Lượng hóa rủi ro trong kiểm toán lĩnh vực ngân hàng

Việc ứng dụng dữ liệu lớn và AI trong lĩnh vực tài chính - ngân hàng vẫn đối mặt với không ít rào cản. Ảnh: TIMO

Dữ liệu trở thành kết cấu hạ tầng quản trị rủi ro

Trong bối cảnh chuyển đổi số, dữ liệu đã trở thành nền tảng cốt lõi trong vận hành và quản trị rủi ro của ngành tài chính - ngân hàng. Điều này đặt ra yêu cầu đổi mới phương pháp kiểm toán, chuyển dịch từ cách tiếp cận chủ yếu dựa trên chọn mẫu thủ công sang khai thác dữ liệu lớn và đánh giá rủi ro liên tục. Với quy mô hàng triệu giao dịch phát sinh mỗi ngày, phương pháp kiểm toán truyền thống bộc lộ những hạn chế về phạm vi bao quát và khả năng phát hiện bất thường. Trong khi đó, quy trình hậu kiểm thủ công có thể tạo ra độ trễ lớn, khiến rủi ro chỉ được phát hiện khi tổn thất tài chính đã phát sinh.

Theo ThS. Hoàng Thị Út - Cục Công nghệ thông tin, dữ liệu đã trở thành kết cấu hạ tầng quan trọng phục vụ quản trị rủi ro trong lĩnh vực tài chính - ngân hàng. Mỗi chi nhánh ngân hàng tạo ra khối lượng lớn thông tin liên quan đến vốn, tín dụng, nợ xấu, dự phòng rủi ro, thanh khoản, lợi nhuận, cùng quy trình nghiệp vụ và lịch sử kiểm tra.

Nếu dữ liệu được xử lý rời rạc, kiểm toán viên chỉ có thể nhìn nhận từng khía cạnh riêng lẻ của hoạt động ngân hàng. Ngược lại, khi được tích hợp và phân tích theo mô hình rủi ro toàn diện, dữ liệu giúp nhận diện những lĩnh vực tập trung rủi ro, khu vực có hiệu quả hoạt động suy giảm và các vấn đề cần ưu tiên kiểm tra.

Đáng chú ý, trí tuệ nhân tạo (AI) có khả năng phân tích đồng thời nhiều lớp dữ liệu, phát hiện các chỉ tiêu lệch chuẩn, so sánh chi nhánh với nhóm tương đồng và nhận diện xu hướng bất thường. Chẳng hạn, khi nợ nhóm 2 tăng, chi phí dự phòng giảm, lợi nhuận tăng và thu nhập lãi phải thu tăng, hệ thống có thể phát đi cảnh báo về những dấu hiệu bất thường liên quan đến chất lượng tài sản và khả năng sinh lời. Từ đó, kiểm toán viên có cơ sở xem xét, kiểm tra sâu hơn việc ghi nhận thu nhập, phân loại nợ và trích lập dự phòng.

Đối với KTNN, ứng dụng AI có ý nghĩa trong nhiều khâu của quy trình kiểm toán, đặc biệt là lập kế hoạch và lựa chọn đơn vị được kiểm toán. Kết quả thí điểm phần mềm hỗ trợ đánh giá rủi ro của KTNN bước đầu cho thấy tính khả thi trong việc chuẩn hóa dữ liệu, cấu hình tiêu chí, tính điểm, xếp hạng, cảnh báo và lựa chọn mẫu kiểm toán.

Trọng tâm của hệ thống là phân tích hoạt động ngân hàng theo Bộ tiêu chí CAMELS gồm 6 cấu phần, tích hợp 79 chỉ số đánh giá hiệu quả hoạt động (KPI) định lượng. Hệ thống áp dụng phương pháp phân vị bách phân để xác định vị trí rủi ro tương đối của từng chi nhánh, xếp hạng từ A đến E. Qua đó, KTNN có thêm căn cứ lựa chọn đơn vị, xác định trọng tâm và xây dựng kế hoạch kiểm toán tập trung vào những vấn đề trọng yếu như chất lượng tín dụng, phân loại nợ và trích lập dự phòng.

Kiểm soát chặt chẽ và tích hợpmô hình rủi ro toàn diện

Mặc dù dữ liệu lớn và AI có nhiều tiềm năng, việc ứng dụng các công nghệ này trong lĩnh vực tài chính - ngân hàng vẫn đối mặt với không ít rào cản. Trước hết, hạ tầng và nguồn dữ liệu còn phân tán tại nhiều hệ thống nghiệp vụ khác nhau, thiếu tính đồng bộ và chưa được chuẩn hóa theo một từ điển dữ liệu thống nhất về chỉ tiêu, công thức tính.

Bên cạnh đó, KTNN và các ngân hàng đều đứng trước yêu cầu nâng cao chất lượng nguồn nhân lực, nhất là nhân lực có chuyên môn về công nghệ, phân tích dữ liệu và am hiểu nghiệp vụ tài chính - ngân hàng. Rủi ro bảo mật thông tin, an toàn an ninh mạng cũng gia tăng khi khai thác dữ liệu tập trung, đòi hỏi cơ chế phân quyền, mã hóa, lưu vết truy cập và kiểm soát việc khai thác dữ liệu chặt chẽ. Mặt khác, hành lang pháp lý và thể chế liên quan đến kiểm toán số cần tiếp tục được hoàn thiện, nhất là các quy định về quản lý hồ sơ mô hình, kiểm định thuật toán, trách nhiệm giải trình và cơ chế thử nghiệm có kiểm soát.

Việc áp dụng phân tích dữ liệu tự động nếu thiếu cơ chế kiểm soát phù hợp cũng có thể phát sinh rủi ro. Khi dữ liệu đầu vào thiếu chính xác hoặc thuật toán được thiết kế phức tạp, khó kiểm soát, mô hình có thể đưa ra cảnh báo sai lệch hoặc bỏ sót những rủi ro trọng yếu. Vì vậy, kết quả phân tích của AI cần được xem là căn cứ hỗ trợ, không thể thay thế việc xem xét, đánh giá chuyên môn và trách nhiệm của kiểm toán viên.

Để hệ thống tài chính - ngân hàng hoạt động an toàn, minh bạch, việc kết hợp đầu tư công nghệ, xây dựng chiến lược dữ liệu đồng bộ và hoàn thiện khung pháp lý có ý nghĩa quyết định. Khi được tích hợp, chuẩn hóa và phân tích theo mô hình rủi ro toàn diện, dữ liệu không chỉ giúp xác định nơi tập trung rủi ro, khu vực suy giảm hiệu quả hoạt động mà còn hỗ trợ chuyển hoạt động kiểm toán từ phát hiện sai sót sang chủ động nhận diện, cảnh báo sớm nguy cơ.

Theo ThS. Hoàng Thị Út, để phát triển ứng dụng AI trong phân tích rủi ro lĩnh vực tài chính - ngân hàng, trước hết cần chuẩn hóa dữ liệu thông qua xây dựng từ điển dữ liệu thống nhất về chỉ tiêu, công thức tính, nguồn dữ liệu và đơn vị đo lường. Dữ liệu đầu vào chính xác là điều kiện tiên quyết để AI hoạt động hiệu quả, tránh tình trạng sai lệch bị khuếch đại trong quá trình phân tích.

Mô hình đánh giá rủi ro cần kết hợp các quy tắc nghiệp vụ, chuẩn mực an toàn và kinh nghiệm kiểm toán với khả năng phát hiện bất thường của học máy. Cách tiếp cận này giúp hệ thống vừa bảo đảm tuân thủ quy định, vừa có khả năng thích ứng với những dạng thức rủi ro mới phát sinh trong thực tiễn.

Một yêu cầu quan trọng khác là mỗi kết quả đánh giá rủi ro phải đi kèm lời giải thích rõ ràng về nguyên nhân, các chỉ tiêu tác động chính và sự khác biệt so với những đơn vị tương đồng. Khả năng giải thích là cơ sở để kiểm toán viên kiểm chứng kết quả phân tích, sử dụng kết quả đó trong lập kế hoạch kiểm toán và nâng cao trách nhiệm giải trình.

Bên cạnh đó, kết quả thực tế của các cuộc kiểm toán cần được cập nhật trở lại hệ thống nhằm đánh giá mức độ chính xác của cảnh báo và điều chỉnh trọng số các chỉ tiêu. Cơ chế phản hồi liên tục giúp mô hình AI ngày càng phù hợp hơn với thực tiễn kiểm toán, hạn chế cảnh báo sai và nâng cao khả năng nhận diện những nguy cơ mới.

Mô hình đánh giá rủi ro cần có hồ sơ quản lý, phiên bản, người phê duyệt, kết quả kiểm định và giới hạn sử dụng. Dữ liệu phải được phân quyền, mã hóa, lưu vết truy cập và kiểm soát tải xuống. Đồng thời, kiểm toán viên cần được đào tạo để hiểu cách đọc điểm rủi ro, đặt câu hỏi với mô hình, phát hiện cảnh báo giả và chuyển tín hiệu từ dữ liệu thành các thủ tục kiểm toán phù hợp.

Song song với đó, KTNN cần triển khai ứng dụng AI theo lộ trình phù hợp, mở rộng phạm vi nhưng phải bảo đảm kiểm soát chặt chẽ. Khi dữ liệu, mô hình và quy trình cùng được hoàn thiện, AI sẽ trở thành công cụ quan trọng hỗ trợ chuyển đổi phương thức kiểm toán từ dựa chủ yếu trên chọn mẫu sang kiểm toán dựa trên dữ liệu và cảnh báo sớm rủi ro. Qua đó, KTNN có thể nâng cao chất lượng, hiệu quả kiểm toán, góp phần củng cố kỷ luật, kỷ cương tài chính và bảo đảm an toàn hệ thống tài chính - ngân hàng./.