Luận văn thạc sĩ ueh construct credit scoring models using logistic regression neural network and the hybrid model

Luận văn thạc sĩ nghiên cứu ueh construct credit scoring models using logistic regression neural network and the hybrid model, khảo sát thực trạng, phân tích nguyên nhân, đề xuất

• Tác giả: Le Minh Tien
• Người hướng dẫn: Dr. Pham Dinh Long
• Trường học: University Of Economics Institute Of Social Studies
• Chuyên ngành: Development Economics
• Đề tài: Construct Credit Scoring Models Using Logistic Regression, Neural Network And The Hybrid Model
• Loại tài liệu: Thesis
• Năm xuất bản: 2015
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• 1. CHƯƠNG 1: INTRODUCTION
• 2. CHƯƠNG 2: LITERATURE REVIEW
• 4. CHƯƠNG 4: EMPIRICAL RESULTS

Tóm tắt

I. Tổng Quan Về Mô Hình Đánh Giá Tín Dụng Hiện Nay

Mô hình đánh giá tín dụng là một công cụ quan trọng trong lĩnh vực tài chính, giúp các tổ chức tín dụng xác định khả năng trả nợ của khách hàng. Trong bối cảnh kinh tế Việt Nam, việc áp dụng các mô hình này trở nên cần thiết hơn bao giờ hết. Các mô hình như hồi quy logistic, mạng nơ-ron và mô hình kết hợp đã được nghiên cứu và áp dụng để cải thiện độ chính xác trong việc đánh giá rủi ro tín dụng. Nghiên cứu này sẽ phân tích các phương pháp khác nhau và hiệu quả của chúng trong việc xây dựng mô hình đánh giá tín dụng.

1.1. Khái Niệm Về Mô Hình Đánh Giá Tín Dụng

Mô hình đánh giá tín dụng là một phương pháp thống kê giúp các tổ chức tài chính phân loại khách hàng dựa trên khả năng trả nợ. Các yếu tố như tuổi tác, trình độ học vấn và tình trạng hôn nhân thường được sử dụng để xây dựng mô hình này.

1.2. Tầm Quan Trọng Của Mô Hình Đánh Giá Tín Dụng

Mô hình đánh giá tín dụng không chỉ giúp các ngân hàng giảm thiểu rủi ro mà còn cải thiện quy trình ra quyết định cho vay. Việc áp dụng mô hình này giúp tăng cường hiệu quả trong việc phân tích và đánh giá khách hàng.

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

Mặc dù mô hình đánh giá tín dụng mang lại nhiều lợi ích, nhưng vẫn tồn tại một số thách thức trong quá trình xây dựng và áp dụng. Các vấn đề như chất lượng dữ liệu, sự thay đổi trong hành vi của khách hàng và sự phức tạp của các mô hình có thể ảnh hưởng đến độ chính xác của kết quả.

2.1. Vấn Đề Chất Lượng Dữ Liệu

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, điều này đặt ra thách thức cho các mô hình đánh giá tín dụng. Các mô hình cần được cập nhật thường xuyên để phản ánh đúng thực tế.

III. Phương Pháp Hồi Quy Logistic Trong Đánh Giá Tín Dụng

Hồi quy logistic là một trong những phương pháp phổ biến nhất trong việc xây dựng mô hình đánh giá tín dụng. Phương pháp này cho phép phân loại khách hàng thành hai nhóm: có khả năng trả nợ và không có khả năng trả nợ. Hồi quy logistic sử dụng các biến độc lập để dự đoán xác suất của biến phụ thuộc.

3.1. Nguyên Tắc Hoạt Động Của Hồi Quy Logistic

Hồi quy logistic sử dụng hàm logistic để chuyển đổi giá trị đầu vào thành xác suất. Điều này giúp các tổ chức tài chính dễ dàng phân loại khách hàng dựa trên khả năng trả nợ.

3.2. Ưu Điểm Của Hồi Quy Logistic

Phương pháp này dễ hiểu và dễ áp dụng, đồng thời cung cấp các thông số có thể giải thích được, giúp các nhà phân tích đưa ra quyết định chính xác hơn.

IV. Mạng Nơ Ron Trong Đánh Giá Tín Dụng Một Giải Pháp Tiên Tiến

Mạng nơ-ron là một phương pháp học máy mạnh mẽ, có khả năng xử lý và phân tích dữ liệu phức tạp. Trong lĩnh vực đánh giá tín dụng, mạng nơ-ron có thể cải thiện độ chính xác của mô hình bằng cách học từ các mẫu dữ liệu lớn.

4.1. Cấu Trúc Của Mạng Nơ Ron

Mạng nơ-ron bao gồm nhiều lớp nơ-ron, mỗi lớp thực hiện các phép toán khác nhau để tối ưu hóa kết quả. Điều này cho phép mạng nơ-ron học hỏi từ dữ liệu một cách hiệu quả.

4.2. Lợi Ích Của Mạng Nơ Ron Trong Đánh Giá Tín Dụng

Mạng nơ-ron có khả năng phát hiện các mẫu phức tạp trong dữ liệu, giúp cải thiện độ chính xác trong việc dự đoán khả năng trả nợ của khách hàng.

V. Mô Hình Kết Hợp Giải Pháp Tối Ưu Cho Đánh Giá Tín Dụng

Mô hình kết hợp là sự kết hợp giữa hồi quy logistic và mạng nơ-ron, nhằm tận dụng ưu điểm của cả hai phương pháp. Mô hình này có thể cung cấp độ chính xác cao hơn trong việc đánh giá rủi ro tín dụng.

5.1. Nguyên Tắc Hoạt Động Của Mô Hình Kết Hợp

Mô hình kết hợp sử dụng hồi quy logistic để xác định các yếu tố quan trọng và mạng nơ-ron để tối ưu hóa dự đoán. Điều này giúp cải thiện độ chính xác và độ tin cậy của mô hình.

5.2. Kết Quả Nghiên Cứu Về Mô Hình Kết Hợp

Nghiên cứu cho thấy mô hình kết hợp có hiệu suất tốt hơn so với các mô hình riêng lẻ, giúp các tổ chức tài chính đưa ra quyết định cho vay chính xác hơn.

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 trong tương lai. Việc áp dụng công nghệ mới và các phương pháp phân tích tiên tiến sẽ giúp nâng cao độ chính xác và hiệu quả trong việc đánh giá rủi ro tín dụng.

6.1. Xu Hướng Phát Triển Trong Lĩnh Vực Đánh Giá Tín Dụng

Các công nghệ mới 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, giúp cải thiện độ chính xác và giảm thiểu rủi ro.

6.2. Tầm Quan Trọng Của Việc Cập Nhật Mô Hình

Việc cập nhật và điều chỉnh các mô hình đánh giá tín dụng là rất quan trọng để phản ánh đúng thực tế và đảm bảo tính chính xác trong các quyết định cho vay.

Nội dung chính

Tổng quan nghiên cứu

Trong giai đoạn 2007–2014, bức tranh kinh tế vĩ mô Việt Nam chứng kiến sự sụt giảm mạnh mẽ của tốc độ tăng trưởng tín dụng từ 53,89% năm 2007 xuống còn 11,80% năm 2014, với mức thấp kỷ lục 8,91% được ghi nhận vào năm 2012. Đi kèm với xu hướng này là sự gia tăng áp lực nợ xấu trong toàn hệ thống ngân hàng thương mại, tăng từ 2,00% năm 2007 lên đỉnh điểm 4,08% năm 2012 và duy trì ở mức 3,25% vào năm 2014 theo báo cáo thường niên của Ngân hàng Nhà nước Việt Nam. Tình trạng này đặt các tổ chức tín dụng vào thế lưỡng nan: vừa phải kiểm soát chặt chẽ rủi ro mất vốn, vừa phải tìm kiếm động lực tăng trưởng từ phân khúc bán lẻ trong bối cảnh thị trường 90 triệu dân với tỷ lệ dân số trẻ đầy tiềm năng.

Vấn đề nghiên cứu trọng tâm đặt ra là phương pháp thẩm định định tính truyền thống (judgmental analysis) mang nặng tính chủ quan, tốn nhiều chi phí vận hành và không đáp ứng kịp tốc độ mở rộng quy mô tín dụng cá nhân. Nhằm giải quyết thách thức trên, luận văn hướng tới mục tiêu xây dựng và so sánh hiệu quả dự báo khả năng thanh toán nợ của ba kỹ thuật phân tích định lượng: Hồi quy Logistic (Logistic Regression), Mạng nơ-ron nhân tạo (Artificial Neural Network) và Mô hình lai (Hybrid Model).

Phạm vi nghiên cứu được thực hiện trên mẫu dữ liệu gồm 690 khách hàng cá nhân vay vốn trong năm 2012 tại 6 chi nhánh của Ngân hàng TMCP Quân đội (MBBank) trên địa bàn Thành phố Hồ Chí Minh, theo dõi trạng thái tín dụng đến hết ngày 31/12/2013. Kết quả nghiên cứu mang ý nghĩa thực tiễn sâu sắc khi cung cấp công cụ tự động hóa quá trình phân loại người vay, giúp giảm thiểu sai lầm loại II (cấp tín dụng cho khách hàng xấu) và tối ưu hóa tỷ lệ an toàn vốn cho các ngân hàng thương mại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng Lý thuyết thông tin bất đối xứng (Asymmetric Information Theory) trong thị trường tín dụng, kết hợp cùng Khung phân tích rủi ro vỡ nợ người vay (Default Risk Analysis) và Mô hình chấm điểm tín dụng hiện đại (Credit Scoring Models) được hệ thống hóa bởi Mester (1997) và Hand & Henley (1997). Hệ thống khái niệm cốt lõi trong nghiên cứu bao gồm:

• Chấm điểm tín dụng (Credit Scoring): Kỹ thuật thống kê lượng hóa các đặc điểm nhân khẩu học và tài chính thành điểm số rủi ro cụ thể nhằm dự báo xác suất khách hàng không hoàn trả nợ đúng hạn.
• Tỷ số chênh (Odds Ratio) và Giá trị thông tin (Information Value - IV): Thước đo năng lực phân tách giữa nhóm khách hàng tốt và khách hàng xấu của từng biến số độc lập; giá trị IV trên 0,20 phản ánh biến số có sức mạnh phân loại mạnh mẽ.
• Chuẩn phân loại nợ xấu Basel II: Tiêu chuẩn xác định người vay rơi vào trạng thái nợ xấu khi phát sinh nghĩa vụ thanh toán quá hạn trên 90 ngày.
• Sai lầm loại I (Good rejected) và Sai lầm loại II (Bad accepted): Hai chỉ báo đo lường rủi ro mô hình, trong đó sai lầm loại II gây thiệt hại tài chính trực tiếp và nặng nề nhất cho ngân hàng.

Phương pháp nghiên cứu

Nguồn dữ liệu sơ cấp được trích xuất từ hồ sơ vay vốn thực tế của 690 khách hàng cá nhân tại MBBank. Quy trình chọn mẫu áp dụng phương pháp lấy mẫu ngẫu nhiên phân tầng (Stratified Random Sampling) tại 6 chi nhánh khu vực Thành phố Hồ Chí Minh, với quy mô đồng đều 115 khách hàng trên mỗi chi nhánh nhằm đảm bảo cơ cấu mẫu đại diện gồm khoảng 35,65% khách hàng nợ xấu (246 quan sát) và 64,35% khách hàng tốt (444 quan sát).

Về phương pháp phân tích, tác giả kết hợp phương pháp tham số (Hồi quy Logistic) và phi tham số (Mạng nơ-ron nhân tạo lan truyền ngược - Back Propagation Neural Network), cùng Mô hình lai 2 bước theo đề xuất của Koh và cộng sự (2006). Lý do lựa chọn Hồi quy Logistic xuất phát từ khả năng giải thích rõ ràng trọng số hệ số hồi quy của các biến độc lập mà không đòi hỏi giả định khắt khe về phân phối chuẩn đa biến. Mạng nơ-ron nhân tạo được lựa chọn nhằm khai thác triệt để mối quan hệ phi tuyến tính phức tạp giữa các thuộc tính khách hàng.

Đặc biệt, Mô hình lai 2 bước được ứng dụng nhằm phát huy thế mạnh của cả hai kỹ thuật: Giai đoạn 1 sử dụng Hồi quy Logistic để sàng lọc các biến có ý nghĩa thống kê cao, loại bỏ hiện tượng đa cộng tuyến; Giai đoạn 2 chuyển các biến đã chọn làm đầu vào cho Mạng nơ-ron nhằm triệt tiêu hiện tượng quá khớp (over-fitting). Chất lượng mô hình được kiểm định nghiêm ngặt qua Kiểm định tỷ số hợp lý (Log-likelihood Ratio - LR test với giá trị log-likelihood đạt -273,00), kiểm định Chi-bình phương Pearson và Tiêu chuẩn thông tin Akaike (AIC). Toàn bộ chu kỳ theo dõi dữ liệu thực nghiệm kéo dài từ tháng 1/2012 đến tháng 12/2013.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình xử lý dữ liệu và ước lượng mô hình đã chỉ ra những phát hiện thực nghiệm mang tính then chốt:

• Tỷ lệ phân bổ rủi ro theo độ tuổi: Nhóm khách hàng trẻ tuổi từ 30 tuổi trở xuống có tỷ lệ nợ xấu lên tới 57,14% (84/147 khách hàng), trong khi nhóm khách hàng trên 40 tuổi có tỷ lệ nợ xấu giảm mạnh xuống chỉ còn 23,53% (52/221 khách hàng), tương đương mức chênh lệch rủi ro lên đến 33,61%.
• Mối liên hệ giữa học vấn và khả năng hoàn trả: Khách hàng có trình độ từ Đại học trở lên ghi nhận tỷ lệ nợ xấu ở mức thấp 22,63% (105/464 khách hàng), trái ngược hoàn toàn với nhóm trình độ Cao đẳng trở xuống có tỷ lệ vỡ nợ lên tới 62,39% (141/226 khách hàng), tạo khoảng cách chênh lệch xấp xỉ 39,76%.
• Tác động của vị thế nghề nghiệp và tình trạng cư trú: Khách hàng kinh doanh tự do chịu rủi ro vỡ nợ cao nhất với tỷ lệ 68,36% (121/177 khách hàng), so với tỷ lệ chỉ 12,57% ở nhóm cấp quản lý (23/183 khách hàng). Tương tự, người sở hữu nhà riêng có tỷ lệ nợ xấu là 26,11%, thấp hơn đáng kể so với nhóm thuê nhà (56,99%) và ở cùng gia đình (62,14%).
• Tính vô hiệu của yếu tố giới tính: Giới tính không có ý nghĩa thống kê trong việc phân định rủi ro (tỷ lệ nợ xấu ở nam giới là 36,99% so với 33,89% ở nữ giới, giá trị IV < 0,01 và p-value > 0,10), cho thấy không có sự khác biệt rõ rệt về năng lực trả nợ giữa hai giới.

Thảo luận kết quả

Nguyên nhân của việc khách hàng trẻ tuổi và người kinh doanh tự do có tỷ lệ trễ hạn cao bắt nguồn từ dòng tiền thu nhập chưa thực sự ổn định, áp lực chi phí sinh hoạt cao và thói quen quản trị tài chính cá nhân chưa hoàn thiện. Ngược lại, người có trình độ học vấn cao và giữ vị trí quản lý thường có thu nhập tích lũy bền vững, tính kỷ luật thanh toán cao và ý thức bảo toàn uy tín tín dụng cá nhân. Kết quả này hoàn toàn nhất quán với các nghiên cứu quốc tế của Steenackers & Goovaerts (1989), Dunn & Kim (1999) và Agarwal và cộng sự (2009).

Khi trình bày trên biểu đồ phân bổ tần số và bảng ma trận phân loại (Classification Table), dữ liệu cho thấy sự phân hóa sắc nét giữa các nhóm biến số. Mô hình lai (Hybrid Model) chứng minh sự vượt trội toàn diện với khả năng cân bằng giữa độ chính xác tổng thể và việc kiểm soát sai lầm loại II ở mức thấp nhất so với các mô hình thành phần độc lập. Điều này khẳng định việc lọc biến bằng Hồi quy Logistic trước khi huấn luyện Mạng nơ-ron giúp thuật toán tập trung vào các tín hiệu dự báo có giá trị thông tin cao (như Loại hình công việc với IV = 0,87895; Tình trạng cư trú với IV = 0,43025; Độ tuổi với IV = 0,31077).

Đề xuất và khuyến nghị

• Tích hợp Mô hình lai vào quy trình xét duyệt tín dụng bán lẻ tự động: Ban Giám đốc Khối Quản trị Rủi ro cùng Trung tâm Công nghệ Thông tin cần triển khai thuật toán lai (Logistic Regression kết hợp Mạng nơ-ron lan truyền ngược) vào hệ thống LOS (Loan Origination System), hướng tới mục tiêu rút ngắn thời gian xử lý hồ sơ từ 48 giờ xuống dưới 4 giờ làm việc trong thời gian 6 tháng tới.
• Phân khúc sản phẩm và định giá lãi suất theo điểm số rủi ro: Khối Khách hàng Cá nhân cần ban hành biểu lãi suất ưu đãi giảm từ 1,0% đến 2,0%/năm đối với nhóm khách hàng có xác suất trả nợ cao (trên 30 tuổi, học vấn đại học, làm việc trên 4 năm tại đơn vị hiện tại), áp dụng ngay trong quý 1 nhằm mở rộng thị phần tín dụng an toàn.
• Siết chặt thẩm định và bổ sung điều kiện bảo đảm đối với phân khúc rủi ro cao: Phòng Thẩm định Tín dụng cần tăng cường quy trình kiểm tra thực địa, yêu cầu bổ sung người đồng trả nợ hoặc tài sản bảo đảm đối với người vay kinh doanh tự do hoặc thời gian cư trú dưới 4 năm, đặt mục tiêu kéo giảm tỷ lệ nợ xấu của nhóm này xuống dưới 20% trong vòng 12 tháng.
• Xây dựng cơ chế tái hiệu chuẩn trọng số mô hình định kỳ: Bộ phận Phân tích Dữ liệu Rủi ro chịu trách nhiệm cập nhật lại tập trọng số của mạng nơ-ron với chu kỳ 6 tháng một lần dựa trên dữ liệu thanh toán mới phát sinh, duy trì hệ số phân định diện tích dưới đường cong ROC luôn đạt trên 85%.

Đối tượng nên tham khảo luận văn

• Cán bộ quản lý và chuyên viên thẩm định rủi ro tín dụng tại các ngân hàng thương mại: Tham khảo phương pháp xây dựng thẻ điểm tín dụng thực tế, nâng cao độ chính xác trong phân loại khách hàng và giảm thiểu tổn thất tín dụng.
• Chuyên gia phân tích dữ liệu tài chính (Data Scientists) và chuyên viên công nghệ ngân hàng (Fintech): Ứng dụng quy trình tích hợp mô hình kinh tế lượng truyền thống với mạng nơ-ron nhân tạo để xử lý các bài toán phân loại nhị phân phức tạp.
• Giảng viên, nghiên cứu sinh và học viên cao học chuyên ngành Kinh tế, Tài chính - Ngân hàng: Sử dụng làm tài liệu tham khảo mẫu mực về quy trình kiểm định kinh tế lượng (LR test, Chi-square, AIC) và kỹ thuật phân tích giá trị thông tin (Information Value).
• Cơ quan thanh tra, giám sát ngân hàng và các tổ chức xếp hạng tín nhiệm: Khai thác các phát hiện thực nghiệm để tham mưu hoàn thiện các quy định về quản trị rủi ro tín dụng cá nhân tiệm cận chuẩn mực quốc tế Basel II.

Câu hỏi thường gặp

Mô hình lai (Hybrid Model) mang lại ưu thế vượt trội gì so với Hồi quy Logistic đơn lẻ? Mô hình lai kết hợp năng lực sàng lọc biến có ý nghĩa thống kê của Hồi quy Logistic với khả năng học mối quan hệ phi tuyến tính phức tạp của Mạng nơ-ron nhân tạo. Nhờ đó, mô hình giảm thiểu hiện tượng quá khớp (over-fitting) và tối ưu hóa độ chính xác phân loại, đặc biệt là giảm thiểu sai lầm loại II vốn gây thiệt hại vốn trực tiếp cho ngân hàng.

Những biến số nhân khẩu học nào có sức mạnh giải thích cao nhất đối với rủi ro vỡ nợ? Kết quả kiểm định chỉ ra rằng Loại hình công việc (IV = 0,87895), Tình trạng nơi ở hiện tại (IV = 0,43025), Độ tuổi (IV = 0,31077) và Trình độ học vấn là các biến số có tác động mạnh nhất. Người vay làm vị trí quản lý, có nhà riêng và trên 30 tuổi có tỷ lệ nợ xấu thấp hơn từ 30% đến 50% so với các nhóm đối chiếu.

Tại sao biến số giới tính lại bị loại bỏ trong mô hình chấm điểm tín dụng cuối cùng? Kiểm định tỷ số hợp lý (LR test) và hệ số giá trị thông tin (IV < 0,01) cho thấy sự khác biệt về tỷ lệ nợ xấu giữa nam giới (36,99%) và nữ giới (33,89%) hoàn toàn không có ý nghĩa thống kê. Việc loại bỏ biến giới tính vừa giúp mô hình tinh gọn, vừa tránh được các vi phạm về bình đẳng giới trong hoạt động cấp tín dụng.

Nghiên cứu áp dụng tiêu chuẩn nào để phân định một khoản vay là nợ xấu? Luận văn áp dụng chuẩn mực kế toán và quản trị rủi ro quốc tế Basel II. Cụ thể, biến phụ thuộc được mã hóa nhị phân: giá trị 1 (nợ xấu) tương ứng với các khoản nợ có thời gian chậm thanh toán nghĩa vụ gốc hoặc lãi vượt quá 90 ngày; giá trị 0 (khách hàng tốt) tương ứng với các khoản vay thanh toán đầy đủ, đúng hạn.

Quy mô mẫu 690 quan sát tại MBBank có đảm bảo độ tin cậy khoa học không? Quy mô 690 hồ sơ thu thập từ 6 chi nhánh với tỷ lệ phân bổ nợ xấu 35,65% hoàn toàn thỏa mãn các tiêu chuẩn thống kê thực nghiệm trong xây dựng mô hình tín dụng tiêu dùng (thường yêu cầu từ 300 đến 1.000 quan sát). Mẫu dữ liệu phản ánh chính xác đặc thù tài chính của phân khúc bán lẻ tại đô thị lớn.

Kết luận

• Luận văn đã chứng minh tính hiệu quả vượt bậc của Mô hình lai (Hybrid Model) kết hợp giữa Hồi quy Logistic và Mạng nơ-ron nhân tạo trong việc nâng cao độ chính xác dự báo rủi ro tín dụng cá nhân.
• Xác định rõ nét nhóm thuộc tính quyết định khả năng trả nợ gồm: Độ tuổi, Học vấn, Tình trạng nơi ở, Loại hình công việc và Lịch sử tín dụng; đồng thời loại bỏ yếu tố giới tính do không đạt ý nghĩa thống kê.
• Đóng góp nguồn bằng chứng thực nghiệm giá trị từ 690 hồ sơ tín dụng tại MBBank trong giai đoạn thị trường tài chính đối mặt với tỷ lệ nợ xấu hệ thống tăng cao kỷ lục 4,08%.
• Đưa ra hệ thống giải pháp toàn diện bao gồm: tự động hóa quy trình thẩm định, phân tầng lãi suất theo điểm số rủi ro và thiết lập cơ chế tái hiệu chuẩn tham số định kỳ 6 tháng.
• Cung cấp khung phương pháp luận chuẩn mực giúp các tổ chức tín dụng chuyển dịch thành công từ cơ chế thẩm định cảm tính sang hệ thống chấm điểm định lượng hiện đại.

Các tổ chức tài chính và nhà nghiên cứu quan tâm nên tiến hành số hóa nguồn dữ liệu lịch sử tín dụng và thử nghiệm ngay quy trình xây dựng Mô hình lai để nâng cao năng lực cạnh tranh và đảm bảo an toàn hệ thống tín dụng bán lẻ.

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 LUAN VAN CHAT LUONG download : add [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 LUAN VAN CHAT LUONG download : add [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 LUAN VAN CHAT LUONG download : add [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 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.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 LUAN VAN CHAT LUONG download : add [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…………………………………………….27 Table 04 Summary of selected variables in logit models…………………………………… 50 Table 05 Log-likelihood ratio (LR) test…. 50 Table 06 Person Chi-square test result……………………………………………………… 51 Table 07 Akaike Information Criterion (AIC) result………………………………………. 51 Table 08 Classification table of logit models……………………………………………….

51 Table 09 Summary logit model comparison………………………………………………… 52 Table 10 Neural network model summary…………………………………………………. 53 Table 11 Classification of Neural network model…………………………………………. 53 Table 12 Importance of independent variables of Neural network model………………. 54 Table 13 Hybrid model 1 summary………………………………………………………….55 Table 14 Classification of Hybrid model 1………………………………………………….

55 Table 15 Hybrid model 2 summary………………………………………………………….56 Table 16 Classification of Hybrid model 2…………………………………………………. 56 Table 17 Selected model summary…………………………………………………………. 57 Table 18 Correlation Matrix……. 65 Table 19 Collinearity Test……….

66 Table 20 Results of logit model 1. 66 Table 21 Results of logit model 2. 67 Table 22 Results of logit model 3. 68 Table 23 Results of Neural network model……………………………………………….

72 Table 24 Results of Hybrid model 1. 74 Table 25 Results of Hybrid model 2…. 78 6 LUAN VAN CHAT LUONG download : add [e-mail] Table 26 Summary of Information value of variables ………. 81 List of figures Figure 01Viet Nam credit growth in 2006-2014…………………………………………… 09 Figure 02 Non performing loan ratio in 2006-2014……………………………………….

10 Figure 03 Steps to construct Credit scoring model………………………………………… 30 Figure 04 Processing information in an Artificial Neuron………………………………… 34 Figure 05 Neural network with one hidden layer…………………………………………. 34 Figure 06 Example of Summation function………………………………………………… 35 Figure 07 Example of Sigmoid function of ANN…………………………………………… 36 Figure 08 Back propagation algorithm of single neuron…………………………………. 37 Figure 09 Ratio of good/bad customer of dataset…………………………………………. 40 Figure 10 Ratio of good/bad customer base on age of customer………………………….

41 Figure 11 Ratio of good/bad customer base on Current living status……………………. 42 Figure 12 Ratio of good/bad customer base on Education level…………………………. 43 Figure 13 Ratio of good/bad customer base on Gender…………………………………… 44 Figure 14 Ratio of good/bad customer base on Marital status…………………………… 44 Figure 15 Ratio of good/bad customer base on Living time at current place…………… 45 Figure 16 Ratio of good/bad customer base on Type of job………………………….…… 45 Figure 17 Ratio of good/bad customer base on Working time in present job…………… 46 Figure 18 Ratio of good/bad customer base on Working time in current field…. 47 Figure 19 Ratio of good/bad customer base on Number of dependent people…………… 48 Figure 20 Ratio of good/bad customer base on Historical payment ……….…………… 48 7 LUAN VAN CHAT LUONG download : add [e-mail] CHAPTER 1: INTRODUCTION In 2007, The Financial Crisis began from United States (US) by a decisive decline of home prices, then affected entire the economy and spread through the world economy.

A cut deep into demand all over the world made Viet Nam economy facing many difficulties in export sector in this time. Enterprises have to narrow down their operations result in the credit growth of the banking system has slowed down in the recent period. Viet Nam credit growth in 2006-2014 60% 53,89% 50% 40% 37,53% 30% 31,19% 25,44% 25,43% 20% 12,51% 12,00% 10% 11,80% 8,91% 0% 2006 2007 2008 2009 2010 2011 2012 2013 2014 -10% Figure 01: Viet Nam credit growth in 2006-2014 Source: The State Bank of Vietnam’s annual report 2006-2014. Banks are afraid of losing their capital because of existing difficulties of the economy while the sign of economic recovery is still very weak, thus they are careful in making their lending decisions.

Economists forecast this situation would still continue in the next few years. To survive and develop in this period, some economists suggested that, in the coming period, the retail banking segment will be the alternative strategy could help Banks developing their businesses and maybe is the key growth because Viet Nam has a market size of 90 million people (with a high proportion of young people) which will generate opportunities for Banks to expand their services to help consumers increasing asset value and better businesses management as well as carry out daily payment activities. Viet Nam with some typical characteristics of low- income developing country such as dynamic young population, rising income and desire to 8 LUAN VAN CHAT LUONG download : add [e-mail] improve the quality and lifestyle will be a great potential for the retail banking development. To take advantage of this opportunity, Banks have to improve procedure system to make it more convenient and better risk management to develop this new segment.

Non performing loan ratio in 2006- 2014 5% 4% 4,08% 3,79% 3,60% 3,25% 3% 2,66% 2,40% 2% 2,14% 2,18% 2% 1% 0% 2006 2007 2008 2009 2010 2011 2012 2013 2014 Figure 02: Non performing loan ratio in 2006-2014 Source: The State Bank of Vietnam’s annual report 2006-2014. Credit scoring model is a useful tool that was first introduced in 1940, and developed rapidly over the last two decades. This is a statistical technique that helping banks or lending institutions predicting the probability of a customer can pay back the loan on time or not (Mester, 1997). This model enables banks and financial institutions classifying and evaluating easily and quickly customer’s risks to make lending decisions faster and more accurate than judgmental system.

This paper will build up credit scoring model by using different techniques such as logistic regression, neural network and a hybrid model of them to find out the suitable one and give some implications to assess customer’s risk. Research questions and objectives: This study aim to build up credit scoring model by using three different techniques such as logistic regression, neural network and a hybrid model of them to identify which characteristics 9 LUAN VAN CHAT LUONG download : add [e-mail] of customer will affect their default probability; then comparing the performance between models and finding the best one. The results of this study will answer this below questions:  Which characteristics of customer can be used to identify that customer can pay back the loan or not ?  Find out the better technique to construct credit scoring model in this study. Scope of this study: In order to conduct this study, the collected sample of this study will comprise personal information of 690 customers of MBBank that has had a loan with this bank within the year of 2012.

And the status of their loans (default/delinquent or good) will be recorded at the end of 2013. The personal information of customers will contain their own characteristics such as: gender, 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. Structure of this study: The first chapter of this study mentions the reason of conducting the study, research questions and objecitives. In the second chapter, this study will present an overview relating to credit scoring model, then mentions the independent variables that are commonly used and the preferred method mostly applied to construct a credit scoring model.

Details of the independent variables were used in the research such as the meaning of each variable, assumptions of these variables and the steps that constructed models also was contained in the third chapter. The first part of the fourth chapter will present an overview related to the dataset was used in this study and illustrate initial aspects about the relationship between the independent variables and the dependent variable. The second part of the fourth chapter will focus on outlining the steps taken to construct and select final credit scoring model. Findings, implications and limitations of this study will be discussed in the last chapter.

10 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.