Xếp hạng tín dụng khách hàng cá nhân với khai phá dữ liệu, thuật toán C4.5

Nghiên cứu - Trao đổi
Khai phá dữ liệu (Data Mining - DM) là khái niệm rộng và có thể gây khó khăn cho các nhà nghiên cứu không chuyên sâu về công nghệ thông tin. Điều quan trọng là phải nắm được nguyên lý, khái niệm liên quan đến DM, từ đó, định hướng mục tiêu và ứng dụng DM trong từng lĩnh vực, đặc biệt là trong lĩnh vực tài chính, ngân hàng.
aa

Tóm tắt: Khai phá dữ liệu (Data Mining - DM) là khái niệm rộng và có thể gây khó khăn cho các nhà nghiên cứu không chuyên sâu về công nghệ thông tin. Điều quan trọng là phải nắm được nguyên lý, khái niệm liên quan đến DM, từ đó, định hướng mục tiêu và ứng dụng DM trong từng lĩnh vực, đặc biệt là trong lĩnh vực tài chính, ngân hàng. Bài viết này trình bày các khái niệm cơ bản về DM, ứng dụng của DM trong lĩnh vực tài chính, ngân hàng và phương pháp xếp hạng tín dụng khách hàng cá nhân trong ngân hàng dựa trên kỹ thuật cây quyết định C4.5.

Từ khóa: Học máy, DM, cây quyết định, khách hàng trung thành.

PERSONAL CUSTOMER CREDIT RATING WITH DATA MINING, C4.5-ALGORITHM

Abstract: Data Mining (DM) has so far been a broad concept and make difficulty for researchers who do not specialize in information technology. It is important to understand the principles and concepts of DM so that they can orient their goals and apply DM in each field, especially in banking and finance sector. This artical presents the basic concepts of DM, DM application in banking and finance sector, the solution of personal banking customer credit rating by C4.5 algorithm.

Keywords: Machine learning, DM, decision tree, loyal customer.

1. Tổng quan về xếp hạng tín dụng, DM và cây quyết định

1.1. Xếp hạng tín dụng

Xếp hạng tín dụng là việc đưa ra nhận định về mức độ tín nhiệm đối với trách nhiệm tài chính hoặc đánh giá mức độ rủi ro tín dụng phụ thuộc các yếu tố như năng lực đáp ứng cam kết tài chính, khả năng dễ bị vỡ nợ khi điều kiện kinh doanh thay đổi, ý thức và thiện chí trả nợ của người đi vay. Thang điểm xếp hạng tín dụng khách hàng có thể được minh họa trong Bảng 1.

Bảng 1: Điểm xếp hạng tín dụng khách hàng cá nhân

Nguồn: Ngân hàng Thương mại cổ phần Hàng Hải Việt Nam (MSB)


1.2. DM

DM là tập hợp các thuật toán nhằm chiết xuất những thông tin có ích từ kho dữ liệu khổng lồ. DM được định nghĩa như một quá trình phát hiện mẫu trong dữ liệu, quá trình này có thể là tự động hay bán tự động, song phần nhiều là bán tự động. Các mẫu được phát hiện mang lại cho người sử dụng một lợi thế nào đó, thường là lợi thế về kinh tế. Theo đó, DM giống một quá trình tìm ra và mô tả mẫu dữ liệu. Dữ liệu là một tập hợp các sự vật hay sự kiện, đầu ra của quá trình DM thường là những dự báo của các sự vật hay sự kiện mới. Nó được áp dụng trong các cơ sở dữ liệu quan hệ, giao dịch hay trong kho dữ liệu phi cấu trúc mà điển hình là World Wide Web… Như vậy, mục đích của DM là tìm ra mẫu hoặc mô hình đang tồn tại trong các cơ sở dữ liệu nhưng vẫn còn bị khuất bởi số lượng dữ liệu khổng lồ. Quy trình DM gồm 6 giai đoạn:

Giai đoạn 1: Gom cụm dữ liệu (Gathering). Dữ liệu được gom từ trong một cơ sở dữ liệu, kho dữ liệu hay thanh chứa dữ liệu từ những nguồn cung ứng Web.

Giai đoạn 2: Trích lọc dữ liệu (Selection): Dữ liệu được lựa chọn và phân chia theo một số tiêu chuẩn nào đó, ví dụ chọn tất cả những người tuổi đời từ 25 - 35 và có trình độ đại học.

Giai đoạn 3: Làm sạch tiền xử lý và chuẩn bị trước các dữ liệu (Cleansing pre-processing, preparation): Đây là giai đoạn hay bị sao nhãng, nhưng thực tế nó là một bước rất quan trọng trong quá trình DM. Một số lỗi thường mắc phải trong giai đoạn này là dữ liệu không đầy đủ hoặc không thống nhất, thiếu chặt chẽ. Vì vậy dữ liệu thường chứa các giá trị vô nghĩa và không có khả năng kết nối. Ví dụ, sinh viên có tuổi là 200, đây là dữ liệu dư thừa, không có giá trị.

Giai đoạn 4: Chuyển đổi dữ liệu (Transformation): Dữ liệu được tổ chức để phù hợp hơn với mục đích của DM.

Giai đoạn 5: Phát hiện và trích mẫu dữ liệu (Pattern extraction and discovery): Là giai đoạn tư duy trong DM. Ở giai đoạn này, nhiều thuật toán khác nhau được sử dụng để trích ra các mẫu từ dữ liệu. Thuật toán thường dùng để trích mẫu dữ liệu là thuật toán phân loại dữ liệu, kết hợp dữ liệu, mô hình hóa dữ liệu tuần tự.

Giai đoạn 6: Đánh giá kết quả mẫu (Evaluation of result): Ở giai đoạn này, các mẫu dữ liệu được chiết xuất bởi phần mềm DM nhưng không phải mẫu dữ liệu nào cũng hữu ích, đôi khi nó còn bị sai lệch. Vì vậy cần phải đưa ra tiêu chuẩn đánh giá độ ưu tiên cho các mẫu dữ liệu để rút ra kết quả cần thiết.

1.3. Cây quyết định

Trong lĩnh vực học máy, cây quyết định là một kiểu mô hình dự báo, nghĩa là một ánh xạ từ các quan sát về một sự vật, hiện tượng tới kết luận về giá trị mục tiêu của sự vật, hiện tượng. Mỗi nút trong tương ứng với một biến; đường nối giữa nó với nút con của nó thể hiện giá trị cụ thể cho biến đó. Mỗi nút lá đại diện cho giá trị dự đoán của biến mục tiêu, cho trước giá trị dự đoán của các biến được biểu diễn bởi đường đi từ nút gốc tới nút lá đó. Kỹ thuật học máy dùng trong cây quyết định được gọi là học bằng cây quyết định, hay chỉ gọi với cái tên ngắn gọn là cây quyết định.

Cây quyết định là một phương tiện có tính mô tả dành cho việc tính toán các xác suất có điều kiện. Nó được mô tả là sự kết hợp của các kỹ thuật toán học và tính toán nhằm hỗ trợ việc mô tả, phân loại, tổng quát hóa một tập dữ liệu cho trước. Cây quyết định là sơ đồ phát triển có cấu trúc dạng cây, ví dụ như trong Hình 1:

Hình 1: Sơ đồ cây quyết định

Nguồn: Tác giả tổng hợp


Trong đó:

- Gốc: Là nút trên cùng của cây.

- Nút trong: Biểu diễn một thuộc tính đơn.

- Nhánh: Là một đường đi trên cây, bắt đầu từ nút gốc đến nút lá.

- Nút lá: Biểu diễn tập giá trị cuối cùng của một nhánh.

- Độ cao, mức: Trong một cây, độ cao của đỉnh a là độ dài của đường đi dài nhất từ a đến một lá. Độ cao của gốc được gọi là độ cao của cây, mức của đỉnh a là độ dài của đường đi từ gốc đến a.

Cây quyết định có cấu trúc đơn giản, dễ hiểu và được xây dựng khá nhanh, từ cây quyết định có thể dễ dàng rút ra các luật (series of rules). Ví dụ, từ cây quyết định trong Hình 1, có thể rút ra được các luật sau:

IF (Age <= 35) AND (Salary <= 40) THEN class = bad

IF (Age <= 35) AND (Salary > 40) THEN class = good

IF (Age > 35) AND (Salary <= 50) THEN class = bad

IF (Age > 35) AND (Salary > 50) THEN class = good

Cách thức hoạt động của thuật toán cây quyết định thường thông qua thuật toán ID3 của Ross Quinlan. Đây là thuật toán xây dựng cây quyết định theo cách từ trên xuống. Bất kỳ thuộc tính nào cũng có thể phân vùng tập hợp các đối tượng thành những tập con tách rời với một giá trị chung. ID3 chọn một thuộc tính để kiểm tra tại nút hiện tại của cây và phân vùng tập hợp các đối tượng, thuật toán khi đó xây dựng theo cách đệ quy một cây con cho từng phân vùng. Việc này tiếp tục cho đến khi tập đối tượng của phân vùng đều nằm trong cùng một lớp, lớp đó trở thành nút lá của cây.

Thuật toán C4.5 của Ross Quinlan là một thuật toán cải tiến so với thuật toán ID3 do ID3 làm việc không hiệu quả với các thuộc tính có nhiều giá trị. Thuật toán C4.5 được sử dụng rộng rãi nhất trong thực tế cho đến nay. C4.5 là thuật toán phân lớp dữ liệu dựa trên cây quyết định rất hiệu quả và phổ biến trong những ứng dụng khai phá cơ sở dữ liệu có kích thước nhỏ. Kỹ thuật này cho phép giảm bớt kích thước tập luật và đơn giản hóa các luật mà độ chính xác so với nhánh tương ứng cây quyết định là tương đương. Công thức sử dụng trong thuật toán như sau:


Trong đó:

pi: Xác suất để 1 phần tử bất kỳ trong D thuộc lớp Ci;

m: Số lớp;

InfoA(D): Lượng thông tin cần để phân loại một phần tử trong D dựa trên thuộc tính A. Thuộc tính A dùng phân tách D thành v phân hoạch (D1, D2... Dv). Mỗi phân hoạch Dj gồm |Dj| phần tử trong D. Lượng thông tin này sẽ cho biết mức độ trùng lặp giữa các phân hoạch, nghĩa là một phân hoạch chứa các phần tử từ một lớp hay nhiều lớp khác nhau.

Độ đo Information Gain: Là độ sai biệt giữa trị thông tin Info(D) ban đầu (trước phân hoạch) với trị thông tin mới InfoA(D) (sau phân hoạch với A).

Gain(A) = Info(D) - InfoA(D) Information Gain được sử dụng làm tiêu chuẩn để lựa chọn thuộc tính khi phân lớp. Thuộc tính được chọn là thuộc tính có Gain đạt giá trị lớn nhất.

Để giải quyết vấn đề một thuộc tính được dùng tạo ra rất nhiều phân hoạch (thậm chí mỗi phân hoạch chỉ gồm 1 phân tử), thuật toán C4.5 đã đưa ra các đại lượng GainRatio và SplitInfo, chúng được xác định theo công thức:

Giá trị SplitInfo là đại lượng đánh giá thông tin tiềm năng thu thập được khi phân chia tập D thành v tập con. GainRatio là tiêu chuẩn để đánh giá việc lựa chọn thuộc tính phân loại. Thuộc tính được lựa chọn là thuộc tính có GainRatio đạt giá trị lớn nhất.

Để đánh giá hiệu suất của một cây quyết định, người ta thường sử dụng một tập ví dụ tách rời, tập này khác với tập dữ liệu huấn luyện để đánh giá khả năng phân loại của cây trên các ví dụ của tập này. Tập dữ liệu này gọi là tập kiểm tra. Thông thường, tập dữ liệu sẵn có sẽ được chia thành hai tập: Tập rèn luyện thường chiếm 2/3 số ví dụ và tập kiểm tra chiếm 1/3. Ma trận dưới đây được sử dụng để đánh giá hiệu quả của việc phân lớp với cây quyết định nói chung, C4.5 nói riêng. (Bảng 2)

Bảng 2: Ma trận xác định độ chính xác

của bộ phân lớp

Nguồn: Tổng hợp của tác giả


Trong đó:

- TP: Là số mẫu thuộc lớp C được phân lớp đúng.

- TN: Là số mẫu không thuộc lớp C được phân lớp đúng.

- FP: Là số mẫu thuộc lớp C mà bộ phân lớp sai.

- FN: Là số mẫu không thuộc lớp C mà bộ phân lớp sai.

Từ đó, các độ đo đánh giá quá trình phân lớp được tính như sau:


2. Giải pháp chấm điểm tín dụng dựa trên kỹ thuật cây quyết định C4.5

Nguyên lý hoạt động và các độ đo quan trọng của cây quyết định C4.5 đã được giới thiệu trong các phần trước, trong phần tiếp theo, bài viết sẽ trình bày về việc ứng dụng cây quyết định này để xây dựng mô hình dự báo một khách hàng có được vay vốn hay không dựa trên điểm tín dụng của họ với ví dụ minh họa là bộ dữ liệu khách hàng từ MSB. Một tập cơ sở dữ liệu ban đầu của khách hàng liên quan đến khoản vay với các giá trị dữ liệu đã biết về thuộc tính như: Tuổi, trình độ học vấn, tình trạng hôn nhân, số người phụ thuộc, tính chất công việc, thu nhập hằng tháng.

Đầu vào: Bộ dữ liệu về thông tin khách hàng.

Đầu ra: Các luật về xếp hạng tín dụng khách hàng cá nhân tại ngân hàng.

Công cụ sử dụng: Phần mềm Weka.

Dữ liệu được sử dụng để xây dựng bài toán là một tập hợp các thông tin về khách hàng cá nhân xin cấp tín dụng tại MSB. Dữ liệu này bao gồm 866 bản ghi, được lưu trữ dưới dạng file excel và được chuyển thành file csv như Bảng 3.

Bảng 3: Dữ liệu thông tin khách hàng xin cấp tín dụng tại MSB

Nguồn: Tác giả tổng hợp từ bộ dữ liệu


Bộ dữ liệu gồm có 17 thuộc tính khác nhau, mỗi thuộc tính đều có giá trị hữu hạn. Tên các thuộc tính và tập giá trị của nó được trình bày trong Bảng 4.


Bảng 4: Các thuộc tính và tập giá trị của nó

Nguồn: Tác giả tổng hợp từ bộ dữ liệu


- Sản phẩm, dịch vụ sử dụng:

Loại 1: Tiền gửi và các dịch vụ khác.

Loại 2: Chỉ sử dụng dịch vụ thanh toán.

Loại 3: Không sử dụng.

- Tình hình trả nợ gốc và lãi:

Loại 1: Luôn trả nợ đúng hạn.

Loại 2: Đã bị gia hạn nợ, hiện trả nợ tốt.

Loại 3: Đã có nợ quá hạn hoặc khách hàng mới.

Loại 4: Đã có nợ quá hạn, khách hàng trả nợ không ổn định.

Loại 5: Hiện đang có nợ quá hạn.

- Uy tín giao dịch:

Loại 1: Có giao dịch vào, ra đều đặn hoặc trả nợ đầy đủ.

Loại 2: Khách hàng mới, chưa cấp hạn mức.

Loại 3: Từ 2 đến 3 tháng không có giao dịch tiền vào và (hoặc) phát sinh nợ loại 2.

Loại 4: Trên 3 tháng không có giao dịch tiền vào và (hoặc) phát sinh nợ loại 3, 4, 5.

Trong quá trình DM, công việc tiền xử lý dữ liệu trước khi đưa vào mô hình là rất cần thiết. Bước này cho biết dữ liệu qua thu thập ban đầu có thể được áp dụng thích hợp với các mô hình DM cụ thể. Các công việc bao gồm:

- Filtering Attributes: Chọn các thuộc tính phù hợp với mô hình.

- Filtering Sample: Lọc các mẫu dữ liệu cho mô hình.

- Transformation: Chuyển đổi kiểu dữ liệu cho phù hợp.

- Discretization: Rời rạc hóa dữ liệu.

Cụ thể đối với thuộc tính được mã hóa mô tả tại Bảng 5, 6, 7, 8, 9.

Bảng 5: Gán nhãn cho thuộc tính “tuổi”

Nguồn: Tác giả tổng hợp từ bộ dữ liệu

Bảng 6: Gán nhãn cho thuộc tính

“số người phụ thuộc”

Nguồn: Tác giả tổng hợp từ bộ dữ liệu

Bảng 7: Gán nhãn cho thuộc tính

“thời gian công tác”

Nguồn: Tác giả tổng hợp từ bộ dữ liệu

Bảng 8: Gán nhãn cho thuộc tính

“thu nhập hằng tháng”

Nguồn: Tác giả tổng hợp từ bộ dữ liệu

Bảng 9: Gán nhãn cho thuộc tính

“tỉ lệ số tiền phải trả trên thu nhập”

Nguồn: Tác giả tổng hợp từ bộ dữ liệu


3. Thực nghiệm

Sau khi đã thực hiện qua bước tiền xử lý dữ liệu, tác giả tiến hành phân loại dữ liệu bằng thuật toán C4.5. Trước khi tiến hành phân loại, tác giả chọn chế độ kiểm thử để xây dựng tập kiểm thử và tập huấn luyện. Weka hỗ trợ 4 chế độ kiểm thử:

- Use training set: Sử dụng chính tập training data để tiến hành kiểm thử.

- Supplied test set: Sử dụng tập dữ liệu khác để tiến hành kiểm thử.

- Cross-validation: Chia dữ liệu thành nhiều phần để thực hiện thành nhiều lần đánh giá kết quả.

- Percentage split: Chia dữ liệu thành hai phần theo tỉ lệ %, một phần dùng để xây dựng mô hình, một phần dành cho kiểm thử.

Sử dụng chế độ kiểm thử Use training set thu được kết quả như Hình 2.

Hình 2: Kết quả thuật toán dưới dạng Text


Nguồn: Tác giả tổng hợp từ phần mềm Weka

Kết quả thu được sau quá trình huấn luyện là tập các luật thu được dạng mô hình cây như sau:

TGCongtac = 2

| UytinGD = Loai 1

| | Songuoiphuthuoc = 1

| | | Trinhdohocvan = TrenDH: AA (1.0)

| | | Trinhdohocvan = Daihoc

| | | | SPDVsudung = Loai 1: AAA (3.0)

| | | | SPDVsudung = Loai 2: AA (2.0)

| | | Trinhdohocvan = Trunghoc: AA (0.0)

| | | Trinhdohocvan = Duoitrunghoc: BBB (2.0)

| | | Trinhdohocvan = Caodang: AA (2.0)

| | Songuoiphuthuoc = 2: AA (11.0)

| | Songuoiphuthuoc = 3: BBB (1.0)

| | Songuoiphuthuoc = 4: AA (0.0)

| | Songuoiphuthuoc = 5: A (1.0)


Căn cứ vào các luật được sinh ra như trên, chúng ta có thể diễn giải các luật đó cụ thể hơn từ cây quyết định:

- Luật 1: IF (TGCongtac = 1) AND (UytinGD = Loai 1) AND (SPDVsudung = Loai 1) AND (TTNhao = Chusohuu) THEN (XHTD = AAA).

- Luật 2: IF (TGCongtac = 1) AND (UytinGD = Loai 1) AND (SPDVsudung = Loai 1) AND (TTNhao = Thue) THEN (XHTD = AA).

- Luật 3: IF (TGCongtac = 1) AND (UytinGD = Loai 1) AND (SPDVsudung = Loai 2) AND (Songuoiphuthuoc = 1) AND (Tuoi = 1) THEN (XHTD = AA).

- Luật 4: IF (TGCongtac = 1) AND (UytinGD = Loai 1) AND (SPDVsudung = Loai 2) AND (Songuoiphuthuoc = 1) AND (Tuoi = 2) THEN (XHTD = BBB).

- Luật 5: IF (TGCongtac = 1) AND (UytinGD = Loai 1) AND (SPDVsudung = Loai 2) AND (Songuoiphuthuoc = 1) AND (Tuoi = 3) AND (Trinhdohocvan = Daihoc THEN (XHTD = AA).

- Luật 6: IF (TGCongtac = 2) AND (UytinGD = Loai 1) AND (Songuoiphuthuoc = 1) AND (Trinhdohocvan = TrenDH) THEN (XHTD = AA).

- Luật 7: IF (TGCongtac = 2) AND (UytinGD = Loai 1) AND (Songuoiphuthuoc = 1) AND (Trinhdohocvan = Daihoc) AND (SPDVsudung = Loai 1) THEN (XHTD = AAA).

- Luật 8: IF (TGCongtac = 2) AND (UytinGD = Loai 4) AND (SPDVsudung = Loai 1) AND (Oto = Khong) AND (TSThechap = Khong) THEN (XHTD = CCC).

Bài toán xây dựng cây quyết định xếp hạng tín dụng được thử nghiệm trên phần mềm Weka với bộ số liệu của MSB thu được kết quả tương đối tốt. Dựa vào kết quả thực nghiệm, thu được các thông tin như Hình 3.

Hình 3: Kết quả sau khi thực hiện trên phần mềm Weka

Nguồn: Tác giả tổng hợp từ phần mềm Weka


Từ Hình 3, ta thấy lớp “AAA”có độ chính xác cao nhất với tỉ lệ các mẫu được phân lớp đúng đạt 97,9%, chỉ có 0,4% mẫu bị phân lớp sai. Tỉ lệ các mẫu thuộc lớp “AAA” được phân loại đúng lần lượt chiếm 96,8%, 97,9% trên tổng số các mẫu được phân loại vào lớp "AAA" và trên tổng số các mẫu có giá trị thực thuộc lớp này. Giá trị F-Measure và ROC Area càng tiến gần về 1 có nghĩa mô hình càng tốt. Tương tự với các lớp còn lại.

Với mô hình cây quyết định, kết quả được mô phỏng phân loại một cách trực quan, dễ hiểu đối với người sử dụng, có thể rút ra các luật một cách nhanh chóng, dễ dàng dự đoán trước khả năng của khách hàng, từ đó đưa ra những quyết định phù hợp hơn.

4. Kết luận và hướng phát triển

Các ngân hàng thương mại thường xuyên phải đưa ra các quyết định liên quan đến quá trình cho vay của mình với mục tiêu giảm thiểu tối đa rủi ro cho vay. Với dự đoán đã thu được, nhà quản trị ngân hàng có thể sẽ dễ dàng ra quyết định tùy vào tình huống thực tế. Tuy nhiên, với bộ dữ liệu thu thập được có kích thước tương đối nhỏ, kết quả phân loại khi sử dụng cây quyết định đối với các trường hợp khác có thể chưa cao. Các luật cung cấp thêm thông tin, gợi ý trong quá trình xếp hạng tín dụng nhưng không dựa vào hoàn toàn. Tùy vào từng trường hợp, từng khách hàng cụ thể mà ngân hàng có thể áp dụng một cách linh hoạt. Như vậy, với những kết quả đã rút ra được, có thể khẳng định rằng, phương pháp cây quyết định áp dụng trong xếp hạng tín dụng là một hướng tiếp cận tiềm năng. Do đó, nhóm tác giả đề xuất một số vấn đề cần nghiên cứu, phát triển để các ngân hàng có thể áp dụng mô hình cây quyết định như sau:

Thứ nhất, cần bổ sung thêm dữ liệu cho tập huấn luyện để mô hình cây quyết định có độ tin cậy cao hơn và hoạt động hiệu quả hơn. Đặc biệt là việc tổng hợp các nguồn dữ liệu từ các ngân hàng thương mại khác nhau.

Thứ hai, tiếp tục phát triển, hoàn thiện theo hướng DM trở thành phần mềm trong tín dụng tiêu dùng nhằm hỗ trợ cán bộ tín dụng đưa ra quyết định cho khách hàng vay và quản trị rủi ro tín dụng hiệu quả.

Thứ ba, tiếp tục nghiên cứu các thuật toán về DM và học máy nhằm áp dụng nhiều hơn nữa các kỹ thuật này trong lĩnh vực tài chính, ngân hàng.

Thứ tư, đẩy mạnh hợp tác nghiên cứu giữa trường đại học với ngân hàng thương mại để ứng dụng các nghiên cứu từ trường đại học vào thực tế, đồng thời, sử dụng được nguồn dữ liệu từ ngân hàng thương mại trong việc nghiên cứu.

Tài liệu tham khảo:

1. Bhatia, S., Sharma, P., Burman, R., Hazari, S., & Hande, R, (2017), Credit scoring using machine learning techniques., International Journal of Computer Applications, 161(11), pages 1-4.

2. Ian H. Witten, Eibe Frank, and Marker Hall, (2011), “Data Mining- Practical Machine Learning Tools and Techniques”, Morgan Kaufmann.

3. Leo, M., Sharma, S., & Maddulety, K., (2019), Machine learning in banking risk managemen, t: A literature review. Risks, 7(1), 29.

4. M Madhavi, M V R Srivatsava, 92023), “Fraud Detection in Banking”, International Journal of Engineering and Advanced Technology, Volume 3, Issue 1, pages 322-358.

5. M. Al-Shabi, 92019), Credit card fraud detection using autoencoder model in unbalanced datasets, J. Adv. Math. Comput. Sci, 33, pages 1-16.

6. Meenakshi, D., & Janani, (2019), Credit Card Fraud Detection Using Random Forest., International Research Journal of Engineering and Technology (IRJET), 6.

7. S. Ghosh, DL Reilly, (2004), Credit card fraud detection with a neural-network, Proceedings of the Twenty-Seventh Hawaii International Conference on. Vol. 3. IEEE, 1994.


ThS. Nguyễn Dương Hùng; ThS. Ngô Thùy Linh

Khoa Công nghệ thông tin và Kinh tế số, Học viện Ngân hàng


https://tapchinganhang.gov.vn

Tin bài khác

Nhân tố ảnh hưởng đến ý định áp dụng tài chính xanh tại các doanh nghiệp nhỏ và vừa Việt Nam

Nhân tố ảnh hưởng đến ý định áp dụng tài chính xanh tại các doanh nghiệp nhỏ và vừa Việt Nam

Tài chính xanh là công cụ giúp các quốc gia không chỉ đạt được mục tiêu kinh tế mà còn bảo vệ môi trường, thực hiện trách nhiệm xã hội hướng đến phát triển bền vững.
Bảo đảm an toàn hệ thống thông tin trong hoạt động ngân hàng - Thách thức và một số giải pháp nâng cao hiệu quả

Bảo đảm an toàn hệ thống thông tin trong hoạt động ngân hàng - Thách thức và một số giải pháp nâng cao hiệu quả

Bảo đảm an toàn hệ thống thông tin trong hoạt động ngân hàng là yêu cầu cần thiết để bảo vệ tài sản, duy trì lòng tin của khách hàng cũng như thúc đẩy sự phát triển bền vững trong môi trường kinh doanh đầy thách thức hiện nay.
Kinh tế Việt Nam năm 2024 và triển vọng năm 2025

Kinh tế Việt Nam năm 2024 và triển vọng năm 2025

Năm 2024 có ý nghĩa đặc biệt quan trọng trong thực hiện thắng lợi Kế hoạch phát triển kinh tế - xã hội giai đoạn 2021 - 2025. Mặc dù bối cảnh quốc tế và trong nước vẫn còn nhiều khó khăn, thách thức: Lạm phát tăng cao, xung đột địa chính trị kéo dài, sự tăng trưởng chậm lại của các nền kinh tế lớn, nhưng kinh tế Việt Nam đã vượt qua khó khăn để đạt được những thành tựu nổi bật.
Thực trạng và đề xuất phát triển thị trường trái phiếu xanh tại Việt Nam

Thực trạng và đề xuất phát triển thị trường trái phiếu xanh tại Việt Nam

Thị trường trái phiếu xanh tại Việt Nam đã có những bước phát triển đáng kể trong những năm gần đây, tuy nhiên vẫn còn đối mặt với nhiều thách thức.
Thực trạng công bố thông tin môi trường, xã hội và quản trị của các ngân hàng thương mại Việt Nam

Thực trạng công bố thông tin môi trường, xã hội và quản trị của các ngân hàng thương mại Việt Nam

Phát triển bền vững được xem là một trong những vấn đề cấp bách nhất của thời đại. Hiện nay, ngày càng nhiều tổ chức tài chính áp dụng các tiêu chuẩn về môi trường, xã hội, quản trị (ESG) vào hoạt động thực tiễn của mình để hướng tới thông điệp chung tay vì sự phát triển bền vững.
Mối quan hệ giữa mức độ thực hiện quy định thanh khoản ngân hàng theo Basel III với một số giải pháp và khuyến nghị

Mối quan hệ giữa mức độ thực hiện quy định thanh khoản ngân hàng theo Basel III với một số giải pháp và khuyến nghị

Quy định thanh khoản Basel III được Ủy ban Basel Giám sát ngân hàng (BCBS) đưa ra sau cuộc khủng hoảng tài chính toàn cầu năm 2008 nhằm giám sát, quản lý rủi ro thanh khoản hợp lý; thúc đẩy khả năng phục hồi để ngân hàng tồn tại trong tình huống căng thẳng cấp tính kéo dài một tháng và tình huống phục hồi kéo dài hơn một năm.
Hạch toán quyền rút vốn đặc biệt: Khuôn khổ, các yếu tố chính và một số biện pháp giải quyết vướng mắc hiện nay

Hạch toán quyền rút vốn đặc biệt: Khuôn khổ, các yếu tố chính và một số biện pháp giải quyết vướng mắc hiện nay

Quyền rút vốn đặc biệt (SDR) là tài sản dự trữ quốc tế được Quỹ Tiền tệ quốc tế (International Monetary Fund - IMF) tạo ra nhằm bổ sung dự trữ chính thức của các quốc gia thành viên...
Tác động của quy mô hoạt động đến lợi nhuận của các ngân hàng thương mại Việt Nam

Tác động của quy mô hoạt động đến lợi nhuận của các ngân hàng thương mại Việt Nam

Quy mô ngân hàng là một trong những yếu tố quan trọng để nâng cao năng lực cạnh tranh, cải thiện hiệu quả tài chính, đồng thời phản ánh năng lực, sức mạnh và vị thế của ngân hàng trên thị trường.
Xem thêm
Vai trò của chính sách tín dụng xanh đối với chuyển đổi xanh của các doanh nghiệp tại Việt Nam

Vai trò của chính sách tín dụng xanh đối với chuyển đổi xanh của các doanh nghiệp tại Việt Nam

Tín dụng xanh là một công cụ tài chính được thiết kế để hỗ trợ các dự án và hoạt động có lợi cho môi trường. Chuyển đổi xanh trong doanh nghiệp là quá trình mà các công ty áp dụng những phương pháp và chiến lược bền vững nhằm giảm thiểu tác động tiêu cực lên môi trường và thúc đẩy phát triển kinh tế bền vững.
"Dòng chảy" tín dụng hỗ trợ người dân, doanh nghiệp bứt tốc cuối năm

"Dòng chảy" tín dụng hỗ trợ người dân, doanh nghiệp bứt tốc cuối năm

Những tháng cuối năm, doanh nghiệp tập trung tăng cường sản xuất, kinh doanh để đạt mục tiêu tăng trưởng nên nhu cầu tín dụng cũng sẽ tăng theo.
Điều hành chính sách tiền tệ tiếp tục hỗ trợ tăng trưởng kinh tế và kiểm soát lạm phát

Điều hành chính sách tiền tệ tiếp tục hỗ trợ tăng trưởng kinh tế và kiểm soát lạm phát

Trong những tháng đầu năm 2024, dù kinh tế toàn cầu đối mặt với nhiều biến động khó lường như xung đột địa chính trị kéo dài, lạm phát duy trì ở mức cao, cùng những thách thức nội tại của nền kinh tế trong nước và ảnh hưởng nặng nề của thiên tai...
Tăng cường hiểu biết tài chính cho cộng đồng nhằm bảo vệ quyền lợi người gửi tiền

Tăng cường hiểu biết tài chính cho cộng đồng nhằm bảo vệ quyền lợi người gửi tiền

Tầm quan trọng của hệ thống tiền gửi tại Việt Nam ngày càng được khẳng định thông qua sự an toàn và ổn định; từ đó, mang lại niềm tin đối với người gửi tiền.
Sửa đổi, bổ sung Luật Bảo hiểm tiền gửi nhằm hoàn thiện cơ sở pháp lý cho Bảo hiểm tiền gửi Việt Nam phát huy vai trò đối với hệ thống ngân hàng

Sửa đổi, bổ sung Luật Bảo hiểm tiền gửi nhằm hoàn thiện cơ sở pháp lý cho Bảo hiểm tiền gửi Việt Nam phát huy vai trò đối với hệ thống ngân hàng

Để góp phần ổn định hệ thống tài chính, ngân hàng, thúc đẩy sự phát triển của kinh tế - xã hội đất nước, trong bài viết này, tác giả làm rõ thêm cơ sở lý luận, cơ sở pháp lý và định hướng sửa đổi, bổ sung Luật BHTG.
Tại sao khu vực châu Á tránh được lạm phát cao?

Tại sao khu vực châu Á tránh được lạm phát cao?

Lạm phát gia tăng toàn cầu sau đại dịch Covid-19, vốn đã ảnh hưởng đến cả các nền kinh tế phát triển và đang phát triển, nhưng dường như đã “bỏ qua” châu Á. Một trong những lý do chính là sự phục hồi chậm của các nền kinh tế châu Á do các đợt “đóng cửa”, “phong tỏa”, “cách ly”, “giãn cách” kéo dài và lặp đi lặp lại.
Tiền kỹ thuật số của Ngân hàng Trung ương Bahamas và kinh nghiệm đối với Việt Nam

Tiền kỹ thuật số của Ngân hàng Trung ương Bahamas và kinh nghiệm đối với Việt Nam

Với mục tiêu tăng cường khả năng tiếp cận tài chính, giảm chi phí giao dịch, hỗ trợ phát triển kinh tế bền vững tại vùng đảo xa xôi, năm 2020, Bahamas trở thành quốc gia tiên phong trên toàn thế giới trong việc phát hành, lưu thông tiền kỹ thuật số của ngân hàng trung ương (NHTW) - CBDC với hệ thống Sand Dollar - tiền kỹ thuật số do NHTW Bahamas phát hành.
Sáng kiến về Khuôn khổ kinh tế Ấn Độ Dương - Thái Bình Dương và lợi ích tham gia của Việt Nam

Sáng kiến về Khuôn khổ kinh tế Ấn Độ Dương - Thái Bình Dương và lợi ích tham gia của Việt Nam

Chiếm tới 60% dân số thế giới và đóng góp khoảng 40% tổng sản phẩm quốc nội (GDP) toàn cầu, IPEF do Mỹ khởi xướng từ tháng 5/2022, bao gồm một số nền kinh tế phát triển nhanh, năng động trên thế giới và có thể đóng góp lớn vào tăng trưởng toàn cầu trong 3 thập kỷ tới (2020 - 2050)...
Phát triển thị trường trái phiếu doanh nghiệp xanh: Kinh nghiệm quốc tế và khuyến nghị chính sách

Phát triển thị trường trái phiếu doanh nghiệp xanh: Kinh nghiệm quốc tế và khuyến nghị chính sách

Thị trường trái phiếu doanh nghiệp toàn cầu đang có sự phát triển mạnh mẽ, trong đó có sự tăng trưởng đáng kể của thị trường trái phiếu xanh, xã hội, bền vững và liên kết bền vững (Green, Social, Sustainable, and Sustainability-Linked Bonds - GSSSB).
Kinh tế tư nhân: Động lực phát triển của Asean và bài học đối với Việt Nam

Kinh tế tư nhân: Động lực phát triển của Asean và bài học đối với Việt Nam

Phát triển khu vực kinh tế tư nhân là yêu cầu tất yếu trong bối cảnh hiện nay. Tại Việt Nam, Đại hội Đại biểu toàn quốc lần thứ XIII của Đảng đã khẳng định: “Kinh tế tư nhân là động lực quan trọng của nền kinh tế”.

Thông tư số 55/2024/TT-NHNN ngày 18/12/2024 Sửa đổi khoản 4 Điều 2 Thông tư số 19/2018/TT-NHNN ngày 28 tháng 8 năm 2018 của Thống đốc Ngân hàng Nhà nước Việt Nam hướng dẫn về quản lý ngoại hối đối với hoạt động thương mại biên giới Việt Nam - Trung Quốc

Thông tư số 54/2024/TT-NHNN ngày 17/12/2024 Sửa đổi, bổ sung một số điều của Thông tư số 26/2021/TT-NHNN ngày 31 tháng 12 năm 2021 của Thống đốc Ngân hàng Nhà nước Việt Nam hướng dẫn giao dịch ngoại tệ giữa Ngân hàng Nhà nước Việt Nam và tổ chức tín dụng được phép hoạt động ngoại hối

Thông tư số 53/2024/TT-NHNN ngày 04/12/2024 Quy định về việc tổ chức tín dụng, chi nhánh ngân hàng nước ngoài cơ cấu lại thời hạn trả nợ đối với khách hàng gặp khó khăn do ảnh hưởng, thiệt hại của bão số 3, ngập lụt, lũ, sạt lở đất sau bão số 3

Thông tư số 52/2024/TT-NHNN ngày 29/11/2024 Quy định việc ngân hàng thương mại có cổ đông, cổ đồng và người có liên quan sở hữu cổ phần vượt tỷ lệ quy định tại Điều 55 của Luật Các tổ chức tín dụng số 47/2010/QH12 đã được sửa đổi, bổ sung một số điều theo Luật số 17/2017/QH14 xây dựng và thực hiện lộ trình để bảo đảm tuân thủ các quy định tại Luật Các tổ chức tín dụng số 32/2024/QH15

Chỉ thị số 05/CT-NHNN ngày 06/11/2024 Về tăng cường quản lý rủi ro rửa tiền trong lĩnh vực ngân hàng giai đoạn 2024 - 2028

Thông tư số 50/2024/TT-NHNN ngày 31/10/2024 Quy định về an toàn, bảo mật cho việc cung cấp dịch vụ trực tuyến trong ngành Ngân hàng

Thông tư số 49/2024/TT-NHNN ngày 25/10/2024 Sửa đổi, bổ sung một số điều của Thông tư số 11/2022/TT-NHNN ngày 30 tháng 9 năm 2022 của Thống đốc Ngân hàng Nhà nước Việt Nam quy định về bảo lãnh ngân hàng

Thông tư số 46/2024/TT-NHNN ngày 30/9/2024 Quy định về việc áp dụng lãi suất đối với tiền gửi bằng đô la Mỹ của tổ chức, cá nhân tại tổ chức tín dụng, chi nhánh ngân hàng nước ngoài

Thông tư số 48/2024/TT-NHNN ngày 30/9/2024 Quy định về việc áp dụng lãi suất đối với tiền gửi bằng đông Việt Nam của tổ chức, cá nhân tại tổ chức tín dụng, chi nhánh ngân hàng nước ngoài

Thông tư số 47/2024/TT-NHNN ngày 30/9/2024 Sửa đổi khoản 3 Điều 3 Thông tư số 04/2022/TT-NHNN ngày 16 tháng 6 năm 2022 của Thống đốc Ngân hàng Nhà nước Việt Nam quy định về việc áp dụng lãi suất rút trước hạn tiền gửi tại tổ chức tín dụng, chi nhánh ngân hàng nước ngoài