từ dữ liệu
1. Khái niệm rủi ro tín dụng
Rủi ro tín dụng hiểu một cách chung nhất là loại rủi ro phát sinh trong quá trình cho vay của ngân hàng, thể hiện khách hàng không trả được nợ hoặc trả nợ không đúng hạn cho ngân hàng. Nói một cách khác là người vay không thực hiện đúng cam kết vay vốn theo hợp đồng tín dụng, không tuân thủ khi hợp đồng đáo hạn.
Rủi ro tín dụng còn gọi là rủi ro mất khả năng chi trả hay rủi ro sai hẹn
Tuy nhiên cần hiểu rủi ro tín dụng theo nghĩa xác suất, là khả năng xảy ra, do đó có thể xảy ra hoặc không xảy ra tổn thất. Điều này có nghĩa là một khoản vay dù chưa quá hạn nhưng vẫn luôn tiềm ẩn nguy cơ xảy ra tổn thất; một ngân hàng mặc dù có tỷ lệ nợ quá hạn thấp nhưng nguy cơ rủi ro tín dụng cao nếu tập trung đầu tư vào một nhóm khách hàng hay một loại ngành nghề. Cách hiểu này giúp cho cácngân hàng chủ động trong phòng ngừa, trích lập dự phòng, đảm bảo bù đắp tổn thấtkhi xảy ra rủi ro.
2. Dự đoán rủi ro tín dụng
Rủi ro tín dụng có thể được hiểu là nguy cơ một người đi vay không thể trả được gốc và/hoặc lãi đúng thời hạn quy định. Trong lĩnh vực tín dụng, rủi ro của một khoản vay được biểu thị bằng nhóm nợ. Bài toán dự đoán rủi ro tín dụng ở đây là việc dự đoán nhóm nợ của một khoản vay đến ngày đáo hạn.
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, tài sản bảo đảm 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. Việc dự đoán thực chất chỉ là việc kỹ thuật hoá các công thức hồi quy, nghĩa là muốn dự đoán phải biết các yếu tố đầu vào phụ thuộc.
Điều này không làm được trong dự đoán tương lai, khi không biết được các thông tin đầu vào. Ví dụ hàm dự đoán Forecast trong MS Excel, hàm dự đoán như
sau: Forecast (giá trị x cần để dự đoán giá trị y, các giá trị y đã biết, các giá trị x đã biết).
Trong những năm gần đây, để xây dựng các mô hình dự đoán người ta thường sử dụng kỹ thuật khai mỏ 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 mỏ 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..
3. Thử nghiệm dự đoán rủi ro tín dụng
Để nghiên cứu việc ứng dụng khai mỏ dữ liệu trong dự đoán rủi ro tín dụng, chúng tôi đã sử dụng một tập dữ liệu ngẫu nhiên gồm: 32000 khoản vay trong quá khứ sau ngày đáo hạn. Những thông tin của mỗi khoản vay được sử dụng để khai mỏ dữ liệu gồm:
• Loại hình doanh nghiệp của khách hàng • Địa chỉ của khách hàng
• Thành phần kinh tế • Ngành kinh tế
• Đánh giá khách hàng
• Khách hàng chiến lược của ngân hàng
• Khách hàng có quan hệ với nhiều tổ chức tín dụng • Sản phẩm của khoản vay
• Thời hạn của khoản vay • Loại đồng tiền của khoản vay • Số tiền xin vay
• Mục đích vay vốn • Khoản vay tuần hoàn • Hình thức bảo đảm
• Phần trăm tài sản bảo đảm cho khoản vay • Nhóm tài sản bảo đảm
• Chi nhánh cho vay
Sau khi sử dụng các kỹ thuật khai mỏ dữ liệu thu được hơn 1400 luật. Trong đó có các luật sau:
a) Nếu <chi nhánh cho vay là BR12345> và <phần trăm TSBĐ < 10%> và <Nhóm TSBĐ là bất động sản> Thì nhóm nợ của khoản vay là V (nhóm nợ xấu nhất).
Luật này đúng 100% trong tập dữ liệu được sử dụng khai phá. Như vậy, bằng phương pháp khai mỏ dữ liệu đã tìm ra được quy luật “cho vay liên quan đến bất động sản sẽ có rủi ro cao”. Điều này các chuyên gia ngân hàng đã biết. Nhưng rõ ràng khai mỏ dữ liệu đã tổng quát được các quy luật từ dữ liệu và cụ hơn
bằng nhiều luật chi tiết đến nhiều yếu tố khác như chi nhánh cho vay, loại hình doanh nghiệp của khách hàng và mức độ rủi ro.
b) Nếu <chi nhánh cho vay là BR23456> và <thời hạn cho vay là dài hạn> Thì nhóm nợ của khoản vay là V.
Luật này đúng 100% trong tập dữ liệu được sử dụng khai phá. Dựa trên các luật được phát hiện trên, chuyên gia ngân hàng có thể đưa ra những quyết định phù hợp nhằm tăng cường chất lượng tín dụng đối với chi nhánh thực hiện cho vay.