Hệ số PD theo mô hình máy học giám sát
Hệ số PD theo mô hình máy học giám sát, hay Supervised Machine Learning PD, là xác suất một khách hàng vỡ nợ trong vòng 12 tháng kể từ thời điểm đánh giá tín dụng. PD được ước lượng bằng thuật toán học có giám sát dựa trên dữ liệu lịch sử của các khoản vay hoặc khách hàng có quan hệ với ngân hàng, chẳng hạn dữ liệu về nghề nghiệp, thu nhập, lịch sử trả nợ, số dư nợ, tỷ lệ sử dụng hạn mức, thời gian quan hệ và các biến cố trong hồ sơ tín dụng.
Mô hình PD không đơn thuần đánh giá một khách hàng tốt hay xấu mà gánh một giá trị xác suất. Ví dụ, nếu mô hình dự báo PD là 5%, ngân hàng có thể hiểu rằng xác suất khách hàng vỡ nợ trong 12 tháng tới theo phạm vi và định nghĩa sự kiện vỡ nợ đang sử dụng là khoảng 5%. Giá trị PD thường được chuẩn hóa hoặc hiệu chỉnh trước khi sử dụng để đáp ứng các yêu cầu quản trị rủi ro, kiểm định mô hình và chính sách tín dụng.
Mục tiêu của mô hình
Mô hình PD giúp ngân hàng thực hiện một số nhiệm vụ chính:
- Phân loại khách hàng theo mức độ rủi ro vỡ nợ.
- Cung cấpdầu vào cho hệ thống xếp hạng tín dụng, chấm điểm khách hàng và phê duyệt khoản vay.
- Hỗ trợ quyết định về hạn mức, kỳ hạn, lãi suất và cơ cấu điều kiện tín dụng.
- Theo dõi chất lượng tài khoản theo thời gian.
- Xây dựng danh sách khách hàng cần giám sát hoặc can thiệp sớm.
- Dự báo nhu cầu vốn, tổng thu hồi nợ và các chỉ tiêu rủi ro tín dụng.
Khác với phương pháp thống kê truyền thống, mô hình máy học có thể khai thác đồng thời rất nhiều biến và tự động phát hiện các mối quan hệ phức tạp giữa đặc điểm khách hàng với khả năng vỡ nợ. Tuy nhiên, mô hình chỉ tạo ra ước lượng thống kê; quyết định tín dụng cuối cùng vẫn phải phù hợp với chính sách quản trị rủi ro, quy định nội bộ và đánh giá của ngân hàng.
Dữ liệu đầu vào
Chất lượng mô hình PD phụ thuộc lớn vào dữ liệu huấn luyện. Các nhóm dữ liệệ thường được sử dụng gồm:
- Dữ liệu hồ sơ tín dụng: thu nhập, nghề nghiệp, trình độ, số năm kinh nghiệm, tình trạng hôn nhân, nơi cư trú và lịch sử tín dụng.
- Dữ liệu hành vi giao dịch: mức độ sử dụng hạn mức, số tiền vay, lịch sử thanh toán, tần suất giao dịch và mức độ ổn định dòng tiền.
- Dữ liệu quan hệ: thời gian khách hàng gắn bó với ngân hàng, sản phẩm đang sử dụng và lịch sử nghỉ trả.
- Dữ liệu hành vi trên kênh số: thời điểm đăng nhập, mức độ hoàn thành hồ sơ, tần suất truy cập ứng dụng và các dấu hiệu bất thường, nếu được phép sử dụng.
- Dữ liệu kinh tế và vĩ mô: tăng trưởng kinh tế, tỷ lệ thất nghiệp, lãi suất và biến động chi phí sinh hoạt.
Trước khi huấn luyện, dữ liệu thường được kiểm tra chất lượng, xử lý giá trị khuyết, chuẩn hóa, mã hóa và chia thành tập huấn luyện, tập kiểm định và tập kiểm tra độc lập. Nếu thời điểm phát sinh biến cố vỡ nợ nằm sau thời điểm tính PD, biến đó có thể gây rò rỉ dữ liệu và làm cho kết quả đánh giá không đáng tin cậy.
Các thuật toán thường được sử dụng
Các thuật toán phổ biến trong ước lượng PD gồm hồi quy logistic, cây quyết định, random forest, gradient boosting và các biến thể của boosting hiệu năng cao.
Hồi quy logistic thường được chọn khi cần mô hình tương đối dễ giải thích, vì ảnh hưởng của các biến và chiều tác động tương đối rõ ràng. Cây quyết định có thể nắm bắt tốt các tương tác phi tuyến và ngưỡng ảnh hưởng giữa các biến. Random forest kết hợp nhiều cây để hạn chế sự phụ thuộc vào một cây đơn lẻ. Gradient boosting thường đạt độ chính xác cao, đặc biệt khi dữ liệu có nhiều biến và quan hệ phức tạp.
Trong thực tế, nhiều ngân hàng sử dụng một mô hình PD cơ sở được kiểm định và hiệu chuẩn như một mô hình xếp hạng hoặc PD phân khúc, sau đó dùng mô hình máy học để cải thiện khả năng phân biệt, tối ưu điểm số rủi ro hoặc hỗ trợ phát hiện sai lệch.
Cách xử lý giá trị PD
Do chênh lệch số lượng giữa khách hàng không vỡ nợ và khách hàng vỡ nợ, một số mô hình có thể bị áp đảo về dự đoại nhóm không vỡ nợ. Khi đó, ngân hàng có thể cân bằng tập dữ liệu bằng phương pháp lấy mẫu lớp, điều chỉnh trọng số lớp hoặc sử dụng hàm mất đối với lớp thiểu số.
Giá trị PD cũng cần được hiệu chỉnh nếu mô hình dự báo theo một kỳ hạn khác với kỳ hạn mục tiêu, chẳng hạn khi mô hình dự báo 24 tháng nhưng chính sách sử dụng PD 12 tháng. Công thức hiệu chỉnh thường được xem xét theo quan hệ giữa xác suất sống và xác suất vỡ nợ:
[ PD_{12} = 1 - \left(1 - PD_{24}\right)^{12/24} ]
Trong ví dụ này, nếu PD 24 tháng là 20%, thì PD 12 tháng sau hiệu chỉnh ước tính khoảng:
[ 1 - (1 - 0{,}20)^{0{,}5} \approx 10{,}6% ]
Việc hiệu chỉnh còn phụ thuộc vào tính đồng nhất của đặc điểm khách hàng và sự ổn định của mối quan hệ giữa rủi ro với thời gian. Ngân hàng không nên tự động sử dụng công thức nếu chưa kiểm định điều kiện áp dụng.
Đánh giá hiệu năng của mô hình
Mô hình PD cần được đánh giá trên dữ liệu chưa được sử dụng để huấn luyện. Các chỉ số phổ biến gồm:
- Độ chính xác phân loại: tỷ lệ dự đoán đúng trên tổng số khách hàng, nhưng chỉ số này có thể gây hiểu nhầm khi tỷ lệ vỡ nợ thấp.
- Độ nhạy hoặc tỷ lệ phát hiện: khả năng mô hình nhận diện đúng các khách hàng vỡ nợ.
- Độ đặc hiệu: khả năng phân biệt khách hàng vỡ nợ và không vỡ nợ.
- AUC: xác suất mô hình xếp khách hàng rủi ro cao hơn khách hàng rủi ro thấp.
- Gini hoặc KS: mức độ phân tách khách hàng theo rủi ro trên phân phối điểm.
- Brier score: mức độ sai lệch giữa xác suất dự báo và kết quả thực tế.
Ngoài các chỉ số thống kê, mô hình còn phải đáp ứng các yêu cầu về tính ổn định, khả năng giải thích, tuân thủ chính sách phê duyệt tín dụng, kiểm soát dữ liệu và khả năng triển khai trong thời gian thực. Mô hình có thể có AUC cao nhưng vẫn không phù hợp nếu tập dữ liệu chỉ đại diện cho một giai đoạn kinh tế khác hoặc không phù hợp với sản phẩm tín dụng đang áp dụng.
Ứng dụng trong nghiệp vụ ngân hàng
Kết quả PD thường được chuyển thành điểm rủi ro để đưa vào quy trình cấp tín dụng. Trong một quy trình điển hình, khách hàng được gán điểm PD, sau đó hệ thống đối chiếu với chính sách tín dụng và kết hợp thêm điểm từ hồ sơ, quan hệ và sản phẩm để tạo quyết định phê duyệt, từ chối hoặc giới hạn.
Ngân hàng cũng có thể dùng PD để xác định nhóm khách hàng cần giám sát tăng cường. Chẳng hạn, khách hàng có PD tăng từ 3% lên 15% trong vòng ba tháng có thể được ưu tiên kiểm tra khả năng tăng trưởng nợ, chấm điểm rủi ro thủ công và chủ động giải ngân khi có dấu hiệu suy giảm chất lượng tín dụng.
Khi sử dụng trên quy mô lớn, ngân hàng cần kiểm soát độ trôi dạng của mô hình, tức là mức độ thay đổi phân phối dữ liệu và đặc điểm khách hàng theo thời gian. Nếu phân phối PD thay đổi mạnh, ngân hàng cần xác định nguyên nhân, đánh giá mức độ ảnh hưởng và cân nhắc hiệu chỉnh hoặc xây dựng lại mô hình.
Quản trị mô hình và giám sát sau triển khai
Mô hình không nên chỉ được xây dựng một lần. Trong vòng đời mô hình, ngân hàng cần kiểm soát quy trình phê duyệt, xác định chủ sở hữu mô hình, quy định tần suất kiểm định lại và xác định điều kiện phải hiệu chỉnh hoặc thay thế.
Các hoạt động giám sát thường bao gồm:
- So sánh tỷ lệ vỡ nợ dự báo với tỷ lệ vỡ nợ thực tế.
- Theo dõi phân phối điểm PD theo tháng, sản phẩm và kênh phân phối.
- Kiểm tra mức độ ổn định của từng biến đầu vào.
- Phát hiện thiên lệch giữa dữ liệu huấn luyện và dữ liệu thực tế.
- Đánh giá hiệu quả của mô hình sau khi áp dụng chính sách tín dụng.
- Kiểm tra tác động của mô hình đến tỷ lệ phê duyệt, tỷ lệ vỡ nợ và lợi nhuận.
Đặc biệt, kết quả dự báo không nên được hiểu là dự đoán chắc chắn về một cá nhân cụ thể. PD là ước lượng xác suất tại cấp nhóm hoặc mức khách hàng, dựa trên thông tin sẵn có tại thời điểm đánh giá. Với mỗi khách hàng, các yếu tố ngoài dữ liệu như thay đổi công việc, sức khỏe, điều kiện gia đình và biến động kinh tế vẫn có thể ảnh hưởng đến khả năng trả nợ.
Câu hỏi thường gặp
Hỏi: PD 5% có nghĩa là khách hàng chắc chắn vỡ nợ trong 12 tháng tới không?
Không. PD 5% nghĩa là nếu có nhiều khách hàng có đặc điểm tương tự và cùng điều kiện quan sát, khoảng 5% khách hàng được dự báo có thể vỡ nợ trong 12 tháng tới. Kết quả thực tế của từng khách hàng vẫn có tính chắc chắn hoặc không chắc chắn.
Hỏi: Nếu tỷ lệ vỡ nợ thực tế thấp hơn PD dự báo, có thể kết luận mô hình bị lỗi không?
Chưa nhất thiết. Cần xem xét thời gian, khoảng thời gian tính PD, phạm vi sản phẩm, đặc điểm tập khách hàng và các biến cố chưa xuất hiện trong dữ liệu. Chênh lệch kéo dài giữa dự báo và thực tế có thể là dấu hiệu cần hiệu chỉnh mô hình.
Hỏi: Có được dùng dữ liệu hành vi số để xây dựng PD không?
Có, nếu dữ liệu được thu thập và xử lý phù hợp với quy định, chính sách bảo vệ dữ liệu cá nhân và quy trình kiểm soát nội bộ của ngân hàng. Dữ liệu số có thể bổ sung thông tin về mức độ tương tác, tần suất sử dụng sản phẩm và các dấu hiệu bất thường, nhưng cần kiểm soát chất lượng, tính hợp pháp và nguy cơ thiên lệch.
Nội dung mang tính tham khảo, không thay thế tư vấn chuyên môn.