Đề án ứng dụng học máy dự báo khả năng trả nợ của khách hàng tại LPBank Quảng Bình

Nghiên cứu ứng dụng các mô hình học máy nhằm dự báo khả năng trả nợ của khách hàng cá nhân tại LPBank Quảng Bình, hỗ trợ quản lý rủi ro tín dụng hiệu quả.

• Tác giả: Đinh Tuấn Vũ
• Người hướng dẫn: TS. Hoàng Hữu Trung
• Trường học: Đại học Huế - Trường Đại học Kinh tế
• Chuyên ngành: Công nghệ tài chính
• Đề tài: Ứng dụng học máy dự báo khả năng trả nợ của khách hàng cá nhân tại Ngân hàng Thương mại Cổ phần Bưu điện Liên Việt Chi nhánh Quảng Bình
• Loại tài liệu: Đề án thạc sĩ
• Năm xuất bản: 2025
• Địa điểm: Huế

Tóm tắt

I. Tổng quan ứng dụng học máy dự báo trả nợ khách hàng tại LPBank

Tín dụng bán lẻ đóng vai trò cốt lõi trong hoạt động ngân hàng thương mại. Hoạt động cho vay khách hàng cá nhân mang lại nguồn thu nhập lãi lớn. Tuy nhiên, rủi ro tín dụng luôn tiềm ẩn nhiều thách thức phức tạp. Khách hàng có thể mất khả năng thanh toán nợ do biến động kinh tế. Thất nghiệp hoặc suy giảm thu nhập bất ngờ cũng gây ra chậm trả nợ. Ngân hàng cần công cụ đánh giá chính xác để bảo toàn vốn vay. Mô hình học máy mở ra hướng đi đột phá cho quản trị rủi ro tín dụng. Thuật toán phân tích khối lượng lớn hồ sơ tài chính cá nhân trong thời gian ngắn. Hệ thống tự động phát hiện các mối quan hệ phi tuyến tính phức tạp. Nhờ đó, việc dự báo khả năng hoàn trả nợ trở nên chuẩn xác hơn. Ngân hàng Thương mại Cổ phần Bưu điện Liên Việt triển khai mạnh mẽ chuyển đổi số. Chi nhánh Quảng Bình tích cực ứng dụng công nghệ mới vào quy trình nghiệp vụ. Đề tài nghiên cứu khai thác mô hình học máy để dự báo khả năng trả nợ. Mục tiêu nhằm nâng cao chất lượng phê duyệt và hạn chế nợ xấu phát sinh. Sự kết hợp giữa lý thuyết tài chính và trí tuệ nhân tạo mang lại giá trị thiết thực.

1.1. Khái niệm và vai trò dự báo trả nợ khách hàng

Khả năng trả nợ phản ánh việc khách hàng thanh toán đầy đủ nợ gốc và lãi đúng hạn cam kết. Đánh giá đúng năng lực này giúp ngân hàng phòng ngừa nợ xấu hiệu quả. Quy định ngân hàng phân loại nợ dựa trên thời gian quá hạn thanh toán. Nợ nhóm ba trở lên được coi là nợ xấu gây tổn thất vốn. Mô hình dự báo xác định sớm các tín hiệu cảnh báo nguy cơ chậm trả. Tổ chức tín dụng có thể đưa ra biện pháp xử lý kịp thời trước khi rủi ro chuyển thành nợ khó đòi. Quá trình này bảo vệ nguồn vốn và duy trì tính thanh khoản ổn định cho toàn hệ thống. Đồng thời, ngân hàng tối ưu hóa dòng tiền và gia tăng niềm tin đối với nhà đầu tư.

1.2. Xu hướng chuyển đổi số tại LPBank Quảng Bình

LPBank Quảng Bình chủ động số hóa toàn diện quy trình cung ứng dịch vụ tài chính cá nhân. Ngân hàng mở rộng tệp khách hàng vay tiêu dùng và sản xuất kinh doanh nhỏ lẻ. Số lượng hồ sơ vay vốn tăng nhanh đòi hỏi năng lực xử lý tự động hóa cao. Phương thức thẩm định truyền thống bộc lộ nhiều điểm nghẽn về tốc độ và chi phí vận hành. Do đó, chi nhánh chú trọng đầu tư hạ tầng dữ liệu và công nghệ phân tích tiên tiến. Trí tuệ nhân tạo và học máy trở thành giải pháp ưu tiên hàng đầu. Việc ứng dụng công nghệ mới tạo bước nhảy vọt về năng suất lao động. Đồng thời, chất lượng thẩm định tín dụng được nâng cao rõ rệt.

II. Thực trạng học máy dự báo trả nợ khách hàng tại LPBank Quảng Bình

Công tác thẩm định tín dụng cá nhân trước đây dựa nhiều vào kinh nghiệm chuyên viên. Phương pháp truyền thống thường đánh giá qua bộ tiêu chí 5C bao gồm tính cách, năng lực và tài sản bảo đảm. Tuy vậy, quy trình thủ công tồn tại độ trễ lớn và dễ chịu tác động từ yếu tố chủ quan. Việc phân tích hàng ngàn hồ sơ với nhiều biến số phức tạp vượt quá khả năng xử lý thông thường. Cán bộ tín dụng khó phát hiện kịp thời các mẫu hành vi gian lận hoặc nguy cơ vỡ nợ tiềm ẩn. Ngoài ra, dữ liệu khách hàng thường gặp tình trạng mất cân bằng nghiêm trọng. Tỷ lệ khách hàng thanh toán nợ đúng hạn luôn chiếm đa số áp đảo. Số lượng hồ sơ phát sinh nợ xấu chỉ chiếm một phần rất nhỏ. Hiện tượng này khiến các thuật toán phân loại thông thường dễ bị sai lệch kết quả. Ngân hàng cần khắc phục tình trạng thiếu hụt dữ liệu và xử lý giá trị ngoại lai cẩn thận. Việc chuẩn hóa dữ liệu tài chính là yêu cầu cấp thiết để xây dựng mô hình dự báo chính xác.

2.1. Hạn chế của phương pháp chấm điểm truyền thống

Hệ thống chấm điểm tín dụng truyền thống chủ yếu dựa trên các bảng điểm cố định. Các trọng số điểm được xây dựng từ phân tích thống kê tuyến tính cơ bản. Phương pháp này gặp khó khăn khi xử lý các mối quan hệ phi tuyến phức tạp trong hành vi tài chính. Khi môi trường kinh tế biến động, các thang điểm cũ nhanh chóng trở nên lạc hậu. Chuyên viên tín dụng phải mất nhiều thời gian thu thập và xác minh giấy tờ thủ công. Quy trình kéo dài làm giảm tính cạnh tranh của ngân hàng trên thị trường bán lẻ. Hơn nữa, việc đánh giá thủ công có thể bỏ sót những khách hàng tiềm năng nhưng thiếu lịch sử tín dụng dày dặn.

2.2. Thách thức về chất lượng và mất cân bằng dữ liệu

Dữ liệu tín dụng cá nhân thu thập tại ngân hàng thường chứa nhiều biến số bị thiếu thông tin. Các lỗi nhập liệu thủ công cũng tạo ra nhiều giá trị ngoại lai bất thường. Bên cạnh đó, bài toán phân loại nợ xấu luôn đối mặt với hiện tượng mất cân bằng mẫu nghiêm trọng. Số lượng khách hàng trả nợ tốt chiếm tỷ trọng áp đảo trên tổng thể hồ sơ vay. Nếu không xử lý kỹ thuật, mô hình học máy sẽ thiên vị lớp chiếm đa số và dự báo sai lớp nợ xấu. Việc làm sạch dữ liệu, chuẩn hóa thuộc tính và cân bằng mẫu trở thành thách thức kỹ thuật lớn nhất trước khi huấn luyện mô hình.

III. Phương pháp học máy dự báo trả nợ khách hàng tại LPBank hiệu quả

Giải pháp xây dựng hệ thống học máy dự báo trả nợ được triển khai qua các bước chặt chẽ. Ngôn ngữ lập trình Python được lựa chọn nhờ hệ sinh thái thư viện xử lý phong phú. Quy trình bắt đầu bằng việc tiền xử lý dữ liệu hồ sơ khách hàng thô. Kỹ thuật SimpleImputer xử lý các trường dữ liệu thiếu hụt bằng giá trị trung vị hoặc trung bình. Phương pháp StandardScaler và MinMaxScaler đưa các biến số định lượng về thang đo chuẩn. Kỹ thuật OneHotEncoder chuyển đổi các biến phân loại thành dạng nhị phân phù hợp. Sau khi làm sạch, dữ liệu được phân chia thành tập huấn luyện và tập kiểm tra độc lập. Nghiên cứu triển khai thử nghiệm các thuật toán phân loại tiên tiến như Random Forest, XGBoost và Logistic Regression. Mỗi mô hình được tinh chỉnh siêu tham số để tối ưu hóa khả năng nhận diện rủi ro. Các chỉ số như độ chính xác, độ nhạy và diện tích dưới đường cong ROC được dùng để đánh giá toàn diện. Mô hình tối ưu nhất được lựa chọn dựa trên sự cân bằng giữa hiệu năng và độ ổn định.

3.1. Kỹ thuật tiền xử lý dữ liệu tín dụng chuyên sâu

Tiền xử lý dữ liệu là khâu then chốt quyết định chất lượng của mô hình học máy. Các biến định lượng như thu nhập, hạn mức vay và số ngày quá hạn được chuẩn hóa qua StandardScaler. Công đoạn này loại bỏ tác động của sự khác biệt về đơn vị đo lường. Kỹ thuật mã hóa OneHotEncoder giúp thuật toán đọc hiểu các biến định tính như nghề nghiệp hay tình trạng hôn nhân. Giá trị khuyết thiếu được xử lý triệt để nhằm duy trì tính toàn vẹn của tập dữ liệu. Ngoài ra, việc khử ngoại lai giúp loại trừ các quan sát bất thường làm lệch ranh giới quyết định. Dữ liệu tinh sau xử lý tạo nền tảng vững chắc cho quá trình huấn luyện.

3.2. Lựa chọn và huấn luyện các mô hình phân loại

Nghiên cứu ứng dụng đa dạng các thuật toán học máy có giám sát để so sánh hiệu năng. Thuật toán Hồi quy Logistic cung cấp nền tảng so sánh cơ bản với khả năng giải thích cao. Mô hình Rừng ngẫu nhiên phát huy thế mạnh tổng hợp từ nhiều cây quyết định, giảm thiểu hiện tượng quá khớp. Thuật toán tăng cường độ dốc XGBoost tối ưu hóa độ chính xác thông qua việc sửa chữa lỗi của cây trước đó. Quá trình kiểm định chéo K-Fold được áp dụng để đánh giá tính khái quát của mô hình. Hệ thống đo lường hiệu quả qua các chỉ số F1-Score, Precision và Recall nhằm tìm ra giải pháp phân loại tối ưu.

IV. Hiệu quả ứng dụng học máy dự báo trả nợ khách hàng tại LPBank

Việc triển khai học máy trong dự báo trả nợ mang lại bước chuyển lớn cho LPBank Quảng Bình. Mô hình đạt độ chính xác cao trong việc phân tách khách hàng tốt và khách hàng có rủi ro vỡ nợ. Thời gian thẩm định hồ sơ vay vốn được rút ngắn đáng kể so với quy trình thẩm định thủ công. Cán bộ tín dụng có thêm công cụ hỗ trợ tin cậy trước khi đưa ra quyết định phê duyệt cuối cùng. Tỷ lệ nợ xấu tiềm ẩn được kiểm soát ở mức an toàn theo định hướng quản trị rủi ro của ngân hàng. Hơn nữa, mô hình cho phép cập nhật liên tục dữ liệu mới để thích ứng với biến động thị trường. Ngân hàng có thể thiết kế các gói sản phẩm tín dụng linh hoạt theo từng nhóm đối tượng rủi ro. Khách hàng có lịch sử tín dụng tốt được tiếp cận nguồn vốn nhanh chóng với lãi suất cạnh tranh. Đề án khẳng định tính khả thi và tiềm năng to lớn của công nghệ tài chính trong ngân hàng hiện đại. Sự thành công tại chi nhánh Quảng Bình mở ra triển vọng nhân rộng mô hình ra toàn hệ thống.

4.1. Lợi ích thực tiễn trong công tác quản trị rủi ro

Mô hình học máy cung cấp cho ban điều hành cái nhìn trực quan về chất lượng danh mục tín dụng. Ngân hàng chủ động nhận diện sớm các khoản vay có dấu hiệu suy giảm năng lực trả nợ. Nhờ đó, các phương án tái cơ cấu hoặc thu hồi nợ được kích hoạt trước khi phát sinh nợ quá hạn nhóm ba. Chi phí dự phòng rủi ro tín dụng được cắt giảm đáng kể nhờ kiểm soát tốt tỷ lệ vỡ nợ. Hiệu quả kinh doanh của chi nhánh tăng trưởng bền vững qua các kỳ báo cáo tài chính. Bên cạnh đó, ngân hàng đáp ứng tốt các tiêu chuẩn giám sát an toàn vốn theo thông lệ quốc tế.

4.2. Khuyến nghị mở rộng và nâng cấp hệ thống

Để duy trì hiệu quả dự báo lâu dài, LPBank cần tiếp tục làm giàu nguồn dữ liệu huấn luyện. Ngân hàng nên tích hợp thêm các nguồn dữ liệu thay thế như lịch sử thanh toán hóa đơn tiện ích và giao dịch thương mại điện tử. Hệ thống cần được thiết lập cơ chế tái huấn luyện tự động định kỳ theo quý hoặc năm. Đội ngũ nhân sự chuyên trách cần được đào tạo chuyên sâu về kỹ năng phân tích dữ liệu và đạo đức AI. Việc đảm bảo tính minh bạch và bảo mật thông tin khách hàng phải được đặt lên hàng đầu. Đây là nền tảng vững chắc để mở rộng giải pháp ra toàn bộ mạng lưới chi nhánh.

Nội dung chính

Tổng quan nghiên cứu

Thực trạng nợ xấu gia tăng trong giai đoạn hậu dịch bệnh đã đặt ra áp lực lớn đối với hệ thống ngân hàng thương mại, đặc biệt tại phân khúc bán lẻ. Tại Ngân hàng Thương mại Cổ phần Bưu điện Liên Việt - Chi nhánh Quảng Bình (LPBank Quảng Bình), tỷ lệ nợ quá hạn và nợ xấu của nhóm khách hàng cá nhân (KHCN) trong năm 2023 có xu hướng gia tăng rõ rệt so với giai đoạn 2020-2022. Sự gia tăng này buộc ngân hàng phải tăng chi phí trích lập dự phòng rủi ro tín dụng lên mức trên 15% đến 20%, làm sụt giảm trực tiếp chỉ tiêu lợi nhuận ròng. Phương pháp thẩm định truyền thống dựa trên phán đoán cảm tính và thang điểm thủ công bộc lộ nhiều hạn chế khi đối mặt với quy mô giao dịch ngày càng lớn, dẫn đến nguy cơ bỏ sót rủi ro tiềm ẩn hoặc từ chối nhầm các hồ sơ vay tiềm năng.

Trước thách thức trên, đề án xác định mục tiêu tổng quát là ứng dụng các mô hình học máy hiện đại nhằm dự báo chính xác khả năng trả nợ (KNTN) của KHCN, hỗ trợ tối ưu hóa quyết định cấp tín dụng và nâng cao hiệu quả quản trị rủi ro tại LPBank Quảng Bình. Mục tiêu cụ thể bao gồm: hệ thống hóa lý luận về cấp tín dụng cá nhân; thu thập và tiền xử lý kho dữ liệu lịch sử; xây dựng, huấn luyện và đánh giá 5 mô hình phân loại; thử nghiệm dự báo thực tế trên các hồ sơ vay mới; từ đó đề xuất các giải pháp kiểm soát nợ quá hạn.

Nghiên cứu được triển khai từ ngày 16/10/2024 đến ngày 16/01/2025, khai thác tập dữ liệu quy mô lớn gồm 6.561 khách hàng cá nhân với tổng cộng 955.105 bản ghi theo dõi lịch sử trả nợ hàng tháng từ ngày 01/01/2016 đến ngày 18/06/2022 trên địa bàn tỉnh Quảng Bình. Đề tài mang ý nghĩa thực tiễn to lớn khi chuyển đổi phương thức chấm điểm tín dụng từ định tính sang định lượng tự động, giúp rút ngắn thời gian phê duyệt hồ sơ từ 48 giờ xuống dưới 15 phút, đồng thời thiết lập nền tảng kiểm soát tỷ lệ nợ xấu ở mức an toàn dưới 1,5%.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng kết hợp giữa lý thuyết tài chính ngân hàng và khoa học dữ liệu. Về mặt nghiệp vụ ngân hàng, đề án áp dụng mô hình phân tích tín dụng cổ điển 5C bao gồm: Tư cách người vay (Character), Năng lực trả nợ (Capacity), Vốn tự có (Capital), Tài sản bảo đảm (Collateral) và Điều kiện kinh tế - xã hội (Conditions). Để lượng hóa tiêu chí pháp lý, nghiên cứu căn cứ vào khung phân loại 5 nhóm nợ theo Thông tư số 02/2013/TT-NHNN của Ngân hàng Nhà nước Việt Nam kết hợp các chuẩn mực quản trị an toàn vốn Basel III, trong đó xác định khách hàng mất khả năng trả nợ khi các khoản vay phát sinh quá hạn từ 90 ngày trở lên (tương ứng với nợ xấu nhóm 3, nhóm 4 và nhóm 5).

Về mặt công nghệ, nghiên cứu vận dụng lý thuyết học có giám sát (Supervised Learning) cho bài toán phân loại đa lớp và nhị phân. Các khái niệm trọng tâm bao gồm: rủi ro tín dụng cá nhân, hàm mất mát (Loss Function), kỹ thuật tăng cường độ dốc (Gradient Boosting), mạng thần kinh học sâu dành riêng cho dữ liệu dạng bảng (TabNet) và hiện tượng mất cân bằng dữ liệu (Imbalanced Data). Cơ chế Attention Transformer và Feature Transformer trong TabNet được tích hợp nhằm duy trì khả năng tự chọn lọc thuộc tính quan trọng và giải thích dự báo, khắc phục nhược điểm "hộp đen" thường gặp trong các mô hình học sâu truyền thống.

Phương pháp nghiên cứu

Nghiên cứu sử dụng cỡ mẫu toàn diện gồm 6.561 khách hàng cá nhân với 955.105 quan sát trả nợ hàng tháng trong suốt hơn 6 năm (2016-2022). Phương pháp chọn mẫu là chọn mẫu xác thực thứ cấp từ Kho dữ liệu tập trung (Data Warehouse - DWH) của LPBank, kết hợp với các báo cáo tài chính thường niên giai đoạn 2021-2024 và tài liệu giám sát từ Ngân hàng Nhà nước Chi nhánh tỉnh Quảng Bình. Toàn bộ mẫu được lọc sạch các biến gây nhiễu, mã hóa biến phân loại bằng OneHotEncoder, xử lý giá trị khuyết thiếu qua kỹ thuật SimpleImputer và chuẩn hóa thang đo bằng MinMaxScaler đưa về khoảng giá trị từ 0 đến 1.

Nhằm giải quyết triệt để sự chênh lệch nhãn khi tỷ lệ khách hàng nợ quá hạn chỉ chiếm khoảng 3% đến 5% tổng mẫu, nghiên cứu ứng dụng gói thư viện Imbalanced-Learn với các thuật toán lấy mẫu nâng cao như SMOTE, Borderline-SMOTE, NearMiss và ADASYN. Phương pháp phân tích mô hình tập trung vào 5 thuật toán tiêu biểu: Hồi quy Logistic (Logistic Regression - đóng vai trò mô hình cơ sở), Rừng ngẫu nhiên (Random Forest), Cây hồi quy tăng cường độ dốc (GBRT), Tăng cường độ dốc cực đại (XGBoost) và Mạng TabNet trên nền tảng thư viện PyTorch và Scikit-Learn hỗ trợ tăng tốc phần cứng qua GPU. Lý do chọn lựa các mô hình này xuất phát từ khả năng xử lý xuất sắc các mối quan hệ phi tuyến, độ bền vững cao trước các giá trị ngoại lai và tốc độ huấn luyện tối ưu khi kết hợp phương pháp tìm kiếm siêu tham số dạng lưới (GridSearch).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh 5 mô hình trên tập kiểm thử cho thấy sự phân hóa rõ nét về năng lực dự báo rủi ro tín dụng. Thuật toán XGBoost và GBRT thể hiện hiệu suất vượt trội với chỉ số F1-score đạt trên 91% và độ chính xác tổng thể (Accuracy) xấp xỉ 93,5%, cao hơn khoảng 18% đến 20% so với mô hình Hồi quy Logistic truyền thống (chỉ đạt chỉ số F1 quanh mức 73% đến 75%). Mô hình Hồi quy Logistic bộc lộ mức độ phân tán sai số lớn, thường xuyên nhầm lẫn giữa nhóm khách hàng trả nợ Tốt và nhóm Kém do không thể bóc tách các mối tương tác đa chiều giữa các biến kinh tế.

Việc ứng dụng kỹ thuật cân bằng mẫu SMOTE trên 955.105 bản ghi đã tạo ra bước ngoặt quyết định. Trước khi xử lý mất cân bằng, độ nhạy (Recall) trong việc phát hiện nợ xấu của các mô hình chỉ đạt mức khiêm tốn từ 42% đến 48%, đồng nghĩa với việc ngân hàng bỏ sót hơn một nửa số khách hàng có nguy cơ vỡ nợ. Sau khi áp dụng kỹ thuật cân bằng dữ liệu, tỷ lệ Recall của XGBoost và TabNet đã tăng vọt lên mức trên 85%, đồng thời giảm tỷ lệ cảnh báo sai lệch xuống dưới 10%. Khi tiến hành thử nghiệm dự báo khả năng trả nợ đối với 06 khách hàng cá nhân mới có nhu cầu vay vốn thực tế tại LPBank Quảng Bình, mô hình XGBoost và Random Forest đã định vị chính xác 02 khách hàng có nguy cơ tiềm ẩn trả nợ chậm dù các chỉ tiêu thu nhập ban đầu thể hiện ở mức Khá.

Thảo luận kết quả

Sự vượt trội của các thuật toán dạng chuỗi cây quyết định (Ensemble Learning) như XGBoost bắt nguồn từ cơ chế tối ưu hóa phần dư liên tiếp kết hợp kỹ thuật chính quy hóa (Regularization L1/L2), giúp mô hình triệt tiêu hiện tượng quá khớp (Overfitting) vốn rất dễ xảy ra trong dữ liệu tài chính phức tạp. Đối với TabNet, việc ứng dụng các khối biến đổi Mask tuần tự đã mô phỏng lại logic ra quyết định của các chuyên viên thẩm định tín dụng, tạo ra xác suất dự báo có độ tin cậy cao và tính minh bạch tốt hơn so với các mạng nơ-ron truyền thống.

Các kết quả định lượng này được trình bày trực quan thông qua Ma trận nhầm lẫn (Confusion Matrix) đa chiều, đồ thị đường cong Precision-Recall và hệ thống đường cong ROC theo từng phân nhóm trả nợ (Tốt, Khá, Kém). Dựa vào các biểu đồ này, ngân hàng có thể xác định rõ ràng các ngưỡng phân định rủi ro (Cut-off Score). Phát hiện của đề án hoàn toàn tương đồng với các công bố quốc tế gần đây, khẳng định việc thay thế phương pháp tính điểm truyền thống bằng các giải pháp trí tuệ nhân tạo có thể giúp chi nhánh giảm bớt khoảng 12% đến 16% chi phí trích lập dự phòng rủi ro hàng năm, đồng thời đẩy nhanh tốc độ luân chuyển dòng vốn tín dụng.

Đề xuất và khuyến nghị

Thứ nhất, tích hợp trực tiếp mô hình phân loại XGBoost và TabNet vào hệ thống khởi tạo khoản vay (LOS) của ngân hàng. Ban Giám đốc cùng Phòng Công nghệ thông tin LPBank Quảng Bình cần hoàn tất giai đoạn kiểm thử phần mềm và đưa vào vận hành chính thức trong vòng 6 tháng (từ Quý 2/2025 đến Quý 4/2025). Mục tiêu trọng tâm là tự động hóa 75% quy trình chấm điểm hồ sơ vay tiêu dùng, cắt giảm thời gian thẩm định sơ bộ xuống dưới 30 phút cho mỗi khách hàng cá nhân.

Thứ hai, chuẩn hóa và tự động hóa khâu làm sạch dữ liệu trong Kho dữ liệu tập trung (DWH). Phòng Quản lý rủi ro tín dụng chủ trì xây dựng các luồng thu thập dữ liệu tự động với tần suất cập nhật biến động trả nợ 24 giờ một lần, áp dụng thống nhất các phương pháp MinMaxScaler và SimpleImputer. Giải pháp này cần hoàn thành trước tháng 9/2025 nhằm giảm thiểu tỷ lệ lỗi dữ liệu đầu vào xuống dưới mức 0,5%.

Thứ ba, xây dựng hệ thống cảnh báo sớm rủi ro tín dụng (Early Warning System) dựa trên dự báo xác suất vỡ nợ của mô hình máy học. Khối Vận hành và Phòng Khách hàng cá nhân chịu trách nhiệm triển khai hệ thống cảnh báo trước tháng 11/2025, hướng tới chỉ tiêu nhận diện trước từ 30 đến 45 ngày đối với ít nhất 80% khách hàng có khả năng chuyển nhóm nợ xấu, giúp cán bộ tín dụng chủ động cơ cấu lại thời hạn trả nợ.

Thứ tư, triển khai chương trình đào tạo chuyên sâu về kỹ năng phân tích dữ liệu cho đội ngũ cán bộ thẩm định. Phòng Nhân sự phối hợp các viện nghiên cứu chuyên ngành tổ chức định kỳ 2 khóa học mỗi năm bắt đầu từ Quý 3/2025, phấn đấu đạt tỷ lệ 100% Chuyên viên khách hàng sử dụng thành thạo báo cáo chấm điểm thuật toán và giải thích minh bạch kết quả dự báo cho khách hàng vay vốn.

Đối tượng nên tham khảo luận văn

Nhóm thứ nhất là Ban Lãnh đạo ngân hàng và các nhà quản trị rủi ro tại các ngân hàng thương mại. Luận văn cung cấp luận cứ thực nghiệm vững chắc để xây dựng khung đánh giá tín dụng bán lẻ tự động, tối ưu hóa danh mục cho vay và trực tiếp hạ thấp tỷ lệ nợ xấu duy trì dưới ngưỡng 2% theo chuẩn mực của Ngân hàng Nhà nước.

Nhóm thứ hai là các kỹ sư khoa học dữ liệu và chuyên gia FinTech. Đề án đóng vai trò như một cẩm nang kỹ thuật chi tiết về quy trình xử lý dữ liệu bảng quy mô lớn với gần 1 triệu bản ghi, từ các bước tiền xử lý, thuật toán cân bằng mẫu SMOTE/NearMiss cho đến quy trình tối ưu hóa siêu tham số mô hình TabNet trên GPU bằng ngôn ngữ Python.

Nhóm thứ ba là giảng viên, học viên cao học và sinh viên các ngành Công nghệ tài chính, Tài chính - Ngân hàng và Hệ thống thông tin quản lý. Tài liệu này là nguồn tham khảo học thuật giá trị cao, kết nối nhuần nhuyễn giữa hệ thống lý thuyết tài chính cổ điển (mô hình 5C, Thông tư 02, Basel III) với các công nghệ trí tuệ nhân tạo hiện đại.

Nhóm thứ tư là các chuyên viên tín dụng và cán bộ thẩm định thực địa tại các chi nhánh. Luận văn giúp người làm công tác thực tế hiểu rõ cơ chế vận hành của điểm số rủi ro tín dụng, tránh việc phụ thuộc máy móc vào cảm tính chủ quan và nâng cao tính chính xác trong việc ra quyết định cấp tín dụng hàng ngày.

Câu hỏi thường gặp

Mô hình học máy nào đạt hiệu quả dự báo khả năng trả nợ cao nhất trong nghiên cứu?
Mô hình XGBoost và Gradient Boosted Regression Tree (GBRT) mang lại hiệu quả vượt trội nhất với chỉ số F1-score đạt trên 91% và độ chính xác tổng thể đạt xấp xỉ 93,5%. Các mô hình này có khả năng phân tách sắc nét giữa các nhóm khách hàng Tốt, Khá và Kém, vượt trội hơn hẳn so với mức 73% của mô hình Logistic Regression.

Kỹ thuật xử lý mất cân bằng dữ liệu mang lại giá trị cụ thể như thế nào cho bài toán tín dụng?
Do tỷ lệ khách hàng quá hạn chỉ chiếm từ 3% đến 5% trên tổng số 955.105 bản ghi, việc áp dụng SMOTE và ADASYN đã giúp tăng độ nhạy (Recall) trong việc phát hiện nợ xấu từ mức 45% lên trên 85%. Kỹ thuật này giúp ngân hàng không bị bỏ sót các trường hợp có rủi ro vỡ nợ thực tế.

Tại sao đề tài lại lựa chọn nghiên cứu mô hình học sâu TabNet bên cạnh các thuật toán cây truyền thống?
TabNet là kiến trúc mạng nơ-ron tiên tiến được thiết kế riêng cho dữ liệu dạng bảng. Mô hình tích hợp cơ chế Attention Transformer giúp tự động chọn lọc các thuộc tính tài chính có trọng số cao, đem lại khả năng giải thích dự báo minh bạch thay vì hoạt động như một "hộp đen", đạt độ chính xác cân bằng trên 89%.

Quy mô bộ dữ liệu nghiên cứu có đảm bảo tính đại diện và độ tin cậy khoa học không?
Bộ dữ liệu gồm 6.561 khách hàng cá nhân với 955.105 quan sát lịch sử trả nợ được thu thập liên tục trong 6,5 năm (2016-2022) từ Kho dữ liệu của LPBank. Quy mô mẫu lớn này phản ánh đầy đủ chu kỳ kinh tế và biến động thu nhập, đảm bảo độ tin cậy thống kê cao cho quá trình huấn luyện.

Ứng dụng kết quả đề tài giúp LPBank Quảng Bình tiết kiệm chi phí trích lập dự phòng như thế nào?
Thông qua việc nâng cao độ chính xác dự báo và phát hiện sớm các khoản nợ tiềm ẩn rủi ro quá hạn, mô hình giúp giảm thiểu sự hình thành nợ nhóm 3 đến nhóm 5. Nhờ đó, chi nhánh có thể tiết giảm từ 12% đến 16% chi phí trích lập dự phòng rủi ro tín dụng hàng năm.

Kết luận

• Ứng dụng thành công 5 thuật toán học máy hiện đại trên tập dữ liệu lớn gồm 6.561 khách hàng và 955.105 bản ghi trả nợ tại LPBank Quảng Bình.
• Khẳng định mô hình XGBoost và GBRT đạt hiệu suất dự báo tối ưu nhất với chỉ số F1-score vượt mức 91%, giải quyết triệt để hạn chế của phương pháp chấm điểm truyền thống.
• Chứng minh vai trò cốt lõi của các giải pháp cân bằng mẫu SMOTE trong việc nâng cao độ nhạy nhận diện nợ quá hạn lên trên 85%.
• Hoàn thiện thử nghiệm dự báo trên 06 khách hàng cá nhân thực tế, cung cấp công cụ định lượng hỗ trợ phê duyệt khoản vay chuẩn xác và minh bạch.
• Đề xuất lộ trình tích hợp công nghệ trong giai đoạn 2025-2026 nhằm hạ thấp tỷ lệ nợ xấu dưới 1,5% và tiết giảm tối đa chi phí dự phòng.

Đề án là công trình tiên phong trong việc chuyển đổi số mảng quản trị rủi ro tín dụng bán lẻ tại địa phương. Ban điều hành và các tổ chức tín dụng cần nhanh chóng bắt tay vào thử nghiệm tích hợp các thuật toán học máy vào hệ thống vận hành thực tế ngay trong năm 2025 để kiến tạo lợi thế cạnh tranh bền vững.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. CƠ SỞ KHOA HỌC CỦA VẤN ĐỀ NGHIÊN CỨU 1. Khả năng trả nợ của khách hàng cá nhân đối với khoản cấp tín dụng tại NHTM 1. Tổng quan về hoạt động cấp tín dụng đối với khách hàng cá nhân 1.

Khái niệm về khách hàng cá nhân Khách hàng cá nhân được hiểu là cá nhân mỗi người và các hộ gia đình có nhu cầu vay vốn từ ngân hàng để sử dụng cho việc cá nhân như sản xuất, kinh doanh, mua sắm vật dụng cá nhân [7]. Khái niệm về cấp tín dụng khách hàng cá nhân Cấp tín dụng KHCN là một hình thức cấp tín dụng. Theo đó, các cá nhân hay hộ gia đình sẽ được NH cung cấp cho một khoản tiền để sử dụng vào các mục đích khác nhau như sản xuất kinh doanh, đầu tư, tiêu dùng hay trong một khoảng thời gian nhất định với nguyên tắc hoàn trả đầy đủ, đúng hạn cả gốc và lãi cho NH [7]. Đặc điểm cấp tín dụng khách hàng cá nhân  Giá trị các khoản cấp tín dụng thường nhỏ, nhưng số lượng các khoản cấp tín dụng thường lớn: Hầu hết KHCN tìm đến NH để đề nghị cấp tín dụng cho những nhu cầu chi tiêu còn khá nhỏ.

Một phần là KHCN đã có sự tích lũy vốn từ trước, mặt khác giá của các sản phẩm cần chi tiêu không quá đắt. Do vậy các khoản cấp tín dụng thường nhỏ, phân tán nên chi phí quản lý cao. Nhưng đổi lại, quy mô cấp tín dụng KHCN ở các NH lại lớn, vì mỗi khoản cấp tín dụng dù nhỏ nhưng là nhu cầu vay vốn rất phổ biến, thường xuyên, đa dạng đối với mọi tầng lớp dân cư dẫn đến số lượng các khoản cấp tín dụng nhiều [8].  Thời hạn của các khoản cấp tín dụng thường ngắn: Các khoản cấp tín dụng đối với KHCN thường rất đa dạng, bao gồm các khoản cấp tín dụng ngắn hạn, trung và dài hạn.

Tuy nhiên, KHCN vay vốn với mục đích là tiêu dùng, sản xuất kinh doanh nhỏ lẻ nên chủ yếu là các khoản cấp tín dụng ngắn hạn và trung hạn, các khoản cấp tín dụng dài hạn thường ít phát sinh hơn [8]. 5  Các khoản cấp tín dụng KHCN có độ rủi ro cao: Cấp tín dụng KHCN có mức độ rủi ro lớn và được coi là tài sản rủi ro nhất trong danh mục tài sản của NH. Xuất phát từ bản thân KHCN vay vốn có thể có sự biến động về tình hình tài chính dẫn đến mất khả năng chi trả hay khi KHCN cố tình không chịu trả nợ, hoặc do sự biến động về tình trạng sức khoẻ, công việc… Hoặc do ảnh hưởng của tổ chức trung gian (đơn vị, tổ chức có cán bộ nhân viên vay vốn, các đơn vị chủ quản,…) đặc biệt là các hình thức cấp tín dụng không có TSBĐ cũng mang lại rủi ro rất nhiều đối với loại hình cấp tín dụng này. Do đó, để hạn chế những rủi ro tiềm ẩn trên, NH thường xuyên yêu cầu KHCN phải có TSBĐ khi vay vốn và yêu cầu người vay phải mua các sản phẩm bảo hiểm như: bảo hiểm thất nghiệp, bảo hiểm nhân thọ, bảo hiểm cho hàng hoá đã mua.

Mặt khác việc thẩm định và quyết định cấp tín dụng KHCN thường không đầy đủ về thông tin khi KHCN cố tình che giấu các thông tin bất lợi để có được khoản cấp tín dụng cũng là một trong những lý do dẫn tới tình trạng rủi ro tín dụng gia tăng đối với các khoản cấp tín dụng KHCN [8].  Các khoản cấp tín dụng KHCN có lãi suất cao và cứng nhắc: Với các khoản cấp tín dụng kinh doanh hiện nay thì lãi suất thay đổi theo điều kiện thị trường. Còn lãi suất cấp tín dụng KHCN sẽ cố định ở một mức nhất định, phổ biến trong cấp tín dụng trả góp. Việc chia kỳ trả nợ của khoản cấp tín dụng thành nhiều kỳ hạn trả nợ hoặc được thực hiện nhiều kỳ một cách tuần hoàn, theo một mức tín dụng ngay từ khi bắt đầu thời kỳ tín dụng khiến lãi suất cấp tín dụng mang tính cố định, hầu như không thay đổi trong suốt quá trình tín dụng.

Ngoài ra, do mức độ rủi ro cao nên lãi suất cấp tín dụng KHCN thường ấn định khá cao để bù trừ rủi ro tín dụng. Các khoản cấp tín dụng càng nhiều rủi ro thì lãi suất càng cao [9].  Cấp tín dụng KHCN thường có tính nhạy cảm theo chu kỳ: Do số lượng khoản cấp tín dụng phụ thuộc vào nhu cầu của các cá nhân, hộ gia đình và khả năng thanh toán của họ nên nó có tính nhạy cảm theo chu kỳ. Cấp tín dụng KHCN sẽ tăng lên khi tăng trưởng của nền kinh tế, mức thu nhập của người dân và tình hình kinh tế xã hội tương đối ổn định.

Ngược lại, người dân thường có xu hướng cắt giảm chi tiêu, giảm đầu tư và hoạt động sản xuất kinh doanh khi nền kinh tế suy thoái. Thay vào đó 6 là sự dịch chuyển tăng cường tiết kiệm và hạn chế đề nghị cấp tín dụng từ NH. Bên cạnh đó, mức thu nhập và trình độ dân trí cũng tác động rất lớn đến nhu cầu vay của KHCN. Những người có thu nhập cao có xu hướng vay nhiều hơn so với thu nhập hàng năm mà mình có được.

Chủ gia đình hay người thu nhập chính trong gia đình có trình độ, học vấn cao thì việc đề nghị cấp tín dụng là một công cụ để đạt được mức sống như mong muốn [9].  Lợi nhuận thu được từ các khoản cấp tín dụng là đáng kể: Tương ứng với mức rủi ro như vậy thì cấp tín dụng KHCN có được một mức lợi nhuận rất lớn trong nguồn thu của NH. Bên cạnh đó, số lượng các khoản cấp tín dụng tiêu dùng khá nhiều khiến cho tổng quy mô cấp tín dụng lớn cùng với mức lợi nhuận cho mỗi khoản cấp tín dụng khiến cho lợi nhuận thu về từ hoạt động cấp tín dụng là đáng kể trong tổng lợi nhuận của NH. Chính vì triển vọng về lợi nhuận cũng như phạm vi về đối tượng KH trong lĩnh vực này mà đối với hầu hết các nước phát triển hiện nay, cấp tín dụng KHCN đã trở thành một trong những nguồn thu chủ chốt của NHTM, đóng vai trò chủ đạo trong dịch vụ NH và còn tiếp tục hứa hẹn nhiều triển vọng trong việc phát triển loại hình tín dụng này trong tương lai [9].

Những tiêu chí đánh giá chất lượng cấp tín dụng khách hàng cá nhân 1. Chỉ tiêu định tính Là những chỉ tiêu mang tính tương đối rất khó xác định thường được dùng để đánh giá chất lượng tín dụng một cách khái quát, các chỉ tiêu định tính bao gồm:  Hoạt động tín dụng KHCN phải đảm bảo đúng mục tiêu, định hướng của ngân hàng trong ngắn hạn cũng như trung dài hạn, phải đảm bảo thực hiện đúng nguyên tắc cấp tín dụng nhằm hạn chế đến mức tối đa rủi ro cho ngân hàng và thực hiện tốt các chính sách của Nhà nước trong từng thời kỳ.  Hoạt động tín dụng KHCN phải đảm bảo đúng quy trình thủ tục, tuân thủ các nguyên tắc: sử dụng vốn đúng mục đích, hoàn trả tiền vay đầy đủ và đúng hạn, có TSBĐ,. có như vậy mới đảm bảo tính chất pháp lý và an toàn cho ngân hàng.

 Uy tín của ngân hàng, sự hài lòng của khách hàng đối với các sản phẩm tín dụng mà ngân hàng cung cấp về qui mô, lãi suất, phí, thời gian phục vụ… 7  Trình độ chuyên môn nghiệp vụ của cán bộ ngân hàng, khả năng ứng dụng của công nghệ, kỹ thuật hiện đại trong quá trình cung cấp tín dụng nhằm rút ngắn thời gian phục vụ nhưng vẫn đảm bảo thu thập, lưu trữ đầy đủ thông tin để giúp ngân hàng có thể khai thác, phát hiện và ngăn ngừa rủi ro.  Sự phối hợp tốt giữa các cơ quan chức năng như: công chứng, trung tâm giao dịch đảm bảo, các tổ chức, đoàn thể để làm tốt công tác cấp tín dụng. Các chỉ tiêu định tính rất khó xác định và chủ yếu dựa vào kinh nghiệm của cán bộ tín dụng và người quản lý cũng như các mối quan hệ của họ với khách hàng vì vậy trên thực tế nói đến chất lượng tín dụng thường người ta chú ý nhiều đến các chỉ tiêu định lượng. Chỉ tiêu định lượng  Chỉ tiêu đánh giá quy mô cung cấp vốn tín dụng Các chỉ tiêu dư nợ tín dụng, tốc độ tăng trưởng tín dụng, tỷ trọng dư nợ tín dụng là các chỉ tiêu quan trọng để phản ánh quy mô cung cấp vốn tín dụng của ngân hàng đối với nền kinh tế.

+ Dư nợ tín dụng: Dư nợ là chỉ tiêu phản ánh lượng vốn cấp tín dụng đang nằm trong thành viên khách hàng chưa thu hồi tại một thời điểm xác định. Tổng dư nợ bao gồm dư nợ cấp tín dụng ngắn hạn, trung hạn, dài hạn. Tổng dư nợ thấp chứng tỏ hoạt động của ngân hàng yếu kém, không có khả năng mở rộng, khả năng tiếp thị của ngân hàng kém, trình độ cán bộ tín dụng thấp. Mặc dù vậy, không có nghĩa là chỉ tiêu này càng cao thì chất lượng tín dụng càng cao bởi vì đằng sau những khoản tín dụng đó còn có những rủi ro tín dụng mà ngân hàng phải gánh chịu [10].

+ Tốc độ tăng trưởng tín dụng: Tốc độ tăng trưởng tín dụng là tỷ lệ % gia tăng lượng tiền cho cá nhân hoặc tổ chức vay của năm này so với năm trước đó [10]. Tốc độ tăng trưởng tín dụng được xác định theo công thức sau: Dư nợ kỳ này - Dư nợ kỳ trước Tốc độ tăng trưởng tín dụng= ×100 % Dư nợ kỳ trước Tỷ trọng dư nợ cho biết dư nợ từng loại chiếm bao nhiêu % trong tổng dư nợ. Phân tích tỷ trọng dư nợ sẽ giúp ngân hàng biết được ngân hàng cần đẩy mạnh cấp tín 8 dụng theo loại hình nào để cân đối thực lực của ngân hàng. Tỷ trọng dư nợ khi so với tỷ trọng nguồn huy động sẽ cho biết rủi ro của loại hình cấp tín dụng nào là nhiều nhất.

 Chỉ tiêu đánh giá mức độ an toàn tín dụng + Tỷ lệ nợ quá hạn: Nợ quá hạn là chỉ tiêu phản ánh các khoản nợ khi đến hạn mà khách hàng không trả được cho ngân hàng, không có nguyên nhân chính đáng thì ngân hàng sẽ chuyển từ tài khoản dư nợ sang tài khoản quản lý khác gọi là nợ quá hạn với lãi suất cao hơn lãi suất bình thường [10].