BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TPHCM DƯƠNG ANH TUẤN MƠ HÌNH MA TRẬN CHUYỂN ĐỔI TRONG XẾP HẠNG TÍN DỤNG TIÊU DÙNG LUẬN VĂN THẠC SĨ KINH TẾ Thành phố Hồ Chí Minh – Năm 2013 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TPHCM DƯƠNG ANH TUẤN MƠ HÌNH MA TRẬN CHUYỂN ĐỔI TRONG XẾP HẠNG TÍN DỤNG TIÊU DÙNG Chuyên ngành : Tài – Ngân hàng Mã số : 60340201 LUẬN VĂN THẠC SĨ KINH TẾ NGƯỜI HƯỚNG DẪN KHOA HỌC TS Nguyễn Hữu Huy Nhựt Thành phố Hồ Chí Minh – Năm 2013 LỜI CAM ĐOAN Tôi xin cam đoan luận văn “Mơ hình ma trận chuyển đổi xếp hạng tín dụng tiêu dùng” cơng trình nghiên cứu tơi Ngồi tài liệu tham khảo trích dẫn luận văn, tơi cam đoan số liệu kết nghiên cứu luận văn chưa công bố sử dụng hình thức TP Hồ Chí Minh, ngày 04 tháng 12 năm 2013 Tác giả Dương Anh Tuấn Mục lục Trang phụ bìa Lời cam đoan Mục lục Danh mục bảng Danh mục hình vẽ, đồ thị Tóm tắt 1 Giới thiệu 2 Tổng quan nghiên cứu trước Lý thuyết điểm số tín dụng 3.1 Các khái niệm liên quan 3.2 Các phương pháp đo lường 28 Phương pháp nghiên cứu 39 4.1 Những trạng thái liên thông điểm số hành vi mơ hình chuỗi Markov 39 4.2 Điểm hành vi dựa mơ hình rủi ro tín dụng tiêu dùng chuỗi Markov 43 4.3 Mô tả liệu 47 Nội dung kết nghiên cứu 50 5.1 Bậc ma trận chuyển đổi 50 5.2 Những ảnh hưởng số tháng sổ sách 56 Kết luận 60 Tài liệu tham khảo 62 DANH MỤC CÁC BẢNG Bảng 3.1 Số liệu thống kê đặc tính người vay Bảng 3.2 Dữ liệu tình trạng cư trú tuổi tác Bảng 3.3 Kết áp dụng phương pháp Naïve Bayes’ Bảng 3.4 Tính tốn tỷ lệ xác suất tỷ lệ tình trạng xấu Bảng 5.1 Ma trận chuyển đổi trung bình bậc Bảng 5.2 Ma trận chuyển đổi trung bình bậc hai Bảng 5.3 So sánh ma trận chuyển đổi khoản vay có tuổi khác DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 3.1 Tỷ lệ trạng thái xấu theo điểm số Hình 3.2 Chiến lược chia ngưỡng điểm Hình 3.3 Phân phối điểm số Hình 3.4 Độ mạnh tính xác khoản lỗ Hình Biểu đồ thể tỷ lệ số lượng người vay xấu theo điểm số hành vi Tóm tắt Mặc dù lý thuyết rủi ro tín dụng doanh nghiệp có nhiều nghiên cứu mơ hình thay đổi rủi ro tín dụng trái phiếu cơng ty theo thời gian, có nghiên cứu rủi to tín dụng danh mục khoản cho vay tiêu dùng Tuy nhiên, điểm số hành vi, hầu hết tổ chức cho vay tiêu dùng tính tốn hàng tháng, phương pháp xếp hạng rủi ro tín dụng doanh nghiệp Lấy động từ nghiên cứu rủi ro tín dụng doanh nghiệp, tơi phát triển mơ hình chuỗi Markov dựa điểm số hành vi để thiết lập nên rủi ro tín dụng danh mục khoản vay tiêu dùng Mặc dù mơ nhiều tổ chức cho vay sử dụng để phát triển mơ hình theo Thỏa ước Basel, chưa có lý thuyết chúng xuất Mơ hình tơi đưa khác nhiều khía cạnh so với mơ hình tín dụng doanh nghiệp dựa chuỗi Markov - chẳng hạn nhu cầu cho chuỗi Markov bậc hai, bao hàm biến số thời hạn khoản vay Mơ hình áp dụng sử dụng liệu danh mục cho vay tiêu dùng công ty tài lớn Việt Nam Giới thiệu Từ năm 1980, ngân hàng cho người tiêu dùng vay nhiều hẳn cho công ty (Crouhy, Galai, & Mark, 2001) Tuy nhiên, khơng có vấn đề khủng hoảng nợ chuẩn 2007 sau khủng hoảng tín dụng diễn người ta nhận ảnh hưởng khoản cho vay lĩnh vực ngân hàng, khơng dễ nghiên cứu so với mô hình cho vay doanh nghiệp Đặc biệt, nhu cầu cho mơ hình thiết thực rủi ro tín dụng danh mục khoản vay tiêu dùng mang vào tâm điểm thất bại tổ chức xếp hạng nhằm đánh giá xác rủi ro tín dụng chứng khốn có đảm bảo tài sản chấp - Mortgage Backed Securities (MBS) nghĩa vụ khoản nợ cầm cố - collateralized debt obligations (CDO) dựa danh mục Có nhiều lý khiến cho khủng hoảng nợ chuẩn sau khủng hoảng tín dụng xảy (Demyanyk & van Hemert, 2008; Hull, 2009), nhưng, rõ ràng có nguyên nhân khiến người trước dẫn dắt kẻ theo sau thiếu mơ hình dễ dàng cập nhật rủi ro tín dụng danh mục khoản vay tiêu dùng Việc thiếu mơ hình phù hợp rủi ro tín dụng tiêu dùng cấp độ danh mục lần nêu bậc lên suốt trình phát triển Thỏa ước Basel, mơ hình rủi ro tín dụng doanh nghiệp sử dụng để tính tốn vốn pháp định cho tất loại hình khoản vay (Báo cáo giám sát hoạt động ngân hàng Ủy ban Basel, 2005), cho dù ý tưởng tảng mơ - việc vỡ nợ xảy khoản nợ vượt giá trị tài sản chấp – khơng phải ngun nhân khiến cho người tiêu dùng vỡ nợ Bài nghiên cứu phát triển mơ hình dành cho rủi ro tín dụng danh mục khoản vay tiêu dùng dựa điểm số hành vi người tiêu dùng có khoản vay nằm danh mục Một mơ hấp dẫn nhiều tổ chức cho vay, hầu hết tất tổ chức cho vay hàng tháng tính tốn điểm số hành vi cho tất người vay Điểm số hành vi thường chuyển thành xác suất vỡ nợ khoảng thời gian cố định (thường năm) tương lai người vay đó, người ta xem đại diện cho mức tín nhiệm tín dụng khó quan sát người vay Tơi xây dựng mơ hình rủi ro tín dụng chuỗi Markov dựa điểm số hành vi người tiêu dùng, có nhiều điểm tương đồng với hình thức hạch tốn theo giá thị trường có dấu hiệu giảm sút mơ hình rủi ro tín dụng doanh nghiệp dựa mức độ đánh giá tổ chức xếp hạng tín dụng (Jarrow, Lando, & Turnbull, 1997) Điểm số hành vi dựa mơ hình chuỗi Markov tổ chức cho vay phát triển cho phù hợp với mơ hình Basel, khơng có phân tích xuất lý thuyết; nghiên cứu này, tơi thảo luận đặc tính nên bao hàm mơ so sánh mơ hình chuẩn với mơ hình phức tạp Phương pháp nghiên cứu xây dựng mơ hình dự báo thực nghiệm để có phân phối đa giai đoạn tỷ lệ vỡ nợ dài hạn dựa ma trận chuyển đổi xây dựng từ sở liệu khứ điểm số hành vi Mặc dù xác định xác điểm số xác suất vỡ nợ dài hạn ta có liệu khoảng thời gian đủ dài, liệu khơng có thực tiễn Phương pháp ma trận chuyển đổi cho phép ta thực đo lường chuẩn xác cách sử dụng loạt liệu khoảng thời gian ngắn nhiều Trong tình nghiên cứu, tơi sử dụng điểm số hành vi nhiều tổ chức cho vay, sử dụng phương pháp tương tự điểm số trung tâm thơng tin tín dụng Phương pháp giúp cho tổ chức cho vay định cho vay dài hạn cách ước tính rủi ro với thay đổi chất lượng danh mục khoản vay theo thời gian Ngồi ra, mơ hình cịn cung cấp hiểu biết sâu sắc xác suất danh mục, việc xác định rõ nguồn vốn dự trữ thích hợp việc tạo ước đoán giá trị danh mục cách đưa phân phối khoản lỗ tín dụng cấp độ danh mục Bài nghiên cứu nhằm thực mục tiêu sau:  Dựa vào điểm số hành vi xác định hàng tháng, xây dựng mơ hình ma trận chuyển đổi điểm số hành vi theo thời gian để đánh giá rủi ro tín dụng cấp độ danh mục  Từ đó, đưa dự đốn khả vỡ nợ người tiêu dùng có khoản vay nằm danh mục Để thực mục tiêu trên, nhận thấy cần giải đáp câu hỏi nghiên cứu sau:  Điểm số hành vi thời hạn vay có ảnh hưởng đến rủi ro tín dụng danh mục khoản vay tiêu dùng hay không?  Hai nhân tố ảnh hưởng đến việc ước lượng rủi ro tín dụng danh mục khoản vay tiêu dùng Trong phần 2, nêu tổng quan nghiên cứu trước đây, phần điểm qua khái niệm phương pháp đo lường liên quan đến điểm số tín dụng Tiếp theo, phần tơi rà sốt lại đặc tính điểm số hành vi chuỗi Markov, đồng thời mô tả điểm số hành vi chuỗi Markov dựa mơ hình rủi ro tín dụng tiêu dùng mở rộng Điều tham số hóa cách sử dụng mơ hình hồi quy logic lũy tiến để ước tính xác suất chuyển đổi chuỗi Markov Tính xác ước đốn mơ hình trình bày thơng qua tình nghiên cứu, phần mơ tả liệu sử dụng tình nghiên cứu lồng vào phần Phần cung cấp kết nghiên cứu dựa vào liệu mô tả phần 4, đưa lý mơ hình bao hàm ma trận chuyển đổi bậc cao hơn; thời hạn sổ sách khoản vay Cuối phần đưa vài kết luận, bao gồm làm để mô hình sử dụng mức độ phù hợp mơ hình thái rủi ro so với dãy điểm thứ nhất, Tiếp theo, dãy điểm 241-355 trạng thái rủi ro so với dãy điểm thứ hai, có xác suất vỡ nợ 5,46% dãy điểm từ 356 trở lên trạng thái rủi ro thấp nhất, có xác suất 0,08% Lưu ý có ưu đốn (��≥� ��� ≤ ��≥� ��+1�) tất trạng thái hiệu lực, điều cho thấy điểm số hành vi phản ánh đắn thay đổi điểm tương lai, trạng thái vỡ nợ tương lai Bảng 5.1 Ma trận chuyển đổi trung bình bậc Giai đoạn đầu 60-150 60-150 Giai đoạn chuyển đổi 151-240 241-355 355+ C D 47,73% 0,20% 0,00% 18,83% 19,37% 13,87% 151-240 0,20% 47,66% 0,55% 20,13% 20,66% 10,80% 241-355 0,00% 1,06% 43,50% 24,54% 25,43% 5,46% 355+ 0,75% 1,79% 1,89% 60,57% 34,92% 0,08% Nguồn: Kết nghiên cứu tác giả Mơ hình chuỗi Markov bậc giả định trạng thái hành có tất thơng tin cần thiết để ước tính xác suất chuyển đổi q kế tiếp, khơng bị ảnh hưởng trạng thái trước người vay Nếu điều không đúng, ta sử dụng mơ hình chuỗi Markov bậc hai cao Điều đáng ngạc nhiên điểm số hành vi xem nhân tố thống kê đầy đủ rủi ro tín dụng Tuy nhiên, loại rủi ro tín dụng đặc trưng – hội bị vỡ nợ 12 tháng tới – chuỗi Markov mô tả trạng thái liên thơng rủi ro tín dụng ước tính qua giai đoạn khoảng 12 tháng khác Vì thế, điểm số khơng bao gồm tất thơng tin cần thiết để ước tính rủi ro có khả thay đổi Bảng 5.2 cho thấy ước tính ma trận chuyển đổi chuỗi bậc hai thế, thu kết tương tự với bảng 5.1 Phân tích bảng 5.2 cho thấy có thay đổi đáng kể xác suất chuyển đổi dựa trạng thái trước người vay Ví dụ ta xét trạng thái rủi ro �1 = {60– 150} Nếu người vay trạng thái rủi ro q trước đó, hội trạng thái bị vỡ nợ quý 55,15% + 19,67% = 74,82%; họ mức độ rủi ro thấp quý trước {355+} vùng �1, hội nằm vùng �1 vỡ nợ quý 35,34% + 1,47% = 36,81% Ngoài ra, quan sát bảng 5.2 ta thấy khơng có chuyển đổi nào, nói khơng có trường hợp người vay nằm vùng điểm số sau:  Trạng thái ítnhất rủi �ro - vùng �3, trạng thái trước nằm vùng rủi rotạicao  Trạng thái rủi ro cao �1 trạng thái trước lại nằm vùng rủi ro �3 Như nghĩa kết nghiên cứu liệu hồn tồn khơng có người vay nào� trạng thái rủi ro cao �1 chuyển đổi sang trạng thái rủi ro ngược lại Điều cho thấy rõ ràng nhìn lại kết bảng 5.1, xác suất chuyển đổi từ trạng thái rủi ro cao �1 sang trạng thái rủi ro �3 �13 ngược lại �31 0,00% Có xu hướng mà người vay đảo ngược lại trạng thái trước sau có giai đoạn ngắn rơi vào trạng thái có rủi ro cao thấp Hãy nhìn vào bảng 5.2, Ma trận chuyển đổi bậc hai Bảng 5.2 Ma trận chuyển đổi trung bình bậc hai Quý sau (Quý chuyển đổi) Quý trước; quý 60-150 151-240 241-355 (60-150; 60-150) 55,15% 0,28% 0,00% 9,03% 15,86% 19,67% (60-150; 151-240) 50,00% 0,00% 0,00% 0,00% 50,00% 0,00% (60-150; 241-355) 0,00% 0,00% 0,00% 0,00% 0,00% 0,00% 13,85% 0,00% 0,00% 37,18% 48,97% 0,00% (151-240; 60-150) 0,00% 0,00% 0,00% 50,00% 0,00% (151-240; 151-240) 0,17% 49,53% 0,14% 13,05% (151-240; 241-355) 0,00% 0,00% 58,33% 16,67% 25,00% 0,00% (151-240; 355+) 0,00% 17,77% 0,35% 39,04% 42,84% 0,00% (241-355; 60-150) 0,00% 0,00% 0,00% 0,00% (241-355; 151-240) 0,00% 26,67% 18,33% 16,67% 28,33% 10,00% (241-355; 241-355) 0,00% 1,03% 51,40% 15,59% 24,11% 7,86% (241-355; 355+) 0,00% 0,63% 17,21% 40,78% 41,06% 0,32% (355+; 60-150) 35,34% 0,00% 0,00% 32,63% 30,56% 1,47% (355+; 151-240) 0,00% 36,17% 1,05% 29,41% 30,88% 2,49% (355+; 241-355) 0,00% 0,98% 29,90% 31,40% 34,22% 3,50% (355+; 355+) 0,57% 1,37% 1,37% 56,36% 40,23% 0,11% (60-150; 355+) 0,00% 355+ 0,00% 0,00% C D 18,76% 18,36% Nguồn: Kết nghiên cứu tác giả Xu hướng đảo ngược lại trạng thái trước nhìn thấy tồn trạng thái khoảng điểm hành vi mơ hình (�1 đến �4) Các kết không hỗ trợ cho ý tưởng ”động lực - momentum” cho người vay có điểm số giảm có khả giảm thấp thêm (xem Bangia cộng sự, 2002, ví dụ tín dụng doanh nghiệp), lại cho thấy có kiện diễn khoảng thời gian ngắn xuất sau bị đảo ngược lại quý kế tiếp, bị rơi vào tình có khoản tiền nợ lẻ phải tốn trước vài hiểu lầm đó, nghĩa khoản tiền nợ lẻ khơng đủ lớn đến mức khiến cho người vay phải cất công tốn hạn để giữ vững trạng thái rủi ro, trạng thái tốt mình; trước trạng thái rủi ro cao lại có hành vi tốn tốt có khoản tiền từ trời rơi xuống điều khơng trì tiếp tục q tiếp sau nên lại bị quay trở lại trạng thái có rủi ro cao trước Cụ thể phân tích kết bảng 5.2, ta thấy rằng: Người vay quý trước dãy điểm 60–150 trạng thái rủi ro cao nhất, cải thiện quý dãy điểm cao 151–240 xác suất quay trở lại dãy điểm 60–150 quý trước 50,00%; người vay dãy điểm 60–150 quý trước cải thiện quý dãy điểm cao nhiều 355+ có xác suất quay trở lại dãy điểm 60–150 quý trước lên đến 13,85%, Một người vay quý trước dãy điểm 151–240 trạng thái rủi ro cao thứ hai, cải thiện quý dãy điểm cao 355+ xác suất để người vay quay trở lại dãy điểm 151–240 quý trước xấp xỉ 17,77%, Đối với người vay quý trước dãy điểm 241–355 trạng thái có rủi ro thấp thứ hai, bị rơi vào dãy điểm thấp 151–240 quý có xác suất đảo ngược lại dãy điểm 241–355 quý trước 18,33%; người vay dãy điểm quý trước cải thiện quý dãy điểm cao 355+ lại có xác suất đảo ngược lại dãy điểm 241–355 quý trước xấp xỉ 17,21% Điều cho thấy khả khôi phục lại dãy điểm 241–355 (trạng thái có rủi ro thấp thứ hai) người vay dãy điểm từ dãy điểm thấp cao từ dãy điểm cao Xét người vay quý trước dãy điểm cao 355+ trạng thái có rủi ro thấp nhất; o Nếu quý bị rơi vào dãy điểm 60–150 có rủi ro cao xác suất đảo ngược lại dãy điểm cao 355+ lên đến 32,63%, o Nếu quý rơi vào dãy điểm 151–240 có rủi ro cao việc đảo ngược lại dãy điểm cao 355+ có xác suất 29,41%, o Nếu quý rơi vào dãy điểm 241–355 31,40% xác suất cho việc đảo ngược lại dãy điểm cao 355+ quý trước Kết này, thấy tất trạng thái, việc sử dụng dãy điểm số điểm số, dãy điểm trước ám điểm số nằm khoảng điểm Nghĩa ngưỡng chia điểm ảnh hưởng đến chuyển đổi lẫn trạng thái liên thông ma trận chuyển đổi Tuy nhiên, kết tương tự tìm thấy phân loại tốt sử dụng, chẳng hạn nhiều trạng thái với khoảng điểm nhỏ Ta điều tra xem liệu mơ hình bậc cao chí có thích hợp khơng, với mơ hình Markov bậc ba cao hơn, tính rải rác liệu tính mạnh mẽ ước đốn trở thành vấn đề, dừng lại việc sử dụng chuỗi bậc hai để mơ hình hóa trạng thái liên thơng điểm số hành vi 5.2.Những ảnh hưởng số tháng sổ sách Như biết đến mơ hình tín dụng tiêu dùng (Breeden, 2007; Stepanova & Thomas, 2002), tuổi khoản vay (số tháng từ ký hợp đồng) nhân tố quan trọng rủi ro vỡ nợ Để điều tra điều này, chia thời hạn khoản vay thành phần, (1) 0–6 tháng, (2) 7–12 tháng, (3) 13–18 tháng, (4) 19–24 tháng, (5) 25–30 tháng, (6) 31–36 tháng Tác động tuổi khoản vay lên xác suất chuyển đổi điểm số hành vi thấy bảng 5.3, cho thấy ma trận chuyển đổi xác suất bậc người vay có mặt sổ sách từ 1–6 tháng, 7–12 tháng, 13–18 tháng, 19– 24 tháng, 25–30 tháng, 31–36 tháng Một lần nữa, cấu trúc tổng thể tương tự với bảng 5.1, có khác biệt đáng kể xác suất chuyển đổi ma trận Những người vay sổ sách mức rủi ro vỡ nợ thấp có điểm số hành vi tăng cao so với người vay hữu công ty thời gian từ 7-24 tháng 31-36 tháng, đặc biệt dãy điểm có mức rủi ro cao �1 �2 Phân tích cụ thể bảng 5.3 cho thấy: Xét người vay có thời hạn sổ sách từ 01-06 tháng, xác suất vỡ nợ cao 5,45% rơi vào dãy điểm 151-240; xác suất vỡ nợ cao người vay có thời hạn sổ sách từ 07-12 tháng, 13-18 tháng, 19-24 tháng 31-36 tháng 8,21%, 24,43%, 52,08% 63,10% chủ yếu rơi vào dãy điểm thấp 60-150, 151-240 Xét chuyển đổi từ dãy điểm sang trạng thái ‘C’ người vay (có thời hạn sổ sách 06 tháng trở lại) có xác suất thấp nhiều so với người vay có thời hạn sổ sách từ 07 tháng trở lên Xác suất chuyển sang trạng thái đóng “C” khách hàng có điểm số hành vi cao ln ln lớn khách hàng có điểm số hành vi thấp thời gian sổ sách Xét chuyển đổi qua lại dãy điểm hiệu lực, nghĩa từ �1 đến �4, xác suất chuyển đổi từ dãy điểm thấp lên dãy điểm cao người vay (từ 01-06 tháng sổ sách) đa phần cao hẳn so với người vay có số tháng sổ sách từ 07 tháng trở lên Kết cho thấy người vay có mặt sổ sách lâu (từ 07 tháng trở lên) xác suất chuyển sang trạng thái ‘C’ bị vỡ nợ chiếm tỷ lệ lớn xác suất chuyển đổi dãy điểm hiệu lực thấp so với người vay xuất sổ sách từ 01-06 tháng Điều đồng nghĩa người vay có mặt sổ sách lâu khả vỡ nợ lớn Điều đáng ngạc nhiên so với ta mong đợi ngược hồn tồn với xu hướng người tiêu dùng U.K (xem tình nghiên cứu Malik & Thomas 2012) Với liệu này, kết nghiên cứu cho thấy người tiêu dùng có xu hướng tốt ngắn hạn trở nên xấu lâu dài xét khía cạnh rủi ro tín dụng, nghĩa rủi ro tín dụng gia tăng theo thời hạn có mặt sổ sách khoản vay Bảng 5.3 So sánh ma trận chuyển đổi khoản vay có tuổi khác Số tháng sổ sách 01-06 07-12 13-18 19-24 25-30 31-36 Giai đoạn đầu Giai đoạn chuyển đổi 151-240 241-355 64,54% 0,25% 0,00% 25,41% 6,90% 2,91% 151-240 0,22% 54,72% 0,68% 24,49% 14,44% 5,45% 241-355 0,00% 1,21% 47,10% 26,92% 21,41% 3,36% 355+ 0,83% 2,17% 2,30% 67,75% 26,86% 0,09% 61,24% 0,00% 0,00% 16,59% 13,96% 8,21% 151-240 0,00% 52,29% 0,86% 20,53% 18,32% 7,98% 241-355 0,00% 1,30% 47,16% 23,90% 22,20% 5,43% 355+ 0,49% 1,60% 2,00% 63,42% 32,42% 0,06% 28,31% 0,23% 0,00% 15,81% 34,17% 21,47% 151-240 0,18% 30,33% 0,00% 11,72% 241-355 0,00% 0,00% 25,10% 355+ 0,82% 0,82% 0,66% 60-150 4,17% 0,00% 0,00% 1,04% 42,71% 52,08% 151-240 0,00% 0,79% 0,00% 1,59% 48,81% 48,81% 241-355 0,00% 0,00% 0,00% 0,00% 61,54% 38,46% 355+ 0,14% 0,07% 0,00% 3,98% 95,81% 0,00% 50,00% 0,00% 0,00% 0,00% 50,00% 0,00% 151-240 0,00% 0,00% 0,00% 100,00% 355+ 0,00% 0,00% 0,00% 60-150 3,57% 0,00% 0,00% 0,00% 33,33% 63,10% 151-240 0,00% 0,00% 0,00% 14,29% 57,14% 28,57% 241-355 0,00% 0,00% 3,33% 0,00% 96,67% 0,00% 355+ 0,00% 0,00% 0,00% 4,21% 95,79% 0,00% 60-150 60-150 60-150 60-150 60-150 355+ C D 33,34% 24,43% 20,50% 38,66% 15,74% 39,92% 57,70% 0,08% 0,00% 0,00% 50,00% 50,00% 0,00% Nguồn: Kết nghiên cứu tác giả Với liệu khơng có chuyển đổi hay nói khơng có người vay có tuổi vay khoảng từ 25-30 tháng nằm vùng điểm số hành vi có mức rủi ro thấp thứ hai �3 = {241– 355} Các giá trị in đậm chuyển đổi khác biệt đáng kể người vay có tuổi vay (số tháng sổ sách) khác Điều xảy với 16 tổng số 24 chuyển đổi tính tốn Kết luận Bài nghiên cứu phát triển chương trình thí điểm việc làm ta sử dụng phương pháp chuỗi Markov dựa điểm số hành vi để ước đốn rủi ro tín dụng danh mục khoản vay tiêu dùng Đây phương pháp hấp dẫn, điểm số hành vi tính tốn hàng tháng hầu hết tất tổ chức cho vay lĩnh vực tài tiêu dùng, phục vụ cho mục đích định nội lẫn cho yêu cầu Thỏa ước Basel (Accord) Bài nghiên cứu nhấn mạnh điểm số hành vi trạng thái liên thông (dynamics), phụ thuộc vào trạng thái trước số tháng sổ sách khoản vay Bài nghiên cứu đề nghị người ta cần xem xét kỹ lưỡng bậc thích hợp chuỗi Markov Bảng 5.2 cho thấy tác động trạng thái trước trạng thái lên chuyển đổi sau, cách mạnh mẽ nhu cầu dành cho chuỗi Markov bậc hai Khi áp dụng chuỗi Markov bậc hai vào điểm số hành vi để xem xét chuyển đổi trạng thái trước, trạng thái trạng thái sau, tơi phát có xu hướng đảo ngược lại trạng thái trước tốt xấu hơn, theo đà giảm (hoặc tăng) dần điểm số hành vi tăng (hoặc giảm ) dần mức độ rủi ro Khơng giống rủi ro tín dụng doanh nghiệp, ta cần bao hàm thời hạn sổ sách khoản vay mơ hình, ảnh hưởng đến rủi ro tín dụng Những mơ dễ tổ chức cho vay phát triển, tất thơng tin sẵn có Mơ hình hữu ích số mục đích: ước tính việc trích lập dự phịng nợ, kiểm định sức tăng bối cảnh Basel, điều tra mối quan hệ điểm số hành vi theo thời gian Mơ hình sử dụng tổ chức xếp hạng tín nhiệm để cập nhật ước tính rủi ro họ sản phẩm chứng khốn hóa dựa danh mục vay tiêu dùng Điều đòi hỏi họ phải có cập nhật thường xuyên điểm số hành vi khoản vay sở, phương pháp đưa mức tín nhiệm ban đầu, dựa điểm số hồ sơ hay điểm số trung tâm thơng tin tín dụng Điều kéo theo công việc phụ trội, tránh thất bại xếp hạng tín nhiệm chứng khốn có đảm bảo tài sản chấp (MBS) biết năm 2007 2008, định cung cấp cảnh báo sớm việc gia tăng rủi ro tín dụng chứng khốn Vẫn cịn nhiều vấn đề cần giải liên quan đến việc mơ hình hóa rủi ro tín dụng danh mục vay tiêu dùng Chẳng hạn việc đưa thêm biến số kinh tế vào mơ hình, điều mà tơi nghĩ có ảnh hưởng đến hành vi hoàn trả người vay Và việc lựa chọn biến số kinh tế để đưa vào mơ hình thách thức lớn nghiên cứu sau Một vấn đề quan trọng nhận diện biến số kinh tế ảnh hưởng đến rủi ro tiêu dùng nhiều nhất, nên bao hàm mơ Ta tin vài khác biệt danh sách biến số nhận mơ hình rủi ro tín dụng doanh nghiệp, chí ta muốn sử dụng biến số khác cho loại hình cho vay tiêu dùng khác Chẳng hạn như, thay đổi giá nhà quan trọng cho vay chấp quan trọng cho vay xoay vịng thẻ tín dụng Bài nghiên cứu mơ hình chuỗi Markov dựa vào điểm số hành vi sử dụng ngành, trước chúng không diện tài liệu thống, chắn khơng có mở rộng mơ hình để bao hàm đáo hạn khoản vay, nhân tố kinh tế nhu cầu chuỗi Markov bậc cao Tài liệu tham khảo Andrade, F W M., & Thomas, L C (2007) Structural models in consumer credit European Journal of Operational Research, 183, 1569–1581 Bangia, A., Diebold, F., & Schuermann, T (2002) Ratings migration and the business cycle with applications to credit portfolio stress testing Journal of Banking and Finance, 24, 445–472 Basel Committee on Banking Supervision, (2005, comprehensive version 2006) International convergence of capital measurement and capital standards — a revised framework Bank for International Settlements, Basel Bellotti, T., & Crook, J N (2009) Credit scoring with macroeconomic variables using survival analysis Journal of the Operational Research Society, 60, 1699– 1707 Breeden, J L (2007) Modeling data with multiple time dimensions Computational Statistics and Data Analysis, 51, 4761–4785 Crouhy, M., Galai, D., & Mark, R (2001) Risk management New York: McGraw Hill Cyert, R M., Davidson, H J., & Thompson, G L (1962) Estimation of allowance for doubtful accounts by Markov chains Management Science, 8, 287–303 Das, S R., Duffie, D., Kapadia, N., & Saita, L (2007) Common failings: how corporate defaults are correlated Journal of Finance, 62, 93–117 Demyanyk, Y S., & van Hemert, O (2008) Understanding the subprime mortgage crisis Working Paper, Federal Reserve Bank of Cleveland and New York University http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1020396 URL: Figlewski, S., Frydman, H., & Liang, W (2007) Modelling the effect of macroeconomic factors on corporate default and credit rating transitions Working paper No FIN-06-007, NYU Stern School of Business Gordy, M (2000) A comparative anatomy of credit risk models Journal of Banking and Finance, 24, 119–149 Ho, J (2001) Modelling bank customers’ behaviour using data warehouses and incorporating economic indicators Ph.D thesis, University of Edinburgh, Edinburgh Hosmer D.W., Lemeshow S (1989, 2000 2nd edition), Applied Logistic Regression, Wiley, New York Hull, J C (2009) The credit crunch of 2007: What went wrong? Why? What lessons can be learnt? Journal of Credit Risk, 5(2), 3–18 Hurd, T R., & Kuznetsov, A (2006) Affine Markov chain model of multiform credit migration Journal of Credit Risk, 3, 3–29 Jarrow, R A., Lando, D., & Turnbull, S (1997) A Markov model for the term structure of credit risk spreads Review of Financial Studies, 19, 481–523 Lando, D., & Skodeberg, T (2002) Analyzing rating transitions and rating drift with continuous observations Journal of Banking and Finance, 26, 423–444 Lewis E.M (1992) An Introduction to Credit Scoring, 2nd Ed Athena Press: San Rafael, CA Liu, J., & Xu, X E (2003) The predictive power of economic indicators in consumer credit risk management RMA Journal, 86(1), 40–45 McElvey, R D., & Zavoina, W (1975) A statistical model for the analysis of ordinal level dependent variables Journal of Mathematical Sociology, 4, 103– 120 Malik, M., & Thomas, L C (2010) Modelling the credit risk of portfolios of consumer loans Journal of the Operational Research Society, 61, 411–420 Malik, M., & Thomas, L C (2012) Transition matrix models of consumer credit ratings International Journal of Forecasting, 28, 261–272 Musto, D K., & Souleles, N (2005) A portfolio view of consumer credit Working paper 05-25, Federal Reserve Bank of Philadelphia, Philadelphia Nickell, P., Perraudin, W., & Varoli, S (2001) Stability of ratings transitions Journal of Banking and Finance, 24, 203–227 Perli, R., & Nayda, W I (2004) Economic and regulatory capital allocation for revolving retail exposures Journal of Banking and Finance, 28, 789–809 Raymond Anderson (2007) The Credit Scoring Toolkit: Theory and practice for Retail Credit Risk Management and Decision Automation Oxford University Press, The mechanics of credit scoring 63-69 Rosch, D., & Scheule, H (2004) Forecasting retail portfolio credit risk Journal of Risk Finance, 5(2), 16–32 Scallan, G (1998) Bad debt projection models, an overview of modeling approaches http://www.scoreplus.com/docs/BadDebt.pdf Schniederjans, M J., & Loch, K D (1994) An aid for strategic marketing in the banking industry: a Markov analysis Computers and Operations Research, 21, 281–287 Stepanova, M., & Thomas, L C (2002) Survival analysis methods for personal loan data Operations Research, 50, 277–289 Tang, L., Thomas, L C., Thomas, S., & Bozzetto, J.-F (2007) It’s the economy stupid: Modelling financial product purchases International Journal of Bank Marketing, 25, 22–38 Trench, M S., Pederson, S P., Lau, E T., Lizhi, M., Hui, W., & Nair, S K (2003) Managing credit lines for bank one credit cards Interfaces, 33(5), 4–22 Thomas, L C (2009a) Consumer credit models: pricing, profit and portfolios Oxford: Oxford University Press, 25-40 Thomas, L C (2009b) Modelling the credit risk for portfolios of consumer loans: analogies with corporate loan models Mathematics and Computers in Simulation, 20, 2525–2534 Thomas, L C., Ho, J., & Scherer, W T (2001) Time will tell: Behavioural scoring and the dynamics of consumer risk assessment IMA Journal of Management Mathematics, 12, 89–103