Xây dựng phần mềm xếp hạng tín dụng trong ngân hàng sử dụng cây quyết định

Mục lục LỜI CẢM ƠN LỜI CAM ĐOAN DANH MỤC CÁ C HÌNH VẼ: .3 DANH MỤC CÁ C BẢNG: .4 LỜI MỞ ĐẦU CHƢƠNG I CÁC KHÁI NIỆM CƠ BẢN .7 Khái quát thị trƣờng tài hoạt động tín dụng Việt Nam 1.1 Thị trƣờng tài 1.2 Hoạt động tín dụng 1.3 Kinh doanh ngân hàng 10 1.4 Tín dụng ngân hàng 11 Nghiệp vụ xếp hạng tín dụng Ngân hàng 13 2.1 2.2 n qu n ếp ạn t n ụn 13 ầm qu n tr n 2.3 N u nt 2.4 Một số m ếp ạn t n ụn 16 v qu tr n n ếp ạn t n ụn 18 ếp ạn t n ụn t n ụng 19 CHƢƠNG II KHAI PHÁ DỮ LIỆU VÀ CÂ Y QUYẾ ĐỊNH 28 Khai phá liệu: 28 1.1 Khái niệm 28 1.2 Quá trình phát tri thức 29 1.3 Các dạng liệu khai phá 29 1.4 Các kỹ thuật khai phá liệu 31 1.5 Đán 1.6 Cá p ƣơn p áp v kỹ thuật cải thiện độ xác phân lớp 47 1.7 Ứng dụng 50 iá iệu suất phân lớp 38 Cây định: 51 2.1 Khái niệm: 51 2.2 Vai trò c a định 54 2.3 Thuật toán xây dựng 54 2.4 C t tỉa 60 2.5 Đán 2.6 Ƣu, n ƣợ điểm c a định 63 iá v kết luận thuật toán xây dựng định 62 CHƢƠNG III XẾP HẠNG TÍN DỤNG TRONG NGÂ N HÀ NG SỬ DỤNG CÂ Y QUYẾ ĐỊNH 65 Nạp liệu xếp hạn ó 66 Xây dựng phân lớp công cụ Tree Bagger 68 Phân lớp liệu 75 Kiểm tra lại: đán iá kết phân lớp 78 4.1 So sánh xếp hạng dự đoán v ếp hạng thực tế 79 4.2 So sánh xếp hạng thực tế số vụ vỡ nợ tron năm 83 CHƢƠNG IV KẾT LUẬN 89 Thực tế xếp hạng tín dụng Việt Nam 89 Vấn đề áp dụng mô hình công cụ xếp hạng tín dụng Việt Nam 89 TÀ I LIỆU THAM KHẢO 92 LỜI CẢM ƠN Tôi xin chân thành cảm ơn thầy cô giáo tận tình hướng dẫn, giảng dạy suốt trình học tập trường Đại học Bách khoa Hà Nội Xin chân thành cảm ơn thầy giáo hướng dẫn TS Vũ Văn Thiệu tận tình, chu đáo hướng dẫn thực luận văn Mặc dù có nhiều cố gắng để thực luận văn cách hoàn chỉnh Song kiến thức kinh nghiệm hạn chế nên tránh khỏi thiếu sót định mà thân chưa thấy Tôi mong nhận đóng góp quý thầy, cô giáo và bạn đồng nghiệp để luận văn hoàn chỉnh Tôi xin chân thành cảm ơn! Hà Nội, ngày 24 tháng 10 năm 2016 Học viên Nguyễn Thị Lan LỜI CAM ĐOAN Tôi xin cam đoan số liệu kết nghiên cứu luận văn trung thực chưa sử dụng để bảo vệ học vị Mọi giúp đỡ cho việc thực luận văn cảm ơn thông tin trích dẫn luận văn rõ nguồn gốc rõ ràng phép công bố Hà Nội, ngày 24 tháng 10 năm 2016 Học viên Nguyễn Thị Lan DANH MỤC CÁ C HÌNH VẼ: Hình Mô hình thị trường tài Hình Mô hình hoạt động ngân hàng Hình Các chức ngân hàng đại Hình Quá trình Khai phá liệu Hình Các lĩnh vực liên quan đến Khai phá liệu Hình Bước học trình phân lớp liệu Hình Bước phân lớp trình phân lớp liệu Hình Quá trình đánh giá phân lớp Hình Biểu đồ đường cong ROC Hình 10 Biểu đồ đường cong ROC gồm mô hình Hình 11 Mô hình định Hình 12 Mô hình phương pháp quần thể Hình 13 Sai số phân lớp với kích thước khác Hình 14 Mức độ quan trọng thuộc tính Hình 15 Sai số phân lớp với tập biến độc lập khác Hình 16 So sánh xếp hạng dự đoán thực tế Hình 17 Biểu đồ xác tích lũy Hình 18 Biểu đồ độ xác tích lũy xếp hạng thực tế dự đoán DANH MỤC CÁ C BẢNG: Bảng Hệ thống kíhiệu xếp hạng tín dụng Bảng Quyết định cấp tín dụng ngân hàng dựa thứ hạng khách hàng Bảng Biểu diễn ma trận nhầm lẫn Bảng Ví dụ tính toán ma trận nhầm lẫn Bảng Bảng giá trị tỉ lệ vẽ đường cong ROC Bảng Dữ liệu đầu vào khách hàng LỜI MỞ ĐẦU Nền kinh tế thị trường (định hướng xã hội chủ nghĩa) nước ta chưa phải kinh tế thị trường hoàn chỉnh chứa đựng nhiều yếu tố đặc thù kinh tế thị trường Khi kinh tế thị trường phát triển đến trình độ định dẫn đến hình thành loại thị trường để phục vụ cho nhu cầu kinh tế Trong loại thị trường đó, thị trường tài vừa thị trường cung ứng cho phát triển kinh tế - xã hội, vừa thúc đẩy lưu chuyển vốn xã hội Thực tế hoạt động thị trường tài nhiều năm qua Việt Nam, tăng trưởng tín dụng thường xuyên mức cao, nhiều ngân hàng thương mại chạy theo mức tăng trưởng lơ kiểm soát chất lượng tín dụng dẫn đến tỷ lệ nợ xấu ngân hàng tăng cao Hoạt động cho vay ngân hàng trở nên hiệu tiềm ẩn nhiều rủi ro Từ nảy sinh nhu cầu đảm bảo chất lượng tín dụng, chất lượng khách hàng đặc biệt thẩm định khả trả nợ khách hàng để hỗ trợ việc định tín dụng phù hợp Xuất phát từ việc muốn tìm hiểu thị trường tài chính, hoạt động tín dụng, ứng dụng định, với dẫn giúp đỡ tận tình TS Vũ Văn Thiệu, em chọn đề tài “Xây dựng phần mềm xếp hạng tín dụng ngân hàng sử dụng định” Luận văn nghiên cứu mô hình định, thành phần quan trọng lý thuyết khai phá liệu Nội dung luận văn gồm: Chương Các khái niệm bản: trình bày khái quát thị trường tài chính, nghiệp vụ xếp hạng tín dụng ngân hàng Chương Khai phá liệu Cây định: khái quát khai phá liệu kỹ thuật khai phá liệu, trình bày khái quát định, thuật toán xây dựng định Chương Trình bày việc xây dựng công cụ xếp hạng tín dụng ngân hàng sử dụng định CHƯƠNG I CÁC KHÁI NIỆM CƠ BẢN Khái quát thị trƣờng tài hoạt động tín dụng Việt Nam 1.1 Thị trƣờng tài 1.1.1 Khái niệm Thị trường tài nơi diễn hoạt động mua bán, chuyển nhượng khoản vốn ngắn hạn, trung hạn, dài hạn để đáp ứng nhu cầu khác chủ thể khác kinh tế thông qua công cụ tài định Các chủ thể gồm hai loại chủ thể thừa vốn chủ thể thiếu vốn Các chủ thể thừa vốn tìm kiếm lợi nhuận thông qua hoạt động đầu tư, cho vay; chủ thể thiếu vốn thìtìm kiếm nguồn vốn bổ sung cho hoạt động sản xuất kinh doanh nhu cầu đầu tư khác 1.1.2 Vai trò c a thị trƣờng tài kinh tế Thông qua hoạt động mua bán, chuyển nhượng quyền sử dụng vốn, thị trường tài trở thành nơi tập trung cung cầu vốn kinh tế, qua phát huy vai trò chủ yếu sau: - Thứ nhất, thị trường tài thúc đẩy việc tích lũy tập trung tiền vốn để phục vụ cho nhu cầu đầu tư phát triển kinh tế doanh nghiệp nhà nước - Thứ hai, thị trường tài giúp nâng cao hiệu việc sử dụng vốn kinh tế - Thứ ba, thị trường tài tạo kênh thông tin quan trọng, hỗ trợ cho công tác giám sát hoạt động tài - Thứ tư, thị trường tài tạo điều kiện thuận lợi cho hoạt động điều tiết vĩ mô nhà nước vào kinh tế Hình 1-Mô hình thị trƣờng tài 1.1.3 Chứ năn a thị trƣờng tài Thứ nhất, chức dẫn nguồn tài từ chủ thể có khả cung ứng nguồn tài đến chủ thể cần nguồn tài chính: - Thị trường tài đóng vai trò kênh dẫn vốn từ người tiết kiệm đến người kinh doanh Giúp cho việc chuyển vốn từ người hội đầu tư sinh lợi đến người có hội đầu tư sinh lợi - Thị trường tài thúc đẩy việc tích lũy tập trung tiền vốn để đáp ứng nhu cầu xây dựng sở vật chất kỹ thuật, sản xuất kinh doanh - Thị trường tài giúp cho việc sử dụng vốn có hiệu hơn, không người có tiền đầu tư mà với người vay tiền để đầu tư - Thị trường tài tạo điều kiện thuận lợi cho việc thực sách mở cửa, cải cách kinh tế Chính phủ thông qua hình thức phát hành trái phiếu nước ngoài, bán cổ phần, thu hút vốn đầu tư nước vào ngành sản xuất kinh doanh nước - Thị trường tài cho phép sử dụng chứng từ có giá, bán cổ phiếu, trái phiếu, đổi tiền BBB : 0.2811 Dữ liệu xếp hạng dự đoán điểm số tương ứng lưu trữ để phục vụ cho đánh giá định kỳ chất lượng phân lớp Các thông tin lưu mảng predDS classnames = b.ClassNames; predDS = [table(newDS.ID,predClass),array2table(classifScore)]; predDS.Properties.VariableNames = {'ID','PredRating',classnames{:}}; Sau đó, thông tin lưu vào file liệu dạng text tên PredictedRatings.dat lệnh sau: writetable(predDS,'PredictedRatings.dat'); Hoặc lưu trực tiếp vào CSDL công cụ MATLAB Kiểm tra lại: đán iá kết phân lớp Xác thực hay kiểm tra lại trình mô tả đánh giá chất lượng xếp hạng tín dụng Có nhiều phép đo cách kiểm tra khác để thực công việc Ta tập trung vào hai vấn đề sau: Thứ nhất, xếp hạng dự đoán xác đến đâu so sánh với xếp hạng thực tế Xếp hạng dự đoán kết trả từ trình phân lớp tự động, xếp hạng thực tế ủy ban tín dụng thực việc tập hợp kết xếp hạng dự đoán điểm số phân lớp tương ứng với số thông tin khác thông tin tình hình kinh tế để định kết xếp hạng cuối Thứ hai, xếp hạng thực tế đánh giá khách hàng dựa vào mức tín nhiệm họ tốt đến đâu Điều tiến hành phân tích thực trước đây, năm, mà ta biết công ty bị vỡ nợ năm File liệu CreditRating_ExPost.dat chứa liệu tiếp nối công ty 78 đánh giá phần trước nạp vào mảng exPostDS Nó bao gồm xếp hạng thực tế ủy ban tín dụng công ty này, có thêm cờ trạng thái vỡ nợ (default flag) cho biết công ty tương ứng có xảy vỡ nợ vòng năm kể từ đánh giá hay không Cờ có giá trị công ty bị vỡ nợ, công ty không bị vỡ nợ exPostDS = readtable('CreditRating_ExPost.dat'); Nếu phiên làm việc MATLAB, trước đọc liệu từ file CreditRating_ExPost.dat, ta cần nạp lại liệu xếp hạng dự đoán lưu vào mảng predDS lệnh sau : predDS = readtable('PredictedRatings.dat') 4.1 So sánh xếp hạng dự đoán v ếp hạng thực tế Mục đích cho việc huấn luyện phân lớp tự dộng để đẩy nhanh tiến độ làm việc ủy ban tín dụng Xếp hạng dự đoán xác ủy ban phải dành thời gian cho việc đánh giá kết dự đoán nhiêu Có thể hiểu ủy ban muốn kiểm tra thường xuyên mức độ tương đồng xếp hạng dự đoán xếp hạng cuối họ để định xem có nên đưa đề xuất huấn luyện lại phân lớp tự động hay không (có thể bổ sung thêm thuộc tính mới) tồn bất cân xứng chúng Công cụ ta dùng để so sánh xếp hạng dự đoán thực tế ma trận nhầm lẫn (được cung cấp công cụ thống kê học máy MATLAB) Để tạo ma trận nhầm lẫn ta sử dụng hàm confusionmat với liệu đầu vào xếp hạng thực tế, xếp hạng dự đoán ký hiệu xếp hạng có thứ tự sau : 79 C = confusionmat(exPostDS.Rating,predDS.PredRating, 'order',{'AAA' 'AA' 'A' 'BBB' 'BB' 'B' 'CCC'}) C = 203 13 0 0 10 108 20 0 0 18 157 29 0 0 28 251 43 0 0 38 229 18 0 0 49 42 0 0 43 Các hàng ma trận C tương ứng với xếp hạng thực tế, cột tương ứng với xếp hạng dự đoán Giá trị cột i, hàng j ma trận cho biết có khách hàng nhận thứ hạng thực tế i có thứ hạng dự đoán tương ứng j Ví dụ, vị trí (3,2), tức cột – dòng cho biết có 20 khách hàng xếp hạng A ủy ban tín dụng dự đoán xếp hạng AA phân lớp tự động Các giá trị ma trận chuyển sang dạng phần trăm lệnh sau: Cperc = diag(sum(C,2))\C Cperc = 0.9398 0.0602 0 0 0.0725 0.7826 0.1449 0 0 0.0882 0.7696 0.1422 0 0 0.0031 0.0867 0.7771 0.1331 0 0 0.1333 0.8035 0.0632 0 0 0.5269 0.4516 0.0215 0 0 0.1731 0.8269 80 Những giá trị nằm đường chéo ma trận cho thấy mức độ đồng xếp hạng dự đoán xếp hạng thực tế Các giá trị cao gần mức độ đồng cao (bằng lý tưởng, tức đồng hoàn toàn, xếp hạng dự đoán hoàn toàn trùng khớp xếp hạng thực tế) Trong trường hợp này, ta thấy bất đồng lớn lớp B có khoảng nửa số khách hàng xếp hạng B ủy ban dự đoán xếp hạng BB phân lớp Ma trận nhầm lẫn sử dụng để so sánh đánh giá nội với đánh giá bên thứ ba Điều thường diễn thực tế Với đánh giá cụ thể, ta sử dụng phép đo khác đồng xếp hạng dự đoán xếp hạng thực tế, đường cong ROC (Receiver Operating Characteristic) Để vẽ đường cong này, ta sử dụng hàm perfcurve công cụ thống kê học máy MATLAB kiểm tra phần diện tích phía đường cong Hàm perfcurve nhận xếp hạng thực tế đối số, chuẩn mực so sánh, hay tiêu chuẩn mà ta so sánh Ví dụ điểm số phân lớp lớp BBB xác định trình xếp hạng tự động Bây ta xây dựng đường cong ROC tính diện tích phía lớp BBB [xVal,yVal,~,auc] = perfcurve(exPostDS.Rating,predDS.BBB,'BBB'); plot(xVal,yVal); xlabel('Ty le sai khang dinh'); ylabel('Ty le dung khang dinh'); text(0.5,0.25,strcat('AUC=',num2str(auc)),'EdgeColor','k'); title('Duong cong ROC cua lop BBB, so sanh xep hang du doan va xep hang thuc te'); 81 Hình 16 - So sánh xếp hạng dự đoán v t ực tế Đường cong ROC xây dựng sau: Với khách hàng, phân lớp tự động trả điểm số phân lớp tương ứng với mức xếp hạng tín dụng, trường hợp lớp BBB hiểu điểm số phân lớp cho biết khả khách hàng xếp hạng BBB Để xây dựng đường cong ROC, ta cần thay đổi ngưỡng phân lớp Đó mức điểm số tối thiểu để xếp khách hàng vào nhóm BBB Nói cách khác, ngưỡng phân lớp t ta xếp khách hàng vào nhóm BBB điểm số phân lớp BBB họ lớn ngưỡng t Ví dụ, giả sử công ty XYZ có điểm số phân lớp BBB 0,87 Nếu xếp hạng thực tế công ty XYZ BBB XYZ xếp hạng BBB ngưỡng không vượt 0,87 Đây trường hợp khẳng định làm tăng độ nhạy phân lớp Với ngưỡng lớn 0,87, công ty không xếp 82 hạng BBB trường hợp sai phủ định Bây giả sử xếp hạng thực tế công ty XYZ BB không xếp hạng BBB với ngưỡng lớn 0,87 Đây trường hợp phủ định làm tăng độ đặc hiệu phân lớp Tuy nhiên, với ngưỡng không 0,87 trường hợp sai khẳng định (vìcông ty XYZ dự đoán xếp hạng BBB xếp hạng thực tế BB) Đường cong ROC xây dựng cách đánh dấu biểu đồ theo tỷ lệ khẳng định (độ nhạy) với sai khẳng định (độ đặc hiệu) ngưỡng biến thiên khoảng từ đến Phần diện tích phía đường cong ROC gọi AUC (Area under the curve) Giá trị AUC gần độ xác phân lớp cao Bộ phân lớp hoàn hảo có AUC Trong biểu đồ ta thấy AUC 0,94575 đủ cao, việc có cần phải đề xuất cải thiện thêm phân lớp tự động hay không tùy thuộc vào định ủy ban tín dụng 4.2 So sánh xếp hạng thực tế số vụ vỡ nợ tron năm Công cụ thường dùng để đánh giá việc xếp hạng tín dụng khách hàng độ xác tích lũy (Cumulative Accuracy Profile - CAP) phép đo tỷ lệ xác tương ứng Nguyên lý hoạt động công cụ đo lường mối quan hệ xếp hạng tín dụng số vụ vỡ nợ quan sát năm Nếu theo logic thông thường thứ hạng cao đồng nghĩa với việc số vụ vỡ nợ quan sát Nếu tỷ lệ vỡ nợ khách hàng tất thứ hạng hệ thống xếp hạng giống hệ thống phân lớp mập mờ, hệ thống mà khách hàng xếp hạng cách ngẫu nhiên mà không dựa vào mức độ tín nhiệm họ Để xây dựng biểu đồ độ xác tích lũy CAP, ta sử dụng hàm perfcurve Tiêu chuẩn dùng để so sánh cờ trạng thái vỡ nợ nạp từ file liệu tên CreditRating_ExPost.dat Ở ta sử dụng điểm số giả để biểu thị thứ 83 hạng mức tín nhiệm nằm danh sách xếp hạng Điểm số giả cần thỏa mãn điều kiện với thứ hạng cao điểm thấp (nghĩa khách hàng có khả vỡ nợ thấp) Điều kiện thứ hai hai khách hàng có thứ hạng ngang có điểm số giả Trong trường hợp ta không cần tính toán xác suất vỡ nợ để xây dựng biểu đồ CAP vìta không xác thực xác suất vỡ nợ Với công cụ ta đánh giá xem việc xếp hạng khách hàng dựa mức tín nhiệm họ tốt đến đâu Thông thường, đường CAP hệ thống đánh giá xem xét (CAPđang_xem_xét) vẽ với đường CAP hệ thống đánh giá hoàn hảo (CAPhoàn_hảo) Đó hệ thống giả thuyết thứ hạng thấp bao gồm toàn số khách hàng bị vỡ nợ Phần diện tích phía đường cong hoàn hảo độ xác tối đa hệ thống đánh giá (AUChoàn_hảo = 1) Theo quy ước, phần diện tích phía đường CAPđang_xem_xét điều chỉnh cách trừ phần diện tích phía đường CAP hệ thống mập mờ (CAPmập_mờ) CAPmập_mờ đường thẳng đơn giản điểm gốc (0, 0) đến điểm có tọa độ (1, 1) với phần diện tích phía AUCmập_mờ = 0,5 Tỷ lệ xác hệ thống đánh giá xác định tỷ lệ AUC điều chỉnh (AUCđã_điều_chỉnh = AUCđang_xem_xét - AUCmập_mờ) so với độ xác tích lũy tối đa AUCmax (AUCmax = AUChoàn_hảo - AUCmập_mờ) Biểu đồ độ xác tích lũy xây dựng sau : ratingsList = {'AAA' 'AA' 'A' 'BBB' 'BB' 'B' 'CCC'}; Nratings = length(ratingsList); dummyDelta = 1/(Nratings+1); dummyRank = linspace(dummyDelta,1-dummyDelta,Nratings)'; D = exPostDS.Def_tplus1; 84 fracTotDef = sum(D)/length(D); maxAcc = 0.5 - 0.5 * fracTotDef; R = double(ordinal(exPostDS.Rating,[],ratingsList)); S = dummyRank(R); [xVal,yVal,~,auc] = perfcurve(D,S,1); accRatio = (auc-0.5)/maxAcc; fprintf('Accuracy ratio for actual ratings: %5.3f\n',accRatio); xPerfect(1) = 0; xPerfect(2) = fracTotDef; xPerfect(3) = 1; yPerfect(1) = 0; yPerfect(2) = 1; yPerfect(3) = 1; xNaive(1) = 0; xNaive(2) = 1; yNaive(1) = 0; yNaive(2) = 1; plot(xPerfect,yPerfect,' k',xVal,yVal,'b',xNaive,yNaive,'-.k'); xlabel('Ty le tat ca cac cong ty'); ylabel('Ty le cac cong ty bi vo no'); title('Bieu do chinh xac tich luy’); legend({'Hoan hao','Thuc te','Map mo'},'Location','SouthEast'); text(xVal(2)+0.01,yVal(2)-0.01,'CCC') text(xVal(3)+0.01,yVal(3)-0.02,'B') text(xVal(4)+0.01,yVal(4)-0.03,'BB') 85 Hình 17 - Biểu đồ độ n t lũ Mấu chốt việc đọc thông tin biểu đồ CAP điểm gấp khúc đường CAP đánh dấu thứ hạng CCC, B BB Ví dụ, điểm gấp khúc thứ hai tương ứng với thứ hạng B có tọa độ (0.097, 0.714) có nghĩa có 9.7% số khách hàng xếp hạng từ B trở xuống họ chiếm 71.4% số khách hàng bị vỡ nợ quan sát Điểm gấp khúc thứ tương ứng với thứ hạng BB có tọa độ (0.315, 0.96) có nghĩa có 31,5% khách hàng xếp hạng từ BB trở xuống họ chiếm 96% số khách hàng bị vỡ nợ quan sát Nhìn chung, tỷ lệ xác nên coi phép đo có tính chất tương đối tuyệt đối Ví dụ, ta vẽ đường CAP xếp hạng dự đoán đường CAP xếp hạng thực tế vào biểu đồ tính toán tỷ lệ xác chúng so sánh với sau : 86 Rpred = double(ordinal(predDS.PredRating,[],ratingsList)); Spred = dummyRank(Rpred); [xValPred,yValPred,~,aucPred] = perfcurve(D,Spred,1); accRatioPred = (aucPred-0.5)/maxAcc; fprintf('Ty le chinh xac cua xep hang du doan: %5.3f\n',accRatioPred); plot(xPerfect,yPerfect,' k',xVal,yVal,'b',xNaive,yNaive,'-.k', …xValPred,yValPred,':r'); xlabel('Ty le tat ca cac cong ty'); ylabel('Ty le cac cong ty bi vo no'); title('Do chinh xac tich luy'); legend({'Hoan hao','Thuc te','Map …'SouthEast'); 87 mo','Du doan'},'Location', Hình 18 – Biểu đồ độ n t lũ ếp ạn t ự tế v ự đoán Sau chạy lệnh để vẽ biểu đồ CAP, tỷ lệ xác xếp hạng dự đoán thực tế đồng thời trả Tỷ lệ xác xếp hạng dự đoán 0.831 thấp xếp hạng thực tế 0.85 đường CAP xếp hạng dự đoán nằm đường CAP xếp hạng thực tế Điều hợp lý xếp hạng thực tế ủy ban tín dụng đưa sau xem xét kết xếp hạng dự đoán cộng thêm thông tin bổ sung để tinh chỉnh đánh giá xếp hạng 88 CHƢƠNG IV KẾT LUẬN Thực tế xếp hạng tín dụng Việt Nam Ở Việt Nam nay, hệ thống xếp hạng tín dụng tổ chức tín dụng Trung tâm thông tin tín dụng quốc gia Việt Nam thường xây dựng theo phương pháp chấm điểm tiêu dựa vào ý kiến chuyên gia Nhược điểm phương pháp cho điểm định tính chưa lượng hóa yếu tố rủi ro Các nguyên nhân thực trạng gồm có : - Chưa có quy định, hướng dẫn, lịch trình thức áp dụng xếp hạng tín dụng theo chuẩn Basel II để tổ chức tín dụng lấy làm thực (hiện áp dụng thí điểm ngân hàng lớn) - Các tổ chức tín dụng thiếu thông tin, chưa hiểu hết cần thiết phải thiết lập xếp hạng tín dụng theo chuẩn Basel II - Các tổ chức tín dụng thiếu cán đủ lực xây dựng mô hình tính toán để lượng hóa yếu tố rủi ro - Các tổ chức tín dụng thiếu liệu lượng (mẫu nghiên cứu) chất (dữ liệu sạch) để đưa vào mô hình lượng hóa tính minh bạch kỷ luật công tác báo cáo kế toán, kiểm toán tính xác liệu đầu vào chưa đảm bảo Do nguyên nhân trên, hệ thống xếp hạng tín dụng tổ chức tín dụng CIC có tồn chưa hoạt động có hiệu Vấn đề áp dụng mô hình công cụ xếp hạng tín dụng Việt Nam Trong số mô hình xếp hạng tín dụng Việt Nam, mô hình chấm điểm tín dụng sử dụng phổ biến phù hợp với điều kiện Việt Nam, đồng thời việc nghiên cứu áp dụng không phức tạp, ngân hàng không cần có nguồn vốn lớn mà cần cán tín dụng có trình độ hệ thống thông tin quản lý cập nhật thực Tuy nhiên mô hình không lượng hóa mức độ ảnh hưởng 89 yếu tố tác động đến khả trả nợ khách hàng việc đánh giá nhiều phụ thuộc vào ý kiến chủ quan trình độ cán tín dụng Từ dẫn đến hạn chế việc thẩm định đánh giá xác, khách quan khả trả nợ khách hàng Trong mô hình điểm số Z-score mô hình lượng hóa, đo lường khả trả nợ khách hàng thông qua việc mô hình hóa mối quan hệ biến nên khắc phục nhược điểm mô hình chấm điểm truyền thống Đại lượng Z thước đo tổng hợp nhằm phân loại rủi ro khách hàng phụ thuộc vào yếu tố tài họ Chỉ số Z cao xác suất vỡ nợ thấp, khách quan để xếp hạng khách hàng theo nguy vỡ nợ Kỹ thuật đo lường rủi ro mô hình không phức tạp sử dụng phương pháp phân tích đa biệt số khắc phục nhược điểm mô hình định tính, không phụ thuộc ý kiến chủ quan cán tín dụng Thêm vào đó, với việc ứng dụng phần mềm hỗ trợ xếp hạng tín dụng tự động MATLAB ta thấy công việc phân tích, xếp hạng tín dụng khách hàng với số lượng lên tới hàng ngàn diễn cách nhanh chóng hiệu Ngoài ra, MATLAB cung cấp đầy đủ công cụ giúp đánh giá mức độ xác tính hiệu mô hình xếp hạng tín dụng cách trực quan tiện lợi thông qua biểu đồ với số câu lệnh không nhiều Ngoài công cụ định sử dụng xếp hạng tín dụng trình bày đồ án MATLAB cung cấp đa dạng công cụ phân lớp khác phân tích biệt số, phân lớp theo phương pháp Bayes hay công cụ phân tích theo phương pháp mạng Nơ ron MATLAB phần mềm có nhiều ưu điểm tính toán mạnh mẽ, đa năng, không đòi hỏi người sử dụng phải biết nhiều lập trình sử dụng tốt, thích hợp việc sử dụng để phân tích, xếp hạng tín dụng khách hàng Tuy nhiên, việc áp dụng mô công cụ phân tích định lượng thực tế Việt Nam không dễ dàng mô hình hay công cụ đòi hỏi hệ 90 thống thông tin phải cập nhật đầy đủ, xác thông tin tất khách hàng Trong đó, Việt Nam chưa có kinh tế thị trường phát triển đầy đủ Các quy luật hoạt động kinh tế thị trường (định hướng xã hội chủ nghĩa) Việt Nam nhiều khác biệt với thị trường giới cộng thêm tình trạng thiếu minh bạch hoạt động cung cấp thông tin báo cáo tài chính, báo cáo kết kinh doanh nên mô hình định lượng khó hoạt động xác Thêm vào đó, việc thu thập quản trị liệu phục vụ cho công tác phân tích, xếp hạng tín dụng chưa ngân hàng nước ta trọng thời gian dài Trong yêu cầu tối thiểu độ dài liệu cho số mô hình phân tích năm Để vận dụng có hiệu mô công cụ phân tích định lượng, điều kiện tiên phải có minh bạch hóa thông tin kinh tế cần có chế vận hành phù hợp, điều thực thời gian ngắn phụ thuộc vào sách điều hành đường lối kinh tế phủ Vì vậy, việc xây dựng mô hình định lượng phù hợp với điều kiện Việt Nam mô hình số Z điều chỉnh đề cập số tạp chí công trình nghiên cứu hợp lý thời điểm Ngoài ra, ngân hàng cần thực công tác xác định yêu cầu liệu bổ sung bố trí nhân phù hợp để phục vụ việc thu thập, làm liệu Đồng thời có phương án làm giàu liệu, kiểm tra chất lượng liệu nhằm đảm bảo tính đầy đủ xác liệu, đáp ứng tiêu chuẩn chất lượng liệu theo chuẩn Basel II 91 TÀ I LIỆU THAM KHẢO Lê Thẩm Dương (2006), Giáo trình nghiệp vụ ngân hàng Jiawei Han, Micheline Kamber, Jian Pei (2012), Data mining – Concepts and Techniques, 3rd edition Lê Văn Tâm, Ngô Kim Thanh (2008), Giáo trình quản trị doanh nghiệp, NXB Đại học Kinh Tế Quốc Dân Ngân hàng Nông nghiệp phát triển nông thôn Việt Nam, sổ tay tín dụng Decision tree, URL: https://en.wikipedia.org/wiki/Decision_tree Data Mining Tutorial, Tutorials Point, URL: http://www.tutorialspoint.com/data_mining / Data mining, Wikipedia, URL: https://en.wikipedia.org/wiki/Data_mining Decision tree learning, URL: https://www.cs.princeton.edu/courses/archive/spring07/cos424/papers/mitchell -dectrees.pdf https://en.wikipedia.org/wiki/Decision_tree_learning Ensemble learning, Wikipedia, URL: https://en.wikipedia.org/wiki/Ensemble_learning 10 Khai phá liệu định, URL: http://tailieu.tv/tai-lieu/de-tai-khai-pha-du-lieu-bang-cay-quyet-dinh-3308/ 11 Martin Brown, Các kỹ thuật khai phá liệu, IBM,URL: http://www.ibm.com/developerworks/vn/library/data/2013Q1/ba-data-miningtechniques/ 12 TreeBagger class, The MathWorks, Inc: URL: http://www.mathworks.com/help/stats/treebagger-class.html 92 ... động ngân hàng Các chức ngân hàng đại: Hình - Các năn a ngân hàng đại 1.4 Tín dụng ngân hàng 1.4.1 Tín dụng ngân hàng gì? Tín dụng ngân hàng hình thức tín dụng bên ngân hàng, tổ chức tín dụng. .. nề 2.1 Nghiệp vụ xếp hạng tín dụng Ngân hàng n qu n ếp ạn t n ụn Theo hãng xếp hạng tín dụng Standards & Poor, xếp hạng tín dụng ý kiến đánh giá rủi ro tín dụng, chất lượng tín dụng, khả thiện... đó, hoạt động xếp hạng tín dụng đời xu tất yếu nhằm hỗ trợ cho tổ chức tín dụng có ngân hàng thương mại việc đưa định cấp tín dụng hạn chế rủi ro tín dụng  Vai trò xếp hạng tín dụng với thị trường