Bài của ThS.Nguyễn Tiến Hưng,ThS.Lê Thị Huyền Trang

46 © Học viện Ngân hàng ISSN 1859 011X Tạp chí Khoa học & Đào tạo Ngân hàng Số 193 Tháng 6 2018 Mô hình chấm điểm tín dụng dựa trên sự kết hợp giữa mô hình Cây quyết định, Logit, K láng giềng gần nhất[.]

QUẢN TRỊ NGÂN HÀNG & DOANH NGHIỆP Mơ hình chấm điểm tín dụng dựa kết hợp mơ hình Cây định, Logit, K láng giềng gần Mạng thần kinh nhân tạo Nguyễn Tiến Hưng Lê Thị Huyền Trang Ngày nhận: 03/06/2018 Ngày nhận sửa: 06/06/2018 Ngày duyệt đăng: 18/06/2018 Tìm kiếm mơ hình chấm điểm tín dụng hiệu vấn đề quan trọng tình trạng nợ xấu ảnh hưởng nghiêm trọng tới hoạt động tổ chức tín dụng (TCTD) Việt Nam Vài thập kỉ qua có nhiều nghiên cứu lĩnh vực thống kê nước phát triển tiến hành nhằm nâng cao tính xác mơ hình chấm điểm tín dụng Tuy nhiên, Việt Nam chưa có nhiều nghiên cứu lĩnh vực Các nghiên cứu chủ yếu sử dụng mơ hình truyền thống Logit (LR), phân tích phân biệt (DA) Một vài nghiên cứu có đề cập tới mơ hình học máy định (DT), K láng giềng gần (KNN), mạng thần kinh nhân tạo (ANN) Bài nghiên cứu hướng đến việc xây dựng, đánh giá hiệu mơ hình kết hợp DT_LR, DT_KNN, DT_ANN, xu hướng nghiên cứu ứng dụng nhằm tăng cường độ xác cho mơ hình chấm điểm tín dụng Từ khóa: Chấm điểm tín dụng, Cây định, K láng giềng gần nhất, Mạng thần kinh nhân tạo Giới thiệu số lượng tiền họ cần phải xây dựng chiến lược để gia tăng lợi nhuận quản lý hiệu rủi ro kèm Việc xây dựng công cụ chấm điểm hiệu đem lại nhiều lợi ích cho TCTD: ○○ Cải thiện dòng vốn ○○ Bảo đảm tài sản chấp phù hợp ○○ Giảm khoản lỗ tín dụng hấm điểm tín dụng hiểu cách rộng rãi việc đánh giá rủi ro tiềm tàng đối tượng vay theo thang điểm định Mơ hình chấm điểm tín dụng công cụ giúp cho nhà quản trị biết họ nên cho vay, với © Học viện Ngân hàng ISSN 1859 - 011X 46 Tạp chí Khoa học & Đào tạo Ngân hàng Số 193- Tháng 2018 QUẢN TRỊ NGÂN HÀNG & DOANH NGHIỆP ○○ Giảm chi phí phân tích tín dụng hợp hiệu tìm ra, nhiên ○○ Giảm thời gian đưa định cấp tín kết hợp nhiều kỹ thuật việc giải thích tác dụng động liệu đầu vào đến kết điểm ○○ Đa dạng hố sản phẩm tín dụng theo chấm khó khăn Bài nghiên cứu phân cấp rủi ro khác xây dựng, đánh giá hiệu mơ hình kết ○○ Hiểu hành vi khách hàng hợp mơ hình DT_LR, DT_KNN, DT_ANN, Chấm điểm tín dụng đo lường định lượng rủi ro nhằm tăng cường độ xác cho mơ hình tiềm tàng khách hàng cách phân tích chấm điểm tín dụng liệu cá nhân để tìm khả vỡ nợ họ với khoản vay tương lai Hoạt động Các mơ hình xếp hạng tín dụng hiểu kỹ thuật khai phá liệu, tìm kiếm quy luật 2.1 Mơ hình Logit liệu lịch sử áp dụng đưa định cấp tín dụng cho khách hàng tương lai Mơ hình Logit mơ hình hồi quy với biến phụ Các kĩ thuật khai phá liệu sử dụng lĩnh thuộc (Y) biến nhị phân, nhận hai giá trị vực chấm điểm tín dụng phát minh từ thập 1; biến độc lập biến nhị niên 50 kỉ trước (Lando, 2004) Đến nay, phân, biến rời rạc biến liên tục Trong mơ có nhiều kĩ thuật phát triển ứng hình xếp hạng tín dụng, biến phụ thuộc Y nhận dụng, phổ biến phải kể đến giá trị khách hàng không trả nợ kĩ thuật như: Phân tích phân biệt (DA), logit, khách hàng trả nợ (Lee cộng sự, K láng giềng gần nhất, mạng thần kinh nhân 2000) Các biến độc lập đại diện cho thông tạo (ANN) (Thomas cộng sự, 2009; Abdou, tin định tính định lượng khách hàng 2011) Sự bùng nổ công nghệ thông tin 4.0 thu nhập, độ tuổi, giới tính, trình độ học vấn với phát triển trí tuệ thơng minh, Sau hồi quy mơ hình Logit, thu Ŷ = α việc tập trung vào khai phá liệu sử dụng + β1X1 + β2X2 + + βkXk giá trị ước lượng kỹ thuật trí tuệ nhân tạo xu hướng Y Khi đó, xác suất trả nợ khách hàng lĩnh vực chấm điểm tín dụng tính cơng thức sau: Bên cạnh phát triển kĩ thuật phân P = 1/ (1 + e−Y) loại đơn lẻ, có nhiều nghiên cứu tiến hành Giá trị P nhận khoảng (0,1) đánh giá hiệu việc kết hợp thuật so sánh với ngưỡng mà ngân hàng đặt toán đơn lẻ nhằm tối đa hoá khả dự báo để xếp hạng khách hàng Tuy nhiên, trong mơ hình chấm điểm tín dụng Một số nghiên cứu này, để dễ dàng việc so nghiên cứu Kim cộng (2001), Ahn sánh hiệu mơ hình, giá trị ngưỡng cộng (2009), Luo cộng (2009) đề cập để phân loại khách hàng chọn 0,5 Điều đến việc sử dụng kĩ thuật phân loại liệu có nghĩa giá trị P < 0,5, khách Seft-Organzing Map (SOM), thuật toán hàng dự báo vỡ nợ, ngược lại P di truyền (GA), thuật tốn phân nhóm (K-MC), sau sử dụng Hình Cây định (Decision tree) liệu cho mơ hình chấm điểm phân tích phân biệt (DA), Logit (LR), K-NN, ANN Một số nghiên cứu khác Lee cộng (2005), Li cộng (2010) kết hợp kĩ thuật phân loại, kết dự báo kĩ thuật sử dụng nhân tố đầu vào cho kĩ thuật khác Đã có nhiều cách kết Nguồn: Abdou (2011) Tạp chí Khoa học & Đào tạo Ngân hàng Số 193- Tháng 2018 47 QUẢN TRỊ NGÂN HÀNG & DOANH NGHIỆP ≥ 0,5, khách hàng dự báo trả nợ 2.2 Cây định (Decision Tree- DT) Cây định (DT) kiểu mơ hình phân lớp quan sát dựa vào dãy luật Mơ hình bao gồm nút gốc (Root node), nút bên (Internal node) nút (Leaf node) Mỗi nút DT tương ứng với biến; đường nối với nút thể giá trị cụ thể cho biến (đây điều kiện hay luật để phân nhánh cho node) Mỗi nút đại diện cho giá trị dự đoán biến mục tiêu; giá trị cho trước biến biểu diễn đường từ nút gốc tới nút (Hình 1) Cây định xây dựng cách phân tách thuộc tính giá trị nút dựa thuộc tính đầu vào Q trình phân lớp sử dụng thuộc tính phân tách thực liên tục gặp nút (giá trị mục tiêu) Tập hợp luật đường từ nút gốc tới nút xác định cho luật định mà hàm mục tiêu trả giá trị mức độ rủi ro tương ứng với khách hàng.  DT phương pháp phân lớp hiệu dễ hiểu Tuy nhiên, hiệu phân lớp định phụ thuộc lớn vào liệu huấn luyện (training data) Do vậy, việc sử dụng liệu lớn lịch sử vay nợ khách hàng cần thiết để xây dựng mô hình DT đáng tin cậy 2.3 K Láng giềng gần (K-Nearest Neighbor- KNN) KNN phương pháp học máy để phân lớp đối tượng dựa vào khoảng cách gần đối tượng cần xếp lớp tất đối tượng liệu huấn luyện Lớp điểm liệu (hay phân loại khách hàng) suy trực tiếp từ K điểm liệu gần liệu huấn luyện Lớp định theo lớp có số lượng điểm (trong K điểm gần nhất) nhiều Từ Hình thấy, chọn số điểm gần để phân loại xung quanh điểm cần phân lớp có điểm điểm thuộc lớp điểm thuộc lớp Với số điểm thuộc lớp nhiều hơn, điểm cần phân lớp đưa vào lớp số Tương tự vậy, lựa chọn số điểm gần k=5 có năm điểm xung quanh điểm cần phân lớp, có điểm thuộc lớp số điểm thuộc lớp Nếu theo liệu điểm cần phân lớp thuộc lớp số Trên thực tế liệu cần phân loại có nhiều thuộc tính thuộc tính tương ứng với chiều khơng gian, tính khoảng cách gần cần tính khoảng cách vector khơng gian đa chiều với cơng thức khoảng cách Euclidean: Hình K Láng giềng gần (K-Nearest neighbor- KNN) Nguồn: Marinakis cộng (2008) 48 Số 193- Tháng 2018 Tạp chí Khoa học & Đào tạo Ngân hàng QUẢN TRỊ NGÂN HÀNG & DOANH NGHIỆP Hình Cơ chế hoạt động nơ ron nhân tạo (node) Nguồn: Lee cộng (2000) Trong đó: x, y điểm cần xác định khoảng cách; n số chiều không gian (số thuộc tính biến mục tiêu) 2.4 Mơ hình Mạng Nơ ron nhân tạo (ANN) Nơ ron nhân tạo Ý tưởng mạng nơ ron nhân tạo (ANN) hình thành từ quan sát não người với chức tiếp nhận thông tin, xử lý thông tin đưa kết Cụ thể, não cấu thành từ nơ ron liên kết với Mỗi nơ ron tiếp nhận thông tin đầu vào, xử lý xuất thông tin đầu Vì nơ ron có liên kết phức tạp với nên thông tin đầu nơ ron thông tin đầu vào nơ ron khác Đến thông tin xử lý thỏa mãn theo yêu cầu não ngừng trình lại đưa kết cuối Sự tương tác phức tạp hàng tỉ nơ ron mơ hình hóa thành mơ hình nơ ron nhân tạo (ANN) Về bản, ANN cấu tạo nơ ron nhân tạo hay gọi “node” Hình mơ tả chế hoạt động node Các biến số node tiếp nhận theo trọng số khác thể quan trọng nhân tố đầu vào Các biến số đầu vào sau nhân với trọng số lấy tổng để Tạp chí Khoa học & Đào tạo Ngân hàng trở thành đầu vào Tại node có hàm kích hoạt để tính tốn kết đầu Trong nghiên cứu này, để có tương đồng với mơ hình logit, hàm kích hoạt sigmoid dùng để xây dựng mơ hình ANN Hàm Hình Mơ hình mạng nơ ron đa lớp truyền thẳng (MLP) Nguồn: Lee cộng (2005) Số 193- Tháng 2018 49 QUẢN TRỊ NGÂN HÀNG & DOANH NGHIỆP sigmoid mô tả công thức S(x) = 1/ (1- ), đó, với giá trị đầu vào x nhận giá trị từ -∞ đến +∞ kết đầu nằm khoảng (0,1) Mạng Nơ ron nhân tạo Một mạng nơ ron đầy đủ bao gồm lớp với tên gọi lớp đầu vào (input layer), lớp ẩn (hidden layer) lớp đầu (output layer) Trong mạng nơ ron có nhiều lớp ẩn, nhiên, Lee cộng (2005) mạng nơ ron lớp ẩn giải hầu hết số liệu kinh tế phức tạp Mỗi lớp cấu tạo từ nhiều node Trong lịch sử phát triển mạng nơ ron nhân tạo, nhiều kiểu kiến trúc mạng quy định kết nối node hình thành, nhiên, nghiên cứu sử dụng mạng nơ ron truyền thẳng đa lớp (MLP), mạng sử dụng phổ biến đem lại hiệu cao Cấu trúc mạng truyền thẳng đa lớp mơ tả Hình Số lượng node lớp số lượng lớp phụ thuộc vào phức tạp sở liệu đầu vào yêu cầu xử lý Các node lớp trước truyền thẳng kết nối tới tất node lớp sau Thông tin lan truyền mạng gắn với trọng số khác Các trọng số ước lượng thuật toán lan truyền ngược (Back-Propagation alogorithm), lần giới thiệu Rumelhart cộng (1986) Thuật toán điều chỉnh liên tục trọng số kết nối mạng để tối thiểu hóa khác biệt giá trị đầu ước lượng giá trị đầu thực tế, q trình cịn gọi q trình huấn luyện mạng Cụ thể, giai đoạn hình thành mạng MLP, trọng số khởi tạo ngẫu nhiên Các giá trị đầu mạng thiết lập thông qua giá trị giữ liệu đầu vào Sự chênh lệch giá trị đầu ước lượng đầu thực tế, hay gọi sai số mạng xác định cơng thức: Trong f(Xi) ước lượng đầu thứ i, Yj giá trị đầu thực tế p số trường hợp 50 Số 193- Tháng 2018 liệu Sau lần huấn luyện mạng sai số lan truyền ngược lại trọng số điều chỉnh để giảm sai số Quá trình huấn luyện dừng lại khi mạng đạt sai số nhỏ nhất, hay nói cách khác, mạng MLP đạt cấu trúc hợp lý để hiểu liệu Đề xuất Mơ hình kết hợp Phương pháp kết hợp dùng để cải thiện hiệu suất độ xác phân loại Hệ thống phân loại chia làm nhiều lớp dựa kết hợp hai hay nhiều mơ hình phân loại để đạt hiệu suất cao Mục tiêu mơ hình kết hợp điều chỉnh tập liệu huấn luyện, xây dựng tập liệu đào tạo có sử dụng kết (thế mạnh dự báo) mơ hình khác Nhiều nghiên cứu liệu huấn luyện khơng cung cấp đủ thơng tin để lựa chọn mơ hình phân loại tốt Việc sử dụng mơ hình phân loại kết hợp bù trừ giảm thiểu hạn chế mơ hình đơn lẻ Một số nghiên cứu trước Peter cộng (2015), Radall (2017) tiến hành kết hợp mơ hình DT mơ hình mạng ANN Sự kết hợp đánh giá hiệu hai mơ hình kết hợp có chung khả xử lý khối lượng liệu lớn Mơ hình DT với ưu điểm khả giải thích biến rõ ràng giúp cải thiện khả giải thích mơ hình chấm điểm tín dụng kết hợp với mơ hình “hộp đen” ANN Mơ hình đề xuất nghiên cứu kết hợp mơ hình DT mơ hình LR, KNN, ANN nhằm so sánh hiệu mơ hình kết hợp với kĩ thuật đại truyền thống Quy trình kết hợp mơ tả Hình 5, mơ hình DT thiết lập dựa liệu nghiên cứu Kết từ mơ hình DT bao gồm dự báo phân loại khách hàng xác xuất rủi ro xem biến để kết hợp với liệu có làm nhân tố đầu vào cho mơ hình kết hợp Dữ liệu nghiên cứu Tạp chí Khoa học & Đào tạo Ngân hàng QUẢN TRỊ NGÂN HÀNG & DOANH NGHIỆP Hình Cấu trúc mơ hình kết hợp Nguồn: Tác giả đề xuất Bài nghiên cứu sử dụng liệu thông tin khoản vay tiêu dùng kinh doanh cá nhân trích xuất trực tiếp từ sở liệu ngân hàng thương mại Nhà nước khoảng thời gian từ năm 2009 đến 2014 Sau loại bỏ trường hợp thiếu sót cân nhắc số lượng đặc điểm khách hàng số lượng khách hàng, liệu cuối sử dụng bao gồm thông tin 15.470 khách hàng cá nhân với 19 đặc điểm (trong 18 đặc điểm ký hiệu thành biến từ x1 đến x18, đặc điểm thứ 19 tình trạng nợ, tương ứng với cột “Tỷ lệ”Bảng 1) Các khoản nợ cá nhân phân loại thành 12.118 khoản nợ tốt (hoàn trả hạn thời gian hạn 90 ngày) chiếm tỉ trọng 78,3% 3.352 khoản nợ xấu (quá hạn từ 90 ngày trở lên) chiếm tỉ trọng 21,7% Có lưu Biến số ý rằng, nợ xấu nợ tốt nghiên cứu có khác biệt với nợ đủ tiêu chuẩn nợ xấu theo quy định phân loại nợ Ngân hàng Nhà nước Việt Nam, tỉ lệ không đại diện cho tỉ lệ nợ xấu nợ đủ tiêu chuẩn toàn hệ thống ngân hàng mà tác giả nghiên cứu Bảng mô tả liệu khách hàng đưa vào xây dựng mô hình chấm điểm tín dụng, đặc tính phân chia thành nhóm với tỉ trọng nhóm Bảng thống kê cho thấy sở liệu có đa dạng thông tin khách hàng phù hợp việc xây dựng mơ hình xếp hạng tín dụng Kết nghiên cứu 5.1 Kết mơ hình đơn lẻ Bảng Mơ tả liệu Phân nhóm tỉ lệ nợ xấu nhóm Đặc điểm khách hàng Nhóm Tỉ lệ (%) Nhóm Tỉ lệ (%) Nhóm Tuổi (X1) đến 30 6,90 30 đến 45 49,60 45 đến 60 Giới tính (X2) Nữ 30,30 Nam 67,90 Tạp chí Khoa học & Đào tạo Ngân hàng Tỉ lệ (%) Nhóm Tỉ lệ (%) 40,20 Trên 60 3,30   Số 193- Tháng 2018 51 QUẢN TRỊ NGÂN HÀNG & DOANH NGHIỆP Biến số Phân nhóm tỉ lệ nợ xấu nhóm Đặc điểm khách hàng Nhóm Tỉ lệ (%) Tỉ lệ (%) Nhóm Tỉ lệ (%) Nhóm Tỉ lệ (%) Trình độ (X3) Dưới trung học 34,40 Trung học 35,30 Sở hữu nhà (X4) khơng 4,50 có 95,50   Người phụ thuộc (X5) đến 35,20 Trên 64,80   Hôn nhân (X6) 8,80 91,20   Độc thân Quan hệ với gia đình Xấu (X7) Năm làm việc (X8) đến Nghề nghiệp (X9) Bảo hiểm nhân thọ (X10) Thu nhập hàng tháng (X11) (triệu VND) Tài khoản tốn (X12) Tài khoản tiết kiệm (X13) Đã có đình gia Trung cấp, Nhóm 2,10 Tốt 97,90 8,80 đến 10 15,90 Trên 10 Lao động Lao động Văn phịng, 16,80 52,50 khơng đào tạo đào tạo CNVC 30,30   75,30   30,70   Không 90,90 Có 9,10   đến 3,5 11,30 3,5 đến 10 39,90 Trên 10 Khơng 46,40 Có 53,60   Khơng 95,30 Có 4,70   Thấp 4,90 Cao 95,10   Thời hạn (X15) (ngày) đến 185 36,40 185 đến 365 41,00 Trên 365 Giá trị khoản vay (X16) đến 50 37,10 50 đến 100 22,60 100 đến 200 18,30 Trên 200 22,00 Mục đích vay (X17) 9,00 Kinh doanh 91,00   Phương thức trả (X18) Một lần 78,40 Từng phần 21,60   Tình trạng nợ (X19) 21,7 Nợ tốt 78,3   48,70   Đặc điểm khoản vay Lãi suất (X14) Tiêu dùng Nợ xấu Để đảm bảo độ tin cậy tính đại diện kết phân loại, mơ hình thực lặp lại 10 lần kết phân loại cuối trung bình kết lần chạy trước Kết mơ hình đơn lẻ cho thấy mơ 22,60   hình ANN có độ xác cao phân loại khoản nợ xấu với tỷ lệ phân loại 52,47% mơ hình KNN hiệu phân loại 36,28% khoản nợ xấu Đối với khoản nợ tốt Bảng Kết phân loại mơ hình đơn lẻ Mẫu huấn luyện (30%) Mơ hình  CCB% CCG% Tổng thể% DT 37,60 89,49 LR 39,50 92,94 KNN 35,54 97,94 ANN 51,97 94,33 78,24     81,36   Mẫu kiểm tra (70%) Tổng thể CCB% CCG% Tổng thể% CCB% CCG% Tổng thể% 38,91 87,42 38,89 93,94 84,42 36,59 96,83 85,15 52,69 94,02 76,90     82,01   38,52 88,04 77,31 39,07 93,64 81,81 83,78 36,28 97,16 83,97 85,06 52,47 94,11 85,09 Ghi chú: CCB%: Tỷ lệ phân loại khoản nợ xấu; CCG%: Tỷ lệ phân loại khoản nợ tốt Nguồn: Tác giả tính tốn phần mềm SPSS NeuroSolutions 52 Số 193- Tháng 2018 Tạp chí Khoa học & Đào tạo Ngân hàng QUẢN TRỊ NGÂN HÀNG & DOANH NGHIỆP Bảng Kết phân loại mơ hình kết hợp Mẫu huấn luyện (30%) Mơ hình   CCB% CCG% Tổng thể% DT_LR 51,45 90,04 DT_KNN 45,54 96,54   81,67   85,49 DT_ANN 60,23 95,03 87,49 Mẫu kiểm tra (70%) Tổng thể CCB% CCG% Tổng thể% CCB% CCG% Tổng thể% 49,97 91,34 46,49 95,87   82,38   85,17 61,83 95,45 88,17 50,41 91,34 82,17 46,21 95,87 85,27 61,35 95,32 87,96 Nguồn: Tác giả tính tốn phần mềm SPSS NeuroSolutions mơ hình coi hiệu KNN với 97,16% khoản nợ loại phân loại xác 5.2 Kết mơ hình kết hợp Kết phân loại tổng thể cho thấy rõ phương pháp kết hợp đem lại kết dự báo tốt với mơ hình (Bảng 4) Trong mơ hình kết hợp DT_ANN cho thấy có cải thiện kết phân loại khoản nợ xấu nợ tốt, mơ hình DT_LR DT_KNN hiệu phân loại nợ xấu nợ tốt thay đổi theo hai xu hướng ngược Tỷ lệ phân loại nợ xấu tăng từ 8-11% cho ba mơ hình kết hợp tỷ lệ phân loại nợ tốt giảm nhẹ từ 1-2% với mơ hình DT_LR DT_KNN Trên thực tế, việc cải thiện khả dự báo khoản nợ xấu đem lại lợi ích lớn cho ngân hàng so sánh với việc dự báo khoản nợ tốt Quan sát tình trạng vay nợ khách hàng cho thấy thiệt hại đến từ khoản nợ xấu thường cao nhiều lần lợi nhuận khoản nợ tốt mang lại Đặc biệt bối cảnh mà hệ thống ngân hàng tập trung vào hoạt động quản trị rủi ro, giảm thiểu nợ xấu việc dự báo khoản nợ xấu có ý nghĩa cấp thiết Kết luận So với nhiều nước phát triển, hoạt động chấm điểm tín dụng Việt Nam chưa nhận nhiều quan tâm nghiên cứu Những mơ hình truyền thống sử dụng phổ biến ngân hàng thương mại mơ hình chun gia dựa kinh nghiệm số mơ hình cổ điển LDA, LR Việc nghiên cứu áp dụng mơ hình cần thiết để nâng cao tính xác, độ tin cậy, tính khách quan định cho vay Bài nghiên cứu đề cập đến hướng nhiều học giả quan tâm, kết hợp kĩ thuật thống kê đại nhằm phát huy tối đa khả khai phá liệu cơng cụ để thiết lập mơ hình chấm điểm tín dụng tốt Kết nghiên cứu thực nghiệm dựa sở liệu 15.470 khách hàng cá nhân rằng, mơ hình kết hợp có khả phân loại nợ tốt mơ hình đơn lẻ, đặc biệt khả phân loại nợ xấu Kết mơ hình kết hợp DT_ANN có hiệu qủa phân loại tốt kết hợp làm tăng độ xác chức phân loại nợ xấu nợ tốt Đối với TCTD áp dụng mô hình DT_ANN cần phải có sở liệu lịch sử khách hàng vay lớn, đa dạng khoảng thời gian dài Với bùng nổ cách mạng 4.0 gói liệu lớn khách hàng chia sẻ thường xuyên nhiều TCTD, Bảng So sánh kết phân loại mô hình đơn lẻ mơ hình kết hợp Mơ hình đơn lẻ Mơ hình  CCB% CCG% Tổng thể% LR 39,07 93,64 KNN 36,28 97,16   81,81   83,97 ANN 52,47 94,11 85,09 Mơ hình kết hợp Chênh lệch sau kết hợp CCB% CCG% Tổng thể% 50,41 91,34 46,21 95,87   82,17   85,27 61,35 95,32 87,96 CCB% CCG% Tổng thể% 11,34 -2,3 0,36 9,93 -1,29 1,3 8,88 1,21 2,87 Nguồn: Tác giả tính tốn phần mềm SPSS NeuroSolutions Tạp chí Khoa học & Đào tạo Ngân hàng Số 193- Tháng 2018 53 QUẢN TRỊ NGÂN HÀNG & DOANH NGHIỆP hội để xây dựng mơ hình chấm điểm tín dụng sử dụng kĩ thuật khai phá liệu đại học máy, trí tuệ nhân tạo Tuy nhiên, sử dụng kĩ thuật gặp phải số khó khăn liên quan đến việc giải xem tiếp trang 75 Tài liệu tham khảo Abdou, H. ; & Pointon, J (2011) Credit Scoring, Statistical Techniques and Evaluation Criteria: A Review of the Literature Intelligent Systems in Accounting, Finance & Management, 59-88 Ahn, H.; Kim, K.-J (2009) Bankruptcy prediction modeling with hybrid case-based reasoning and genetic algorithms approach Appl Soft Comput 9, 599–607 Kim, K.S.; Han, I (2001) The cluster-indexing method for case based reasoning using self-organizing maps and learning vector quantization for bond rating cases Expert Syst, 147–156 Lando, D (2004) Credit risk modeling: Theory and applications, Princeton Series in Finance; Princeton University Press: Princeton, NJ, USA Lee, T H.; Jung, S (2000) Forecasting creditworthiness: Logistic vs artificial neural net The Journal of Business Forecasting Methods and Systems 18: 28–30 Lee, T.S.; Chen, I.F (2005) A two-stage hybrid credit scoring model using artificial neural networks and multivariate adaptive regression splines Expert Syst, 743–752 Li, J.; Wei, L.; Li, G.; Xu, W (2011) An evolution strategy-based multiple kernels multi-criteria programming approach: The case of credit decision making Decis Support Syst, 292–298 Luo, S.-T.; Cheng, B.-W.; Hsieh, C.-H (2009) Prediction model building with clustering-launched classification and support vector machines in credit scoring Expert Syst,7562–7566 Marinakis, Y.; Marinaki, M.; Doumpos, M.; and Matsatsinis, N (2008) Constantin Zopounidis, Optimization of nearest neighbor classifiers via metaheuristic algorithms for credit risk assessment Journal of Global Optimization 42(2), 279-293 10 Peter, K.; Madalina, F.; Antonio, C.; Samuel, R (2015) Deep neural decision forests In IEEE International Conference on Computer Vision, 1467–1475 11 Rumelhart, D.; Hinton, G.; & Williams, R (1986) Learning representations by back-propagating errors Nature, 533-536 12 Radall, B (2017) Neural Decision Trees; https://arxiv.org/pdf/1702.07360.pdf 13 Thomas, L.C.; Edelman, D.B.; Crook, J.N (2002) Credit Scoring and its Applications, SIAM; Monographs on Mathematical Modeling and Computation; SIAM: Philadelphia, PA, USA Thơng tin tác giả Nguyễn Tiến Hưng, Thạc sỹ Phịng Thanh tra- Quản lý chất lượng, Học viện Ngân hàng Email: hungnguyen@hvnh.edu.vn Lê Thị Huyền Trang, Thạc sỹ Khoa Quản trị kinh doanh, Học viện Ngân hàng Email: tranglth@hvnh.edu.vn Summary Credit scoring model based on Decision tree, Logit, K-nearest neighbor and neural network Credit scoring models have been widely studied in academic world and the business community Over the last decades, there have been many studies in the field of credit conducted to improve the accuracy of credit scoring models However, in Vietnam, there is not much research in this field Most of researchs uses traditional techniques such as Logistic Regression (LR), discriminant analysis (DA), some others studies modern techniques included decision tree (DT), K-nearest neighbor (KNN), Artificial neural network (ANN) In this paper, we propose hybrid credit scoring models based on Decision Tree, Logistic Regression, K-nearest neighbor and artificial neural network The experimental results demonstrate that DT_MLP hybrid credit scoring models is the most effective model Key- words: Credit scoring, Decision Tree, K-nearest neighbor, Artificial neural network Hung Tien Nguyen, MEc Head of Inspection and Education Quality Department, Banking Academy Trang Thi Huyen Le, MEc Business Administration Faculty, Banking Academy 54 Số 193- Tháng 2018 Tạp chí Khoa học & Đào tạo Ngân hàng PHÁT TRIỂN NGUỒN NHÂN LỰC and colleges and allows schools to be autonomous in developing enrollment plans The number of candidates has decreased over the years, while increasing enrollment targets of universities and colleges has created pressure for universities and colleges to compete to improve quality, reputation, and job orientation in order to attract candidates The research was conducted to develop a model that illustrates the factors that determines the choice of the BA’s undergraduate program of students The results of multiple linear regression analyzed from 186 questionaire respondents of BA’s 1st year and 2nd year students show that the groups of factors that have the significant impact in descending order are: Fixed Characteristics of the insitute, Communication Efforts of the institue, Social influencers to the student’s choice of the institute, Individual Characteristics of the student Based on the obtained results, the research team proposes recommendations to improve the effectiveness of the enrollment process for universities, colleges in general and for BA institute in particular Keywords: Factors, bachelor program, enrollment, Banking Academy of Vietnam Mai Ngoc Tran, MEc Faculty of International Business, Banking Academy Huong Thi Thu Nguyen Student of K18KDQTA, Faculty of International Business, Banking Academy Linh Thuy Do Student of K18KDQTA, Faculty of International Business, Banking Academy trang 36 cho nhiều trường hợp khác Việc sử dụng tốt dẫn đến giao dịch nhanh hơn, minh bạch Giải pháp Blockchain làm giảm chi phí gánh nặng hành ngân hàng khách hàng Ước tính cơng nghệ Blockchain làm giảm chi phí sở hạ tầng ngân hàng khoảng 1520 tỷ USD năm vào năm 2022- tuyên bố “FinTech 2.0 Paper” Santander InnoVentures Blockchain đặt thách thức đòi hỏi tất bên liên quan phải tham gia hợp tác vào phát triển lĩnh vực này, “sẽ cần phải có tập thể chung” ngân hàng, nhà quản lý công ty công nghệ Bên cạnh đó, thách thức riêng tư, bảo mật, khả mở rộng… vấn đề cần xem xét Blockchain giải pháp cơng nghệ tiềm cho ngành tài ngân hàng, nhiên cịn cần phải tiếp tục hồn thiện, phát triển cơng nghệ, giảm thiểu chi phí áp dụng khắc phục vấn đề khác tồn ■ trang 44 dụng hồi quy với biến giả (đã đề cập Phần viết) để tìm kiếm chứng thực nghiệm tác động số nhân tố đến mức độ điều chỉnh số liệu nhằm tránh báo cáo lỗ ổn định lợi nhuận Bên cạnh đó, chứng thực nghiệm nghiên cứu cho thấy NHTM có xu hướng điều chỉnh số Tạp chí Khoa học & Đào tạo Ngân hàng liệu nhằm báo cáo mức lợi nhuận ổn định Do đó, nghiên cứu tương lai phát triển mơ hình nghiên cứu nhằm tìm kếm chứng bổ sung để đưa kết luận việc có NHTM có thực thao túng số liệu để ổn định lợi nhuận hay không, công cụ hay ước tính kế tốn bị lợi dụng để ổn định lợi nhuận ■ trang 54 thích điểm tín dụng theo đặc điểm khách hàng, phần lớn chế giải thích kĩ thuật phức tạp nằm “hộp đen” Những kết đưa nghiên cứu sở để mở nghiên cứu, đưa phương pháp kết hợp kĩ thuật nhằm nâng cao hiệu mơ hình chấm điểm tín dụng Ngồi việc xem xét kết của mơ hình kết hợp việc giải thích chế tác động nhân tố đầu vào với nhân tố mục tiêu phân loại mơ hình cần quan tâm nghiên cứu ■ trang 63 kiệm, vay vốn với quy mô nhỏ, thời gian đáo hạn nhanh phù hợp với nhóm khách hàng Mặt khác, thủ tục, giấy tờ rào cản lớn người dân tiếp cận dịch vụ tài nơng thơn, điều đề cập nhiều nghiên cứu Việc cải thiện thủ tục hành tăng khả tiếp cận dịch vụ tài khu vực nơng thơn ■ Số 193- Tháng 2018 75 ... Nguyễn Tiến Hưng, Thạc sỹ Phòng Thanh tra- Quản lý chất lượng, Học viện Ngân hàng Email: hungnguyen@hvnh.edu.vn Lê Thị Huyền Trang, Thạc sỹ Khoa Quản trị kinh doanh, Học viện Ngân hàng Email: tranglth@hvnh.edu.vn... tín dụng Ngồi việc xem xét kết của mơ hình kết hợp việc giải thích chế tác động nhân tố đầu vào với nhân tố mục tiêu phân loại mơ hình cần quan tâm nghiên cứu ■ trang 63 kiệm, vay vốn với quy... trừ giảm thiểu hạn chế mơ hình đơn lẻ Một số nghiên cứu trước Peter cộng (2015), Radall (2017) tiến hành kết hợp mơ hình DT mơ hình mạng ANN Sự kết hợp đánh giá hiệu hai mơ hình kết hợp có chung