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

Thị Ái Thu Huỳnh1, , Thái Kim Phụng2
1 Đại học Kinh tế
2 Đại học kinh tế Thành phố Hồ Chí Minh
0
Ngày xuất bản Online: 25/08/2026
Chuyên mục: Tài chính, Ngân hàng, Kế toán, Kiểm toán
DOI: https://doi.org/10.52932/jfmr.v18i2vn.1337

Nội dung chính của bài viết

Tóm tắt

Trong bối cảnh tỷ lệ nợ xấu của các ngân hàng thương mại Việt Nam gia tăng nhanh sau đại dịch COVID-19, nhu cầu xây dựng hệ thống cảnh báo sớm rủi ro tín dụng (EWS) trở nên đặc biệt cấp thiết. Tuy nhiên, phần lớn hệ thống hiện hành vẫn dựa trên các quy tắc cố định (rule-based), chưa khai thác hiệu quả dữ liệu lớn và còn hạn chế trong việc nhận diện sớm khách hàng tiềm ẩn nguy cơ vỡ nợ. Nghiên cứu này phát triển và so sánh các mô hình học máy (Logistic Regression, Random Forest, XGBoost) và học sâu (Deep Neural Network, TabNet) trên ba tập dữ liệu gồm dữ liệu gốc, dữ liệu cân bằng bằng SMOTE-ENN và dữ liệu giảm chiều bằng PCA. Hiệu năng mô hình được đánh giá thông qua Accuracy, Recall, F1-score và AUC, đồng thời áp dụng SHAP (SHapley Additive exPlanations) để đảm bảo khả năng giải thích và minh bạch. Kết quả cho thấy TabNet kết hợp SMOTE-ENN đạt hiệu quả vượt trội, với Recall xấp xỉ 0.86 và AUC xấp xỉ 0.97, đáp ứng tốt yêu cầu cảnh báo sớm trong bối cảnh dữ liệu mất cân bằng. Nhờ khả năng giải thích của SHAP, mô hình có tính khả thi cao khi tích hợp vào hệ thống quản trị rủi ro. Nghiên cứu góp phần thúc đẩy ứng dụng học máy trong lĩnh vực tài chính, ngân hàng và đề xuất một mô hình thực nghiệm phù hợp cho triển khai EWS tại các ngân hàng thương mại Việt Nam

Từ khóa

Cảnh báo sớm rủi ro tín dụng; Machine Learning; SHAP; SMOTE-ENN; TabNet

Chi tiết bài viết

Lĩnh vực kinh tế (JEL Codes)

G21 - Banks • Depository Institutions • Micro Finance Institutions • Mortgages - Financial Institutions and Services

Tài liệu tham khảo

Arik, S. Ö., & Pfister, T. (2021). TabNet: Attentive interpretable tabular learning. Proceedings of the AAAI conference on artificial intelligence,
Basel Committee on Banking Supervision. (2006). International Convergence of Capital Measurement and Capital Standards: A Revised Framework – Comprehensive Version. https://www.bis.org/publ/bcbs128.pdf
Basel Committee on Banking Supervision. (2017). Basel III: Finalising post-crisis reforms. https://www.bis.org/bcbs/publ/d424.pdf
Beker, V. A. (2023). Systemic risk and credit risk. In Elgar Encyclopedia of Financial Crises (pp. 294-295). Edward Elgar Publishing.
Beltman, J., Machado, M. R., & Osterrieder, J. R. (2025). Predicting retail customers' distress in the finance industry: An early warning system approach. Journal of Retailing and Consumer Services, 82, 104101.
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
Cao Văn Kiên và Vũ Thuận An. (2024). So sánh hiệu quả các mô hình học máy trong đánh giá rủi ro tín dụng. Tạp chí Khoa học & Công nghệ - ĐH NTT, 7(1), 23-30.
Chang, V., Sivakulasingam, S., Wang, H., Wong, S. T., Ganatra, M. A., & Luo, J. (2024). Credit risk prediction using machine learning and deep learning: A study on credit card customers. Risks, 12(11), 174.
Chen, C. (2024). Introduction to Credit Risk and Capital Management Frameworks. In Practical Credit Risk and Capital Modeling, and Validation: CECL, Basel Capital, CCAR, and Credit Scoring with Examples (pp. 1-44). Springer.
Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Cornell University.
Đỗ Thị Thu Hà. (2020). Hệ thống cảnh báo sớm rủi ro tín dụng tại các ngân hàng thương mại Việt Nam.
Hosmer Jr, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression. John Wiley & Sons.
Kaluðer, I., & Klepac, G. (2014). Credit Risk Early Warning System using Fuzzy Expert Systems. Central European Conference on Information and Intelligent Systems,
Kingma, D. P. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
Kuyoro, A. O., Ogunyolu, O. A., Ayanwola, T. G., & Ayankoya, F. Y. (2022). Dynamic Effectiveness of Random Forest Algorithm in Financial Credit Risk Management for Improving Output Accuracy and Loan Classification Prediction. Ingénierie des systèmes d'information, 27(5), 815.
Lessmann, S., Baesens, B., Seow, H.-V., & Thomas, L. C. (2015). Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research. European journal of operational research, 247(1), 124-136.
LI, J. (2025). Application of Big Data in Bank Loan Risk Early Warning and Prediction. FRONTIERS, 18(1), 179-182.
Liu, G. (2025). Research on Personal Loan Default Risk Assessment Based on Machine Learning. ITM Web of Conferences,
Liu, X. (2024). Credit Risk Classification and Prediction Based on Deep Neural Network Algorithm. Advances in Economics, Management and Political Sciences, 88. https://doi.org/10.54254/2754-1169/88/20241007
Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in neural information processing systems, 30.
Moscato, V., Picariello, A., & Sperlí, G. (2021). A benchmark of machine learning approaches for credit score prediction. Expert Systems with Applications, 165, 113986.
Ngân hàng Nhà nước Việt Nam. (2021). Thông tư số 11/2021/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 (11/2021/TT-NHNN). https://chinhphu.vn/default.aspx?docid=203811&pageid=27160
Nguyễn Minh Nhật. (2024). Applied Density-Based Clustering Techniques for Classifying High-Risk Customers: A Case Study of Commercial Banks in Vietnam. Journal of Applied Data Sciences, 5(4), 1639-1653.
Nguyen Quoc Hung, Trinh Hoang Viet, Truong Viet Phuong, & Truong Thi Minh Ly. (2024). Early Warning System for Debt Group Migration: The Case of One Commercial Bank in Vietnam. Foundations of Management, 16(1), 195-216.
Shukla, B., & Pandey, A. (2022). Credit Risk Management with Special Reference to Union Bank of India, Gorakhpur. Sachetas, 1(1), 10-16.
Siedlarek, J.-P. (2024). The evolution of US bank capital around the implementation of Basel III. Economic Commentary(2024-07).
Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: a simple way to prevent neural networks from overfitting. The journal of machine learning research, 15(1), 1929-1958.
VnBusiness. (2025a). Nợ xấu ngân hàng vượt 1 triệu tỷ đồng. VnBusiness. https://vnbusiness.vn/ngan-hang/no-xau-ngan-hang-vuot-1-trieu-ty-dong-1106346.html
VnBusiness. (2025b). Nợ xấu tiếp tục tăng nhanh tại nhiều ngân hàng, có đáng lo? https://vnbusiness.vn/ngan-hang/no-xau-tiep-tuc-tang-nhanh-tai-nhieu-ngan-hang-co-dang-lo-1106673.html
Wang, H. (2022). Model and application of farmers’ credit risk early warning system based on TS fuzzy neural network application. Mathematical Biosciences and Engineering, 19(8), 7886-7898.
Yang, Y., Lin, Y., Zhang, Y., Su, Z., Goh, C. C., Fang, T., Bellotti, A. G., & Lee, B. G. (2025). Transforming Credit Risk Analysis: A Time-Series-Driven ResE-BiLSTM Framework for Post-Loan Default Detection. arXiv preprint arXiv:2508.00415.
Zhang, T., & Zhang, W. (2018). Multiple instance learning for credit risk assessment with transaction data. Knowledge-Based Systems, 161, 65-77.
Zhu, X., Chu, Q., Song, X., Hu, P., & Peng, L. (2023). Explainable prediction of loan default based on machine learning models. Data Science and Management, 6(3), 123-133.
Trích dẫn bài báo
Huỳnh, T. Á. T., & Thái, K. P. (2026). 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. Tạp chí Nghiên cứu Tài chính - Marketing, 18(2vn). https://doi.org/10.52932/jfmr.v18i2vn.1337