa các node được hình thành,tuy nhiên, luận án sử dụng mạng nơ ron truyền thẳng đa lớp (MLP), một trongnhững mạng được sử dụng phổ biến và đem lại hiệu quả cao nhất

Các trọng số của mạng MLP được ước lượng bằng thuật toán lan truyềnngược (Back-Propagation alogorithm), lần đầu tiên được giới thiệu bởiRumelhart và cộng sự (1986) Thuật toán này điều chỉnh liên tục các trọng sốcủa các kết nối trong mạng để tối thiểu hóa sự khác biệt giữa giá trị đầu raước lượng và giá trị đầu ra thực tế, quá trình này còn được gọi là quá trìnhhuấn luyện mạng Cụ thể, trong giai đoạn đầu tiên khi hình thành mạng MLP,các trọng số được khởi tạo ngẫu nhiên Các giá trị đầu ra của mạng được thiếtlập thông qua giá trị bộ dữ liệu đầu vào Sự chênh lệch giữa giá trị đầu ra ướclượng và đầu ra thực tế, hay còn gọi là sai số của mạng được xác định bởicông thức:

𝐸 = 𝑝 ∗ ∑ |𝑓(𝑋𝑖) − 𝑌𝑖|Trong đó 𝑓(𝑋𝑖) là ước lượng đầu ra thứ i, 𝑌𝑖 là giá trị đầu ra thực tế và p là sốtrường hợp trong bộ dữ liệu Sau mỗi lần huấn luyện mạng sai số sẽ được lantruyền ngược lại và các trọng số sẽ được điều chỉnh để giảm sai số Quá trìnhhuấn luyện sẽ dừng lại khi mạng đạt được sai số nhỏ nhất, hay nói cách khác,mạng MLP đạt được cấu trúc hợp lý nhất để hiểu về bộ dữ liệu

Dữ liệu cho các mô hình định lượng

Các mô hình định lượng trên được thực hiện trên 2 bộ dữ liệu Bộ dữliệu thứ nhất bao gồm thông tin về các khoản vay tiêu dùng và kinh doanh tạingân hàng Agribank trong khoảng thời gian từ năm 2009 đến 2014 Theothông tin thu nhận được từ hồ sơ vay vốn, bộ dữ liệu bao gồm thông tin về15.470 khoản vay (12118 khoản nợ tốt chiếm tỉ trọng 78.3% và 3352 khoản

Bộ dữ liệu thứ 2 bao gồm 1045 hồ sơ vay vốn của các khách hàngchuyển nợ xấu từ 1 đến 3 năm Bộ dữ liệu bao gồm 18 đặc điểm về kháchhàng, khoản vay giống với bộ dữ liệu 1 Bên cạnh đó, bộ dữ liệu này còn được

bổ sung thêm hai chỉ số đó là tỷ lệ dư nợ trên tài sản đảm bảo (LTV) và tỷ lệtổn thất trên tổng dư nợ tại thời điểm chuyển nợ xấu

5 ĐÓNG GÓP MỚI CỦA LUẬN ÁN

Trên cơ sở kế thừa các nghiên cứu trong nước và quốc tế hiện có vềlĩnh vực trí tuệ nhân tạo trong quản lý rủi ro tín dụng, luận án đã có nhữngđóng góp mới cả về lý luận và thực tiễn như sau:

Thứ nhất, Luận án đã hệ thống hóa cơ sở lý luận về trí tuệ nhân tạotrong 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, đolường, sử dụng công cụ quản lý và báo cáo, giám sát Luận án cũng đồng thờiđưa ra khung lý thuyết để xây dựng, điều kiện ứng dụng trí tuệ nhân tạo trongquản 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 ápdụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam

Thứ hai, luận án đã sử dụng phương pháp khảo sát đối với lãnh đạo vànhân viên để đánh giá thực trạng quản lý rủi ro tín dụng tại Ngân hàng Nôngnghiệp và Phát triển nông thôn Việt Nam Nội dung khảo sát tập trung vào cácbước trong quy trình quản lý rủi ro tín dụng để tạo cơ sở cho việc đánh giá cácđiều kiện ứng dụng trí tuệ nhân tạo tại ngân hàng này

Thứ ba, luận án đã sử dụng trí tuệ nhân tạo xây dựng mô hình đo lườngrủi ro tín dụng dựa theo dữ liệu thực tế tại Ngân hàng Nông nghiệp và Pháttriển nông thôn Việt Nam Các mô hình đo lường rủi ro tín dụng được thiết kếtheo cách tiếp cận nâng cao (AIRB) của Basel II mà trong đó trí tuệ nhân tạo

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 cũngđưa ra sự so sánh để đánh giá hiệu quả giữa các mô hình đo lường rủi ro tíndụng được xây dựng dựa trên trí tuệ nhân tạo và các kĩ thuật truyền thống

Thứ tư, 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 khíacạnh chính là quy trình xây dựng, áp dụng các mô hình này trong thực tế vàhoàn thiện các điều kiện hỗ trợ ứng dụng trí tuệ nhân tạo trong quản lý rủi rotín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam

6 KẾT CẤU CỦA LUẬN ÁN

Ngoài phần mở đầu, phần kết luận, danh mục tài liệu tham khảo và phụ lục, luận án được kết cấu gồm 5 chương bao gồm:

Chương 1: Tổng quan nghiên cứu về trí tuệ nhân tạo trong quản lý rủi ro tín dụng

Chương 2: Cơ sở lý luận về ứng dụng trí tuệ nhân tạo trong quản lý rủi

ro tín dụng

Chương 3: Thực trạng quản lý rủi ro tín dụng tại Ngân hàng Nông

nghiệp và Phát triển nông thôn Việt Nam

Chương 4: Ứng dụng trí tuệ nhân tạo xây dựng mô hình đo lường rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam

Chương 5: Giải pháp 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

TRONG QUẢN LÝ RỦI RO TÍN DỤNG 1.1 Các nghiên cứu về mô hình quản lý rủi ro tín dụng

Nghiên cứu về lý thuyết, Bullivant (2010) đã trình bày bao quát cáckhía cạnh của quản lý rủi ro tín dụng Tất cả các vấn đề về mô hình quản lýrủi ro tín dụng được đề cập một cách chi tiết, bao gồm cả hướng dẫn về chínhsách tín dụng và quản lý các chức năng tín dụng, điều kiện tín dụng, đánh giárủi ro, quản lý và mô hình hóa, thu hồi nợ, bảo hiểm tín dụng, tín dụng xuấtkhẩu, tín dụng tiêu dùng, luật tín dụng thương mại và các dịch vụ tín dụng

Một số hướng dẫn, nghiên cứu của IIA (2020), Oliver Wyman (2016)

về mô hình ba lớp bảo vệ hay theo cách gọi cải tiến của Basel (2015) là “bốnlớp bảo vệ” được coi như chuẩn mực trong lĩnh vực quản lý rủi ro nói chung

và quản lý rủi ro tín dụng nói riêng Mô hình quản lý rủi ro theo “ba lớpphòng vệ” được phát triển lần đầu tiên bởi Institute of Internal Auditors (IIA)vào năm 2013, mô hình này cung cấp cách tiếp cận đơn giản và hiệu quả, đểtăng cường sự trao đổi giữa quản lý rủi ro và kiểm soát bằng cách làm rõ vaitrò và nhiệm vụ của các bên liên quan Trong đó nhấn mạnh đến việc phântách chức năng quản lý rủi ro theo ba lớp độc lập bao gồm bộ phận kinhdoanh, quản lý rủi ro và kiểm toán nội bộ Cũng nghiên cứu mô hình này,Tammenga (2020) tiếp cận trên góc độ đánh giá sự phù hợp của mô hình khi

sử dụng các công cụ hiện đại như trí tuệ nhân tạo Kết quả nghiên cứu chothấy trí tuệ nhân tạo nếu được áp dụng theo cách có kiểm soát vào lớp bảo vệthứ hai là phù hợp và an toàn đối với hoạt động quản lý rủi ro

Nguyễn Văn Tiến (2015) nghiên cứu về mô hình quản trị ngân hàngtrong đó xác định điểm căn bản của mô hình quản lý rủi ro tín dụng đó là sựđộc lập giữa các khối kinh doanh, khối quản lý rủi ro và khối xử lý nội bộnhưng vẫn

đảm bảo được quy trình quản lý tín dụng tập trung Cũng trên cơ sở đề xuất

mô hình tín dụng tập trung, Ghosh (2012) đã đề xuất về việc cần có bộ phậnriêng trong ngân hàng để quản lý rủi ro tín dụng bởi tần suất xảy ra thườngxuyên và độ lớn của rủi ro mà ngân hàng phải đối mặt Cả hai nghiên cứu đềuthống nhất việc lựa chọn mô hình tập trung đã phân tách được chức năng kinhdoanh với chức năng giám sát và kiểm soát rủi ro Đây là nền tảng lý thuyết

về mô hình quản lý rủi ro mang tính chuẩn mực, phù hợp với xu hướng quảntrị ngân hàng hiện đại

Nghiên cứu của Trần Khánh Dương (2019) về phòng ngừa và hạn chếrủi ro tín dụng tại Ngân hàng Thương mại cổ phần Đầu tư và Phát triển ViệtNam đã đưa ra về mặt lý thuyết hai dạng mô hình phổ biến về cơ cấu tổ chứcquản lý rủi ro tín dụng tại ngân hàng thương mại là mô hình quản lý rủi ro tíndụng tập trung và mô hình quản lý rủi ro tín dụng phân tán Ngoài ra, nghiêncứu này cũng đưa ra các nhân tố ảnh hưởng đến lựa chọn mô hình quản lý rủi

ro tín dụng tại ngân hàng thương mại bao gồm: định hướng quản lý rủi ro tíndụng, quy mô ngân hàng, trình độ công nghệ và trình độ nhân lực Các nghiêncứu về quản lý rủi ro tín dụng tại một ngân hàng cụ thể khác có thể kể đếnnhư, Luận án tiến sĩ của Nguyễn Quang Hiện (2016) về Ngân hàng TMCPQuân đội, luận án tiến sĩ của Lê Thị Hạnh (2017) về Vietcombank và NguyễnNhư Dương (2018) về Vietinbank

Nghiên cứu của Lê Thị Huyền Diệu (2010) trình bày tổng quát về các

mô hình quản lý rủi ro tín dụng với nội dung là các luận cứ khoa học trongviệc lựa chọn các mô hình thích hợp trong điều kiện của các ngân hàngthương mại tại Việt Nam Cùng trên cơ sở đó, nghiên cứu của Nguyễn BíchNgân (2020) thực hiện mô phỏng mô hình quản lý rùi ro danh mục theo cáchtiếp cận cơ bản dựa trên xếp hạng nội bộ (FIRB) của Basel

Koulafetis (2017) nghiên cứu một cách toàn diện về các mô hình đolường rủi ro tín dụng trong đó nêu chi tiết về các mô hình đo lường rủi rodanh mục, từ mô hình được Basel khuyến nghị theo cách tiếp cận tiêu chuẩn(SA), cách tiếp cận cơ bản dựa trên xếp hạng tín dụng nội bộ (FIRB) và cáchtiếp cận nâng cao dự trên xếp hạng tín dụng nâng cao (AIRB) đến các môhình do các định chế tài chính lâu đời trên thế giới phát triển nhưCreditMetrics của JP Morgan (1997), KMV của Moody’s (2002), CreditRisk+của Credit Suise (1997), CreditPortfolioView của Wilson (1997) và được sửdụng bởi McKinsey Nghiên cứu cũng chỉ ra những mô hình này tập trung đolường cùng một đại lượng về mặt lý thuyết, đó là mức tổn thất ngoài dự tính(UL) trong khi đó một số mô hình khác tập trung và hướng thiết lập các cơchế mô phỏng giá trị danh mục trong tương lai (Saunders & Allen, 2010).

Witzany (2017) đưa ra cơ sở lý thuyết của các mô hình đo lường rủi rodanh mục tín dụng và mô phỏng các bước tính toán của các mô hình, trong đó

mô hình CreditMetrics dựa trên mô phỏng Monte Carlo, mô hình CreditRisk+xây dựng một khung tính toán phân bổ tổn thất của danh mục tín dụng màkhông cần thông qua mô phỏng Monte Carlo, mô hình CreditPortfolioViewđưa vào các yếu tố vĩ mô như là yếu tố ảnh hưởng khả năng vỡ nợ, mô hìnhKMV dựa trên giá trị chịu rủi ro (VaR) và xem khoản vay như một hợp đồngquyền chọn

Nhiều nghiên cứu tập trung vào phân tích mô hình đo lường rủi ro tíndụng theo cách tiếp cận của Basel có thể kể đến như Acharya và cộng sự(2006), Carey & Gordy (2007), Hibbeln (2010), Engelmann & Rauhmeier(2006), Witzany (2017), Jacob (2010) Các nghiên cứu này mô tả chi tiết cơ

sở lý thuyết và mô phỏng áp dụng khuyến nghị trong Basel II đối với rủi rotín dụng Các

mô hình quan trọng nhất trong cách tiếp cận của Basel để đánh giá rủi ro tíndụng, bao gồm xác suất khách hàng không trả được nợ (PD), tỷ lệ tổn thấttrong trường hợp khách hàng vỡ nợ (LGD) và dư nợ tại thời điểm vỡ nợ(EAD).

Trong luận án này, tác giả kế thừa các luận cứ lý thuyết về mô hìnhquản lý rủi ro tín dụng dựa trên cách tiếp cận xếp hạng tín dụng nội bộ nângcao (AIRB) của Basel II để xây dựng hệ thống xếp hạng tín dụng nội bộ choNgân hàng Nông nghiệp và Phát triển nông thôn Việt Nam

1.2.1 Nghiên cứu về đo lường xác suất vỡ nợ

Altman (1968) là một trong những người đầu tiên đặt nền móng choviệc phân loại khách hàng vay theo rủi ro tín dụng bằng mô hình định lượng.Nghiên cứu của Altman đưa ra điểm số Z (Z score) phân loại khả năng vỡ nợcủa các khách hàng vay dựa trên phương pháp phân tích phân biệt (MultipleDiscriminant Analysis – MDA) Tương tự như vậy, Wiginton (1980) gópphần đưa mô hình Logit (LR) trở nên phổ biến trong các nghiên cứu và ứngdụng về xếp hạng tín dụng Cả hai nghiên cứu đều đánh giá hiệu quả mô hìnhdựa trên ma trận phân loại trong đó so sánh tỷ lệ phân loại đúng và sai nợ xấu

nợ tốt

Arminger và cộng sự (1997) sử dụng 3 phương pháp là phân tích phânbiệt logistic (logistic discriminant analysis), phân tích CART trên bộ mẫu dữliệu 8.163 quan sát trong 2 năm 1991 – 1992 ở một ngân hàng Đức Kết quảcho thấy người trưởng thành, người có thâm niên công tác, người có ôtô, nữgiới và những người có gia đình có khả năng trả nợ tốt hơn

Vasanthi & Raja (2006) ước tính khả năng vỡ nợ liên quan đến thunhập và các yếu tố khác với dữ liệu của Úc cho một mẫu gồm 3.431 hộ giađình Nghiên cứu cũng chỉ ra rằng độ tuổi của khách hàng, thu nhập và các

nợ.

Autio và cộng sự (2009) nghiên cứu việc sử dụng các khoản vay nóng ởPhần Lan Khảo sát trực tuyến được tiến hành cho các đối tượng từ 18 đến 29tuổi với các câu hỏi về tuổi tác, giới tính, tình hình tài chính, thu nhập, việclàm và tình trạng lao động cũng như cấu trúc gia đình Các yếu tố ảnh hưởngđến số lượng các khoản vay là tình trạng nghề nghiệp, thu nhập và cơ cấu hộgia đình Giới tính dường như không có ảnh hưởng.

Kocenda & Vojtek (2011) nghiên cứu một mẫu gồm 3.403 quan sát với

21 biến giải thích Với 2 phương pháp hồi quy logistic và phân tích CART,kết quả cho thấy các đặc tính về tài sản, trình độ học vấn, tình trạng hôn nhân,mục đích của khoản vay và thời gian có tài khoản ngân hàng có tác động rõràng đến khả năng vỡ nợ trong danh mục vay tiêu dùng

Nwachukwu (2013) nghiên cứu về các khoản vay trong lĩnh vực nôngnghiệp tại Nigeria với đặc điểm khả năng vỡ nợ của khách hàng tại đây là rấtcao, trên 50% các khoản vay Dữ liệu thu thập bao gồm 36 đặc điểm về ngườivay chia theo 06 nhóm thông tin về: cá nhân và hộ gia đình, việc kinh doanh,khoản vay và tổ chức cho vay, tham gia các nhóm tiết kiệm và hợp tác xã, tàisản, thu nhập và chi tiêu, cơ sở hạ tầng Kết quả nghiên cứu chỉ ra rằng 04 yếu

tố bao gồm độ tuổi, tần suất kiểm tra của người cho vay, tiền gửi tiết kiệmtrong các nhóm tương hỗ và tổng tiền tiết kiệm theo năm là những yếu tố ảnhhưởng đáng kể đến khả năng trả nợ của khách hàng

Nghiên cứu của Dinh & Kleimeier (2007) là một trong ít những nghiêncứu ở Việt Nam sử dụng mô hình định lượng (mô hình logistic) trong nghiêncứu xếp hạng tín dụng cá nhân Mục đích của nghiên cứu là tìm ra mô hìnhchấm điểm tín dụng và chính sách sử dụng phù hợp đối với mảng tín dụng cánhân tại Việt Nam Bộ dữ liệu sử dụng xây dựng mô hình gồm 56.037 quansát với 22 đặc điểm khách hàng Kết quả cho thấy 16 yếu tố ảnh hưởng đáng

tính, số khoản vay, thời hạn vay, tài khoản tiết kiệm, khu vực, tình trạng nhà

ở Nghiên cứu cũng đưa ra hai tiêu chí để đánh giá sự phù hợp của mô hìnhchấm điểm tín dụng là ma trận tỷ lệ phân loại đúng và chi phí phân loại lỗi

Bên cạnh việc sử dụng số liệu chính thức từ các tổ chức tín dụng, một

số nghiên cứu lại xem xét khả năng vỡ nợ và tiếp cận vốn của khách hàng vaythông qua các thông tin được thu thập bằng các cuộc khảo sát trực tiếp kháchhàng vay Tra Pham và Lensink (2008) sử dụng bộ dữ liệu gồm 4334 quan sát

từ kết quả khảo sát hộ gia đình Việt Nam do Tổng cục thống kê thực hiện vàonăm 1998 để xem xét sự khác biệt về khả năng vỡ nợ trong tín dụng chínhthức, phi chính thức và bán chính thức Kết quả nghiên cứu chỉ ra rằng hạnmức tín dụng, mục đích vay và khu vực sinh sống là ba yếu tố ảnh hưởngđược nhấn mạnh ở thị trường Việt Nam

Linh và cộng sự (2020) trực tiếp thực hiện khảo sát 180 hộ nông dân tạiHải Phòng, Việt Nam về khả năng tiếp cận các nguồn tín dụng Dữ liệu thuthập được bao gồm 11 loại thông tin về chủ hộ và hộ gia đình Sử dụng môhình pobit và hồi quy tuyến tính, nghiên cứu đã chỉ ra yếu tố địa bàn sinhsống, giới tính, thành viên các nhóm tương hỗ, tỷ lệ người phụ thuộc, việclàm là nhân tố ảnh hưởng đáng kể đến khả năng tiếp cận vốn vay từ cácnguồn chính thức Đối với việc tiếp cận các nguồn vay phi chính thức, Thu vàcông sự (2020) xác định các yếu tố về tình trạng sở hữu nhà ở, vốn và tỷ lệlực lượng lao động quyết định đến khả năng tiếp cận các nguồn vay khôngchính thức thông qua khảo sát 402 hộ nghèo khu vực miền núi phía bắc ViệtNam

1.2.2 Nghiên cứu về tổn thất khi vỡ nợ.

Liên quan đến kĩ thuật dự báo, Loterman và cộng sự (2012) nghiên cứutương đối toàn diện về các kĩ thuật sử dụng trong mô hình LGD bao gồm 24

phương pháp được sử dụng từ các phương pháp truyền thống như hồi quytuyến tính, hồi quy logit cho đến các phương pháp sử dụng trí tuệ nhân tạonhư máy véc tơ hỗ trợ (SVM) và mạng nơ ron (NN) Sử dụng 6 bộ dữ liệukhách hàng để phân tích, nghiên cứu chỉ ra rằng các mô hình trí tuệ nhân tạocho kết quả dự báo LGD tốt hơn các phương pháp truyền thống Ở nghiên cứuvới quy mô nhỏ hơn, Bastos (2010) cho rằng mô hình máy học cây hồi quy(regression tree) thể hiện khả năng tốt hơn cả Trái ngược lại với kết quả trên,Bellotti & Crook (2012) thực nghiệm với kĩ thuật hồi quy tuyến tính (OLS)cho kết quả mô hình dự đoán chính xác nhất.

Một số nghiên cứu khác tập trung nghiên cứu các nhân tố tác động đếnLGD như, Altman và cộng sự (2005), Caselli và cộng sự (2008), Dermine &Carvalho (2005), Khieu và cộng sự (2012) , Rosh & Sheule (2012) Hầu hếtcác nghiên cứu đều sử dụng dữ liệu liên quan đến đặc điểm khoản vay và cácchỉ số kinh tế vĩ mô để xây dựng mô hình dự báo LGD Một số nội dung tómtắt về các nghiên cứu được mô tả trong bảng 1.1

Bảng 1.1:Tổng hợp các nghiên cứu về LGD Nghi

ên

cứu

Dữ liệu

Q uố

c gi a

Gi

ai đo ạn

Biến kinh tế

vĩ mô

Mô hình Sự ảnh

hưởng của yếu tố vĩ mô

an sát

2001

an sát

B

ồ Đ à o Nha

1995 - 2000

(LR), Cây quyết định (DT)

-Bellotti 55.00 Anh 1999 Lãi suất của Hồi quy Tất cả

(2011) qu

an sát

2005 hàng Anh, tỷ

nghiệp, chỉ

số thu nhập của

Anh

tính, logit (LR), tobit Cây quyết định (DT)

biến vĩ mô

an sát

2004

-GDP, tình trạng có việc làm, tiêu dùng hộ gia đình, đầu tư hàng năm,

an sát

B

ồ Đ à

o N h a

1995 - 2000

GDP, tần suất vỡ nợ theo lĩnh vực

Logit (LR)

Không ảnh hưởng

an sát

2007

an sát

2009

Nguồn: Tác giả tổng hợp

1.2.3 Nghiên cứu về mức độ rủi ro khi vỡ nợ.

Nghiên cứu của Valvonis (2008) chỉ ra rằng việc xác định EAD phụthuộc lớn vào sản phẩm tín dụng và nội dung cam kết giữa ngân hàng vàkhách hàng EAD có thể được phân chia thành hai nhóm: nhóm cố định vànhóm biến động Ví dụ, với những sản phẩm tín dụng giải ngân một lần vàkhông có biến động về số dư thì giá trị EAD luôn bằng với dư nợ tại thờiđiểm đánh giá Hoặc các khoản tín dụng đã ngoài thời gian giải ngân thì EADcũng chính bằng tổng dư nợ của khách hàng Đối với những sản phẩm tíndụng như vậy thì theo Basel II không cần thiết xây dựng mô hình định lượng

Đối với nhóm có dư nợ biến động thì EAD cần được ước lượng theo

mô hình Các nghiên cứu của Barakova & Parthasarathy (2013), Leow &Crook (2016), Tong và cộng sự (2016), Luo & Murphy (2020) đã xem xét đadạng các yếu tố tác động đến EAD và các kĩ thuật dự báo EAD trên các bộ dữliệu đa dạng từ khách hàng cá nhân đến khách hàng doanh nghiệp

Luo và Murphy (2020) nghiên cứu về các yếu tố tác động đến dư nợ tạithời điểm vỡ nợ (EAD) của các khoản vay về xây dựng và bất động sản với

dữ liệu được sử dụng bao gồm các thông tin kinh tế vĩ mô và đặc điểm vềkhoản vay Các phương pháp thống kê thông thường như hồi quy OLS, tobitthể hiện khả năng dự báo tương đương các mô hinh trí tuệ nhân tạo Nghiêncứu chỉ ra các nhân tố bao gồm: loại tài sản thế chấp, tỷ lệ dư nợ trên hạn mứctại thời điểm đo lường EAD và hạn mức tín dụng là quan trọng nhất dự báoEAD Cũng sử dụng các nhóm nhân tố vĩ mô và đặc điểm khoản vay

Barakova và Parthasarathy (2013) đặt ra giả thiết về mối liên hệ giữaEAD với các nhân tố: hạng tín dụng, lĩnh vực kinh doanh, mức độ sử dụng dư

nợ trước khi vỡ nợ, loại hình vay, kì hạn, thông tin pháp lý về khách hàng.Kết quả mô hình OLS chỉ ra rằng hạng tín dụng và sự biến động dư nợ trướckhi vỡ nợ là hai nhân tố mang tính quyết định đến EAD của các doanhnghiệp Một vài nghiên cứu khác cũng nhấn mạnh sự liên quan của lịch sử dư

nợ tới EAD như nghiên cứu của Leow và Crook (2015) hay Tong và cộng sự(2016) đánh giá các nhân tố dự báo EAD của sản phẩm thẻ tín dụng tại nhiềugiai đoạn trước khi xảy ra nợ xấu

1.3 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 nhântạo nói chung và trí tuệ nhân tạo trong lĩnh vực tín dụng đã và đang nhậnđược sự quan tâm lớn từ các nhà nghiên cứu Các nghiên cứu quốc tế về trítuệ nhân tạo trong lĩnh vực tín dụng được thực hiện đa dạng, trên nhiều góc

độ khác nhau bao gồm các nghiên cứu lý thuyết tổng quát về trí tuệ nhân tạo

và xây dựng các mô hình thực nghiệm Để có được cái nhìn tổng quát,Latimore (2018) đã hệ thống các ứng dụng trí tuệ nhân tạo trong lĩnh vựcngân hàng nói chung và lĩnh vực tín dụng nói riêng căn cứ vào bốn nhiệm vụ:(1) phân tích; (2) tương tác

cứu cũng đưa ra ba điểm quan trọng cần quan tâm khi nghiên cứu về trítuệ nhân tạo đó là: (1) việc giải thích tại sao và bằng cách nào trí tuệ nhântạo đưa ra các kết quả là rất khó khăn; (2) càng nhiều dữ liệu thì càng cảithiện 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 cũngđưa ra nhận định các ngân hàng sẽ nâng cao hiệu quả hoạt động nhờ vàogiảm thiểu chi phí, giảm thiểu rủi ro và tăng lợi nhuận khi áp dụng trí tuệnhân 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 dụngtrong các nghiên cứu thực nghiệm đánh giá rủi ro tín dụng Các môhình 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 ronxác suất (probabilistic neural network - PNN) Đồng thời, cácnghiên cứu trên cũng chỉ ra động lực cho các ngân hàng thương mạiứng dụng trí tuệ nhân tạo vào hoạt động kinh doanh cùng với đó làmột số thách thức, rủi ro cần phải vượt qua

● Về các nghiên cứu thực nghiệm, rất nhiều nghiên cứu tiến hànhđánh giá khả năng khai phá dữ liệu cũng như hiệu quả trong việc đo lườngrủi ro tín dụng của các mô hình trí tuệ nhân tạo có thể kể đến như: Desai

và cộng sự (1995), West (2000), Abdou và cộng sự (2008), Tsai và Wu(2008), Brown (2012), Zhao và cộng sự (2015), Tang và cộng sự (2018)

○ Desai và cộng sự (1995) nghiên cứu khả năng phân loại của môhình nơ ron multilayer perceptron (MLP), modular neural networks

(MNN) so sánh với các mô hình truyền thống như MLD và LR Kếtquả chỉ ra mô hình có tỷ lệ phân loại tổng thể tốt nhất là LR với tỷ

lệ phân loại đúng là 81.7%, tuy nhiên

● tỷ lệ phân loại đúng nợ xấu của mô hình MLP là cao nhất với tỷ lệ 42.08%cao hơn tương đối so với mô hình LR Trong thực tế việc phân loại saimột khoản nợ xấu gây ra tổn thất cho ngân hàng lớn hơn nhiều lần so vớiviệc phân loại sai một khoản nợ tốt Do vậy, việc sử dụng mô hình nơ ronMLP là cần thiết khi ngân hàng tính toán tối đa hóa lợi nhuận.

○ West (2000) nghiên cứu về khả năng phân loại chính xác của 05 môhình nơ ron theo các cấu trúc: multilayer perceptron (MLP),mixture-of-experts (MOE), radial basis function (RBF), learningvector quantization (LVQ), và fuzzy adaptive resonance (FAR).Các mô hình này được huấn luyện 10 lần độc lập dựa trên 2 bộ dữliệu thực tế của các khách hàng cá nhân tại Đức và Úc với tỉ lệkhách hàng có nợ xấu lần lượt là 30% và 56% Các kiểm địnhMcNemar's chi-square chỉ ra có sự cải thiện nhỏ và khác biệt tươngđối 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 hàngtại Đức thì mô hình MOE cho kết quả phân loại đúng là cao nhấtvới tỷ lệ 78.6% Đối với bộ dữ liệu khách hàng cá nhân tại Úc thì

mô hình RBF có tỷ lệ phân loại tốt nhất với 88.78% và sau đó là môhình MLP với tỷ lệ là 87.68%

○ Abdou và cộng sự (2008) nghiên cứu khả năng khai thác dữ liệucủa các mô hình nơ ron MLP, Probabilistic nerural net (PNN) sosánh với các mô hình truyền thống với bộ dữ liệu 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 lần đầu để tìm ra mạng có cấu trúchợp lý nhất từ 2 đến 6 node sau đó tiếp tục huấn luyện mỗi mô hìnhthêm 20 lần để tìm ra mô hình có độ chính xác cao nhất Kết quảcuối cùng mô hình MLP (5 node) đạt độ chính xác cao nhất với tỷ

lệ phân loại đúng nợ tốt là 95.6% và tỷ phân loại đúng nợ xấu là

92.57% Nghiên cứu cũng đưa ra cách tính tổn thất cho việc phânloại sai và tỷ lệ tổn thất khi phân loại sai các khoản nợ xấu và tốt là5:1.

○ Tsai và Wu (2008) nghiên cứu khả năng kết hợp các mô hình nơron (MLP) tạo thành mô hình Mulitple MLP (MMLP) nhằm tăngtính hiệu quả trong việc phân loại nợ Nguyên tắc đưa ra cho sự kếthợp đó là kết quả phân loại đầu ra của mỗi mô hình đơn lẻ đượctổng hợp lại thành kết quả đầu ra của mô hình kết hợp Lựa chọnphân loại cuối cùng dựa trên kết quả phân loại giống nhau của đa sốcác mô hình đơn lẻ Nghiên cứu được thực hiện trên 03 bộ dữ liệucủa Đức, Úc và Nhật Bản Mô hình kết hợp chỉ cho kết quả phânloại đúng tổng thể tốt hơn mô hình đơn lẻ đối với bộ dữ liệu củaĐức Nghiên cứu cũng đưa ra sự so sánh giữa các mô hình theo tiêuchí tỷ lệ phân loại lỗi của các mô hình, tuy nhiên chưa đánh giá cáclỗi này theo chi phí phân loại lỗi để tăng thêm tính thực tế trong sosánh các mô hình.

○ Brown (2012) tập trung nghiên cứu các phương pháp khai phá dữliệu với 05 bộ dữ liệu không cân bằng trong đó có sự chênh lêch lớngiữa số lượng các khoản tín dụng tốt và xấu Ý tưởng này được xâydựng trên đặc điểm danh mục cho vay cá nhân của các ngân hàngkhi mà tỷ trọng các khoản nợ xấu thường là rất nhỏ trên tổng danhmục Mỗi bộ dữ liệu gốc bao gồm từ 547 quan sát đến 2974 quansát với số lượng đặc điểm về khoản nợ dao động từ 14 đến 60) Bộ

dữ liệu gốc được phân chia thành 6 bộ dữ liệu phái sinh với phươngpháp giảm tỷ lệ các khoản nợ xấu từ 30% xuống các mức 15%,10%, 5%, 2.5%, 1% Mô hình Rừng ngẫu nhiên (Random forests -DF) kết hợp nhiều mô hình Cây quyết định (Decision Tree – DT) là

mô hình tốt nhất để phân loại các khoản nợ đối với các bộ dữ liệu

có tỷ lệ nợ xấu 1% trong khi đó mô hình tốt nhất trong việc xử lý

dữ liệu với tỷ lệ 30% nợ xấu là mô hình Máy véc-tơ hỗ trợ (SVM)

○ Tương tự một vài nghiên cứu trước sử dụng bộ dữ liệu khách hàng

cá nhân tại Đức và mô hình MLP nhưng nghiên cứu của Zhao vàcộng sự (2015) đã cải tiến hiệu quả phân loại của mô hình thôngqua ba phương pháp: tối ưu hóa phân phối dữ liệu đầu vào bằngphương pháp lựa chọn ngẫu nhiên trung