2. Kết quả mô hình
2.2. Nhược điểm của từng mô hình
2.2.1. Mô hình phân lớp
Mô hình phân lớp được hình thành từ bộ dữ liệu phức tạp có sự liên kết giữa những dòng những phần tử khác nhau do đó để có đượcđộ chính xác nhất định cần bộ dữ liệu lớn để đánh giá.
Bộ dữ liệu được tách ngẫu nhiên từ bộ dữ liệu hơn 150000 dữ liệu của cuộc thi về học máy nên chưa có tính thực tế, khách quan cho việc nghiên cứu trong thực tiễn.
70 Mô hình phân lớp không phổ biến giữa các mô hình phân lớp khác nhau: SVM và mô hình Logistics, Neuraul Networking và cây quyết định nên khó cho việc tạo lập chính xác về mô hình.
2.2.2. Mô hình phân cụm
Mô hình phân cụm được sử dụng là tSNE dựa trên tính chủ quan của người dùng: dựa trên trực quan hóa dữ liệu để phân cụm dữ liệu mà không tự đánh giá qua mô hình, học máy.
Khó áp dụng thực tế vì độ sai lệch còn cao ảnh hưởng đến tín dụng ngân hàng.
Bộ dữ liệu từ nguồn cuộc thi học thuật về học máy của các chuyên gia về dữ liệu do đó cấu trúc dữ liệu khá khó đánh giá chỉ với phần mềm mà phải đánh giá linh hoạt hơn bằng kĩ năng lập trình.
Sử dụng mô hình phân cụm theo t-SNE nên không đánh giá được kết quả phân cụm theo Silhouette mà đánh giá bằng kết quả thực tế làm giảm đi sự tin cậy của mô hình nghiên cứu.
71
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Nội dung chương này, nhóm sẽ trình bày một cái nhìn tổng quan nhất. Chương này sẽ cung cấp một bản tóm tắt về đồ án bao gồm quy trình nghiên cứu và kết quả mô hình, cùng với đó là hướng phát triển của đồ án và khuyến nghị để có thể hoàn thiện hơn.
Trong xu hướng phát triến kinh tế hiện nay, doanh nghiệp sẽ không ít lần gặp những rủi ro, khó khăn trong quá trình kình doanh, thậm chí có thể phá. Bởi vì lí do đó, ngân hàng phải có những chiến lược riêng cho từng rủi ro nhất định để đảm bảo khách hàng của họ có khả năng thanh toán tín dụng cao hoặc giảm rủi ro không thể thanh toán thấp xuống có thể. Để có thể giảm rủi ro trong việc thanh toán của khách hàng, ngân hàng cần có những biện pháp như sau:
+ Tránh cho vay nhiều đối với khách hàng có tỉ lệ nợ cao, thu nhập hàng tháng thấp và khả năng xảy ra thanh toán quá hạn trong quá khứ nhiều lần.
+ Bảo hiểm tín dụng cũng là một biện pháp quan trọng nhằm san sẽ rủi ro trong hoạt động tín dụng của các ngân hàng. Bảo hiểm tín dụng có thể thực hiện dưới các hình thức như: Bảo hiểm cho hoạt động cho vay, bảo hiểm tài sản, bảo hiểm tiền vay,…
+ Đa dạng hoá danh mục đầu tư giúp ngân hàng phân tán rủi ro tín dụng một cách chủ động nhất: Đầu tư nhiều loại hàng hoá khác nhau tránh tập trung cho vay sản xuất một số loại sản phẩm có nhiều trên thị trường, cho vay với nhiều thời hạn khác nhau,…
+ Giảm lãi vay đối với những trường hợp khó khăn như dịch bệnh, thiên tai, kinh tế khó khăn,…
+ Cơ cấu lại nợ như điều chỉnh kì hạn trả nợ và gia hạn nợ đổi với khách hàng khó có khả năng trả nợ đúng hạn trong sản xuất kinh doanh
+ Hoàn thiện chính sách quản lí rủi ro tại ngân hàng: nhận biết, xác định hạn mức, định lượng, kiểm soát của tất cả loại rủi ro
72 + Hệ thống xếp hạng tính dụng rủi ro giúp ngân hàng xác định giới hạn tín dụng, các điều kiện tín dụng thích hợp với khách hàng; tiến hành phân loại nợ và trích lập dự phòng rủi ro.
+ Tại các ngân hàng cần phân tách các bộ phận mang những vai trò khác nhau như:
bán hàng (tiếp xúc, tiếp thị khách hàng,..), phân tích tín dụng (phân tích, thậm định, dự báo, đánh giá khách hàng,..), tác nghiệp (xử lí hồ sơ, theo dõi, giám sát khoản vay, thu nợ,…)
Hạn chế
Hạn chế đối với đề tài:
Yêu cầu một lượng lớn dữ liệu với các thuộc tính khác nhau để dự đoán chính xác.
Độ chính xác rất cao nhưng so với thực tế thì thực tế bóp méo và trở thành “dữ liệu ảo” không sử dụng được.
Cần phát triển và cải tiến nhiều mặt về dữ liệu thu thập được cũng như tính hữu ích thực tế của mô hình.
Hạn chế đối với bộ dữ liệu nghiên cứu :
Bộ dữ liệu được lấy từ cuộc thi học máy lớn của Đức về phân lớp dữ liệu do đó các mô hình phân cụm chưa đảm bảo được tính khách quan của việc học máy.
Việc bổ sung thêm mô hình về Neural Networking do sự tất yếu của mô hình nghiên cứu cũng như đánh giá sự khác nhau giữa mô hình học máy của cuộc thi lớn so với kết quả phân tích bằng Orange.
Hạn chế đối với nhóm:
Số lượng mẫu tối ưu chỉ dưới 5000 với phân cụm, không giải quyết được linh hoạt các loại phân cụm, phân lớp.
Hướng phát triển
Mô hình này có thể được dùng để dự đoán rủi ro vỡ nợ tín dụng dựa trên các yếu tố khách quan và chủ quan, điển hình như đặc điểm của đối tượng khách hàng, thời hạn tín dụng mức độ hài lòng, sự trung thành và khả năng trả nợ của khách hàng,...
Từ đó có thể giúp cho các ngân hàng trong nước nói riêng, ngoài nước nói chung có đánh giá và đề ra biện pháp hạn chế rủi ro tín dụng phù hợp, hiệu quả trong tương lai, chẳng hạn như là:
73
● Xác định nhóm khách hàng có khả năng cao hoặc thấp trong việc trả nợ, hỗ trợ dự đoán khả năng thu hồi vốn và lãi suất trong việc kinh doanh của ngân hàng
● Mục đích vay vốn cũng như hoạt động của người vay vốn. Do tính chất dự đoán của nó, mô hình này có thể được sử dụng khi muốn khái quát hóa về khả năng tiếp cận vốn của người dân.