Xây dựng hệ trợ giúp đánh giá xếp hạng rủi ro tín dụng khách hàng doanh nghiệp

Xây dựng hệ trợ giúp đánh giá xếp hạng rủi ro tín dụng khách hàng doanh nghiệp Xây dựng hệ trợ giúp đánh giá xếp hạng rủi ro tín dụng khách hàng doanh nghiệp Xây dựng hệ trợ giúp đánh giá xếp hạng rủi ro tín dụng khách hàng doanh nghiệp luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Xây dựng hệ trợ giúp đánh giá xếp hạng rủi ro tín dụng khách hàng doanh nghiệp HÀ NGỌC BẮC Ngành Kỹ thuật phần mềm hệ thống thông tin Giảng viên hướng dẫn: PGS TS Phạm Văn Hải Chữ ký GVHD Viện: Công nghệ thông tin truyền thông HÀ NỘI, 6/2020 LỜI CAM ĐOAN Những kiến thức trình bày luận văn tơi tìm hiểu, nghiên cứu trình bày theo kiến thức tổng hợp cá nhân Kết nghiên cứu luận văn chưa công bố cơng trình khác Trong q trình làm luận văn, tơi có tham khảo tài liệu có liên quan ghi rõ nguồn tài liệu tham khảo Tơi xin cam đoan cơng trình nghiên cứu không chép Tơi xin chịu hồn tồn trách nhiệm, sai, tơi xin chịu hình thức kỷ luật theo quy định Hà Nội, ngày 05 tháng 06 năm 2020 Học viên Lời cảm ơn Để hoàn thành luận văn này, nhận nhiều động viên, giúp đỡ bạn bè người thân Trước tiên, tơi xin bày tỏ lịng biết ơn sâu sắc tới PGS.TS.Phạm Văn Hải, giảng viên Viện công nghệ thông tin - Trường Đại học Bách khoa Hà Nội nhiệt tình hướng dẫn, tạo điều kiện thuận lợi cho tơi nghiên cứu khoa học, giúp tơi hồn thành luận văn cách tốt Cuối xin gửi lời cám ơn đến gia đình, bạn bè, người bên tôi, động viên khuyến khích tơi q trình thực đề tài nghiên cứu Tóm tắt nội dung luận văn Hiện nay, hầu hết NHTM Việt nam thường sử dụng phương pháp cho điểm để đánh giá xếp hạng rủi ro tín dụng khách hàng Điều dẫn tới khách hàng lại có nhiều kết đánh giá khác cán tổ chức Xây dựng hệ trợ giúp đánh giá xếp hạng rủi ro tín dụng khách hàng doanh nghiệp dựa mơ hình hồi quy logistic với thực nghiệm đánh giá có kết đạt được: đưa mơ hình giải tốn; xây dựng cơng thức tốn học mơ hình tính xác suất rủi ro không trả nợ khách hàng doanh nghiệp; xây dựng hệ thống phần mềm hỗ trợ tính xếp hạng rủi ro tín dụng khách hàng doanh nghiệp dựa mơ hình thực nghiệm xây dựng Luận văn nghiên cứu áp dụng mơ hình phân tích định lượng hồi quy logistic dự đốn xác suất vỡ nợ khách hàng xây dựng hệ thống trợ giúp hỗ trợ đánh giá rủi ro tín dụng khách hàng doanh nghiệp Luận văn sử dụng hệ thống thực nghiệm xây dựng để đánh giá xếp hạng rủi ro tín dụng với doanh nghiệp có báo cáo tài cơng bố thị trường chứng khoán Kết hệ thống đánh giá phù hợp với trạng sức khỏe doanh nghiệp Trong tương lai, luận văn xây dựng mơ hình thực nghiệm nhiều biến số tài liệu khác để lựa chọn mơ hình tối ưu mở rộng đối tượng khách hàng áp dụng chấm điểm.HỌC VIÊN Ký ghi rõ họ tên MỤC LỤC MỞ ĐẦU CHƯƠNG TỔNG QUAN CƠ SỞ LÝ THUYẾT 1.1 1.2 1.3 Rủi ro tín dụng 1.1.1 Khái niệm rủi ro tín dụng 1.1.2 Nguyên nhân rủi ro tín dụng 1.1.3 Các tiêu phản ánh rủi ro tín dụng Xếp hạng tín dụng 1.2.1 Định nghĩa xếp hạng tín dụng 1.2.2 Vai trị xếp hạng tín dụng 1.2.3 Quy trình tín dụng Các mơ hình xếp hạng tín dụng 10 1.3.1 Các mơ hình phân tích định lượng xếp hạng rủi ro tín dụng 10 1.3.2 Lý lựa chọn mơ hình hồi quy logistic 12 1.4 Giới thiệu hệ trợ giúp định đánh giá xếp hạng rủi ro tín dụng khách hàng doanh nghiệp 14 CHƯƠNG MƠ HÌNH HỒI QUY LOGISTIC TRONG ĐÁNH GIÁ XẾP HẠNG TÍN DỤNG KHÁCH HÀNG 16 2.1 2.2 2.3 2.4 Giới thiệu mơ hình hồi quy logistic 16 2.1.1 Xác suất không trả nợ 16 2.1.2 Mơ hình hồi quy logistic phân loại khách hàng 17 2.1.3 Xác định tham số mơ hình hồi quy logistic 18 Dữ liệu biến sử dụng 19 2.2.1 Dữ liệu sử dụng 19 2.2.2 Các biến sử dụng xây dựng mơ hình 19 Chuẩn hóa liệu 22 2.3.1 Xác định điểm giới hạn 22 2.3.2 Chuẩn hóa liệu 23 Đánh giá mơ hình 25 2.4.1 Đường cong tích lũy tỷ lệ phân loại xác 25 2.4.2 Mức ý nghĩa thống kê 26 2.4.3 Hệ số tương quan 26 2.4.4 Person chi-square, χ2 27 2.4.5 Residual Deviance, G2 27 2.4.6 Mean Squared Error 28 2.4.7 Tỷ lệ dự đoán 28 2.4.8 Hệ số xác định bội R2 29 CHƯƠNG GIẢI PHÁP ĐÁNH GIÁ RỦI RO TÍN DỤNG DỰA TRÊN MƠ HÌNH HỒI QUY LOGISTIC 30 3.1 Phát biểu toán 30 3.2 Xây dựng hệ trợ giúp đánh giá rủi ro tín dụng 30 Bước 1: Thu thập liệu xây dựng mơ hình 33 Bước 2: Tính tốn biến 33 Bước 3: Chuẩn hóa biến để xây dựng mơ hình 33 Bước 4: Xây dựng mơ hình 35 Bước 5: Đánh giá độ phù hợp mơ hình 37 Bước 6: Xác định cơng thức mơ hình 38 Bước 7: Thu thập liệu khách hàng cần đánh giá 38 Bước 8: Tính tốn biến 39 Bước 9: Chuẩn hóa biến để tính PD 39 Bước 10: Tính xác suất vỡ nợ 39 Bước 11: Xác định kết xếp hạng khách hàng 40 3.3 Ví dụ minh họa 41 3.4 Thực nghiệm 47 3.4.1 Thu thập liệu tính tốn biến 47 3.4.2 Giả định phương pháp thực nghiệm 50 3.4.3 Kết thực nghiệm 50 3.4.4 Đánh giá hiệu chuẩn hóa liệu 63 CHƯƠNG THỰC NGHIỆM VÀ ĐÁNH GIÁ 65 4.1 Thiết kế hệ thống 65 4.2 Biểu đồ ca sử dụng (use-case) 67 4.3 4.2.1 Biểu đồ ca sử dụng tổng quan 67 4.2.2 Các tác nhân 68 4.2.3 Biểu đồ phân rã chức 69 4.2.4 Đặc tả số ca sử dụng 71 Biểu đồ hoạt động (Activity) 73 4.3.1 Nhập tham số hệ thống 74 4.4 4.5 4.3.2 Nhập danh sách người dùng 75 4.3.3 Nhập ghi tài 76 4.3.4 Xếp hạng rủi ro khách hàng 77 Thiết kế hệ thống 79 4.4.1 Biểu đồ lớp 79 4.4.2 Thiết kế sở liệu 80 Đánh giá hệ thống trợ giúp 80 4.5.1 Sử dụng hệ thống trợ giúp đánh giá xếp loại doanh nghiệp niêm yết TTCK 81 4.5.2 So sánh kết đánh giá với mơ hình xếp hạng khác 85 CHƯƠNG KẾT LUẬN 87 5.1 Kết luận chung 87 5.2 Kết đạt 87 5.3 Định hướng 88 TÀI LIỆU THAM KHẢO 89 PHỤ LỤC 93 DANH MỤC HÌNH VẼ Hình 1.1: Ngun nhân dẫn tới rủi ro tín dụng Hình 1.2: Sơ đồ tổng quan quy trình tín dụng Hình 1.3: Sơ đồ nguyên lý hoạt động hệ trợ giúp xếp hạng rủi ro tín dụng 15 Hình 2.1: Mối liên hệ X, p logit(p) 18 Hình 2.2: Biểu đồ thể phân chia miền giá trị 22 Hình 2.3: Đồ thị liệu sau chuẩn hóa sigmoid 23 Hình 2.4: Biểu đồ minh họa liệu trước sau chuẩn hóa 25 Hình 2.5: Minh hoạt đường cong tích lũy 25 Hình 2.6: Minh họa mức ý nghĩa thống kê 26 Hình 3.1: Mơ hình Flowchart giải toán 31 Hình 3.2: Mơ hình kiến trúc hệ thống 32 Hình 3.3: Biểu đồ biến đổi Chi-Square mơ hình 59 Hình 3.4: Biểu đồ biến đổi MSE qua mơ hình 60 Hình 3.5: Biểu đồ biến đổi AR qua mơ hình 60 Hình 3.6: Biểu đồ số lượng biến sử dụng qua mơ hình 60 Hình 4.1: Sơ đồ luồng xử lý hệ thống 65 Hình 4.2: Biểu đồ ca sử dụng tổng quan 68 Hình 4.3: Biểu đồ phân rã chức Quản lý tham số hệ thống 69 Hình 4.4: Biểu đồ phân rã chức Quản lý danh sách người dùng 70 Hình 4.5: Biểu đồ hoạt động 74 Hình 4.6: Biểu đồ hoạt động nhập tham số hệ thống 75 Hình 4.7: Biểu đồ hoạt động nhập danh sách khách hàng 76 Hình 4.8: Biểu đồ hoạt động nhập thơng tin tài khách hàng 77 Hình 4.9: Biểu đồ hoạt động đánh giá xếp hạng khách hàng 78 Hình 4.10: Biểu đồ lớp mô tả cấu trúc hệ thống 79 Hình 4.11: Sơ đồ thiết kế CSDL 80 Hình 4.12: Số liệu tài PVX sau nhập lên hệ thống 82 Hình 4.13: Số liệu tài CVT sau nhập lên hệ thống 83 Hình 4.14: Kết đánh giá xếp hạng PVX 83 Hình 4.15: Kết đánh giá xếp hạng CVT 84 DANH MỤC BẢNG Bảng 2.1: Danh sách biến độc lập 20 Bảng 3.1: Bảng thang hạng chuẩn 40 Bảng 3.2: Ví dụ minh họa liệu thu thập xây dựng mơ hình 41 Bảng 3.3: Ví dụ minh họa danh mục biến độc lập 42 Bảng 3.4: Danh mục biến độc lập cơng thức tính 47 Bảng 3.5: Danh mục tiêu tài cần thu thập 49 Bảng 3.6: Danh sách biến lựa chọn để xây dựng mơ hình 53 Bảng 3.7: Kết kiểm thử mơ hình 61 Bảng 3.8: Hệ số biến mơ hình thực nghiệm 61 Bảng 3.9: Tham số mơ hình thực nghiệm 62 Bảng 4.1: Danh sách tiêu tài hệ thống 65 Bảng 4.2: Danh sách biến sử dụng hệ thống 66 Bảng 4.3: Tham số hệ thống 66 Bảng 4.4: Bảng thang hạng chuẩn hệ thống 66 Bảng 4.5: Số liệu thu thập doanh nghiệp cần đánh giá xếp hạng 81 Bảng 4.6: Bảng tổng hợp kết xếp hạng cho PVX CVT 84 MỞ ĐẦU Lý chọn đề tài Đặc điểm chung ngân hàng thương mại Việt Nam danh mục tín dụng chiếm phần lớn tổng tài sản (từ 60% đến 80% tổng tài sản ngân hàng) [1] [2] Do vậy, xếp hạng tín dụng nhằm đánh giá rủi ro khách hàng ngày trở nên cần thiết quan trọng cơng tác quản lý rủi ro nói chung rủi ro tín dụng nói riêng ngân hàng thương mại Việt Nam Mục đích hệ thống xếp hạng tín dụng nội nhằm đánh giá rủi ro tín dụng ngân hàng, rủi ro khách hàng khơng có khả hoàn trả vốn vay rủi ro ngân hàng phải thực thay nghĩa vụ cam kết bảo lãnh cho khách hàng với bên thứ ba Do đặc điểm cấu trúc, thiết kế vận hành hệ thống xếp hạng tín dụng khác ngân hàng, ví dụ như: xếp hạng tín dụng theo phương pháp cho điểm nhiên cấu tiêu đánh giá, trọng số tiêu,….giữa ngân hàng khác thông tin đầu vào ngân hàng cho kết xếp hạng khác Một khách hàng có đánh giá xếp hạng tốt thường nhận nhiều ưu ngân hàng như: lãi suất tốt, thời hạn vay tốt, trả gốc lãi linh hoạt, Tuy nhiên khách hàng đánh giá xấu khách hàng khó có hội tiếp cận để vay nguồn vốn từ phía ngân hàng, khách hàng vay bị siết chặt hạn mức giải ngân, lãi suất cao hơn, thời hạn vay ngắn hơn,… Thông thường, xét duyệt hồ sơ vay vốn khách hàng, cán tín dụng thường gặp phải sai lầm sau: - Đồng ý cho vay với khách hàng không tốt - Từ chối cho vay với khách hàng tốt Cả hai sai lầm ảnh hưởng tới hoạt động kinh doanh gây thiệt hại cho ngân hàng Thậm chí sai lầm số cịn gây thiệt hại nghiêm trọng làm ảnh hưởng tới uy tín ngân hàng Theo thơng tư số 52/2018/TT-NHNN NHNN có quy định việc tổ chức tín dụng, chi nhánh ngân hàng nước ngồi phải có hệ thống xếp hạng tín dụng nội [5] Tuy nhiên thông tư dừng lại việc chấm điểm tiêu đánh trọng số Đối với hệ thống xếp hạng tín dụng sử dụng phương pháp cho điểm có sai lầm: - Chấm điểm dựa cảm tính, chủ quan cán tín dụng - Cùng khách hàng cho kết đánh giá xếp hạng tín dụng khác cán tín dụng tổ chức/phịng ban Trước thách thức trên, việc có hệ thống trợ giúp đánh giá rủi ro xếp hạng tín dụng khách hàng hồn tồn dựa yếu tố định lượng, khách quan khách hàng cung cấp cán tín dụng xét duyệt hồ sơ cho khách hàng vay vốn vô cần thiết Quan trọng ngân hàng/bên cho vay phát sớm rủi ro không trả nợ khách hàng để có biện pháp ứng phó như: từ chối cho vay, tăng lãi suất để bù cho tổn thất xảy rủi ro khách hàng khơng trả phần tồn nợ Thông thường cho vay khách hàng doanh nghiệp chiếm tỷ trọng cao; khoản vay cho khách hàng doanh nghiệp thường lớn Với đề tài “Xây dựng hệ trợ giúp đánh giá xếp hạng rủi ro tín dụng khách hàng doanh nghiệp" dựa mơ hình hồi quy logistic việc lượng hóa xác suất xảy rủi ro vỡ nợ khách hàng doanh nghiệp luận văn mang lại cho cán tín dụng cơng cụ xếp hạng rủi ro tiềm ẩn khách hàng cách khách quan, trợ thủ đắc lực việc phòng ngừa nợ xấu tiềm ẩn cho ngân hàng Mục tiêu nhiệm vụ nghiên cứu Xây dựng hệ trợ giúp đánh giá xếp hạng rủi ro tín dụng khách hàng doanh nghiệp dựa mơ hình hồi quy logistic với thực nghiệm đánh giá có kết đạt sau:  Đưa mơ hình giải tốn  Xây dựng cơng thức tốn học mơ hình tính xác suất rủi ro khơng trả nợ khách hàng  Xây dựng hệ thống phần mềm hỗ trợ tính xếp hạng rủi ro tín dụng dựa số liệu tiêu tài thu thập từ khách hàng Đối tượng phạm vi nghiên cứu Đối tượng nghiên cứu tập trung vào xây dựng cơng thức tính xác suất xảy 11 TC19 Tốc độ tăng trưởng doanh thu (t/t-1) 12 TC34 Lợi nhuận rịng 13 TC35 Bình qn vốn cổ phần phổ thông 0.59720 1.01183 (509,899) 174,790 4,000,000 366,909 Bước 2: Nhập số liệu tài lên hệ thống Nếu khách hàng PVX CVT chưa có hệ thống thực khai báo thơng tin khách hàng Kết sau nhập số liệu tài PVX lên hệ thống hình 4.20: Hình 4.12: Số liệu tài PVX sau nhập lên hệ thống 82 Kết nhập số liệu tài CVT lên hệ thống hình 4.21: Hình 4.13: Số liệu tài CVT sau nhập lên hệ thống Bước 3: Đánh giá xếp hạng rủi ro cho PVX CVT Sử dụng chức Đánh giá rủi ro tín dụng Khách hàng hệ thống để đánh giá xếp loại Kết đánh hình 4.22 4.23: Xếp hạng PVX: Hình 4.14: Kết đánh giá xếp hạng PVX 83 Xếp hạng CVT Hình 4.15: Kết đánh giá xếp hạng CVT  Nhận xét: Qua đánh giá xếp hạng rủi ro tín dụng hệ thống trợ giúp xếp hạng ta có kết đánh giá xếp hạng bảng 4.6: Bảng 4.6: Bảng tổng hợp kết xếp hạng cho PVX CVT Doanh nghiệp Xếp hạng Ý nghĩa hỗ trợ PVX D Có nguy khơng trả nợ CVT aa Rất an toàn Từ kết đánh giá này, cán tín dụng dễ dàng từ chối cho vay với PVX đồng ý cho vay với CVT Đánh giá tình hình thực tế: PVX: Theo thơng tin từ UBCK nhà nước, PVX làm ăn thua lỗ nhiều năm có nguy hủy niêm yết sàn chứng khoán kể từ ngày 9.6.2020 (nguồn Sở GDCK Hà Nội) Điều cho thấy hệ thống trợ giúp đưa cảnh báo phù hợp khả trả thực tế doanh nghiệp CVT: Công ty đánh giá làm ăn tốt TTCK Cụ thể, thu nhập cổ phiếu năm 2019 đạt 4030 VNĐ/cp (EPS=4030 VNĐ); cổ tức tiền 84 mặt dự kiến chi từ 25-30% số vốn điều lệ Tình hình kinh doanh ngành vật liệu xây dựng năm vừa qua thuận lợi lợi kéo dài năm xu hướng hồi phục thị trường Bất động sản Điều cho thấy kết hỗ trợ đánh giá hệ thống phù hợp tình hình sức khỏe kinh tế doanh nghiệp Quá trình thực nghiệm đánh giá trên, luận văn nhận ý kiến tán thành chuyên gia tài tính xác kết đánh giá Danh sách chuyên gia hỏi xin ý kiến liệt kê theo Phụ lục 4.5.2 So sánh kết đánh giá với mơ hình xếp hạng khác Mơ hình điểm số Altman mơ hình đơn giản thường sử dụng hệ thống xếp hạng tín dụng Z = 6.56X1 + 3.26X2 + 6.72X3 + 1.05X4 Trong đó: X1 = Vốn lưu động / Tổng tài sản (Working Capitals/Total Assets) X2 = Lợi nhuận giữ lại / Tổng tài sản (Retain Earnings/Total Assets) X3 = Lợi nhuận trước lãi vay thuế/Tổng tài sản (EBIT/Total Assets) X4 = Vốn chủ sở hữu/ Tổng nợ (Total Equity/Total Liabilities) Số liệu biến tài doanh nghiệp (PVX CVT) theo báo cáo tài năm 2019 cơng bố sàn chứng khốn sau: Biến Mô tả PVX X1 Vốn lưu động/Tổng tài sản (0.05823) 0.07762 X2 Lợi nhuận giữ lại/tổng tài sản (0.02209) 0.13354 X3 EBIT/Tổng tài sản -0.049503 0.190094046 X4 Vốn chủ sở hữu/Tổng nợ 0.4885891 0.687154699 CVT 85 Nguồn: Báo cáo tài cơng bố Ta tính được: ZPVX = -0.27; ZCVT = 2.94 Căn theo ý nghĩa hỗ trợ điểm số Z ta có: PVX: Doanh nghiệp nằm vùng nguy hiểm, nguy phá sản cao CVT: Doanh nghiệp nằm vùng an toàn, chưa có nguy phá sản Kết luận: Kết dự báo rủi ro phá sản hệ thống trợ giúp luận văn tương đồng với kết dự báo đánh giá xếp hạng mơ hình điểm số Z Altman Điều lần khẳng định, kết xếp loại rủi ro tín dụng hệ thống trợ giúp đáng tin cậy 86 CHƯƠNG KẾT LUẬN 5.1 Kết luận chung Qua trình nghiên cứu thực thi đề tài em có hội tìm hiểu phương pháp đánh giá xếp hạng rủi ro tín dụng khách hàng tổ chức tín dụng Đánh giá xếp hạng tín dụng khách hàng có vai trị vơ quan trọng việc phòng ngừa giảm thiểu rủi ro tín dụng ngân hàng Tuy nhiên, với phương pháp truyền thống chấm điểm tín dụng khách hàng thơng thường dựa phương pháp cho điểm tiêu đánh giá, kết xếp hạng phụ thuộc nhiều vào chủ quan đánh giá cán tín dụng dẫn tới khách hàng có kết đánh giá khác cán đơn vị tổ chức Điều gây nên khó khăn cơng tác quản lý phê duyệt hạn mức cho vay khách hàng Việc nghiên cứu áp dụng đánh giá xếp hạng rủi ro tín dụng khách hàng dựa mơ hình phân tích định lượng khắc phục tính chủ quan đánh giá khách hàng, việc đánh giá trở nên dễ dàng cho kết giống cán đánh giá Đề tài đưa mơ hình phân tích định lượng áp dụng lĩnh vực phân tích/đánh giá rủi ro xếp hạng khách hàng lĩnh vực tài ngân hàng Kết đề tài cho thấy cách xây dựng thực hành áp dụng mơ hình hồi quy logistic toán đánh giá xếp loại rủi ro khách hàng doanh nghiệp quy mơ trung bình ngân hàng Vietcombank Kết luận văn hệ trợ giúp đánh giá xếp hạng rủi ro khách hàng doanh nghiệp quy mơ trung bình hỗ trợ cán tín dụng đánh giá xếp hạng rủi ro cung cấp thông tin khả trả nợ khách hàng Điều giúp cán tín dụng phịng ngừa phát sớm rủi ro không trả nợ khách hàng, giúp ngân hàng giảm thiểu rủi ro nợ xấu tiềm ẩn khách hàng mang lại 5.2 Kết đạt Xuất phát từ nhu cầu thực tiễn, kết hợp với hướng nghiên cứu mơ hình phân tích định lượng hồi quy logistic từ xây dựng hệ trợ giúp đánh giá xếp hạng rủi ro khách hàng doanh nghiệp Luận văn đạt số kết sau: - Tìm hiểu kiến thức tổng quan rủi ro tín dụng, nguyên nhân dẫn tới tới rủi ro tín dụng, xếp hạng tín dụng vai trị xếp hạng tín 87 dụng - Trình bày mơ hình hồi quy logistic đánh giá xếp hạng rủi ro khách hàng - Đề xuất mơ hình giải tốn đánh giá xếp hạng rủi ro tín dụng khách hàng doanh nghiệp - Xây dựng mơ hình hồi quy logistic đánh giá xếp hạng rủi to tín dụng khách hàng doanh nghiệp quy mơ trung bình Sử dụng số ChiSquare, Residual Deviance, MSE, Accuracy Ratio, số lượng biến để đánh giá lựa chọn mơ hình tối ưu - Xây dựng hệ thống trợ giúp hỗ trợ đánh giá xếp hạng rủi ro tín dụng khách hàng dựa mơ hình hồi quy logistic cho khách hàng doanh nghiệp quy mô trung bình xác định 5.3 Định hướng Việc nghiên cứu tiếp tục với số hướng sau: - Tìm kiếm thêm biến tài thử nghiệm nhiều liệu khác để tìm kiếm mơ hình có tỷ lệ dự đoán cao mở rộng phạm vi khách hàng áp dụng chấm điểm - Sử dụng thêm phương pháp đánh giá mơ hình để tăng cường độ xác lựa chọn mơ hình tối ưu - Mong muốn áp dụng rộng rãi mô hình đánh giá xếp hạng tín dụng NHTM Việt nam 88 TÀI LIỆU THAM KHẢO Tiếng Việt: Tạp chí tài (2018), Chuyển dịch cấu tổng tài sản ngân hàng Báo Vietnamnet (2019), Các loại tài sản có ngân hàng PGS.TS Nguyễn Văn Tiến (2010), Quản trị rủi ro kinh doanh ngân hàng Hồ Diệu (2002), Giáo trình Quản trị ngân hàng, NXB Thống kê, Hà Nội Ngân hàng nhà nước (2005), Quy định số 493/2005/QĐ-NHNN phân loại nợ, trích lập sử dụng dự phịng để xử lý rủi ro tín dụng hoạt động ngân hàng tổ chức tín dụng Ngân hàng nhà nước (2016), Thông tư số 41/2016/TT-NHNN quy định tỷ lệ an toàn vốn ngân hàng, chi nhánh ngân hàng nước ngồi Chính phủ (2019), Nghị định số 39/2018/NĐ-CP hướng dẫn luật doanh nghiệp nhỏ vừa Ngân hàng nhà nước (2006), Quyết định việc thực nghiệp vụ phân tích, xếp hạng tín dụng doanh nghiệp Ngân hàng Sài gòn – Hà nội, hướng dẫn chấm điểm xếp hạng tín dụng nội 10 Ngân hàng Vietcombank, Sổ tay tín dụng 11 Ngân hàng BIDV, Quy trình Xếp hạng tín dụng 12 PGS Nguyễn Quang Đông Bài giảng kinh tế lượng NXB Đại học kinh tế quốc dân 13 Võ Văn Tài, Nguyễn Thị Hồng Dân Nghiêm Quang Thường (2017), Đánh giá khả trả nợ vay khách hàng phương pháp phân loại 14 Oliver Wyman, Sổ tay tư vấn xây dựng mơ hình phân tích định lượng 15 Nguyễn Trọng Hồ (2008), Xây dựng mơ hình xếp hạng tín dụng doanh nghiệp Việt Nam kinh tế chuyển đổi 16 Lê Tất Thành, Cẩm nang xếp hạng tín dụng doanh nghiệp 17 TS Trịnh Tuấn Đạt – Viện CNTT & TT – ĐHBK Hà nội, Bài giảng Kiến trúc phần mềm chủ đề nâng cao 18 TS Bùi Thị Mai Anh – Viện CNTT & TT – ĐHBK Hà nội, Bài giảng Mơ hình hóa phân tích phần mềm 19 Nguyễn Văn Tuấn (Garvan Institute of Medical Research, Sydney, Australia), Phân tích số liệu biểu đồ R 89 20 Nguyễn Chí Dũng (2017), Kinh Tế Lượng Ứng Dụng Với R Tiếng Anh: 21 Joel Bessic (2015, Risk Management in Banking 22 Basel Committee on Banking Supervision (2001), Overview of The New Basel Capital Accord 23 TatianaDănescu & RaduMărginean (2015) The Evaluation of the Going Principle through the Altman Pattern - Case Study 24 Altman, 2003 The use of Credit scoring Models and the Importance of a Credit Culture New York University 25 Sufian Radwan Al-Manaseer & Suleiman Daood Al-Oshaibat Validity of Altman Z-Score Model to Predict Financial Failure: Evidence From Jordan 26 Luigi Lombardo & P Martin Mai Presenting logistic regression-based landslide susceptibility results 27 Wei Jiang, Julie Josse, Marc Lavielle, TraumaBase Group Logistic regression with missing covariates - Parameter estimation, model selection and prediction within a joint-modeling framework 28 Hosmer, D W., Lemeshow, S., and Sturdivant, R X (2013), Applied logistic regression, 3rd edition, Jonh Wiley & Son 29 SMARTDrill, Credit Risk Analysis Using Logistic Regression Modeling 30 So Young Sohn Dong Kim Jin Hee Yoon (2016), Technology Credit Scoring Model with Fuzzy Logistic Regression 31 Ghita Bennouna & Mohamed Tkiouat (2018), Fuzzy logic approach applied to credit scoring for microfinance in Morocco 32 Ye Tian, Ziyang Yong, Jian Luo (2018), A new approach for reject inference in credit scoring using kernel-free fuzzy quadratic surface support vector machines 33 Tian-Shyug Lee & Chih-Chou Chiu & Yu-Chao Chou & Chi-Jie Lu (2004), Mining the customer credit using classification and regression tree and multivariate adaptive regression splines 34 Rory P Bunker & M Asif Naeem & Wenjun Zhang, Improving a Credit Scoring Model by Incorporating Bank Statement Derived Features 90 35 Frank E Harrell, Jr.Springer-Verlag, Cham, 2015, Regression Modeling Strategies with Applications to Linear Models, Logistic and Ordinal Regression and Survival Analysis (2nd Edition) 36 Haoting Zhang & Hongliang He & Wenyu Zhang (2018), Classifier selection and clustering with fuzzy assignment in ensemble model for credit scoring 37 Edward N.C Tong & Christophe Mues & Lyn Thomas (2013), A zeroadjusted gamma model for mortgage loan loss given default 38 Rainer Jobst a & Ralf Kellner b & Daniel Rösch (2020), Bayesian loss given default estimation for European sovereign bonds 39 Purificación Parrado-Martínez & Pilar Gómez-Fernández-Aguado & Antonio Partal-Ura (2019), Factors influencing the European bank’s probability of default 40 Jaimilton Carvalhoa & Jaime Orrillob & Fernanda Rocha Gomes da Silva (2014), Probability of default in collateralized credit operations for small business 41 Nabil Iqbal & Syed Afraz Ali (2012), Estimation of Probability of Defaults (PD) for Low-Default Portfolios: An Actuarial Approach 42 Charles Kwofie & Caleb Owusu-Ansah and Caleb Boadi (2015), Predicting the Probability of Loan-Default: An Application of Binary Logistic Regression 43 Susie Thomas - PwC - 18th April 2012, Basel II retail modelling approaches PD Models 44 Xingli Wu & Huchang Liao (2019), Utility-based hybrid fuzzy axiomatic design and its application in supply chain finance decision making with credit risk assessments 45 Hongmei Chena & Yaoxin Xiang (2017), The Study of Credit Scoring Model Based on Group Lasso 46 Daniel Jurafsky & James H Martin (2019), Logistic Regression 47 Wei Jiang a & Julie Josse a & Marc Lavielle a & TraumaBase Group (2019), Logistic regression with missing covariates—Parameter estimation, model selection and prediction within a joint-modeling framework 91 48 Ana M Bianco a & Graciela Boente a & Isabel M Rodrigues (2019), Robust Wald-type methods for testing equality between two populations regression parameters: A comparative study under the logistic model 49 Gujarati (2004), Basic Econometrics, Fourth Edition 50 Swiss Statistics Meeting Geneva, Switzerland October 29th, 2009 The validation of Credit Rating and Scoring Models 92 PHỤ LỤC Phụ lục 1: Bảng thực nghiệm hệ số tương quan biến tài x2 x3 x4 x6 x8 x10 x12 x14 x17 x20 x21 x23 x24 x26 x27 x28 x38 x40 x41 x2 0.00 0.06 0.00 0.01 0.00 0.00 0.00 0.05 0.01 -0.02 0.00 -0.02 0.05 0.02 0.07 -0.02 0.01 0.01 x3 0.00 0.03 0.00 0.00 0.00 0.00 0.00 0.03 0.00 0.00 0.00 0.00 0.02 0.01 0.01 0.00 0.00 0.00 x4 0.06 0.03 0.12 0.09 0.01 0.03 0.00 0.13 0.09 0.13 0.07 0.13 0.11 0.17 0.04 0.21 0.14 0.03 x6 0.00 0.00 0.12 0.98 0.02 0.01 0.00 0.03 0.98 0.08 0.88 0.08 0.00 0.01 0.00 0.10 0.97 0.00 x8 0.01 0.00 0.09 0.98 0.01 0.00 0.00 0.06 1.00 0.07 0.91 0.07 0.01 0.01 0.02 0.09 0.95 0.00 x10 0.00 0.00 0.01 0.02 0.01 0.77 0.26 -0.02 0.01 0.07 0.00 0.07 0.03 0.02 0.01 0.07 0.02 0.00 x12 0.00 0.00 0.03 0.01 0.00 0.77 0.14 -0.02 0.00 0.04 0.01 0.04 0.00 0.00 0.00 0.05 0.01 0.01 x14 0.00 0.00 0.00 0.00 0.00 0.26 0.14 0.02 0.00 -0.01 0.00 -0.01 0.05 0.02 0.13 0.00 0.00 0.03 x17 x20 0.05 0.01 0.03 0.00 0.13 0.09 0.03 0.98 0.06 1.00 -0.02 0.01 -0.02 0.00 0.02 0.00 0.06 0.06 0.02 0.07 0.02 0.91 0.02 0.07 0.38 0.01 0.27 0.01 0.28 0.02 0.04 0.09 0.03 0.95 0.09 0.00 x21 x23 -0.02 0.00 0.00 0.00 0.13 0.07 0.08 0.88 0.07 0.91 0.07 0.00 0.04 0.01 -0.01 0.00 0.02 0.02 0.07 0.91 0.09 0.09 1.00 0.09 0.09 0.00 0.20 0.01 -0.12 -0.01 0.86 0.12 0.08 0.85 0.02 0.00 x24 x26 x27 -0.02 0.05 0.02 0.00 0.02 0.01 0.13 0.11 0.17 0.08 0.00 0.01 0.07 0.01 0.01 0.07 0.03 0.02 0.04 0.00 0.00 -0.01 0.05 0.02 0.02 0.38 0.27 0.07 0.01 0.01 1.00 0.09 0.20 0.09 0.00 0.01 0.09 0.21 0.09 0.61 0.21 0.61 -0.12 0.47 0.18 0.86 0.07 0.19 0.08 0.00 0.01 0.02 0.26 0.16 x28 x38 x40 x41 0.07 -0.02 0.01 0.01 0.01 0.00 0.00 0.00 0.04 0.21 0.14 0.03 0.00 0.10 0.97 0.00 0.02 0.09 0.95 0.00 0.01 0.07 0.02 0.00 0.00 0.05 0.01 0.01 0.13 0.00 0.00 0.03 0.28 0.04 0.03 0.09 0.02 0.09 0.95 0.00 -0.12 0.86 0.08 0.02 -0.01 0.12 0.85 0.00 -0.12 0.86 0.08 0.02 0.47 0.07 0.00 0.26 0.18 0.19 0.01 0.16 -0.17 0.01 0.11 -0.17 0.10 0.03 0.01 0.10 0.00 0.11 0.03 0.00 93 Phục lục 2: Bảng khảo sát ý kiến chuyên gia hệ thống xếp hạng khách hàng STT Đơn vị công tác Họ tên Nhận xét - Phần mềm đánh giá xếp hạng khách hàng sử dụng đơn giản, nhập liệu đầu vào không phức - Lê Minh Cán tín dụng khách hàng DN – Chi nhánh Hà nội – Ngân hàng Vietcombank Kết chấm điểm không phụ thuộc vào cảm tính cho điểm cho cán đánh giá Đây điểm khác biệt so với hệ thống Xếp hạng tín dụng thơng thường - Kết đánh giá từ phần mềm hỗ trợ cán tín dụng nhiều khâu định cấp hạn mức tín dụng cho khách hàng đưa mức lãi suất phù hợp với khách hàng - Phần mềm nên xây dựng chế người nhập-người duyệt ghi chấm điểm để quản lý chặt chẽ Phi Kim Cán thẩm định hồ sơ vay Thị vốn Chi nhánh sở giao dịch – Ngân hàng Vietcombank - Kết xếp hạng doanh nghiệp PVX CVT từ phần mềm phù hợp - Phần mềm cung cấp thông tin gợi ý khả trả nợ khách hàng trực quan Thơng tin có ý nghĩa tham khảo lớn cán thẩm định hồ sơ - Phần mềm nên tách thêm chức đánh giá cho cán thẩm định trường hợp cần điều chỉnh tiêu tài cho phù hợp với tình hình thực tế doanh nghiệp - Thông tin gợi ý hỗ trợ từ hệ thống doanh nghiệp PVX CVT hữu ích phê duyệt thẩm định hồ sơ vay vốn doanh nghiệp 94 - Mặt tích cực Ngân hàng: + Xây dựng hệ thống quy chuẩn định lượng rủi ro theo phân khúc KHCN/KHDN, sở để xác định giới hạn phân quyền cho cấp phê duyệt, điều kiện cho vay sản phẩm tín dụng + Mơ hình giúp định lượng hóa rủi ro liên quan đến ngành/nghề nghiệp/nguồn thu/tài sản KH từ liệu đầu vào số lực tài KH, sở phân loại mức độ rủi ro KH vay vốn để định mức lãi suất/ Nguyễn Thị Thanh Giám đốc phí/ sách ưu đãi cho phân khúc KH DVKH – Hội sở - Mặt tích cực với CBTD: – Ngân + Định hướng tập KH tốt cần phát triển tập KH rủi ro cần hạn chế, hàng SHB rà soát công tác thẩm định xét duyệt cho vay + Dựa tỷ trọng điểm cho cấu phần thông tin, CBTD xác định mức độ quan trọng yếu tố hình thành lên số tài KH để có phân tích, nghiên cứu thẩm định phạm vi chuyên sâu + Từ xếp hạng KH, CBTD đề xuất cấp phê duyệt xét duyệt khoản vay với điều kiện kèm (để hạn chế rủi ro – có), sách giá, phí cụ thể… + Trong trình quản lý sau vay, kết xếp hạng định kỳ KH giúp 95 CBTD có sở để nhận biết dấu hiệu rủi ro lực tài KH suy giảm thị trường có biến động xấu ảnh hưởng đến hoạt động kinh doanh KH - Một số mặt hạn chế: + Mơ hình đo lường hồn tồn giá trị định lượng (chưa tính đến yếu tố định tính kinh nghiệm, mối quan hệ KH ) nên chưa phản ánh hết lực thực KH -> nên hỗ trợ phần công tác đưa định xét duyệt cấp phê duyệt + Hiện BCTC Doanh nghiệp chưa đảm bảo tính minh bạch xác nên số liệu lấy theo BCTC chưa phản ánh tính chất rủi ro KH 96 ... nợ khách hàng xây dựng hệ thống trợ giúp hỗ trợ đánh giá rủi ro tín dụng khách hàng doanh nghiệp Luận văn sử dụng hệ thống thực nghiệm xây dựng để đánh giá xếp hạng rủi ro tín dụng với doanh nghiệp. .. tín dụng khách hàng doanh nghiệp Kết dự kiến - Xác định mơ hình tính xếp hạng rủi ro tín dụng khách hàng doanh nghiệp - Xây dựng phầm mềm trợ giúp hỗ trợ xếp hạng rủi ro tín dụng khách hàng doanh. .. Xây dựng mơ hình hồi quy logistic tham số hệ thống  Xây dựng hệ trợ giúp tính xác suất vỡ nợ dựa mơ hình xây dựng 3.2 Xây dựng hệ trợ giúp đánh giá rủi ro tín dụng Hệ trợ giúp đánh giá rủi ro