Tóm tắt luận án Tiến sĩ Tài chính ngân hàng: 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

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:43

Thêm vào BST

Báo xấu

31
lượt xem 9
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Luận văn "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" nghiên cứu tổng thể về lý luận và thực tiễn trí tuệ nhân tạo trong quản lý rủi ro tín dụng, từ đó đưa ra giải pháp kiến nghị ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tóm tắt luận án Tiến sĩ Tài chính ngân hàng: 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

BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAM ------------------ NGUYỄN TIẾN HƯNG TÓM TẮT LUẬN ÁN TIẾN SĨ 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 HÀ NỘI - 2022
BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAM ------------------ NGUYỄN TIẾN HƯNG TÓM TẮT LUẬN ÁN TIẾN SĨ 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 Chuyên ngành: Tài chính – Ngân hàng Mã số: 9340201 Người hướng dẫn khoa học: Hướng dẫn 1: TS. Bùi Tín Nghị Hướng dẫn 2: PGS.TS. Nguyễn Đức Trung HÀ NỘI - 2022
MỤC LỤC PHẦN MỞ ĐẦU ........................................................................................ 1 CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU VỀ TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG .................................................... 5 1.1. Các nghiên cứu về mô hình quản lý rủi ro tín dụng................................... 5 1.2. Nghiên cứu về đánh giá rủi ro tín dụng. .................................................... 5 1.2.1. Nghiên cứu về đo lường xác suất vỡ nợ ........................................... 6 1.2.2. Nghiên cứu về tổn thất khi vỡ nợ. .................................................... 6 1.2.3. Nghiên cứu về mức độ rủi ro khi vỡ nợ. .......................................... 7 1.3. Nghiên cứu về mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng. ..... 8 1.4. Khoảng trống nghiên cứu. .......................................................................... 9 CHƯƠNG 2: CƠ SỞ LÝ LUẬN VỀ ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG .................................................. 10 2.1. Cơ sở lý luận về quản lý rủi ro tín dụng................................................... 10 2.1.1. Khái niệm về quản lý rủi ro tín dụng.............................................. 10 2.1.2. Nội dung quản lý rủi ro tín dụng .................................................... 10 2.2. Cơ sở lý luận về ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng 11 2.2.1. Khái quát về trí tuệ nhân tạo........................................................... 11 2.2.2. Trí tuệ nhân tạo trong quản lý rủi ro tín dụng ................................ 12 2.2.3. Khung đo lường áp dụng cho mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng. ......................................................................................... 13 2.2.4. Dữ liệu cho các mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng. ................................................................................................................. 14 2.2.5. Các tiêu chí đánh giá hiệu quả mô hình trí tuệ nhân tạo trong đo lường rủi ro tín dụng. ......................................................................................... 15 2.2.6. Điều kiện ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng. 16 2.3. Kinh nghiệm quốc tế về nghiên cứu và ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng. ............................................................................................. 17 2.3.1. Kinh nghiệm từ Anh. ...................................................................... 17 2.3.2. Kinh nghiệm từ Mỹ ........................................................................ 19 2.3.3. Kinh nghiệm từ Ấn Độ ................................................................... 19 2.3.4. Kinh nghiệm từ Hội đồng ổn định tài chính (FSB) ........................ 20 I
2.3.5. Kinh nghiệm từ Ngân hàng thế giới (WB). .................................... 20 2.3.6. Bài học kinh nghiệm cho các ngân hàng thương mại tại Việt Nam ................................................................................................................. 21 CHƯƠNG 3: THỰC TRẠNG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM23 3.1. Khái quát về Agribank ............................................................................. 23 3.2. Thực trạng rủi ro tín dụng tại Agribank ... Error! Bookmark not defined. 3.3. Thực trạng quản lý rủi ro tín dụng tại Agribank. ..................................... 23 3.3.1. Mô hình quản lý rủi ro tín dụng...... Error! Bookmark not defined. 3.3.2. Tổ chức thực hiện quản lý rủi ro tín dụng tại Agribank .......... Error! Bookmark not defined. 3.4. Đánh giá thực trạng quản lý rủi ro tín dụng tại Agribank........................ 23 3.4.1. Các kết quả đạt được ...................................................................... 23 3.4.2. Các hạn chế và nguyên nhân. ......................................................... 24 3.4.3. Các điều kiện để ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng ......................................................................................................... 29 CHƯƠNG 4: XÂY DỰNG MÔ HÌNH TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM. ................................................ 26 4.1. Đề xuất mô hình ....................................................................................... 26 4.2. Xây dựng mô hình tính xác suất vỡ nợ (PD). .......................................... 26 4.2.1. Mô tả dữ liệu thu thập..................................................................... 26 4.2.2. Kết quả các mô hình tính xác suất vỡ nợ (PD)............................... 27 4.3. Xây dựng mô hình LGD .......................................................................... 28 4.3.1. Mô tả dữ liệu ................................................................................... 28 4.3.2. Kết quả mô hình LGD .................................................................... 28 4.4. Xây dựng mô hình EAD .......................................................................... 28 CHƯƠNG 5: GIẢI PHÁP 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 ................................................. 31 5.1. Định hướng phát triển hoạt động quản lý rủi ro tín dụng trong hệ thống ngân hàng thương mại Việt Nam. ................................................................... 31 5.2. Định hướng phát triển hoạt động quản lý rủi ro tín dụng tại Agribank ... 31 II
5.3. Giải pháp ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Agribank .......................................................................................................... 32 5.3.1. Về cơ cấu tổ chức quản lý rủi ro tín dụng ...................................... 32 5.3.2. Về quy trình áp dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng. ................................................................................................................. 32 5.3.3. Về nhóm các giải pháp hỗ trợ cần thiết. ......................................... 34 5.4. Kiến nghị với Ngân hàng nhà nước Việt Nam ........................................ 36 PHẦN KẾT LUẬN ÁN ................................................................................. 37 III
PHẦN MỞ ĐẦU 1. TÍNH CẤP THIẾT CỦA ĐỀ TÀI Trong xu hướng bùng nổ của cuộc cách mạng 4.0, trí tuệ nhân tạo đang dần thể hiện được vai trò là công nghệ tiên phong đối với lĩnh vực ngân hàng nói chung và lĩnh vực tín dụng nói riêng. Công nghệ này đã được phát triển từ hơn 50 năm trước, tuy nhiên với sự tiến bộ của khoa học máy tính, sự dồi dào về dữ liệu và nhu cầu của thị trường thì trí tuệ nhân tạo đang được phát triển một cách mạnh mẽ và dần định hình cuộc chơi của các ngân hàng trong tương lai. Nhận thấy tầm quan trọng và tiềm năng của trí tuệ nhân tạo, ngày 26/1/2021, Thủ tướng chính phủ ban hành Quyết định số 127/QĐ-TTg về chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng trí tuệ nhân tạo đến năm 2030. Trong đó, nhiệm vụ cụ thể của ngành ngân hàng được chỉ rõ bao gồm: “ Phân tích, dự đoán nhu cầu vay vốn, đối tượng vay vốn, hỗ trợ hoạt động cấp tín dụng phát hiện các hành vi gian lận; cá nhân hóa các dịch vụ ngân hàng cho khách hàng; cung cấp các dịch vụ hỗ trợ tức thời cho khách hàng thông qua các trợ lý ảo và chatbot” Trong hệ thống ngân hàng thương mại Việt Nam thì Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam là ngân hàng có quy mô lớn nhất tính trên tổng tài sản và số lượng khách hàng. Tuy nhiên, trong giai đoạn trước thì ngân hàng này đã phát sinh nhiều vụ việc tiêu cực liên quan đến tín dụng, ảnh hưởng lớn đến hoạt động kinh doanh và uy tín của ngân hàng. Hậu quả của những vụ việc này còn kéo dài trong thời gian sau đó và tác động trực tiếp đến đời sống người lao động. 1
Căn cứ vào tình hình trên, tác giả nhận thấy việc nghiên cứu đề tài: “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” có ý nghĩa cao về cả lý luận và thực tiễn. 2. MỤC TIÊU NGHIÊN CỨU 2.1. Mục tiêu tổng quát Luận án nghiên cứu tổng thể về lý luận và thực tiễn trí tuệ nhân tạo trong quản lý rủi ro tín dụng, từ đó đưa ra giải pháp kiến nghị ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam. 2.2. Mục tiêu cụ thể Mục tiêu tổng quát được cụ thể hóa thành bốn mục tiêu sau: Thứ nhất, hệ thống hóa cơ sở lý luận về trí tuệ nhân tạo trong quản lý rủi ro tín dụng; Thứ hai, đánh giá thực trạng quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam nhằm xác định các điều kiện và giải pháp ứng dụng trí tuệ nhân tạo trong hoạt động này; Thứ ba, ứng dụng trí tuệ nhân tạo xây dựng mô hình đánh giá rủi ro tín dụng theo phương pháp nâng cao của Basel II tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam; Thứ tư, đề xuất các nhóm giải pháp và kiến nghị nhằm ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam. 3. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU 3.1. Đối tượng nghiên cứu 2
Đối tượng nghiên cứu của luận án là trí tuệ nhân tạo trong quản lý rủi ro tín dụng. 3.2. Phạm vi nghiên cứu Phạm vi nghiên cứu về không gian: 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, trong đó tập trung mô hình hóa trí tuệ nhân tạo trong khâu đo lường rủi ro tín dụng. Phạm vi nghiên cứu về thời gian: 2009-2021. Trong đó, dữ liệu dùng để xây dựng mô hình trí tuệ nhân tạo được thu thập trong khoảng thời gian 2009 - 2014. 4. PHƯƠNG PHÁP NGHIÊN CỨU - Phương pháp thống kê, mô tả, phân tích, tổng hợp - Phương pháp khảo sát - Phương pháp định lượng: Luận án sẽ sử dụng các mô hình trí tuệ nhân tạo bao gồm: Mô hình Cây quyết định (Decision Tree- DT), Mô hình Mạng Nơ ron (Neural network - NN) để đo lường rủi ro tín dụng và có sự so sánh với các mô hình truyền thống như mô hình logit. 5. ĐÓNG GÓP MỚI CỦA LUẬN ÁN Luận án đã có những đóng góp mới cả về lý luận và thực tiễn như sau: Thứ nhất, Luận án đã hệ thống hóa cơ sở lý luận về trí tuệ nhân tạo trong quản lý rủi ro tín dụng. Các mô hình trí tuệ nhân tạo được phân tích, làm rõ theo các bước của quản lý rủi ro tín dụng bao gồm: nhận diện, đo lường, sử dụng công cụ quản lý và báo cáo, giám sát. Luận án cũng đồng thời đưa ra khung lý thuyết để xây dựng, điều kiện ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại. 3
Thứ hai, luận án đã sử dụng phương pháp khảo sát đối với lãnh đạo và nhân viên để đánh giá thực trạng quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam. Thứ ba, luận án đã xây dựng mô hình trí tuệ nhân tạo đo lường rủi ro tín dụng dựa theo dữ liệu thực tế tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam. Các mô hình đo lường rủi ro tín dụng được thiết kế theo cách tiếp cận nâng cao (AIRB) của Basel II. Thứ tư, luận án đã đề xuất hệ thống giải pháp và kiến nghị để ứng dụng mô hình trí tuệ nhân tạo vào hoạt động quản lý rủi ro tín dụng. 6. KẾT CẤU CỦA LUẬN ÁN Ngoài phần mở đầu, phần kết luận, danh mục tài liệu tham khảo và phụ lục, luận án được kết cấu gồm 5 chương bao gồm: Chương 1: Tổng quan nghiên cứu về trí tuệ nhân tạo trong quản lý rủi ro tín dụng Chương 2: Cơ sở lý luận về ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng Chương 3: Thực trạng quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam Chương 4: Ứng dụng trí tuệ nhân tạo xây dựng mô hình đo lường rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam Chương 5: Giải pháp 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 4
CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU VỀ TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG 1.1. Các nghiên cứu về mô hình quản lý rủi ro tín dụng Nghiên cứu về lý thuyết, Bullivant (2010) đã trình bày bao quát các khía cạnh của quản lý rủi ro tín dụng. Một số hướng dẫn, nghiên cứu của IIA (2020), Oliver Wyman (2016) về mô hình ba lớp bảo vệ hay theo cách gọi cải tiến của Basel (2015) là “bốn lớp bảo vệ” được coi như chuẩn mực trong lĩnh vực quản lý rủi ro nói chung và quản lý rủi ro tín dụng nói riêng. Cũng nghiên cứu mô hình này, Tammenga (2020) tiếp cận trên góc độ đánh giá sự phù hợp của mô hình khi sử dụng các công cụ hiện đại như trí tuệ nhân tạo. Nguyễn Văn Tiến (2015) và Ghosh (2012) nghiên cứu về mô hình quản trị ngân hàng trong đó xác định điểm căn bản của mô hình quản lý rủi ro tín dụng đó là sự độc lập giữa các khối kinh doanh, khối quản lý rủi ro và khối xử lý nội bộ nhưng vẫn đảm bảo được quy trình quản lý tín dụng tập trung. Nghiên cứu của Lê Thị Huyền Diệu (2010) trình bày tổng quát về các mô hình quản lý rủi ro tín dụng thích hợp trong điều kiện của các ngân hàng thương mại tại Việt Nam. Cùng trên cơ sở đó, nghiên cứu của Nguyễn Bích Ngân (2020) thực hiện mô phỏng mô hình quản lý rùi ro danh mục theo cách tiếp cận cơ bản dựa trên xếp hạng nội bộ (FIRB) của Basel. Ngoài ra, các nghiên cứu về quản lý rủi ro tín dụng tại một ngân hàng cụ thể có thể kể đến như nghiên cứu của Trần Khánh Dương (2019), Nguyễn Quang Hiện (2016), Lê Thị Hạnh (2017) và Nguyễn Như Dương (2018). 1.2. Nghiên cứu về đánh giá rủi ro tín dụng. Koulafetis (2017) nghiên cứu một cách toàn diện về các mô hình đo lường rủi ro tín dụng trong đó nêu chi tiết về các mô hình đo lường rủi ro danh 5
mục, từ mô hình được Basel khuyến nghị theo cách tiếp cận tiêu chuẩn (SA), cách tiếp cận cơ bản dựa trên xếp hạng tín dụng nội bộ (FIRB) và cách tiếp cận nâng cao dự trên xếp hạng tín dụng nâng cao (AIRB) đến các mô hình do các định chế tài chính lâu đời trên thế giới phát triển như CreditMetrics của JP Morgan (1997), KMV của Moody’s (2002), CreditRisk+ của Credit Suise (1997), CreditPortfolioView của Wilson (1997) và được sử dụng bởi McKinsey. Nhiều nghiên cứu tập trung vào phân tích mô hình đo lường rủi ro tín dụng theo cách tiếp cận của Basel có thể kể đến như Acharya và cộng sự (2006), Carey & Gordy (2007), Hibbeln (2010), Engelmann & Rauhmeier (2006), Witzany (2017), Jacob (2010). Trong luận án này, tác giả kế thừa các luận cứ lý thuyết về mô hình quản lý rủi ro tín dụng dựa trên cách tiếp cận xếp hạng tín dụng nội bộ nâng cao (AIRB) để 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 Một số nghiên cứu quốc tế điển hình có thể kể đến như: Altman (1968); Arminger và cộng sự (1997); Vasanthi & Raja (2006); Autio và cộng sự (2009); Kocenda & Vojtek (2011); Nwachukwu (2013). Bên cạnh đó là các nghiên cứu sử dụng dữ liệu từ Việt Nam như: Dinh và Kleimeier (2007); Tra Pham và Lensink (2008); Linh và cộng sự (2020); Thu và công sự (2020). 1.2.2. Nghiên cứu về tổn thất khi vỡ nợ. Bảng 1.1:Tổng hợp các nghiên cứu về LGD Nghiên Dữ Quốc Giai Biến kinh tế vĩ Mô hình Sự ảnh cứu liệu gia đoạn mô hưởng 6
của yếu tố vĩ mô Altman và 1000 Mỹ 1982- GDP Hồi quy đa Không cộng sự quan 2001 biến ảnh (2005) sát hưởng Bastos 374 Bồ 1995- --- Logit (LR), --- (2010) quan Đào 2000 Cây quyết sát Nha định (DT) Bellotti và 55.000 Anh 1999- Lãi suất của các Hồi quy Tất cả Crook quan 2005 ngân hàng Anh,tuyến tính, các biến (2011) sát tỷ lệ thất logit (LR), vĩ mô nghiệp, chỉ sốtobit Cây thu nhập của quyết định Anh (DT) Caselli và 11.649 Ý 1990- GDP, tình trạng Hồi quy đa GDP, cộng sự quan 2004 có việc làm, biến tình (2008) sát tiêu dùng hộ trạng có gia đình, đầu tư việc làm hàng năm, Dermine 374 Bồ 1995- GDP, tần suất Logit (LR) Không và quan Đào 2000 vỡ nợ theo lĩnh ảnh Carvalho sát Nha vực hưởng (2006) Khieu và 1364 Mỹ 1987- GDP OLS, Logit GDP cộng sự quan 2007 (2012) sát Rosh và 1653 Mỹ 1982- GDP Tobit GDP Sheule lquan 2009 (2012) sát Nguồn: Tác giả tổng hợp 1.2.3. Nghiên cứu về mức độ rủi ro khi vỡ nợ. Nghiên cứu của Valvonis (2008) chỉ ra rằng việc xác định EAD phụ thuộc lớn vào sản phẩm tín dụng và nội dung cam kết giữa ngân hàng và khách hàng. EAD có thể được phân chia thành hai nhóm: nhóm cố định và nhóm biến động. Đối với nhóm có dư nợ biến động thì EAD cần được ước lượng theo mô hình. Các nghiên cứu của Barakova và Parthasarathy (2013), Leow và Crook 7
(2016), Tong và cộng sự (2016), Luo và Murphy (2020) đã xem xét đa dạng các yếu tố tác động đến EAD và các kĩ thuật dự báo EAD trên các bộ dữ liệu đa dạng từ khách hàng cá nhân đến khách hàng doanh nghiệp. 1.3. Nghiên cứu về mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng. Các nghiên cứu quốc tế về trí tuệ nhân tạo trong lĩnh vực tín dụng được thực hiện đa dạng, trên nhiều góc độ khác nhau bao gồm các nghiên cứu lý thuyết tổng quát về trí tuệ nhân tạo và xây dựng các mô hình thực nghiệm. Bảng 1.2: Tổng hợp các nghiên cứu về mô hình trí tuệ trong đo lường rủi ro tín dụng Nghiên Dữ liệu Mô hình Mô hình tốt nhất cứu West - Đức, 1000 quan sát MDA, LR, Đức: MOE (tỷ lệ phân (2000) (30% nợ xấu) KNN, NN loại đúng 78.6%) - Úc: 690 quan sát (56 (MLP, Úc: RBF ( Tỷ lệ phân % nợ xấu) MOE, RBF, loại đúng 88.78%), LVQ, FAR); MLP ( Tỷ lệ phân loại đúng 87.68%) Desai và - Mỹ: 962 quan sát NN (MLP, LR (tỷ lệ phân loại cộng sự (18.42% nợ xấu), 918 MNN), đúng 81.7%) (1996) quan sát (25.98% nợ MDA, LR MLP (tỷ lệ phân loại xấu), 853 quan sát đúng nợ xấu 42.08%) (21.15% nợ xấu) Abdou Ai Cập: 581 quan sát NN (MLP, MLP (tỷ lệ phân loại (2008) (25.5% nợ xấu) PNN) đúng 94.84%) Brown và Đức, Úc, 03 bộ dữ liệu MDA, LR, SVM tốt nhất với dữ cộng sự khác DT, KNN, liệu 30% nợ xấu (2012) SVM, NN, RF tốt nhất với bộ dữ RF, GB liệu 1% nợ xấu Tsai và - Đức, 1000 quan sát MLP, Đức: MMLP (tỷ lệ Wu (30% nợ xấu) MMLP phân loại đúng (2008) - Úc: 690 quan sát (56 83.38%) % nợ xấu) Úc: MLP (tỷ lệ phân - Nhật bản: 690 quan loại đúng 97.32%) sát (56 % nợ xấu) 8
Nhật Bản: MLP (tỷ lệ phân loại đúng 87.94%) Altman 66 quan sát (48.4% phá MDA 95% (1968) sản) Wiginton 1908 quan sát ( 41.8 % MDA, LR LR (tỷ lệ phân loại (1980) nợ xấu) đúng 61.84%) Tang và - Úc: 690 quan sát (56 NN (PNN, Úc: PNN (85.64%) cộng sự % nợ xấu) MLP) (2018) - Nhật bản: 690 quan Nhật bản: PNN sát (56 % nợ xấu) (85.54%) Zhao và - Đức, 1000 quan sát MLP 87% cộng sự (30% nợ xấu) (2015) Nguồn: Tác giả tổng hợp 1.4. Khoảng trống nghiên cứu. Sau khi nghiên cứu tổng quan, luận án xác định được một số khoảng trống nghiên cứu sau: Thứ nhất, các nghiên cứu trong nước đã đề cập đến một số khía cạnh của quản lý rủi ro như mô hình tổ chức, nguyên tắc, quy trình quản lý, phương pháp đo lường nhưng có rất ít nghiên cứu đề cập tới việc sử dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng. Hiện nay, chưa có công trình nào nghiên cứu khung lý thuyết cho việc xây dựng mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng. Thứ hai, hầu như chưa có nghiên cứu quốc tế và trong nước nào nghiên cứu một cách toàn diện về sử dụng trí tuệ nhân tạo trong đo lường rủi ro tín dụng theo phương pháp tiếp cận nâng cao của Basel. Thứ ba, chưa có công trình nghiên cứu trong nước nghiên cứu về việc áp dụng trí tuệ nhân tạo trong quản lý rủi ro tại một ngân hàng cụ thể. Đây là khoảng trống về mặt thực tiễn mà luận án sẽ tập trung nghiên cứu. 9
CHƯƠNG 2: CƠ SỞ LÝ LUẬN VỀ ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG 2.1. Cơ sở lý luận về quản lý rủi ro tín dụng 2.1.1. Khái niệm về quản lý rủi ro tín dụng Quản lý rủi ro tín dụng có thể được diễn đạt dưới các hình thức khác nhau song các khái niệm, các quan điểm đều tựu chung về bản chất của rủi ro tín dụng đó là: là quá trình xây dựng và thực thi các chiến lược, chính sách quản lý rủi ro về việc nhận diện, đo lường rủi ro, các biện pháp phòng ngừa và xử lý rủi ro, kiểm soát rủi ro để nhằm tối đa hoá lợi nhuận trong phạm vi mức rủi ro có thể chấp nhận. 2.1.2. Nội dung quản lý rủi ro tín dụng 2.1.2.1. Các nguyên tắc quản lý rủi ro tín dụng 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: thiết lập môi trường rủi ro tín dụng phù hợp; hoạt động theo quy trình cấp tín dụng hiệu quả; duy trì hệ thống quản lý tín dụng, đo lường và quy trình giám sát phù hợp; đảm bảo hệ thống kiểm soát an toàn trước rủi ro tín dụng; vai trò của các nhà giám sát. 2.1.2.2. Mô hình quản lý rủi ro tín dụng tại ngân hàng thương mại *Mô hình quản lý rủi ro tín dụng theo cơ cấu tổ chức Mô hình quản lý rủi ro tín dụng tập trung Mô hình này tách bạch hoạt động tín dụng ở chi nhánh và hội sở. Ở chi nhánh chỉ thực hiện chức năng kinh doanh/bán hàng/quan hệ khách hàng còn ở hội sở thực hiện chức năng quản lý rủi ro tín dụng/thẩm định/phân tích tín dụng và phê duyệt tín dụng và chức năng tác nghiệp hỗ trợ. 10
Mô hình quản lý rủi ro tín dụng phân tán Mô hình quản lý rủi ro phân tán tạo cho mỗi chi nhánh ngân hàng có một vị thế, có tính độc lập rất cao với hội sở như một ngân hàng con trong ngân hàng mẹ. Mô hình này chưa có sự tách bạch giữa chức năng quản lý rủi ro, kinh doanh và tác nghiệp. Trong đó, phòng tín dụng của ngân hàng thực hiện đầy đủ 3 chức năng và chịu trách nhiệm đối với mọi khâu chuẩn bị cho một khoản vay. *Mô hình tổ chức quản lý rủi ro ba tuyến bảo vệ Mô hình ba tuyến bảo vệ được xây dựng với mục đích phân biệt nhiệm vụ quản lý rủi ro theo các bộ phận chức năng khác nhau trong ngân hàng. Mô hình này cung cấp cách tiếp cận đơn giản và hiệu quả, để tăng cường sự trao đổi giữa quản lý rủi ro và kiểm soát bằng cách làm rõ vai trò và nhiệm vụ của các bên liên quan. Mô hình này có ưu điểm là phù hợp cho tất cả tổ chức tín dụng không kể tới quy mô và tính chất phức tạp của hoạt động kinh doanh. 2.1.2.3. Quy trình quản lý rủi ro tín dụng Quy trình quản lý rủi ro tín dụng được xây dựng theo 4 khâu: nhận diện, đo lường, sử dụng các công cụ để quản lý rủi ro và báo cáo rủi ro (Ghosh, 2012). 2.2. Cơ sở lý luận về ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng 2.2.1. Khái quát về trí tuệ nhân tạo. Trí tuệ nhân tạo (AI) có thể được hiểu là trí thông minh được thể hiện bởi máy móc. Nói cách khác, thuật ngữ AI được sử dụng khi một cái máy bắt chước các chức năng "nhận thức" của con người, chẳng hạn như "học" và "giải quyết vấn đề". 11
Những ứng dụng chính của AI được đề cập bao gồm: phân tích, tư vấn tự động, tự động hóa quy trình và thiết lập báo cáo, trong đó những ứng dụng về phân tích rủi ro bao gồm rủi ro tín dụng được coi là đem lại lợi ích lớn nhất cho các ngân hàng. 2.2.2. Trí tuệ nhân tạo trong quản lý rủi ro tín dụng Theo hướng dẫn của WB (2019), trí tuệ nhân tạo trong quản lý rủi ro tín dụng được chia theo 3 loại theo các thuật toán huấn luyện bao gồm: học có giám sát, học không giám sát và các kĩ 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  Cây quyết định  Phân cụm K trung bình  Trích xuất thuộc tính tự (Decision tree) và các (K-means clustering) động (Automated mô hình kết hợp.  Phân cụm phân cấp Feature Engineering -  Máy véc-tơ hỗ trợ (Hierarchical AFE) (Support vector clustering)  Học tăng cường machine) (Reinforcement  Mạng nơ ron ( Neural Learning - RL) network)  Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP) Nguồn: Tác giả tổng hợp từ hướng dẫn của WB (2019) Với sự đa dạng của các thuật toán trên thì trí tuệ nhân tạo có thể tham gia vào hầu hết các nội dung trong quá trình quản lý rủi ro tín dụng. Quy trình quản lý rủi ro thông thường được thiết lập theo 4 bước cơ bản bao gồm: nhận biết, đo lường, sử dụng các công cụ quản lý rủi ro và giám sát, báo cáo. Ngoài ra, việc sử dụng trí tuệ nhân tạo còn cho phép các ngân hàng kiểm soát rủi ro tín dụng ngay tại bước tìm kiếm khách hàng. 12
Hình 2.1: Trí tuệ nhân tạo trong quản lý rủi ro tín dụng Nguồn: Tác giả tổng hợp 2.2.3. Khung đo lường áp dụng cho mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng. Basel II giới thiệu một chuỗi các cách tiếp cận rủi ro tín dụng với mức độ phức tạp và nội bộ hóa tăng dần bao gồm: Phương pháp tiêu chuẩn (SA), Phương pháp tiếp cận cơ bản dựa vào xếp hạng nội bộ (FIRB), phương pháp tiếp cận nâng cao dựa vào xếp hạng nội bộ (AIRB). Trong phạm vi nghiên cứu của luận án, tác giả sẽ sử dụng khung đo lường theo cách tiếp cận nâng cao của Basel II trong đó các mô hình PD, LGD và EAD được ước lượng thông qua dữ liệu lịch sử của ngân hàng. 13
2.2.4. Dữ liệu cho các mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng. *Cá nhân: tuổi, giới tính, hôn nhân, nơi Thông tin ở, trình độ, việc làm, bảo hiểm, người pháp lý phụ thuộc, tình trạng tham gia các tổ về khách chức, nhóm có liên quan hàng *Doanh nghiệp: loại hình, lĩnh vực kinh doanh, địa chỉ, quy mô PD Thông tin về tình Tài sản, vốn, thu nhập, chi tiêu, hoạt động tài chính, khả năng quản lý, khả trạng tài năng hoàn trả chính Thông tin Hạn mức, dư nợ, lãi suất, kì hạn, phương về khoản thức giải ngân, phương thức hoàn trả vay LGD Thông tin Các loại dịch vụ đã sử dụng tại ngân về lịch sử hàng, hành vi, thói quen sử dụng giao dịch Thông tin Loại, hình thức sở hữu, giá trị , biến về Tài sản động, cam kết liên quan đến tài sản đảm đảm bảo bảo EAD Thông tin Các chính sách xử lý nợ xấu, nợ quá hạn, thuộc về chính sách giám sát, kiểm soát tín dụng, nội bộ chính sách xử lý tài sản đảm bảo, chính ngân sách hỗ trợ khách hàng hàng GDP, cán cân xuất nhập khẩu, tỷ lệ thất Thông tin nghiệp, chỉ số lạm phát, chỉ số về ngành bên ngoài nghề kinh doanh, thị trường Hình 2.2: Dữ liệu sử dụng trong các mô hình PD, LGD, EAD Nguồn: Tác giả tổng hợp 14
2.2.5. Các tiêu chí đánh giá hiệu quả mô hình trí tuệ nhân tạo trong đo lường rủi ro tín dụng. 2.2.5.1. Đối với mô hình PD Ma trận tỷ lệ phân loại đúng Đây là một trong những tiêu chí được sử dụng phổ biến nhất trong các nghiên cứu về mô hình xếp hạng tín dụng (Abdou, 2009; Zheng và cộng sự 2004) Dữ liệu huấn luyện Dữ liệu kiểm tra Toàn bộ dữ liệu Mô CCG CCB Tỷ lệ CCG CCB Tỷ lệ CCG CCB Tỷ lệ hình % % trung % % trung % % trung bình bình bình A B C Trong đó, CCG% là tỷ lệ phân loại đúng nợ tốt thể hiện số nợ tốt được phân loại đúng trên tổng số nợ tốt thực tế; CCB% là tỷ lệ phân loại đúng nợ xấu thể hiện số nợ xấu được phân loại đúng trên tổng số nợ xấu thực tế; tỷ lệ phân loại đúng trung bình được tính dựa trên tổng số trường hợp phân loại đúng trên tổng số quan sát. Chi phí phân loại sai Chi phí phân loại sai của mỗi mô hình sẽ được xác định theo công thức West (2000) đưa ra như sau: Chi phí phân loại sai = 𝐶1 x𝑃1 x 𝜋1 + 𝐶2 x 𝑃2 x 𝜋2 Trong đó: 𝐶1 và 𝐶2 là chi phí phân loại sai tương ứng với lỗi loại I và II; 𝑃1 và 𝑃2 là xác suất xảy ra lỗi loại I và II; .𝜋1 và 𝜋2 là tỉ trọng của nợ xấu và nợ tốt. 15