3.3. Dự báo rủi ro dựa trên mô hình cây quyết định
Với tập luật và mô hình cây quyết định của mô hình dự báo ở trên, chúng ta có bảng dự báo như sau:
Bảng 3. 4. Kết quả dự báo với mô hình cây quyết định
XEPLOAIHS | TUOI | SOTIENVAY | LOAIKH | CBCHOVAY | |
D1 | LOAIA | 35 | 55 | CN | Không |
D2 | LOAIA | 30 | 60 | DN | Có |
D3 | LOAIA | 43 | 20 | CN | Có |
D4 | LOAIC | 30 | 50 | CN | Không |
D5 | LOAIC | 28 | 50 | CN | Không |
D6 | LOAIC | 65 | 40 | DN | Không |
D7 | LOAIB | 64 | 35 | CN | Có |
D8 | LOAIA | 52 | 65 | DN | Có |
D9 | LOAIA | 39 | 20 | CN | Có |
D10 | LOAIC | 25 | 20 | CN | Không |
D11 | LOAIA | 45 | 45 | CN | Không |
D12 | LOAIB | 22 | 60 | DN | Có |
D13 | LOAIB | 41 | 45 | CN | Không |
D14 | LOAIC | 31 | 30 | CN | Không |
D15 | LOAIB | 45 | 53 | DN | Có |
D16 | LOAIB | 34 | 55 | DN | Có |
D17 | LOAIC | 56 | 50 | CN | Không |
D18 | LOAIB | 66 | 58 | DN | Có |
D19 | LOAIB | 45 | 59 | CN | Không |
D20 | LOAIB | 34 | 61 | CN | Không |
D21 | LOAIA | 45 | 60 | DN | Có |
Có thể bạn quan tâm!
-
Đặc Điểm Sản Phẩm Gửi Tiết Kiệm Ngân Hàng Shb -
Phân Tích Và Dự Báo Rủi Ro Tín Dụng Tại Ngân Hàng Tmcp Sài Gòn – Hà Nội -
Kỹ thuật cây quyết định hồi quy trong phân tích và dự báo rủi ro tín dụng tại ngân hàng TMCP Sài Gòn – Hà Nội (HSB), chi nhánh Thái Nguyên - 9
Xem toàn bộ 80 trang tài liệu này.
LOAIA | 34 | 45 | DN | Có | |
D23 | LOAIB | 56 | 30 | CN | Có |
D24 | LOAIC | 66 | 53 | CN | Không |
D25 | LOAIC | 45 | 55 | CN | Không |
D26 | LOAIC | 34 | 90 | DN | Không |
D27 | LOAIB | 45 | 25 | CN | Có |
D28 | LOAIA | 34 | 60 | DN | Có |
D29 | LOAIB | 56 | 45 | CN | Không |
D30 | LOAIA | 66 | 50 | DN | Có |
Nhận xét: Mô hình xây dựng trên cây quyết định dự đoán đúng 20/30 hồ sơ => tỷ lệ = 67%.
Mô hình dự báo xây dựng dựa trên cây quyết định cho kết quả dự báo cao trên 50%. Chính vì thế mô hình này có thể sử dụng trên thực tế để có thể dự báo rủi ro tín dụng của ngân hàng.
Kết luận của chương 3:
Chương này tập trung nghiên cứu và đưa ra những ứng dụng thử nghiệm một số phương pháp phân tích dữ liệu và dự báo về rủi ro, quản trị rủi ro tín dụng đối với ngân hàng thương mại cổ phần SHB – Chi nhánh Thái Nguyên. Dữ liệu được thu thập từ ngân hàng SHB, sử dụng phương pháp cây quyết định và sử dụng phần mềm Weka để đưa ra dữ liệu kết quả phân tích dự báo về rủi ro. Từ đó, đưa ra giải pháp kiến nghị về quản trị rủi ro tín dụng trong hoạt động kinh doanh tín dụng ngân hàng SHB nhằm đưa ra những cảnh báo, hạn chế và giảm thiểu những rủi ro tín dụng.
KẾT LUẬN
Qua nghiên cứu em đã hiểu được rủi ro tín dụng dựa trên các phương pháp. Và đánh giá dự báo rủi ro cho ngân hàng có nên cho khách hàng, doanh nghiệp vay vốn và dự báo phá sản của khách hàng doanh nghiệp qua mô hình Z-Score.
Về kinh nghiệm bản thân:
Qua thời gian 5 tuần thực tập, nghiên cứu đề tài giúp em rò hơn về quá trình tín dụng tại ngân hàng. Học hỏi thêm nhiều kinh nghiệm trong kỹ năng, nghiệp vụ quy trình quản lí tín dụng. Giúp em hoàn thiện hơn trong nền tảng kiến thức thực tế và phục vụ cho công việc sau này của bản thân.
Về mặt cơ sở lý thuyết:
Việc áp dụng mô hình này trong công tác quản trị rủi ro tín dụng tại các ngân hàng thương mại Việt Nam mang tính khả thi và chính xác cao. Có một mô hình có khả năng dự đoán tốt sẽ mang lại nhiều lợi ích cho ngân hàng trong việc quản trị rủi ro.
Tuy nhiên, trong quá trình áp dụng và triển khai mô hình vào thực tế, phải thường xuyên có sự kiểm định để kịp thời có động thái hiệu chỉnh cho phù hợp. Vì vậy, một vài khuyến nghị tác giả đề xuất trong trường hợp các ngân hàng triển khai hệ thống đánh giá rủi ro tín dụng trên như sau:
- Xây dựng danh mục các yếu tố định tính thu thập thông tin khách hàng.
- Lưu trữ toàn hệ thống về thực trạng vay/cho vay/từ chối cho vay của toàn bộ khách hàng.
- Định kỳ kiểm tra lại tính chính xác của mô hình thời gian 6 tháng/lần hoặc có thể thay đổi theo thực trạng về tỷ lệ nợ xấu cũng như tình hình kinh tế từng thời điểm.
Hướng phát triển của đề tài
Trong thời gian tới em sẽ tiếp tục nghiên cứu để hoàn thiện chương trình ngày một tốt hơn và đi sâu vào vấn đề phân quyền rủi ro tín dụng đồng thời sẽ xây dựng các chức năng cao hơn để hoàn thiện mô hình và có thể đáp ứng được với nhu cầu thực tế xã hội.
Trân trọng cảm ơn Giảng viên hướng dẫn PGS.TS Nguyễn Văn Huân đã tận tình hướng dẫn, giúp đỡ, tạo điều kiện để em được học tập vận dụng kiến thức lý luận vào thực tiễn. Qua đó đúc rút ra những kinh nghiệm quý báu cho bản thân, củng cố những kiến thức đã học để có thể vận dụng và hoàn thành các nhiệm vụ.
TÀI LIỆU THAM KHẢO
1. Nguyễn Tiến Đức (2017), Luận văn thạc sĩ kinh tế, “ Quản lí nợ xấu tại ngân hàng TMCP đầu tư và phát triển Việt Nam – chi nhánh Quảng Bình”, Học viện tài chính quốc gia năm (2017).
2. Nguyễn Thị Cành (2014), “ Áp dụng mô hình KVM-Merton dự báo rủi ro tín dụng khách hàng doanh nghiệp và khả năng thiệt hại của ngân hàng”, Trường Đại học Kinh tế - Luật- Đại học Quốc gia TP HCM. Đăng tại Phát triển Kinh tế 289 (11/2014).
3. Nguyễn Phúc Cảnh (2014), “Ứng dụng mô hình Z-score vào quản lý rủi ro tín dụng cho các ngân hàng thương mại Việt Nam”, Trường Đại học Kinh tế TP Hồ Chí Minh. Đăng tại Phát triển và hội nhập Số 15 (25) - Tháng 03-04/2014.
4. Đoàn Thị Xuân Duyên (2013), Luận văn thạc sĩ kinh tế “Ứng dụng mô hình logictis để đo lường khả năng trả nợ của khách hàng doanh nghiệp tại ngân hàng TMCP Á Châu”, Trường Đại học Kinh tế TP HCM năm 2013.
5. Nguyễn Thị Hoài Phương (2012), Luận án tiến sĩ kinh tế, “Quản lí nợ xấu tại Ngân hàng thương mại Việt Nam”, Đại học kinh tế quốc dân năm (2012).
6. Ngân hàng Nhà Nước Việt Nam, 2005. Quyết định 493/2005/QĐ-NHNN ngày 22/04/2005 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.
7. Ngân hàng Nhà Nước Việt Nam, 2013. Thông tư 02/2013/TT-NHNN ban hành ngày 21/01/2013 quy định về phân loại tài sản có mức trích, phương pháp trích lập dự phòng rủi ro về việc sử dụng dự phòng để xử lý rủi ro trong hoạt động của TCTD, chi nhánh ngân hàng nước ngoài.