# AI dự báo tỷ lệ tổn thất

Tiếng Anh: AI Loss Given Default

Mô hình dự đoán tỷ lệ tổn thất khi khách hàng vỡ nợ, hỗ trợ ngân hàng tính dự phòng theo chuẩn IFRS 9 và CECL.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-du-bao-ty-le-ton-that-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

## AI dự báo tỷ lệ tổn thất là gì?

**AI dự báo tỷ lệ tổn thất** (tiếng Anh: **AI Loss Given Default - AI LGD**) là một mô hình trí tuệ nhân tạo được xây dựng nhằm ước lượng tỷ lệ tổn thất mà ngân hàng phải gánh chịu khi một khách hàng vỡ nợ, tính trên phần dư nợ chưa được thu hồi sau khi đã cân trừ tài sản đảm bảo và sử dụng các biện pháp thu hồi nợ. Đây là một trong những thành phần cốt lõi trong mô hình tính dự phòng rủi ro tín dụng theo chuẩn quốc tế, giúp ngân hàng xác định chính xác số tiền dự phòng cần trích lập cho từng khoản vay. Trong bối cảnh các ngân hàng Việt Nam đang chuyển đổi số mạnh mẽ, việc ứng dụng **machine learning** vào bài toán LGD đã trở thành xu hướng tất yếu nhằm nâng cao năng lực quản trị rủi ro.

Mô hình **AI LGD** hoạt động dựa trên việc thu thập và phân tích dữ liệu lịch sử của các khoản nợ đã được xử lý trong quá khứ, bao gồm thông tin về khoản vay (lãi suất, thời hạn, loại hình tín dụng), đặc điểm khách hàng (ngành nghề, thu nhập, lịch sử quan hệ tín dụng), giá trị và tính thanh khoản của tài sản đảm bảo, thời gian thu hồi nợ, chi phí xử lý nợ và hiệu quả của các biện pháp thu hồi. Các thuật toán **machine learning** như hồi quy beta, cây quyết định (**decision tree**), rừng ngẫu nhiên (**random forest**), **Gradient Boosting** hoặc mạng nơ-ron (**neural network**) được huấn luyện trên tập dữ liệu này để nhận diện các mẫu hình và mối quan hệ phức tạp mà các mô hình thống kê truyền thống khó phát hiện. Kết quả dự báo LGD thường được biểu diễn dưới dạng tỷ lệ phần trăm (từ 0% đến 100%), phản ánh mức độ tổn thất kỳ vọng trên mỗi đồng dư nợ khi xảy ra vỡ nợ.

**Thuật ngữ tiếng Anh:** AI Loss Given Default (AI LGD)
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

Đặc biệt, mô hình AI có khả năng cập nhật liên tục khi có dữ liệu mới (**online learning**), đồng thời có thể đưa ra dự báo riêng biệt cho từng phân khúc khách hàng hoặc từng loại sản phẩm tín dụng. So với phương pháp truyền thống sử dụng tỷ lệ LGD cố định theo nhóm nợ (ví dụ 50% cho nợ nhóm 3, 70% cho nợ nhóm 4, 100% cho nợ nhóm 5 theo Thông tư 11/2021/TT-NHNN), mô hình AI cho phép cá nhân hóa ước lượng tổn thất, phản ánh sát thực tế bản chất rủi ro của từng khoản vay cụ thể.

## Đặc điểm và phân loại

### Đặc điểm chính của mô hình AI LGD

- **Tính cá nhân hóa cao:** Mỗi khoản vay được ước lượng LGD riêng biệt dựa trên hàng trăm biến đầu vào, thay vì áp dụng một tỷ lệ chung cho cả nhóm.
- **Khả năng xử lý dữ liệu phi cấu trúc:** Mô hình có thể tích hợp dữ liệu văn bản (hợp đồng, báo cáo tài chính), hình ảnh (tài sản đảm bảo), dữ liệu hành vi giao dịch.
- **Cập nhật liên tục:** Hệ thống tự động retrain khi có dữ liệu mới, giúp mô hình thích ứng với biến động thị trường.
- **Độ chính xác cao:** Sai số dự báo (Mean Absolute Error) thường giảm 15-30% so với mô hình thống kê truyền thống.
- **Khả năng giải thích:** Các kỹ thuật **SHAP** (SHapley Additive exPlanations) hoặc **LIME** giúp giải thích lý do mô hình đưa ra con số LGD cụ thể.
- **Tuân thủ quy định:** Phải đáp ứng yêu cầu kiểm định ngược (**backtesting**), kiểm tra sức chịu đựng (**stress testing**) theo Thông tư 13/2018/TT-NHNN.

### Phân loại mô hình AI LGD theo thuật toán

| Thuật toán | Ưu điểm | Nhược điểm | Phù hợp với |
|---|---|---|---|
| **Hồi quy Beta** (Beta Regression) | Đảm bảo đầu ra trong khoảng (0,1), phù hợp bản chất tỷ lệ | Giả định phân phối chặt, khó nắm bắp quan hệ phi tuyến | Dữ liệu nhỏ, cần tính giải thích cao |
| **Cây quyết định** (Decision Tree) | Dễ giải thích, trực quan hóa tốt | Dễ overfit, độ chính xác hạn chế | Báo cáo cho ban lãnh đạo, kiểm toán |
| **Rừng ngẫu nhiên** (Random Forest) | Giảm overfit, xử lý tốt dữ liệu nhiễu | Tốn tài nguyên tính toán, khó giải thích sâu | Dự báo đại trà, dữ liệu lớn |
| **Gradient Boosting** (XGBoost, LightGBM) | Độ chính xác rất cao, xử lý missing value tốt | Cần tinh chỉnh nhiều tham số | Sản phẩm tín dụng cá nhân, SME |
| **Mạng nơ-ron** (Neural Network) | Nắm bắp quan hệ phức tạp, tích hợp đa dạng dữ liệu | Cần lượng dữ liệu lớn, khó giải thích | Cho vay doanh nghiệp lớn, dữ liệu hành vi |

### Phân loại theo phân khúc khách hàng

- **AI LGD cho tín dụng cá nhân:** Tập trung vào khoản vay mua nhà, mua xe, vay tiêu dùng. Đặc điểm: dữ liệu nhiều, tài sản đảm bảo rõ ràng.
- **AI LGD cho doanh nghiệp SME:** Phức tạp hơn do thiếu dữ liệu tài chính chuẩn hóa, tài sản đảm bảo đa dạng.
- **AI LGD cho doanh nghiệp lớn:** Yêu cầu chuyên gia phân tích, mô hình kết hợp định tính và định lượng.
- **AI LGD theo loại tài sản đảm bảo:** Bất động sản, phương tiện vận tải, máy móc thiết bị, chứng khoán.

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Ngân hàng A triển khai AI LGD cho danh mục cho vay mua ô tô

Ngân hàng A có danh mục cho vay mua ô tô thế chấp với tổng dư nợ 15.000 tỷ đồng, bao gồm 45.000 hợp đồng. Trước đây, ngân hàng áp dụng LGD cố định 50% cho tất cả các khoản vay có tài sản đảm bảo là xe ô tô theo quy định cũ. Sau khi triển khai mô hình **AI LGD** sử dụng thuật toán **XGBoost**, ngân hàng nhận thấy:

- Các khoản vay có xe mới, thời gian sử dụng dưới 2 năm, LTV ban đầu dưới 70%: LGD chỉ khoảng 20-25%
- Các khoản vay có xe đã sử dụng trên 5 năm, LTV ban đầu trên 85%: LGD lên tới 55-65%
- Tỷ lệ thu hồi thành công qua đấu giá dao động từ 35% đến 78% tùy loại xe và khu vực

Nhờ đó, số tiền dự phòng phải trích giảm khoảng 180 tỷ đồng, đồng thời phản ánh đúng bản chất rủi ro hơn. Mô hình cũng tích hợp dữ liệu giá xe từ các sàn giao dịch ô tô đã qua sử dụng để cập nhật giá trị tài sản đảm bảo theo thời gian thực.

### Ví dụ 2: Khách hàng B - Khoản vay doanh nghiệp có tài sản đảm bảo bất động sản

Khách hàng B là công ty xây dựng vay 200 tỷ đồng từ Ngân hàng B để đầu tư dự án khu đô thị tại Bình Dương, tài sản đảm bảo là 50.000 m² đất nền. Sau 18 tháng, doanh nghiệp rơi vào tình trạng khó khăn tài chính và vỡ nợ. Mô hình **AI LGD** của Ngân hàng B tự động:

1. Truy xuất dữ liệu giá đất khu vực Bình Dương từ các nguồn giao dịch thực tế, sàn bất động sản, dữ liệu của cơ quan nhà nước
2. Đánh giá tính thanh khoản của khu đất dựa trên vị trí, hạ tầng, quy hoạch
3. Tính toán chi phí thu hồi ước tính (phí luật sư, phí đấu giá, thuế, chi phí quản lý tài sản chờ thanh lý)
4. Ước lượng thời gian thu hồi: 24-36 tháng do thị trường bất động sản đang trầm lắng
5. Kết quả LGD ước tính: 42%, tương đương khoản tổn thất dự kiến 84 tỷ đồng

So với tỷ lệ LGD 70% áp dụng theo phương pháp truyền thống, mô hình AI giúp ngân hàng trích dự phòng chính xác hơn, tránh trích thừa gây lãng phí vốn.

### Ví dụ 3: Ngân hàng C ứng dụng AI LGD trong phê duyệt tín dụng

Ngân hàng C tích hợp mô hình **AI LGD** vào quy trình phê duyệt tín dụng tự động. Khi khách hàng cá nhân nộp hồ sơ vay mua nhà 3 tỷ đồng với tài sản đảm bảo là căn hộ chung cư tại Quận 7, TP.HCM:

- Hệ thống tự động truy xuất giá bán căn hộ tương tự trên thị trường thứ cấp
- Phân tích tốc độ bán hàng trung bình của dự án (thông tin từ các sàn giao dịch)
- Đánh giá khả năng cho vay lại (refinance) nếu cần thu hồi
- LGD ước tính: 18-22% thay vì 30-40% như mô hình cũ

Kết quả: Ngân hàng C có thể phê duyệt khoản vay với mức dự phòng thấp hơn, từ đó có thể giảm lãi suất cho vay 0.3-0.5%/năm cho khách hàng, tăng sức cạnh tranh.

## AI dự báo tỷ lệ tổn thất trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | AI Loss Given Default (AI LGD) | /eɪ aɪ lɒs ɡɪvən dɪˈfɔːlt/ |
| Tiếng Nhật | AIデフォルト時損失率 (AI deforuto toku sonshitsu ritsu) | /AI default-ji sonshitsu ritsu/ |
| Tiếng Hàn | AI 부도 시 손실률 (AI budo si sonsilryul) | /AI bu-do-si son-sil-ryul/ |
| Tiếng Trung | AI 违约损失率 (AI wéiyuē sǔnshī lǜ) | /AI wéi-yuē sǔn-shī lǜ/ |
| Tiếng Tây Ban Nha | IA Pérdida dado el Incumplimiento (IA LGD) | /ia perdaða daðo el iŋkumplimjento/ |

## Câu hỏi thường gặp

### AI dự báo tỷ lệ tổn thất khác gì so với LGD truyền thống?

**AI LGD** sử dụng các thuật toán học máy để phân tích hàng trăm biến đầu vào và đưa ra ước lượng cá nhân hóa cho từng khoản vay, trong khi LGD truyền thống thường áp dụng tỷ lệ cố định theo nhóm nợ (ví dụ 50%, 70%, 100%). Ví dụ, theo Thông tư 11/2021/TT-NHNN, tất cả khoản nợ nhóm 3 đều có LGD mặc định 50%, bất kể tài sản đảm bảo là gì. Mô hình AI cho phép phân biệt rõ khoản vay có BĐS tại quận trung tâm (LGD có thể 20%) với khoản vay có BĐS tại vùng ven (LGD có thể 60%), phản ánh đúng thực tế hơn.

### Khi nào ngân hàng cần áp dụng mô hình AI dự báo tỷ lệ tổn thất?

Ngân hàng cần áp dụng **AI LGD** trong các trường hợp: (1) Áp dụng phương pháp **IRB** (Internal Ratings-Based) theo Quyết định 1114/QĐ-NHNN để tính vốn yêu cầu cho rủi ro tín dụng; (2) Đáp ứng yêu cầu của **IFRS 9** về ước tính tổn thất tín dụng dựa trên thông tin hợp lý và có thể chứng minh; (3) Khi danh mục tín dụng đủ lớn (thường trên 5.000 tỷ đồng) để đảm bảo dữ liệu huấn luyện mô hình đủ ý nghĩa thống kê; (4) Khi muốn tối ưu hóa chi phí dự phòng và tăng sức cạnh tranh về lãi suất cho vay.

### AI dự báo tỷ lệ tổn thất ảnh hưởng thế nào đến khách hàng?

Mô hình **AI LGD** mang lại nhiều tác động tích cực cho khách hàng: (1) Lãi suất cho vay có thể giảm 0.2-0.8%/năm do ngân hàng trích dự phòng chính xác hơn, không trích thừa; (2) Quyết định phê duyệt tín dụng nhanh hơn (từ 3-5 ngày xuống còn 24 giờ) nhờ tự động hóa; (3) Đối với khách hàng có tài sản đảm bảo chất lượng cao, LGD thấp giúp họ được vay với hạn mức cao hơn; (4) Ngược lại, khách hàng có tài sản đảm bảo khó thanh khoản có thể bị từ chối hoặc yêu cầu thêm tài sản bổ sung - đây là tác động cần được minh bạch hóa trong chính sách tín dụng.

## Tổng kết

**AI dự báo tỷ lệ tổn thất** là một trong những ứng dụng quan trọng nhất của trí tuệ nhân tạo trong quản trị rủi ro tín dụng ngân hàng, đặc biệt trong bối cảnh tuân thủ chuẩn mực **IFRS 9** và hướng tới phương pháp **IRB** theo khuyến nghị của NHNN. Mô hình này không chỉ giúp ngân hàng ước lượng tổn thất chính xác hơn mà còn tối ưu hóa chi phí dự phòng, nâng cao chất lượng quyết định tín dụng và tăng sức cạnh tranh trên thị trường. Đối với người ôn thi các chứng chỉ CFA, FRM hay chứng chỉ nghiệp vụ ngân hàng, việc nắm vững khái niệm AI LGD cùng các thành phần PD, EAD trong công thức Kỳ vọng tổn thất tín dụng (EL = PD × LGD × EAD) là kiến thức nền tảng không thể thiếu trong kỷ nguyên ngân hàng số.

## Thuật ngữ liên quan

- [Chuẩn mực Báo cáo Tài chính Quốc tế IFRS](https://vieclam.nganhang.com/thuat-ngu/chuan-muc-bao-cao-tai-chinh-quoc-te-ifrs-la-gi) — Hệ thống chuẩn mực kế toán quốc tế do IASB ban hành, làm khung lập báo cáo tài chính hợp nhất cho các ngân hàng niêm yết tại Việt Nam.
- [Chuẩn mực Báo cáo tài chính quốc tế](https://vieclam.nganhang.com/thuat-ngu/chuan-muc-bao-cao-tai-chinh-quoc-te-la-gi) — Bộ chuẩn mực kế toán quốc tế do IASB ban hành, đang được nhiều quốc gia áp dụng và là đích đến lộ trình hội nhập kế toán Việt Nam.
- [Dự phòng rủi ro tín dụng](https://vieclam.nganhang.com/thuat-ngu/du-phong-rui-ro-tin-dung-la-gi) — Khoản dự phòng mà tổ chức tín dụng trích lập để xử lý tổn thất ước tính phát sinh từ khách hàng vay không trả được nợ theo quy định của NHNN.
- [Hệ thống xếp hạng tín dụng nội bộ](https://vieclam.nganhang.com/thuat-ngu/he-thong-xep-hang-tin-dung-noi-bo-la-gi) — Hệ thống phân hạng khách hàng do ngân hàng tự xây dựng theo chuẩn Basel, làm cơ sở tính vốn yêu cầu cho rủi ro tín dụng (phương pháp IRB).
- [Khung quản trị rủi ro](https://vieclam.nganhang.com/thuat-ngu/khung-quan-tri-rui-ro-la-gi) — Khung tổng thể bao gồm chiến lược, chính sách, quy trình nhận diện, đo lường, giám sát và kiểm soát rủi ro.
- [Trích lập dự phòng rủi ro](https://vieclam.nganhang.com/thuat-ngu/trich-lap-du-phong-rui-ro-la-gi) — Việc ngân hàng trích một khoản dự phòng tài chính dựa trên phân loại nợ để bù đắp tổn thất có thể xảy ra.
- [Trích lập dự phòng rủi ro tín dụng](https://vieclam.nganhang.com/thuat-ngu/trich-lap-du-phong-rui-ro-tin-dung-la-gi) — Ngân hàng dành một khoản dự phòng tài chính theo tỷ lệ quy định để bù đắp tổn thất có thể xảy ra từ các khoản nợ xấu.
- [Xếp hạng tín dụng nội bộ](https://vieclam.nganhang.com/thuat-ngu/xep-hang-tin-dung-noi-bo-la-gi) — Hệ thống chấm điểm khách hàng do ngân hàng tự xây dựng, quyết định lãi suất và hạn mức cho vay.