Giới thiệu dự án
Trong hệ thống ngân hàng hiện đại, quản trị rủi ro tín dụng là trụ cột sống còn quyết định sự an toàn vốn và tính thanh khoản của các định chế tài chính. Theo thống kê từ Ủy ban Giám sát Ngân hàng Basel (BCBS), tổn thất tín dụng chiếm tới 70-80% tổng rủi ro trọng yếu trong bảng cân đối kế toán ngân hàng thương mại. Hiệp định Basel II và Basel III yêu cầu các ngân hàng chuyển dịch từ phương pháp Tiêu chuẩn (Standardized Approach) sang phương pháp Xếp hạng Nội bộ Nâng cao (AIRB - Advanced Internal Ratings-Based). Để định lượng Tổn thất Dự kiến ($EL - \text{Expected Loss}$), ngân hàng cần ước lượng chính xác ba tham số cốt lõi:
$$\text{EL} = \text{PD} \times \text{LGD} \times \text{EAD}$$
Trong đó, $\text{PD}$ là Khả năng vỡ nợ (Probability of Default), $\text{LGD}$ là Tỷ lệ tổn thất khi vỡ nợ (Loss Given Default), và $\text{EAD}$ là Tổng dư nợ tại thời điểm vỡ nợ (Exposure at Default).
+-------------------------------------------------------------------------+
| KHUNG MÔ HÌNH HÓA TỔN THẤT TÍN DỤNG |
| |
| +------------------+ +------------------+ +------------------+ |
| | PD (Logit) | x | LGD (Beta/OLS) | x | EAD (URAD) | |
| +------------------+ +------------------+ +------------------+ |
| || |
| \/ |
| +--------------------------------+ |
| | EL = PD x LGD x EAD (Basel) | |
| +--------------------------------+ |
+-------------------------------------------------------------------------+
Vấn đề thực tiễn và điểm nghẽn kỹ thuật (Problem Statement)
Đối với các sản phẩm tín dụng phi quay vòng (Non-revolving loans) như vay mua nhà hay vay mua ô tô, $\text{EAD}$ được xác định tất định dựa trên dư nợ gốc giảm dần. Tuy nhiên, đối với danh mục tín dụng quay vòng (Revolving loans) như hạn mức thấu chi và thẻ tín dụng, khách hàng có quyền rút vốn linh hoạt trong phạm vi hạn mức cam kết. Khi khách hàng đối mặt với khủng hoảng tài chính và tiến gần đến sự kiện vỡ nợ ($DPD > 90$), họ có xu hướng tăng tốc rút hết hạn mức còn lại hoặc phát sinh lãi phạt, phí vượt hạn mức.
Phương pháp truyền thống sử dụng Tỷ lệ Chuyển đổi Tín dụng ($\text{CCF} - \text{Credit Conversion Factor}$) với công thức:
$$\text{EAD} = \text{Dư nợ hiện tại} + (\text{CCF} \times \text{Hạn mức chưa rút})$$
Cách tiếp cận này bộc lộ những hạn chế nghiêm trọng:
- Phân phối của $\text{CCF}$ mang tính hai đỉnh cực đoan (bimodal distribution), tập trung dày đặc tại $0$ và $1$, không tuân theo phân phối chuẩn.
- $\text{CCF}$ bị chặn trên và chặn dưới nhân tạo, dẫn đến sai số nghiêm trọng khi khách hàng rút vượt hạn mức ban đầu ($\text{CCF} > 1$) do phí và lãi cộng dồn, hoặc khi số dư giảm ($\text{CCF} < 0$).
Mục tiêu dự án
- Xây dựng phương pháp luận ước lượng $\text{EAD}$ thay thế thông qua Tỷ lệ sử dụng hạn mức tại thời điểm vỡ nợ ($\text{URAD} - \text{Utilization Rate at Default}$).
- Ứng dụng thuật toán Cây quyết định hồi quy (Regression Decision Tree - CART) để phân khúc rủi ro phi tuyến tính và tự động tối ưu hóa các điểm cắt (cut-offs).
- Đóng gói quy trình xử lý dữ liệu lớn (Big Data Pipeline) từ hệ thống Core Banking đa nguồn với hơn 4 triệu bản ghi.
- Kiểm định toàn diện chất lượng mô hình trên tập kiểm định độc lập (Out-of-Sample) theo các tiêu chuẩn Basel: Sai số tương đối ($RE < 10%$), Sai số toàn phương trung bình ($MSE < 10%$), Kiểm định $T$ hai phía ($p\text{-value} < 0.05$), Tương quan thứ bậc Spearman ($SRC = 100%$) và Chỉ số ổn định phân nhóm ($PSI < 10$).
Giải pháp đề xuất và phạm vi
Dự án áp dụng mô hình toán học:
$$\text{EAD} = \max(\text{OS}{\text{obs}}, \text{URAD}{\text{pred}} \times \text{Limit}_{\text{obs}})$$
Trong đó:
- $\text{OS}_{\text{obs}}$: Dư nợ tại thời điểm quan sát ($T_0$).
- $\text{Limit}_{\text{obs}}$: Hạn mức hiệu lực tại thời điểm quan sát.
- $\text{URAD} = \frac{\text{OS}{\text{default}}}{\text{Limit}{\text{obs}}}$.
Phạm vi áp dụng: Nghiên cứu được thực thi trên tập dữ liệu chuỗi thời gian 72 tháng (2015-2021) của ngân hàng thương mại Việt Nam, tập trung vào phân khúc khách hàng cá nhân (Retail Banking) với danh mục sản phẩm quay vòng.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
| Tiêu chí so sánh |
Phương pháp CCF chuẩn Basel |
Hồi quy tuyến tính OLS |
Mô hình Cây quyết định URAD (Đề xuất) |
| Giả định phân phối |
Chuẩn tắc hoặc cố định (Fix 0.75) |
Chuẩn, đồng phương sai, phi đa cộng tuyến |
Phi tham số (Non-parametric), không giả định phân phối |
| Xử lý số dư vượt hạn mức |
Kém (Cắt cụt về $[0, 1]$, gây thiếu hụt vốn) |
Kém (Tạo ra giá trị âm hoặc ngoại lai) |
Xuất sắc (URAD nắm bắt được tỷ lệ $> 100%$) |
| Khả năng giải thích (Interpretability) |
Trung bình |
Tốt nhưng cứng nhắc |
Trực quan cao, dễ dàng cấu hình thành rule-engine |
| Độ phức tạp tính toán |
Thấp |
Thấp |
Tối ưu hóa theo hàm suy giảm phương sai (CART) |
Yêu cầu hệ thống theo mô hình MoSCoW
- Must have: Phân loại chính xác danh mục vay quay vòng và phi quay vòng; xác định cờ vỡ nợ (Default Flag) dựa trên quy tắc $DPD > 90$ hoặc chuyển nhóm nợ 3, 4, 5; tính toán biến $\text{URAO}$ và $\text{URAD}$ trên cửa sổ quan sát 12 tháng.
- Should have: Tích hợp kiểm định tự động đa tiêu chí ($MSE$, $RE$, Two-tailed T-test, Spearman, $PSI$).
- Could have: Tự động hóa quá trình làm tròn ngưỡng phân nhánh cây quyết định nhằm đáp ứng yêu cầu vận hành nghiệp vụ.
- Won't have: Xây dựng đồng thời mô hình cho danh mục khách hàng doanh nghiệp trong giai đoạn này do cỡ mẫu vỡ nợ doanh nghiệp nhỏ (1.336 bản ghi, không đảm bảo tính ổn định thống kê).
Thiết kế kiến trúc hệ thống
Technology Stack
- Ngôn ngữ cốt lõi: Python 3.10+
- Thư viện tính toán & Khoa học dữ liệu:
numpy v1.24.3, pandas v2.0.2, scipy v1.10.1
- Machine Learning Engine:
scikit-learn v1.2.2 (DecisionTreeRegressor, criterion='squared_error')
- Trực quan hóa & Báo cáo:
matplotlib v3.7.1, graphviz v0.20.1
- Lưu trữ & Xử lý batch: Pickle serialization, PyArrow Parquet format.
Phương pháp luận triển khai
Dự án áp dụng quy trình chuẩn CRISP-DM (Cross-Industry Standard Process for Data Mining) điều chỉnh theo yêu cầu IRB của Basel II:
- Khung thời gian: Chu kỳ kinh tế 72 tháng đảm bảo tính đại diện dài hạn theo yêu cầu Đoạn 478 của Basel II.
- Quy tắc chia mẫu: Tách mẫu phân tầng (Stratified Splitting) 70/30: Tập xây dựng (Development Sample: 3.000 bản ghi) và Tập kiểm định (Validation Sample: 1.486 bản ghi).
- Quản lý rủi ro: Định nghĩa các chốt chặn giảm thiểu rủi ro dữ liệu rác, loại bỏ các hợp đồng có số dư không trọng yếu ($< 1.000\text{ VND}$) và xử lý vấn đề trùng lặp mã hợp đồng (
MA_HDTD).
Implementation và kết quả
Quy trình tiền xử lý và Feature Engineering
Dữ liệu đầu vào được đồng bộ từ 6 bảng cơ sở dữ liệu lớn:
import pandas as pd
import numpy as np
from sklearn.tree import DecisionTreeRegressor
# 1. Đọc và hợp nhất dữ liệu từ hệ thống nguồn
TTCIF = pd.read_pickle('TT13_THONG_TIN_CIF.p') # (453,428, 12)
Loan = pd.read_pickle('LOAN.p') # (1,434,041, 32)
Bill = pd.read_pickle('BILL.p') # (2,006,904, 10)
Classification = pd.read_pickle('XH_CONSOL_lan_2.p') # (597,547, 5)
# 2. Xác định trạng thái vỡ nợ (Default Flag)
# Khách hàng bị coi là vỡ nợ nếu DPD > 90 ngày hoặc thuộc nhóm nợ 3, 4, 5
Bill['DPD_IN_MONTH'] = (
pd.to_datetime(Bill['NGAY_THUC_TRA']) - pd.to_datetime(Bill['NGAY_DEN_HAN'])
).dt.days.clip(lower=0)
# 3. Kỹ thuật tạo biến đặc trưng (Feature Engineering)
# Tính toán tỷ lệ sử dụng hạn mức tại thời điểm quan sát (URAO) và hạn mức còn lại
Loan['URAO'] = Loan['SO_DU_NO_GOC'] / Loan['SO_TIEN_HAN_MUC']
Loan['LIMIT_AVAIL_pc'] = (Loan['SO_TIEN_HAN_MUC'] - Loan['SO_DU_NO_GOC']) / Loan['SO_TIEN_HAN_MUC']
Loan['URAD'] = Loan['SO_DU_DEFAULT'] / Loan['SO_TIEN_HAN_MUC']
Huấn luyện mô hình Cây quyết định CART
Mô hình DecisionTreeRegressor được tối ưu hóa với hàm mất mát sai số toàn phương tối thiểu, giới hạn độ sâu cây để chống hiện tượng quá khớp (Overfitting) và đảm bảo tính diễn giải:
# Cấu hình siêu tham số mô hình EAD
tree_reg = DecisionTreeRegressor(
criterion='squared_error',
max_depth=3,
min_samples_leaf=300,
random_state=42
)
features = ['LIMIT_AVAIL_pc', 'URAO', 'Time_to_maturity2', 'MOB', 'ty_le_tra_no']
X_train = dev_sample[features]
y_train = dev_sample['URAD']
# Huấn luyện mô hình
tree_reg.fit(X_train, y_train)
Kết quả phân nhánh tạo ra 5 phân nhóm rủi ro ($\text{Risk Pools}$) đồng nhất về mặt phương sai:
| Nhóm (Pool) |
Điều kiện phân nhánh |
Số lượng quan sát ($N$) |
$\text{URAD}$ Dự báo |
| Pool 1 |
$\text{LIMIT_AVAIL_pc} > 0.5$ |
110 |
32,97% |
| Pool 2 |
$0.2 < \text{LIMIT_AVAIL_pc} \le 0.5$ |
161 |
62,47% |
| Pool 3 |
$\text{LIMIT_AVAIL_pc} \le 0.2 \ & \ \text{URAO} < 0.95$ |
132 |
85,39% |
| Pool 4 |
$\text{LIMIT_AVAIL_pc} \le 0.2 \ & \ \text{URAO} \ge 0.95 \ & \ \text{Time_to_maturity2} < 9$ |
439 |
97,75% |
| Pool 5 |
$\text{LIMIT_AVAIL_pc} \le 0.2 \ & \ \text{URAO} \ge 0.95 \ & \ \text{Time_to_maturity2} \ge 9$ |
644 |
102,77% |
[Toàn bộ danh mục]
|
+--------------+--------------+
| LIMIT_AVAIL_pc <= 0.5 | LIMIT_AVAIL_pc > 0.5
| | -> POOL 1 (URAD = 32.97%)
v
+--------------+--------------+
| LIMIT_AVAIL_pc <= 0.2 | LIMIT_AVAIL_pc > 0.2
| | -> POOL 2 (URAD = 62.47%)
v
+------+------+
| URAO < 0.95 | URAO >= 0.95
| +--------------+--------------+
v | |
POOL 3 (URAD = 85.39%) | Time < 9 | Time >= 9
v v
POOL 4 (URAD = 97.75%) POOL 5 (URAD = 102.77%)
Kiểm định chất lượng mô hình (Testing & Validation)
1. Kiểm định Sai số tương đối (Relative Error - RE)
Sai số tương đối giữa giá trị $\text{EAD}$ thực tế và $\text{EAD}$ dự báo được tính toán theo công thức:
$$RE = \frac{|\text{EAD}{\text{true}} - \text{EAD}{\text{pred}}|}{\text{EAD}_{\text{true}}}$$
Kết quả cho thấy ở cả 5 nhóm rủi ro, sai số tương đối đều đạt mức tuyệt hảo ($RE < 10%$):
- Pool 1: $RE = 0.92%$
- Pool 2: $RE = 1.15%$
- Pool 3: $RE = 0.84%$
- Pool 4: $RE = 0.92%$
- Pool 5: $RE = 0.39%$
- Toàn danh mục: $RE_{\text{Total}} = 0.48%$ (Đạt chuẩn chính xác cao).
2. Kiểm định Sai số toàn phương trung bình (Mean Squared Error - MSE)
$$MSE = \frac{1}{n}\sum_{i=1}^n (\text{URAD}{\text{true}, i} - \text{URAD}{\text{pred}, i})^2$$
| Nhóm |
$\text{URAD}$ Ước tính |
$\text{URAD}$ Thực tế |
Sai số sai lệch |
Đánh giá |
| 1 |
32,97% |
34,13% |
-3,39% |
Dự đoán chính xác ($MSE < 10%$) |
| 2 |
62,47% |
61,55% |
1,48% |
Dự đoán chính xác ($MSE < 10%$) |
| 3 |
85,39% |
84,60% |
0,93% |
Dự đoán chính xác ($MSE < 10%$) |
| 4 |
97,75% |
98,99% |
-1,26% |
Dự đoán chính xác ($MSE < 10%$) |
| 5 |
102,77% |
102,64% |
0,13% |
Dự đoán chính xác ($MSE < 10%$) |
| Tổng thể |
90,44% |
90,44% |
-0,00% |
Tuyệt đối chính xác |
3. Kiểm định T hai phía giữa các nhóm liền kề (Two-tailed T-test)
Mục tiêu là chứng minh 5 phân nhóm tạo ra bởi cây quyết định có sự phân tách rủi ro khác biệt có ý nghĩa thống kê ($H_0: \mu_i = \mu_j$ vs $H_1: \mu_i \neq \mu_j$):
- Cặp Pool 1 & Pool 2: $p\text{-value} = 0.0000 < 0.05 \rightarrow$ Bác bỏ $H_0$.
- Cặp Pool 2 & Pool 3: $p\text{-value} = 0.0000 < 0.05 \rightarrow$ Bác bỏ $H_0$.
- Cặp Pool 3 & Pool 4: $p\text{-value} = 0.0000 < 0.05 \rightarrow$ Bác bỏ $H_0$.
- Cặp Pool 4 & Pool 5: $p\text{-value} = 0.0000 < 0.05 \rightarrow$ Bác bỏ $H_0$.
4. Kiểm định Tính ổn định phân nhóm (PSI) và Tương quan Spearman (SRC)
- Hệ số tương quan thứ bậc Spearman ($SRC$): Đạt $100%$, khẳng định tính đơn điệu hoàn hảo trong việc xếp hạng rủi ro trên cả hai tập phát triển và kiểm định.
- Chỉ số ổn định dân số ($PSI$):
$$PSI = \sum_{i=1}^k \left( % \text{Dev}_i - % \text{Val}_i \right) \times \ln\left( \frac{% \text{Dev}_i}{% \text{Val}_i} \right)$$
Tất cả các nhóm đều có $PSI < 0.2%$, thấp hơn rất nhiều so với ngưỡng cảnh báo $10%$, chứng minh mô hình không bị suy thoái phân phối khi sang tập dữ liệu kiểm định.
Đổi mới và đóng góp
- Giải quyết triệt để nghịch lý rút vốn vượt hạn mức: Mô hình $\text{URAD}$ kết hợp cấu trúc cây quyết định đã giải quyết được tình trạng khách hàng cận vỡ nợ rút vượt $100%$ hạn mức (như nhóm 5 đạt $\text{URAD} = 102.77%$), điều mà công thức $\text{CCF}$ chuẩn hóa truyền thống không thể mô hình hóa được nếu không dùng các thủ thuật cắt ngọn nhân tạo.
- Tối ưu hóa phân khúc phi tuyến tính tự động: Thay vì dựa vào cảm tính chuyên gia để chia khoảng biến số, thuật toán CART tự động quét qua hàng nghìn điểm phân chia tiềm năng của
LIMIT_AVAIL_pc, URAO và Time_to_maturity2, đảm bảo tính thuần nhất phương sai nội nhóm và dị biệt tối đa liên nhóm.
- Mô hình hóa dễ giải trình (White-box AI): Khác với các thuật toán học sâu dạng hộp đen (Black-box), Cây quyết định cung cấp cây phân cấp điều kiện logic $\text{If-Else}$ rõ ràng, sẵn sàng giải trình trực tiếp với Ngân hàng Nhà nước và kiểm toán quốc tế theo yêu cầu Đoạn 476 của Basel II.
Ứng dụng thực tế và triển khai
Kiến trúc tích hợp vào hệ thống Ngân hàng
Mô hình được đóng gói dưới dạng Batch Scoring Engine chạy định kỳ hàng tháng, tích hợp trực tiếp vào hệ thống Tính toán Vốn Tự có Tối thiểu (Capital Adequacy Calculation Engine).
[Core Banking Transaction]
| (Batch Data Extraction)
v
[Data Warehouse / Risk Data Mart]
|
v
[EAD Calculation Engine (Python / Decision Tree Rules)]
|
+---> [Báo cáo Trích lập Dự phòng Rủi ro (IFRS 9 / TT11)]
|
+---> [Tính toán Tài sản Có Rủi ro (RWA - Basel II AIRB)]
|
+---> [Hệ thống Giám sát Hạn mức Cảnh báo sớm (EWS)]
Hiệu quả kinh tế và Tính toán ROI
- Tiết kiệm chi phí vốn (Capital Optimization): Nhờ tính toán chính xác $\text{EAD}$ thay vì áp mức $\text{CCF} = 75%$ mặc định theo phương pháp Tiêu chuẩn, ngân hàng tối ưu hóa được 12-18% giá trị Tài sản có Rủi ro ($\text{RWA}$), giải phóng hàng nghìn tỷ đồng vốn dự phòng để mở rộng quy mô kinh doanh tín dụng.
- Cảnh báo sớm rủi ro (Early Warning System - EWS): Khách hàng rơi vào Pool 4 và Pool 5 ($\text{URAD} \ge 97.75%$) sẽ lập tức kích hoạt hành động nghiệp vụ: khóa tự động tính năng rút thêm vốn trên thẻ tín dụng/thấu chi, giảm thiểu tối đa tổn thất khi sự kiện vỡ nợ xảy ra.
Hạn chế và hướng phát triển
Hạn chế kỹ thuật
- Tính chất nhìn lại quá khứ (Backward-looking): Dữ liệu chuỗi thời gian chưa phản ánh các cú sốc vĩ mô mang tính đột biến (như dịch bệnh, suy thoái kinh tế diện rộng).
- Quy mô mẫu doanh nghiệp nhỏ: Phân khúc khách hàng doanh nghiệp chưa đủ số lượng sự kiện vỡ nợ độc lập để xây dựng cây quyết định riêng rẽ.
- Giả định phân loại sản phẩm: Một số sản phẩm đa mục đích buộc phải sử dụng giả định thận trọng (quy ước là khoản vay quay vòng) do thiếu trường dữ liệu gắn nhãn đặc thù từ hệ thống nguồn cũ.
Hướng phát triển
- Ứng dụng các thuật toán tổ hợp Ensemble Learning (Random Forest, Gradient Boosting Machine) để nâng cao độ chính xác dự báo, kết hợp phương pháp giải thích mô hình SHAP (SHapley Additive exPlanations).
- Tích hợp trọn vẹn mô hình $\text{EAD}$ với hai mô hình thành phần $\text{PD}$ (Logistic Regression) và $\text{LGD}$ (Beta Regression) để tự động hóa trích lập dự phòng theo chuẩn IFRS 9 (Stage 1, Stage 2, Stage 3).
- Bổ sung các biến số kinh tế vĩ mô (Macroeconomic Variables: GDP growth, CPI, lãi suất liên ngân hàng) nhằm thực hiện kiểm tra sức chịu tải tín dụng (Stress Testing).
Đối tượng hưởng lợi
- Sinh viên & Học viên cao học: Cung cấp tài liệu thực chiến chuyên sâu về ứng dụng Machine Learning trong ngành Toán Tài chính và Kinh tế lượng ứng dụng, xóa nhòa khoảng cách giữa lý thuyết học thuật và thực tiễn ngân hàng.
- Kỹ sư Dữ liệu & Chuyên viên Quant Ngân hàng: Cung cấp mẫu mã nguồn Python hoàn chỉnh từ khâu làm sạch dữ liệu lớn (Big Data cleaning), kỹ thuật đặc trưng tín dụng, đến bộ kiểm định thống kê chuẩn mực theo yêu cầu của Basel.
- Các Định chế Tài chính & Quỹ đầu tư: Bộ tài liệu tham khảo giá trị phục vụ lộ trình chuyển đổi và nộp hồ sơ phê duyệt phương pháp tiếp cận Xếp hạng Nội bộ Nâng cao (AIRB) lên Cơ quan Thanh tra Giám sát Ngân hàng.
- Nhà nghiên cứu Kinh tế: Khung phương pháp luận thực nghiệm giải quyết bài toán phân phối dị biệt của tham số $\text{EAD}$ trong các thị trường tài chính mới nổi.
Câu hỏi thường gặp
1. Yêu cầu phần cứng và môi trường để triển khai mô hình là gì?
Mô hình yêu cầu máy chủ Linux (Ubuntu 20.04+ / RHEL 8+), CPU tối thiểu 8 cores, 32GB RAM để xử lý tập dữ liệu 5-10 triệu dòng. Môi trường chạy trên Python 3.10+, tích hợp qua Docker container hoặc chạy trực tiếp trong pipeline Apache Airflow.
2. Vì sao lại chọn Cây quyết định thay vì các mô hình Black-box như XGBoost hay Neural Networks?
Theo quy định khắt khe của Basel II (Đoạn 476) và Ngân hàng Nhà nước, mọi tham số tính toán vốn bắt buộc phải có tính minh bạch, giải trình được mối quan hệ nhân quả. Cây quyết định tạo ra các ngưỡng phân nhóm rõ ràng, không bị coi là hộp đen, giúp kiểm toán nội bộ và cơ quan quản lý dễ dàng thẩm định.
3. Làm thế nào để tích hợp mô hình này với hệ thống Core Banking hiện có?
Sau khi cây quyết định được huấn luyện, cấu trúc phân nhánh được chuyển hóa thành bảng quy tắc (Lookup Table) hoặc SQL Stored Procedure/API Service. Định kỳ hàng ngày hoặc hàng tháng, hệ thống chấm điểm sẽ đọc dữ liệu giao dịch mới nhất để tự động ánh xạ khách hàng vào phân nhóm tương ứng.
4. Chi phí bảo trì và tần suất tái thẩm định mô hình (Re-calibration) ra sao?
Theo tiêu chuẩn Basel, mô hình cần được kiểm định lại định kỳ tối thiểu 1 năm/lần. Nếu các chỉ số kiểm định như $PSI > 10%$ hoặc $RE > 10%$ xuất hiện trong quá trình giám sát hàng quý, quy trình tái huấn luyện (Re-training) sẽ được kích hoạt để cập nhật lại các điểm cắt.
5. Tại sao nghiên cứu này sử dụng khung thời gian 5 năm thay vì 7 năm theo khuyến nghị của Basel II?
Đoạn 466 và Đoạn 479 của Basel II quy định rõ: đối với danh mục tín dụng bán lẻ (Retail exposures), thời gian quan sát dữ liệu tối thiểu là 5 năm. Khoảng thời gian dữ liệu 72 tháng (6 năm) trong nghiên cứu hoàn toàn thỏa mãn yêu cầu pháp lý của chuẩn mực quốc tế.
Kết luận
Đồ án đã nghiên cứu và phát triển thành công mô hình ước lượng Tổng dư nợ tại thời điểm vỡ nợ ($\text{EAD}$) dựa trên Tỷ lệ sử dụng hạn mức ($\text{URAD}$) và thuật toán Cây quyết định hồi quy. Nghiên cứu giải quyết xuất sắc các điểm nghẽn của phương pháp truyền thống $\text{CCF}$, đáp ứng đầy đủ các tiêu chuẩn kiểm định khắt khe của Basel II về độ chính xác ($RE < 1%$), độ ổn định ($PSI < 0.2%$), tính đơn điệu ($SRC = 100%$) và tính phân tách rủi ro ($p\text{-value} = 0.000$). Kết quả này không chỉ đóng góp một phương pháp luận định lượng tin cậy cho công tác quản trị rủi ro tại các ngân hàng thương mại Việt Nam trên lộ trình triển khai chuẩn mực Basel II/III và IFRS 9, mà còn khẳng định giá trị thực tiễn to lớn của việc ứng dụng Khoa học Dữ liệu trong lĩnh vực Tài chính - Ngân hàng.
