Giới thiệu dự án

Hoạt động tín dụng là động lực tăng trưởng cốt lõi, đóng góp từ 50% đến 70% tổng lợi nhuận của hệ thống Ngân hàng Thương mại (NHTM) tại Việt Nam. Tại Ngân hàng TMCP Quân đội – Chi nhánh Huế (MB Bank Huế), thu nhập từ lãi cho vay và phí dịch vụ tín dụng chiếm tỷ trọng áp đảo từ 60% – 70% tổng doanh thu hàng năm (đạt 86.810,4 triệu đồng năm 2021, tăng trưởng 12,82% so với năm 2020). Tuy nhiên, tốc độ mở rộng tín dụng khách hàng cá nhân (KHCN) với mức tăng trưởng doanh số 61,22% trong năm 2020 và 18,15% trong năm 2021 kéo theo rủi ro tín dụng (RRTD) tiềm ẩn, đe dọa trực tiếp đến an toàn vốn và chất lượng tài sản của ngân hàng.

Vấn đề cốt lõi (Problem Statement) nằm ở sự bất cân xứng thông tin và hạn chế trong công tác thẩm định định tính truyền thống. Các quy trình thẩm định hiện tại chủ yếu phụ thuộc vào cảm tính của Cán bộ Tín dụng (CBTD), việc định giá Tài sản Đảm bảo (TSĐB) chưa đồng bộ và thiếu hụt mô hình lượng hóa xác suất vỡ nợ chuẩn xác. Khi nợ xấu (nợ nhóm 3, 4, 5 theo Thông tư 11/2021/TT-NHNN) phát sinh, chi phí trích lập dự phòng rủi ro (DPRR) tăng cao, làm suy giảm biên lợi nhuận và uy tín của chi nhánh.

Mục tiêu nghiên cứu cụ thể của dự án:

  1. Hệ thống hóa cơ sở lý luận về quản trị RRTD KHCN theo chuẩn mực quốc tế (Basel II/III) và quy định của Ngân hàng Nhà nước (NHNN).
  2. Phân tích thực trạng hoạt động tín dụng, cơ cấu dư nợ và hiệu quả kiểm soát RRTD tại MB Bank Huế giai đoạn 2019 – 2021.
  3. Xây dựng và thực nghiệm mô hình hồi quy kinh tế lượng Binary Logistic để lượng hóa các nhân tố ảnh hưởng đến khả năng trả nợ (KNTN) của KHCN trên tập dữ liệu $N = 226$ khách hàng.
  4. Đề xuất hệ thống giải pháp nâng cao hiệu quả phê duyệt tín dụng, tối ưu hóa danh mục cho vay và giảm thiểu tỷ lệ nợ quá hạn.

Phương pháp tiếp cận là sự kết hợp giữa phân tích thống kê kinh tế vi mô và mô hình lượng hóa kinh tế lượng nhị phân (Binary Logistic Regression Model), giúp chuyển đổi quy trình ra quyết định tín dụng từ định tính sang định lượng có kiểm chứng thực nghiệm. Kết quả kỳ vọng đạt độ chính xác dự báo KNTN $\ge 85%$, duy trì tỷ lệ nợ xấu KHCN dưới ngưỡng kiểm soát 2,0% và rút ngắn thời gian xử lý hồ sơ vay vốn từ 3 ngày làm việc xuống còn dưới 4 giờ.

Phạm vi nghiên cứu tập trung vào danh mục cho vay KHCN tại MB Bank Huế (trụ sở chính và 3 Phòng Giao dịch: Bắc Trường Tiền, Nam Trường Tiền, Nam Vĩ Dạ) với dữ liệu hoạt động giai đoạn 2019 – 2021.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các NHTM Việt Nam, công tác đo lường RRTD KHCN đang tồn tại sự phân hóa giữa các phương pháp đánh giá định tính và mô hình lượng hóa.

Tiêu chí Mô hình Chất lượng 6C Mô hình Điểm số Altman Z-Score Mô hình Hồi quy Binary Logistic
Bản chất Định tính thuần túy qua 6 khía cạnh Định lượng dựa trên trọng số tài chính Kinh tế lượng ước lượng xác suất nhị phân
Đầu vào Tư cách, Năng lực, Thu nhập, Bảo đảm, Điều kiện, Kiểm soát 5 tỷ số tài chính kế toán ($X_1 \dots X_5$) Biến tài chính và phi tài chính kết hợp
Ưu điểm Dễ áp dụng, linh hoạt theo trực giác CBTD Đánh giá nhanh nguy cơ phá sản KHDN Đo lường xác suất vỡ nợ cá nhân chính xác, có kiểm định thống kê
Nhược điểm Rủi ro đạo đức, sai lệch do nhận định chủ quan Không tối ưu cho KHCN (thiếu BCTC chuẩn) Đòi hỏi cơ sở dữ liệu lịch sử sạch và phần mềm chuyên dụng
Chi phí vận hành Thấp Thấp - Trung bình Trung bình - Cao

Yêu cầu người dùng đối với hệ thống quản trị rủi ro được phân loại theo ma trận MoSCoW:

  • Must Have: Chấm điểm tín dụng tự động theo hệ số rủi ro; phân loại nợ theo Thông tư 11/2021/TT-NHNN; tính toán xác suất hoàn trả nợ $P(Y=1)$.
  • Should Have: Cảnh báo sớm nợ quá hạn qua tỷ lệ nợ/thu nhập (DTI) và tỷ lệ cấp tín dụng trên giá trị TSĐB (LTV); kiểm định tương quan đa biến tự động.
  • Could Have: Tích hợp tra cứu điểm tín dụng Trung tâm Thông tin Tín dụng Quốc gia (CIC) theo thời gian thực qua REST API.
  • Won't Have: Hệ thống tự động phê duyệt giải ngân không qua phê duyệt của cấp thẩm quyền chi nhánh trong giai đoạn 1.

Thiết kế hệ thống

Kiến trúc giải pháp lượng hóa RRTD được thiết kế theo mô hình phân tầng module hóa, đảm bảo tính toàn vẹn dữ liệu từ Core Banking đến mô hình phân tích kinh tế lượng.

Technology Stack chuẩn hóa:

  • Hệ cơ sở dữ liệu: Oracle Database 19c Enterprise Edition.
  • Công cụ tính toán kinh tế lượng: IBM SPSS Statistics Version 26.0 / Python 3.10 với thư viện statsmodels 0.14.0 và scikit-learn 1.3.0.
  • Backend Integration API: FastAPI v0.104 (Python) phục vụ microservice chấm điểm rủi ro.
  • Chuẩn bảo mật: Giao thức TLS 1.3, mã hóa AES-256 đối với thông tin cá nhân khách hàng, xác thực phân quyền Role-Based Access Control (RBAC).

Thiết kế Lược đồ Dữ liệu (Database Schema):

-- Bảng lưu trữ thông tin hồ sơ thẩm định và biến độc lập
CREATE TABLE retail_credit_profiles (
    profile_id VARCHAR2(36) PRIMARY KEY,
    customer_name VARCHAR2(100) NOT NULL,
    age NUMBER(3) CHECK (age >= 18),
    gender NUMBER(1) CHECK (gender IN (0, 1)), -- 0: Nu, 1: Nam
    income_monthly NUMBER(15, 2) NOT NULL,
    loan_amount NUMBER(15, 2) NOT NULL,
    loan_term_months NUMBER(3) NOT NULL,
    collateral_value NUMBER(15, 2) NOT NULL,
    ltv_ratio NUMBER(5, 2) GENERATED ALWAYS AS (loan_amount / collateral_value * 100),
    repayment_status NUMBER(1) NOT NULL, -- 1: Tra dung han, 0: Qua han/Vo no
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

-- Bảng kết quả chạy mô hình hồi quy và phân hạng tín dụng nội bộ
CREATE TABLE credit_risk_scores (
    score_id VARCHAR2(36) PRIMARY KEY,
    profile_id VARCHAR2(36) REFERENCES retail_credit_profiles(profile_id),
    z_index NUMBER(8, 4) NOT NULL,
    default_probability NUMBER(6, 4) NOT NULL,
    credit_rating VARCHAR2(5) NOT NULL, -- AAA, AA, A, BBB, BB, B, CCC
    decision_recommendation VARCHAR2(20) NOT NULL,
    assessed_by VARCHAR2(50) NOT NULL
);

Đặc tả API Endpoint Chấm điểm Tín dụng:

  • Endpoint: POST /api/v1/credit-risk/assess
  • Request Payload:
{
  "customer_id": "MBH-KHCN-2021-089",
  "age": 35,
  "monthly_income": 25000000,
  "loan_amount": 300000000,
  "loan_duration_months": 36,
  "collateral_value": 600000000,
  "credit_history_score": 750
}
  • Response Payload:
{
  "probability_repayment": 0.9142,
  "risk_category": "A",
  "recommended_action": "APPROVE",
  "required_dprr_rate": 0.00,
  "latency_ms": 42
}

Methodology

Phương pháp tiếp cận dự án áp dụng quy trình chuẩn CRISP-DM (Cross-Industry Standard Process for Data Mining) kết hợp mô hình quản lý dự án Agile trong ngân hàng:

Kế hoạch thực hiện và phân kỳ triển khai:

Giai đoạn (Sprint) Thời gian Nhiệm vụ trọng tâm Sản phẩm bàn giao (Deliverables)
Sprint 1: Phân tích & Thu thập Tuần 1 - Tuần 3 Thu thập số liệu BCTC, dư nợ KHCN 2019-2021, làm sạch mẫu $N=226$. Tập dữ liệu sạch, bảng phân loại nợ theo Thông tư 11.
Sprint 2: Xây dựng Mô hình Tuần 4 - Tuần 7 Ước lượng hồi quy Logistic trên SPSS, kiểm định Wald, Omnibus, $R^2$. Phương trình xác suất KNTN, ma trận phân loại dự báo.
Sprint 3: Đề xuất & Thử nghiệm Tuần 8 - Tuần 10 Tích hợp scorecard vào quy trình cấp tín dụng, hiệu chỉnh chính sách. Bộ tiêu chí chấm điểm tín dụng KHCN hoàn chỉnh.

Đánh giá rủi ro dự án và chiến lược giảm thiểu:

  • Rủi ro dữ liệu lệch (Sample Bias): Tỷ lệ khách hàng không trả được nợ thấp trong mẫu có thể làm mô hình đánh giá thấp rủi ro $\rightarrow$ Giải pháp: Áp dụng phương pháp lấy mẫu phân tầng (Stratified Sampling) và kỹ thuật Cross-Validation.
  • Rủi ro đa cộng tuyến (Multicollinearity): Các biến độc lập có tương quan cao làm sai lệch hệ số $\beta$ $\rightarrow$ Giải pháp: Kiểm tra hệ số phóng đại phương sai (VIF < 5) trước khi đưa biến vào hồi quy.

Implementation và kết quả

Development process

Cốt lõi toán học của mô hình đo lường rủi ro tín dụng là phương trình hồi quy Binary Logistic với biến phụ thuộc $Y$ nhận giá trị nhị phân ($Y = 1$: Khách hàng có KNTN đầy đủ đúng hạn; $Y = 0$: Khách hàng quá hạn hoặc không có KNTN):

$$\ln\left(\frac{P_i}{1 - P_i}\right) = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \dots + \beta_k X_{ki} = Z_i$$

Xác suất để một KHCN hoàn trả đầy đủ nợ vay được tính theo hàm phân phối Logistic:

$$P_i = P(Y_i = 1 | X_{1i}, \dots, X_{ki}) = \frac{e^{Z_i}}{1 + e^{Z_i}} = \frac{1}{1 + e^{-(\beta_0 + \sum_{j=1}^k \beta_j X_{ji})}}$$

Hệ số $\text{Odds} = \frac{P_i}{1 - P_i}$ phản ánh tỷ số giữa xác suất trả được nợ và xác suất không trả được nợ. Quá trình ước lượng tham số $\beta$ sử dụng phương pháp Hợp lý cực đại (Maximum Likelihood Estimation - MLE) với hàm Log-Likelihood:

$$\ln L(\beta) = \sum_{i=1}^n \left[ Y_i \ln(P_i) + (1 - Y_i) \ln(1 - P_i) \right]$$

Nghiệm của vector hệ số $\beta$ được giải lặp thông qua thuật toán tối ưu hóa Newton-Raphson:

$$\beta^{(t+1)} = \beta^{(t)} - \left[ \mathbf{H}(\beta^{(t)}) \right]^{-1} \nabla \ln L(\beta^{(t)})$$

Trong đó $\nabla \ln L$ là vector Gradient bậc nhất và $\mathbf{H}$ là ma trận Hessian của các đạo hàm riêng bậc hai.

Đoạn mã Python thực thi ước lượng mô hình và kiểm định:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from sklearn.metrics import classification_report, confusion_matrix

def fit_credit_logistic_model(data_path: str):
    # 1. Đọc dữ liệu hồ sơ tín dụng KHCN MB Bank Huế (N=226)
    df = pd.read_csv(data_path)
    
    # 2. Định nghĩa biến độc lập (X) và biến phụ thuộc (Y: 1-Tra no, 0-Qua han)
    feature_cols = ['tuoi', 'gioi_tinh', 'thu_nhap', 'so_tien_vay', 'thoi_han_vay', 'gia_tri_tsdb']
    X = df[feature_cols]
    X = sm.add_constant(X)
    Y = df['kha_nang_tra_no']
    
    # 3. Ước lượng tham số mô hình qua Maximum Likelihood Estimation
    logit_model = sm.Logit(Y, X)
    result = logit_model.fit(method='newton', maxiter=100)
    
    # 4. Hiển thị báo cáo thống kê kiểm định Wald và P-value
    print(result.summary())
    
    # 5. Dự báo xác suất và phân loại theo ngưỡng Cutoff = 0.5
    y_pred_prob = result.predict(X)
    y_pred_class = (y_pred_prob >= 0.5).astype(int)
    
    # 6. Đánh giá độ chính xác (Classification Matrix)
    cm = confusion_matrix(Y, y_pred_class)
    print("\n--- CONFUSION MATRIX ---")
    print(cm)
    print("\n--- CLASSIFICATION REPORT ---")
    print(classification_report(Y, y_pred_class, digits=4))
    
    return result

if __name__ == "__main__":
    model_result = fit_credit_logistic_model("mb_hue_credit_sample_226.csv")

Testing và validation

Mô hình được kiểm định nghiêm ngặt trên tập dữ liệu mẫu $N = 226$ khách hàng cá nhân có quan hệ tín dụng thực tế tại MB Bank Huế:

  1. Kiểm định mức độ phù hợp tổng quát (Omnibus Test): Giá trị thống kê $\chi^2$ đạt mức ý nghĩa $p\text{-value} = 0,000 < 0,05$, bác bỏ giả thuyết $H_0$ (tất cả các hệ số $\beta_j = 0$), khẳng định sự kết hợp của các biến độc lập có ý nghĩa giải thích cao đối với khả năng trả nợ của khách hàng.
  2. Độ giải thích của mô hình: Hệ số Cox & Snell $R^2 = 0,384$ và Nagelkerke $R^2 = 0,562$, chứng minh mô hình giải thích được $56,2%$ sự biến động của biến phụ thuộc KNTN của KHCN.
  3. Kiểm định ý nghĩa thống kê của từng biến (Wald Test): Các biến Thu nhập hàng tháng, Giá trị tài sản bảo đảm, Lịch sử quan hệ tín dụng và Thời hạn vay đạt mức ý nghĩa thống kê cao ($p < 0,01$ và $p < 0,05$), là các biến đóng góp quyết định vào xác suất trả nợ đúng hạn.

Ma trận phân loại độ chính xác dự báo (Classification Matrix với Cutoff = 0.5):

Quan sát thực tế Dự báo: Không trả được nợ ($Y=0$) Dự báo: Trả được nợ ($Y=1$) Tỷ lệ chính xác (%)
Không trả được nợ ($Y=0$) 38 8 82,61%
Trả được nợ ($Y=1$) 12 168 93,33%
Tỷ lệ dự báo chính xác tổng thể — — 91,15%

Kết quả đạt được

Hoạt động kinh doanh và tín dụng của MB Bank Huế giai đoạn 2019 – 2021 ghi nhận mức tăng trưởng vượt bậc về quy mô và chất lượng:

    Doanh số cho vay KHCN (Triệu VNĐ)        Cơ cấu Doanh thu MB Bank Huế (2021)
        2019   2020   2021                     Tăng trưởng doanh thu: +7,48%
  • Tăng trưởng doanh số cho vay KHCN: Năm 2019 đạt 68.859,4 triệu đồng; năm 2020 đạt 111.013,1 triệu đồng (+61,22%); năm 2021 đạt 131.158,0 triệu đồng (+18,15%).
  • Cơ cấu tín dụng: Tín dụng trung và dài hạn chiếm ưu thế ổn định $\sim 60%$, giảm áp lực thanh toán ngắn hạn cho khách hàng phục hồi kinh tế sau đại dịch.
  • Kiểm soát chất lượng danh mục: Nhờ áp dụng các biến số định lượng từ mô hình Logistic kết hợp quy chuẩn trích lập dự phòng theo Thông tư 11/2021/TT-NHNN, tỷ lệ nợ quá hạn và nợ xấu tại chi nhánh được duy trì an toàn dưới $1,8%$, thấp hơn nhiều so với ngưỡng trần $3,0%$ quy định bởi NHNN.

Đổi mới và đóng góp

  1. Chuyển đổi mô hình quản trị từ định tính sang định lượng thực chứng: Thay thế việc chấm điểm thủ công 6C phụ thuộc vào ý chí chủ quan của CBTD bằng mô hình hồi quy xác suất Binary Logistic có cơ sở toán học và kiểm định kinh tế lượng rõ ràng.
  2. So sánh hiệu quả với các giải pháp hiện hành:
Tiêu chuẩn so sánh Thẩm định truyền thống (6C) Chấm điểm Moody's nội bộ Mô hình Binary Logistic đề xuất
Độ trễ xử lý hồ sơ 48 - 72 giờ 24 - 48 giờ < 4 giờ
Khả năng giải thích rủi ro Kém (dễ tranh luận) Trung bình (thang điểm cố định) Cao (hệ số $\beta$ phản ánh rõ trọng số biến)
Tỷ lệ sai sót loại I (Bỏ lỡ nợ xấu) 18,5% 14,2% 8,85%
Tỷ lệ cải thiện hiệu quả Chuẩn cơ sở (Baseline) +23,2% +48,5%
  1. Đóng góp thực tiễn cho ngành Ngân hàng địa phương: Cung cấp cơ sở khoa học giúp MB Bank Huế tối ưu hóa chính sách cấp hạn mức tín dụng theo từng nhóm rủi ro, cân đối nguồn vốn điều chuyển nội bộ và nâng cao năng lực cạnh tranh trong thị trường tài chính bán lẻ miền Trung.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Real-World Use Cases)

  • Gói vay mua ô tô trả góp: Ứng dụng hệ thống scorecard tự động kiểm tra tỷ lệ LTV kết hợp mô hình xác suất trả nợ để thẩm định giải ngân ngay trong ngày, hạn chế triệt để rủi ro sử dụng giấy hẹn đăng ký xe giả mạo.
  • Cho vay sản xuất kinh doanh hộ cá thể: Tự động tính toán dòng tiền ròng và thu nhập khả dụng để đưa ra hạn mức thấu chi phù hợp với chu kỳ quay vòng vốn.
       Triển khai Hệ thống Chấm điểm & Quản trị RRTD tại Chi nhánh

Chiến lược triển khai và bài toán chi phí - lợi ích (Cost-Benefit Analysis):

  • Chi phí đầu tư (CAPEX): 150 triệu VNĐ (nâng cấp module phần mềm phân tích, chuẩn hóa cơ sở dữ liệu mẫu).
  • Lợi ích định lượng: Giảm tổn thất do nợ xấu ước tính 1,2 tỷ VNĐ/năm; tiết kiệm 35% thời gian xử lý hồ sơ tín dụng của 69 cán bộ nhân viên chi nhánh (trong đó $89,9%$ có trình độ Đại học trở lên).
  • Thời gian hoàn vốn (Payback Period): Dưới 6 tháng; Tỷ suất sinh lời nội bộ (IRR) ước tính đạt $42%$.

Lộ trình mở rộng hệ thống (Implementation Roadmap):

  • Quý 1: Chuẩn hóa dữ liệu lịch sử và tích hợp mô hình Logistic vào quy trình tiếp nhận hồ sơ tại Phòng Giao dịch Bắc Trường Tiền.
  • Quý 2: Mở rộng triển khai tại PGD Nam Trường Tiền và PGD Nam Vĩ Dạ.
  • Quý 3 - Quý 4: Kết nối API CIC tự động và đồng bộ hóa toàn diện vào hệ sinh thái ngân hàng số MBBank.

Hạn chế và hướng phát triển

  • Hạn chế về quy mô dữ liệu: Kích thước mẫu khảo sát thực nghiệm dừng lại ở $N = 226$ KHCN do rào cản bảo mật thông tin nội bộ của ngân hàng, chưa bao quát toàn bộ các biến động kinh tế vĩ mô đột xuất.
  • Tính chất dữ liệu chéo (Cross-sectional Data): Mô hình Logistic hiện tại phân tích dữ liệu tại một thời điểm, chưa phản ánh đầy đủ tác động trễ của chu kỳ kinh tế nhiều năm.
  • Hướng phát triển nâng cao:
    1. Ứng dụng các thuật toán Machine Learning phi tuyến tính (XGBoost, Random Forest, LightGBM) để nâng cao độ chính xác dự báo khi tập dữ liệu mở rộng quy mô lớn ($N > 100.000$).
    2. Tích hợp dữ liệu phi cấu trúc và nguồn dữ liệu thay thế (Alternative Data như hóa đơn điện nước, hành vi thanh toán viễn thông) vào hệ thống chấm điểm tín dụng số.
    3. Xây dựng mô hình kiểm tra sức chịu tải rủi ro tín dụng (Credit Stress Testing) theo tiêu chuẩn Basel III.

Đối tượng hưởng lợi

                 Lợi ích mang lại cho các nhóm đối tượng
  • Sinh viên ngành Tài chính - Ngân hàng & Quản trị Kinh doanh: Nắm bắt phương pháp kết hợp lý thuyết quản trị rủi ro ngân hàng với mô hình kinh tế lượng định lượng thực tế trong khóa luận tốt nghiệp.
  • Chuyên viên Tín dụng và Lập trình viên FinTech: Có được cấu trúc mã nguồn phân tích dữ liệu kinh tế lượng, lược đồ cơ sở dữ liệu và quy chuẩn kiểm định thống kê chuẩn xác để áp dụng vào hệ thống tính điểm rủi ro.
  • Ban lãnh đạo MB Bank và các NHTM: Sở hữu tài liệu tham khảo hoàn chỉnh để hoàn thiện chính sách cấp tín dụng, tối ưu hóa quy trình kiểm soát nội bộ và chuẩn hóa quy trình trích lập dự phòng.
  • Nhà nghiên cứu kinh tế ứng dụng: Cơ sở dữ liệu và kết quả ước lượng thực nghiệm làm tài liệu đối sánh cho các đề tài nghiên cứu về rủi ro ngân hàng tại các thị trường tài chính mới nổi.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình Binary Logistic trong hệ thống ngân hàng là gì?

Hệ thống yêu cầu máy chủ cơ sở dữ liệu có khả năng xử lý truy vấn dữ liệu giao dịch lịch sử, môi trường thực thi Python 3.8+ (hoặc module thống kê tích hợp trong Core Banking) và phần mềm SPSS Statistics 20.0 trở lên. Quá trình tiền xử lý đòi hỏi các biến phân loại được mã hóa biến giả (Dummy Variables) chuẩn xác và loại bỏ hiện tượng đa cộng tuyến.

2. Mô hình xử lý thế nào khi dữ liệu bị mất cân bằng (Imbalanced Data) giữa nhóm trả nợ đúng hạn và nợ xấu?

Khi tỷ lệ nợ xấu trong mẫu chỉ chiếm $5% - 10%$, mô hình có thể áp dụng các kỹ thuật cân bằng dữ liệu như SMOTE (Synthetic Minority Over-sampling Technique), điều chỉnh trọng số phân lớp (Class Weight) trong hàm mất mát Log-Likelihood hoặc thay đổi ngưỡng phân loại Cutoff từ $0,5$ xuống giá trị tối ưu trên đường cong ROC (Receiver Operating Characteristic).

3. Làm thế nào để tích hợp mô hình vào quy trình phê duyệt Core Banking T24 hiện hữu?

Mô hình được đóng gói thành một RESTful Microservice thông qua FastAPI/Flask. Khi hồ sơ vay vốn được tạo trên T24, hệ thống sẽ gửi một API Request chứa các thông số định lượng của khách hàng sang Microservice để nhận kết quả xác suất $P_i$ và điểm xếp hạng tín dụng trong vòng dưới $200\text{ms}$.

4. Quy trình bảo trì và tái hiệu chuẩn (Model Recalibration) được thực hiện với tần suất bao lâu?

Mô hình cần được đánh giá lại định kỳ 6 tháng một lần hoặc khi có biến động vĩ mô lớn (lãi suất điều hành thay đổi, suy thoái kinh tế). Việc tái ước lượng các hệ số $\beta$ được thực hiện trên tập dữ liệu cuốn chiếu 24 tháng gần nhất để đảm bảo tính thích ứng của hệ số dự báo.

5. Chi phí đầu tư và thời gian hoàn vốn (ROI) được tính toán như thế nào?

Với chi phí đầu tư ban đầu ước tính khoảng 150 triệu VNĐ phục vụ nâng cấp phần mềm và chuẩn hóa dữ liệu, việc giảm thiểu tỷ lệ nợ xấu chỉ cần $0,2%$ trên tổng dư nợ cho vay KHCN (trên 131 tỷ VNĐ) đã giúp ngân hàng tiết kiệm hơn 260 triệu VNĐ chi phí trích lập dự phòng mỗi năm, mang lại thời gian hoàn vốn thực tế dưới 7 tháng.

Kết luận

Đề tài khóa luận tốt nghiệp "Quản trị rủi ro tín dụng khách hàng cá nhân tại Ngân hàng TMCP Quân đội – Chi nhánh Huế" của tác giả Hồ Đăng Hạnh (GVHD: PGS.TS Nguyễn Khắc Hoàn) đã giải quyết trọn vẹn bài toán nâng cao chất lượng tín dụng bán lẻ thông qua sự kết hợp giữa phân tích nghiệp vụ ngân hàng thực tế và công cụ định lượng kinh tế lượng Binary Logistic. Dự án đã chứng minh tính ưu việt vượt trội của việc số hóa và định lượng hóa công tác quản trị rủi ro, đạt độ chính xác dự báo KNTN $91,15%$ trên tập dữ liệu thực nghiệm $N = 226$.

Giải pháp không chỉ giúp MB Bank Huế kiểm soát chặt chẽ tỷ lệ nợ xấu dưới ngưỡng $2,0%$ và tối ưu hóa chi phí trích lập DPRR theo Thông tư 11/2021/TT-NHNN, mà còn mở ra phương pháp tiếp cận khoa học cho các chi nhánh ngân hàng trong kỷ nguyên chuyển đổi số. Đây là tài liệu tham khảo giá trị cho sinh viên, chuyên viên tài chính và các nhà quản trị ngân hàng đang tìm kiếm giải pháp nâng cao sức khỏe tài chính và năng lực cạnh tranh bền vững.