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:214

Thêm vào BST

Báo xấu

26
lượt xem 9
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Luận án "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: 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 HỌC VIỆN NGÂN HÀNG ------------------ NGUYỄN TIẾN HƯNG 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 HỌC VIỆN NGÂN HÀNG ------------------ NGUYỄN TIẾN HƯNG 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
LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi dưới sự hướng dẫn của TS. Bùi Tín Nghị và PGS.TS. Nguyễn Đức Trung. Các tài liệu, số liệu trong nghiên cứu đều có nguồn gốc và được trích dẫn rõ ràng. Nghiên cứu sinh Nguyễn Tiến Hưng I
DANH MỤC TỪ VIẾT TẮT Từ viết tắt Nghĩa tiếng Anh Nghĩa tiếng Việt AI Artificial Intelligence Trí tuệ nhân tạo AIRB Advanced internal rating- Cách tiếp cận nâng cao dựa based approach trên xếp hạng nội bộ AUF Additional utilization factor Hệ số sử dụng bổ sung BOE Bank of England Ngân hàng trung ương Anh CFF Credit conversion factor Hệ số chuyển đổi tín dụng CIC Credit Information Center Trung tâm thông tin tín dụng quốc gia DP Deep learning Học sâu DT Decision tree Cây quyết định EAD Exposure at Default Dư nợ tại thời điểm vỡ nợ EADF Exposure at default factor Hệ số dư nợ tại thời điểm vỡ nợ FIRB Foundation internal ratings Cách tiếp cận cơ bản dựa trên based approach xếp hạng nội bộ FSB Financial Stability Board Hội đồng ổn định tài chính GA Genetic Algorithm Thuật toán di truyền KNN K-Nearest Neighbor K Láng giềng gần nhất LEQ Loan equivalent factor Hệ số tương đương khoản vay LGD Loss Given Default Tỷ lệ tổn thất khi vỡ nợ LQV learning vector quantization Học lượng tử hóa véc tơ LR Logitic regression Hồi quy logit LTV Loan to Value Ratio Tỷ lệ dư nợ trên tài sản đảm bảo II
MDA Multiple Discriminant phân tích phân biệt Analysis ML Machine learning Học máy MLP Multi-layer perceptron Mạng nơ ron đa lớp MMLP Mulitple MLP Mạng kết hợp các mạng nơ ron đa lớp MNN modular neural networks Mạng nơ ron mô đun NN Neural network Mạng nơ ron OLS Ordinary least squares Bình phương nhỏ nhất thông thường P2P Peer to peer Cho vay ngang hàng PD Probability of default Xác suất vỡ nợ PNN probabilistic neural network mạng nơ ron xác suất RBF radial basis function Hàm cơ sở bán kính RD Random forests Rừng ngẫu nhiên ROA Return on Assets Lợi nhuận trên tổng tài sản ROC Receiver operating Đặc trưng hoạt động thu nhận characteristic ROE Return on Equity Lợi nhuận trên vốn chủ sở hữu SA Standard approach Cách tiếp cận tiêu chuẩn SOM Seft-Organzing Map Sơ đồ tự tổ chức SVM Support vector machine Máy véc tơ hỗ trợ VAMC Vietnam aset management Công ty quản lý tài sản Việt company Nam WB World bank Ngân hàng thế giới III
MỤC LỤC PHẦN MỞ ĐẦU ........................................................................................ 1 CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU VỀ TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG .................................................. 10 1.1. Các nghiên cứu về mô hình quản lý rủi ro tín dụng................................. 10 1.2. Nghiên cứu về đánh giá rủi ro tín dụng. .................................................. 12 1.2.1. Nghiên cứu về đo lường xác suất vỡ nợ ......................................... 13 1.2.2. Nghiên cứu về tổn thất khi vỡ nợ. .................................................. 15 1.2.3. Nghiên cứu về mức độ rủi ro khi vỡ nợ. ........................................ 17 1.3. Nghiên cứu về mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng. ... 18 1.4. Khoảng trống nghiên cứu. ........................................................................ 23 Kết luận chương 1..................................................................................... 24 CHƯƠNG 2: CƠ SỞ LÝ LUẬN VỀ ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG THƯƠNG MẠI ................................................................................................................. 25 2.1. Cơ sở lý luận về quản lý rủi ro tín dụng tại ngân hàng thương mại ........ 25 2.1.1. Khái niệm về quản lý rủi ro tín dụng tại ngân hàng thương mại ... 25 2.1.2. Nội dung quản lý rủi ro tín dụng tại ngân hàng thương mại .......... 28 2.2. Cơ sở lý luận về ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại ..................................................................................... 43 2.2.1. Khái quát về trí tuệ nhân tạo........................................................... 43 2.2.2. Trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại ........................................................................................................... 46 2.2.3. Khung đo lường áp dụng cho mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại................................................ 59 2.2.4. Dữ liệu cho các mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại. ....................................................................... 66 2.2.5. Các tiêu chí đánh giá kết quả ứng dụng mô hình trí tuệ nhân tạo trong đo lường rủi ro tín dụng. ......................................................................... 68 2.2.6. Điều kiện ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng. 71 2.3. Kinh nghiệm quốc tế về nghiên cứu và ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng. ............................................................................................. 74 2.3.1. Kinh nghiệm từ Anh. ...................................................................... 74 IV
2.3.2. Kinh nghiệm từ Mỹ ........................................................................ 81 2.3.3. Kinh nghiệm từ Ấn Độ ................................................................... 84 2.3.4. Kinh nghiệm từ Hội đồng ổn định tài chính (FSB) ........................ 87 2.3.5. Kinh nghiệm từ Ngân hàng thế giới (WB). .................................... 89 2.3.6. Bài học kinh nghiệm cho các ngân hàng thương mại tại Việt Nam ................................................................................................................. 91 Kết luận chương 2..................................................................................... 96 CHƯƠNG 3: THỰC TRẠNG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM97 3.1. Khái quát về Agribank ............................................................................. 97 3.1.1. Lịch sử hình thành và phát triển ..................................................... 97 3.1.2. Tình hình hoạt động kinh doanh ..................................................... 99 3.2. Thực trạng quản lý rủi ro tín dụng tại Agribank. ................................... 102 3.2.1. Mô hình quản lý rủi ro tín dụng.................................................... 102 3.2.2. Tổ chức thực hiện quản lý rủi ro tín dụng tại Agribank ............... 106 3.3. Đánh giá thực trạng quản lý rủi ro tín dụng tại Agribank...................... 128 3.3.1. Các kết quả đạt được .................................................................... 128 3.3.2. Các hạn chế và nguyên nhân. ....................................................... 130 Kết luận chương 3................................................................................... 135 CHƯƠNG 4: XÂY DỰNG MÔ HÌNH TRÍ TUỆ NHÂN TẠO ĐO LƯỜNG RỦI RO TÍN DỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM. .......................................................... 136 4.1. Đề xuất mô hình ..................................................................................... 136 4.2. Xây dựng mô hình tính xác suất vỡ nợ (PD). ........................................ 137 4.2.1. Mô tả dữ liệu thu thập................................................................... 137 4.2.2. Kết quả các mô hình tính xác suất vỡ nợ (PD)............................. 142 4.3. Xây dựng mô hình LGD ........................................................................ 154 4.3.1. Mô tả dữ liệu ................................................................................. 154 4.3.2. Kết quả mô hình LGD .................................................................. 156 4.4. Xây dựng mô hình EAD ........................................................................ 159 4.5. Các điều kiện để ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng ....................................................................................................................... 163 V
Kết luận chương 4................................................................................... 166 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 ............................................... 167 5.1. Định hướng phát triển hoạt động quản lý rủi ro tín dụng trong hệ thống ngân hàng thương mại Việt Nam. ................................................................. 167 5.2. Định hướng phát triển hoạt động quản lý rủi ro tín dụng tại Agribank . 170 5.3. Giải pháp ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Agribank ........................................................................................................ 172 5.3.1. Về cơ cấu tổ chức quản lý rủi ro tín dụng .................................... 172 5.3.2. Về quy trình áp dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng. ............................................................................................................... 173 5.3.3. Về nhóm các giải pháp hỗ trợ cần thiết. ....................................... 183 5.4. Kiến nghị với Ngân hàng nhà nước Việt Nam ...................................... 186 Kết luận chương 5................................................................................... 188 PHẦN KẾT LUẬN ÁN ............................................................................... 189 Tài liệu Tham khảo ................................................................................. 192 PHỤ LỤC ............................................................................................... 202 VI
PHẦN MỞ ĐẦU 1. TÍNH CẤP THIẾT CỦA ĐỀ TÀI Hoạt động tín dụng được biết đến như một hoạt động truyền thống đóng vai trò quan trọng đối với các ngân hàng thương mại Việt Nam. Bên cạnh vai trò là nguồn thu lợi nhuận chủ yếu thì hoạt động tín dụng cũng tiềm ẩn rất nhiều rủi ro. Trong xu hướng phát triển mạnh mẽ, đa dạng của các sản phẩm tín dụng, các ngân hàng thương mại đã bộc lộ những hạn chế trong công tác quản lý rủi ro tín dụng đặc biệt là việc sử dụng các công cụ hiện đại trong việc kiểm soát rủi ro này. Việc xây dựng một hệ thống quản lý nói chung và quản lý rủi ro tín dụng nói riêng đáp ứng được các yêu cầu về hiệu quả có vai trò sống còn đối với hoạt động ngân hàng. Để đáp ứng kịp thời nhiệm vụ của ngành ngân hàng trong giai đoạn mới, Thống đốc NHNN đã ban hành chỉ thị 01 năm 2021, trong đó nhấn mạnh một trong những nhiệm vụ trọng tâm của ngành ngân hàng là tăng trưởng tín dụng hợp lý gắn với nâng cao chất lượng tín dụng, tập trung vào các lĩnh vực sản xuất, lĩnh vực ưu tiên, kiểm soát chặt tín dụng trong lĩnh vực tiềm ẩn rủi ro như bất động sản, chứng khoán, các dự án BOT, BT giao thông. Một trong những yêu cầu đưa ra đó là tiếp tục xây dựng phương án tái cơ cấu các TCTD gắn với xử lý nợ xấu giai đoạn 2021 – 2025. Đây là một căn cứ quan trọng để các ngân hàng thương mại xác định mục tiêu, lộ trình cho việc hoàn thiện hệ thống quản lý rủi ro tín dụng của mình 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 1
một cách mạnh mẽ và dần định hình cuộc chơi của các ngân hàng trong tương lai. Việc quản lý rủi ro tín dụng được phát triển trong nhiều thập kỉ ở các nước phát triển với các công cụ từ truyền thống đến hiện đại như trí tuệ nhân tạo. Trong đó, Trí tuệ nhân tạo được coi là “chìa khóa” định hình cục diện ngành ngân hàng thông qua những thay đổi về cách ngân hàng tạo ra sản phẩm, quyết định cho vay, cũng như ngăn chặn từ sớm các rủi ro gian lận, gia tăng trải nghiệm và gắn kết khách hàng. Trong khi đó, ở các nước đang phát triển, việc sử dụng các công cụ quản lý rủi ro tín dụng vẫn đang còn nhiều hạn chế do những thiếu hụt về nhiều điều kiện để triển khai áp dụng các công nghệ mới. 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, đóng vai trò chủ lực trong hệ thống ngân hàng. Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam góp phần thực hiện có hiệu quả chính sách tiền tệ quốc gia, đi đầu thực hiện chính sách tiền tệ, góp phần ổn định kinh tế vĩ mô, kiềm chế lạm phát, hỗ trợ tăng trưởng, luôn đồng hành cùng sự nghiệp phát triển nông nghiệp, nông dân, nông thôn, có nhiều đóng góp tích cực thúc đẩy quá trình tái cơ cấu nền kinh tế, xây dựng nông thôn mới và bảo đảm an sinh xã hội. 2
Tuy nhiên, trong giai đoạn trước thì Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam 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. Thực trạng này đã đặt ra yêu cầu cần có những giải pháp cải tiến, tăng cường hiệu quả của hệ thống quản lý rủi ro tín dụng và giảm thiểu, loại bỏ những hạn chế tồn tại trong một thời gian dài trước đó. Căn cứ vào tình hình bối cảnh chung và đặc điểm của Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam, 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; 3
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 Đối tượng nghiên cứu của luận án là ứng dụng 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: nhằm trực quán hóa, hệ thống hóa các vấn đề về trí tuệ nhân tạo, quản lý rủi ro tín dụng và ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng. Phương pháp khảo sát: Để đánh giá thực trạng công tác tổ chức thực hiện quản lý rủi ro tín dụng tại Agribank, tác giả thực hiện cuộc khảo sát với 95 cán bộ có liên quan trực tiếp tới hoạt động cho vay khách hàng (bao gồm 05 4
phó giám đốc chi nhánh và lãnh đạo ban tín dụng, phòng tín dụng loại 1, 28 lãnh đạo phòng tín dụng chi nhánh loại 2 và lãnh đạo phòng giao dịch, và 62 chuyên viên) với nội dung hỏi bao quát toàn bộ các hoạt động quản lý rủi ro tín dụng tại Agribank. 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. Mô hình logit Mô hình Logit là mô hình hồi quy với biến phụ thuộc (Y) là biến nhị phân, chỉ nhận hai giá trị là 0 và 1; các biến độc lập Xi có thể là biến nhị phân, biến rời rạc hoặc biến liên tục. Trong mô hình xếp hạng tín dụng, biến phụ thuộc Y nhận giá trị 0 khi khách hàng không trả được nợ và 1 khi khách hàng trả được nợ (Lee và cộng sự, 2000). Các biến độc lập Xi đại diện cho các thông tin định tính và định lượng của khách hàng như thu nhập, độ tuổi, giới tính, trình độ học vấn... ̂=α+β1 X1 +β2 X2 +…+βk Xk là Sau khi hồi quy mô hình Logit, thu được Y giá trị ước lượng của Y. Khi đó, xác suất trả nợ của khách hàng được tính bằng công thức sau: P = 1/ (1+e−Y ) Giá trị P nhận được trong khoảng (0,1) được so sánh với các ngưỡng mà ngân hàng đặt ra để xếp hạng khách hàng. Tuy nhiên, trong bài nghiên cứu này, để dễ dàng hơn trong việc so sánh hiệu quả của các mô hình, giá trị ngưỡng để phân loại khách hàng được chọn là 0,5. Điều này có nghĩa rằng nếu giá trị P 5
nhiều kiểu kiến trúc mạng quy định kết nối giữa các node được hình thành, tuy nhiên, luận án sử dụng mạng nơ ron truyền thẳng đa lớp (MLP), một trong những mạng được sử dụng phổ biến và đem lại hiệu quả cao nhất. Các trọng số của mạng MLP được ước lượng bằng thuật toán lan truyền ngược (Back-Propagation alogorithm), lần đầu tiên được giới thiệu bởi Rumelhart và cộng sự (1986). Thuật toán này điều chỉnh liên tục các trọng số của các kết nối trong mạng để tối thiểu hóa sự khác biệt giữa giá trị đầu ra ước lượng và giá trị đầu ra thực tế, quá trình này còn được gọi là quá trình huấn luyện mạng. Cụ thể, trong giai đoạn đầu tiên khi hình thành mạng MLP, các trọng số được khởi tạo ngẫu nhiên. Các giá trị đầu ra của mạng được thiết lập thông qua giá trị bộ dữ liệu đầu vào. Sự chênh lệch giữa giá trị đầu ra ước lượng và đầu ra thực tế, hay còn gọi là sai số của mạng được xác định bởi công thức: 1 𝑝 𝐸= ∗ ∑ |𝑓(𝑋𝑖 ) − 𝑌𝑖 | 𝑝 1 Trong đó 𝑓(𝑋𝑖 ) là ước lượng đầu ra thứ i, 𝑌𝑖 là giá trị đầu ra thực tế và p là số trường hợp trong bộ dữ liệu. Sau mỗi lần huấn luyện mạng sai số sẽ được lan truyền ngược lại và các trọng số sẽ được điều chỉnh để giảm sai số. Quá trình huấn luyện sẽ dừng lại khi mạng đạt được sai số nhỏ nhất, hay nói cách khác, mạng MLP đạt được cấu trúc hợp lý nhất để hiểu về bộ dữ liệu. Dữ liệu cho các mô hình định lượng Các mô hình định lượng trên được thực hiện trên 2 bộ dữ liệu. Bộ dữ liệu thứ nhất bao gồm thông tin về các khoản vay tiêu dùng và kinh doanh tại ngân hàng Agribank trong khoảng thời gian từ năm 2009 đến 2014. Theo thông tin thu nhận được từ hồ sơ vay vốn, bộ dữ liệu bao gồm thông tin về 15.470 khoản vay (12118 khoản nợ tốt chiếm tỉ trọng 78.3% và 3352 khoản nợ xấu chiếm tỉ trọng 21.7%) với 19 đặc điểm liên quan. 7
Bộ dữ liệu thứ 2 bao gồm 1045 hồ sơ vay vốn của các khách hàng chuyển nợ xấu từ 1 đến 3 năm. Bộ dữ liệu bao gồm 18 đặc điểm về khách hàng, khoản vay giống với bộ dữ liệu 1. Bên cạnh đó, bộ dữ liệu này còn được bổ sung thêm hai chỉ số đó là tỷ lệ dư nợ trên tài sản đảm bảo (LTV) và tỷ lệ tổn thất trên tổng dư nợ tại thời điểm chuyển nợ xấu. 5. ĐÓNG GÓP MỚI CỦA LUẬN ÁN Trên cơ sở kế thừa các nghiên cứu trong nước và quốc tế hiện có về lĩnh vực trí tuệ nhân tạo trong quản lý rủi ro tín dụng, 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. Đây là cơ sở để tiến hành mô hình trí tuệ nhân tạo thực nghiệm và đưa ra các giải pháp kiến nghị khi áp dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam. 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. Nội dung khảo sát tập trung vào các bước trong quy trình quản lý rủi ro tín dụng để tạo cơ sở cho việc đánh giá các điều kiện ứng dụng trí tuệ nhân tạo tại ngân hàng này. Thứ ba, luận án đã sử dụng trí tuệ nhân tạo xây dựng mô hình 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 mà trong đó trí tuệ nhân tạo được 8
áp dụng triệt để trong việc xác định xác suất vỡ nợ (PD), tỷ lệ tổn thất khi vỡ nợ (LGD) và dư nợ tại thời điểm vỡ nợ (EAD). Thêm vào đó, luận án cũng đưa ra sự so sánh để đánh giá hiệu quả giữa các mô hình đo lường rủi ro tín dụng được xây dựng dựa trên trí tuệ nhân tạo và các kĩ thuật truyền thống. 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 trên hai khía cạnh chính là quy trình xây dựng, áp dụng các mô hình này trong thực tế và hoàn thiện các điều kiện hỗ trợ 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. 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 9
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. Tất cả các vấn đề về mô hình quản lý rủi ro tín dụng được đề cập một cách chi tiết, bao gồm cả hướng dẫn về chính sách tín dụng và quản lý các 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. 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. Mô hình quản lý rủi ro theo “ba lớp phòng vệ” được phát triển lần đầu tiên bởi Institute of Internal Auditors (IIA) vào năm 2013, 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. Trong đó nhấn mạnh đến việc phân tách chức năng quản lý rủi ro theo ba lớp độc lập bao gồm bộ phận kinh doanh, quản lý rủi ro và kiểm toán nội bộ. 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. Kết quả nghiên cứu cho thấy trí tuệ nhân tạo nếu được áp dụng theo cách có kiểm soát vào lớp bảo vệ thứ hai là phù hợp và an toàn đối với hoạt động quản lý rủi ro. Nguyễn Văn Tiến (2015) 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 10
đảm bảo được quy trình quản lý tín dụng tập trung. Cũng trên cơ sở đề xuất mô hình tín dụng tập trung, Ghosh (2012) đã đề xuất về việc cần có bộ phận riêng trong ngân hàng để quản lý rủi ro tín dụng bởi tần suất xảy ra thường xuyên và độ lớn của rủi ro mà ngân hàng phải đối mặt. Cả hai nghiên cứu đều thống nhất việc lựa chọn mô hình tập trung đã phân tách được chức năng kinh doanh với chức năng giám sát và kiểm soát rủi ro. Đây là nền tảng lý thuyết về mô hình quản lý rủi ro mang tính chuẩn mực, phù hợp với xu hướng quản trị ngân hàng hiện đại. Nghiên cứu của Trần Khánh Dương (2019) về phòng ngừa và hạn chế rủi ro tín dụng tại Ngân hàng Thương mại cổ phần Đầu tư và Phát triển Việt Nam đã đưa ra về mặt lý thuyết hai dạng mô hình phổ biến về cơ cấu tổ chức quản lý rủi ro tín dụng tại ngân hàng thương mại là mô hình quản lý rủi ro tín dụng tập trung và mô hình quản lý rủi ro tín dụng phân tán. Ngoài ra, nghiên cứu này cũng đưa ra các nhân tố ảnh hưởng đến lựa chọn mô hình quản lý rủi ro tín dụng tại ngân hàng thương mại bao gồm: định hướng quản lý rủi ro tín dụng, quy mô ngân hàng, trình độ công nghệ và trình độ nhân lực. Các nghiên cứu về quản lý rủi ro tín dụng tại một ngân hàng cụ thể khác có thể kể đến như, Luận án tiến sĩ của Nguyễn Quang Hiện (2016) về Ngân hàng TMCP Quân đội, luận án tiến sĩ của Lê Thị Hạnh (2017) về Vietcombank và Nguyễn Như Dương (2018) về Vietinbank. Nghiên cứu của Lê Thị Huyền Diệu (2010) trình bày tổng quát về các mô hình quản lý rủi ro tín dụng với nội dung là các luận cứ khoa học trong việc lựa chọn các mô hình 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. 11
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 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. Nghiên cứu cũng chỉ ra những mô hình này tập trung đo lường cùng một đại lượng về mặt lý thuyết, đó là mức tổn thất ngoài dự tính (UL) trong khi đó một số mô hình khác tập trung và hướng thiết lập các cơ chế mô phỏng giá trị danh mục trong tương lai (Saunders & Allen, 2010). Witzany (2017) đưa ra cơ sở lý thuyết của các mô hình đo lường rủi ro danh mục tín dụng và mô phỏng các bước tính toán của các mô hình, trong đó mô hình CreditMetrics dựa trên mô phỏng Monte Carlo, mô hình CreditRisk+ xây dựng một khung tính toán phân bổ tổn thất của danh mục tín dụng mà không cần thông qua mô phỏng Monte Carlo, mô hình CreditPortfolioView đưa vào các yếu tố vĩ mô như là yếu tố ảnh hưởng khả năng vỡ nợ, mô hình KMV dựa trên giá trị chịu rủi ro (VaR) và xem khoản vay như một hợp đồng quyền chọn. 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). Các nghiên cứu này mô tả chi tiết cơ sở lý thuyết và mô phỏng áp dụng khuyến nghị trong Basel II đối với rủi ro tín dụng. Các 12