Các mô hình thẩm định tín dụng sứ dụng ML/AI có thể gặp khó khăn trong sự suy thoái của thị trường

Có rất nhiều lời thổi phồng xung quanh lợi ích của việc sử dụng trí tuệ nhân tạo và mô hình học máy (ML/AI) để bảo lãnh, thẩm định tín dụng.

Ngoài ra, các ngân hàng truyền thống đối mặt với áp lực tăng trưởng cũng bắt đầu tập trung vào những đối tượng khách hàng này. Khi tất cả cùng cạnh tranh để giành tập khách hàng có rủi ro cao, họ có thể đặt niềm tin sai chỗ vào các quyết định tín dụng dựa trên mô hình học máy AI/ML.

Việc áp dụng, đánh giá tín dụng bằng các mô hình dựa trên AI/ML và việc mở rộng hạn mức tín dụng hiện tại cần phải thận trọng. Nhiều mô hình bảo lãnh phát hành AI / ML được xây dựng bằng cách sử dụng dữ liệu tập hợp từ nhiều nguồn khác nhau có khả năng thiên về chu kỳ tín dụng lành mạnh. Các mô hình này có thể sẽ đánh giá thấp các khoản vỡ nợ tín dụng thực tế và các tổ chức sử dụng các mô hình này sẽ phải đối mặt với mức thua lỗ cao hơn đáng kể so với các đối tác của họ trong thời kỳ thị trường đang suy thoái như hiện nay.

Một trong những bài học khó nhất mà ngành tài chính học được trong thời kỳ suy thoái thị trường tháng 3 năm 2020 — và từ cuộc khủng hoảng tài chính 2008 — là các mô hình tín dụng có thể xấu đi nhanh chóng và những người đi vay có điểm tín dụng giống hệt nhau có thể hoạt động khác nhau đáng kể dựa trên thời điểm trong chu kỳ tín dụng cho vay có nguồn gốc.

Những kết quả này theo dải điểm tín dụng phụ thuộc nhiều vào các điều kiện kinh tế được tìm thấy trong tập dữ liệu phát triển. Điều này có nghĩa là phân tích cổ điển, đánh giá chất lượng tín dụng theo ngày bắt đầu cho vay, cung cấp công cụ đáng tin cậy nhất để hiểu liệu kết quả thực tế có phù hợp với kỳ vọng hay không.

Phân tích cổ điển cũng tạo ra một chỉ báo cảnh báo sớm nếu các mô hình bắt đầu thất bại trong sự suy thoái của chu kỳ tín dụng.

Vào năm 2008, các vụ vỡ nợ tập trung cao ở những nơi gần nhất với thời kỳ suy thoái, và tình trạng suy thoái kinh tế lan rộng từ lĩnh vực nhà ở đến tất cả các bộ phận của nền kinh tế, làm mất hiệu lực của các giả định đa dạng hóa. Vào thời điểm hầu hết các ngân hàng phát hiện ra những sai sót trong mô hình này thì đã quá muộn.

Các chuyên gia về rủi ro mô hình đã nhận ra rằng nhiều mô hình bảo lãnh phát hành thẻ tín dụng hoặc thế chấp dựa trên AI / ML mới không nắm bắt được các yếu tố rủi ro nhất định, chẳng hạn như vốn chủ sở hữu xe bị âm. Theo báo cáo, những người đi vay có vốn sở hữu ô tô âm có thể gặp khó khăn trong việc xử lý nghĩa vụ tín dụng.

Văn phòng tín dụng quy định rằng hầu hết các ngân hàng sử dụng cho nguồn gốc không phải ô tô thông qua mô hình AI / ML không cung cấp cổ phiếu ô tô âm, dẫn đến việc dự đoán tỷ giá vỡ nợ trong các tình huống căng thẳng.

Các chuyên gia mô hình rủi ro cũng chỉ ra rằng nhiều mô hình học máy được dự đoán dựa trên các yếu tố bổ sung với các mối tương quan được tính toán trong thời kỳ kinh tế tốt. Do đó, khả năng xếp hạng khách hàng theo thứ tự của một mô hình có thể nhanh chóng biến mất, hoặc thậm chí hoàn toàn tan vỡ trong thời kỳ kinh tế suy thoái.

Có một khái niệm mô hình được vay mượn từ thống kê sinh học được gọi là “tính không đồng nhất”, nhằm xác định các nhóm rủi ro cao hơn trong cùng một mức tín dụng dựa trên các yếu tố tinh tế.

Nếu các yếu tố này không được mô hình hóa một cách chính xác, các chuyên gia quản lý rủi ro sẽ khó xác định các phân khúc rủi ro hơn trong số những khách hàng xin cấp tín dụng.

Những cá nhân có những yếu tố này có thể được coi là “yếu đuối” hoặc dễ bị ảnh hưởng hơn bởi các rủi ro môi trường và sẽ hành xử khác nhau trong thời kỳ suy thoái. Trong mô hình tín dụng, chúng bao gồm các yếu tố gián tiếp như tích lũy tài sản, lối sống tài chính, khả năng tiếp cận tín dụng và các khía cạnh khác của sức khỏe tài chính có xu hướng bị che giấu trong các mô hình học máy.

Có những tuyên bố chưa được chứng minh bởi các nhà cung cấp mô hình dựa trên AI / ML sử dụng dữ liệu thay thế và sự tinh vi của các mô hình mới của họ cho biết họ có thể tìm thấy các yếu tố giải thích sự không đồng nhất. Lưu ý rằng tính không đồng nhất được khuếch đại đáng kể trong thời kỳ suy thoái tín dụng, bằng chứng là kinh nghiệm năm 2008 về chất lượng cổ điển xấu đi nhanh chóng.

Hiệu suất mô hình tín dụng dựa trên kinh nghiệm trong quá khứ chỉ ra rằng các yếu tố dự báo yếu kém là khó nắm bắt và phải được thừa nhận một cách khiêm tốn là rủi ro không được nắm bắt trong các mô hình tín dụng bảo lãnh phát hành.

Dự đoán các yếu tố yếu kém chưa được quan sát, các nhóm quản lý rủi ro nên chuẩn bị cho cuộc suy thoái tiếp theo bằng cách tạo ra một cách tiếp cận end-to-end. Cách tiếp cận như vậy cần nắm bắt và kết hợp hiệu quả các tín hiệu cảnh báo sớm từ bảo lãnh phát hành, quản lý danh mục đầu tư, danh sách theo dõi và bộ sưu tập.

Các nhà quản lý rủi ro nên tiếp tục đưa ra sự hoài nghi đối với các mô hình tín dụng học máy mới nhất và sáng tạo nhất. Các mô hình tuyên bố tránh yếu kém bằng cách phân biệt hiệu quả chất lượng tín dụng trong phạm vi tín dụng nên được tiếp cận với sự giám sát chặt chẽ hơn. Điều này bao gồm việc yêu cầu các mô hình có thể giải thích được để thách thức tính hợp lý của các yếu tố thúc đẩy dự đoán.

Tất cả các quyết định ban đầu được thực hiện bởi các mô hình tín dụng phải được theo dõi để có thể nhanh chóng phát hiện ra sự xuống cấp cũ do các giả định của mô hình gây ra. Các ngân hàng nên tạo một sổ phát hành nhanh chóng điều chỉnh các tiêu chuẩn bảo lãnh phát hành để giảm thiểu các giả định về mô hình không thành công và đảm bảo rằng chính sách phát này có thể ngăn chặn hiệu quả các mô hình kém chất lượng một khi được phát hiện.

Cuối cùng, không thể quan sát tất cả các biến số thúc đẩy khả năng trả nợ của mọi người. Như vậy, tất cả các mô hình đều không nắm bắt được một số rủi ro.

Các tuyên bố về mô hình AI / ML sử dụng dữ liệu thay thế để chọn khách hàng tốt hơn trong các phân khúc gần như chính là phóng đại và chưa được kiểm chứng trong thời kỳ suy thoái. Trong thời kỳ thuận lợi, các khoản vay sẽ dễ hoàn trả hơn vì mọi người có thu nhập ổn định hơn và có thể tái cấp vốn thông qua các cơ hội gần như vô hạn được cung cấp bởi một thị trường tín dụng hoạt động tốt, đầy đủ.

Điều này cũng có nghĩa là rất khó để xác định mô hình nào là tốt trong việc đưa ra dự đoán và mô hình nào là xấu trong nền kinh tế đang mở rộng. Đó là một tình huống rất khác trong thời kỳ suy thoái thị trường hiện nay, khi quan hệ nhân quả là vấn đề. Như Warren Buffet đã nói, “chỉ khi thủy triều rút, bạn mới phát hiện ra ai đã bơi khỏa thân”.

Các chuyên gia quản trị rủi ro trong thời kỳ suy thoái thị trường vào tháng 3 năm 2020 này phải xem xét rủi ro của các mô hình bảo lãnh tín dụng một cách tổng thể hơn; không chỉ là hiệu suất mô hình truyền thống. Họ cũng phải hiểu và quản lý những rủi ro vốn có, và đôi khi không thể đoán trước được, trong bối cảnh thị trường sụp đổ hiện tại.

Toàn Lê Hữu