Lý thuyết đánh giá tín dụng thể nhân

Chia sẻ: Nguyen Nhi | Ngày: | Loại File: PDF | Số trang:8

Thêm vào BST

Báo xấu

200
lượt xem 75
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bắt đầu từ thập kỷ 70, dự báo rủi ro tài chính đã trở thành một hướng phát triển mạnh mẽ của mô hình hóa thống kê xác suất. Khi nhắc tới rủi ro tài chính gần như ngay lập tức người ta liên tưởng tới hoạt động quản lý danh mục đầu tư, định giá quyền chọn (option) và các công cụ tài chính khác. Công thức định giá quyền chọn (option) Black-Scholes, bài viết về định giá trái phiếu công ty của Merton, ... là những khái niệm quen thuộc....

Chủ đề:

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

Lưu

Nội dung Text: Lý thuyết đánh giá tín dụng thể nhân

Lý thuyết đánh giá tín dụng thể nhân Bắt đầu từ thập kỷ 70, dự báo rủi ro tài chính đã trở thành một hướng phát triển mạnh mẽ của mô hình hóa thống kê xác suất. Khi nhắc tới rủi ro tài chính gần như ngay lập tức người ta liên tưởng tới hoạt động quản lý danh mục đầu tư, định giá quyền chọn (option) và các công cụ tài chính khác. Công thức định giá quyền chọn (option) Black-Scholes, bài viết về định giá trái phiếu công ty của Merton, ... là những khái niệm quen thuộc. Mặc dù không hề kém quan trọng, đặc biệt trong thực tiễn kinh doanh tài chính, các ứng dụng dự báo rủi ro tài chính với các khoản vay thể nhân, tính điểm tín dụng và hành vi, dường như chưa nhậ được sự quan tâm đúng mức. Lý thuyết về lĩnh vực này tương đối hạn chế với số lượng ít ỏi công trình đánh giá tổng quan như khảo sát các phương pháp định lượng trong quản lý tín dụng của Rosenberg và Gleit; các phương pháp phân loại thống kê tín dụng thể nhân của Hand và Henley; các công trình của Thomas về mô hình quản lý rủi ro tài chính, các phương pháp phân loại tín dụng thể nhân, tổng quan về các phương pháp tính điểm tín dụng và hành vi; sách về thống kê trong tài chính của Hand và Jacka; sách về tính điểm tín dụng của Lewis; sách về tính điểm tín dụng và kiểm soát tín dụng của Thomas, Crook, và Edelman, sách mô hình hóa rủi ro tín dụng Mays.
Kể tự khi ra đời, lý thuyết về tính điểm tín dụng ghi nhậ hai thành tựu quan trọng: (1) thực sự tồn tại nhu cầu phát triển các kỹ thuật dự báo rủi ro của khách hàng tương thích với biến đọng điều kiện kinh tế; và (2) mục đích tính điểm chuyển từ việc xác định các khách hàng khả năng vỡ nợ cao sang tìm kiếm các khách hàng có khả năng tạo ra lợi nhuận tốt nhất. Chất xúc tác quan trọng cho các phát triển này chính là sự bùng nổ về thông tin của giao dịch của khách hàng. Hai kỹ thuật đánh giá cơ bản hỗ trợ tổ chức tín dụng ra quyết định cấp tín dụng cho khách hàng là tính điểm tín dụng và tính điểm hành vi. Để ra quyết định cấp tín dụng cho khách hàng giao dịch lần đầu tiên, tổ chức tín dụng sử dụng kỹ thuật tính điểm tín dụng. Các quyêtd định đối với khách hàng hiện tại (có tăng hạn mức tín dụng không? áp dụng chính sách marketing nào? nếu khách hàng không trả nợ đúng hẹn thì xử lý ra sao?) được đưa ra dựa trên điểm số về hành vi của khách hàng. Kỹ thuật tính điểm sử dụng thông tin về khách hàng có được qua hai nguồn quan trọng: các thông tin do chính khách hàng cung cấp thông qua mẫu đơn đăng ký tín dụng và thông tin có được qua nguồn tham khảo trung gian. Ngoài ra, quá trình ra quyết định còn có thể sử dụng nguồn số liệu thu thập được về khách hàng trong quá khứ. Các tổ chức tín dụng thường lưu trữ thông tin của hàng triệu khách hàng đã đăng ký và sử dụng dịch vụ của mình. Vấn đề với nguồn dữ liệu này là tổ chức tín dụng chỉ nắm được các thông số về các khách hàng bị từ chối cung cấp dịch vụ cho nhóm này. Điểm này gây ra sai lệch khá nghiêm trọng trong mẫu nghiên cứu. Cảm nhận thông thường rất dễ đi đến định kiến rằng những người bị từ chối cung cấp dịch vu là những người có mức tín nhiệm xấu. Hand và Henley đã kết luận rằng không thể giải quyết triệt để được vấn đề này trừ phi có thể xác định được mối quan hệ cụ thể giữa phân bố của các nhóm khách hàng tốt và xấu trong cả hai tập hợp khách hàng được chấp nhận và bị từ chối. Vấn đề này có thể được giải quyết bằng việc chấp nhận cung cấp dịch vụ cho khách hàng trong một thời gian ngắn. Tuy nhiên, đặc tính của ngành tín dụng không cho phép các ngân hàng làm như vậy.
1. Lịch sử ra đời và phát triển Mô hình định mức tín nhiệm thể nhân ra đời cách đây hơn 50 năm. Theo các mô hình này các cá nhân có nhu càu thế chấp mua nhà, vay trả chậm dùng thẻ tín dụng sẽ được đánh giá và lượng hóa khả năng thanh toán của cá nhận đó bằng thang điểm tín dụng. Mức điểm thu được cho biết mức độ rủi ro tương đối của khả năng thanh toán và khả năng gây thiệt hại của khách hàng đối với người cho vay. Mức điểm dựa trên thông tin có được từ các báo cáo về quá trình sử dụng khoản tín dụng của khách hang, đồng thời so sánh với những khách hàng tương tự. Từ khi ra đời, các mô hình định mức tín nhiệm thể nhân được sử dụng ngày càng hiệu quả, giúp ngân hàng và các tổ chức tín dụng lượng hóa tương đối chính xác khả năng thanh toán của khách hàng trước khi quyết định cung cấp các dịch vụ như thẻ tín dụng, các khoản vay trả chậm trực tiếp và gián tiếp, vay thế chấp, v.v... Lợi ích mà hệ thống này đem lại là rất lơn, trong đó những ưu điểm nổi bật có thể kể đến là giảm thieru chi phí phân tích thông tin, giúp đưa ra các quyết định cho vay tín dụng nhanh và chính xác, đảm bảo việc thu hồi tín dụng, và từ đó giảm thiểu rui ro tín dụng. Dễ dàng nhận thấy rằng chỉ cần mức độ đánh giá chính xác trong phân tích tín dụng được tăng lên một tỷ lệ nhỏ cũng có thể giúp các ngân hàng hay các tổ chức tài chính tránh được những khoản tổn thất lớn. Do đó, những mô hình phức tạp trong các bài toán đánh giá rủi ro khách hàng ngày càng được phát triển và mở rộng, cho phép các tổ chức tài chính quản lý hiệu quả hơn nguồn vốn kinh doanh của mình. Về bản chất, định mức tín nhiệm dựa trên cơ sở nhận biết những nhóm khách hàng khác nhua trong một tổng thể, trong đó người ta không thể nhận diện được những đặc điểm của các cá thể trong cùng một nhóm, mà chỉ có thể nhận biết được sự khác nhau tương đối giữa các nhóm. Phương pháp phân nhóm trong một tập hợp lần đầu tiên được Fisher giới thiej vào năm 1936, khi ông tiến hành phân biệt hai đặc tính của cây Irit bằng cách tiến hành đo đạc kích thước bên ngoài của các cây và phân biệt nguồn gốc của xương sọ bằng kích thước của chúng. David Duran (1941) là người đầu tiên nhận biết được rằng kỹ thuật đó có thể được sử dụng để phân biệt các khoản nợ xấu và tốt. Báo cáo của ông được
trình bày trong một đề án nghiên cứu với Cục Nghiên Cứu Kinh tế Quốc Gia Hoa Kỳ trước tiên không nhằm mục đích dự báo. Cùng thời gian đó, các công ty bán hàng qua đơn đặt hàng và các công ty cho vay mua nhà đã gặp rất nhiều khó khăn với hệ thống đánh giá độ tín nhiệm khách hàng của họ. Các quyết định cho vay hay gửi đi hàng hóa cho khách hàng chủ yếu được thực hiện bởi các chuyên viên đánh giá tín dụng trong một thời gian dài. Tuy nhiên, những chuyên viên này được huy động phục vụ cho quân đội trong thời gian chiến tranh, vì vậy nhu cầu thay thế nguồn lực này đã trở nên cấp thiết hơn bao giờ hết. Một giải pháp tạm thời được sử dụng khi đó là các công ty đã yêu cầu các chuyên viên của mình liệt kê những nguyên tắc cơ bản mà họ sử dụng để ra các quyết định cho vay. Những nguyên tắc này sau đó được sử dụng bởi những người kế nhiệm để đưa ra các quyết định tín dụng cho công ty, đây chính là hình thức sơ khai của hệ thống này. Không lâu sau khi chiến tranh kết thúc, các mô hình dựa trên những nguyên lý thống kê đã tỏ rõ được sức mạnh của nó trong việc đưa ra quyết định cấp tín dụng. Bill Fair và Earl Isaac vào đầu những năm 50 đã thành lập hãng tư nhân đầu tiên với các khách hàng chủ yếu là các công ty tài trợ nhà ở và các hãng bán hàng qua đơn. Sự xuất hiện của thẻ tín dụng vào những năm 60 đã mở ra một bước tiến mới cho hệ thống dịnh mức tín dụng thể nhân. Số lượng khách hàng đăng ký xin cấp thẻ tín dụng ngày một tăng khiến cho các phương pháp làm thủ công trước đây chủ yếu dựa vào các chuyên viên tín dụng trở nên không thể đáp ứng nổi. Từ đó, nhu cầu xây dựng một hệ thống ra quyết định hoàn toàn tự động đã được thúc đẩy và phát triển hơn bao giờ hết. Khi các tổ chức kinh tế này sử dụng các hệ thống định mức dự báo chính xác hơn bất cứ một phương pháp đánh giá nào khác, và tỷ lệ phá sản đã giảm xuống dưới 50% hoặc thấp hơn. Sự kiện đánh dấu cột mốc quan trọng của việc chấp nhận hệ thống này một cách rộng rãi là việc thông qua đạo luật Cơ hội Tín Dụng Ngang Bằng ở Mỹ năm 1975 và 1976. Nội dung chủ yếu của nó là cấm sự phân biệt đối xử tín dụng trong việc cấp tín dụng trừ phi sự phân biệt đó đã được chứng minh trên cơ sở thống kê. Vào cuối thập kỷ 80, thành công của các mô hình định mức tín nhiệm trong việc phát hành thẻ tín dụng bắt đầu lan tỏa sang các sản phẩm khác của ngân hàng như các khoản vay của cá nhân, thậm chí trong một vài năm vừa qua, phương pháp này được sử dụng cho cả các khoản vay mua nhà và các khoản vay kinh doanh nhỏ. Đến những năm 90, sự
phát triển của các hình thức marketing trực tiếp đến người tiêu dùng đã đưa đến việc sử dụng các thẻ tính điểm để nâng cao tỷ lệ phản hồi cho các chiến dịch marketing. Những tiến bộ trong khoa học máy tính cũng cho phép những kỹ thuật khác được đưa vòa thử nghiệm để xây dựng các thẻ tính điểm tự động. Vào những năm 80, các phương pháp hồi quy log và quy hoạch tuyến tính đã trở thành những phương pháp rất đáng tin cậy cho các tổ chức kinh tế. Gần đây hơn, các kỹ thuật trí thông minh nhân tạo như hệ thống chuyên gia hay mạng lưới trung hòa đã trở thành những kỹ thuật hàng đầu được áp dụng. Hiện tại, các mô hình nghiên cứu đã bắt đầu dịch chuyển từ mục tiêu tối thiểu hóa khả năng phá sản của khách hàng sang mục tiêu tối đa hóa lợi nhuận doanh nghiệp. Bên cạnh đó, những nguyên lý đơn giản đầu tiên của việc đánh giá rủi ro tín dụng đã được bổ sung bằng một loạt các hệ số điểm quan trọng khác n hư sự phản hồi (khách hàng sẽ phản hồi một thư giới thiệu sản phẩm như thế nào), sử dụng tín dụng được cấp (khách hàng sẽ sử dụng tín dụng được cấp như thế nào), khả năng lưu giữ thói quen sử dụng (khách hàng sẽ tiếp tục sử dụng sản phẩm như thế nào sau thời gian giới thiệu sản phẩm), sự trung thành (liệu khách hàng có chuyển qua nhà cung cấp tín dụng khác không), và quản lý nợ (khách hàng có sử dụng các khoản vay một cách thận trọng để giảm thiểu khả năng phá sản hay không). Ngày nay, định mức tín nhiệm được dựa trên phương pháp nghiên cứu thống kê hoặc phương pháp vận trù học (là phương pháp khoa học chủ yếu dựa trên toán học để giải quyết các bài toán công nghiệp, tài chính và thương nghiệp, đặc biệt để giúp nhà kinh doanh có được các quyết định hợp lý cho các hành động trong hiện tại và tương lai).
2. Các phương pháp đánh giá tín dụng thể nhân Ban đầu, cách tiếp cận cơ bản chỉ đơn thuần dựa trên phương pháp đánh giá cá nhân. Các chuyên viên tín dụng dựa trên thông tin khách hàng cung cấp (qua một mẫu đơn bao gồm các câu hỏi thống nhất) để đưa ra các quyết định chấp nhận hoặc từ chối cấp tín dụng. Do vậy, các quyết định của họ thường bị mang tính chất chủ quan và dựa vào các nguyên lý phân loại tổng quát. Các chỉ tiêu thường được xem xét để đưa ra quyết định bao gồm: • Đặc điểm của khách hàng (tình trạng hôn nhân, gia đình, nghề nghiệp, tuổ tác...); • Số lượng tín dụng xin được vay; • Thế chấp (khách hàng sẽ sẵn sàng trả nợ bằng những nguồn tài sản gì trong trường hợp phá sản); • Năng lực trả nợ (Nguồn thu nhập khả dụng mà khách hàng có thể sử dụng để trả nợi); và • Các điều kiện thị trường khác. Ngày nay, định mức tín nhiệm được dựa trên phương pháp nghiên cứu thống kê hoặc phương pháp vận trù học (là phương pháp khoa học chủ yếu dựa trên toán học để giải quyết các bài toán công nghiệp, tài chính và thương nghiệp, đặc biệt để giúp nhà kinh doanh có được các quyết định hợp lý cho các hành động trong hiện tại và tương lai). Các công cụ thống kê bao gồm phân tích phân biệt, về bản chất dựa trên sự hồi quy loga và cây phân loại, đôi khi còn được gọi là thuật toán đệ quy phân định. Các phương pháp vận trù học bao gồm một loạt các biến thể của quy hoạch tuyến tính. Hầu hết các phương pháp ghi điểm sử dụng một trong những phương pháp này hay có thể kết hợp nhiều phương pháp lại với nhau để đáp ứng được những đặc điểm ngày một phức tạp của thị trường tín dụng. Bên cạnh đó, định mức tín nhiệm cũng rất thích hợp với các cách tiếp cận thống kê phi thông số hay các mô hình AI, trong số đó nổi bật lên các phương pháp mạng lưới trung hòa đồng thời, hệ thống chuyên gia, các thuật toán dựa trên phép phân loại gen sinh học, hay phương pháp khoảng cách gần nhất. Tuy nhiên, đặc điểm hết sức thuận lợi ở đây là các phương pháp tiếp cận khác nhau có thể được sử dụng đồng thời để
giải quyết cùng một bài toán phân loại. Lý do là định mức tín nhiệm luôn dựa trên mục đích thực tế là để dự đoán những khách hàng có khả năng rủi ro cao, chứ không nhằm tìm ra lý giải tại sao họ phá sản hay tìm câu trả lời cho các giả thuyết về mối quan hệ giữa khả năng phá sản và các biến số kinh tế xã hội. Vậy những mô hình này được sử dụng như thế nào? Một mẫu các khách hàng sẽ được thu thập, quy mô mẫu có thể từ một vài nghìn lên đến hàng trăm nghìn khách hàng. Đối với mỗi đơn vị mẫu, các thông tin cá nhân và lịch sử tín dụng sẽ được thu thập trong khoảng thời gian 12,18 hay 24 tháng. Khi đó, các chuyên viên tín dụng có thể xác định xem một hồ sơ như vậy có thể chấp nhận được với mức độ rủi ro như thế nào, và cuối cùng tiến hành loại bỏ những khách hàng "xấu" (ví dụ khách hàng xấu là những người thanh toán chậm các khoản nợ trong 3 tháng liên tiếp). Đương nhiên một thực tế cần được xem xét đến là không thể tiến hành phân loại được một số các khách hàng vì lịch sử tín dụng của họ chưa đủ dài, hay các thông tin cá nhân của họ chưa đủ rõ ràng để đưa ra các kết luận chính xác. Do vậy, các trường hợp này sẽ bị loại ra ngoài mẫu xem xét. Ở đây, nảy sinh câu hỏi đâu là giới hạn thời gian thích hợp cho dự báo định mức tín nhiệm - thời gian từ lúc nhận đơn xin vay tín dụng cho đến khi phân loại được các khách hàng. Khoảng thời gian từ 12 đến 18 tháng được coi cho là thích hợp hơn cả. Các phân tích đã chỉ ra rằng tỷ lệ phả sản như là một hàm thời gian của khách hàng tính từ lúc khởi điểm kinh doanh, và thường phải sau ít nhất 12 tháng hoặc lâu hơn thì nó mới có thể đi vào ổn định. Vì vậy, bất cứ một phạm vi thời gian nào nhỏ hơn 12 tháng sẽ bị xem là đánh giá không đúng về khả năng phá sản, cũng như không phản ánh được những đặc điểm của khả năng phá sản được dự báo. Mặt khác, một phạm vi thời gian nhiều hơn 2 năm lại có thể gây ra những biến đổi trong phân phối các đặc tính của tổng thể, và do đó tập hợp được rút ra từ tổng thể sẽ không còn giữ được những thuộc tính đặc trưng cho tổng thể nữa. Người ta thường vận dụng các mô hình phân tích chéo (cross - section) để liên kết các sự kiện của cùng một cá thể ở những khoảng thời gian khác nhau, sau đó xây dựng một mô hình ổn định khi xem xét dọc theo thời gian của cùng một cá thể đó. Phạm vi thời gian, hay còn được hiểu là khoảng thời gian giữa 2 sự kiện, cũng cần phải được xác định ngay từ ban đầu để kết quả đạt được mức độ ổn định qua thời gian.
Câu hỏi còn để ngỏ là tỷ lệ của các khoản nợ tốt hay xấu được xác định như thế nào ở trong tập hợp mẫu. Nó cần phản ánh đúng tỷ lệ thực tế của tổng thể, hay nên để tỷ lệ đạt được sự cân bằng giữa các khoản nợ tốt và xấu này. Trong luận án tiến sỹ về các vấn đề thống kê trong tính điểm tín dụng, Henley dù có đề cập tới một số điểm nhưng vẫn chưa giải quyết được câu hỏi này. Định mức tín nhiệm đã thực sự trở thành một bài toán xếp loại, khi các dữ liệu đầu vào chính là các thông tin do khách hàng cung cấp và kết quả kiểm tra đối chiếu với các cơ sở kinh tế khác cũng lưu giữ hồ sơ của khách hàng (ví dụ các nhà cung cấp điện thoại), và đầu ra chính là sự phân loại thành các khoản nợ tốt hay xấu. Một tập hợp các câu trả lời A được phân chia thành 2 tập hợp con - Tập hợp x Î AB đại diện cho nhóm khách hàng được dự báo là sẽ cho những khoản nợ xấu, tập hợp x Î AG đại diện cho nhóm khách hàng được dự báo là sẽ cho những khoản nợ tốt. Quy tắc ra quyết định với các khách hàng mới khi đó sẽ là: chấp nhận đơn xin cấp tín dụng nếu các câu trả lời của khách hàng thuộc tập hợp AG và ngược lại bác bỏ đơn nếu câu trả lời thuộc tập hợp AB.Cũng cần phải đề cập đến một thực tế xuyên suốt ở đây là chúng ta không thể tiến hành phân định mọi trường hợp trong mẫu một cách chính xác. Tuy nhiên, mục đính mà chúng ta đang muốn tìm kiếm là giảm thiểu sự phân loại sai xuống mức thấp nhất có thể nhưng vẫn thỏa mãn được những yêu cầu đặt ra một cách hợp lý. Rất nhiều các phương pháp tiếp cận khác nhau đã được nghiên cứu và phát triển nhằm giả quyết bài toán này. Dưới đây chúng tôi sẽ trình bày những phương pháp cơ bản nhất đã và đang được ứng dụng phổ biến ở các tổ chức tài chính và các công ty tư vấn trên thế giới. Các phương pháp được đưa ra đều nhằm trả lời vào 2 câu hỏi quan trọng nhất trong xây dựng mô hình định mức tín nhiệm là: a. Những đặc điểm nào cần được sử dụng trong mô hình tính điểm như là các biến độc lập và có thể giúp phân biệt được các khách hàng tiềm năng "xấu" và "tốt"; b. Làm thế nào để xác định được điểm số cho mỗi đặc điểm.