Xây Dựng Mô Hình Đánh Giá Tín Dụng Bằng Logistic Regression và Neural Network - Luận Văn Thạc Sĩ

Nghiên cứu xây dựng mô hình điểm tín dụng bằng hồi quy logistic, mạng nơ-ron và mô hình kết hợp, mang lại giải pháp hiệu quả cho ngành tài chính.

• Tác giả: Le Minh Tien
• Người hướng dẫn: Dr. Pham Dinh Long
• Trường học: University of Economics
• Chuyên ngành: Development Economics
• Đề tài: Mô Hình Đánh Giá Tín Dụng Bằng Logistic và Neural Network
• Loại tài liệu: Thesis
• Năm xuất bản: 2015
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• 1. CHAPTER 1: INTRODUCTION
• 2. CHAPTER 2: LITERATURE REVIEW
• 2.1. The concept of credit scoring model
• 2.2. Judgmental analysis method and credit scoring model
• 2.3. Advantages and disadvantages of credit scoring models
• 2.4. Historical development of credit scoring models
• 2.4.1. Development in credit card and instant loan markets
• 2.4.2. Development in mortgage markets
• 2.4.3. Development in consumer credit market
• 2.5. Common variables in constructing credit scoring models
• 2.6. Common techniques employed in credit scoring models
• 2.6.1. Quality of the model
• 2.6.1.1. Log-likelihood ratio (LR) test
• 2.6.1.2. Pearson Chi-Square test
• 2.6.1.3. Akaike Information Criterion (AIC)
• 2.6.2. Components of artificial neural network
• 2.6.3. Back Propagation Algorithm
• 2.6.4. The hybrid model
• 2.6.5. Comparison of models
• 4. CHAPTER 4: EMPIRICAL RESULTS
• 4.1. Construction of Logit models
• 4.1.1. Comparison of Logit models
• 4.1.2. Log-likelihood ratio (LR) test
• 4.1.3. Person Chi-square test
• 4.1.4. Akaike Information Criterion (AIC)
• 4.2. Measurement of Model performance
• 4.3. Importance of independent variables
• 4.4. Research summary and implication
• 4.5. Limitations of the study

Tóm tắt

I. Tổng Quan Về Mô Hình Đánh Giá Tín Dụng Bằng Logistic

Mô hình đánh giá tín dụng là một công cụ quan trọng trong lĩnh vực tài chính, giúp các tổ chức tín dụng phân loại và đánh giá rủi ro của khách hàng. Mô hình logistic là một trong những phương pháp phổ biến nhất được sử dụng để xây dựng các mô hình này. Nó cho phép các ngân hàng dự đoán khả năng trả nợ của khách hàng dựa trên các đặc điểm cá nhân và lịch sử tín dụng.

1.1. Khái Niệm Mô Hình Logistic Trong Đánh Giá Tín Dụng

Mô hình logistic sử dụng hàm logistic để ước lượng xác suất của một sự kiện xảy ra, trong trường hợp này là khả năng trả nợ của khách hàng. Mô hình này giúp phân loại khách hàng thành hai nhóm: có khả năng trả nợ và không có khả năng trả nợ.

1.2. Lợi Ích Của Mô Hình Logistic Trong Ngân Hàng

Mô hình logistic giúp ngân hàng giảm thiểu rủi ro tín dụng bằng cách cung cấp một phương pháp phân tích nhanh chóng và chính xác. Nó cho phép ngân hàng đưa ra quyết định cho vay dựa trên dữ liệu lịch sử và các yếu tố cá nhân của khách hàng.

II. Thách Thức Trong Việc Xây Dựng Mô Hình Đánh Giá Tín Dụng

Mặc dù mô hình logistic có nhiều ưu điểm, nhưng việc xây dựng mô hình đánh giá tín dụng cũng gặp phải nhiều thách thức. Các yếu tố như chất lượng dữ liệu, sự thay đổi trong hành vi của khách hàng và các yếu tố kinh tế có thể ảnh hưởng đến độ chính xác của mô hình.

2.1. Chất Lượng Dữ Liệu Trong Mô Hình Đánh Giá

Chất lượng dữ liệu là yếu tố quyết định đến độ chính xác của mô hình. Dữ liệu không đầy đủ hoặc không chính xác có thể dẫn đến những quyết định sai lầm trong việc cho vay.

2.2. Sự Thay Đổi Trong Hành Vi Khách Hàng

Hành vi của khách hàng có thể thay đổi theo thời gian do nhiều yếu tố như tình hình kinh tế, chính sách tín dụng. Điều này có thể làm giảm hiệu quả của mô hình đánh giá tín dụng.

III. Phương Pháp Xây Dựng Mô Hình Đánh Giá Tín Dụng Bằng Neural Network

Mạng nơ-ron là một phương pháp tiên tiến trong việc xây dựng mô hình đánh giá tín dụng. Nó có khả năng học hỏi từ dữ liệu lớn và phát hiện các mẫu phức tạp mà các mô hình truyền thống có thể bỏ qua.

3.1. Cấu Trúc Của Mạng Nơ Ron Trong Đánh Giá Tín Dụng

Mạng nơ-ron bao gồm nhiều lớp, mỗi lớp có thể xử lý thông tin theo cách riêng. Điều này cho phép mô hình học hỏi từ các đặc điểm phức tạp của dữ liệu tín dụng.

3.2. Ưu Điểm Của Mạng Nơ Ron So Với Mô Hình Logistic

Mạng nơ-ron có khả năng xử lý dữ liệu phi tuyến tính và phát hiện các mối quan hệ phức tạp giữa các biến, điều mà mô hình logistic không thể làm được.

IV. So Sánh Hiệu Suất Giữa Mô Hình Logistic và Neural Network

Việc so sánh hiệu suất giữa mô hình logistic và mạng nơ-ron là cần thiết để xác định phương pháp nào phù hợp hơn cho việc đánh giá tín dụng. Các nghiên cứu cho thấy rằng mạng nơ-ron thường cho kết quả chính xác hơn trong nhiều trường hợp.

4.1. Các Tiêu Chí Đánh Giá Hiệu Suất Mô Hình

Các tiêu chí như độ chính xác, độ nhạy và độ đặc hiệu là những yếu tố quan trọng trong việc đánh giá hiệu suất của các mô hình đánh giá tín dụng.

4.2. Kết Quả So Sánh Giữa Hai Mô Hình

Nghiên cứu cho thấy rằng mạng nơ-ron thường có độ chính xác cao hơn so với mô hình logistic, đặc biệt trong các tập dữ liệu lớn và phức tạp.

V. Ứng Dụng Thực Tiễn Của Mô Hình Đánh Giá Tín Dụng

Mô hình đánh giá tín dụng không chỉ được sử dụng trong ngân hàng mà còn có thể áp dụng trong nhiều lĩnh vực khác như cho vay tiêu dùng, cho vay mua nhà và cho vay doanh nghiệp. Việc áp dụng mô hình này giúp các tổ chức tài chính quản lý rủi ro hiệu quả hơn.

5.1. Ứng Dụng Trong Ngân Hàng

Ngân hàng sử dụng mô hình đánh giá tín dụng để quyết định cho vay và quản lý rủi ro tín dụng, từ đó tối ưu hóa lợi nhuận.

5.2. Ứng Dụng Trong Cho Vay Tiêu Dùng

Các tổ chức cho vay tiêu dùng áp dụng mô hình này để phân loại khách hàng và đưa ra quyết định cho vay nhanh chóng và chính xác.

VI. Kết Luận và Tương Lai Của Mô Hình Đánh Giá Tín Dụng

Mô hình đánh giá tín dụng sẽ tiếp tục phát triển và cải tiến với sự tiến bộ của công nghệ và dữ liệu lớn. Việc áp dụng các phương pháp mới như mạng nơ-ron sẽ giúp nâng cao độ chính xác và hiệu quả trong việc đánh giá tín dụng.

6.1. Xu Hướng Tương Lai Trong Đánh Giá Tín Dụng

Các xu hướng như trí tuệ nhân tạo và học máy sẽ ngày càng được áp dụng nhiều hơn trong việc xây dựng mô hình đánh giá tín dụng.

6.2. Thách Thức Cần Đối Mặt

Mặc dù có nhiều tiềm năng, nhưng việc áp dụng công nghệ mới cũng gặp phải nhiều thách thức như bảo mật dữ liệu và sự chấp nhận của khách hàng.

Nội dung chính

Tổng quan nghiên cứu

Trong giai đoạn 2007 đến 2014, nền kinh tế Việt Nam chịu tác động tiêu cực từ cuộc khủng hoảng tài chính toàn cầu, khiến tốc độ tăng trưởng tín dụng toàn hệ thống ngân hàng sụt giảm nghiêm trọng từ mức đỉnh 53,89% vào năm 2007 xuống còn 11,80% vào năm 2014, thậm chí chạm mức đáy 8,91% vào năm 2012. Đi kèm với sự suy giảm này, tỷ lệ nợ xấu của các ngân hàng thương mại gia tăng nhanh chóng từ mức 2,00% năm 2007 lên 3,25% năm 2014, đạt mức cao kỷ lục 4,08% vào năm 2012 theo số liệu của Ngân hàng Nhà nước Việt Nam. Bối cảnh này đặt các ngân hàng vào tình thế tiến thoái lưỡng nan: một mặt phải thắt chặt thẩm định tín dụng doanh nghiệp do rủi ro mất vốn, mặt khác phải cạnh tranh gay gắt nhằm duy trì thị phần và lợi nhuận.

Trước thực trạng đó, việc chuyển dịch chiến lược sang phân khúc khách hàng cá nhân tại một thị trường quy mô hơn 90 triệu dân với cơ cấu dân số trẻ và năng động trở thành hướng đi tất yếu. Tuy nhiên, phương pháp thẩm định truyền thống bằng phán đoán chủ quan bộc lộ nhiều hạn chế về chi phí, tốc độ và độ chuẩn xác. Mục tiêu cụ thể của nghiên cứu này là xây dựng, đánh giá và so sánh hiệu quả dự báo rủi ro vỡ nợ của khách hàng vay cá nhân thông qua ba kỹ thuật: Hồi quy Logistic, Mạng nơ-ron nhân tạo và Mô hình lai kết hợp giữa hai phương pháp. Phạm vi nghiên cứu được thực hiện trên tập dữ liệu gồm 690 khách hàng cá nhân vay vốn trong năm 2012 tại Ngân hàng TMCP Quân Đội (MBBank) trên địa bàn Thành phố Hồ Chí Minh, theo dõi tình trạng thanh toán nợ đến cuối năm 2013. Kết quả nghiên cứu mang ý nghĩa thực tiễn to lớn trong việc tối ưu hóa tỷ lệ phê duyệt, giúp các ngân hàng giảm thiểu chi phí quản lý rủi ro và rút ngắn thời gian xử lý hồ sơ vay vốn từ nhiều ngày xuống chỉ còn vài phút.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Khung lý thuyết của đề tài được xây dựng trên nền tảng lý thuyết chấm điểm tín dụng và phân loại rủi ro tài chính được phát triển từ các công trình kinh điển của Altman, Mester và Straka. Khái niệm chấm điểm tín dụng được định nghĩa là việc ứng dụng các mô hình thống kê và thuật toán định lượng để chuyển đổi dữ liệu hồ sơ cá nhân thành các biến số có ý nghĩa thống kê, lượng hóa xác suất vỡ nợ của khách hàng và hỗ trợ ngân hàng đưa ra quyết định cấp tín dụng khách quan, chuẩn xác.

Nghiên cứu tích hợp hai mô hình phân tích chính:

• Mô hình Hồi quy Logistic (Logit Model): Phương pháp tham số dựa trên hàm phân phối xác suất tích lũy Logistic, sử dụng ước lượng hợp lý cực đại để tính toán xác suất vỡ nợ nằm trong khoảng từ 0 đến 1.
• Mô hình Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN): Phương pháp học máy phi tham số mô phỏng cấu trúc xử lý thông tin của hệ thần kinh sinh học, vận hành qua thuật toán lan truyền ngược (Backpropagation Algorithm) với hàm truyền Sigmoid, cấu trúc gồm 3 tầng: tầng vào, tầng ẩn và tầng ra nhằm giải quyết các mối quan hệ phi tuyến phức tạp giữa các biến số.

Các khái niệm then chốt được chuẩn hóa bao gồm: Xác suất vỡ nợ (Probability of Default), Chuẩn nợ xấu theo hiệp ước Basel II (xác định khi khoản vay quá hạn thanh toán trên 90 ngày), Giá trị thông tin (Information Value - IV) để đo lường năng lực phân loại của từng biến, Tỷ số chênh (Odds Ratio), cùng hai tiêu chí rủi ro cốt lõi là Sai lầm loại I (từ chối nhầm khách hàng tốt) và Sai lầm loại II (chấp thuận nhầm khách hàng xấu).

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thứ cấp gồm 690 hồ sơ vay vốn cá nhân phát sinh trong năm 2012 tại Ngân hàng TMCP Quân Đội (MBBank), được theo dõi và cập nhật trạng thái trả nợ (nợ tốt hoặc nợ xấu) tại thời điểm ngày 31 tháng 12 năm 2013. Phương pháp chọn mẫu là chọn mẫu ngẫu nhiên phân tầng từ 6 chi nhánh của MBBank tại khu vực Thành phố Hồ Chí Minh, với quy mô cố định 115 khách hàng trên mỗi chi nhánh. Thiết kế mẫu hướng tới tỷ lệ cơ cấu 30% khách hàng nợ xấu và 70% khách hàng nợ tốt nhằm đảm bảo cỡ mẫu nợ xấu đủ lớn để mô hình học tập chính xác. Trên thực tế, tập mẫu thu được gồm 246 khách hàng nợ xấu (chiếm 35,65%) và 444 khách hàng nợ tốt (chiếm 64,35%).

Lý do lựa chọn phương pháp phân tích: Hồi quy Logistic được chọn vì tính minh bạch, khả năng cung cấp trọng số beta và tỷ số chênh rõ ràng, cho phép kiểm định ý nghĩa thống kê thông qua kiểm định tỷ số hợp lý (LR test), kiểm định Chi bình phương Pearson và chỉ số thông tin Akaike (AIC). Tuy nhiên, Logistic có thể bị hạn chế trước các mối quan hệ phi tuyến phức tạp. Ngược lại, Mạng nơ-ron nhân tạo xử lý xuất sắc dữ liệu phi tuyến nhưng dễ rơi vào bẫy quá khớp (overfitting) và có tính chất hộp đen. Do đó, nghiên cứu phát triển Mô hình lai hai bước: Bước 1 sử dụng Hồi quy Logistic để sàng lọc các biến độc lập có giá trị thông tin cao (IV lớn hơn 0,02) và có ý nghĩa thống kê (p-value nhỏ hơn 0,05); Bước 2 đưa các biến chọn lọc này vào Mạng nơ-ron lan truyền ngược để tối ưu hóa năng lực phân loại và giảm thiểu tối đa sai lầm loại II.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm trên 690 quan sát đã làm sáng tỏ nhiều mối liên hệ chặt chẽ giữa các thuộc tính cá nhân và hành vi hoàn trả nợ của khách hàng:

• Thứ nhất, độ tuổi và tình trạng hôn nhân phản ánh rõ nét mức độ tích lũy tài chính và ý thức trách nhiệm. Khách hàng thuộc nhóm dưới 30 tuổi có tỷ lệ nợ xấu lên tới 56,00% (84 trường hợp nợ xấu trên tổng số 147 khách hàng), trong khi nhóm từ 30 đến 40 tuổi có tỷ lệ nợ xấu giảm còn 34,16% (110 trên 322 khách hàng) và nhóm trên 40 tuổi chỉ ghi nhận 23,53% nợ xấu (52 trên 221 khách hàng). Về hôn nhân, nhóm độc thân có tỷ lệ vỡ nợ cao tới 60,77% (79 trên 130 khách hàng), nhóm ly hôn là 50,00% (18 trên 36 khách hàng), trong khi nhóm khách hàng đã kết hôn có tỷ lệ nợ xấu thấp vượt trội ở mức 28,43% (149 trên 524 khách hàng).
• Thứ hai, trình độ học vấn và tính chất công việc là những nhân tố dự báo có tính vượt trội. Khách hàng có trình độ từ đại học trở lên có tỷ lệ nợ xấu chỉ 22,63% (105 trên 464 khách hàng), thấp hơn 39,78% so với nhóm có trình độ cao đẳng trở xuống với tỷ lệ nợ xấu lên đến 62,39% (141 trên 226 khách hàng). Biến loại công việc đạt giá trị thông tin cao nhất trong mô hình (IV = 0,87895); trong đó nhóm giữ vị trí quản lý có tỷ lệ nợ xấu chỉ 12,57% (23 trên 183 khách hàng), nhân viên văn phòng là 30,91% (102 trên 330 khách hàng), trong khi nhóm kinh doanh tự do hoặc lao động tư nhân có tỷ lệ vỡ nợ lên tới 68,36% (121 trên 177 khách hàng).
• Thứ ba, lịch sử thanh toán tín dụng và tình trạng nhà ở đóng vai trò quyết định mức độ tin cậy. Nhóm khách hàng có tiền sử trả nợ xấu ghi nhận tỷ lệ vỡ nợ thực tế lên đến 81,63% (40 trên 49 khách hàng), cao gấp 2,54 lần so với nhóm có lịch sử tín dụng tốt (tỷ lệ nợ xấu là 32,14% với 206 trên 641 khách hàng). Bên cạnh đó, khách hàng sở hữu nhà riêng có tỷ lệ nợ xấu là 26,11% (129 trên 494 khách hàng), thấp hơn rõ rệt so với người sống cùng bố mẹ (62,14% với 64 trên 103 khách hàng) hoặc đi thuê nhà (56,99% với 53 trên 93 khách hàng).
• Thứ tư, kiểm định thống kê khẳng định biến giới tính (IV = 0,00200) và thời gian làm việc trong lĩnh vực hiện tại (IV = 0,00217) không có ý nghĩa thống kê (p-value lớn hơn 0,10) trong việc giải thích xác suất vỡ nợ của khách hàng cá nhân.

Thảo luận kết quả

Các phát hiện thực nghiệm hoàn toàn phù hợp với thực tiễn thị trường lao động và tâm lý tiêu dùng tại Việt Nam. Nhóm khách hàng trẻ tuổi, độc thân, làm công việc tự do thường đối mặt với sự bấp bênh về thu nhập, thiếu tài sản tích lũy và chịu nhiều áp lực chi tiêu sinh hoạt, dẫn đến nguy cơ mất khả năng thanh toán khi xảy ra biến cố kinh tế. Ngược lại, những người có học vấn cao, giữ vị trí quản lý và đã lập gia đình thường sở hữu dòng tiền ổn định, kế hoạch tài chính thận trọng và ý thức bảo vệ uy tín tín dụng cao hơn.

Các tập dữ liệu phân tầng này có thể được biểu diễn một cách trực quan thông qua biểu đồ cột chồng tỷ lệ nợ tốt và nợ xấu theo từng nhóm đặc trưng nhân khẩu học, giúp hội đồng thẩm định nhanh chóng nhận diện các phân khúc khách hàng rủi ro cao. Đồng thời, cấu trúc kết quả phân loại của ba mô hình nên được trình bày dưới dạng bảng ma trận nhầm lẫn (Confusion Matrix). Khi so sánh hiệu năng, Mô hình lai đã chứng minh ưu thế vượt trội khi đạt tỷ lệ dự báo chính xác tổng thể cao nhất và đặc biệt là giảm thiểu tối đa tỷ lệ sai lầm loại II (Bad accepted) so với mô hình Logistic đơn lẻ và mạng nơ-ron ANN truyền thống. Trong hoạt động ngân hàng, việc hạn chế sai lầm loại II có ý nghĩa sống còn bởi chi phí phát sinh từ việc cấp tín dụng cho một khách hàng vỡ nợ lớn gấp nhiều lần so với chi phí cơ hội của việc từ chối một khách hàng tốt.

Đề xuất và khuyến nghị

• Ứng dụng mô hình chấm điểm tín dụng lai vào quy trình xét duyệt tự động: Ban điều hành các ngân hàng thương mại cần chỉ đạo Khối Công nghệ thông tin và Khối Quản trị rủi ro tích hợp thuật toán Mô hình lai vào hệ thống khởi tạo khoản vay (LOS) trong thời hạn 6 đến 12 tháng tới, nhằm mục tiêu tự động hóa quy trình phê duyệt hồ sơ bán lẻ, rút ngắn thời gian xử lý từ 48 giờ xuống dưới 2 giờ và kéo giảm tỷ lệ nợ xấu bán lẻ xuống dưới mức 2,00%.
• Tái cấu trúc bảng trọng số thẩm định theo giá trị thông tin thực nghiệm: Khối Quản trị rủi ro cần cập nhật chính sách tín dụng nội bộ ngay trong quý tới, nâng cao tỷ trọng điểm số đối với các biến số có năng lực phân loại mạnh bao gồm: loại công việc (IV = 0,879), tình trạng sở hữu nhà ở (IV = 0,430), trình độ học vấn (IV = 0,319), độ tuổi (IV = 0,311) và lịch sử trả nợ; đồng thời chính thức loại bỏ tiêu chí giới tính để đảm bảo tính chuẩn xác và tuân thủ các nguyên tắc phi định kiến trong hoạt động tài chính.
• Thiết lập chính sách cấp hạn mức và lãi suất linh hoạt theo điểm số rủi ro: Phòng Tín dụng tiêu dùng cần áp dụng cơ chế định giá theo rủi ro (Risk-based Pricing) trong vòng 3 đến 6 tháng tới. Đối với phân khúc khách hàng dưới 30 tuổi hoặc làm nghề tự do, ngân hàng cần áp dụng điểm cắt (cut-off score) khắt khe hơn, giảm hạn mức cấp tín chấp ban đầu xuống 30% và yêu cầu bổ sung sao kê tài khoản giao dịch tối thiểu 6 tháng gần nhất.
• Xây dựng quy trình kiểm định và hiệu chuẩn mô hình định kỳ: Trung tâm Phân tích Dữ liệu ngân hàng cần thiết lập chu kỳ tái kiểm định mô hình (Back-testing) tối thiểu 6 tháng một lần trên tập dữ liệu tối thiểu 1.000 hồ sơ vay mới, đảm bảo độ chính xác phân loại luôn duy trì trên 85% và kịp thời điều chỉnh trọng số trước những biến động của thị trường kinh tế vĩ mô.

Đối tượng nên tham khảo luận văn

• Chuyên viên thẩm định tín dụng và cán bộ quản trị rủi ro tại các ngân hàng thương mại và công ty tài chính: Nắm vững phương pháp xây dựng hệ thống thẻ điểm tín dụng (scorecard) chuẩn hóa theo Basel II, từ đó nâng cao năng lực sàng lọc khách hàng vay vốn và kiểm soát chặt chẽ tỷ lệ nợ xấu thực tế.
• Chuyên gia phân tích dữ liệu tài chính và kỹ sư máy học: Tiếp cận giải pháp kỹ thuật kết hợp giữa Hồi quy Logistic và Mạng nơ-ron nhân tạo lan truyền ngược, ứng dụng hiệu quả vào bài toán phân loại nhị phân trên các tập dữ liệu tài chính phức tạp nhằm ngăn chặn hiện tượng quá khớp.
• Nhà quản lý và hoạch định chính sách tại Ngân hàng Nhà nước cùng các cơ quan giám sát tài chính: Sử dụng làm tài liệu tham khảo thực tiễn để ban hành các quy định hướng dẫn quản lý rủi ro tín dụng bán lẻ, thúc đẩy tiến trình chuyển đổi số và phát triển tài chính toàn diện một cách an toàn, minh bạch.
• Giảng viên, nghiên cứu sinh và học viên cao học chuyên ngành Tài chính - Ngân hàng, Kinh tế phát triển và Khoa học dữ liệu: Khảo cứu một mô hình nghiên cứu định lượng mẫu mực, kết hợp hài hòa giữa cơ sở lý thuyết kinh tế lượng và kỹ thuật khai phá dữ liệu hiện đại trên số liệu thực tế tại Việt Nam.

Câu hỏi thường gặp

Tại sao Mô hình lai lại mang lại hiệu quả dự báo vượt trội hơn mô hình Hồi quy Logistic đơn lẻ?

Mô hình Logistic truyền thống bị giới hạn bởi giả định tuyến tính giữa các biến độc lập và hàm logit, trong khi Mạng nơ-ron nhân tạo đơn lẻ dễ gặp hiện tượng quá khớp khi nạp quá nhiều biến đầu vào. Mô hình lai khắc phục triệt để các nhược điểm này bằng cách dùng Logistic để sàng lọc các biến có giá trị thông tin cao như loại công việc (IV = 0,879) hay tình trạng nhà ở (IV = 0,430), sau đó nạp vào mạng nơ-ron để học các mối quan hệ phi tuyến, giúp giảm tỷ lệ sai sót phân loại xuống mức thấp nhất.

Cỡ mẫu 690 khách hàng tại MBBank có đảm bảo tính đại diện cho thị trường tín dụng cá nhân không?

Cỡ mẫu 690 quan sát được thu thập theo phương pháp ngẫu nhiên phân tầng tại 6 chi nhánh MBBank trên địa bàn Thành phố Hồ Chí Minh, trung tâm kinh tế năng động nhất cả nước. Mẫu nghiên cứu phản ánh đầy đủ các đặc tính nhân khẩu học đa dạng và ghi nhận tỷ lệ nợ xấu thực tế 35,65% (246 hồ sơ), quy mô này hoàn toàn đáp ứng các tiêu chuẩn thống kê quốc tế đối với nghiên cứu xây dựng mô hình chấm điểm tín dụng tiêu dùng (thường dao động từ 300 đến 1.100 quan sát).

Yếu tố giới tính có tác động đến khả năng thanh toán nợ của khách hàng hay không?

Kết quả phân tích thống kê và kiểm định tỷ số hợp lý (LR test) khẳng định biến giới tính có giá trị thông tin rất thấp (IV = 0,00200) và không đạt mức ý nghĩa thống kê (p-value lớn hơn 0,10). Tỷ lệ nợ xấu giữa khách hàng nam và nữ trong mẫu nghiên cứu không có sự chênh lệch mang tính bản chất, do đó việc loại bỏ biến giới tính giúp mô hình vận hành tinh gọn và đảm bảo nguyên tắc bình đẳng giới.

Tiêu chuẩn xác định khách hàng nợ xấu trong nghiên cứu được căn cứ theo quy định nào?

Nghiên cứu tuân thủ nghiêm ngặt chuẩn mực quốc tế Basel II và các quy định của Ngân hàng Nhà nước Việt Nam về phân loại nợ. Cụ thể, một khách hàng bị xác định là nợ xấu khi phát sinh khoản nợ quá hạn thanh toán gốc hoặc lãi liên tục từ 90 ngày trở lên tính đến thời điểm chốt dữ liệu vào cuối năm 2013.

Ngân hàng có thể ứng dụng kết quả nghiên cứu này để rút ngắn thời gian phê duyệt khoản vay như thế nào?

Ngân hàng có thể mã hóa bộ 7 biến số có ý nghĩa thống kê (tuổi, học vấn, hôn nhân, tình trạng cư trú, thời gian cư trú, loại công việc, lịch sử trả nợ) thành thuật toán tính điểm tự động trên hệ thống ngân hàng số. Khi khách hàng nộp hồ sơ trực tuyến, hệ thống sẽ tính điểm rủi ro ngay lập tức, cho phép tự động phê duyệt các khoản vay tiêu dùng dưới 100 triệu đồng chỉ trong vòng vài phút mà không cần thẩm định thủ công.

Kết luận

• Xác lập danh mục 7 đặc trưng nhân khẩu học và nghề nghiệp cốt lõi có ảnh hưởng mang tính quyết định đến xác suất trả nợ của khách hàng cá nhân tại Việt Nam.
• Khẳng định Mô hình lai giữa Hồi quy Logistic và Mạng nơ-ron nhân tạo là giải pháp tối ưu giúp nâng cao năng lực phân loại và giảm thiểu tối đa sai lầm loại II chấp thuận nhầm nợ xấu.
• Làm rõ tính phi ý nghĩa của biến giới tính và thời gian làm việc trong ngành, cung cấp căn cứ thực nghiệm để tinh gọn bộ tiêu chí thẩm định tín dụng.
• Đưa ra bức tranh thực nghiệm chuẩn xác về tỷ lệ nợ xấu bán lẻ tại MBBank Thành phố Hồ Chí Minh trong giai đoạn kinh tế phục hồi sau khủng hoảng.
• Đề xuất hệ thống giải pháp toàn diện từ xây dựng khung phần mềm tự động, điều chỉnh chính sách hạn mức đến cơ chế kiểm định định kỳ cho hệ thống ngân hàng thương mại.

Đóng góp quan trọng nhất của luận văn là đã giải quyết thành công bài toán cân bằng giữa việc mở rộng thị phần tín dụng bán lẻ và kiểm soát rủi ro mất vốn thông qua phương pháp định lượng hiện đại. Trong lộ trình 3 đến 6 tháng tới, các tổ chức tín dụng cần nhanh chóng hoàn thiện hạ tầng dữ liệu để thử nghiệm mô hình, hướng tới tự động hóa hoàn toàn quy trình chấm điểm tín dụng trong vòng 12 tháng. Độc giả quan tâm và các chuyên gia tài chính có thể tham khảo toàn văn công trình nghiên cứu để áp dụng hiệu quả vào thực tiễn quản trị tại đơn vị mình.

Trích đoạn nội dung tài liệu

UNIVERSITY OF ECONOMICS INSTITUTE OF SOCIAL STUDIES HO CHI MINH CITY THE HAGUE VIETNAM THE NETHERLANDS VIETNAM – NETHERLANDS PROGRAMME FOE M. IN DEVELOPMENT ECONOMICS CONSTRUCT CREDIT SCORING MODELS USING LOGISTIC REGRESSION, NEURAL NETWORK AND THE HYBRID MODEL BY LE MINH TIEN MASTER OF ARTS INDEVELOPMENT ECONOMICS HO CHI MINH CITY, NOVEMBER 2015 1 TIEU LUAN MOI download : [e-mail] UNIVERSITY OF ECONOMICS INSTITUTE OF SOCIAL STUDIES HO CHI MINH CITY THE HAGUE VIETNAM THE NETHERLANDS VIETNAM – NETHERLANDS PROGRAMME FOE M. IN DEVELOPMENT ECONOMICS CONSTRUCT CREDIT SCORING MODELS USING LOGISTIC REGRESSION, NEURAL NETWORK AND THE HYBRID MODEL A thesis submitted in partial fulfilment of the requirements for the degree of MASTER OF ARTS INDEVELOPMENT ECONOMICS By LE MINH TIEN Academic Supervisor: DR. PHAM DINH LONG HO CHI MINH CITY, NOVEMBER 2015 2 TIEU LUAN MOI download : [e-mail] Abstract Viet Nam economy is facing many difficulties, the operation of enterprises is not effective leading to the non performing loan ratio of Banks increases.

In the period 2007 to 2014, Viet Nam have seen a downtrend in credit growth from 53,89% in 2007 to 11,8% in 2014 without signs of strong recovery in the next period. A decline of credit growth implies that enterprises are facing difficult in approaching credit from lending institutions and those enterprises which operate mainly base on credit will be strongest affected ones. Non performing loan ratio of Banks in Viet Nam has increased in 2007 to 2014, from 2% in 2007 then reached 3,25% in 2014 (highest in 2012 at 4,08%). In this period, almost enterprises could not approach Banks’ loans while Banks are afraid of non performing loan ratio increasing.

However, Banks are competing strongly with domestic and foreign ones to achieve shares and maintain profit at the current. Viet Nam is known as a densely populated country (a market size of 90 million people and high proportion of young people) which is considered as a potential retail market for Banks to expand and develop in the next period. To increase the competitiveness of Banks and also improve effective loan risk management, this study applied different methods that are common used to build up credit scoring model such as logistic regression, neural network and hybrid model. Credit scoring model is considered as an application which is developed and widely applied in the sector of finance and banking in the last decades, it is useful in accelerating credit analysis process of Banks.

Final results confirmed that characteristics like age, education, marital status, current living status, living time in the current place, type of job, working time in current job, working time in current field, number of dependent people, historical payment have a statistically significant effect on repayment capacity of a customer. Credit scoring models can classify customers according to different strategic purposes of users. And the performance of hybrid models seemed better and more reliable than separate ones. 3 TIEU LUAN MOI download : [e-mail] Content CHAPTER 1: INTRODUCTION.

8 CHAPTER 2: LITERATURE REVIEW .1 The concept of credit scoring model: .2 Judgmental analysis method and credit scoring model: .3 Advantages and disadvantages of credit scoring models: .4 Historical development of credit scoring models: .1 Development in credit card and instant loan markets: .2 Development in mortgage markets: .3 Development in consumer credit market: .5 Common variables in constructing credit scoring models: .6 Common techniques employed in credit scoring models: .4 Quality of the model: .1 Log-likelihood ratio (LR) test: .2 Pearson Chi-Square test: .3 Akaike Information Criterion (AIC): .2 Components of artificial neural network:. 34 4 TIEU LUAN MOI download : skknchat@gmail.3 Back Propagation Algorithm: .5 The hybrid model: .6 Comparison of models:. 38 CHAPTER 4: EMPIRICAL RESULTS .1 Construction of Logit models: .1 Comparison of Logit models: .1 Log-likelihood ratio (LR) test: .2 Person Chi-square test:.3 Akaike Information Criterion (AIC): .1 Measurement of Model performance: .2 Importance of independent variables: .1 Research summary and implication: .2 Limitations of the study:. 62 5 TIEU LUAN MOI download : [e-mail] List of tables Table 01 Common variables in previous studies…………………………………………….

23 Table 02 Common methods in previous studies. 26 Table 03 Variables and their definitions…………………………………………….