Ứng dụng mô hình Logistic chấm điểm khách hàng cá nhân nộp hồ sơ vay trên Lendingclub

Nội dung text: Ứng dụng mô hình Logistic chấm điểm khách hàng cá nhân nộp hồ sơ vay trên Lendingclub

1. Mã số: 461 Ngày nhận: 27/11/2017 Ngày gửi phản biện lần 1: /2017 Ngày gửi phản biện lần 2: Ngày hoàn thành biên tập: 29/1/2018 Ngày duyệt đăng: 29/1/2018 ỨNG DỤNG MÔ HÌNH LOGISTIC CHẤM ĐIỂM KHÁCH HÀNG CÁ NHÂN NỘP HỒ SƠ VAY TRÊN LENDINGCLUB Nguyễn Thị Thúy Quỳnh 1 Trần Thị Xuân Anh2 Bùi Lê Trà Linh3 Tóm tắt:Bài nghiên cứu ứng dụng mô hình logistic chấm điểm 235.629 khách hàng cá nhân nộp hồ sơ vay vốn tại Lendungclub - một trong những tổ chức cho vay ngang hàng (Peer - to - Peer) đầu tiên tại Mỹ. Dữ liệu nghiên cứu được thực hiện trong hai năm 2014-2015 bao gồm 111 đặc điểm của khách hàng vay vốn. Nhóm nghiên cứu đã sử dụng mô hình Logistic để đo lường xác suất một khách hàng vay vốn là khách hàng tốt. Trên cơ sở đó,tổ chức tín dụng sẽ xác định được mức rủi ro tín dụng của khách hàng vay vốn nhằm đưa ra quyết định cho vay phù hợp. Nếu người đi vay có xác suất là khách hàng tốt thấp hơn mức xác suất đưa ra thì sẽ bị từ chối khoản vay, ngược lại người đi vay có xác suất là khách hàng tốt cao hơn mức xác suất đưa ra thì được chấp nhận khoản vayđó tuỳ vào mức độ sẵn sàng chấp nhận rủi ro tín dụng từ tổ chức cho vay. Từ khóa: chấm điểm khách hàng, logistic, xếp hạng tín dụng, xếp hạng tín nhiệm. Abstract:The paper applied logistics model for rating 235.629 individual borrowers in lendingclub - one of the first peer - to - peer lending institution in US. The research is implemented based on date of two years from 2014 to 2015, including 111 characteristics of clients. The paper used the logistic model to measure the probability that a customer is a good one. Accordingly, the credit institution will determine the level of credit risk of the borrower to make appropriate loan decision. If the borrower has a good probability of being well below the given probability, then the loan will be denied. In contrast, if the borrower has a probability of being a good 1 Học viện Tài chính, Email: nguyenthithuyquynh@hvtc.edu.vn 2 Học viện Ngân hàng, Email: ttxahvnh@gmail.com 3 Hiệp hội Doanh nghiệp Châu Âu tại Việt Nam, Email: tralinhbuile@gmail.com 1
2. client higher than the given probability, then the loan is accepted. The given probability depends on the willingness to accept credit risk from the lender. Keywords: client rating, logistic, credit rating. 1. Giới thiệu về chấp điểm khách hàng và xếp hạng tín dụng Tín dụng là một trong những hoạt động chính mang lại lợi nhuận cho các ngân hàng thương mại(NHTM). Trong quá trình cấp tín dụng, các ngân hàng thường đối mặt với nguy cơ rủi ro từ nhiều nguyên nhân khác nhau và thường chung một hệ quả là khách hàng không thực hiện được hoặc không thực hiện đầy đủ các nghĩa vụ tài chính khi đến hạn. Những nguy cơ rủi ro khó loại trừ hoàn toàn mà chỉ có thể hạn chế và phòng ngừa. Một trong những biện pháp hạn chế rủi ro tín dụng hiệu quả và phổ biến hiện nay là xây dựng mô hìnhchấm điểm khách hàng nhằm xếp hạng tín dụng, phân loại khách hàng, hỗ trợ công tác ra quyết định và quản lý tín dụng. Xếp hạng tín dụng (XHTD)phát trển mạnh từ nhiều năm nay ở Mỹ và các nước Châu Âu. Ba công ty đánh giá tín dụng lớn nhất trên thế giới hiện nay là công ty Standard & Poor's (S&P), Moody's và Fitch Group. S&P và Moody's có trụ sở ở Mỹ, Fitch trụ sở tại cả Mỹ và Anh và do FIMALAC của Pháp kiểm soát. Trong quá khứ, các tổ chức tín dụng thườngsử dụng các mô hình chấm điểm khách hàng và XHTDđể đánh giá và phân loại khách hàng vay nợ.Abdou và Pointon (2011) đã hệ thống hoá 2 phương pháp XHTD chính được sử dụng gồm phương pháp chuyên gia và phương pháp thống kê. Phương pháp chuyên gia là phương pháp thu thập và xử lý những đánh giá dự báo bằng cách tập hợp và hỏi ý kiến các chuyên gia giỏi trong lĩnh vực tài chính ngân hàng để xác định rủi ro và chất lượng của khoản tín dụng.Phương pháp này mất nhiều chi phí và thời gian do cần số lượngchuyên gia lớn tham giađánh giá.Phương pháp thống kê dựa trên các số liệu thực tiễn như mức độ nợ, khả năng trả nợ và phương pháp kiểm định thống kê để phát hiện các biến số ảnh hưởng tới rủi ro tín dụng. Sự phù hợp của mô hình thống kê phụ thuộc rất lớn vào chất lượng của bộ dữ liệu thực nghiệm. Bộ dữ liệu cần đủ lớn và chính xác thì mô hình thống kê sẽ đưa ra kết quả có ý nghĩa. Ở Việt Nam, hoạt động XHTD được phát triển từ năm 2002. Trước đó, việc xem xét cấp tín dụng thông thường dựa vào đánh giá chủ quan và mang cảm tính lớn của những người xét cấp tín dụng nên dễ dẫn đến những rủi ro khó lường hoặc có thể mất cơ hội của người đi vay. Những rủi ro gặp phải có thể dẫn đến sự đổ vỡ của ngân hàng Năm 1988, Ủy ban Basel về giám sát ngân hàng đã ban hành hiệp ước Basel II nhằm chuẩn mực hóa hoạt động ngân hàng theo xu hướng toàn cầu, thiết lập một hệ thống ngân hàng quốc tế ổn định, thống nhất, bình đẳng, giảm cạnh tranh không lành mạnh đã tạo ra sự thay đổi về quản trị rủi ro trong các ngân hàng, giúp các ngân hàng hoạt động an toàn hơn. 2
3. Ở Việt Nam, việc áp dụng Basel II tại cácNHTM đang gặp không ít khó khăn về chi phí tài chính, hệ thống cơ sở dữ liệu và các quy định của ngân hàng nhà nước trong việc hiệu chỉnh các quy định Basel II phù hợp với điều kiện thực tế. Vì vậy, việc tìm kiếm mô hình, phương thức đánh giá rủi ro tín dụng của khách hàng vay tại các NHTM là cần thiết, đặc biệt trong bối cảnh tự do hoá tài chính hiện nay. Bài viết trình bày kết quả nghiên cứu ứng dụng mô hình Logicstic trên cơ sở dữ liệu khách hàng vay vốn tại Lendingclub (LC), một tổ chức cho vay ngang hàng lớn nhất trên thế giới hiện nay, nhằm đưa ra minh chứng thực nghiệm về tính hiệu quả, khách quan của mô hình XHTD nói chung, mô hình Logistic nói riêng, từ đó khuyến nghị đối với các tổ chức tín dụng tại Việt Nam về việc áp dụng mô hình logicstic xếp hạng khách hàng cá nhân vay vốn. 2. Cơ sở lý thuyết củamô hình Logistic Mô hình Logistic(Maddala[12], 1992) được ứng dụng rộng rãi trong phân tích rủi ro tín dụng,ở đó dựa trên các yếu tố ảnh hưởng đến mức độ tín nhiệm của khách hàng dự báo xác suất (mức độ) xảy ra rủi ro tín dụng, quy ra mức điểm tương ứng nhằm XHTD của khách hàng và làm cơ sở xác định khoản vay phù hợp. Một khách hàngi sẽ có thông tin đặc trưng bởi một vec tơ các biến độc lập XXXXi= (1 i , 2 i , , ki ) . Mục tiêu là với những thông tin thu thập được về khách hàng cần dự báo khả năng vỡ nợ của khách hàng (khách hàng là xấu(Badsi )) bằng xác suất được xác định bởi công thức PYXX(= 1 = i ) (probability of default - PD) và xác suất để Goods khách hàng là tốt ( i ) được xác định bởi công thứcPYXX(= 0 = i ) . Xác suất vỡ nợ càng cao thì điểm số tín dụng của khách hàng càng thấp.Đểcó bài toán tỷ lệ thuận giữa xác suất và điểm số tín dụng,bài viết sẽ đi tìm xác suất để khách hàng là tốt, tức là 1 ước lượng: pi= P( Y = 0 X = X i ) = ,b0 Î R ; b = ( b 1 , b 2 , , b k ); (1). -()b0 + bXi 1+ e pi Công thức (1) tương đương:Li= Ln = LnOdds( i ) = Z i =b0 + b X i (2). 1 - pi 1- YYi i Đặt fi( Y i )= p i (1 - p i ) là hàm phân phối xác suất của biến cố (Y i = 0) . Khi đó hàm phân phối xác suất đồng thời (Likelihood function - LF) của mẫu quan sát độc lập n n 1- Y Y i YYY, , , được xác định: f(,, ,) Y Y Y= f () Y = pi 1 - p . { 1 2 n } 1 2 nÕÕ i i i( i ) i=1 i = 1 Lấy logarit tự nhiên hai vế: n LLF=ln fYYY ( , , , ) = [ 1 - YpY ln + ln 1 - p ] 1 2 nå ( i) i i( i ) i = 1 3
4. n né(1- p ) ù n =[ lnp + Y ln( 1 - p) - Y ln p ] = ê Y lni ú + ln p åi i i i i åê ip ú å i i=1 i = 1ëêi ûú i = 1 1 n n -()b0 + bXi Thay pi = thu được: lnf ( Y , Y , , Y )= ln[1 + e ] - Y (b + b X ) -()b0 + bXi 1 2nå å i 0 i 1+ e i=1 i = 1 Bài toán: Tìm cực đại hàm LLF (hay LF) theo biến là các tham số b0, b khi đã biết ¶ $ các giá trị Xi , i= 1, n . Giá trị ước lượng b0, b để hàm LFF đạt cực đại, ứng với mỗi µ 1 X, i= 1, n được thay vào công thức (1) thu được p = là xác suất dự i i -()b¶ + $ bX 1 + e 0 i đoán để khách hàngi là khách hàng tốt. Lựa chọn biến độc lập: Biến độc lập được lựa chọn dựa trên bộ dữ liệu thu thập về các đặc trưng được cho là có tác động ảnh hưởng đến việc trả nợ của khách hàng. Thông tin Tình trạng việc làm, nghề nghiệp, thu nhập, tình trạng nhà ở, bản ghi cá nhân về bản án và số lượng người phụ thuộc Lịch sử Chiều dài của lịch sử tín dụng, số lượng và giá trị của quá khứ vay tín dụng vốn, số lượng và giá trị của các khoản vay trễ hạn trong quá khứ gần đây thường được cung cấp bởi các tổ chức cung cấp thông tin tín dụng. Dữ liệu Lịch sử sử dụng của tín dụng trên các sản phẩm trước đó: Số tiền chi hành vi tiêu, việc trả nợ thực tế . Hai công cụ sử dụng lựa chọn các biến độc lập nhằm đảm bảo phân loại khách hàng tốt và khách hàng xấu là: The Weight of Evidence (WOE ) và Information Value (IV). WOE mô tả mối quan hệ giữa một biến giải thích và biến phụ thuộc nhị phân; IV đo lường sức mạnh của mối quan hệ đó. Cụ thể æp ö n ç i ÷ é ù W OE= Ln ç ÷vàIV=ê Distr Goodsi - Distr Bads i ´ WOE i ú. i ç ÷ å ë( ) û è1 - pi ø i = 1 Trong đó:Distr Goodsi bằng tỷ số phần trăm giữa tổng khách hàng tốt của nhóm biến với tổng số khách hàng tốt trong tổng thể; Distr Badsi bằng tỷ số phần trăm giữa tổng khách hàng xấu của nhóm biến với tổng số khách hàng xấu trong tổng thể. Theo Siddiqi ([13]), nếuIV < 0.02 thì biến độc lập không có quan hệ với biến phụ thuộc;IV từ 0.02 đến 0.1 thì biến độc lập không có quan hệ quá chặt chẽ với biến phụ thuộc;IV từ 0.1 đến 0.3 thì biến độc lậpcó mối quan hệ kháchặt chẽ với biến phụ thuộc; IV ≥ 0.3 thì biến độc lậprất chặt chẽ với biến độc lập. Đánh giá sự phù hợp của mô hình: Đối với mô hình Logistic thông thường có các phương pháp kiểm định tỷ số hàm hợp lý (LR), đo độ phù hợp qua tỷ lệ phần trăm dự báo đúng, kiểm định sự phù hợp Goodness of Fit test, Tuy nhiên có thể sử dụng đường 4
5. cong Receiver Operating Characteristic (ROC) và hệ số Gini.Hệ số Gini từ 0.8-1 cho biết mô hình rất tốt; từ 0.6-0.8 là mô hình tốt; từ 0.4-0.6 là mô hình khá; từ 0.2-0.4 là mô hình trung bình; từ 0.0-0.2 là mô hình yếu. 3. Ứng dụng mô hình Logistic chấm điểm khách hàng cá nhân nộp hồ sơ vay Trên LC người đi vay chỉ cần điền thông tin vào đơn và nộp trực tuyến. Hệ thống của LC sẽ tự động phân tích dữ liệu, đánh giá rủi ro, chấm điểm tín dụng và đưa ra mức lãi suất phù hợp.Sau đó công ty kết nối người đi vay với nhà đầu tư để nhà đầu tư lựa chọn khoản đầu tư thích hợp dựa trên những thông tin về người đi vay như XHTD, mục đích vay tiền, lịch sử tín dụng, . Đây là hình thức cho vay mà người có tiền và người cần tiền được kết nối trực tiếp với nhau mà không cần thông qua ngân hàng. Bài viết sử dụng bộ số liệu khách hàng cá nhân trong hai năm 2014 và 2015 trên website www.lendingclub.com để mô tả các bước ứng dụng mô hình logistic nhằmđánh giá khả năng khách hàng là tốt, chấm điểm khách hàng, chỉra điểm cắt làm căn cứ giúp các nhà đầu tư ra quyết định khoản cho vay. Các bước cụ thể như sau:  Phân chia biến thành cácnhóm Dữ liệu gồm 235.629 hồ sơ khách hàng đi vay, mỗi khách hàng kê khai 111 đặc điểm tương ứng với 111 biến độc lập. Bảng 1. Mô tả nhóm biến và các biến đưa vào mô hình Các biến id, member_id, địa chỉ, 5 biến giống Id Thông tin Tình trạng nhà ở, công việc, thu nhập, tỷ lệ nợ/ thu nhập, 11 cá nhân mô tả khoản vay, biến - Tháng sớm nhất/muộn nhất đánh giá, mở hạn mức tín dụng, lần điều tra hồ sơ - Số tháng kể từ lần công khai hồ sơ cuối cùng, lần quá hạn cuối cùng, cuộc điều tra gần đây, lần mở thẻ, tài khoản cuối cùng, Các biến - Số lần điều tra, số tài khoản quay vòng mở, số tài Hồ sơ tín 74 trước khoản thẻ mở, trong khoảng 6 tháng/12 tháng/24 tháng dụng biến vay - Số lượng tài khoản trả góp, số tài khoản quay vòng, số tài khoản thẻ - Tổng số hoặc trung bình tổng số dư hiện tại, tổng mức quay vòng tín dụng cao, tổng dư nợ tín dụng, - Các biến tỷ lệ sử dụng quay vòng tín dụng, tỷ lệ các tài khoản thẻ quá 75% hạn mức Gồm 2 biến grade và sub_grade thể hiện đánh giá của LC về mức độ rủi ro đối với mỗi bộ hồ sơ vay dựa trên thông tin cá nhân và thông tin hồ sơ tín dụng của người vay. LC đánh giá 2 biến Grade có các giá trị A,B,C,D, , còn sub_grade có các giá trị A1,A2 ,B1,B2, càng gần A1 càng được đánh giá là tốt và lãi suất vay càng thấp. 5
6. Thông tin Các biến thông tin ban đầu của khoản vay, ngay sau khi ban đầu khoản vay được tài trợ, như: tổng số tiền cho vay, lãi suất, 6 biến Các khoản vay khoản tiền phải thanh toán hàng tháng, biến sau Nhà đầu tư Các thông tin về tình trạng khoản vay cho đến thời điểm vay theo dõi quan sát: Dư nợ gốc, khoản tiền nhà đầu tư nhận đến nay, 13 biến khoản vay tiền gốc đến nay, tiền lãi, chi phí thu hồi nợ, phí trả trễ, Nhóm tác giả thực hiện Sử dụng phân tích định tính bài nghiên cứu lựa chọn 89 biến độc lập vào mô hình. Tiếp tục loại bỏ các biến thiếu quan sát và xóa bỏ một vài quansát; Các biến có IV 0.02 sẽ được chọn vào mô hình, các biến có tương quan lớn hơn 0.7 thì sẽ dựa trên IV của biến nào cao hơn sẽ giữ lại. Sử dụng Stepwise lựa chọn các biến đưa vào mô hình. Có 17 biến được lựa chọn và tính giá trị WOE tương ứng. Bảng 2: Danh sách các biến được lựa chọn làm biến độc lập Score Pr > Step Effect Entered DF Chi-Square Chi_Square dti3w 1 1 1003.639 <.0001 (Tỷ lệ giá trị khoản vay/thu nhập khả dụng) acc_open_past_24mths 2 1 995.2945 <.0001 (số TK giao dịch mở trong 24 tháng trước ngày nộp hồ sơ vay) bc_open_to_buyw 3 1 973.1144 <.0001 (số tiền còn lại có thể vay trong các tài khoản thẻ ngân hàng quay vòng) inq_last_6mthsw 4 1 525.435 <.0001 (số lần điều tra trong 6 tháng qua) mo_sin_old_rev_tl_op 5 1 264.2194 <.0001 (số tháng kể từ khi mở tài khoản đầu tiên) Purposew 6 1 208.7095 <.0001 (mục đích vay tiêu dùng, đảo nợ, tín dụng ) tyle_loanw 7 1 124.3415 <.0001 (Giá trị khoản vay trên Lending Club/ Tổng dư nợ hiện tại) Termw 8 1 121.9971 <.0001 (thời hạn vay của khoản vay) mo_sin_old_il_acctw 9 1 85.1731 <.0001 (Số tháng kể từ tài khoản ngân hàng mở đầu tiên) mths_since_recent_bc 10 1 78.2574 <.0001 (số tháng từ khi mở tài khoản thẻ gần nhất đến nay) percent_bc_gt_75w 11 (tỷ lệ phần trăm số tài khoản thẻ vượt qua 75% hạn mức tín dụng 1 65.4251 <.0001 chia cho tổng số tài khoản thẻ) annual_incw 12 1 70.8672 <.0001 (thu nhập hàng năm của người vay) Verification_statusw 13 1 84.6592 <.0001 (trạng thái xác minh thu nhập của khách hàng) Dtiw 14 1 35.484 <.0001 (% số thu nhập dành vào việc trả nợ hàng tháng) revol_utilw 15 (các khoản tín dụng của người vay được sử dụng liên quan đến 1 27.2376 <.0001 tất cả các tín dụng quay vòng có sẵn) 6
7. mths_since_recent_inq 16 1 21.9252 <.0001 (Số tháng kể từ khi hầu hết các cuộc điều tra gần đây) mo_sin_rcnt_tlw 17 1 16.4708 <.0001 (số tháng kể từ khi lần mở tài khoản bất kỳ gần nhất đến hiện tại) Nguồn: Truy suất kết quả từ phần mềm SAS Nhóm tác giả thực hiện  Lựa chọn biến phụ thuộc và định nghĩakhách hàng tốt và khách hàng xấu Tháng 2 năm 2016, dựa vào trạng thái của các khoản vay năm 2014 trên LC,lựa chọn Loan statuslàm biến phụ thuộc Ygồm 7 trạng thái như sau: - Current: Các khoản vay còn dư nợ nhưng thanh toán đầy đủ các khoản nợ hàng tháng. - Fully Paid: Khách hàng đã thanh toán đầy đủ khoản vay. - In Grace Period: Trong thời gian ân hạn, khách hàng được phép thanh toán khoản vay mà không phải nộp phạt (15 ngày tính từ ngày phải thanh toán khoản vay). - Late (16-30 days): Các khoản vay trả muộn so với hạn trả từ 16 đến 30 ngày. - Late (31-120 days): Các khoản vay trả muộn so với hạn trả nợ từ 31 đến 120 ngày. - Default: Khách hàng bị vỡ nợ, quá hạn trên 120 ngày. - Charged Off: Các khoản vay quá hạn, nợ không thể hoàn trả (chậm quá 150 ngày). Biểu đồ 1. Các nhóm trong biến phụ thuộc Y trước khi phân lớp Late (31-120 Default Charged Off days) 0% 7% 2% Late (16-30 days) 0% Fully Paid In Grace 25% Period 1% Current 65% Nhóm tác giả thực hiện Đến cuối tháng 8 năm 2016, cập nhật trạng thái của các khoản vay và xem lạitrạng thái của các khoản vay tại tháng 2 năm 2016. Bảng 3. Bảng tính tỷ lệ thay đổi trạng thái của khách hàng sau 8 tháng In Late Late Trạngthái Fully Charged Current Grace (16-30 (31-120 Default trước vay Paid Off Period days) days) Fully Paid 100.00% 0.00% 0.00% 0.00% 0.00% 0.00% 0.00% Current 13.88% 80.40% 1.09% 0.61% 2.29% 0.00% 1.73% 7
8. In Grace Period 8.88% 33.12% 19.14% 2.60% 9.76% 0.10% 26.40% Late (16-30 days) 3.28% 21.79% 0.28% 5.98% 7.55% 0.00% 61.11% Late (31-120 days) 1.40% 4.73% 0.96% 0.58% 5.60% 0.09% 86.64% Default 1.05% 0.00% 0.00% 0.00% 0.53% 0.53% 97.89% Charged Off 0.00% 0.00% 0.00% 0.00% 0.00% 0.00% 100.00% Nhóm tác giả tính toán Biểu đồ 2. Tỷ lệ thay đổi trạng thái của khách hàng sau 8 tháng Nhóm tác giả thực hiện Nhóm khách hàng có trạng thái là “Late (31-120 days)” là khách hàng xấu tương ứng vớiY = 1. Những quan sát có trạng thái “In Grace Period” và “Late (16-30 days)” ở trạng thái trung tính sẽ được loại bỏ khỏi mẫu. Lấy ngẫu nhiên 70% mẫu để xây dựng mô hình và 30% mẫu sử dụng để hậu kiểm. Bảng 4. Kết quả Mô hình Analysis of Maximum Likelihood Estimates Standard Wald Parameter DF Estimate Pr > Chi_Square Error Chi_Square Intercept 1 2.3289 0.00912 65272.4514 <.0001 acc_open_past_24mths 1 0.7831 0.0425 339.9262 <.0001 annual_incw 1 0.5267 0.052 102.655 <.0001 dti3w 1 0.5389 0.0455 140.3659 <.0001 dtiw 1 0.259 0.0504 26.4611 <.0001 inq_last_6mthsw 1 0.7158 0.0556 165.7191 <.0001 mo_sin_old_il_acctw 1 0.5404 0.0666 65.8343 <.0001 mo_sin_old_rev_tl_op 1 0.5253 0.0485 117.4692 <.0001 mo_sin_rcnt_tlw 1 0.2318 0.0571 16.4552 <.0001 mths_since_recent_bc 1 0.4349 0.0695 39.1241 <.0001 mths_since_recent_inq 1 0.2604 0.0625 17.3486 <.0001 percent_bc_gt_75w 1 0.4587 0.0748 37.5524 <.0001 purposew 1 0.9315 0.0644 209.1187 <.0001 revol_utilw 1 0.5908 0.1057 31.2147 <.0001 termw 1 0.6653 0.053 157.4741 <.0001 tyle_loanw 1 0.535 0.0523 104.5204 <.0001 8
9. verification_statusw 1 0.5056 0.0556 82.7335 <.0001 bc_open_to_buyw 1 0.6831 0.0541 159.6187 <.0001 Nguồn: Truy suất kết quả từ phần mềm SAS Nhóm tác giả thực hiện 4. Chấm điểm khách hàng dựa trên kết quả của mô hình Logistic Bảng 4 cho thấy mỗi khách hàngtrên LCứng với một véc tơ thông tin đầu vàoX i đều tính được xác suất để khách hàng là tốt.Lấy mức xác suất khách hàng tốt nhân với 1000 thu được điểm của khách hàng đó. Lựa chọn điểm cắt xác suất khách hàng tốt 10% (mức thông thường của các ngân hàng) tương ứng với xác suất 0.842 (tương ứng với mức điểm 842) làm căn cứ cho vay thì khách hàng nào dưới 842 điểmsẽ bị từ chối cho vay. Bảng 5: Bảng chấm điểm khách hàng trên mẫu xây dựng mô hình Distr Cumulative Number Distr Cumulative Total Number Diện tích dưới Class Percent of frequency of of frequency N of Good đường cong Goods of Good Bad Bad of Bad . 163023 148511 14512 0.667017462 12.03 < - 814 8280 5.08% 6534 4.40% 4.40% 1746 12.03% 0.002646717 % 814< - 842 8073 4.95% 6698 4.51% 8.91% 1375 9.47% 21.51% 0.007562939 842< - 860 8226 5.05% 6986 4.70% 13.61% 1240 8.54% 30.05% 0.012126358 860< - 874 8663 5.31% 7472 5.03% 18.65% 1191 8.21% 38.26% 0.017184072 874< - 884 7589 4.66% 6680 4.50% 23.14% 909 6.26% 44.52% 0.018617101 884< - 894 9022 5.53% 8021 5.40% 28.54% 1001 6.90% 51.42% 0.02590869 894< - 902 8284 5.08% 7403 4.98% 33.53% 881 6.07% 57.49% 0.027144782 902< - 909 8147 5.00% 7376 4.97% 38.50% 771 5.31% 62.80% 0.029872711 909< - 915 7542 4.63% 6881 4.63% 43.13% 661 4.55% 67.36% 0.03015398 915< - 921 8054 4.94% 7389 4.98% 48.10% 665 4.58% 71.94% 0.034653214 921< - 927 8328 5.11% 7695 5.18% 53.29% 633 4.36% 76.30% 0.038405526 927< - 933 8888 5.45% 8279 5.57% 58.86% 609 4.20% 80.50% 0.043705776 933< - 938 7873 4.83% 7334 4.94% 63.80% 539 3.71% 84.21% 0.040670305 938< - 943 7922 4.86% 7472 5.03% 68.83% 450 3.10% 87.31% 0.043149997 943< - 948 7770 4.77% 7362 4.96% 73.79% 408 2.81% 90.13% 0.043980196 948< - 954 9166 5.62% 8754 5.89% 79.68% 412 2.84% 92.96% 0.053961276 954< - 959 7351 4.51% 7008 4.72% 84.40% 343 2.36% 95.33% 0.044426119 959< - 965 7940 4.87% 7659 5.16% 89.56% 281 1.94% 97.26% 0.0496618 965< - 973 8583 5.26% 8317 5.60% 95.16% 266 1.83% 99.10% 0.054983796 973< - HIGH 7322 4.49% 7191 4.84% 100.00% 131 0.90% 100.00% 0.048202109 Nhóm tác giả tính toán 9
10. Như vậy 30% lượng khách hàng xấu tập trung ở 3 lớp khách hàng trên tổng số 20 lớp khách hàng có xác suất khách hàng tốt thấp nhất. Lớp khách hàng thứ 6 có 51.45% khách hàng xấu chứng tỏ mô hình có khả năng phân loại khách hàng tốt và xấu khá rõ nét. Tỷ lệ phần trăm lượng khách hàng xấu giảm dần theo lớp khách hàng có xác suất khách hàng tốt tăng dần. 3.77% lượng khách hàng xấu thuộc 3 lớp khách hàng có xác suất khách hàng tốt cao nhất. 5. Đánh giá chất lượng mô hình bằng hệ số GINI Biểu đồ. Đường cong ROC dựa trên 70% mẫu xây dựng mô hình 1 0,9 0,8 0,7 ncy of Bad 0,6 0,5 ROC 0,4 0,3 Đường 45 0,2 0,1 Cumulative freque 0 0 0,5 1 Cumulative frequency of Good Nhóm tác giả thực hiện .. = = 0.33403 cho thấy mô hình có khả năng dự báo mức trung bình. . Hậu kiểm mô hình:Sử dụng 30% mẫuđược giữ lạiđể tính toán hệ số GINI. Biểu đồ 4: Đường cong ROC dựa trên 30% mẫu hậu kiểm 1 0,8 0,6 0,4 45 độ ROC 0,2 Cumulative Distribution of Bad 0 0 0,5 1 Cumulative Distribution of Good Nhóm tác giả thực hiện .. = = 0.3289 cho thấy mô hình có khả năng dự báo mức trung bình và hệ số . Gini giữa mẫu xây dựng mô hình và mẫu kiểm định khá ổn định, không sai khác nhiều. 6. Đánh giá kết quả ứng dụng mô hình Logistic 10
11. Ứng dụng mô hình Logistic trong XHTD và chấm điểm khách hàng là chủ đề không mới, với việc ứng dụng trên cơ sở dữ liệu của LC một lần nữa khẳng định tính khoa học và hữu dụng trong vấn đề XHTD khách hàng cho các tổ chức tín dụng. Cùng với mô hình XHTD hiện nay tại cácNHTMViệt Nam,mô hình Logistic nếu được áp dụng trên cơ sở bộ dữ liệu cập nhật, đầy đủ sẽ giúp các ngân hàng đưa ra được đánh giá khách quan hơn đối với khách hàng vay vốn, giảm thiểu rủi ro tín dụng cũng như tỷ lệ nợ xấu trong các ngân hàng hiện nay. Tài liệu tham khảo 1. Lê Thị Hạnh (2017), “Kiểm soát rủi ro tín dụng theo Basel II tại các NHTM Việt Nam”, Tạp chí Tài chính, Truy cập ngày 16.6.2017, kinh-doanh/tai-chinh-doanh-nghiep/kiem-soat-rui-ro-tin-dung-theo-basel-ii-tai-cac- ngan-hang-thuong-mai-viet-nam-100966.html 2. Trương Thị Hồng, Lê Thị Minh Ngọc (2014),“Xếp hạng tín dụng khách hàng cá nhân tại NHTM Việt Nam, thực trạng và những hạn chế cần hoàn thiện”, Thị trường Tài chính Tiền tệ, số 21, trang 17-21. 3. Bùi Lê Trà Linh, Hoàng Ngọc Hà, Nguyễn Văn Khoa, Phạm Thị Mai (2016), “Ứng dụng mô hình Logistic chấm điểm khách hàng nộp hồ sơ vay tại NHTM”, Kỷ yếu Hội thi NCKH sinh viên toàn quốc“Olympic Kinh tế lượng và ứng dụng” lần 1, trang 99-131. 4. Lê Văn Triết (2010), “Hoàn thiện hệ thống xếp hạng tín dụng cá nhân của ngân hàng TMCP Á Châu”, Luận văn thạc sĩ kinh tế, trường Đại học Kinh tế Thành phố Hồ Chí Minh, Truy cập 15.6.2017, van-de-tai-cao-hoc/file_goc_770495.pdf. 5. Lê Thanh Tùng (2014), “Hệ thống xếp hạng tín dụng nội bộ và các ứng dụng trong quản trị rủi ro tín dụng theo Basel II”, Thị trường Tài chính Tiền tệ, số 15, trang 18-21. 6. NHNN, Quyết định số 18/2007/QĐ-NHNN về việc sửa đổi, bổ sung một số điều của Quyết định số 493/2005/QĐ-NHNN. 7. NHNN, Quyết định số 493/2005/QĐ-NHNN ban hành quy định về phân loại nợ, trích lập và sử dụng dự phòng để xử lý rủi ro tín dụng trong hoạt động ngân hàng của tổ chức tín dụng. 8. NHNN, Quyết định số 57/2002/QĐ-NHNN về việc triển khai thí điểm đề án phân tích, xếp loại tín dụng doanh nghiệp. 9. NHNN, Thông tư số 02/2013/TT-NHNN quy định về phân loại tài sản có, mức trích, phương pháp trích lập dự phòng rủi ro và việc sử dụng dự phòng để xử lý rủi ro trong hoạt động của tổ chức tín dụng, chi nhánh ngân hàng nước ngoài. 10. Damodar N. Gujarati (2004), Basic Econometrics, McGraw-Hill, Fourth Edition. 11
12. 11. Logistic Regression and Newton’s Method, 36-402, Addvanced Data Analysis, 15 March 2011, Truy cập ngày 15.8.2016, logistic-regression/lecture-14.pdf. 12. Maddala (1992), Introduction to Econometrics, Macmillan Publishing company, New York, Second Edition. 13. Naeem Siddiqi (2006), Credit Risk Scorecards, John Wiley & Sons, Inc. 14. Thomas G.Tape, MD, Interpreting Diagnostic Tests, truy cập ngày 20.8.2016, 12