Hệ thống cảnh báo sớm chuyển dịch nhóm nợ trong hoạt động tín dụng ngân hàng

Abstract

Đề tài nghiên cứu ứng dụng các mô hình học máy gồm: Hồi quy Logistic, Support Vector Machine, Decision Tree và Random Forest trong hệ thống cảnh báo sớm chuyển dịch nhóm nợ ở một ngân hàng thương mại Việt Nam. Đối với việc dự đoán các khách hàng chuyển nợ quá hạn (B Score), mô hình RFC có độ chính xác cao nhất có thể đạt được là Accuracy = 81.84%, tuy nhiên nếu ưu tiên giảm sai lầm loại I thì SVM có kết quả tốt hơn với Recall = 91.48% nhưng Accuracy chỉ còn 46.62%. Đối với việc dự đoán các khách hàng cải thiện nhóm nợ (C Score), SVM là mô hình tối ưu nhất về cả độ chính xác và tiêu chí dựa trên sai lầm loại II (Accuracy = 71.6% và Precision = 62.3%). Kết quả cũng cho thấy khi áp dụng mô hình trên bộ dữ liệu mới thì các tiêu chí đánh giá đều giảm và SVM là mô hình duy trì được mức tối ưu nhất ở cả B Score và C Score. Bên cạnh đó, kết quả nghiên cứu cũng cho thấy việc tinh chỉnh mô hình là cần thiết vì có sự cải thiện đáng kể trong tính chính xác ở các miền giá trị tham số của từng loại mô hình khác nhau.