Ứng dụng học máy trong xây dựng mô hình cảnh báo sớm rủi ro tín dụng khách hàng cá nhân tại ngân hàng thương mại Việt Nam

Abstract

Trong bối cảnh tỷ lệ nợ xấu tại các ngân hàng thương mại Việt Nam gia tăng nhanh chóng sau đại dịch COVID-19, việc xây dựng hệ thống cảnh báo sớm rủi ro tín dụng (EWS) trở thành yêu cầu cấp thiết. Tuy nhiên, hầu hết các hệ thống cảnh báo sớm hiện hành chủ yếu dựa vào quy tắc cố định (Rule-base), chưa tận dụng được nguồn dữ liệu lớn và hiệu quả thấp trong nhận diện sớm khách hàng tiềm ẩn nguy cơ vỡ nợ. Nghiên cứu này xây dựng và so sánh các mô hình học máy (Logistic Regression, Random Forest, XGBoost) và học sâu (Deep Neural Network, TabNet) trên ba bộ dữ liệu: dữ liệu gốc, dữ liệu cân bằng bởi SMOTE-ENN và dữ liệu giảm chiều bằng PCA. Hiệu năng được đánh giá qua các chỉ số Accuracy, Recall, F1-score và AUC. Nghiên cứu cũng ứng dụng phương pháp SHAP (SHapley Additive exPlanations) để giải thích mô hình một cách minh bạch. Kết quả cho thấy mô hình TabNet kết hợp với bộ dữ liệu SMOTE-ENN đạt hiệu năng tốt nhất, với Recall ~0.86 và AUC ~ 0.97. Nhờ khả năng giải thích của SHAP, mô hình đảm bảo tính minh bạch cao và thuận lợi tích hợp vào hệ thống ngân hàng. Nghiên cứu góp phần mở rộng ứng dụng học máy trong lĩnh vực tài chính-ngân hàng tại Việt Nam, đồng thời cung cấp một mô hình thực nghiệm khả thi cho việc xây dựng hệ thống cảnh báo sớm rủi ro tín dụng tại ngân hàng thương mại