# IFRS 9 và AI

Tiếng Anh: IFRS 9 AI Application

Ứng dụng AI trong mô hình hóa tổn thất tín dụng kỳ vọng theo chuẩn mực báo cáo tài chính IFRS 9, bao gồm phân loại giai đoạn nợ, ước lượng PD/LGD/EAD...

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ifrs-9-va-ai-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

## IFRS 9 và AI là gì?

**IFRS 9** (International Financial Reporting Standard 9) là chuẩn mực báo cáo tài chính quốc tế về công cụ tài chính, có hiệu lực từ ngày 01/01/2018, thay thế cho **IAS 39**. Điểm cách mạng nhất của **IFRS 9** nằm ở mô hình tổn thất tín dụng kỳ vọng (**Expected Credit Loss** - **ECL**), yêu cầu các ngân hàng phải trích lập dự phòng dựa trên thông tin dự báo tương lai (**forward-looking**) thay vì chỉ dựa trên tổn thất đã phát sinh (**incurred loss**) như trước đây.

Khi mô hình **ECL** được áp dụng trong thực tế, các ngân hàng nhận ra rằng phương pháp truyền thống (hồi quy logistic, phân tích survival, scoring thủ công) gặp nhiều hạn chế khi xử lý dữ liệu lớn, nhiều biến số phi tuyến và các kịch bản kinh tế vĩ mô phức tạp. Đây chính là lúc **trí tuệ nhân tạo** (**Artificial Intelligence** - **AI**) và **học máy** (**Machine Learning** - **ML**) trở thành công cụ chiến lược. **IFRS 9 và AI** không phải là một sản phẩm phần mềm cụ thể mà là tập hợp các phương pháp luận, mô hình thuật toán và quy trình ứng dụng **AI** vào toàn bộ vòng đời tính toán **ECL** theo chuẩn mực.

Cụ thể, **AI** được ứng dụng trong bốn trụ cột chính của **IFRS 9**: (1) **Phân loại giai đoạn nợ** (**Staging**) - xác định khoản vay thuộc **Stage 1** (bình thường), **Stage 2** (suy giảm đáng kể tín dụng - **Significant Increase in Credit Risk** - **SICR**) hay **Stage 3** (vỡ nợ); (2) **Ước lượng xác suất vỡ nợ** (**Probability of Default** - **PD**); (3) **Ước lượng tỷ lệ tổn thất** (**Loss Given Default** - **LGD**); (4) **Ước lượng dư nợ tại thời điểm vỡ nợ** (**Exposure at Default** - **EAD**). Ngoài ra, **AI** còn được dùng trong các **mô hình vệ tinh** (**satellite models**) để chuyển đổi các biến vĩ mô (GDP, lạm phát, tỷ giá) thành xác suất suy giảm tín dụng theo từng kịch bản.

**Thuật ngữ tiếng Anh:** IFRS 9 AI Application
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

### 1. Ba giai đoạn nợ theo IFRS 9

| Giai đoạn | Tên gọi | Mức trích lập dự phòng | Đặc điểm nhận biết |
|---|---|---|---|
| **Stage 1** | Bình thường | 12 tháng ECL | Khoản vay mới, chưa có dấu hiệu suy giảm tín dụng, thanh toán đúng hạn |
| **Stage 2** | Suy giảm đáng kể tín dụng (**SICR**) | Lifetime ECL | Trễ hạn > 30 ngày, hoặc giảm hạng tín dụng nội bộ ≥ 2 bậc, hoặc chỉ số tài chính xấu đi rõ rệt |
| **Stage 3** | Vỡ nợ (**Default**) | Lifetime ECL | Trễ hạn > 90 ngày, khách hàng mất khả năng thanh toán, hoặc ngân hàng đã xử lý tài sản đảm bảo |

### 2. Các thành phần mô hình ECL và ứng dụng AI

| Thành phần | Ý nghĩa | Thuật toán AI thường dùng | Độ phức tạp |
|---|---|---|---|
| **PD - Point-in-Time** | Xác suất vỡ nợ 12 tháng tại thời điểm báo cáo | **XGBoost**, **LightGBM**, **Random Forest**, mạng nơ-ron | Cao |
| **PD - Through-the-Cycle** | Xác suất vỡ nợ trung bình qua chu kỳ | **Logistic Regression**, **ARIMA** kết hợp ML | Trung bình |
| **LGD** | Tỷ lệ tổn thất khi vỡ nợ (thường 30-70%) | **Gradient Boosting**, **Beta Regression** | Cao |
| **EAD** | Dư nợ ước tính tại thời điểm vỡ nợ | **Time Series Forecasting**, **LSTM** | Trung bình |
| **Satellite Model** | Liên kết biến vĩ mô với PD/LGD | **Vector Autoregression** (VAR), **Prophet**, mạng nơ-ron hồi quy | Rất cao |
| **Staging Classifier** | Phân loại Stage 1/2/3 | **Decision Tree**, **SVM**, ensemble learning | Trung bình |

### 3. Các kỹ thuật AI/ML phổ biến trong IFRS 9

- **Học có giám sát** (**Supervised Learning**): Dùng dữ liệu quá khứ có nhãn (default/non-default) để huấn luyện mô hình **PD**. Đây là phương pháp phổ biến nhất với độ chính xác **AUC** (Area Under the Curve) thường đạt 0.78-0.88 đối với dữ liệu ngân hàng bán lẻ.
- **Học không giám sát** (**Unsupervised Learning**): Phát hiện bất thường và gian lận, ví dụ **Isolation Forest**, **DBSCAN**, hữu ích trong việc bổ sung cảnh báo sớm cho **Stage 2**.
- **Học sâu** (**Deep Learning**): **LSTM** và **Transformer** được dùng cho **EAD** vì cần dự báo hành vi rút tiền của khách hàng qua thời gian.
- **Xử lý ngôn ngữ tự nhiên** (**Natural Language Processing** - **NLP**): Phân tích tin tức, báo cáo tài chính, thậm chí bài đăng mạng xã hội để đánh giá rủi ro doanh nghiệp.
- **Học tăng cường** (**Reinforcement Learning**): Một số ngân hàng tiên tiến đang thử nghiệm tối ưu hóa chiến lược trích lập dự phòng theo thời gian thực.

### 4. Quy trình áp dụng AI trong IFRS 9 (theo khung quản trị rủi ro mô hình)

| Bước | Hoạt động | Yêu cầu tuân thủ |
|---|---|---|
| 1 | Xác định mục tiêu kinh doanh và phạm vi mô hình | Tham chiếu **IFRS 9.5.5** |
| 2 | Thu thập và làm sạch dữ liệu | **BCBS 239**, quy định dữ liệu của NHNN |
| 3 | Xây dựng và huấn luyện mô hình AI | Kiểm định **back-testing**, **out-of-sample test** |
| 4 | Đánh giá tính giải thích (**explainability**) | **SHAP**, **LIME** để giải thích quyết định mô hình |
| 5 | Phê duyệt mô hình bởi Hội đồng Rủi ro | Nguyên tắc ba tuyến phòng thủ |
| 6 | Triển khai và giám sát liên tục | **Model monitoring** hàng tháng, **drift detection** |

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Ngân hàng A ứng dụng XGBoost để dự báo PD cho danh mục cho vay bán lẻ

**Ngân hàng A** có danh mục cho vay mua nhà khoảng 250.000 tỷ đồng, phân bổ trên 380.000 hợp đồng tín dụng cá nhân. Trước đây, ngân hàng sử dụng mô hình **logistic regression** với 15 biến số để tính **PD**, đạt **AUC** khoảng 0.72. Năm 2022, ngân hàng chuyển sang thuật toán **XGBoost** với hơn 120 biến (gồm dữ liệu giao dịch, hành vi sử dụng app, lịch sử thanh toán, dữ liệu phi tín dụng từ đối tác).

Kết quả: **AUC** tăng lên 0.84, tỷ lệ phát hiện khách hàng có nguy cơ vỡ nợ trong 12 tháng tới cải thiện 28%. Đặc biệt, mô hình phát hiện sớm một nhóm khoảng 4.200 khách hàng có dấu hiệu **SICR** mà mô hình cũ bỏ sót, giúp ngân hàng chuyển họ sang **Stage 2** kịp thời, qua đó tăng dự phòng thêm khoảng 320 tỷ đồng theo phương pháp **lifetime ECL**. Tổng chi phí dự phòng của **Ngân hàng A** năm 2022 tăng 14,7% so với năm 2021, nhưng tỷ lệ nợ xấu (**NPL ratio**) thực tế giảm từ 2,1% xuống 1,6% trong năm 2023.

### Ví dụ 2: Khách hàng B - Doanh nghiệp xuất khẩu may mặc gặp khó khăn

**Khách hàng B** là doanh nghiệp may mặc tại TP.HCM, có khoản vay 800 tỷ đồng từ **Ngân hàng B** với hạn 5 năm. Tháng 3/2023, mô hình **NLP** của ngân hàng quét báo chí phát hiện 17 bài viết tiêu cực về ngành dệt may (đơn hàng Mỹ giảm 35%, đối tác chính phá sản). Đồng thời, **satellite model** của **Ngân hàng B** dự báo **PD** của doanh nghiệp xuất khẩu tăng từ 2,8% lên 7,2% trong kịch bản cơ sở và 15,4% trong kịch bản xấu.

Hệ thống tự động đánh dấu **SICR**, chuyển khoản vay từ **Stage 1** sang **Stage 2**. Trích lập bổ sung: từ 22,4 tỷ (12 tháng ECL) lên 56 tỷ (lifetime ECL). Sáu tháng sau, **Khách hàng B** thực sự rơi vào **Stage 3** với dư nợ 720 tỷ. Việc trích lập sớm đã giúp **Ngân hàng B** không bị "sốc" chi phí dự phòng, đồng thời có thời gian đàm phán tái cơ cấu khoản vay.

### Ví dụ 3: Ngân hàng A triển khai mô hình vệ tinh cho biến vĩ mô

**Ngân hàng A** xây dựng **satellite model** kết nối 8 biến vĩ mô (tăng trưởng GDP, lãi suất tái cấp vốn, tỷ giá USD/VND, chỉ số sản xuất công nghiệp, giá dầu, giá thép, VN-Index, tỷ lệ thất nghiệp) với **PD** qua mạng nơ-ron **LSTM**. Khi giả lập kịch bản GDP giảm 1,5% (tương tự 2020), mô hình dự báo **PD** của danh mục cho vay doanh nghiệp tăng 1,8 lần, **LGD** tăng 12-18 điểm phần trăm. Kết quả được dùng làm đầu vào cho kế hoạch stress test theo Thông tư 09/2017/TT-NHNN và tính toán vốn kinh tế (**economic capital**).

## IFRS 9 và AI trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | IFRS 9 AI Application | /aɪ ɛf ɑː ɛs naɪn eɪ aɪ ˈæplɪkeɪʃən/ |
| Tiếng Nhật | IFRS 9 の AI 適用 | /i ef a ru es nain no e ai tekiyou/ |
| Tiếng Hàn | IFRS 9 AI 적용 | /ai ef ar es gǔ ai je-jong/ |
| Tiếng Trung | IFRS 9 人工智能应用 | /ai ef ar es jiu rén gōng zhì néng yìng yòng/ |
| Tiếng Tây Ban Nha | Aplicación de IA en NIIF 9 | /a-pli-ka-ˈθjon de i-a e-neN iif nwe-be/ |

## Câu hỏi thường gặp

### IFRS 9 và AI khác gì Basel II và mô hình tính vốn?

**IFRS 9** tập trung vào trích lập dự phòng tổn thất tín dụng cho mục đích **báo cáo tài chính** (theo giá trị hợp lý và giá trị có thể thu hồi), trong khi **Basel II/III** tập trung vào **tính vốn yêu cầu** cho mục đích quản trị rủi ro và an toàn vốn. Tuy nhiên, các thành phần **PD**, **LGD**, **EAD** được dùng chung, và nhiều ngân hàng tận dụng cùng một mô hình **AI** cho cả hai mục đích để tiết kiệm chi phí. Điểm khác biệt: **IFRS 9** yêu cầu tính **forward-looking** với nhiều kịch bản, còn **Basel** chỉ yêu cầu dự báo điểm (point-in-time) hoặc chu kỳ (through-the-cycle).

### Khi nào ngân hàng cần triển khai AI trong mô hình IFRS 9?

Ngân hàng nên cân nhắc triển khai khi: (1) Danh mục tín dụng lớn (trên 100.000 tỷ đồng) với dữ liệu phong phú, khi đó lợi ích từ **AI** vượt trội so với chi phí; (2) Tỷ lệ nợ xấu biến động mạnh theo chu kỳ kinh tế, cần **early warning** chính xác hơn; (3) Ngân hàng đã có hạ tầng dữ liệu (**data warehouse**, **data lake**) ổn định; (4) Đội ngũ nhân sự có chuyên môn **data science** và hiểu biết ngân hàng. Theo khảo sát của Deloitte 2023, khoảng 67% ngân hàng châu Á đã ứng dụng **AI** ở ít nhất một thành phần **ECL**, trong khi 5 năm trước chỉ 12%.

### IFRS 9 và AI ảnh hưởng thế nào đến khách hàng vay vốn?

Ảnh hưởng lớn nhất là **tăng tính công bằng và minh bạch** trong đánh giá tín dụng, vì mô hình **AI** xem xét nhiều biến số hơn, bao gồm cả **dữ liệu phi truyền thống** (hành vi giao dịch, lịch sử thanh toán điện nước, điểm tín nhiệm xã hội). Tuy nhiên, khách hàng có thể bị **từ chối tín dụng** dựa trên các yếu tố mà họ không biết, đòi hỏi ngân hàng phải giải thích được (**explainable AI**) quyết định từ chối. Ngoài ra, khách hàng có khoản vay sẽ thấy **số dư dự phòng** trên báo cáo tài chính phản ánh sát thực hơn rủi ro, giúp nhà đầu tư đánh giá đúng sức khỏe ngân hàng. Theo Ngân hàng Nhà nước Việt Nam, việc triển khai **IFRS 9** từng bước từ 2025 sẽ khiến một số ngân hàng phải **tăng vốn** hoặc **giảm cấp tín dụng rủi ro**, ảnh hưởng gián tiếp đến điều kiện vay của khách hàng.

## Tổng kết

**IFRS 9 và AI** là sự kết hợp tất yếu trong kỷ nguyên ngân hàng số, nơi khối lượng dữ liệu khổng lồ và yêu cầu **forward-looking** đặt ra thách thức vượt quá khả năng của các mô hình thống kê truyền thống. **AI** không chỉ giúp cải thiện độ chính xác của **PD**, **LGD**, **EAD** mà còn cho phép tự động hóa phân loại giai đoạn nợ, phát hiện sớm **SICR**, và mô phỏng kịch bản kinh tế vĩ mô phức tạp. Tuy nhiên, việc triển khai cần tuân thủ nguyên tắc **quản trị rủi ro mô hình** (**Model Risk Management**), đảm bảo tính giải thích (**explainability**), tránh **bias** trong dữ liệu huấn luyện, và đặc biệt là phù hợp với quy định của **Ngân hàng Nhà nước Việt Nam** trong lộ trình áp dụng **IFRS 9** tại Việt Nam. Đối với ứng viên thi tuyển ngân hàng, nắm vững **IFRS 9 và AI** không chỉ giúp trả lời câu hỏi lý thuyết mà còn thể hiện tư duy cập nhật xu hướng công nghệ tài chính (**FinTech**) - một lợi thế cạnh tranh rõ rệt trong mắt nhà tuyển dụng.

## 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.
- [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.
- [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…
- [Phân tích dữ liệu phi cấu trúc](https://vieclam.nganhang.com/thuat-ngu/phan-tich-du-lieu-phi-cau-truc-la-gi) — Khai thác dữ liệu từ email, văn bản, hội thoại, hình ảnh - chiếm đa số khối lượng dữ liệu ngân hàng nhưng khó xử lý hơn dữ liệu có cấu trúc.
- [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.
- [Tổn thất tín dụng kỳ vọng](https://vieclam.nganhang.com/thuat-ngu/ton-that-tin-dung-ky-vong-la-gi) — Mô hình trích lập dự phòng theo IFRS 9 hoặc Thông tư 02/2023/TT-NHNN của Việt Nam, dựa trên đánh giá xác suất vỡ nợ trong 12 tháng hoặc suốt vòng đời khoản vay.
- [Xử lý ngôn ngữ tự nhiên](https://vieclam.nganhang.com/thuat-ngu/xu-ly-ngon-ngu-tu-nhien-la-gi) — Công nghệ giúp máy tính hiểu, phân tích và tạo ra ngôn ngữ của con người, ứng dụng trong chatbot ngân hàng.