Nghiên cứu mô hình học máy dự đoán xác suất vỡ nợ của khách hàng doanh nghiệp tại ngân hàng thương mại cổ phần ở Việt Nam

Hùng Nguyễn Quốc; Mẫn Quan Toại; Lý Trương Thị Minh

doi:10.24311/jabes/2023.34.8.6

Các tác giả

Nguyễn Quốc Hùng Trường Đại học Kinh tế TP. Hồ Chí Minh Tác giả
Quan Toại Mẫn Ngân hàng Thương mại cổ phần Á Châu Tác giả
Trương Thị Minh Lý Trường Đại học Kinh tế TP. Hồ Chí Minh Tác giả

DOI:

https://doi.org/10.24311/jabes/2023.34.8.6

Tóm tắt

Dự đoán khả năng vỡ nợ của khách hàng trong tương lai sử dụng các công nghệ hiện đại đang là xu hướng phát triển trong các tổ chức tài chính nói chung và ngân hàng nói riêng. Điều này là cần thiết để các tổ chức tài chính có các hướng xử lý kịp thời như giảm thiểu rủi ro tín dụng, phân tích quy trình tín dụng, và tối ưu hóa danh mục tín dụng... Bài báo sử dụng các dữ liệu liên quan đến thông tin tín dụng, tài chính và đặc điểm của khách hàng doanh nghiệp tại ngân hàng để xây dựng mô hình máy học, từ đó tiến hành thử nghiệm đánh giá và lựa chọn ra một mô hình tốt nhất. Với kết quả này, ngân hàng có thể áp dụng mô hình vào thực tế để hỗ trợ quyết định kinh doanh, giúp tăng cường khả năng dự báo rủi ro tín dụng, nâng cao hiệu suất hoạt động của ngân hàng và giảm thiểu các tổn thất không mong muốn.

Tài liệu tham khảo

Boughaci, D., Alkhawaldeh, A. A. K., Jaber, J. J., & Hamadneh, N. (2021). Classification with segmentation for credit scoring and bankruptcy prediction. Empirical Economics, 61(3), 1281–1309. doi:10.1007/s00181-020-01901-8

Brownlee, J. (2020). Imbalanced Classification with Python: Better Metrics, Balance Skewed Classes, Cost-Sensitive Learning: Machine Learning Mastery.

Phạm Quốc Chiến, & Nguyễn Thị Thúy Quỳnh. (2022). Nâng cao chất lượng tín dụng bằng chấm điểm khách hàng tại Ngân hàng Nông nghiệp và Phát triển Nông thôn chi nhánh huyện Mường Ảng, Điện Biên. Tạp chí Khoa học (Trường Đại học Tây Bắc), 25, 31–36.

Addo, P.M., Guegan, D., & Hassani, B. (2018). Credit Risk Analysis Using Machine and Deep Learning Models. Computational Methods for Risk Management in Economics and Finance, 6(2), 38. doi:10.3390/risks6020038

Guegan, D., Addo, P., & Hassani, B. (2018). Credit Risk Analysis Using Machine and Deep Learning Models. Computational Methods for Risk Management in Economics and Finance, 6(2), 38. doi:10.3390/risks6020038

Hoàng Thanh Hải, Trần Đình Chúc, & Nguyễn Quỳnh Hoa. (2018). Mô hình hồi quy Logistic trong đo lường xác suất vỡ nợ khách hàng tín dụng cá nhân. Tạp chí Kinh tế & Quản trị Kinh doanh, 7, 92–100.

Đặng Thị Thu Hằng. (2019). Ứng dụng mô hình logistic trong quản trị rủi ro tín dụng. Tạp chí Thị trường Tài chính Tiền tệ, 11, 30–34.

Phi Hồng Hạnh. (2015). Đánh giá khả năng trả nợ của doanh nghệp bằng ứng dụng Mô hình Logit. Tạp chí Khoa học & Đào tạo Ngân hàng, 155, 45–51.

Gonzales, F., Haas, F., Persson, M., Toledo, L., Violi, R., Wieland, M., & Zins, C. (2004). Market dynamics associated with credit ratings: A literature review. European Central Bank Occasional Paper Series, 16.

Krawczyk, B. (2016). Learning from imbalanced data: open challenges and future directions. Progress in Artificial Intelligence, 5(4), 221–232. doi:10.1007/s13748-016-0094-0

Li, B., Xiao, B., & Yang, Y. (2021). Strengthen credit scoring system of small and micro businesses with soft information: Analysis and comparison based on neural network models. Journal of Intelligent & Fuzzy Systems, 40, 1–18. doi:10.3233/JIFS-200866

Luo, Z., Hsu, P., & Xu, N. (2020). SME default prediction framework with the effective use of external public credit data. Sustainability, 12, 7575. doi:10.3390/su12187575

Maddala, G. S. (1983). Limited-Dependent and Qualitative Variables in Econometrics. Cambridge: Cambridge University Press.

Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. Cambridge, Massachusetts, London, England: MIT press.

Nikolic, N., Zarkic-Joksimovic, N., Stojanovski, D., & Joksimovic, I. (2013). The application of brute force logistic regression to corporate credit scoring models: Evidence from Serbian financial statements. Expert Systems with Applications, 40(15), 5932–5944. doi:10.1016/j.eswa.2013.05.022

Rose, & Hudgins. (2015). Bank Management and Financial Services. New York: McGraw-Hill.

Siddiqi, N. (2016). Intelligent Credit Scoring: Building and Implementing Better Credit Risk Scorecards, Second Edition. Wiley.

Đỗ Năng Thắng, & Nguyễn Văn Huân (2019). Đề xuất cảnh báo rủi ro trong cho vay khách hàng doanh nghiệp của ngân hàng thương mại ở Việt Nam. Tạp Chí Khoa học thương mại, 131, 55–63.

Wang, Z., Jiang, C., Ding, Y., Lyu, X., & Liu, Y. (2018). A Novel behavioral scoring model for estimating probability of default over time in peer-to-peer lending. Electronic Commerce Research and Applications, 27, 74–82. doi:10.1016/j.elerap.2017.12.006

Yuan, K., Chi, G., Zhou, Y., & Yin, H. (2021). A novel two-stage hybrid default prediction model with k-means clustering and support vector domain description. Research in International Business and Finance, 59, 101536. doi:10.1016/j.ribaf.2021.101536

Zekic-Susac, M., Sarlija, N., & Benšić, M. (2004). Small business credit scoring: A comparison of logistic regression, neural network, and decision tree models. In 26th International Conference on Information Technology Interfaces, 265–270.