# AI Logistic Regression

Tiếng Anh: Logistic Regression

Thuật toán phân loại cổ điển dự đoán xác suất vỡ nợ, vẫn được sử dụng rộng rãi trong scorecard tín dụng nhờ tính giải thích được.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-logistic-regression-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

**AI Logistic Regression** (Hồi quy Logistic trong Trí tuệ nhân tạo) là một thuật toán học máy (**Machine Learning**) có giám sát thuộc nhóm phân loại (**Classification**), được sử dụng để dự đoán xác suất một sự kiện xảy ra dựa trên một hoặc nhiều biến đầu vào. Thuật toán này ra đời từ những năm 1950 nhưng đến nay vẫn là nền tảng quan trọng trong nhiều mô hình **AI** ứng dụng trong ngân hàng, đặc biệt là bài toán **credit scoring** (chấm điểm tín dụng) và phát hiện gian lận (**fraud detection**).

Khác với **Linear Regression** (hồi quy tuyến tính) dự đoán một giá trị liên tục, **Logistic Regression** sử dụng hàm **sigmoid** (hàm logistic) để ánh xạ đầu ra về khoảng giá trị [0, 1], biểu thị xác suất. Công thức cốt lõi là:

$$P(Y=1|X) = \frac{1}{1 + e^{-(\beta_0 + \beta_1X_1 + ... + \beta_nX_n)}}$$

Trong đó, $\beta_0$ là hệ số chặn (**intercept**), $\beta_i$ là trọng số (**weight**) của biến $X_i$. Khi $P \geq 0.5$, mô hình phân loại quan sát vào nhóm 1 (ví dụ: "vỡ nợ"), ngược lại thuộc nhóm 0 (ví dụ: "không vỡ nợ"). Ngưỡng 0.5 có thể được điều chỉnh tùy theo chiến lược rủi ro của từng ngân hàng.

Điểm đặc biệt khiến **Logistic Regression** vẫn "sống khỏe" trong kỷ nguyên **Deep Learning** là khả năng giải thích được (**interpretability**). Mỗi hệ số $\beta_i$ đều có ý nghĩa thống kê rõ ràng, giúp các chuyên gia tuân thủ Basel II/III dễ dàng trình bày mô hình trước cơ quan quản lý như **NHNN** (Ngân hàng Nhà nước Việt Nam) hoặc Ủy ban Basel.

**Thuật ngữ tiếng Anh:** Logistic Regression
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

### Đặc điểm nổi bật

| Đặc điểm | Mô tả chi tiết |
|---|---|
| **Tính giải thích** | Hệ số $\beta$ cho biết mức độ ảnh hưởng của từng biến đến xác suất, dễ trình bày với cơ quan quản lý |
| **Tốc độ huấn luyện** | Nhanh, phù hợp với tập dữ liệu lớn lên đến hàng triệu bản ghi (big data ngân hàng) |
| **Yêu cầu dữ liệu** | Ít tốn tài nguyên, không cần GPU mạnh như **Deep Learning** |
| **Xử lý phi tuyến** | Hàm **sigmoid** giúp mô hình hóa quan hệ phi tuyến giữa biến đầu vào và xác suất |
| **Đầu ra xác suất** | Cho kết quả là xác suất, không chỉ nhãn 0/1, giúp phân tầng rủi ro chi tiết |
| **Hạn chế** | Giả định tính độc lập của các biến, kém hiệu quả với quan hệ phi tuyến phức tạp |

### Phân loại Logistic Regression

| Loại | Mô tả | Ứng dụng ngân hàng điển hình |
|---|---|---|
| **Binary Logistic Regression** | Phân loại 2 lớp (0 hoặc 1) | Dự đoán vỡ nợ/không vỡ nợ, gian lận/hợp lệ |
| **Multinomial Logistic Regression** | Phân loại nhiều lớp không thứ tự | Phân nhóm khách hàng: Vàng/Bạc/Đồng, phân loại khoản vay: Mua nhà/Mua xe/Kinh doanh |
| **Ordinal Logistic Regression** | Phân loại nhiều lớp có thứ tự | Xếp hạng tín dụng AAA/AA/A/BBB, phân khúc rủi ro Thấp/Trung bình/Cao |
| **Regularized Logistic Regression** (L1/L2) | Thêm penalty để tránh **overfitting** | L1 (Lasso) dùng để chọn biến tự động, L2 (Ridge) dùng khi đa cộng tuyến |

### Các chỉ số đánh giá quan trọng

Khi triển khai **Logistic Regression** trong ngân hàng, các **data scientist** thường sử dụng:

- **Accuracy** (Độ chính xác tổng thể): Tỷ lệ dự đoán đúng
- **Precision** (Độ chính xác dương): Trong các trường hợp dự đoán vỡ nợ, bao nhiêu % đúng thực sự
- **Recall** (Độ nhạy): Trong các trường hợp thực sự vỡ nợ, mô hình phát hiện được bao nhiêu %
- **F1-Score**: Trung bình điều hòa của Precision và Recall
- **AUC-ROC** (Area Under the Curve - Receiver Operating Characteristic): Đo lường khả năng phân biệt hai lớp, AUC > 0.7 được coi là chấp nhận được
- **KS Statistic** (Kolmogorov-Smirnov): Chỉ số quan trọng trong **scorecard** ngân hàng, thường yêu cầu KS > 30%

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Xây dựng Scorecard tín dụng cá nhân

Ngân hàng A triển khai mô hình **Logistic Regression** để xây dựng **credit scorecard** cho khoản vay tiêu dùng. Tập dữ liệu huấn luyện gồm 500.000 khách hàng lịch sử trong 3 năm (2021-2023), với 25 biến đầu vào bao gồm:

- **Đặc điểm nhân khẩu học:** Tuổi, giới tính, tình trạng hôn nhân
- **Lịch sử tín dụng:** Số lần trễ hạn trong 12 tháng qua, dư nợ hiện tại, tỷ lệ sử dụng hạn mức
- **Thu nhập & nghề nghiệp:** Mức lương, thâm niên công việc, loại hợp đồng lao động
- **Tài sản đảm bảo:** Giá trị bất động sản, tài khoản tiết kiệm

Sau khi huấn luyện, một số kết quả nổi bật:
- Biến "Số lần trễ hạn 30+ ngày trong 12 tháng" có hệ số $\beta = 1.85$ (mạnh nhất)
- Biến "Tỷ lệ sử dụng hạn mức tín dụng" có $\beta = 0.92$
- **AUC-ROC** đạt 0.78, **KS** đạt 38%

Điều này cho phép Ngân hàng A tự động phê duyệt 60% hồ sơ vay có điểm tín dụng cao (xác suất vỡ nợ < 5%), giảm thời gian xét duyệt từ 3 ngày xuống còn 15 phút, đồng thời cắt giảm 22% tỷ lệ nợ xấu so với phương pháp cho điểm thủ công cũ.

### Ví dụ 2: Phát hiện giao dịch gian lận thẻ tín dụng

Ngân hàng B áp dụng **Binary Logistic Regression** cho bài toán phát hiện gian lận (**fraud detection**) trên hệ thống thanh toán thẻ. Mô hình xử lý 3 triệu giao dịch/ngày với các biến đặc trưng:

- Giá trị giao dịch, loại hình (online/offline), quốc gia merchant
- Khoảng cách địa lý so với giao dịch gần nhất, thời gian giao dịch (có bất thường không)
- Tần suất giao dịch trong 1 giờ/24 giờ qua, **MCC code** (Merchant Category Code)

Kết quả triển khai:
- **Recall** đạt 85% (phát hiện 85% giao dịch gian lận thực sự)
- **Precision** đạt 12% (trong số cảnh báo, 12% thực sự là gian lận)
- Tỷ lệ giao dịch bị chặn nhầm (**false positive**) chỉ 0.3%
- Tiết kiệm chi phí bồi thường khoảng 45 tỷ VNĐ/năm

Mô hình này còn được tích hợp vào hệ thống **rule-based** truyền thống, tạo thành cơ chế phân tầng: nếu **Logistic Regression** cảnh báo + 2 quy tắc khớp → khóa thẻ tự động; nếu chỉ có 1 trong 2 → gửi OTP xác thực.

### Ví dụ 3: Dự đoán khách hàng rời bỏ (Customer Churn)

Ngân hàng B sử dụng **Logistic Regression** để dự đoán khả năng khách hàng đóng tài khoản tiền gửi trong vòng 6 tháng tới. Các biến đầu vào gồm: số lần truy cập app giảm, tỷ lệ rút tiền/tiền gửi tăng, số lần phản hồi khảo sát NPS thấp, thời gian không giao dịch.

Mô hình đạt **AUC = 0.74**, từ đó phân nhóm 15% khách hàng có nguy cơ cao để bộ phận **CRM** triển khai chương trình giữ chân (ưu đãi lãi suất, tặng quà, gọi điện chăm sóc). Kết quả: tỷ lệ churn giảm 18% trong quý tiếp theo, tiết kiệm chi phí thu hút khách hàng mới khoảng 12 tỷ VNĐ.

## AI Logistic Regression trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Logistic Regression | /lɒˈdʒɪstɪk rɪˈɡreʃən/ |
| Tiếng Nhật | ロジスティック回帰分析 (Rojisutikku Kaiki Bunseki) | /ɾo.dʑi.sɯ.tɯk.kɯ ka.i.ki bɯɰ.ɰe.kɯ/ |
| Tiếng Hàn | 로지스틱 회귀분석 (Lojiseutik Hoegwi Bunseok) | /ɾo.dʑi.sɯː.tʰik χwe.ɡwi bun.sʌk/ |
| Tiếng Trung | 逻辑回归 (Luójí Huíguī) | /lu̯ɔ˧˥ tɕi˧˥ xweɪ˧˥ kweɪ˥/ |
| Tiếng Tây Ban Nha | Regresión Logística | /re.ɣɾeˈsjon lo.xisˈtika/ |

## Câu hỏi thường gặp

### AI Logistic Regression khác gì Linear Regression?

**Linear Regression** (hồi quy tuyến tính) dự đoán một giá trị liên tục như doanh thu, giá nhà, số tiền vay; trong khi **Logistic Regression** dự đoán **xác suất** một sự kiện xảy ra (vỡ nợ/gian lận) thuộc phân loại. Về mặt toán học, **Linear Regression** sử dụng phương trình $Y = \beta_0 + \beta_1X$ cho đầu ra liên tục, còn **Logistic Regression** đưa đầu ra qua hàm **sigmoid** để giới hạn trong [0,1]. Trong ngân hàng, bạn dùng **Linear Regression** khi cần ước lượng mức tiêu dùng trung bình, và dùng **Logistic Regression** khi cần quyết định phê duyệt/từ chối khoản vay.

### Khi nào cần biết về AI Logistic Regression?

Bạn cần nắm vững **Logistic Regression** khi ứng tuyển vào các vị trí **Data Analyst**, **Risk Analyst**, **Credit Risk Modeling**, **Data Scientist** ngân hàng hoặc công ty fintech. Đây là kiến thức nền tảng bắt buộc trong các bài thi **credit scoring**, **PD model** (Probability of Default) theo chuẩn Basel. Ngoài ra, nếu làm việc tại phòng **Compliance** hoặc **Model Risk Management**, bạn cần hiểu mô hình để đánh giá rủi ro mô hình (**model risk**) theo quy định SR 11-7 hoặc Thông tư hướng dẫn của **NHNN** về quản trị rủi ro mô hình.

### AI Logistic Regression ảnh hưởng thế nào đến khách hàng?

Mô hình **Logistic Regression** quyết định trực tiếp đến khả năng được phê duyệt khoản vay, lãi suất áp dụng, hạn mức thẻ tín dụng, và thậm chí việc có bị khóa thẻ do nghi ngờ gian lận hay không. Một mô hình tốt giúp khách hàng có lịch sử tín dụng tốt được duyệt vay nhanh chóng với lãi suất ưu đãi; ngược lại, mô hình thiếu chính xác có thể từ chối nhầm khách hàng tiềm năng hoặc bỏ sót trường hợp gian lận. Vì vậy, yếu tố **fairness** (công bằng) và **bias** (thiên kiến) trong dữ liệu huấn luyện cần được kiểm soát chặt chẽ để tránh phân biệt đối xử với nhóm khách hàng nhất định.

## Tổng kết

**AI Logistic Regression** là thuật toán nền tảng mà bất kỳ ai làm việc trong lĩnh vực **AI & Machine Learning** ngân hàng đều phải thành thạo. Dù đã có hơn 70 năm tuổi, thuật toán này vẫn chiếm vị trí trung tâm trong **scorecard** tín dụng, **PD model**, **fraud detection** và **customer churn** nhờ sự cân bằng giữa độ chính xác, tốc độ và khả năng giải thích. Khi ôn thi tuyển dụng ngân hàng, hãy tập trung vào công thức **sigmoid**, cách đọc hệ số **odds ratio**, ý nghĩa các chỉ số **AUC, KS, F1**, và đặc biệt là cách ứng dụng vào bài toán **credit scoring** thực tế. Nắm vững **Logistic Regression** chính là bước đệm vững chắc để bạn tiến tới các thuật toán nâng cao hơn như **Random Forest**, **XGBoost** hay **Neural Network** trong hành trình chinh phục vị trí **Data Scientist** ngân hàng mơ ước.

## Thuật ngữ liên quan

- [Chấm điểm tín dụng](https://vieclam.nganhang.com/thuat-ngu/cham-diem-tin-dung-la-gi) — Mô hình đánh giá mức độ tín nhiệm của khách hàng dựa trên lịch sử tài chính, hành vi giao dịch và nhiều yếu tố khác.
- [Công ty tài chính tiêu dùng](https://vieclam.nganhang.com/thuat-ngu/cong-ty-tai-chinh-tieu-dung-la-gi) — Tổ chức tín dụng phi ngân hàng chuyên cung cấp sản phẩm cho vay cá nhân tiêu dùng, đặc biệt là vay trả góp.
- [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).
- [Mô hình chấm điểm tín dụng](https://vieclam.nganhang.com/thuat-ngu/mo-hinh-cham-diem-tin-dung-la-gi) — Mô hình thống kê (hồi quy logistic, cây quyết định, machine learning) gán điểm cho khách hàng dựa trên dữ liệu tài chính và phi tài chính để quyết định cấp tín…
- [Phát hiện gian lận](https://vieclam.nganhang.com/thuat-ngu/phat-hien-gian-lan-la-gi) — Hệ thống sử dụng AI và phân tích dữ liệu để nhận diện các giao dịch bất thường hoặc có dấu hiệu gian lận.
- [Phát hiện gian lận thẻ](https://vieclam.nganhang.com/thuat-ngu/phat-hien-gian-lan-the-la-gi) — Hệ thống phân tích real-time các giao dịch thẻ tín dụng/ghi nợ dựa trên địa điểm, thiết bị, số tiền để chặn giao dịch gian lận trong vòng milisecond.
- [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.
- [Điểm tín dụng nội bộ](https://vieclam.nganhang.com/thuat-ngu/diem-tin-dung-noi-bo-la-gi) — Hệ thống chấm điểm do ngân hàng xây dựng để phân loại và xếp hạng khách hàng tín dụng theo mức độ rủi ro.