Skip to content
Dự đoán và phòng ngừa khủng hoảng trong hệ thống ngân hàng
| Cỡ chữ: A-A+ | Tương phản |
Hệ thống dự báo khủng hoảng ngân hàng xuất hiện vào giữa những năm 1990 khi Frankel và Rose phát triển một mô hình dự báo sử dụng một số chỉ tiêu liên quan đến thị trường tiền tệ mới nổi. Các chỉ tiêu này được chia thành bốn nhóm. Nhóm 1 bao gồm các chỉ số của các thị trường ngoài nước, chẳng hạn như chỉ số lãi suất và tốc độ tăng trưởng. Nhóm 2 gồm các chỉ số kinh tế vĩ mô quốc gia, ví dụ như sự thay đổi trong tốc độ sản xuất, tiền tệ và tài khóa. Nhóm 3 gồm các chỉ tiêu bên ngoài, ví dụ như các chỉ số đánh giá giá cả, tình trạng thâm hụt tài khoản và các khoản nợ hiện tại. Nhóm 4 gồm các chỉ tiêu mô tả các yếu tố cơ cấu nợ.

1.Giới thiệu

  Hệ thống dự báo khủng hoảng ngân hàng xuất hiện vào giữa những năm 1990 khi Frankel và Rose phát triển một mô hình dự báo sử dụng một số chỉ tiêu liên quan đến thị trường tiền tệ mới nổi. Các chỉ tiêu này được chia thành bốn nhóm. Nhóm 1 bao gồm các chỉ số của các thị trường ngoài nước, chẳng hạn như chỉ số lãi suất và tốc độ tăng trưởng. Nhóm 2 gồm các chỉ số kinh tế vĩ mô quốc gia, ví dụ như sự thay đổi trong tốc độ sản xuất, tiền tệ và tài khóa. Nhóm 3 gồm các chỉ tiêu bên ngoài, ví dụ như các chỉ số đánh giá giá cả, tình trạng thâm hụt tài khoản và các khoản nợ hiện tại. Nhóm 4 gồm các chỉ tiêu mô tả các yếu tố cơ cấu nợ.

  Kaminsky và Reinhart mở rộng mô hình trên và cho rằng nguyên nhân của khủng hoảng trong ngành ngân hàng do ảnh hưởng những nguyên nhân khủng hoảng cán cân thanh toán. Bằng việc phân tích các cuộc khủng hoảng ở nhiều quốc gia, tác giả đã chỉ ra rằng tín hiệu trước tiên của các vấn đề trong lĩnh vực ngân hàng là vấn đề cân bằng của khủng hoảng thanh toán. Tự do hóa tài chính thường là tiền đề cho các cuộc khủng hoảng ngân hàng nên sử dụng các phương pháp thống kê trong dự đoán khủng hoảng ngân hàng dễ dàng hơn.

  Demirguc-Kunt và Detragiache phát triển một mô hình logic đa giá trị (multi-valued) để dự đoán khủng hoảng ngân hàng. Phương pháp này được đề xuất dựa trên dữ liệu thống kê mẫu và đánh giá khả năng khủng hoảng ngân hàng. Trong phương pháp này, hệ thống giám sát có thể được thiết kế riêng theo yêu cầu của người ra quyết định nên có thể hữu ích cho những tiên lượng để tiết kiệm chi phí giám sát.

  Hanschel và Monnin giới thiệu một cách tiếp cận khác để cảnh báo các mô hình khủng hoảng tài chính - ngân hàng. Đây là phương pháp dựa trên hồi quy. Các tác giả xác định các chỉ số khủng hoảng dễ bị tổn thương (gọi là chỉ số stress), chỉ số này được xác định cho các lĩnh vực ngân hàng ở Thụy Sĩ. Về vai trò của chỉ số này trong bối cảnh mất cân bằng kinh tế vĩ mô, nó có thể sử dụng như là dấu hiệu cảnh báo sớm khủng hoảng ngân hàng cho các nước đang phát triển.

Bài viết này giới thiệu phương pháp máy hỗ trợ vector nhằm dự báo rủi ro của ngành ngân hàng nói chung cùng với mạng Nơron nhân tạo để kiểm tra mức độ uy tín của các khách hàng trong ngân hàng.

Từ khóa: dự đoán, máy hỗ trợ véctơ, trí tuệ nhân tạo, thuật toán di truyền, hệ thống ngân hàng

 

2. Dự báo khủng khoảng hệ thống ngân hàng

  Phát triển nền kinh tế hiện đại ảnh hưởng lớn đến ngành ngân hàng, ổn định các ngân hàng là một yếu tố quan trọng duy trì sự ổn định tài chính trên quy mô lớn. Hệ thống ngân hàng là không ổn định và việc phá sản của một ngân hàng có thể kích hoạt phản ứng dây chuyền cho các ngân hàng khác. Hơn nữa, nó có thể nhấn chìm toàn bộ ngành ngân hàng trong nước hoặc thậm chí là trong khu vực. Kết quả của cuộc khủng hoảng tài chính có thể là vấn đề nghiêm trọng liên quan đến các tổ chức ngân hàng để duy trì dòng tiền hay việc mất lòng tin của khách hàng đối với các ngân hàng. Hệ quả có thể dẫn đến sập toàn bộ quỹ tiền gửi ngân hàng. Do đó, các hoạt động như hỗ trợ tài chính, dự đoán khủng hoảng trong ngành ngân hàng, kiểm tra an toàn vốn của ngân hàng hoặc giới thiệu những sáng kiến, giải pháp mới nhằm giảm chi phí và duy trì bền vững hoạt động của ngân hàng là vô cùng quan trọng

Kết quả điều tra cho thấy vấn đề căng thẳng của ngân hàng thường đề cập đến tỷ lệ tương đối giữa vốn và tài sản (tiền gửi và cho vay). Nếu tỷ lệ này là quá thấp thì các ngân hàng không có khả năng sống sót trong cuộc khủng hoảng tài chính. Hiện nay, các ngân hàng đã và đang được hiện đại hoá bằng ứng dụng công nghệ thông tin. Điều cần lưu ý với các ngân hàng là tiêu chí quan trọng để lựa chọn một tổ chức tài chính tin cậy chính là khả năng phục vụ của hệ thống ngân hàng trên nền tảng web (ngân hàng điện tử). Hệ thống ngân hàng điện tử hiệu quả có ảnh hưởng quan trọng đến sự phát triển và bùng nổ mạnh mẽ của thương mại điện tử và tác động mạnh đến tính cạnh tranh của nền kinh tế quốc dân. Các chuyên gia dự đoán rằng trong tương lai ngân hàng điện tử chính là điểm nhấn của ngành ngân hàng (tương tự như thương mại điện tử đối với thương mại truyền thống).

 

3. Ứng dụng SVM trong hệ thống ngân hàng

  Trước đây, các phương pháp đo đạc và ước tính rủi ro của các khoản nợ thường dựa trên kĩ thuật thống kê hoặc học máy. Sử dụng các phương pháp này, bên cạnh việc đánh giá các công cụ nợ đặc biệt (chẳng hạn trái phiếu) chúng ta có thể đánh giá tổng thể toàn bộ ngân hàng. Sử dụng phương pháp thống kê ta có thể kỳ vọng dự đoán chính xác khoảng 2/3 số trường hợp. Hạn chế lớn nhất của phương pháp thống kê là tính nhạy cảm của các biến phụ thuộc và giả định về trạng thái bình thường của xác xuất phân phối của nhiều biến đầu vào. Đối với phương pháp học máy, kết luận của hệ chuyên gia thu được từ phân lớp các trường hợp của dữ liệu mới vào các lớp mà có độ tương tự lớn nhất với dữ liệu trong tập huấn luyện. Các phương pháp học máy cơ bản thường được sử dụng để đánh giá các công cụ nợ và toàn thể công ty là mạng nơron nhân tạo lan truyền ngược (back-propagation) với các hàm kích hoạt hướng tâm.

  Tuy nhiên, trong những năm gần đây, một số ngân hàng đã bắt đầu sử dụng các phương pháp khác để thay thế các phương pháp trên. Trong đó, máy hỗ trợ vector (Support Vector Machine - SVM) là một công cụ hiệu quả để đánh giá rủi ro [8]. Các nghiên cứu thực nghiệm cho thấy SVM có hiệu suất tốt hơn so với các mạng nơron nhân tạo trong ước tính rủi ro của các khoản nợ của công ty. Mục đích của SVM là tạo ra một siêu phẳng (hyperplane) tách biệt các lớp (chẳng hạn đánh giá các khoản nợ với các lớp:. A, B hoặc C). SVM do Vapnik đề xuất với mục tiêu đầu tiên là phân lớp các điểm tách biệt tuyến tính (các điểm có thể được phân biệt rạch ròi vào một trong hai lớp). Tuy nhiên, các phương pháp hiện nay cho phép phân lớp tập các điểm đầu vào thành các lớp tách biệt không tuyến tính.

Phiên bản đơn giản của SVM là máy hỗ trợ vector tuyến tính (Linear Support Vector Machine - LSVM) (Hình 1). Tập huấn luyện bao gồm các vector trong đó mỗi vector mô tả đặc điểm của các đối tượng đang xét (ví dụ: doanh thu, vốn chủ sở hữu, nợ dài hạn trong trường hợp đánh giá một công ty). Nhãn 1 hoặc -1 của 2 lớp được gán cho từng vector đầu vào. Hai tập điểm gọi là tách biệt tuyến tính nếu tồn tại một siêu phẳng giúp phân tách hoàn toàn các điểm thuộc về 2 lớp khác nhau. Chẳng hạn, trong không gian 2 chiều các điểm có thể được phân tách bởi một đường thẳng (Hình 1); trong không gian ba chiều các điểm có thể được phân tách bởi một mặt phẳng v.v... Ta luôn xác định được có tồn tại hay không một siêu phẳng với một tập điểm cho trước. Mục đích chính của LSVM không chỉ là phân chia các điểm thành 2 lớp (dễ dàng có được nếu sử dụng - mạng nơron đơn giản nhất, chỉ gồm một lớp nơron, nhận đầu vào là vector có các thành phần là các số thực và đầu ra là một trong hai giá trị +1 hoặc -1), mà còn là phân tách với khoảng cách biên cực đại.Vấn để ở đây là tìm các hệ số của siêu phẳng phân tách hai lớp với khoảng cách biên cực đại.

  Vấn đề tìm hệ số tối ưu của siêu phẳng có thể chuyển thành vấn về cực tiểu nửa bình phương của chuẩn của véctơ trọng số w [1]. Hệ số nhân Lagrange á được dùng để giải quyết vấn đề này. Theo đó, các hệ số khác nhau được gán cho mỗi véctơ (hầu hết các vector đầu vào được gán bằng 0). Véctơ đầu vào có giá trị khác không trở thành véctơ hỗ trợ. Để có thể áp dụng LSVM cho tập dữ liệu phân tách không tuyến tính ta có thể ánh xạ không gian dữ liệu đầu vào tới một không gian đặc trưng nhiều chiều hơn (trong không gian này các tập dữ liệu gần như là tách biệt tuyến tính).

Máy hỗ trợ véctơ - SVM dần trở nên phổ biến trong hàng loạt các lĩnh vực của ngân hàng bởi nó có khả năng dự đoán tốt hơn so với các phương pháp thống kê truyền thống (như hồi quy tuyến tính, đa hồi quy) hay mạng Nơron nhân tạo. Shouwei, Mingliang và Jianmin áp dụng SVM kết hợp các phương pháp khác để ước lượng rủi ro hệ thống của toàn ngành ngân hàng ở Trung Quốc [7]. Đánh giá khả năng khủng hoảng tài chính của gân hàng, các nhà nghiên cứu đã xem xét không chỉ các chỉ số kinh tế của ngân hàng (như ROE, ROI, vv...) mà còn xem xét các chỉ tiêu kinh tế vĩ mô (như tốc độ tăng trưởng GDP) và các chỉ số phản ánh sự hoạt động của hệ thống liên ngân hàng. Trong nghiên cứu này, 17 chỉ tiêu được lựa chọn để đánh giá cho 36 ngân hàng ở Trung Quốc. Dữ liệu được chia thành tập huấn luyện (19 ngân hàng) và tập thử nghiệm (17 ngân hàng). Các nhà nghiên cứu sử dụng phương pháp SVM với hàm hạt nhân (kernel function) cho phép ánh xạ một cách không trực tiếp không gian dữ liệu vào tới không gian đặc trưng nhiều chiều. Hàm hạt nhân định nghĩa các tích nội tại giữa các véctơ trong không gian đặc trưng. Hàm này được gọi là hàm hạt nhân giả (kernel trick) bởi hàm này cho phép hoạt động trong không gian đặc trưng mà không cần ánh xạ tường minh từ các véctơ đầu vào tới không gian đặc trưng nhiều chiều. Chính nhờ kĩ thuật này mà các tập dữ liệu phân tách không tuyến tính trở thành phân tách tuyến tính trong không gian đặc trưng nhiều chiều. Hàm hạt nhân có nhiều kiểu khác nhau. Trong nghiên cứu này, các tác giả giới thiệu một hàm radial đơn giản. Hàm số f gán mỗi véctơ đầu vào với một trong 2 lớp (1 hoặc -1).

Trong đó:

x - véctơ của các dữ liệu mới cần gán vào một trong các lớp (-1 hoặc 1)

M - số điểm từ tập huấn luyện (trong trường hợp này là 19)

ái - trọng số của dữ liệu thử nghiệm xi,

yi - lớp của dữ liệu thử nghiệm xi (hoặc là 1 hoặc -1),

b - biến số (giá trị biến thiên của tích nội tại giữa véctơ trọng số w và véctơ x).

(Còn nữa)

 

(Cnth theo Tạp chí thnh)

5488 lượt xem
Kết quả nổi bật năm 2014 và định hướng 2015
Chiến lược giám sát các hệ thống thanh toán tại Việt Nam từ nay đến 2020
Hệ thống quản lý cấp thị thực trực tuyến và Trung tâm tích hợp dữ liệu
CNTT ngân hàng và những vấn đề đặt ra
Một số kinh nghiệm trong trong xây dựng DW/BI
Các tiện ích của Wi-Fi cho Windows
CNTT là một trong những đột phá chiến lược phát triển ngành Ngân hàng trong 10-15 năm tới
Vai trò của công nghệ ngân hàng trong chiến lược phát triển ngành ngân hàng giai đoạn 2011-2020
© Cổng thông tin điện tử Ngân hàng Nhà nước Việt Nam
Địa chỉ : Số 49 Lý Thái Tổ - Hoàn Kiếm - Hà NộiThường trực Ban biên tập : (84 - 243) 266.9435Email : thuongtrucweb@sbv.gov.vnRSS
Chung nhan Tin Nhiem Mang Số điện thoại tổng đài Ngân hàng Nhà nước: (84 - 243) 936.6306