[Download] Tải Mô hình hồi quy logistics và mô hình Cox trong ước lượng xác suất vỡ nợ tín dụng, phân nhóm khách hàng theo nguy cơ vỡ nợ – Tải về File Word, PDF

Mô hình hồi quy logistics và mô hình Cox trong ước lượng xác suất vỡ nợ tín dụng, phân nhóm khách hàng theo nguy cơ vỡ nợ

Mô hình hồi quy logistics và mô hình Cox trong ước lượng xác suất vỡ nợ tín dụng, phân nhóm khách hàng theo nguy cơ vỡ nợ
Nội dung Text: Mô hình hồi quy logistics và mô hình Cox trong ước lượng xác suất vỡ nợ tín dụng, phân nhóm khách hàng theo nguy cơ vỡ nợ

Download


Trong quá trình hoạt động, rủi ro xuất phát từ các khoản vay đang là một trong những mối quan tâm hàng đầu của ngân hàng. Dựa trên các đặc điểm của hồ sơ vay nợ, ngân hàng có thể đưa ra ước lượng cho xác suất vỡ nợ (PD) sau đó phân chia khách hàng vào các nhóm có cùng nguy cơ từ đó đưa ra quyết định cho vay nhằm hạn chế rủi ro và tối đa lợi nhuận.

Bạn đang xem: [Download] Tải Mô hình hồi quy logistics và mô hình Cox trong ước lượng xác suất vỡ nợ tín dụng, phân nhóm khách hàng theo nguy cơ vỡ nợ – Tải về File Word, PDF

*Ghi chú: Có 2 link để tải biểu mẫu, Nếu Link này không download được, các bạn kéo xuống dưới cùng, dùng link 2 để tải tài liệu về máy nhé!
Download tài liệu Mô hình hồi quy logistics và mô hình Cox trong ước lượng xác suất vỡ nợ tín dụng, phân nhóm khách hàng theo nguy cơ vỡ nợ File Word, PDF về máy

Mô hình hồi quy logistics và mô hình Cox trong ước lượng xác suất vỡ nợ tín dụng, phân nhóm khách hàng theo nguy cơ vỡ nợ

Mô tả tài liệu

Nội dung Text: Mô hình hồi quy logistics và mô hình Cox trong ước lượng xác suất vỡ nợ tín dụng, phân nhóm khách hàng theo nguy cơ vỡ nợ

  1. NGHIEÂN CÖÙU TRAO ÑOÅI Soá 09 (194) – 2019

    MÔ HÌNH HỒI QUY LOGISTICS VÀ MÔ HÌNH COX
    TRONG ƯỚC LƯỢNG XÁC SUẤT VỠ NỢ TÍN DỤNG,
    PHÂN NHÓM KHÁCH HÀNG THEO NGUY CƠ VỠ NỢ
    Tô Thị Vân Anh*
    Trong quá trình hoạt động, rủi ro xuất phát từ các khoản vay đang là một trong những mối quan tâm
    hàng đầu của ngân hàng. Dựa trên các đặc điểm của hồ sơ vay nợ, ngân hàng có thể đưa ra ước lượng
    cho xác suất vỡ nợ (PD) sau đó phân chia khách hàng vào các nhóm có cùng nguy cơ từ đó đưa ra quyết
    định cho vay nhằm hạn chế rủi ro và tối đa lợi nhuận.
    • Từ khóa: mô hình hồi quy, xác xuất vỡ nợ tín dụng, lợi nhuận, ngân hàng thương mại.

    nhất định phải hoàn trả cả gốc và lãi với mục
    In the current banking context, risks from loans đích phục vụ đời sống hoặc phục vụ sản xuất
    are one of the bank’s top concerns. Probability kinh doanh. Cùng với đó, hệ thống ngân hàng
    of default has much significance as it is one of thương mại Việt Nam cũng đã từng bước đổi mới
    the core parts for improved allocation of capital, và được coi là một trong các tổ chức tài chính
    pricing, client judgment, regulatory compliance quan trọng nhất của nền kinh tế với hoạt động
    and, finally, monitoring of high-risk customers.
    chính là huy động vốn để sử dụng nhằm thu lợi
    Due to these significant reasons, based on the
    information of the loan profile, the bank can give
    nhuận, trong đó hoạt động tín dụng là hoạt động
    an estimate of the probability of default (PD) sinh lời lớn nhất, tuy nhiên, rủi ro là điều không
    based on two models is Logistic regression model thể tránh khỏi. Vì vậy, việc nhận dạng và phân
    and Cox regression model. The objective of these nhóm khách hàng theo rủi ro tín dụng là việc
    two regression methods is to estimate credit risk làm cấp bách. Đáp ứng đòi hỏi từ thực tiễn đó,
    and extract important variables in predicting credit cần nghiên cứu mô hình cho phép ước lượng xác
    risk, then divide the customer into groups at the
    suất không trả được nợ và phương pháp phân
    same risk from which to make a loan decision risk
    and maximum profitability. nhóm khách hàng theo nguy cơ không trả được
    nợ tín dụng của khách hàng cá nhân.
    • Keywords: regression model, probability of credit
    default, profit, commercial bank. Xét trong mối quan hệ tín dụng ngân hàng,
    “khả năng trả nợ của khách hàng” là việc đánh
    giá khách hàng có thực hiện đầy đủ và đúng hạn
    Ngày nhận bài: 5/8/2019 nghĩa vụ nợ cho bên cấp tín dụng trong toàn
    Ngày chuyển phản biện: 7/8/2019 bộ thời gian quan hệ tín dụng hoặc trong một
    Ngày nhận phản biện: 15/8/2019 khoảng thời gian xác định hay không. Phương
    Ngày chấp nhận đăng: 22/8/2019 pháp xác định khả năng trả nợ của khách hàng
    thường được dựa trên một tiêu chuẩn nhất định
    I. Giới thiệu do ngân hàng lựa chọn như dựa trên đặc điểm
    Ngày nay các ngân hàng thương mại đóng của khách hàng, năng lực tài chính, thiện chí trả
    vai trò rất quan trọng trong lĩnh vực kinh tế của nợ của khách hàng khi chưa phát sinh nghĩa vụ
    nước ta dưới hình thức chuyển nhượng quyền nợ và dựa trên đặc điểm của khoản nợ như lịch
    sử dụng vốn của mình cho khách hàng cá nhân sử thanh toán nợ, tình trạng trả nợ thực tế của
    hoặc hộ gia đình, sử dụng trong một thời hạn khách hàng. Bài toán tập trung vào dịch vụ cho

    * Đại học Khoa học Tự nhiên, ĐHQG Hà Nội

    22 Taïp chí nghieân cöùu Taøi chính keá toaùn

  2. Soá 09 (194) – 2019 NGHIEÂN CÖÙU TRAO ÑOÅI

    vay tín dụng. Mỗi một khách hàng khi có nhu III. Quyết định điểm cắt phân lớp khách
    cầu giao dịch sẽ được yêu cầu cung cấp thông hàng
    tin khách hàng, các thông tin đó có thể là dữ liệu Khi một người nộp đơn vay tín dụng, họ sẽ
    cá nhân như giới tính, tuổi tác, nghề nghiệp,… cung cấp đầy đủ thông tin để người cho vay
    thông tin lịch sử vay tín dụng trong quá khứ xây dựng hồ sơ. Sau đó với mô hình ước lượng,
    như thời hạn vay. Dữ liệu hành vi như lịch sử điểm số s(x) = β0+ βT x s(x) sẽ được gán cho mỗi
    sử dụng khoản vay trên các sản phẩm. Thông tin cá nhân. Điểm số cao thì ít rủi ro hơn nên những
    này biểu diễn dưới dạng vectơ X = (X1,…, Xm). hồ sơ có điểm số cao sẽ được chấp nhận. Do đó,
    1) Ước lượng PD hiện tại dựa trên hai mô điểm cắt được đưa ra.
    hình là mô hình hồi quy Logistic và mô hình hồi Nếu s(x) ≤ c thì loại bỏ hồ sơ tín dụng. Nếu
    quy Cox. Mục tiêu của hai phương pháp hồi quy s(x) ≥ c thì chấp nhận hồ sơ tín dụng. Xác suất
    này là ước tính rủi ro tín dụng và trích xuất các cắt cho bởi
    biến quan trọng trong dự đoán rủi ro tín dụng. 1
    1 − 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 −1 ( 𝑐𝑐) = 1 −
    2) Phân nhóm khách hàng theo nguy cơ 1 + 𝑒𝑒 −𝑐𝑐
    không trả được nợ, các khách hàng trong cùng
    một nhóm sẽ có nguy cơ rủi ro như nhau. Quyết định điểm cắt sẽ dựa trên một số yếu
    tố liên quan đến mục tiêu của người cho vay như
    3) Phân nhóm khách hàng theo các chỉ tiêu
    tối đa hóa lợi nhuận dự kiến. Nếu quyết định cho
    phân nhóm, biểu diễn dưới dạng cây quyết định.
    vay và người vay trả được nợ thì sẽ thu được một
    II. Mô hình logistic trong ước tính xác suất khoản lợi nhuận là g và nếu người vay không trả
    vỡ nợ được thì người cho vay sẽ bị thua lỗ một khoản
    Mô hình hồi quy logistics xem xét mối liên l. Khi đó 1 – F0(c) = P(S ≤ c|Y = 0) được gọi
    hệ giữa biến phụ thuộc (Y) và tất cả các biến còn là phân lớp đúng của trường hợp trả được nợ.
    lại là biến độc lập (X), thể hiện các nhân tố thông 1 – F1(c) = P(S ≤ c|Y = 1) được gọi là phân lớp
    tin của khách hàng. Biến Y là biến nhị phân chỉ sai của trường hợp không trả được nợ, với
    nhận hai giá trị 0 hoặc 1. Cụ thể: 𝑙𝑙
    1
    𝛾𝛾 =
    𝑁𝑁ế𝑢𝑢 𝑠𝑠ự 𝑘𝑘𝑘𝑘ệ𝑛𝑛 𝑣𝑣ỡ 𝑛𝑛ợ 𝑥𝑥ả𝑦𝑦 𝑟𝑟𝑟𝑟 𝑔𝑔
    Y= �
    0 𝑁𝑁ế𝑢𝑢 𝑠𝑠ự 𝑘𝑘𝑘𝑘ệ𝑛𝑛 𝑣𝑣ỡ 𝑛𝑛ợ 𝑘𝑘ℎô𝑛𝑛𝑛𝑛 𝑥𝑥ả𝑦𝑦 𝑟𝑟𝑟𝑟 (1)
    và đặt chi phí là:
    Giả sử pi là xác suất trả được nợ của khách
    hàng thứ i, ta có mô hình ước lượng cho như sau: 𝑒𝑒𝛾𝛾 (𝑐𝑐) = 𝐹𝐹0 (𝑐𝑐)(1 − 𝑝𝑝1 ) + 𝛾𝛾(1 − 𝐹𝐹1 (𝑐𝑐))𝑝𝑝1 (3)
    pi(x) = P (Y = 0|X = x)
    Điểm cắt được tìm là điểm cắt tối ưu theo
    𝑒𝑒 𝛽𝛽0 +𝛽𝛽 𝑇𝑇 𝑥𝑥
    1 chi phí

    = = (2)
    𝛽𝛽0 +𝛽𝛽 𝑇𝑇 𝑥𝑥
    1 + 𝑒𝑒 1 + 𝑒𝑒 −𝑠𝑠(𝑥𝑥)
    𝑐𝑐 = 𝑙𝑙𝑙𝑙𝑙𝑙[(𝛾𝛾/(1 + 𝛾𝛾))/(1 − 𝛾𝛾/(1 + 𝛾𝛾)))] = 𝑙𝑙𝑙𝑙𝑙𝑙 𝛾𝛾 (4)
    Hàm s(x) = β0+ βT x s(x) được gọi là điểm
    log-odds IV. Mô hình Cox trong ước tính xác suất
    𝜋𝜋𝑖𝑖 (𝑥𝑥) vỡ nợ
    𝑠𝑠(𝑥𝑥) = 𝑙𝑙𝑙𝑙𝑙𝑙( )
    1 − 𝜋𝜋𝑖𝑖 (𝑥𝑥) Một mô hình khác được dùng là mô hình phân
    tích sống sót để tính điểm tín dụng, biến quan
    Nếu một khách hàng có m thông tin được mô tâm là thời gian xảy ra sự kiện. Mô hình này ước
    tả bằng biến X = (X1, X2,…, Xm) và giá trị cụ thể lượng được xác suất sống sót trên toàn bộ tập dữ
    là x = (x1,…,xm) có βj là hệ số của thông tin xj thì liệu. Ưu điểm của mô hình phân tích sống sót là
    s(x) là điểm tín dụng của khách hàng x. Tham số có thể kết hợp với dữ liệu kiểm duyệt.
    được ước lượng trong mô hình hồi quy logistic A. Hàm sống sót
    là β0 và β = (β 1, β 2,…, β m), ký hiệu tương ứng là
    ⏜ . Tính toán ước lượng dựa trên phương
    𝛽𝛽⏜0 và 𝛽𝛽 Hàm sống sót được định nghĩa bởi s(x) là xác
    pháp MLE. suất mà một cá thể sống sót vượt quá thời gian t.

    Taïp chí nghieân cöùu Taøi chính keá toaùn 23

  3. NGHIEÂN CÖÙU TRAO ÑOÅI Soá 09 (194) – 2019


    (5) dụng để chia S thành nhiều tập con S1,…,Sn.Si là
    𝑆𝑆(𝑡𝑡) = 𝑃𝑃(𝑇𝑇 > 𝑡𝑡) = 1 − 𝐹𝐹(𝑡𝑡) = � 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑑𝑑
    𝑡𝑡 các mẫu trong S có giá trị thuộc tính V là vi.
    B. Hàm rủi ro (Hazard function) Information Gain (IG) đánh giá khả năng của
    Đo khả năng thất bại tại thời điểm t biết rằng một thuộc tính khi được dùng để phân lớp các
    đối tượng đã sống sót qua một số thời điểm t: mẫu dựa vào số entropy. IG cho biết mức độ
    giảm của entropy khi phân nhánh mẫu.
    (6)
    𝑃𝑃(𝑡𝑡≤𝑇𝑇

  4. Soá 09 (194) – 2019 NGHIEÂN CÖÙU TRAO ÑOÅI
    Bảng 1: Kết quả AUC và PD cho 11 nhóm
    về thu nhập, kết quả như sau: Trong số 385.013 Bảng 1: Kết quả AUC và PD cho 11 nhóm
    AUC Accuracy Sensitivity Specificity Cutoff
    khách hàng có 374.574 khách hàng không có AUC AccuracyN1Sensitivity 0.98 Specificity
    0.92 Cutoff0.94 PD 0.92 0.023
    thông tin thu nhập với số vỡ nợ là 9.050 (chiếm N1 0.98 0.92 N2 0.940.98 0.920.96 0.023 0.95 0.03 0.96 0.013
    tỷ lệ 0.024), 10.439 khách hàng có thông tin thu N2 0.98 0.96 N3 0.950.99 0.960.96 0.013 0.960.0307 0.96 0.056
    nhập với số vỡ nợ là 87 (chiếm tỷ lệ 0.008). N3
    N4
    0.99
    0.92
    0.96
    0.88
    N4 0.960.92
    0.88
    0.96
    0.88
    0.88 0.056 0.880.0771 0.88
    0.002 0.052
    0.002
    N5 NUL NUL NUL NUL NUL
    Phân tích trước tiên dựa trên nhóm khách N5 NUL NUL NUL NUL NUL NUL
    N6 0.99 0.95 0.96 0.95 0.005
    hàng không có thông tin thu nhập, sau đó sẽ N6 0.99 0.95 0.96 0.95 0.005 0.0058
    N7 0.94 0.96 N7 0.940.94 0.960.96 0.007 0.940.0148 0.96 0.007
    so sánh với nhóm khách hàng có thông tin thu N8 0.97 0.97 N8 0.970.97 0.970.97 0.011 0.970.0103 0.97 0.011
    nhập. Cách phân chia thực tế do thu nhập ảnh N9 NUL NUL N9 NUL NUL NUL NUL NUL NUL NUL NUL NUL
    hưởng trực tiếp tới việc xác định tổng hạn mức N10 0.99 0.97 N10 1 0.99 0.970.97 0.017 1 0.0123 0.97 0.017
    N11 0.96 0.98 0.9 0.98 0.078 0.0215
    vay và giá trị vay. N11 0.96 0.98 0.9 0.98 0.078

    Dựa trên các thông tin khách hàng có Kết 2 biến
    quả chạy riêng cho mô hình nhóm N4
    Tập dữ liệu trainingKết
    gồmquả1658chạy
    kháchriêng
    hàngcho mô hình nhóm N4
    liên quan tới điều kiện vay là: tổng hạn mức vay Tập dữ liệu training gồm 1658 khách hàng
    và tổng giá trị vay.
    Chia biến tổng giá trị vay thành 5 nhóm miền
    giá trị là

  5. Hình 2. Đường sống sót 6 nhóm vay theo ngày

    NGHIEÂNTaCÖÙ
    chiaUlàm
    TRAO
    biến giá ÑOÅ I thành 6 nhóm: 0 – 130M, 130M – 200M, 200M – 1B,1B – 2.8B,Soá
    trị vay
    09 (194) – 2019
    2.8B-6.4B,
    6.4-100B.
    Thống kê dữ liệu gồm Hình 2. Đường sống sót 6 nhóm vay theo ngày Hình 6. Đồ thị xác suất vỡ nợ
    1.099.552 hồ sơ, số hồ sơ vỡ của hai hồ sơ vay
    nợ 6917, số hồ sơ trễ hạn lần
    Với thống kê dữ liệu đã làm sạch, chia nhóm theo hai biến tuổi và giá trị vay, có tất cả 18 nhóm
    có giá trị vay tối đa và tối thiểu
    chia. Gộp các
    trong 2 nhóm G4, G7,
    1 là 407.248,nhómsố hồ sơđường
    có chung trễ sống
    hạnsót ta thu được 8 nhóm với 8 đường sống sót phân biệt như sau: thời hạn vay 24 tháng
    G1 Tuổi 0 – 18
    lần 2 là 189.335
    G2
    hồ sơ.
    Tuổi 55 – 99
    Ta chiaG4làmTuổibiến
    G3 Tuổi giá
    18 – 55, vay trị
    0 – 130 M
    18 – 55, vay 130 M – 200 M
    vay thành G5 6 nhóm:Tuổi 180 –55,130M,
    vay 200 M – 1B
    130M – 200M, G6
    G7
    200M
    Tuổi 18 – 55,-vay
    Vay 2.8B – 6.4B
    1B,1B – 2.8B

    1B – 2.8B,G82.8B Vay- 6.4B
    6.4B,- 100B6.4
    – 100B. nhóm có chung đường sống
    Với thống kê dữ liệu đã làm sạch, Hình 3. Đường
    chia nhóm theo sống sót cho
    hai biến tuổi nhóm
    và giáG1, G2 có tất cả 18 nhóm chia. Gộp các
    trị vay,
    sót ta thu được 8 nhóm với 8 đường sống sót phân biệt như sau:
    Với thống G1 kê Tuổidữ
    0 – 18liệu đã
    G2 Tuổi 55 – 99
    làm sạch, chia
    G3 nhóm
    Tuổi 18 -theo
    55, vayhai
    0 – 130 M
    biến tuổi và giá trị vay,55,có
    G4 Tuổi 18 – vaytất
    130 M – 200 M
    G5 Tuổi 18 – 55, vay 200 M – 1B
    cả 18 nhóm G6 chia.Tuổi 18Gộp
    – 55, vaycác
    1B – 2.8B
    nhóm có chung đường sống
    G7 Vay 2.8B – 6.4B
    G8 Vay 6.4B – 100B
    sót ta thu được 8 nhóm với Hình 3. Đường sống sót cho nhóm G1, G2
    8 đường sống sót phân biệt
    Hình 4. Đường sống sót của 4 nhóm G3, G4, G5, G6
    như sau:
    Hình 4. Đường sống sót của 4 nhóm G3, G4, G5, G6 chỉ có nhóm G4 và G7 là có
    Hình 7. Đồ thị xác suất vỡ nợ
    G1 Tuổi 0 – 18 ý vànghĩa, phù hợp vớihaimô hình
    đường rủi ro cơ sở của hồ sơ vay
    G2 Tuổi 55 – 99 Cox. Mô hình hồi quy Logistic
    có giá trị vay tối đa và tối thiểu
    trong 2 nhóm G3, G4, thời hạn vay 12 tháng
    G3 Tuổi 18 – 55, và mô hình Cox đều tính được
    vay 0 – 130 M xác suất vỡ nợ và phân loại các
    G4 Tuổi 18 – 55, khách hàng thành các nhóm
    vay 130 M – 200 M có cùng mức nguy cơ rủi ro.
    G5 Tuổi 18 – 55, Hình 7 cho thấy với nhóm G4
    Hình 5. Đường sống sót của 2 nhóm G7, G8
    vay 200 M – 1B (tuổi 18-55, vay 130M-200M),
    Hình 5. Đường sống sót của 2 nhóm G7, G8
    khoản vay tối thiểu có xác suất
    G6 Tuổi 18 – 55,
    vỡ nợ cao hơn khoản vay tối
    vay 1B – 2.8B
    đa. Trong nhóm G7 (vay 2.8B
    G7 Vay 2.8B – 6.4B – 6.4B), khoản vay tối đa có
    G8 Vay 6.4B – 100B xác suất vỡ nợ cao hơn khoản
    Đường sống sót 8 nhóm vay tối thiểu. Kết quả được coi
    được thể hiện ở hình 3, 4, 5. là phù hợp vì trong nhóm G7
    Kết quả kiểm định cho thấy khoản vay lớn thì khả năng vỡ
    Đường sống sót 8 nhóm được nợ làthểcaohiệnhơn
    ở hìnhcòn3, 4,trong
    5. Kết nhóm
    quả kiểm định cho thấy c
    Bảng 2: Kết quả nhóm G4, G7 với sự kiện Y trong 24,và 12 G7
    và 9là có ý nghĩa,
    tháng phù
    G424,khoảnhợp với mô hình Cox. Mô
    vay nhỏ thuộc về các đối hình hồi quytượng
    Logistic và mô hình Co
    Bảng 2: Kết quả nhóm G4, G7 với sự kiện Y trong 12 và 9 tháng
    xác suất vỡ nợ và phân loại các khách hàng thành các nhóm có cùng mức nguy cơ rủi ro.
    12m với nhóm nhỏ
    18-55,lẻvay có130M-200M),
    xác suất vỡ nợ vay
    caotốihơnthiểukhoản
    24mG4 (tuổi 12m khoản có xác suất vỡ nợ cao hơ
    24m 9m
    9m
    Tuoi.pca Tuoi.pca
    đa. Trong nhóm vay
    G7(vay vừa
    2.8B-phải.
    6.4B), khoản vay tối đa có xác suất vỡ nợ cao hơn khoản v
    GTVpca -0.11
    GTVpca -0.13 -0.15
    -0.11 -0.13Cây quyết -0.15 định phân nhóm khách hàng
    G4 GioiTinh.pca G4 GioiTinh.pca theo các chỉ tiêu phân nhóm.
    Kiếm định PH 0.0391
    Kiếm định PH0.0478 0.1045
    0.0391 0.0478 0.1045
    C index 0.58
    C index 0.61 0.63
    0.58 0.61Dữ liệu0.63 được sử dụng là dữ liệu Logistic
    Tuoi.pca -0.41
    Tuoi.pca -0.42 -0.38
    -0.41 của
    -0.42 6 nhóm -0.38vay (hạn mức vay < 2.67B và
    GTVpca GTVpca giá trị vay từ 276M – 800M) với 76.365
    G7 GioiTinh.pca G7 0.26 GioiTinh.pca0.23 0.24
    0.26
    hồ0.23
    sơ chia0.24 làm 2 tập: train set và test set.
    Kiếm định PH Kiếm định 0.02014
    0.03188 PH 0.03188
    0.3364 0.02014 0.3364
    C index 0.59
    Các
    0.63
    biến quan0.65
    sát bao gồm: Tổng thời gian
    C index 0.59 0.63 0.65
    trễ hạn (ngày), tổng số tiền đã tiêu (VNĐ),

    26 Taïp chí nghieân cöùu Taøi chính keá toaùn

  6. Soá 09 (194) – 2019 NGHIEÂN CÖÙU TRAO ÑOÅI

    Hình 7. Đồ thị xác suất vỡ nợ VII. Kết luận
    và đường rủi ro cơ sở của hai hồ sơ vay Hai mô hình hồi quy Logistic và mô hình
    có giá trị vay tối đa và tối thiểu
    trong 2 nhóm G3, G4, thời hạn vay 12 tháng Cox ước lượng được xác suất vỡ nợ của từng
    khách hàng và của từng nhóm khách hàng, xác
    suất vỡ nợ của hồ sơ sẽ thay đổi theo thời gian
    kể từ thời điểm bắt đầu vay. Mô hình Cox với
    giả thuyết mỗi nhóm có một nguy cơ riêng là
    phù hợp để tính xác suất và thời gian trả nợ trễ
    hạn lần 1. Trong lần trễ hạn đầu tiên, hồ sơ có
    giá trị vay lớn khả năng trễ hạn lần 1 lại thấp hơn
    hồ sơ có giá trị vay nhỏ.
    được coi là phù hợp vì trong nhóm G7 khoản vay lớn thì khả năng Hìnhvỡ nợ là
    9 cho caocây
    thấy hơnquyết
    còn định
    trongphân nhóm
    G4 khoản vay nhỏ thuộc về các đối tượng nhỏ lẻ có xác suất vỡ nợ cao hàng
    khách hơn khoản
    thành vay vừa phải.
    12 nhóm. Trong đó chỉ tiêu
    yết định phân nhóm khách hàng theo các chỉ tiêu phân nhóm. phân nhóm giúp phân biệt khách hàng có nguy
    được sử dụng là dữ liệu Logistic của 6 nhóm vay (hạn mức vay cơ

Download tài liệu Mô hình hồi quy logistics và mô hình Cox trong ước lượng xác suất vỡ nợ tín dụng, phân nhóm khách hàng theo nguy cơ vỡ nợ File Word, PDF về máy