Lựa chọn mô hình dự đoán xác suất vỡ nợ của khách hàng cá nhân vay tín chấp: Trường hợp Ngân hàng Thương mại Cổ phần Á Châu (ACB)

Các tác giả

  • Vũ Hữu Thành
    Trường Đại học Mở Thành phố Hồ Chí Minh, Thành phố Hồ Chí Minh, Việt Nam
    https://orcid.org/0000-0003-2306-2565
  • Hoàng Thị Kim Diễm
    Ngân hàng Thương mại Cổ phần Á Châu, Thành phố Hồ Chí Minh, Việt Nam

DOI:

10.46223/HCMCOUJS.econ.vi.20.3.3394.2025

Từ khóa:

dự báo; mô hình học máy; rủi ro tín dụng; xác suất vỡ nợ

Phân loại JEL:

G21

Tóm tắt

Nghiên cứu này được thực hiện nhằm lựa chọn mô hình dự đoán xác suất vỡ nợ của hệ thống xếp hạng tín dụng nội bộ đối với khách hàng cá nhân. Từ đó, nghiên cứu cũng đề xuất tích hợp áp dụng mô hình vào quy trình tín dụng và đề xuất thu thập thông tin chính xác để tăng chất lượng dự đoán của mô hình. Trong nghiên cứu này, nhóm tác giả sử dụng bộ dữ liệu có thời gian lấy mẫu từ 01/01/2022 đến 31/12/2022 và thời gian quan sát từ 01/01/2023 đến 31/12/2023. Nhóm nghiên cứu đã sử dụng mô hình Logistic, 09 mô hình học máy và mô hình kết hợp Ensemble. Nhóm cũng sử dụng các biện pháp cân bằng dữ liệu và tiền xử lý dữ liệu trước khi đưa vào ước lượng mô hình. Kết quả, mô hình Logistic và mô hình kết hợp Ensemble là hai mô hình dự báo tốt nhất. Với ngưỡng xác suất phá sản tối ưu cho dự đoán độ nhạy, mô hình Logistic đã cho kết quả dự đoán trội hơn so với Ensemble. Ngoài ra, nghiên cứu cũng phát hiện các thông tin quan trọng để dự đoán xác suất vỡ nợ bao gồm: Trình độ học vấn, Loại hình tổ chức, Giới tính, Độ tuổi, Thời gian liên tục có thu nhập, Thời gian công tác, Thời hạn vay, Nhu cầu vay, Tổng thu nhập, Tổng chi phí, Nợ phải trả hàng tháng, Lịch sử tín dụng 06 tháng gần nhất.

Tải xuống

Dữ liệu tải xuống chưa có sẵn.

Tài liệu tham khảo

Alam, T. M., Shaukat, K., Hameed, I. A., Luo, S., Sarwar, M. U., Shabbir, S., Li, J., & Khushi, M. (2020). An investigation of credit card default prediction in the imbalanced datasets. Ieee Access, 8(1), 201173-201198.

BCBS. (2000). Principles for the management of credit risk. https://www.bis.org/publ/bcbs75.htm K:

BCBS. (2006). International convergence of capital measurement and capital standards. https://www.bis.org/publ/bcbs128.htm

Boehmke, B., & Greenwell, B. M. (2019). Hands-on machine learning with R. Chapman and Hall/CRC.

Chang, A. H., Yang, L. K., Tsaih, R. H., & Lin, S. K. (2022). Machine learning and artificial neural networks to construct P2P lending credit-scoring model: A case using Lending Club data. Journal, 6(2), 303-325.

Tải xuống

Ngày nộp: 23-04-2024
Ngày duyệt đăng: 22-11-2024
Ngày xuất bản: 13-01-2025

Thống kê truy cập

Trang tóm tắt: 996
PDF: 746
Crossref
Scopus
Google Scholar
Europe PMC

Cách trích dẫn

Thành, V. H., & Diễm, H. T. K. (2025). Lựa chọn mô hình dự đoán xác suất vỡ nợ của khách hàng cá nhân vay tín chấp: Trường hợp Ngân hàng Thương mại Cổ phần Á Châu (ACB). Tạp Chí Khoa học Đại học Mở Thành phố Hồ Chí Minh - Kinh Tế Và Quản trị Kinh Doanh, 20(3), 31–47. https://doi.org/10.46223/HCMCOUJS.econ.vi.20.3.3394.2025

Giấy phép

Bản quyền (c) 2025 Vũ Hữu Thành; Hoàng Thị Kim Diễm

Giấy phép Creative Commons

Tác phẩm này được cấp phép theo Giấy phép quốc tế Creative Commons Attribution-NonCommercial 4.0 .

Các bài báo tương tự

Bạn cũng có thể bắt đầu một tìm kiếm tương tự nâng cao cho bài báo này.