23/12/2019
Keep learning
MACHINE LEARNING vs CREDIT SCORING
Trong lĩnh vực ngân hàng/ bảo hiểm, dựa trên Machine Learning có thể phát triển các ứng dụng, bao gồm Xếp hạng tín dụng (Credit Scoring), Phân tích rủi ro (Risk Analytics), Phát hiện gian lận (Fraud Detection), Bán chéo (Cross-Sell).
Qua nhiều năm, một số kỹ thuật xây dựng mô hình khác nhau để thực hiện xếp hạng tín dụng đã phát triển, bao gồm: tham số hoặc phi tham số (parametric or non-parametric), thống kê hoặc Machine Learning, các thuật toán giám sát hoặc không giám sát, mạng neuron. Các kỹ thuật gần đây gồm các cách tiếp cận rất tinh vi, sử dụng hàng trăm hoặc hàng ngàn mô hình khác nhau, các cách thức kiểm định mô hình khác nhau, đa dạng kết hợp rất nhiều thuật toán để mong đạt được kết quả với độ chính xác cao.
Mặc dù đa dạng là vậy, nhưng có một kỹ thuật xây dựng mô hình nổi bật có tên là thẻ điểm tín dụng (Credit Scorecard) được nhiều ngân hàng trên thế giới áp dụng rộng rãi (Các ngân hàng như Commonwealth Bank of Australia, Standard Chartered Bank,... cũng đang áp dụng kỹ thuật này). Thường được gọi là thẻ điểm tiêu chuẩn (Standard Scorecard), nó dựa trên Mô hình hồi quy Logistic (Logistic Regression Model). Mô hình thẻ điểm tín dụng dạng này được xây dựng đơn giản, dễ hiểu, dễ triển khai và chạy nhanh. Kết hợp giữa thống kê và Machine Learning, độ chính xác của phương pháp này tương đương với các kỹ thuật tinh vi, điểm số đầu ra của nó có thể được áp dụng trực tiếp để đánh giá xác suất nợ xấu, từ đó cung cấp đầu vào cho việc định giá nợ xấu dựa trên rủi ro. Điều này rất quan trọng đối với các bên cho vay cần tuân thủ khuôn khổ pháp lý Basel II.
Nguồn: Theo paper "Machine Learning và ứng dụng trong xếp hạng tín dụng khách hàng cá nhân của ngân hàng thương mại Việt Nam" của PGS. TS Nguyễn Hữu Tài, Trường Đại học Kinh tế Quốc dân & NCS. Đặng Hương Giang, Trường Đại học Kinh tế Kỹ Thuật Công nghiệp