AI trong tài chính được ứng dụng vào những nghiệp vụ nào?

Điểm khác biệt quan trọng nằm ở loại bài toán. Với dự báo doanh thu hoặc dòng tiền, AI tìm quan hệ giữa các biến lịch sử và tín hiệu hiện tại để ước lượng giá trị tương lai. Với tín dụng, mô hình ước lượng xác suất khách hàng không thực hiện nghĩa vụ. Với gian lận, hệ thống tìm giao dịch có đặc điểm khác thường so với hành vi bình thường. Với quản trị rủi ro, AI giúp phát hiện thay đổi của các yếu tố có thể làm tổn thất tăng lên.

Vì vậy, ứng dụng AI hiệu quả không bắt đầu từ câu hỏi “dùng mô hình AI nào”, mà từ câu hỏi “quyết định tài chính nào cần được cải thiện”. Một mô hình có độ chính xác cao nhưng không gắn với quy trình quyết định, ngưỡng kiểm soát và trách nhiệm của con người vẫn có thể tạo ra ít giá trị thực tế.

AI hỗ trợ phân tích dữ liệu tài chính và phát hiện tín hiệu bất thường

Phân tích dữ liệu là một trong những lớp ứng dụng nền tảng của AI trong tài chính. Các hệ thống tài chính thường phải xử lý đồng thời dữ liệu giao dịch, sổ cái, hóa đơn, ngân sách, dòng tiền, dữ liệu khách hàng và nhiều nguồn dữ liệu vận hành khác. Khi số lượng giao dịch tăng, việc phát hiện thủ công các quan hệ hoặc bất thường trở nên khó khăn.

AI có thể học từ dữ liệu lịch sử để xác định những mẫu thường xuyên xuất hiện, sau đó so sánh dữ liệu mới với các mẫu này. Những giao dịch có giá trị, tần suất, thời điểm, đối tượng hoặc tổ hợp thuộc tính khác đáng kể so với trạng thái thông thường có thể được đánh dấu để kiểm tra.

Trong kế toán và kiểm soát tài chính, cơ chế này đặc biệt hữu ích đối với những bài toán như:

·         Phát hiện bút toán hoặc giao dịch có đặc điểm bất thường

·         Phân loại chứng từ và giao dịch vào nhóm phù hợp

·         Đối chiếu dữ liệu giữa hóa đơn, thanh toán và sổ kế toán

·         Xác định biến động chi phí khác thường

·         Tìm quan hệ giữa các chỉ tiêu tài chính mà phân tích thủ công khó phát hiện

Tuy nhiên, “bất thường” không đồng nghĩa với “sai” hoặc “gian lận”. Một khoản thanh toán lớn có thể hoàn toàn hợp lệ trong mùa cao điểm hoặc sau một thương vụ lớn. AI vì vậy phù hợp nhất với vai trò sàng lọc và ưu tiên những trường hợp cần kiểm tra, thay vì tự động kết luận mọi ngoại lệ là vi phạm.

Hiệu quả của hệ thống cũng không nên được đánh giá đơn giản bằng accuracy. Khi giao dịch bất thường chỉ chiếm tỷ lệ rất nhỏ, một mô hình dự đoán tất cả giao dịch là bình thường vẫn có thể đạt accuracy cao. Các chỉ số như precision, recall, false-positive rate và số trường hợp cần chuyên viên xử lý thường cung cấp thông tin thực tế hơn.

AI được dùng để dự báo doanh thu, dòng tiền và nhu cầu vốn

Dự báo tài chính truyền thống thường dựa vào dữ liệu lịch sử, giả định tăng trưởng và một tập hợp biến được nhà phân tích lựa chọn trước. AI mở rộng cách tiếp cận này bằng khả năng xử lý nhiều biến hơn và nhận diện những quan hệ phi tuyến mà mô hình đơn giản có thể bỏ qua.

Trong dự báo dòng tiền, chẳng hạn, mô hình có thể kết hợp lịch sử thu tiền, điều khoản thanh toán, hành vi thanh toán của khách hàng, công nợ phải trả, yếu tố mùa vụ và biến động kinh doanh để ước lượng dòng tiền trong các kỳ tiếp theo.

Đối với doanh nghiệp, AI có thể hỗ trợ các nghiệp vụ:

·         Dự báo doanh thu

·         Dự báo dòng tiền vào và dòng tiền ra

·         Ước lượng nhu cầu vốn lưu động

·         Phân tích khả năng hoàn thành ngân sách

·         Xây dựng kịch bản tài chính

·         Phát hiện sớm chênh lệch giữa kế hoạch và thực tế

Giá trị quan trọng không chỉ là tạo ra một con số dự báo. Một hệ thống tốt còn phải giúp người sử dụng hiểu những yếu tố nào đang làm dự báo thay đổi và mức độ không chắc chắn của kết quả.

Sai số có thể được theo dõi bằng những thước đo như MAE, RMSE hoặc MAPE tùy đặc điểm dữ liệu. Ví dụ, nếu sai số dự báo dòng tiền liên tục tăng sau khi doanh nghiệp thay đổi chính sách tín dụng bán hàng, vấn đề có thể nằm ở sự thay đổi cấu trúc dữ liệu chứ không đơn thuần ở thuật toán.

Đây cũng là giới hạn quan trọng của AI: mô hình học từ quá khứ nhưng tài chính luôn chịu ảnh hưởng của những biến cố chưa từng xuất hiện trong dữ liệu huấn luyện. Thay đổi lãi suất, chính sách, chuỗi cung ứng hoặc hành vi khách hàng có thể làm quan hệ lịch sử không còn ổn định. Vì vậy, AI nên bổ sung cho phân tích kịch bản và stress testing chứ không thay thế chúng.

AI hỗ trợ chấm điểm tín dụng và quản lý rủi ro tín dụng

Trong tín dụng, bài toán cốt lõi là ước lượng khả năng người vay thực hiện nghĩa vụ và mức tổn thất có thể xảy ra nếu họ không thực hiện nghĩa vụ đó. AI có thể hỗ trợ quá trình này bằng cách tìm quan hệ giữa đặc điểm của khách hàng, lịch sử tài chính, hành vi thanh toán và kết quả tín dụng trong quá khứ.

Các mô hình có thể được sử dụng để hỗ trợ:

·         Chấm điểm tín dụng

·         Xác suất vỡ nợ

·         Phân nhóm khách hàng theo mức độ rủi ro

·         Phát hiện dấu hiệu suy giảm chất lượng tín dụng

·         Ưu tiên khoản vay cần giám sát

·         Hỗ trợ quyết định về hạn mức và điều kiện tín dụng

Trong quản trị rủi ro tín dụng, ba đại lượng thường gặp là Probability of Default (PD), Loss Given Default (LGD) và Exposure at Default (EAD). AI có thể được sử dụng để cải thiện việc ước lượng một hoặc nhiều thành phần này khi tổ chức có dữ liệu phù hợp.

Ví dụ, thay vì chỉ sử dụng một số biến tĩnh tại thời điểm cấp tín dụng, hệ thống có thể theo dõi sự thay đổi hành vi theo thời gian. Tần suất chậm thanh toán tăng, dòng tiền suy giảm hoặc mức sử dụng hạn mức thay đổi có thể trở thành tín hiệu cảnh báo sớm.

Tuy nhiên, mô hình phức tạp hơn không mặc nhiên tạo ra quyết định tín dụng tốt hơn. Tổ chức tài chính còn phải xem xét khả năng giải thích, chất lượng dữ liệu, sai lệch giữa các nhóm khách hàng, tính ổn định qua thời gian và yêu cầu quản trị mô hình.

Trong các khuôn khổ quản trị rủi ro tín dụng và tổn thất tín dụng dự kiến như IFRS 9, kết quả mô hình còn phải gắn với dữ liệu hợp lý, thông tin hướng tới tương lai, giả định kinh tế và cơ chế kiểm soát thích hợp. Vì vậy, AI là công cụ ước lượng và hỗ trợ quyết định; trách nhiệm quản trị rủi ro không thể được chuyển hoàn toàn cho thuật toán.

AI phát hiện gian lận và hỗ trợ phòng chống giao dịch đáng ngờ

Gian lận tài chính có đặc điểm khó xử lý bằng các quy tắc cố định vì hành vi có thể thay đổi khi đối tượng gian lận nhận ra cơ chế kiểm soát. Đây là môi trường mà machine learning và các kỹ thuật phát hiện bất thường có thể tạo ra giá trị đáng kể.

Một hệ thống có thể phân tích đồng thời nhiều tín hiệu: số tiền, địa điểm, thời điểm, thiết bị, tốc độ thực hiện giao dịch, quan hệ giữa các tài khoản và lịch sử hành vi. Khi tổ hợp tín hiệu khác đáng kể so với hành vi thông thường, giao dịch có thể nhận điểm rủi ro cao hơn.

Cơ chế này được ứng dụng trong:

·         Phát hiện gian lận thanh toán

·         Giám sát giao dịch đáng ngờ

·         Phát hiện hành vi chiếm đoạt tài khoản

·         Nhận diện mạng lưới giao dịch bất thường

·         Hỗ trợ quy trình AML

·         Ưu tiên cảnh báo cho chuyên viên điều tra

Một ứng dụng đáng chú ý là phân tích mạng lưới. Nếu chỉ quan sát từng giao dịch riêng biệt, nhiều giao dịch có thể trông bình thường. Nhưng khi xây dựng quan hệ giữa tài khoản, thiết bị, người nhận và luồng tiền, một cấu trúc bất thường có thể xuất hiện. Graph analytics và machine learning vì vậy có thể bổ sung cho hệ thống dựa trên luật.

Thách thức lớn nhất là cân bằng giữa khả năng phát hiện và số lượng cảnh báo sai. Tăng recall có thể giúp phát hiện nhiều trường hợp đáng ngờ hơn nhưng đồng thời làm false positive tăng, khiến đội ngũ kiểm soát phải xử lý quá nhiều cảnh báo.

Do đó, mô hình không nên được đánh giá chỉ bằng khả năng dự đoán. Chi phí điều tra, tổn thất ngăn chặn được, tỷ lệ cảnh báo thực sự hữu ích và thời gian xử lý cũng là những KPI quan trọng của hệ thống chống gian lận.

AI hỗ trợ đầu tư, định giá và quản trị danh mục

Trong hoạt động đầu tư, AI có thể xử lý một lượng lớn dữ liệu thị trường và dữ liệu doanh nghiệp để hỗ trợ quá trình hình thành tín hiệu, đánh giá tài sản và theo dõi rủi ro danh mục.

Các nguồn thông tin không nhất thiết chỉ là dữ liệu giá. Natural Language Processing có thể được sử dụng để khai thác báo cáo tài chính, thông báo doanh nghiệp, tài liệu công bố và các nguồn văn bản khác nhằm chuyển nội dung phi cấu trúc thành biến phân tích.

AI có thể hỗ trợ:

·         Phân tích dữ liệu thị trường

·         Xây dựng tín hiệu đầu tư

·         Định lượng yếu tố ảnh hưởng đến giá tài sản

·         Theo dõi rủi ro danh mục

·         Phân bổ tài sản

·         Phân tích văn bản tài chính

·         Hỗ trợ giao dịch thuật toán

Điểm cần phân biệt là khả năng tìm thấy một mẫu trong dữ liệu quá khứ và khả năng tạo lợi nhuận ổn định trong tương lai là hai vấn đề khác nhau. Thị trường tài chính có tính thích nghi: khi một tín hiệu trở nên phổ biến, lợi thế từ tín hiệu đó có thể giảm.

Một nguy cơ khác là overfitting. Nếu nhà phát triển thử hàng trăm biến hoặc chiến lược trên cùng dữ liệu lịch sử, một số kết quả tốt có thể xuất hiện đơn thuần do ngẫu nhiên. Backtest vì thế phải đi kèm dữ liệu ngoài mẫu, chi phí giao dịch, độ trượt giá và kiểm tra trong nhiều trạng thái thị trường.

AI cũng không loại bỏ những thước đo rủi ro truyền thống. Volatility, drawdown, mức độ tập trung, stress test và các thước đo như Value at Risk vẫn có thể được sử dụng cùng mô hình AI. Mục tiêu của AI là bổ sung khả năng nhận diện tín hiệu và quan hệ phức tạp, chứ không biến một khoản đầu tư có rủi ro thành khoản đầu tư chắc chắn sinh lời.

AI tự động hóa vận hành tài chính và hỗ trợ ra quyết định

Một phần lớn giá trị kinh tế của AI trong tài chính không đến từ việc dự đoán thị trường mà từ việc giảm khối lượng công việc lặp lại.

Document AI có thể đọc hóa đơn và tài liệu; NLP có thể phân loại nội dung; mô hình phát hiện bất thường có thể kiểm tra giao dịch; còn generative AI có thể hỗ trợ tổng hợp và diễn giải dữ liệu. Khi kết hợp với hệ thống ERP hoặc workflow automation, những khả năng này tạo thành chuỗi xử lý bán tự động.

Các ứng dụng điển hình gồm:

·         Trích xuất thông tin từ hóa đơn và chứng từ

·         Phân loại chi phí

·         Hỗ trợ đối chiếu tài khoản

·         Phân tích biến động ngân sách

·         Tạo bản nháp báo cáo quản trị

·         Truy vấn dữ liệu tài chính bằng ngôn ngữ tự nhiên

·         Tổng hợp nguyên nhân thay đổi của KPI tài chính

·         Hỗ trợ nhân viên và khách hàng giải đáp các vấn đề tài chính tiêu chuẩn

Generative AI đặc biệt hữu ích ở giao diện giữa dữ liệu và con người. Thay vì yêu cầu người quản lý đọc hàng loạt bảng, hệ thống có thể tạo phần giải thích ban đầu về những biến động đáng chú ý.

Tuy nhiên, mô hình sinh ngôn ngữ có thể tạo thông tin không chính xác hoặc suy luận vượt quá dữ liệu được cung cấp. Vì vậy, một hệ thống tạo báo cáo tài chính không nên để mô hình tự “nhớ” số liệu. Cách triển khai an toàn hơn là lấy dữ liệu từ nguồn đã kiểm soát, tính toán bằng hệ thống xác định và chỉ sử dụng mô hình ngôn ngữ để diễn giải kết quả.

Đối với những nghiệp vụ có ảnh hưởng đáng kể đến tiền, tín dụng, báo cáo hoặc quyền lợi khách hàng, cơ chế human-in-the-loop vẫn rất quan trọng. AI có thể đề xuất, xếp hạng hoặc cảnh báo; quyền phê duyệt cuối cùng cần được thiết kế theo mức độ rủi ro của quyết định.

Kiểm soát rủi ro quyết định hiệu quả thực sự của AI trong tài chính

Tài chính là lĩnh vực mà một sai lệch nhỏ của mô hình có thể được nhân lên khi hệ thống xử lý hàng nghìn hoặc hàng triệu quyết định. Vì vậy, triển khai AI không thể tách rời quản trị mô hình.

Một mô hình tài chính cần được kiểm soát ít nhất ở bốn lớp.

Thứ nhất là dữ liệu. Dữ liệu sai, thiếu, không đại diện hoặc bị thay đổi định nghĩa có thể khiến mô hình đưa ra kết luận sai ngay cả khi thuật toán hoạt động đúng.

Thứ hai là hiệu năng mô hình. Các chỉ số phải phù hợp với bài toán. Dự báo có thể sử dụng MAE hoặc RMSE; phân loại tín dụng có thể sử dụng AUC, precision và recall; phát hiện gian lận cần đặc biệt theo dõi false-positive rate và false-negative rate.

Thứ ba là tính ổn định. Hiệu năng lúc triển khai không đảm bảo hiệu năng sáu hoặc mười hai tháng sau. Population drift, concept drift và thay đổi điều kiện kinh tế có thể khiến mô hình suy giảm.

Thứ tư là governance. Tổ chức cần xác định ai sở hữu mô hình, ai kiểm định, trường hợp nào được tự động ra quyết định, khi nào phải chuyển sang con người và cách xử lý khi mô hình hoạt động ngoài ngưỡng cho phép.

Các nguyên tắc quản trị mô hình trong ngành tài chính, cùng với các khung quản trị rủi ro của ngân hàng và tổ chức tài chính, đều hướng tới một điểm chung: mô hình phải được kiểm định, giám sát và đặt trong một hệ thống kiểm soát chứ không được coi như “hộp đen” tự vận hành.

Một hiểu lầm phổ biến vì thế là cho rằng AI càng tự động hóa nhiều thì hệ thống tài chính càng tốt. Trên thực tế, mức tự động hóa thích hợp phụ thuộc vào hậu quả của một quyết định sai. Tự động phân loại chứng từ và tự động từ chối một khoản tín dụng không có cùng mức rủi ro, nên không thể áp dụng cùng một cơ chế kiểm soát.

AI trong tài chính tạo giá trị lớn nhất khi được sử dụng để cải thiện một quyết định hoặc quy trình cụ thể: phân tích dữ liệu nhanh hơn, dự báo tốt hơn, phát hiện tín hiệu rủi ro sớm hơn hoặc giảm khối lượng xử lý thủ công. Những ứng dụng tiêu biểu trải dài từ dự báo dòng tiền, tín dụng, chống gian lận đến đầu tư và tự động hóa vận hành.

Tuy nhiên, hiệu quả của AI không chỉ phụ thuộc vào thuật toán. Chất lượng dữ liệu, lựa chọn KPI, khả năng giải thích, kiểm định mô hình, giám sát sai lệch và quyền kiểm soát của con người mới quyết định mô hình có thể được sử dụng an toàn trong thực tế hay không. Trong môi trường tài chính, AI nên được xem là một lớp năng lực hỗ trợ quyết định nằm bên trong hệ thống quản trị rủi ro, thay vì một cơ chế thay thế hoàn toàn chuyên môn và trách nhiệm của con người.