- VND Ngoại tệ quy VND
3.2.4.6.Nâng cao chất lượng phương pháp dự đoán và cảnh báo rủi ro tín dụng
CHI NHÁNH HAI BÀ TRƯNG
3.2.4.6.Nâng cao chất lượng phương pháp dự đoán và cảnh báo rủi ro tín dụng
Hiện nay, để phòng ngừa rủi ro tín dụng, các chuyên gia ngân hàng thực hiện các phương pháp thu thập, phân tích và đánh giá các thông tin về khách hàng, TSBĐ của khoản vay, phương án kinh doanh của khách hàng, biến động của thị trường. Phương pháp truyền thống này có nhiều hạn chế do phụ thuộc vào trình độ, tâm lý và yếu tố chủ quan khác của nhóm chuyên gia; cũng như thiếu những thông tin cần thiết để nhóm chuyên gia phân tích, thậm chí là thông tin về chính khách hàng đã có quan hệ tín dụng với ngân hàng.
Nhiều giải thuật thống kê được phát triển và tích hợp thành một chức năng của các công cụ nhằm hỗ trợ cho công tác dự đoán như trong MS Excel, Lotus, Microfit,..Tuy nhiên, chúng chỉ thực hiện các chức năng hồi quy đơn giản. Các phương pháp này đều yêu cầu phải biết trước kỹ thuật toán học.
Trong những năm gần đây, để xây dựng các mô hình dự đoán, một số nước trên thế giới thường sử dụng kỹ thuật khai phá dữ liệu. Kỹ thuật này khá giống với kỹ thuật thống kê theo cách nó xây dựng mô hình dự đoán từ dữ liệu. Tuy nhiên, khai phá dữ liệu thuận lợi hơn so với phương pháp thống kê truyền thống vì nó có thể mang lại tri thức mới cho người dùng, đưa ra được cái nhìn tổng thể toàn bộ quá trình hoạt động của dữ liệu chứ không chỉ là độ chính xác dự đoán theo thống kê.
Quá trình khai phá tri thức từ dữ liệu bao gồm một số bước từ các bộ dữ liệu đến tri thức mới.
• Làm sạch dữ liệu (Data cleaning) và tích hợp dữ liệu (Data integration): Đây là giai đoạn tạo ra nguồn dữ liệu cho việc khai phá tri thức. Dữ liệu được làm sạch từ các nguồn khác và tích hợp với nhau.
• Lựa chọn dữ liệu (Data selection): Dữ liệu không liên quan được phân tích để quyết định giữ lại hay loại bỏ khỏi tập dữ liệu. Giai đoạn này thực hiện việc lựa chọn các trường của mỗi mẫu dữ liệu để thực hiện khai phá tri thức thu được kết
quả cao.
• Biến đổi dữ liệu (Data transformation): Dữ liệu được lựa chọn được biến đổi vào các mẫu thích hợp cho quá trình khai phá.
• Khai phá dữ liệu (Data mining): Giai đoạn quyết định của quá trình khai phá tri thức từ dữ liệu. Các kỹ thuật được sử dụng trong giai đoạn này nhằm lấy ra các mẫu hữu ích tiềm ẩn.
• Đánh giá các mẫu (Pattern evaluation): Các mẫu biểu diễn tri thức hấp dẫn được nhận biết dựa trên các độ đo được đưa ra.
• Biểu diễn tri thức (Knowledge representation): Đây là giai đoạn cuối của quá trình khai phá tri thức từ dữ liệu, nhằm biểu diễn trực quan tri thức cho người dùng. Bước quan trọng này sử dụng các kỹ thuật trực quan để giúp người sử dụng hiểu và biểu diễn các kết quả khai phá dữ liệu.
Khai phá tri thức từ dữ liệu (Knowledge Discovery in Database – KDD) là một quá trình lặp. Mỗi khi tri thức khai phá được biểu diễn cho người dùng, các độ đo đánh giá có thể được nâng cao, khai phá có thể được cải tiến trong tương lai, dữ liệu mới có thể được chọn hoặc biến đổi trong tương lai, hoặc các nguồn dữ liệu mới có thể được tích hợp nhằm thu được các kết quả khác, thích hợp hơn.
Rủi ro tín dụng là vấn đề được quan tâm từ các ngành các lĩnh vực khác nhau bởi sự lành mạnh của hoạt động tín dụng ảnh hưởng rất lớn tới nền kinh tế của bất kỳ quốc gia nào. Vì vậy để hạn chế rủi ro tín dụng, không những cần có các giải pháp từ phía NHTM nói chung và NHTMCP Công thương Việt Nam - Chi nhánh HBT nói riêng mà còn phải có các giải pháp đồng bộ từ các cấp các ngành liên quan.
3.3. Kiến nghị