Rủi ro tín dụng đối với khách hàng vay cá nhân tại ngân hàng

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƢỜNG ĐẠI HỌC BÁCH KHOA - NGUYỄN HỒNG NAM RỦI RO TÍN DỤNG ĐỐI VỚI KHÁCH HÀNG VAY CÁ NHÂN TẠI NGÂN HÀNG CHUYÊN NGÀNH: HỆ THỐNG THÔNG TIN QUẢN LÝ MÃ SỐ: 60.34.04.05 LUẬN VĂN THẠC SĨ THÀNH PHỐ HỒ CHÍ MINH, tháng 08 năm 2020 i CƠNG TRÌNH ĐƢỢC HỒN THÀNH TẠI TRƢỜNG ĐẠI HỌC BÁCH KHOA –ĐHQG -HCM Cán hƣớng dẫn khoa học : PGS.TS ĐẶNG TRẦN KHÁNH Cán chấm nhận xét : PGS.TS Vũ Thanh Nguyên Cán chấm nhận xét : PGS.TS Huỳnh Trung Hiếu Luận văn thạc sĩ đƣợc bảo vệ Trƣờng Đại học Bách Khoa, ĐHQG TP.HCM ngày 25 tháng 08 năm 2020 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: 1- Chủ tịch: PGS.TS Trần Minh Quang 2- Thƣ ký: TS Trƣơng Tuấn Anh 3- Phản biện 1: PGS.TS Vũ Thanh Nguyên 4- Phản biện 2: PGS.TS Huỳnh Trung Hiếu 5- Ủy viên: TS Phan Trọng Nhân Xác nhận Chủ tịch Hội đồng đánh giá LV Trƣởng Khoa quản lý chuyên ngành sau luận văn đƣợc sửa chữa (nếu có) CHỦ TỊCH HỘI ĐỒNG TRƢỞNG KHOA KH & KT MÁY TÍNH ii NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Nguyễn Hồng Nam MSHV: 1670926 Ngày, tháng, năm sinh: 23/01/1982 Nơi sinh: TPHCM Ngành: Hệ thống thông tin quản lý Mã số : 60.34.04.05 I TÊN ĐỀ TÀI: RỦI RO TÍN DỤNG ĐỐI VỚI KHÁCH HÀNG VAY CÁ NHÂN TẠI NGÂN HÀNG II NHIỆM VỤ VÀ NỘI DUNG: - Tìm hiểu rủi ro tín dụng khách hàng cá nhân ngân hàng - Nghiên cứu rủi ro tín dụng đề xuất áp dụng mơ hình định ngân hàng để đánh giá rủi ro tín dụng với khách hàng cá nhân vay vốn ngân hàng, hỗ trợ ngân hàng định nhanh, hạn chế đƣợc rủi ro cho vay - Đề xuất giải pháp sử dụng định cho ngƣời quan hệ khách hàng, ngƣời thẩm định, ngƣời kiểm soát, ngƣời định tham khảo ứng dụng trƣớc cho vay ngân hàng III NGÀY GIAO NHIỆM VỤ : 24/02/2020 IV NGÀY HOÀN THÀNH NHIỆM VỤ: 03/08/2020 V CÁN BỘ HƢỚNG DẪN: PGS TS ĐẶNG TRẦN KHÁNH Tp HCM, ngày tháng 08 năm 2020 CÁN BỘ HƢỚNG DẪN TRƢỞNG KHOA KH & KTMT iii LỜI CẢM ƠN Tôi xin chân thành cảm ơn đến trƣờng Đại học Bách Khoa TP.Hồ Chí Minh, khoa Khoa Học Kỹ Thuật Máy Tính, ngành Hệ Thống Thơng Tin Quản Lý tạo điều kiện thuận lợi cho suốt q trình học tập thực đề tài Tơi xin chân thành cảm ơn thầy cô tận tình giảng dạy, trang bị cho tơi kiến thức cần thiết suốt năm học qua Tôi xin gửi lời cảm ơn chân thành đến thầy PGS.TS Đặng Trần Khánh, ngƣời thầy hƣớng dẫn trực tiếp đề tài tơi, Thầy ngƣời giúp đỡ, định hƣớng, đóng góp ý kiến giúp tơi sửa chữa khắc phục thiếu sót q trình thực đề tài Tơi xin cảm ơn tới gia đình, bạn bè động viên, chia sẻ kinh nghiệm quý báu để thực đề tài Mặc dù cố gắng nhƣng tránh khỏi thiếu sót, lời góp ý, bảo quý thầy giúp tơi có nhiều kinh nghiệm thời gian tới Tôi xin chân thành cảm ơn thầy cô bạn giành thời gian đọc tài liệu iv TÓM TẮT Đây luận văn thạc sĩ học viên cao học Nguyễn Hồng Nam Trong luận văn này, tơi đề xuất mơ hình nghiên cứu để đánh giá rủi ro khách hàng cá nhân ngân hàng thuật toán định Đề tài dựa tài liệu nghiên cứu rủi ro tín dụng, khai thác liệu học máy Dữ liệu đƣợc áp dụng cho chủ đề liệu khách hàng vay vốn đƣợc trích từ lịch sử cho vay khách hàng ngân hàng Đề tài áp dụng thuật toán nhƣ Cây định, Naive Bayes, Hồi quy logistic, SVM để chạy mơ hình so sánh kết Sau có đƣợc kết quả, đánh giá mơ hình chọn mơ hình phù hợp để áp dụng cho hoạt động ngân hàng Sử dụng chƣơng trình Rapidminer để chạy mơ hình kết định thuật tốn có xếp hạng độ xác cao Với kết này, định đạt kết cao dễ sử dụng giúp nhân viên đánh giá rủi ro khách hàng trƣớc cho vay, giúp ngân hàng đƣa định nhanh hơn, hạn chế nhiều rủi ro dựa đánh giá chủ quan nhân viên v ABSTRACT This is a master thesis of Nguyen Hong Nam graduates In this thesis, I propose a research model, decision tree algorithms, to analyze the risk of individual customers at the bank The subject is based on credit risk research, data mining and machine learning The data applied to this topic is the loan customer data extracted from the customer's loan history at the bank The project uses algorithms such as Decision Trees, Naive Bayes, Logistic regression and SVM to run models and compare results After obtaining the data, the model will evaluate and propose the apporopriate model for banking operations The Rapidminer program and the resulting decision tree are the most accurat rating methods With this result, the decision tree algorithms with the hightest accuracy and easy to use can help banker analyze customer risks before lending, help banks make decisions faster and limit many potential risks based on employees’s personal opinions vi MỤC LỤC CƠNG TRÌNH ĐƢỢC HỒN THÀNH TẠI ii NHIỆM VỤ LUẬN VĂN THẠC SĨ iii LỜI CẢM ƠN iv TÓM TẮT v ABSTRACT .vi CHƢƠNG 1: GIỚI THIỆU ĐỀ TÀI 1- Tính cấp thiết lý chọn đề tài .1 2- Mục tiêu nghiên cứu 3- Đối tƣợng phạm vi nghiên cứu 4- 5- 3.1 Đối tƣợng nghiên cứu .2 3.2 Phạm vi nghiên cứu Ý nghĩa khoa học thực tiễn đề tài 4.1 Ý nghĩa thực tiễn .2 4.2 Ý nghĩa nghiên cứu Thử thách, khó khăn giới hạn đề tài thực CHƢƠNG 2: CƠ SỞ LÝ THUYẾT I- Lý thuyết rủi ro tín dụng 1- Khái niệm rủi ro tín dụng 2- Phân loại rủi ro tín dụng II- Kiến thức học máy thuật toán 1- Học có giám sát (supervised learning) 2- Học không giám sát (unsupervised learning) III- Phân tích thực trạng 1- Giới thiệu ngân hàng Agribank Việt Nam vii 2- Thực trạng Agribank Chi nhánh .7 3- Các quy định liên quan đến phịng, ngừa rủi ro tín dụng Việt Nam 4- Đặc điểm tín dụng cá nhân Agribank Chi nhánh .9 a- Về nghiệp vụ tín dụng: b- Quy trình cho vay tín dụng 10 c- Về việc cấp tín dụng khách hàng: 11 d- Về sách, quy định ngân hàng 11 e- Về cán tín dụng .11 f- Về xử lý nợ xấu tín dụng: 12 CHƢƠNG 3: CÁC NỘI DUNG NGHIÊN CỨU .13 1- Nghiên cứu rủi ro tín dụng 13 2- Nghiên cứu mô hình rủi ro tín dụng 14 CHƢƠNG 4: GIẢI PHÁP THỰC HIỆN 22 1- Đề xuất giải pháp 22 2- Mơ hình quản lý rủi ro tín dụng 22 3- Phân tích mơ hình 22 CHƢƠNG 5: THÍ NGHIỆM VÀ KẾT QUẢ 29 1- Chuẩn bị liệu 29 2- Nhận xét kết mơ hình 30 Mơ hình định Decision Tree 33 Trực quan hoá định 34 CHƢƠNG 6: KẾT LUẬN 37 1- Đóng góp đề tài .37 2- Đề xuất 38 viii 3- Hạn chế: .38 4- Hƣớng phát triển mở rộng nghiên cứu 38 TÀI LIỆU THAM KHẢO 39 PHỤC LỤC THÍ NGHIỆM MƠ HÌNH 41 Thực thi kiểm tra mơ hình 41 Bƣớc 1: Tải liệu 41 Bƣớc 2: Chọn tác vụ Select Task 43 Bƣớc 3: Chuẩn bị mục tiêu 44 Bƣớc 4: Lựa chọn đầu vào 44 Bƣớc 5: Lựa chọn loại mơ hình áp dụng 45 Bƣớc 6: Kết chạy mơ hình 45 LÝ LỊCH TRÍCH NGANG .46 ix DANH MỤC HÌNH ẢNH VÀ BẢNG BIỂU HÌNH 1: MƠ TẢ CÁC THÀNH PHẦN CỦA HỌC MÁY HÌNH 2: MƠ HÌNH QUẢN TRỊ VÀ CƠ CẤU BỘ MÁY QUẢN LÝ HÌNH 3: TỶ LỆ TRÍCH LẬP DỰ PHÕNG RỦI RO TÍN DỤNG HÌNH 4: MƠ HÌNH RỦI RO TÍN DỤNG 14 HÌNH 5: CÁC YẾU TỐ ẢNH HƢỞNG TÍN DỤNG 16 HÌNH 6: BẢNG MƠ TẢ THUỘC TÍNH DỮ LIỆU 18 HÌNH 7: BẢNG MƠ TẢ THUỘC TÍNH DỮ LIỆU 20 HÌNH 8: BẢNG MƠ TẢ THUỘC TÍNH DỮ LIỆU 21 HÌNH 9: CÁC MỤC ĐÍCH VAY VỐN CỦA KHÁCH HÀNG CÁ NHÂN 25 HÌNH 10: BẢNG MƠ TẢ THUỘC TÍNH DỮ LIỆU 26 HÌNH 11: BẢNG MƠ TẢ THUỘC TÍNH DỮ LIỆU 29 HÌNH 12: BẢNG SO SÁNH KẾT QUẢ MƠ HÌNH 29 HÌNH 13: BẢNG KẾT QUẢ CHI TIẾT MƠ HÌNH 30 HÌNH 14: BIỂU ĐỒ SO SÁNH CÁC MƠ HÌNH 30 HÌNH 15: MA TRẬN CONFUSION MATRIX CỦA MƠ HÌNH DECISION TREE 31 HÌNH 16: MA TRẬN CONFUSION MATRIX CỦA MƠ HÌNH LOGISTIC REGRESSION 31 HÌNH 17: MA TRẬN CONFUSION MATRIX CỦA MƠ HÌNH NẠVE BAYES 31 HÌNH 18: MA TRẬN CONFUSION MATRIX CỦA MƠ HÌNH SVM 31 HÌNH 19: MA TRẬN CONFUSION MATRIX 32 HÌNH 20: SO SÁNH Ý NGHĨA MA TRẬN CONFUSION MATRIX 32 HÌNH 21: TRỰC QUAN HỐ CÂY QUYẾT ĐỊNH 34 HÌNH 22: TẬP DỮ LIỆU TRAINING 34 HÌNH 23: TẬP DỮ LIỆU DỰ ĐOÁN 35 HÌNH 24: MA TRẬN CONFUSION MATRIX CỦA CÂY QUYẾT ĐỊNH 35 HÌNH 25: BIỂU ĐỒ TƢƠNG TÁC CÁC THUỘC TÍNH 36 HÌNH 26: QUÁ TRÌNH TẢI DỮ LIỆU 41 x Bad Good Pre Bad True Negatives (TN) False Positives (FP) Pre Good False Negatives (FN) True Positives (TP) Hình 19 : Ma trận Confusion Matrix Nhận xét đánh giá True Positive, True Negative, False Positive, False Negative: True Positive (TP) phân loại rủi ro tín dụng tốt tốt True Negative (TN) phân loại rủi ro tín dụng xấu xấu False Positive (FP) phân loại rủi ro tín dụng xấu tốt False Negative (FN) phân loại rủi ro tín dụng tốt xấu Decision Tree Logistic Regression Naïve Bayes SVM 401 395 390 403 14 12 50 48 42 54 Hình 20 : So sánh ý nghĩa ma trận Confusion Matrix 10 Kết mơ hình cho thấy thuật tốn SVM, Nạve Bayes, Logistic Regression cho kết cao so với Decision Tree Tuy nhiên với kết đạt đƣợc mơ hình áp dụng mơ hình Decision Tree cho kết cao nhất, gần gũi, đơn giản, trực quan dễ hiểu với ngƣời dùng 32 Dựa kết mơ hình theo ý kiến chun gia mơ hình đề xuất áp dụng cho thuật toán Decision Tree phù hợp với yêu cầu tác nghiệp chuyên môn nhân viên tín dụng ngƣời quan hệ khách hàng ngân hàng việc đánh giá rủi ro khách hàng cá nhân Thuật tốn Decision Tree gần gũi đƣợc áp dụng lĩnh vực ngân hàng để đánh giá rủi ro tín dụng khách hàng cá nhân Mơ hình định Decision Tree Nhom > 3.500 | sotienvay > 1.150.000.000 | | Nhom > 4.500 | | | gioitinh = Female: Bad {Bad=4, Good=0} | | | gioitinh = Male | | | | sotienvay > 2.029.000.000 | | | | | Tuoi > 66: Bad {Bad=2, Good=0} | | | | | Tuoi ≤ 66: Good {Bad=0, Good=2} | | | | sotienvay ≤ 2.029.000.000: Bad {Bad=2, Good=0} | | Nhom ≤ 4.500: Bad {Bad=10, Good=0} | sotienvay ≤ 1.150.000.000 | | Tuoi > 62: Bad {Bad=2, Good=0} | | Tuoi ≤ 62 | | | Nhom > 4.500 | | | | thoihanvay = nganhan | | | | | sotienvay > 150.000.000: Good {Bad=2, Good=9} | | | | | sotienvay ≤ 150.000.000: Bad {Bad=2, Good=0} | | | | thoihanvay = trunghan: Bad {Bad=2, Good=1} | | | Nhom ≤ 4.500: Good {Bad=0, Good=5} Nhom ≤ 3.500 | Nhom > 1.500 | | Thu nhap > 75.000.000: Bad {Bad=2, Good=0} | | Thu nhap ≤ 75.000.000 | | | sotienvay > 4.250.000.000: Good {Bad=0, Good=2} | | | sotienvay ≤ 4.250.000.000 | | | | sotienvay > 3.050.000.000: Bad {Bad=4, Good=1} | | | | sotienvay ≤ 3.050.000.000: Good {Bad=32, Good=66} | Nhom ≤ 1.500: Good {Bad=96, Good=1197} 33 Trực quan hoá định Hình 21 : Trực quan hố định 11 Hình 22 : Tập liệu training 12 Dữ liệu training data 962 dòng tƣơng đƣơng 60% tập liệu 1603 dòng 34 Hình 23 : Tập liệu dự đốn 13 Dữ liệu dự đốn 641 dịng chiếm 40% tập liệu 1603 dịng Thơng tin hiệu suất đạt 88,6% Hình 24 : Ma trận Confusion Matrix định 14 True Positive (TP) phân loại rủi ro tín dụng tốt tốt 401 True Negative (TN) phân loại rủi ro tín dụng xấu xấu False Positive (FP) phân loại rủi ro tín dụng xấu tốt False Negative (FN) phân loại rủi ro tín dụng tốt xấu 50 Độ xác mơ hình Accuracy: 88.6% +/- 1.49% Classification_error: 11.38% +/- 1.49% Precision: 88.91% +/- 1.62% Recall: 99.51% +/- 0.68% F measure: 93.9% +/- 0.88% Sensitivity: 99.51% +/- 0.68% Specificity: 6.74% +/- 6.68% 35 Nhận xét kết đề xuất áp dụng thực tế ngân hàng: Với kết liệu thử nghiệm sau dự đốn mơ hình rủi ro tín dụng cho thấy hiệu suất mơ hình đƣợc dự đốn Sau mơ hình đƣợc thực hiện, điểm tốt mơ hình 88.6% Kết sở để đánh giá định áp dụng cho tốn đánh giá rủi ro tín dụng ngân hàng, giúp ngƣời quản lý khoản vay, ngƣời thẩm định, ngƣời kiểm sốt, ngƣời phê duyệt có sở đánh giá khách hàng hỗ trợ định khách hàng có đƣợc vay hay khơng Ngồi ra, ứng dụng rapid miner áp dụng cho ngƣời sử dụng trực quan hố mơ hình, giúp nhân viên tín dụng tƣơng tác thuộc tính để đánh giá rủi ro tốt xấu Hình 25 : Biểu đồ tương tác thuộc tính 15 Màn hình giúp cho ngƣời quản lý khoản vay tƣơng tác thuộc tính để trực quan hố kết quả, có sở đánh giá thống kê khách hàng tốt xấu ngân hàng 36 CHƢƠNG 6: KẾT LUẬN 1- Đóng góp đề tài Rủi ro tín dụng ngân hàng ln đóng vai trị quan trọng Quản lý rủi ro tốt đồng nghĩa với việc hoạt động kinh doanh có lợi nhuận, hiệu hoạt động ngân hàng Nghiên cứu quản lý rủi ro tín dụng khách hàng cá nhân, áp dụng thuật tốn định thời gian tới cho ngƣời quản lý tín dụng ngân hàng Ngƣời quản lý tín dụng ngồi kiến thức chun mơn cịn có thêm ứng dụng đánh giá rủi ro tín dụng khách hàng Đây công cụ hỗ trợ công tác định việc định khách hàng vay vốn ngân hàng Đóng góp quan trọng phần thí nghiệm đánh giá kết qua áp dụng thuật tốn học máy nhƣ Decision Tree, SVM, Nạve Bayes, Logistic Regression áp dụng đánh giá rủi ro Tập liệu đƣợc trích suất từ năm 2015 đến 2019 với 1603 dịng liệu thuộc tính Qua kết thí nghiệm, thuật tốn Decision Tree đạt kết cao 88,6%, Nạve Bayes, SVM có kết 88,2%, cuối Logistic Regression đạt 88% Với kết Decision Tree đạt đƣợc cao mơ hình đơn giản dễ hiểu phù hợp với yêu cầu thực tế ngân hàng, giúp ngƣời quản lý xem trực quan đánh giá khách hàng vay tín dụng đƣợc thuận lợi Đối với cơng tác chuyên môn, trƣớc ngƣời quản lý khoản vay cho vay chƣa có cơng cụ để theo dõi đánh giá rủi ro tín dụng khách hàng Với mơ hình định giúp cho ngƣời quan hệ cho vay, ngƣời thẩm định, ngƣời kiểm sốt, ngƣời định có sở đánh giá rủi ro tín dụng khách hàng vay vốn tín dụng ngân hàng Giúp ngân hàng, ngƣời quản lý khoản vay tiết kiệm đƣợc thời gian, chi phí hỗ trợ hoạt động kinh doanh hiệu Trên sở đó, việc đánh giá rủi ro tín dụng khách hàng cá nhân giúp cho ngân hàng biết đƣợc tình trạng tín dụng ngân hàng Từ đó, ngân hàng có định hƣớng chiến lƣợc phát triển tốt hơn, tín dụng tốt 37 2- Đề xuất Ứng dụng định hỗ trợ đƣợc ngƣời quan hệ cho vay, ngƣời thẩm định, ngƣời kiểm soát, ngƣời định tham khảo trƣớc định cho khách hàng vay tín dụng cá nhân ngân hàng 3- Hạn chế: Mặc dù kết thí nghiệm tập liệu với mơ hình với độ xác tƣơng đối cao Tuy nhiên để kết nghiên cứu đƣợc xác cần bổ sung thêm liệu kiểm tra tập liệu cần phải cân Thực thí nghiệm thuật tốn SVM, Nạve Bayes, Decision Tree, Logistic Regression cách thay đổi tham số mơ hình để thử nghiệm để phát triển tiếp từ áp dụng thực tế ngân hàng Với mơ hình định cho đƣợc kết cao trực quan gần gũi giúp đánh giá rủi ro khách hàng nhƣng có hạn chế chƣa giúp ngƣời sử dụng tƣơng tác với thuộc tính để có sở đánh giá thêm yếu tố ảnh hƣởng đến rủi ro tín dụng khách hàng 4- Hƣớng phát triển mở rộng nghiên cứu Áp dụng thuật tốn machine learning khơng giám sát để áp dụng cho toán với dự báo rủi ro tín dụng giúp cho ngân hàng phát rủi ro tiềm ẩn khách hàng vay vốn phân loại khách hàng Tập liệu cần bổ sung thêm thuộc tính, cân hơn, từ có sở đánh giá kết xác Nghiên cứu đề xuất thời gian đến áp dụng định trực quan tƣơng tác (Interactive Visual Decision Tree - IVDT) để áp dụng thực tế vào nghiệp vụ ngày ngƣời quản lý tín dụng ngân hàng Với định trực quan giúp cho nhân viên ngân hàng áp dụng chuyên môn kinh nghiệm để phân chia tùy chỉnh nút hiệu so với định 38 TÀI LIỆU THAM KHẢO [1] Adnan Khashman, “Neural networks for credit risk evaluation: Investigation of different neural models and learning schemes”, 2010 [2] Archana Gahlaut, Tushar, Prince Kumar Singh, “Prediction analysis of risky credit using Data mining classification models”, 2017 [3] Lingxiao Tang, Fei Cai, Yao Ouyang, “Applying a nonparametric random forest algorithm to assess the credit risk of the energy industry in China”, 2017 [4] Seema Purohit, Anjali Kulkarni, “Credit evaluation model of loan proposals for Indian Banks”, 2011 [5] Amir E.Khandani, Adlar J.Kim, Andrew W.Lo, “Consumer credit-risk models via machine-learning algorithms”, 2010 [6] Jochen Kruppa, Alexandra Schwarz, Gerhard Arminger, Andreas Ziegler, “Consumer credit risk Individual probability estimaes using machine learning”, 2013 [7] Regina Esi Turkson, Edward Yeallakuor Baagyere, Gideon Evans Wenya, “A machine learning approach for predicting bank credit worthniess”, 2016 [8] Cheng-Lung Huang, Mu-Chen Chen, Chieh-Jen Wang, “Credit scoring with a data mining approach based on support vector machines”, 2006 [9] Amira Kamil Ibrahim Hassan, Ajith Abraham, “Modeling consumer loan default prediction using ensemble neural network”, 2013 [10] Ngân hàng nhà nƣớc, “Theo thông 02 Quy định phân loại tài sản có, mức trích, phƣơng pháp trích lập dự phòng rủi ro việc sử dụng dự phòng để xử lý rủi ro hoạt động tổ chức tín dụng, chi nhánh ngân hàng nƣớc ngồi”, 2013 [11] Joel Bessis, “Quản trị rủi ro ngân hàng”, 2011 [12] Hans Hofmann, UCI Machine Learning Repository (https://archive.ics.uci.edu/ml/datasets/statlog+(german+credit+data)) [13] Souvav Kumar, Amit Kumar Goel, “Prediction of Loan Approved using Machine Learning Technique”, 2020 [14] Nabila Hamdown, Khalid Rguibi, “Impact of AI and Machine Learning on Financial Industry: Application on Moroccan Credit Risk Scoring”, 2019 39 [15] Pidikiti Supriya, Myneedi Pavani, Nagarapu Saisushma, Namburi Vimana Kumari, K Vikas, “Loan Prediction by using Machine Learning Models”, 2019 [16] Varsha Aithal, Roshan David Jathanna, “Credit Risk Assessment using Machine Learning”, 2019 [17] Tran Khanh Dang, Tran Tri Dang, Truong-Giang Nguyen Le, “Interactive Visual Decision Tree for Developing Detection Rules of Attacks on Web Applications”, 2018 [18] Bao Wang, Yue Kong, Yongtao Zang, Dapeng Liu, “Intergration of Unsupervised and Supervised Machine Learning Algorithms for Credit Risk Assessment”, 2019 [19] Lê Thị Yến Nhuy, “Hệ thống nhận diện rủi ro tín dụng thẻ”, 2016 [20] Vũ Hữu Tiệp, “Machine Learning bản”, 2016 [21] Giới thiệu ngân hàng Agribank Việt Nam (https://www.agribank.com.vn/vn/ve-agribank/gioi-thieu-agribank) [22] Principles for the management of credit risk, “Basel Committee on Banking Supervision”, 2000 40 PHỤC LỤC THÍ NGHIỆM MƠ HÌNH Thực thi kiểm tra mơ hình Áp dụng chƣơng trình Rapidminer studio 9.7.1 để thực trình huấn luyện kiểm tra Rapidminer ứng dụng phù hợp với thuật tốn ứng dụng mơ hình cho tốn Rapidminer kiểm tra thơng tin liệu, hỗ trợ xố giá trị khơng có giá trị, khơng sử dụng, xếp ánh xạ giá trị theo thứ tự abc, giúp ta chọn cột làm giá trị mục tiêu để thực chạy liệu Bƣớc 1: Tải liệu Đầu tiên, ta mở ứng dụng Rapidminer, chọn New, chọn tải liệu file excel file chứa liệu cần phân tích Hình 26 : Q trình tải liệu Chƣơng trình kiểm tra thuộc tính liệu, hỗ trợ thay lỗi giá trị Sau chƣơng trình cho xem lại liệu, thống kê thuộc tính trực quan hố liệu 41 Hình 27 : Kiểm tra thống kê thuộc tính Hình 28 : Tương quan thuộc tính 42 Bảng đồ hiển thị tƣơng quan thuộc tính tuổi, số tiền vay tình trạng Hình 29 : Tương quan thuộc tính thu nhập giới tính Bƣớc 2: Chọn tác vụ Select Task Hình 30 : Quá trình thực thi tác vụ Select Task 0.5 Chọn Predict để hỗ trợ dự đoán, chọn cột “tinhtrang” để thực dự đoán 43 Bƣớc 3: Chuẩn bị mục tiêu Hình 31 : Thống kê thuộc tính tình trạng Hiển thị thơng tin tình trạng Good Bad cột mục tiêu Bƣớc 4: Lựa chọn đầu vào Hình 32 : Lựa chọn thuộc tính đầu vào Hiển thị thơng tin thuộc tính tỷ lệ phần trăm tƣơng quan, độ ổn định, phần trăm lỗi thuộc tính Chọn tất thuộc tính 44 Bƣớc 5: Lựa chọn loại mơ hình áp dụng Hình 33 : Chọn thuật tốn thực chạy mơ hình Hiển thị thuật tốn cần áp dụng để chạy mơ hình Ta chọn thuật tốn Nạve Bayes, Logistic Regression, Decision Tree, SVM để áp dụng cho toán Bƣớc 6: Kết chạy mơ hình Hình 34 : Kết chạy mơ hình 45 LÝ LỊCH TRÍCH NGANG Họ tên: Nguyễn Hồng Nam Ngày, tháng, năm sinh: 23/01/1982 Nơi sinh: Đồng Nai Địa liên lạc: 57/61 Trần Nhân Tôn, Phƣờng 9, Quận 5, TPHCM Thƣ điện tử: nam0123@gmail.com QUÁ TRÌNH ĐÀO TẠO: Từ năm 2000 – 2003: sinh viên ngành Tin học, Trƣờng Đại học Công Nghệ Sài Gòn Từ năm 2005 – 2007: sinh viên ngành Tin học, Trƣờng Đại học Cơng nghệ Sài Gịn Từ năm 2016 – nay: học viên cao học ngành Hệ thống thông tin quản lý, Trƣờng Đại học Bách Khoa Tp HCM Q TRÌNH CƠNG TÁC: Từ năm 2003 – 2005: nhân viên Công ty Xây dựng số Từ năm 2008 – 2018: nhân viên điện toán Agribank Chi nhánh Từ năm 2018 – nay: Phó phịng Kế tốn Ngân quỹ Agribank Chi nhánh 46 ... TÀI: RỦI RO TÍN DỤNG ĐỐI VỚI KHÁCH HÀNG VAY CÁ NHÂN TẠI NGÂN HÀNG II NHIỆM VỤ VÀ NỘI DUNG: - Tìm hiểu rủi ro tín dụng khách hàng cá nhân ngân hàng - Nghiên cứu rủi ro tín dụng đề xuất áp dụng. .. giúp ngân hàng đánh giá rủi ro tín dụng khách hàng hỗ trợ ngân hàng định trƣớc cho khách hàng vay tín dụng ngân hàng 2- Mục tiêu nghiên cứu Phân tích đánh giá rủi ro tín dụng khách hàng cá nhân vay. .. điểm khách hàng Rủi ro tín dụng khách hàng vay cá nhân sử dụng thuật toán khai phá hiệu học máy giúp đánh giá rủi ro tín dụng giúp đƣa định tín dụng nhanh chóng, linh hoạt, giảm rủi ro cho vay Các