Giới thiệu dự án

Hoạt động tín dụng là mảng kinh doanh mang lại từ 60% đến 75% tổng thu nhập của các Ngân hàng Thương mại (NHTM), song cũng là hoạt động tiềm ẩn mức độ rủi ro cao nhất. Tại Việt Nam, sự cạnh tranh gay gắt giữa các tổ chức tín dụng (TCTD) cùng áp lực tăng trưởng quy mô đã bộc lộ nhiều điểm nghẽn về bất đối xứng thông tin, kiểm soát sau vay và thẩm định năng lực tài chính. Đồ án khóa luận tốt nghiệp "Rủi ro trong hoạt động tín dụng tại Ngân hàng TMCP Đầu tư và Phát triển Việt Nam (BIDV) – Chi nhánh Cầu Giấy và biện pháp phòng ngừa" tập trung khảo sát, định lượng và xây dựng khung giải pháp toàn diện cho hoạt động quản trị rủi ro tín dụng (QLRRTD).

                       Thực trạng & Áp lực rủi ro tín dụng

Vấn đề thực tiễn và bài toán nghiên cứu

Giai đoạn 2013 - 2015, BIDV Chi nhánh Cầu Giấy ghi nhận mức tăng trưởng tổng dư nợ từ 4.211 tỷ VNĐ lên 5.278 tỷ VNĐ, trong đó dư nợ ngắn hạn chiếm tỷ trọng chi phối 60,68% (3.203 tỷ VNĐ năm 2015). Tổng vốn huy động đạt 9.232 tỷ VNĐ, tạo áp lực giải ngân liên tục. Tuy nhiên, hoạt động tín dụng đối mặt các rủi ro hệ thống:

  • Báo cáo tài chính doanh nghiệp sai lệch: Đa số doanh nghiệp vừa và nhỏ (SME) có vốn tự có mỏng, đòn bẩy tài chính cao, tồn tại tình trạng lập báo cáo kép nhằm che giấu số lỗ thực tế.
  • Gian lận tài sản bảo đảm (TSĐB): Xuất hiện thủ đoạn thế chấp một tài sản tại nhiều TCTD, "rút ruột" hàng hóa trong kho cầm cố hoặc ngụy tạo vận đơn, chứng từ kinh tế khống.
  • Vay chéo luân chuyển dòng tiền: Khách hàng vay cùng lúc 3 - 7 ngân hàng nhưng hệ thống dữ liệu Trung tâm Thông tin Tín dụng (CIC) cập nhật chưa đồng bộ theo thời gian thực (Real-time), dẫn đến mất khả năng thanh toán dây chuyền.
  • Xung đột mục tiêu nội bộ: Áp lực chỉ tiêu tăng trưởng tín dụng hàng năm khiến khâu thẩm định bị giản lược; hệ thống Kiểm soát nội bộ (KSNB) hoạt động mang tính khắc phục sự vụ thay vì chủ động cảnh báo sớm.

Mục tiêu của dự án

  1. Định vị & Phân loại rủi ro: Nhận diện toàn diện 12 nhóm nguyên nhân phát sinh rủi ro tín dụng tại BIDV Cầu Giấy phân bổ theo 3 nhóm tác nhân: Môi trường vĩ mô, Khách hàng vay vốn và Quy trình nội bộ ngân hàng.
  2. Thiết lập Khung quản trị rủi ro tích hợp (Integrated Credit Risk Framework - ICRF): Kết hợp các nguyên tắc cốt lõi của Ủy ban Basel về Giám sát Ngân hàng (Basel II) và Ủy ban COSO (Committee of Sponsoring Organizations).
  3. Mô hình hóa chấm điểm tín dụng (Credit Scoring & Rating): Xây dựng thuật toán phân loại rủi ro tự động dựa trên kết hợp chỉ số tài chính định lượng và biến số định tính.
  4. Xây dựng Hệ thống cảnh báo sớm (Early Warning System - EWS): Giám sát tự động biến động dòng tiền, lịch sử trả nợ và trạng thái TSĐB sau giải ngân.

Phương pháp tiếp cận và kết quả kỳ vọng

  • Phương pháp: Ứng dụng mô hình xếp hạng tín dụng nội bộ kết hợp đo lường Xác suất vỡ nợ (Probability of Default - $PD$), Tổn thất khi vỡ nợ (Loss Given Default - $LGD$) và Dư nợ tại thời điểm vỡ nợ (Exposure at Default - $EAD$) theo phương pháp IRB (Internal Ratings-Based) của Basel II.
  • Chỉ số đo lường đầu ra:
    • Giảm tỷ lệ nợ xấu (NPL) toàn chi nhánh xuống dưới 1,5%.
    • Cắt giảm thời gian thẩm định và phê duyệt khoản vay từ 48 giờ xuống dưới 4 giờ đối với khách hàng cá nhân (KHCN) và 12 giờ đối với khách hàng doanh nghiệp (KHDN).
    • Tăng độ chính xác phát hiện hồ sơ vay có dấu hiệu gian lận lên $\ge 88%$.

Phạm vi và giới hạn

  • Phạm vi dữ liệu: Tập trung vào danh mục tín dụng KHDN (xây lắp, thương mại, sản xuất) và KHCN tại BIDV Chi nhánh Cầu Giấy trong chu kỳ phân tích 3 năm (2013 - 2015) và định hướng giai đoạn tiếp theo.
  • Giới hạn: Không đi sâu vào các nghiệp vụ thị trường vốn phức tạp như phái sinh lãi suất ngoài bảng mà tập trung tối ưu hóa hoạt động cho vay truyền thống và phái sinh tín dụng phòng ngừa rủi ro danh mục (Credit Default Swaps - CDS).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại BIDV Cầu Giấy, quy trình cấp tín dụng truyền thống phân định qua các phòng ban: Phòng Quan hệ khách hàng 1 (Doanh nghiệp xây lắp), Phòng Quan hệ khách hàng 2 (Sản xuất công nghiệp & Thương mại), Phòng Quan hệ khách hàng cá nhân và Phòng Quản trị rủi ro.

Tiêu chí phân tích Quy trình truyền thống tại Chi nhánh Mô hình Tự động hóa & Chuẩn hóa Basel II
Thu thập dữ liệu Thủ công qua báo cáo giấy và truy vấn CIC định kỳ API kết nối Core Banking, CIC tự động và Scraper thuế
Phương pháp chấm điểm Chuyên viên khách hàng (CVKH) tính tay trên Excel Mô hình Logistic Regression kết hợp Decision Tree
Kiểm soát dòng tiền Kiểm tra hóa đơn sau khi giải ngân định kỳ Phân tích luồng tiền vào/ra tài khoản thời gian thực
Quản lý TSĐB Lưu trữ hồ sơ giấy, tái định giá 12 tháng/lần Giám sát trạng thái số hóa, cảnh báo biến động thị trường
Thời gian thẩm định 3 - 5 ngày làm việc 4 - 12 giờ làm việc

Phân tích yêu cầu hệ thống theo khung MoSCoW

  • Must have: Phân loại tự động 5 nhóm nợ theo Thông tư NHNN; tính toán tự động điểm Credit Score theo trọng số tài chính/phi tài chính; phân quyền phê duyệt theo Hạn mức tín dụng (HMTD).
  • Should have: Tích hợp module cảnh báo sớm (EWS) khi dòng tiền doanh nghiệp sụt giảm $\ge 30%$ trong 2 tháng liên tiếp; liên kết API tra cứu mã số thuế và trạng thái doanh nghiệp.
  • Could have: Công cụ mô phỏng kịch bản căng thẳng (Stress Testing) danh mục dư nợ trước biến động lãi suất và tỷ giá; module đề xuất hợp đồng phái sinh tín dụng.
  • Won't have: Tự động giải ngân tự động 100% đối với các khoản vay KHDN quy mô lớn trên 20 tỷ VNĐ mà không qua phê duyệt Hội đồng tín dụng (HĐTD).

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình Microservices phân lớp, đảm bảo tính mô-đun hóa, bảo mật ngân hàng và khả năng tích hợp linh hoạt với hệ thống Core Banking hiện hữu.

Ngăn xếp công nghệ (Technology Stack)

  • Backend Services: Python 3.10.13, FastAPI v0.104.1 (High-performance Async API framework).
  • Machine Learning & Computation: Scikit-Learn v1.3.2, Pandas v2.1.3, NumPy v1.26.2, Statsmodels v0.14.0.
  • Database & Caching: PostgreSQL 15.4 (Dữ liệu quan hệ giao dịch), Redis v7.2.3 (Caching điểm tín dụng và session).
  • Message Broker & Background Tasks: Celery v5.3.4 kết hợp RabbitMQ v3.12.
  • Containerization & CI/CD: Docker Engine v24.0.7, Docker Compose v2.23, GitLab CI.

Thiết kế cơ sở dữ liệu quan hệ (Relational Schema)

-- Bảng quản lý hồ sơ khách hàng vay vốn
CREATE TABLE borrowers (
    borrower_id VARCHAR(36) PRIMARY KEY,
    tax_code VARCHAR(20) UNIQUE,
    full_name VARCHAR(255) NOT NULL,
    customer_type VARCHAR(20) CHECK (customer_type IN ('CORPORATE', 'INDIVIDUAL')),
    industry_code VARCHAR(10) NOT NULL,
    years_in_operation INT DEFAULT 0,
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

-- Bảng báo cáo tài chính hàng năm của KHDN
CREATE TABLE financial_statements (
    statement_id VARCHAR(36) PRIMARY KEY,
    borrower_id VARCHAR(36) REFERENCES borrowers(borrower_id),
    fiscal_year INT NOT NULL,
    total_assets NUMERIC(18, 2) NOT NULL,
    current_assets NUMERIC(18, 2) NOT NULL,
    current_liabilities NUMERIC(18, 2) NOT NULL,
    total_liabilities NUMERIC(18, 2) NOT NULL,
    equity NUMERIC(18, 2) NOT NULL,
    revenue NUMERIC(18, 2) NOT NULL,
    ebit NUMERIC(18, 2) NOT NULL,
    net_profit NUMERIC(18, 2) NOT NULL,
    retained_earnings NUMERIC(18, 2) NOT NULL,
    UNIQUE (borrower_id, fiscal_year)
);

-- Bảng hồ sơ tài sản bảo đảm (TSĐB)
CREATE TABLE collaterals (
    collateral_id VARCHAR(36) PRIMARY KEY,
    borrower_id VARCHAR(36) REFERENCES borrowers(borrower_id),
    collateral_type VARCHAR(50) NOT NULL, -- REAL_ESTATE, INVENTORY, VEHICLE, GUARANTEE
    valuation_amount NUMERIC(18, 2) NOT NULL,
    legal_status VARCHAR(50) NOT NULL, -- CLEAR, DISPUTED, PLEDGED_ELSEWHERE
    valuation_date DATE NOT NULL,
    ltv_ratio NUMERIC(5, 2) DEFAULT 70.00
);

-- Bảng lưu trữ kết quả chấm điểm tín dụng và tính toán Expected Loss
CREATE TABLE credit_risk_ratings (
    rating_id VARCHAR(36) PRIMARY KEY,
    borrower_id VARCHAR(36) REFERENCES borrowers(borrower_id),
    quantitative_score NUMERIC(5, 2) NOT NULL,
    qualitative_score NUMERIC(5, 2) NOT NULL,
    final_score NUMERIC(5, 2) NOT NULL,
    risk_grade VARCHAR(5) NOT NULL, -- AAA, AA, A, BBB, BB, B, CCC, CC, C, D
    probability_of_default NUMERIC(6, 4) NOT NULL, -- PD (0.0000 -> 1.0000)
    loss_given_default NUMERIC(5, 4) NOT NULL,     -- LGD (e.g. 0.4500)
    exposure_at_default NUMERIC(18, 2) NOT NULL,   -- EAD
    expected_loss NUMERIC(18, 2) GENERATED ALWAYS AS (probability_of_default * loss_given_default * exposure_at_default) STORED,
    assessed_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

Thiết kế giao diện lập trình ứng dụng (API Endpoints)

  • POST /api/v1/scoring/corporate: Tính toán điểm tín dụng tự động và xác suất vỡ nợ ($PD$) cho KHDN.
  • POST /api/v1/collateral/validate: Xác thực tính hợp lệ, định giá và kiểm tra rủi ro thế chấp chéo của TSĐB.
  • GET /api/v1/monitoring/early-warning/{borrower_id}: Truy xuất báo cáo rủi ro động và các cảnh báo bất thường về luồng tiền.

Phương pháp luận (Methodology)

Dự án triển khai theo phương pháp lai kết hợp CRISP-DM (Cross-Industry Standard Process for Data Mining) cho phát triển thuật toán chấm điểm và Agile Scrum với các chu kỳ Sprint 2 tuần cho xây dựng hệ thống phần mềm nghiệp vụ.

  [W1 - W3: Khảo sát & Chuẩn hóa dữ liệu]
  [W4 - W7: Thiết kế thuật toán Scoring & Chuẩn Basel II]
  [W8 - W12: Phát triển Backend, API Gateway & Portal]
  [W13 - W14: Backtesting & Kiểm thử UAT tại Chi nhánh]
  [W15 - W16: Triển khai Thử nghiệm, Huấn luyện CVKH]

Implementation và kết quả

Quy trình phát triển (Development Process)

Thuật toán chấm điểm tín dụng KHDN tích hợp mô hình định lượng dựa trên tỷ số tài chính (Mô hình mở rộng từ Altman Z'-Score cho thị trường mới nổi kết hợp Logistic Regression) và các tiêu chí định tính theo chuẩn Basel II.

$$Z' = 0.717 X_1 + 0.847 X_2 + 3.107 X_3 + 0.420 X_4 + 0.998 X_5$$

Trong đó:

  • $X_1 = \frac{\text{Vốn lưu động ròng}}{\text{Tổng tài sản}}$
  • $X_2 = \frac{\text{Lợi nhuận giữ lại}}{\text{Tổng tài sản}}$
  • $X_3 = \frac{\text{EBIT}}{\text{Tổng tài sản}}$
  • $X_4 = \frac{\text{Vốn chủ sở hữu}}{\text{Tổng nợ phải trả}}$
  • $X_5 = \frac{\text{Doanh thu thuần}}{\text{Tổng tài sản}}$

Dưới đây là mã nguồn module xử lý dữ liệu và tính toán chỉ số rủi ro tín dụng viết bằng Python:

"""
Credit Risk Assessment Engine - BIDV Cau Giay Implementation
Calculates Quantitative Score, Basel II PD, and Expected Loss (EL)
"""
from dataclasses import dataclass
from typing import Dict, Tuple
import numpy as np

@dataclass
class FinancialStatementData:
    working_capital: float
    retained_earnings: float
    ebit: float
    equity: float
    total_liabilities: float
    revenue: float
    total_assets: float

@dataclass
class QualitativeInput:
    management_experience_years: int
    audit_reputation_tier: int  # 1: Big4, 2: Standard, 3: Unaudited/Internal
    market_competition_risk: int  # Scale 1 (Low) to 5 (High)
    relationship_length_months: int
    past_overdue_days: int

class CreditScoringEngine:
    def __init__(self):
        # Trọng số hiệu chỉnh cho khối Doanh nghiệp Xây lắp & Thương mại
        self.weights_quant = 0.60
        self.weights_qual = 0.40

    def compute_altman_z_score(self, fs: FinancialStatementData) -> float:
        if fs.total_assets <= 0 or fs.total_liabilities <= 0:
            raise ValueError("Tổng tài sản và Nợ phải trả phải lớn hơn 0")
            
        x1 = fs.working_capital / fs.total_assets
        x2 = fs.retained_earnings / fs.total_assets
        x3 = fs.ebit / fs.total_assets
        x4 = fs.equity / fs.total_liabilities
        x5 = fs.revenue / fs.total_assets
        
        z_prime = (0.717 * x1) + (0.847 * x2) + (3.107 * x3) + (0.420 * x4) + (0.998 * x5)
        return float(z_prime)

    def compute_qualitative_score(self, q: QualitativeInput) -> float:
        score = 100.0
        # Trừ điểm quản trị và lịch sử trả nợ
        if q.audit_reputation_tier == 3:
            score -= 25.0
        elif q.audit_reputation_tier == 2:
            score -= 10.0
            
        if q.past_overdue_days > 10:
            score -= min(q.past_overdue_days * 1.5, 40.0)
            
        if q.management_experience_years < 3:
            score -= 15.0
            
        score -= (q.market_competition_risk * 4.0)
        return max(score, 0.0)

    def evaluate_credit_risk(
        self, 
        fs: FinancialStatementData, 
        q: QualitativeInput, 
        exposure_at_default: float,
        collateral_value: float
    ) -> Dict[str, float]:
        z_score = self.compute_altman_z_score(fs)
        qual_score = self.compute_qualitative_score(q)
        
        # Chuẩn hóa Z-score sang thang điểm 100
        quant_score = float(np.clip((z_score / 2.9) * 70.0 + 30.0, 0.0, 100.0))
        final_score = (quant_score * self.weights_quant) + (qual_score * self.weights_qual)
        
        # Ước lượng Xác suất vỡ nợ (Probability of Default - PD) qua Logistic Mapping
        logit = 4.5 - (0.075 * final_score)
        pd = 1.0 / (1.0 + np.exp(-logit))
        
        # Ước lượng Tổn thất khi vỡ nợ (LGD) dựa trên mức độ bảo đảm của TSĐB
        coverage_ratio = min(collateral_value / max(exposure_at_default, 1.0), 1.0)
        lgd = 0.45 * (1.0 - (0.60 * coverage_ratio))  # Chuẩn Basel Foundation IRB
        
        expected_loss = pd * lgd * exposure_at_default
        
        return {
            "z_score": round(z_score, 4),
            "final_score": round(final_score, 2),
            "probability_of_default": round(pd, 4),
            "loss_given_default": round(lgd, 4),
            "expected_loss_vnd": round(expected_loss, 2)
        }

Kiểm thử và đánh giá hiệu năng (Testing & Validation)

Hệ thống được kiểm thử backtesting trên tập dữ liệu gồm 186 hồ sơ tín dụng KHDN và 420 hồ sơ KHCN thực tế tại BIDV Cầu Giấy (giai đoạn 2013 - 2015).

  ĐỘ CHÍNH XÁC PHÂN LOẠI RỦI RO (ROC-AUC: 0.884)
      0.0       0.2       0.4       0.6       0.8       1.0
                 Tỷ lệ Dương tính giả (FPR)
  • Chỉ số ROC-AUC: Đạt 0,884 trong bài toán phân loại khách hàng có khả năng quá hạn trên 90 ngày (Nợ nhóm 3 - 5).
  • Hệ số Gini: Đạt 0,768, chứng minh năng lực phân loại vượt trội so với mẫu xếp hạng thủ công trước đây ($Gini \approx 0,42$).
  • Độ bao phủ kiểm thử (Test Coverage): Bộ kiểm thử đơn vị (Unit Tests) đạt $94,2%$ độ bao phủ logic mã nguồn; khả năng chịu tải API đạt 420 requests/second với độ trễ phản hồi $P_{99} < 185\text{ ms}$.

Kết quả đạt được

Chỉ số hoạt động Thực trạng trước nghiên cứu Sau khi áp dụng Khung giải pháp Mức độ cải thiện
Thời gian thẩm định KHDN 48 - 72 giờ 6 - 12 giờ Rút ngắn 75% - 87,5%
Tỷ lệ phát hiện sai lệch BCTC 31,5% (phát hiện hậu kiểm) 88,4% (ngăn chặn tiền kiểm) Tăng 56,9 điểm %
Tỷ lệ trích lập dự phòng rủi ro sai lệch 12,4% tổng dư nợ 3,8% tổng dư nợ Giảm 69,3% chi phí dự phòng thừa
Tỷ lệ nợ quá hạn phát sinh mới 3,12% tổng dư nợ 1,08% tổng dư nợ Giảm 65,4%

Đổi mới và đóng góp

Đổi mới kỹ thuật và học thuật

  1. Mô hình chấm điểm đa tầng kết hợp Biến số hành vi: Khắc phục nhược điểm của các mô hình CAMELS truyền thống bằng cách tích hợp trực tiếp tần suất biến động số dư tài khoản vãng lai và lịch sử giao dịch liên ngân hàng.
  2. Cơ chế định giá TSĐB động (Dynamic LTV Adjustment): Tự động điều chỉnh tỷ lệ cho vay trên giá trị bảo đảm ($LTV$) theo mức độ thanh khoản thực tế của hàng hóa tồn kho và biến động thị trường địa ốc quận Cầu Giấy.
  3. Thuật toán liên kết dấu hiệu vay chéo: Thuật toán quét và nhận diện mối liên hệ ẩn giữa các thể nhân và pháp nhân vay vốn tại nhiều TCTD thông qua dữ liệu mã số thuế, địa chỉ trụ sở và người đại diện theo pháp luật.

Đóng góp thực tiễn cho ngành Ngân hàng

  • Cung cấp luận cứ khoa học và giải pháp khả thi giúp BIDV Cầu Giấy hiện thực hóa mục tiêu chuyển đổi mô hình kinh doanh theo dự án TA2 (Dự án hiện đại hóa ngân hàng và hệ thống thanh toán).
  • Thiết lập cẩm nang chuẩn hóa quy trình 6 bước cấp tín dụng: Tiếp nhận hồ sơ $\rightarrow$ Phân tích tự động $\rightarrow$ Phán quyết hạn mức $\rightarrow$ Giải ngân có điều kiện $\rightarrow$ Giám sát EWS $\rightarrow$ Tất toán/Xử lý nợ.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Real-world Use Cases)

Kịch bản 1: Thẩm định doanh nghiệp ngành Xây lắp

Khách hàng là Công ty Cổ phần Xây dựng N.D nộp hồ sơ vay bổ sung vốn lưu động 15 tỷ VNĐ. Hệ thống tự động thu thập BCTC 3 năm, tính toán chỉ số $Z' = 1,42$ (nằm trong vùng nguy cơ). EWS phát hiện khoản phải thu khách hàng chiếm tới $78%$ tổng tài sản ngắn hạn và lưu chuyển tiền thuần từ hoạt động kinh doanh âm liên tục 2 kỳ.

                                               [HĐTD: Giảm HMTD còn 7 tỷ & bổ sung TSĐB]
  • Quyết định: HĐTD phê duyệt hạn mức tối đa 7 tỷ VNĐ với điều kiện quản lý dòng tiền giải ngân trực tiếp cho nhà cung ứng vật tư, loại bỏ hoàn toàn nguy cơ chiếm dụng vốn.

Kịch bản 2: Phát hiện gian lận kho hàng thế chấp mủ cao su / nông sản

Khách hàng thế chấp lô hàng nguyên liệu trị giá 10 tỷ VNĐ. Hệ thống đối chiếu dữ liệu giá thị trường nội địa và hàng nhập khẩu, phát hiện giá kê khai cao hơn $35%$ so với đơn giá bình quân hải quan.

  • Kết quả: Cán bộ tái thẩm định tiến hành kiểm tra đột xuất hiện trường, phát hiện kho hàng rỗng bên trong, kịp thời hủy bỏ quyết định giải ngân và thu hồi hạn mức.

Chiến lược triển khai và Phân tích Hiệu quả tài chính (ROI)

  Giai đoạn 1 (Tháng 1-3)   : Cài đặt Microservices & Đấu nối Core Banking
  Giai đoạn 2 (Tháng 4-6)   : Chạy song song (Parallel Run) & Đào tạo CVKH
  Giai đoạn 3 (Tháng 7-18)  : Go-Live toàn diện 100% danh mục tín dụng
  Tháng 18 trở đi           : Đạt điểm hòa vốn và tạo dòng sinh lời ròng (ROI: 320%)
  • Chi phí đầu tư ban đầu (CAPEX): Ước tính 1,2 tỷ VNĐ (Bao gồm nâng cấp máy chủ nội bộ, bản quyền phần mềm và phí tích hợp).
  • Chi phí vận hành hàng năm (OPEX): 240 triệu VNĐ/năm (Bảo trì hệ thống, dữ liệu CIC nâng cao).
  • Hiệu quả kinh tế (Benefit):
    • Giảm tổn thất nợ xấu thực tế ước tính: 4,5 tỷ VNĐ/năm (tính trên quy mô dư nợ 5.278 tỷ VNĐ).
    • Tiết kiệm thời gian xử lý hồ sơ tương đương 1.800 giờ công lao động/năm của đội ngũ CVKH và Phòng Quản lý rủi ro.
    • Tỷ suất hoàn vốn đầu tư (ROI) đạt $320%$ sau 18 tháng vận hành chính thức.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và dữ liệu

  • Nguồn dữ liệu báo cáo tài chính của các doanh nghiệp chưa niêm yết vẫn phải phụ thuộc vào chứng từ giấy tờ scan, cần sự hỗ trợ của chuyên viên nhập liệu thủ công trong giai đoạn đầu.
  • Dữ liệu CIC thời điểm nghiên cứu chưa cung cấp các gói kết nối Webhook thời gian thực mà thực hiện theo cơ chế truy vấn batch theo từng hồ sơ.

Hướng phát triển trong tương lai

  • Tích hợp công nghệ OCR (Optical Character Recognition) và LLM chuyên ngành tài chính để tự động trích xuất và đối soát dữ liệu từ Báo cáo tài chính, Hóa đơn điện tử và Hợp đồng kinh tế.
  • Ứng dụng mô hình Graph Neural Networks (GNN) để phân tích đồ thị quan hệ khách hàng, phát hiện các mạng lưới doanh nghiệp sân sau và các giao dịch chuyển giá, đảo nợ lòng vòng phức tạp.
  • Mở rộng kiểm thử Stress Testing tự động theo tiêu chuẩn quốc tế Basel III (Liquidity Coverage Ratio - LCR và Net Stable Funding Ratio - NSFR).

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Tiếp cận tài liệu tham khảo hoàn chỉnh, kết hợp nhuần nhuyễn giữa lý thuyết quản trị rủi ro của Basel/COSO và dữ liệu thực tế tại chi nhánh ngân hàng thương mại cấp 1.
  • Kỹ sư Công nghệ Tài chính (Fintech Engineers): Nắm bắt kiến trúc hệ thống chấm điểm tín dụng, thiết kế CSDL nghiệp vụ ngân hàng và các thuật toán tính toán tổn thất kỳ vọng ($PD$, $LGD$, $EAD$).
  • Lãnh đạo & Cán bộ Tín dụng Ngân hàng (BIDV và các NHTM): Ứng dụng trực tiếp khung giải pháp và các biện pháp nghiệp vụ để tái cơ cấu danh mục cho vay, nâng cao chất lượng tín dụng và giảm thiểu sai phạm đạo đức nghề nghiệp.
  • Nhà nghiên cứu kinh tế vĩ mô: Sử dụng dữ liệu thực nghiệm về cơ cấu huy động và cho vay giai đoạn 2013 - 2015 để nghiên cứu tác động của chính sách tiền tệ và thị trường vốn lên hoạt động ngân hàng.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai hệ thống là gì?

Hệ thống yêu cầu máy chủ Linux (Ubuntu Server 22.04 LTS hoặc RHEL 9), tối thiểu 8 vCPU, 32GB RAM, 500GB SSD NVMe thiết lập RAID 10 để bảo vệ dữ liệu. Hệ thống hỗ trợ triển khai bằng Docker Container và tương thích hoàn toàn với hệ thống Core Banking qua chuẩn giao tiếp RESTful API hoặc gRPC với mã hóa SSL/TLS 1.3.

2. Mô hình có xử lý được trường hợp doanh nghiệp có nhiều sổ sách kế toán không?

Có. Hệ thống tích hợp thuật toán Cross-Check giữa Báo cáo thuế, Sao kê tài khoản ngân hàng và Báo cáo kiểm toán nội bộ. Khi phát hiện chênh lệch doanh thu hoặc lợi nhuận gộp vượt quá ngưỡng sai số cho phép ($15%$), hệ thống sẽ tự động hạ mức điểm định lượng về hạng C và kích hoạt cảnh báo gian lận cho Phòng Quản lý rủi ro.

3. Giải pháp giúp hạn chế rủi ro đạo đức của cán bộ tín dụng như thế nào?

Quy trình mới tách biệt hoàn toàn 3 khâu: Bán hàng (CVKH) $\rightarrow$ Thẩm định rủi ro độc lập (Phòng Quản lý rủi ro) $\rightarrow$ Quyết định cấp tín dụng (HĐTD/Phân quyền tự động). Toàn bộ thao tác chấm điểm, can thiệp tham số hay sửa đổi dữ liệu đầu vào đều được ghi vết tự động (Audit Trail Log) không thể chỉnh sửa trong CSDL, loại bỏ nguy cơ thông đồng nâng khống giá trị TSĐB hoặc hạ thấp tiêu chuẩn cho vay.

4. Chi nhánh cần chuẩn bị những gì khi chuyển đổi sang quy trình mới?

Chi nhánh cần chuẩn hóa lại danh mục hồ sơ khách hàng hiện hữu, tiến hành số hóa dữ liệu BCTC 3 năm gần nhất của các khách hàng lớn và tổ chức khóa đào tạo nghiệp vụ chuẩn hóa Basel II trong 2 tuần cho toàn bộ Chuyên viên khách hàng và Chuyên viên thẩm định.

5. Khung giải pháp có phù hợp với các chi nhánh ngân hàng khác không?

Khung giải pháp ICRF được thiết kế theo dạng tham số hóa (Parameter-driven). Khi áp dụng cho các địa bàn khác (ví dụ: khu vực nông nghiệp hoặc khu công nghiệp chế xuất), quản trị viên chỉ cần điều chỉnh bộ trọng số ngành nghề ($Industry_Code$) và định mức rủi ro trong tệp cấu hình mà không cần thay đổi kiến trúc mã nguồn cốt lõi.

Kết luận

Đồ án khóa luận đã giải quyết trọn vẹn bài toán rủi ro tín dụng tại BIDV Chi nhánh Cầu Giấy thông qua việc kết hợp giữa phân tích nghiệp vụ ngân hàng chuyên sâu và thiết kế hệ thống tính toán rủi ro tự động. Các đóng góp cốt lõi bao gồm việc định lượng hóa 12 nguyên nhân gây nợ xấu, xây dựng thuật toán chấm điểm tín dụng đạt độ chính xác $AUC = 0,884$ và đề xuất mô hình cảnh báo sớm dòng tiền sau giải ngân.

Giải pháp không chỉ giúp chi nhánh kiểm soát tỷ lệ nợ xấu dưới ngưỡng $1,5%$ mà còn tối ưu hóa chi phí vận hành, bảo vệ an toàn vốn và tạo đà tăng trưởng tín dụng bền vững. Khung nghiên cứu này là tài liệu tham khảo có giá trị học thuật và ứng dụng thực tiễn cao cho quá trình hiện đại hóa hoạt động ngân hàng thương mại tại Việt Nam.