intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE
 » 
 » 

Xây dựng mô hình đánh giá tín dụng cho các công ty giao dịch ngang hàng P2P tại Việt Nam

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:10

Thêm vào BST
Báo xấu
6
lượt xem 1
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài nghiên cứu tập trung tìm hiểu về việc đánh giá tín dụng cho các công ty cho vay ngang hàng P2P tại Việt Nam. Bài nghiên cứu sử dụng bộ số liệu từ năm 2016-2017 gồm 462.426 khách hàng cá nhân đã nộp hồ sơ vay trên website của Lendingclub và sử dụng mô hình Logistic để xây dựng mô hình đánh giá tín dụng các khách hàng nộp hồ sơ vay tại công ty P2P.

Chủ đề:

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

Lưu

Nội dung Text: Xây dựng mô hình đánh giá tín dụng cho các công ty giao dịch ngang hàng P2P tại Việt Nam

  1. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 XÂY DỰNG MÔ HÌNH ĐÁNH GIÁ TÍN DỤNG CHO CÁC CÔNG TY GIAO DỊCH NGANG HÀNG P2P TẠI VIỆT NAM Phạm Thị Băng Tâm Nguyễn Phương Hoa Nguyễn Ngọc Trường Sơn Học viện Tài chính Email: nguyenphoa123@gmail.com Tóm tắt: Bài nghiên cứu tập trung tìm hiểu về việc đánh giá tín dụng cho các công ty cho vay ngang hàng P2P tại Việt Nam. Bài nghiên cứu sử dụng bộ số liệu từ năm 2016-2017 gồm 462.426 khách hàng cá nhân đã nộp hồ sơ vay trên website của Lendingclub và sử dụng mô hình Logistic để xây dựng mô hình đánh giá tín dụng các khách hàng nộp hồ sơ vay tại công ty P2P. Kết quả nhằm tìm kiếm thêm các biến để bổ sung vào các nghiên cứu đã có nhằm tìm kiếm phương pháp đánh giá và dự báo tín dụng khách hàng không chỉ trên P2P mà có thể mở rộng cho các tổ chức tín dụng khác. Từ khóa: Chấm điểm tín dụng, vay ngang hàng P2P, mô hình Logistic. 1. Đặt vấn đề Cho vay ngang hàng (P2P Lending) là mô hình kinh doanh được thiết kế và xây dựng trên nền tảng ứng dụng công nghệ số để kết nối trực tiếp người đi vay với người cho vay. P2P Lending gia tăng khả năng tiếp cận vốn vay của các doanh nghiệp siêu nhỏ hoặc các cá nhân không thể hoặc gặp khó khăn tiếp cận được nguồn vốn ngân hàng. Mô hình P2P Lending xuất hiện cùng với sự ra đời của hai công ty P2P Lending đầu tiên tại Mỹ là Prosper (năm 2006) và Lending Club (năm 2007). Theo IBISWorld, từ năm 2012 đến nay, quy mô thị trường P2P Lending tại Mỹ đã phát triển vượt bậc, đặc biệt trong giai đoạn 2017-2019. Năm 2020, do ảnh hưởng của đại dịch Covid-19, quy mô thị trường này có sụt giảm và duy trì ở mức 819 triệu USD (tương đương 0.0039 % GDP của Mỹ năm 2020). Mặc dù vậy, các nền tảng P2P Lending vẫn tiếp tục đóng vai trò quan trọng trong việc cấp vốn các doanh nghiệp nhỏ. Do thị trường P2P Lending ở Mỹ phát triển với tốc độ nhanh, có sự liên kết chéo giữa nhà cung cấp dịch vụ P2P Lending và ngân hàng cho vay (gọi là notary model - mô hình trong đó khoản vay sẽ được cấp từ ngân hàng đối tác thay vì bản thân công ty P2P Lending), nên việc dự thảo các quy định quản lý trải qua những giai đoạn phức tạp. Từ cuối năm 2015, Ủy ban Chứng khoán và Giao dịch (SEC) quyết định áp dụng các quy tắc quản lý với hoạt động huy động và tài trợ vốn cộng đồng cho hoạt động P2P Lending. Ngoài ra, các công ty P2P Lending bắt buộc phát hành chứng chỉ vay nợ phải thông qua một tổ chức trung gian (platform), để đảm bảo công chúng có thể tiếp cận thông qua cổng Internet hoặc các phương tiện điện tử và tự do trao đổi thông tin về khoản vay. Tại Trung Quốc, hình thức cho vay P2P Lending xuất hiện vào năm 2011 và đạt đỉnh năm 2015 khi có khoảng 3.500 doanh nghiệp cho vay P2P. Tính đến tháng 6 năm 2018, thị trường cho vay ngang hàng của Trung Quốc có giá trị gần 218 tỷ USD (chiếm 0.0157 %GDP). Loại hình cho vay P2P này phát triển trên quy mô lớn khi các công ty được chính phủ khuyến khích đột phá sáng tạo về tài chính để phục vụ các doanh nghiệp tư nhân vừa và nhỏ đang đói vốn. Tuy nhiên, nhiều doanh nghiệp cũng lợi dụng, núp bóng hình thức này để cho vay với lãi suất 562
  2. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 “cắt cổ” lên tới gần 40% hoặc lừa đảo sau khi huy động vốn. Cho vay ngang hàng dần rơi vào tình trạng không được kiểm soát. Chỉ trong vòng 2 tháng kể từ tháng 6/2018, hơn 400 công ty P2P đã dừng hoạt động và các nhà đầu tư không thể đòi lại tiền. Một báo cáo của Ủy ban Chuyên gia Quốc gia về Công nghệ An ninh Tài chính Internet (NCEIFST) cho biết đã có ít nhất 50 triệu nhà đầu tư P2P vào cuối tháng 6 năm 2018, với mỗi người đầu tư khoảng 22,788 nhân dân tệ (3400 USD). Trong khi đó theo số liệu của Wdzj.com, một nền tảng thu thập dữ liệu về P2P, khoảng 56% nhà đầu tư cho vay bằng thu nhập chính với thu nhập hàng tháng khoảng 5000 nhân dân tệ (767 USD) đến 10 000 nhân dân tệ. Đa phần các nhà đầu tư đều chỉ để ý đến sức hấp dẫn của lãi suất cao và chưa hiểu rõ ràng về hoạt động của thị trường P2P Lending nên cuối cùng họ cũng chính là những người “gánh chịu” tất cả. Điển hình như khi ứng dụng P2P Lending PPMiao phá sản, có khoảng 4000 nhà đầu tư đã mất trắng 117 triệu USD. Hàng trăm nhà đầu tư tìm đến trụ sở công ty tại Thượng Hải tìm cách lấy lại tiền nhưng vô vọng. Nguyên nhân chính gây ra khủng hoảng này là do Trung Quốc đã coi cho vay ngang hàng là “hệ thống trao đổi thông tin khoản vay”. Cách hiểu sai này tạo kẽ hở cho các vi phạm và biến tượng dẫn đến hệ lụy đã xảy ra. Tại Việt Nam, khoảng năm 2016 bắt đầu xuất hiện công ty hoạt động giống mô hình P2P Lending. P2P Lending đã có thời gian chứng tỏ được tính hiệu quả trên thị trường, là một kênh dẫn vốn tốt và cũng là một mô hình đầu tư mới hấp dẫn. Sau hơn 5 năm hoạt động đã có tới hơn 100 công ty Fintech lớn nhỏ cung cấp dịch vụ cho vay ngang hàng chính thống với quy mô không ngừng tăng lên. Theo số liệu từ Ngân hàng Nhà nước đến năm 2020, tính tổng trên thị trường đã có hơn 4.800.000 số người tham gia đăng ký vay, giải ngân hơn 93.000 tỷ đồng thông qua các nền tảng P2P, nổi bật trong số đó như Tima, Fiin, Huydong, Vaymuon…. Tuy nhiên, bên cạnh những nền tảng cho vay ngang hàng có công bố thông tin doanh nghiệp minh bạch, chính xác, có nhiều nền tảng chưa rõ nguồn gốc và tính hợp pháp. Thị trường cho vay ngang hàng đã vô tình trở thành một nơi lý tưởng cho hoạt động tín dụng đen trá hình, từ đó tìm ẩn nhiều rủi ro cho cả bên cần được đầu tư lẫn bên đầu tư vào thị trường này. Theo quy định pháp luật ở Việt Nam, cho vay là một trong các hoạt động cốt lõi của Ngân hàng, được cấp phép và quản lý hoạt động bởi Ngân hàng Nhà Nước dưới Luật các tổ chức tín dụng. Tất cả các cá nhân, tổ chức không phải là Tổ chức tín dụng đều không được phép thực hiện các hoạt động ngân hàng. Tuy nhiên, những quan hệ vay mượn trực tiếp không mang tính chất kinh doanh giữa các cá nhân và tổ chức vẫn được xem là những giao dịch dân sự hợp pháp nằm ngoài phạm vi điều chỉnh của Ngân hàng Nhà nước và Luật các tổ chức tín dụng. Do đó, các quy định pháp lý và vai trò quản lý nhà nước đối với hoạt động cho vay ngang hàng vẫn chưa được xác định rõ ràng. Rủi ro tín dụng của người đi vay trong hoạt động P2P Lending cao hơn so với hình thức cho vay truyền thống, các khoản vay được cung cấp dưới hình thức P2P Lending hầu hết không có tài sản bảo đảm nên người cho vay gặp rủi ro bị mất tiền do không được hành lang pháp lý của nhà nước bảo hộ và thiếu thông tin để thẩm định, đánh giá rủi ro của người đi vay… Ở các quốc gia trên thế giới, công ty P2P Lending yêu cầu người đi vay phải kê khai các thông tin cơ bản như thông tin cá nhân nhu cầu vay vốn, thu nhập, tài sản, các khoản vay hiện có, điểm tín dụng được cung cấp bởi cơ quan xếp hạng tín dụng... Sau đó công ty P2P Lending sẽ phân tích, thẩm định thông tin và gửi tới bên cho vay để quyết định về việc có cho vay vốn hay không. Điểm tín dụng của người đi vay đóng một vai trò quan trọng trong quyết định của người cho vay, điểm tín dụng bù đắp cho việc thiếu thông tin khách quan của người đi vay. Điểm tín dụng thấp tương ứng với một rủi ro lớn của người đi vay. 563
  3. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Ở Việt Nam chưa có một cơ quan độc lập nào chấm điểm tín dụng khách hàng cá nhân, trong khi đó các công ty P2P Lending chưa chú trọng tới việc xây dựng mô hình chấm điểm tín dụng nội bộ. Để có được hệ thống chấm điểm tín dụng tin cậy cần nhiều mô hình, nhiều trường thông tin dữ liệu liên tục được cập nhật, hiệu chỉnh để tích hợp và cung cấp kết quả phù hợp nhât. Là nhóm sinh viên chuyên ngành ở Học viện Tài chính, nhóm tác giả muốn thử nghiệm một bộ dữ liệu đủ lớn và ứng dụng mô hình Logistic để “Xây dựng mô hình chấm điểm tín dụng cho các công ty giao dịch ngang hàng P2P Lending tại Việt Nam”. 2. Mô hình chấm điểm tín dụng Chấm điểm tín dụng là việc đánh giá rủi ro tiềm tàng của các đối tượng đi vay theo một thang điểm nhất định. Mô hình chấm điểm tín dụng là một công cụ giúp cho nhà quản lý biết được khi nào họ nên cho vay, với số lượng tiền là bao nhiêu và họ cần phải xây dựng những chiến lược gì để gia tăng được lợi nhuận trong khi vẫn quản lý hiệu quả các rủi ro đi kèm. Việc xây dựng được một công cụ chấm điểm hiệu quả đem lại rất nhiều lợi ích cho các tổ chức tín dụng: (i) Cải thiện dòng vốn, (ii) Bảo đảm tài sản thế chấp là phù hợp, (iii) Giảm các khoản lỗ tín dụng (iv) Giảm chi phí phân tích tín dụng (v) Giảm thời gian đưa ra quyết định cấp tín dụng (vi) Đa dạng hoá các sản phẩm tín dụng theo các phân cấp rủi ro khác nhau (vii) Hiểu được hành vi của khách hàng. Chấm điểm tín dụng đo lường định lượng rủi ro tiềm tàng của khách hàng bằng cách phân tích dữ liệu cá nhân để ước lượng khả năng vỡ nợ của họ với khoản vay trong tương lai. Hoạt động này cũng có thể được hiểu như là một kỹ thuật khai phá dữ liệu, tìm kiếm các quy luật của các dữ liệu lịch sử và áp dụng đưa ra quyết định cấp tín dụng cho các khách hàng trong tương lai. FICO, hiện là công ty chấm điểm tín dụng hàng đầu thế giới, được thành lập ở San Francisco năm 1956 với tên gọi là Công ty tư vấn Fair Isaac bởi kỹ sư Bill Fair và nhà toán học Earl Isaac. Năm 1958, công ty xây dựng mô hình chấm điểm tín dụng nhưng các nhà cung cấp tín dụng ít quan tâm vì tin rằng đánh giá của con người sẽ luôn hiện diện trong hoạt động cho vay. Mặc dù vậy, ngày càng nhiều nhà cung cấp tín dụng nhận ra lợi ích của chấm điểm tín dụng và bắt đầu sử dụng. Bước ngoặt của Fair Isaac diễn ra năm 1963, khi công ty giành được hợp đồng cung cấp hệ thống chấm điểm tín dụng cho Montgomery Ward, một bách hóa tổng hợp lớn có cung cấp tín dụng cho khách mua hàng. Hợp đồng này thành công đối với cả hai bên và nhiều công ty bán lẻ cũng theo bước Montgomery trong giai đoạn từ 1960-1979. Đến giữa những năm 1960, Dinners Club, American Express và các công ty cung cấp thẻ tín dụng khác ở Mỹ bắt đầu bị lỗ và việc áp dụng chấm điểm tín dụng giúp họ giảm lỗ với mức cao nhất là 50%, nhờ đó củng cố vị trí của chấm điểm tín dụng Cơ hội và thách thức phát triển hệ thống tài chính xanh ở Việt Nam 325 trên thị trường thẻ tín dụng. Trong giai đoạn mở rộng những năm 1980, chấm điểm tín dụng đã vượt qua biên giới nước Mỹ để sang Anh (những năm 1980), và sau đó là Hy Lạp, Ý, Nam Phi, Canada, Tây Ban Nha (1990). Việc áp dụng chấm điểm tín dụng cũng mở rộng từ thẻ tín dụng sang cho vay thế chấp bất động sản, các khoản tín dụng tiêu dùng khác và cho vay doanh nghiệp nhỏ. Chấm điểm tín dụng cũng tạo điều kiện cho việc chứng khoán hóa các khoản vay thế chấp bất động sản. Bước sang thế kỷ 21, chấm điểm tín dụng đã góp phần thúc đẩy sự tăng trưởng nhanh chóng của tín dụng tiêu dùng. Trên cơ sở chấm điểm tín dụng, các định chế tài chính đã chuyển từ cho phương pháp cho vay khách hàng cá nhân dựa trên quan hệ với khách hàng và đánh giá 564
  4. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 của cán bộ tín dụng sang cho vay theo giao dịch trong đó không nhất thiết phải xây dựng quan hệ với khách hàng mà sử dụng điểm tín dụng của khách hàng để quyết định có phê chuẩn một giao dịch cụ thể hay không. 3. Cơ sở lý thuyết và phương pháp nghiên cứu Phân tích hồi qui logistic là một kỹ thuật thống kê được sử dụng rộng rãi trong phân loại và dự đoán, bao gồm cả mô hình chấm điểm tín dụng cho khách hàng cá nhân... Mô hình Logistic ước lượng xác suất của khách hàng có rủi ro tín dụng dựa trên cơ sở các thông tin về khách hàng (biến độc lập). Y = 0 là khách hàng không vỡ nợ học trả nợ đúng hạn. Khi đó khách hàng được cho là “tốt”. Y = 1 là khách hàng vỡ nợ hoặc trả nợ chậm và khách hàng được cho là “xấu”. Giả sử khách hàng thứ j có các thông tin và được đặc trưng bởi một vector các biến giải Xj (X1 j , X2 j , ..., Xkj ) thích hay biến độc lập . Khi đó xác suất để khách hàng đó gặp rủi ro vỡ P(Y j 1X X) nợ được xác định bởi công thức . Mô hình Logistic ước lượng xác suất có dạng: Zi 1 e pi P(Y 1X Xi ) ( Xi ) Zi . 1 e 0 1 e (1) trong đó 𝛽0 ∈ 𝑅;  𝛽 = (𝛽1 , 𝛽2 , . . . . , 𝛽 𝑘 ); 𝑋 𝑖 = 𝛽0 + 𝛽𝑋 𝑖 . Từ kết quả ước lượng xác suất sẽ quy đổi ra điểm số tín dụng. Trong bài nghiên cứu cũng sử dụng việc quy điểm đổi theo truyền thống và lấy giá trị giữa 0 và 999. Khách hàng có điểm số tín dụng cao thường được dùng để đại diện cho rủi ro thấp và điểm thất đại diện cho rủi ro cao. Lý thuyết chi tiết về ước lượng và kiểm định mô hình Logistic có thể tìm thấy trong các tài liệu tham khảo [2]. Để lựa chọn các biến độc lập, bài viết sử dụng chỉ tiêu The weight of evidence (WOE) và Information value (IV). Đây là hai công cụ phổ biến sử dụng trong quá trình xây dựng mô hình chấm điểm tín dụng khách hàng. WOE là một phương pháp đo lường mức độ quan trọng của một biến độc lập đối với biến phụ thuộc và được xác định bởi công thức như sau: 𝐷𝑖𝑠𝑡𝑟 𝐺𝑜𝑜𝑑𝑠 𝑖 𝑊𝑂𝐸 = [𝐿𝑛 ( )] × 100. (2) 𝐷𝑖𝑠𝑡𝑟 𝐵𝑎𝑑𝑠 𝑖 Trong đó: Distr Goods: Tỷ lệ giữa số khách hàng tốt trong mỗi nhóm biến so với tổng số khách hàng tốt trong tổng thể; Distr Bads: Tỷ lệ phần trăm giữa số khác hàng xấu trong mỗi nhóm biến so với tổng số khách hàng xấu trong tổng thể. IV được sử dụng để đánh giá sức mạnh trong việc phân loại của các biến đối với biến phụ thuộc. Chỉ số IV là tổng các giá trị của WOE trên tất cả các nhóm của biến độc lập, và được xác định bởi: 𝑛 𝐷𝑖𝑠𝑡𝑟 𝐺𝑜𝑜𝑑𝑠 𝑖 𝐼𝑉 = ∑ 𝑖=1 [(𝐷𝑖𝑠𝑡𝑟 𝐺𝑜𝑜𝑑𝑠 𝑖 − 𝐷𝑖𝑠𝑡𝑟 𝐵𝑎𝑑𝑠 𝑖 )   × 𝐿𝑛 ( 𝐷𝑖𝑠𝑡𝑟 𝐵𝑎𝑑𝑠 𝑖 )]. (3) Theo Siddiqi (2006), đưa ra tiêu chuẩn của IV như sau: IV < 0.02 biến không có khả năng phân loại khách hàng Good/Bad; 565
  5. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 ● IV từ 0.02 đến 0.1 biến độc lập có khả năng phân loại yếu; ● IV từ 0.1 đến 0.3 biến độc lập có khả năng phân loại trung bình; ● IV ≥ 0.3 biến có khả năng phân loại tốt. Để đánh giá và kiểm định mô hình, nghiên cứu sử dụng hệ số Gini đo lường hiệu quả phân biệt khách hàng “tốt” và khách hàng “xấu” trong mẫu. Sử dụng đường cong Receiver Operating Characteristic (ROC) đánh giá sự phân biệt giữa các nhóm khách hàng ở các mức chấm điểm khác nhau. Ứng với mỗi nhóm khách hàng tính tỷ lệ tích lũy khách hàng “tốt” và tỷ lệ tích lũy khách hàng “xấu” và biểu diễn trên mặt phẳng tọa độ bằng một điểm có hoành độ là tỷ lệ tích lũy khách hàng tốt, tung độ là tỷ lệ tích lũy khách hàng xấu. Đường nối các điểm với nhau là đường ROC. 1 0.9 CUMULATIVE FREQUENCY OF BAD 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 0.2 0.4 0.6 0.8 1 CUMULATIVE FREQUENCY OF GOOD Hình 1: Biểu đồ dựng đường cong ROC ● Đường ROC có màu xanh ● Đường tham chiếu có màu cam ● Hệ số GINI bằng diện tích tạo bởi đường ROC và đường tham chiếu. Theo tài liệu tham khảo [4], nếu hệ số Gini nhỏ hơn 0.2 thì mô hình có khả năng dự báo kém; hệ số Gini từ 0.25 đến 0.45 thì mô hình có mức dự báo trung bình, và nếu hệ số Gini trên 0.45 mô hình được cho là tốt. 4. Các bước chấm điểm tín dụng khách hàng Mô tả và xử lý dữ liệu Nhóm nghiên cứu sử dụng dữ liệu khách hàng trong hai năm 2016 và 2017 nộp hồ sơ vay và được phê duyệt khoản vay trên trang web Lendingclub (một trong những công ty đi đầu trong lĩnh vực cho vay ngang hàng ở Mỹ cũng như trên thế giới) để xây dựng các biến và mô phỏng quy trình xây dựng mô hình chấm điểm tín dụng khi khách hàng nộp hồ sơ vay. Nhóm nghiên cứu thực hiện hâu kiểm mô hình trên dữ liệu năm 2018. Xây dựng và định nghĩa các biến Biến phụ thuộc: Trạng thái khoản vay - Loan_status. Khách hàng tốt, trả nợ đầy đủ thì Loan_status nhận giá trị bằng 0; ngược lại khách hàng vỡ nợ thì nhận giá trị bằng 1. Biến độc lập: Dữ liệu từ trang web của Lendingclub có tất cả 111 biến độc lập, tuy nhiên các biến không thuộc về dữ liệu cá nhân và không có trong hồ sơ vay sẽ được loại ra khỏi danh sách biến độc lập. Đồng thời loại các biến thiếu dữ liệu hoặc quan sát ngoại lai. 566
  6. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Kết quả có 462.426 quan sát, trong đó có 107.421 quan sát là khách hàng “xấu” với tỷ lệ là 23%. Số biến còn lại là 51 biến chia thành 3 nhóm chính: thông tin cơ bản khách hàng, dữ liệu khoản vay yêu cầu và lịch sử tín dụng. Nghiên cứu chỉ lựa chọn các biến có khả năng dự báo với IV >0.02 và thu được 16 biến có ý nghĩa kinh tế. Tên biến Mô tả IV loan_amnt Số tiền vay 0.036 term Kỳ hạn khi yêu cầu vay 0.113 installment Đợt trả góp 0.041 emp_length Thời gian làm việc 0.019 home_ownership Tình trạng sở hữu nhà 0.048 annual_inc Thu nhập hàng năm 0.03 verification_status Tình trạng xác minh thu nhập 0.069 dti Nợ trên thu nhập 1 tháng 0.014 fico_avg Điểm FICO trung bình của người đi vay 0.133 inq_last_6mths Số lần hỏi vay trong 6 tháng vừa qua 0.031 revol_util Tỷ lệ sử dụng tín dụng quay vòng 0.043 tot_cur_bal Tổng số dư hiện tại trong tài khoản 0.05 acc_open_past_24mths Số lượng giao dịch trong vòng 24 tháng 0.041 bc_util Tỷ lệ tổng số dư hiện tại với hạn mức tín dụng cao 0.045 trong tất cả các tài khoản ngân hàng num_actv_rev_tl Số lượng giao dịch xoay vòng đang xảy ra 0.037 int_rate Lãi suất khoản vay 0.481 issue_d Ngày nộp hồ sơ earliest_cr_line Ngày quan hệ tín dụng bắt đầu open_acc Số tài khoản đang mở 0.002 total_acc Số tài khoản đang mở từ khi có quan hệ tín dụng 0.002 revol_bal Tổng hạn mức tín dụng tuần hoàn của khách hàng 0.005 pub_rec Số hồ sơ tiêu cực trong báo cáo tín dụng của khách 0.005 hàng (tình trạng phá sản, nợ thuế…) deling_2yrs Số lần quá hạn trên 30 ngày của khách hàng trong 2 0.005 năm gần nhất loan_status Tình trạng khoản vay emp_title Chức vụ nghề nghiệp của người vay purpose Mục đích vay 0.016 Bảng 1: Bảng định nghĩa, phân tích và đánh giá các biến Ứng dụng mô hình Logistic phân tích ước lượng xác suất khách hàng “tốt” Analysis of Maximum Likelihood Estimates Standard Wald Pr > Chi Parameter Error Chi-Square Sq Intercept 0.00377 97852.6632
  7. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 WOE_kỳ hạn 0.0116 6589.3425
  8. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 776< - 791 23067 18046 5021 0.050 44.13% 0.046 8 7 70.02% 0.0344 791< - 805 22748 18063 4685 0.051 49.22% 0.043 6 74.38% 0.037 805< - 819 24049 19400 4649 0.054 54.68% 0.043 6 3 78.71% 0.042 819< - 832 22856 18687 4169 0.052 59.95% 0.038 6 8 82.59% 0.0424 0.054 0.035 832< - 845 23089 19312 3777 65.39% 86.11% 0.046 4 2 845< - 858 23109 19644 3465 0.055 70.92% 3 0.032 89.34% 0.0485 858< - 871 22789 19701 3088 0.055 76.47% 0.028 5 7 92.21% 0.0504 871< - 885 23385 20580 2805 0.058 82.27% 0.026 94.82% 0.0542 885< - 900 22635 20351 2284 0.057 88.00% 0.021 0.0549 3 3 96.95% 7 900< - 919 23294 21322 1972 0.060 94.00% 0.018 0 4 98.78% 0.0588 919< - 22591 21284 1307 0.060 100.00% 0.012 HIGH 0 2 100.00% 0.0596 Gini 0.3661 Bảng 3: Ước tính hệ số Gini của mô hình Nhóm nghiên cứu đánh giá hiệu suất của mô hình trên mẫu dữ liệu năm 2016 và 2017 thông qua hệ số Gini = 0.366 (cao hơn 0.25), như vậy mô hình có khả năng dự báo trung bình. Tùy thuộc vào mỗi tổ chức sẽ lựa chọn điểm cut-off cho mức xác suất để định nghĩa và phân loại các nhóm khách hàng. Nghiên cứu lựa chọn các khách hàng có điểm số dưới 600 được cho là có rủi ro cao và hệ thống nên từ chối hồ sơ của các khách hàng này. Hậu kiểm và giám sát mô hình Tập khách hàng cho vay ngang hàng ở thế giới nói chung và ở Việt Nam nói riêng liên tục thay đổi chính vì vậy việc liên tục hậu kiểm và giám sát mô hình sau một thời gian đi vào hoạt động là rất quan trọng đối với các công ty cho vay ngang hàng. Qua việc hậu kiểm giám sát định kỳ hàng tháng hàng quý, công ty cho vay ngang hàng sẽ cập nhật các mô hình mới phù hợp hơn với tệp khách hàng mới. Nhóm nghiên cứu đã sử dụng bộ số liệu năm 2018 để hậu kiểm và giám sát lại mô hình được xây dựng ở bước 3.4. 569
  9. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Hệ số gini của mẫu hậu kiểm 2018 là 0.34974 và chỉ số PSI trong bộ dữ liệu hậu kiểm là 0.027 < 0.1, mô hình có sự ổn định tốt chưa cần thay đổi mô hình, tuy nhiên có sự tăng nhẹ ở nhóm điểm cao cần phải theo dõi, kiểm tra, giám sát mô hình định kỳ theo quý. 570
  10. PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 TÀI LIỆU THAM KHẢO [1] Hei Feiyang, “Đánh giá tài liệu về rủi ro tín dụng của hoạt động cho vay P2P của Trung Quốc”, tạp chí Quốc tế về Kinh doanh và Quản lý; Tập 15, số 5, 2020. [2] Hà Văn Dương, “Cho vay ngang hàng: Cơ chế vận hành và mô hình kinh doanh”, tạp chí Thị trường Tài chính Tiền tệ số 8, 2019. [3] Nguyễn Tiến Hưng, Lê Thị Huyền Trang, “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 & Đào tạo Ngân hàng Số 193, 2018. [4] Bùi Tín Nghị và cộng sự, “Nghiên cứu hoạt động cho vay ngang hàng: Kinh nghiệm quốc tế và khuyến nghị cho Việt Nam”, đề tài cấp ngành 2021, Ngân hàng Nhà nước Việt Nam, 2022. [5] Bùi Thúy Hằng, Phạm Xuân Dũng, Phạm Thị Hoàng Anh, “Hoạt động cho vay ngang hàng tại Việt Nam”, Ngân hàng Nhà nước Việt Nam, 2022. [6] Suryo Prasetya, Prof. Ir. H. M. Roy Sembel, “Building a credit scoring model of a peer-to- peer (p2p) company for a new micro lending segment to warung that affiliated by an ecommerce platform”, South East Asia Journal of Contemporary Business, Economics and Law, Vol. 20, Issue 1 (DEC) ISSN 2289-1560, 2019. [7] Nguyễn Thị Thúy Quỳnh, Nguyễn Thị Xuân Anh, Bùi Lê Trà Linh, “Ứng dụng mô hình Logistic chấm điểm khách hàng cá nhân nộp hồ sơ vay trên Lendingclub”, Tạp chí Kinh tế đối ngoại, số 102 (1/2018), trang 63-75, 2018. [8] Đỗ Năng Thắng, “Phân loại và chấm điểm tín dụng ngân hàng sử dụng các kỹ thuật Machine Learning trên nền tảng Big Data”, tạp chí Ngân hàng, 2022. 571
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

CMO.02: Bộ Tài Liệu Quản Trị Bán Hàng Và Kênh Phân Phối
405 tài liệu
1414 lượt tải
THÔNG TIN
TRỢ GIÚP
HỖ TRỢ KHÁCH HÀNG
Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.

 

Đồng bộ tài khoản
6=>0