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
Người hướng dẫn khoa học: Hướng dẫn 1: TS. Bùi Tín Nghị Hướng dẫn 2: PGS.TS. Nguyễn Đức Trung
Chuyên ngành: Tài chính – Ngân hàng Mã số: 9340201
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
Mô hình
Nghiên cứu
Dữ liệu
Quốc gia
Giai đoạn
Biến kinh tế vĩ mô
Sự ảnh hưởng
6
Mỹ
GDP
Hồi quy đa biến
1982- 2001
của yếu tố vĩ mô Không ảnh hưởng ---
---
Altman và cộng sự (2005) Bastos (2010)
1995- 2000
Bồ Đào Nha Anh
1999- 2005
cả Tất các biến vĩ mô
Bellotti và Crook (2011)
1000 quan sát 374 quan sát 55.000 quan sát
Ý
Logit (LR), Cây quyết định (DT) quy Hồi tính, tuyến (LR), logit Cây tobit quyết định (DT) Hồi quy đa biến
1990- 2004
Caselli và sự cộng (2008)
11.649 quan sát
GDP, tình trạng có việc làm
Logit (LR) Không
1995- 2000
ảnh hưởng
Lãi suất của các ngân hàng Anh, tỷ thất lệ nghiệp, chỉ số thu nhập của Anh GDP, tình trạng làm, có việc tiêu dùng hộ gia đình, đầu tư hàng năm, GDP, tần suất vỡ nợ theo lĩnh vực
Bồ Đào Nha
374 quan sát
Mỹ
GDP
OLS, Logit GDP
1987- 2007
và
Mỹ
GDP
Tobit
GDP
1982- 2009
Dermine và Carvalho (2006) Khieu và cộng sự (2012) Rosh Sheule (2012)
1364 quan sát 1653 lquan 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
Dữ liệu Mô hình Mô hình tốt nhất
Nghiên cứu West (2000)
- Đức, 1000 quan sát (30% nợ xấu) - Úc: 690 quan sát (56 % nợ xấu)
MDA, LR, KNN, NN (MLP, MOE, RBF, LVQ, FAR);
(MLP,
Desai và sự cộng (1996) NN MNN), MDA, LR
Đức: MOE (tỷ lệ phân loại đúng 78.6%) Úc: RBF ( Tỷ lệ phân loại đúng 88.78%), MLP ( Tỷ lệ phân loại đúng 87.68%) LR (tỷ lệ phân loại đúng 81.7%) MLP (tỷ lệ phân loại đúng nợ xấu 42.08%)
(MLP,
- Mỹ: 962 quan sát (18.42% nợ xấu), 918 quan sát (25.98% nợ xấu), 853 quan sát (21.15% nợ xấu) Ai Cập: 581 quan sát (25.5% nợ xấu) Đức, Úc, 03 bộ dữ liệu khác
Abdou (2008) Brown và cộng sự (2012)
và
NN PNN) MDA, LR, DT, KNN, SVM, NN, RF, GB MLP, MMLP lệ đúng loại
Tsai Wu (2008)
MLP (tỷ lệ phân loại đúng 94.84%) SVM tốt nhất với dữ liệu 30% nợ xấu RF tốt nhất với bộ dữ liệu 1% nợ xấu Đức: MMLP (tỷ phân 83.38%) Úc: MLP (tỷ lệ phân loại đúng 97.32%)
- Đức, 1000 quan sát (30% nợ xấu) - Úc: 690 quan sát (56 % nợ xấu) - Nhật bản: 690 quan sát (56 % nợ xấu)
8
MDA Nhật Bản: MLP (tỷ lệ đúng loại phân 87.94%) 95%
MDA, LR
(PNN,
và sự NN MLP)
Altman (1968) Wiginton (1980) Tang cộng (2018) PNN bản:
MLP LR (tỷ lệ phân loại đúng 61.84%) Úc: PNN (85.64%) Nhật (85.54%) 87%
và sự
Zhao cộng (2015) 66 quan sát (48.4% phá sản) 1908 quan sát ( 41.8 % nợ xấu) - Úc: 690 quan sát (56 % nợ xấu) - Nhật bản: 690 quan sát (56 % nợ xấu) - Đức, 1000 quan sát (30% nợ xấu)
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
Cây
Phân cụm K trung bình (K-means clustering) Phân cụm phân cấp
Trích xuất thuộc tính tự (Automated động Feature Engineering - AFE)
định quyết (Decision tree) và các mô hình kết hợp. Máy véc-tơ hỗ
trợ vector
(Hierarchical clustering)
Học
tăng
cường
(Support machine)
(Reinforcement Learning - RL)
Mạng nơ ron ( Neural
network)
Xử lý ngôn ngữ tự nhiên Language
(Natural Processing - NLP)
AI học có giám sát AI học không giám sát AI liên quan khác
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
Thông tin pháp lý về khách hàng
*Cá nhân: tuổi, giới tính, hôn nhân, nơi ở, trình độ, việc làm, bảo hiểm, người phụ thuộc, tình trạng tham gia các tổ chức, nhóm có liên quan *Doanh nghiệp: loại hình, lĩnh vực kinh doanh, địa chỉ, quy mô
dụng.
PD
Tài sản, vốn, thu nhập, chi tiêu, hoạt động tài chính, khả năng quản lý, khả năng hoàn trả
Thông tin về tình trạng tài chính
Hạn mức, dư nợ, lãi suất, kì hạn, phương thức giải ngân, phương thức hoàn trả
Thông tin về khoản vay
LGD
Các loại dịch vụ đã sử dụng tại ngân hàng, hành vi, thói quen sử dụng
Thông tin về lịch sử giao dịch
Loại, hình thức sở hữu, giá trị , biến động, cam kết liên quan đến tài sản đảm bảo
Thông tin về Tài sản đảm bảo
EAD
Các chính sách xử lý nợ xấu, nợ quá hạn, chính sách giám sát, kiểm soát tín dụng, chính sách xử lý tài sản đảm bảo, chính sách hỗ trợ khách hàng
Thông tin thuộc về nội bộ ngân hàng
Thông tin bên ngoài
GDP, cán cân xuất nhập khẩu, tỷ lệ thất nghiệp, chỉ số lạm phát, chỉ số về ngành 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)
Mô hình Dữ liệu huấn luyện Dữ liệu kiểm tra CCG % CCG % CCB % CCB % Toàn bộ dữ liệu CCG % CCB %
Tỷ lệ trung bình Tỷ lệ trung bình Tỷ lệ trung 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 𝑃2là
xác suất xảy ra lỗi loại I và II; .𝜋1và 𝜋2 là tỉ trọng của nợ xấu và nợ tốt.
15
Đường cong ROC (Receiver operating characteristic)
ROC là một đồ thị được sử dụng phổ biến trong các mô hình phân loại
nhị phân. Trong lĩnh vực xếp hạng tín dụng, đường cong này được tạo ra bằng
cách biểu diễn tỷ lệ phân loại đúng nợ xấu (độ nhạy – senitivity) dựa trên tỷ lệ
phân loại sai nợ tốt (độ đặc hiệu – 1-specificity) (Abdou, 2009).
2.2.5.2. Đối với mô hình LGD và EAD
Đối với mô hình LGD và EAD thì biến phụ thuộc là biến liên tục do vậy
các phương pháp đo lường lỗi (error measures) sẽ được dùng để đánh giá hiệu
quả của mô hình (Scandizzo, 2016). Một trong những chỉ số được sử dụng
nhiều nhất để đánh giá các mô hình trí tuệ nhân tạo là RSE (Relative squared
error) với công thức như sau:
Trong đó: 𝑦𝑖̂ và 𝑦𝑖 là các giá trị dự báo và giá trị quan sát; mean (y) là giá
trị quan sát trung bình.
2.2.6. Điều kiện ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng.
Nhiều nghiên cứu đã chỉ ra những lợi thế đáng kể của trí tuệ nhân tạo so
với các phương pháp truyền thống trong quản lý rủi ro tín dụng. Tuy nhiên, để
ứng dụng được những mô hình này vào thực tế thì cần phải quan tâm một cách
toàn diện đến các điều kiện, và yêu cầu đặt ra với các mô hình này.
16
Công nghệ Sự cải tiến khả năng tính toán, Các thuật toán, chi phí
Yếu tố liên quan đến lĩnh vực tín dụng Mức độ sẵn sàng của cơ sở hạ tầng và dữ liệu để áp dụng
Lợi ích Khả năng giảm thiểu chi phí, tăng thu nhập, tăng khả năng quản lý rủi ro
Cạnh tranh “Chạy đua” giữa các tổ chức tín dụng
Quy định Quy định về an toàn, minh bạch, dữ liệu được sử dụng.
Hình 2.3: Các điều kiện khi triển khai mô hình trí tuệ nhân tạo
Nguồn: FSB (2017)
2.3. Kinh nghiệm quốc tế về nghiên cứu và ứng dụng trí tuệ nhân tạo trong
quản lý rủi ro tín dụng.
2.3.1. Kinh nghiệm từ Anh.
Về chiến lược nghiên cứu và ứng dụng trí tuệ nhân tạo
Đầu tư và nghiên cứu vào trí tuệ nhân tạo tại Anh bùng nổ vào những
năm đầu của thế kỷ 21 do sự phát triển mạnh mẽ của công nghệ Học máy
(Machine learning) và công nghệ phần cứng. Các ứng dụng trí tuệ nhân tạo
được áp dụng trong hầu hết các khâu từ các hoạt động tiếp xúc với khách hàng
(front-office) cho đến các hoạt động nội bộ (back-office) và tập trung vào hoạt
động phòng chống rửa tiền và các dịch vụ liên quan đến khách hàng, quản lý
rủi ro tín dụng, định giá, bảo hiểm và bảo lãnh.
Về lựa chọn mô hình trí tuệ nhân tạo
Các cơ quan quản lý như Ngân hàng Trung ương Anh, cơ quan Quản lý
An toàn (PRA-Prudential Regulation Authority) hay Cơ quan Hoạt động Tài
17
chính (FCA-Financial Conduct Authority) hoàn toàn trung lập về vấn đề công
nghệ áp dụng tại các định chế tài chính, không có bất cứ giới hạn hay lệnh cấm
nào được đưa ra đối với các mô hình trí tuệ nhân tạo được áp dụng. Theo thống
kê, mô hình trí tuệ nhân tạo dựa trên Cây quyết định (DT) được sử dụng phổ
biến nhất, sau đó là cách tiếp cận xử lý ngôn ngữ tự nhiên và mạng nơ ron.
Về dữ liệu cho các mô hình trí tuệ nhân tạo
Các định chế tài chính tại Anh sử dụng đa dạng các loại dữ liệu cho mô
hình trí tuệ nhân tạo bao gồm: dữ liệu theo cấu trúc, dữ liệu bán cấu trúc và dữ
liệu phi cấu trúc. Trong đó dữ liệu cấu trúc được hiểu là những dữ liệu hàm
chứa trong các cột và hàng, và các thành phần của chúng có thể được liên kết
bằng những trường được định sẵn từ trước.
Về quy trình ứng dụng mô hình trí tuệ nhân tạo vào thực tế
Quy trình áp dụng mô hình trí tuệ nhân tạo được Ngân hàng trung ương
Anh đưa ra bao gồm 05 bước bao gồm: thu thập và nhập dữ liệu; lựa chọn, phân
loại dữ liệu; chạy mô hình; thẩm định mô hình; triển khai và biện pháp bảo
đảm.
Về những rủi ro và thách thức cần giải quyết khi ứng dụng mô hình
trí tuệ nhân tạo
Đầu tiên đó là rủi ro liên quan đến nhược điểm thiếu khả năng giải thích
của các mô hình trí tuệ nhân tạo. Điều này đồng nghĩa dấy lên ngày càng nhiều
câu hỏi về việc thẩm định cấu trúc và hiệu năng của mô hình. Thứ hai, Rủi ro
liên quan đến chất lượng dữ liệu trong đó có thể có hiện tượng dữ liệu lệch
(biased data). Thứ ba, rủi ro liên quan đến những tác động tiêu cực lên khách
hàng và làm giảm danh tiếng của ngân hàng.
18
2.3.2. Kinh nghiệm từ Mỹ
Về chiến lược nghiên cứu và ứng dụng trí tuệ nhân tạo
Hầu hết các Ngân hàng lớn tại Mỹ đã sử dụng trí tuệ nhân tạo trong các
hoạt động kinh doanh và quản lý rủi ro trọng yếu của mình. Thống đốc Cục dự
trữ liên bang Mỹ - Lael Brainard (2021) cho rằng trí tuệ nhân tạo đang được sử
dụng để phân tích các dữ liệu truyền thống trong hoạt động phê duyệt tín dụng
và phân tích rủi ro tín dụng nhằm mục đích thu thập những thông tin chi tiết
mà các phương pháp quản lý rủi ro tín dụng truyền thống không đáp ứng được.
Về rủi ro và thách thức cần giải quyết khi ứng dụng trí tuệ nhân tạo
Thứ nhất, sự tồn tại của các hệ thống quản lý sẵn có đã tiêu tốn lượng
lớn chi phí xây dựng cùng với những lỗ hổng của nó làm chậm quá trình áp
dụng trí tuệ nhân tạo.
Thứ hai, việc nghiên cứu và áp dụng trí tuệ nhân tạo đòi hỏi khả năng
tìm kiếm và tuyển dụng các nhân sự tài năng trong lĩnh vực này.
Thứ ba, những thách thức đến từ bên ngoài như niềm tin của khách hàng
về khả năng bảo mật của trí tuệ nhân tạo và việc giải thích cách sử dụng trí tuệ
nhân tạo đối với các nhà quản lý.
2.3.3. Kinh nghiệm từ Ấn Độ
Về chiến lược nghiên cứu và ứng dụng ứng dụng trí tuệ nhân tạo
Nhiều tổ chức tín dụng tại Ấn Độ đã phát triển và ứng dụng trí tuệ nhân
tạo trong việc quản lý rủi ro và phê duyệt tín dụng bao gồm các Ngân hàng như
Ngân hàng nhà nước Ấn Độ (SBI), HDFC, ICICI và các tổ chức tín dụng khác.
Trong khi các Ngân hàng có xu hướng ứng dụng trí tuệ nhân tạo trong tương
tác với khách hàng (chatbots) và thực hiện các giao dịch, thì các tổ chức tín
dụng mới nổi lại có chiến lược tập trung vào phần thị trường tín dụng cho người
19
có thu nhập thấp và họ đã có những bước tiến xa hơn trong việc ứng dụng trí
tuệ nhân tạo vào quá trình quản lý rủi ro và phê duyệt tín dụng.
Về dữ liệu sử dụng cho các mô hình trí tuệ nhân tạo
Theo Singh & Prasad (2020), các tổ chức tín dụng tại Ấn Độ đang thực
hiện đánh giá rất nhiều loại dữ liệu đa dạng về khách hàng bao gồm thông tin
cá nhân, tin nhắn, hoạt động trên các mạng xã hội trực tuyến, thói quen tiêu
dùng và chi tiêu cho các mục đích xem xét khách hàng vay và đánh giá rủi ro..
2.3.4. Kinh nghiệm từ Hội đồng ổn định tài chính (FSB)
Về rủi ro và thách thức cần giải quyết khi ứng dụng trí tuệ nhân tạo
Theo FSB (2017), bên cạnh những lợi ích và hiệu quả mang lại, mô hình
trí tuệ nhân tạo bản thân nó cũng có thể tồn tại những lỗi trong quá trình xây
dựng. Những lỗi này có thể đến từ nhiều nguyên nhân như dữ liệu không phù
hợp, thuật toán không phù hợp hay chiến lược xây dựng mô hình không phù
hợp.
2.3.5. Kinh nghiệm từ Ngân hàng thế giới (WB).
Về chiến lược nghiên cứu và ứng dụng trí tuệ nhân tạo
Theo nghiên cứu của Strusani & Houngbonon (2019) từ IFC thuộc Ngân
hàng thế giới, trí tuệ nhân tạo đang làm thay đổi hoạt động tín dụng tại các thị
trường mới nổi bao gồm cả những nước nghèo nhất. Đây là bài học kinh nghiệm
tốt đối với Việt Nam, nơi mà tiềm năng phát triển của thị trường tín dụng còn
rất lớn nhưng việc tiếp cận đối với các nguồn tín dụng còn nhiều hạn chế do
các phương pháp quản lý rủi ro tín dụng truyền thống.
Về rủi ro và thách thức cần giải quyết khi ứng dụng trí tuệ nhân tạo
Thứ nhất, Các mô hình trí tuệ nhân tạo sử dụng các dữ liệu thay thế phi
truyền thống có thể thu thập được những dữ liệu bị giới hạn bởi luật pháp và
20
đạo đức như các dữ liệu phân biệt như chủng tộc, giới tính, khu vực. Thứ hai,
Các mô hình trí tuệ nhân tạo thường có cấu trúc phức tạp và rất khó giải thích
sự tương tác bên trong mô hình. Thứ ba, trí tuệ nhân tạo đặt ra yêu cầu cho các
tổ chức tín dụng trong việc thu thập và lưu trữ một lượng lớn dữ liệu cá nhân.
Điều này có thể dẫn đến rủi ro liên quan đến việc đánh cắp và sử dụng những
dữ liệu cá nhân này vào các mục đích khác. Thứ tư, mô hình trí tuệ nhân tạo có
thể tạo ra sự thiên lệch trong các quyết định.
2.3.6. Bài học kinh nghiệm cho các ngân hàng thương mại tại Việt Nam
Về chiến lược nghiên cứu và ứng dụng trí tuệ nhân tạo trong quản
lý rủi ro tín dụng
Chiến lược áp dụng các mô hình trí tuệ nhân tạo vào quản lý rủi ro tín
dụng cần phải có lộ trình và phải kết hợp với các chiến lược khác như: chiến
lược nhân sự, chiến lược phát triển hạ tầng công nghệ, chiến lược kinh doanh
để tạo ra tính đồng bộ và phát huy tối đa hiệu quả của mô hình trí tuệ nhân tạo.
Về dữ liệu xây dựng mô hình trí tuệ nhân tạo
Ngân hàng cần xác định tất cả các nguồn dữ liệu liên quan đến khách
hàng có thể thu thập được để xây dựng mô hình trí tuệ nhân tạo nhằm tăng tính
chính xác của mô hình trong dự báo rủi ro tín dụng khách hàng.
Về lựa chọn mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng
Thực tế cho thấy không có mô hình trí tuệ nhân tạo nào là tối ưu trong
mọi hoàn cảnh. Mỗi một mô hình trí tuệ nhân tạo sẽ phát huy được ưu điểm
trong một số tình huống nhất định, do vậy việc thử nghiệm nhiều mô hình để
chọn ra mô hình thích hợp nhất với tập dữ liệu hiện có là cần thiết.
Về rủi ro và thách thức cần giải quyết khi ứng dụng trí tuệ nhân tạo
trong quản lý rủi ro tín dụng
21
Trở ngại đầu tiên đó là các hệ thống cũ đã ăn sâu vào quá trình tác nghiệp
và cũng đã chứng minh được hiệu quả nhất định đối với hoạt động quản lý rủi
ro tín dụng của ngân hàng. Tiếp theo, sự phức tạp của mô hình trí tuệ nhân tạo
gây ra sự khó hiểu, khó giải thích mối quan hệ giữa các nhân tố đầu vào và kết
quả dự báo rủi ro tín dụng. Bên cạnh các trở ngại trên thì bản thân mô hình trí
tuệ nhân tạo cũng có thể phát sinh rủi ro liên quan đến tính chính xác và sự phù
hợp của mô hình khi có sự thay đổi về bối cảnh.
Về các gợi ý chính sách đối với sử dụng trí tuệ nhân tạo trong quản
lý rủi ro tín dụng
Thứ nhất, Cơ quan quản lý nên ban hành khung pháp lý trong đó quy
định cụ thể về giám sát và trách nhiệm trong việc sử dụng các mô hình đánh
giá rủi ro tín dụng.
Thứ hai, Quy trình thu thập dữ liệu cần được công khai tới khách hàng.
Thứ ba, các tổ chức tín dụng nên hiểu rõ ràng về các mô hình và có thể
giải thích cho khách hàng về kết quả đánh giá rủi ro tín dụng.
Thứ tư, Các tổ chức tín dụng cần giải trình tới các cơ quan quản lý về
quy trình và sự phù hợp trong việc sử dụng các mô hình trí tuệ nhân tạo. các
thuật toán áp dụng và dữ liệu đầu ra đều nằm trong dự tính.
Thứ năm, Các tổ chức tín dụng cần thiết lập hệ thống kiểm soát dữ liệu
khách hàng nhằm ngăn chặn việc truy cập hay trích xuất dữ liệu trái phép từ
các cuộc tấn công mạng bên ngoài hay ngay trong ngân hàng.
Thứ sáu, Các tổ chức tín dụng cần có quy định về việc quản lý rủi ro mô
hình (model risk) khi áp dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng..
Thứ bảy, Cơ quan quản lý cần thiết lập cơ chế hợp tác, chia sẻ dữ liệu
giữa các tổ chức liên quan trong lĩnh vực tín dụng.
22
CHƯƠNG 3: THỰC TRẠNG QUẢN LÝ RỦI RO TÍN DỤNG TẠI
NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT
NAM
3.1. Khái quát về Agribank
Tình hình hoạt động kinh doanh của Agribank được đánh giá thông qua
các chỉ số cơ bản, bao gồm: vốn chủ sở hữu, vốn điều lệ, tổng tài sản, dự nợ,
vốn huy động, tỷ lệ nợ xấu, ROA, ROE. Một số tiêu chí được so sánh với 5
ngân hàng thuộc nhóm lớn nhất trên thị trường.
3.2. Thực trạng quản lý rủi ro tín dụng tại Agribank.
Hiện nay, Agribank vẫn áp dụng mô hình quản lý tín dụng phân tán với
các quy định về thẩm quyền cho vay và quản lý các khoản vay đối với các cấp
bao gồm Tổng giám đốc, Giám đốc các chi nhánh loại I, II và phòng giao dịch.
Trong những năm gần đây, Agribank đang thực hiện tổ chức quản lý rủi ro theo
mô hình ba tuyến bảo vệ độc lập. Tuy nhiên, việc phân tách tại các chi nhánh
vẫn còn nhiều hạn chế khi thường xuyên có sự chồng chéo trong việc thực hiện
các chức năng này đối với cán bộ làm công tác tín dụng.
3.3. Đánh giá thực trạng quản lý rủi ro tín dụng tại Agribank
3.3.1. Các kết quả đạt được
3.3.1.1. Về cơ cấu tổ chức và chính sách quản lý rủi ro tin dụng
Agribank đã cơ bản xây dựng được hệ thống khung cơ chế, chính sách
quản lý rủi ro tín dụng và duy trì một chính sách phòng ngừa và hạn chế rủi ro
tín dụng. Theo đó, các quy định, chính sách tín dụng đã bao gồm khá toàn diện
các nội dung cần thiết mà các ngân hàng cần thực hiện trong quá trình phê duyệt
tín dụng.
23
3.3.1.2. Về nhận diện, đo lường rủi ro tín dụng.
Agribank đã chú trọng đến công tác nhận diện rủi ro tín dụng với tất cả
các giai đoạn ngân hàng tiếp xúc với khách hàng bao gồm: trước, trong và sau
khi cho vay.
Hệ thống xếp hạng tín dụng nội bộ của Agribank đã đáp ứng các điều
kiện tối thiểu về xây dựng hệ thống xếp hạng tín dụng nội bộ của NHNN trong
giai đoạn trước đây.
3.3.1.3. Về sử dụng các công cụ quản lý rủi ro tín dụng.
Agribank sử dụng đa dạng các công cụ quản lý rủi ro trong tất cả các giai
đoạn: trước, trong và sau khi cấp tín dụng cho khách hàng. Thực tế cho thấy
chính sách và các hoạt động xử lý và thu hồi nợ xấu của ngân hàng đang phát
huy hiệu quả trong những năm gần đây.
3.3.2. Các hạn chế và nguyên nhân.
3.3.2.1. Về cơ cấu tổ chức và chính sách quản lý rủi ro tín dụng.
Mô hình tổ chức quản lý tín dụng của Agribank là một mô hình phân tán,
không phù hợp với bản chất rủi ro và xu hướng phát triển trong lĩnh vực ngân
hàng. Nguyên nhân dẫn đến tình trạng này là do việc xây dựng quy trình quản
lý rủi ro tín dụng tập trung hóa gặp nhiều khó khăn do địa bàn phức tạp, nhiều
chi nhánh không đủ nhân sự.
3.3.2.2. Về nhận diện, đánh giá đo lường rủi ro tín dụng.
Mức độ rủi ro của khách hàng không được xác định trực tiếp trên xác
suất vỡ nợ của khách hàng (PD) tạo ra sự khó khăn cho Agribank trong việc
đáp ứng các tiêu chuẩn về hệ thống xếp hạng tín dụng theo đề xuất của Basel.
Có bốn nguyên nhân chủ yếu giải thích cho thực trạng này:
24
Thứ nhất, Ngân hàng nhà nước chưa có hướng dẫn chi tiết về việc xây
dựng hệ thống xếp hạng tín dụng nội bộ và đo lường tổn thất rủi ro tín dụng
theo chuẩn Basel II; Thứ hai, nguồn lực cán bộ làm công tác tín dụng, quản lý
rủi ro tín dụng còn hạn chế cả về số lượng và chất lượng; Thứ ba, hệ thống đánh
giá rủi ro tín dụng theo tiêu chuẩn basel II là hệ thống toàn diện, có độ phức tạp
cao, đòi hỏi ngân hàng có sự chuẩn bị kĩ lưỡng về cả chiến lược và các nguồn
lực để thực hiện.
3.3.2.3. Về sử dụng các công cụ quản lý rủi ro.
Agribank chỉ sử dụng các công cụ quản lý rủi ro ở mức cơ bản và truyền
thống. Agribank thiếu công cụ đo lường rủi ro tín dụng hiệu quả, đồng thời thị
trường tài chính chưa phát triển đến mức cho phép sử dụng các công cụ phòng
ngừa rủi ro hiện đại.
3.3.2.4. Về giám sát và báo cáo rủi ro tín dụng
Giám sát rủi ro tín dụng tại Agribank kém hiệu quả do chưa có phân tách
chức năng giữa bộ phận giao dịch, bộ phận thẩm định và đánh giá lại tín dụng
trong khi hiệu quả giám sát của bộ phận kiểm soát nội bộ còn hạn chế .
25
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.
4.1. Đề xuất mô hình
Để thực hiện đánh giá toàn diện rủi ro tín dụng, trong luận án này tác
giả đề xuất xây dựng mô hình theo phương pháp tiếp cận nâng cao dựa trên xếp
AIRB - Xếp hạng tín dụng nâng cao
PD
LGD
EAD
Logit (LR)
Cây quyết định (DT)
Mạng nơ ron (MLP)
Mạng nơ ron (MLP)
Mạng nơ ron (MLP)
hạng nội bộ (AIRB) của Basel.
Hình 4.1: Mô hình nghiên cứu đề xuất
Nguồn: Tác giả đề xuất
4.2. Xây dựng mô hình tính xác suất vỡ nợ (PD).
4.2.1. Mô tả dữ liệu thu thập
Để xây dựng mô hình PD, tác giả sử dụng cơ sở dữ liệu 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. Bộ dữ liệu cuối cùng được sử dụng để
xây dựng mô hình PD bao gồm thông tin về 15.470 khách hàng với 19 đặc điểm
26
liên quan, trong đó bao gồm 12118 khoản nợ tốt chiếm tỉ trọng 78.3% và 3352
khoản nợ xấu chiếm tỉ trọng 21.7%.
4.2.2. Kết quả các mô hình tính xác suất vỡ nợ (PD).
Bảng 4.1: Kết quả phân loại của các mô hình đại diện
Model
Mẫu kiểm tra
Mẫu huấn luyện
Mẫu tổng thể
CCB% CCG%
CCB% CCG%
CCB% CCG%
Tổng thể%
Tổng thể%
Tổng thể%
32.28
95.43
81.93
31.02
96.50
82.55
31.97
95.75
82.17
LR
48.50
93.27
83.59
47.93
92.38
82.71
48.33
93.00
83.32
DT4
DT16
47.08
94.09
83.85
46.66
94.10
83.95
46.95
94.09
83.88
MLP7*
52.95
95.37
86.21
52.66
94.65
85.48
52.86
95.16
85.99
MMLP
54.32
93.35
85.18
54.07
92.93
84.65
54.25
93.35
85.20
Nguồn: Kết quả tính toán của tác giả
Mô hình có khả năng phân loại chính xác nhất là MLP7 đồng thời cũng
là mô hình đạt hiệu quả về kinh tế nếu xét trên tỷ lệ chi phí phân loại lỗi là 3:1.
Tuy nhiên, ở tỷ lệ chi phí phân loại lỗi 10:1 thì mô hình MMLP cho thấy khả
năng giảm tổn thất tốt hơn mô hình MLP7.
Kết quả phân tích đường cong ROC cho thấy các mô hình đều đáp ứng
tốt yêu cầu với đường cong nằm phía trên đường ngẫu nhiên và chỉ số AUC
(diện tích khu vực dưới đường cong ROC) đều trên 0.8. Đồng thời chỉ số này
cũng chỉ ra mô hình MLP7 có khả năng phân loại tốt nhất khi thay đổi về
ngưỡng xác suất xác định nợ xấu, nợ tốt. Độ phù hợp của mô hình MLP7 là
xuất sắc đối với bộ dữ liệu này.
27
4.3. Xây dựng mô hình LGD
4.3.1. Mô tả dữ liệu
Bộ dữ liệu thứ 2 ban đầu được thu thập bao gồm 1124 quan sát. Tuy
nhiên, sau khi loại bỏ một số trường hợp khách hàng là ngoại lệ có thời gian
gia hạn nợ rất lâu thì bộ dữ liệu được sử dụng để xây dựng mô hình LGD bao
gồm 1045 hồ sơ vay vốn của các khách hàng chuyển nợ xấu từ 1 đến 3 năm.
4.3.2. Kết quả mô hình LGD
Kết quả thống kê sai số tương đối (relative error) của 20 mô hình LGD
với giá trị dao động từ 0.13 đến 0.246. Với kết quả như vậy thì các mô hình
LGD đạt được độ chính xác dự báo là tốt và tốt nhất là mô hình LGD6.
Bảng 4.2: Sai số tương đối của mô hình LGD
Sum of Squares Error
Relative Error
Mô hình
Sum of Squares Error
Relative Error
Mô hình
LGD1
31.63
0.23
LGD11
31.001
0.227
LGD2
38.999
0.242
LGD12
27.127
0.161
LGD3
27.56
0.168
LGD13
28.061
0.2
LGD4
30.921
0.223
LGD14
27.658
0.185
LGD5
32.417
0.242
LGD15
28.657
0.203
LGD6*
20.689
0.13
LGD16
33.869
0.215
LGD7
33.58
0.21
LGD17
23.869
0.144
LGD8
37.13
0.246
LGD18
30.374
0.201
LGD9
27.796
0.189
LGD19
27.765
0.161
LGD10
30.448
0.219
LGD20
29.73
0.166
Nguồn: Kết quả tính toán của tác giả
4.4. Xây dựng mô hình EAD
Mô hình EAD được xây dựng trên mạng nơ ron MLP với biến phụ thuộc
là hạn mức tại thời điểm khách hàng vỡ nợ (chuyển nợ xấu) và các biến độc lập
là tất cả đặc điểm của khách hàng, khoản vay. Mô hình EAD3 là mô hình được
đề xuất với sai số tương đối là thấp nhất.
28
Bảng 4.3: Sai số tương đối của mô hình EAD
Sum of Squares Error
Relative Error
Sum of Squares Error
Relative Error
Mô hình
Mô hình
33.660
33.177
0.224
0.231
41.018
34.694
0.271
0.179
19.188
15.169
0.116
0.150
33.394
20.072
0.300
0.185
28.723
37.044
0.263
0.292
55.286
36.089
0.314
0.223
74.666
25.101
0.295
0.216
23.881
29.914
0.165
0.151
48.716
26.834
0.380
0.161
27.168
0.236
0.199
EAD1 EAD2 EAD3* EAD4 EAD5 EAD6 EAD7 EAD8 EAD9 EAD10
EAD11 EAD12 EAD13 EAD14 EAD15 EAD16 EAD17 EAD18 EAD19 EAD20
29.656 Nguồn: Kết quả tính toán của tác giả
Kết quả huấn luyện cũng chỉ ra nhân tố hạn mức là nhân tố có tính quyết
định lớn đến khả năng dự báo của mô hình EAD. Sự quan trọng của biến hạn
mức không thay đổi trong 20 lần ước lượng mô hình EAD và cao gấp gần 4 lần
nhân tố có ảnh hưởng thứ hai là thời hạn khoản nay. Nhóm tiếp theo có tác
động đáng kể tới mô hình là thu nhập, lãi suất, mục đích vay, phương thức trả.
4.5. Các điều kiện để ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín
dụng
Thứ nhất, về điều kiện công nghệ, Agribank hiện nay vẫn chưa triển khai
bất kì hoạt động nào có sử dụng trí tuệ nhân tạo.
Thứ hai, nhiều thông tin có trong hồ sơ tín dụng của khách hàng được
lưu trữ theo dạng các văn bản cứng và được quản lý phân tán tại các chi nhánh
và phòng giao dịch. Những thông tin dạng này chỉ có thể khai thác và sử dụng
được khi nó được số hóa và đẩy lên hệ thống thông tin của ngân hàng.
Thứ ba, lợi ích kinh tế là động lực quan trọng để Agribank triển khai
ứng dụng AI trong quản lý rủi ro tín dụng thay thế hệ thống quản lý tín dụng
hiện có với chi phí cao và rủi ro lớn.
29
Thứ tư, thị trường ngân hàng Việt Nam sẽ chứng kiến sự thay đổi mạnh
mẽ trong chiến lược ứng dụng trí tuệ nhân tạo trong lĩnh vực tín dụng, do vậy
để duy trì thị phần và tiếp tục nâng cao hiệu quả quản lý rủi ro tín dụng thì việc
xem xét nghiên cứu và ứng dụng trí tuệ nhân tạo là cần thiết.
Thứ năm, về điều kiện pháp lý, Ngân hàng nhà nước và Agribank đều
chưa có các văn bản quy định các vấn đề liên quan đến ứng dụng trí tuệ nhân
tạo trong quản lý rủi ro tín dụng. Đây là một khó khăn chung cho toàn bộ thị
trường ngân hàng khi đây là một lĩnh vực khá mới mẻ tại Việt Nam.
30
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
5.1. Định hướng phát triển hoạt động quản lý rủi ro tín dụng trong hệ
thống ngân hàng thương mại Việt Nam.
Ngày 08 tháng 8 năm 2018, Thủ tướng chính phủ đã ban hành Quyết
định số 986/QĐ-TTg về “Chiến lược phát triển ngành Ngân hàng Việt Nam đến
năm 2025, định hướng đến năm 2030”. Trên cơ sở đó, NHNN cũng đặt ra yêu
cầu đối với các ngân hàng thương mại trong việc hoàn thiện, áp dụng hệ thống
quản lý rủi ro phù hợp với các nguyên tắc, chuẩn mực của Ủy ban Basel và lộ
trình áp dụng Basel II tại Việt Nam
Ngày 26 tháng 1 năm 2021, Thủ tướng 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 Ngân hàng nhà nước được
chỉ rõ.
5.2. Định hướng phát triển hoạt động quản lý rủi ro tín dụng tại Agribank
Năm 2020, Agribank kết thúc tái cơ cấu giai đoạn 2 gắn với triển khai
hiệu quả Chiến lược kinh doanh và xử lý nợ xấu giai đoạn 2016- 2020, tầm
nhìn 2030. Để thực hiện được nhiệm vụ trên, Agribank đã đưa ra giải pháp tiếp
tục tổ chức lại mạng lưới, hoàn thiện mô hình tổ chức, nhân sự theo phương án
cơ cấu lại, phù hợp với năng lực quản trị điều hành, quản lý rủi ro, an toàn và
nâng cao hiệu quả hoạt động.
31
5.3. Giải pháp ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại
Agribank
5.3.1. Về cơ cấu tổ chức quản lý rủi ro tín dụng
Ngân hàng phải thiết lập cơ cấu quản lý rủi ro đảm bảo các nguyên tắc
sau:
Nguyên tắc tập trung: Phê duyệt tín dụng tập trung, các rủi ro tín dụng
phải được quản lý tập trung tại trụ sở chính.
Nguyên tắc độc lập, khách quan: Mô hình phòng ngừa và hạn chế rủi ro
tín dụng phải độc lập trong sự tách bạch rõ ràng giữa 3 bộ phận: kinh doanh;
quản lý rủi ro; tác nghiệp.
5.3.2. Về quy trình áp dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng.
Căn cứ vào kết quả đạt được trong Chương 4 về mô hình đánh giá khả
năng vỡ nợ (PD) và mô hình dự báo tỷ lệ tổn thất tại thời điểm vỡ nợ (LGD),
Agribank cần áp dụng triển khai mô hình PD và LGD ( và EAD) theo lộ trình
cụ thể phân chia theo hai giai đoạn xây dựng mô hình và triển khai mô hình.
5.3.2.1. Đề xuất quy trình xây dựng mô hình PD, LGD và EAD
Căn cứ vào các nghiên cứu về xây dựng mô hình PD trong chương 2 và
nghiên cứu thực nghiệm của tác giả, tác giả đề xuất quy trình 08 bước để thiết
lập mô hình xếp hạng tín dụng bao gồm: xác định phạm vi và mục tiêu; chuẩn
bị danh sách các tiêu chí, trích xuất dữ liệu; chuyển đổi, chuẩn hóa tiêu chí đầu
vào; xây dựng và lựa chọn mô hình; kiểm thử mô hình; hiệu chuẩn mô hình.
32
5.3.2.2. Đề xuất cấu trúc mô hình xếp hạng tín dụng nội bộ.
Cấu trúc hệ thống xếp hạng tín dụng nội bộ đề xuất sẽ kết hợp các yếu tố
định tính, yếu tố định lượng và khung điều chỉnh phù hợp cho ra kết quả đánh
giá mức độ rủi ro tín dụng của khách hàng một cách chính xác nhất. Cấu trúc
của mô hình PD được xây dựng bao gồm các cấu phần chính như sau:
Hình 5.1: Cấu trúc mô hình xếp hạng tín dụng đề xuất
Nguồn: Tác giả đề xuất
5.3.2.3. Đề xuất quy trình áp dụng thực tế các mô hình.
33
Hình 5.2: Quy trình áp dụng mô hình PD, LGD, EAD vào thực tế
Nguồn: Tác giả đề xuất
5.3.3. Về nhóm các giải pháp hỗ trợ cần thiết.
5.3.3.1. Về hệ thống cảnh báo, nhận biết rủi ro sớm.
Agribank cần lên một lộ trình xây dựng hệ thống cảnh báo sớm (EWS).
Để tối đa hóa hiệu quả hệ thống EWS, Agribank cần ban hành khung chính
sách về cảnh báo sớm, trong đó xác định rõ chức năng, nhiệm vụ của từng bộ
phận, quy trình thực hiện và cơ chế vận hành, đảm bảo trao đổi, cập nhật thường
xuyên giữa các bộ phận nghiệp vụ về dấu hiệu rủi ro, các phương pháp đánh
giá phù hợp với sự biến đổi liên tục và phức tạp từ thực tế.
34
5.3.3.2. Về nguồn nhân lực
Giải pháp về nhân sự được chia theo các giai đoạn chuẩn bị, nghiên cứu,
phát triển và áp dụng trí tuệ nhân tạo:
Giai đoạn chuẩn bị: Agribank cần thành lập đội ngũ chuyên gia thuộc
ngân hàng để lên kế hoạch chuẩn bị cho quá trình nghiên cứu áp dụng trí tuệ
nhân tạo.
Giai đoạn nghiên cứu và phát triển: hoạt động này không phải chỉ được
tiến hành trong thời gian đầu phát triển trí tuệ nhân tạo mà nó cần được diễn ra
liên tục ngay cả sau khi áp dụng các mô hình vào thực tế. Agribank nên có các
chương trình nghiên cứu về trí tuệ nhân tạo, kết nối với mạng lưới các nhà khoa
học trong lĩnh vực thông qua các dự án, hội thảo.
Giai đoạn áp dụng: Agribank cần có chiến lược đào tạo và phát triển
nguồn nhân lực, hoàn thiện và nâng cao kiến thức, kĩ năng, phẩm chất cho cán
bộ ngân hàng đảm bảo tương thích với quy trình quản lý rủi ro tín dụng sử dụng
trí tuệ nhân tạo.
5.3.3.3. Về công nghệ thông tin
- Cải tiến hệ thống thông tin, thống kê, báo cáo nội bộ để xây dựng được
hệ thống thông tin quản lý, tập trung và thống nhất, đảm bảo việc xây dựng,
thực thi các chính sách quản lý rủi ro tín dụng kịp thời, hiệu quả.
- Xây dựng cơ sở dữ liệu lớn, toàn diện bao gồm các thông tin cốt lõi,
thông tin mang tính chất xu hướng, tương lai phục vụ cho việc nghiên cứu và
phát triển các mô hình trí tuệ nhân tạo.
- Tăng cường áp dụng các quy trình tự động hóa với nhân tố lõi là mô
hình trí tuệ nhân tạo.
35
5.4. Kiến nghị với Ngân hàng nhà nước Việt Nam
Thứ nhất, Ngân hàng nhà nước cần ban hành chiến lược ứng dụng trí tuệ
nhân tạo trong lĩnh vực ngân hàng và trong đó bao gồm chiến lược cụ thể đối
với lĩnh vực tín dụng và quản lý rủi ro tín dụng..
Thứ hai, Ngân hàng nhà nước cần xây dựng khung pháp lý quy định về
việc nghiên cứu, phát triển và áp dụng trí tuệ nhân tạo đối với các Ngân hàng
thương mại.
Thứ ba, xây dựng một cơ sở dữ liệu thống nhất, liên thông giữa các
ngân hàng và tổ chức tín dụng và xa hơn nữa đó là một hệ sinh thái số cho các
hoạt động ngân hàng.
Thứ tư, Tăng cường các hoạt động nghiên cứu, phát triển trí tuệ nhân tạo
trong quản lý rủi ro tín dụng thông qua các đề án, đề tài, hội thảo, các chương
trình hợp tác quốc tế..
Thứ năm, Ngân hàng nhà nước cần có chính sách hỗ trợ, khuyến khích
các công ty Fintech cung cấp các giải pháp về trí tuệ nhân tạo trong quản lý rủi
ro nói chung và quản lý rủi ro tín dụng nói riêng cho các ngân hàng thương mại
và các tổ chức tài chính..
36
PHẦN KẾT LUẬN ÁN
Trong phạm vi lựa chọn một ngân hàng thương mại cụ thể là Agribank
với quy mô và sức ảnh hưởng lớn trên thị trường, luận án đã giải quyết được
các mục tiêu cơ bản khi nghiên cứu về việc ứng dụng trí tuệ nhân tạo trong
quản lý rủi ro tín dụng như sau:
Thứ nhất, luận án đã khái quát các vấn đề lý luận về quản lý rủi ro tín
dụng và trí tuệ nhân tạo trong quản lý rủi ro tín dụng..
Thứ hai, luận án đã tổng hợp kinh nghiệm trong việc nghiên cứu, ứng
dụng trí tuệ nhân tạo tại ba quốc gia: Anh, Mỹ, Ấn Độ và từ 2 tổ chức quốc tế
là Hội đồng ổn định tài chính (FSB) và Ngân hàng thế giới (WB)..
Thứ ba, luận án đã khái quát được thực trạng rủi ro tín dụng và thực trạng
quản lý rủi ro tín dụng tại Agribank thông qua sử dụng dữ liệu thứ cấp và kết
quả khảo sát các lãnh đạo và nhân viên có liên quan..
Thứ tư, luận án đã sử dụng các dữ liệu thực tế tại Agribank để thực
nghiệm xây dựng mô hình đo lường rủi ro tín dụng theo cách tiếp cận nâng cao
của Basel II..
Thứ năm, luận án đã đưa ra các giải pháp có tính hệ thống nhằm triển
khai nghiên cứu và ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại
Agribank dựa trên cơ sở là những điều kiện sẵn có của bản thân ngân hàng và
các yếu tố vĩ mô bên ngoài..
Bên cạnh những mục tiêu đã đạt được, luận án vẫn tồn tại một số hạn chế
do những khó khăn khi thu thập dữ liệu và điều này có thể là gợi ý cho những
nghiên cứu tiếp theo.
37
DANH MỤC CÁC CÔNG TRÌNH NGHIÊN CỨU CỦA TÁC GIẢ CÓ
LIÊN QUAN ĐẾN LUẬN ÁN
1. Nguyễn Tiến Hưng (2015). Xây dựng hệ thống xếp hạng tín dụng nội bộ: so
sánh giữa mô hình mạng nơ ron nhân tạo và mô hình logit. Tạp chí Ngân hàng,
Số 11, trang 24-30.
2. Nguyễn Tiến Hưng và Lê Thị Huyền Trang (2018). Mô hình chấm điểm tín
dụng dựa trên sự kết hợp giữa Mô hình Cây quyết định, Logit, K láng giềng
gần nhất và Mạng thần kinh nhân tạo. Tạp chí Khoa học và đào tạo Ngân hàng,
Số 193, trang 43-54.
3. Nguyễn Tiến Hưng (2021). Kinh nghiệm sử dụng trí tuệ nhân tạo trong lĩnh
vực tín dụng tại một số quốc gia và bài học kinh nghiệm cho các ngân hàng
thương mại Việt Nam, Tạp chí Kinh tế Châu Á – Thái Bình Dương, Số 587,
trang 88-90.
38
