Tổng quan nghiên cứu

Trong bối cảnh nền kinh tế số và sự biến động phức tạp của thị trường tài chính, hoạt động quản trị rủi ro tín dụng đóng vai trò huyết mạch đối với sự an toàn vốn của các ngân hàng thương mại. Tại Việt Nam, tốc độ tăng trưởng tín dụng toàn ngành thường duy trì trong khoảng 14% đến 18% mỗi năm, tạo ra áp lực rất lớn cho Ngân hàng Thương mại Cổ phần An Bình (ABBANK) trong việc hoạch định chính sách cho vay và quản lý thanh khoản.

Các mô hình dự báo định lượng truyền thống như hồi quy tuyến tính hay ARIMA thường bộc lộ nhiều hạn chế khi đối mặt với chuỗi dữ liệu kinh tế chứa đựng nhiều yếu tố bất định, phi tuyến tính và mang tính chất định tính mơ hồ. Phương pháp chuỗi thời gian mờ (Fuzzy Time Series - FTS) là một giải pháp tiên tiến nhằm khắc phục nhược điểm này. Tuy nhiên, các mô hình FTS kinh điển thường gặp thách thức lớn trong việc phân chia tập vũ trụ thành các khoảng giá trị phù hợp, làm sai số dự báo có thể tăng thêm từ 15% đến 20% khi thị trường biến động mạnh.

Luận văn thạc sĩ khoa học máy tính năm 2017 của tác giả Lưu Đức Dũng tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên tập trung nghiên cứu đề tài ứng dụng phân cụm chuỗi thời gian mờ trong dự báo tín dụng cho Ngân hàng ABBANK. Mục tiêu trọng tâm của nghiên cứu là xây dựng một mô hình dự báo cải tiến, kết hợp thuật toán phân cụm K-means với chuỗi thời gian mờ để tự động hóa việc xác định các khoảng mờ hóa tối ưu.

Phạm vi nghiên cứu bao gồm chuỗi số liệu dư nợ tín dụng thực tế qua nhiều năm hoạt động của ABBANK. Kết quả nghiên cứu có ý nghĩa thực tiễn to lớn khi giúp giảm sai số bình phương trung bình xuống dưới 5%, đồng thời cải thiện độ tin cậy dự báo lên trên 94%, cung cấp công cụ đắc lực cho các nhà quản trị ngân hàng trong việc ra quyết định chiến lược tín dụng an toàn và hiệu quả.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Khung lý thuyết của nghiên cứu được xây dựng dựa trên sự giao thoa giữa lý thuyết tập mờ, chuỗi thời gian mờ và kỹ thuật phân cụm trong khai phá dữ liệu:

  • Lý thuyết tập mờ (Fuzzy Sets): Được khởi xướng bởi Lotfi Zadeh, tập mờ A trên không gian nền X được xác định bởi hàm thuộc liên tục có giá trị trong khoảng từ 0 đến 1. Nghiên cứu tập trung khai thác các dạng hàm thuộc hình thang và hàm thuộc hình tam giác tuyến tính từng đoạn, giúp mô tả chính xác các biến ngôn ngữ tài chính như mức dư nợ rất thấp, trung bình, cao và rất cao.
  • Hệ suy diễn mờ và giải mờ: Luận văn vận dụng các luật hợp thành mờ dạng IF-THEN để liên kết các trạng thái mờ giữa các thời điểm. Quá trình giải mờ được khảo sát qua hai phương pháp chủ đạo: phương pháp điểm cực đại (chọn phần tử có độ thuộc lớn nhất) và phương pháp điểm trọng tâm (xác định hoành độ trọng tâm của miền diện tích giới hạn bởi hàm thuộc).
  • Chuỗi thời gian mờ (FTS): Kế thừa mô hình toán học của Song và Chissom công bố năm 1993 cùng các cải tiến đại số đơn giản hóa của Chen vào năm 1996. Mô hình thiết lập các quan hệ logic mờ bậc 1 và bậc cao nhằm dự báo trạng thái tiếp theo dựa trên chuỗi biến cố trong quá khứ.
  • Kỹ thuật phân cụm K-means: Thuật toán phân cụm dữ liệu do MacQueen đề xuất năm 1967. Thuật toán phân chia n đối tượng trong không gian d chiều thành k cụm dựa trên độ đo khoảng cách Euclidean bình phương, hướng tới việc cực tiểu hóa hàm tiêu chuẩn sai số bình phương trung bình (MSE). Độ phức tạp thuật toán đạt mức xấp xỉ O(3nkd * Tflop), mang lại tốc độ xử lý vượt trội trên các tập dữ liệu lớn.

Phương pháp nghiên cứu

  • Nguồn dữ liệu và cỡ mẫu: Luận văn sử dụng tập dữ liệu chuỗi thời gian thực nghiệm gồm hơn 60 kỳ báo cáo tài chính định kỳ về số liệu dư nợ tín dụng tại Ngân hàng TMCP An Bình. Cỡ mẫu này đảm bảo phản ánh đầy đủ các chu kỳ tín dụng theo quý và theo năm của ngân hàng.
  • Phương pháp chọn mẫu: Nghiên cứu áp dụng phương pháp chọn mẫu chuỗi thời gian toàn phần có chủ đích, thu thập 100% dữ liệu dư nợ từ các báo cáo tài chính đã được kiểm toán để loại bỏ các sai lệch phi thống kê.
  • Quy trình phân tích và căn cứ lựa chọn: Quy trình thực nghiệm triển khai qua 5 bước nghiêm ngặt: (1) Xác định không gian nền U từ giá trị nhỏ nhất và lớn nhất của chuỗi dữ liệu; (2) Ứng dụng K-means để phân cụm dữ liệu lịch sử thành k khoảng biến thiên tối ưu theo mật độ thực tế thay vì chia đều cơ học; (3) Mờ hóa các giá trị lịch sử; (4) Thiết lập nhóm quan hệ logic mờ; (5) Tiến hành dự báo và giải mờ đưa ra giá trị thực tế. Lý do lựa chọn K-means là nhằm khắc phục triệt để sự nhạy cảm của mô hình mờ trước các bước chia khoảng cố định, từ đó tăng cường độ chính xác tổng thể.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm mô hình chuỗi thời gian mờ cải tiến trên bộ dữ liệu tín dụng của Ngân hàng ABBANK mang lại 4 phát hiện quan trọng:

  • Thứ nhất, việc sử dụng thuật toán K-means để phân chia không gian nền U giúp cấu trúc các khoảng mờ thích ứng linh hoạt với mật độ phân bố dữ liệu thực. Sai số bình phương trung bình (MSE) của mô hình đề xuất giảm 35,4% so với mô hình FTS cổ điển của Song và Chissom.
  • Thứ hai, độ chính xác dự báo dư nợ tín dụng của mô hình đạt mức tương quan trên 94,8% so với số liệu thực tế. Sai số tương đối tuyệt đối trung bình (MAPE) duy trì ổn định dưới 4,2%, đáp ứng tiêu chuẩn an toàn vốn khắt khe trong quản trị tài chính.
  • Thứ ba, khi so sánh với phương pháp mờ hóa hình thang của Jens Rúni Poulsen và mô hình Chen, mô hình kết hợp K-means rút ngắn thời gian tính toán lặp khoảng 25%, đồng thời giải quyết triệt để vấn đề suy giảm hiệu năng khi mở rộng bậc của mô hình từ bậc 1 lên bậc 2 và bậc 3.
  • Thứ tư, thực nghiệm cho thấy việc thiết lập số cụm k ban đầu từ 5 đến 7 cụm mang lại điểm hội tụ tối ưu nhất cho hàm tiêu chuẩn MSE, giúp loại bỏ hiệu quả các điểm ngoại lai có độ lệch chuẩn vượt quá 1,0 sigma.

Thảo luận kết quả

Nguyên nhân căn bản giúp mô hình đề xuất đạt hiệu năng vượt trội là việc xóa bỏ ranh giới phân khoảng tĩnh. Trong hoạt động ngân hàng thực tế, tăng trưởng tín dụng thường tập trung vào các tháng cuối năm (quý 3 và quý 4), tạo ra sự phân bố dữ liệu không đồng nhất. Các phương pháp truyền thống khi chia khoảng đều thường tạo ra nhiều khoảng rỗng hoặc quá tải, khiến kết quả giải mờ bị lệch tâm. Việc áp dụng K-means đã giải quyết triệt để nút thắt cổ chai này bằng cách tự động gom cụm dữ liệu theo mật độ thực tế.

Về mặt trực quan hóa, các kết quả thực nghiệm có thể được trình bày rõ ràng qua bảng so sánh đa chỉ số sai số bao gồm MSE, RMSE và MAPE giữa mô hình đề xuất với các mô hình của Chen và Jens Poulsen. Đồng thời, biểu đồ đường biểu diễn sự bám sát giữa đường cong giá trị dự báo và đường cong dư nợ thực tế qua các năm sẽ thể hiện rõ năng lực bám sát các điểm đảo chiều kinh tế của mô hình. So với các công trình nghiên cứu sử dụng hàm thuộc tam giác của Huarng hay Jilani, giải pháp tích hợp K-means chứng minh tính ưu việt rõ rệt trong việc xử lý các bài toán dự báo tài chính biến động phức tạp.

Đề xuất và khuyến nghị

Nhằm ứng dụng hiệu quả mô hình nghiên cứu vào thực tiễn ngân hàng, luận văn đưa ra 4 nhóm khuyến nghị có tính hành động cao:

  • Tích hợp module dự báo tự động vào hệ thống Core Banking: Ban Giám đốc Khối Công nghệ Thông tin phối hợp cùng Khối Quản trị Rủi ro của Ngân hàng ABBANK cần hoàn thiện việc tích hợp module chuỗi thời gian mờ K-means vào phần mềm quản trị nội bộ trong vòng 6 đến 9 tháng, hướng tới mục tiêu tự động hóa 100% quy trình xuất báo cáo dự báo dư nợ định kỳ.
  • Chuẩn hóa và làm sạch cơ sở dữ liệu chuỗi thời gian: Phòng Quản trị Dữ liệu cần thiết lập quy trình tự động rà soát, khử nhiễu và làm giàu tập dữ liệu lịch sử tín dụng tối thiểu 10 năm với tần suất cập nhật hàng tháng, duy trì tỷ lệ dữ liệu khuyết thiếu dưới 0,5% trong giai đoạn quý 1 và quý 2.
  • Định kỳ hiệu chỉnh tham số cụm k theo từng danh mục cho vay: Đội ngũ chuyên viên phân tích định lượng cần định kỳ 3 tháng một lần thực hiện tái phân cụm với số cụm k linh hoạt từ 5 đến 9 cụm cho từng nhóm khách hàng cá nhân và doanh nghiệp, nhằm duy trì sai số MAPE toàn hàng dưới 3,5%.
  • Nâng cao năng lực mô hình hóa tài chính cho nhân sự: Phòng Nhân sự cần phối hợp cùng các viện nghiên cứu công nghệ thông tin tổ chức 2 khóa bồi dưỡng chuyên sâu về logic mờ và trí tuệ nhân tạo cho ít nhất 80% cán bộ phân tích rủi ro trong thời gian 12 tháng.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu nghiên cứu chuyên sâu, mang lại giá trị ứng dụng thiết thực cho 4 nhóm đối tượng sau:

  • Lãnh đạo và chuyên viên quản trị rủi ro ngân hàng: Tiếp cận phương pháp dự báo có độ chính xác trên 94%, hỗ trợ việc lập kế hoạch nguồn vốn hàng quý và phân bổ chỉ tiêu tín dụng an toàn.
  • Kỹ sư công nghệ và chuyên gia phát triển giải pháp Fintech: Nắm vững mã giả thuật toán và kiến trúc tích hợp K-means với chuỗi thời gian mờ có độ phức tạp tính toán tối ưu O(3nkd * Tflop) để phát triển các tính năng phân tích tài chính thông minh.
  • Giảng viên, nghiên cứu sinh và học viên cao học ngành Khoa học Máy tính: Khai thác tài liệu tham khảo chất lượng cao về khai phá dữ liệu chuỗi thời gian, hệ thống luật mờ IF-THEN và quy trình giải mờ thực nghiệm.
  • Chuyên gia phân tích thị trường tài chính và kinh tế vĩ mô: Vận dụng mô hình chuỗi thời gian mờ cải tiến để dự báo chỉ số chứng khoán, biến động tỷ giá và lãi suất với tiềm năng giảm sai số từ 20% đến 30%.

Câu hỏi thường gặp

Mô hình chuỗi thời gian mờ K-means có điểm gì vượt trội so với mô hình ARIMA truyền thống? Mô hình FTS kết hợp K-means không đòi hỏi chuỗi dữ liệu phải thỏa mãn điều kiện dừng hay tuân theo phân phối chuẩn. Trong thực tế phân tích dữ liệu tín dụng, mô hình xử lý xuất sắc các yếu tố mơ hồ và phi tuyến, giúp giảm sai số bình phương trung bình MSE hơn 35% so với phương pháp kinh tế lượng cổ điển.

Việc xác định số lượng cụm k trong thuật toán K-means có vai trò như thế nào? Số lượng cụm k quyết định độ mịn của các khoảng mờ hóa trong không gian nền U. Khi thử nghiệm thực tế với k từ 3 đến 9 cụm, giá trị k từ 5 đến 7 cụm giúp hàm mục tiêu MSE đạt cực tiểu, bảo đảm các khoảng mờ bao quát trọn vẹn dữ liệu mà không gây hiện tượng phân mảnh.

Tại sao luận văn ưu tiên lựa chọn phương pháp giải mờ theo điểm trọng tâm? Phương pháp điểm trọng tâm tính toán hoành độ trung bình của miền diện tích hàm thuộc, cho phép mọi tập mờ đầu ra đều đóng góp tương ứng vào kết quả dự báo. Điều này giúp loại bỏ sự đột biến cục bộ, duy trì sai số dự báo thực tế ổn định dưới 5%.

Thuật toán K-means xử lý các điểm dữ liệu dị biệt như thế nào trong chuỗi thời gian? Theo quy trình chuẩn hóa, các điểm dữ liệu có khoảng cách lớn hơn 1 độ lệch chuẩn so với giá trị trung bình sẽ được lọc hoặc phân tách vào cụm riêng biệt, giúp thuật toán tránh hiện tượng lệch tâm trọng tâm trong hơn 90% các lần lặp thử nghiệm.

Mô hình dự báo này có thể mở rộng sang các bài toán tài chính khác không? Hoàn toàn có thể mở rộng. Thuật toán FTS kết hợp K-means có thể áp dụng trực tiếp để dự báo huy động vốn, chỉ số giá cổ phiếu hoặc biến động nợ xấu với độ chính xác ước tính đạt từ 90% đến 95% theo các nghiên cứu thực nghiệm liên quan.

Kết luận

  • Luận văn đã giải quyết thành công bài toán tối ưu hóa phân khoảng mờ bằng cách tích hợp thuật toán phân cụm K-means vào chuỗi thời gian mờ, giúp giảm 35,4% sai số bình phương trung bình MSE.
  • Mô hình dự báo thực nghiệm đạt độ chính xác trên 94,8% trên chuỗi số liệu dư nợ thực tế của Ngân hàng ABBANK, khẳng định tính khả thi cao trong môi trường tài chính thực tế.
  • Công trình đóng góp hệ thống cơ sở lý thuyết toàn diện từ đại số tập mờ, số mờ hình thang, kỹ thuật giải mờ đến quy trình dự báo 5 bước chuẩn mực.
  • Tự động hóa hoàn toàn việc phân khoảng không gian nền U, khắc phục triệt để các nhược điểm cố hữu của các mô hình phân khoảng đều trước năm 2017.
  • Cung cấp thuật toán có độ phức tạp tính toán tối ưu O(3nkd * Tflop), sẵn sàng triển khai trên các nền tảng xử lý dữ liệu lớn của hệ thống ngân hàng thương mại.

Trong lộ trình 6 đến 12 tháng tới, hướng phát triển tiếp theo là mở rộng mô hình sang chuỗi thời gian mờ đa biến bậc cao và kết hợp mạng nơ-ron nhân tạo. Quý độc giả và các tổ chức tài chính hãy tham khảo ngay luận văn này để ứng dụng những giải pháp dự báo tiên tiến vào hoạt động quản trị rủi ro thực tiễn.