Mô hình chấm điểm tín dụng logistic
Mô hình chấm điểm tín dụng logistic (Logistic Credit Scoring Model) là một ứng dụng của hồi quy logistic trong lĩnh vực quản trị rủi ro tín dụng, được sử dụng để ước lượng xác suất một khách hàng cá nhân hoặc doanh nghiệp rơi vào trạng thái vỡ nợ (default) trong một khoảng thời gian nhất định. Mô hình lấy đầu vào là tập hợp các biến đặc trưng (features) phản ánh hành vi tài chính, lịch sử tín dụng, năng lực trả nợ và nhân khẩu học của khách hàng, sau đó ánh xạ vào một giá trị xác suất trong khoảng (0; 1). Dựa trên ngưỡng xác suất cắt (cut-off) do ngân hàng thiết lập, khách hàng được phân loại thành nhóm chấp nhận cho vay hoặc nhóm từ chối/từ chối có điều kiện. Đây là mô hình nền tảng trong hầu hết các hệ thống credit scoring hiện đại nhờ tính đơn giản, khả năng diễn giải cao và chi phí triển khai thấp.
Cơ sở toán học và công thức cốt lõi
Hồi quy logistic sử dụng hàm liên kết logit để chuyển đổi tổ hợp tuyến tính của các biến đầu vào thành xác suất:
P(Y = 1 | X) = 1 / (1 + e^(-z)), trong đó z = β₀ + β₁X₁ + β₂X₂ + ... + βₖXₖ
- Y = 1 biểu thị sự kiện vỡ nợ.
- Xᵢ là các biến độc lập (thu nhập, tuổi, số ngày quá hạn, tỷ lệ nợ trên thu nhập…).
- βᵢ là hệ số hồi quy, ước lượng bằng phương pháp khả năng cực đại (Maximum Likelihood Estimation - MLE).
Hệ số β dương cho thấy biến đó làm tăng xác suất vỡ nợ, hệ số β âm cho thấy tác động ngược chiều. Odd Ratio (e^β) được sử dụng phổ biến để diễn giải: nếu Odd Ratio = 1,5 nghĩa là khi biến X tăng một đơn vị, odds (tỷ lệ cược) của việc vỡ nợ tăng 1,5 lần.
Các bước xây dựng mô hình
Quy trình xây dựng một mô hình chấm điểm tín dụng logistic tại ngân hàng thương mại thường trải qua các bước:
- Xác định biến mục tiêu (target): thường là "nhóm xấu" (vỡ nợ trong 12 tháng tới, theo quy định phân loại nợ hiện hành của Ngân hàng Nhà nước).
- Thu thập và làm sạch dữ liệu: lịch sử vay, CIC/Trung tâm Thông tin Tín dụng, dòng tiền, hành vi giao dịch.
- Lựa chọn biến đầu vào: dùng phân tích tương quan, kiểm định Chi-square, IV (Information Value) và VIF để loại đa cộng tuyến.
- Ước lượng hệ số và kiểm định ý nghĩa thống kê (Wald test, p-value).
- Đánh giá hiệu năng mô hình bằng các chỉ số Gini, KS, AUC-ROC và Hosmer-Lemeshow test.
- Hiệu chỉnh ngưỡng cắt theo chiến lược rủi ro và khẩu vị rủi ro (risk appetite) của tổ chức tín dụng.
- Giám sát và tái huấn luyện (model recalibration) định kỳ để phản ánh chu kỳ kinh tế.
Ưu điểm và hạn chế
Ưu điểm nổi bật:
- Kết quả dễ diễn giải, phù hợp với yêu cầu minh bạch của cơ quan quản lý.
- Chi phí tính toán thấp, triển khai nhanh.
- Cho phép suy ra điểm tín dụng (credit score) bằng phép chuyển đổi đơn điệu từ xác suất sang thang điểm.
- Phù hợp với các quy định Basel về mô hình IRB (Internal Ratings-Based) ở mức độ nền tảng.
Hạn chế cần lưu ý:
- Giả định quan hệ tuyến tính giữa log-odds và các biến đầu vào; nếu quan hệ phi tuyến mạnh, mô hình có thể giảm chất lượng.
- Nhạy cảm với imbalance dữ liệu (tỷ lệ vỡ nợ thường chỉ 2 - 5%); cần kỹ thuật SMOTE, undersampling hoặc điều chỉnh trọng số lớp.
- Không nắm bắt tốt tương tác phức tạp giữa các biến như mô hình cây quyết định, gradient boosting hay mạng nơ-ron.
Ví dụ minh họa cho người luyện thi
Một ngân hàng xây dựng mô hình logistic với ba biến đầu vào: X₁ = số ngày quá hạn trung bình 6 tháng gần nhất, X₂ = tỷ lệ nợ trên thu nhập (DTI), X₃ = thâm niên quan hệ với ngân hàng (năm). Phương trình ước lượng được:
P(default) = 1 / (1 + e^(-(-3,0 + 0,15·X₁ + 1,8·X₂ - 0,4·X₃)))
Với khách hàng có X₁ = 10, X₂ = 0,45, X₃ = 3 ta tính z = -3 + 0,15·10 + 1,8·0,45 - 0,4·3 = -1,49, suy ra P(default) ≈ 0,184 hay 18,4%. Ngân hàng đặt ngưỡng 10% thì khách hàng này bị từ chối.
Câu hỏi phổ biến trong đề thi tuyển dụng ngân hàng
- Giá trị Gini/AUC tối thiểu để chấp nhận mô hình tín dụng thường được yêu cầu ≥ 0,6; mức tốt ≥ 0,7.
- Tại sao hồi quy logistic được ưu tiên hơn hồi quy tuyến tính cho bài toán phân loại nhị phân? Vì đầu ra bị chặn trong (0; 1) và có tính xác suất, phù hợp cho việc ra quyết định chấp nhận/từ chối.
- Odd Ratio của một biến = 2,2 có nghĩa gì? Khi biến tăng một đơn vị, odds vỡ nợ tăng 2,2 lần, tức xác suất vỡ nợ tăng (chưa tuyến tính).
- Phân biệt KS và Gini: KS đo khoảng cách lớn nhất giữa phân phối tích lũy của nhóm tốt và nhóm xấu; Gini = 2·AUC - 1, là chỉ số phân biệt tổng quát hơn.
Lưu ý khi áp dụng tại Việt Nam
Khi triển khai tại các ngân hàng thương mại Việt Nam, mô hình chấm điểm tín dụng logistic phải tuân thủ khung quản trị rủi ro mô hình (Model Risk Management) theo Thông tư hướng dẫn của Ngân hàng Nhà nước về hệ thống xếp hạng tín dụng nội bộ, đồng thời đảm bảo khả năng giải thích được trước thanh tra và kiểm toán. Dữ liệu đầu vào cần được đối chiếu với Trung tâm Thông tin Tín dụng Quốc gia (CIC) để tăng độ tin cậy. Các tổ chức tín dụng lớn hiện thường kết hợp logistic với các mô hình ensemble (XGBoost, LightGBM) trong kiến trúc hai lớp: lớp nền là logistic để đáp ứng yêu cầu giải thích, lớp bổ sung là mô hình phi tuyến để nâng cao sức mạnh phân loại.
Nội dung mang tính tham khảo chuyên môn, không thay thế tư vấn pháp lý hoặc tư vấn mô hình chính thức từ đơn vị quản trị rủi ro.