Ứng dụng máy học trong quản trị rủi ro tín dụng ngân hàng

LỜI CAM KẾT

LỜI CẢM ƠN

TÓM TẮT LUẬN ÁN

DANH MỤC TỪ VIẾT TẮT

DANH MỤC BẢNG BIỂU

DANH MỤC CÁC HÌNH

MỤC LỤC

1. CHƯƠNG 1: GIỚI THIỆU

1.1. Bối cảnh nghiên cứu

1.2. Mục tiêu nghiên cứu

1.2.1. Mục tiêu tổng quát

1.2.2. Mục tiêu cụ thể

1.3. Câu hỏi nghiên cứu

1.4. Đối tượng và phạm vi nghiên cứu

1.5. Phương pháp nghiên cứu

1.6. Ý nghĩa khoa học và thực tiễn

1.7. Cấu trúc luận án

2. CHƯƠNG 2: KHẢO LƯỢC LÝ THUYẾT

2.1. Tổng quan về rủi ro tín dụng và các lý thuyết liên quan

2.1.1. Các quan điểm về rủi ro tín dụng

2.1.2. Lý thuyết về việc sử dụng các hệ số trong dự báo rủi ro tín dụng

2.1.3. Các phương pháp dự báo rủi ro tín dụng

2.1.3.1. Phương pháp dựa trên chuyên gia

2.1.3.2. Phương pháp thống kê

2.1.3.3. Phương pháp máy học

2.2. Các khái niệm cơ bản về máy học giải thích

2.2.1. Khái niệm về máy học

2.2.2. Máy học giải thích

2.2.3. Phân loại máy học giải thích

2.3. Các công trình nghiên cứu trong và ngoài nước

2.3.1. Các nghiên cứu nước ngoài

2.3.1.1. Nghiên cứu so sánh hiệu quả giữa các mô hình học máy

2.3.1.2. Nghiên cứu sử dụng kết hợp kỹ thuật thống kê giải thích và máy học

2.3.2. Các nghiên cứu trong nước

2.3.3. Khoảng trống nghiên cứu

2.4. Tóm tắt chương 2

3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU

3.1. Thiết kế nghiên cứu

3.2. Mô hình nghiên cứu

3.2.1. Mô tả biến phụ thuộc

3.2.2. Mô tả biến độc lập

3.3. Dữ liệu nghiên cứu

3.3.1. Nguồn dữ liệu và quy trình thu thập dữ liệu

3.3.2. Xử lý và làm sạch dữ liệu

3.4. Mô hình máy học

3.4.1. Hồi quy logistic

3.4.2. Cây quyết định

3.4.3. Rừng ngẫu nhiên

3.4.4. Thuật toán tăng cường độ dốc cực đại (XGBoost)

3.4.5. Mạng thần kinh nhân tạo

3.4.6. Máy vectơ hỗ trợ (SVM)

3.5. Xác thực mô hình và điều chỉnh tham số

3.6. Kỹ thuật thống kê giải thích

3.6.1. Biểu đồ phụ thuộc bán phần (PDP)

3.7. Đánh giá hiệu quả mô hình

3.7.1. Ma trận nhầm lẫn (confusion matrix)

3.7.2. Thang đo hiệu suất

3.8. Công cụ và thư viện cho phân tích dữ liệu

3.9. Tóm tắt chương 3

4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

4.1. Thực trạng thị trường trái phiếu doanh nghiệp và rủi ro vỡ nợ của các doanh nghiệp phát hành

4.2. Thống kê mô tả

4.3. Kết quả của các mô hình dự báo

4.3.1. Hồi quy logistic

4.3.2. Cây quyết định

4.3.3. Rừng ngẫu nhiên

4.3.4. Tăng cường độ dốc cực đại

4.3.5. Mạng thần kinh nhân tạo

4.3.6. Máy Vector hỗ trợ

4.4. So sánh kết quả giữa các mô hình máy học

4.5. Kết quả của mô hình giải thích

4.5.1. Khả năng diễn giải tổng thể

4.5.2. Khả năng diễn giải riêng lẻ

4.5.2.1. CTCP Chế biến và XNK Thủy sản Cadovimex (CAD)

4.5.2.2. Công ty Cổ phần Đức Long Gia Lai (DLG)

4.5.2.3. Tập đoàn Long Điền (LGD)

4.6. Thảo luận kết quả

4.7. Tóm tắt chương 4

5. CHƯƠNG 5: HÀM Ý CHÍNH SÁCH VÀ KHUYẾN NGHỊ

5.1. Đóng góp của nghiên cứu

5.2. Các khuyến nghị đối với các bên liên quan

5.2.1. Đối với các tổ chức tín dụng

5.2.2. Đối với các công ty chứng khoán và công ty quản lý quỹ

5.2.3. Đối với các tổ chức xếp hạng tín nhiệm

5.2.4. Đối với cơ quan quản lý

5.3. Hạn chế của nghiên cứu

5.4. Định hướng nghiên cứu trong tương lai

5.5. Tóm tắt chương 5

TÀI LIỆU THAM KHẢO

PHỤ LỤC 1: Đồ thị phụ thuộc của các biến độc lập

PHỤ LỤC 2: Biểu đồ phân phối của các biến

PHỤ LỤC 3: Các hệ số của CAD giai đoạn 2020 - 2022

PHỤ LỤC 4: Các hệ số của DLG giai đoạn 2020 - 2022

PHỤ LỤC 5: Các hệ số của LGD giai đoạn 2020 - 2022

PHỤ LỤC 6: Danh sách các bài báo khoa học

I. Giới thiệu về ứng dụng máy học trong quản trị rủi ro tín dụng ngân hàng

Trong bối cảnh thị trường tài chính ngày càng phức tạp, việc ứng dụng máy học trong quản trị rủi ro tín dụng ngân hàng trở nên cần thiết. Các mô hình máy học có khả năng xử lý và phân tích dữ liệu lớn, giúp phát hiện các mẫu và xu hướng mà các phương pháp truyền thống không thể nhận diện. Việc áp dụng máy học không chỉ nâng cao độ chính xác trong việc dự báo rủi ro tín dụng mà còn tạo ra những dự báo nhanh chóng và linh hoạt hơn. Theo báo cáo của Ngân hàng Nhà nước Việt Nam, tỷ lệ nợ xấu gia tăng đã đặt ra thách thức lớn cho các tổ chức tài chính. Do đó, việc phát triển các phương pháp đo lường và dự báo rủi ro tín dụng là rất cấp thiết.

1.1. Tầm quan trọng của máy học trong quản trị rủi ro tín dụng

Sự phát triển của công nghệ tài chính đã mở ra nhiều cơ hội cho việc ứng dụng máy học trong quản lý rủi ro tín dụng. Các mô hình như Cây quyết định, Rừng ngẫu nhiên và XGBoost đã chứng minh hiệu quả vượt trội trong việc dự báo rủi ro tín dụng so với các phương pháp truyền thống. Việc sử dụng máy học giúp các ngân hàng và tổ chức tài chính có thể phân tích dữ liệu một cách nhanh chóng và chính xác, từ đó đưa ra quyết định kịp thời nhằm giảm thiểu rủi ro. Các nghiên cứu cho thấy rằng, việc áp dụng máy học có thể cải thiện đáng kể khả năng phát hiện sớm các dấu hiệu của rủi ro tín dụng.

II. Phân tích dữ liệu và mô hình máy học

Quá trình phân tích dữ liệu là bước quan trọng trong việc ứng dụng máy học vào quản trị rủi ro tín dụng ngân hàng. Dữ liệu được thu thập từ nhiều nguồn khác nhau, bao gồm báo cáo tài chính và các chỉ số kinh tế vĩ mô. Việc xử lý và làm sạch dữ liệu lớn là cần thiết để đảm bảo tính chính xác của các mô hình. Các mô hình máy học như Mạng nơ-ron nhân tạo và Máy vectơ hỗ trợ đã được áp dụng để dự báo rủi ro tín dụng. Kết quả cho thấy các mô hình này có khả năng phân biệt tốt giữa các doanh nghiệp có nguy cơ vỡ nợ và không vỡ nợ, thể hiện qua các chỉ số AUC cao.

2.1. Các mô hình máy học phổ biến

Trong nghiên cứu, các mô hình như Cây quyết định, Rừng ngẫu nhiên và XGBoost đã được sử dụng để dự báo rủi ro tín dụng. Mô hình XGBoost đạt độ chính xác tổng quát lên đến 100% trên tập huấn luyện và 89,6% trên tập kiểm tra. Điều này cho thấy khả năng của máy học trong việc xử lý dữ liệu lớn và phát hiện các mẫu phức tạp. Việc so sánh hiệu suất giữa các mô hình cho thấy rằng máy học không chỉ cải thiện độ chính xác mà còn giúp các nhà phân tích có cái nhìn sâu sắc hơn về các yếu tố ảnh hưởng đến rủi ro tín dụng.

III. Kỹ thuật giải thích trong máy học

Kỹ thuật giải thích như SHAP (SHapley Additive exPlanations) đóng vai trò quan trọng trong việc nâng cao tính minh bạch của các mô hình máy học. SHAP cho phép phân tích các yếu tố ảnh hưởng đến quyết định dự báo của mô hình, từ đó giúp nhà đầu tư và nhà quản lý hiểu rõ hơn về kết quả của các dự báo rủi ro tín dụng. Việc áp dụng SHAP không chỉ nâng cao tính minh bạch mà còn tạo ra sự tin tưởng hơn từ phía người sử dụng khi đưa ra những quyết định đầu tư quan trọng.

3.1. Lợi ích của việc sử dụng SHAP

SHAP cung cấp thông tin chi tiết về tầm quan trọng của các biến trong mô hình dự báo. Các biến như tỷ lệ thu nhập giữ lại trên tổng tài sản và tỷ lệ nợ ròng trên tổng tài sản được xác định là có tác động đáng kể đến khả năng dự báo rủi ro tín dụng. Việc hiểu rõ mối quan hệ giữa các biến này giúp các nhà phân tích đưa ra quyết định chính xác hơn trong việc quản lý rủi ro tín dụng. Kết quả nghiên cứu cho thấy rằng việc kết hợp giữa máy học và kỹ thuật giải thích có thể mang lại những kiến thức và công cụ hữu ích cho các tổ chức tài chính.

IV. Kết luận và khuyến nghị

Nghiên cứu đã chứng minh tính hiệu quả của việc ứng dụng máy học trong quản trị rủi ro tín dụng ngân hàng. Các mô hình máy học không chỉ nâng cao độ chính xác trong việc dự báo rủi ro tín dụng mà còn cung cấp những thông tin chi tiết về các yếu tố ảnh hưởng. Các tổ chức tài chính nên xem xét việc áp dụng các mô hình này để cải thiện khả năng quản lý rủi ro. Đồng thời, việc sử dụng các kỹ thuật giải thích như SHAP sẽ giúp tăng cường tính minh bạch và độ tin cậy của các dự báo.

4.1. Khuyến nghị cho các tổ chức tài chính

Các tổ chức tài chính nên đầu tư vào việc phát triển và áp dụng các mô hình máy học trong quản trị rủi ro tín dụng. Việc này không chỉ giúp nâng cao hiệu quả quản lý rủi ro mà còn tạo ra giá trị gia tăng cho các nhà đầu tư. Hơn nữa, việc đào tạo nhân viên về các kỹ thuật máy học và giải thích sẽ giúp họ có khả năng đưa ra quyết định chính xác hơn trong việc đánh giá rủi ro tín dụng.

Luận án tiến sĩ về ứng dụng máy học trong quản trị rủi ro tín dụng ngân hàng