Luận Văn Thạc Sĩ: Ứng Dụng Mô Hình Phân Tích Sống Sót Trong Đo Lường Rủi Ro Tín Dụng Khách Hàng ...

Luận văn thạc sĩ UEH nghiên cứu ứng dụng mô hình phân tích sống sót trong đo lường rủi ro tín dụng khách hàng cá nhân tại ngân hàng TMCP Ngoại thương Việt Nam.

• Tác giả: Phan Xuân Vinh
• Người hướng dẫn: PGS.TS Trầm Thị Xuân Hương
• Trường học: Trường Đại Học Kinh Tế Thành Phố Hồ Chí Minh
• Chuyên ngành: Ngân hàng
• Đề tài: Ứng Dụng Mô Hình Phân Tích Sống Sót Đo Lường Rủi Ro Tín Dụng Tại Vietcombank
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu của đề tài
• 1.3. Đối tượng nghiên cứu và phương pháp nghiên cứu
• 1.3.1. Đối tượng nghiên cứu
• 1.3.2. Phương pháp nghiên cứu
• 1.4. Kết cấu đề tài
• 1.5. Ý nghĩa khoa học của đề tài
• 2. CHƯƠNG 2: LÝ THUYẾT MÔ HÌNH PHÂN TÍCH SỐNG SÓT TRONG ĐO LƯỜNG RỦI RO TÍN DỤNG
• 2.1. Lý thuyết chung về rủi ro tín dụng ngân hàng
• 2.1.1. Định nghĩa rủi ro
• 2.1.2. Rủi ro tín dụng
• 2.2. Phân tích rủi ro tín dụng
• 2.2.1. Các hệ thống chuyên gia
• 2.2.2. Phân tích phần bù rủi ro
• 2.2.3. Phương pháp thống kê và kinh tế lượng
• 2.2.4. Các hệ thống kết hợp
• 2.3. Mô hình chấm điểm trong đo lường rủi ro tín dụng
• 2.3.1. Tổng quan về mô hình chấm điểm tín dụng
• 2.3.2. Các mô hình chấm điểm tín dụng
• 2.4. Mô hình phân tích sống sót
• 2.4.1. Lý thuyết mô hình phân tích sống sót
• 2.4.1.1. Dữ liệu bị cắt (censored data)
• 2.4.1.2. Dữ liệu bị chặn (truncated data)
• 2.4.2. Các loại mô hình phân tích sống sót
• 2.4.2.1. Mô hình Kaplan – Meier
• 2.4.2.2. Mô hình tham số
• 2.4.2.3. Hàm gia tốc thời gian thất bại (Accelerated failure time)
• 2.4.2.4. Hàm tỷ lệ nguy cơ đầy đủ tham số (fully parametric proportional hazards model)
• 2.4.2.5. Mô hình Cox (Cox Proportional hazards model)
• 2.5. Các nghiên cứu trước đây
• 3. CHƯƠNG 3: ĐO LƯỜNG RỦI RO TÍN DỤNG CỦA KHÁCH HÀNG CÁ NHÂN TẠI VIETCOMBANK
• 3.1. Sơ lược Vietcombank và tình hình hoạt động kinh doanh
• 3.1.1. Lịch sử của Vietcombank
• 3.1.2. Tình hình hoạt động kinh doanh và cho vay cá nhân tại Vietcombank
• 3.2. Thực trạng đo lường rủi ro tín dụng của khách hàng cá nhân tại Vietcombank
• 3.2.1. Nhận xét mô hình chấm điểm tín dụng của Vietcombank
• 3.2.1.1. Những điểm tích cực
• 3.2.1.2. Những điểm chưa đạt được
• 3.2.2. Sự cần thiết của mô hình phân tích sống sót
• 4. CHƯƠNG 4: XÂY DỰNG MÔ HÌNH PHÂN TÍCH SỐNG SÓT ĐO LƯỜNG RỦI RO TÍN DỤNG VÀ KẾT QUẢ NGHIÊN CỨU
• 4.1. Lựa chọn biến sử dụng trong mô hình
• 4.5. Xây dựng mô hình phân tích sống sót
• 4.5.1. Phương pháp nghiên cứu và các bước xây dựng mô hình
• 4.5.2. Mô hình ước lượng tổng quát
• 4.5.3. Kiểm định giả định của mô hình hồi quy COX
• 4.5.3.1. Kiểm định biến liên tục
• 4.5.3.2. Kiểm định các biến phân loại
• 4.6. Mô hình phân tích sống sót đề xuất
• 4.6.1. Mô hình thứ nhất
• 4.6.2. Mô hình thứ hai (mô hình đề nghị)
• 4.7. Kết quả nghiên cứu
• 4.7.1. Hàm nguy cơ cơ sở
• 4.7.2. Đối với các biến có ý nghĩa trong mô hình đề xuất
• 4.7.2.1. Biến số tiền được duyệt vay và thu nhập
• 4.7.2.2. Biến giới tính
• 4.7.2.3. Biến Sản phẩm
• 5. CHƯƠNG 5: KẾT LUẬN VÀ KHUYẾN NGHỊ
• 5.2. Minh họa ứng dụng mô hình nghiên cứu
• 5.3. Hạn chế và hướng các nghiên cứu tiếp theo
• Phụ lục 1: Danh mục tài liệu tham khảo
• Phụ lục 2: Kết quả mô hình nghiên cứu

Tóm tắt

I. Tổng Quan Về Ứng Dụng Mô Hình Phân Tích Sống Sót Tại Vietcombank

Mô hình phân tích sống sót là một công cụ quan trọng trong việc đo lường rủi ro tín dụng tại ngân hàng. Tại Vietcombank, mô hình này được áp dụng để đánh giá khả năng trả nợ của khách hàng cá nhân. Việc sử dụng mô hình này không chỉ giúp ngân hàng giảm thiểu rủi ro mà còn tối ưu hóa quy trình cho vay. Mô hình phân tích sống sót cho phép ngân hàng dự đoán xác suất vỡ nợ của khách hàng, từ đó đưa ra quyết định cho vay hợp lý hơn.

1.1. Lý Do Chọn Mô Hình Phân Tích Sống Sót

Mô hình phân tích sống sót được lựa chọn vì khả năng xử lý dữ liệu bị cắt và cung cấp thông tin chi tiết về rủi ro tín dụng. Điều này giúp Vietcombank có cái nhìn rõ ràng hơn về tình hình tài chính của khách hàng.

1.2. Lợi Ích Của Mô Hình Đối Với Vietcombank

Việc áp dụng mô hình này giúp Vietcombank cải thiện quy trình cho vay, giảm thiểu rủi ro tín dụng và nâng cao hiệu quả kinh doanh. Mô hình cũng hỗ trợ ngân hàng trong việc phân tích dữ liệu và đưa ra quyết định chính xác hơn.

II. Thách Thức Trong Đo Lường Rủi Ro Tín Dụng Tại Vietcombank

Mặc dù mô hình phân tích sống sót mang lại nhiều lợi ích, nhưng việc áp dụng nó cũng gặp phải một số thách thức. Một trong những thách thức lớn nhất là việc thu thập và xử lý dữ liệu. Dữ liệu tín dụng thường không đầy đủ và có thể bị cắt, điều này ảnh hưởng đến độ chính xác của mô hình. Ngoài ra, việc đào tạo nhân viên để sử dụng mô hình cũng là một vấn đề cần được giải quyết.

2.1. Khó Khăn Trong Việc Thu Thập Dữ Liệu

Dữ liệu tín dụng thường không đầy đủ và có thể bị cắt, điều này ảnh hưởng đến độ chính xác của mô hình. Việc thu thập dữ liệu từ nhiều nguồn khác nhau cũng gây khó khăn cho ngân hàng.

2.2. Đào Tạo Nhân Viên Sử Dụng Mô Hình

Đào tạo nhân viên để sử dụng mô hình phân tích sống sót là một thách thức lớn. Nhân viên cần phải hiểu rõ về cách thức hoạt động của mô hình và cách áp dụng nó vào thực tế.

III. Phương Pháp Xây Dựng Mô Hình Phân Tích Sống Sót Tại Vietcombank

Để xây dựng mô hình phân tích sống sót, Vietcombank đã áp dụng các phương pháp thống kê và kinh tế lượng. Mô hình này được phát triển dựa trên dữ liệu thực tế từ khách hàng vay tiêu dùng. Các bước xây dựng mô hình bao gồm lựa chọn biến, ước lượng mô hình và kiểm định giả định. Việc áp dụng mô hình này giúp ngân hàng có cái nhìn tổng quan về rủi ro tín dụng.

3.1. Lựa Chọn Biến Trong Mô Hình

Việc lựa chọn biến là rất quan trọng trong quá trình xây dựng mô hình. Các biến như thu nhập, số tiền vay và lịch sử tín dụng được xem xét kỹ lưỡng để đảm bảo tính chính xác của mô hình.

3.2. Kiểm Định Giả Định Của Mô Hình

Kiểm định giả định của mô hình là bước quan trọng để đảm bảo rằng mô hình hoạt động hiệu quả. Các giả định về phân phối và mối quan hệ giữa các biến cần được kiểm tra kỹ lưỡng.

IV. Kết Quả Nghiên Cứu Về Mô Hình Phân Tích Sống Sót Tại Vietcombank

Kết quả nghiên cứu cho thấy mô hình phân tích sống sót đã giúp Vietcombank cải thiện đáng kể khả năng dự đoán rủi ro tín dụng. Mô hình này không chỉ giúp ngân hàng giảm thiểu tổn thất mà còn nâng cao hiệu quả cho vay. Các kết quả từ mô hình cho thấy mối quan hệ rõ ràng giữa các biến độc lập và xác suất vỡ nợ của khách hàng.

4.1. Phân Tích Kết Quả Mô Hình

Kết quả từ mô hình cho thấy mối quan hệ rõ ràng giữa các biến độc lập và xác suất vỡ nợ của khách hàng. Điều này cho phép ngân hàng đưa ra quyết định cho vay chính xác hơn.

4.2. Ứng Dụng Kết Quả Vào Thực Tiễn

Kết quả nghiên cứu đã được áp dụng vào thực tiễn tại Vietcombank, giúp ngân hàng cải thiện quy trình cho vay và giảm thiểu rủi ro tín dụng.

V. Kết Luận Và Hướng Đi Tương Lai Của Mô Hình Phân Tích Sống Sót

Mô hình phân tích sống sót đã chứng minh được giá trị của nó trong việc đo lường rủi ro tín dụng tại Vietcombank. Trong tương lai, ngân hàng cần tiếp tục cải thiện mô hình này bằng cách cập nhật dữ liệu và áp dụng công nghệ mới. Việc nghiên cứu và phát triển mô hình sẽ giúp Vietcombank duy trì vị thế cạnh tranh trong ngành ngân hàng.

5.1. Đề Xuất Cải Tiến Mô Hình

Để nâng cao hiệu quả của mô hình, Vietcombank cần thường xuyên cập nhật dữ liệu và cải tiến các biến trong mô hình. Việc áp dụng công nghệ mới cũng sẽ giúp cải thiện độ chính xác của mô hình.

5.2. Tương Lai Của Mô Hình Tại Vietcombank

Mô hình phân tích sống sót sẽ tiếp tục đóng vai trò quan trọng trong việc đo lường rủi ro tín dụng tại Vietcombank. Ngân hàng cần đầu tư vào nghiên cứu và phát triển để duy trì vị thế cạnh tranh.

Nội dung chính

Tổng quan nghiên cứu

Hoạt động tín dụng là nguồn thu chính của các ngân hàng thương mại tại Việt Nam, chiếm hơn 80% tổng thu nhập. Tuy nhiên, rủi ro tín dụng luôn là thách thức lớn, ảnh hưởng trực tiếp đến sự ổn định và phát triển của hệ thống ngân hàng cũng như nền kinh tế. Trong bối cảnh chuyển dịch dòng vốn sang thị trường bán lẻ, đặc biệt là cho vay cá nhân, việc xây dựng mô hình đo lường rủi ro tín dụng hiệu quả trở nên cấp thiết. Luận văn tập trung nghiên cứu ứng dụng mô hình phân tích sống sót trong đo lường rủi ro tín dụng khách hàng cá nhân tại Ngân hàng TMCP Ngoại Thương Việt Nam (Vietcombank) tại TP. Hồ Chí Minh, với dữ liệu thu thập từ 2756 khách hàng vay tiêu dùng trong giai đoạn 7/2012 đến 8/2015.

Mục tiêu nghiên cứu gồm: (1) xây dựng mô hình phân tích sống sót phù hợp với đặc thù tín dụng cá nhân; (2) ứng dụng mô hình này để đo lường và dự báo rủi ro tín dụng, từ đó hỗ trợ Vietcombank nâng cao hiệu quả quản lý rủi ro và ra quyết định cho vay. Nghiên cứu có ý nghĩa quan trọng trong việc cung cấp công cụ khoa học giúp ngân hàng tối ưu hóa quy trình thẩm định tín dụng, giảm thiểu rủi ro nợ xấu và tăng cường khả năng dự báo vỡ nợ theo thời gian.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Rủi ro tín dụng: Được định nghĩa là khả năng người vay không thực hiện đầy đủ nghĩa vụ tài chính theo thỏa thuận, gây tổn thất cho ngân hàng. Rủi ro tín dụng là thách thức lớn nhất đối với các tổ chức tài chính, đòi hỏi quản trị chặt chẽ và hiệu quả.

• Mô hình chấm điểm tín dụng truyền thống: Bao gồm các phương pháp hồi quy Logistic, Probit, và các mô hình phi tham số như mạng thần kinh, cây phân loại. Tuy nhiên, các mô hình này thường không xử lý tốt dữ liệu bị cắt (censored data) và không dự báo được xác suất vỡ nợ theo thời gian.

• Mô hình phân tích sống sót (Survival Analysis): Là mô hình thống kê chuyên phân tích dữ liệu thời gian xảy ra sự kiện (ở đây là thời điểm vỡ nợ). Mô hình này xử lý được dữ liệu bị cắt, cho phép dự báo xác suất vỡ nợ tại từng thời điểm, phù hợp với đặc thù các khoản vay cá nhân có thời gian vay trung và dài hạn. Mô hình Cox bán tham số được lựa chọn do không yêu cầu giả định về hàm nguy cơ cơ sở và có khả năng xử lý đa biến.

Các khái niệm chính bao gồm: dữ liệu bị cắt (censored data), hàm sống sót (survival function), hàm nguy cơ (hazard function), mô hình Kaplan-Meier, mô hình Cox Proportional Hazards.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng với dữ liệu thực tế thu thập từ 2756 khách hàng vay tiêu dùng cá nhân tại Vietcombank TP. Hồ Chí Minh trong giai đoạn 7/2012 - 8/2015. Đơn vị thời gian quan sát tính bằng tháng, sự kiện vỡ nợ được xác định khi khách hàng quá hạn trả nợ trên 3 tháng (nợ nhóm 3).

Phương pháp phân tích chính là mô hình phân tích sống sót Cox, được ước lượng bằng phương pháp Maximum Partial Likelihood. Các biến giải thích được lựa chọn dựa trên nghiên cứu trước đây và đặc điểm thực tế của khách hàng Vietcombank, bao gồm: số tiền được duyệt vay, kỳ hạn trả nợ, thu nhập, số người phụ thuộc, tỷ lệ nợ trên thu nhập (DTI), giới tính, tình trạng hôn nhân, nghề nghiệp, trình độ học vấn, loại sản phẩm vay, tuổi và kinh nghiệm làm việc.

Quá trình nghiên cứu gồm các bước: thu thập và xử lý dữ liệu, lựa chọn biến, kiểm định giả định tỷ lệ nguy cơ của mô hình Cox, xây dựng và hiệu chỉnh mô hình, đánh giá kết quả bằng các chỉ số thống kê và so sánh với mô hình truyền thống.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Xác suất vỡ nợ theo thời gian: Mô hình Cox cho thấy xác suất vỡ nợ của khách hàng tăng dần theo thời gian vay, đặc biệt trong các tháng đầu tiên và cuối kỳ hạn. Hàm nguy cơ cơ sở được ước lượng chính xác, phản ánh đúng đặc điểm rủi ro tín dụng cá nhân.

2. Ảnh hưởng của các biến số:

   • Số tiền được duyệt vay và thu nhập có tác động đáng kể đến rủi ro vỡ nợ. Khách hàng vay số tiền lớn và có thu nhập thấp hơn có nguy cơ vỡ nợ cao hơn, với mức ý nghĩa thống kê p < 0.01.
   • Giới tính cũng ảnh hưởng, trong đó nam giới có tỷ lệ vỡ nợ thấp hơn nữ giới khoảng 15%.
   • Loại sản phẩm vay (tiêu dùng, thẻ tín dụng, thế chấp) có sự khác biệt rõ rệt về rủi ro, với sản phẩm thẻ tín dụng có tỷ lệ vỡ nợ cao hơn trung bình 20%.

3. So sánh với mô hình Logistic truyền thống: Mô hình phân tích sống sót cho kết quả dự báo chính xác hơn, đặc biệt trong các năm thứ 2 và 3 của khoản vay, với độ chính xác dự báo tăng khoảng 10% so với mô hình Logistic.

Thảo luận kết quả

Kết quả nghiên cứu khẳng định ưu thế của mô hình phân tích sống sót trong việc xử lý dữ liệu bị cắt và dự báo xác suất vỡ nợ theo thời gian, phù hợp với đặc thù các khoản vay cá nhân có kỳ hạn trung và dài hạn. Việc mô hình Cox không yêu cầu giả định về hàm nguy cơ cơ sở giúp giảm thiểu sai số mô hình và tăng tính linh hoạt trong ứng dụng thực tế.

So với mô hình chấm điểm tín dụng hiện tại của Vietcombank, mô hình phân tích sống sót bổ sung khả năng dự báo động, giúp ngân hàng xác định chính xác hơn rủi ro tín dụng theo từng thời điểm, từ đó điều chỉnh chính sách lãi suất và quản lý danh mục cho vay hiệu quả hơn. Các biểu đồ hàm sống sót Kaplan-Meier và biểu đồ log-minus-log được sử dụng để kiểm định giả định tỷ lệ nguy cơ, đồng thời minh họa sự khác biệt rủi ro giữa các nhóm khách hàng.

Kết quả cũng phù hợp với các nghiên cứu quốc tế và trong nước, khẳng định tính ứng dụng cao của mô hình phân tích sống sót trong lĩnh vực ngân hàng và tài chính.

Đề xuất và khuyến nghị

1. Áp dụng mô hình phân tích sống sót trong quy trình thẩm định tín dụng: Vietcombank nên tích hợp mô hình Cox vào hệ thống chấm điểm tín dụng hiện tại để dự báo xác suất vỡ nợ theo thời gian, giúp ra quyết định cho vay chính xác và nhanh chóng hơn. Thời gian triển khai dự kiến 6-12 tháng, do phòng Quản lý rủi ro phối hợp với phòng Công nghệ thông tin thực hiện.

2. Xây dựng hệ thống quản lý rủi ro tín dụng động: Sử dụng kết quả mô hình để theo dõi và đánh giá rủi ro tín dụng theo từng kỳ hạn, từ đó điều chỉnh lãi suất và các biện pháp kiểm soát phù hợp nhằm giảm thiểu nợ xấu. Chủ thể thực hiện là phòng Quản lý rủi ro và phòng Kinh doanh bán lẻ.

3. Đào tạo nhân viên tín dụng về mô hình phân tích sống sót: Tổ chức các khóa đào tạo chuyên sâu để nâng cao năng lực phân tích và ứng dụng mô hình cho cán bộ tín dụng, giúp họ hiểu rõ hơn về rủi ro tín dụng và cách thức quản lý. Thời gian đào tạo trong vòng 3 tháng, do phòng Đào tạo phối hợp với chuyên gia thống kê thực hiện.

4. Mở rộng nghiên cứu và cập nhật mô hình định kỳ: Thu thập dữ liệu mới liên tục và cập nhật mô hình để đảm bảo tính chính xác và phù hợp với biến động thị trường. Đồng thời, nghiên cứu bổ sung các biến giải thích mới như hành vi tiêu dùng, lịch sử tín dụng để nâng cao hiệu quả dự báo. Chủ thể thực hiện là phòng Quản lý rủi ro và bộ phận Phân tích dữ liệu.

Đối tượng nên tham khảo luận văn

1. Ngân hàng và tổ chức tín dụng: Các phòng ban quản lý rủi ro, thẩm định tín dụng và phát triển sản phẩm có thể áp dụng mô hình phân tích sống sót để nâng cao hiệu quả quản lý rủi ro tín dụng cá nhân, giảm thiểu nợ xấu và tối ưu hóa lợi nhuận.

2. Các nhà nghiên cứu và học giả trong lĩnh vực tài chính-ngân hàng: Luận văn cung cấp cơ sở lý thuyết và thực nghiệm về ứng dụng mô hình phân tích sống sót trong tín dụng cá nhân, là tài liệu tham khảo quý giá cho các nghiên cứu tiếp theo.

3. Chuyên gia phân tích dữ liệu và thống kê: Những người làm việc trong lĩnh vực phân tích dữ liệu tài chính có thể học hỏi phương pháp xây dựng và kiểm định mô hình Cox, cũng như cách xử lý dữ liệu bị cắt trong thực tế.

4. Cơ quan quản lý nhà nước và chính sách: Các cơ quan quản lý có thể tham khảo kết quả nghiên cứu để xây dựng chính sách quản lý rủi ro tín dụng, thúc đẩy phát triển thị trường tín dụng cá nhân an toàn và bền vững.

Câu hỏi thường gặp

1. Mô hình phân tích sống sót khác gì so với mô hình Logistic trong chấm điểm tín dụng?
   Mô hình phân tích sống sót xử lý được dữ liệu bị cắt và dự báo xác suất vỡ nợ theo thời gian, trong khi mô hình Logistic chỉ dự báo xác suất vỡ nợ tại một thời điểm cố định, không tính đến thời gian vay. Ví dụ, mô hình Cox cho kết quả dự báo chính xác hơn trong các năm thứ 2 và 3 của khoản vay.

2. Dữ liệu bị cắt (censored data) là gì và tại sao quan trọng trong nghiên cứu này?
   Dữ liệu bị cắt là trường hợp thời điểm xảy ra sự kiện (vỡ nợ) không được quan sát đầy đủ trong thời gian nghiên cứu, ví dụ khách hàng vẫn trả nợ khi kết thúc quan sát. Việc xử lý dữ liệu này giúp tận dụng tối đa thông tin và tránh sai lệch trong ước lượng rủi ro.

3. Các biến nào ảnh hưởng mạnh nhất đến rủi ro tín dụng trong mô hình?
   Số tiền được duyệt vay, thu nhập, giới tính và loại sản phẩm vay là các biến có ảnh hưởng đáng kể. Khách hàng vay số tiền lớn, thu nhập thấp, nữ giới và sử dụng sản phẩm thẻ tín dụng có nguy cơ vỡ nợ cao hơn.

4. Làm thế nào để kiểm định giả định tỷ lệ nguy cơ trong mô hình Cox?
   Sử dụng đồ thị phần dư Schoenfeld cho biến liên tục và đồ thị log-minus-log cho biến phân loại để kiểm tra tính không đổi của tỷ lệ nguy cơ theo thời gian. Nếu các đồ thị không có xu hướng rõ ràng hoặc cắt nhau, giả định được chấp nhận.

5. Mô hình này có thể áp dụng cho các ngân hàng khác không?
   Có, mô hình phân tích sống sót có tính linh hoạt cao và có thể áp dụng cho các ngân hàng khác với dữ liệu tương tự. Tuy nhiên, cần điều chỉnh biến giải thích phù hợp với đặc thù từng ngân hàng và thị trường.

Kết luận

• Mô hình phân tích sống sót Cox được xây dựng thành công trên dữ liệu thực tế của Vietcombank, cho phép dự báo xác suất vỡ nợ theo thời gian với độ chính xác cao hơn mô hình Logistic truyền thống.
• Các biến số như số tiền vay, thu nhập, giới tính và loại sản phẩm vay có ảnh hưởng đáng kể đến rủi ro tín dụng cá nhân.
• Mô hình giúp Vietcombank nâng cao hiệu quả quản lý rủi ro, hỗ trợ ra quyết định cho vay nhanh chóng và chính xác hơn.
• Đề xuất Vietcombank tích hợp mô hình vào hệ thống chấm điểm tín dụng hiện tại, đồng thời đào tạo nhân viên và cập nhật mô hình định kỳ.
• Nghiên cứu mở ra hướng phát triển ứng dụng mô hình phân tích sống sót trong lĩnh vực tài chính-ngân hàng tại Việt Nam, góp phần nâng cao chất lượng quản trị rủi ro tín dụng cá nhân.

Vietcombank cần triển khai thử nghiệm mô hình trong thực tế, đánh giá hiệu quả và mở rộng áp dụng trên toàn hệ thống. Các nhà nghiên cứu có thể tiếp tục phát triển mô hình với dữ liệu đa dạng hơn và bổ sung các biến giải thích mới nhằm nâng cao độ chính xác dự báo.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP. HỒ CHÍ MINH PHAN XUÂN VINH ỨNG DỤNG MÔ HÌNH PHÂN TÍCH SỐNG SÓT TRONG ĐO LƯỜNG RỦI RO TÍN DỤNG KHÁCH HÀNG CÁ NHÂN TẠI NGÂN HÀNG TMCP NGOẠI THƯƠNG VIỆT NAM TẠI TPHCM LUẬN VĂN THẠC SĨ KINH TẾ TP. HỒ CHÍ MINH - NĂM 2017 LUAN VAN CHAT LUONG download : add [e-mail] BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP. HỒ CHÍ MINH PHAN XUÂN VINH ỨNG DỤNG MÔ HÌNH PHÂN TÍCH SỐNG SÓT TRONG ĐO LƯỜNG RỦI RO TÍN DỤNG KHÁCH HÀNG CÁ NHÂN TẠI NGÂN HÀNG TMCP NGOẠI THƯƠNG VIỆT NAM TẠI TPHCM Chuyên ngành: Ngân hàng Mã số: 60340201 LUẬN VĂN THẠC SĨ KINH TẾ NGƯỜI HƯỚNG DẪN: PGS.TS TRẦM THỊ XUÂN HƯƠNG TP. HỒ CHÍ MINH - NĂM 2017 LUAN VAN CHAT LUONG download : add [e-mail] LỜI CAM ĐOAN Tôi xin cam đoan luận văn “Ứng dụng mô hình phân tích sống sót trong đo lường rủi ro tín dụng khách hàng cá nhân tại Ngân hàng TMCP Ngoại Thương Việt Nam tại TPHCM’’ là công trình nghiên cứu của chính cá nhân tôi. Nội dung được đúc kết từ quá trình học tập và các kết quả nghiên cứu thực tiễn trong thời gian qua. Số liệu sử dụng là trung thực và có nguồn gốc trích dẫn rõ ràng. Luận văn được thực hiện dưới sự hướng dẫn khoa học của PGS.TS Trầm Thị Xuân Hương–Giảng viên Trường Đại Học Kinh Tế Thành Phố Hồ Chí Minh. TP Hồ Chí Minh, ngày 29 tháng 9 năm 2017 Học viên i LUAN VAN CHAT LUONG download : add [e-mail] DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT Basel: Uỷ ban về giám sát ngân hàng BIDV: Ngân hàng thương mại cổ phần Đầu Tư và Phát Triển Việt Nam NH TMCP: Ngân hàng thương mại cổ phần KM: mô hình Kaplan-Meier Vietinbank: Ngân hàng thương mại cổ phần Công Thương Việt Nam Vietcombank: Ngân hàng thương mại cổ phần Ngoại Thương Việt Nam ii LUAN VAN CHAT LUONG download : add [e-mail] MỤC LỤC LỜI CAM ĐOAN . i DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT . ii Chương 1: GIỚI THIỆU .1 Lý do chọn đề tài: .2 Mục tiêu nghiên cứu của đề tài: .3 Đối tượng nghiên cứu và phương pháp nghiên cứu: .1 Đối tượng nghiên cứu .2 Phương pháp nghiên cứu .4 Kết cấu đề tài .5 Ý nghĩa khoa học của đề tài . LÝ THUYẾT MÔ HÌNH PHÂN TÍCH SỐNG SÓT TRONG ĐO LƯỜNG RỦI RO TÍN DỤNG.1 Lý thuyết chung về rủi ro tín dụng ngân hàng .1 Định nghĩa rủi ro .2 Rủi ro tín dụng .2 Phân tích rủi ro tín dụng .1 Các hệ thống chuyên gia .2 Phân tích phần bù rủi ro .3 Phương pháp thống kê và kinh tế lượng .4 Các hệ thống kết hợp .5 Các phương pháp đo lường rủi ro tín dụng.3 Mô hình chấm điểm trong đo lường rủi ro tín dụng .1 Tổng quan về mô hình chấm điểm tín dụng .9 iii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.Các mô hình chấm điểm tín dụng .4 Mô hình phân tích sống sót .2 Lý thuyết mô hình phân tích sống sót .1 Dữ liệu bị cắt (censored data) .2 Dữ liệu bị chặn (truncated data) .3 Các loại mô hình phân tích sống sót .1 Mô hình Kaplan – Meier . Mô hình tham số . Hàm gia tốc thời gian thất bại (Accelerated failure time) . Hàm tỷ lệ nguy cơ đầy đủ tham số (fully parametric proportional hazards model) . Mô hình Cox (Cox Proportional hazards model).5 Các nghiên cứu trước đây .24 Chương 3: ĐO LƯỜNG RỦI RO TÍN DỤNG CỦA KHÁCH HÀNG CÁ NHÂN TẠI VIETCOMBANK .1 Sơ lược Vietcombank và tình hình hoạt động kinh doanh .1 Lịch sử của Vietcombank .2 Tình hình hoạt động kinh doanh và cho vay cá nhân tại Vietcombank . Thực trạng đo lường rủi ro tín dụng của khách hàng cá nhân tại Vietcombank .3 Nhận xét mô hình chấm điểm tín dụng của Vietcombank .1 Những điểm tích cực.2 Những điểm chưa đạt được.3 Sự cần thiết của mô hình phân tích sống sót.37 iv LUAN VAN CHAT LUONG download : add [e-mail] Chương 4: XÂY DỰNG MÔ HÌNH PHÂN TÍCH SỐNG SÓT ĐO LƯỜNG RỦI RO TÍN DỤNG VÀ KẾT QUẢ NGHIÊN CỨU .1 Lựa chọn biến sử dụng trong mô hình.5 Xây dựng mô hình phân tích sống sót .1 Phương pháp nghiên cứu và các bước xây dựng mô hình .2 Mô hình ước lượng tổng quát .3 Kiểm định giả định của mô hình hồi quy COX .1 Kiểm định biến liên tục .2 Kiểm định các biến phân loại.6 Mô hình phân tích sống sót đề xuất .1 Mô hình thứ nhất.2 Mô hình thứ hai (mô hình đề nghị):.7 Kết quả nghiên cứu:.1 Hàm nguy cơ cơ sở: .2 Đối với các biến có ý nghĩa trong mô hình đề xuất .1 Biến số tiền được duyệt vay và thu nhập .3 Biến giới tính.4 Biến Sản phẩm .56 Chương 5: KẾT LUẬN VÀ KHUYẾN NGHỊ.2 Minh hoạ ứng dụng mô hình nghiên cứu.3 Hạn chế và hướng các nghiên cứu tiếp theo .61 Phụ lục 1: Danh mục tài liệu tham khảo .63 v LUAN VAN CHAT LUONG download : add [e-mail] Phụ lục 2 kết quả mô hình nghiên cứu .66 vi LUAN VAN CHAT LUONG download : add [e-mail] DANH MUC BẢNG Bảng 2.1: so sánh các mô hình mô hình chấm điểm .2 : Các nghiên cứu chấm điểm tín dụng .1: Tên biến và định nghĩa các biến .2 : mô tả các biến liên tục .3 Thống kê tỷ lệ nợ xấu các nhóm .5: kết qủa mô hình hồi quy COX tổng quát .6: kết qủa mô hình hồi quy COX thứ nhất .7: kết qủa mô hình hồi quy COX đề nghị .54 vii LUAN VAN CHAT LUONG download : add [e-mail] DANH MỤC HÌNH, BIỂU ĐỒ Hình 2.1: Minh hoạ về các loại quan sát .2 thể hiện ước lượng hàm Kaplan Meier .1: Thể hiện tổng tài sản và khoản mục cho vay ứng trước KH qua các năm .2: Thể hiện tổng thu nhập và thu nhập từ lãi vay .3: thể hiện Dư nợ vay cá nhân, hộ kinh doanh của các ngân hàng BIDV, Vietinbank và Vietcombank .1: thống kê các biến phân loại .2: đồ thị thể hiện phần dư riêng phần của các biến liên tục .3: Plot log minus log của biến phân loại theo thời gian .1: Thể hiện hàm nguy cơ cơ sở.1: hàm nguy cơ đối với người vay thứ nhất.2: hàm nguy cơ đối với người vay thứ hai.59 viii LUAN VAN CHAT LUONG download : add [e-mail] Chương 1: GIỚI THIỆU 1.1 Lý do chọn đề tài: Hoạt động tín dụng là hoạt động truyền thống và đem lại lợi nhuận cao nhất cho ngân hàng. Tại Việt Nam, nguồn thu từ hoạt động tín dụng luôn chiếm hơn 80% nguồn thu của ngân hàng thương mại. Lợi nhuận cao thì sẽ có rủi ro lớn, đặc biệt hơn khi ngân hàng chủ yếu là cho vay. Rủi ro này không những chỉ ảnh hưởng đến ngân hàng cho vay mà còn có thể ảnh hưởng xấu đến toàn bộ nên kinh tế đang phát triển tại Việt Nam. Trong nghiệp vụ tín dụng hiện tại, các ngân hàng đều chia thành hai mảng là tín dụng bán buôn và tín dụng bán lẻ. Theo quy định tại Vietcombank, tín dụng bán buôn là việc cấp tín dụng cho các tổ chức, doanh nghiệp lớn có doanh thu hơn 100 tỷ trong năm. Tín dụng bán lẻ là việc ngân hàng tập trung cho vay đối với các doanh nghiệp nhỏ và vừa và các cá nhân vay vốn. Trong những năm gần đây, tất cả các ngân hàng thương mại đều bắt đầu tập trung chuyển dịch dòng vốn vay về thị trường bán lẻ. Bởi vì, thị trường bán lẻ có biên độ lợi nhuận cao, có tính an toàn cao hơn cho vay bán buôn. Trong việc cho vay giữa doanh nghiệp nhỏ và vừa và cá nhân, thì cho vay cá nhân lại có nhiều ưu điểm hơn. Mục đích cho vay bán lẻ thì tương đối đơn giản, không phức tạp kiểm soát sau vay. Thêm nữa, rủi ro trong cho vay tiêu dùng cá nhân không tập trung, đồng thời nhờ số lượng người vay lớn, theo quy luật số đông ngân hàng dễ dàng tính toán phần bù rủi ro lãi suất khi áp lãi suất vay. Như đã đề cập, với sự phát triển trong cho vay cá nhân, việc cần có một mô hình chấm điểm tín dụng, xếp hạng tín dụng phù hợp là cần thiết. Nó hỗ trợ việc đảm bảo an toàn cho ngân hàng đồng thời giúp ngân hàng quyết định cho vay nhanh chóng để phục vụ khách hàng. Trước những yêu cầu đó, có rất nhiều bài viết khoa học nghiên cứu để tìm ra mô hình phù hợp, trong đó mô hình được sử dụng rộng rãi nhất là mô hình hồi quy Logistic. Mô hình Logistic có nhiều ưu điểm, tuy nhiên mô hình có sự khuyết điểm là không xem xét các dữ liệu bị cắt. Các dữ liệu bị cắt, bản thân dữ liệu vẫn mang những thông tin tác động đến kết quả nghiên cứu. Với sự phát triển của kỹ thuật thống kê, mô hình phân tích sống sót được Giáo Sư Cox phát triển vào năm 1972, trước đây được sử dụng chủ yếu trong y khoa. Đến năm 1992, Narian đã được sử dụng mô hình Cox trong việc xây dựng mô hình chấm điểm tín 1 LUAN VAN CHAT LUONG download : add [e-mail] dụng, mà nó bổ sung được điểm thiếu sót của mô hình Logistic. Đến năm 2000 Thomas và Stepanova đã được kiểm chứng so sánh với các mô hình truyền thống và chứng minh rằng mô hình Cox dự báo xác suất vỡ nợ tốt hơn so với mình Logistic. Tuy nhiên, ở Việt Nam mô hình phân tích sống sót vẫn thật sự chưa được phổ biến trong việc xây dựng mô hình chấm điểm tín dụng. Luận văn này được nghiên cứu với mục đích là ứng dụng mô hình phân tích sống sót trong việc xây dựng mô hình chấm điểm tín dụng tại ngân hàng TMCP Ngoại Thương Việt Nam tại TPHCM.2 Mục tiêu nghiên cứu của đề tài: Đề tài tập trung nghiên cứu hai mục tiêu chính đó là: 1-Xây dựng mô hình phân tích sống sót 2- Ứng dụng mô hình phân tích sống sót trong đo lường rủi ro tín dụng.3 Đối tượng nghiên cứu và phương pháp nghiên cứu: 1.1 Đối tượng nghiên cứu Đối tượng nghiên cứu là mô hình phân tích sống sót trong vay tiêu dùng cá nhân, cụ thể là xác suất vỡ nợ của khách hàng cá nhân. Đối tượng khảo sát chính là những khách hàng vay tiêu dùng tại TPHCM.2 Phương pháp nghiên cứu Tác giả sử dụng nghiên cứu định lượng, thống kê mô tả các biến và sử dụng mô hình phân tích sống sót để ước lượng mô hình. Tổng số mẫu được thu thập là 2756 người vay vốn khác nhau tại ngân hàng TMCP Ngoại Thương Việt Nam tại thành phố Hồ Chí Minh trong khoảng thời gian từ 7/2012 đến tháng 8/2015.