Trong số các mô hình xếp hạng tín dụng ở Việt Nam, mô hình chấm điểm tín dụng được sử dụng phổ biến do nó phù hợp với điều kiện Việt Nam, đồng thời việc nghiên cứu áp dụng không quá phức tạp, các ngân hàng cũng không cần có nguồn vốn lớn mà chỉ cần các cán bộ tín dụng có trình độ và hệ thống thông tin quản lý cập nhật là thực hiện được. Tuy nhiên mô hình này không lượng hóa được mức độ ảnh hưởng của
90
các yếu tố tác động đến khả năng trả nợ của khách hàng và việc đánh giá nhiều khi phụ thuộc vào ý kiến chủ quan cũng như trình độ của cán bộ tín dụng. Từ đó dẫn đến hạn chế trong việc thẩm định và đánh giá chính xác, khách quan về khả năng trả nợ của khách hàng.
Trong khi đó mô hình điểm số Z-score là mô hình lượng hóa, đo lường được khả năng trả nợ của khách hàng thông qua việc mô hình hóa các mối quan hệ giữa các biến nên khắc phục được nhược điểm của mô hình chấm điểm truyền thống. Đại lượng Z là thước đo tổng hợp nhằm phân loại rủi ro đối với khách hàng và phụ thuộc vào các yếu tố tài chính của họ. Chỉ số Z càng cao thì xác suất vỡ nợ càng thấp, do đó đây là một căn cứ khách quan để xếp hạng các khách hàng theo nguy cơ vỡ nợ. Kỹ thuật đo lường rủi ro của mô hình không phức tạp và sử dụng phương pháp phân tích đa biệt số đã khắc phục được nhược điểm của mô hình định tính, không phụ thuộc ý kiến chủ quan của cán bộ tín dụng.
Thêm vào đó, với việc ứng dụng các phần mềm hỗ trợ xếp hạng tín dụng tự động như MATLAB ta có thể thấy công việc phân tích, xếp hạng tín dụng khách hàng với số lượng lên tới hàng ngàn diễn ra một cách khá nhanh chóng và hiệu quả. Ngoài ra, MATLAB còn cung cấp khá đầy đủ các công cụ giúp đánh giá mức độ chính xác cũng như tính hiệu quả của mô hình xếp hạng tín dụng một cách trực quan và tiện lợi thông qua các biểu đồ với số câu lệnh không nhiều. Ngoài công cụ cây quyết định sử dụng trong xếp hạng tín dụng đã được trình bày trong đồ án này thì MATLAB còn cung cấp đa dạng các công cụ phân lớp khác như phân tích biệt số, bộ phân lớp theo phương pháp Bayes hay bộ công cụ phân tích theo phương pháp mạng Nơ ron. MATLAB là một phần mềm có nhiều ưu điểm như tính toán mạnh mẽ, đa năng, không đòi hỏi người sử dụng phải biết quá nhiều về lập trình mới có thể sử dụng tốt, thích hợp trong việc sử dụng để phân tích, xếp hạng tín dụng khách hàng.
Tuy nhiên, việc áp dụng các mô hình cũng như công cụ phân tích định lượng trong thực tế ở Việt Nam không dễ dàng do các mô hình hay công cụ này đòi hỏi hệ
91
thống thông tin phải cập nhật đầy đủ, chính xác thông tin của tất cả khách hàng. Trong khi đó, Việt Nam vẫn chưa có một nền kinh tế thị trường phát triển đầy đủ. Các quy luật hoạt động của nền kinh tế thị trường (định hướng xã hội chủ nghĩa) của Việt Nam vẫn còn nhiều khác biệt với các thị trường trên thế giới cộng thêm tình trạng thiếu minh bạch trong hoạt động cung cấp thông tin báo cáo tài chính, báo cáo kết quả kinh doanh nên các mô hình định lượng khó có thể hoạt động chính xác. Thêm vào đó, việc thu thập và quản trị dữ liệu phục vụ cho công tác phân tích, xếp hạng tín dụng chưa được các ngân hàng ở nước ta chú trọng trong thời gian dài. Trong khi yêu cầu tối thiểu về độ dài dữ liệu cho một số mô hình phân tích là 3 năm.
Để vận dụng có hiệu quả các mô hình cũng như công cụ phân tích định lượng, điều kiện tiên quyết là phải có sự minh bạch hóa thông tin cũng như nền kinh tế cần có cơ chế vận hành phù hợp, nhưng điều này không thể thực hiện trong thời gian ngắn vì còn phụ thuộc vào chính sách điều hành và đường lối kinh tế của chính phủ. Vì vậy, việc xây dựng một mô hình định lượng phù hợp với điều kiện Việt Nam như mô hình chỉ số Z điều chỉnh được đề cập trong một số tạp chí và công trình nghiên cứu là hợp lý trong thời điểm này. Ngoài ra, các ngân hàng cũng cần thực hiện công tác xác định yêu cầu dữ liệu bổ sung và bố trí nhân sự phù hợp để phục vụ việc thu thập, làm sạch dữ liệu. Đồng thời có các phương án làm giàu dữ liệu, kiểm tra chất lượng dữ liệu nhằm đảm bảo tính đầy đủ và chính xác của dữ liệu, đáp ứng được các tiêu chuẩn về chất lượng dữ liệu theo chuẩn Basel II.
92
TÀ I LIỆU THAM KHẢO
1. Lê Thẩm Dương (2006), Giáo trình nghiệp vụ ngân hàng.
2. Jiawei Han, Micheline Kamber, và Jian Pei (2012), Data mining – Concepts and Techniques, 3rd edition.
3. Lê Văn Tâm, Ngô Kim Thanh (2008), Giáo trình quản trị doanh nghiệp, NXB Đại học Kinh Tế Quốc Dân.
4. Ngân hàng Nông nghiệp và phát triển nông thôn Việt Nam, sổ tay tín dụng. 5. Decision tree, URL: https://en.wikipedia.org/wiki/Decision_tree
6. Data Mining Tutorial, Tutorials Point,
URL: http://www.tutorialspoint.com/data_mining / 7. Data mining, Wikipedia,
URL: https://en.wikipedia.org/wiki/Data_mining 8. Decision tree learning, URL:
https://www.cs.princeton.edu/courses/archive/spring07/cos424/papers/mitchell -dectrees.pdf
https://en.wikipedia.org/wiki/Decision_tree_learning 9. Ensemble learning, Wikipedia,
URL: https://en.wikipedia.org/wiki/Ensemble_learning. 10.Khai phá dữ liệu bằng cây quyết định, URL:
http://tailieu.tv/tai-lieu/de-tai-khai-pha-du-lieu-bang-cay-quyet-dinh-3308/. 11.Martin Brown, Các kỹ thuật khai phá dữ liệu, IBM,URL:
http://www.ibm.com/developerworks/vn/library/data/2013Q1/ba-data-mining- techniques/.
12.TreeBagger class, The MathWorks, Inc: