Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng

Mục lục

Đánh giá post

Chia sẻ chuyên mục Đề Tài Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng hay nhất năm 2024 cho các bạn học viên ngành đang làm luận văn thạc sĩ tham khảo nhé. Với những bạn chuẩn bị làm bài luận văn tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm luận văn thì với đề tài: Ứng dụng công nghệ trí tuệ nhân tạo trong hoạt động quản trị rủi ro tín dụng tại Ngân hàng Thương mại cổ phần Công Thương Việt Nam dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

TÓM TẮT LUẬN VĂN

Tiêu đề: “Ứng dụng công nghệ trí tuệ nhân tạo trong hoạt động quản trị rủi ro tín dụng tại Ngân hàng Thương mại cổ phần Công Thương Việt Nam”

Nội dung

Ngành ngân hàng là một trong những ngành trụ cột đóng vai trò vô cùng quan trọng trong hoạt động cung ứng vốn cho nền kinh tế và là công cụ để Ngân hàng Nhà Nước điều hành chính sách tiền tệ. Ngày nay, các công nghệ được xác định là nền tưởng của tương lai như: Điện toán đám mây, dữ liệu lớn, khai phá dữ liệu, trí tuệ nhân tạo, Blockchain đã có những hiệu quả vượt trội khi giải phóng sức lao động của con người, tốc độ xử lý nhanh, quy mô lớn, cắt giảm chi phí, tăng lợi nhuận. Do đó đề tài “Ứng dụng công nghệ trí tuệ nhân tạo trong hoạt động quản trị rủi ro tín dụng tại Ngân hàng Thương mại cổ phần Công Thương Việt Nam” là một trong những chủ đề rất mới hiện nay, khi hoạt động tín dụng là hoạt động mang lại lợi nhuận chủ yếu cho ngân hàng và công tác quản trị rủi ro tín dụng luôn là công tác thiết yếu của mỗi ngân hàng đặc biệt là ứng dụng công nghệ hiện đại vào quản trị rủi ro tín dụng. Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Mục tiêu của nghiên cứu này là nhằm đánh giá thực trạng triển khai hệ thống cảnh báo sớm rủi ro tín dụng và khả năng ứng dụng công nghệ trí tuệ nhân tạo trong hoạt động quản trị rủi ro tín dụng tại Ngân hàng TMCP Công Thương Việt Nam, từ đó đề xuất các giải pháp nhằm hoàn thiện hệ thống.

Các phương pháp được Tác giả sử dụng là phương pháp phân tích, thống kê mô tả, phỏng vấn các nhà quản lý để phân tích những khó khăn, thách thức trong việc ứng dụng trí tuệ nhân tạo vào hoạt động quản trị rủi ro tín dụng tại Ngân hàng TMCP Công Thương Việt Nam.

Thông qua nghiên cứu này Tác giả muốn làm rõ thực trạng hoạt động quản trị rủi ro tín dụng tại VietinBank, đề xuất các biện pháp nhằm hoàn thiện khả năng ứng dụng công nghệ trí tuệ nhân tạo vào hoạt động quản trị rủi ro tín dụng. Đồng thời, Tác giả muốn góp phần đưa ra những lý luận khoa học và những hoạt động thực tiễn để giúp ngân hàng TMCP Công Thương Việt Nam phát triển bền vững, hiệu quả.

Từ khóa: Trí tuệ nhân tạo, hệ thống cảnh báo sớm, quản trị rủi ro tín dụng.

THESIS SUMMARY

Title: “Application of artificial intelligence technology in credit risk management activities at Joint Stock Commercial Bank for Industry and Trade of Vietnam”.

Content:

The banking industry is one of the pillar industries that play an extremely important role in the supply of capital to the economy and is a tool for the State Bank to administer monetary policy. Today, technologies that are identified as the ideals of the future such as: Cloud computing, big data, data mining, artificial intelligence, Blockchain have had outstanding effects when unleashing energy. Human labor, fast processing speed, large scale, cut costs, increase profits. Therefore, the topic “Application of artificial intelligence technology in credit risk management at Joint Stock Commercial Bank for Industry and Trade of Vietnam” is one of the very new topics today, when credit is the main profit-making activity for the bank and credit risk management is always an essential task of every bank, especially the application of modern technology to credit risk management.

The objective of this study is to evaluate the status of the implementation of the credit risk early warning system and the applicability of artificial intelligence technology in credit risk management activities at Vietnam Joint Stock Commercial Bank for Industry and Trade, then proposed solutions to improve the system.

The methods used by the author are analytical methods, descriptive statistics, and interviews with managers to analyze difficulties and challenges in applying artificial intelligence to credit risk management activities. used at Vietnam Joint Stock Commercial Bank for Industry and Trade.

Through this study, the author wants to clarify the current status of credit risk management activities at VietinBank, propose measures to improve the application of artificial intelligence technology to credit risk management activities. . At the same time, the author wants to contribute to giving scientific theories and practical activities to help Vietnam Joint Stock Commercial Bank for Industry and Trade to develop sustainably and effectively.

Keywords: Artificial intelligence, early warning system, credit risk

PHẦN MỞ ĐẦU

1. LÝ DO CHỌN ĐỀ TÀI Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Trong hoạt động của ngân hàng thì hoạt động tín dụng vẫn mang tính cốt lõi và và chiếm tỷ trọng cao trong tổng lợi nhuận hàng năm của tất cả các Ngân hàng thương mại. Bên cạnh đó, Ngân hàng là tổ chức kinh tế hoạt động khá đặc thù trong lĩnh vực tài chính- tiền tệ kinh doanh tiền với mục tiêu chính vì lợi nhuận, đây là lĩnh vực vô cùng đa dạng, phức tạp, nhạy cảm và tiềm ẩn rất nhiều các rủi ro liên quan mật thiết đến tất cả các cá nhân, tổ chức, các ngành nghề trong nền kinh tế. Các ngân hàng được ví như là mạch máu của toàn bộ nền kinh tế bởi bất kỳ sự biến động được gây ra bởi hệ thống ngân hàng cũng ảnh hưởng đến toàn bộ nền kinh tế. Do ngân hàng đóng vai trò là trung gian nhận tiền gửi từ các cá nhân, hộ gia đình, tổ chức và cung cấp các dịch vụ ngân hàng cho nền kinh tế. Do đó, vấn đề đặt ra của các ngân hàng thương mại là phải thực hiện hoạt động quản trị rủi ro trong công tác tín dụng đạt được hiệu quả, mang tính toàn diện và có hệ thống. Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Trải qua gần 35 năm hình thành và phát triển. Trên chặn đường đó, Ngân hàng thương mại cổ phần Công Thương Việt Nam đã đạt được nhiều thành tựu đáng chú ý, đặc biệt phải kể đến là hoạt động quản trị tín dụng. Tính đến ngày 31/12/2021, VietinBank luôn duy trì vị trí là một trong những ngân hàng đứng đầu toàn hệ thống Ngân hàng thương mại cổ phần tại Việt Nam với các chỉ số nổi bật như sau: Tỷ lệ an toàn vốn (CAR) theo tiêu chuẩn Basel II đạt 25,91%, tỷ lệ nợ xấu thấp chỉ ở mức 1,41%; tổng dư nợ tín dụng đạt 1.141.454 tỷ đồng tăng 434.576 tỷ đồng so với thời điểm 31/12/2016. Với tầm nhìn và thực hiện những chính sách đúng đắn của Ban lãnh đạo đã giúp VietinBank đạt được các mục tiêu, chiến lược đã đề ra và chất lượng nợ vẫn đạt theo quy định của Ngân hàng nhà nước, chuẩn mực quốc tế và nằm trong sự kiểm soát của ngân hàng. Nhưng, tỷ lệ nợ xấu của VietinBank trong giai đoạn 2016-2021 có nhiều biến động và tại 31/12/2021 nợ xấu đạt 14.300 tỷ đồng. Do đó, Chúng ta cần nhìn nhận nghiêm túc trong hoạt động quản trị tín dụng của VietinBank còn tồn đọng những hạn chế cần phải khắc phục.

Hiện nay, cuộc cách mạng công nghệ số đã và đang tạo ra sự siêu kết nói trên quy mô toàn cầu, nên chính vì điều đó mà các tổ chức buộc phải ứng dụng công nghệ mới vào hoạt động kinh doanh đặc biệt là trong lĩnh vực ngân hàng. Đây là ngành đặc thù với nguồn dữ liệu khổng lồ, hệ thống cơ sở hạ tầng công nghệ thông tin phức tạp, có mối liên hệ chặt chẽ với nền kinh tế nên đòi hỏi tốc độ xử lý nhanh tiết kiệm chi phí, hoạt động quản trị rủi ro tín dụng hiệu quả nên công nghệ trí tuệ nhân tạo được xem là nền tảng của tương lai đang được nghiên cứu và triển khai tại VietinBank. Công nghệ trí tuệ nhân tạo với nhiều ứng dụng đa dạng mang tính chất đột phá vì nó được huấn luyện để nó có thể học tập và thực hiện như con người.

Chính vì những lý do đã được phân tích như trên, nên việc lựa chọn đề tài “Ứng dụng công nghệ trí tuệ nhân tạo trong hoạt động quản trị rủi ro tín dụng tại Ngân hàng thương mại cổ phần Công thương Việt Nam” là hoàn toàn phù hợp về mặt lý luận khoa học cũng như về thực tế đang được triển khai tại VietinBank. Bài luận văn này sẽ tập trung phân tích về hoạt động quản trị rủi ro tín dụng tại VietinBank thông việc ứng dụng công nghệ trí tuệ nhân tạo vào hệ thống cảnh báo sớm rủi ro tín dụng (EWS) để kiểm soát các khoản tín dụng sau vay và là cơ sở đưa các các cảnh báo về quyết định cấp tín dụng.

2. MỤC TIÊU CỦA ĐỀ TÀI

2.1 Mục tiêu tổng quát Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Luận văn đánh giá tổng thể về mặt lý luận cũng như thực tiễn công nghệ trí tuệ nhân tạo trong quản trị rủi ro tín dụng từ đó đưa ra giải pháp nhằm ứng dụng công nghệ trí tuệ nhân tạo trong quản trị rủi ro tín dụng tại Ngân hàng thương mại cổ phần Công Thương Việt Nam.

2.2 Mục tiêu cụ thể

Thứ nhất, khái quát hóa cơ sở lý luận về ứng dụng công nghệ trí tuệ nhân tạo trong quản trị rủi ro tín dụng

Thứ hai, đánh giá thực trạng ứng dụng công nghệ trí tuệ nhân tạo trong hoạt động quản trị rủi ro tín dụng tại Ngân hàng thương mại cổ phần Công Thương Việt Nam.

Thứ ba, đề xuất giải pháp nhằm hoàn thiện ứng dụng công nghệ trí tuệ nhân tạo vào việc quản trị tín dụng tại Ngân hàng thương mại cổ phần Công Thương Việt Nam.

3. CÂU HỎI NGHIÊN CỨU

Câu hỏi thứ nhất: Thực trạng triển khai hệ thống cảnh báo sớm rủi ro tín dụng tại VietinBank như thế nào?

Câu hỏi thứ hai: Thực trạng quản trị rủi ro tín dụng và khả năng ứng dụng công nghệ trí tuệ nhân tạo trong quản trị rủi ro tín dụng tạị VietinBank?

Câu hỏi thứ ba: Các giải pháp để ứng dụng công nghệ trí tuệ nhân tạo trong quản trị rủi ro tín dụng tạị VietinBank?

4. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU

4.1 Đối tượng nghiên cứu

Công nghệ trí tuệ nhân tạo trong hoạt động quản trị rủi ro tín dụng tại ngân hàng TMCP Công thương Việt Nam.

4.2 Phạm vi nghiên cứu

Phạm vi không gian: Ứng dụng công nghệ trí tuệ nhân tạo trong hoạt động quản trị rủi ro tín dụng tại ngân hàng thương mại cổ phần Công thương Việt Nam, trong đó chủ yếu tập trung Hệ thống cảnh báo sớm rủi ro tín dụng.

Phạm vi thời gian: 2016- 2022.

5. PHƯƠNG PHÁP NGHIÊN CỨU

Phương pháp định tính thông qua phỏng vấn, phương pháp so sánh, phân tích, tổng hợp:

Phương pháp phỏng vấn: Để đánh giá thực trạng ứng dụng công nghệ trí tuệ nhân tạo trong quản trị rủi ro tín dụng tại VietinBank thì tác giả đã phỏng vấn, xin ý kiến 5 nhà quản lý gồm: 01 Giám đốc trung tâm công nghệ thông tin, 02 phó Giám đốc trung tâm, 01 trưởng ban dự án dữ liệu lớn, 02 chuyên viên cao cấp Trung tâm công nghệ thông tin. Nội dung phỏng vấn:

Thứ nhất, nhu cầu cho việc ứng dụng AI vào hệ thống EWS?
Thứ hai, những khó khăn nào khi triển khai ứng dụng AI vào EWS từ đó Chi nhánh đưa ra các biện pháp ứng xử cho phù hợp?
Thứ ba, các giải pháp nào để hoàn thiện việc ứng dụng AI vào hệ thống cảnh báo sớm rủi ro tín dụng.

Phương pháp thống kê, mô tả, so sánh, phân tích, tổng hợp: nhằm khái quát hóa, trực quan hóa và hệ thống hóa các vấn đề về quản trị rủi ro tín dụng, công nghệ trí tuệ nhân tạo và ứng dụng công nghệ trí tuệ nhân tạo trong hoạt động quản trị rủi ro tín dụng. Đồng thời, thực hiện so sánh, phân tích, tổng hợp số liệu từ các báo cáo thường niên của Vietinbank.

6. TỔNG QUAN VỀ NGHIÊN CỨU

6.1. Tình hình nghiên cứu trên thế giới Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Addo và cộng sự (2018) phân tích rủi ro tín dụng dựa trên mô hình Machine learning và Deep learning, họ kiểm tra tác động trong việc lựa chọn các mô hình trí tuệ nhân tạo và Machine Learning để xác định xác suất vỡ nợ của các doanh nghiệp. Họ cũng nghiên cứu đến sự ổn định của những mô hình này có liên quan đến sự chọn lựa của tập hợp con các biến được chọn bởi mô hình, họ xây dựng bộ phân loại nhị phân dựa trên mô hình Machine Learning và học sâu trên dữ liệu thực tế để từ đó dự đoán được xác suất các khoản vay vỡ nợ. Các tính năng của mô hình này chọn lọc và sau đó sử dụng để kiểm tra tính ổn định của bộ phân loại nhị phân, bằng cách so sánh hiệu suất của chúng trên dữ liệu riêng biệt. Họ quan sát thấy rằng, các mô hình dựa trên thuật toán phân lớp cây quyết định là ổn định hơn so với các mô hình dựa trên thuật toán mạng nơ-ron nhân tạo nhiều lớp.

Chen và cộng sự (2016) đã nghiên cứu các loại mô hình trí tuệ nhân tạo để đánh giá rủi ro tín dụng, các mô hình trí tuệ nhân tạo đã được sử dụng rất đa dạng bao gồm: mô hình Machine Learning như mô hình dựa trên cây quyết định (DT), máy vectơ hỗ trợ (SVM), mô hình học sâu như mạng nơ-ron tri giác nhiều lớp (MLP). Bên cạnh đó, Tác giả cũng chỉ ra động lực thúc đẩy các ngân hàng thương mại ứng dụng trí tuệ nhân tạo vào hoạt động kinh doanh, nhưng nó cũng tồn tại các thách thức và rủi ro.

Tsai và Wu (2008) nghiên cứu về khả năng kết hợp các mô hình mạng nơ-ron (MLP) hình thành mô hình Mulitple MLP (MMLP) để tăng hiệu quả trong phân loại nợ. Nguyên tắc đưa ra cho sự kết hợp đó là phân loại đầu ra của từng mô hình đơn lẻ được tổng hợp thành đầu ra của mô hình kết hợp. Lựa chọn phân loại cuối cùng dựa trên kết quả phân loại tương tự của phần lớn các mô hình riêng lẻ. Nghiên cứu được thực hiện trên 03 bộ dữ liệu từ Đức, Úc và Nhật Bản. Mô hình kết hợp chỉ cho kết quả phân loại tổng thể tốt hơn so với mô hình đơn lẻ cho tập dữ liệu của Đức. Nghiên cứu cũng đưa ra sự so sánh giữa các mô hình theo tiêu chí tỷ lệ phân loại lỗi của các mô hình Nhưng, các lỗi này chưa được đánh giá theo chi phí phân loại lỗi để tăng tính thực tiễn trong so sánh giữa các mô hình. Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Witzany (2017) cũng có những cơ sở lý luận các mô hình rủi ro về danh mục tín dụng và mô hình CreditMetrics dựa trên sự bắt chước mô hình Monte Carlo, mô hình Creditrisk+ hình thành khung phân bổ tổn thất của danh mục mà nó hoàn toàn không thông qua mô hình Monte Carlo, mô hình Creditrisk+ để đưa vào các yếu tố vĩ mô để xác định xác xuất vỡ nợ.

Edward (2004) đã nghiên cứu và nêu ra cấu trúc của hệ thống cảnh báo sớm rủi ro tín dụng: Nguồn dữ liệu đầu vào, các bộ chỉ tiêu để đưa ra cảnh báo sớm, cách thức để thực hiện đo lường rủi ro tín dụng, nguyên tắc phân loại rủi ro tương ứng với mức độ cảnh báo. Theo tác giả thì dữ liệu đầu vào phải đủ lớn gồm cả dữ liệu định tính và dữ liệu định lượng. Acenture (2014) thì nêu quan điểm nguồn dữ liệu: đối với khách hàng thuộc phân khúc doanh nghiệp thì phải sử dụng nguồn dữ liệu định lượng dựa trên các báo cáo tài chính, tài sản đảm bảo, còn đối với khách hàng thuộc phân khúc cá nhân thì sử dụng dữ liệu định tính.

Theo nghiên cứu của Zhi-Yu và cộng sự (2011) đã sử dụng các phương pháp đo lường rủi ro tín dụng bằng những phương pháp thống kê hiện đại để xây dựng nên mô hình dự báo về rủi ro tín dụng nhằm mục đích phân khách hàng thành hai nhóm: Có tài sản bảo đảm và không có tài sản bảo đảm. Lợi ích của những mô hình cảnh báo sớm này là tiết kiệm được chi phí phân tích dữ liệu tín dụng, cơ sở để đưa ra quyết định cấp tín dụng cho khách hàng nhanh chóng, đảm bảo an toàn về vốn cho ngân hàng.

6.2. Tình hình nghiên cứu trong nước

Hiện nay, đã có nhiều công trình nghiên cứu về hoạt động quản trị rủi ro tín dụng nhưng khá ít các nghiên cứu về việc ứng dụng công nghệ trí tuệ nhân vào quản trị rủi ro tín dụng

Nguyễn Tiến Hưng (2022) cho rằng: “Ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàng Nông Nghiệp và Phát Triển Nông Thôn Việt Nam”. Nghiên đã làm rõ thực trạng quản trị rủi ro tín dụng cũng như sử dụng các mô hình trí tuệ nhân tạo: Mô hình cây quyết định (Decision tree), mô hình mạng nơ ron (Neural network) để đo lường rủi ro tín dụng dựa trên dữ liệu thực tế tại Ngân hàng Nông Nghiệp và Phát Triển Nông Thôn Việt Nam. Các mô hình được dùng để xác định xác suất vỡ nợ (PD), tỷ lệ tổn thất khi vỡ nợ (LGD), dư nợ tại thời điểm vỡ nợ (EAD) và nghiên cứu cũng đã đánh giá những ưu điểm vượt trội của các mô hình đo lường rủi ro tín dụng dựa trên trí tuệ nhân tạo so với các mô hình truyền thống.x

Đỗ Thị Thu Hà (2020) cho rằng: “Hệ thống cảnh báo sớm rủi ro tín dụng tại các ngân hàng thương mại tại Việt Nam”, bài nghiên cứu này phân tích thực trạng hệ thống cảnh báo sớm với những thành công, hạn chế và nguyên nhân để từ đó đề xuất các giải pháp nhằm hoàn thiện hệ thống cảnh báo sớm rủi ro tín dụng tại các Ngân hàng thương mại tại Việt Nam bằng phương pháp phỏng vấn chuyên gia, khảo sát qua bảng câu hỏi, với các dữ liệu thực tế được cung cấp bởi các ngân hàng thương mại.

Tạ Đình Long (2016) cho rằng: “Nâng cao năng lực quản trị quản trị rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển Nông thôn tại Việt Nam” bằng việc tổng hợp các phương pháp nghiên cứu dựa trên thực tiễn và lý luận, luận văn đã khái quát những lý luận về những rủi ro và quản trị rủi ro tín dụng tại các ngân hàng TMCP. Bên cạnh đó, luận văn cũng mô tả làm rõ những khái niệm về năng lực quản trị rủi ro và các tiêu chí để đánh giá; luận văn cũng đề cập chi tiết thực trạng hoạt động quản trị rủi ro và thực trạng quản trị rủi ro tín dụng tại Agribank trong giai đoạn từ năm 2007 đến năm 2014 về việc đáp ứng các tiêu chí đánh giá năng lực quản trị rủi ro tín dụng để từ đó đưa ra những kết quả đạt được, những hạn chế còn tồn đọng và nguyên nhân của các thực trạng năng lực quản trị rủi ro tín dụng tại Agribank. Từ đó, tác giả đã đưa ra các giải pháp để nâng cao năng lực quản trị rủi ro tín dụng của Agribank đến năm 2020. Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

6.3. Khoảng trống nghiên cứu

Trong hoạt động kinh doanh của ngân hàng thì công tác quản trị rủi ro tín dụng luôn được các ngân hàng chú trọng. Chính vì vậy, nhiều nhà nghiên cứu đã có các công trình, luận văn về quản trị rủi ro tín dụng được thực hiện sâu rộng và đa dạng về nội dung từ nhiều góc độ khác nhau. Sau khi nghiên cứu các luân văn có liên quan tác giả nhận định một số khoảng trống như sau:

Thứ nhất, các nghiên cứu trong nước hiện nay có rất ít nghiên cứu đề cập về việc ứng dụng công nghệ trí tuệ nhân tạo trong hoạt động quản trị rủi ro tín dụng mà chỉ đề cập đến một góc độ của quản trị rủi ro tín dụng như: nguyên tắc quản trị, hình thức tổ chức quản trị, quy trình quản trị và phương pháp đo lường rủi ro tín dụng.

Thứ hai, theo sự tìm hiểu của tác giả vẫn chưa có công trình nào nghiên cứu một cách toàn diện về việc ứng dụng công nghệ trí tuệ nhân tạo vào hệ thống cảnh báo sớm trong hoạt động quản trị rủi ro tín dụng tại Ngân hàng thương mại cổ phần Công Thương Việt Nam.

7. KẾT CẤU LUẬN VĂN

Ngoài phần mở đầu, phần kết luận, danh mục tài liệu tham khảo, phụ lục, thì luận văn được kết cấu gồm 3 chương như sau:

Chương 1: Cơ sở lý luận về ứng dụng công nghệ trí tuệ nhân tạo trong quản trị rủi ro tín dụng.

Chương 2: Thực trạng ứng dụng công nghệ trí tuệ nhân tạo trong hoạt động quản trị rủi ro tín dụng tại Ngân hàng thương mại cổ phần công thương Việt Nam.

Chương 3: Giải pháp ứng dụng công nghệ trí tuệ nhân tạo trong quản trị rủi ro tín dụng tại Ngân hàng thương mại cổ phần công thương Việt Nam.

CHƯƠNG 1: CƠ SỞ LÝ LUẬN VỀ ỨNG DỤNG CÔNG NGHỆ TRÍ TUỆ NHÂN TẠO TRONG QUẢN TRỊ RỦI RO TÍN DỤNG

1.1 Quản trị rủi ro tín dụng

1.1.1 Rủi ro tín dụng

1.1.1.1. Khái niệm Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Trong hoạt động kinh doanh của ngân hàng thì hoạt động tín dụng luôn mang tính cốt lỗi mang lại lợi nhuận chủ yếu nhưng nó cũng là nghiệp vụ tiềm ẩn nhiều rủi ro. Trong hoạt động tín dụng thì rủi ro về hoạt động cho vay là nguyên nhân chủ yếu gây tổn thất và ảnh hưởng nghiêm trọng đến chất lượng kinh doanh của ngân hàng.

Hiện nay, với nhiều cách tiếp cận khác nhau, các nhà khoa học, các tổ chức tài chính, ngân hàng đã đưa ra nhiều khái niệm về rủi ro tín dụng. Có thể thấy một số ví dụ điển hình như:

Bùi Diệu Anh (2016) cho rằng rủi ro tín dụng thường chỉ biến cố chậm trả hoặc không trả nợ của người đi vay so với thỏa thuận trong hợp đồng tín dụng, điều này có thể mang lại tốn thất tài chính cho ngân hàng.

Theo Ủy ban Basel II (2003) cho rằng rủi ro tín dụng là khả năng bên vay nợ ngân hàng hoặc đối tác không đáp ứng nghĩa vụ thanh toán theo các điều khoản đã thỏa thuận. Như vậy, rủi ro tín dụng phát sinh khi một hoặc các bên trong hợp đồng tín dụng không có khả năng thanh toán cho các bên còn lại. Rủi ro tín dụng có thể xảy ra bất cứ lúc nào là điều không thể tránh khỏi trong hoạt động kinh doanh của ngân hàng. Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Từ các khái niệm tham khảo qua các nghiên cứu đi trước, cùng với quan điểm của bản thân, Tác giả tóm lại khái niệm quả trị rủi ro tín dụng như sau: “Rủi ro tín dụng là loại rủi ro gây tổn thất cho ngân hàng khi khách hàng không thực hiện hoặc thực hiện không đầy đủ các nghĩa vụ thanh toán theo thỏa thuận đã ký kết với ngân hàng”.

1.1.1.2. Phân loại

Theo Bùi Diệu Anh (2016) cho rằng rủi ro được chia thành các loại sau:

Căn cứ vào hậu quả rủi ro

Rủi ro thuần túy (Pure Risk) được hiểu là khả năng thay đổi/xuất hiện những biến cố ngoài dự kiến và hậu quả của biến cố này chắc chắn làm thiệt hại cho ngân hàng (khách hàng không trả nợ vay đúng hạn…).

Rủi ro đầu cơ/kinh doanh (Speculating Risk) là khả năng xuất phát từ những biến cố ngoài dự kiến, tuy nhiên biến cố này không phải lúc nào cũng mang lại thiệt hại cho ngân hàng như rủi ro thuần túy mà kết quả của nó có thể xuất hiện hai khả năng ngược chiều: lời hoặc là lỗ. Ví dụ sự thay đổi tỷ giá, lãi suất,…. đối với kết quả kinh doanh của ngân hàng.

Căn cứ vào tính chất của rủi ro

Rủi ro tài chính (Financial Risk) là khả năng xuất hiện những biến cố bất thường mà hậu quả của nó có thể đo lường trực tiếp từ kết quả tài chính (thu thập của ngân hàng). Việc khách hàng không hoàn trả gốc và lãi, thay đổi lãi suất, tỷ giá làm cho thu nhập của ngân hàng bị giảm sút, thậm chí thua lỗ,…. là các biểu hiện của rủi ro tài chính.

Rủi ro phi tài chính (Non-financial Risk) là khả năng xảy ra những biến cố bất thường, bất lợi cho ngân hàng nhưng không thể đo lường bằng tổn thất tài chính một cách trực tiếp. Chẳng hạn như những biến cố xuất hiện trong quá tình tác nghiệp ngoài nhận thức/ ý muốn của người thực hiện (rủi ro tác nghiệp); biến cố không đáp ứng được nhu cầu rút tiền của khách hàng trong hoạt động của ngân hàng.

Căn cứ vào cách phân loại của ủy ban Basel

Rủi ro tín dụng (Credit Risk) là khả năng mà khách hàng vay hoặc bên đối tác của ngân hàng không thực hiện đúng cam kết đã thỏa thuận. Theo định nghĩa này thì rủi ro tín dụng không phải chỉ có trong hoạt động cấp tín dụng, mà hiểu rộng hơn có thể xem rủi ro tín dụng là rủi ro đối tác (Counterparty Risk). Theo đó rủi ro đối tác bao gồm trong đó nhiều loại từ rủi ro tín dụng trong quan hệ giữa ngân hàng cho vay và người đi vay, rủi ro trong các hợp đồng phái sinh mà ngân hàng tham gia, rủi ro trong việc ngân hàng đầu tư chứng khoán,…..thông qua biến cố vi phạm/ phá vỡ cam kết hợp đồng từ phía khách hàng gây bất lợi cho ngân hàng.

Rủi ro thị trường (Market Risk) là khả năng tổn thất xảy ra trong và ngoài bảng cân đối kế toán của ngân hàng, phát sinh từ các biến động giá trên thị trường. Theo Ủy Basel thì rủi ro thị trường là cộng gộp của các loại rủi ro bộ phận như rủi ro lãi suất (Interest Risk), rủi ro vốn (Equity Risk), rủi ro ngoại hối (Foreign currency Risk), rủi ro quyền chọn (Option Risk) và rủi ro hàng hóa (Commodity Risk).

Rủi ro hoạt động (Operational Risk) là rủi ro gây tổn thất do các nguyên nhân nội bộ (như quy trình, hệ thống, nhân viên vận hành không tốt, không đầy đủ) hoặc do các nguyên nhân khách quan bên ngoài. Gồm 04 nhóm cơ bản: Tài sản vật chất, con người, pháp lý và gian lận. Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Phân loại rủi ro tín dụng (Credit Risk)

Rủi ro giao dịch là loại rủi ro có tính kỹ thuật, nó bao hàm 3 loại rủi ro cụ thể: Rủi ro lựa chọn, rủi ro đảm bảo, rủi ro nghiệp vụ.

Rủi ro lựa chọn là loại rủi ro liên quan đến khâu thẩm định và phân tích khách hàng trước khi đưa ra quyết định cấp tín dụng khi tiếp nhận đề nghị vay từ phía khách hàng, do hiện tượng thông tin bất cân xứng ngân hàng luôn phải đứng trước một sự lựa chọn bất lợi đó là khả năng chấp thuận một khách hàng xấu, một khoản vay có độ an toàn thấp đồng thời với việc loại bỏ một khách hàng tốt, một khoản vay có độ an toàn cao. Sự lựa chọn không đúng là một trong các nguyên nhân đầu tiên dẫn đến việc ngân hàng phải đương đầu với khả năng không thu hồi được vốn ban đầu.

Rủi ro đảm bảo xuất phát từ các tiêu chuẩn đảm bảo cho sự an toàn của một khoản tín dụng được ngân hàng chấp thuận. Đó là các tiêu chuẩn về tài sản đảm bảo, vốn đối ứng mà khách hàng vay phải có, về những thỏa thuận trong hợp đồng tín dụng giữa ngân hàng và khách hàng vay,…. Những điều kiện này tạo tiền đề cho một mối quan hệ chặt chẽ, đầy đủ cơ sở pháp lý nhằm bảo vệ quyền lợi cho ngân hàng trong trường hợp xảy ra tranh chấp sau này. Mặc khác, chúng cũng tạo ra những rào cản kỹ thuật buộc khách hàng vay phải tuân thủ những thỏa thuận với ngân hàng trong quan hệ tín dụng, ngăn chặn những hành vi gây bất lợi cho ngân hàng xuất phát từ rủi ro đạo đức (Moral hazard) của người vay.

Rủi ro nghiệp vụ là rủi ro liên quan đến những tác nghiệp trong quá trình thực hiện giao dịch tín dụng chằng hạn như việc thiết lập và thực hiện một quy trình cấp tín dụng chặt chẽ, trải qua nhiều bước liên hoàn kể từ khi khách hàng đệ trình đề nghị vay vốn cho đến khi khoản tín dụng đó kết thúc đúng như thỏa thuận trong hợp đồng tín dụng; việc quy định và thực hiện các bước kiểm soát trong và sau khi cho vay thông qua quy trình giải ngân, quy trình xử lý nợ có vấn đề,……những sai sót trong quá trình tác nghiệp có thể làm gia tăng khả năng xảy ra rủi ro và mức độ tổn thất trong quá trình thực hiện một khoản cấp tín dụng.

Rủi ro giao dịch có thể biểu hiện ở hai mức độ dẫn đến hậu quả xấu về mặt tài chính cho ngân hàng; ngân hàng có thể bị gia tăng chi phí, giảm sút nguồn thanh khoản dự kiến (nếu mức độ chậm trả), tuy nhiên có thể dẫn đến thua lỗ và phá sản (nếu rủi ro ở mức độ khách hàng vỡ nợ, không trả được). Xuất phát từ bản chất của quan hệ tín nhiệm một yếu tố vô hình nên rủi ro tín dụng có tính tất yếu không thể triệt tiêu hoàn toàn. Vì vậy ngân hàng phải áp dụng nhiều biện pháp nhằm định lượng, kiểm soát đi đến giảm thiểu rủi ro tín dụng như hệ thống cảnh báo sớm rủi ro tín dụng.

Rủi ro danh mục là rủi ro gắn liền với một danh mục cho vay thiếu hiệu quả của ngân hàng thương mại, hậu quả của nó có thể làm cho hoạt động cho vay của ngân hàng thương mại thiếu an toàn giảm sút lợi nhuận, tổn thất cho vay vượt quá giới hạn chịu đựng của ngân hàng. Rủi ro danh mục bao gồm: Rủi ro nội tại và rủi ro tập trung.

Rủi ro nội tại xuất phát từ những đặc điểm riêng biệt của mỗi chủ thể vay vốn, mỗi ngành kinh tế, mỗi hình thức, phương thức cấp tín dụng. Có thể nói rủi ro nội tại có tính tất yếu, không thể triệt tiêu vì nó phụ thuộc về bản chất của đối tượng mà ngân hàng đầu tư, các biện pháp của ngân hàng chỉ có thể giúp kiểm soát từ đó hạn chế nó.

Rủi ro tập trung là rủi ro xuất phát từ sự thiếu đa dạng trong danh mục tín dụng của ngân hàng, đi ngược lại nguyên tắc phân tán rủi ro trong kinh doanh tiền tệ. Theo định nghĩa của Ủy ban Basel: “Rủi ro tập trung là bất kỳ rủi ro đơn lẻ hoặc nhóm rủi ro nào có khả năng tạo ra tổn thất đủ lớn liên quan đến mức vốn của ngân hàng, tài sản có của ngân hàng hoặc tổng tốn thất của ngân hàng”. Nhận xét về tầm quan trọng của rủi ro tập trung, ủy ban Basel cũng nhận định “Hoạt động cho vay là hoạt động cơ bản của hầu hết các ngân hàng nên rủi ro tín dụng cũng là loại rủi ro tập trung cơ bản nhất trong phạm vi của một ngân hàng”. Có thể nhận biết rủi ro tín dụng của một ngân hàng thông qua phân tích cơ cấu danh mục tín dụng của họ. Việc tuân thủ các giới hạn tối đa trong cấp tín dụng đối với từng khách hàng, nhóm khách hàng, từng khu vực ngành kinh tế cho thấy mức độ tập trung hay phân tán đa dạng hóa của danh mục tín dụng. Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

1.1.1.3. Ảnh hưởng của rủi ro tín dụng

Ảnh hưởng của rủi ro tín dụng đến hoạt động ngân hàng

Giảm lợi nhuận của ngân hàng: Khi rủi ro tín dụng xảy ra sẽ phát sinh các khoản nợ khó đòi, sự ứ đọng vốn dẫn đến giảm vòng quay vốn ngân hàng, phát sinh các khoản chi phí quản trị, giám sát thu hồi nợ,…. các chi phí này cao hơn các khoản thu nhập từ lãi quá hạn và lãi phạt chậm trả vì đây là những khoản thu nhập ảo, một trong những biện pháp xử lý của ngân hàng, thực tế ngân hàng rất khó có thể thu hồi đầy đủ chúng. Bên cạnh đó, ngân hàng vẫn phải trả lãi cho các khoản tiền huy động trong khi một bộ phận tài sản của ngân hàng không thu được lãi cũng như không chuyển được thành tiền cho người khác vay và thu lãi, điều đó dẫn đến giảm lợi nhuận của ngân hàng.

Giảm khả năng thanh toán của ngân hàng: Ngân hàng thường lập kế hoạch cân đối dòng tiền ra (trả lãi và gốc tiền huy động, cho vay, đầu tư mới,….) dòng tiền vào (tiền nhận gửi, thu từ nợ gốc và lãi cho vay,….) tại các thời điểm trong tương lai. Khi các hợp đồng vay không được thanh toán đầy đủ và đúng hạn dẫn đến sự không cân đối giữa hai dòng tiền. Một thực tế đang diễn ra, các khoản tiền gửi tiết kiệm của khách hàng vẫn phải thanh toán đúng kỳ hạn trong khi các khoản tiền vay của khách hàng lại không được hoàn trả đúng hạn. Nếu trường hợp ngân hàng không cho vay hoặc bán các tài sản của mình thì khả năng chi trả của ngân hàng sẽ suy yếu, dẫn đến rủi ro thanh khoản.

Giảm uy tín của ngân hàng: Trình trạng mất khả năng chi trả diễn ra nhiều lần, hay những thông tin về rủi ro tín dụng của ngân hàng được tiết lộ ra công chúng, uy tín của ngân hàng trên thị trường tài chính sẽ bị giảm sút, đây là cơ hội tốt cho các đối thủ cạnh tranh chiếm lấy thị trường và khách hàng.

Phá sản ngân hàng: Nếu khách hàng vay gặp khó khăn trong việc hoàn trả, nhất là những khoản vay lớn thì có thể dẫn đến khủng hoảng trong hoạt động của chính ngân hàng. Khi ngân hàng không chuẩn bị trước các phương án dự phòng, không đủ khả năng đáp ứng được nhu cầu rút vốn quá lớn, sẽ nhanh chóng mất khả năng thanh toán, dẫn đến sụp đổ của ngân hàng.

Ảnh hưởng của rủi ro tín dụng đối với nền kinh tế

Hoạt động của ngân hàng có liên quan đến hoạt động của toàn bộ nền kinh tế. Vì vậy, khi rủi ro tín dụng xảy ra làm phá sản một vài ngân hàng, có khả năng lây lan các ngân hàng khác tạo ra tâm lý sợ hãi trong dân chúng nên dẫn đến việc rút tiền ào ạt trước hạn. Khi các ngân hàng phá sản sẽ kéo theo một bộ phận các cá nhân, hộ gia đình, tổ chức mất vốn làm ảnh hưởng đến hoạt động sản xuất kinh doanh và đời sống người dân. Ngoài việc sản xuất kinh doanh của doanh nghiệp bị gián đoạn do thiếu vốn, người gửi tiền không lấy lại được tiền, những hậu quả này còn làm giảm niềm tin trong công chúng vào sự vững chắc và lành mạnh của hệ thống tài chính cũng như hiệu quả trong các chính sách quản lý tiền tệ của Chính phủ.

1.1.2. Quản trị rủi ro tín dụng Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Trong lĩnh vực kinh doanh của ngân hàng thương mại. Hiện nay, với nhiều cách tiếp cận khác nhau, các nhà khoa học, các tổ chức tài chính, ngân hàng đã đưa ra nhiều khái niệm quản trị rủi ro tín dụng. Có thể kể đến một số khái niệm điển hình:

Theo Afriyie và Akotey (2013) cho rằng quản trị rủi ro tín dụng là cách tiếp cận những nhằm thực hiện việc quản lý những hoạt động tín dụng thông qua việc đánh giá rủi ro và xây dựng nên những chiến lược quản trị để giảm thiểu những rủi ro xảy ra. Hoạt động này bao gồm chuyển giao rủi ro, giảm thiểu tác động của rủi ro và chấp nhân một phần hoặc toàn bộ rủi ro xảy ra.

Theo Ủy ban Basel (Năm 2016) cho rằng, quản trị rủi ro tín dụng là việc thực hiện các biện pháp tối đa hóa tỷ suất sinh lời điều chỉnh theo rủi ro tín dụng bằng cách duy trì số dư tín dụng trong phạm vi các tham số cho phép. Khái niệm về quản trị rủi ro tín dụng của Ủy ban Basel đã làm rõ được vấn đề đó là mục đích của quản trị rủi ro tín dụng là tối đa hóa lợi nhuận dựa trên cơ sở đảm bảo tổn thất do rủi ro tín dụng gây ra nằm trong giới hạn mà ngân hàng có thể chấp nhận được.

Theo tài liệu hướng dẫn quản trị rủi ro tín dụng của MAS (2013): “Quản trị rủi ro tín dụng là quá trình nhận diện, đo lường, đánh giá, giám sát, kiểm soát và báo cáo rủi ro tín dụng trong một khoản thời gian nhất định, trên cơ sở đó đảm bảo vốn để chống đỡ rủi ro tín dụng đã xác định”.

Theo khung năng lực quản trị rủi ro tín dụng của ngân hàng Standard Charter (2012) “Quản trị rủi ro tín dụng là quá trình thông qua thiết lập khung các chính sách và thủ tục nhằm kiểm soát việc đo lường và quản lý rủi ro tín dụng”.

Theo tổ chức Moody’s Analylics (2015): “Quản trị rủi ro tín dụng là quá trình thực hiện các biện pháp nhằm giảm tổn thất bằng cách hiển một cách đầy đủ nhằm kiểm soát việc đo lường và quản trị rủi ro tín dụng trong một khoảng thời gian nhất định”, theo quan điểm này, quản trị rủi ro tín dụng thực chất là quản lý vốn và dự phòng cho rủi ro tín dụng.

Do đó có thể thấy rằng, khái niệm về quản trị rủi ro tín dụng có nhiều cách tiếp cận và các ý kiến, các quan điểm không hoàn toàn giống nhau. Nhưng, tất cả điều có điểm chung cho rằng quản trị rủi ro tín dụng tập trung vào thực hiện các chiến lược và chính sách, các biện pháp nhằm hạn chế rủi ro tín dụng, từ đó hướng đến mục tiêu kinh doanh của Ngân hàng thương mại.

Như vậy, qua tham khảo các nghiên cứu đi trước, cùng với quan điểm của bản thân, Tác giả xin tóm lại khái niệm quản trị rủi ro tín dụng là toàn bộ những nội dung liên quan đến việc nhận diện, đo lường rủi ro tiềm ẩn mà ngân hàng phải đối mặt, đồng thời lựa chọn và thực thi những biện pháp hoặc công cụ thích hợp nhằm kiểm soát, xử lý và hạn chế rủi ro tín dụng để từ đó hướng đến mục tiêu đảm bảo an toàn vốn và tối đa hóa lợi nhuận cho Ngân hàng.

1.1.2.1. Mô hình quản trị rủi ro tín dụng Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Theo cách tiếp cận của Ủy ban Basel thì quản trị rủi ro tín dụng tại các Ngân hàng phải tập trung vào các vấn đề cơ bản như sau:

Thứ nhất, thiết lập được giới hạn chấp nhận rủi ro tín dụng trên cơ sở mục tiêu chiến lược về rủi ro tín dụng trong từng giai đoạn nhất định.

Thứ hai, thiếp lập các chính sách, quy trình, thủ tục, trong đó xác lập trách nhiệm, quyền hạn cụ thể cho các bộ phận liên quan để đảm bảo rủi ro tín dụng luôn trong mức độ chấp nhận đã xác định của ngân hàng.

Thứ ba, đảm bảo đủ vốn và dự phòng cho rủi ro tín dụng đã xác định nhằm giảm thiểu tốn thất tín dụng.

Hình 1.1: Mô hình quản trị rủi ro tín dụng

Bộ phận quản trị tín dụng là bộ phận chịu trách nhiệm quản lý các khoản vay.

Nó liên quan đến việc xử lý tất cả các tài liệu liên quan đến khoản vay.

Đánh giá tín dụng là quá trình kiểm tra, thẩm định người vay và sau đó điều chỉnh lại các điều khoản trong hợp đồng tín dụng cho phù hợp. Sau khi thỏa thuận cho vay đã được giải quyết, có những đánh giá thường xuyên để kiểm tra khả năng thanh toán của người vay. Khách hàng càng rủi ro thì việc đánh giá sẽ được thực hiện thường xuyên hơn. Đánh giá tín dụng cũng có thể được hiểu là định giá lại khoản vay, điều chỉnh các kỳ hạn thanh toán hoặc gia hạn tín dụng.

Sau khi khoản tín dụng được cấp bộ phận chịu trách nhiệm quản trị tín dụng sẽ nhập các tài liệu vào hệ thống Corebank và chuyển chúng thành dữ liệu của ngân hàng. Hoạt động kiểm soát sau vay để đánh giá xem người đi vay có đáp ứng nghĩa vụ của mình hay không và hợp đồng cho vay có còn thực tế hay không. Bộ phận giám sát tín dụng chịu trách nhiệm theo dõi tín dụng, xử lý dữ liệu để theo dõi hoặc phát hiện người đi vay sụt giảm/ mất khả năng tài chính. Mục đích chính của bộ phận này là giám sát danh mục cho vay hiện tại, xử lý dữ liệu của tất cả các khoản nợ và chuẩn bị các báo cáo nhất định. Phát hiện các khách hàng có khả năng chuyển nợ nhóm và theo dõi liên lạc với nhóm kinh doanh nhất định hoặc trong trường hợp xấu hơn sẽ liên hệ với bộ phận tái cấu trúc tín dụng và xử lý nợ.

1.1.2.2. Nội dung giám sát Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Kiểm tra các khoản thanh toán gốc và lãi theo các diều kiện trong văn bản tín dụng, phân tích hành vi của khách hàng, kiểm soát sau vay và liên hệ trực tiếp với khách hàng và đánh giá hoạt động sản xuất kinh doanh, đánh giá tác động của việc ứng dụng tín dụng mới đối với các khoản vay hiện tại. Thu thập thông tin tài chính trực tiếp từ khách hàng. Từ đó, phát hiện ra các dấu hiện suy giảm khả năng tài chính

Tóm lại, kết quả quan trọng nhất của quá trình giám sát tín dụng cần đạt được là cảnh báo sớm mức độ rủi ro của từng khoản vay một cách kịp thời và chính xác. Như vậy, hệ thống cảnh báo sớm rủi ro tín dụng là một cấu phần quan trọng của hệ thống giám sát tín dụng và quản trị rủi ro tín dụng tại các ngân hàng thương mại, đặc biệt tại Ngân hàng TMCP Công Thương Việt Nam.

1.2. Công nghệ trí tuệ nhân tạo

1.2.1. Khái niệm

Ongsulee (2017) cho rằng trí tuệ nhân tạo (Artificial intelligence- AI) và các kỹ thuật Machine Learning tạo thành cốt lõi của trí tuệ nhân tạo sẽ tạo ra một cuộc cách mạng công nghệ trong hoạt động quản trị rủi ro tài chính. Mọi thứ liên quan đến việc hiểu và kiểm soát rủi ro đều phụ thuộc vào sự phát triển của các giải pháp dựa trên AI: Từ việc quyết định số tiền ngân hàng nên cho khách hàng vay đến việc cung cấp các tín hiệu cảnh báo cho các nhà giao dịch thị trường tài chính về vị thế rủi ro, đến phát hiện khách hàng suy giảm về khả năng trả nợ, gian lận nội bộ, cải thiện sự tuân thủ và giảm rủi ro mô hình.

Theo Latimore (2018) định nghĩa trí tuệ nhân tạo là kỹ thuật đưa ra các suy luận và quyết giống như con người. Hiện nay, trí tuệ nhân tạo chưa được ứng dụng rộng rãi do những hạn chế về mặt công nghệ nên công nghệ này chỉ được áp dụng đối với các công việc được lặp đi lặp lại và các tình huống đã xảy ra.

Hình 1.3: Mối quan hệ giữa AI, Machine Learning và Deep Learning

Trí tuệ nhân tạo đây là một lĩnh vực rất rộng lớn, với mục đích nhằm gaiir quyết những vấn đề thay thế sức lao động của công người và những vấn đề mà con người chưa giải quyết được. Trí tuệ nhân tạo xuất phát từ sự tưởng tượng của con người về hệ thống máy móc có thể nhận thức và hoạt động mô phỏng các quá trình thông minh của con người và sau đó các mô hình, thuật toán, kỹ thuật được phát triển từ Machine Learning đến Deep Learning. Trong đó, Machine Learning được hiểu là các kỹ thuật sử dụng các phương pháp thống kê giúp cho máy móc có khả năng tự học, cải tiến thông qua các dữ liệu lịch sử, còn Học sâu là lĩnh vực con của Machine Learning có cấu trúc được mô phỏng như mạng noron nhiều lớp được lấy ý tưởng từ cấu trúc của bộ não con người.

Trí tuệ nhân tạo đang được nghiên cứu và ứng dụng trong nhiều lĩnh vực khác như Quân sự, thương mại điện tử, mạng xã hội, y học, hàng không vũ trụ, công nghiệp ôtô, điện tử viễn thông. Nhưng trong lĩnh vực ngân hàng thì các ứng dụng của trí tuệ nhân tạo còn nhiều hạn chế do yêu cầu về bảo mật thông tin của khách hàng

1.2.2. Trí tuệ nhân tạo trong quản trị rủi ro tín dụng Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Theo theo WB (2019) ứng dụng trí tuệ nhân tạo trong quản trị rủi ro tín dụng được chia thành 03 loại bao gồm: Học có giám sát, học không giám sát và các kỹ thuật khác.

Các thuật toán học có giám sát: là cách huấn luyện một mô hình trong đó nguồn dữ liệu đầu vào (biến độc lập) và cho ra dữ liệu đầu ra (biến phụ thuộc) tương ứng với nhau. Mô hình được huấn luyện bằng cách giảm thiểu phát sinh các lỗi của các dự đoán trong hoạt động huấn luyện được lặp đi lặp lại. Sau khi trải qua quá trình huấn luyện từ nguồn dữ liệu thì mô hình sẽ có khả năng dự đoán đối với nguồn dữ liệu mới so với nguồn dữ liệu đã được huấn luyện ban đầu. Nếu không gian của mô hình được biểu diễn dưới dạng liên tục thì đây là bài toán hồi quy, còn nếu rời rạc thì được gọi là bài toán liên tục. Những mô hình trí tuệ nhân tạo được sử dụng với mục tính để dự đoán mạnh mẽ từ nguồn dữ liệu ban đầu được huấn luyện thì nó là những mô hình quan trọng nhất được sử dụng trong hoạt động quản trị rủi ro tín dụng.

Các thuật toán học không giám sát: đây là cách huấn luyện một mô hình trong đó nguồn dữ liệu học tập chỉ có dữ liệu đầu vào mà không có dữ liệu đầu ra. Mô hình này sẽ được huấn luyện để tìm ra các mối liên hệ và cấu trúc giữa các dữ liệu đầu vào với nhau. Các mô hình của kỹ thuật này thường được sử dụng để tìm kiếm và phân loại các nhóm khách hàng tiềm năng.

Các thuật toán học khác có liên quan: hiện nay có rất nhiều nguồn dữ liệu phi cấu trúc hình ảnh và ngôn ngữ tự nhiên, những nguồn dữ liệu này không thể đưa vào mô hình học có giám sát hoặc học không giám sát để huấn luyện mà cần được chuyển đổi. Các thuật toán được áp dụng như: thuật toán học tăng cường, xử lý ngôn ngữ tự nhiên, trích xuất thuộc tính tự động.

Trí tuệ nhân tạo với nhiều thuật toán đa dạng nên có thể tham gia hầu hết vào quá trình quản trị rủi ro tín dụng. Ứng dụng trí tuệ nhân tạo vào hoạt động quản trị rủi ro tín dụng được diễn ra thông qua quy trình quản trị rủi ro tín dụng gồm 04 hoạt động như sau: Nhận diện rủi ro tín dụng, đo lường rủi ro tín dụng, giám sát rủi ro tín dụng, báo cáo rủi ro tín dụng.

Nhận diện và đo lường rủi ro tín dụng: thì các thuật toán AI sẽ thu thập và xử lý nguồn dữ liệu đầu vào từ các nguồn như hệ thống CoreBanking, các hệ thống VCRM, kênh ngân hàng điện tử là Efast và Ipay, mạng xã hội chứa các dữ liệu của khách hàng đã được số hóa. Các thông tin của khách hàng sẽ được thuật toán dán nhãn nhận diện mức độ rủi ro để từ đó các mô hình AI có thể đưa ra các dự đoán về rủi ro tín dụng. Do đó, trong hoạt động cảnh báo sớm rủi ro tín dụng hay đo lượng rủi ro tín dụng thì các ngân hàng phải sử dụng các thuật toán AI học có giám sát.

Giám sát rủi ro tín dụng: Đây là hoạt động rất phức tạp vì nó liên quan đến chính sách tín dụng nội bộ của ngân hàng, môi trường kinh tế vĩ mô, định hướng tín dụng từng thời kỳ. Do đó, để giám sát rủi ro tín dụng đối với nguồn dữ liệu đầu vào phức tạp và luôn thay đổi thì các ngân hàng phải sử dụng các mô hình AI học tăng cường là lựa chọn phù hợp nhất. Thuật toán này sẽ được huấn luyện dựa trên nguyên tắc học tập khắc phục những phép thử- sai đã gặp phải, mô hình này sẽ tự đưa ra quyết định có độ chính xác như các chuyên gia quản trị rủi ro tín dụng với nguồn dữ liệu lớn nhưng tiết kiệm chi phí, thời gian.

Báo cáo rủi ro tín dụng: Trí tuệ nhân tạo có thể tham gia vào kết xuất báo cáo tự động. Do đó, các thuật toán được áp dụng để xử lý vấn đề này là: thuật toán xử lý ngôn ngữ tự nhiên (Natural Language Generation), Tự động trích xuất thuộc tính (Automated Feature Engineering) để chuyển chúng sang văn bản hoặc giọng nói. Báo cáo rủi ro tín dụng có độ phức tạp càng cao thì mức độ thu thập và xử lý dữ liệu của thuật toán càng lớn. Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

1.2.3. Các kỹ thuật

1.2.3.1. Kỹ thuật phân lớp

Kỹ thuật phân lớp là một trong những kỹ thuật phổ biến nhất hiện nay: quản lý rủi ro hay lựa chọn ảnh quảng cáo nào sẽ xuất hiện đối với mỗi nhóm khách hàng, hay phân tích xem nhóm khách hàng nào có khả năng sẽ chuyển sang dùng sản phẩm dịch vụ của đối thủ cạnh tranh của công ty.

Kỹ thuật phân lớp là dữ liệu được tổ chức trong các lớp cho trước, hay còn gọi là học số quan sát. Trong kỹ thuật người ta sử dụng các nhãn lớp cho trước để sắp xếp các đối tượng mà trong đó một tập huấn luyện bao gồm các đối tượng đã được kết hợp với các nhãn đã biết. Những thuật toán có quan sát sẽ được áp dụng cho tập các đối tượng cần phân loại để từ đó có thể hình hóa sự phân lớp của dữ liệu.

1.2.3.2. Kỹ thuật bài toán hồi quy

Kỹ thuật bài toán hồi quy cũng tương tự như kỹ thuật phân lớp. Điểm khác biệt là hồi quy dự đoán cho các dữ liệu liên tục.

1.2.3.3. Kỹ thuật phân cụm

Là các nhãn lớp chưa biết và không có dữ liệu huấn luyện và đối tượng được phân cụm dựa trên các thuộc tính tương đồng giữa chúng, bài toán phân cụm còn được gọi là học không có quan sát.

1.2.4. Các thuật toán phân lớp Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

1.2.4.1. Thuật toán Rừng ngẫu nhiên (Random Forest)

Phân lớp rừng ngẫn nhiên đây là một công cụ ước tính phù hợp với một số cây quyết định trên các mẫu dữ liệu con khác nhau và sử dụng trung bình để cải thiện độ chính xác dự đoán của mô hình và kiểm soát sự phù hợp quá mức. Cỡ mẫu phụ luôn giống với cỡ mẫu đầu vào ban đầu nhưng các mẫu được vẽ thay thế.

Ưu điểm là giảm phân lớp rừng phù hợp quá mức và ngẫu nhiên là chính xác hơn so với cây quyết định trong hầu hết các trường hợp. Nhược điểm là dự đoán thời gian thực chậm, khó thực hiện và thuật toán phức tạp.

1.2.4.2. Thuật toán hồi quy logistic

Hồi quy logistic là đối tác phân loại với hồi quy tuyến tính dự đoán được ánh xạ từ 0 đến 1 thông qua hàm logistic, có nghĩa là dự đoán có thể được hiểu là xác suất của lớp. Bản thân các mô hình vẫn là tuyến tính, vì vậy chúng hoạt động tốt khi các lớp của bạn có thể phân tích tuyến tính (nghĩa là chúng có thể được phân tách bằng một bề mặt quyết định duy nhất). Hồi quy logistic cũng có thể được thường xuyên hóa bằng cách xử phạt các hệ số với cường độ hình phạt có thể điều chỉnh.

Ưu điểm là đầu ra có một diễn giải xác suất tốt và thuật toán có thể thường xuyên hóa để tránh bị quá mức. Các mô hình logistic có thể được cập nhật dễ dàng với dữ liệu mới bằng cách sử dụng gốc dốc ngẫn nhiên. Nhược điểm là hồi quy logistic có xu hướng hoạt động kém khi có nhiều ranh giới quyết định phi tuyến tính.

Họ không đủ linh hoạt để tự nhiên nắm bắt các mối quan hệ phức tạp hơn.

1.2.4.3. Thuật toán cây quyết định

Cây quyết định hay còn được gọi là cây hồi quy, học theo kiểu phân cấp bằng cách liên tục chia dữ liệu thành các nhánh riêng biệt để từ đó tối đa hóa mức độ tăng thông tin của mỗi lần phân tách và cấu trúc phân nhánh này cho phép cây hồi quy tự học các mối quan hệ phi tuyến tính. Các phương thức học tập đồng bộ, chẳng hạn như rừng ngẫu nhiên và máy tăng cường độ dốc (Gradient boosting machine) kết hợp các dự đoán từ nhiêu cây riêng lẻ. Trên thực tế, rừng ngẫu nhiên hoạt động rất tốt trong khi máy tăng cường độ dốc lại khó điều chỉnh nhưng lại có hiệu suất cao hơn.

Ưu điểm là cây quyết định có thể học các mối quan hệ phi tuyến tính và khá mạnh mẽ đối với các ngoại lệ. Nhược điểm là không bị giới hạn, các cây riêng lẻ dễ bị quá mức vì chúng có thể tiếp tục phân nhánh cho đến khi chúng ghi nhớ dữ liệu đào tạo.

1.2.4.4. Thuật toán Navie Bayes Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Phân lớp xác suất là thuật toán dựa trên xác suất và số điếm có điều kiện, về cơ bản thì mô hình thật sự là một bảng xác xuất được cập nhật thông qua dữ liệu đào tạo để dự đoán một quan sát mới và chỉ cần tra cứu xác suất của lớp trong bảng xác suất dựa trên các giá trị tính năng của nó. Thuật toán được gọi là “ngây thơ” bởi vì giả định cốt lỗi của nó về sự độc lập có điền kiện nghĩa là tất cả các tính năng đầu vào là độc lập với nhau, hiếm khi đúng trong thới giới thật.

Ưu điểm là mặc dù giả định độc lập có điều kiện hiếm khi đúng, các mô hình phân lớp xác xuất thực sự hoạt động tốt đáng ngạc nhiên trong thực tế, đặc biệt là chúng đơn giản, dễ thực hiện và có thể mở rộng quy mô với tập dữ liệu. Nhược điểm là do tính đơn giản tuyệt đối của chúng, các mô hình phân lớp xác xuất thường bị đánh bại bởi các mô hình được đào tạo và điều chỉnh đúng cách bằng các thuật toán ở phần trên. Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

1.2.4.5. Thuật toán máy vector hỗ trợ

Các máy vector sử dụng một cơ chế được gọi là hạt nhân về cơ bản tính khoảng cách giữa hai quan sát. Thuật toán máy vector hỗ trợ sau đó được tìm thấy một ranh giới quyết định tối đa hóa khoảng cách giữa các thành viên gần nhất của các lớp riêng biệt.

Ưu điểm là có thể mô hình hóa các ranh giới quyết định phi tuyến tính và có nhiều hạt nhân để lựa chọn. Chúng cũng khá mạnh mẽ để chóng lại quá mức, đặc biệt là trong không gian đa chiều. Nhược điểm là thuật toán rất tốn bộ nhớ, khó điều chỉnh do tầm quan trọng của việc chọn đúng nhân hệ điều hành (Kernel) và không mở rộng tốt cho các bộ dữ liệu lớn hơn. Hiện tại trong ngành thì rừng ngẫn nhiên được sử dụng nhiều hơn so với máy vector hỗ trợ.

1.2.4.6. Thuật toán Stochastic Gradient Descent

Đây là một cách tiếp cận đơn và rất hiệu quả để phù hợp với các mô hình tuyến tính. Với kỹ thuật toán này nó phát huy tối đa khi số lượng mẫu rất lớn và nó hỗ trợ các chức năng mất khác nhau, hình phạt để phân lớp. Ưu điểm là hiệu quả, dễ thực hiện. Nhược điểm là yêu cầu một số siêu tham số và nó nhạy cảm với tính năng mở rộng.

1.3. Hệ thống cảnh báo sớm Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

1.3.1. Khái niệm

Theo ủy ban Basel (2016) đưa ra kiến nghị các ngân hàng thương mại cần xây dựng hệ thống cảnh báo sớm rủi ro tín dụng, trong đó cần có hệ thống theo dõi điều kiện của từng khoản tín dụng, bao gồm mức độ đầy đủ của dự phòng và dữ liệu. Khuyến khích các ngân hàng phát triển và sử dụng hệ thống xếp hạng tín dụng nội bộ trong quản trị rủi ro tín dụng. Ngân hàng cần có hệ thống thông tin và các kỹ thuật phân tích để đo lường được rủi ro tín dụng trong mọi hoạt động nội bảng và ngoại bảng; phải có hệ thống theo dõi cơ cấu nợ và chất lượng của toàn danh mục đầu tư tín dụng và cần có hệ thống cảnh báo đối với các khoản tín dụng có nguy cơ chuyển nợ xấu, quản lý các khoản tín dụng có vấn đề. Như vậy, theo Ủy ban Basel thì các ngân hàng cần xây dựng hệ thống cảnh báo sớm rủi ro tín dụng là “Hệ thống theo dõi điều kiện của từng khoản tín dụng, sử dụng hệ thống thông tin và các kỹ thuật phân tích đo lường rủi ro tín dụng để đánh giá chất lượng tín dụng của từng khoản vay và của cả danh mục, khắc phục sớm rủi ro tín dụng đối với các khoản vay có vấn đề”.

Nghiên cứu của Peiris (2016) cũng đưa ra một khái niệm về hệ thống cảnh báo sớm: “Hệ thống cảnh báo sớm rủi ro tín dụng (EWS) là tập hợp các quy trình được hướng dẫn để xác định rủi ro ở giai đoạn sớm. Hệ thống giám sát và cảnh báo rủi ro tín dụng hiệu quả có thể giảm 10%-20% tổn thất các khoản vay của Ngân hàng”.

Ngoài ra, hệ thống cảnh báo sớm rủi ro tín dụng còn có chức năng: Theo dõi việc triển khai và hoàn thành các biện pháp ứng xử đối với khách hàng thuộc diện cảnh báo, báo cáo tự động hỗ trợ công tác quản lý danh mục khách hàng, lưu trữ cơ sở dữ liệu và thông tin liên quan đến việc thực hiện cảnh báo sớm.

1.3.2. Mục đích của hệ thống cảnh báo sớm rủi ro tín dụng Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Hệ thống cảnh báo sớm rủi ro tín dụng với những khái niệm được đưa ra như trên được hiểu là một chương trình kiểm tra, giám sát, đánh giá tính tuân thủ của khách hàng và đơn vị kinh doanh sau khi cấp tín dụng, hệ thống cảnh báo đối với các trường hợp có dấu hiệu rủi ro và có thể chuyển nhóm nợ cao hơn để đưa ra các biện pháp ứng xử kịp thời nhằm giảm tỷ lệ nợ chuyển nhóm. Như vậy, hệ thống cảnh báo sớm rủi ro tín dụng tại các ngân hàng có những mục đích như sau:

Thứ nhất, đưa ra công cụ hỗ trợ trong việc phát hiện, kiểm soát, cảnh báo sớm rủi ro tín dụng. Hệ thống này hoạt động với mục đích nhận dạng, phát hiện sớm các khoản nợ tiềm ẩn rủi ro.

Thứ hai, đánh giá khách hàng sau khi cấp tín dụng, phân loại danh mục khách hàng vay để đưa ra biện pháp ứng xử kịp thời nhằm đảm bảo an toàn vốn cho ngân hàng.

Thứ ba, hệ thống nhằm hỗ trợ đơn vị kinh doanh tại các ngân hàng nâng cao kiểm soát chất lượng nợ thông qua việc đánh giá thường xuyên và quản lý danh mục khách hàng sau cho vay như: Tìm hiểu, phát hiện, đánh giá các sự kiện có ảnh hưởng không tốt đến tình hình hoạt động kinh doanh của khách hàng.

Thứ tư, hướng dẫn trình tự, thủ tục thực hiện, trách nhiệm của các bộ phận có liên quan trong việc nhận diện, giám sát và phân luồng xử lý trong trường hợp khách hàng có dấu hiệu chuyển nhóm nợ. Đồng thời, hệ thống cũng thực hiện việc theo dõi, cảnh báo tính tuân thủ của các đơn vị kinh doanh trong việc thực hiện kiểm tra giám sát sau cho vay.

1.3.3. Cấu trúc của hệ hống cảnh báo sớm

1.3.3.1. Cơ sở dữ liệu đầu vào

Để có một hệ thống cảnh báo sớm rủi ro tín dụng hiệu quả, các ngân hàng thương mại phải có cơ sở dữ liệu đầu vào lớn và chính xác.

Theo kinh nghiệm của các ngân hàng thương mại ở các nước phát triển, khi đã xây dựng được hệ thống cảnh báo sớm hiệu quả thì cơ sở dữ liệu của hệ thống cảnh báo sớm đòi hỏi phải có thông tin toàn diện về tất cả các yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng vay vốn. Cơ sở dữ liệu này cần bao gồm dữ liệu định tính về các vấn đề: nhân sự của khách hàng, kế hoạch kinh doanh của khách hàng, các thay đổi từ các yếu tố vĩ mô như chính sách của chính phủ, công nghệ…và các dữ liệu định lượng cả bên trong và bên ngoài ngân hàng. Dữ liệu bên trong ngân hàng như: thời gian quá hạn thanh toán, thông tin thương mại bất lợi cho khách hàng. Dữ liệu bên ngoài Ngân hàng như: vấn đề sa sút hoạt động kinh doanh của khách hàng được phản ánh ở cả khía cạnh tài chính và phi tài chính.

Để xây dựng hệ thống cảnh báo sớm rủi ro tín dụng, ngoài yêu cầu về tính đầy đủ, đồng bộ của thông tin, nguồn thông tin cần thỏa mãn các yếu tố về tính sẵn có, giá trị sử dụng, độ tin cậy.

1.3.3.2. Hệ thống chỉ tiêu và ngưỡng cảnh báo sớm

Theo định nghĩa của Edwards (2004): “Chỉ tiêu cảnh báo sớm là dấu hiệu cảnh báo khách hàng có khả năng phát sinh rủi ro, có thể ảnh hưởng đến khả năng trả nợ của khách hàng”.

Các chỉ tiêu cảnh báo sớm luôn xuất hiện trước khi khách hàng mất khả năng thanh toán, vì vậy cán bộ tín dụng cần thường xuyên theo dõi các dấu hiệu rủi ro, phân tích, đánh giá mức độ ảnh hưởng của các dấu hiệu rủi ro đến khả năng trả nợ của khách hàng để kịp thời có các biện pháp xử lý rủi ro. Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Tiêu chí cảnh báo sớm được sử dụng trong hệ thống bao gồm hai loại:

Các chỉ số cảnh báo nội bộ từ hệ thống (tự động): Các chỉ tiêu về lưu chuyển tiền đến tài khoản tại ngân hàng. Các chỉ tiêu về tỷ lệ sử dụng hạn mức tại ngân hàng. Các chỉ số về quá khứ đến hạn tại ngân hàng .

Chỉ báo từ nguồn bên ngoài (bán tự động/thủ công): Thông tin từ các trung tâm thông tin tín dụng. Kiểm tra định kỳ sau khi cho vay được thực hiện bởi cán bộ tín dụng, lãnh đạo phòng, ban giám đốc. Rủi ro phát sinh được phát hiện bởi bất kỳ bộ phận nào của hệ thống ngân hàng.

Hệ thống chỉ tiêu và ngưỡng cảnh báo sớm rủi ro tín dụng đối với khách hàng cá nhân

Nhóm chỉ tiêu về tình hình quan hệ giao dịch/ tín dụng của khách hàng.

Chỉ tiêu nợ quá hạn: Chỉ tiêu này được đo lường bằng số ngày có nợ quá hạn. Thông thường, các khoản nợ có thời gian quá hạn dưới 10 ngày được đánh giá là rủi ro thấp, số ngày quá hạn càng lớn thì rủi ro càng cao. Các ngân hàng ưa thích rủi ro có thể đánh giá thời gian quá hạn từ 10 ngày đến dưới 30 ngày hoặc 60 ngày là các khoản cho vay có rủi ro trung bình, sau đó là rủi ro cao. Tần suất nợ quá hạn gần đây: chỉ tiêu này được đo lường bằng số lần quá hạn. Nợ quá hạn của khách hàng càng nhiều lần phát sinh trong một khoảng thời gian nhất định theo quy định của ngân hàng thương mại thì mức độ rủi ro càng cao. Thái độ và ý thức của khách hàng: chỉ tiêu này được đánh giá bằng việc tuân thủ các cam kết với tổ chức cho vay, tuân thủ các quy định của hợp đồng và sự hợp tác với tổ chức cho vay trong thời gian cho vay. Nhóm chỉ tiêu về tình hình môi trường/ngành nghề kinh doanh thay đổi

Ngành, nghề sản xuất kinh doanh chính của khách hàng có chuyển biến xấu: Khách hàng hoạt động sản xuất kinh doanh ngành nghề đang gặp khó khăn; Khách hàng bị tai nạn, bị trộm cắp, cháy nổ. Khách hàng chuyển đổi ngành nghề kinh doanh chính: cần đánh giá xem khách hàng chuyển sang ngành nghề mới có thuộc đối tượng không được cấp tín dụng hay không.

Nhóm chỉ tiêu về tình hình trả nợ của khách hàng và người có liên quan

Khách hàng bị giảm thu nhập và/hoặc tăng chi phí: Rủi ro đối với nguồn trả nợ của khách hàng được đánh giá thông qua thu nhập từ tiền lương, lợi nhuận, … và các khoản chi phí bất thường, phát sinh mới nhưng có tính chất thường xuyên. Khi thu nhập của khách hàng giảm xuống dưới chi phí, cần cảnh báo sớm rủi ro tín dụng.

Nhóm chỉ tiêu về tài sản bảo đảm Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Tài sản bảo đảm bị thiệt hại do trộm cắp, thiên tai: mức độ thiệt hại càng lớn so với giá trị tài sản bảo đảm thì rủi ro tín dụng càng cao. Tài sản bảo đảm đang có tranh chấp với bên thứ ba hoặc giữa các chủ sở hữu: Mọi tranh chấp nếu có đều làm tăng rủi ro tín dụng của khách hàng vay. Tài sản bảo đảm nằm trong diện giải tỏa, nằm trong quy hoạch phát sinh sau khi giải ngân: chỉ tiêu này được đo bằng hiệu số giữa thời điểm lập kế hoạch, giải tỏa và thời gian còn lại của khoản vay. Mức chênh lệch càng lớn thì rủi ro càng cao. Tài sản đảm bảo giả mạo, tài sản bảo đảm có nguy cơ không xử lý được.

Hệ thống chỉ tiêu và ngưỡng cảnh báo sớm rủi ro tín dụng đối với khách hàng doanh nghiệp

Thứ nhất, nhóm chỉ tiêu về tình hình quan hệ giao dịch tín dụng của khách hàng tại ngân hàng thương mại và tổ chức tín dụng.

Ngoài các chỉ tiêu cảnh báo sớm về số ngày nợ quá hạn, tần suất nợ quá hạn, xếp hạng khách hàng và phân nhóm nợ như đối với khách hàng cá nhân, để cảnh báo sớm rủi ro tín dụng cho khách hàng doanh nghiệp cũng cần chú ý các chỉ tiêu sau: Tình hình nợ của chủ doanh nghiệp là tổ chức/cá nhân góp vốn cổ phần trên 50%. Dòng tiền của khách hàng tại ngân hàng: chỉ tiêu này được đánh giá thông qua mức giảm so với năm trước.

Thứ hai, nhóm chỉ tiêu về tư cách pháp nhân, cơ cấu tổ chức và nhân sự của khách hàng.

Khách hàng bị thanh tra, điều tra, cưỡng chế thu nợ thuế, hoặc buộc thi hành án dân sự. Khách hàng thay đổi người điều hành hoặc cổ đông: mức độ rủi ro được cảnh báo tùy theo tỷ lệ góp vốn của thành viên thay đổi, tỷ lệ góp vốn của thành viên này càng cao thì ảnh hưởng đến doanh nghiệp càng lớn. Khách hàng có cơ sở sản xuất kinh doanh không đảm bảo an toàn lao động: chỉ tiêu này được đo lường bằng mức độ có ảnh hưởng trọng yếu đến tình hình kinh doanh hay không.

Thứ ba, nhóm chỉ tiêu về tình hình môi trường kinh doanh.

Mất đối tác truyền thống: mức cảnh báo rủi ro phụ thuộc vào giá trị hợp đồng với đối tác này chiếm bao nhiêu phần trăm trong tổng doanh thu của khách hàng và liệu khách hàng có thể ký hợp đồng mới thay thế hay không. Khách hàng bị tạm ngừng giao dịch hoặc bị kiểm soát, tạm ngừng giao dịch trên sàn chứng khoán. Khách hàng gặp sự cố trộm cắp, cháy nổ, sập đổ công trình: Mức độ cảnh báo rủi ro dựa trên mức thiệt hại tương ứng với vốn chủ sở hữu.

Thứ tư, tình hình tài chính, sản xuất kinh doanh; Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Doanh thu sụt giảm theo năm: kinh nghiệm cho thấy doanh thu giảm từ 30% đến 50% theo năm là cảnh báo rủi ro trung bình, hơn 50% là rủi ro cao. Lỗ lũy kế đến thời điểm kiểm tra, đánh giá: tùy theo quy mô hoạt động của khách hàng mà đưa ra các giới hạn cảnh báo khác nhau đối với chỉ tiêu này. Hệ số thanh toán hiện hành: đây là chỉ tiêu cảnh báo sớm quan trọng đối với tất cả các khách hàng là doanh nghiệp vay vốn, hệ số thanh toán hiện hành càng thấp thì mức độ cảnh báo rủi ro càng cao. Thứ năm, nguồn trả nợ

Các dự án do ngân hàng tài trợ hoặc các dự án tạo ra thu nhập chính đều bị ảnh hưởng: mức độ rủi ro được xác định bởi mức độ chậm trễ của dự án, hoặc vượt quá dự toán ban đầu. Nguồn trả nợ: mức độ cảnh báo rủi ro sẽ tăng lên nếu nguồn trả nợ của khách hàng là thu nhập từ hoạt động đầu tư tài chính, hoặc các khoản thu nhập bất thường khác.

Thứ sáu, tình hình tài sản thế chấp

1.4. Kinh nghiệm về nghiêm cứu và ứng dụng trí tuệ nhân tạo trong quản trị rủi ro tín dụng Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

1.4.1. Kinh nghiệm của các ngân hàng trên thế giới

1.4.1.1. Chiến lược nghiên cứu và ứng dụng trí tuệ nhân tạo trong hoạt động ngân hàng

Ngân hàng JPMorgan Chase, Hoa Kỳ: Ngân hàng này đã thành lập trung tâm ứng dụng công nghệ trí tuệ nhân tạo nhằm phát triển và ứng dụng công nghệ vào hầu hết các hoạt động kinh doanh của ngân hàng. Nhiệm vụ chính của trung tâm này là tổ chức các buổi hội nghị, các diễn đàn khoa học quy tụ các nhà nghiên cứu khoa học tinh hoa trên thế giới tập trung vào phát triển 4 mảng sau: Thứ nhất về nguồn dữ liệu: tìm kiếm và phát triển các phương pháp mới để làm sạch từ nguồn dữ liệu thô khổng lồ, sàng lọc và kết xuất ra dữ liệu cần thiết làm nguồn đầu vào cho các mô hình trí tuệ nhân tạo; Thứ hai, huấn luyện: khám phá ra các khả năng mới của trí tuệ nhân tạo thông qua các kỹ thuật học sâu từ nguồn dữ liệu; Thứ ba, Khả năng diễn giải của thuật toán: Các thuật toán thường được gọi là “hộp đen” bởi do sự phức tạp của thuật toán do đó cần xây dựng các mô hình có thể hiểu được các quy luật, khách hàng và kết quả của mô hình có thể diễn giải được; Thứ tư, Đạo đức và sự bình đẳng: Các thuật toán được phát triển cần tuân thủ theo các vấn đề về đạo đức và tránh sự thiên vị về chủng tộc, tôn giáo, tầng lớp,….

Các mô hình trí tuệ nhân tạo đã được ứng dụng: Hợp đồng thông minh hoặc CoiN, Xử lý đề nghị cấp tín dụng và phát hành bảo lãnh, mô hình phát hiện bất thường.

Các thuật toán học sâu (DL) được dùng để xử lý lượng dữ liệu khổng lồ nhằm định lượng chính xác rủi ro vỡ nợ thông qua phân tích dự đoán từ đó các quyết định phát hành bảo lãnh sẽ hiệu quả hơn và rủi ro được kiểm soát ở mức tối thiểu. Ngoài hiệu quả trong việc bảo lãnh phát hành, các mô hình AI còn cung cấp các quyết định tín dụng nhanh hơn cũng như xác định rủi ro chính xác hơn. Đối với hệ thống phát hành hợp đồng thông minh thì các thuật toán Machine Learning giúp ngân hàng có thể xử lý 12.000 hợp đồng chỉ trong vài giây thay vì 360.000 giờ lao động thủ công.

Ngân hàng Bank of America, Hoa kỳ: Cảnh báo sớm về tình trạng suy giảm tín dụng là chìa khóa để tránh thiệt hại. Nếu một ngân hàng có thể phát hiện tình trạng tài chính của người đi vay đủ sớm, thì có thể thực hiện các biện pháp ứng xử phù hợp nhằm giảm thiểu rủi ro xảy ra. Machine Learning cho phép nhận thấy sự suy giảm tín dụng ở giai đoạn đầu. Đối với các doanh nghiệp vừa và nhỏ, ML có thể sử dụng phân tích giao dịch, ví dụ: dòng tiền vào/ nguồn tiền mặt, dòng tiền ra/ sử dụng tiền mặt và lịch sử trả nợ trong quá khứ để phát triển một mô hình cung cấp cảnh báo khi xác suất vỡ nợ tăng lên. Sau đó, ngân hàng có thể xác định xem liệu các chiến lược giảm thiểu rủi ro như hoán đổi nợ tín dụng, giảm rủi ro hoặc các biện pháp ứng xử nào được áp dụng hay không. Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Bank of America đã hợp tác với DataRobot nhằm sử dụng phân tích dự đoán để xác định xác suất vỡ nợ của các khoản vay. Các phân tích dự đoán được cung cấp bởi các mô hình AI và thuật toán ML có thể đưa ra các cảnh báo sớm cho các nhà quản lý rủi ro trong ngân hàng về khả năng nỡ nợ của khách hàng và để từ đó giúp cho ngân hàng có thời gian để áp dụng các biện pháp ứng xử phù hợp, kịp thời nhằm đảm bảo an toàn vốn. Ngoài ra, ứng dụng này còn có lợi ích khác như đánh giá rủi ro của một khách hàng mới dựa trên các mẫu lịch sử về khả năng vỡ nợ.

Ngân hàng đã áp dụng trí tuệ nhân tạo được đào tạo bằng cách sử dụng lịch sử của các khoản vay, lịch sử trả nợ và các dữ liệu khác như dữ liệu trên mạng xã hội để tìm ra các mẫu có thể dẫn đến việc khách hàng không trả được nợ vay. Các nhà quản lý khoản vay của ngân hàng có thể sử dụng nền tảng DataRobot để hiểu rõ hơn về rủi ro khách hàng mới không trả được nợ thông qua kết quả dữ liệu được phân tích, việc sử dụng kết quả dữ liệu được phân tích để xem xét các khách hàng có nguy cơ vỡ nợ cao, do đó đẩy nhanh quá trình phê duyệt khoản vay. Ngân hàng sử dụng nền tảng phân tích dự đoán của DataRobot để dự đoán rủi ro vỡ nợ cho những người đi vay mới bằng cách phân tích dữ liệu lịch sử về lãi suất của những người đi vay hiện tại.

1.4.1.2. Những rủi ro và thách thức khi ứng dụng trí tuệ nhân tạo

Trí tuệ nhân tạo được xem là nền tảng công nghệ của tương lai với những ứng dụng hứa hẹn đem lại lợi ích vô cùng lớn cho các tổ chức. Nhưng bên cạnh đó việc áp dụng cũng mang lại nhiều khó khăn và thách thức:

Thứ nhất, hệ thống ngân hàng lõi Corebanking và các hệ thống cơ sở hạ tầng có liên quan được ngân hàng đầu tư với chi phí rất lớn nhưng vẫn tồn tại nhiều hạn chế dẫn đến việc tích hợp trí tuệ nhân để tương thích với hệ thống có sẵn mất nhiều thời gian, chi phí.

Thứ hai, trí tuệ nhân tạo là công nghệ mới rất phức tạp nên đòi hỏi phải thực hiện nghiên cứu chuyên sâu, phát triển và thử nghiệm nên đòi hỏi nguồn nhân lực chất lượng cao. Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

Thứ ba, Các tác động từ bên ngoài như niềm tin của khách hàng đối với tính bảo mật của hệ thống khi ứng dụng trí tuệ nhân tạo.

Thứ tư, sự thiếu minh bạch về cách một mô hình trí tuệ nhân tạo được phát triển hoặc không có khả năng giải thích làm thế nào một mô hình trí tuệ nhân tạo đạt được một kết quả cụ thể, vài mô hình trí tuệ nhân tạo thường có cấu trúc vô cùng phức tạp làm cho khả năng hiểu chi tiết sự hoạt động của nó bị giới hạn, điều đó có thể dẫn đến nhiều vấn đề phát sinh đặc biệt là có khả năng gây ra lỗi hệ thống và rủi ro về pháp lý.

KẾT LUẬN CHƯƠNG 1

Trong chương 1, luận văn đã khái quát cơ sở lý luận về quản trị rủi ro tín dụng, công nghệ trí tuệ nhân tạo, hệ thống cảnh báo sớm rủi ro tín dụng. Tác giả cũng đã làm rõ cách ứng dụng trí tuệ nhân tạo trong hoạt động quản trị rủi ro tín dụng, các kinh nghiệm về nghiên cứu và ứng dụng trí tuệ nhân tạo trong hoạt động của 2 ngân hàng là JPMorgan Chase và Bank of America. Luận văn: Ứng dụng công nghệ trí tuệ nhân tạo tại Ngân hàng.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:

===>>> Luận văn: Thực trạng ứng dụng trí tuệ nhân tạo tại Ngân hàng

Dịch Vụ Viết Luận Văn 24/7 Chuyên cung cấp dịch vụ làm luận văn thạc sĩ, báo cáo tốt nghiệp, khóa luận tốt nghiệp, chuyên đề tốt nghiệp và Làm Tiểu Luận Môn luôn luôn uy tín hàng đầu. Dịch Vụ Viết Luận Văn 24/7 luôn đặt lợi ích của các bạn học viên là ưu tiên hàng đầu. Rất mong được hỗ trợ các bạn học viên khi làm bài tốt nghiệp. Hãy liên hệ ngay Dịch Vụ Viết Luận Văn qua Website: https://dichvuvietluanvan.com/ – Hoặc Gmail: lamluanvan24h@gmail.com

Post Views: 330