Luận văn: Quản lý rủi ro tín dụng trong hoạt động cho vay thế chấp

Chia sẻ chuyên mục Đề Tài Luận văn: Quản lý rủi ro tín dụng trong hoạt động cho vay thế chấp hay nhất năm 2026 cho các bạn học viên ngành đang làm luận văn thạc sĩ tham khảo nhé. Với những bạn chuẩn bị làm bài luận văn tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm luận văn thì với đề tài Luận Văn: Quản lý rủi ro tín dụng trong hoạt động cho vay thế chấp cá nhân, đề xuất mô hình ứng dụng tại Woori Bank trong bối cảnh kinh tế biến động dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

TÓM TẮT ĐỀ ÁN

Đề án tập trung nghiên cứu việc tích hợp trí tuệ nhân tạo (AI) nhằm cải tiến quy trình phê duyệt vay thế chấp cá nhân truyền thống tại Ngân hàng Woori – Chi nhánh Sài Gòn, vốn tồn tại hạn chế về thời gian xử lý kéo dài (7-14 ngày), chi phí vận hành cao và rủi ro sai sót chủ quan. Trong bối cảnh chuyển đổi số ngành ngân hàng Việt Nam, đề án phân tích thực trạng tại chi nhánh Sài Gòn, nơi sản phẩm We Home Loan đạt tăng trưởng dư nợ 19,5% năm 2024 nhưng gặp thách thức trong đánh giá rủi ro.

Mục tiêu chính là đề xuất mô hình kết hợp AI (chấm điểm tín dụng tính DTI và mô hình định giá tự động (AVM) tính LTV chạy song song) để tự động hóa 85% hồ sơ, giảm thời gian duyệt xuống dưới 2 giờ, giảm nợ xấu 20% và tăng tài chính toàn diện 15% cho khách hàng chưa có tài khoản ngân hàng. Phương pháp kết hợp định tính (phân tích tài liệu, khung pháp lý Nghị định 13/2023/NĐ-CP) và định lượng (thực nghiệm trên 100 hồ sơ ẩn danh hoá, sử dụng rừng ngẫu nhiên (Random Forest), DT, LR với mức tham chiếu kỳ vọng 85%).

Kết quả thực nghiệm cho thấy mô hình AI vượt trội quy trình thủ công với ứng dụng minh họa Streamlit mô phỏng quy trình song song DTI/LTV. Đề án đề xuất lộ trình triển khai thí điểm 6 tháng năm 2026, tích hợp vào ứng dụng ngân hàng số theo hướng ưu tiên thiết bị di động, với sự kiểm soát của con người đảm bảo tuân thủ Basel III và quản trị rủi ro. Đóng góp thực tiễn là giải pháp khả thi cho Woori, góp phần xây dựng trung tâm tài chính TP.HCM theo Nghị quyết 222/2025/QH15. Hạn chế chủ yếu là quy mô dữ liệu hạn chế và chưa triển khai thực tế; hướng nghiên cứu tiếp theo là mở rộng dữ liệu và tích hợp blockchain.

(Từ khóa: AI, duyệt vay thế chấp, Woori Sài Gòn, DTI, LTV, Học máy (Machine Learning))

GIỚI THIỆU ĐỀ ÁN Luận văn: Quản lý rủi ro tín dụng trong hoạt động cho vay thế chấp.

1.1. Bối cảnh chuyển đổi số và lý do chọn đề tài

Chuyển đổi số đang trở thành định hướng chiến lược quan trọng của ngành ngân hàng Việt Nam. Theo Quyết định 810/QĐ-NHNN, đến năm 2025, 95% giao dịch ngân hàng sẽ được thực hiện trên nền tảng số. Trong bối cảnh này, tín dụng cá nhân có tài sản bảo đảm vẫn là một trong những nghiệp vụ cốt lõi, đóng góp quan trọng vào nguồn thu của ngân hàng thương mại. Tuy nhiên, quy trình phê duyệt vay thế chấp cá nhân tại nhiều ngân hàng vẫn chủ yếu dựa vào phương pháp thủ công, dẫn đến thời gian xử lý kéo dài, chi phí vận hành cao và tính nhất quán trong đánh giá rủi ro chưa cao (Lainez, 2021).

Tại Ngân hàng Woori – Chi nhánh Sài Gòn, sản phẩm We Home Loan đã ghi nhận tăng trưởng dư nợ 19,5% năm 2024. Dù vậy, quy trình phê duyệt hiện tại vẫn tồn tại những hạn chế điển hình của phương pháp truyền thống, đặc biệt là thời gian thẩm định kéo dài từ 7 đến 14 ngày ( KPMG,2025). Việc ứng dụng trí tuệ nhân tạo (AI) theo hướng cho vay số hoá toàn trình (end-to-end digital lending), với mô hình kết hợp tính Debt-to-Income (DTI) và Loan-to-Value (LTV) chạy song song, là giải pháp cần thiết để khắc phục những hạn chế này.

1.2. Vấn đề nghiên cứu và tính cấp thiết của đề tài

Quy trình phê duyệt vay thế chấp cá nhân hiện hành tại Woori – Chi nhánh Sài Gòn vẫn chủ yếu dựa vào đánh giá thủ công, dẫn đến thời gian xử lý dài, chi phí vận hành cao và tiềm ẩn rủi ro sai sót do yếu tố chủ quan. Trong khi đó, xu hướng cho vay số hoá toàn trình (end-to-end digital lending) đòi hỏi quy trình phải nhanh chóng, minh bạch và có khả năng mở rộng quy mô.

Vấn đề nghiên cứu đặt ra là: Làm thế nào để ứng dụng trí tuệ nhân tạo nhằm tự động hóa một phần quy trình phê duyệt vay thế chấp cá nhân, giảm thời gian xử lý, nâng cao tính nhất quán trong đánh giá rủi ro và vẫn đảm bảo tuân thủ các quy định pháp lý hiện hành? Đây là vấn đề có tính cấp thiết cao, vừa mang ý nghĩa thực tiễn đối với hoạt động của Woori, vừa góp phần bổ sung cơ sở khoa học cho việc ứng dụng AI trong quản trị tín dụng tại các ngân hàng thương mại Việt Nam.

1.3. Mục tiêu nghiên cứu Luận văn: Quản lý rủi ro tín dụng trong hoạt động cho vay thế chấp.

1.3.1 Mục tiêu tổng quát

Đề xuất giải pháp ứng dụng trí tuệ nhân tạo nhằm tự động hóa và cải tiến quy trình phê duyệt vay thế chấp cá nhân tại Ngân hàng Woori – Chi nhánh Sài Gòn theo định hướng ngân hàng số và ưu tiên thiết bị di động, góp phần nâng cao hiệu quả vận hành và quản trị rủi ro tín dụng.

1.3.2. Mục tiêu cụ thể

Để đạt được mục tiêu tổng quát, đề án thực hiện các mục tiêu cụ thể sau:

• Hệ thống hóa cơ sở lý thuyết về quản lý rủi ro tín dụng, ứng dụng trí tuệ nhân tạo trong thẩm định tín dụng cá nhân, và khung pháp lý điều chỉnh hoạt động tín dụng và bảo vệ dữ liệu tại Việt Nam.
• Phân tích và đánh giá thực trạng quy trình phê duyệt tín dụng thế chấp cá nhân hiện tại tại Ngân hàng Woori – Chi nhánh Sài Gòn, xác định các hạn chế về hiệu quả vận hành và quản trị rủi ro.
• Thiết kế và xây dựng mô hình AI kết hợp (Rừng ngẫu nhiên và Mô hình định giá tài sản tự động) với hai chỉ tiêu tỷ lệ nghĩa vụ nợ trên thu nhập (DTI) và tỷ lệ khoản vay trên giá trị tài sản bảo đảm (LTV) chạy song song.
• Thực nghiệm và đánh giá hiệu quả mô hình AI trên bộ dữ liệu 100 hồ sơ khách hàng đã được ẩn danh hóa, so sánh với quy trình thủ công hiện tại về các chỉ tiêu độ chính xác, thời gian xử lý và tính nhất quán.
• Đề xuất lộ trình triển khai mô hình AI theo giai đoạn và các hàm ý quản trị đối với Ngân hàng Woori trong bối cảnh chuyển đổi số ngành ngân hàng Việt Nam.

1.4. Câu hỏi nghiên cứu

Trên cơ sở mục tiêu nghiên cứu, đề án tập trung trả lời bốn câu hỏi nghiên cứu cốt lõi. Câu hỏi thứ nhất là: quy trình phê duyệt tín dụng thế chấp cá nhân hiện tại tại Ngân hàng Woori đang tồn tại những hạn chế nào dưới góc độ hiệu quả vận hành và quản trị rủi ro? Trên nền tảng đó, câu hỏi thứ hai đặt ra là: trí tuệ nhân tạo có thể được ứng dụng như thế nào để hỗ trợ cải tiến quy trình phê duyệt tín dụng? Tiếp nối, câu hỏi thứ ba hướng đến đánh giá thực chứng: mô hình AI đề xuất có mang lại sự cải thiện đáng kể so với quy trình thủ công hiện tại hay không? Và cuối cùng, câu hỏi thứ tư tập trung vào điều kiện triển khai: những nguyên tắc và điều kiện nào cần được đảm bảo để ứng dụng mô hình AI trong thực tiễn ngân hàng một cách hiệu quả và tuân thủ pháp lý? Luận văn: Quản lý rủi ro tín dụng trong hoạt động cho vay thế chấp.

1.5. Đối tượng, phạm vi và dữ liệu nghiên cứu

Đối tượng nghiên cứu: Đề án tập trung nghiên cứu hai đối tượng chính: (i) quy trình quản lý rủi ro tín dụng trong hoạt động cho vay thế chấp cá nhân tại ngân hàng thương mại; và (ii) mô hình trí tuệ nhân tạo hỗ trợ ra quyết định tín dụng theo hướng tự động hóa.

Về phạm vi nghiên cứu, đề án được xác định theo ba chiều cạnh. Về nội dung, đề án giới hạn trong phạm vi quản trị rủi ro tín dụng cá nhân có tài sản bảo đảm, tập trung vào giai đoạn phê duyệt tín dụng; các hoạt động sau giải ngân như giám sát khoản vay và thu hồi nợ không thuộc phạm vi nghiên cứu này. Về không gian, nghiên cứu được thực hiện tại Ngân hàng TNHH MTV Woori Việt Nam – Chi nhánh Sài Gòn, tập trung vào sản phẩm cho vay thế chấp cá nhân We Home Loan. Về thời gian, dữ liệu nghiên cứu được thu thập trong giai đoạn 2023–2024, trong khi đề xuất lộ trình triển khai hướng đến năm 2026.

Dữ liệu nghiên cứu: Đề án sử dụng 100 hồ sơ khách hàng đã được ẩn danh hóa, tuân thủ nghiêm ngặt Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân.

1.6. Phương pháp nghiên cứu và cách tiếp cận thực nghiệm

• Để đạt được các mục tiêu nghiên cứu đề ra, đề án sử dụng kết hợp hai phương pháp chính:

Phương pháp định tính được sử dụng để xây dựng cơ sở lý thuyết và phân tích thực trạng, bao gồm ba nội dung cụ thể. Trước tiên, đề án tiến hành phân tích tài liệu thứ cấp thông qua tổng hợp các nghiên cứu học thuật trong nước và quốc tế về ứng dụng AI trong thẩm định tín dụng, các mô hình học máy và mô hình định giá tài sản tự động. Bên cạnh đó, đề án thực hiện phân tích khung pháp lý thông qua rà soát các văn bản quy phạm pháp luật gồm Nghị định 13/2023/NĐ-CP, Thông tư 39/2016/TT-NHNN, Quyết định 810/QĐ-NHNN và Basel III. Ngoài ra, phương pháp quan sát quy trình được vận dụng nhằm mô tả và phân tích quy trình phê duyệt hiện tại tại Ngân hàng Woori – Chi nhánh Sài Gòn dựa trên tài liệu nội bộ và quan sát thực tế.

Phương pháp định lượng được sử dụng để xây dựng và kiểm chứng mô hình AI, bao gồm ba hướng tiếp cận. Thứ nhất, đề án thực hiện thực nghiệm học máy thông qua việc so sánh ba mô hình gồm Hồi quy Logistic, Cây quyết định và Rừng ngẫu nhiên trên bộ dữ liệu 100 hồ sơ ẩn danh hóa, được đánh giá qua các chỉ tiêu độ chính xác, độ nhạy và độ đặc hiệu. Thứ hai, phân tích so sánh được tiến hành nhằm đối chiếu kết quả phê duyệt giữa quy trình thủ công (AS-IS) và quy trình có hỗ trợ AI (TO-BE) theo các tiêu chí thời gian xử lý, tỷ lệ tự động hóa và tính nhất quán. Thứ ba, đề án xây dựng một nguyên mẫu ứng dụng trên nền tảng Streamlit nhằm mô phỏng và kiểm chứng tính khả thi của quy trình phê duyệt tín dụng có hỗ trợ AI trong môi trường thử nghiệm. Luận văn: Quản lý rủi ro tín dụng trong hoạt động cho vay thế chấp.

• Cơ sở lựa chọn mô hình học máy:

Mỗi mô hình đều có ưu nhược điểm riêng và đã được áp dụng thực tế tại nhiều ngân hàng. Hồi quy logistic có ưu điểm dễ giải thích và triển khai đơn giản, thường được sử dụng ở giai đoạn đầu của các ngân hàng như Vietcombank để xây dựng hệ thống chấm điểm tín dụng cơ bản. Tuy nhiên, mô hình này hạn chế trong việc xử lý dữ liệu phi tuyến tính và các mối quan hệ phức tạp giữa các biến. Cây quyết định (Decision Tree) dễ hiểu và minh bạch, phù hợp với Techcombank trong việc xây dựng quy tắc phê duyệt nhanh cho vay tiêu dùng, nhưng dễ bị học quá khớp (overfitting) và kém ổn định khi dữ liệu thay đổi.

Rừng ngẫu nhiên (Random Forest) và Gradient Boosting cho độ chính xác cao hơn nhờ khả năng xử lý mối quan hệ phức tạp và dữ liệu lớn. Rừng ngẫu nhiên (Random Forest) được BIDV áp dụng rộng rãi trong hệ thống chấm điểm tín dụng (credit scoring) nội bộ, giúp giảm đáng kể tỷ lệ nợ xấu trong phân khúc vay thế chấp. Gradient Boosting thường được Shinhan Bank sử dụng để tối ưu hóa mô hình dự báo rủi ro thời gian thực. Tuy nhiên, hai mô hình này có độ phức tạp cao và khó giải thích kết quả. Các mô hình học sâu (Deep Learning) đạt hiệu suất cao nhất khi xử lý dữ liệu lớn và phi cấu trúc, đã được một số ngân hàng lớn quốc tế như JPMorgan Chase áp dụng để phân tích dữ liệu thay thế. Song, chúng đòi hỏi khối lượng dữ liệu rất lớn và khó kiểm soát rủi ro mô hình, nên chưa phổ biến tại các ngân hàng Việt Nam hiện nay (Óskarsdóttir et al., 2020).

1.7. Ý nghĩa khoa học và thực tiễn Luận văn: Quản lý rủi ro tín dụng trong hoạt động cho vay thế chấp.

Về khoa học, đề án góp phần bổ sung tài liệu về ứng dụng AI trong tín dụng thế chấp cá nhân theo hướng thực tiễn tại Việt Nam. Về thực tiễn, kết quả nghiên cứu cung cấp giải pháp khả thi cho Ngân hàng Woori, đồng thời góp phần hỗ trợ quá trình chuyển đổi số và xây dựng trung tâm tài chính TP.HCM theo Nghị quyết 222/2025/QH15.

1.8. Kết cấu của đề án

Đề án gồm phần Giới thiệu và 4 chương nội dung chính. Cấu trúc gồm: Giới thiệu, Chương 1 tổng quan về AI và các quy định liên quan trong ứng dụng AI trong thẩm định tín dụng cá nhân. Chương 2 trình bày thực trạng quy trình phê duyệt tín dụng tại ngân hàng Woori. Chương 3 thiết kế và triển khai mô hình AI hỗ trợ phê duyệt tín dụng thế chấp cá nhân. Chương 4 đánh giá hiệu quả và đề xuất ứng dụng và kết luận.

CHƯƠNG 1: TỔNG QUAN VỀ AI VÀ CÁC QUY ĐỊNH LIÊN QUAN TRONG ỨNG DỤNG AI TRONG THẨM ĐỊNH TÍN DỤNG CÁ NHÂN

1.1. Tổng quan về AI trong thẩm định tín dụng cá nhân

Trí tuệ nhân tạo (Artificial Intelligence – AI) ngày càng được ứng dụng rộng rãi trong hoạt động thẩm định tín dụng cá nhân, đặc biệt trong bối cảnh chuyển đổi số của ngành ngân hàng. AI cho phép các tổ chức tài chính xử lý khối lượng dữ liệu lớn, đa dạng và có cấu trúc phức tạp, từ đó hỗ trợ ra quyết định nhanh chóng và nhất quán hơn so với phương pháp truyền thống dựa nhiều vào đánh giá chủ quan của cán bộ tín dụng (Khandani et al., 2010).

Trong thẩm định tín dụng cá nhân, AI thường được triển khai thông qua các mô hình học máy (Machine Learning), có khả năng học từ dữ liệu lịch sử để nhận diện các mẫu hành vi liên quan đến khả năng trả nợ của khách hàng. Khác với các phương pháp phân tích truyền thống, mô hình AI có thể khai thác đồng thời nhiều biến số đầu vào, bao gồm thông tin nhân khẩu học, thu nhập, lịch sử tín dụng, tài sản bảo đảm và các đặc điểm hành vi khác. Việc ứng dụng AI trong thẩm định tín dụng không nhằm thay thế hoàn toàn vai trò của con người, mà đóng vai trò là công cụ hỗ trợ ra quyết định, giúp giảm thiểu rủi ro đạo đức, nâng cao tính nhất quán trong đánh giá và cải thiện hiệu quả vận hành của ngân hàng (Óskarsdóttir et al., 2020).

Trong hoạt động tín dụng cá nhân có tài sản bảo đảm, việc đánh giá rủi ro tín dụng cần dựa trên sự kết hợp giữa thông tin định tính và các chỉ tiêu định lượng phản ánh khả năng trả nợ cũng như mức độ an toàn của khoản vay. Trong số các chỉ tiêu được sử dụng phổ biến, tỷ lệ Loan-to-Value (LTV) và Debt-to-Income (DTI) được xem là hai chỉ tiêu cốt lõi trong quản trị rủi ro tín dụng cá nhân tại các ngân hàng thương mại. Luận văn: Quản lý rủi ro tín dụng trong hoạt động cho vay thế chấp.

• Tỷ lệ Loan-to-Value (LTV)

Tỷ lệ Loan-to-Value (LTV) là chỉ tiêu phản ánh mối quan hệ giữa giá trị khoản vay và giá trị tài sản bảo đảm, được xác định theo công thức: LTV = Dư nợ khoản vay / Giá trị tài sản bảo đảm

Chỉ tiêu LTV cho phép ngân hàng đánh giá mức độ an toàn của khoản vay trong trường hợp phát sinh rủi ro và phải xử lý tài sản bảo đảm. Tỷ lệ LTV càng thấp thì biên an toàn của khoản vay càng cao, do giá trị tài sản bảo đảm có khả năng bù đắp tốt hơn cho dư nợ trong trường hợp khách hàng mất khả năng thanh toán (Pagourtzi et al., 2003). Trong thực tiễn hoạt động ngân hàng, các khoản vay có LTV vượt ngưỡng quy định thường bị xếp vào nhóm rủi ro cao và phải áp dụng các biện pháp kiểm soát chặt chẽ hơn như tăng cường thẩm định, yêu cầu bổ sung tài sản bảo đảm hoặc điều chỉnh hạn mức cho vay.

• Tỷ lệ Debt-to-Income (DTI)

Tỷ lệ Debt-to-Income (DTI) là chỉ tiêu phản ánh khả năng trả nợ của khách hàng thông qua mối quan hệ giữa nghĩa vụ trả nợ và thu nhập, được xác định theo công thức: DTI = Tổng nghĩa vụ trả nợ hàng tháng / Thu nhập hàng tháng của khách hàng.

Chỉ tiêu DTI cho phép ngân hàng đánh giá khả năng thanh toán của khách hàng trong suốt thời gian vay, đặc biệt đối với tín dụng cá nhân có thời hạn trung và dài hạn. Tỷ lệ DTI càng cao thì áp lực trả nợ của khách hàng càng lớn, kéo theo nguy cơ phát sinh rủi ro tín dụng trong trường hợp thu nhập bị suy giảm hoặc chi phí sinh hoạt gia tăng (Lessmann et al., 2015). Trong hoạt động thẩm định tín dụng, DTI thường được sử dụng như một tiêu chí quan trọng để xác định mức độ phù hợp của khoản vay với năng lực tài chính của khách hàng. Các ngân hàng thương mại thường quy định ngưỡng DTI tối đa nhằm đảm bảo khả năng trả nợ bền vững và hạn chế rủi ro nợ xấu.

1.2. Các mô hình học máy (Machine Learning) trong credit scoring Luận văn: Quản lý rủi ro tín dụng trong hoạt động cho vay thế chấp.

Chấm điểm tín dụng (credit scoring) là quá trình đánh giá mức độ rủi ro tín dụng của khách hàng dựa trên các thông tin định lượng và định tính. Trong bối cảnh chuyển đổi số, nhiều mô hình học máy (Machine Learning) đã được nghiên cứu và áp dụng nhằm nâng cao độ chính xác của hoạt động chấm điểm tín dụng. Các mô hình thường được sử dụng bao gồm Logistic Regression, cây quyết định (Decision Tree), rừng ngẫu nhiên (Random Forest) và Gradient Boosting. Trong đó, rừng ngẫu nhiên (Random Forest) thường được ưu tiên nhờ khả năng cân bằng giữa độ chính xác dự báo và tính minh bạch (Lessmann et al., 2015; Baesens et al., 2003).

1.3. Mô hình định giá tự động (AVM) và vai trò trong định giá tài sản bảo đảm

Automated Valuation Model (AVM) là mô hình định giá tài sản tự động, chủ yếu được sử dụng để ước tính giá trị bất động sản dựa trên dữ liệu thị trường và các đặc điểm của tài sản. Trong hoạt động tín dụng thế chấp, AVM đóng vai trò quan trọng trong việc hỗ trợ ngân hàng xác định giá trị tài sản bảo đảm một cách nhanh chóng và nhất quán (Pagourtzi et al., 2003). So với phương pháp định giá thủ công, AVM giúp giảm thời gian xử lý hồ sơ và hạn chế sự phụ thuộc vào đánh giá chủ quan. Tuy nhiên, AVM không thay thế hoàn toàn vai trò của chuyên viên thẩm định giá, đặc biệt trong các trường hợp tài sản có tính đặc thù cao hoặc thị trường biến động mạnh. Do đó, nhiều ngân hàng lựa chọn cách tiếp cận kết hợp giữa AVM và thẩm định thủ công nhằm tối ưu hóa hiệu quả và độ tin cậy của kết quả định giá (Bourassa et al., 2010).

1.4. Tổng quan các nghiên cứu thực nghiệm liên quan

Nhiều nghiên cứu thực nghiệm trên thế giới đã chỉ ra rằng việc ứng dụng AI và học máy (Machine Learning) trong hoạt động tín dụng giúp cải thiện đáng kể độ chính xác trong dự báo rủi ro vỡ nợ so với các mô hình truyền thống (Khandani et al., 2010). Các nghiên cứu này thường so sánh hiệu quả giữa mô hình thống kê cổ điển và mô hình học máy dựa trên các chỉ tiêu như độ chính xác, khả năng phân loại và tỷ lệ sai sót (Lessmann et al., 2015). Bên cạnh đó, một số nghiên cứu cũng nhấn mạnh những thách thức trong việc triển khai AI trong lĩnh vực tín dụng, bao gồm vấn đề bảo mật dữ liệu, tính minh bạch của mô hình và khả năng tuân thủ quy định pháp lý (Deloitte, 2022). Tại Việt Nam, các nghiên cứu về ứng dụng AI trong thẩm định tín dụng vẫn còn hạn chế, chủ yếu tập trung ở mức đề xuất mô hình hoặc nghiên cứu mô phỏng, chưa có nhiều nghiên cứu gắn chặt với bối cảnh vận hành thực tế của ngân hàng thương mại (Lainez, 2021). Khoảng trống nghiên cứu này cho thấy sự cần thiết của các nghiên cứu mang tính ứng dụng cao, kết hợp giữa lý thuyết, dữ liệu thực tế và quy trình nghiệp vụ cụ thể tại ngân hàng.

1.5. Cơ sở pháp lý về hoạt động tín dụng và ứng dụng AI trong ngân hàng tại Việt Nam Luận văn: Quản lý rủi ro tín dụng trong hoạt động cho vay thế chấp.

Hoạt động thu thập và xử lý dữ liệu cá nhân trong lĩnh vực ngân hàng tại Việt Nam chịu sự điều chỉnh của nhiều văn bản pháp luật, trong đó đáng chú ý là Luật An ninh mạng, các quy định của Ngân hàng Nhà nước và Nghị định về bảo vệ dữ liệu cá nhân. Các quy định này yêu cầu tổ chức tín dụng phải đảm bảo tính hợp pháp, minh bạch và an toàn trong quá trình sử dụng dữ liệu khách hàng (Chính phủ Việt Nam, 2023). Đối với nghiên cứu ứng dụng AI trong thẩm định tín dụng, yêu cầu bảo mật thông tin khách hàng là yếu tố then chốt. Việc sử dụng dữ liệu cần được thực hiện trên cơ sở ẩn danh hóa, giới hạn phạm vi tiếp cận và chỉ phục vụ cho mục đích nghiên cứu, không làm lộ thông tin định danh cá nhân. Những ràng buộc pháp lý này ảnh hưởng trực tiếp đến cách thức thiết kế nghiên cứu, lựa chọn dữ liệu và phương pháp trình bày kết quả trong đề án, nhằm đảm bảo tuân thủ quy định và hạn chế rủi ro pháp lý cho ngân hàng (European Banking Authority, 2020).

1.5.1. Quy định pháp lý về hoạt động cấp tín dụng và quản trị rủi ro

Hoạt động cấp tín dụng của ngân hàng thương mại tại Việt Nam hiện nay được điều chỉnh chủ yếu bởi Luật Các tổ chức tín dụng năm 2010 (sửa đổi, bổ sung năm 2017) và các văn bản hướng dẫn thi hành của Ngân hàng Nhà nước Việt Nam (NHNN). Theo đó, cấp tín dụng được xác định là việc tổ chức tín dụng thỏa thuận để khách hàng sử dụng một khoản tiền hoặc cam kết cho phép sử dụng khoản tiền theo nguyên tắc có hoàn trả, bao gồm các hình thức như cho vay, bảo lãnh, chiết khấu, cho thuê tài chính và các hình thức cấp tín dụng khác. Luật Các tổ chức tín dụng quy định rõ trách nhiệm của ngân hàng trong việc: thẩm định khả năng tài chính của khách hàng, đánh giá mức độ rủi ro tín dụng, bảo đảm khả năng thu hồi nợ gốc và lãi, và tuân thủ các giới hạn, tỷ lệ an toàn trong hoạt động ngân hàng. Bên cạnh đó, Thông tư số 39/2016/TT-NHNN (được sửa đổi, bổ sung) quy định chi tiết về hoạt động cho vay của tổ chức tín dụng đối với khách hàng, trong đó nhấn mạnh yêu cầu ngân hàng phải xây dựng quy trình thẩm định tín dụng chặt chẽ, minh bạch, phù hợp với đặc điểm từng sản phẩm tín dụng và từng nhóm khách hàng. Về quản trị rủi ro, Thông tư số 13/2018/TT-NHNN và các văn bản liên quan yêu cầu ngân hàng thương mại phải thiết lập hệ thống quản trị rủi ro tổng thể, bao gồm rủi ro tín dụng, rủi ro hoạt động và rủi ro công nghệ thông tin. Trong đó, việc áp dụng các mô hình định lượng, hệ thống xếp hạng tín dụng nội bộ và công cụ hỗ trợ ra quyết định được khuyến khích nhằm nâng cao chất lượng thẩm định và giảm thiểu rủi ro chủ quan từ con người. Trong bối cảnh này, việc ứng dụng AI trong phê duyệt tín dụng cá nhân có thể được xem là một công cụ hỗ trợ, với điều kiện mô hình AI không thay thế hoàn toàn vai trò quyết định của ngân hàng mà đóng vai trò hỗ trợ ra quyết định, phù hợp với nguyên tắc “con người chịu trách nhiệm cuối cùng” trong hoạt động cấp tín dụng (Basel Committee on Banking Supervision, 2019). Luận văn: Quản lý rủi ro tín dụng trong hoạt động cho vay thế chấp.

1.5.2. Quy định về thu thập, xử lý và bảo mật dữ liệu cá nhân

Dữ liệu cá nhân là yếu tố đầu vào cốt lõi của các mô hình AI trong thẩm định tín dụng. Tại Việt Nam, việc thu thập, xử lý và bảo mật dữ liệu cá nhân hiện nay được điều chỉnh chủ yếu bởi Nghị định số 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân, cùng với các văn bản liên quan trong Luật An toàn thông tin mạng và Luật An ninh mạng (Chính phủ Việt Nam, 2023). Theo Nghị định 13/2023/NĐ-CP, dữ liệu cá nhân của khách hàng ngân hàng, bao gồm thông tin định danh, thông tin tài chính, lịch sử tín dụng và thông tin tài sản, chỉ được phép thu thập và xử lý khi có sự đồng ý rõ ràng, tự nguyện và có thể kiểm chứng của chủ thể dữ liệu, trừ một số trường hợp đặc biệt theo quy định pháp luật. Trong hoạt động tín dụng ngân hàng, các tổ chức tín dụng được phép xử lý dữ liệu cá nhân của khách hàng nhằm phục vụ mục đích thẩm định tín dụng, quản lý rủi ro và tuân thủ nghĩa vụ pháp lý. Tuy nhiên, ngân hàng phải đảm bảo: dữ liệu được sử dụng đúng mục đích đã thông báo cho khách hàng; phạm vi dữ liệu thu thập là cần thiết và phù hợp; áp dụng các biện pháp kỹ thuật và tổ chức để bảo mật dữ liệu; không chia sẻ dữ liệu trái phép cho bên thứ ba. Những hạn chế này càng trở nên rõ nét khi ngân hàng đối mặt với yêu cầu tuân thủ pháp lý ngày càng nghiêm ngặt, trong mô hình nghiên cứu của đề án, việc tích hợp các nguồn dữ liệu như VNeID, CIC và mô hình định giá tự động (AVM) được giả lập trên cơ sở nguyên tắc: dữ liệu được khai thác hợp pháp, có sự đồng ý của khách hàng và chỉ phục vụ mục đích hỗ trợ thẩm định tín dụng. Điều này giúp mô hình AI vừa đảm bảo hiệu quả phân tích, vừa tuân thủ yêu cầu pháp lý về bảo vệ dữ liệu cá nhân.

1.5.3. Yêu cầu tuân thủ và đạo đức trong ứng dụng AI ngân hàng

Bên cạnh các quy định pháp lý cụ thể, việc ứng dụng AI trong hoạt động ngân hàng còn đặt ra những yêu cầu về tuân thủ và đạo đức nghề nghiệp. AI trong phê duyệt tín dụng có thể tạo ra các rủi ro mới như thiên lệch thuật toán (algorithmic bias), thiếu minh bạch trong ra quyết định và khó khăn trong việc giải trình kết quả cho khách hàng (Deloitte, 2022). Theo thông lệ quốc tế và định hướng của các cơ quan quản lý tài chính, việc ứng dụng AI trong ngân hàng cần tuân thủ các nguyên tắc cơ bản sau: minh bạch – ngân hàng cần hiểu rõ logic hoạt động của mô hình AI và có khả năng giải thích kết quả; công bằng – mô hình AI không được tạo ra sự phân biệt đối xử bất hợp lý đối với khách hàng; kiểm soát của con người – quyết định cấp tín dụng cuối cùng vẫn thuộc về cán bộ tín dụng hoặc cấp có thẩm quyền; an toàn và bảo mật – hệ thống AI phải được kiểm soát chặt chẽ để tránh rủi ro rò rỉ dữ liệu và tấn công công nghệ. Trong mô hình nghiên cứu của đề án, AI được xây dựng như một hệ thống hỗ trợ ra quyết định (Decision Support System), trong đó AI đóng vai trò phân tích, cảnh báo rủi ro và đề xuất kết quả, còn quyền phê duyệt cuối cùng vẫn thuộc về ngân hàng. Cách tiếp cận này phù hợp với yêu cầu tuân thủ pháp lý, đảm bảo đạo đức nghề nghiệp và giảm thiểu rủi ro trong ứng dụng AI vào hoạt động tín dụng ngân hàng (Basel Committee on Banking Supervision, 2019).

1.6. Khung nghiên cứu và mô hình thực nghiệm đề xuất Luận văn: Quản lý rủi ro tín dụng trong hoạt động cho vay thế chấp.

Trên cơ sở tổng hợp lý thuyết và các nghiên cứu liên quan, đề án xây dựng khung nghiên cứu tập trung vào việc so sánh hiệu quả giữa quy trình thẩm định tín dụng thủ công hiện tại và quy trình có sự hỗ trợ của mô hình AI. Khung nghiên cứu đề xuất bao gồm các thành phần chính: (i) dữ liệu đầu vào từ hồ sơ khách hàng và tài sản bảo đảm; (ii) học máy (Machine Learning) phục vụ chấm điểm tín dụng; (iii) mô hình mô hình định giá tự động (AVM) hỗ trợ định giá tài sản thế chấp; và (iv) kết quả đầu ra phục vụ quyết định phê duyệt khoản vay. Mô hình thực nghiệm được triển khai trên bộ dữ liệu giới hạn, đã được xử lý và ẩn danh nhằm đảm bảo yêu cầu bảo mật. Cách tiếp cận này cho phép đánh giá trực tiếp tính khả thi và hiệu quả của giải pháp AI trong bối cảnh ngân hàng thực tiễn (Hastie et al., 2009).

• Hình 1.1. Khung nghiên cứu ứng dụng AI trong phê duyệt tín dụng cá nhân

Chương 1 đã hệ thống hóa cơ sở lý thuyết về ứng dụng trí tuệ nhân tạo trong thẩm định tín dụng cá nhân, tổng quan các mô hình học máy (Machine Learning) và mô hình định giá tự động (AVM), đồng thời làm rõ cơ sở pháp lý liên quan đến việc sử dụng dữ liệu khách hàng tại Việt Nam. Trên nền tảng đó, chương đã đề xuất khung nghiên cứu và mô hình thực nghiệm làm cơ sở cho việc phân tích thực trạng và triển khai nghiên cứu ứng dụng trong các chương tiếp theo. Luận văn: Quản lý rủi ro tín dụng trong hoạt động cho vay thế chấp.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: Thực trạng quy trình phê duyệt tín dụng tại NH Woori

Dịch Vụ Viết Luận Văn 24/7 Chuyên cung cấp dịch vụ làm luận văn thạc sĩ, báo cáo tốt nghiệp, khóa luận tốt nghiệp, chuyên đề tốt nghiệp và Làm Tiểu Luận Môn luôn luôn uy tín hàng đầu. Dịch Vụ Viết Luận Văn 24/7 luôn đặt lợi ích của các bạn học viên là ưu tiên hàng đầu. Rất mong được hỗ trợ các bạn học viên khi làm bài tốt nghiệp. Hãy liên hệ ngay Dịch Vụ Viết Luận Văn qua Website:  https://hotrovietluanvan.com/ – Hoặc Gmail: hotrovietluanvan24@gmail.com