Nghiên Cứu Ứng Dụng Thuật Toán Học Máy Tăng Cường Cho Bài Toán Chấm Điểm Tín Dụng

Nghiên cứu ứng dụng thuật toán học máy tăng cường trong chấm điểm tín dụng, nâng cao độ chính xác và hiệu quả trong đánh giá rủi ro tài chính.

• Tác giả: Đỗ Văn Tuấn
• Người hướng dẫn: TS. Hồ Văn Lâm
• Trường học: Trường Đại Học Quy Nhơn
• Chuyên ngành: Khoa Học Dữ Liệu Ứng Dụng
• Đề tài: Nghiên Cứu Ứng Dụng Thuật Toán Học Máy Tăng Cường Trong Chấm Điểm Tín Dụng
• Loại tài liệu: Đề Án Thạc Sĩ
• Năm xuất bản: 2023
• Địa điểm: Bình Định

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỞ ĐẦU: TỔNG QUAN VỀ HỌC MÁY VÀ THUẬT TOÁN CATBOOST
• 1. CHƯƠNG 1: TỔNG QUAN VỀ HỌC MÁY VÀ THUẬT TOÁN CATBOOST
• 1.1. Học máy - Machine learning (ML)
• 1.2. Các phương pháp học máy
• 1.2.1. Học có giám sát (Supervised learning)
• 1.2.2. Học không giám sát (Unsupervised learning)
• 1.2.3. Học bán giám sát (Semi-Supervised Learning)
• 1.2.4. Học củng cố/tăng cường (Reinforcement learning)
• 1.3. Cây quyết định - Decision tree (DT)
• 1.3.1. Cấu trúc cây
• 1.3.2. Quyết định tại mỗi nút
• 1.3.3. Phân vùng đệ quy (recursive partitioning)
• 1.3.4. Kiểm soát overfitting
• 1.3.5. Ứng dụng
• 1.4. Học kết hợp - Esemble learning (EL)
• 1.4.1. Bagging (Đóng bao)
• 2. BÀI TOÁN CHẤM ĐIỂM TÍN DỤNG
• 2.1. Các bước thực hiện bài toán
• 2.2. Tìm hiểu nghiệp vụ của bài toán
• 2.3. Quy trình phê duyệt cho vay của ngân hàng
• 2.4. Các nhóm nợ của ngân hàng
• 2.5. Mục đích phân loại nhóm nợ trong hoạt động vay vốn
• 2.6. Hiểu dữ liệu
• 2.7. Chuẩn bị dữ liệu
• 2.8. Loại bỏ các biến không cần thiết và gán nhãn
• 2.9. Chọn các biến để xây dựng mô hình
• 2.10. Xử lý dữ liệu mất cân bằng
• 3. XÂY DỰNG MÔ HÌNH CHO BÀI TOÁN CHẤM ĐIỂM TÍN DỤNG VÀ CÀI ĐẶT THỰC NGHIỆM
• 3.1. Xây dựng mô hình dự đoán
• 3.2. Cài đặt các thư viện
• 3.3. Chia dữ liệu giữa tập train và test
• 3.4. Xây dựng mô hình
• 3.5. Xếp hạng độ quan trọng của các biến
• 3.6. Lưu mô hình CatBoost để triển khai thực tế
• 3.7. Đánh giá mô hình
• 3.8. Triển khai thực tế
• KẾT LUẬN VÀ KIẾN NGHỊ
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Nghiên Cứu Ứng Dụng Thuật Toán Học Máy Tăng Cường

Nghiên cứu ứng dụng thuật toán học máy tăng cường trong chấm điểm tín dụng đang trở thành một xu hướng quan trọng trong lĩnh vực tài chính. Việc áp dụng các phương pháp học máy giúp cải thiện độ chính xác trong việc đánh giá rủi ro tín dụng. Đặc biệt, thuật toán CatBoost đã chứng minh được hiệu quả vượt trội trong việc xử lý dữ liệu không cân bằng và tối ưu hóa mô hình. Nghiên cứu này không chỉ mang lại giá trị cho các ngân hàng mà còn cho các tổ chức tài chính khác.

1.1. Khái Niệm Về Học Máy Tăng Cường

Học máy tăng cường là một lĩnh vực con của trí tuệ nhân tạo, cho phép máy tính tự học từ dữ liệu mà không cần lập trình rõ ràng. Các thuật toán như CatBoost, XGBoost, và LightGBM đã trở thành những công cụ mạnh mẽ trong việc phân tích dữ liệu và dự đoán.

1.2. Lợi Ích Của Việc Ứng Dụng Học Máy Trong Tín Dụng

Việc ứng dụng học máy trong chấm điểm tín dụng giúp giảm thiểu rủi ro và tối ưu hóa quy trình cấp tín dụng. Mô hình dự đoán chính xác có thể hỗ trợ ngân hàng trong việc đưa ra quyết định cho vay hiệu quả hơn.

II. Vấn Đề Trong Chấm Điểm Tín Dụng Hiện Nay

Chấm điểm tín dụng hiện nay gặp nhiều thách thức, đặc biệt là trong việc xử lý dữ liệu không cân bằng. Các mô hình truyền thống thường không đủ khả năng để phân loại chính xác các nhóm nợ khác nhau. Điều này dẫn đến việc ngân hàng có thể đưa ra quyết định sai lầm trong việc cấp tín dụng. Việc áp dụng thuật toán học máy có thể giúp cải thiện tình hình này.

2.1. Thách Thức Về Dữ Liệu Không Cân Bằng

Dữ liệu không cân bằng là một trong những vấn đề lớn trong chấm điểm tín dụng. Các nhóm nợ xấu thường ít hơn so với nhóm nợ tốt, dẫn đến việc mô hình học máy có thể thiên lệch và không chính xác.

2.2. Rủi Ro Tín Dụng Trong Quy Trình Cho Vay

Rủi ro tín dụng là một yếu tố quan trọng mà các ngân hàng phải đối mặt. Việc không đánh giá đúng khả năng thanh toán của khách hàng có thể dẫn đến tổn thất lớn cho ngân hàng.

III. Phương Pháp Xây Dựng Mô Hình Chấm Điểm Tín Dụng

Để xây dựng mô hình chấm điểm tín dụng hiệu quả, cần áp dụng các phương pháp học máy hiện đại. Thuật toán CatBoost được lựa chọn vì khả năng xử lý dữ liệu không cân bằng và tối ưu hóa mô hình. Các bước thực hiện bao gồm thu thập dữ liệu, xử lý dữ liệu và huấn luyện mô hình.

3.1. Quy Trình Thu Thập Và Chuẩn Bị Dữ Liệu

Quy trình này bao gồm việc thu thập dữ liệu từ nhiều nguồn khác nhau, sau đó tiến hành xử lý và chuẩn bị dữ liệu để phù hợp với mô hình học máy. Việc loại bỏ các biến không cần thiết là rất quan trọng.

3.2. Huấn Luyện Mô Hình Với CatBoost

Mô hình được huấn luyện bằng cách sử dụng thuật toán CatBoost, cho phép tối ưu hóa các tham số và cải thiện độ chính xác của dự đoán. Việc đánh giá mô hình cũng cần được thực hiện để đảm bảo hiệu suất.

IV. Ứng Dụng Thực Tiễn Của Mô Hình Chấm Điểm Tín Dụng

Mô hình chấm điểm tín dụng được xây dựng từ thuật toán CatBoost đã được áp dụng thực tế tại nhiều ngân hàng. Kết quả cho thấy mô hình này giúp cải thiện đáng kể độ chính xác trong việc đánh giá khả năng thanh toán của khách hàng. Điều này không chỉ giúp ngân hàng giảm thiểu rủi ro mà còn tối ưu hóa quy trình cấp tín dụng.

4.1. Kết Quả Đánh Giá Mô Hình

Kết quả đánh giá cho thấy mô hình CatBoost có khả năng phân loại chính xác các nhóm nợ, từ đó giúp ngân hàng đưa ra quyết định cho vay hiệu quả hơn.

4.2. Lợi Ích Kinh Tế Từ Việc Ứng Dụng Mô Hình

Việc ứng dụng mô hình chấm điểm tín dụng không chỉ giúp ngân hàng giảm thiểu rủi ro mà còn tiết kiệm chi phí trong quy trình đánh giá khách hàng. Thời gian xử lý hồ sơ vay cũng được rút ngắn đáng kể.

V. Kết Luận Và Tương Lai Của Nghiên Cứu

Nghiên cứu về ứng dụng thuật toán học máy tăng cường trong chấm điểm tín dụng đã mở ra nhiều cơ hội mới cho ngành tài chính. Việc áp dụng các mô hình học máy hiện đại như CatBoost không chỉ giúp cải thiện độ chính xác mà còn tối ưu hóa quy trình cấp tín dụng. Tương lai của nghiên cứu này hứa hẹn sẽ mang lại nhiều giá trị cho các ngân hàng và tổ chức tài chính.

5.1. Hướng Nghiên Cứu Tiếp Theo

Các nghiên cứu tiếp theo có thể tập trung vào việc cải thiện mô hình chấm điểm tín dụng bằng cách áp dụng các thuật toán học máy mới và tối ưu hóa quy trình xử lý dữ liệu.

5.2. Tác Động Đến Ngành Tài Chính

Việc áp dụng học máy trong chấm điểm tín dụng sẽ có tác động lớn đến ngành tài chính, giúp các ngân hàng quản lý rủi ro tốt hơn và tối ưu hóa chiến lược tín dụng.

Nội dung chính

Tổng quan nghiên cứu

Trong hệ thống tài chính ngân hàng hiện đại, rủi ro tín dụng luôn là mối đe dọa thường trực đối với sự ổn định thanh khoản và an toàn vốn. Thống kê từ ngành ngân hàng cho thấy các sai sót trong thẩm định thủ công có thể làm gia tăng tỷ lệ nợ xấu lên hơn 3%, gây tổn thất hàng nghìn tỷ đồng mỗi năm. Phương thức phê duyệt tín dụng truyền thống phụ thuộc lớn vào đánh giá định tính của cán bộ tín dụng, dẫn đến thời gian xử lý hồ sơ kéo dài từ 3 đến 5 ngày làm việc và tiềm ẩn nhiều rủi ro sai lệch khi phân loại mức độ an toàn của người vay.

Đề án tập trung giải quyết bài toán tự động hóa quy trình chấm điểm tín dụng thông qua việc nghiên cứu và ứng dụng thuật toán học máy tăng cường CatBoost. Mục tiêu cụ thể là xây dựng một mô hình phân loại đa lớp có độ chính xác cao, khả năng tổng quát hóa vượt trội và hạn chế tối đa hiện tượng quá khớp dữ liệu, từ đó dự đoán chuẩn xác khả năng thanh toán của khách hàng theo 5 nhóm nợ tiêu chuẩn.

Phạm vi nghiên cứu được triển khai trên tập dữ liệu lịch sử gồm 7.927 khách hàng vay vốn thực tế trong giai đoạn từ tháng 01/2010 đến tháng 12/2018 tại ngân hàng Agribank chi nhánh huyện Phù Cát, tỉnh Bình Định. Nghiên cứu bám sát khung pháp lý của Thông tư số 11/2021/TT-NHNN do Ngân hàng Nhà nước ban hành về phân loại tài sản có và trích lập dự phòng rủi ro.

Ý nghĩa thực tiễn của công trình thể hiện ở việc cắt giảm đến 80% thời gian thẩm định sơ bộ, đồng thời hỗ trợ các tổ chức tín dụng tối ưu hóa tỷ lệ trích lập dự phòng rủi ro từ 0% đến 100% theo đúng từng nhóm nợ, nâng cao hiệu quả quản trị danh mục cho vay.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết học máy có giám sát (Supervised Learning) kết hợp với các kỹ thuật học kết hợp (Ensemble Learning), trọng tâm là phương pháp học tăng cường Gradient Boosting. Thuật toán CatBoost (Categorical Boosting) được lựa chọn làm mô hình hạt nhân nhờ vào cấu trúc cây đối xứng (Symmetric Tree), cho phép phân chia các nút ở cùng một cấp độ theo cùng một điều kiện, qua đó tăng tốc độ tính toán trên phần cứng GPU và hạn chế tối đa nguy cơ quá khớp so với kiến trúc phân nhánh truyền thống.

Khung lý thuyết pháp lý và nghiệp vụ ngân hàng dựa trên quy định phân loại nợ tại Điều 10 và trích lập dự phòng tại Điều 12 của Thông tư số 11/2021/TT-NHNN, phân chia toàn bộ dư nợ thành 5 nhóm riêng biệt: Nhóm 1 (Nợ đủ tiêu chuẩn, trích 0%), Nhóm 2 (Nợ cần chú ý, trích 5%), Nhóm 3 (Nợ dưới tiêu chuẩn, trích 20%), Nhóm 4 (Nợ nghi ngờ, trích 50%), và Nhóm 5 (Nợ có khả năng mất vốn, trích 100%). Để đánh giá hiệu năng mô hình một cách toàn diện, nghiên cứu áp dụng hệ thống độ đo ma trận nhầm lẫn bao gồm độ chính xác tổng thể (Accuracy), độ thu hồi (Recall), độ chính xác phân lớp (Precision), điểm F1-measure và hàm mất mát Logloss.

Phương pháp nghiên cứu

Nguồn dữ liệu ban đầu bao gồm 7.927 bản ghi giao dịch tín dụng lịch sử với 85 trường thông tin chi tiết. Phương pháp chọn mẫu là thu thập toàn bộ dữ liệu thực tế phát sinh trong giai đoạn nghiên cứu 8 năm (2010 - 2018). Phân tích cấu trúc dữ liệu ban đầu cho thấy hiện tượng mất cân bằng nghiêm trọng: Nhóm 1 chiếm tỷ trọng áp đảo lên tới 85,39% (6.769 khách hàng), trong khi Nhóm 2 có 723 khách hàng, Nhóm 3 có 129 khách hàng, Nhóm 4 có 99 khách hàng và Nhóm 5 có 204 khách hàng.

Để khắc phục hiện tượng chênh lệch mẫu làm sai lệch dự đoán của mô hình, nghiên cứu áp dụng kỹ thuật SMOTE (Synthetic Minority Over-sampling Technique) để sinh mẫu tổng hợp cho các nhóm thiểu số, nâng số lượng quan sát của các nhóm từ 2 đến 5 lên mức 3.384 khách hàng mỗi nhóm. Bộ dữ liệu sau làm giàu đạt quy mô 20.305 bản ghi.

Quy trình phân tích dữ liệu áp dụng phương pháp phân tách kiểm thử độc lập (Hold-out Cross Validation) theo tỷ lệ chuẩn 70% dành cho tập huấn luyện (14.213 mẫu) và 30% dành cho tập kiểm tra (6.092 mẫu). Lý do lựa chọn CatBoost làm phương pháp phân tích chính vì thuật toán này sở hữu cơ chế mã hóa tự động các biến phân loại phức tạp mà không làm gia tăng đột biến số chiều không gian đặc trưng, đồng thời hỗ trợ cơ chế dừng sớm (Early Stopping) giúp kiểm soát tối ưu quá trình hội tụ.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình trích xuất và tinh gọn dữ liệu từ 85 trường ban đầu đã xác định được 9 biến đặc trưng có mức độ ảnh hưởng quyết định đến khả năng trả nợ của khách hàng, bao gồm: Nhóm ngày vay, Tên loại khách hàng, Loại hình vay, Thành phần kinh tế, Mã ngành kinh tế cấp 2, Phân kỳ trả lãi, Nhóm số tiền phê duyệt, Nhóm lãi suất và Tỷ lệ bảo đảm. Phân tích tương quan giúp loại bỏ các cặp biến trùng lặp thông tin có hệ số tương quan tuyến tính trên 0,90 như giữa Nhóm nhu cầu vốn và Nhóm số tiền phê duyệt.

Mô hình CatBoost với 1.000 vòng lặp thiết lập ban đầu và tốc độ học tự động 0,4159 đã ghi nhận sự hội tụ lý tưởng. Thuật toán đạt hiệu suất tối ưu tại vòng lặp thứ 853 với giá trị hàm mất mát kiểm thử (bestTest loss) giảm sâu xuống mức 0,5589. Cơ chế Early Stopping tự động kích hoạt giúp ngăn chặn hoàn toàn hiện tượng quá khớp dữ liệu khi huấn luyện trên tập mẫu lớn.

Đánh giá độ quan trọng của các đặc trưng (Feature Importance) chỉ ra rằng biến Phân kỳ trả lãi và Nhóm ngày vay đóng góp tỷ trọng cao nhất vào quyết định phân nhóm nợ của mô hình, tiếp theo là Nhóm số tiền phê duyệt và Nhóm lãi suất. Phân khúc khách hàng cá nhân tham gia vay vốn trung hạn và ngắn hạn chiếm hơn 70% tổng dư nợ và thể hiện mức độ trả nợ đúng hạn cao nhất trong tập dữ liệu.

Thảo luận kết quả

Kết quả phân loại được thể hiện trực quan qua cấu trúc ma trận nhầm lẫn kích thước 5x5 trên tập kiểm tra 6.092 mẫu. Biểu đồ cho thấy tỷ lệ dự đoán chính xác giữa các nhóm nợ có sự đồng đều vượt trội, không còn hiện tượng mô hình chỉ tập trung dự đoán đúng nhóm đa số như trước khi xử lý cân bằng dữ liệu. Biểu đồ nhiệt (Heatmap) thể hiện mối tương quan giữa các biến số giúp làm rõ nguyên nhân các khoản vay có kỳ hạn trả lãi quá dài hoặc tỷ lệ bảo đảm dưới 50% thường có xác suất chuyển dịch sang nợ xấu nhóm 3, 4 và 5 cao hơn gấp 2,5 lần so với các khoản vay thông thường.

So với các nghiên cứu sử dụng thuật toán Random Forest hay XGBoost trên cùng tập dữ liệu ngân hàng, CatBoost thể hiện tốc độ huấn luyện nhanh hơn rõ rệt và tối ưu hóa bộ nhớ tốt hơn khi xử lý các biến danh mục như mã ngành kinh tế gồm 88 phân loại cấp 2. Mô hình cung cấp một công cụ hỗ trợ ra quyết định khoa học, giảm thiểu tối đa các đánh giá chủ quan của cán bộ tín dụng và giúp ngân hàng chủ động xác định chính xác tỷ lệ trích lập dự phòng theo đúng quy chuẩn nhà nước.

Đề xuất và khuyến nghị

Nhằm tối ưu hóa công tác quản trị rủi ro tín dụng tại các ngân hàng thương mại, nghiên cứu đưa ra 4 khuyến nghị trọng tâm:

Thứ nhất, tích hợp mô hình CatBoost đã huấn luyện vào hệ thống phần mềm Core Banking trực tuyến nhằm tự động hóa 100% bước chấm điểm sơ bộ trong quy trình 5 bước phê duyệt cho vay, đặt mục tiêu rút ngắn 75% thời gian thẩm định hồ sơ trong vòng 6 tháng tới do Khối Công nghệ thông tin và Trung tâm Thẩm định tín dụng phối hợp triển khai.

Thứ hai, chuẩn hóa danh mục hồ sơ thu thập đầu vào, tập trung kiểm soát chặt chẽ 9 biến số đặc trưng then chốt và loại bỏ 76 trường dữ liệu dư thừa, nâng cao 20% chất lượng dữ liệu hồ sơ khách hàng định kỳ hàng quý do Phòng Quản trị rủi ro và các Cán bộ tín dụng tại chi nhánh thực hiện.

Thứ ba, thiết lập quy trình tự động tái huấn luyện mô hình (Model Retraining) định kỳ 6 tháng một lần kết hợp thuật toán SMOTE để cập nhật biến động kinh tế vĩ mô, duy trì giá trị hàm mất mát dưới ngưỡng 0,55 do Đội ngũ Kỹ sư Khoa học dữ liệu chịu trách nhiệm giám sát.

Thứ tư, xây dựng hệ thống dashboard giám sát cảnh báo sớm rủi ro chuyển nhóm nợ, đặc biệt là nhóm nợ cần chú ý (nhóm 2 với mức trích 5%) sang các nhóm nợ xấu (nhóm 3 đến 5 với mức trích 20% - 100%), hướng tới mục tiêu kéo giảm 15% tỷ lệ nợ quá hạn trong lộ trình 12 tháng do Ban Điều hành và Khối Quản lý tín dụng thực thi.

Đối tượng nên tham khảo luận văn

Nội dung nghiên cứu mang lại giá trị thiết thực cho 4 nhóm đối tượng chính:

Cán bộ quản trị rủi ro và thẩm định tín dụng tại các ngân hàng thương mại: Nắm vững bộ 9 chỉ số tài chính và phi tài chính cốt lõi ảnh hưởng trực tiếp đến chất lượng nợ, ứng dụng quy trình chấm điểm tự động để loại bỏ cảm tính chủ quan khi xét duyệt hạn mức vay.

Chuyên gia khoa học dữ liệu và kỹ sư AI trong lĩnh vực Fintech: Tham khảo quy trình xây dựng mô hình tăng cường CatBoost hoàn chỉnh, từ bước tiền xử lý 85 trường thông tin thô, kỹ thuật cân bằng dữ liệu SMOTE trên tập mẫu 20.305 quan sát đến cách tinh chỉnh siêu tham số và tối ưu hóa cây đối xứng.

Giảng viên, học viên cao học và sinh viên chuyên ngành Khoa học dữ liệu, Hệ thống thông tin: Sử dụng làm tài liệu tham khảo học thuật chuẩn mực về phương pháp nghiên cứu định lượng, kỹ thuật phân tách kiểm thử dữ liệu 70:30 và đánh giá ma trận nhầm lẫn đa lớp.

Lãnh đạo ngân hàng và các nhà hoạch định chính sách tài chính: Có thêm cơ sở khoa học vững chắc để xây dựng chiến lược trích lập quỹ dự phòng rủi ro tín dụng theo Thông tư 11/2021/TT-NHNN và định hướng đầu tư hạ tầng công nghệ số trong ngân hàng.

Câu hỏi thường gặp

Tại sao nghiên cứu lại lựa chọn thuật toán CatBoost thay vì XGBoost hay LightGBM? CatBoost sở hữu kiến trúc cây đối xứng giúp cân bằng cấu trúc phân nhánh, hỗ trợ xử lý dữ liệu dạng phân loại tự động mà không làm bùng nổ số chiều. Thực nghiệm với 1.000 vòng lặp cho thấy CatBoost đạt điểm dừng tối ưu tại vòng lặp 853 với hàm mất mát 0,5589, mang lại độ ổn định cao hơn hẳn trên tập kiểm thử 6.092 mẫu.

Dữ liệu lịch sử bị mất cân bằng nhóm nợ nghiêm trọng được xử lý như thế nào? Dữ liệu gốc có 85,39% mẫu thuộc nhóm nợ 1 trong khi nhóm nợ 4 chỉ có 99 mẫu. Đề án đã sử dụng thuật toán SMOTE để tạo mẫu nội suy nhân tạo cho 4 nhóm nợ thiểu số, nâng số lượng mỗi nhóm lên 3.384 bản ghi, tạo ra tập dữ liệu 20.305 quan sát cân bằng hoàn chỉnh trước khi huấn luyện.

Những yếu tố nào tác động mạnh nhất đến việc phân loại nhóm nợ của khách hàng? Phân tích độ quan trọng thuộc tính xác định 4 yếu tố then chốt gồm: Phân kỳ trả lãi, Nhóm ngày vay, Nhóm số tiền phê duyệt và Nhóm lãi suất. Các thông tin định danh như họ tên, mã hợp đồng hay địa chỉ không mang ý nghĩa dự báo và đã được loại bỏ hoàn toàn khỏi mô hình.

Mô hình hỗ trợ công tác trích lập dự phòng rủi ro của ngân hàng ra sao? Mô hình dự báo chính xác 5 nhóm nợ theo Thông tư số 11/2021/TT-NHNN, gắn liền với các tỷ lệ trích lập dự phòng bắt buộc: nhóm 1 (0%), nhóm 2 (5%), nhóm 3 (20%), nhóm 4 (50%) và nhóm 5 (100%), giúp ngân hàng cân đối chính xác nguồn vốn dự phòng rủi ro hàng kỳ.

Mô hình được chuyển giao và triển khai thực tế như thế nào? Mô hình sau khi đạt hiệu suất cao nhất được đóng gói và tích hợp vào hệ thống giao diện web dành riêng cho cán bộ tín dụng. Người dùng chỉ cần nhập 9 thông số hồ sơ để nhận kết quả phân nhóm nợ tự động trong thời gian dưới 1 giây.

Kết luận

• Chuẩn hóa thành công tập dữ liệu 7.927 hồ sơ khách hàng tại Agribank Phù Cát, tinh gọn từ 85 trường ban đầu xuống 9 biến đặc trưng then chốt nhất.
• Giải quyết triệt để bài toán mất cân bằng dữ liệu bằng kỹ thuật SMOTE, mở rộng quy mô dữ liệu huấn luyện và kiểm thử lên 20.305 bản ghi.
• Ứng dụng xuất sắc thuật toán CatBoost với cấu trúc cây đối xứng, đạt giá trị hàm mất mát tối ưu 0,5589 tại vòng lặp thứ 853 trên tập kiểm thử 6.092 mẫu.
• Tự động hóa chính xác quy trình phân loại 5 nhóm nợ và hỗ trợ tính toán tỷ lệ trích lập dự phòng rủi ro từ 0% đến 100% theo Thông tư 11/2021/TT-NHNN.
• Kế hoạch trong 12 tháng tới sẽ mở rộng mô hình trên tập dữ liệu đa chi nhánh toàn quốc và tích hợp thêm các nguồn dữ liệu lớn phi tài chính.

Hãy áp dụng ngay các giải pháp học máy tăng cường tiên tiến từ công trình nghiên cứu này để nâng tầm hệ thống quản trị rủi ro tín dụng và tối ưu hóa hiệu quả phê duyệt khoản vay cho tổ chức của bạn!