chương 1 và chương 2 để mô tả chi tiết phương pháp, mô hình nghiên cứu được sử dụng. Thu thập và mô hình hóa các dữ liệu về các yếu tố tác động đến RRTD tại các NHTM Việt Nam. Chương 4: KẾT QUẢ NGHIÊN CỨU Chương này trình bày chi tiết các kết quả từ quá trình nghiên cứu ở chương 3. Xem xét, đánh giá độ tương độ tương quan các biến, phân tích cụ thể các yếu tố ảnh hưởng RRTD tại các NHTM Việt Nam.
Chương 5: KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ Chương này sẽ đúc kết và tổng hợp các kết quả nghiên cứu để rút ra các kết luận, nhận định chính xác nhất. Từ đó đề xuất các biện pháp quản lý rủi ro và các khuyến nghị dựa trên chương 4 để giảm thiểu RRTD. Kết thúc chương sẽ đưa ra các hạn chế còn gặp phải của bài nghiên cứu. 5 CHƯƠNG 2: CƠ SỞ LÝ LUẬN VÀ TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC 2.
TỔNG QUAN VỀ DỰ ĐOÁN RỦI RO TÍN DỤNG 2. Khái niệm về dự đoán Theo Danilo Bzdok và cộng sự (2018) định nghĩa dự đoán nhằm mục đích dự báo những kết quả chưa được quan sát hoặc hành vi tương lai. Dự đoán học máy là việc thực hành sử dụng dữ liệu để dự đoán hoặc dự báo các sự kiện tương lai được gọi là dự đoán bằng học máy. Mục tiêu của dự đoán học máy là xây dựng các mô hình có thể nhận dạng các xu hướng trong dữ liệu và áp dụng những xu hướng này để đưa ra các dự đoán chính xác về dữ liệu mới, chưa được biết trước.
Những dự báo này có thể hỗ trợ việc ra quyết định, chẳng hạn như xác định nhà đầu tư có khả năng cao nhất sẽ xuống tiền cho dự án, cá nhân có nguy cơ mắc nợ xấu cao nhất, hoặc những khoản đầu tư có tiềm năng sinh lời cao nhất. Khái niệm rủi ro tín dụng Rủi ro tín dụng là một khái niệm quan trọng của lĩnh vực ngân hàng, được định nghĩa và đóng góp trong các công trình nghiên cứu của nhiều tác giả trong và ngoài nước, cụ thể: Theo Chen và Pan (2012), rủi ro tín dụng liên quan đến sự bất ổn định trong giá trị của các công cụ nợ và phái sinh, xuất phát từ sự thay đổi về đảm bảo tín dụng của người vay và đối tác. Coyle (2000) nói rằng rủi ro tín dụng xảy ra khi khách hàng vay vốn không thanh toán đúng hạn hoặc không đủ khả năng chi trả toàn bộ các khoản nợ, dẫn đến tổn thất cho bên cho vay. Rủi ro tín dụng theo Ủy ban Giám sát Ngân hàng Basel BCBS (2001) và Gostineau (1993) là khả năng mất mát một phần hoặc toàn bộ khoản nợ chưa thanh toán do các sự cố liên quan đến tín dụng (rủi ro không thanh toán).
Bélanger và cộng sự (2004) cho rằng rủi ro tín dụng hoặc rủi ro vỡ nợ là rủi ro mà một cá nhân hoặc một pháp nhân thương mại không thực hiện được nghĩa 6 vụ hợp đồng. Moles cũng khẳng định rủi ro tín dụng có thể được định nghĩa là “Khả năng một bên tham gia hợp đồng không thể thực hiện được đáp ứng các nghĩa vụ của mình theo các điều khoản đã thỏa thuận”. Hoặc theo Tomas Kliestik và Juraj Cúg (2015) nói rằng rủi ro tín dụng là rủi ro thể hiện khả năng thua lỗ mà tổ chức phải gánh chịu trong kinh doanh khi mà (đối tác) vỡ nợ hoặc có khả năng vỡ nợ. TC Wilson (1998) khẳng định rằng rủi ro tín dụng chắc chắn là rủi ro quan trọng nhất đối với các ngân hàng, vì tín dụng mà một nghiệp vụ cốt lõi của ngân hàng và nó ảnh hưởng trực tiếp tới sức khỏe và tình hình tài chính của tổ chức.
Khi rủi ro tín dụng xảy ra thì ngân hàng phải gánh chịu tổn thất và điều đó không chỉ ảnh hưởng đến hoạt động kinh doanh mà còn làm suy giảm niềm tin của nhà đầu tư và khách hàng, gây khó khăn đến sự phát triễn trong bối cảnh cạnh tranh thị trường Bên cạnh đó, ở Việt Nam, rủi ro tín dụng được định nghĩa là sự thay đổi từ các tác nhân đến doanh thu ròng cá nhân khách hàng dẫn đến do khách hàng không thanh toán hoặc trả nợ chậm theo hợp đồng của khoản nợ, Sang Tăng My (2020). Theo khoản 23 Điều 3 Thông tư 13/2018/TT-NHNN được sửa đổi, bổ sung bởi khoản 1 Điều 1 Thông tư 40/2018/TT-NHNN quy định về rủi ro tín dụng như sau: Rủi ro tín dụng là nguy cơ phát sinh từ việc khách hàng không thực hiện hoặc không thể thực hiện một phần hoặc toàn bộ nghĩa vụ thanh toán theo điều khoản của hợp đồng hoặc thỏa thuận với ngân hàng thương mại, hoặc chi nhánh ngân hàng đặt ở nước ngoài. Tổng quan về chương trình học máy (Machine learning) Học máy đang trở thành một phần không thể thiếu trong cuộc sống hiện đại, mở ra những khả năng mới trong nhiều lĩnh vực khác nhau. Từ việc dự đoán hành vi của khách hàng, chẩn đoán bệnh tật, đến tối ưu hóa quy trình sản xuất, học máy mang lại những giải pháp thông minh và hiệu quả hơn.
Bằng cách phân tích và học hỏi từ dữ liệu, các hệ thống học máy có khả năng đưa ra những dự 7 đoán chính xác và ra quyết định tối ưu, tạo ra những thay đổi tích cực và đột phá trong mọi ngành nghề. Định nghĩa: Học máy là một ứng dụng của trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kĩ thuật sử dụng các dữ liệu và thuật toán cho phép AI bắt chước tự động từ dữ liệu để giải quyết những vấn đề cụ thể từ đó tăng độ chính xác và cải thiện hiệu suất dự đoán. Theo Taiwo Oladipupo Ayodele (2010), học máy có thể được định nghĩa là một quá trình xây dựng các hệ thống máy tính tự động cải thiện theo kinh nghiệm và thực hiện quá trình học tập. Machine Learning vẫn có thể được định nghĩa là học lý thuyết tự động từ dữ liệu, thông qua quá trình suy luận, lắp mô hình hoặc học từ các ví dụ.
Theo Andriy Burkov (2019), học máy là một lĩnh vực con của khoa học máy tính liên quan đến việc xây dựng các thuật toán, để hữu ích, dựa trên một tập hợp các ví dụ về một số hiện tượng. Những ví dụ này có thể đến từ thiên nhiên, được làm thủ công bởi con người hoặc được tạo ra bởi một thuật toán khác. Học máy cũng có thể được định nghĩa là quá trình giải quyết một vấn đề thực tế bằng cách : (1) thu thập một tập dữ liệu và. (2) xây dựng thuật toán một mô hình thống kê dựa trên tập dữ liệu đó.
Mô hình thống kê đó được giả định là được sử dụng bằng cách nào đó để giải quyết vấn đề thực tế. Trong lĩnh vực tài chính, học máy (Machine Learning - ML) thường được chia thành ba nhánh chính: Học có giám sát (supervised learning): Học có giám sát là phương pháp mà mô hình được huấn luyện trên một tập dữ liệu đã gán nhãn, tức là mỗi mẫu dữ liệu đầu vào đi kèm với một nhãn đầu ra. Mục tiêu là để mô hình học cách dự đoán nhãn đầu ra cho các dữ liệu mới. Ví dụ, trong nhận dạng hình ảnh, các bức ảnh của mèo và chó được gán nhãn tương ứng, và mô hình học cách phân biệt giữa hai loài vật này.
8 Học không giám sát (unsupervised learning): Học không giám sát là phương pháp mà mô hình làm việc với dữ liệu chưa gán nhãn. Thay vì dự đoán nhãn cụ thể, mục tiêu là tìm ra các cấu trúc ẩn hoặc mẫu trong dữ liệu. Một ví dụ phổ biến là phân cụm (clustering), nơi mô hình nhóm các dữ liệu tương tự nhau thành các cụm. Điều này hữu ích trong việc phân đoạn khách hàng hoặc phát hiện các mẫu hành vi bất thường.
Học tăng cường (reinforcement learning): Học tăng cường là phương pháp mà mô hình học cách đưa ra quyết định bằng cách tương tác với môi trường và nhận phản hồi dưới dạng phần thưởng hoặc hình phạt. Mô hình điều chỉnh hành vi của mình để tối đa hóa phần thưởng theo thời gian. Ví dụ, trong trò chơi cờ vua, mô hình học cách chơi bằng cách thử các nước đi khác nhau và nhận phản hồi dựa trên kết quả của mỗi ván đấu. Nhìn chung, học máy là một công cụ mạnh mẽ cho phép máy tính xử lý và phân tích dữ liệu phức tạp, đưa ra các dự đoán và quyết định thông minh, giúp giải quyết nhiều vấn đề thực tế một cách hiệu quả.
Giới thiệu một số mô hình học máy 2. Mô hình Hồi quy tuyến tính (Linear Regression) Linear Regression là một thuật toán học có giám sát trong Machine Learning, dùng để ước tính mối quan hệ giữa các biến độc lập và biến phụ thuộc. Nó giả định rằng các biến có mối tương quan tuyến tính và tìm hàm tuyến tính tối ưu để mô tả mối quan hệ này, qua đó dự đoán giá trị của biến đầu ra từ các biến đầu vào. Phương trình của mô hình Linear Regression có dạng: 𝑦 = 𝛼 + 𝑏1 𝑥1 + 𝑏2 𝑥2 + ⋯ + 𝑏𝑛 𝑥𝑛 + 𝜀 (2.1) Trong đó: - y: biến phụ thuộc, mục tiêu đầu ra; - 𝑥1 , 𝑥2 , … , 𝑥𝑛 : các biến độc lập, là các giá trị trong bộ dữ liệu; - 𝛼 : hệ số chặn (intercept); 9 - 𝑏1 , 𝑏2 , … , 𝑏𝑛 : các hệ số góc; - 𝜀: sai số; Hình 2.
Đường thẳng tuyến tính Nguồn: Lê Hoàng Anh (2021). Mục tiêu của Linear Regression là xác định mối tương quan giữa các biến độc lập và giá trị đầu ra, trong đó giá trị đầu ra là liên tục và các biến độc lập có thể là liên tục hoặc rời rạc. Mối quan hệ này được biểu diễn dưới dạng tuyến tính. Mô hình sẽ được huấn luyện và điều chỉnh các hệ số “b” sao cho phù hợp với dữ liệu mẫu, sử dụng phương pháp bình phương tối thiểu để giảm thiểu tổng phương sai.
Linear Regression có tính đơn giản và dễ hiểu. Mô hình này dễ triển khai và diễn giải kết quả, giúp chúng ta hiểu rõ mối quan hệ giữa các biến độc lập và biến phụ thuộc. Ngoài ra, Linear Regression yêu cầu ít tài nguyên tính toán, giúp nó nhanh chóng thực hiện ngay cả trên các tập dữ liệu lớn. Mô hình cũng dễ dàng được mở rộng và áp dụng trong nhiều lĩnh vực khác nhau như kinh tế, y học, và khoa học xã hội.