Ứng dụng học máy trong dự báo xác suất vỡ nợ của khách hàng cá nhân tại ngân hàng CIMB

Abstract

Hoạt động tín dụng bán lẻ tại các ngân hàng thương mại ngày càng phát triển kéo theo yêu cầu nâng cao hiệu quả quản trị rủi ro tín dụng. Các phương pháp chấm điểm tín dụng truyền thống còn hạn chế trong việc khai thác dữ liệu lớn và nhận diện mối quan hệ phi tuyến giữa các biến tài chính. Luận văn này ứng dụng các thuật toán học máy (Machine Learning - ML) để dự báo xác suất vỡ nợ của khách hàng vay cá nhân đồng thời so sánh hiệu quả dự báo giữa các mô hình Machine Learning và mô hình Logistic Regression truyền thống. Nghiên cứu sử dụng phương pháp định lượng thực nghiệm trên bộ dữ liệu gồm 200.000 quan sát thu thập từ hệ thống phân phối tín dụng của CIMB Việt Nam giai đoạn 2023 – 2025. Quy trình nghiên cứu bao gồm các bước tiền xử lý dữ liệu, mã hóa biến phân loại, chuẩn hóa và cân bằng dữ liệu trước khi huấn luyện mô hình. Kết quả thực nghiệm cho thấy các mô hình học máy (Machine Learning - ML), đặc biệt là XGBoost, đạt hiệu quả dự báo vượt trội so với Logistic Regression thông qua các chỉ tiêu đo lường hiệu quả. Việc kết hợp tối ưu hóa ngưỡng phân loại cut off, hiệu chuẩn Calibration và phương pháp SHAP (SHapley Additive Explanations) giúp xác định các yếu tố quan trọng ảnh hưởng đến rủi ro vỡ nợ như thu nhập, điểm tín dụng và tỷ lệ nợ trên thu nhập (DSR), qua đó nâng cao tính minh bạch và khả năng giải thích của mô hình. Từ kết quả nghiên cứu, luận văn đề xuất Ngân hàng CIMB Việt Nam tích hợp mô hình XGBoost vào hệ thống phê duyệt tín dụng tự động đồng thời xây dựng cơ chế cảnh báo sớm và tăng cường quản trị rủi ro tín dụng trong hoạt động ngân hàng số