Giới thiệu dự án

Hoạt động cấp tín dụng luôn là mảng kinh doanh cốt lõi, mang lại nguồn thu nhập chủ đạo nhưng cũng tiềm ẩn rủi ro lớn nhất đối với hệ thống ngân hàng thương mại (NHTM). Theo thống kê ngành ngân hàng, danh mục tín dụng thường chiếm từ 50% đến 70% tổng tài sản của một NHTM. Do đó, việc quản trị rủi ro tín dụng (Credit Risk Management) đóng vai trò quyết định đến sự an toàn hệ thống, mức độ an toàn vốn theo chuẩn mực Basel II/III và hiệu quả sinh lời dài hạn của tổ chức tín dụng.

Đề tài "Xây dựng mô hình xếp hạng tín dụng đánh giá rủi ro tín dụng khách hàng cá nhân tại Ngân hàng TMCP Kỹ thương Việt Nam (Techcombank)" do tác giả Nguyễn Khánh Ly (Khoa Toán Kinh tế, Trường Đại học Kinh tế Quốc dân) thực hiện dưới sự hướng dẫn khoa học của TS. Hoàng Đức Mạnh và sự hỗ trợ thực tế từ Phòng Mô hình & Phân tích Rủi ro Tín dụng Techcombank, tập trung giải quyết bài toán định lượng khả năng vỡ nợ của khách hàng cá nhân (KHCN).

+-----------------------------------------------------------------------------------+
|                        MÔ HÌNH HÓA XÁC SUẤT VỠ NỢ (PD)                             |
|                                                                                   |
|  [Dữ liệu KHCN 2014-2019] ---> [Biến đổi WOE & Lọc IV] ---> [Hồi quy Stepwise]    |
|       (89,592 hồ sơ)                 (159 -> 7 biến)           (Logit nhị phân)   |
|                                                                     |             |
|  [Ma trận Phân hạng 10 Bậc] <-- [Kiểm định Gini / PSI] <------------+             |
|     (Thang điểm tín dụng)        (Train / Val / Test)                             |
+-----------------------------------------------------------------------------------+

Vấn đề thực tiễn và mục tiêu nghiên cứu

Trước sự gia tăng nhanh chóng về quy mô danh mục tín dụng bán lẻ giai đoạn 2014 - 2019, các phương pháp thẩm định truyền thống dựa trên đánh giá chuyên gia bộc lộ rõ hạn chế về tính chủ quan, thiếu nhất quán và khó mở rộng quy mô xử lý hồ sơ. Dự án đặt ra các mục tiêu cụ thể:

  1. Khảo sát & đánh giá thực trạng: Phân tích danh mục cho vay KHCN tại Techcombank (cho vay mua nhà dự án, nhà thứ cấp, mua ô tô, thẻ tín dụng).
  2. Xác định các nhân tố ảnh hưởng trọng yếu: Khai phá các đặc trưng hành vi, số dư tài khoản phi tín dụng và lịch sử tín dụng tác động trực tiếp đến xác suất không trả được nợ.
  3. Phát triển mô hình định lượng: Ứng dụng hồi quy Logistic kết hợp kỹ thuật biến đổi dữ liệu Weight of Evidence (WOE) và Information Value (IV) để xây dựng mô hình dự báo xác suất vỡ nợ (Probability of Default - PD).
  4. Chuẩn hóa hệ thống xếp hạng: Thiết lập bảng xếp hạng tín dụng nội bộ (Master Scale) gồm 10 phân hạng rủi ro, cung cấp ngưỡng cắt (Cut-off Score) phục vụ tự động hóa phê duyệt tín dụng và định giá khoản vay theo rủi ro (Risk-based Pricing).

Phạm vi và dữ liệu nghiên cứu

  • Tập dữ liệu: Mẫu trích xuất gồm 89,592 khách hàng cá nhân có phát sinh quan hệ tín dụng tại Techcombank trong giai đoạn 2014 - 2019.
  • Biến mục tiêu (flag_bad): Biến nhị phân xác định trạng thái khách hàng rơi vào nhóm nợ quá hạn nghiêm trọng trong khung thời gian quan sát 18 tháng (Performance Window).
  • Không gian đặc trưng: 159 biến độc lập ban đầu, bao gồm nhóm số dư tài khoản thanh toán/tiết kiệm phi tín dụng, nhóm kênh giao dịch và nhóm lịch sử tín dụng từ Trung tâm Thông tin Tín dụng (PCB).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong quản trị rủi ro tín dụng bán lẻ, các NHTM thường cân nhắc giữa ba nhóm phương pháp tiếp cận chính:

Tiêu chí Phương pháp Chuyên gia (Expert System) Học máy phức tạp (Black-box ML: ANN, XGBoost) Hồi quy Logistic chuẩn hóa (Scorecard / Logit)
Tính minh bạch & Giải thích Cao (dựa trên kinh nghiệm chuyên gia tín dụng) Rất thấp (mô hình hộp đen, khó diễn giải từng trọng số) Tuyệt đối (tuyến tính hóa log-odds, tường minh hệ số $\beta$)
Độ chính xác dự báo Thấp đến trung bình, phụ thuộc cảm tính cá nhân Rất cao, bắt trọn quan hệ phi tuyến phức tạp Cao, tối ưu khi kết hợp kỹ thuật phân nhóm WOE
Tuân thủ quy định Basel Không đáp ứng yêu cầu thẩm định mô hình Khó giải trình với Ngân hàng Nhà nước và kiểm toán Tiêu chuẩn vàng được Basel II/III chấp thuận
Chi phí vận hành & Triển khai Tốn kém nhân sự thẩm định thủ công Yêu cầu hạ tầng tính toán cao, khó debug Tối ưu, dễ dàng nhúng vào Core Banking/LOS qua SQL rule

Yêu cầu hệ thống theo khung MoSCoW

  • Must-have (Bắt buộc):
    • Khả năng giải thích độc lập của từng biến số thông qua kiểm định P-value ($< 0.05$) và lý thuyết kinh tế tài chính.
    • Phân tách dữ liệu kiểm định nghiêm ngặt: Train (70%), Validation (30%) và tập ngoài thời gian (Out-of-time Test).
    • Đánh giá khả năng phân loại bằng hệ số Gini và độ ổn định phân phối qua chỉ số Population Stability Index (PSI $< 0.1$).
  • Should-have (Nên có):
    • Kỹ thuật chia nhóm biến thủ công (Coarse Classing/Fine Classing) đảm bảo tính đơn điệu (monotonicity) của tỷ lệ vỡ nợ (Bad Rate).
    • Tích hợp dữ liệu giao dịch phi tín dụng (Non-lending balance/Transaction channels) để làm giàu hồ sơ khách hàng mới (Thin-file applicants).
  • Could-have (Có thể có):
    • Tự động hóa pipeline tiền xử lý và trích chọn biến bằng thuật toán Stepwise kết hợp Forward Selection & Backward Elimination.
  • Won't-have (Không áp dụng giai đoạn này):
    • Các cấu trúc Deep Learning phức tạp thiếu cơ chế giải trình trọng số theo quy chuẩn thẩm định mô hình rủi ro của Techcombank.
+-------------------------------------------------------------------------------------------------------+
|                                    KIẾN TRÚC PIPELINE XỬ LÝ DỮ LIỆU                                    |
|                                                                                                       |
|  [Raw Data: 89,592 rows x 159 cols]                                                                   |
|          |                                                                                            |
|          v                                                                                            |
|  [1. Data Cleaning & Missing Treatment] ---> Gộp Missing thành nhóm riêng biệt                        |
|          |                                                                                            |
|          v                                                                                            |
|  [2. Feature Engineering & Binning]      ---> Tính WOE & Lọc IV >= 0.02 (159 -> 99 biến)              |
|          |                                                                                            |
|          v                                                                                            |
|  [3. Stepwise Logistic Selection]        ---> Forward/Backward Elimination (99 -> 21 biến)            |
|          |                                                                                            |
|          v                                                                                            |
|  [4. Multicollinearity & P-value Check]  ---> Heatmap correlation r < 0.5, p < 0.05 (21 -> 7 biến)    |
|          |                                                                                            |
|          v                                                                                            |
|  [5. Logistic Model Estimation (MLE)]    ---> ln(p / (1-p)) = beta_0 + sum(beta_i * WOE_i)             |
|          |                                                                                            |
|          v                                                                                            |
|  [6. Validation & Scorecard Scaling]     ---> Kiểm định Gini, PSI & Thiết lập 10 Master Scale Bins    |
+-------------------------------------------------------------------------------------------------------+

Implementation và kết quả

Quy trình kỹ thuật & Cơ sở toán học

1. Biến đổi Weight of Evidence (WOE) và Information Value (IV)

Kỹ thuật WOE phân chia biến liên tục hoặc định danh thành các khoảng giá trị rời rạc, chuẩn hóa mối quan hệ giữa biến độc lập và xác suất xảy ra rủi ro:

$$\text{WOE}_i = \ln\left(\frac{\text{Distr Good}_i}{\text{Distr Bad}_i}\right) = \ln\left(\frac{\text{Good}_i / \sum \text{Good}}{\text{Bad}_i / \sum \text{Bad}}\right)$$

Chỉ số Information Value (IV) dùng để đo lường sức mạnh phân loại của từng đặc trưng:

$$\text{IV} = \sum_{i=1}^{k} \left(\text{Distr Good}_i - \text{Distr Bad}_i\right) \times \text{WOE}_i$$

Ngưỡng sàng lọc biến:

  • $\text{IV} < 0.02$: Loại bỏ (không có sức mạnh dự báo).
  • $0.02 \le \text{IV} < 0.1$: Sức mạnh dự báo yếu.
  • $0.1 \le \text{IV} < 0.3$: Sức mạnh dự báo trung bình.
  • $0.3 \le \text{IV} < 0.5$: Sức mạnh dự báo mạnh.
  • $\text{IV} \ge 0.5$: Sức mạnh dự báo rất mạnh (cần kiểm tra nguy cơ Data Leakage).

2. Mô hình Hồi quy Logistic nhị phân (Binary Logistic Regression)

Ước lượng xác suất xảy ra biến cố vỡ nợ ($p = P(Y=1)$) thông qua hàm Logit:

$$\ln\left(\frac{p}{1-p}\right) = \beta_0 + \beta_1 X_{1,\text{woe}} + \beta_2 X_{2,\text{woe}} + \dots + \beta_k X_{k,\text{woe}}$$

Các tham số hệ số $\beta$ được ước lượng bằng phương pháp Hợp lý cực đại (Maximum Likelihood Estimation - MLE).

import numpy as np
import pandas as pd
import statsmodels.api as sm
from sklearn.metrics import roc_auc_score

def calculate_woe_iv(df, feature, target):
    """Tính toán bảng WOE và giá trị IV cho một biến đặc trưng."""
    lst = []
    for val in df[feature].unique():
        total_pop = len(df[df[feature] == val])
        bad_pop = df[(df[feature] == val) & (df[target] == 1)].shape[0]
        good_pop = df[(df[feature] == val) & (df[target] == 0)].shape[0]
        lst.append({
            'Value': val,
            'Total': total_pop,
            'Good': good_pop,
            'Bad': bad_pop
        })
    stat_df = pd.DataFrame(lst)
    stat_df['Distr_Good'] = stat_df['Good'] / stat_df['Good'].sum()
    stat_df['Distr_Bad'] = stat_df['Bad'] / stat_df['Bad'].sum()
    stat_df['WOE'] = np.log((stat_df['Distr_Good'] + 1e-5) / (stat_df['Distr_Bad'] + 1e-5))
    stat_df['IV'] = (stat_df['Distr_Good'] - stat_df['Distr_Bad']) * stat_df['WOE']
    total_iv = stat_df['IV'].sum()
    return stat_df, total_iv

def fit_logistic_scorecard(X_train_woe, y_train):
    """Ước lượng tham số mô hình hồi quy Logistic sử dụng MLE."""
    X_train_const = sm.add_constant(X_train_woe)
    logit_model = sm.Logit(y_train, X_train_const)
    result = logit_model.fit(disp=False)
    return result

def evaluate_gini(y_true, y_pred_prob):
    """Tính toán hệ số Gini từ chỉ số AUC-ROC."""
    auc = roc_auc_score(y_true, y_pred_prob)
    gini = 2 * auc - 1
    return auc, gini

Kết quả lựa chọn biến và thông số mô hình

Từ 159 biến ban đầu, qua các vòng sàng lọc:

  1. Lọc đơn biến: Loại các biến có $\text{IV} < 0.02$, thu về 99 biến.
  2. Stepwise Logistic: Chọn lọc được 21 biến tối ưu.
  3. Kiểm tra đa cộng tuyến và P-value: Loại bỏ các biến có tương quan cặp $> 0.5$ và $P\text{-value} > 0.05$, giữ lại 7 biến đặc trưng cốt lõi:
STT Tên biến đặc trưng Nhóm biến Chỉ số IV Hệ số hồi quy ($\beta$) P-value Chiều tác động kinh tế
1 non_lending_bal_25 Số dư tài khoản thanh toán 0.9645 -0.7136 $< 0.0001$ Số dư tăng $\rightarrow$ Rủi ro giảm ($\text{WOE} \uparrow$)
2 non_lending_bal_19 Số dư tiết kiệm không kỳ hạn 0.4296 -0.5020 $< 0.0001$ Số dư tăng $\rightarrow$ Khả năng thanh toán tốt
3 non_lending_bal_30 Số dư tiền gửi có kỳ hạn 0.6147 -0.5260 $< 0.0001$ Dự phòng tài chính cao $\rightarrow$ Ít nợ xấu
4 trans_channel_withdraw_9 Tần suất rút tiền mặt ATM 0.1125 -1.2073 $< 0.0010$ Rút tiền mặt nhiều $\rightarrow$ Áp lực thanh khoản
5 pcb_product_11 Số lượng thẻ tín dụng CIC/PCB 0.1408 -0.3452 $< 0.0050$ Vượt hạn mức thẻ $\rightarrow$ Đòn bẩy cao
6 trans_channel_33 Kênh giao dịch Internet Banking 0.2514 -0.4120 $< 0.0010$ Giao dịch số thường xuyên $\rightarrow$ Dòng tiền tốt
7 pcb_product_12 Số tài khoản vay mở tại TCTD khác 0.1345 -0.3831 $< 0.0050$ Vay nhiều nơi $\rightarrow$ Rủi ro chồng chéo

Phương trình Logit thực nghiệm sau tối ưu:

$$\ln\left(\frac{p}{1-p}\right) = -2.145 - 0.7136 \cdot \text{WOE}(\text{non_bal_25}) - 0.5020 \cdot \text{WOE}(\text{non_bal_19}) - 0.5260 \cdot \text{WOE}(\text{non_bal_30}) - 1.2073 \cdot \text{WOE}(\text{withdraw_9}) - 0.3452 \cdot \text{WOE}(\text{pcb_11}) - 0.4120 \cdot \text{WOE}(\text{trans_33}) - 0.3831 \cdot \text{WOE}(\text{pcb_12})$$

Kiểm định chất lượng và Bảng xếp hạng tín dụng (Master Scale)

1. Đánh giá độ phân biệt (Gini Coefficient)

Hệ số Gini được tính toán trên 3 tập dữ liệu độc lập:

$$\text{Gini} = 2 \times \text{AUC} - 1$$

  • Tập Train (70%): $\text{Gini} = 58.42%$ ($\text{AUC} = 0.7921$).
  • Tập Validation (30%): $\text{Gini} = 57.15%$ ($\text{AUC} = 0.7858$).
  • Tập Out-of-time Test: $\text{Gini} = 56.30%$ ($\text{AUC} = 0.7815$). Độ suy giảm Gini giữa tập Train và Test $< 2.5%$, chứng minh mô hình không bị quá khớp (Overfitting) và có tính khái quát hóa cao.

2. Đánh giá độ ổn định mô hình (Population Stability Index - PSI)

Chỉ số PSI đo lường mức độ dịch chuyển phân bố xác suất:

$$\text{PSI} = \sum_{i=1}^{k} \left(% \text{Actual}_i - % \text{Expected}_i\right) \times \ln\left(\frac{% \text{Actual}_i}{% \text{Expected}_i}\right)$$

Kết quả: $\text{PSI}{\text{Train vs Val}} = 0.0124$ và $\text{PSI}{\text{Train vs Test}} = 0.0286$. Cả hai giá trị đều nằm sâu trong vùng an toàn ($\text{PSI} < 0.10$ - Mức Green), khẳng định phân phối điểm số của mô hình hoàn toàn ổn định qua các chu kỳ thời gian.

3. Bảng phân hạng rủi ro tín dụng 10 bậc (Master Scale)

Căn cứ vào xác suất vỡ nợ dự báo ($p$), toàn bộ danh mục khách hàng được phân bổ vào 10 hạng tín dụng chuẩn hóa:

Hạng tín dụng (Rank) Khoảng xác suất vỡ nợ $P(Y=1)$ Tỷ lệ khách hàng (%) Số lượng hồ sơ Good Số lượng hồ sơ Bad Bad Rate thực tế (%) Chính sách tín dụng đề xuất
AAA $[0.000% - 0.150%]$ 12.5% 11,185 14 0.12% Phê duyệt tự động, lãi suất ưu đãi tối đa
AA $(0.150% - 0.350%]$ 15.0% 13,398 41 0.30% Phê duyệt tức thì, cấp hạn mức thẻ cao
A $(0.350% - 0.700%]$ 14.2% 12,645 77 0.60% Cấp tín dụng chuẩn, điều kiện thường
BBB $(0.700% - 1.250%]$ 13.8% 12,242 122 0.99% Duyệt chuẩn, yêu cầu chứng minh thu nhập
BB $(1.250% - 2.100%]$ 11.5% 10,138 165 1.60% Yêu cầu tài sản đảm bảo bổ sung
B $(2.100% - 3.800%]$ 10.2% 8,881 257 2.81% Thắt chặt hạn mức, tăng biên độ lãi suất
CCC $(3.800% - 6.500%]$ 8.1% 6,903 354 4.88% Thẩm định nâng cao qua hội đồng rủi ro
CC $(6.500% - 12.000%]$ 6.4% 5,263 471 8.21% Hạn chế cấp mới, chỉ cho vay có TSĐB thanh khoản cao
C $(12.000% - 25.000%]$ 4.8% 3,612 686 15.96% Từ chối cấp tín dụng thông thường
D $> 25.000%$ 3.5% 1,778 1,357 43.29% Từ chối tuyệt đối, đưa vào danh sách đen

Đổi mới và đóng góp

Đổi mới phương pháp luận và kỹ thuật

  1. Tận dụng nhóm biến phi tín dụng (Non-lending features): Đồ án tiên phong đưa các biến số dư tiền gửi thanh toán (non_lending_bal_25), tiền gửi tiết kiệm và tần suất giao dịch kênh số vào mô hình. Kết quả chứng minh nhóm biến số dư phi tín dụng đóng góp tới 3/7 biến cốt lõi với chỉ số IV cao vượt trội ($\text{IV} > 0.6$), mở ra hướng thẩm định hiệu quả cho phân khúc khách hàng chưa có nhiều lịch sử nợ (Thin-file).
  2. Quy trình kết hợp linh hoạt Coarse Classing & Stepwise Selection: Khắc phục nhược điểm của các thuật toán phân nhóm tự động bằng cách can thiệp thủ công (nhóm tay) dựa trên quy luật kinh tế, đảm bảo các đường biên WOE luôn đơn điệu, triệt tiêu ảnh hưởng của điểm dị biệt (Outliers).
  3. Khả năng giải trình 100% phục vụ tuân thủ Basel: So với các thuật toán học máy phức tạp vốn khó áp dụng vào hệ thống ngân hàng do rào cản pháp lý, mô hình duy trì tính minh bạch toán học tuyệt đối, cho phép giải trình rõ ràng lý do từ chối hồ sơ vay tới từng khách hàng và cơ quan quản lý.
+----------------------------------------------------------------------------------------------------+
|                                    BẢNG SO SÁNH HIỆU NĂNG MÔ HÌNH                                  |
|                                                                                                    |
|  Tiêu chí đánh giá         Phương pháp Chuyên gia    Mô hình Đề tài (Logit+WOE)    Tăng trưởng     |
|  ------------------------------------------------------------------------------------------------  |
|  Tốc độ xử lý hồ sơ        24 - 48 giờ               Dưới 5 giây (Auto-score)      Nhanh gấp >100x |
|  Hệ số phân tách Gini      30% - 35%                 57.15% (Validation)           Cải thiện +63%  |
|  Độ ổn định hệ thống (PSI) Không định lượng được     0.0286 (Green Zone)           Chuẩn hóa Basel |
|  Tỷ lệ nợ xấu danh mục     2.8% - 3.2%               Dự báo duy trì < 1.5%         Giảm ~45% RRTD  |
+----------------------------------------------------------------------------------------------------+

Ứng dụng thực tế và triển khai

Tích hợp hệ thống và trường hợp sử dụng (Use Cases)

  • Tự động hóa phê duyệt tín dụng (Origination Scorecard): Tích hợp công thức tính Logit vào hệ thống khởi tạo khoản vay (LOS - Loan Origination System) của Techcombank, cho phép tự động phân luồng hồ sơ (STP - Straight-Through Processing) với các phân hạng từ AAA đến A.
  • Định giá khoản vay theo rủi ro (Risk-based Pricing): Thiết lập lãi suất và hạn mức tín dụng linh hoạt theo từng bậc phân hạng: khách hàng nhóm AAA hưởng biên độ lãi suất thấp nhất; khách hàng nhóm B/CCC phải chịu phí rủi ro bù đắp.
  • Trích lập dự phòng rủi ro tín dụng (IFRS 9 / Basel II): Xác suất vỡ nợ (PD) đầu ra từ mô hình là tham số đầu vào trực tiếp cho công thức tính Tổn thất kỳ vọng: $$\text{ECL} = \text{PD} \times \text{LGD} \times \text{EAD}$$
+-----------------------------------------------------------------------------------------+
|                          LỘ TRÌNH TRIỂN KHAI HỆ THỐNG TÍN DỤNG                          |
|                                                                                         |
|  [Tháng 1-2] Khảo sát & Trích xuất Dữ liệu Core Banking/PCB                             |
|       |                                                                                 |
|       v                                                                                 |
|  [Tháng 3-4] Huấn luyện Mô hình, Binning WOE & Đánh giá Gini/PSI                         |
|       |                                                                                 |
|       v                                                                                 |
|  [Tháng 5]   UAT & Đóng gói SQL Scorecard Engine nhúng vào LOS                          |
|       |                                                                                 |
|       v                                                                                 |
|  [Tháng 6+]  Chạy song song (Shadow Run) & Giám sát PSI định kỳ hàng tháng              |
+-----------------------------------------------------------------------------------------+

Hiệu quả kinh tế dự tính

  • Tiết giảm chi phí thẩm định: Tự động hóa 60% các khoản vay tiêu dùng nhỏ và cấp thẻ tín dụng, giảm thời gian xử lý từ 2 ngày làm việc xuống dưới 10 phút.
  • Tối ưu hóa vốn dự phòng: Nhờ độ phân tách rủi ro chính xác cao ($\text{Gini} > 57%$), ngân hàng có thể giảm bớt chi phí trích lập dự phòng cho các tệp khách hàng thực sự an toàn, giải phóng dòng vốn phục vụ kinh doanh.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Phạm vi nguồn dữ liệu: Mô hình chủ yếu khai thác dữ liệu nội bộ tại Techcombank và thông tin từ PCB; chưa tích hợp dữ liệu viễn thông (Telco), mạng xã hội, hóa đơn điện nước hay dữ liệu hành vi thương mại điện tử.
  2. Ảnh hưởng biến động chu kỳ kinh tế: Bộ dữ liệu thu thập trong giai đoạn 2014 - 2019 chưa phản ánh trọn vẹn cú sốc kinh tế bất thường (như đại dịch COVID-19 hoặc suy thoái kinh tế vĩ mô), đòi hỏi phải hiệu chỉnh chỉ số kinh tế vĩ mô (Macroeconomic Overlay).

Hướng nâng cấp đề xuất

  • Ứng dụng Machine Learning có giải thích (Explainable AI - XAI): Thử nghiệm các thuật toán LightGBM / CatBoost kết hợp giá trị SHAP (SHapley Additive exPlanations) để vừa tối ưu hóa chỉ số Gini lên $> 65%$, vừa đảm bảo tính giải trình từng thuộc tính cho kiểm toán.
  • Xây dựng mô hình chấm điểm hành vi động (Behavioral Scoring): Cập nhật điểm số tín dụng theo thời gian thực (Real-time scoring) dựa trên biến động giao dịch tài khoản hàng ngày, phục vụ cảnh báo sớm nợ xấu (Early Warning System).

Đối tượng hưởng lợi

+------------------------------------------------------------------------------------+
|                                ĐỐI TƯỢNG HƯỞNG LỢI                                 |
|                                                                                    |
|  [Sinh viên / Học viên]      ---> Nắm vững quy trình chuẩn xây dựng Scorecard      |
|  [Risk Modeler / Data Sci]   ---> Source code mẫu, kỹ thuật xử lý WOE/IV thực chiến|
|  [Ngân hàng / TCTD]          ---> Bộ khung phân hạng tín dụng 10 bậc chuẩn Basel   |
|  [Nhà nghiên cứu kinh tế]    ---> Bằng chứng thực nghiệm thị trường bán lẻ VN      |
+------------------------------------------------------------------------------------+
  • Sinh viên & Học viên chuyên ngành Toán Kinh tế, Toán Tài chính, Fintech: Nắm bắt toàn diện quy trình chuẩn công nghiệp (Standard Industry Workflow) về xây dựng hệ thống Credit Scoring từ dữ liệu thực tế ngân hàng.
  • Chuyên viên Phân tích Rủi ro & Data Scientist: Tiếp cận phương pháp tinh chỉnh biến (Fine-tuning), xử lý biến phi tín dụng và kỹ thuật đóng gói mô hình Logistic triển khai trên hệ thống LOS.
  • Ban điều hành & Khối Quản trị Rủi ro NHTM: Sở hữu khung tham chiếu phân hạng 10 bậc được kiểm chứng thực nghiệm, hỗ trợ ra quyết định phân bổ hạn mức tín dụng tối ưu.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và môi trường để triển khai mô hình là gì?

Mô hình yêu cầu môi trường Python 3.8+ với các thư viện tiêu chuẩn: pandas, numpy, scipy, statsmodels, scikit-learn và scorecardpy. Khi triển khai lên hệ thống Core Banking hoặc LOS, toàn bộ công thức WOE và phương trình hồi quy có thể chuyển đổi trực tiếp thành mã SQL Native Query hoặc bảng tra cứu (Lookup Table), không đòi hỏi hạ tầng GPU chuyên dụng.

2. Vì sao biến non_lending_bal_25 lại có chỉ số IV cao vượt trội (0.96)?

Biến non_lending_bal_25 phản ánh số dư bình quân trên tài khoản thanh toán không kỳ hạn của khách hàng. Trong phân tích tín dụng cá nhân, số dư khả dụng thực tế thể hiện năng lực thanh khoản tức thời và dòng tiền ròng đều đặn. Khách hàng duy trì số dư tiền mặt cao luôn có khả năng chống chịu tốt trước các rủi ro mất việc làm hoặc đứt gãy thu nhập ngắn hạn.

3. Làm thế nào để kiểm soát rủi ro dịch chuyển phân phối dữ liệu (Data Drift)?

Hệ thống sử dụng chỉ số Population Stability Index (PSI) đo lường định kỳ hàng tháng/quý:

  • Nếu $\text{PSI} < 0.1$: Mô hình ổn định, tiếp tục sử dụng.
  • Nếu $0.1 \le \text{PSI} < 0.25$: Xuất hiện dịch chuyển nhẹ, cần phân tích nguyên nhân thay đổi đặc điểm nhân khẩu học hoặc chính sách kinh doanh.
  • Nếu $\text{PSI} \ge 0.25$: Cảnh báo đỏ, yêu cầu tái hiệu chuẩn (Recalibration) hoặc huấn luyện lại mô hình (Retraining).

4. Xử lý giá trị khuyết thiếu (Missing Values) bằng WOE có ưu điểm gì so với phép thế Mean/Median?

Việc gán Missing Value bằng Mean/Median làm méo mó phân phối tự nhiên và xóa bỏ thông tin ẩn chứa trong tính chất thiếu dữ liệu (ví dụ: khách hàng không có thẻ tín dụng nên thiếu lịch sử PCB). Bằng cách gộp Missing thành một nhóm riêng biệt và tính WOE độc lập, mô hình giữ nguyên được giá trị thông tin và phản ánh chính xác rủi ro tương đối của nhóm đối tượng này.

5. Chi phí triển khai và thời gian thu hồi vốn (ROI) của dự án?

Dự án tận dụng hạ tầng dữ liệu sẵn có của Techcombank, chi phí phát sinh chủ yếu nằm ở khâu tích hợp phần mềm và kiểm thử UAT. Nhờ khả năng giảm thiểu tỷ lệ nợ xấu phát sinh từ 2.8% xuống dưới 1.5% trên quy mô danh mục hàng nghìn tỷ đồng, thời gian thu hồi vốn đầu tư (Payback Period) ước tính chỉ dưới 6 tháng.

Kết luận

Đồ án tốt nghiệp của tác giả Nguyễn Khánh Ly đã giải quyết thành công bài toán cốt lõi trong quản trị rủi ro bán lẻ tại Ngân hàng TMCP Kỹ thương Việt Nam (Techcombank). Bằng việc kết hợp chặt chẽ giữa lý thuyết kinh tế lượng, kỹ thuật biến đổi dữ liệu WOE/IV và mô hình hồi quy Logistic nhị phân, nghiên cứu đã xây dựng một hệ thống xếp hạng tín dụng 10 bậc chuẩn mực, đạt hiệu năng phân tách vượt trội ($\text{Gini} > 57%$) cùng độ ổn định vững chắc qua thời gian ($\text{PSI} < 0.03$). Kết quả này không chỉ mang giá trị học thuật xuất sắc trong ngành Toán Tài chính mà còn cung cấp một công cụ ứng dụng thực tiễn mạnh mẽ, sẵn sàng chuyển giao vào hệ thống phê duyệt tín dụng tự động hóa của ngân hàng thương mại.