Quý Tài - Học viện Ngân hàng Tóm tắt Bài báo trình bày về việc nghiên cứu sử dụng máy hỗ trợ véctơ support vector machine để dự đoán khủng hoảng và việc ứng dụng mạng Nơron để đánh giá
Trang 1CÁC PHƯƠNG PHÁP TRÍ TUỆ NHÂN TẠO DỰ ĐOÁN
VÀ PHÒNG NGỪA KHỦNG HOẢNG TRONG HỆ THỐNG NGÂN HÀNG
ThS Thanh Thuỵ - Học viện Ngân hàng ThS Quý Tài - Học viện Ngân hàng
Tóm tắt
Bài báo trình bày về việc nghiên cứu sử dụng máy hỗ trợ véctơ (support vector machine) để dự đoán khủng hoảng và việc ứng dụng mạng Nơron để đánh giá mức độ
uy tín của khách hàng nhằm phòng ngừa khủng hoảng trong hệ thống ngân hàng
Từ khóa: dự đoán, máy hỗ trợ véctơ, trí tuệ nhân tạo, thuật toán di truyền, hệ
thống ngân hàng
1.Giới thiệu
Hệ thống dự báo khủng hoảng ngân hàng xuất hiện vào giữa những năm 1990 khi Frankel và Rose phát triển một mô hình dự báo sử dụng một số chỉ tiêu liên quan đến thị trường tiền tệ mới nổi [3] Các chỉ tiêu này được chia thành bốn nhóm Nhóm 1 bao gồm các chỉ số của các thị trường ngoài nước, chẳng hạn như chỉ số lãi suất và tốc độ tăng trưởng Nhóm 2 gồm các chỉ số kinh tế vĩ mô quốc gia, ví dụ như sự thay đổi trong tốc độ sản xuất, tiền tệ và tài khóa Nhóm 3 gồm các chỉ tiêu bên ngoài, ví dụ như các chỉ số đánh giá giá cả, tình trạng thâm hụt tài khoản và các khoản nợ hiện tại Nhóm 4 gồm các chỉ tiêu mô tả các yếu tố của cơ cấu nợ [3]
Kaminsky và Reinhart [6] mở rộng mô hình trên và cho rằng nguyên nhân của khủng hoảng trong ngành ngân hàng có ảnh hưởng bởi những nguyên nhân của khủng hoảng cán cân thanh toán Bằng việc phân tích các cuộc khủng hoảng ở nhiều quốc gia, tác giả đã chỉ ra rằng tín hiệu trước tiên của các vấn đề trong lĩnh vực ngân hàng là vấn đề trong sự cân bằng của khủng hoảng thanh toán Do việc tự do hóa tài chính thường là tiền đề cho các cuộc khủng hoảng ngân hàng nên ta sẽ dễ dàng hơn để sử dụng các phương pháp thống kê trong dự đoán khủng hoảng ngân hàng
Demirguc-Kunt và Detragiache phát triển một mô hình logic đa giá trị (multi-valued) [2] để dự đoán khủng hoảng ngân hàng Phương pháp này được đề xuất dựa trên dữ liệu thống kê mẫu và việc đánh giá khả năng của một cuộc khủng hoảng ngân hàng Trong phương pháp này, hệ thống giám sát có thể được thiết kế riêng theo yêu cầu của người ra quyết định nên có thể hữu ích cho những tiên lượng để tiết kiệm chi phí giám sát
Hanschel và Monnin [4] giới thiệu một cách tiếp cận khác để cảnh báo các mô hình khủng hoảng tài chính - ngân hàng Đây là phương pháp dựa trên hồi quy Các tác giả xác định các chỉ số khủng hoảng dễ bị tổn thương (gọi là chỉ số stress), chỉ số này được xác định cho các lĩnh vực ngân hàng ở Thụy Sĩ Về vai trò của chỉ số này trong bối cảnh mất cân bằng kinh tế vĩ mô, nó có thể sử dụng như là dấu hiệu cảnh báo sớm
Trang 2Bài viết này giới thiệu phương pháp máy hỗ trợ vector nhằm dự báo rủi ro của ngành ngân hàng nói chung cùng với mạng Nơron nhân tạo để kiểm tra mức độ uy tín của các khách hàng trong ngân hàng
2 Dự báo khủng khoảng hệ thống ngân hàng
Sự phát triển của nền kinh tế hiện đại có ảnh hưởng lớn đến ngành ngân hàng Bên cạnh đó, sự ổn định của các ngân hàng là một yếu tố quan trọng trong việc duy trì
sự ổn định tài chính trên quy mô lớn Hệ thống ngân hàng là không ổn định và việc phá sản của một ngân hàng có thể kích hoạt phản ứng dây chuyền cho các ngân hàng khác Hơn nữa, nó có thể nhấn chìm toàn bộ ngành ngân hàng trong nước hoặc thậm chí là trong khu vực Kết quả của cuộc khủng hoảng tài chính có thể là vấn đề nghiêm trọng liên quan đến các tổ chức ngân hàng để duy trì dòng tiền hay việc mất lòng tin của khách hàng đối với các ngân hàng Hệ quả có thể dẫn đến sập toàn bộ quỹ tiền gửi ngân hàng Do đó, các hoạt động như hỗ trợ tài chính, dự đoán khủng hoảng trong ngành ngân hàng, kiểm tra an toàn vốn của ngân hàng hoặc giới thiệu những sáng kiến, giải pháp mới nhằm giảm chi phí và duy trì bền vững hoạt động của ngân hàng là
vô cùng quan trọng
Kết quả điều tra cho thấy vấn đề căng thẳng của ngân hàng thường đề cập đến tỷ
lệ tương đối giữa vốn và tài sản (tiền gửi và cho vay) Nếu tỷ lệ này là quá thấp thì các ngân hàng không có khả năng sống sót trong cuộc khủng hoảng tài chính Hiện nay, các ngân hàng đã và đang được hiện đại hoá cùng với sự tiến bộ của công nghệ thông tin Điều cần lưu ý với các ngân hàng là tiêu chí quan trọng để lựa chọn một tổ chức tài chính tin cậy chính là khả năng phục vụ của hệ thống ngân hàng trên nền tảng web (ngân hàng điện tử) Hệ thống ngân hàng điện tử hiệu quả có ảnh hưởng quan trọng đến sự phát triển và bùng nổ mạnh mẽ của thương mại điện tử và tác động mạnh đến tính cạnh tranh của nền kinh tế quốc dân Các chuyên gia dự đoán rằng trong tương lai ngân hàng điện tử chính là điểm nhấn của ngành ngân hàng (tương tự như thương mại điện tử đối với thương mại truyền thống)
3 Ứng dụng SVM trong hệ thống ngân hàng
Trước đây, các phương pháp đo đạc và ước tính rủi ro của các khoản nợ thường dựa trên kĩ thuật thống kê hoặc học máy Sử dụng các phương pháp này, bên cạnh việc đánh giá các công cụ nợ đặc biệt (chẳng hạn trái phiếu) chúng ta có thể đánh giá tổng thể toàn bộ ngân hàng Sử dụng phương pháp thống kê ta có thể kỳ vọng dự đoán chính xác khoảng 2/3 số trường hợp Hạn chế lớn nhất của phương pháp thống kê là tính nhạy cảm của các biến phụ thuộc và giả định về trạng thái bình thường của xác xuất phân phối của nhiều biến đầu vào Đối với phương pháp học máy, kết luận của hệ chuyên gia có được từ việc phân lớp các trường hợp của dữ liệu mới vào các lớp mà có
độ tương tự lớn nhất với dữ liệu trong tập huấn luyện Các phương pháp học máy cơ bản thường được sử dụng để đánh giá các công cụ nợ và toàn thể công ty là mạng nơron nhân tạo lan truyền ngược (back-propagation) với các hàm kích hoạt hướng tâm
Trang 3Tuy nhiên, trong những năm gần đây, một số ngân hàng đã bắt đầu sử dụng các phương pháp khác để thay thế các phương pháp trên Trong đó, máy hỗ trợ vector (Support Vector Machine – SVM) là một công cụ hiệu quả để đánh giá rủi ro [8] Các nghiên cứu thực nghiệm cho thấy SVM có hiệu suất tốt hơn so với các mạng nơron nhân tạo trong việc ước tính rủi ro của các khoản nợ của công ty Mục đích của SVM
là tạo ra một siêu phẳng (hyperplane) tách biệt các lớp (chẳng hạn đánh giá các khoản
nợ với các lớp: A, B hoặc C) SVM do Vapnik đề xuất với mục tiêu đầu tiên là phân lớp các điểm tách biệt tuyến tính (các điểm có thể được phân biệt rạch ròi vào một trong hai lớp) Tuy nhiên, các phương pháp hiện nay cho phép phân lớp tập các điểm đầu vào thành các lớp tách biệt không tuyến tính
Phiên bản đơn giản của SVM là máy hỗ trợ vector tuyến tính (Linear Support Vector Machine – LSVM) (Hình 1) Tập huấn luyện bao gồm các vector trong đó mỗi vector mô tả đặc điểm của các đối tượng đang xét (ví dụ: doanh thu, vốn chủ sở hữu,
nợ dài hạn trong trường hợp đánh giá một công ty) Nhãn 1 hoặc -1 của 2 lớp được gán cho từng vector đầu vào Hai tập điểm được gọi là tách biệt tuyến tính nếu tồn tại một siêu phẳng giúp phân tách hoàn toàn các điểm thuộc về 2 lớp khác nhau Chẳng hạn, trong không gian 2 chiều các điểm có thể được phân tách bởi một đường thẳng (Hình 1); trong không gian ba chiều các điểm có thể được phân tách bởi một mặt phẳng v.v… Ta luôn xác định được có tồn tại hay không một siêu phẳng với một tập điểm cho trước Mục đích chính của LSVM không chỉ là phân chia các điểm thành 2 lớp (dễ dàng có được nếu sử dụng - mạng nơron đơn giản nhất, chỉ gồm một lớp nơron, nhận đầu vào là vector có các thành phần là các số thực và đầu ra là một trong hai giá trị +1 hoặc -1), mà còn là phân tách với khoảng cách biên cực đại.Vấn để ở đây là tìm các hệ
số của siêu phẳng phân tách hai lớp với khoảng cách biên cực đại
Hình 1: Phân tách hai lớp với khoảng cách biên cực đại
Vấn đề tìm hệ số tối ưu của siêu phẳng có thể chuyển thành vấn về cực tiểu nửa bình phương của chuẩn của véctơ trọng số w [1] Hệ số nhân Lagrange α được dùng để giải quyết vấn đề này Theo đó, các hệ số khác nhau được gán cho mỗi véctơ (hầu hết các vector đầu vào được gán bằng 0) Véctơ đầu vào có giá trị khác không trở thành
Trang 4véctơ hỗ trợ Để có thể áp dụng LSVM cho tập dữ liệu phân tách không tuyến tính ta
có thể ánh xạ không gian dữ liệu đầu vào tới một không gian đặc trưng nhiều chiều hơn (trong không gian này các tập dữ liệu gần như là tách biệt tuyến tính)
Máy hỗ trợ véctơ - SVM dần trở nên phổ biến trong hàng loạt các lĩnh vực của ngân hàng bởi nó có khả năng dự đoán tốt hơn so với các phương pháp thống kê truyền thống (như hồi quy tuyến tính, đa hồi quy) hay mạng Nơron nhân tạo Shouwei, Mingliang và Jianmin áp dụng SVM kết hợp các phương pháp khác để ước lượng rủi
ro hệ thống của toàn ngành ngân hàng ở Trung Quốc [7] Đánh giá khả năng khủng hoảng tài chính của gân hàng, các nhà nghiên cứu đã xem xét không chỉ các chỉ số kinh tế của ngân hàng (như ROE, ROI, vv…) mà còn xem xét các chỉ tiêu kinh tế vĩ
mô (như tốc độ tăng trưởng GDP) và các chỉ số phản ánh sự hoạt động của hệ thống liên ngân hàng Trong nghiên cứu này, 17 chỉ tiêu được lựa chọn để đánh giá cho 36 ngân hàng ở Trung Quốc Dữ liệu được chia thành tập huấn luyện (19 ngân hàng) và tập thử nghiệm (17 ngân hàng) Các nhà nghiên cứu sử dụng phương pháp SVM với hàm hạt nhân (kernel function) cho phép ánh xạ một cách không trực tiếp không gian
dữ liệu vào tới không gian đặc trưng nhiều chiều Hàm hạt nhân định nghĩa các tích nội tại giữa các véctơ trong không gian đặc trưng Hàm này được gọi là hàm hạt nhân giả (kernel trick) bởi hàm này cho phép hoạt động trong không gian đặc trưng mà không cần ánh xạ tường minh từ các véctơ đầu vào tới không gian đặc trưng nhiều chiều Chính nhờ kĩ thuật này mà các tập dữ liệu phân tách không tuyến tính trở thành phân tách tuyến tính trong không gian đặc trưng nhiều chiều Hàm hạt nhân có nhiều kiểu khác nhau Trong nghiên cứu này, các tác giả giới thiệu một hàm radial đơn giản Hàm số f gán mỗi véctơ đầu vào với một trong 2 lớp (1 hoặc -1):
Trong đó
x – véctơ của các dữ liệu mới cần gán vào một trong các lớp (-1 hoặc 1)
M - số điểm từ tập huấn luyện (trong trường hợp này là 19)
αi - trọng số của dữ liệu thử nghiệm xi,
yi – lớp của dữ liệu thử nghiệm xi (hoặc là 1 hoặc -1),
b – biến số (giá trị biến thiên của tích nội tại giữa véctơ trọng số w và véctơ x) Phương pháp SVM có thể điều chỉnh bằng cách tối ưu các tham số (ví dụ: giá trị tối thiểu của biên để phân tách các điểm của hai lớp) Việc điều chỉnh các tham số có thể thực hiện bằng các kỹ thuật khác nhau như: Lưới tìm kiếm (Grid Search), thuật toán tối ưu bầy đàn (Particle Swarm Optimization - PSO), hoặc thuật toán di truyền Bảng 1 dưới đây so sánh hiệu quả của các phương pháp trí tuệ nhân tạo để xác định các tham số của phương pháp SVM Lưới tìm kiếm cho các tham số tốt nhất để tối ưu hoá SVM
Trang 5Lưới tìm kiếm (Grid Search)
Thuật toán di truyền
Tối ưu bầy đàn - PSO
Bảng 1 Hiệu quả của phương pháp trí tuệ nhân tạo nhằm xác định các tham số của
phương pháp SVM [7]
Nhằm so sánh độ chính xác của SVM về khủng hoảng ngân hàng, các nhà nghiên cứu đã sử dụng 3 phương pháp trí tuệ nhân tạo khác:
- Mạng nơron nhân tạo lan truyền ngược (artificial neural network – ANN)
- Phân tích đa khác biệt (multiple discriminant analysis - MDA)
- Hồi quy logistic
Kết quả thử nghiệm cho thấy, phương pháp SVM cho khả năng dự báo tốt nhất với cùng bộ dữ liệu thử nghiệm Cụ thể:
SVM Mạng nơron nhân tạo
lan truyền ngược
MDA Hồi quy logistic
Bảng 2 Kết quả so sánh các phương pháp ước tính rủi ro của ngân hàng [7]
Kết quả nghiên cứu thực nghiệm cho thấy độ chính xác và hiệu quả dự đoán tuyệt vời của phương pháp SVM Phương pháp này được sử dụng rộng rãi hơn các phương pháp khác của trí tuệ nhân tạo (ANN, MDA hoặc Hồi quy logistic) và cho kết quả tốt hơn về mặt thống kê SVM là một phương pháp rất tốt cho việc hỗ trợ các quyết định quan trọng trong ngành ngân hàng
4 Ứng dụng trí tuệ nhân tạo kiểm tra uy tín khách hàng
Phương pháp truyền thống để đánh giá mức uy tín của khách hàng là thực hiện phỏng vấn trực tiếp với khách hàng đó Theo đó, kết quả thu được từ các phỏng vấn sâu này phụ thuộc phần lớn vào kiến thức, kinh nghiệm và khả năng của người phỏng vấn Ứng dụng trí tuệ nhân tạo vào lĩnh vực này là một giải pháp giải quyết hiệu quả các vấn đề này Hiện nay, nhiều ngân hàng ở Mỹ, Đức và Anh đã sử dụng trí tuệ nhân tạo để phân tích uy tín của khách hàng và dự đoán rủi ro tín dụng Các kĩ thuật trí tuệ nhân tạo được sử dụng trong lĩnh vực này bao gồm: mô hình phân biệt (discriminatory model), mô hình logit (logit model) và k-láng giềng gần nhất (k-nearest neighbours - KNN)
- Mô hình phân biệt: sử dụng để phân biệt tổ hợp tuyến tính các thuộc tính của các khách hàng cho phép chia các khách hàng này vào các lớp tương ứng với xác suất trả nợ được của khách hàng đó trong tương lai
Trang 6- Mô hình logit: dựa trên sự biến đổi của xác suất các sự kiện nhất định với giá trị thực tế Trong các bước tiếp theo, mô hình hồi quy tuyến tính được áp dụng trên những kết quả của những biến đổi này
- K-láng giềng gần nhất: một khách hàng tiềm năng được xác định là đủ điều kiện hay không đủ điều kiện vay phụ thuộc vào lớp mà khách hàng này thuộc về; lớp
đó là lớp chiếm ưu thế trong các lớp của k khách hàng khác mà có có “khoảng cách” gần nhất với khách hàng này (k-láng giềng gần nhất) [5] Giải thuật di truyền và cây quyết định cũng được sử dụng để đánh giá uy tín của khách hàng
Kĩ thuật trí tuệ nhân tạo cũng được dùng xác định các khách hàng có khả năng ngừng trả nợ trong tương lai Tuy nhiên, việc thu thập dữ liệu huấn luyện để đánh giá mức uy tín là rất khó khăn do các thông tin liên quan đến sự tín nhiệm tín dụng thường được các ngân hàng giữ bí mật Có 2 nhóm giải pháp để giải quyết vấn đề này:
- Nhóm 1: sử dụng sẵn dữ liệu chấm điểm mô tả mức uy tín, ví dụ: Tập dữ liệu tín dụng của Đức (dữ liệu của Statlog)
- Nhóm 2: mua lại các mẫu dữ liệu trong thực tế Các dữ liệu này về một số khách hàng của các tổ chức tài chính đặc biệt
Dữ liệu để đánh giá các khoản vay cá nhân thường bao gồm: tuổi, tình trạng hôn nhân, số lượng và loại tài sản thuộc sở hữu của khách hàng, thu nhập hàng tháng, số con, thời gian làm việc hiện tại Trong khi đó, để đánh giá uy tín của khách hàng là các doanh nghiệp, các ngân hàng thường sử dụng các chỉ số tài chính được tính toán dựa trên bảng cân đối kế toán của doanh nghiệp đó
Để ra quyết định cho vay người ra quyết định rất có thể phải xử lý các thông tin không đầy đủ Trên thực tế, các dữ liệu được lưu trữ có sự thay đổi và biến động liên tục (chẳng hạn: khách hàng thay đổi nơi làm việc, thay đổi trạng thái hôn nhân…) Trong tình huống nhập nhằng này thì mạng nơron (với khả năng tự thích ứng) là một công cụ đắc lực bởi nó thể hiện khả năng xử lý rất tốt những dữ liệu thay đổi liên tục này
Baesens và đồng nghiệp đã trình bày một phương pháp để đánh giá uy tín [1] Thay vì sử dụng mạng nơron nhân tạo như một hộp đen (black box), tác giả trích xuất các luật mờ (fuzzy rule) từ mạng nơron đã được huấn luyện Dựa trên chuỗi đảo ngược các thao tác, tác giả xây dựng một công cụ mới để đánh giá uy tín dựa trên các luật đã được học từ mạng nơron Những luật được trích xuất này có thể được sử dụng để cung cấp cho các chuyên gia tín dụng có uy tín trong các tổ chức tài chính
5 Kết luận
Trí tuệ nhân tạo ngày càng thể hiện vai trò và khả năng ưu việt của nó trong các ứng dụng trong ngành tài chính – ngân hàng Bài viết đã giới thiệu phương pháp sử dụng máy hỗ trợ véctơ để dự đoán rủi ro trong ngân hàng và sử dụng mạng nơron nhân tạo để kiểm tra uy tín của các khách hàng tiềm năng Đây là một hướng nghiên cứu thú
Trang 7vị và có khả năng ứng dụng cao trong dự phòng rủi ro và phân tích khách hàng tiềm năng nhằm giảm thiểu rủi ro cũng như tăng khả năng cạnh tranh và vị thế của các ngân hàng và tổ chức tài chính
Tài liệu tham khảo
[1] Baesens B., Setiono R., Mues C., Vanthien J.: Using neural network rule extraction and decision tables for credit-risk evaluation Management Science, Vol
49, No 3, March 2003, pp 312–320
[2] Demirguc-Kunt A., Detragiache E.: Monitoring banking sector fragility: a multivariate logit approach World Bank Economic Review, vol.14, no 2, 2000, pp
287–307
[3] Frankel J A., Rose A K.: Currency crashes in emerging markets: an empirical treatment Journal of International Economics, vol 41, no.3-4, pp 351–366,
1996
[4] Hanschel E., Monnin P.: Measuring and forecasting stress in the banking sector: evidence from Switzerland Investigating the Relationship between the
Financial and Real Economy, BIS Papers, no 22, 2005, pp 431- 449
[5] Henley W.E., Hand D.J.: A k-nearestneighbour classifier for assessing consumer credit risk, The Statistician, Volume 45, Issue 1 (1996), pp 75 – 95
[6] Kaminsky G L., Reinhart C M.: Thetwin crises: the causes of banking and balance-ofpayments problems American Economic Review, vol 89, no 3, pp 473–
500, 1999
[7] Shouwei L., Mingliang W., Jianmin H.: Prediction of Banking Systemic Risk Based on Support Vector Machine MathematicalProblems in Engineering, Vol 2013,
April 2013, p 3
[8] Zan H et al.: Credit rating analysis with support vector machines and neural networks: a market comparative study Decision Support Systems, vol 37, 2004, ss
543–558