Machine Learning và ứng dụng trong xếp hạng tín dụng khách hàng cá nhân tại các Ngân hàng thương mại Việt Nam

Bài viết bàn về 2 trường hợp thể hiện sự bất cập của phần mềm chấm điểm tín dụng hiện tại của các NHTM. Câu hỏi đặt ra là liệu có thể nâng cao độ chính xác trong đánh giá khách hàng không? Làm thế nào để không bỏ lỡ các khách hàng tiềm năng hoặc loại bỏ những khách hàng không thực sự tốt như thể hiện bên ngoài? Mời các bạn cùng tham khảo!

Kỷ yếu HộI THảO KHOA HọC QUốC GIA "CÁCH MạNG CÔNG NGHIệP 4.0 VÀ NHữNG ĐổI MớI TRONG LĨNH VựC TÀI CHÍNH - NGÂN HÀNG" Machine Learning VÀ ỨNG DỤNG TRONG XẾP HẠNG TÍN DỤNG KHÁCH HÀNG CÁ NHÂN TẠI CÁC NGÂN HÀNG THƯƠNG MẠI Việt Nam PGS TS Nguyễn Hữu Tài Trường Đại học Kinh tế Quốc dân NCS ThS Đặng Hương Giang1 Trường Đại học Kinh tế Kỹ Thuật Cơng nghiệp Tóm tắt Hệ thống phần mềm chấm điểm xếp hạng tín dụng (XHTD) khách hàng cá nhân ngân hàng thương mại (NHTM) dừng lại mức đưa liệu, thông tin khách hàng vào hệ thống trả lại kết điểm XHTD khách hỗ trợ cán tín dụng định Tuy nhiên hình thức đánh giá cứng nhắc, mức độ xác cao có sai số định Sẽ khách hàng đến xin vay NH bị từ chối điểm XHTD thấp NH khác cho vay khách hàng tốt, trả nợ hạn? Hay ngược lại, khách hàng có điểm XHTD tốt ngân hàng cho vay sau lại trở thành khoản nợ xấu với ngân hàng Đây trường hợp thể bất cập phần mềm chấm điểm tín dụng NHTM Câu hỏi đặt liệu nâng cao độ xác đánh giá khách hàng không? Làm để không bỏ lỡ khách hàng tiềm loại bỏ khách hàng không thực tốt thể bên ngoài? Hệ thống Machine Learning với tảng Big Data giải vấn đề Từ khóa: Machine Learning, ngân hàng thương mại, xếp hạng tín dụng, Big Data Machine Learning applications in personal credit ratings of Vietnam Commercial Banks Abstract With current credit score software system for individual clients of commercial banks, it is only set up to input data and customer’s information into the system and the returned result is customer’s credit score which help loan officer to make lending decision However, this is a rigid, inflexible evaluation way Although the current system has high accuracy, it still has errors in measurement What happens if a customer applies a loan at a bank Email: danghuonggiang1902@gmail.com 87 Kỷ yếu HộI THảO KHOA HọC QUốC GIA "CÁCH MạNG CÔNG NGHIệP 4.0 VÀ NHữNG ĐổI MớI TRONG LĨNH VựC TÀI CHÍNH - NGÂN HÀNG" and his/her loan application is rejected because of low credit score but that same person and loan application is approved by other bank and become a customer with good credit and always pay on time Or in an opposite situation, a customer with good credit score is qualified for a loan but that loan is becoming a bad credit loan for the bank These are situations showing the failure of current credit score software system at commercial banks Is there any way to increase the accuracy in evaluating customers? How we avoid missing potential customers or prevent and get rid of customers that are not as good as they are showing The Machine Learning system with Big Data base can help solving this problem Keywords: Machine Learning, Commecial bank, credit ratings, Big Data, Artificial intelligence Lời mở đầu Những năm gần đây, sau phải đối mặt với rủi ro lớn gây tổn thất cho ngân hàng, đặc biệt rủi ro tín dụng xảy với tần suất cao, giá trị lớn, ngân hàng thương mại Việt Nam trọng nhiều đến hoạt động quản trị rủi ro tín dụng kinh doanh dần tiếp cận tới chuẩn mực quản trị rủi ro đánh giá tín dụng (Credit Scoring) theo Hiệp ước quốc tế Basel II vào hoạt động quản trị rủi ro Đây cho hướng ngân hàng mặt, họ hút khách hàng qua sản phẩm, dịch vụ hấp dẫn, mặt khác, họ cần trang bị cho công cụ, phương pháp đánh giá khả chi, trả khách hàng, qua dễ dàng đưa định cấp vốn Cùng với phát triển Cách mạng công nghiệp 4.0, tiến khoa học công nghệ cho phép đơn vị tài chính, ngân hàng, giảm rủi ro cho vay qua việc phân tích nhiều liệu khác khách hàng Bằng kỹ thuật thống kê, Machine Learning, liệu phân tích đọng đưa giá trị gọi điểm tín dụng thể tính rủi ro cho vay Điểm tín dụng cao, mức độ tín dụng khách hàng lớn. Đánh giá tín dụng áp dụng Trí tuệ nhân tạo (Artificial Intelligence), dựa mơ hình tiên đốn, đánh giá khả chi trả vay khách hàng: hạn, trễ hạn không đủ khả tốn Lợi ích lớn đánh giá tín dụng giúp cơng ty tài chính, ngân hàng đưa định nhanh chóng, hiệu việc chấp nhận từ chối vay khách hàng, tăng giảm giá trị khoản vay, lãi suất, kỳ hạn Nhờ tính xác tốc độ đưa định nhanh vậy, khiến cho đánh giá tín dụng trở thành tảng quản trị rủi ro lĩnh vực ngân hàng, viễn thông, bảo hiểm bán lẻ 88 Kỷ yếu HộI THảO KHOA HọC QUốC GIA "CÁCH MạNG CÔNG NGHIệP 4.0 VÀ NHữNG ĐổI MớI TRONG LĨNH VựC TÀI CHÍNH - NGÂN HÀNG" Tổng quan xếp hạng tín dụng khách hàng cá nhân NHTM 2.1 XHTD vai trò XHTD khách hàng cá nhân XHTD việc đưa nhận định mức độ tín dụng trách nhiệm tài chính; đánh giá mức độ rủi ro tín dụng phụ thuộc yếu tố bao gồm lực đáp ứng cam kết tài chính, khả dễ bị vỡ nợ điều kiện kinh doanh thay đổi, ý thức thiện chí trả nợ người vay Hệ thống XHTD NHTM nhằm cung cấp dự đoán khả xảy rủi ro tín dụng hiểu khác biệt mặt kinh tế mà người vay hứa tốn với mà NHTM thực nhận Khái niệm rủi ro xét đến không chắn hay tình trạng bất ổn ước đốn xác suất xảy Khái niệm tín dụng hiểu quan hệ chuyển giao quyền sử dụng vốn người cho vay người vay ngun tắc có hồn trả Hệ thống XHTD giúp NHTM quản trị rủi ro tín dụng phương pháp tiên tiến, giúp kiểm sốt mức độ tín nhiệm khách hàng, thiết lập mức lãi suất cho vay phù hợp với dự báo khả thất bại nhóm khách hàng NHTM đánh giá hiệu danh mục cho vay thông qua giám sát thay đổi dư nợ phân loại nợ nhóm khách hàng xếp hạng, qua điều chỉnh danh mục theo hướng ưu tiên nguồn lực vào nhóm khách hàng an tồn Hệ thống XHTD cơng cụ quan trọng để tăng cường tính khách quan, nâng cao chất lượng hiệu hoạt động tín dụng Mơ hình tính điểm tín dụng phương pháp lượng hóa mức độ rủi ro thơng qua đánh giá thang điểm, tiêu đánh giá mô hình chấm điểm áp dụng khác loại khách hàng Khái niệm đại XHTD tập trung vào nguyên tắc chủ yếu bao gồm phân tích tín nhiệm sở ý thức thiện chí trả nợ người vay khoản vay; đánh giá rủi ro dài hạn dựa ảnh hưởng chu kỳ kinh doanh xu hướng khả trả nợ tương lai; đánh giá rủi ro toàn diện thống dựa vào hệ thống ký hiệu xếp hạng Trong phân tích XHTD cần thiết sử dụng phân tích định tính để bổ sung cho phân tích định lượng Các liệu định lượng quan sát đo số, quan sát đo lường số xếp vào liệu định tính Các tiêu phân tích thay đổi phù hợp với thay đổi trình độ cơng nghệ u cầu quản trị rủi ro Việc thu thập số liệu để đưa vào mơ hình XHTD cần thực cách khách quan, linh động Sử dụng lúc nhiều nguồn thông tin để có nhìn tồn diện tình hình tài khách hàng vay 89 Kỷ yếu HộI THảO KHOA HọC QUốC GIA "CÁCH MạNG CÔNG NGHIệP 4.0 VÀ NHữNG ĐổI MớI TRONG LĨNH VựC TÀI CHÍNH - NGÂN HÀNG" 2.2 Một số mơ hình XHTD khách hàng cá nhân Nghiên cứu Stefanie Kleimeier mô hình điểm số tín dụng cá nhân áp dụng cho ngân hàng bán lẻ Việt Nam Stafanie Kleimeier tiến hành nghiên cứu chi tiết nguồn số liệu tổng hợp từ NHTM Việt Nam theo hai mươi hai biến số bao gồm độ tuổi, thu nhập, trình độ học vấn, nghề nghiệp, thời gian cơng tác, tình trạng cư ngụ, giới tính, tình trạng nhân, mục đích vay để xác định mức ảnh hưởng biến số đến rủi ro tín dụng qua thiết lập mơ hình điểm số tín dụng cá nhân áp dụng cho ngân hàng bán lẻ Việt Nam Nghiên cứu Stefanie Kleimeier xây dựng mơ hình chấm điểm tín dụng cá nhân gồm hai phần chấm điểm nhân thân lực trả nợ, chấm điểm quan hệ với ngân hàng trình bày Bảng Căn vào tổng điểm đạt để xếp loại theo mười mức giảm dần từ Aaa đến D trình bày Bảng Tuy nhiên, cơng trình nghiên cứu khơng đưa cách tính điểm cụ thể cho tiêu, để vận dụng mơ hình địi hỏi NHTM phải thiết lập thang điểm cho tiêu đánh giá phù hợp với thực trạng hệ thống sở liệu cá nhân ngân hảng Bảng 1: Ký hiệu XHTD cá nhân theo Stefanie Kleimeier Điểm Xếp hạng Ý nghĩa xếp hạng > 400 Aaa 351 - 400 Aa 301 - 350 A 251 - 300 Bbb Cho vay theo tài sản đảm bảo 201 - 250 Bb Cho vay theo tài sản đảm bảo đánh giá đơn vay vốn 151 - 200 B Yêu cầu đánh giá thận trọng đơn vay vốn có tài sản đảm bảo đầy đủ 101 - 150 Ccc 51 - 100 Cc - 50 C D Cho vay tối đa theo đề nghị người vay Từ chối cho vay Nguồn: Dinh Thi Huyen Thanh & Stafanie Kleimeier, 2006 Credit Scoring for Vietnam’s Retail Banking Market 90 Kỷ yếu HộI THảO KHOA HọC QUốC GIA "CÁCH MạNG CÔNG NGHIệP 4.0 VÀ NHữNG ĐổI MớI TRONG LĨNH VựC TÀI CHÍNH - NGÂN HÀNG" Bảng 2: Chỉ tiêu chấm điểm XHTD cá nhân theo mơ hình Stefanie Kleimeier Bước 1: Chấm điểm nhân thân lực trả nợ Tuổi 18 - 25 tuổi 26 - 40 tuổi 40 - 60 tuổi > 60 tuổi Trình độ học vấn Sau đại học Đại học, Cao đẳng Trung học Dưới trung học Nghề nghiệp Chuyên môn Giúp việc Kinh doanh Hưu trí Thời gian cơng tác < 0,5 năm 0,5 - năm - năm > năm Thời gian làm công việc < 0,5 năm 0,5 - năm - năm > năm Tình trạng cư trú Nhà riêng Nhà thuê Sống gia đình Khác Số người phụ thuộc Độc thân - người - người Thu nhập hàng năm < 12 triệu đồng 12 - 36 triệu đồng 36 - 120 triệu đồng > 120 triệu đồng Thu nhập gia đình hàng năm < 24 triệu đồng 24 - 72 triệu đồng 72 - 240 triệu đồng > 240 triệu đồng > người Bước 2: Chấm điểm quan hệ với ngân hàng Thực cam kết với ngân Khách hàng hàng (ngắn hạn) Chưa trễ Có trễ hạn 30 Có trễ hạn hạn ngày 30 ngày Thực cam kết với ngân Khách hàng hàng (dài hạn) Chưa trễ Có trễ hạn Có trễ hạn trước hạn năm gần năm gần Tổng giá trị khoản vay chưa trả < 100 triệu đồng 100 - 500 triệu 500 triệu đồng - tỷ > tỷ đồng đồng đồng Các dịch vụ khác sử dụng Tiền gửi tiết kiệm Thẻ tín dụng Số dư bình qn tài khoản tiết < 20 triệu đồng kiệm năm trước Tiền gửi tiết kiệm Khơng thẻ tín dụng 20 - 100 triệu đồng 100 - 500 triệu đồng > 500 triệu đồng Nguồn: Dinh Thi Huyen Thanh & Stafanie Kleimeier, 2006 Credit Scoring for Vietnam’s Retail Banking Market Mơ hình điểm số tín dụng cá nhân FICO Điểm số tín dụng (Credit score) cá nhân phương tiện kiểm sốt tín dụng gán cho cá nhân số nước phát triển giúp tổ chức tín dụng ước 20 lượng mức rủi ro cho vay Điểm tín dụng thấp mức rủi ro nhà cho vay cao Fair Isaac Corp xây dựng mơ hình điểm số tín dụng FICO thấp 300 cao 850 áp dụng cho cá nhân dựa vào tỷ trọng số phân tích trình bày Bảng 91 Kỷ yếu HộI THảO KHOA HọC QUốC GIA "CÁCH MạNG CÔNG NGHIệP 4.0 VÀ NHữNG ĐổI MớI TRONG LĨNH VựC TÀI CHÍNH - NGÂN HÀNG" Bảng 3: Tỷ trọng tiêu chí đánh giá mơ hình điểm số tín dụng FICO Tỷ trọng Tiêu chí đánh giá 35% Lịch sử trả nợ (Payment history): Thời gian trễ hạn dài số tiền trễ hạn cao điểm số tín dụng thấp 30% Dư nợ tổ chức tín dụng (Amount owed): Nợ nhiều so với mức cho phép đặc biệt thẻ tín dụng làm giảm điểm số tín dụng 15% Độ dài lịch sử tín dụng (Length of credit history): Thông tin nhiều năm đáng tin điểm số tín dụng cao 10% Số lần vay nợ (new credit): Vay nợ thường xuyên bị xem dấu hiệu có khó khăn tài nên điểm số tín dụng thấp 10% Các loại tín dụng sử dụng (Types of credit used): Các loại nợ khác tính điểm số tín dụng khác Nguồn http://en.wikipedia.org Mơ hình điểm số tín dụng FICO áp dụng rộng rãi Mỹ thơng tin liên quan đến tình trạng tín dụng người ngân hàng rà sốt dễ dàng qua cơng ty liệu tín dụng (Credit reporting companies) Cơng ty liệu tín dụng thực ghi nhận cập nhật thông tin từ tổ chức tín dụng, 21 phân tích cho điểm người Theo mơ hình điểm số tín dụng FICO người có điểm số tín dụng mức 700 xem tốt, cá nhân có điểm số tín dụng thấp 620 bị ngân hàng e ngại xét cho vay Machine Learning ứng dụng xếp hạng tín dụng khách hàng cá nhân NHTM Với hệ thống phần mềm chấm điểm XHTD khách hàng cá nhân NHTM dừng lại mức đưa liệu, thông tin khách hàng vào hệ thống trả lại kết điểm XHTD khách hỗ trợ cán tín dụng định Tuy nhiên hình thức đánh giá cứng nhắc, mức độ xác cao có sai số định Sẽ khách hàng đến xin vay NH bị từ chối điểm XHTD thấp NH khác cho vay khách hàng tốt, trả nợ hạn? Hay ngược lại, khách hàng có điểm XHTD tốt ngân hàng cho vay sau lại trở thành khoản nợ xấu với ngân hàng Đây case thể bất cập phần mềm chấm điểm tín dụng NHTM Với phần mềm giải thích mức độ dự báo khả trả nợ tương lai khách hàng khơng thể xác hồn tồn ngân hàng chấp nhận sai số Câu hỏi đặt liệu nâng cao 92 Kỷ yếu HộI THảO KHOA HọC QUốC GIA "CÁCH MạNG CÔNG NGHIệP 4.0 VÀ NHữNG ĐổI MớI TRONG LĨNH VựC TÀI CHÍNH - NGÂN HÀNG" độ xác đánh giá khách hàng không? Làm để không bỏ lỡ khách hàng tiềm loại bỏ khách hàng khơng thực tốt thể bên ngồi? Hệ thống Machine Learning với tảng Big Data giải vấn đề 3.1 Tổng quan Trí tuệ nhân tạo, Machine Learning Big Data Trí tuệ nhân tạo hay trí thơng minh nhân tạo (tiếng Anh: artificial intelligence hay  machine intelligence, (AI) trí tuệ biểu diễn hệ thống nhân tạo Thuật ngữ thường dùng để nói đến các máy tính có mục đích khơng định ngành khoa học nghiên cứu lý thuyết ứng dụng Trí tuệ nhân tạo Trí thơng minh nhân tạo ngành trọng yếu của tin học Trí thơng minh nhân tạo liên quan đến cách cư xử, học hỏi khả thích ứng thơng minh máy móc.  AI thể một mục tiêu của người, Machine Learning một phương tiện được kỳ vọng giúp người đạt mục tiêu Và thực tế Machine Learning mang nhân loại xa quãng đường chinh phục AI Machine Learning AI có mối quan hệ chặt chẽ với khơng trùng khớp bên mục tiêu (AI), bên phương tiện (Machine Learning) Chinh phục AI mục đích tối thượng Machine Learning, Machine Learning tập trung vào mục tiêu ngắn hạn như: (1) Làm cho máy tính có khả nhận thức người nghe, nhìn, hiểu ngơn ngữ, giải tốn, lập trình, (2) Hỗ trợ người việc xử lý khối lượng thông tin khổng lồ mà phải đối mặt hàng ngày, hay gọi Big Data Machine Learning theo định nghĩa ứng dụng thuật toán để phân tích cú pháp liệu, học hỏi từ nó, sau thực định dự đốn vấn đề có liên quan Vì vậy, thay code phần mềm cách thức thủ cơng với hướng dẫn cụ thể để hoàn thành nhiệm vụ cụ thể, máy “đào tạo” cách sử dụng lượng lớn liệu (Big Data) thuật tốn cho phép học cách thực tác vụ ngày thông minh 3.2 Ứng dụng Machine Learning xếp hạng tín dụng khách hàng cá nhân NHTM Việt Nam Nhiều tổ chức tài sử dụng mơ hình chấm điểm để giảm rủi ro đánh giá tín dụng việc cấp giám sát tín dụng Các mơ hình chấm điểm tín 93 Kỷ yếu HộI THảO KHOA HọC QUốC GIA "CÁCH MạNG CÔNG NGHIệP 4.0 VÀ NHữNG ĐổI MớI TRONG LĨNH VựC TÀI CHÍNH - NGÂN HÀNG" dụng dựa lý thuyết thống kê cổ điển sử dụng rộng rãi Tuy nhiên, mơ hình khơng dùng có số lượng lớn liệu đầu vào Điều ảnh hưởng đến tính xác dự báo dựa mơ hình Theo nhiều nghiên cứu thực nghiệm, kỹ thuật học máy với thuật toán khai thác liệu (data mining) khác dựa cách tính tốn chuyển đổi kiểu hoạt động tốt cho mục đích dự báo Các thuật tốn học máy thiết kế để học từ lượng lớn liệu lịch sử sau tính tốn kết dự báo Lấy điểm tín dụng cho khoản vay từ ngân hàng bán lẻ làm ví dụ Q trình kinh doanh điển hình cho việc cung cấp dịch vụ cho vay là: nhận hồ sơ vay vốn, đánh giá rủi ro tín dụng, định việc cho vay giám sát việc hoàn trả vốn gốc lãi Trong q trình đó, vấn đề xảy ra, chẳng hạn làm để đẩy nhanh tiến trình thẩm định tín dụng làm để giám sát q trình hồn trả thực can thiệp kịp thời khả vỡ nợ xuất Để giải hai vấn đề nêu trên, xây dựng hai mơ hình hai tiến trình khởi tạo vốn vay tiến trình giám sát Trong trình khởi tạo, đối tượng cần kiểm tra bao gồm tất ứng viên nộp đơn xin vay vốn Mơ hình sử dụng để phân tích học thơng qua liệu lịch sử hồ sơ đăng ký vay vốn, qua đánh giá liệu ứng viên có đủ tin cậy để vay hay khơng tiêu đặc trưng người nộp đơn cung cấp, thu nhập, tình trạng nhân, tuổi, lịch sử tín dụng (chẳng hạn nợ xấu hay chưa), Trong trình giám sát, hệ thống kiểm tra liệu người duyệt vay vốn Bằng cách sử dụng liệu lịch sử hồ sơ hoàn trả trạng thái đặc điểm khách hàng hồn thành tồn q trình vay vốn, đào tạo mơ hình khác để đưa dự kiến việc liệu khách hàng có xác suất lớn hay không khả vỡ nợ; cách quan sát hồ sơ hoàn trả người nộp đơn cho vài giai đoạn hoàn vốn thay đổi đặc tính, mơ hình giúp tạo điều chỉnh dựa thông tin cập nhật Quy trình tự động hiệu thời gian xử lý tính xác so với cách làm truyền thống Tuy nhiên, có nhiều thuật tốn học máy có sẵn, câu hỏi đặt “Thuật toán tốt nhất?” Khơng có câu trả lời rõ ràng cho câu hỏi tính hiệu thuật tốn phụ thuộc vào liệu phụ thuộc vào cấu trúc liệu cụ thể Cách chung để tìm mơ hình thích hợp cho liệu cụ thể loại tập liệu áp dụng thuật toán sử dụng rộng rãi kiểm chứng 94 Kỷ yếu HộI THảO KHOA HọC QUốC GIA "CÁCH MạNG CÔNG NGHIệP 4.0 VÀ NHữNG ĐổI MớI TRONG LĨNH VựC TÀI CHÍNH - NGÂN HÀNG" Trong hai tiến trình nhắc tới trên, hai trơng giống có mơ hình khác Tiến trình giám sát hồn trả trơng tương tự tiến trình cấp vốn vay, học đúc rút từ liệu lịch sử khác nhau, cụ thể từ khách hàng cũ hoàn thành việc trả nợ, bao gồm toàn lịch sử hồ sơ toán đặc điểm khách hàng Một thuật tốn học máy khác ứng dụng để phù hợp tương ứng với thay đổi cấu trúc liệu Ngày nay, thuật tốn Machine Learning hay sử dụng phân loại phân loại đơn phân loại tồn Các đại diện thuật tốn phân loại đơn CART, Naïve Bayes, SVM, logistics Việc sửa đổi phân loại đơn, nhiều mơ hình học để giải vấn đề, sử dụng rộng rãi, chẳng hạn Random Forests, CART-Adaboost, Về bản, Machine Learning giống việc dạy kiến thức tài cho học sinh dựa số liệu lịch sử để thực xác định chất lượng khoản vay, sau máy có kinh nghiệm để tự định Nói rộng hơn, kỹ thuật Machine Learning sử dụng tất loại vấn đề phân loại Trong lĩnh vực ngân hàng/bảo hiểm, dựa Machine Learning phát triển ứng dụng, bao gồm Xếp hạng tín dụng (Credit Scoring), Phân tích rủi ro (Risk Analytics), Phát gian lận (Fraud Detection), Bán chéo (Cross-Sell) Qua nhiều năm, số kỹ thuật xây dựng mơ hình khác để thực xếp hạng tín dụng phát triển, bao gồm: tham số phi tham số (parametric or non-parametric), thống kê Machine Learning, thuật tốn giám sát khơng giám sát, mạng neuron Các kỹ thuật gần gồm cách tiếp cận tinh vi, sử dụng hàng trăm hàng ngàn mô hình khác nhau, cách thức kiểm định mơ hình khác nhau, đa dạng kết hợp nhiều thuật toán để mong đạt kết với độ xác cao Mặc dù đa dạng vậy, có kỹ thuật xây dựng mơ hình bật có tên thẻ điểm tín dụng (Credit Scorecard) nhiều ngân hàng giới áp dụng rộng rãi (Các ngân hàng như Commonwealth Bank of Australia, Standard Chartered Bank, áp dụng kỹ thuật này) Thường gọi thẻ điểm tiêu chuẩn (Standard Scorecard), dựa Mơ hình hồi quy Logistic (Logistic Regression Model) Mơ hình thẻ điểm tín dụng dạng xây dựng đơn giản, dễ hiểu, dễ triển khai chạy nhanh. Kết hợp thống kê Machine Learning, độ xác phương pháp tương đương với kỹ thuật tinh vi, điểm số đầu áp dụng trực tiếp để đánh giá xác suất nợ xấu, từ cung cấp đầu vào cho việc định giá nợ xấu dựa rủi ro Điều quan trọng bên cho vay cần tuân thủ khuôn khổ pháp lý Basel II 95 Kỷ yếu HộI THảO KHOA HọC QUốC GIA "CÁCH MạNG CÔNG NGHIệP 4.0 VÀ NHữNG ĐổI MớI TRONG LĨNH VựC TÀI CHÍNH - NGÂN HÀNG" Mơ hình thẻ điểm tín dụng mơ tả cách đơn giản sau: bao gồm tập hợp thuộc tính đầu vào từ khách hàng, cụ thể đặc điểm khách hàng (Ví dụ tuổi, thu nhập, nghề nghiệp, ), thơng tin tín dụng q khứ họ (Ví dụ thơng tin thu thập từ Trung tâm thơng tin tín dụng Quốc gia - CIC, thơng tin tín dụng khác mà ngân hàng nắm được), vào tính tốn mơ hình, thuộc tính gán hệ số định, tổng số điểm số đầu ra. Căn vào điểm số đầu ra, người ta xác định xác suất khách hàng có khả phát sinh nợ xấu Chính nhờ xác suất mà việc tính giá trị rủi ro tín dụng dễ dàng thực hiện, qua ngân hàng nhanh chóng biết số vốn tối thiểu dành cho rủi ro tín dụng phù hợp với tiêu chuẩn Basel II Như vậy, hệ thống chấm điểm tín dụng xếp hạng khách hàng thẻ điểm, tạo công nghệ Machine Learning, ứng dụng mơ hình hồi qui Logistic, khơng giúp đánh giá khả thực nghĩa vụ tài khách hàng ngân hàng việc trả lãi trả gốc nợ vay đến hạn, mà cịn cơng cụ hỗ trợ ngân hàng kiểm soát việc tuân thủ Basel II Đề xuất quy trình ứng dụng Trí tuệ nhân tạo xếp hạng tín dụng khách hàng cá nhân NHTM 4.1 Quy trình phát triển hệ thống Machine Learning Các bước phát triển hệ thống Machine Learning gồm: (1) Requirements; (2) Data; (3) Model; (4) Production Requirements - Yêu cầu: giai đoạn tìm hiểu người dùng cần, mong muốn từ hệ thống Machine Learning Trong trường hợp, bước quan trọng Càng thêm thời gian dành riêng cho giao tiếp hiểu biết lẫn phận, mục tiêu rõ ràng cụ thể có nhiều hội dự án thành công Data - Số liệu: liệu “kinh nghiệm” cho model (mơ hình) Nếu train model với nhiều “kinh nghiệm” có chất lượng tốt, học phương án tốt để phục vụ mục đích Đối với trường hợp liệu khơng đủ q lộn xộn cần bước chuẩn bị liệu, thu thập thêm liệu, mua từ bên thứ 3, sử dụng liệu opensource Trong trường hợp liệu phải hoàn thiện có cấu trúc tốt Model - Mơ hình: Mục đích bước để thống số liệu xác để đánh giá mơ hình cách khách quan Mất nhiều ngày làm việc để lựa chọn thuật tốn, train model, kiểm tra lập lại Đây phần cốt lõi quan trọng trình 96 Kỷ yếu HộI THảO KHOA HọC QUốC GIA "CÁCH MạNG CÔNG NGHIệP 4.0 VÀ NHữNG ĐổI MớI TRONG LĨNH VựC TÀI CHÍNH - NGÂN HÀNG" Production - Vận hành: Một thuật toán thử nghiệm sẵn sàng để hoạt động, có hai cơng việc bước vận hành: Tích hợp với thiết lập có Tự động cập nhật mơ hình Mơ hình tự động cập nhật theo thời gian mà lượng data  liên tục thêm vào 4.2 Đề xuất quy trình ứng dụng Trí tuệ nhân tạo xếp hạng tín dụng khách hàng cá nhân NHTM Việc phát triển mơ hình Machine Learning có nhiều bước có vài điểm/bước tương đồng so với việc phát triển phần mềm công nghệ thông thường Machine Learning nhánh đại việc phát triển phần mềm Như phần mềm thơng thường, giải pháp đóng gói sẵn tốn chi phí khơng phù hợp với nhu cầu cụ thể, ngược lại xây dựng hệ thống Machine Learning đưa đến giải pháp có khả thiên biến vạn hóa Dựa nghiên cứu hệ thống XHTD khách hàng cá nhân mục tiêu việc ứng dụng Trí tuệ nhân tạo với công nghệ Machine Learning tảng Big Data, tác giả đề xuất quy trình ứng dụng Trí tuệ nhân tạo xếp hạng tín dụng khách hàng cá nhân NHTM gồm bước sau: 4.2.1 Xác định mục tiêu hệ thống Hệ thống xây dựng với mục tiêu sau: Hỗ trợ thẩm định, phê duyệt cấp tín dụng quản lý rủi ro tín dụng Xây dựng sách khách hàng Khắc phục điểm yếu hệ thống XHTD cũ Đáp ứng yêu cầu NHNN 4.2.2 Xây dựng tảng - kho liệu khách hàng (Big Data) Các NHTM cần chuẩn hóa liệu lịch sử tín dụng khách hàng cá nhân hệ thống ngân hàng với thơng tin khách hàng tiêu chí chấm điểm Dữ liệu lớn tốt, đề xuất thời gian số hóa lưu trữ hồ sơ khách hàng tối thiểu 10 năm Các trường thông tin khách hàng xếp khoa học với thông tin: Về nhân thân; 97 Kỷ yếu HộI THảO KHOA HọC QUốC GIA "CÁCH MạNG CÔNG NGHIệP 4.0 VÀ NHữNG ĐổI MớI TRONG LĨNH VựC TÀI CHÍNH - NGÂN HÀNG" Về lịch sử giao dịch với ngân hàng; Về thông tin khoản vay; Về tài sản đảm bảo; Về lịch sử trả nợ khách hàng 4.2.3 Xây dựng mô hình XHTD khách hàng cá nhân với tảng Big Data công nghệ Machine Learning Việc xây dựng mô hình XHTD khách hàng cá nhân với tảng Big Data công nghệ Machine Learning thực qua bước cơng việc sau: Lựa chọn mơ hình XHTD phù hợp; Lập trình hệ thống Machine Learning dựa mục tiêu đặt ra, mơ hình XHTD lựa chọn hệ thống liệu Big Data sẵn có 4.2.4 Vận hành thử nghiệm, đánh giá đưa vào sử dụng thức Sử dụng mơ hình với công nghệ Machine Learning để đánh giá dự báo kết XHTD dựa liệu nhóm khách hàng cũ So sánh kết dự báo công nghệ Machine Learning với kết thực tế xảy với nhóm khách hàng so sánh với với kết dự báo công nghệ XHTD khách hàng cá nhân Thơng qua phân tích tập khách hàng cũ với kho liệu khách hàng có sẵn so sánh độ xác với cơng nghệ cũ để đánh giá mơ hình XHTD cơng nghệ Machine Learning, đánh giá điểm mạnh yếu mơ hình để có hướng điều chỉnh mơ hình Ứng dụng tập khách hàng sau đánh giá mức độ xác dựa kết thực tế khách hàng Kết luận Dự báo xác lực trả nợ khách hàng tương lai quan trọng hàng đầu nghiệp vụ tín dụng ngân hàng thương mại, điều giúp nhà cấp tín dụng kỳ vọng đưa định nhanh chóng việc có nên cho khách hàng vay hay không Hiện định đưa dựa thông tin hạn chế Với bùng nổ liệu mười năm qua, hội sử dụng liệu cách thông minh phát triển theo cấp số nhân; hội thường chưa thực việc giải thích số lượng lớn liệu phức tạp vượt 98 Kỷ yếu HộI THảO KHOA HọC QUốC GIA "CÁCH MạNG CÔNG NGHIệP 4.0 VÀ NHữNG ĐổI MớI TRONG LĨNH VựC TÀI CHÍNH - NGÂN HÀNG" khả người Nó chứng minh sử dụng kỹ thuật Machine Learning cho phép người ta tận dụng tất liệu sẵn có, đó, đạt cải thiện đáng kể khả dự đốn trước mơ hình truyền thống Các dự đốn tốt (và thời gian hơn) dẫn đến tác động tích cực đến định cho vay ngân hàng khách hàng Ngồi ra, phương pháp mơ hình hóa có khía cạnh tự điều chỉnh cho phép tự động điều chỉnh theo xu hướng liệu đầu vào đơn giản cách đào tạo định kỳ, làm giảm nhu cầu truy cập lại trọng số mơ hình truyền thống nâng cao mức độ xác dự báo Điều khơng có nghĩa vai trị nhà phân tích người trở nên lỗi thời Có trường hợp mà mơ hình máy tính khơng tính tốn dự báo xác được, ví dụ, xảy kiện bất thường (chiến tranh, thiên tai, biến động trị, ) Những kiện tạo gián đoạn mẫu q khứ khơng cịn áp dụng Do đó, việc tính điểm tín dụng tự động dựa thuật toán Machine Learning phân tích người bổ sung cho việc xác định rủi ro tín dụng TÀI LIỆU THAM KHẢO Altman, E.I., 1968 Financial ratios, discriminant analysis and the prediction of corporate bankruptcy The journal of finance, 23(4), pp.589-609 Baesens, B., Van Gestel, T., Viaene, S., Stepanova, M., Suykens, J and Vanthienen, J., 2003 Benchmarking state-of-the-art classification algorithms for credit scoring, Journal of the operational research society, 54(6), pp.627-635 Chintan Trivedi, Irina Rabinovich and Shyarsh Desai (2017),Applying Machine Learning to Leverage Big Data for Commercial Credit Scoring, The Credit & Financial Management Review, Dinh Thi Huyen Thanh & Stafanie Kleimeier (2006), Credit Scoring for Vietnam’s Retail Banking Market Dominique Guegan, Bertrand Hassani (2017), Maison des Sciences Économiques, 106-112 Fawcett, T., 2006 An introduction to ROC analysis Pattern recognition letters, 27(8), pp.861-874 Fensterstock, B.A., Salters, J and Willging, R., 2013 On the Use of Ensemble Models for Credit Evaluation Credit Financ Manag Rev, 1(1), pp.1-14 99 Kỷ yếu HộI THảO KHOA HọC QUốC GIA "CÁCH MạNG CÔNG NGHIệP 4.0 VÀ NHữNG ĐổI MớI TRONG LĨNH VựC TÀI CHÍNH - NGÂN HÀNG" Friedline, T., Masa, R.D and Chowa, G.A., 2015 Transforming wealth: Using the inverse hyperbolic sine (IHS) and splines to predict youth’s math achievement Social science research, 49, pp.264-287 Huang, C.L., Chen, M.C and Wang, C.J., 2007 Credit scoring with a data mining approach based on support vector machines Expert systems with applications, 33(4), pp.847-856 10 Lo, K and Lys, T., 2000 The Ohlson model: contribution to valuation theory, limitations, and empirical applications Journal of Accounting, Auditing & Finance, 15(3), pp.337-367 11 Philipp Kallerhoff, PhD, Jumiya (2017), Big Data and Credit Unions: Machine Learning in Member Transactions, Filene Research Institute 12 Piotroski, J.D., 2000 Value investing: The use of historical financial statement information to separate winners from losers Journal of Accounting Research, pp.1-41 13 Rasmussen, C.E and Williams, C.K., 2006 Gaussian processes for machine learning (Vol 1) Cambridge: MIT press 14 West, D., 2000 Neural network credit scoring models Computers & Operations Research, 27(11), pp.1131- 1152 Ngày gửi bài: 19/5/2018 Ngày gửi lại bài: 21/5/2018 Ngày duyệt đăng: 02/06/2018 100