Ứng dụng mô hình mạng thần kinh nhân tạo để ước lượng rủi ro tín dụng ở các ngân hàng thương mại Việt Nam (số 11)

Ứng dụng mô hình mạng thần kinh nhân tạo để ước lượng rủi ro tín dụng ở các ngân hàng thương mại Việt Nam

PGS.,TS. Nguyễn Minh Kiều1, ThS. Nguyễn Thị Ngọc Diệp2, ThS. Nguyễn Thị Hằng Nga3, ThS. Nguyễn Kim Nam4

 

Tóm tắt: Nghiên cứu này mô tả một hệ thống đánh giá rủi ro tín dụng sử dụng mô hình mạng thần kinh nhân tạo (ANNs) có giám sát dựa trên các thuật toán học truyền lại. Nghiên cứu với mục đích đào tạo và thực hiện quyết định chấp thuận hoặc từ chối đơn xin cấp tín dụng. Các mạng thần kinh được đào tạo dựa trên bộ dữ liệu từ 1.200 hồ sơ tại các ngân hàng như: Vietcombank, Vietinbank, Sacombank, Đông Á, MBbank. Kết quả nghiên cứu cho thấy, mô hình ANNs hỗ trợ đáng kể trong việc ra quyết định cấp tín dụng nhanh chóng trong xử lý các yêu cầu cấp tín dụng. Ngoài ra, ứng dụng của mô hình trong việc đánh giá rủi ro tín dụng cho thấy đạt hiệu quả cao và nhanh chóng.

 

1. Giới thiệu

Hiện nay, các ngân hàng thương mại (NHTM) đang đối mặt với nhiều loại rủi ro, trong đó, rủi ro tín dụng (RRTD) có ảnh hưởng quan trọng đến kết quả hoạt động của các ngân hàng. Koch (1995) cho rằng, RRTD là sự thay đổi tiềm ẩn của thu nhập thuần và thị giá khi khách hàng không thanh toán hay thanh toán trễ hạn một khoản tín dụng. RRTD là rủi ro mà một đối tượng đi vay không tôn trọng nghĩa vụ trả nợ của mình. Nó có thể xảy ra khi các đối tác không trả hoặc không thể thanh toán khoản nợ đúng hạn (Gestel và Baesens, 2008). Trên thực tế, lợi nhuận từ việc cấp tín dụng là một trong những nguồn thu nhập chính của các NHTM. Do đó, việc quản lý rủi ro tín dụng có ảnh hưởng lớn đến lợi nhuận của các ngân hàng và việc quản lý hiệu quả RRTD có liên quan chặt chẽ đến sự phát triển của công nghệ ngân hàng, điều này sẽ góp phần rút ngắn thời gian ra quyết định và đồng thời giảm chi phí kiểm soát rủi ro tín dụng (Lapteva, 2009). Sự phát triển của công nghệ thông tin ứng dụng trong việc tổ chức lưu trữ một cách có hệ thống các thông tin cá nhân và động thái trả nợ của các đối tượng được cấp tín dụng đã thúc đẩy nhu cầu tự động hóa việc quyết định cấp tín dụng, dựa trên các dữ liệu thống kê và thuật toán nhằm giúp rút ngắn thời gian ra quyết định cấp tín dụng.

Đã có nhiều phương pháp được đề xuất để phát triển các mô hình đánh giá RRTD, bao gồm các phương pháp thống kê truyền thống như hồi quy logistic (Steenackers và Goovaerts, 1989), mô hình thống kê phi tham số (Henley và cộng sự, 1996; Davis và cộng sự, 1992), và mô hình mạng thần kinh (Desai và cộng sự, 1996). Các phương pháp này tập trung chủ yếu vào việc phát triển mô hình phân loại với độ chính xác dự đoán cao và đóng một vai trò then chốt trong việc đánh giá rủi ro tín dụng, nhằm giúp người ra quyết định phê duyệt hoặc từ chối cấp tín dụng.

ANNs là một mô hình toán học được xây dựng dựa trên những hiểu biết về quá trình xử lý thông tin của bộ não con người. Cho đến nay, nhờ những tiến bộ về mặt lý thuyết, về khả năng tính toán và những thuận tiện trong thực hành, mô hình ANNs ngày càng được áp dụng vào nhiều lĩnh vực khác nhau, đặc biệt là trong các ứng dụng mô phỏng hàm phức tạp nhằm tìm ra mối quan hệ giữa các biến đầu vào và đầu ra. Chẳng hạn, Jagric, Kracun và Jagric (2011) đưa ra phương pháp vectơ trong mô hình mạng thần kinh nhằm giải thích mối quan hệ giữa các biến và rủi ro tín dụng tại hai ngân hàng bán lẻ ở Slovenia. Mô hình của họ cho thấy sự vượt trội hơn so với các mô hình khác trong dự báo. Hay như, Khashman (2010) đã trình bày một hệ thống đánh giá rủi ro tín dụng, trong đó sử dụng mô hình ANNs dựa trên các thuật toán lan truyền và nghiên cứu thực hiện dựa trên số liệu thực tế tại Australia để quyết định có chấp thuận hay từ chối một hợp đồng tín dụng. Năm 2012, Dadios và Solis đã sử dụng mô hình ANNs nhằm giải quyết vấn đề quản trị RRTD. Kết quả nghiên cứu cho thấy tính khả dụng của mô hình là khá chính xác và đáng tin cậy. Ngoài ra, Baesens và ctg (2003) nghiên cứu từ việc phân tích rủi ro tín dụng, sử dụng phân tích dữ liệu thực tế thông qua sử dụng mạng lưới thần kinh cho phép xây dựng mô hình hỗ trợ quyết định chính xác và dễ dàng để đánh giá rủi ro trước khi ra quyết định cấp tín dụng.

Trên đây là một số dẫn chứng cho thấy rằng ANNs đã từng được sử dụng phổ biến khắp nơi trên thế giới để ước lượng và đánh giá rủi ro tín dụng nhằm mục đích hỗ trợ ra quyết định và quản lý rủi ro khi cung cấp một khoản tín dụng.

 

2. Khái niệm và thuật toán

2.1. Mạng thần kinh nhân tạo

Mạng thần kinh nhân tạo (ANNs) là một mô phỏng xử lý thông tin, được nghiên cứu ra từ hệ thống thần kinh của sinh vật, giống như bộ não để xử lý thông tin. Nó bao gồm số lượng lớn các mối gắn kết cấp cao để xử lý các yếu tố làm việc trong mối liên hệ giải quyết vấn đề rõ ràng. ANNs được giới thiệu đầu tiên vào năm 1943 bởi nhà thần kinh học Warren McCulloch và nhà logic học Walter Pits. Những năm gần đây, mô phỏng ANNs xuất hiện và phát triển nhiều, các nghiên cứu ứng dụng đã được thực hiện trong các ngành điện, điện tử, kỹ thuật chế tạo, y học, quân sự, kinh tế...và mới nhất là các nghiên cứu ứng dụng trong lĩnh vực quản lý dự án xây dựng. Tại Việt Nam, việc nghiên cứu ứng dụng ANNs vào quản lý chỉ mới bắt đầu trong vài năm gần đây nhưng nhanh chóng thu hút được sự quan tâm và cần được phát triển.

ANNs được thiết lập cách thức hoạt động dựa trên nền tảng hoạt động của các neural sinh học. Một tập hợp các neural được sắp xếp sao cho tất cả các neural đồng thời cùng nhận được tín hiệu đầu vào tại cùng một lúc và cùng xuất ra tín hiệu đầu ra cùng một lúc, một tập hợp như vậy được gọi là một lớp mạng (layer). Mạng thần kinh đơn giản nhất gồm một lớp chuyên nhận các tín hiệu đầu vào, các biến đầu vào (input layer) và lớp còn lại sẽ xuất các tín hiệu đầu ra (output layer). Các lớp nằm giữa lớp đầu vào và lớp đầu ra được gọi là lớp ẩn (hidden layers), các lớp ẩn này chứa các neural ẩn, chỉ là kết quả trung gian của quá trình tính toán giá trị đầu ra của mạng thần kinh. Một mạng thần kinh có thể có nhiều lớp ẩn, nhưng nếu có nhiều lớp ẩn quá thì mô hình sẽ vừa khít với dữ liệu, điều này cũng có nghĩa là mô hình sẽ đạt độ chính xác hơn trong quá trình ước lượng các trọng số, nhưng sẽ ít chính xác hơn khi dự báo ngoài mẫu. Ngoài ra, nếu số lượng các lớp ẩn càng nhiều kéo theo các trọng số trong mô hình càng lớn sẽ làm cho thời gian ước lượng mô hình càng lâu. Vì vậy, cho nên một ANNs chỉ nên có một đến hai lớp ẩn. Mỗi neural là một đơn vị xử lý thông tin của mạng neural, là yếu tố cơ bản để cấu tạo nên mạng neural. Cấu trúc căn bản của một neural như mô tả ở Hình 1 và Hình 2.

Hình 1: Cấu trúc của một Neural

 

 

               

 

 

xi   : các tín hiệu input

wkp   : trọng số của từng input

f(.)   : hàm hoạt động

yk   : kết xuất của neural

b   : thông số ảnh hưởng đến ngưỡng ra của output

Hình 2: Mô hình mạng thần kinh nhân tạo

 

 

 

Davhoff và Deleo (2001) cho rằng, mô hình hồi quy truyền thống chỉ dừng lại ở việc cố gắng điều chỉnh sao cho phù hợp với một hàm số đã được xác định từ trước, trong khi mô hình ANNs có thể điều chỉnh các hàm số của nó sao cho phù hợp nên hoàn toàn có thể xây dựng một hàm số đa biến. Cũng chính vì thế, mô hình ANNs ưu việt hơn so với các mô hình hồi quy truyền thống.

2.2. Ứng dụng mạng thần kinh nhân tạo để ra quyết định tín dụng

Trên cơ sở ý tưởng và thuật toán như mô tả trên đây, nghiên cứu này vận dụng mạng thần kinh vào việc ra quyết định tín dụng. Trong nghiên cứu này, chúng tôi xem xét 16 biến đầu vào từ X1 đến X16 và một biến đầu ra Y nhận các giá trị như chỉ ra ở Bảng 1.

Bảng 1 : Các nhân tố được đưa vào mô hình

 

Ký hiệu và tên biến		Cách đo lường	Tác giả đã sử dụng
X1	Tuổi người đi vay	Nhận các giá trị: (1)Từ 18-25 tuổi ; (2) Từ 26-40 tuổi; (3)Từ 41-60 tuổi ; (4)Trên 60 tuổi	Dadios và Solis (2012); Jagric, Kracun, và Jagric (2011)
X2	Số dư tiền gửi tiết kiệm trung bình tại ngân hàng	Nhận các giá trị: (1) Không có ; (2)Dưới 100 triệu; (3)Từ 101 – 500 triệu; (4)Trên 500 triệu	Gardner và Mills (1989)
X3	Trình độ học vấn	Nhận các giá trị: (1) Dưới trung học; (2)Trung học; (3) Cao đẳng/ Đại học; (4)Sau đại học	Jagric, Kracun, và Jagric (2011)
X4	Tình trạng sở hữu nhà	Nhận các giá trị (1) Khác; (2) Ở chung với gia đình; (3)Thuê nhà ; (4) Chủ sở hữu	Jagric, Kracun, và Jagric (2011)
X5	Số người phụ thuộc	Nhận các giá trị: (1) Không có người phụ thuộc (2) 1 người ; (3) 2 người; (4)Trên 3 người	Jagric, Kracun, và Jagric (2011)
X6	Cơ cấu gia đình hiện tại	Nhận các giá trị: (1) Sống chung cùng một số gia đình hạt nhân khác; (2) Sống chung cùng một gia đình hạt nhân khác ; (3) Sống chung với cha mẹ; (4) Sống một mình	Jagric, Kracun, và Jagric (2011)
X7	Mức thu nhập ròng hàng tháng	Nhận các giá trị Dưới 3 triệu đồng/tháng Từ 3-8 triệu đồng/tháng > 8-15 triệu đồng/tháng > 15 triệu đồng/tháng	Baesens, Setiono, Mues, và Vanthienen (2003)
X8	Tỷ lệ thu nhập của gia đình/năm	Nhận các giá trị: Dưới 30 triệu đồng/năm >30-80 triệu đồng/năm > 80-180 triệu đồng/năm > 180 triệu đồng/năm	Baesens, Setiono, Mues, và Vanthienen (2003)
X9	Tỷ lệ thu nhập ròng trên tổng số tiền phải trả	Nhận các giá trị: (1) Dưới 110%; (2) 110%-150%; (3) 150% -180%; (4) 180%	Baesens, Setiono, Mues, và Vanthienen (2003)
X10	Thời gian công tác tại cơ quan hiện tại	Nhận các giá trị: Dưới 1 năm; (2) > 1- 3 năm; > 3 năm	Jagric, Kracun và Jagric (2011)
X11	Thời gian làm công việc hiện tại	Nhận giá trị: (1) Dưới 1 năm; (2)> 1- 3 năm; (3) > 3-5 năm; (4) > 5 năm	Jagric, Kracun và Jagric (2011)
X12	Nghề nghiệp	Nhận các giá trị: (1)Lao động không thường xuyên/ thất nghiệp/Nghỉ hưu; (2) Lao động có tay nghề/Nhân viên; (3) Chuyên viên; (4) Quản lý	Jagric, Kracun và Jagric (2011)
X13	Thời gian vay	Nhận các giá trị: Dưới 12 tháng Trên 12 tháng	Fensterstock (2001), Baesens, Setiono, Mues và Vanthienen (2003)
X14	Tình hình trả nợ gốc và lãi trong 12 tháng vừa qua	Nhận các giá trị: (1)Hiện tại đang có nợ quá hạn/ cơ cấu lại nợ; (2) Đã từng có nợ quá hạn/ cơ cấu lại nợ; (3) Chưa có quan hệ với tổ chức tín dụng khác; (4) Trả nợ đúng hạn	Jagric, Kracun và Jagric (2011)
X15	Tổng dư nợ hiện tại	Nhận các giá trị: (1) Dưới 100 triệu; (2)> 100 – 500 triệu (3) > 500 – 1 tỷ; (4) > 1 tỷ	Jagric, Kracun, và Jagric (2011)
X16	Các dịch vụ khác mà khách hàng sử dụng tại ngân hàng	Nhận các giá trị: (1) Không sử dụng; (2) Chỉ sử dụng thẻ (3) Chỉ gởi tiết kiệm;(4)Tiết kiệm và thẻ	Gardner và Mills (1989)
Y	Quyết định cho vay	Nhận các giá trị: (0) Không cho vay; (1) Cho vay

Nguồn : Nhóm tác giả tổng hợp

 

3. Bộ dữ liệu và thiết lập thí nghiệm

3.1. Bộ dữ liệu

Nghiên cứu dựa trên 1.200 hồ sơ tín dụng đã được ra quyết định chấp nhận cấp tín dụng, từ chối tại các ngân hàng như Vietcombank, Vietinbank, Sacombank, Đông Á, MBbank từ năm 2012 - 2014. Các ngân hàng được lựa chọn dựa vào sự thuận tiện trong quá trình thu thập thông tin và số liệu, và thời gian hoạt động của ngân hàng trên 5 năm.

3.2. Thiết lập mô hình thực nghiệm

Nghiên cứu sử dụng mô hình ANNs bao gồm 16 neural đầu vào, 1 neural phát tín hiệu đầu ra. Một lớp ẩn, trong đó bao gồm 10 neural ẩn. (Hình 3)

Theo Bansal (1993), dữ liệu sử dụng trong mô hình được chia thành ba phần: dữ liệu dùng để huấn luyện, dữ liệu dùng để kiểm tra tính khái quát của mô hình, và dữ liệu dùng để kiểm định mô hình ngoài mẫu. Khoảng 1/3 dữ liệu huấn luyện của mô hình dùng làm dữ liệu kiểm định, phê duyệt. Trong nghiên cứu này, dữ liệu dùng để huấn luyện chiếm 70% nguồn dữ liệu, dữ liệu dùng để kiểm tra lại mô hình trong quá trình xây dựng để đảm bảo tính khái quát của mô hình chiếm 20% và 10% dữ liệu còn lại dùng để kiểm định lại mô hình ngoài mẫu (Jingtao Yao và Chew Lim Tan, 2000).

Nghiên cứu này sử dụng phần mềm xử lý số liệu Matlab, sử dụng thuật toán Back Propagation kết hợp với Momentum để điều chỉnh trọng số của mô hình nhằm giảm thiểu sai số và tìm ra mô hình tối ưu, sử dụng hàm huấn luyện TraindGDX, hàm thích ứng LeamGDM để tự thích ứng điều chỉnh trọng số của mô hình và hàm truyền LogSis để so sánh nhằm mang lại kết quả chính xác và hiệu quả.

Bảng 2 cho thấy độ chính xác của sự kết hợp giữa hàm huấn luyện và hàm truyền, kết quả cho thấy rằng hàm huấn luyện TrainGDX và hàm truyền LogSis mang lại độ chính xác cao nhất. Ngoài ra sau khi thu được kết quả, nghiên cứu sẽ so sánh với các kết quả từ các hồ sơ cấp tín dụng trên thực tế, nghiên cứu trích 2% trong tổng mẫu để chạy thực nghiệm sau đó thống kê tỷ lệ kết quả chính xác. Nếu kết quả đạt độ chính xác từ 80% trở lên thì đánh giá là tốt.

Bảng 2 : Lựa chọn hàm huấn luyện và hàm truyền

STT	Cấu trúc mạng	Hàm huấn luyện	Hàm truyền	Số vòng lặp	Thời gian (s)	Tỷ lệ dự báo chính xác
1	1-10	TRAINGD	LOGSIG	125	4	83,20%
2	1-10	TRAINGD	PURELIN	162	4	82,60%
3	1-10	TRAINGD	TANSIG	255	5	81,40%
4	1-10	TRAINGDM	LOGSIG	279	4	86,20%
5	1-10	TRAINGDM	PURELIN	185	5	82,60%
6	1-10	TRAINGDM	TANSIG	264	4	83,92%
7	1-10	TRAINGDX	LOGSIG	285	4	91,10%
8	1-10	TRAINGDX	PURELIN	128	1	86,32%
9	1-10	TRAINGDX	TANSIG	223	3	87,11%
10	1-10	TRAINLM	LOGSIG	209	3	83,20%
11	1-10	TRAINLM	PURELIN	148	2	80,65%
12	1-10	TRAINLM	TANSIG	229	4	79,48%
13	1-10	TRAINSCG	LOGSIG	157	3	84,80%
14	1-10	TRAINSCG	PURELIN	185	2	81,94%
15	1-10	TRAINSCG	TANSIG	193	2	79,39%

 

Nguồn : Nghiên cứu của nhóm tác giả

 

Hình 3 : Mô hình nghiên cứu

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

4. Kết quả

Mô hình ANNs sử dụng trong nghiên cứu bao gồm 16 neural đầu vào; một lớp ẩn, trong đó bao gồm 10 neural ẩn; một lớp neural đầu ra trong đó bao gồm 1 neural phát tín hiệu đầu ra.

Hình 4 : Cấu trúc mô hình nghiên cứu

Kết quả tại đồ thị huấn luyện mạng (hình 4) cho thấy đường huấn luyện (Train) đi xuống, đường kiểm tra (Test) và đường chuẩn dùng để phê duyệt (Validation) có chiều hướng lên trên, điểm đặc biệt là hai đường này biến thiên và nằm tương đối gần nhau. Điều này cho thấy giá trị khi được kiểm tra sẽ có độ chính xác và sát với thực tế hơn từ những hồ sơ cấp tín dụng thu thập được, phù hợp với mục tiêu nghiên cứu đề ra.

Kết quả phân tích hồi quy từ mô hình nghiên cứu được thể hiện tại đồ thị (hình 5) cho thấy độ phù hợp của mô hình (R) có giá trị huấn luyện là 0,9260, giá trị chuẩn 0,8837, giá trị kiểm tra 0,7658, giá trị tổng 0,89421, các giá trị này đều ở mức tương đối cao, điều này cho thấy kết quả của dự báo mang tính chính xác cao, nghĩa là nếu R càng lớn thì mô hình cho ra kết quả có độ tin cậy cao. (Hình 6)

Hình 5 : Đồ thị huấn luyện mạng

 

Hình 6: Kết quả phân tích mô hình hồi quy nghiên cứu.

 

Nghiên cứu dùng 2% mẫu ngẫu nhiên được sử dụng, tương ứng với 24 giá trị được dùng để thực nghiệm kiểm tra độ chính xác của mô hình, để so sánh kết quả quyết định cấp tín dụng trong thực tế và quyết định từ mô hình ANNs. Kết quả thu được tại bảng 3 cho thấy, trong 24 mẫu được lựa chọn ngẫu nhiên kiểm tra cho thấy mô hình dự đoán chính xác 22 mẫu, dự đoán sai 1 mẫu đạt tỷ lệ 95,45%. Nguyên nhân có thể là do cán bộ tín dụng đã đưa ra một phán quyết tín dụng trái với các thông tin được thu thập từ hồ sơ tín dụng. (Bảng 3)

Bảng 3 : Kết quả thực nghiệm kiểm tra

TT	X1	X2	X3	X4	X5	X6	X7	X8	X9	X10	X11	X12	X13	X14	X15	X16	QĐ	DIỄN GIẢI	KQ mô hình ANNs	Quy đôi
1	4	2	3	1	3	3	1	1	4	2	4	4	2	4	3	4	1	Chấp nhận	0,81019	1
2	4	4	1	4	3	3	3	4	3	3	1	4	1	4	3	4	1	Chấp nhận	0,99646	1
3	4	3	1	4	3	1	3	3	3	2	3	4	1	3	2	3	1	Chấp nhận	0,99094	1
4	4	1	1	1	1	4	1	1	1	1	1	1	2	2	3	2	0	Từ chối	0,02692	0
5	3	3	2	3	3	3	3	3	3	1	2	4	1	3	1	4	1	Chấp nhận	0,98093	1
6	3	2	4	3	4	3	4	3	3	1	4	4	1	4	1	4	1	Chấp nhận	0,99466	1
7	4	3	1	2	1	2	2	4	3	3	1	2	1	2	4	4	0	Từ chối	0,01789	0
8	3	4	2	3	4	2	3	3	4	1	3	4	1	3	4	3	1	Chấp nhận	0,96065	1
9	3	3	1	2	4	3	1	3	2	3	4	1	1	2	3	3	1	Chấp nhận	0,00389	0
10	3	2	1	1	3	1	1	4	3	1	1	3	1	2	4	4	0	Từ chối	0,08993	0
11	4	2	1	3	4	3	4	4	4	3	2	3	2	4	3	3	1	Chấp nhận	0,99335	1
12	4	4	2	3	4	4	3	4	4	2	4	3	2	4	2	4	1	Chấp nhận	0,98812	1
13	3	4	3	3	3	3	3	3	4	3	4	3	2	4	1	3	1	Chấp nhận	0,99228	1
14	4	2	1	4	3	2	4	4	4	1	2	3	1	3	4	3	1	Chấp nhận	0,99103	1
15	2	1	1	3	1	2	2	2	2	3	3	3	2	1	2	1	0	Từ chối	0,00675	0
16	4	2	3	3	4	3	4	3	4	2	2	3	2	4	3	3	1	Chấp nhận	0,99409	1
17	2	2	2	3	3	2	1	1	3	2	1	2	1	3	4	2	0	Từ chối	0,40204	0
18	3	3	2	4	3	4	4	4	3	3	3	4	1	3	2	4	1	Chấp nhận	0,98736	1
19	3	2	2	3	4	2	3	4	3	1	4	3	2	4	4	4	1	Chấp nhận	0,93341	1
20	3	1	4	1	2	1	2	3	2	2	1	2	1	2	2	2	0	Từ chối	0,00681	0
21	4	4	2	3	4	3	3	3	4	2	1	3	2	4	2	3	1	Chấp nhận	0,99707	1
22	4	2	1	4	3	2	4	4	3	1	3	4	1	3	4	3	1	Chấp nhận	0,98854	1
23	4	2	2	3	3	1	4	4	3	1	3	4	1	3	4	3	1	Chấp nhận	0,97961	1
24	2	4	1	2	2	1	3	2	1	2	3	3	1	2	4	4	0	Từ chối	0,18203	0

 

Kết quả nghiên cứu cho thấy rằng mô hình ANNs có tính ưu việt và khả dụng cao trong hỗ trợ quyết định cấp tín dụng, điều này cho phép các nhà quản trị, các cấp có thẩm quyền duyệt cấp tín dụng có thể ứng dụng mô hình này để có cái nhìn tổng quan trước. Sau đó, căn cứ vào kết quả của mô hình dự báo có thể tiến hành kiểm tra hồ sơ một cách cụ thể, điều này giúp việc quyết định cấp tín dụng được nhanh chóng và chính xác hơn.

 

5. Kết luận

Nghiên cứu thực nghiệm dựa trên việc thu thập dữ liệu từ các bộ hồ sơ trong quá khứ của các ngân hàng: Vietcombank, Vietinbank, Sacombank, Đông Á, MBbank từ năm 2012 - 2014, ứng dụng mô hình ANNs có giám sát dựa trên các thuật toán học truyền lại với mục đích đào tạo để quyết định việc chấp thuận hoặc từ chối việc cấp tín dụng.

Dựa trên kết quả nghiên cứu cho thấy mô hình ANNs đem lại hiệu quả trong việc hỗ trợ ra quyết định cấp tín dụng một cách nhanh chóng và đơn giản với tỷ lệ chính xác của dự báo đến 95,45%. Kết quả của nghiên cứu cũng tương đồng với kết quả của Vita Jagric, Davorin Kracun và Timotej Jagric (2011), Adnan Khashman (2010), Elmer P. Dadios, James Solis (2012) trong kết luận ANNs hỗ trợ ra quyết định nhanh chóng với độ chính xác cao.

Hiện nay, đa số các ngân hàng sử dụng các phương pháp định tính thông qua hệ thống xếp hạng tín dụng nội bộ để phân loại khách hàng và đánh giá RRTD dựa trên các tiêu chí mà từng ngân hàng xây dựng. Nghiên cứu này đã đề xuất một phương pháp đơn giản, nhưng hiệu quả từ các dữ liệu đầu vào với các thông tin thông thường đối với việc cấp tín dụng trước khi trình bày nó dưới dạng mạng neural. Nghiên cứu cũng duy trì sự đơn giản trong việc thiết kế các mô hình ANNs, việc thiết kế một lớp ẩn giúp tiết kiệm thời gian làm cho việc hỗ trợ việc ra quyết định được nhanh chóng và chính xác. Kết quả nghiên cứu cho thấy có thể xây dựng mô hình định lượng (ANNs) nhằm hỗ trợ cán bộ quản lý hoặc cán bộ tín dụng ra quyết định cấp tín dụng hợp lý và chính xác hơn nhằm giảm thiểu rủi ro có thể xảy ra cho ngân hàng. Bên cạnh đó, mô hình ANNs còn giúp các nhà quản trị có thể sử dụng trong công tác quản lý: (i) xem xét và đánh giá lại từ các hồ sơ tín dụng đã cấp để có thể đánh giá năng lực của các cấp có thẩm quyền cấp tín dụng; (ii) thông qua việc xuất kết quả từ mô hình để kiểm tra các kết quả sai lệch so với quyết định thực tế, tiến hành xem xét lý do sai lệch góp phần kiểm soát các quyết định sai lầm trong việc cấp tín dụng, nhằm hạn chế RRTD một cách hiệu quả và nhanh chóng.

 

TÀI LIỆU THAM KHẢO:

1. Timothy W.Koch (1995). Bank Management. University of South Carolina, The Dryden Press , page 107.

2. Gestel and Baesens (2008). Credit Risk Management Basic Concepts: financial risk components, rating analysis, models, economic and regulatory capital. Oxford University Press.

3. Lapteva (2009). Credit Risk Management in the Bank, Letter from the Bank of Russia ‘On typical banking risks. Available at: https://www.google.jo.

4. Steenackers, A., and M.J. Goovaerts (1989). A Credit Scoring Model for Personal Loans. Insurance: Mathematics and Economics, 8: 31-34.

5. Henley, W. E., and Hand, D. J. (1996). Ak-Nearest Neighbor Classifier for Assessing Consumer Credit Risk. Statistician (44), 6, pp. 77-95.

6. David, R. H., Edelman, D. B., and Gammerman, A. J.(1992). Machine Learning Algorithms for Credit-Card Applications. IMA Journal of Mathematics Applied in Business and Industry (4), pp. 43-51.

7. Desai, V. S., J. N. Crook, G. A. Overstreet Jr. (1996., A comparison of neural networks and linear scoring models in the credit union environment. Eur. J. Oper. Res. 95(1) 24-37.

8. Vita Jagric, Davorin Kracun và Timotej Jagric (2011). Does non-linearity matter in retail credit risk modeling?, volume 61, issue 4, pages 384-402.

9. Adnan Khashman (2010). Neural networks for credit risk evaluation: Investigation of different neural models and learning schemes, Volume 37, Issue 9, Pages 6233-6239.

10. Elmer P. Dadios, James Solis (2012). Fuzzy-Neuro Model for Intelligent Credit Risk Management, volume 4, issue 5, pages 251-260.

11. Baesens, R. Sentiono, C. Mues and J. Vanthienen (2003). Using Neural Network Rule   Extraction and Decision Tables for Credit Risk Evaluation. Management Science, volume 49 (3), papes 312-329.

12. Peter L.Davhoff và Robert A. Deleo (2001). Neural networks in Finance ,volume 67, issue 5, pages 1624

13. Gardner MJ, Mills DL (1989). Evaluating the Likelihood of Default on Delinquency Loans. Financial Management, volume 18, issue4, papes 55-63.

14. Bart Baesens, Rudy Setiono, Christophe Mues, Jan Vanthienen (2003). Building Credit-Risk Evaluation Expert Systems Using Neural Network Rule Extraction and Decision Tables, Paper 312-329.

15. Bansal, Arun and Kauffman, Robert J. and Weitz, Rob R.,(1993). Comparing the Performance of Regression and Neural Networks as Data Quality Varies: a Business Value Approach. Information Systems Working Papers Series, Vol. , pp. -, 1993. Available at SSRN: http://ssrn.com/abstract=1288429

16. Jingtao Yao và Chew Lim Tan (2000). A case study on using neural networks to perform technical forecasting of forex, volume 7, issue 2, Pages 84-85. <https://www.comp.nus.edu.sg/~tancl/publications/i1999-2000/Neuro-Yao.pdf>