CÁC PHƯƠNG PHÁP TRÍ TUỆ NHÂN TẠO DỰ ĐỐN VÀ PHÒNG NGỪA KHỦNG HOẢNG TRONG HỆ THỐNG NGÂN HÀNG ThS Thanh Thuỵ - Học viện Ngân hàng ThS Quý Tài - Học viện Ngân hàng Tóm tắt Bài báo trình bày việc nghiên cứu sử dụng máy hỗ trợ véctơ (support vector machine) để dự đoán khủng hoảng việc ứng dụng mạng Nơron để đánh giá mức độ uy tín khách hàng nhằm phịng ngừa khủng hoảng hệ thống ngân hàng Từ khóa: dự đốn, máy hỗ trợ véctơ, trí tuệ nhân tạo, thuật tốn di truyền, hệ thống ngân hàng 1.Giới thiệu Hệ thống dự báo khủng hoảng ngân hàng xuất vào năm 1990 Frankel Rose phát triển mô hình dự báo sử dụng số tiêu liên quan đến thị trường tiền tệ [3] Các tiêu chia thành bốn nhóm Nhóm bao gồm số thị trường nước, chẳng hạn số lãi suất tốc độ tăng trưởng Nhóm gồm số kinh tế vĩ mơ quốc gia, ví dụ thay đổi tốc độ sản xuất, tiền tệ tài khóa Nhóm gồm tiêu bên ngồi, ví dụ số đánh giá giá cả, tình trạng thâm hụt tài khoản khoản nợ Nhóm gồm tiêu mơ tả yếu tố cấu nợ [3] Kaminsky Reinhart [6] mở rộng mơ hình cho ngun nhân khủng hoảng ngành ngân hàng có ảnh hưởng nguyên nhân khủng hoảng cán cân tốn Bằng việc phân tích khủng hoảng nhiều quốc gia, tác giả tín hiệu trước tiên vấn đề lĩnh vực ngân hàng vấn đề cân khủng hoảng tốn Do việc tự hóa tài thường tiền đề cho khủng hoảng ngân hàng nên ta dễ dàng để sử dụng phương pháp thống kê dự đoán khủng hoảng ngân hàng Demirguc-Kunt Detragiache phát triển mơ hình logic đa giá trị (multivalued) [2] để dự đoán khủng hoảng ngân hàng Phương pháp đề xuất dựa liệu thống kê mẫu việc đánh giá khả khủng hoảng ngân hàng Trong phương pháp này, hệ thống giám sát thiết kế riêng theo yêu cầu người định nên hữu ích cho tiên lượng để tiết kiệm chi phí giám sát Hanschel Monnin [4] giới thiệu cách tiếp cận khác để cảnh báo mơ hình khủng hoảng tài - ngân hàng Đây phương pháp dựa hồi quy Các tác giả xác định số khủng hoảng dễ bị tổn thương (gọi số stress), số xác định cho lĩnh vực ngân hàng Thụy Sĩ Về vai trò số bối cảnh cân kinh tế vĩ mơ, sử dụng dấu hiệu cảnh báo sớm khủng hoảng ngân hàng cho nước phát triển Bài viết giới thiệu phương pháp máy hỗ trợ vector nhằm dự báo rủi ro ngành ngân hàng nói chung với mạng Nơron nhân tạo để kiểm tra mức độ uy tín khách hàng ngân hàng Dự báo khủng khoảng hệ thống ngân hàng Sự phát triển kinh tế đại có ảnh hưởng lớn đến ngành ngân hàng Bên cạnh đó, ổn định ngân hàng yếu tố quan trọng việc trì ổn định tài quy mô lớn Hệ thống ngân hàng không ổn định việc phá sản ngân hàng kích hoạt phản ứng dây chuyền cho ngân hàng khác Hơn nữa, nhấn chìm tồn ngành ngân hàng nước chí khu vực Kết khủng hoảng tài vấn đề nghiêm trọng liên quan đến tổ chức ngân hàng để trì dịng tiền hay việc lòng tin khách hàng ngân hàng Hệ dẫn đến sập tồn quỹ tiền gửi ngân hàng Do đó, hoạt động hỗ trợ tài chính, dự đốn khủng hoảng ngành ngân hàng, kiểm tra an toàn vốn ngân hàng giới thiệu sáng kiến, giải pháp nhằm giảm chi phí trì bền vững hoạt động ngân hàng vô quan trọng Kết điều tra cho thấy vấn đề căng thẳng ngân hàng thường đề cập đến tỷ lệ tương đối vốn tài sản (tiền gửi cho vay) Nếu tỷ lệ thấp ngân hàng khơng có khả sống sót khủng hoảng tài Hiện nay, ngân hàng đại hoá với tiến công nghệ thông tin Điều cần lưu ý với ngân hàng tiêu chí quan trọng để lựa chọn tổ chức tài tin cậy khả phục vụ hệ thống ngân hàng tảng web (ngân hàng điện tử) Hệ thống ngân hàng điện tử hiệu có ảnh hưởng quan trọng đến phát triển bùng nổ mạnh mẽ thương mại điện tử tác động mạnh đến tính cạnh tranh kinh tế quốc dân Các chuyên gia dự đoán tương lai ngân hàng điện tử điểm nhấn ngành ngân hàng (tương tự thương mại điện tử thương mại truyền thống) Ứng dụng SVM hệ thống ngân hàng Trước đây, phương pháp đo đạc ước tính rủi ro khoản nợ thường dựa kĩ thuật thống kê học máy Sử dụng phương pháp này, bên cạnh việc đánh giá công cụ nợ đặc biệt (chẳng hạn trái phiếu) đánh giá tổng thể tồn ngân hàng Sử dụng phương pháp thống kê ta kỳ vọng dự đốn xác khoảng 2/3 số trường hợp Hạn chế lớn phương pháp thống kê tính nhạy cảm biến phụ thuộc giả định trạng thái bình thường xác xuất phân phối nhiều biến đầu vào Đối với phương pháp học máy, kết luận hệ chuyên gia có từ việc phân lớp trường hợp liệu vào lớp mà có độ tương tự lớn với liệu tập huấn luyện Các phương pháp học máy thường sử dụng để đánh giá cơng cụ nợ tồn thể công ty mạng nơron nhân tạo lan truyền ngược (back-propagation) với hàm kích hoạt hướng tâm Tuy nhiên, năm gần đây, số ngân hàng bắt đầu sử dụng phương pháp khác để thay phương pháp Trong đó, máy hỗ trợ vector (Support Vector Machine – SVM) công cụ hiệu để đánh giá rủi ro [8] Các nghiên cứu thực nghiệm cho thấy SVM có hiệu suất tốt so với mạng nơron nhân tạo việc ước tính rủi ro khoản nợ cơng ty Mục đích SVM tạo siêu phẳng (hyperplane) tách biệt lớp (chẳng hạn đánh giá khoản nợ với lớp: A, B C) SVM Vapnik đề xuất với mục tiêu phân lớp điểm tách biệt tuyến tính (các điểm phân biệt rạch rịi vào hai lớp) Tuy nhiên, phương pháp cho phép phân lớp tập điểm đầu vào thành lớp tách biệt khơng tuyến tính Phiên đơn giản SVM máy hỗ trợ vector tuyến tính (Linear Support Vector Machine – LSVM) (Hình 1) Tập huấn luyện bao gồm vector vector mô tả đặc điểm đối tượng xét (ví dụ: doanh thu, vốn chủ sở hữu, nợ dài hạn trường hợp đánh giá công ty) Nhãn -1 lớp gán cho vector đầu vào Hai tập điểm gọi tách biệt tuyến tính tồn siêu phẳng giúp phân tách hoàn toàn điểm thuộc lớp khác Chẳng hạn, không gian chiều điểm phân tách đường thẳng (Hình 1); khơng gian ba chiều điểm phân tách mặt phẳng v.v… Ta ln xác định có tồn hay khơng siêu phẳng với tập điểm cho trước Mục đích LSVM khơng phân chia điểm thành lớp (dễ dàng có sử dụng - mạng nơron đơn giản nhất, gồm lớp nơron, nhận đầu vào vector có thành phần số thực đầu hai giá trị +1 -1), mà phân tách với khoảng cách biên cực đại.Vấn để tìm hệ số siêu phẳng phân tách hai lớp với khoảng cách biên cực đại Hình 1: Phân tách hai lớp với khoảng cách biên cực đại Vấn đề tìm hệ số tối ưu siêu phẳng chuyển thành vấn cực tiểu nửa bình phương chuẩn véctơ trọng số w [1] Hệ số nhân Lagrange α dùng để giải vấn đề Theo đó, hệ số khác gán cho véctơ (hầu hết vector đầu vào gán 0) Véctơ đầu vào có giá trị khác không trở thành véctơ hỗ trợ Để áp dụng LSVM cho tập liệu phân tách khơng tuyến tính ta ánh xạ khơng gian liệu đầu vào tới không gian đặc trưng nhiều chiều (trong không gian tập liệu gần tách biệt tuyến tính) Máy hỗ trợ véctơ - SVM dần trở nên phổ biến hàng loạt lĩnh vực ngân hàng có khả dự đốn tốt so với phương pháp thống kê truyền thống (như hồi quy tuyến tính, đa hồi quy) hay mạng Nơron nhân tạo Shouwei, Mingliang Jianmin áp dụng SVM kết hợp phương pháp khác để ước lượng rủi ro hệ thống toàn ngành ngân hàng Trung Quốc [7] Đánh giá khả khủng hoảng tài gân hàng, nhà nghiên cứu xem xét không chỉ số kinh tế ngân hàng (như ROE, ROI, vv…) mà xem xét tiêu kinh tế vĩ mô (như tốc độ tăng trưởng GDP) số phản ánh hoạt động hệ thống liên ngân hàng Trong nghiên cứu này, 17 tiêu lựa chọn để đánh giá cho 36 ngân hàng Trung Quốc Dữ liệu chia thành tập huấn luyện (19 ngân hàng) tập thử nghiệm (17 ngân hàng) Các nhà nghiên cứu sử dụng phương pháp SVM với hàm hạt nhân (kernel function) cho phép ánh xạ cách không trực tiếp không gian liệu vào tới không gian đặc trưng nhiều chiều Hàm hạt nhân định nghĩa tích nội véctơ không gian đặc trưng Hàm gọi hàm hạt nhân giả (kernel trick) hàm cho phép hoạt động không gian đặc trưng mà không cần ánh xạ tường minh từ véctơ đầu vào tới khơng gian đặc trưng nhiều chiều Chính nhờ kĩ thuật mà tập liệu phân tách không tuyến tính trở thành phân tách tuyến tính khơng gian đặc trưng nhiều chiều Hàm hạt nhân có nhiều kiểu khác Trong nghiên cứu này, tác giả giới thiệu hàm radial đơn giản Hàm số f gán véctơ đầu vào với lớp (1 -1): (1) Trong x – véctơ liệu cần gán vào lớp (-1 1) M - số điểm từ tập huấn luyện (trong trường hợp 19) αi - trọng số liệu thử nghiệm xi, yi – lớp liệu thử nghiệm xi (hoặc -1), b – biến số (giá trị biến thiên tích nội véctơ trọng số w véctơ x) Phương pháp SVM điều chỉnh cách tối ưu tham số (ví dụ: giá trị tối thiểu biên để phân tách điểm hai lớp) Việc điều chỉnh tham số thực kỹ thuật khác như: Lưới tìm kiếm (Grid Search), thuật toán tối ưu bầy đàn (Particle Swarm Optimization - PSO), thuật toán di truyền Bảng so sánh hiệu phương pháp trí tuệ nhân tạo để xác định tham số phương pháp SVM Lưới tìm kiếm cho tham số tốt để tối ưu hoá SVM Lưới tìm kiếm (Grid Search) Thuật tốn di truyền Tối ưu bầy đàn PSO Tập huấn luyện 100% 100% 100% Tập thử nghiệm 94,12% 88,24% 88,24% Bảng Hiệu phương pháp trí tuệ nhân tạo nhằm xác định tham số phương pháp SVM [7] Nhằm so sánh độ xác SVM khủng hoảng ngân hàng, nhà nghiên cứu sử dụng phương pháp trí tuệ nhân tạo khác: - Mạng nơron nhân tạo lan truyền ngược (artificial neural network – ANN) - Phân tích đa khác biệt (multiple discriminant analysis - MDA) - Hồi quy logistic Kết thử nghiệm cho thấy, phương pháp SVM cho khả dự báo tốt với liệu thử nghiệm Cụ thể: SVM Mạng nơron nhân tạo lan truyền ngược MDA Hồi quy logistic Tập huấn luyện 100% 100% 94,74% 100% Tập mẫu 94,12% 84,62% 76,47% 76,47% Bảng Kết so sánh phương pháp ước tính rủi ro ngân hàng [7] Kết nghiên cứu thực nghiệm cho thấy độ xác hiệu dự đốn tuyệt vời phương pháp SVM Phương pháp sử dụng rộng rãi phương pháp khác trí tuệ nhân tạo (ANN, MDA Hồi quy logistic) cho kết tốt mặt thống kê SVM phương pháp tốt cho việc hỗ trợ định quan trọng ngành ngân hàng Ứng dụng trí tuệ nhân tạo kiểm tra uy tín khách hàng Phương pháp truyền thống để đánh giá mức uy tín khách hàng thực vấn trực tiếp với khách hàng Theo đó, kết thu từ vấn sâu phụ thuộc phần lớn vào kiến thức, kinh nghiệm khả người vấn Ứng dụng trí tuệ nhân tạo vào lĩnh vực giải pháp giải hiệu vấn đề Hiện nay, nhiều ngân hàng Mỹ, Đức Anh sử dụng trí tuệ nhân tạo để phân tích uy tín khách hàng dự đốn rủi ro tín dụng Các kĩ thuật trí tuệ nhân tạo sử dụng lĩnh vực bao gồm: mơ hình phân biệt (discriminatory model), mơ hình logit (logit model) k-láng giềng gần (k-nearest neighbours KNN) - Mơ hình phân biệt: sử dụng để phân biệt tổ hợp tuyến tính thuộc tính khách hàng cho phép chia khách hàng vào lớp tương ứng với xác suất trả nợ khách hàng tương lai - Mơ hình logit: dựa biến đổi xác suất kiện định với giá trị thực tế Trong bước tiếp theo, mơ hình hồi quy tuyến tính áp dụng kết biến đổi - K-láng giềng gần nhất: khách hàng tiềm xác định đủ điều kiện hay không đủ điều kiện vay phụ thuộc vào lớp mà khách hàng thuộc về; lớp lớp chiếm ưu lớp k khách hàng khác mà có có “khoảng cách” gần với khách hàng (k-láng giềng gần nhất) [5] Giải thuật di truyền định sử dụng để đánh giá uy tín khách hàng Kĩ thuật trí tuệ nhân tạo dùng xác định khách hàng có khả ngừng trả nợ tương lai Tuy nhiên, việc thu thập liệu huấn luyện để đánh giá mức uy tín khó khăn thơng tin liên quan đến tín nhiệm tín dụng thường ngân hàng giữ bí mật Có nhóm giải pháp để giải vấn đề này: - Nhóm 1: sử dụng sẵn liệu chấm điểm mơ tả mức uy tín, ví dụ: Tập liệu tín dụng Đức (dữ liệu Statlog) - Nhóm 2: mua lại mẫu liệu thực tế Các liệu số khách hàng tổ chức tài đặc biệt Dữ liệu để đánh giá khoản vay cá nhân thường bao gồm: tuổi, tình trạng nhân, số lượng loại tài sản thuộc sở hữu khách hàng, thu nhập hàng tháng, số con, thời gian làm việc Trong đó, để đánh giá uy tín khách hàng doanh nghiệp, ngân hàng thường sử dụng số tài tính tốn dựa bảng cân đối kế tốn doanh nghiệp Để định cho vay người định phải xử lý thơng tin khơng đầy đủ Trên thực tế, liệu lưu trữ có thay đổi biến động liên tục (chẳng hạn: khách hàng thay đổi nơi làm việc, thay đổi trạng thái nhân…) Trong tình nhập nhằng mạng nơron (với khả tự thích ứng) cơng cụ đắc lực thể khả xử lý tốt liệu thay đổi liên tục Baesens đồng nghiệp trình bày phương pháp để đánh giá uy tín [1] Thay sử dụng mạng nơron nhân tạo hộp đen (black box), tác giả trích xuất luật mờ (fuzzy rule) từ mạng nơron huấn luyện Dựa chuỗi đảo ngược thao tác, tác giả xây dựng công cụ để đánh giá uy tín dựa luật học từ mạng nơron Những luật trích xuất sử dụng để cung cấp cho chuyên gia tín dụng có uy tín tổ chức tài Kết luận Trí tuệ nhân tạo ngày thể vai trị khả ưu việt ứng dụng ngành tài – ngân hàng Bài viết giới thiệu phương pháp sử dụng máy hỗ trợ véctơ để dự đoán rủi ro ngân hàng sử dụng mạng nơron nhân tạo để kiểm tra uy tín khách hàng tiềm Đây hướng nghiên cứu thú vị có khả ứng dụng cao dự phịng rủi ro phân tích khách hàng tiềm nhằm giảm thiểu rủi ro tăng khả cạnh tranh vị ngân hàng tổ chức tài Tài liệu tham khảo [1] Baesens B., Setiono R., Mues C., Vanthien J.: Using neural network rule extraction and decision tables for credit-risk evaluation Management Science, Vol 49, No 3, March 2003, pp 312–320 [2] Demirguc-Kunt A., Detragiache E.: Monitoring banking sector fragility: a multivariate logit approach World Bank Economic Review, vol.14, no 2, 2000, pp 287–307 [3] Frankel J A., Rose A K.: Currency crashes in emerging markets: an empirical treatment Journal of International Economics, vol 41, no.3-4, pp 351–366, 1996 [4] Hanschel E., Monnin P.: Measuring and forecasting stress in the banking sector: evidence from Switzerland Investigating the Relationship between the Financial and Real Economy, BIS Papers, no 22, 2005, pp 431- 449 [5] Henley W.E., Hand D.J.: A k-nearestneighbour classifier for assessing consumer credit risk, The Statistician, Volume 45, Issue (1996), pp 75 – 95 [6] Kaminsky G L., Reinhart C M.: Thetwin crises: the causes of banking and balance-ofpayments problems American Economic Review, vol 89, no 3, pp 473– 500, 1999 [7] Shouwei L., Mingliang W., Jianmin H.: Prediction of Banking Systemic Risk Based on Support Vector Machine MathematicalProblems in Engineering, Vol 2013, April 2013, p [8] Zan H et al.: Credit rating analysis with support vector machines and neural networks: a market comparative study Decision Support Systems, vol 37, 2004, ss 543–558