Chương I cũng đưa ra được tầm quan trọng của XHTD với cả NHTM và KHCN: với NHTM thì nó giúp NHTM đưa ra quyết định cho vay đối với một nhóm KHCN nào thì phù hợp với chiến lược của ngân hàng: nó giúp KHCN được hưởng những chế độ ưu đãi phù hợp. Các phương pháp XHTD cũng được nêu ra cụ thể: phương pháp chuyên gia dựa vào ý kiến chủ quan của các chuyên gia giỏi trong lĩnh vực đó, phương pháp thống kê áp dụng các phân tích thống kê đữ liệu để xây dựng mô hình dự báo, phương pháp kết hợp sử dụng cả hai phương pháp trên. Bên cạnh đó, chương này cũng đưa ra được một số nghiên cứu liên quan đến chủ đề dùng hồi quy Logistic để đánh giá RRTD. 12 Chuyên dé thực tập chuyên ngành Toán Tài chính CHƯƠNG 2 QUY TRÌNH NGHIÊN CỨU XÉP HẠNG TÍN DỤNG TẠI NGÂN HÀNG Chương 2 tập trung vào giới thiệu các phương pháp được sử dụng trong xây dựng mô hình XHTD tại ngân hàng.
Chúng ta sẽ tìm hiểu về mô hình Logistic và lí do chọn Logistic trong bài toán XHTD này. Ngoài ra, chương này cũng đưa ra một số phương pháp xử lý biên, chọn lọc biên cùng với một sô tiêu chí đê đánh giá mô hình. Mô hình Logistic 2. Khải niệm Hau hết NHTM ưu tiên sử dụng mô hình Logistic trong xây dựng mô hình dự báo xác suất không trả được nợ của KH thay vì sử dụng phương pháp chuyên gia hay kết hợp các mô hình trong phương pháp thống kê.
Nguyên nhân chính là bài toán cụ thể được đặt ra tại ngân hàng: dự báo xác suất không trả được nợ của KH nên các NHTM cần đưa ra những lời giải thích hợp lý khi từ chối/ chấp nhận một khoản vay nào đó từ khách hàng. Những giải thích khi dựa trên những phân tích từ mô hình sẽ thuyết phục hơn khi sử dụng phương pháp thu thập ý kiến chủ quan từ chuyên gia; còn việc sử dụng cách kết hợp các mô hình trong phương pháp thống kê thì khá phức tạp và không cần thiết trong bài toán này. Mô hình Logistic là một mô hình thống kê mà mô hình hóa xác suất của một sự kiện đang diễn ra băng cách đặt in) la su két hop tuyén tính của một hoặc nhiều biến độc lập. Ham Logistic là một hàm được dùng phổ biến vì nó dé hiểu về mặt toán học: 1 P= VỚI XB = Bo + BX, a 1+e-XB Tuy nhiên, ham Logistic lại phi tuyến với cả các tham số và các biến độc lập nên ta sẽ khó giải thích khi hồi quy, vì vậy, ta sẽ biến đổi nó về dang tuyến tính: 13 Chuyên dé thực tập chuyên ngành Toán Tài chính In (2) = In(odds) = By + BX, + ĐạX;¿ ++ voip € (0;1) Như vậy, ta biến déi từ ham Logistic về hàm có dạng tuyến tính sẽ dé hồi quy và đưa ra lời giải thích về ảnh hưởng của biến độc lập tới biến phụ thuộc.
Uu điểm, nhược điểm Một số ưu điểm của hồi quy Logistic trong xây dựng mô hình XHTD tại NHTM: Thứ nhất, hồi quy Logistic dé đưa ra lời giải thích về sự tác động của biến giải thích lên biến phụ thuộc. Chúng ta có thé tuyến tính hóa hàm Logistic hồi quy, nó sẽ dé dàng dé giải thích tại sao biến độc lập này thay đổi thì biến phụ thuộc cũng sẽ gián tiếp thay đổi theo. Một số mô hình Machine Learning khác có khả năng dự báo tốt hơn nhưng nó có chứa những tham số mà chúng ta khó có thê đưa ra được những sự lý giải thích hợp với thực tế. Thứ hai, cách thực hiện hồi quy Logistic cũng dễ thực hiện vì đây là một quy trình với các phép biến đổi và giải thích rõ ràng.
Các bước thực hiện có thể được lý giải dựa trên những cơ sở lý thuyết đã có, khác với một số mô hình Machine Learning khác cần chỉnh sửa những tham số dé chọn ra mô hình tốt nhất mà không có cơ sở hay phương pháp cụ thé nao. Bên cạnh những ưu điểm trên, hồi quy Logit cũng có những nhược điểm cần phải khắc phục: Thứ nhất, hồi quy Logistic không dự báo được kết quả liên tục. Nó chỉ có thể được dùng dé đưa ra những dự báo với những mô hình có biến phụ thuộc là biến phân loại. Thứ hai, hồi quy Logistic có thé không đưa ra được kết qua dự báo chính xác với mẫu có kích thước nhỏ.
Nếu kích thước mẫu nhỏ thì mô hình được tạo ra từ hồi quy Logistic dựa trên số quan sát nhỏ hơn. Điều đó sẽ có thê dẫn đến “overfitting”- một lỗi mô hình hóa xảy ra khi mô hình quá khớp với một bộ dữ liệu hạn chế. 14 Chuyên dé thực tập chuyên ngành Toán Tài chính 2. Các phương pháp xử lý biến và ước lượng hệ số trong mô hình 2.
Xử lý “missing values” Hau hết dữ liệu liên quan đến lĩnh vực tài chính đều có “missing values”; đặc biệt trong đữ liệu về thông tin, lịch sử tín dụng,.của khách hàng tại NHTM đều có chưa các giá trị trên. Nó xảy ra với nhiều nguyên nhân khách nhau: do khách hàng không điền/ không biết điền như thế nào, do khách hàng làm thẻ tín dụng nhưng không sử dụng,. Và chúng ta có bôn cách đê xử lý các “missing value” trong bộ đữ liệu: Thứ nhất, loại bỏ tất cả các quan sát có chứa “missing values”. Tuy nhiên, việc bỏ này có thé sẽ gây ra van dé mắt rất nhiều quan sát trong bộ dữ liệu; ví dụ: mỗi một biến có “missing values” ở những quan sát khác nhau, nếu chúng ta loại bỏ hết thì bộ đữ liệu sẽ mat nhiều quan sát.
Chúng ta chỉ nên loại bỏ “missing values” nếu chúng chiếm nhỏ hơn 5% tông số quan sát trong bộ dữ liệu. Thứ hai, loại bỏ hêt các biên có “missing values” ra khỏi mô hình. Trong trường hợp này, ta nên loại biên nêu biên đó có chứa trên 50% quan sát là “missing value” hoặc các biến đó vẫn sẽ có khả năng thiếu đữ liệu trong tương lai. Thứ ba, ta có thể đưa hết “missing values” vào mô hình bằng cách gộp chúng lại thành 1 nhóm đối với từng biến, sau đó sẽ dùng WOE của chúng là đầu vào thay vì đưa dtr liệu thô vào.
Thứ tư, chúng ta có thé thay thé “missing values” bằng giá trị trung bình, mean. Tuy nhiên, điều này có thê ảnh hưởng đến xu thế của các biến độc lập với biên mục tiêu. Các NHTM thường áp dụng phương pháp biến đổi thứ ba dé xử lý “missing values” vì các phương pháp 1,2,4 đều giả định các “missing value” không có giá trị gì- không thê thu thập được những thông tin hữu ích cho việc kinh doanh từ các giá trị đó. Tuy nhiên, điêu đó chưa chắc đã hoàn toàn đúng, những giá tri đó có thê là một phân của xu 15 Chuyên dé thực tập chuyên ngành Toán Tài chính hướng, được liên kêt với các giá trị khác trong biên đó đê tạo nên một xu hướng đúng với thực tế.
Cách biến đổi dữ liệu Dé hiểu rõ hơn về cách biến đổi WOE, chúng ta có thé tìm hiểu về ý nghĩa, cách tính toán và những ưu - nhược điêm của nó: WOE là một trong những kĩ thuật tao biến và lựa chọn biến thường được xử dụng trong xây dựng mô hình XHTD. Phương pháp biến đổi này sẽ đánh giá sức mạnh dự báo dựa trên điểm số đánh giá về sức mạnh dự báo nợ xấu. Tiêu chuẩn đánh giá sẽ dựa trên chỉ số IV- được tính toán thông qua WOE. Cách biến đổi WOE có các kĩ thuật xử lý khác nhau đôi với biên liên tục và biên phân loại: Đối với biến liên tục: WOE sẽ chia các quan sát trong biến thành các nhóm giá trị.
Số lượng nhóm và số quan sát mỗi nhóm phụ thuộc vào xu thế và phải được lý giải đúng với thực tế. Sau đó, áp dụng công thức và tính WOE rồi đưa vào mô hình thay giá trị thô của biên đó. Doi với biên rời rạc: WOE có thê can nhac moi một giá tri rời rac là một nhóm hoặc có thê gộp nhiêu giá tri roi rac có sô lượng quan sat ít vào một nhóm. Bên cạnh đó, trường hop “missing values” cũng có thé được coi là một nhóm riêng biệt nêu sô lượng của nó là đáng kê hoặc nhóm vào các nhóm khác nêu nó là thiêu sô.
Sau đó thì tính toán WOE và thay vào mô hình như làm với biến liên tục. Công thức: Distr 7 WOE = Ln = Bad (1) e Good: những quan sát ma KH có khả nang trả được nợ P(Y=0)-hồ sơ Good e Distr Good: tỷ lệ giữa tổng Good trong một nhóm và tông Good của cả biến WOE dùng dé đo lường sự khác biệt giữa phân phối của Good và phân phối của Bad trên từng nhóm gia trị. Giá tri WOE tại một nhóm nao đó càng lớn thì chứng tỏ 16 Chuyên dé thực tập chuyên ngành Toán Tài chính nhóm đó có số lượng Good càng cao. Như đã trình bày ở trên, cách biến đổi WOE có rat nhiêu ưu điêm trong vân dé xử lý biên trước khi đưa vào mô hình cuôi cùng: Thứ nhất, cách biên d6i WOE giúp loại bỏ ảnh hưởng của các giá trị ngoại lai vì chúng sẽ được gộp vào nhóm giá trị gần đó.
Khi đó, các giá trị ngoại lai sẽ không còn khác biệt so với các những quan sát khác thuộc cùng nhóm vì tất cả các quan sát trong nhóm đó cùng được gán giá trị bằng trọng số WOE. Bên cạnh đó, cách biến đổi này cũng giúp chúng ta giải quyết van đề với “missing values” bằng cách thay thé giá trị của WOE tương ứng vào cho cua “missing values”. Thứ hai, khi sử dung biến chưa xử ly thì trong một số trường hợp xu thé của biến độc lập có thé không quan hệ đơn điệu với biến mục tiêu: chữ U, A,.Do đó, phương pháp biến đổi WOE sé đảm bảo mối quan hệ đơn điệu (đồng biến/ nghịch biến) với biến mục tiêu. Cách biến đổi này giúp ta chia nhỏ các biến liên tục thành các nhóm mà giá trị của nó đơn điệu với bién mục tiêu.
Do đó, các hệ số trong hồi quy Logistic sẽ giải thích được đúng mối quan hệ giữa các biến độc lập và biến phụ thuộc. Thứ ba, WOE giúp chúng ta giải quyết được các vấn đề về mâu thuẫn đơn vị giữa các biến độc lập trong mô hình.