Ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam.Ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam.Ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam.Ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam.Ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam.Ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam.Ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam.Ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam.Ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam.Ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam.
TỔNG QUAN NGHIÊN CỨU VỀ TRÍ TUỆ NHÂN TẠO
Các nghiên cứu về mô hình quản lý rủi ro tín dụng
Nghiên cứu của Bullivant (2010) đã cung cấp cái nhìn tổng quan về quản lý rủi ro tín dụng, bao gồm các vấn đề quan trọng như chính sách tín dụng, quản lý chức năng tín dụng, điều kiện tín dụng, đánh giá rủi ro, quản lý và mô hình hóa, thu hồi nợ, bảo hiểm tín dụng, tín dụng xuất khẩu, tín dụng tiêu dùng, luật tín dụng thương mại và các dịch vụ tín dụng.
Mô hình ba lớp bảo vệ, được phát triển bởi Institute of Internal Auditors (IIA) vào năm 2013, đã trở thành chuẩn mực trong quản lý rủi ro, đặc biệt là trong quản lý rủi ro tín dụng Mô hình này nhấn mạnh việc phân tách chức năng quản lý rủi ro thành ba lớp độc lập: bộ phận kinh doanh, quản lý rủi ro và kiểm toán nội bộ, nhằm tăng cường sự trao đổi giữa các bên liên quan Nghiên cứu của Tammenga (2020) cho thấy việc áp dụng trí tuệ nhân tạo một cách có kiểm soát vào lớp bảo vệ thứ hai là phù hợp và an toàn, góp phần nâng cao hiệu quả trong quản lý rủi ro.
Nguyễn Văn Tiến (2015) đã nghiên cứu mô hình quản trị ngân hàng, nhấn mạnh sự độc lập giữa các khối kinh doanh, quản lý rủi ro và xử lý nội bộ, đồng thời đảm bảo quy trình quản lý tín dụng tập trung Ghosh (2012) cũng đề xuất cần có bộ phận riêng trong ngân hàng để quản lý rủi ro tín dụng do tần suất và độ lớn của rủi ro Cả hai nghiên cứu đều thống nhất rằng mô hình tập trung giúp phân tách chức năng kinh doanh với chức năng giám sát và kiểm soát rủi ro, tạo nên nền tảng lý thuyết chuẩn mực cho mô hình quản lý rủi ro, phù hợp với xu hướng quản trị ngân hàng hiện đại.
Nghiên cứu của Trần Khánh Dương (2019) đã phân tích hai mô hình quản lý rủi ro tín dụng phổ biến tại Ngân hàng Thương mại cổ phần Đầu tư và Phát triển Việt Nam, bao gồm mô hình tập trung và mô hình phân tán Nghiên cứu cũng chỉ ra các yếu tố ảnh hưởng đến việc lựa chọn mô hình quản lý rủi ro tín dụng, như định hướng quản lý, quy mô ngân hàng, trình độ công nghệ và nhân lực Ngoài ra, một số nghiên cứu khác về quản lý rủi ro tín dụng tại các ngân hàng cụ thể bao gồm luận án của Nguyễn Quang Hiện (2016) về Ngân hàng TMCP Quân đội, Lê Thị Hạnh (2017) về Vietcombank và Nguyễn Như Dương (2018) về Vietinbank.
Nghiên cứu của Lê Thị Huyền Diệu (2010) cung cấp cái nhìn tổng quan về các mô hình quản lý rủi ro tín dụng, nhấn mạnh các luận cứ khoa học cần thiết để lựa chọn mô hình phù hợp cho các ngân hàng thương mại tại Việt Nam Tiếp nối, nghiên cứu của Nguyễn Bích Ngân (2020) thực hiện mô phỏng mô hình quản lý rủi ro danh mục dựa trên phương pháp xếp hạng nội bộ (FIRB) theo tiêu chuẩn của Basel.
Nghiên cứu về đánh giá rủi ro tín dụng
Koulafetis (2017) đã thực hiện một nghiên cứu toàn diện về các mô hình đo lường rủi ro tín dụng, bao gồm các mô hình đo lường rủi ro danh mục như mô hình tiêu chuẩn do Basel khuyến nghị (SA), mô hình cơ bản dựa trên xếp hạng tín dụng nội bộ (FIRB) và mô hình nâng cao dựa trên xếp hạng tín dụng nâng cao (AIRB) Nghiên cứu cũng đề cập đến các mô hình phát triển bởi các định chế tài chính nổi tiếng như CreditMetrics của JP Morgan (1997), KMV của Moody’s (2002), CreditRisk+ của Credit Suisse (1997) và CreditPortfolioView của Wilson (1997), được sử dụng bởi McKinsey Các mô hình này đều tập trung vào việc đo lường mức tổn thất ngoài dự tính (UL), trong khi một số mô hình khác lại chú trọng vào việc thiết lập các cơ chế mô phỏng giá trị danh mục trong tương lai (Saunders & Allen, 2010).
Witzany (2017) đã trình bày cơ sở lý thuyết cho các mô hình đo lường rủi ro danh mục tín dụng và mô phỏng các bước tính toán liên quan Mô hình CreditMetrics sử dụng phương pháp mô phỏng Monte Carlo, trong khi mô hình CreditRisk+ thiết lập khung tính toán phân bổ tổn thất mà không cần mô phỏng Mô hình CreditPortfolioView tích hợp các yếu tố vĩ mô ảnh hưởng đến khả năng vỡ nợ, còn mô hình KMV dựa trên giá trị chịu rủi ro (VaR) và xem khoản vay như một hợp đồng quyền chọn.
Nhiều nghiên cứu đã phân tích mô hình đo lường rủi ro tín dụng theo cách tiếp cận của Basel, trong đó có nghiên cứu của Acharya và các cộng sự.
(2006), Carey & Gordy (2007), Hibbeln (2010), Engelmann & Rauhmeier
Các nghiên cứu của Witzany (2017), Jacob (2010) và các tác giả khác (2006) đã trình bày chi tiết về cơ sở lý thuyết và mô phỏng liên quan đến việc áp dụng các khuyến nghị trong Basel II đối với rủi ro tín dụng Những mô hình quan trọng trong phương pháp tiếp cận của Basel để đánh giá rủi ro tín dụng bao gồm xác suất khách hàng không trả được nợ (PD), tỷ lệ tổn thất trong trường hợp khách hàng vỡ nợ (LGD) và dư nợ tại thời điểm vỡ nợ (EAD).
Trong luận án này, tác giả áp dụng các lý thuyết về mô hình quản lý rủi ro tín dụng dựa trên phương pháp xếp hạng tín dụng nội bộ nâng cao (AIRB) theo tiêu chuẩn Basel II nhằm xây dựng hệ thống xếp hạng tín dụng nội bộ cho Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam.
1.2.1 Nghiên cứu về đo lường xác suất vỡ nợ
Altman (1968) là người tiên phong trong việc phân loại khách hàng vay theo rủi ro tín dụng thông qua mô hình định lượng, giới thiệu điểm số Z (Z score) để đánh giá khả năng vỡ nợ của khách hàng vay bằng phương pháp phân tích phân biệt (Multiple Discriminant Analysis – MDA) Đồng thời, Wiginton (1980) đã phổ biến mô hình Logit (LR) trong nghiên cứu và ứng dụng xếp hạng tín dụng Cả hai nghiên cứu này đều đánh giá hiệu quả của mô hình thông qua ma trận phân loại, so sánh tỷ lệ phân loại đúng và sai giữa nợ xấu và nợ tốt.
Arminger và cộng sự (1997) đã tiến hành nghiên cứu sử dụng ba phương pháp: phân tích phân biệt logistic, phân tích CART trên 8.163 quan sát từ hai năm 1991-1992 tại một ngân hàng Đức Kết quả nghiên cứu cho thấy những người trưởng thành, có thâm niên công tác, sở hữu ôtô, là nữ giới và có gia đình có khả năng trả nợ tốt hơn.
Nghiên cứu của Vasanthi & Raja (2006) đã ước tính khả năng vỡ nợ liên quan đến thu nhập và các yếu tố khác dựa trên dữ liệu từ 3.431 hộ gia đình tại Úc Kết quả cho thấy độ tuổi, thu nhập và các yếu tố nhân khẩu học là những yếu tố quan trọng ảnh hưởng đến khả năng vỡ nợ của khách hàng.
Nghiên cứu của Autio và cộng sự (2009) về việc sử dụng các khoản vay nóng tại Phần Lan cho thấy rằng tình trạng nghề nghiệp, thu nhập và cấu trúc gia đình là những yếu tố chính ảnh hưởng đến số lượng khoản vay của người trẻ từ 18 đến 29 tuổi Khảo sát trực tuyến đã được thực hiện, nhưng giới tính dường như không có tác động đáng kể đến việc vay mượn.
Kocenda & Vojtek (2011) nghiên cứu một mẫu gồm 3.403 quan sát với
Nghiên cứu với 21 biến giải thích sử dụng hai phương pháp hồi quy logistic và phân tích CART cho thấy rằng các yếu tố như đặc tính tài sản, trình độ học vấn, tình trạng hôn nhân, mục đích của khoản vay và thời gian duy trì tài khoản ngân hàng có ảnh hưởng rõ rệt đến khả năng vỡ nợ trong danh mục vay tiêu dùng.
Nwachukwu (2013) đã nghiên cứu các khoản vay trong lĩnh vực nông nghiệp tại Nigeria, cho thấy tỷ lệ khả năng vỡ nợ của khách hàng rất cao, vượt quá 50% Nghiên cứu thu thập dữ liệu từ 36 đặc điểm của người vay, được chia thành 6 nhóm thông tin: cá nhân và hộ gia đình, hoạt động kinh doanh, khoản vay và tổ chức cho vay, tham gia các nhóm tiết kiệm và hợp tác xã, tài sản, thu nhập và chi tiêu, cùng với cơ sở hạ tầng Kết quả chỉ ra rằng bốn yếu tố quan trọng ảnh hưởng đến khả năng trả nợ của khách hàng là độ tuổi, tần suất kiểm tra của người cho vay, tiền gửi tiết kiệm trong các nhóm tương hỗ và tổng tiền tiết kiệm hàng năm.
Nghiên cứu của Dinh & Kleimeier (2007) là một trong những nghiên cứu hiếm hoi tại Việt Nam áp dụng mô hình định lượng (mô hình logistic) để xếp hạng tín dụng cá nhân Mục tiêu của nghiên cứu là xác định mô hình chấm điểm tín dụng và chính sách sử dụng phù hợp cho lĩnh vực tín dụng cá nhân tại Việt Nam, sử dụng bộ dữ liệu với 56.037 quan sát và 22 đặc điểm khách hàng Kết quả cho thấy 16 yếu tố có ảnh hưởng đáng kể, trong đó nổi bật là thâm niên giao dịch với ngân hàng, giới tính, số khoản vay, thời hạn vay, tài khoản tiết kiệm, khu vực và tình trạng nhà ở Nghiên cứu cũng đề xuất hai tiêu chí để đánh giá tính phù hợp của mô hình chấm điểm tín dụng, bao gồm ma trận tỷ lệ phân loại đúng và chi phí phân loại lỗi.
Nghiên cứu của Tra Pham và Lensink (2008) đã sử dụng dữ liệu từ 4334 quan sát trong khảo sát hộ gia đình Việt Nam năm 1998 để phân tích khả năng vỡ nợ và tiếp cận vốn của khách hàng vay Kết quả cho thấy hạn mức tín dụng, mục đích vay và khu vực sinh sống là ba yếu tố quan trọng ảnh hưởng đến khả năng vỡ nợ trong các loại tín dụng chính thức, phi chính thức và bán chính thức tại thị trường Việt Nam.
Linh và cộng sự (2020) đã khảo sát 180 hộ nông dân tại Hải Phòng, Việt Nam để đánh giá khả năng tiếp cận tín dụng Nghiên cứu thu thập 11 loại thông tin về chủ hộ và gia đình, sử dụng mô hình pobit và hồi quy tuyến tính Kết quả cho thấy, yếu tố địa bàn sinh sống, giới tính, thành viên nhóm tương hỗ, tỷ lệ người phụ thuộc và việc làm có ảnh hưởng lớn đến khả năng tiếp cận vốn vay chính thức Trong khi đó, Thu và công sự (2020) đã xác định rằng tình trạng sở hữu nhà ở, vốn và tỷ lệ lực lượng lao động là những yếu tố quyết định khả năng tiếp cận nguồn vay phi chính thức qua khảo sát 402 hộ nghèo tại miền núi phía Bắc Việt Nam.
1.2.2 Nghiên cứu về tổn thất khi vỡ nợ.
Liên quan đến kỹ thuật dự báo, Loterman và cộng sự (2012) đã thực hiện nghiên cứu toàn diện về các phương pháp trong mô hình LGD, bao gồm 24 kỹ thuật từ hồi quy tuyến tính, hồi quy logit đến các phương pháp trí tuệ nhân tạo như máy véc tơ hỗ trợ (SVM) và mạng nơ ron (NN) Nghiên cứu sử dụng 6 bộ dữ liệu khách hàng cho thấy các mô hình trí tuệ nhân tạo dự đoán LGD hiệu quả hơn các phương pháp truyền thống Trong khi đó, Bastos (2010) chỉ ra rằng mô hình máy học cây hồi quy thể hiện khả năng dự đoán tốt nhất Ngược lại, Bellotti & Crook (2012) cho thấy kỹ thuật hồi quy tuyến tính (OLS) mang lại kết quả dự đoán chính xác nhất.
Nghiên cứu về mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng
Trong bối cảnh cách mạng 4.0, trí tuệ nhân tạo (AI) trong lĩnh vực tín dụng đang thu hút sự chú ý mạnh mẽ từ các nhà nghiên cứu Nghiên cứu quốc tế về AI trong tín dụng rất đa dạng, bao gồm cả lý thuyết tổng quát và mô hình thực nghiệm Latimore (2018) đã phân loại các ứng dụng AI trong ngân hàng thành bốn nhiệm vụ chính: phân tích, tương tác với khách hàng, tự động hóa quy trình và thiết lập báo cáo Ba điểm quan trọng trong nghiên cứu AI là: khó khăn trong việc giải thích kết quả, mối quan hệ giữa dữ liệu và hiệu quả mô hình, và việc kết hợp đánh giá của con người để nâng cao hiệu quả Cuối cùng, việc áp dụng AI sẽ giúp ngân hàng giảm chi phí, giảm rủi ro và tăng lợi nhuận.
Nhiều tác giả như Abdou và Pointon (2011), Chen và cộng sự (2016) đã hệ thống hóa các mô hình trí tuệ nhân tạo trong nghiên cứu đánh giá rủi ro tín dụng Các mô hình này rất đa dạng, bao gồm Học máy như Cây quyết định (DT), máy véc-tơ hỗ trợ (SVM) và Học sâu như mạng nơ ron đa lớp (MLP) và mạng nơ ron xác suất (PNN) Nghiên cứu cũng chỉ ra động lực cho các ngân hàng thương mại trong việc ứng dụng trí tuệ nhân tạo, cùng với những thách thức và rủi ro cần vượt qua.
Nhiều nghiên cứu thực nghiệm đã được thực hiện để đánh giá khả năng khai phá dữ liệu và hiệu quả đo lường rủi ro tín dụng của các mô hình trí tuệ nhân tạo, tiêu biểu là nghiên cứu của Desai và cộng sự.
(1995), West (2000), Abdou và cộng sự (2008), Tsai và Wu (2008), Brown
(2012), Zhao và cộng sự (2015), Tang và cộng sự (2018).
Nghiên cứu của Desai và cộng sự (1995) so sánh khả năng phân loại của mô hình nơ ron multilayer perceptron (MLP) và mạng nơ ron mô-đun (MNN) với các mô hình truyền thống như MLD và LR Kết quả cho thấy mô hình LR có tỷ lệ phân loại tổng thể tốt nhất với 81.7%, trong khi mô hình MLP đạt tỷ lệ phân loại đúng nợ xấu cao nhất là 42.08%, vượt trội hơn so với LR Việc phân loại sai nợ xấu gây tổn thất lớn cho ngân hàng, do đó, áp dụng mô hình nơ ron MLP là cần thiết để tối đa hóa lợi nhuận.
Nghiên cứu của West (2000) đã phân tích khả năng phân loại chính xác của năm mô hình nơron: multilayer perceptron (MLP), mixture-of-experts (MOE), radial basis function (RBF), learning vector quantization (LVQ), và fuzzy adaptive resonance (FAR) Các mô hình này được huấn luyện độc lập 10 lần trên hai bộ dữ liệu khách hàng tại Đức và Úc, với tỷ lệ khách hàng có nợ xấu lần lượt là 30% và 56% Kết quả kiểm định McNemar's chi-square cho thấy có sự cải thiện nhỏ và khác biệt giữa các lần huấn luyện Khi so sánh với các mô hình khác như MDA, LR và KNN, mô hình MOE đạt tỷ lệ phân loại cao nhất là 78.6% cho dữ liệu khách hàng Đức, trong khi mô hình RBF dẫn đầu với tỷ lệ 88.78% cho dữ liệu khách hàng Úc, tiếp theo là MLP với tỷ lệ 87.68%.
Nghiên cứu của Abdou và cộng sự (2008) đã so sánh khả năng khai thác dữ liệu của các mô hình nơ ron MLP và Probabilistic Neural Net (PNN) với các mô hình truyền thống, sử dụng bộ dữ liệu gồm 581 quan sát (25.5% nợ xấu) từ khách hàng vay tại Ai Cập Mạng nơ ron được huấn luyện để xác định cấu trúc tối ưu từ 2 đến 6 node, sau đó mỗi mô hình được huấn luyện thêm 20 lần để đạt độ chính xác cao nhất Kết quả cho thấy mô hình MLP với 5 node đạt độ chính xác cao nhất, với tỷ lệ phân loại đúng nợ tốt là 95.6% và nợ xấu là 92.57% Nghiên cứu cũng chỉ ra cách tính tổn thất cho việc phân loại sai, với tỷ lệ tổn thất khi phân loại sai các khoản nợ xấu và tốt là 5:1.
Tsai và Wu (2008) đã nghiên cứu việc kết hợp các mô hình nơ ron (MLP) để tạo ra mô hình Multiple MLP (MMLP), nhằm nâng cao hiệu quả phân loại nợ Nguyên tắc kết hợp là tổng hợp kết quả phân loại từ từng mô hình đơn lẻ, với lựa chọn phân loại cuối cùng dựa trên sự đồng nhất của các kết quả Nghiên cứu được thực hiện trên ba bộ dữ liệu từ Đức, Úc và Nhật Bản, cho thấy mô hình kết hợp đạt kết quả phân loại chính xác hơn mô hình đơn lẻ đối với dữ liệu của Đức Ngoài ra, nghiên cứu cũng so sánh tỷ lệ phân loại lỗi giữa các mô hình, nhưng chưa đánh giá chi phí của các lỗi này, điều này cần thiết để tăng tính thực tế trong việc so sánh.
Brown (2012) nghiên cứu các phương pháp khai phá dữ liệu trên 05 bộ dữ liệu không cân bằng, trong đó có sự chênh lệch lớn giữa số lượng khoản tín dụng tốt và xấu Nghiên cứu này dựa trên đặc điểm danh mục cho vay cá nhân của ngân hàng, nơi tỷ lệ nợ xấu thường rất nhỏ so với tổng danh mục Mỗi bộ dữ liệu gốc có từ 547 đến 2974 quan sát, với số lượng đặc điểm về khoản nợ dao động đáng kể.
Bộ dữ liệu gốc được chia thành 6 bộ phái sinh với tỷ lệ nợ xấu giảm từ 30% xuống 15%, 10%, 5%, 2.5% và 1% Mô hình Rừng ngẫu nhiên (Random Forests - DF) cho thấy hiệu quả cao nhất trong việc phân loại nợ khi tỷ lệ nợ xấu là 1%, trong khi đó, mô hình Máy véc-tơ hỗ trợ (SVM) là lựa chọn tối ưu cho dữ liệu có tỷ lệ nợ xấu 30%.
Nghiên cứu của Zhao và cộng sự (2015) đã cải tiến hiệu quả phân loại mô hình MLP bằng cách tối ưu hóa phân phối dữ liệu đầu vào qua phương pháp lựa chọn ngẫu nhiên trung bình, chia bộ dữ liệu thành ba tập con huấn luyện, thẩm định và kiểm tra, cùng với việc lựa chọn số node ẩn phù hợp nhất Kết quả cho thấy khả năng phân loại của mô hình tăng đáng kể, với độ chính xác cao hơn 5% so với các nghiên cứu trước đó.
Tang và cộng sự (2018) đã áp dụng mô hình nơ ron cắt xén (pruning neural network – PNN) nhằm tiết kiệm tài nguyên khi xử lý dữ liệu lớn Ý tưởng về PNN xuất phát từ thực tế rằng không phải tất cả trọng số trong mạng nơron đều quan trọng cho quá trình suy luận Nhiều thông số có trọng số rất thấp gần như không ảnh hưởng đến dự đoán nhưng vẫn được tính toán như các thông số khác Nghiên cứu về phương pháp cắt tỉa cho thấy chỉ một tỷ lệ nhỏ các kết nối trong mô hình là thực sự quan trọng.
Bảng 1.2: Tổng hợp các nghiên cứu về mô hình trí tuệ trong đo lường rủi ro tín dụng
Nghiên cứu Dữ liệu Mô hình Mô hình tốt nhất
West (2000) - Đức, 1000 quan sát (30% nợ xấu)
- Úc: 690 quan sát (56 % nợ xấu)
FAR); Đức: MOE (tỷ lệ phân loại đúng 78.6%) Úc: RBF ( Tỷ lệ phân loại đúng 88.78%), MLP (
Tỷ lệ phân loại đúng 87.68%) Desai và cộng sự
- Mỹ: 962 quan sát (18.42% nợ xấu), 918 quan sát (25.98% nợ xấu), 853 quan sát (21.15% nợ xấu)
LR (tỷ lệ phân loại đúng 81.7%)MLP (tỷ lệ phân loại đúng nợ xấu42.08%)
Abdou (2008) Ai Cập: 581 quan sát (25.5% nợ xấu)
MLP (tỷ lệ phân loại đúng
94.84%) Brown và cộng sự (2012) Đức, Úc, 03 bộ dữ liệu khác
SVM tốt nhất với dữ liệu 30% nợ xấu
RF tốt nhất với bộ dữ liệu 1% nợ xấu
- Đức, 1000 quan sát (30% nợ xấu)
- Úc: 690 quan sát (56 % nợ xấu)
- Nhật bản: 690 quan sát (56 % nợ xấu)
MLP, MMLP Đức: MMLP (tỷ lệ phân loại đúng 83.38%) Úc: MLP (tỷ lệ phân loại đúng 97.32%)
Nhật Bản: MLP (tỷ lệ phân loại đúng 87.94%) Altman (1968) 66 quan sát
MDA, LR LR (tỷ lệ phân loại đúng
- Úc: 690 quan sát (56 % nợ xấu)
- Nhật bản: 690 quan sát (56 % nợ xấu)
- Đức, 1000 quan sát (30% nợ xấu)
Nguồn: Tác giả tổng hợp
Khoảng trống nghiên cứu
Lĩnh vực quản lý rủi ro tín dụng đang thu hút sự chú ý từ nhiều nhà nghiên cứu và tổ chức cả trong nước lẫn quốc tế Các nghiên cứu về chủ đề này rất phong phú và đa dạng, phản ánh nhiều quan điểm khác nhau về hoạt động quản lý rủi ro tín dụng Qua quá trình tổng quan nghiên cứu, luận án đã chỉ ra một số khoảng trống cần được khai thác thêm trong lĩnh vực này.
Các nghiên cứu trong nước đã chỉ ra nhiều khía cạnh của quản lý rủi ro như mô hình tổ chức, nguyên tắc, quy trình và phương pháp đo lường Tuy nhiên, rất ít nghiên cứu đề cập đến việc ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng Đến nay, vẫn chưa có công trình nào xây dựng khung lý thuyết cho mô hình trí tuệ nhân tạo trong lĩnh vực này.
Chưa có nhiều nghiên cứu quốc tế và trong nước thực hiện một cách toàn diện về việc áp dụng trí tuệ nhân tạo trong việc đo lường rủi ro tín dụng theo phương pháp tiếp cận nâng cao của Basel.
Hiện tại, chưa có nghiên cứu nào trong nước tập trung vào việc áp dụng trí tuệ nhân tạo trong quản lý rủi ro tại các ngân hàng cụ thể Đây là một khoảng trống thực tiễn mà luận án này sẽ khai thác và nghiên cứu.
Chương 1 của luận án đã trình bày tổng quan về các nghiên cứu trong nước và quốc tế về các nội dung liên quan đến trí tuệ nhân tạo trong quản lý rủi ro tín dụng bao gồm: mô hình quản lý rủi ro tín dụng, đo lường rủi ro tín dụng và sử dngj trí tuệ nhân tạo trong quản lý rủi ro tín dụng Căn cứ trên nhưng nội dung các nghiên cứu hiện có, tác giả đã phân tích những khoảng trống làm cơ sở thực hiện các nội dung nghiên cứu trong luận án Trong đó khoảng trống về ứng dụng trí tuệ nhân tạo đo lường rủi ro tín dụng được khai thác rõ nét nhất trong các chương tiếp theo.
CƠ SỞ LÝ LUẬN VỀ ỨNG DỤNG TRÍ TUỆ NHÂN TẠO
Cơ sở lý luận về quản lý rủi ro tín dụng tại ngân hàng thương mại 25 1 Khái niệm về quản lý rủi ro tín dụng tại ngân hàng thương mại 25
Rủi ro là khả năng xảy ra các biến cố không lường trước, dẫn đến kết quả thực tế khác với kỳ vọng Nó có thể mang tính tích cực và tiêu cực, đồng thời có thể được xem xét như một mối đe dọa làm giảm lợi ích hoặc mang đến cơ hội gia tăng lợi ích thực tế.
Ngân hàng thương mại là một định chế tài chính hoạt động trong lĩnh vực tiền tệ và dịch vụ ngân hàng, đối mặt với nhiều loại rủi ro Các rủi ro cơ bản mà ngân hàng thương mại thường gặp bao gồm rủi ro tín dụng, rủi ro lãi suất, rủi ro tỷ giá và rủi ro thanh khoản Trong số đó, rủi ro tín dụng là loại rủi ro quan trọng nhất mà các nhà quản lý ngân hàng cần tập trung giải quyết, vì nó được xem là nguyên nhân chính dẫn đến nhiều thất bại của ngân hàng.
Rủi ro tín dụng, theo Ủy ban Basel về giám sát ngân hàng (2000), là khả năng mà khách hàng vay hoặc bên đối tác không thực hiện nghĩa vụ theo các thỏa thuận Điều này có nghĩa là ngân hàng phải đối mặt với rủi ro khi người vay không trả nợ đúng hạn theo hợp đồng tín dụng Bessis (2002) định nghĩa rủi ro tín dụng đơn giản hơn là rủi ro đối tác vi phạm nghĩa vụ trả nợ Trong khi đó, Duffie và Singleton (2015) xem rủi ro tín dụng là xác suất vỡ nợ hoặc giảm giá trị thị trường do sự suy yếu chất lượng tín dụng của tổ chức cho vay hoặc đối tác Đối tác trong trường hợp này có thể bao gồm nhà phát hành giấy tờ có giá, con nợ, người đi vay, nhà hoạch định chính sách, nhà tái bảo lãnh và bảo lãnh.
Theo Thông tư 02/2013/TT-NHNN của Ngân hàng Nhà nước Việt Nam, rủi ro tín dụng trong ngân hàng là tổn thất có khả năng xảy ra đối với nợ của tổ chức tín dụng do khách hàng không thực hiện hoặc không có khả năng thực hiện nghĩa vụ trả nợ Đối với ngân hàng thương mại, rủi ro tín dụng được phân loại chi tiết hơn, bao gồm: (i) rủi ro tín dụng từ khách hàng không thực hiện hoặc không có khả năng thực hiện nghĩa vụ trả nợ theo hợp đồng; và (ii) rủi ro tín dụng đối tác từ việc không thực hiện nghĩa vụ thanh toán trong các giao dịch tự doanh, giao dịch repo, reverse repo, sản phẩm phái sinh và giao dịch ngoại tệ.
Rủi ro tín dụng có thể được hiểu qua nhiều khía cạnh khác nhau, nhưng bản chất của nó vẫn là khả năng xảy ra tổn thất kinh tế mà ngân hàng thương mại phải chịu Điều này xảy ra khi khách hàng vay vốn không thực hiện nghĩa vụ hoàn trả nợ gốc và lãi, hoặc hoàn trả không đúng hạn.
2.1.1.2 Khái niệm về quản lý rủi ro tín dụng tại ngân hàng thương mại
Quản lý rủi ro tín dụng, theo Basel (2000), là quá trình tối đa hóa lợi nhuận trong các mức độ rủi ro cho phép, đảm bảo tổn thất do rủi ro tín dụng nằm trong giới hạn chấp nhận của ngân hàng Joseph (2013) cũng nhấn mạnh rằng mục tiêu của quản lý rủi ro tín dụng bao gồm tối đa hóa lợi ích từ cơ hội tín dụng, định giá rủi ro hợp lý, giảm thiểu nợ xấu, tuân thủ chính sách tín dụng và duy trì cơ sở dữ liệu đáng tin cậy.
Quản lý rủi ro tín dụng, theo Afriyie và Akotey (2013), là một phương pháp có cấu trúc nhằm xử lý các sự kiện tín dụng không chắc chắn Quá trình này bao gồm việc đánh giá rủi ro và phát triển các chiến lược để quản lý và giảm thiểu rủi ro tín dụng Các hoạt động trong quản lý rủi ro tín dụng có thể bao gồm chuyển giao rủi ro cho bên thứ ba, giảm thiểu tác động tiêu cực của rủi ro, và chấp nhận một phần hoặc toàn bộ hậu quả từ rủi ro.
Quản lý rủi ro tín dụng được định nghĩa bởi Nguyễn Văn Tiến (2015) là một quy trình toàn diện bao gồm việc nhận diện, đo lường, đánh giá, kiểm soát và báo cáo các rủi ro tín dụng Mục tiêu của quy trình này là tối đa hóa lợi nhuận trong giới hạn mức độ rủi ro tín dụng chấp nhận được.
Quản lý rủi ro tín dụng là một quá trình quan trọng, bao gồm việc nhận diện các rủi ro tiềm ẩn, đo lường mức độ rủi ro và thực hiện các hành động ứng phó thích hợp Điều này không chỉ giúp tổ chức hiểu rõ hơn về các rủi ro mà còn đảm bảo rằng các mô hình rủi ro được áp dụng một cách hiệu quả trong thực tế.
Năm 2013, các hành động ứng xử với rủi ro tín dụng được làm rõ, bao gồm việc giám sát, kiểm soát và báo cáo rủi ro tín dụng Điều này được thực hiện thông qua việc thiết lập khung các chính sách và thủ tục phù hợp.
Quản lý rủi ro tín dụng là quá trình thiết lập và thực hiện các chiến lược cùng chính sách nhằm nhận diện, đo lường và kiểm soát rủi ro Mục tiêu chính của quản lý rủi ro tín dụng là tối đa hóa lợi nhuận trong giới hạn mức rủi ro có thể chấp nhận, thông qua các biện pháp phòng ngừa và xử lý rủi ro hiệu quả.
2.1.2 Nội dung quản lý rủi ro tín dụng tại ngân hàng thương mại
2.1.2.1 Các nguyên tắc quản lý rủi ro tín dụng tại ngân hàng thương mại Để đảm bảo hoạt động quản lý rủi ro tín dụng được thực hiện hiệu quả, Basel (2000) đã đưa ra 17 nguyên tắc về quản lý rủi ro tín dụng bao gồm năm nhóm:
Nhóm 1 : Bao gồm 03 nguyên tắc về thiết lập môi trường rủi ro tín dụng phù hợp.
Hội đồng quản trị có trách nhiệm phê duyệt và xem xét định kỳ chiến lược quản lý rủi ro tín dụng ít nhất mỗi năm một lần Chiến lược này phải thể hiện khẩu vị rủi ro và mức lợi nhuận mà ngân hàng mong đợi, tương ứng với các rủi ro mà ngân hàng chấp nhận.
Các nhà quản lý cấp cao trong ngân hàng có trách nhiệm thực hiện các chiến lược quản lý rủi ro đã được hội đồng quản trị phê duyệt Họ cần phát triển các chính sách và quy trình để nhận diện, đo lường, giám sát và kiểm soát rủi ro tín dụng Những chính sách và chiến lược này phải bao gồm rủi ro tín dụng trong tất cả các hoạt động ngân hàng, từ cấp độ từng khoản vay cho đến toàn bộ danh mục tín dụng.
Các ngân hàng cần nhận diện và quản lý rủi ro tín dụng cho tất cả sản phẩm và hoạt động của mình Việc đảm bảo rằng các sản phẩm và dịch vụ mới được kiểm soát theo quy trình hiện tại trước khi ra mắt là rất quan trọng Ngoài ra, các sản phẩm này cần được sự chấp thuận từ ban điều hành hoặc các ủy ban có trách nhiệm trước khi giới thiệu ra thị trường.
Nhóm 2: Bao gồm 04 nguyên tắc về hoạt động theo quy trình cấp tín dụng hiệu quả:
Cơ sở lý luận về ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại
2.2.1 Khái quát về trí tuệ nhân tạo.
Trí tuệ nhân tạo (AI) đã xuất hiện hơn 50 năm và hiện đang tiến triển với tốc độ nhanh chóng Những cải tiến trong lĩnh vực này đang diễn ra với sự gia tăng đáng kể, mở ra nhiều cơ hội và thách thức mới cho các ngành công nghiệp.
Theo Russell và cộng sự (2015), trí tuệ nhân tạo (AI) là lĩnh vực nghiên cứu nhằm khám phá cách mà máy tính có thể thực hiện những nhiệm vụ mà hiện nay con người đang làm một cách hiệu quả hơn.
Theo Charniak và cộng sự (2013), trí tuệ nhân tạo (AI) được định nghĩa là khoa học nghiên cứu các hoạt động trí não thông qua các mô hình tính toán Đồng thời, Nilsson cũng góp phần làm rõ khái niệm này trong lĩnh vực AI.
(1998) thì cho rằng AI nghiên cứu các hành vi thông minh mô phỏng trong các vật thể nhân tạo.
Trí tuệ nhân tạo (AI) là khả năng thể hiện trí thông minh của máy móc, trong đó máy móc có thể bắt chước các chức năng nhận thức của con người.
Trong lĩnh vực ngân hàng, Latimore (2018) định nghĩa trí tuệ nhân tạo là kỹ thuật giúp đưa ra suy luận và quyết định tương tự như con người Công nghệ này không nhằm thay thế con người mà hỗ trợ họ trong việc tạo ra các hoạt động có giá trị cao hơn, đồng thời giải phóng thời gian và nâng cao hiệu quả cho những công việc lặp đi lặp lại.
Các kĩ thuật cho phép máy móc bắt chước hành vi con người
Các kĩ thuật AI cho phép máy móc cải tiến với dữ liệu lịch sử
Các kĩ thuật học máy mô phỏng mạng nơ ron nhiều lớp
Hình 2.4: Mô tả các mối quan hệ các kĩ thuật AI
Trí tuệ nhân tạo (AI) là lĩnh vực rộng lớn nhằm giải quyết những vấn đề mà con người chưa khắc phục được AI bao gồm các mô hình và thuật toán, phát triển từ Học máy (Machine Learning - ML) đến Học sâu (Deep Learning - DP) Học máy sử dụng các phương pháp thống kê để cải tiến khả năng của máy móc thông qua việc học từ dữ liệu lịch sử Trong đó, Học sâu là tập hợp các kỹ thuật học máy có cấu trúc giống như mạng nơ ron nhiều lớp, được lấy cảm hứng từ bộ não con người.
Việc áp dụng trí tuệ nhân tạo (AI) trong ngành ngân hàng hiện vẫn còn hạn chế so với các lĩnh vực khác như sản xuất, chăm sóc sức khỏe và thương mại điện tử, chủ yếu do yêu cầu bảo mật dữ liệu khách hàng Tuy nhiên, với sự phát triển nhanh chóng của dịch vụ ngân hàng và nhu cầu xử lý dữ liệu lớn, việc ứng dụng AI trong ngân hàng đang gia tăng đáng kể.
Hình 2.5: Ứng dụng trong lĩnh vực ngân hàng của trí tuệ nhân tạo
Các kỹ thuật trí tuệ nhân tạo (AI) đang được áp dụng rộng rãi trong ngành ngân hàng nhờ vào hiệu quả vượt trội trong việc xử lý các công việc truyền thống Những ứng dụng chính của AI bao gồm phân tích dữ liệu, tư vấn tự động, tự động hóa quy trình và thiết lập báo cáo Đặc biệt, ứng dụng phân tích rủi ro, bao gồm rủi ro tín dụng, được xem là mang lại lợi ích lớn nhất cho các ngân hàng.
2.2.2 Trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại
Theo hướng dẫn của Ngân hàng Thế giới (WB) năm 2019, trí tuệ nhân tạo trong quản lý rủi ro tín dụng được phân loại thành ba loại dựa trên các thuật toán huấn luyện, bao gồm học có giám sát, học không giám sát và các kỹ thuật liên quan khác.
Bảng 2.1: Phân loại các mô hình trí tuệ nhân tạo
AI học có giám sát AI học không giám sát AI liên quan khác
(Decision tree) và các mô hình kết hợp.
Máy véc-tơ hỗ trợ
Mạng nơ ron ( Neural network)
Phân cụm K trung bình (K-means clustering)
Phân cụm phân cấp (Hierarchical clustering)
Trích xuất thuộc tính tự động (Automated Feature Engineering - AFE)
Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP)
Nguồn: Tác giả tổng hợp từ hướng dẫn của WB (2019)
Các thuật toán học có giám sát (Supervised Learning) là phương pháp huấn luyện mô hình dựa trên dữ liệu đầu vào (biến độc lập) và đầu ra tương ứng (biến phụ thuộc) Quá trình huấn luyện diễn ra bằng cách giảm thiểu sai số dự đoán qua các vòng lặp Sau khi hoàn tất, mô hình có khả năng dự đoán đầu ra cho các đầu vào mới không có trong dữ liệu huấn luyện Nếu không gian đầu ra là rời rạc, ta gọi là bài toán phân loại (classification); nếu liên tục, gọi là bài toán hồi quy (regression) Các mô hình này đóng vai trò quan trọng trong quản lý rủi ro tín dụng, cho phép dự báo rủi ro dựa trên dữ liệu đầu vào hiện có.
Các thuật toán học không giám sát (Unsupervised Learning) là phương pháp huấn luyện mô hình chỉ sử dụng đầu vào mà không có đầu ra, giúp tìm ra cấu trúc hoặc mối quan hệ giữa các đầu vào Phân cụm (clustering) là một trong những kỹ thuật quan trọng nhất trong học không giám sát, cho phép tạo ra các cụm khác nhau, mỗi cụm đại diện cho một đặc trưng của dữ liệu Kỹ thuật này phân loại các đầu vào mới vào các cụm dựa trên các đặc trưng của chúng, và thường được ứng dụng trong việc tìm kiếm và phân loại nhóm khách hàng tiềm năng.
Các thuật toán liên quan khác : Trích xuất thuộc tính tự động
Tính năng tự động hóa trong việc thu thập và xử lý dữ liệu đầu vào cho các mô hình trí tuệ nhân tạo đóng vai trò quan trọng, đặc biệt với các loại dữ liệu phi cấu trúc và bán cấu trúc như văn bản và hình ảnh Những dữ liệu này cần được chuyển đổi trước khi sử dụng trong huấn luyện các mô hình đo lường rủi ro tín dụng Các kỹ thuật trí tuệ nhân tạo trong việc trích xuất thuộc tính tự động sẽ giúp lựa chọn các đặc trưng cần thiết, đồng thời loại bỏ những đặc trưng không cần thiết mà vẫn đảm bảo lượng thông tin mất đi là tối thiểu Hơn nữa, những kỹ thuật này còn hỗ trợ trong việc thu thập và chuyển đổi dữ liệu một cách tự động và chính xác, thay vì phải thực hiện thủ công.
Thuật toán học tăng cường (Reinforcement Learning) là phương pháp tối ưu hóa hành động nhằm tối đa hóa phần thưởng trong các tình huống cụ thể Khác với học có giám sát, nơi dữ liệu huấn luyện có đầu ra cố định, học tăng cường không có câu trả lời sẵn có và tập trung vào việc khám phá các phản ứng tốt nhất Học tăng cường dựa trên quá trình thử - sai, cho phép hệ thống tương tác với môi trường phức tạp để dần dần tìm ra các hành động tối ưu nhằm gia tăng phần thưởng theo thời gian.
Xử lý ngôn ngữ tự nhiên (NLP) là quá trình chuyển đổi thông tin ngôn ngữ, bao gồm dữ liệu văn bản và tiếng nói, thành các dạng mà máy móc có thể hiểu và sử dụng Quá trình này đóng vai trò quan trọng trong việc biến đổi dữ liệu ngôn ngữ thành thông tin có thể xử lý được, giúp cải thiện khả năng tương tác giữa con người và máy tính.
Hình 2.6: Trí tuệ nhân tạo trong quản lý rủi ro tín dụng
Nguồn: Tác giả tổng hợp
Trí tuệ nhân tạo với sự đa dạng của các thuật toán có thể tham gia vào hầu hết các khía cạnh trong quản lý rủi ro tín dụng Quy trình quản lý rủi ro tín dụng thường bao gồm bốn bước cơ bản: nhận biết, đo lường, áp dụng các công cụ quản lý rủi ro, và giám sát, báo cáo Hơn nữa, việc ứng dụng trí tuệ nhân tạo giúp các ngân hàng kiểm soát rủi ro tín dụng ngay từ giai đoạn tìm kiếm khách hàng.