Luận văn thạc sĩ công nghệ thông tin: Khai thác và phân tích dữ liệu nhằm quản lý rủi ro trong giao dịch tín dụng

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

PHẠM TRUNG KIÊN

KHAI THÁC VÀ PHÂN TÍCH DỮ LIỆU NHẰM
QUẢN LÝ RỦI RO TRONG GIAO DỊCH TÍN DỤNG

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

Hà Nội – 2019


ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

PHẠM TRUNG KIÊN

KHAI THÁC VÀ PHÂN TÍCH DỮ LIỆU NHẰM
QUẢN LÝ RỦI RO TRONG GIAO DỊCH TÍN DỤNG

Ngành: Kỹ Thuật Phần Mềm
Chuyên ngành: Kỹ Thuật Phần Mềm
Mã số: 8480103.01

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN
NGƯỜI HƯỚNG DẪN KHOA HỌC: TS. TRẦN TRỌNG HIẾU

Hà Nội – 2019

LỜI CAM ĐOAN
Tôi xin cam đoan rằng những nghiên với đề tài “Khai thác và phân tích
dữ liệu nhằm quản lý rủi ro trong giao dịch tín dụng” được trình bày trong luận
văn này là công trình nghiên cứu của riêng tôi dưới sự hướng dẫn của thầy giáo
TS. Trần Trọng Hiếu, không sao chép lại của người khác. Tất cả các nguồn tài
liệu tham khảo, các công trình nghiên cứu liên quan đều được trích dẫn cụ thể.
Tôi xin chịu hoàn toàn trách nhiệm nếu có bất kỳ phát hiện nào về sự sao
chép mà không có trích dẫn trong tài liệu tham khảo.


LỜI CÁM ƠN
Em xin chân thành cám ơn thầy giáo TS. Trần Trọng Hiếu người đã nhiệt tình
hướng dẫn, chỉ bảo trong suốt quá trình hoàn thành luận văn này cũng như cả giai
đoạn bắt đầu xây dựng đề cương xác định hướng nghiên cứu của luận văn.
Em xin chân thành cám ơn toàn thể quý thầy cô trong Khoa CNTT đã tận
tình truyền đạt những kiến thức quý báu cũng như tạo mọi điều kiện thuận lợi
nhất cho em trong quá trình học tập nghiên cứu.
Tôi xin chân thành cám ơn ban lãnh đạo, đồng nghiệp tại Trung tâm Công
nghệ Thông tin – Ngân hàng Vietinbank đã tạo rất nhiều điều kiện cho tôi trong
việc nghiên cứu và thực hiện luận văn.
Xin chân thành cảm ơn gia đình, các học viên trong lớp Cao học K22 đã
hỗ trợ cho tôi rất nhiều trong suốt quá trình học tập, nghiên cứu và thực hiện đề
tài luận văn thạc sĩ một cách hoàn chỉnh.
Tôi xin cám ơn đề tài cấp Đại học Quốc Gia Hà Nội mã số: QG.19.23
Hà Nội, ngày tháng năm 2019
Tác giả luận văn

Phạm Trung Kiên

MỤC LỤC
LỜI CAM ĐOAN ................................................................................................. i
LỜI CÁM ƠN ...................................................................................................... ii
DANH MỤC CÁC TỪ VIẾT TẮT ................................................................... vi
DANH MỤC HÌNH VẼ .................................................................................... vii
GIỚI THIỆU ........................................................................................................ 1
CHƯƠNG 1: TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU ................................. 3
1.1. Khai phá dữ liệu là gì? .............................................................................. 3
1.2. Lợi ích của Khai phá dữ liệu .................................................................... 3
1.3. Các bước chính trong khai phá dữ liệu..................................................... 4
1.4. Các kỹ thuật khai phá dữ liệu ................................................................... 5
Kỹ thuật phân lớp ............................................................................... 5
Kỹ thuật phân cụm ............................................................................. 5
Kỹ thuật phân tích luật kết hợp .......................................................... 5
Kỹ thuật bài toán hồi quy ................................................................... 5
Kỹ thuật dự đoán ................................................................................ 5
Kỹ thuật phân tích chuỗi .................................................................... 6
Kỹ thuật phân tích độ lệch.................................................................. 6
1.5. Các thuật toán phân lớp ............................................................................ 6
Rừng ngẫu nhiên - Random Forest .................................................... 6
Hồi quy logistic - Logistic Regression ............................................... 7
Cây quyết định - Decision tree ........................................................... 7
Phân lớp sác xuất - Navie Bayes ........................................................ 8
Máy véc-tơ hỗ trợ - Supper Vector Machine (SVM) ......................... 8
Stochastic Gradient Descent............................................................... 9
Láng giềng gần nhất – (K-Nearest Neighbours) ................................ 9
1.6. Ứng dụng của khai phá dữ liệu................................................................. 9
1.7. Đề tài khai phá dữ liệu phân lớp rủi ro tín dụng .................................... 13
CHƯƠNG 2: BÀI TOÁN PHÂN LỚP DỰ BÁO RỦI RO TÍN DỤNG....... 14
2.1. Lý thuyết rủi ro tín dụng ......................................................................... 14

Khái niệm rủi ro tín dụng ................................................................. 14


Những nguyên nhân phát sinh rủi ro tín dụng.................................. 14
Phân loại nhóm nợ ............................................................................ 14
Điều kiện vay vốn ............................................................................ 15
Căn cứ xác định định mức cho vay .................................................. 16
Đối tượng áp dụng ............................................................................ 16
Mô hình lượng hóa rủi ro tín dụng cho khách hàng cá nhân ........... 16
2.2. Phát biểu bài toán ................................................................................... 18
2.3. Quy trình phân lớp xây dựng mô hình ................................................... 19
2.4. Mô hình phân lớp dự báo rủi ro .............................................................. 21
2.5. Lựa chọn nghiên cứu thuật toán ............................................................. 22
Phân lớp Cây quyết định .................................................................. 22
2.5.1.1. Thuật toán cây quyết định .......................................................... 22
2.5.1.2. Hoạt động của thuật toán Cây quyết định .................................. 23
2.5.1.3. Các biện pháp lựa chọn thuộc tính ............................................. 24
2.5.1.4. Thông tin đạt được ..................................................................... 24
2.5.1.5. Tỷ lệ tăng ................................................................................... 25
2.5.1.6. chỉ số Gini .................................................................................. 25
Phân lớp Naive Bayes ...................................................................... 26
2.5.2.1. Quy trình phân lớp ..................................................................... 26
2.5.2.2. Phân lớp Naive Bayes là gì? ...................................................... 27
2.5.2.3. Hoạt động của phân lớp Naive Bayes ........................................ 28
CHƯƠNG 3: THỰC NGHIỆM TRÊN DỮ LIỆU VIETINBANK .............. 29
3.1. Khảo sát hoạt động tín dụng của hệ thống Vietinbank........................... 29
Tổng quan hoạt động tín dụng của Vietinbank ................................ 29
Các biện pháp quản trị nợ xấu đã được áp dụng tại VietinBank ..... 31
3.1.2.1. Hệ thống xếp hạng tín dụng: ...................................................... 31
3.1.2.2. Công tác dự báo nợ có khả năng chuyển xấu: ........................... 31

3.1.2.3. Những tồn tại, hạn chế ............................................................... 31
3.2. Mô tả bài toán áp dụng KPDL hỗ trợ quản lý rủi ro tín dụng ................ 32
3.3. Mô hình dữ liệu tại Core Vietinbank ...................................................... 33
3.4. Môi trường .............................................................................................. 34
3.5. Thu thập dữ liệu ...................................................................................... 34


3.6. Biến đổi dữ liệu, tính toán sinh ra các bảng ........................................... 35
3.7. Làm sạch dữ liệu..................................................................................... 37
Giảm bớt dữ liệu............................................................................... 37
3.8. Lựa chọn dữ liệu ..................................................................................... 37
3.9. Tìm hiểu dữ liệu...................................................................................... 38
3.10.

Lựa chọn thuật toán ............................................................................. 39

3.11.

Lựa chọn công cụ ................................................................................ 39

3.12.

Xây dựng mô hình phân lớp ................................................................ 40
Lựa chọn dữ liệu & thuộc tính ......................................................... 40
Mô hình Cây quyết định J48 ............................................................ 42

3.12.2.1. Xây dựng cây ............................................................................. 42
3.12.2.2. Tham số thuật toán J48 trên Weka............................................. 46
3.12.2.3. Tham số dữ liệu training ............................................................ 46
3.12.2.4. Thực nghiệm dữ liệu với J48 trên Weka.................................... 47

3.12.2.5. Đánh giá các lần chạy thực nghiệm với thuật toán J48 ............. 48
Phân lớp Naive Bayes ...................................................................... 49
3.12.3.1. Cấu hình tham số thuật toán Naive Bayes ................................. 49
3.12.3.2. Đánh giá các lần chạy thực nghiệm thuật toán Naive Bayes ..... 52
3.13.

Đánh giá mô hình. ............................................................................... 52
So sánh kết quả các lần chạy giữa 2 thuật toán ................................ 52
Đánh giá lần chạy J48 đạt tỷ lệ phân lớp đúng cao nhất .................. 53
Đánh giá lần chạy Navie đạt tỷ lệ dữ liệu tập huấn 55% ................. 54

3.14.

Triển khai tích hợp hệ thống Khai phá dữ liệu.................................... 55

CHƯƠNG 4: KẾT LUẬN ................................................................................ 57
4.1. Các kết quả đã đạt được.......................................................................... 57
4.2. Mục tiêu tương lai................................................................................... 57
TÀI LIỆU THAM KHẢO ................................................................................ 59


DANH MỤC CÁC TỪ VIẾT TẮT

NHNN

Ngân hàng nhà nước Việt Nam

TMCP

Thương mại cổ phần

VietinBank

Ngân hàng TMCP Công thương Việt Nam

KPDL

Khai phá dữ liệu

TSĐB

Tài sản đảm bảo

RRTD

Rủi ro tín dụng

HĐTD

Hoạt động tín dụng


DANH MỤC HÌNH VẼ
Hình 1.3.1: Lợi ích của Khai phá dữ liệu .............................................................. 3
Hình 1.3.1: Các bước khai phá dữ liệu................................................................. 4
Hình 1.3.2: Các bước chuẩn bị data ...................................................................... 4
Hình 2.3.1: Phát biểu bài toán ............................................................................ 18
Hình 2.4.1: Quy trình huấn luyện - training ........................................................ 20
Hình 2.4.2: Quy trình test dữ liệu ....................................................................... 21
Hình 2.4.3: Quy trình áp dụng mô hình .............................................................. 21

Hình 2.5.1: Mô hình phân lớp dự báo rủi ro ....................................................... 21
Hình 2.6.1: Cây quyết định ................................................................................. 23
Hình 2.6.2: luồng hoạt động của cây quyết định ................................................ 24
Hình 2.6.3: Quy trình phân lớp ........................................................................... 27
Hình 3.1.1: Tổng dư nợ VietinBank từ 2013 – 2017 .......................................... 29
Hình 3.1.2: Cơ cấu tín dụng VietinBank theo kỳ hạn từ 2012 - 2017 ................ 30
Hình 3.1.3: So sánh chỉ tiêu tín dụng, huy động, lợi nhuận, nợ xấu ................... 30
Hình 3.1.4: Biểu đồ kiểm soát nợ xấu giai đoạn 2010 đến 2017 ........................ 30
Hình 3.3.1: Mô hình datawarehouse của Vietinbank .......................................... 33
Hình 3.4.1: Môi trường thực nghiệm .................................................................. 34
Hình 3.5.1: Mô hình thu thập dữ liệu .................................................................. 34
Hình 3.8.1: Lựa chọn dữ liệu .............................................................................. 37
Hình 3.9.1: Biểu diễn dữ liệu .............................................................................. 39
Hình 3.12.2: Đặt khoảng cho thuộc tính định mức được vay ............................. 41
Hình 3.12.3: Đặt khoảng cho thuộc tính định mức được vay ............................. 41
Hình 3.12.4: Đặt khoảng cho thuộc tính Tuổi..................................................... 42
Hình 3.12.5: Chọn công cụ chạy bảng độ lợi thông tin trên Weka..................... 43
Hình 3.12.6: Bảng độ lợi thông tin trên Weka .................................................... 43
Hình 3.12.7: Biểu đồ Gain – độ lợi thông tin...................................................... 44
Hình 3.12.8: Hướng dẫn vào màn hình tham số J48 trên Weka ......................... 46
Hình 3.12.9: Hướng dẫn cấu hình tham số xuất dữ liệu trên Weka.................... 46


Hình 3.12.11: Biểu đồ xác suất J48..................................................................... 48
Hình 3.12.12: Cấu hình tham số thuật toán Naive Bayes ................................... 49
Hình 3.12.13: Kết quả chạy thuật toán Naive Bayes trên Weka......................... 50
Hình 3.12.14: Biểu đồ phân lớp Naïve Bayes ..................................................... 51
Hình 3.12.15: Biểu đồ tỷ lệ chính xác Navie Bayes ........................................... 52
Hình 3.13.1: Biểu đồ so sánh tỷ lệ phân lớp đúng J48 & Navie bayes............... 52
Hình 3.13.2: kết quả lần chạy phù hợp nhất J48 ................................................. 53

Hình 3.13.3: kết quả lần chạy phù hợp nhất Navie Bayes .................................. 55
Hình 3.14.1: Màn hình login 3600 ....................................................................... 55
Hình 3.14.2: Màn hình giao diện ........................................................................ 56
Hình 3.14.3: Màn hình kết quả............................................................................ 56


1

GIỚI THIỆU
Hoạt động tín dụng (HĐTD) trong ngành ngân hàng là đặc biệt quan trọng vì
vậy việc đánh giá và phân loại rủi ro là nhiệm vụ hàng đầu trong quản trị vận
hành. Vì lẽ đó nên hiện nay hầu hết các ngân hàng trên thế giới nói chung và
Việt Nam nói riêng đều có những hệ thống hỗ trợ trong việc phân loại & đánh
giá rủi ro.
Hiện nay các ngân hàng hầu hết đều sử dụng mô hình chấm điểm tín dụng để hỗ
trợ đánh giá rủi ro và xếp hạng tín dụng, để từ đó làm cơ sở có quyết định cho
khách hàng vay hay không. Các ngân hàng khác nhau thì cũng có thể khác nhau
về cấu trúc & cách vận hành hệ thống xếp hạng tín dụng, ví dụ như: cơ cấu và
trọng số của các chỉ tiêu, ước tính mức rủi ro gắn liền với các mức xếp hạng, số
lượng các mức xếp hạng, hay các chính sách khách hàng, chính sách tín dụng áp
dụng v.v... [6]
Hầu hết các Ngân hàng sử dụng bảng chỉ tiêu (bảng danh sách các thang điểm
tín dụng ứng với từng thông tin hồ sơ khách hàng, như: thu nhập, nghề nghiệp,
tài sản thế chấp…) dùng để tổng hợp và chấm điểm tín dụng đối với khách hàng,
nếu thang điểm là tốt thì khách hàng sẽ được tiếp cận với khoản vay tương ứng
Từ thực tế cho thấy, quy trình xét duyệt cho vay gặp phải nhiều vấn đề như:
 Chất lượng thẩm định tín dụng phụ thuộc vào trình độ phân tích, cũng như
chủ quan đánh giá của cán bộ tín dụng.
 Các NHTM sử dụng mô hình này sẽ phải bỏ ra nhiều nguồn lực & thời
gian để thẩm định thông tin khách hàng, cũng như đòi hỏi cán bộ tín dụng

phải có tính chuyên nghiệp, có thâm niên, kỹ năng
 Đặc biệt là mô hình chấm điểm này chưa có khả năng dự báo được rủi ro
mà mới chỉ đánh giá được phần nào rủi ro nhờ điểm xếp hạng (dựa trên
thông tin hiện có của hệ thống)
Tác giả hiện đang công tác ở Ngân hàng TMCP Vietinbank với vị trí công việc
là cán bộ IT có trách nhiệm hỗ trợ các module nghiệp vụ trong đó có module Tín
dụng. Từ những hạn chế của mô hình chấm điểm xếp hạng tín dụng hiện tại là
phụ thuộc cơ bản vào yếu tố con con người, và với mong muốn đề xuất giải
pháp cải tiến trong hoạt động quản lý rủi ro tín dụng. Vậy nên, tác giả xin đề
xuất hướng nghiên cứu của luận văn là: Ứng dụng khai phá dữ liệu nhằm hỗ trợ
đánh giá và dự đoán phân loại rủi ro tín dụng của các khoản vay mới. Với mục


2

tiêu là xây dựng được mô hình phân lớp làm cơ sở tri thức để dự đoán phân loại
nợ tốt/xấu với tập khách hàng mới, và phạm vi bài toán trong khuôn khổ luận
văn sẽ tập trung vào mảng nghiệp vụ “Cho vay tín dụng với khách hàng cá
nhân”.

Luận văn được tổ chức thành 4 chương gồm:
Chương 1: Trình bày tổng quan thế nào là khai phá dữ liệu, các bước trong quy
trình khai phá dữ liệu và các phương pháp khai phá dữ liệu. Các ứng dụng phổ
biến của khai phá dữ liệu
Chương 2: Nghiên cứu quy trình quản lý hoạt động rủi ro tín dụng Ngân hàng.
Từ những hạn chế trong thực tế vận hành quy trình quản lý rủi ro tín dụng, tác
giả đề xuất xây dựng mô hình quản lý rủi ro bằng phương pháp khai phá dữ liệu.
Mô hình này đáp ứng là cơ sở tri thức để hỗ trợ công tác quản lý rủi ro trên các
phương diện: Phân loại rủi ro & dự đoán rủi ro. Và từ tính chất của dữ liệu cho
vay, tác giả chọn tìm hiểu chi tiết các thuật toán dùng để áp dụng là: Cây quyết

định, Navie Bayes
Chương 3: ứng dụng nghiên cứu trên dữ liệu thực nghiệm của Ngân hàng
Vietinbank. Trong chương này tác giả thực hiện các nội dung:
 Thu thập dữ liệu
 Phân tích dữ liệu
 Xây dựng mô hình phân lớp dự báo rủi ro
 Tích hợp Module Khai phá dữ liệu và hệ thống Khảo sát tín dụng 3600
của Ngân hàng Vietinbank
Chương 4: Tóm tắt những kết quả đã và chưa đạt được, từ đó đưa ra những mục
tiêu và hướng tiếp cận trong tương lai.


3

CHƯƠNG 1: TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU
1.1.

Khai phá dữ liệu là gì?

Khai phá dữ liệu là quá trình phân lớp, sắp xếp các tập hợp dữ liệu lớn để xác
định các mẫu và thiết lập các mối liên hệ nhằm giải quyết các vấn đề nhờ phân
tích dữ liệu. Các công cụ khai phá dữ liệu cho phép các doanh nghiệp có thể dự
đoán được xu hướng tương lai [1][2].
1.2.

Lợi ích của Khai phá dữ liệu

Lợi ích chính của Khai phá dữ liệu nằm ở khả năng phát hiện các mẫu và mối
liên hệ tiềm ẩn trong cơ sở dữ liệu. Hay nói cách khác giúp ta làm chủ kho dữ
liệu lớn, bằng mô hình tri thức được xây dựng dựa trên nguồn dữ liệu có sẵn,

Khai phá dữ liệu đem lại nhiều giá trị như:
 Lịch sử bán hàng và hành vi của khách hàng có thể được sử dụng để xây
dựng các mô hình dự báo doanh số, sản phẩm và dịch vụ mới cho tương lai.
 Các công ty trong ngành tài chính sử dụng các công cụ Khai phá dữ liệu để
xây dựng các mô hình phát hiện rủi ro và gian lận.
 Trong Lĩnh vực sản xuất công nghiệp có thể sử dụng Khai phá dữ liệu trong
việc cải thiện an toàn sản phẩm, xác định các vấn đề về chất lượng, quản lý
chuỗi cung ứng và cải thiện hoạt động vận hành sản xuất...

Hình 1.3.1: Lợi ích của Khai phá dữ liệu


4

1.3.

Các bước chính trong khai phá dữ liệu
Dữ liệu thực tế

Tìm hiểu
nghiệp vụ

Tập hợp dữ liệu

Tìm hiểu dữ liệu

Triển khai

Chuẩn bị dữ liệu

Làm sạch dữ liệu

Xây dựng
mô hình

Chuyển đổi
dữ liệu

Chọn lọc dữ liệu
Kiểm thử &
Đánh giá
mô hình
Dữ liệu dùng để
Khai phá

Hình 1.3.1: Các bước khai phá dữ liệu
Bước 1: Tìm hiểu nghiệp vụ - Business Understanding
Bước 2: Tìm hiểu dữ liệu - Data Understanding
Bước 3: Chuẩn bị dữ liệu - Data preparation
Việc chuẩn bị dữ liệu bao gồm các bước
Dữ liệu thực tế

Tập hợp dữ liệu

Làm sạch dữ liệu

Chuyển đổi
dữ liệu

Chọn lọc dữ liệu

Dữ liệu dùng để
Khai phá

Hình 1.3.2: Các bước chuẩn bị data
Bước 4: Xây dựng mô hình hóa - Model Building
Bước 5: Kiểm thử và đánh giá mô hình - Testing and Evaluation


5

Bước 6: Triển khai - Deployment
1.4.

Các kỹ thuật khai phá dữ liệu
Kỹ thuật phân lớp

Kỹ thuật phân lớp là một trong những kỹ thuật Khai phá dữ liệu phổ biến nhất,
ví dụ như: quản lý rủi ro hay lựa chọn ảnh quảng cáo nào sẽ xuất hiện đối với
mỗi nhóm khách hàng, hay phân tích xem nhóm khách hàng nào có khả năng sẽ
chuyển sang dùng sản phẩm dịch vụ của đối thủ cạnh tranh của công ty…
Kỹ thuật phân lớp là dữ liệu được tổ chức trong các lớp cho trước, hay còn được
gọi là học có quan sát. Trong kỹ thuật phân loại người ta sử dụng các nhãn lớp
cho trước để sắp xếp các đối tượng. Mà trong đó, một tập huấn luyện bao gồm
các đối tượng đã được kết hợp với các nhãn đã biết. Những thuật toán có quan
sát sẽ được áp dụng cho tập các đối tượng cần phân loại để từ đó có thể mô hình
hóa sự phân lớp của dữ liệu.
Kỹ thuật phân cụm
Kỹ thuật phân cụm khác biệt với kỹ thuật phân lớp là các nhãn lớp chưa biết và
không có dữ liệu huấn luyện. Đối tượng được phân cụm dựa trên các thuộc tính

tương đồng giữa chúng. Bài toán phân cụm còn hay được gọi là học không có
giám sát.
Kỹ thuật phân tích luật kết hợp
Kỹ thuật phân tích luật kết hợp, hay còn gọi là kỹ thuật phân tích giỏ hàng bởi vì
nó thường được sử dụng rộng rãi trong phân tích các giao dịch dữ liệu, các bài
toán lựa chọn hàng hóa đi kèm…
Kỹ thuật phân tích luật kết hợp khám phá ra các luật kết hợp thể hiện mối liên hệ
giữa các thuộc tính dữ liệu mà thường xuất hiện cùng nhau trong các tập dữ liệu.
Kỹ thuật bài toán hồi quy
Kỹ thuật hồi quy cũng tương tự như kỹ thuật phân lớp. Điểm khác biệt là hồi
quy dự đoán cho các dữ liệu liên tục.
Kỹ thuật dự đoán
Dự đoán là phần quan trọng của KHAI PHÁ DỮ LIỆU. Có hai loại dự đoán
chính:
 Dự đoán về một số giá trị dữ liệu chưa biết hay có xu hướng sắp xảy ra


6

 Dự đoán để phân lớp dựa trên (một tập huấn luyện và giá trị thuộc tính)
của đối tượng.
Kỹ thuật phân tích chuỗi
Là kỹ thuật để tìm ra các mẫu trong một loạt các giá trị hay trạng thái rời rạc.
Ví dụ: việc chọn mua hàng hóa của khách hàng có thể mô hình là một chuỗi dữ
liệu. Hành động chọn mặt hàng A, sau đó chọn mặt hàng B, C… là một chuỗi
các trạng thái rời rạc. Trong khi đó thời gian lại là chuỗi số liên tục.
Phân tích chuỗi (PTC) và phân tích luật kết hợp (PTLKH) giống nhau ở chỗ đều
phân tích tập hợp các đối tượng hay trạng thái. Điểm khác biệt là mô hình chuỗi
phân tích sự chuyển của các trạng thái, trong khi mô hình luật kết hợp thì coi
mỗi một mặt hàng trong giỏ hàng là như nhau và độc lập.

Với mô hình chuỗi, thì việc chọn mặt hàng A trước mặt hàng B hay việc chọn
mặt hàng B trước A sau là khác nhau. Còn ở mô hình kết hợp thì cả hai trường
hợp đều không khác nhau.
Kỹ thuật phân tích độ lệch
Kỹ thuật này còn được gọi theo cách khác là phát hiện điểm biên. Điểm biên là
những đối tượng dữ liệu mà không tuân theo các đặc tính và hành vi chung. Bài
toán phát hiện điểm biên ứng dụng rất nhiều trong các ứng dụng.
Điển hình ứng dụng quan của bài toán phát hiện điểm biên là bài toán kiểm tra
xác nhận thẻ tín dụng…
1.5.

Các thuật toán phân lớp
Rừng ngẫu nhiên - Random Forest

Định nghĩa: Phân lớp rừng ngẫu nhiên là một công cụ ước tính phù hợp với một
số cây quyết định trên các mẫu dữ liệu con khác nhau và sử dụng trung bình để
cải thiện độ chính xác dự đoán của mô hình và kiểm soát sự phù hợp quá
mức. Cỡ mẫu phụ luôn giống với cỡ mẫu đầu vào ban đầu nhưng các mẫu được
vẽ thay thế.
Ưu điểm: Giảm phân lớp rừng phù hợp quá mức và ngẫu nhiên là chính xác hơn
so với cây quyết định trong hầu hết các trường hợp.
Nhược điểm: Dự đoán thời gian thực chậm, khó thực hiện và thuật toán phức
tạp.


7

Hồi quy logistic - Logistic Regression
Hồi quy logistic là đối tác phân loại với hồi quy tuyến tính. Dự đoán được ánh
xạ từ 0 đến 1 thông qua hàm logistic , có nghĩa là dự đoán có thể được hiểu là

xác suất của lớp.
Bản thân các mô hình vẫn là "tuyến tính", vì vậy chúng hoạt động tốt khi các lớp
của bạn có thể phân tách tuyến tính (nghĩa là chúng có thể được phân tách bằng
một bề mặt quyết định duy nhất). Hồi quy logistic cũng có thể được thường
xuyên hóa bằng cách xử phạt các hệ số với cường độ hình phạt có thể điều
chỉnh.
 Điểm mạnh: Đầu ra có một diễn giải xác suất tốt và thuật toán có thể được
thường xuyên hóa để tránh bị quá mức. Các mô hình logistic có thể được cập
nhật dễ dàng với dữ liệu mới bằng cách sử dụng gốc dốc ngẫu nhiên.
 Điểm yếu: Hồi quy logistic có xu hướng hoạt động kém khi có nhiều ranh
giới quyết định phi tuyến tính. Họ không đủ linh hoạt để tự nhiên nắm bắt
các mối quan hệ phức tạp hơn.
Cây quyết định - Decision tree
Cây hồi quy (còn gọi là cây quyết định) học theo kiểu phân cấp bằng cách liên
tục chia dữ liệu của bạn thành các nhánh riêng biệt để tối đa hóa mức tăng thông
tin của mỗi lần phân tách.Cấu trúc phân nhánh này cho phép cây hồi quy tự
nhiên học các mối quan hệ phi tuyến tính.
Các phương thức của bộ đồng phục, chẳng hạn như Rừng ngẫu nhiên (RF) và
Cây tăng cường Gradient (GBM), kết hợp các dự đoán từ nhiều cây riêng
lẻ. Chúng ta sẽ không đi sâu vào cơ học cơ bản của chúng ở đây, nhưng trên
thực tế, RF thường hoạt động rất tốt trong khi GBM khó điều chỉnh hơn nhưng
có xu hướng có hiệu suất cao hơn.
 Điểm mạnh: Cây quyết định có thể học các mối quan hệ phi tuyến tính và
khá mạnh mẽ đối với các ngoại lệ. Bộ sưu tập thực hiện rất tốt trong thực tế,
chiến thắng nhiều cuộc thi học máy cổ điển (tức là không học sâu).
 Điểm yếu: Không bị giới hạn, các cây riêng lẻ dễ bị quá mức vì chúng có thể
tiếp tục phân nhánh cho đến khi chúng ghi nhớ dữ liệu đào tạo. Tuy nhiên,
điều này có thể được giảm bớt bằng cách sử dụng các bản hòa tấu.

8

Phân lớp sác xuất - Navie Bayes
Naive Bayes là một thuật toán rất đơn giản dựa trên xác suất và số đếm có điều
kiện . Về cơ bản, mô hình của bạn thực sự là một bảng xác suất được cập nhật
thông qua dữ liệu đào tạo của bạn. Để dự đoán một quan sát mới, bạn chỉ cần
"tra cứu" xác suất của lớp trong "bảng xác suất" dựa trên các giá trị tính năng
của nó.
Nó được gọi là "ngây thơ" bởi vì giả định cốt lõi của nó về sự độc lập có điều
kiện (tức là tất cả các tính năng đầu vào là độc lập với nhau) hiếm khi đúng
trong thế giới thực.
 Điểm mạnh: Mặc dù giả định độc lập có điều kiện hiếm khi đúng, các mô
hình Navie Bayes thực sự hoạt động tốt một cách đáng ngạc nhiên trong thực
tế, đặc biệt là vì chúng đơn giản như thế nào. Chúng rất dễ thực hiện và có
thể mở rộng quy mô với tập dữ liệu của bạn.
 Điểm yếu: Do tính đơn giản tuyệt đối của chúng, các mô hình NB thường bị
đánh bại bởi các mô hình được đào tạo và điều chỉnh đúng cách bằng các
thuật toán trước được liệt kê.
Máy véc-tơ hỗ trợ - Supper Vector Machine (SVM)
Các máy véc-tơ hỗ trợ (SVM) sử dụng một cơ chế gọi là hạt nhân , về cơ bản
tính khoảng cách giữa hai quan sát. Thuật toán SVM sau đó tìm thấy một ranh
giới quyết định tối đa hóa khoảng cách giữa các thành viên gần nhất của các lớp
riêng biệt.
Ví dụ, một SVM với đường tuyến tính tương tự như hồi quy logistic. Do đó,
trong thực tế, lợi ích của SVM thường đến từ việc sử dụng các hạt nhân phi
tuyến tính để mô hình hóa các ranh giới quyết định phi tuyến tính.
 Điểm mạnh: SVM có thể mô hình hóa các ranh giới quyết định phi tuyến
tính và có nhiều hạt nhân để lựa chọn. Chúng cũng khá mạnh mẽ để chống
lại quá mức, đặc biệt là trong không gian nhiều chiều.
 Điểm yếu: Tuy nhiên, SVM rất tốn bộ nhớ, khó điều chỉnh hơn do tầm quan

trọng của việc chọn đúng kernel và không mở rộng tốt cho các bộ dữ liệu lớn
hơn. Hiện tại trong ngành, rừng ngẫu nhiên thường được ưa thích hơn SVM.


9

Stochastic Gradient Descent
Định nghĩa: Stochastic gradient gốc là một cách tiếp cận đơn giản và rất hiệu
quả để phù hợp với các mô hình tuyến tính. Nó đặc biệt hữu ích khi số lượng
mẫu rất lớn. Nó hỗ trợ các chức năng mất khác nhau và hình phạt để phân lớp.
Ưu điểm: Hiệu quả và dễ thực hiện.
Nhược điểm: Yêu cầu một số siêu tham số và nó nhạy cảm với tính năng mở
rộng.
Láng giềng gần nhất – (K-Nearest Neighbours)
Định nghĩa: Phân lớp dựa trên hàng xóm là một kiểu lười học vì nó không cố
gắng xây dựng một mô hình nội bộ chung, mà chỉ lưu trữ các trường hợp của dữ
liệu đào tạo. Phân lớp được tính từ một phiếu bầu đa số đơn giản của k hàng
xóm gần nhất của mỗi điểm.
Ưu điểm: Thuật toán này dễ thực hiện, mạnh mẽ đến dữ liệu đào tạo ồn ào và
hiệu quả nếu dữ liệu đào tạo lớn.
Nhược điểm: Cần xác định giá trị của K và chi phí tính toán cao vì nó cần máy
tính khoảng cách của mỗi trường hợp cho tất cả các mẫu đào tạo.
1.6.

Ứng dụng của khai phá dữ liệu

Khai phá dữ liệu đã và đang được ứng dụng rộng rãi trong rất nhiều lĩnh vực và
hiện nay đã có rất nhiều công cụ thương mại và phi thương mại triển khai các
nhiệm vụ của khai phá dữ liệu.
Sau đây là một số lĩnh vực mà Data mining đang được ứng dụng rộng rãi

Chăm sóc sức khỏe
Khai phá dữ liệu có tiềm năng lớn để cải thiện các hệ thống y tế. Nó sử dụng dữ
liệu và phân tích để xác định các thực tiễn tốt nhất giúp cải thiện việc chăm sóc
và giảm chi phí. Các nhà nghiên cứu sử dụng các phương pháp Khai phá dữ liệu
như cơ sở dữ liệu đa chiều, học máy, điện toán mềm, trực quan hóa dữ liệu và
thống kê. Khai thác có thể được sử dụng để dự đoán khối lượng bệnh nhân trong
mọi thể loại. Các quy trình được phát triển để đảm bảo rằng bệnh nhân được
chăm sóc phù hợp tại đúng nơi và đúng thời điểm. Khai phá dữ liệu cũng có thể
giúp các công ty bảo hiểm chăm sóc sức khỏe phát hiện gian lận và lạm dụng.
Phân tích thị trường
Phân tích thị trường là một kỹ thuật mô hình dựa trên lý thuyết rằng nếu bạn
mua một nhóm mặt hàng nhất định, bạn có nhiều khả năng mua một nhóm mặt


10

hàng khác. Kỹ thuật này có thể cho phép nhà bán lẻ hiểu hành vi mua hàng của
người mua. Thông tin này có thể giúp nhà bán lẻ biết nhu cầu của người mua và
thay đổi cách bố trí cửa hàng cho phù hợp. Sử dụng phân tích so sánh kết quả
giữa các cửa hàng khác nhau, giữa các khách hàng trong các nhóm nhân khẩu
học khác nhau có thể được thực hiện.
Giáo dục
Có một lĩnh vực mới nổi, được gọi là Khai phá dữ liệu giáo dục, liên quan đến
việc phát triển các phương pháp khám phá kiến thức từ dữ liệu có nguồn gốc từ
Môi trường giáo dục. Các mục tiêu của Khai phá dữ liệu trong giáo dục được
xác định là dự đoán hành vi học tập trong tương lai của học sinh, nghiên cứu các
tác động của hỗ trợ giáo dục và nâng cao kiến thức khoa học về học tập. Khai
phá dữ liệu có thể được sử dụng bởi một tổ chức để đưa ra quyết định chính xác
và cũng để dự đoán kết quả của học sinh. Với kết quả, tổ chức có thể tập trung
vào những gì cần dạy và cách dạy. Mô hình học tập của các sinh viên có thể

được nắm bắt và sử dụng để phát triển các kỹ thuật để dạy họ.
Kỹ thuật sản xuất
Kiến thức là tài sản tốt nhất mà một doanh nghiệp sản xuất sẽ sở hữu. Các công
cụ Khai phá dữ liệu có thể rất hữu ích để khám phá các mẫu trong quy trình sản
xuất phức tạp. Khai phá dữ liệu có thể được sử dụng trong thiết kế cấp hệ thống
để trích xuất các mối quan hệ giữa kiến trúc sản phẩm, danh mục sản phẩm và
dữ liệu nhu cầu của khách hàng. Nó cũng có thể được sử dụng để dự đoán thời
gian phát triển sản phẩm, chi phí và sự phụ thuộc giữa các nhiệm vụ khác.
Quản lý quan hệ khách hàng
Quản lý quan hệ khách hàng là tất cả về việc có được và giữ chân khách hàng,
cũng cải thiện lòng trung thành của khách hàng và thực hiện các chiến lược tập
trung vào khách hàng. Để duy trì mối quan hệ đúng đắn với khách hàng, một
doanh nghiệp cần thu thập dữ liệu và phân tích thông tin. Đây là nơi Khai phá
dữ liệu đóng vai trò của nó. Với công nghệ Khai phá dữ liệu, dữ liệu thu thập
được có thể được sử dụng để phân tích. Thay vì bối rối nơi tập trung để giữ chân
khách hàng, những người tìm kiếm giải pháp có được kết quả được lọc.
Phát hiện gian lận
Hàng tỷ đô la đã bị mất cho các hành động gian lận. Các phương pháp phát hiện
gian lận truyền thống rất tốn thời gian và phức tạp. Hỗ trợ Khai phá dữ liệu
trong việc cung cấp các mẫu có ý nghĩa và biến dữ liệu thành thông tin. Bất kỳ
thông tin nào là hợp lệ và hữu ích là kiến thức. Một hệ thống phát hiện gian lận


11

hoàn hảo sẽ bảo vệ thông tin của tất cả người dùng. Một phương pháp được
giám sát bao gồm thu thập các hồ sơ mẫu. Những hồ sơ này được phân loại gian
lận hoặc không gian lận. Một mô hình được xây dựng bằng cách sử dụng dữ liệu
này và thuật toán được thực hiện để xác định xem bản ghi có lừa đảo hay không.
Phát hiện xâm nhập

Bất kỳ hành động nào sẽ làm tổn hại đến tính toàn vẹn và bảo mật của tài
nguyên là một sự xâm nhập. Các biện pháp phòng thủ để tránh sự xâm nhập bao
gồm xác thực người dùng, tránh lỗi lập trình và bảo vệ thông tin. Khai phá dữ
liệu có thể giúp cải thiện phát hiện xâm nhập bằng cách thêm một mức độ tập
trung vào phát hiện bất thường. Nó giúp một nhà phân tích phân biệt một hoạt
động với hoạt động mạng hàng ngày phổ biến. Khai phá dữ liệu cũng giúp trích
xuất dữ liệu phù hợp hơn với vấn đề.
Phát hiện nói dối
Bắt một tên tội phạm là dễ dàng trong khi đưa ra sự thật từ anh ta là khó khăn.
Thực thi pháp luật có thể sử dụng các kỹ thuật khai thác để điều tra tội phạm,
giám sát liên lạc của những kẻ khủng bố bị nghi ngờ. Điều này bao gồm khai
thác văn bản cũng. Quá trình này tìm kiếm các mẫu có ý nghĩa trong dữ liệu
thường là văn bản phi cấu trúc. Mẫu dữ liệu được thu thập từ các cuộc điều tra
trước được so sánh và một mô hình để phát hiện nói dối được tạo ra. Với mô
hình này, các quy trình có thể được tạo ra theo sự cần thiết.
Phân khúc khách hàng
Nghiên cứu thị trường truyền thống có thể giúp chúng tôi phân khúc khách hàng
nhưng Khai phá dữ liệu đi sâu và tăng hiệu quả thị trường. Hỗ trợ Khai phá dữ
liệu trong việc sắp xếp các khách hàng thành một phân khúc riêng biệt và có thể
điều chỉnh các nhu cầu theo khách hàng. Thị trường luôn luôn là giữ chân khách
hàng. Khai phá dữ liệu cho phép tìm một phân khúc khách hàng dựa trên lỗ
hổng và doanh nghiệp có thể cung cấp cho họ các ưu đãi đặc biệt và nâng cao sự
hài lòng.
Ngân hàng tài chính
Với ngân hàng máy tính ở khắp mọi nơi, lượng dữ liệu khổng lồ được cho là sẽ
được tạo ra với các giao dịch mới. Khai phá dữ liệu có thể góp phần giải quyết
các vấn đề kinh doanh trong tài chính ngân hàng bằng cách tìm ra mô hình,
nguyên nhân và mối tương quan trong thông tin kinh doanh và giá cả thị trường
không rõ ràng đối với các nhà quản lý vì dữ liệu khối lượng quá lớn hoặc được
các chuyên gia tạo ra quá nhanh. Các nhà quản lý có thể tìm thấy những thông

12

tin này để phân khúc, nhắm mục tiêu, thu nhận, giữ chân và duy trì một khách
hàng có lợi nhuận tốt hơn.
Giám sát doanh nghiệp
Giám sát doanh nghiệp là giám sát hành vi của một người hoặc nhóm của một
công ty. Dữ liệu được thu thập thường được sử dụng cho mục đích tiếp thị hoặc
bán cho các tập đoàn khác, nhưng cũng thường xuyên được chia sẻ với các cơ
quan chính phủ. Nó có thể được sử dụng bởi các doanh nghiệp để điều chỉnh các
sản phẩm của họ mong muốn của khách hàng của họ. Dữ liệu có thể được sử
dụng cho các mục đích tiếp thị trực tiếp, chẳng hạn như quảng cáo được nhắm
mục tiêu trên Google và Yahoo, nơi quảng cáo được nhắm mục tiêu đến người
dùng công cụ tìm kiếm bằng cách phân tích lịch sử tìm kiếm và email của họ.
Phân tích nghiên cứu
Lịch sử cho thấy chúng ta đã chứng kiến những thay đổi mang tính cách mạng
trong nghiên cứu. Khai phá dữ liệu rất hữu ích trong việc làm sạch dữ liệu, xử lý
trước dữ liệu và tích hợp cơ sở dữ liệu. Các nhà nghiên cứu có thể tìm thấy bất
kỳ dữ liệu tương tự từ cơ sở dữ liệu có thể mang lại bất kỳ thay đổi trong nghiên
cứu. Xác định bất kỳ chuỗi đồng xảy ra và mối tương quan giữa bất kỳ hoạt
động có thể được biết. Trực quan hóa dữ liệu và Khai phá dữ liệu trực quan cung
cấp cho chúng ta một cái nhìn rõ ràng về dữ liệu.
Điều tra tội phạm
Tội phạm học là một quá trình nhằm xác định các đặc điểm tội phạm. Thực tế
phân tích tội phạm bao gồm khám phá và phát hiện tội phạm và mối quan hệ của
họ với tội phạm. Khối lượng lớn các bộ dữ liệu tội phạm và sự phức tạp của các
mối quan hệ giữa các loại dữ liệu này đã khiến tội phạm học trở thành một lĩnh
vực thích hợp để áp dụng các kỹ thuật Khai phá dữ liệu. Báo cáo tội phạm dựa
trên văn bản có thể được chuyển đổi thành tập tin xử lý văn bản. Những thông

tin này có thể được sử dụng để thực hiện quá trình khớp tội phạm.
Tin học sinh học
Phương pháp Khai phá dữ liệu có vẻ phù hợp lý tưởng với Tin sinh học, vì nó
giàu dữ liệu. Khai phá dữ liệu sinh học giúp trích xuất kiến thức hữu ích từ các
bộ dữ liệu khổng lồ được thu thập trong sinh học và trong các lĩnh vực khoa học
đời sống liên quan khác như y học và khoa học thần kinh. Các ứng dụng Khai
phá dữ liệu cho tin sinh học bao gồm tìm gen, suy luận chức năng protein, chẩn
đoán bệnh, tiên lượng bệnh, tối ưu hóa điều trị bệnh, tái tạo mạng lưới tương tác
protein và gen, làm sạch dữ liệu và dự đoán vị trí tế bào phụ protein.


13

1.7.

Đề tài khai phá dữ liệu phân lớp rủi ro tín dụng

Trong phạm vi luận văn, tác giả đề cập đến ứng dụng khai phá dữ liệu để phân
lớp rủi ro tín dụng.
Đánh giá rủi ro tín dụng là môt bước quan trọng trong hoạt động cho vay trong
ngành tài chính ngân hàng. Thiếu bước này, ngân hàng sẽ không thể đưa ra
quyết định khách quan về việc có nên giải ngân cho vay khách hàng hay không.
Đánh giá rủi ro thường là sự cố gắng định lượng độ rủi ro mất mát của ngân
hàng khi thực hiện một quyết định cho vay.
Ở đây, rủi ro tín dụng có thể được định lượng bằng giá trị của tài sản thế chấp
hoặc, các yếu tố thông tin về người vay, của yếu tố khả năng mất vốn, và tỷ lệ
thu hồi của công cụ trong trường hợp người vay không có khả năng trả nợ
Do đó ta có thể sử dụng các phương pháp phân lớp - classifications áp dụng
trên thông tin dữ liệu của khách vay để phân loại nhóm khách hàng.

14

CHƯƠNG 2: BÀI TOÁN PHÂN LỚP DỰ BÁO RỦI RO TÍN DỤNG
2.1.

Lý thuyết rủi ro tín dụng
Khái niệm rủi ro tín dụng

Tín dụng ngân hàng (cho vay) là quan hệ tín dụng giữa ngân hàng, các tổ chức
tín dụng và các tổ chức kinh tế, cá nhân theo nguyên tắc hoàn trả. Việc hoàn trả
được nợ gốc trong tín dụng có nghĩa là việc thực hiện được giá trị hàng hoá trên
thị trường, còn việc hoàn trả được lãi vay trong tín dụng là việc thực hiện được
giá trị thặng dư trên thị trường. Trong quan hệ tín dụng có hai đối tượng tham
gia là ngân hàng cho vay và người đi vay [6].
Rủi ro tín dụng là:
 Khoản lỗ có nguy cơ xảy ra khi ngân hàng cấp tín dụng.
 Những thiệt hại mà ngân hàng gánh chịu do người vay vốn không trả
đúng hạn, không thực hiện đúng nghĩa vụ cam kết trong hợp đồng cho vay
vì bất kể lý do gì.
Những nguyên nhân phát sinh rủi ro tín dụng
Rủi ro tín dụng thường xảy ra bởi những nguyên nhân sau:
 Khách hàng vay vốn gặp những nguy cơ và tai nạn bất ngờ hoặc thua lỗ
trong kinh doanh nên không có tiền trả nợ dẫn đến nợ quá hạn.
 Do tác động của tình hình kinh tế trong nước và thế giới.
 Các vấn đề vì ham lợi nhuận, vi phạm nguyên tắc cho vay, phân tích đánh
giá khách hàng sai, quyết định cho vay thiếu thông tin xác thực.
Phân loại nhóm nợ
Ngân hàng thực hiện phân loại nợ như sau:
Nhóm 1 (nợ được đánh giá là đủ tiêu chuẩn):

 Nợ còn trong hạn, chưa đến thời hạn thanh toán và được hệ thống ngân
hàng đánh giá là có đủ khả năng thu hồi đầy đủ cả gốc và lãi đúng hạn.
 Các món nợ khác của Khách hàng cũng đều không bị quá hạn.
Nhóm 2 (nợ được đánh giá là cần chú ý):
 Nợ đã quá hạn chưa quá 3 tháng.
 Nợ đã được cơ cấu lại thời hạn trả nợ trong hạn.


15

 Những khoản tín dụng được đánh giá là có khả năng thu hồi đầy đủ cả
gốc và lãi, nhưng có dấu hiệu khách hàng bị suy giảm khả năng trả nợ.
Nhóm 3 (nợ được đánh giá là dưới tiêu chuẩn):
 Các khoản nợ quá hạn từ 3 tháng => đến 6 tháng.
 Các khoản nợ đã được cơ cấu lại thời hạn trả nợ nhưng bị quá hạn trên 90
ngày.
 Nợ được đánh giá là rủi ro có khả năng không thu hồi được đầy đủ cả gốc
và lãi khi đến hạn, và có khả năng tổn thất một phần nợ gốc và lãi.
Nhóm 4 (nợ nghi ngờ):
 Các khoản nợ quá hạn từ 6 tháng => đến 1 năm.
 Các khoản nợ được được cơ cấu lại thời hạn trả nợ nhưng bị quá hạn từ 90
đến 180 ngày.
 Các khoản nợ bị đánh giá là có khả năng tổn thất cao.
Nhóm 5 (nợ có khả năng bị mất vốn):
 Nợ quá hạn trên 1 năm.
 Các khoản nợ khoanh phải chờ Chính Phủ xử lý.
 Các khoản nợ được cơ cấu lại thời hạn trả nợ nhưng bị quá hạn trên 180
ngày.
Trên quan điểm phân hạng nợ Tốt/Xấu thì:
 Nợ Tốt: là những khoản vay nằm trong Nhóm 1, 2

 Nợ Xấu: là những khoản vay nằm trong Nhóm 3, 4, 5
Điều kiện vay vốn
Các khách hàng muốn được vay vốn phải có các điều kiện sau đây:
 Có năng lực pháp luật dân sự, năng lực hành vi dân sự và chịu trách
nhiệm dân sự theo quy định của pháp luật
 Có mục đích sử dụng vay vốn hợp pháp
 Có khả năng tài chính đảm bảo trả nợ trong thời hạn cam kết
 Có phương án sản xuất kinh doanh, dự án đầu tư, dịch vụ khả thi và có
hiệu quả.