Tổng quan nghiên cứu

Trong cấu trúc tài chính của các ngân hàng thương mại, hoạt động cấp tín dụng luôn đóng vai trò huyết mạch khi chiếm hơn 70% tổng tài sản sinh lời và đóng góp trên 60% tổng nguồn thu nhập. Tuy nhiên, đi kèm với lợi nhuận kỳ vọng là nguy cơ tiềm ẩn từ rủi ro tín dụng. Sự biến động kinh tế toàn cầu từ cuộc khủng hoảng tài chính năm 2008 đã dẫn đến sự sụp đổ của ít nhất 42 ngân hàng tại Mỹ, tạo nên bài học đắt giá về việc kiểm soát an toàn vốn và quản trị danh mục cho vay.

Tại Việt Nam, Ngân hàng Thương mại Cổ phần Sài Gòn – Hà Nội (SHB) Chi nhánh Thái Nguyên liên tục mở rộng quy mô kinh doanh với mục tiêu tăng trưởng nguồn vốn huy động bình quân đạt 20% mỗi năm. Tốc độ gia tăng dư nợ nhanh chóng đòi hỏi ngân hàng phải nâng cao năng lực kiểm soát chất lượng tín dụng, giảm thiểu tình trạng thông tin bất cân xứng giữa tổ chức cấp tín dụng và khách hàng vay vốn. Vấn đề cốt lõi đặt ra là các phương pháp thẩm định truyền thống mang nặng tính chủ quan của cán bộ tín dụng, dễ dẫn đến sai sót trong phân loại hồ sơ và cảnh báo nợ xấu chậm trễ.

Mục tiêu nghiên cứu trọng tâm của luận văn là nghiên cứu, ứng dụng kỹ thuật cây quyết định hồi quy và phân lớp nhằm xây dựng mô hình tự động hóa việc phân tích, dự báo rủi ro tín dụng đối với khách hàng cá nhân và doanh nghiệp. Phạm vi nghiên cứu được thực hiện trực tiếp tại SHB Chi nhánh Thái Nguyên với khung thời gian thu thập và xử lý dữ liệu thực nghiệm trong 5 tuần của năm 2020. Nghiên cứu mang ý nghĩa khoa học và thực tiễn sâu sắc khi cung cấp công cụ định lượng hỗ trợ ra quyết định, hướng đến việc duy trì tỷ lệ nợ xấu thực tế dưới ngưỡng an toàn 2% và rút ngắn 50% thời gian xét duyệt hồ sơ tín dụng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn xây dựng trên nền tảng tích hợp giữa lý thuyết tài chính ngân hàng hiện đại và lý thuyết khai phá dữ liệu học máy. Khung lý thuyết trọng tâm bao gồm:

Thứ nhất, khung quản trị rủi ro tín dụng theo chuẩn mực của Ủy ban Basel với 16 nguyên tắc quản trị cốt lõi, nhấn mạnh vào việc thiết lập hạn mức tín dụng, đánh giá tính đầy đủ của dự phòng rủi ro và sử dụng hệ thống xếp hạng nội bộ độc lập.

Thứ hai, mô hình cấu trúc Merton-KMV (phát triển năm 1989) dựa trên lý thuyết định giá quyền chọn của Black-Scholes, tính toán xác suất vỡ nợ kỳ vọng (Expected Default Frequency - EDF) thông qua khoảng cách tới vỡ nợ (Distance to Default - DD), trong đó điểm vỡ nợ được xác định bằng toàn bộ nợ ngắn hạn cộng với 50% nợ dài hạn.

Thứ ba, hệ thống thuật toán học máy phân lớp gồm mô hình mạng nơ-ron nhân tạo 3 lớp (lan truyền thẳng và truyền ngược sai số), mô hình hồi quy Logistic và đặc biệt là mô hình cây quyết định (Decision Tree) với các thuật toán tiêu biểu như ID3 và C4.5 của tác giả Quinlan.

Các khái niệm chính được làm sáng tỏ trong nghiên cứu bao gồm: rủi ro tín dụng (Credit Risk), độ lợi thông tin (Information Gain), tỷ số độ lợi thông tin (Gain Ratio), ma trận nhầm lẫn (Confusion Matrix) và rủi ro danh mục tập trung (Portfolio Concentration Risk).

Phương pháp nghiên cứu

Nguồn dữ liệu của nghiên cứu được trích xuất trực tiếp từ kho dữ liệu tín dụng thực tế của SHB Chi nhánh Thái Nguyên. Cỡ mẫu nghiên cứu bao gồm 500 hồ sơ vay vốn của khách hàng cá nhân và doanh nghiệp với 14 trường thông tin đặc trưng phản ánh toàn diện tình trạng nhân khẩu học, thu nhập, lịch sử quan hệ tín dụng và tài sản đảm bảo.

Phương pháp chọn mẫu áp dụng là phương pháp chọn mẫu phân tầng ngẫu nhiên (Stratified Random Sampling). Tác giả phân chia tổng thể hồ sơ vay theo từng phân khúc giá trị khoản vay và loại hình khách hàng nhằm bảo đảm tính đại diện cao, tránh hiện tượng lệch mẫu sang nhóm khách hàng vay vốn nhỏ lẻ.

Phương pháp phân tích chủ đạo là kỹ thuật khai phá dữ liệu thông qua bộ công cụ mã nguồn mở WEKA phiên bản 3.8. Lý do tác giả lựa chọn kỹ thuật cây quyết định C4.5 thay vì các mô hình mạng nơ-ron nhân tạo hay hồi quy tham số xuất phát từ ba ưu điểm vượt trội: Cây quyết định có cấu trúc minh bạch, dễ dàng chuyển đổi thành tập luật điều kiện IF-THEN giúp cán bộ tín dụng dễ giải thích lý do từ chối hoặc cấp tín dụng; Thuật toán xử lý hiệu quả cả biến liên tục và biến rời rạc; Mô hình không bị ràng buộc bởi các giả định phân phối chuẩn nghiêm ngặt như mô hình Gaussian hay Merton. Quá trình tiền xử lý, huấn luyện và kiểm thử mô hình được hoàn thành trong chuỗi 5 tuần thực nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình huấn luyện và kiểm thử thực nghiệm mô hình cây quyết định trên tập dữ liệu của SHB Chi nhánh Thái Nguyên mang lại những phát hiện quan trọng:

Thứ nhất, thuật toán C4.5 chứng minh ưu thế vượt trội với độ chính xác phân loại tổng thể đạt 88,5%, cao hơn 9,3 điểm phần trăm so với thuật toán ID3 truyền thống (chỉ đạt 79,2%). Việc sử dụng tỷ số độ lợi thông tin Gain Ratio giúp cây quyết định không bị phân nhánh quá mức tại các thuộc tính có nhiều giá trị rời rạc.

Thứ hai, kết quả phân tích tầm quan trọng của các thuộc tính chỉ ra rằng: Lịch sử thanh toán nợ tại Trung tâm Thông tin Tín dụng Quốc gia (CIC), Tỷ lệ giá trị tài sản bảo đảm trên dư nợ vay (chiếm trọng số phân tách nút gốc trên 35%), và Mức thu nhập ròng hàng tháng của khách hàng là 3 biến số có tính chất quyết định cao nhất đến khả năng trả nợ đúng hạn.

Thứ ba, mô hình đã chiết xuất thành công một tập luật gồm 12 quy tắc phân lớp rõ ràng, giúp nhận diện chính xác 85% các khoản vay tiềm ẩn nguy cơ nợ xấu nhóm 3 đến nhóm 5 trước thời điểm phát sinh nợ quá hạn thực tế.

Thứ tư, tỷ lệ nhận diện nhầm khách hàng có uy tín thành khách hàng rủi ro (sai số loại 1) giảm xuống mức 6,5%, giúp ngân hàng mở rộng quy mô cấp vốn an toàn mà không bỏ lỡ các cơ hội kinh doanh sinh lời.

Thảo luận kết quả

Hiệu năng nổi bật của mô hình C4.5 tại SHB Thái Nguyên giải thích được nguyên nhân căn bản: các hồ sơ tín dụng thực tế thường chứa đựng nhiều biến số liên tục (như số tiền vay từ vài chục triệu đến hàng tỷ đồng, mức thu nhập biến thiên). Thuật toán C4.5 đã tự động chia các biến liên tục thành N-1 ngưỡng giá trị tối ưu, đồng thời giải quyết triệt để bài toán thiếu dữ liệu thông qua cơ chế gán trọng số xác suất theo từng nhánh phân lớp.

Khi so sánh với các công bố khoa học quốc tế, kết quả này hoàn toàn nhất quán với nghiên cứu của Koresh Galil vào năm 2003 khi khảo sát 2.631 hạng mức tín nhiệm trái phiếu từ Standard & Poor's. Nghiên cứu của Galil đã chỉ ra rằng phương pháp chuyên gia truyền thống thường chịu ảnh hưởng nặng nề bởi tính chủ quan và khó phân biệt ranh giới giữa các nhóm rủi ro trung gian. Ngược lại, kỹ thuật cây quyết định hồi quy lượng hóa rõ ràng từng thuộc tính khách hàng.

Trong ứng dụng thực tiễn, toàn bộ dữ liệu phân tích được trực quan hóa sinh động thông qua biểu đồ cây phân nhánh đa cấp trên giao diện WEKA Knowledge Flow, kết hợp cùng bảng ma trận nhầm lẫn phân định 4 ô giá trị dự báo. Cách trình bày dạng sơ đồ hình cây này giúp người quản trị dễ dàng theo dõi dòng chảy ra quyết định từ nút gốc (tài sản bảo đảm) qua các nút con (thu nhập, mục đích vay) cho đến từng nút lá kết luận (cho vay hoặc cảnh báo rủi ro).

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đề xuất 4 nhóm giải pháp chiến lược nhằm tối ưu hóa công tác quản trị rủi ro tín dụng tại SHB Chi nhánh Thái Nguyên:

Một là, tích hợp trực tiếp thuật toán cây quyết định C4.5 vào hệ thống phần mềm quản lý tín dụng nội bộ. Khối Công nghệ thông tin cùng Khối Quản trị rủi ro SHB cần phối hợp xây dựng phân hệ tự động chấm điểm hồ sơ vay trong thời gian 6 tháng, hướng tới mục tiêu rút ngắn 75% thời gian phê duyệt khoản vay (từ 48 giờ xuống còn dưới 12 giờ) và áp dụng cho 100% các khoản vay tiêu dùng cá nhân.

Hai là, chuẩn hóa và nâng cao chất lượng cơ sở dữ liệu tín dụng đầu vào. Phòng Tín dụng SHB Thái Nguyên cần thực hiện quy trình rà soát, làm sạch và điền khuyết thông tin khách hàng định kỳ 3 tháng một lần theo nguyên tắc phân bổ xác suất lớp của Quinlan, bảo đảm độ đầy đủ của dữ liệu hồ sơ đạt tối thiểu 98%.

Ba là, tổ chức đào tạo kỹ năng ứng dụng công nghệ phân tích dữ liệu cho đội ngũ nhân sự. Ban Giám đốc chi nhánh phối hợp với Phòng Nhân sự triển khai 4 đợt tập huấn nghiệp vụ trong vòng 3 tháng, bảo đảm 100% cán bộ thẩm định và quản lý tín dụng hiểu rõ 16 nguyên tắc quản trị rủi ro Basel và thuần thục kỹ năng đọc hiểu tập luật cây quyết định.

Bốn là, thiết lập chính sách định giá khoản vay linh hoạt và quản trị danh mục tập trung. Hội đồng Tín dụng SHB cần quy định biên độ lãi suất vay dựa trên mức độ rủi ro đầu ra của cây quyết định, đồng thời kiểm soát chặt chẽ tỷ lệ cấp tín dụng cho một nhóm ngành hoặc một doanh nghiệp không vượt quá 15% vốn tự có, thực hiện tái thẩm định danh mục định kỳ 30 ngày một lần.

Đối tượng nên tham khảo luận văn

Luận văn là nguồn tài liệu tham khảo giá trị cho 4 nhóm đối tượng chính:

Thứ nhất, chuyên viên quản trị rủi ro và cán bộ thẩm định tín dụng tại các ngân hàng thương mại: Tài liệu cung cấp góc nhìn thực tiễn về việc ứng dụng công cụ máy học để bóc tách dữ liệu hồ sơ khách hàng, phát hiện sớm dấu hiệu nợ xấu và xây dựng tiêu chí cấp tín dụng chuẩn xác.

Thứ hai, học viên cao học và nhà nghiên cứu chuyên ngành Khoa học máy tính, Hệ thống thông tin: Luận văn đóng vai trò như một tài liệu thực hành mẫu về quy trình tiền xử lý dữ liệu thực tế, tối ưu hóa thuật toán ID3 và C4.5, cũng như cách thức triển khai phân tích trên nền tảng phần mềm WEKA.

Thứ ba, các nhà quản trị và ban điều hành chi nhánh ngân hàng: Đem lại cơ sở khoa học để hoạch định chính sách phân bổ vốn, thiết lập hạn mức tín dụng an toàn và nâng cao tỷ suất sinh lời trên tổng dư nợ cho vay.

Thứ tư, giảng viên và sinh viên các khối ngành Công nghệ tài chính (Fintech), Tài chính – Ngân hàng: Sử dụng làm học liệu tham khảo bổ trợ cho các học phần Khai phá dữ liệu trong tài chính, Quản trị rủi ro ngân hàng thương mại và Trí tuệ nhân tạo ứng dụng.

Câu hỏi thường gặp

Kỹ thuật cây quyết định có ưu thế gì vượt trội so với mạng nơ-ron nhân tạo trong phân tích rủi ro tín dụng? Cây quyết định cung cấp cấu trúc diễn giải trực quan dưới dạng các quy tắc điều kiện IF-THEN rõ ràng, giúp chuyên viên tín dụng dễ dàng giải thích lý do phê duyệt hoặc từ chối hồ sơ cho khách hàng. Ngược lại, mạng nơ-ron nhân tạo hoạt động theo cơ chế hộp đen phức tạp với các trọng số liên kết khó diễn giải và đòi hỏi dung lượng dữ liệu huấn luyện lớn hơn từ 3 đến 5 lần.

Thuật toán C4.5 xử lý dữ liệu hồ sơ vay vốn tốt hơn thuật toán ID3 ở những điểm nào? Thuật toán C4.5 sử dụng độ đo tỷ số độ lợi thông tin Gain Ratio để khắc phục nhược điểm thiên vị các thuộc tính có nhiều giá trị của ID3. Bên cạnh đó, C4.5 có khả năng tự động phân chia ngưỡng giá trị đối với các biến liên tục như thu nhập hay hạn mức vay, đồng thời xử lý mượt mà các hồ sơ bị khuyết dữ liệu với độ chính xác phân loại duy trì trên 85%.

Mô hình dự báo rủi ro này có thể nhân rộng tại các chi nhánh ngân hàng khác hay không? Hoàn toàn có thể triển khai nhân rộng. Quy trình khai phá dữ liệu và kiến trúc cây quyết định trong luận văn được thiết kế theo tiêu chuẩn mở. Các chi nhánh ngân hàng thương mại chỉ cần thu thập tập dữ liệu đặc thù địa phương với quy mô tối thiểu từ 300 đến 500 hồ sơ vay là có thể tái cấu hình và vận hành mô hình hiệu quả.

Dữ liệu đầu vào phục vụ xây dựng cây quyết định rủi ro tín dụng bao gồm những thông tin nào? Dữ liệu đầu vào bao gồm 4 nhóm chỉ số: thông tin nhân khẩu học (độ tuổi, tình trạng hôn nhân), năng lực tài chính (thu nhập ròng, nguồn thu phụ), thông tin khoản vay (số tiền vay, thời hạn, mục đích sử dụng vốn) và các chỉ số bảo đảm an toàn như giá trị tài sản thế chấp và lịch sử tín dụng CIC với hơn 10 trường thuộc tính chi tiết.

Tác giả giải quyết vấn đề hồ sơ tín dụng bị thiếu thông tin trong quá trình phân tích ra sao? Tác giả áp dụng giải pháp của Quinlan bằng cách ước lượng xác suất xuất hiện của các giá trị thuộc tính đã biết trên tập mẫu và phân bổ trọng số tương ứng cho từng nhánh quyết định. Giải pháp này giúp tận dụng trên 95% số lượng hồ sơ thu thập được mà không cần loại bỏ các mẫu dữ liệu chưa hoàn chỉnh.

Kết luận

  • Luận văn đã ứng dụng thành công kỹ thuật cây quyết định C4.5 vào phân tích và dự báo rủi ro tín dụng tại SHB Chi nhánh Thái Nguyên, đạt độ chính xác dự báo 88,5%.
  • Xây dựng thành công tập luật gồm 12 quy tắc phân loại rủi ro trực quan, hỗ trợ đắc lực cho công tác thẩm định hồ sơ tín dụng tự động.
  • Hệ thống hóa toàn diện 16 nguyên tắc quản trị rủi ro tín dụng theo chuẩn mực Basel kết hợp với các mô hình tài chính định lượng hiện đại.
  • Đề xuất quy trình tiền xử lý và giải quyết triệt để bài toán biến liên tục cùng dữ liệu thiếu trên bộ công cụ mã nguồn mở WEKA.
  • Đưa ra hệ thống 4 giải pháp công nghệ và quản trị đồng bộ giúp ngân hàng duy trì tỷ lệ nợ xấu dưới mức an toàn 2% trong dài hạn.

Đóng góp cốt lõi của nghiên cứu là xây dựng thành công cầu nối giữa các giải thuật học máy chuyên sâu và nghiệp vụ ngân hàng thực tiễn, chuyển hóa các mô hình toán học trừu tượng thành công cụ hỗ trợ ra quyết định minh bạch. Trong lộ trình 12 tháng tới, hướng nghiên cứu tiếp theo sẽ tập trung tích hợp các kỹ thuật học máy tăng cường như Random Forest và Gradient Boosting để nâng cao hơn nữa độ nhạy của mô hình. Hãy liên hệ và tham khảo chi tiết toàn văn công trình nghiên cứu để áp dụng hiệu quả giải pháp này vào thực tiễn quản trị tín dụng.