ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM

BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAM HỌC VIỆN NGÂN HÀNG NGUYỄN TIẾN HƯNG LUẬN ÁN TIẾN SĨ ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG NƠNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM HÀ NỘI - 2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAM HỌC VIỆN NGÂN HÀNG NGUYỄN TIẾN HƯNG LUẬN ÁN TIẾN SĨ ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM Chuyên ngành: Tài – Ngân hàng Mã số: 9340201 Người hướng dẫn khoa học: Hướng dẫn 1: TS Bùi Tín Nghị Hướng dẫn 2: PGS.TS Nguyễn Đức Trung HÀ NỘI - 2022 LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng tơi hướng dẫn TS Bùi Tín Nghị PGS.TS Nguyễn Đức Trung Các tài liệu, số liệu nghiên cứu có nguồn gốc trích dẫn rõ ràng Nghiên cứu sinh Nguyễn Tiến Hưng DANH MỤC TỪ VIẾT TẮT Từ viết tắt AI Nghĩa tiếng Anh Nghĩa tiếng Việt Artificial Intelligence Trí tuệ nhân tạo AIRB Advanced internal rating- based approach Cách tiếp cận nâng cao dựa xếp hạng nội AUF Additional utilization factor Hệ số sử dụng bổ sung BOE Bank of England Ngân hàng trung ương Anh CFF Credit conversion factor Hệ số chuyển đổi tín dụng CIC Credit Information Center Trung tâm thơng tin tín dụng quốc gia DP Deep learning Học sâu DT Decision tree Cây định EAD Exposure at Default Dư nợ thời điểm vỡ nợ EADF Exposure at default factor Hệ số dư nợ thời điểm vỡ nợ FIRB Foundation internal ratings based approach Cách tiếp cận dựa xếp hạng nội FSB Financial Stability Board Hội đồng ổn định tài GA Genetic Algorithm Thuật toán di truyền KNN K-Nearest Neighbor K Láng giềng gần LEQ Loan equivalent factor LGD Loss Given Default Hệ số tương đương khoản vay Tỷ lệ tổn thất vỡ nợ LQV learning vector quantization Học lượng tử hóa véc tơ LR Logitic regression Hồi quy logit LTV Loan to Value Ratio Tỷ lệ dư nợ tài sản đảm bảo MDA phân tích phân biệt ML Multiple Discriminant Analysis Machine learning MLP Multi-layer perceptron Mạng nơ ron đa lớp MMLP Mulitple MLP Mạng kết hợp mạng nơ ron đa lớp MNN modular neural networks Mạng nơ ron mô đun NN Neural network Mạng nơ ron OLS Ordinary least squares Bình phương nhỏ thơng thường P2P Peer to peer Cho vay ngang hàng PD Probability of default Xác suất vỡ nợ PNN probabilistic neural network mạng nơ ron xác suất RBF radial basis function Hàm sở bán kính RD Random forests Rừng ngẫu nhiên ROA Return on Assets Lợi nhuận tổng tài sản ROC Đặc trưng hoạt động thu nhận ROE Receiver operating characteristic Return on Equity SA Standard approach Cách tiếp cận tiêu chuẩn SOM Seft-Organzing Map Sơ đồ tự tổ chức SVM Support vector machine Máy véc tơ hỗ trợ VAMC Vietnam aset management company Công ty quản lý tài sản Việt Nam WB World bank Ngân hàng giới Học máy Lợi nhuận vốn chủ sở hữu MỤC LỤC PHẦN MỞ ĐẦU CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU VỀ TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG 10 1.1 Các nghiên cứu mơ hình quản lý rủi ro tín dụng 10 1.2 Nghiên cứu đánh giá rủi ro tín dụng 12 1.2.1 Nghiên cứu đo lường xác suất vỡ nợ 13 1.2.2 Nghiên cứu tổn thất vỡ nợ 15 1.2.3 Nghiên cứu mức độ rủi ro vỡ nợ 17 1.3 Nghiên cứu mơ hình trí tuệ nhân tạo quản lý rủi ro tín dụng 18 1.4 Khoảng trống nghiên cứu 23 Kết luận chương 24 CHƯƠNG 2: CƠ SỞ LÝ LUẬN VỀ ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG THƯƠNG MẠI 25 2.1 Cơ sở lý luận quản lý rủi ro tín dụng ngân hàng thương mại 25 2.1.1 Khái niệm quản lý rủi ro tín dụng ngân hàng thương mại 25 2.1.2 Nội dung quản lý rủi ro tín dụng ngân hàng thương mại 28 2.2 Cơ sở lý luận ứng dụng trí tuệ nhân tạo quản lý rủi ro tín dụng ngân hàng thương mại 43 2.2.1 Khái quát trí tuệ nhân tạo 43 2.2.2 Trí tuệ nhân tạo quản lý rủi ro tín dụng ngân hàng thương mại 46 2.2.3 Khung đo lường áp dụng cho mơ hình trí tuệ nhân tạo quản lý rủi ro tín dụng ngân hàng thương mại 59 2.2.4 Dữ liệu cho mô hình trí tuệ nhân tạo quản lý rủi ro tín dụng ngân hàng thương mại 66 2.2.5 Các tiêu chí đánh giá kết ứng dụng mơ hình trí tuệ nhân tạo đo lường rủi ro tín dụng 68 2.2.6 Điều kiện ứng dụng trí tuệ nhân tạo quản lý rủi ro tín dụng 71 2.3 Kinh nghiệm quốc tế nghiên cứu ứng dụng trí tuệ nhân tạo quản lý rủi ro tín dụng 74 2.3.1 Kinh nghiệm từ Anh 74 2.3.2 Kinh nghiệm từ Mỹ 81 2.3.3 Kinh nghiệm từ Ấn Độ 84 2.3.4 Kinh nghiệm từ Hội đồng ổn định tài (FSB) 87 2.3.5 Kinh nghiệm từ Ngân hàng giới (WB) 89 2.3.6 Bài học kinh nghiệm cho ngân hàng thương mại Việt Nam 91 Kết luận chương 96 CHƯƠNG 3: THỰC TRẠNG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM97 3.1 Khái quát Agribank 97 3.1.1 Lịch sử hình thành phát triển 97 3.1.2 Tình hình hoạt động kinh doanh 99 3.2 Thực trạng quản lý rủi ro tín dụng Agribank 102 3.2.1 Mơ hình quản lý rủi ro tín dụng 102 3.2.2 Tổ chức thực quản lý rủi ro tín dụng Agribank 106 3.3 Đánh giá thực trạng quản lý rủi ro tín dụng Agribank 128 3.3.1 Các kết đạt 128 3.3.2 Các hạn chế nguyên nhân 130 Kết luận chương 135 CHƯƠNG 4: XÂY DỰNG MƠ HÌNH TRÍ TUỆ NHÂN TẠO ĐO LƯỜNG RỦI RO TÍN DỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM 136 4.1 Đề xuất mơ hình 136 4.2 Xây dựng mơ hình tính xác suất vỡ nợ (PD) 137 4.2.1 Mô tả liệu thu thập 137 4.2.2 Kết mơ hình tính xác suất vỡ nợ (PD) 142 4.3 Xây dựng mơ hình LGD 154 4.3.1 Mơ tả liệu 154 4.3.2 Kết mơ hình LGD 156 4.4 Xây dựng mơ hình EAD 159 4.5 Các điều kiện để ứng dụng trí tuệ nhân tạo quản lý rủi ro tín dụng 163 Kết luận chương 166 CHƯƠNG 5: GIẢI PHÁP ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG NƠNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM 167 5.1 Định hướng phát triển hoạt động quản lý rủi ro tín dụng hệ thống ngân hàng thương mại Việt Nam 167 5.2 Định hướng phát triển hoạt động quản lý rủi ro tín dụng Agribank 170 5.3 Giải pháp ứng dụng trí tuệ nhân tạo quản lý rủi ro tín dụng Agribank 172 5.3.1 Về cấu tổ chức quản lý rủi ro tín dụng 172 5.3.2 Về quy trình áp dụng trí tuệ nhân tạo quản lý rủi ro tín dụng 173 5.3.3 Về nhóm giải pháp hỗ trợ cần thiết 183 5.4 Kiến nghị với Ngân hàng nhà nước Việt Nam 186 Kết luận chương PHẦN KẾT LUẬN ÁN 188 189 Tài liệu Tham khảo 192 PHỤ LỤC 202 PHẦN MỞ ĐẦU TÍNH CẤP THIẾT CỦA ĐỀ TÀI Hoạt động tín dụng biết đến hoạt động truyền thống đóng vai trị quan trọng ngân hàng thương mại Việt Nam Bên cạnh vai trò nguồn thu lợi nhuận chủ yếu hoạt động tín dụng tiềm ẩn nhiều rủi ro Trong xu hướng phát triển mạnh mẽ, đa dạng sản phẩm tín dụng, ngân hàng thương mại bộc lộ hạn chế công tác quản lý rủi ro tín dụng đặc biệt việc sử dụng công cụ đại việc kiểm soát rủi ro Việc xây dựng hệ thống quản lý nói chung quản lý rủi ro tín dụng nói riêng đáp ứng u cầu hiệu có vai trị sống cịn hoạt động ngân hàng Để đáp ứng kịp thời nhiệm vụ ngành ngân hàng giai đoạn mới, Thống đốc NHNN ban hành thị 01 năm 2021, nhấn mạnh nhiệm vụ trọng tâm ngành ngân hàng tăng trưởng tín dụng hợp lý gắn với nâng cao chất lượng tín dụng, tập trung vào lĩnh vực sản xuất, lĩnh vực ưu tiên, kiểm sốt chặt tín dụng lĩnh vực tiềm ẩn rủi ro bất động sản, chứng khoán, dự án BOT, BT giao thông Một yêu cầu đưa tiếp tục xây dựng phương án tái cấu TCTD gắn với xử lý nợ xấu giai đoạn 2021 – 2025 Đây quan trọng để ngân hàng thương mại xác định mục tiêu, lộ trình cho việc hồn thiện hệ thống quản lý rủi ro tín dụng Trong xu hướng bùng nổ cách mạng 4.0, trí tuệ nhân tạo dần thể vai trị cơng nghệ tiên phong lĩnh vực ngân hàng nói chung lĩnh vực tín dụng nói riêng Cơng nghệ phát triển từ 50 năm trước, nhiên với tiến khoa học máy tính, dồi liệu nhu cầu thị trường trí tuệ nhân tạo phát triển cách mạnh mẽ dần định hình chơi ngân hàng tương lai Việc quản lý rủi ro tín dụng phát triển nhiều thập kỉ nước phát triển với công cụ từ truyền thống đến đại trí tuệ nhân tạo Trong đó, Trí tuệ nhân tạo coi “chìa khóa” định hình cục diện ngành ngân hàng thông qua thay đổi cách ngân hàng tạo sản phẩm, định cho vay, ngăn chặn từ sớm rủi ro gian lận, gia tăng trải nghiệm gắn kết khách hàng Trong đó, nước phát triển, việc sử dụng công cụ quản lý rủi ro tín dụng cịn nhiều hạn chế thiếu hụt nhiều điều kiện để triển khai áp dụng công nghệ Nhận thấy tầm quan trọng tiềm trí tuệ nhân tạo, ngày 26/1/2021, Thủ tướng phủ ban hành Quyết định số 127/QĐ-TTg chiến lược quốc gia nghiên cứu, phát triển ứng dụng trí tuệ nhân tạo đến năm 2030 Trong đó, nhiệm vụ cụ thể ngành ngân hàng rõ bao gồm: “ Phân tích, dự đoán nhu cầu vay vốn, đối tượng vay vốn, hỗ trợ hoạt động cấp tín dụng phát hành vi gian lận; cá nhân hóa dịch vụ ngân hàng cho khách hàng; cung cấp dịch vụ hỗ trợ tức thời cho khách hàng thông qua trợ lý ảo chatbot” Trong hệ thống ngân hàng thương mại Việt Nam Ngân hàng Nơng nghiệp Phát triển nơng thơn Việt Nam ngân hàng có quy mơ lớn tính tổng tài sản số lượng khách hàng, đóng vai trị chủ lực hệ thống ngân hàng Ngân hàng Nông nghiệp Phát triển nơng thơn Việt Nam góp phần thực có hiệu sách tiền tệ quốc gia, đầu thực sách tiền tệ, góp phần ổn định kinh tế vĩ mô, kiềm chế lạm phát, hỗ trợ tăng trưởng, đồng hành nghiệp phát triển nông nghiệp, nơng dân, nơng thơn, có nhiều đóng góp tích cực thúc đẩy trình tái cấu ● ● Brown, I M (2012) An experimental comparison of classification algorithms for imbalanced credit scoring data sets Expert Systems with Applications, 3446-3453 ● Bullivant, G (2010) Credit Management Routledge ● Caselli, S., Gatti, S., & Querci, F (2008) 8) The sensitivity of the loss given default rate to systematic risk: New empirical evidence on bank loans Journal of Financial Services Research, 1-34 ● Charniak, E., Riesbeck, C., McDermott, D., & Meehan, J (2013) Artificial Intelligence Programming Psychology Press ● Chen, N., Ribeiro, B., & Chen, A (2016) Financial credit risk assessment: a recent review Artif Intell Rev, 1-23 ● Colquitt, J (2007) Credit Risk Management: How to Avoid Lending Disasters and Maximize Earnings McGraw-Hill Education ● Dermine, D., & Carvalho, C (2005) Bank loan losses-given-default: A case- study Journal of Banking and Finance, 1219-1243 ● Desai, V., Crook, J., & Overstreet Jr, G (1995) A comparison of neural networks and linear scoring models in the credit union environment European Journal of Operational Research, 24-37 ● Diệu, L T (2010) Luận khoa học xác định mơ hình quản lý rủi ro tín dụng hệ thống ngân hàng thương mại Việt Nam Luận án Tiến sỹ kinh tế Học viện Ngân hàng ● Dinh, T., & Kleimeier, S (2007) A credit scoring model for Vietnam‟s retail banking International Review of Financial Analysis, 471-495 ● Doumpos, M., Lemonakis, C., Niklis, D., & Zopounidis, C (2019) Analytical Techniques in the Assessment of Credit Risk : an Overview of Methodologies and Applications Springer International Publishing ● Duffie, D., & Singleton, K J (2015) Credit Risk: Pricing, Measurement, and Management Cambridge University Press ● Engelmann, B., & Rauhmeier, R (2006) The Basel II Risk Parameters: Estimation, Validation, and Stress Testing Springer ● ● Fensterstock, A (2005) Credit Scoring and the Next Step March Business Credit, 46-49 ● Forbes (2016) Meet Erica, Bank Of America's New Voice AI Banking System Retrieved from Forbes: https://www.forbes.com/sites/quora/2016/10/28/meet-erica-bank-ofamericas-new-voice-ai-banking-system/?sh=4149530650db ● Fraser, D., Gup, B., & Kolari, J (2001) Commercial Banking: The Management of Risk (2nd Edition) South-Western College Publishing ● FSB (2017) Artificial intelligence and machine learning in financial services: Market developments and financial stability implications Retrieved from e Financial Stability Board: https://www.fsb.org/wpcontent/uploads/P011117.pdf ● Ghosh (2012) Managing Risks in Commercial and Retail Banking John Wiley & Sons ● Gordy, M B., & Carey, M (2007) The Bank as Grim Reaper: Debt Composition and Recoveries on Defaulted Debt Retrieved from AFA 2008 New Orleans Meetings Paper: https://ssrn.com/abstract=972484 or http://dx.doi.org/10.2139/ssrn.97248 ● Hibbeln, M (2010) Risk Management in Credit Portfolios : Concentration Risk and Basel II Physica-Verlag HD ● Idzelis, C (2020) Bank of America Adopts AI, Finds ‘More Significant Credit Stresses’ From Covid-19 Retrieved from Institutional Investor: https://www.institutionalinvestor.com/article/b1nbkjyrxbk04r/Bank-ofAmerica-Adopts-AI-Finds-More-Significant-Credit-Stresses-FromCovid-19 ● IIA (2020) The IIA's three lines model Được truy lục từ The Institute of Internal Auditors: https://na.theiia.org/aboutia/PublicDocuments/Three-Lines-Model-Updated.pdf ● Izzi, L., Oricchio, G., & Vitale, L (2012) Basel III Credit Rating Systems: An Applied Guide to Quantitative and Qualitative Models Palgrave Macmillan ● ● Joseph, C (2013) Advanced Credit Risk Analysis and Management John Wiley & Sons ● Khieu, H., Mullineaux, D., & Yi, H (2012) 2) The determinants of bank loan recovery rates Journal of Banking & Finance , 923-933 ● Kim, K., & 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 ● Kim, P (2017) MATLAB deep learning : with machine learning, neural networks and artificial intelligence Apress ● Kocenda, E., & Vojtek, M (2011) Default Predictors in Retail Credit Scoring: Evidence from Czech Banking Data Emerging Markets Finance & Trade, 80–98 Retrieved from https://doi.org/10.2753/REE1540496X470605 ● Koulafetis, P (2017) Modern credit risk management : theory and practice Retrieved from Palgrave Macmillan: https://doi.org/10.1057/978-1-137- 52407-2 ● Latimore, D (2018) ARTIFICIAL INTELLIGENCE IN Oliver Wyman ● Latimore, D (2018) Artificial Intelligence in Banking Oliver Wyman ● Lee, T H., & Jung, S ( 2000) Forecasting creditworthiness: Logistic vs artificial neural net The Journal of Business Forecasting Methods and Systems, 28–30 ● Lee, T., & Chen, I (2005) A Two-Stage Hybrid Credit Scoring Model Using Artificial Neural Networks and Multivariate Adaptive Regression Splines Expert Systems with Applications, 743-752 ● Leow, M., & Crook, J (2016) A new Mixture model for the estimation of credit card Exposure at Default European Journal of Operational Research, 487–497 doi:https://doi.org/10.1016/j.ejor.2015.10.001 ● 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 ● ● Li, X., Fang, D., Mba, D., & BennettIan, B (2017) Multidimensional prognostics for rotating machinery: A review Advances in Mechanical Engineering Retrieved from https://doi.org/10.1177/1687814016685004 ● Linh, T A (2020) Determinants of Farming Households’ Credit Accessibility in Rural Areas of Vietnam: A Case Study in Haiphong City, Vietnam Sustainability (Basel, Switzerland), 1-16 ● Loterman, G., Brown, I., Martens, D., Mues, C., & Baesens, B (2012) Benchmarking regression algorithms for loss given default modeling International Journal of Forecasting, 161–170 Retrieved from https://doi.org/10.1016/j.ijforecast.2011.01.006 ● Luo, S., & Murphy, A (2007) Understanding the Exposure at Default Risk of Commercial Real Estate Construction and Land Development Loans Retrieved from Federal Reserve Bank of Dallas: https://www.dallasfed.org/research/papers/2020/wp2007.aspx ● Luo, S., & Murphy, A (2020) Understanding the Exposure at Default Risk of Commercial Real Estate Construction and Land Development Loans Retrieved from Federal Reserve Bank of Dallas: https://www.dallasfed.org/~/media/documents/research/papers/2020/wp 2007.pdf ● 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 , 279-293 ● Mays, E (2001) Handbook of Credit Scoring Chicago: Glenlake Publishing Company ● Michael Jacobs, J (2010) Validation of economic capital models: State of the practice, supervisory expectations and results from a bank study Journal of Risk management in financial institutions, 334-365 ● ● Nilsson, N (1998) Artificial Intelligence: A New Synthesis Morgan Kaufmann ● Nwachukwu, J (2013) Default in a government-sponsored agricultural loan programme in South-Eastern Nigeria International Journal of Social Economics, 898-922 ● Peter, C (2011) Estimating Loss Given Default: Experience from Banking Practice In B a Engelmann, Th e Basel II Risk Parameters, Second Edition Springer ● Rosh, D., & Scheule, H (2012) Forecasting probabilities of default and loss rates given default in the presence of selection Journal of the Operational Research Society doi:10.1057/jors.2012.82 ● Russell, S., Dewey, D., & Tegmark, M (2015) Research Priorities for Robust and Beneficial Artificial Intelligence AI Magazine, 105-114 Retrieved from https://doi.org/10.1609/aimag.v36i4.2577 ● Saunders, A., & Allen, L (2010) Credit Risk Measurement in and Out of the Financial Crisis: New Approaches to Value at Risk and Other Paradigms John Wiley & Sons ● Scandizzo, S (2016) The Validation of risk models Palgrave Macmillan ● Singh, A., & Prasad, S (2020) Artificial Intelligence in Digital Credit in India Retrieved from Dvara: https://www.dvara.com/blog/2020/04/13/artificial-intelligence-in- digitalcredit-in-india/ ● Son, H (2017) JPMorgan Software Does in Seconds What Took Lawyers 360,000 Hours Retrieved from Bloomberg: https://www.bloomberg.com/news/articles/2017-02-28/jpmorganmarshals-an-army-of-developers-to-automate-high-finance ● Strusani, D., & Houngbonon, G (2019) The Role of Artificial Intelligence in Supporting Development in Emerging Markets Retrieved from World Bank: http://documents1.worldbank.org/curated/en/539371567673606214/pdf ● Tammenga, A (2020) The application of Artificial Intelligence in banks in the context of the three lines of defence model Retrieved from Maandblad ● ● ● ● ● ● ● ● ● ● ○ Voor Accountancy en Bedrijfseconomie: https://doi.org/10.5117/mab.94.47158 Tang, Y., Ji, J., Gao, S., Dai, H., Yu, Y., & Todo, Y (2018) Pruning Neural Network Model in Credit Classification Analysis Computational Intelligence and Neuroscience, 9390410–9390422 Retrieved from https://doi.org/10.1155/2018/9390410 Thu, N H., Duong, P B., & Tho, N H (2020) Filling the voids left by the formal sector: informal borrowings by poor households in northern mountainous Vietnam Agricultural Finance Review, 94–113 Tong, E., Mues, C., Brown, I., & Thomas, L (2016) Exposure at default models with and without the credit conversion factor European Journal of Operational Research, 910–920 doi:https://doi.org/10.1016/j.ejor.2016.01.054 Tra Pham, T., & Lensink, R (2008) Household Borrowing in Vietnam: A Comparative Study of Default Risks of Formal, Informal and Semi– formal Credit Journal of Emerging Market Finance, 237–261 Retrieved from https://doi.org/10.1177/097265270800700302 Tsai, C., & Wu, J (2008) Using neural networks ensembles for bankruptcy prediction and credit Expert Systems with Applications, 26392649 Valvonis, V (2008) Estimating EAD for retail exposures for Basel II purposes Journal of Credit Risk, 79–109 doi:https://doi.org/10.21314/JCR.2008.069 Vasanthi, P., & Raja, P (2006) Risk Management Model: An Empirical ○ International Research Journal of Finance and Economics, 42-56 Wang, G., HaoJian, J., Ma, J., & Jiang, H (2011) A comparative assessment of ensemble learning for credit scoring Expert Systems with Applications, 223-230 WB (2019) Credit scoring approaches guidelines Retrieved from World Bank: http://pubdocs.worldbank.org/en/935891585869698451/CREDITSCORING-APPROACHES-GUIDELINES-FINAL-WEB.pdf ● ● West, D (2000) Neural network credit scoring models Computers & Operations Research, 1131-1152 ● Wiginton, J (1980) A Note on the Comparison of Logit and Discriminant Models of Consumer Credit Behavior Journal of Financial and Quantitative Analysis, 757–770 Retrieved from https://doi.org/10.2307/2330408 ● Witzany, J (2017) Credit risk management : pricing, measurement, and modeling Springer International Publishing ● Wyman, O (2016) Whose line is it anyway? Defending the three lines of defence Retrieved from Oliver Wyman: https://www.oliverwyman.com/content/dam/oliverwyman/global/en/2015/nov/Three_Lines_of_Defence.pdf ● Yang, J., & Yang, G (2018) Modified Convolutional Neural Network Based on Dropout and the Stochastic Gradient Descent Optimizer Algorithms, 28- ● Zhao, Z., Xu, S., Kang, B., Kabir, M., Liu, Y., & Wasinger, R (2015) Investigation and improvement of multi-layer perceptron neural networks for credit scoring Expert Systems with Applications, 3508– 3516 Retrieved from https://doi.org/10.1016/j.eswa.2014.12.006 ● ● Tài liệu tiếng Việt ● Nguyễn Trug Anh (2019) Trí tuệ nhân tạo ứng dụng ngành ngân hàng Tạp chí ngân hàng: http://tapchinganhang.gov.vn/tritue- nhan-tao-va-nhung-ung-dung-doi-voi-nganh-ngan-hang.htm ● Lê Thị Huyền Diệu (2010) Luận khoa học xác định mơ hình quản lý rủi ro tín dụng hệ thống ngân hàng thương mại Việt Nam Luận án Tiến sỹ Học viện Ngân hàng ● Nguyễn Như Dương (2018) Giải pháp quản trị rủi ro tín dụng Ngân hàng thương mại cổ phần Công thương Việt nam Luận án Tiến sỹ Học viện Tài ● ● Trần Khánh Dương (2019) Phòng ngừa hạn chế rủi ro tín dụng Ngân hàng thương mại cổ phần Đầu tư Phát triển Việt nam Luận án Tiến sĩ Học viện Tài ● Lê Thị Hạnh (2017) Quản trị rủi ro tín dụng Ngân hàng TMCP Ngoại thương Việt Nam theo tiêu chuẩn Basel II Luận án Tiến sĩ Học viện Tài ● Nguyễn Quang Hiện (2016) Quản trị rủi ro tín dụng Ngân hàng Thương mại Cổ phần Quân đội Luận án Tiến sĩ Học viện Tài ● Nguyễn Bích Ngân (2020) Quản trị rủi ro danh mục cho vạy ngân hàng thương mại Việt Nam Luận án Tiến sĩ Học viện Ngân hàng ● Lê Thị Anh Quyên (2019) Ứng dụng trí tuệ nhân tạo hoạt động ngân hàng Tạp chí Thị trường Tài Tiền tệ: https://thitruongtaichinhtiente.vn/ung-dung-tri-tue-nhan-tao-trong-hoatdong-ngan-hang-23267.html ● Nguyễn Văn Tiến (2015) Quản trị ngân hàng thương mại NXB Thống kê ● ● ● ● PHỤ LỤC ● ● Phụ lục 1: Phiếu khảo sát cán tham gia cơng tác tín dụng ● ○ Xin chào Anh/Chị ● ○ Tôi tên Nguyễn Tiến Hưng, nghiên cứu sinh đến từ Học viện Ngân hàng Hiện tiến hành nghiên cứu đề tài: “ Trí tuệ nhân tạo quản lý rủi ro Ngân hàng Nông nghiệp Phát triển nơng thơn Việt Nam” Để có sở đánh giá thực trạng quản lý rủi ro tín dụng nhằm phục vụ cho việc đưa giải pháp ứng dụng trí tuệ nhân tạo quản lý rủi ro Ngân hàng Nông nghiệp Phát triển nông thôn thời gian tới, mong muốn quý anh/chị bớt chút thời gian cho biết ý kiến thơng qua bảng câu hỏi kèm theo ○ Mỗi ý kiến anh/chị đóng góp lớn cho thành công luận án Câu trả lời anh/chị lưu giữ bảo mật, phục vụ cho mục đích nghiên cứu ● Câu 1: Chức vụ đơn vị công tác anh/chị gì? ● ………………………………………………………………………………… ● Câu 2: Anh/chị đánh giá mức độ áp dụng chuẩn mực Basel II quản lý rủi ro tín dụng Agribank: ○ Rất thấp2 Thấp Trung bình Cao Rất cao ● ● Câu 3: Anh/chị cho biết phương pháp thu thập liệu phục vụ hoạt động nhận biết, đo lường, giám sát báo cáo rủi ro tín dụng Agribank: ○ Thủ cơng2 Bán tự động Tự động ● ● Hoạt động ● 1● 2● ● Nhận biết rủi ro ● Đo lường rủi ro tín dụng ● ● ● ● ● ● ● ● ● Giám sát báo cáo rủi ro tín dụng ● ● ● ● Câu4: Anh/chị đánh giá mức độ khó khăn nguyên nhân việc nhận biết rủi ro tín dụng Agribank: ● Mức độ khó khăn: Rất dễ Dễ Bình thường Khó Rất khó ● Ngun nhân: ○ Do khó khăn tiếp cận thơng tin ○ Do tài liệu hướng dẫn chưa phù hợp ○ Do lực cá nhân chưa đáp ứng ○ Lý khác ○ Giai đoạn ● Mức độ khó ● ● Nguyên ● Trước cho vay ● Trong cho vay ● Sau cho vay khăn ● 1● 2● 3● 4● nhân ● 1● 2● 3●4 ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● Câu Anh chị đánh giá mức độ khó khăn việc đánh giá tiêu chí chấm điểm tín dụng khách hàng Agribank Nếu chọn mức điểm từ trở xuống, anh chị cho biết nguyên nhân dẫn đến khó khăn đó? ● Mức độ khó khăn: Rất dễ Dễ Bình thường Khó Rất khó ● Nguyên nhân: ○ Do khó khăn tiếp cận thông tin ○ Do tài liệu hướng dẫn chưa phù hợp ○ Do lực cá nhân chưa đáp ứng ○ lý khác ● ● ● ● Khách hàng cá nhân ● Tuổi ● Trình độ học vấn ● Tiền án, tiền ● Nhà ● Số người phụ thuộc ● Cơ cấu gia đình ● Bảo hiểm nhân thọ ● Cơng việc ● Thời gian làm công việc ● Rủi ro nghề nghiệp ● Đánh giá nhân thân ● Mối quan hệ người vay với gia đình ● Loại tài sản bảo đảm ● Tính chất sở hữu TSBĐ ● Giá trị tài sản bảo đảm/ Phần nợ vay ● Xu hướng giảm giá trị TSBĐ ● ● Khách hàng doanh nghiệp ● Tiêu chí khoản ● Tiêu chí hoạt động ● Tiêu chí cân nợ ● Tiêu chí thu nhập ● Khả trả nợ từ lưu chuyển tiền tệ ● Thông tin người đứng đầu ● Khả quản lý môi trường nội ● Quan hệ với ngân hàng ● Các nhân tố ngành mơi trường kinh doanh ● Mức độ khó khăn ● ●1 ●2 ●3 ●4 ●5 ● ● Nguyê n nhân ●1 ●2 ●3 ●4 ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● Các đặc điểm hoạt động khác ● ● ● ● ● ● ● ● ● ● ● ● ● Câu 6: Anh/chị đánh giá mức độ độc lập phận hoạt động quản lý rủi ro tín dụng Agribank: ○ Rất thấp Thấp Trung bình Cao Rất cao ● ● Câu 7: Anh/chị đánh giá mức độ ứng dụng giải pháp công nghệ thơng tin quản lý rủi ro tín dụng Agribank: ○ Rất thấp Thấp Trung bình ● Hoạt động ● 1● 2● ● Nhận biết rủi ro ● ● ● ● Đo lường rủi ro tín dụng ● ● ● ● Sử dụng công cụ quản lý rủi ro tín ● ● ● dụng ● Giám sát báo cáo rủi ro tín dụng ● ● ● Cao 3● 4● 5 Rất cao ● ● ● ● ● ● ● ● ● ● Câu 8: Anh/chị đánh giá hiệu hoạt động quy trình quản lý rủi ro tín dụng Agribank? ● Rất không hiệu Không hiệu Bình thường Hiệu ● Rất hiệu ● ● ● ● ● Hoạt động Nhận biết rủi ro Đo lường rủi ro tín dụng Sử dụng cơng cụ quản lý rủi ro tín dụng ● Giám sát báo cáo rủi ro tín dụng ● 1● 2● 3● 4● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● Câu 9: Anh/chị đánh giá mức độ am hiểu trí tuệ nhân tạo quản lý rủi ro tín dụng: ○ Khơng biết biết Biết phần Biết Biết rõ Biết sâu sắc ● ● Câu 10: Anh/chị đánh giá vai trị việc ứng dụng trí tuệ nhân tạo quản lý rủi ro tín dụng: ○ Rất không quan trọng Không quan trọng Quan trọng Rất quan trọng Bình thường ● ● Câu 11: Anh/chị đánh giá mức độ cần thiết việc nghiên cứu, ứng dụng trí tuệ nhân tạo theo giai đoạn Agribank: ○ Rất khơng cần thiết Khơng cần thiết Bình thường Cần thiết ○ Rất cần thiết ● ● ● Công việc ● ● Nghiên cứu ● ● Ứng dụng ○ ○ ○ ○ ○ ○ ○ Giai đoạn 2021-2025 2025-2030 2030-2035 2021-2025 2025-2030 2030-2035 ● 1● 2● 3● 4● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● Câu 12 Anh/chị đánh giá mức độ đáp ứng điều kiện để nghiên cứu áp dụng trí tuệ nhân tạo quản lý rủi ro tín dụng Agribank: ○ Không đáp ứng Đáp ứng phần Đáp ứng Đáp ứng tốt Hoàn toàn đáp ứng ■ Điề ● 1● 2● 3● 4●5 u kiệ n ● Nguồn nhân lực ● ● ● ● ● ● Nguồn tài ● ● ● ● ● ● Cở sở hạ tầng công nghệ thông ● ● ● ● ● tin ● liệu khách hàng ● Mức độ cạnh tranh thị trường ● Điều kiện pháp lý ● ● ● ● ● ● ● ● ● ● ● ● ● Trân trọng cảm ơn hợp tác anh/chị! ... CỦA LUẬN ÁN Trên sở kế thừa nghiên cứu nước quốc tế có lĩnh vực trí tuệ nhân tạo quản lý rủi ro tín dụng, luận án có đóng góp lý luận thực tiễn sau: Thứ nhất, Luận án hệ thống hóa sở lý luận. .. quản lý rủi ro tín dụng ngân hàng cụ thể khác kể đến như, Luận án tiến sĩ Nguyễn Quang Hiện (2016) Ngân hàng TMCP Quân đội, luận án tiến sĩ Lê Thị Hạnh (2017) Vietcombank Nguyễn Như Dương (2018)... điểm vỡ nợ (EAD) Thêm vào đó, luận án đưa so sánh để đánh giá hiệu mơ hình đo lường rủi ro tín dụng xây dựng dựa trí tuệ nhân tạo kĩ thuật truyền thống Thứ tư, luận án đề xuất hệ thống giải pháp