Nghiên cứu các mô hình học máy dự đoán khả năng vỡ nợ của khách hàng doanh nghiệp tại ngân hàng

Abstract

Có nhiều nghiên cứu khoa học thực nghiệm trên phạm vi toàn cầu đã chứng minh hiệu quả của học máy trong việc dự đoán khả năng vỡ nợ của khách hàng trong tương lai. Điều này là cần thiết để Ngân hàng có các hướng xử lý kịp thời, giảm thiểu thời gian và quy trình phân tích tín dụng, góp phần tối ưu hóa danh mục tín dụng, giảm thiểu rủi ro tín dụng. Nghiên cứu này đã sử dụng các dữ liệu liên quan đến thông tin tín dụng, tài chính và đặc điểm của khách hàng doanh nghiệp tại Ngân hàng để xây dựng mô hình. Kết quả cho thấy các mô hình tree-based có khả năng dự đoán khá tốt, trong đó XGBoost có độ chính xác cao nhất với chỉ số F1-score đạt 0.84, đường cong ROC có diện tích AUC đạt 0.97. Với kết quả này, Ngân hàng có thể áp dụng mô hình vào thực tế để hỗ trợ quyết định kinh doanh, giúp tăng cường khả năng dự báo rủi ro tín dụng, nâng cao hiệu suất hoạt động của ngân hàng và giảm thiểu các tổn thất không mong muốn.