Ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng agribank

BỘGIÁODỤCVÀ ĐÀOTẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAMHỌCVIỆNNGÂN HÀNG NGUYỄNTIẾNHƯNG LUẬNÁN TIẾNSĨ ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍNDỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN

BỘGIÁODỤCVÀ ĐÀOTẠO NGÂN HÀNG NHÀ NƯỚC VIỆT

NAMHỌCVIỆNNGÂN HÀNG

NGUYỄNTIẾNHƯNG

LUẬNÁN TIẾNSĨ

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO

TÍNDỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN

NÔNGTHÔNVIỆTNAM

HÀNỘI-2022

BỘGIÁODỤCVÀ ĐÀOTẠO NGÂN HÀNG NHÀ NƯỚC VIỆT

NAMHỌCVIỆNNGÂN HÀNG

NGUYỄNTIẾNHƯNG

LUẬNÁN TIẾNSĨ

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO

TÍNDỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN

DANHMỤC TỪVIẾTTẮT

AIRB Advanced internal

rating-based approach

Cách tiếp cận nâng cao dựatrên xếp hạngnội bộAUF Additionalutilizationfactor Hệsốsửdụng bổsung

CFF Creditconversionfactor Hệsốchuyển đổitíndụngCIC CreditInformationCenter Trung tâm thông tin tín

dụngquốcgia

EADF Exposureatdefaultfactor Hệ số dư nợ tại thời điểm

vỡnợFIRB Foundation internal

Đặctrưng hoạt độngthunhận

sởhữu

managementcompany

Công ty quản lý tài sản ViệtNam

PHẦNMỞĐẦU 1

CHƯƠNG1:TỔNGQUANNGHIÊNCỨUVỀTRÍTUỆNHÂNTẠOTR ONGQUẢNLÝRỦIRO TÍNDỤNG 10

1.1 Cácnghiên cứuvềmô hìnhquảnlý rủirotíndụng 10

1.2 Nghiêncứu vềđánh giárủiro tíndụng 12

1.2.1 Nghiên cứuvềđolườngxác suấtvỡnợ 13

1.2.2 Nghiêncứuvềtổn thất khi vỡnợ 15

1.2.3 Nghiên cứuvềmức độ rủi rokhivỡnợ 17

1.3 Nghiên cứu vềmô hình trítuệnhân tạo trongquảnlý rủi rotín dụng 18

1.4 Khoảngtrốngnghiêncứu 23

Kết luậnchương 1 24

CHƯƠNG 2: CƠ SỞ LÝ LUẬN VỀ ỨNG DỤNG TRÍ TUỆ NHÂN TẠOTRONG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG THƯƠNGMẠI 25

2.1 Cơsởlýluậnvềquảnlý rủirotín dụngtại ngân hàngthương mại25 2.1.1 Khái niệmvềquảnlý rủirotíndụngtạingânhàngthươngmại2 5 2.1.2 Nộidungquảnlý rủirotín dụngtạingânhàngthươngmại 28

2.2 Cơsởlýluậnvềứngdụngtrítuệnhântạotrongquảnlýrủirotíndụngtạingânhàngthư ơng mại 43

2.2.1 Kháiquátvềtrí tuệnhântạo 43

2.2.2 Trítuệnhântạotrongquảnlýrủirotíndụngtạingânhàngthươngmại.46 2.2.3 Khung đo lườngápdụngcho môhình trítuệ nhântạo trongquản lýrủiro tín dụngtạingân hàng thương mại 59

2.2.4 Dữliệuchocácmôhìnhtrítuệnhântạotrongquảnlýrủirotíndụngtạingânhàngt hươngmại 66

2.2.5 Cáctiêuchíđánhgiákếtquảứngdụngmôhìnhtrítuệnhântạotrongđolường rủiro tíndụng 68

2.2.6 Điềukiệnứngdụngtrítuệnhântạotrongquảnlýrủirotíndụng.71 2.3 Kinhnghiệmquốctếvềnghiêncứuvàứngdụngtrítuệnhântạotrongquảnlý rủirotíndụng 74

2.3.1 Kinh nghiệmtừAnh 74

2.3.2 Kinh nghiệmtừMỹ 81

2.3.3 Kinh nghiệmtừẤn Độ 84

2.3.4 KinhnghiệmtừHội đồngổnđịnh tài chính (FSB) 87

2.3.5 Kinh nghiệmtừNgân hàngthếgiới(WB) 89

2.3.6 BàihọckinhnghiệmchocácngânhàngthươngmạitạiViệtNam .91

Kết luậnchương 2 96

CHƯƠNG3:THỰCTRẠNGQUẢNLÝRỦIROTÍNDỤNGTẠINGÂNHÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM973.1.Kháiquát vềAgribank 97 3.1.1 Lịchsửhìnhthànhvàpháttriển 97

3.1.2 Tìnhhìnhhoạtđộngkinhdoanh 99

3.2 Thựctrạngquảnlýrủi rotín dụngtạiAgribank 102

3.2.1 Môhình quản lý rủirotíndụng 102

3.2.2 Tổchứcthựchiệnquảnlý rủi rotíndụngtại Agribank 106

3.3 Đánhgiáthựctrạngquảnlý rủirotín dụngtại Agribank 128

3.3.1 Các kếtquảđạtđược 128

3.3.2 Cáchạnchếvànguyênnhân 130

Kết luậnchương 3 135

CHƯƠNG4:XÂYDỰNGMÔHÌNHTRÍTUỆNHÂNTẠOĐOLƯỜNGRỦI RO TÍN DỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁTTRIỂNNÔNGTHÔNVIỆTNAM 136

4.1 Đềxuấtmô hình 136

4.2 Xâydựng môhình tính xácsuấtvỡnợ(PD) 137

4.2.1 Môtả dữliệuthuthập 137

4.2.2 Kết quảcác môhìnhtínhxácsuất vỡnợ(PD) 142

4.3 Xâydựng mô hình LGD 154

4.3.1 Môtả dữliệu 154

4.3.2 Kếtquảmô hình LGD 156

4.4 Xâydựng mô hình EAD 159

4.5 Cácđiềukiệnđểứngdụngtrítuệnhântạotrongquảnlýrủirotíndụng .163

Kết luậnchương 4 166

CHƯƠNG 5: GIẢI PHÁP ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONGQUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG NÔNG

NGHIỆP VÀPHÁTTRIỂNNÔNG THÔNVIỆTNAM 167

5.1 Địnhhướngpháttriểnhoạtđộngquảnlýrủirotíndụngtronghệthốngng ânhàngthương mạiViệt Nam 167

5.2 ĐịnhhướngpháttriểnhoạtđộngquảnlýrủirotíndụngtạiAgribank.170 5.3 Giảip h á p ứ n g d ụ n g t r í t u ệ n h â n t ạ o t r o n g q u ả n l ý r ủ i r o t í n d ụ n g t ạ i Agribank 172

5.3.1 Vềcơcấu tổchứcquản lý rủi rotín dụng 172

5.3.2 Vềquytrìnhápdụngtrítuệnhântạotrongquảnlýrủirotíndụng 173

5.3.3 Vềnhómcác giảipháphỗtrợ cầnthiết 183

5.4 Kiếnnghịvới Ngân hàng nhànướcViệt Nam 186

Kết luậnchương 5 188

PHẦNKẾTLUẬNÁN 189

TàiliệuThamkhảo 192

PHỤLỤC 202

Đểđápứngkịpthờinhiệmvụcủangànhngânhàngtronggiaiđoạnmới,Thống đốcNHNN đã ban hành chỉ thị 01 năm 2021, trong đó nhấn mạnh mộttrong những nhiệm vụ trọng tâmcủa ngành ngân hàng là tăng trưởng tín dụnghợp lý gắn với nâng cao chấtlượng tín dụng, tập trung vào các lĩnh vựcsảnxuất,lĩnhvựcưutiên,kiểmsoátchặttíndụngtronglĩnhvựctiềmẩnrủironhưbất động sản,chứng khoán, các dự án BOT, BT giao thông Một trongnhữngyêucầuđưarađólàtiếptụcxâydựngphươngántáicơcấucácTCTDgắnvớixửlýnợxấugiaiđoạn2021–

2025.Đâylàmộtcăncứquantrọngđểcácngânhàngthươngmạixácđịnhmụctiêu,lộtrìnhchoviệchoànthiệnhệthốngquảnlý rủirotíndụngcủamình

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

mộtcáchmạnhmẽvà dần địnhhìnhcuộcchơicủa các ngânhàng trongtươnglai.

Việcquảnlýrủirotíndụngđượcpháttriểntrongnhiềuthậpkỉởcácnướcpháttriểnvớicáccôngcụtừtruyềnthốngđếnhiệnđạinhưtrítuệnhântạo.Trongđó,Trí tuện h â n tạođược c o i là“ c h ì a khóa”định hìnhc ụ c diệnngànhngânhàngthôngquanhữngthayđổivềcáchngânhàngtạorasảnphẩm,quyếtđịnhchovay,cũngnhưngănchặntừsớmcácrủirogianlận,giatăngtrảinghiệmvàgắnkếtkháchhàng.Trongkhiđó,ởcácnướcđangpháttriển,việcsửdụngcáccôngcụquảnlýrủirotíndụngvẫnđangcònnhiềuhạnchếdonhữngthiếuhụtvềnhiềuđiềukiệnđểtriểnkhaiápd

ụngcáccôngnghệmới.Nhậnthấytầm quantrọngvàtiềmnăngcủatrít u ệ n h â n t ạ o , n g à y 26/1/2021,ThủtướngchínhphủbanhànhQuyết

TTgvềchiếnlượcquốcgiavềnghiêncứu,pháttriểnvàứngdụngtrítuệnhântạođếnn

địnhsố127/QĐ-ăm2030 Trong đó, nhiệm vụ cụ thể của ngành ngân hàng được chỉ rõ bao gồm:

“Phântích,dựđoánnhucầuvayvốn,đốitượngvayvốn,hỗtrợhoạtđộngcấptíndụngpháthiệncáchànhvigianlận;cánhânhóacácdịchvụngânhàngchokháchhàng;cungcấpcác

dịchvụhỗtrợtứcthờichokháchhàngthôngquacáctrợlýảovàchatbot”

Trong hệ thống ngân hàng thương mại Việt Nam thì Ngân hàngNôngnghiệpvàPháttriểnnôngthônViệtNamlàngânhàngcóquymôlớnnhấttínhtrên tổngtài sản và số lượng khách hàng, đóng vai trò chủ lực trong hệthốngngânhàng.NgânhàngNôngnghiệpvàPháttriểnnôngthônViệtNamgópphầnthực hiện

có hiệu quả chính sách tiền tệ quốc gia, đi đầu thực hiện chính sáchtiền tệ, góp phần ổn định kinh tế vĩ

mô, kiềm chế lạm phát, hỗ trợ tăng trưởng,luôn đồng hành cùng sự nghiệp phát triển nông nghiệp,nông dân, nông thôn,có nhiều đóng góp tích cực thúc đẩy quá trình tái cơ cấu nềnkinh tế, xây dựngnông thônmớivà bảođảman sinhxã hội

Tuy nhiên, trong giai đoạn trước thì Ngân hàng Nông nghiệp và PháttriểnnôngthônViệtNamđãphátsinhnhiềuvụviệctiêucựcliênquanđếntíndụng,ảnhhưởnglớnđếnhoạtđộngkinhdoanhvàuytíncủangânhàng.Hậuquảcủanhững vụ việc này còn kéo dàitrong thời gian sau đó và tác động trực tiếp đếnđời sống người lao động Thực trạng này đã đặt ra yêu cầu cần có nhữnggiảiphápcảitiến,tăngcườnghiệuquảcủahệthốngquảnlýrủirotíndụngvàgiảmthiểu,loạibỏnhữnghạnchếtồntạitrongmộtthờigiandàitrước đó.

Căn cứ vào tình hình bối cảnh chung và đặc điểm của Ngân hàngNôngnghiệpvàPháttriểnnôngthônViệtNam,tácgiảnhậnthấyviệcnghiêncứuđềtài:

“Ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàngNông

nghiệp và Phát triển nông thôn Việt Nam” có ý nghĩa cao về cả lý luậnvàthực

tiễn

2 MỤCTIÊUNGHIÊNCỨU

2.1 Mụctiêutổngquát

Luậnánnghiêncứutổngthểvềlýluậnvàthựctiễntrítuệnhântạotrongquản lý rủi ro tíndụng, từ đó đưa ra giải pháp kiến nghị ứng dụng trí tuệ nhântạo trong quản lý rủi ro tại Ngân hàngNông nghiệp và Phát triển nông thônViệt Nam

2.2 Mụctiêucụthể

Mụctiêu tổngquátđượccụthểhóathànhbốn mụctiêu sau:

Thứnhất,hệthốnghóacơsởlýluậnvềtrítuệnhântạotrongquảnlýrủiro tíndụng;Thứhai,đánhgiáthựctrạngquảnlýrủirotíndụngtạiNgânhàngNôngnghiệp và Pháttriển nông thôn Việt Nam nhằm xác định các điều kiện và giảipháp ứngdụngtrítuệnhântạotronghoạtđộng này;

Thứ ba, ứng dụng trí tuệ nhân tạo xây dựng mô hình đánh giá rủi rotíndụng theo phương pháp nâng cao của Basel II tại Ngân hàng Nông nghiệpvàPhát triểnnôngthônViệtNam;

Thứ tư, đề xuất các nhóm giải pháp và kiến nghị nhằm ứng dụng trítuệnhân tạo trong quản lý rủi ro tại Ngân hàng Nông nghiệp và Phát triểnnôngthôn ViệtNam

3 ĐỐI TƯỢNGVÀPHẠMVI NGHIÊNCỨU

Phạm vi nghiên cứu về thời gian: 2009-2021 Trong đó dữ liệu dùngđểxâydựngmôhìnhtrítuệnhântạođượcthuthậptrongkhoảngthờigian2009-2014

4 PHƯƠNGPHÁPNGHIÊNCỨU

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

quánhóa,hệthốnghóacácvấnđềvềtrítuệnhântạo,quảnlýrủirotíndụngvàứngdụngtrítuệnhântạotrongquảnlýrủi rotíndụng

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

thựchiện quản lý rủi ro tín dụng tại Agribank, tác giả thực hiện cuộc khảo sátvới95cánbộcóliênquantrựctiếptớihoạtđộngchovaykháchhàng(baogồm05

phó giám đốc chi nhánh và lãnh đạo ban tín dụng, phòng tín dụng loại 1,28lãnh đạo phòng tín dụng chi nhánh loại 2 và lãnh đạo phòng giao dịch,và62chuyênviên)vớinộidunghỏibaoquáttoànbộcáchoạtđộngquảnlýrủirotíndụngtạiAgribank.

Phươngphápđịnhlượng:Luậnánsẽsửdụngcácmôhìnhtrítuệnhântạobaogồm

NN)đểđolườngrủirotíndụngvàcósựsosánhvớicácmô hìnhtruyềnthốngnhưmôhìnhlogit

:MôhìnhCâyquyếtđịnh(DecisionTree-DT),MôhìnhMạngNơron(Neuralnetwork-Môhìnhlogit

Mô hình Logit là mô hình hồi quy với biến phụ thuộc (Y) là biến nhị phân,chỉnhận hai giá trị là 0 và 1; các biến độc lậpXicó thể là biến nhị phân, biếnrờirạchoặcbiếnliêntục.Trongmôhìnhxếphạngtíndụng,biếnphụthuộcYnhậngiá trị 0 khi kháchhàng không trả được nợ và 1 khi khách hàng trả đượcnợ(Leevàcộngsự,2000).CácbiếnđộclậpXi ạ iđại diệnchocácthôngtinđịnhtínhvà định lượngcủa khách hàng như thu nhập, độ tuổi, giới tính, trình độ họcvấn

SaukhihồiquymôhìnhLogit,thuđượcŶ=α+β1X1+β2X2+…

+βkXklàgiátrịướclượngcủaY.Khiđó,xácsuấttrảnợcủakháchhàngđượctínhbằngcôngthứcsau:

P=1/(1+e−Y)

GiátrịPnhậnđượctrongkhoảng(0,1)đượcsosánhvớicácngưỡngmàngânhàngđặtrađểxếphạngkháchhàng.Tuynhiên,trongbàinghiêncứunày,để dễ dàng hơn trong việc so sánh hiệu

đểphânloạikháchhàngđượcchọnlà0,5.ĐiềunàycónghĩarằngnếugiátrịP

<0,5,kháchhàngsẽđượcdựbáovỡnợ,vàngượclạinếuP≥0,5,kháchhàngsẽđược dựbáotrảđược nợ.

MôhìnhCâyquyếtđịnh(DecisionTree-DT)

Câyquyếtđịnh(DT)làmộtkiểumôhìnhphânlớpcácquansátdựavàodãycácluật.Môhìnhnàybaogồmmộtnútgốc(Rootnode),cácnútbêntrong(Internalnode)vànútlá(Leafnode).MỗimộtnúttrongDTtươngứngvớimộtbiến;đườngnốigiữanóvớinútconcủanóthểhiệnmộtgiátrịcụthểchobiếnđó (đây chính là điều kiện hay quy luật để phân nhánh cho mỗi node) Mỗi nútlá đạidiện cho giá trị dự đoán của biến mục tiêu; các giá trị cho trước của cácbiếnđược biểudiễn bởiđườngđitừnútgốctớinútláđó

Câyquyếtđịnhđượcxâydựngbằngcáchphântáchthuộctínhcácgiátrịtạimỗinútdựatrênmộtthuộctínhđầuvào.Quátrìnhphânlớpsửdụngcácthuộctínhphântáchđượcthựchiệnliêntụcchotớikhigặpcácnútlá(giátrịmụctiêu).Tậphợpcácluậtđườngđitừnútgốctớinútlásẽxácđịnhchochúngtacácluậtquyếtđịnhmàhàmmụctiêutrảvềgiátrịlàmứcđộrủirotươngứngvớikháchhàng

Môhình MạngNơron(Neuralnetwork-NN)

Ýtưởngvềmạngnơron(NN)đượchìnhthànhtừnhữngquansátbộnãoconngườivớichứcnăngcơbảnlàtiếpnhậnthôngtin,xửlýthôngtinvàđưarakếtquả.Cụthể,bộnãođượccấuthànhtừcácnơronliênkếtvớinhau.Mỗinơrontiếpnhậnthôngtinđầuvào,xửlývàxuấtthôngtinđầura.Vìcácnơroncósựliênkếtphứctạpvớinhaunênthôngtinđầuracủanơronnàysẽlàthôngtinđầu vào của nơ ron khác Đến khi các thông tin được xử lý thỏa mãn theocácyêucầuthìnãobộsẽngừngquátrìnhnàylạivàđưarakếtquảcuốicùng

Một mạng nơ ron đầy đủ bao gồm 3 lớp với tên gọi lớp đầu vào(inputlayer),lớpẩn(hiddenlayer)vàlớpđầura(outputlayer).Mỗilớpđượccấutạotừmộtchođếnnhiềunode.Tronglịchsửpháttriểncủamạngnơronnhântạo,

nhiềukiểukiếntrúcmạngquyđịnhkếtnốigiữacácnodeđượchìnhthành,tuynhiên, luận án sửdụng mạng nơ ron truyền thẳng đa lớp (MLP), một trongnhững mạngđượcsửdụngphổbiếnvàđemlạihiệuquả caonhất

Các trọng số của mạng MLP được ước lượng bằng thuật toán lantruyềnngược(Back-

Propagationalogorithm),lầnđầutiênđượcgiớithiệubởiRumelhart và cộng sự(1986) Thuật toán này điều chỉnh liên tục các trọng sốcủa các kết nối trongmạng để tối thiểu hóa sự khác biệt giữa giá trị đầu ra ướclượng và giá trị đầu ra thực tế, quátrình này còn được gọi là quá trình huấnluyện mạng Cụ thể, trong giai đoạn đầu tiên khi hìnhthành mạng MLP, cáctrọng số được khởi tạo ngẫu nhiên Các giá trị đầu ra

Dữliệu chocácmôhình địnhlượng

Cácmôhìnhđịnhlượngtrênđượcthựchiệntrên2bộdữliệu.Bộdữliệuthứ nhất bao gồmthông tin về các khoản vay tiêu dùng và kinh doanh tại ngânhàng Agribank trong khoảng thời gian từ năm 2009 đến 2014.Theo thông tinthunhậnđượctừhồsơvayvốn,bộdữliệubaogồmthôngtinvề15.470khoảnvay(12118 khoản nợ tốt chiếm tỉ trọng 78.3% và 3352 khoản nợ xấu chiếmtỉtrọng21.7%)với19đặcđiểmliênquan

Bộdữliệuthứ2baogồm1045hồsơvayvốncủacáckháchhàngchuyểnnợxấutừ1đến3năm.Bộdữliệubaogồm18đặcđiểmvềkháchhàng,khoảnvaygiốngvớibộdữliệu1.Bêncạnhđó,bộdữliệunàycònđượcbổsungthêmhai chỉ số đó là tỷ lệ dư nợ trên tài sản đảm bảo (LTV) và tỷ lệtổn thất trêntổng dưnợtạithờiđiểmchuyểnnợxấu.

5 ĐÓNGGÓPMỚI CỦALUẬNÁN

Trêncơsởkếthừacácnghiêncứutrongnướcvàquốctếhiệncóvềlĩnhvựctrítuệnhântạotrongquảnlýrủirotíndụng,luậnánđãcónhữngđónggópmới cảvềlýluậnvà thựctiễnnhưsau:

Thứnhất,Luậnánđãhệthốnghóacơsởlýluậnvềtrítuệnhântạotrongquản lý rủi ro tíndụng Các mô hình trí tuệ nhân tạo được phân tích, làm rõtheo các bước của quản lý rủi ro tín dụngbao gồm: nhận diện, đo lường, sửdụng công cụ quản lý và báo cáo, giám sát

rakhunglýthuyếtđểxâydựng,điềukiệnứngdụngtrítuệnhântạotrongquảnlýrủirotíndụngtạingânhàngthươngmại.Đâylàcơsởđểtiếnhànhmôhìnhtrítuệ nhân tạo thực nghiệm và đưa racác giải pháp kiến nghị khi áp dụng tạiNgânhàng NôngnghiệpvàPháttriển nông thônViệtNam

Thứ hai, luận án đã sử dụng phương pháp khảo sát đối với lãnh đạovànhân viên để đánh giá thực trạng quản lý rủi ro tín dụng tại Ngân hàngNôngnghiệp và Phát triển nông thôn Việt Nam Nội dung khảo sát tập trungvào cácbước trong quy trình quản lý rủi ro tín dụng để tạo cơ sở cho việc đánh giá cácđiềukiệnứngdụngtrítuệnhântạotạingânhàngnày

Thứ ba, luận án đã sử dụng trí tuệ nhân tạo xây dựng mô hình đolườngrủirotíndụngdựatheodữliệuthựctếtạiNgânhàngNôngnghiệpvàPháttriểnnông thônViệt Nam Các mô hình đo lường rủi ro tín dụng được thiết kếtheocáchtiếpcậnnângcao(AIRB)củaBaselIImàtrongđótrítuệnhântạođược

áp dụng triệt để trong việc xác định xác suất vỡ nợ (PD), tỷ lệ tổn thất khivỡnợ(LGD)vàdưnợtạithờiđiểmvỡnợ(EAD).Thêmvàođó,luậnáncũngđưara sự so sánh

để đánh giá hiệu quả giữa các mô hình đo lường rủi ro tín dụngđượcxâydựngdựatrêntrítuệnhântạovàcáckĩthuậttruyềnthống

Thứ tư, luận án đã đề xuất hệ thống giải pháp và kiến nghị để ứngdụngmôhìnhtrítuệnhântạovàohoạtđộngquảnlýrủirotíndụngtrênhaikhíacạnhchính là quytrình xây dựng, áp dụng các mô hình này trong thực tế vàhoànthiệncácđiềukiệnhỗtrợứngdụngtrítuệnhântạotrongquảnlýrủirotíndụngtại

NgânhàngNôngnghiệpvàPháttriển nông thônViệt Nam

6 KẾTCẤUCỦALUẬNÁN

Ngoàiphầnmởđầu,phầnkếtluận,danhmụctàiliệuthamkhảovàphụlục,luậnánđược kếtcấugồm5 chươngbaogồm:

Chương1:Tổngquannghiêncứuvềtrítuệnhântạotrongquảnlýrủirotín dụng

Chương2:Cơsởlýluậnvềứngdụngtrítuệnhântạotrongquảnlýrủiro tíndụngChương3:ThựctrạngquảnlýrủirotíndụngtạiNgânhàngNôngnghiệpvàPháttriểnnôngthônViệtNam

Chương4:Ứngdụngtrítuệnhântạoxâydựngmôhìnhđolườngrủirotín dụngtại Ngân hàng NôngnghiệpvàPháttriển nôngthôn Việt Nam

Chương5:Giảiphápứngdụngtrítuệnhântạotrongquảnlýrủirotíndụng tại NgânhàngNông nghiệpvàPháttriểnnông thônViệtNam

CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU VỀ TRÍ TUỆ NHÂN

TẠOTRONGQUẢNLÝRỦIRO TÍNDỤNG 1.1 Cácnghiêncứuvềmô hìnhquảnlý rủirotíndụng

Nghiêncứuvềlýthuyết,Bullivant(2010)đ ã trìnhbàybaoquátcáckhíacạnh của quản lýrủi ro tín dụng Tất cả các vấn đề về mô hình quản lý rủi rotín dụng được đề cập một cách chi tiết, bao

gócđộđánhgiásựphù hợpcủamô hìnhkhisửdụng cáccôngcụhiệnđạinhư trí tuệ nhân tạo Kếtquả nghiên cứu cho thấy trí tuệ nhân tạo nếu được ápdụng theo cách có kiểm soát vào lớp bảo vệ thứ hai là phù hợp và an toànđốivới hoạtđộngquảnlýrủiro

NguyễnVănTiến(2015)nghiêncứuvềmôhìnhquảntrịngânhàngtrongđó xác địnhđiểm căn bản của mô hình quản lý rủi ro tín dụng đó là sự độclậpgiữacáckhốikinhdoanh,khốiquảnlýrủirovàkhốixửlýnộibộnhưngvẫn

đảmbảođượcquytrìnhquảnlýtíndụngtậptrung.Cũngtrêncơsởđềxuấtmôhình tín dụng tậptrung, Ghosh (2012) đã đề xuất về việc cần có bộ phậnriêngtrongngânhàngđểquảnlýrủirotíndụngbởitầnsuấtxảyrathườngxuyênvàđộlớncủarủiromàngânhàngphảiđốimặt.Cảhainghiêncứuđềuthốngnhấtviệc lựa chọn mô hình tập trung đãphân tách được chức năng kinh doanh vớichức năng giám sát và kiểm soát rủi ro Đây là nền

hìnhquảnlýrủiromangtínhchuẩnmực,phùhợpvớixuhướngquảntrịngânhànghiệnđại

Nghiên cứu của Trần Khánh Dương (2019) về phòng ngừa và hạnchếrủi ro tín dụng tại Ngân hàng Thương mại cổ phần Đầu tư và Phát triểnViệtNam đã đưa ra về mặt lý thuyết hai dạng mô hình phổ biến về cơ cấu tổchứcquản 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 hìnhquản lý rủiro 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

nghiêncứuvềquảnlýrủirotíndụngtạimộtngânhàngcụthểkháccóthểkểđếnnhư,LuậnántiếnsĩcủaNguyễnQuangHiện(2016)vềNgânhàngTMCPQuânđội,luậnántiếnsĩcủaLêThịHạnh(2017)vềVietcombankvàNguyễnNhưDương(2018)vềVietinbank

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

mô hình thích hợp trong điều kiện của các ngân hàng thương mạitại Việt Nam Cùng trên cơ sở đó, nghiên cứu của Nguyễn

(2020)thựchiệnmôphỏngmôhìnhquảnlýrùirodanhmụctheocáchtiếpcậncơbảndựatrênxếphạngnộibộ (FIRB)của Basel

1.2 Nghiêncứuvềđánhgiá rủi rotíndụng.

Koulafetis (2017) nghiên cứu một cách toàn diện về các mô hìnhđolườngrủirotíndụngtrongđónêuchitiếtvềcácmôhìnhđolườngrủirodanhmục, từ môhình được Basel khuyến nghị theo cách tiếp cận tiêu chuẩn(SA),cáchtiếpcậncơbảndựatrênxếphạngtíndụngnộibộ(FIRB)vàcáchtiếpcậnnâng cao dựtrên xếp hạng tín dụng nâng cao (AIRB) đến các mô hình do cácđịnh chế tài chính lâu đời trên thế giớiphát triển như CreditMetrics của JPMorgan (1997), KMV của Moody’s

Suise(1997),CreditPortfolioViewcủaWilson(1997)vàđượcsửdụngbởiMcKinsey.Nghiêncứucũngchỉranhữngmôhìnhnàytậptrungđolườngcùngmộtđạilượngvềmặtlýthuyết,đólàmứctổnthấtngoàidựtính(UL)trongkhiđó một số mô hình khác tập trung và hướng thiết lập các

cơ chế mô phỏng giátrịdanhmục trong tươnglai(Saunders &Allen,2010)

Witzany (2017) đưa ra cơ sở lý thuyết của các mô hình đo lường rủirodanh mục tín dụng và mô phỏng các bước tính toán của các mô hình, trongđómô hình CreditMetrics dựa trên mô phỏng Monte Carlo, mô hình CreditRisk+xây dựng một khung tính toán phân bổ tổn

màkhôngcầnthôngquamôphỏngMonteCarlo,môhìnhCreditPortfolioViewđưavào cácyếu tố vĩ mô như là yếu tố ảnh hưởng khả năng vỡ nợ, mô hình KMVdựa trên giá trị chịu rủi ro (VaR)

và xem khoản vay như một hợp đồng quyềnchọn

Nhiều nghiên cứu tập trung vào phân tích mô hình đo lường rủi rotíndụngtheocáchtiếpcậncủaBaselcóthểkểđếnnhưAcharyavàcộngsự(2006),Carey &Gordy (2007), Hibbeln (2010), Engelmann & Rauhmeier(2006),Witzany(2017),Jacob(2010).CácnghiêncứunàymôtảchitiếtcơsởlýthuyếtvàmôphỏngápdụngkhuyếnnghịtrongBaselIIđốivớirủirotíndụng.Các

mô hình quan trọng nhất trong cách tiếp cận của Baselđể đánh giá rủi rotíndụng,baogồmxácsuấtkháchhàngkhôngtrảđượcnợ(PD),tỷlệtổnthấttrongtrườnghợpkhách hàngvỡnợ(LGD) và dưnợtại thờiđiểmvỡnợ(EAD).

Trongluậnánnày,tácgiảkếthừacácluậncứlýthuyếtvềmôhìnhquảnlý rủi ro tín dụngdựa trên cách tiếp cận xếp hạng tín dụng nội bộ nâng cao(AIRB) của Basel II để xây dựng hệ thống

NôngnghiệpvàPháttriểnnôngthônViệtNam

1.2.1 Nghiêncứuvềđo lườngxácsuấtvỡnợ

Altman(1968)làmộttrongnhữngngườiđầutiênđặtnềnmóngchoviệcphânloạikháchhàngvaytheorủirotíndụngbằngmôhìnhđịnhlượng.Nghiêncứu của Altman đưa ra điểm số Z (Z

cáckháchhàngvaydựatrênphươngphápphântíchphânbiệt(MultipleDiscriminantAnalysis–

MDA).Tươngtựnhưvậy,Wiginton(1980)gópphầnđưamôhìnhLogit(LR)trởnênphổbiếntrongcácnghiêncứuvàứngdụngvềxếp hạng tín dụng Cả hai nghiên cứu đều đánh giá hiệu quả mô hìnhdựa trênmatrận phânloại trongđóso sánh tỷlệphân loại đúngvà sainợxấu nợtốt

Armingervà cộng sự(1997) sử dụng 3 phương pháp là phân tíchphânbiệt logistic (logistic discriminant analysis), phân tích CART trên bộmẫu 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 cóôtô, nữgiớivà nhữngngườicógiađìnhcókhả năngtrảnợ tốthơn

Vasanthi&Raja(2006)ướctínhkhảnăngvỡnợliênquanđếnthunhậpvà các yếu tốkhác với dữ liệu của Úc cho một mẫu gồm 3.431 hộ gia đình.Nghiên cứu cũng chỉ ra rằng độ tuổicủa khách hàng, thu nhập và các yếu tốnhânkhẩuhọclànhững yếutốquantrọngảnhhưởngđếnkhảnăngvỡnợ

Autiovà cộng sự(2009) nghiên cứu việc sử dụng các khoản vay nóngởPhần Lan Khảo sát trực tuyến được tiến hành cho các đối tượng từ 18 đến29tuổivớicáccâuhỏivềtuổitác,giớitính,tìnhhìnhtàichính,thunhập,việclàmvà tình trạng laođộng cũng như cấu trúc gia đình Các yếu tố ảnh hưởng đếnsố lượng các khoản vay là tình trạng

giađình.Giớitínhdườngnhưkhôngcóảnhhưởng

Kocenda & Vojtek (2011) nghiên cứu một mẫu gồm 3.403 quan sátvới21biếngiảithích.Với2phươngpháphồiquylogisticvàphântíchCART,kếtquảchothấycácđặctínhvềtàisản,trìnhđộhọcvấn,tìnhtrạnghônnhân,mụcđíchcủakhoảnvayvàthờigiancótàikhoảnngânhàngcótácđộngrõràngđếnkhảnăngvỡnợtrongdanh mụcvaytiêudùng

Nwachukwu (2013) nghiêncứu về các khoản vay trong lĩnh vựcnôngnghiệp 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 vềngườivay chia theo 06 nhóm thông tin về: cá nhân và hộ gia đình, việc kinhdoanh,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 yếutốbaogồmđộtuổi,tầnsuấtkiểmtracủangườichovay,tiềngửitiếtkiệmtrongcác nhómtương hỗ và tổng tiền tiết kiệm theo năm là những yếu tố ảnh hưởngđángkể đếnkhả năngtrảnợcủakháchhàng

Nghiên cứu của Dinh & Kleimeier (2007) là một trong ít nhữngnghiêncứu ở Việt Nam sử dụng mô hình định lượng (mô hình logistic) trongnghiêncứu xếp hạng tín dụng cá nhân Mục đích của nghiên cứu là tìm ra môhìnhchấm điểm tín dụng và chính sách sử dụng phù hợp đối với mảng tíndụng cánhân tại Việt Nam.B ộ d ữ l i ệ u s ử d ụ n g x â y d ự n g m ô

q u a n sátvới22đặcđiểmkháchhàng.Kếtquảchothấy16yếutốảnhhưởngđáng

kể Một số yếu tố được nhấn mạnh là thâm niên giao dịch với ngân hàng,giớitính,sốkhoảnvay,thờihạnvay,tàikhoảntiếtkiệm,khuvực,tìnhtrạngnhàở.Nghiêncứucũngđưarahaitiêuchíđểđánhgiásựphùhợpcủamôhìnhchấmđiểmtíndụng làmatrậntỷlệ phân loạiđúngvà chiphíphânloạilỗi.

Bêncạnhviệcsửdụngsốliệuchínhthứctừcáctổchứctíndụng,mộtsốnghiên cứu lạixem xét khả năng vỡ nợ và tiếp cận vốn của khách hàng vaythông qua các thông tin được thu thậpbằng các cuộc khảo sát trực tiếp kháchhàng vay Tra Pham và Lensink (2008)

sử dụng bộ dữ liệu gồm 4334 quan sáttừ kết quả khảo sát hộ gia đình Việt Nam do Tổng cục thống kêthực hiện vàonăm1998đểxemxétsựkhácbiệtvềkhảnăngvỡnợtrongtíndụngchínhthức,phichính thức và bán chính thức Kết quả nghiên cứu chỉ ra rằng hạn mức tíndụng, mục đích vay và khu vựcsinh sống là ba yếu tố ảnh hưởng được nhấnmạnh ởthịtrườngViệtNam

Linh và cộng sự (2020) trực tiếp thực hiện khảo sát 180 hộ nông dântạiHảiPhòng,ViệtNamvềkhảnăngtiếpcậncácnguồntíndụng.Dữliệuthuthậpđược bao gồm 11loại thông tin về chủ hộ và hộ gia đình Sử dụng môhìnhpobitvàhồiquytuyếntính,nghiêncứuđãchỉrayếutốđịabànsinhsống,giớitính, thànhviên các nhóm tương hỗ, tỷ lệ người phụ thuộc, việc làm là nhân tốảnh hưởng đáng kể đến khả năng tiếp cận vốn vay từ cácnguồn chính thức.Đốivớiviệctiếpcậncácnguồnvayphichínhthức,Thuvàcôngsự(2020)xácđịnh các yếu tố về tình trạng sở hữu nhà ở, vốn và tỷ lệ lực lượng lao độngquyết định đến khảnăng tiếp cận các nguồn vay không chính thức thông quakhảosát402hộnghèokhuvực miền núiphíabắc ViệtNam

1.2.2 Nghiêncứuvềtổnthấtkhivỡ nợ.

Liên quan đến kĩ thuật dự báo, Loterman và cộng sự (2012) nghiêncứutươngđốitoàndiệnvềcáckĩthuậtsửdụngtrongmôhìnhLGDbaogồm24

phươngphápđượcsửdụngtừcácphươngpháptruyềnthốngnhưhồiquytuyếntính, hồi quy logitcho đến các phương pháp sử dụng trí tuệ nhân tạo như máyvéc tơ hỗ trợ (SVM) và mạng nơ ron(NN) Sử dụng 6 bộ dữ liệu khách hàngđể phân tích, nghiên cứu chỉ ra rằngcác mô hình trí tuệ nhân tạo cho kết quảdự báo LGD tốt hơn các phươngpháp truyền thống Ở nghiên cứu với quymônhỏhơn,Bastos(2010)chorằngmôhìnhmáyhọccâyhồiquy(regressiontree)thể hiện khảnăng tốt hơn cả Trái ngược lại với kết quả trên, Bellotti &Crook(2012)thựcnghiệmvớikĩthuậthồiquytuyếntính(OLS)chokếtquảmôhìnhdựđoánchínhxác nhất.

Một số nghiên cứu khác tập trung nghiên cứu các nhân tố tác độngđếnLGD như, Altman và cộng sự (2005), Caselli và cộng sự (2008), Dermine

&Carvalho (2005), Khieu và cộng sự (2012) , Rosh & Sheule (2012) Hầuhếtcác nghiên cứu đều sử dụng dữ liệu liên quan đến đặc điểm khoản vay vàcácchỉ số kinh tế vĩ mô để xây dựng mô hình dự báo LGD.Một số nội dungtómtắtvềcác nghiêncứuđược môtảtrong bảng1.1

Biến kinh tế vĩmô

ảnhhưởng của yếutốvĩmô

Altmanvàc

ộng sự

(2005)

1000 quan sát

(2010)

374 quan sát

Bồ Đào Nha

1995-2000 - Logit (LR),Câyq u

y ế t định(DT)

-Bellottivà

Crook(2011)

55.000 quan sát

Anh

1999-2005 LãisuấtcủacácngânhàngAnh,tỷl

ệthấtnghiệp,chỉ sốthunhậpcủa Anh

Hồiquytuyến tính,logit(LR ),tobitCâyquy ếtđịnh (DT)

Tất cả cácbiếnvĩ mô

ngsự(2008)

11.649 quan sát

1990-2004 GDP,tìnhtrạngcóviệclàm,tiêud

ùngh ộ giađình, đầutư

hàngnăm,

Hồiquyđa biến GDP,tìnhtrạngcóviệclàm

Derminevà

Carvalho

(2006)

374 quan sát

Bồ Đào Nha

ĐốivớinhómcódưnợbiếnđộngthìEADcầnđượcướclượngtheomôhình Các nghiêncứu của Barakova & Parthasarathy (2013), Leow &Crook(2016),Tongvàcộngsự(2016),Luo&Murphy(2020)đãxemxétđadạngcácyếu tố tácđộng đến EAD và các kĩ thuật dự báo EAD trên các bộ dữ liệu đadạngtừkháchhàng cá nhânđếnkháchhàngdoanhnghiệp

Luo và Murphy (2020) nghiên cứu về các yếu tố tác động đến dư nợtạithờiđiểmvỡnợ(EAD)củacáckhoảnvayvềxâydựngvàbấtđộngsảnvớidữliệu được sửdụng bao gồm các thông tin kinh tế vĩ mô và đặc điểm về khoảnvay Các phương pháp thống kê thôngthường như hồi quy OLS, tobit thể hiệnkhả năng dự báo tương đương các mô hinh trí tuệ nhân tạo.Nghiên cứu chỉ racác nhân tố bao gồm: loại tài sản thế chấp, tỷ lệ dư nợ trên hạn

thờiđiểmđolườngEADvàhạnmứctíndụnglàquantrọngnhấtdựbáoEAD.Cũngsửdụngcácnhómnhân tố vĩmôvà đặcđiểmkhoảnvay

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

dưnợtrướckhivỡnợ,loạihìnhvay,kìhạn,thôngtinpháplývềkháchhàng.KếtquảmôhìnhOLSchỉrarằnghạngtíndụngvàsựbiếnđộngdưnợtrướckhivỡnợ là hai nhân tố mang tính quyếtđịnh đến EAD của các doanh nghiệp Mộtvài nghiên cứu khác cũng nhấn mạnh sự liên quancủa lịch sử dư nợ tới EADnhư nghiên cứu của Leow và Crook (2015) hay

đánhgiácácnhântốdựbáoEADcủasảnphẩmthẻtíndụngtạinhiềugiaiđoạntrướckhixảyranợxấu

1.3 Nghiêncứuvềmôhìnhtrí tuệnhântạo trong quảnlýrủi ro tíndụng.

Cùng với sự bùng nổ công nghệ trong cuộc cách mạng 4.0, trí tuệnhântạo nói chung và trí tuệ nhân tạo trong lĩnh vực tín dụng đã và đang nhậnđượcsự quan tâm lớn từ các nhà nghiên cứu Các nghiên cứu quốc tế về trí tuệnhântạotronglĩnhvựctíndụngđượcthựchiệnđadạng,trênnhiềugócđộkhácnhaubaogồmcácnghiêncứulýthuyếttổngquátvềtrítuệnhântạovàxâydựngcácmô hình thực nghiệm Để có được cái

hệthốngcácứngdụngtrítuệnhântạotronglĩnhvựcngânhàngnóichungvàlĩnhvựctíndụngnóiriêngcăncứvàobốnnhiệmvụ:(1)phântích;(2)tươngtác

với khách hành; (3) tự động hóa quy trình; (4) thiết lập báo cáo Nghiêncứucũng đưa ra ba điểm quan trọng cần quan tâm khi nghiên cứu về trí tuệnhântạođólà:(1)việcgiảithíchtạisaovàbằngcáchnàotrítuệnhântạođưaracáckết quả là rấtkhó khăn; (2) càng nhiều dữ liệu thì càng cải thiện các mô hìnhnày; (3) việc đưa thêm vào các đánh giácủa con người sẽ tăng cường hiệu quảcho trí tuệ nhân tạo Bên cạnh đó, nghiên cứu cũng đưa ra nhậnđịnh các ngânhàngsẽnângcaohiệuquảhoạtđộngnhờvàogiảmthiểuchiphí,giảmthiểurủiro vàtănglợinhuậnkhiápdụngtrítuệnhântạo.

MộtsốtácgiảnhưAbdouvàPointon(2011),Chenvàcộngsự(2016)hệthốnghóacácloạimôhìnhtrítuệnhântạođượcsửdụngtrongcácnghiêncứuthực nghiệm đánh giá rủi ro tín dụng.Các mô hình được sử dụng rất đa dạngbao gồm các dạng Học máy (machine learning) nhưcác mô hình dựa trên Câyquyết định (Decision tree -DT), máy véc-tơ hỗ trợ (Support vector machine -SVM)đếncácmôhìnhHọcsâu(deeplearning)nhưmạngnơronđalớptruyềnthẳng (multi-layer perceptron –MLP), mạng nơ ron xác suất (probabilisticneural network -PNN) Đồng thời, các nghiên cứu trên cũng chỉ ra động lựccho các ngân hàngthương mại ứng dụng trí tuệ nhân tạo vào hoạt động kinhdoanhcùngvớiđólàmộtsố thách thức,rủiro cần phảivượtqua

Vềcácnghiêncứuthựcnghiệm,rấtnhiềunghiêncứutiếnhànhđánhgiákhảnăngkhaiphádữliệucũngnhưhiệuquảtrongviệcđolườngrủirotíndụngcủa các mô hình trí tuệ nhân tạo có thể kể đếnnhư:Desai và cộng sự (1995),West (2000), Abdou và cộng sự (2008), Tsai và

Wu (2008), Brown (2012),Zhaovà cộngsự(2015),Tang và cộngsự(2018)

Desai và cộng sự (1995) nghiên cứu khả năng phân loại của mô hìnhnơron multilayer perceptron (MLP), modular neural networks (MNN)sosánhvớicácmôhìnhtruyềnthốngnhưMLDvàLR.KếtquảchỉramôhìnhcótỷlệphânloạitổngthểtốtnhấtlàLRvớitỷlệphânloạiđúnglà81.7%,tuynhiên

tỷlệphânloạiđúngnợxấucủamôhìnhMLPlàcaonhấtvớitỷlệ42.08%caohơn tương đối sovới mô hình LR Trong thực tế việc phân loại sai một khoảnnợ xấu gây ra tổn thất cho ngân hàng lớnhơn nhiều lần so với việc phân loạisai một khoản nợ tốt Do vậy, việc sửdụng mô hình nơ ron MLP là cần thiếtkhi ngânhàngtínhtoán tốiđahóa lợinhuận.

West(2000)nghiêncứuvềkhảnăngphânloạichínhxáccủa05môhìnhnơ ron theo cáccấu trúc: multilayer perceptron (MLP), mixture-of-experts(MOE), radial basis function (RBF),

vàfuzzyadaptiveresonance(FAR).Cácmôhìnhnàyđượchuấnluyện10lầnđộclậpdựatrên2bộdữliệuthựctếcủacáckháchhàngcánhântạiĐứcvàÚcvớitỉ lệ khách hàng có nợ xấu lần lượt

là 30% và 56% Các kiểm định McNemar'schi-square chỉ ra có sự cải thiện nhỏ và khác biệt tương đối giữa các lầnhuấnluyện.CácmôhìnhnàyđượcsosánhvớicácmôhìnhkháclàMDA,LR,KNN.ĐốivớibộdữliệukháchhàngtạiĐứcthìmôhìnhMOEchokếtquảphânloạiđúnglàcaonhấtvớitỷlệ78.6%.ĐốivớibộdữliệukháchhàngcánhântạiÚcthì mô hình RBF có tỷ lệ phân loại tốt nhất với 88.78%

và sau đó là mô hìnhMLP vớitỷlệ là 87.68%

Abdouvàcộngsự(2008)nghiêncứukhảnăngkhaithácdữliệucủacácmô hình nơ ronMLP, Probabilistic nerural net (PNN) so sánh với các môhìnhtruyềnthốngvớibộdữliệu581quansát(25.5%nợxấu)với9đặcđiểmtừcáckhách hàng vaytại Ai Cập Mạng nơ ron được huấn luyện lần đầu để tìm ramạng có cấu trúc hợp lý nhất từ 2 đến 6node sau đó tiếp tục huấn luyện mỗimô hình thêm 20 lần để tìm ra mô hình

cuốicùngmôhìnhMLP(5node)đạtđộchínhxáccaonhấtvớitỷlệphânloạiđúngnợ tốt là95.6% và tỷ phân loại đúng nợ xấu là 92.57% Nghiên cứu cũngđưaracáchtínhtổnthấtchoviệcphânloạisaivàtỷlệtổnthấtkhiphânloạisaicáckhoản

nợxấuvà tốtlà 5:1

Tsai và Wu (2008) nghiên cứu khả năng kết hợp các mô hình nơron(MLP) tạo thành mô hình Mulitple MLP (MMLP) nhằm tăng tính hiệuquảtrong việc phân loại nợ Nguyên tắc đưa ra cho sự kết hợp đó là kết quảphânloại đầu ra của mỗi mô hình đơn lẻ được tổng hợp lại thành kết quả đầu

ra củamôhìnhkếthợp.Lựachọnphânloạicuốicùngdựatrênkếtquảphânloạigiốngnhau của đa

số các mô hình đơn lẻ Nghiên cứu được thực hiện trên 03 bộdữliệucủaĐức,ÚcvàNhậtBản.Môhìnhkếthợpchỉchokếtquảphânloạiđúngtổng thể tốt hơn

mô hình đơn lẻ đối với bộ dữ liệu của Đức Nghiên cứu cũngđưa ra sự so sánh giữa các mô hình theo

môhình,tuynhiênchưađánhgiácáclỗinàytheochiphíphânloạilỗiđểtăngthêmtínhthực

tếtrongsosánh các môhình

Brown (2012) tập trung nghiên cứu các phương pháp khai phá dữliệuvới 05 bộ dữ liệu không cân bằng trong đó có sự chênh lêch lớn giữa sốlượngcáckhoảntíndụngtốtvà xấu.Ýtưởngnàyđượcxâydựngtrênđặcđiểmdanhmụccho vay cá nhân của các ngân hàng khi mà tỷ trọng các khoản nợxấuthườnglàrấtnhỏtrêntổngdanhmục.Mỗibộdữliệugốcbaogồmtừ547quansát đến 2974quan sát với số lượng đặc điểm về khoản nợ dao động từ 14 đến60) Bộ dữ liệu gốc được phân chia

phươngphápgiảmtỷlệcáckhoảnnợxấutừ30%xuốngcácmức15%,10%,5%,2.5%,1%

Mô hình Rừng ngẫu nhiên (Random forests - DF) kết hợp nhiều mô hìnhCâyquyếtđịnh(DecisionTree–DT)làmôhìnhtốtnhấtđểphânloạicáckhoảnnợđốivớicácbộdữliệucótỷlệnợxấu1%trongkhiđómôhìnhtốtnhấttrongviệc xửlýdữliệuvớitỷlệ30%nợxấulàmôhìnhMáyvéc-tơhỗtrợ(SVM)

Tương tự một vài nghiên cứu trước sử dụng bộ dữ liệu khách hàngcánhân tại Đức và mô hình MLP nhưng nghiên cứu của Zhao và cộng sự(2015)đã cải tiến hiệu quả phân loại của mô hình thông qua ba phương pháp:

ưuhóaphânphốidữliệuđầuvàobằngphươngpháplựachọnngẫunhiêntrung

bình (Average random choosing), phân chia bộ dữ liệu thành 3 tập conhuấnluyện – thẩm định – kiểm tra, lựa chọn số node ẩn thích hợp nhất Kếtquả chothấykhảnăngphânloạicủamôhìnhcósựthayđổiđángkểcaohơncácnghiêncứucùngloạitrướcđótừ5%độ chínhxác.

Tangvàcộngsự(2018)sửdụngmôhìnhnơroncắtxén(pruningneuralnetwork–PNN)vớiưu điểmtiếtkiệmtàinguyên khixửlýcácbộdữliệulớn.Ý tưởng về PNN ra đời khi cácmạng nơron trước đó cho thấy không phải tấtcả các trọng số model học được đều quan trọngcho quá trình suy luận, phánđoán của nó Nhiều thông số dù có trọng số cực

kì thấp (gần như không đónggóp gì trong quá trình dự đoán) vẫn được thực

cácthôngsốkhác.Nghiêncứuvềphươngphápcắttỉa(pruning)đãchỉrarằngcáckếtnốithựcsựquantrọngtrongmodelchỉlàmộttỉlệvôcùngnhỏtrongmạng

Bảng 1.2: Tổng hợp các nghiên cứu về mô hình trí tuệ trong đo lường

RBF,LVQ,FAR);

Đức: MOE (tỷlệphânloạiđúng78.6%)

Úc: RBF ( Tỷlệphânloạiđúng88.78%),M L P (Tỷlệphânloạiđúng87.68%)

sát( 2 5 9 8 %

n ợxấu), 853q u a nsát( 2 1 1 5 % n ợ x

NN(MLP,MNN),MDA,LR

LR(tỷlệphânloạiđúng 81.7%)MLP(tỷ lệ phânloại đúng

nợ xấu42.08%)

ấu)

Abdou(2008) Ai Cập: 581

quans á t ( 2 5 5

% nợxấu)

NN(MLP,PNN)

MLP(tỷlệphânl

94.84%)Brownv à c ộ n g sự

(2012)

Đức,Ú c , 0 3 b ộdữliệukhác

MDA,LR,DT,KNN,SVM,NN,RF,GB

SVMtốtnhấtvớidữliệu30% nợxấuRFtốtn h ấ t v ớ i

bộ dữ liệu 1%nợxấu

Úc:MLP(tỷlệphânloạiđúng97.32%)

NhậtBản:MLP(tỷlệphânloạiđúng87.94%)

018)

- Úc:690quansát(56%nợxấu)

- Nhậtb ả n : 6 9

0 quansát(56%

nợ xấu)

NN(PNN,MLP)

(85.64%)

Nhậtbản:PNN(85.54%)

Zhaovàcộngsự(2

015)

-Đức,1000quansát (30%nợxấu)

nhìn khác nhau đối với hoạt động này Sau khi nghiên cứu tổng quan, luậnánxácđịnhđược mộtsốkhoảngtrốngnghiêncứusau:

Thứnhất,cácnghiêncứutrongnướcđãđềcậpđếnmộtsốkhíacạnhcủaquảnlýrủironhưmôhìnhtổchức,nguyêntắc,quytrìnhquảnlý,phươngphápđo lường nhưng có rất ít nghiên cứu đềcập tới việc sử dụng trí tuệ nhân tạotrong quản lý rủi ro tín dụng Hiện nay, chưa có công

cứukhunglýthuyếtchoviệcxâydựngmôhìnhtrítuệnhântạotrongquảnlýrủirotín dụng

Thứ hai, hầu như chưa có nghiên cứu quốc tế và trong nước nàonghiêncứu một cách toàn diện về sử dụng trí tuệ nhân tạo trong đo lường rủi

ro tíndụng theophươngpháp tiếpcậnnâng caocủa Basel

Thứba,chưacócôngtrìnhnghiêncứutrongnướcnghiêncứuvềviệcápdụng trí tuệ nhântạo trong quản lý rủi ro tại một ngân hàng cụ thể Đây làkhoảng trốngvềmặtthựctiễn mà luậnánsẽtậptrungnghiên cứu

Kếtluận chương1

Chương 1 của luận án đã trình bày tổng quan về các nghiên cứutrongnướcvàquốctếvềcácnộidungliênquanđếntrítuệnhântạotrongquảnlýrủiro tín dụngbao gồm: mô hình quản lý rủi ro tín dụng, đo lường rủi ro tíndụngvàsửdngjtrítuệnhântạotrongquảnlýrủirotíndụng.Căncứtrênnhưngnộidung cácnghiên cứu hiện có, tác giả đã phân tích những khoảng trống làm cơsởthựchiện cácnộidungnghiên cứutrongluậnán.Trongđókhoảngtrốngvềứng dụng trí tuệ nhân tạo đo lường rủi ro tín dụng được khai thác rõ nétnhấttrong các chươngtiếptheo

CHƯƠNG 2: CƠ SỞ LÝ LUẬN VỀ ỨNG DỤNG TRÍ TUỆ NHÂN TẠOTRONG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG THƯƠNGMẠI 2.1 Cơsởlý luậnvềquảnlýrủi ro tíndụngtại ngânhàng thương mại

2.1.1 Khái niệmvềquảnlýrủi ro tíndụngtạingânhàng thươngmại

2.1.1.1 Khái niệmvềrủi roríndụngtại ngânhàng thương mại

Vềbảnchấtrủirođượchiểulàkhảnăngxảyracácbiếncốkhônglườngtrước,khixảyrasẽlàmchokếtquảthựctếkhácvớikếtquảkỳvọng.Nhưvậyrủi ro vừa mang tính tích cực vừa mang

xemxéttrênphươngdiệnđedọasựsuygiảmvềlợiíchnhậnđượchoặccóthểmangđếnnhữngcơhộilàmgiatănglợiíchthựctế

Ngânhàngthươngmạilàđịnhchếtàichínhhoạtđộngkinhdoanhtronglĩnh vực tiền tệ vàdịch vụ ngân hàng, luôn phải đối đầu với vô vàn rủi ro Đốivới ngân hàng thương mại có các loại rủi ro cơ bản sau: rủi ro tín dụng,rủi rolãi suất, rủi ro tỷ giá, rủi ro thanh khoản trong đó rủi ro tín dụng làrủi rorõràng nhất mà các nhà quản lý ngân hàng cần phải giải quyết vì nó được coilànguyênnhâncủaphầnlớncácthấtbạicủangânhàng(Fraservàcộngsự,2001)

TheoỦybanBaselvềgiámsátngânhàng(2000)thìrủirotíndụngđượcđịnh nghĩa là khảnăng mà khách hàng vay hoặc bên đối tác không thựchiệnđượccácnghĩavụcủamìnhtheocácđiềukhoảnđãthỏathuận.Theonhưcáchđịnh nghĩanày thì rủi ro tín dụng của ngân hàng là người vay không thựchiệnđượcnghĩavụtrảnợtheocácđiềukhoảnđãghitronghợpđồngtíndụng.Cùngquan điểm đó,Bessis (2002) đưa ra khái niệm đơn giản hơn về rủi ro tín dụnglà rủirođốitácviphạmnghĩavụtrả nợ

Ở một góc nhìn khác, Duffie và Singleton (2015) định nghĩa rủi rotíndụnglàxácsuấtvỡnợhoặcgiảmgiátrịtrênthịtrườnggâyrabởisựgiảmchấtlượngtíndụngcủatổchứcchovayhoặcđốitác.

Địnhnghĩanàyquantâmđếnsựmấtđigiátrịthịtrườngdosựsuyyếuvịthếtàichínhcủađốitác.Đốitáccóthểlànhàpháthànhgiấytờcógiá,connợ,ngườiđivay,nhàhoạchđịnhchínhsách,nhà táibảolãnhvà bảolãnh

Theo Thông tư 02/2013/TT-NHNN do Ngân hàng nhà nước ViệtNamban hành: “Rủi ro tín dụng trong hoạt động ngân hàng là tổn thất có khảnăngxảy ra đối với nợ của tổ chức tín dụng, chi nhánh ngân hàng nước ngoàidokhách hàng không thực hiện hoặc không có khả năng thực hiện một phầnhoặctoànbộnghĩa vụcủamìnhtheocamkết”

Đối với các ngân hàng thương mại với các nghiệp vụ cụ thể hơn thìrủiro tín dụng được diễn giải một cách chi tiết hơn bao gồm: Rủi ro tín dụngbaogồm: (i) Rủi ro tín dụng là rủi ro do khách hàng không thực hiện hoặckhôngcó khả năng thực hiện một phần hoặc toàn bộ nghĩa vụ trả nợ theo hợpđồnghoặc thỏa thuận với ngân hàng; (ii) Rủi ro tín dụng đối tác là rủi ro dođối táckhông thực hiện hoặc không có khả năng thực hiện một phần hoặctoàn bộnghĩa vụ thanh toán trước hoặc khi đến hạn của các giao dịch tựdoanh; giaodịch repo và giao dịch reverse repo; giao dịch sản phẩm phái sinh

để phòngngừa rủi ro; giao dịch mua bán ngoại tệ, tài sản tài chính để phục vụnhu cầucủakháchhàng,đốitác

Như vậy, Rủi ro tín dụng có thể được diễn đạt dưới các hình thứckhácnhau, song các khái niệm, các quan điểm đều tựu chung về bản chất của

rủi rotín dụng đó là:Rủi ro tín dụng là khả năng xảy ra tổn thất, thiệt hại về kinh

tếmà ngân hàng thương mại phải gánh chịu do khách hàng vay vốn không thựchiệnnghĩavụ hoàntrả nợgốc vàlãi hoặc hoàntrảkhôngđúnghạn.

2.1.1.2 Khái niệmvềquảnlý rủi ro tíndụngtạingânhàng thươngmại

Theo quan điểm của Basel (2000), quản lý rủi ro tín dụng được hiểulàviệc thực hiện các biện pháp tối đa hóa lợi nhuận theo các mức độ rủi robằngcáchduytrìrủirotíndụngtrongtrongphạmvicácthamsốchophép.Haynóicáchkhác, khái niệm này chỉ ra mục đích của quản lý rủi ro tín dụng là tối đahóa lợi nhuận dựa trên cơ sở đảmbảo tổn thất do rủi ro tín dụng gây ra nằmtrong giới hạn mà ngân hàng có thểchấp nhận được Cùng quan điểm đó,Joseph (2013) cho rằng quản lý rủi rotín dụng nhằm các mục đích sau: tối đahóa lợi ích từ các cơ hội tín dụng tiềm

cáchhợplý,tốithiểuhóacáckhoảnnợxấu,tuânthủchínhsáchtíndụng,duytrìcơsởdữliệuđángtincậy

Theo Afriyie và Akotey (2013), quản lý rủi ro tín dụng là một cáchtiếpcậncấutrúcđểquảnlýnhữngsựkiệntíndụngkhôngchắcchắnthôngquaviệcđánh giá rủi ro

và xây dựng chiến lược quản lý và giảm thiểu rủi ro tín dụng.Hoạt động này bao gồm cả việc chuyểngiao rủi ro cho bên thứ ba, giảm thiểuảnh hưởng tiêu cực lên rủi ro và chấpnhận một phần hoặc tất cả hậuquả củarủiro

Tiếpcậntrêngócđộquytrình,NguyễnVănTiến(2015)địnhnghĩaquảnlý rủi ro tín dụng làtoàn bộ quá trình nhận diện, đo lường, đánh giá, kiểm soátvàbáo cáorủirotíndụngnhằmtốiđahóalợinhuậntrongphạmvimứcđộrủiro tín dụng chấp nhận được.Tương tự như vậy, Bart và Tony (2009) cho rằng“ quản lý rủi ro tín dụng là một quá trình baogồm việc nhận diện các rủi rotiềm ẩn, đo lường các rủi ro này, và có các hành

baogồmcảviệcthựchiệntrênthựctếcácmôhìnhrủiro”.MAS(2013)làmrõcáchành độngứng xử với rủi ro tín dụng bao gồm giám sát, kiểm soát và báo cáorủi rotín dụngthôngqua thiết lậpkhungcác chính sáchvàthủ tục

Như vậy, từ tất cả các định nghĩa được đưa ra như trên có thể kháiquátrằng, quản lý rủi ro tín dụng là quá trình xây dựng và thực thi các chiếnlược,chínhsáchquảnlýrủirovềviệcnhậndiện,đolườngrủiro,cácbiệnphápphòngngừavàxửlýrủiro,kiểmsoátrủirođểnhằmtốiđahoálợinhuậntrongphạmvimứcrủirocóthểchấpnhận.

2.1.2 Nộidungquảnlýrủirotíndụngtạingânhàngthươngmại

2.1.2.1 Cácnguyêntắcquảnlý rủirotíndụngtạingânhàngthương mại

Để đảm bảo hoạt động quản lý rủi ro tín dụng được thực hiện hiệuquả,Basel (2000) đã đưa ra 17 nguyên tắc về quản lý rủi ro tín dụng bao gồmnămnhóm:

Nhóm 1: Bao gồm 03 nguyên tắc về thiết lập môi trường rủi ro tín

dụngphùhợp

Hội đồng quản trị chịu trách nhiệm về việc phê duyệt và rà soátchiếnlược quản lý rủi ro tín dụng định kỳ ít nhất một năm một lần Chiếnlược nàycần phản ánh khẩu vị rủi ro và mức độ lợi nhuận mà ngân hàng kỳvọng tươngứngvớicác rủirochấpnhậnđược

Các nhà quản lý cấp cao trong ngân hàng phải có trách nhiệm thựchiệncác chiến lược quản lý rủi ro đã được chấp thuận bởi hội đồng quản trị, pháttriển các chính sách và cácquy trình để nhận diện, đo lường, giám sát và kiểmsoát rủi ro tín dụng Các chính sách và chiếnlược quản lý rủi ro tín dụng nàycần bao hàm rủi ro tín dụng ở tất cả các hoạt động ngânhàng trên cả cấp độtừng khoảnvayvà cảdanhmục tín dụng

Các ngân hàng cần nhận diện và quản lý rủi ro tín dụng trong tất cảcácsản phẩm và hoạt động Các ngân hàng cần đảm bảo các sản phẩm và dịchvụmớiđềuđượckiểmsoátbằngcácquytrìnhhiệntạitrướckhichúngđược giới

Nhóm 2:Bao gồm 04 nguyên tắc về hoạt động theo quy trình cấp

tíndụng hiệuquả:

Ngânhàngcầncócáctiêuchírõràng,đángtincậytrongviệcphêduyệttín dụng.Những tiêu chí này cần được xây dựng dựa trên chỉ báo rõ ràng củathị trường và thông qua việc am hiểukhách hàng vay hoặc bên đối tác, cũngnhư mục tiêu, cấu trúc và nguồn trả nợ

cầnnắmrõtấtcảthôngtinliênquanđếnngườivayđểđánhgiámộtcáchtoàndiệnrủirothựcsựvà đưara giảiphápphùhợptớikháchhàng

Ngân hàng cần thiết lập các giới hạn tín dụng ở các cấp độ: cá nhân,đốitác, nhóm khách hàng cho tất cả các giao dịch trên số kinh doanh và sổ ngânhàng,nộibảngvà ngoạibảng

Ngân hàng nên có quy trình rõ ràng về việc cấp tín dụng mới cũngnhưgiahạn,táicấp,mởrộngcáckhoảntín dụnghiệntại

Việc mở rộng các giới hạn tín dụng cần phải dựa trên cơ sở thỏathuậnphùhợp.Cáckhoảntíndụngnàycầnđượcgiámsátcẩntrọngđểgiảmthiểurủirongoàiýmuốn

Nhóm 3: Bao gồm 06 nguyên tắc về duy trì hệ thống quản lý tín