Giám sát ngân hàng theo hướng tăng cường cảnh báo sớm bằng dữ liệu

Trong bối cảnh hoạt động ngân hàng ngày càng số hóa, giao dịch diễn ra với tốc độ cao và các mối liên kết giữa các tổ chức tín dụng ngày càng chặt chẽ, yêu cầu đối với công tác giám sát cũng đang thay đổi. PGS.TS. Vũ Mai Chi, Trưởng Bộ môn Tiền tệ - Ngân hàng, Khoa Ngân hàng, Học viện Ngân hàng đã có buổi trao đổi với Tạp chí Nhà đầu tư về vấn đề này.

Hoạt động ngân hàng đang chuyển dịch rất nhanh sang môi trường số, quy mô dữ liệu và mức độ liên kết giữa các tổ chức tín dụng ngày càng lớn. Theo bà, đâu là vấn đề cấp thiết nhất đối với công tác giám sát ngân hàng hiện nay?

PGS.TS. Vũ Mai Chi: Theo tôi, vấn đề quan trọng nhất là phải thay đổi cách tiếp cận giám sát. Khi hoạt động ngân hàng diễn ra ngày càng nhanh, nếu giám sát chủ yếu dựa vào báo cáo định kỳ, kiểm tra tuân thủ và xử lý những vấn đề đã phát sinh thì rất khó đáp ứng yêu cầu quản lý rủi ro trong môi trường mới.

Trọng tâm cần chuyển từ "hậu kiểm, tuân thủ" sang "giám sát chủ động, cảnh báo sớm dựa trên dữ liệu". Mục tiêu không chỉ là biết một tổ chức tín dụng đang ở trạng thái nào, mà quan trọng hơn là nhận diện được những dấu hiệu bất thường, dự báo khả năng phát sinh rủi ro và hỗ trợ cơ quan quản lý đưa ra biện pháp xử lý đủ sớm.

Điều này đặc biệt quan trọng với các rủi ro có thể diễn biến nhanh như thanh khoản, chất lượng tín dụng, tốc độ tăng trưởng tài sản, mức độ tập trung tín dụng hay những biến động bất thường trong hoạt động của một tổ chức tín dụng.

Hiện hoạt động giám sát đã sử dụng khối lượng dữ liệu rất lớn, từ hệ thống báo cáo thống kê điện tử, hệ thống hỗ trợ giám sát từ xa, báo cáo giám sát an toàn vi mô, an toàn vĩ mô, thông tin tín dụng, kết quả thanh tra, kiểm toán độc lập và nhiều nguồn khác. Tuy nhiên, vấn đề không chỉ nằm ở việc có bao nhiêu dữ liệu mà là dữ liệu có đầy đủ, chính xác, nhất quán, kịp thời và có thể kết nối, khai thác hay không.

Một hệ thống có thể tiếp nhận rất nhiều báo cáo nhưng vẫn chưa tạo ra giá trị giám sát tương xứng nếu dữ liệu còn phân tán, khó đối chiếu hoặc chưa được chuyển hóa thành tín hiệu cảnh báo và hành động quản lý cụ thể.

Do đó, quản trị dữ liệu phải được xem là nền tảng của giám sát ngân hàng trên môi trường số.

Quan trọng hơn, một cảnh báo chỉ thực sự có ý nghĩa khi nó dẫn tới hành động. Kết quả đầu ra của hệ thống giám sát không nên chỉ là một bảng chỉ tiêu hay một điểm xếp hạng, mà phải giúp xác định tổ chức nào cần được ưu tiên giám sát, nguyên nhân cảnh báo là gì, mức độ đáng lưu ý ra sao, đơn vị nào chịu trách nhiệm và thời hạn xử lý như thế nào.

Vậy công nghệ dữ liệu lớn, trí tuệ nhân tạo và học máy có thể thay đổi công tác giám sát ngân hàng như thế nào?

PGS.TS. Vũ Mai Chi: Công nghệ số có thể hỗ trợ cơ quan giám sát ở nhiều cấp độ. Trước hết, các phương pháp phân tích chuỗi thời gian, phát hiện ngoại lệ và đối chiếu chéo có thể giúp nhận diện những biến động bất thường về thanh khoản, chất lượng tín dụng, tốc độ tăng trưởng tài sản, mức độ tập trung tín dụng hoặc việc vượt các ngưỡng an toàn.

Ở mức cao hơn, các mô hình học máy có thể hỗ trợ phân loại tổ chức tín dụng theo mức độ rủi ro, nhận diện những nhóm có đặc điểm tương đồng và phát hiện các mẫu hình mà phương pháp thống kê truyền thống khó nhận biết.

Kinh nghiệm quốc tế cho thấy tiềm năng này là khá rõ. Chẳng hạn, một nghiên cứu năm 2025 kết hợp dữ liệu nội bộ của một ngân hàng quốc tế tại Hà Lan với thông tin tài chính bên ngoài để xây dựng mô hình cảnh báo sớm đối với khách hàng doanh nghiệp. Trong các thuật toán được thử nghiệm, Random Forest cho kết quả tốt nhất; mô hình nhận diện được 67,6% số trường hợp thực tế chuyển sang trạng thái bất lợi trong thời gian theo dõi.

Một nghiên cứu khác tại Indonesia kết hợp Z-score với học máy để xây dựng hệ thống cảnh báo sớm cho các ngân hàng nông thôn Hồi giáo. Thuật toán Extra Trees cho kết quả dự báo tốt và ổn định, trong đó mô hình có thể nhận diện dấu hiệu khó khăn tài chính sớm tới hai năm.

Những kết quả này cho thấy công nghệ không nhất thiết phải thay thế hệ thống chỉ tiêu truyền thống. Ngược lại, cách tiếp cận phù hợp là kết hợp các chỉ tiêu truyền thống với những công cụ phân tích mới để tăng khả năng phát hiện bất thường và dự báo rủi ro.

Tuy nhiên, tôi cho rằng cần đặc biệt thận trọng với quan niệm "có AI là có thể giám sát tốt". AI chỉ tốt khi dữ liệu đầu vào tốt. Nếu dữ liệu thiếu, sai, không thống nhất hoặc cập nhật chậm thì mô hình dù hiện đại đến đâu cũng khó tạo ra kết quả đáng tin cậy.

Ngoài ra, mô hình học máy phụ thuộc nhiều vào dữ liệu lịch sử và có thể giảm hiệu quả khi xuất hiện những tình huống khác biệt đáng kể so với dữ liệu đã dùng để xây dựng mô hình. Một số mô hình cũng khó giải thích, trong khi quyết định quản lý ngân hàng đòi hỏi tính minh bạch và khả năng giải trình cao.

Vì vậy, kết quả của AI và học máy nên được coi là nguồn hỗ trợ cho phân tích chuyên môn, chứ không phải căn cứ duy nhất để đưa ra quyết định quản lý.

Từ những vấn đề trên, Việt Nam cần ưu tiên những giải pháp nào để nâng cao hiệu quả giám sát ngân hàng dựa trên dữ liệu và công nghệ số?

PGS.TS. Vũ Mai Chi: Theo tôi, trước hết không nên đặt mục tiêu là xây dựng một hệ thống công nghệ càng phức tạp càng tốt. Mục tiêu cuối cùng phải là nâng cao khả năng nhận diện sớm rủi ro, hỗ trợ lựa chọn biện pháp kịp thời và góp phần bảo đảm an toàn hệ thống ngân hàng.

Việt Nam đã từng bước hình thành nền tảng dữ liệu và quy trình giám sát. Vì vậy, ưu tiên hiện nay không chỉ là tập trung thêm dữ liệu mà phải nâng cao chất lượng quản trị dữ liệu xuyên suốt giữa các hệ thống.

Cần tiếp tục chuẩn hóa mã TCTD, đồng thời nâng cao khả năng truy xuất và đối chiếu dữ liệu. Chất lượng dữ liệu cần được theo dõi bằng các chỉ tiêu về tính kịp thời, đầy đủ, nhất quán hay mức độ chênh lệch giữa các nguồn. Thứ hai, cần chuyển từ việc đơn thuần theo dõi các ngưỡng cảnh báo sang đo lường và kiểm định hiệu quả của chính hệ thống cảnh báo sớm. Không chỉ cần biết có bao nhiêu cảnh báo được phát ra, mà phải biết bao nhiêu cảnh báo là đúng, bao nhiêu cảnh báo không dẫn tới rủi ro thực tế và những trường hợp rủi ro nào đã xảy ra nhưng hệ thống chưa nhận diện được.

Học máy có thể được thí điểm ở những lĩnh vực có dữ liệu đủ dài và đáng tin cậy để hỗ trợ phân nhóm, phát hiện bất thường và dự báo sự thay đổi trạng thái rủi ro. Nhưng các mô hình này phải có khả năng giải thích và luôn được cán bộ giám sát xem xét.

Một vấn đề khác rất quan trọng là tăng cường liên thông giữa giám sát an toàn vi mô và giám sát an toàn vĩ mô. Một tổ chức tín dụng có thể vẫn duy trì những chỉ tiêu riêng lẻ ở mức tương đối tích cực nhưng lại có khả năng tạo tác động lan truyền đối với toàn hệ thống do quy mô, mức độ kết nối liên ngân hàng hoặc mức độ tập trung tín dụng.

Cuối cùng, tôi cho rằng cần số hóa toàn bộ vòng đời của một cảnh báo: từ dữ liệu phát sinh, tín hiệu bất thường, phân tích, cảnh báo, biện pháp xử lý đến kết quả thực hiện.

Mỗi vụ việc nên có mã định danh, thời điểm phát hiện, nguyên nhân, đơn vị xử lý, thời hạn, trạng thái và bằng chứng hoàn thành. Khi đó, hiệu quả giám sát không còn được đo bằng số lượng báo cáo hay số cảnh báo ban hành, mà bằng độ chính xác, tính kịp thời, mức độ thực hiện biện pháp xử lý và khả năng rủi ro có tái diễn hay không.

Kinh nghiệm của Na Uy cũng cho thấy một điểm đáng chú ý: chuyển đổi số không bắt đầu bằng việc lựa chọn một thuật toán AI phức tạp, mà bắt đầu từ việc xây dựng môi trường dữ liệu tập trung, an toàn và có thể tái sử dụng. Cơ quan Tổng Kiểm toán Na Uy đã thành lập Phòng thí nghiệm đổi mới để hỗ trợ các đoàn kiểm toán về dữ liệu và công nghệ, đồng thời đào tạo kiểm toán viên về R, Python và xây dựng các nhóm kết hợp giữa chuyên môn nghiệp vụ với công nghệ thông tin.

Đây cũng là kinh nghiệm đáng tham khảo đối với Việt Nam. Chuyển đổi số trong giám sát ngân hàng không chỉ là câu chuyện của phần mềm hay thuật toán, mà là sự thay đổi đồng bộ về dữ liệu, quy trình, con người và trách nhiệm.

Xin cảm ơn Bà!