Giới thiệu dự án

Rủi ro thanh khoản (Liquidity Risk) luôn được ví như "cơn đột quỵ" đối với hệ thống tài chính ngân hàng. Theo số liệu của Tổng cục Thống kê (2023), GDP Việt Nam năm 2023 đạt mức tăng trưởng 5,05%, trong đó ngành tài chính - ngân hàng tăng 6,24% và đóng góp 0,37 điểm phần trăm vào tốc độ tăng tổng giá trị tăng thêm toàn nền kinh tế. Dù dư nợ tín dụng toàn hệ thống tăng trưởng 13,71% so với năm 2022, áp lực từ lạm phát toàn cầu, xung đột địa chính trị và cuộc khủng hoảng năng lượng kéo dài đã làm đứt gãy dòng tiền của nhiều doanh nghiệp, đe dọa trực tiếp đến tính thanh khoản của hệ thống Ngân hàng Thương mại (NHTM).

+-------------------------------------------------------------------------+
|                  BỐI CẢNH KINH TẾ VĨ MÔ & NGÀNH NGÂN HÀNG               |
|                                                                         |
|  [Tăng trưởng GDP 2023: 5.05%]  --->  [Tăng trưởng Tín dụng: 13.71%]    |
|  [Ngành Ngân hàng: +6.24%]      --->  [Đóng góp GDP: 0.37 điểm %]       |
+------------------------------------+------------------------------------+
                                     |
                                     v
+-------------------------------------------------------------------------+
|                     VẤN ĐỀ RỦI RO THANH KHOẢN (FGAP)                    |
|                                                                         |
|  - Rút tiền gửi ồ ạt (Bank run)     - Mất cân xứng kỳ hạn nợ/có         |
|  - Phụ thuộc tài trợ bán buôn (EFD) - Nợ xấu & suy giảm tài sản sơ cấp  |
+-------------------------------------------------------------------------+

Vấn đề cốt lõi (Problem Statement) nằm ở sự mất cân đối kỳ hạn nghiêm trọng: các NHTM huy động nguồn vốn ngắn hạn nhưng sử dụng để tài trợ cho các khoản vay trung và dài hạn. Khi thị trường liên ngân hàng thắt chặt hoặc khách hàng rút tiền đồng loạt, ngân hàng buộc phải bán tháo tài sản sinh lời với mức chiết khấu cao, kích hoạt hiệu ứng domino đổ vỡ thanh khoản lan truyền.

Mục tiêu nghiên cứu của dự án:

  1. Xác định và lượng hóa các nhân tố nội tại (nợ xấu, an toàn vốn, quy mô, khả năng sinh lời, nguồn tài trợ ngoài) và nhân tố vĩ mô tác động đến rủi ro thanh khoản.
  2. Xây dựng mô hình định lượng tối ưu đo lường khe hở tài trợ (Funding Gap - FGAP) trên mẫu 25 NHTM Việt Nam giai đoạn 2013–2023.
  3. Đề xuất hệ thống giải pháp và khuyến nghị chính sách thực chứng cho Ban quản trị ngân hàng (ALCO) và Ngân hàng Nhà nước (NHNN).

Phương pháp tiếp cận giải pháp sử dụng kỹ thuật kinh tế lượng vi mô cho dữ liệu bảng (Panel Data Econometrics), kết hợp kiểm định chuyên sâu nhằm giải quyết triệt để các khuyết tật mô hình cổ điển. Phạm vi nghiên cứu bao quát 25 NHTM cổ phần và quốc doanh niêm yết/công bố thông tin minh bạch tại Việt Nam trong 11 năm liên tục (275 quan sát).


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp đo lường rủi ro thanh khoản truyền thống tại các NHTM Việt Nam bộc lộ nhiều hạn chế khi đối mặt với các cú sốc phi tuyến tính.

Phương pháp đo lường Cơ chế thực hiện Ưu điểm Nhược điểm
Hệ số tỷ lệ tĩnh (L1, L2, L3, L4) Tỷ lệ tài sản thanh khoản / Tổng tài sản; Dư nợ / Tiền gửi Dễ tính toán, trực quan, phù hợp báo cáo nhanh theo quý Bỏ qua yếu tố dòng tiền động và tính bất đối xứng kỳ hạn
Mô hình hồi quy OLS gộp (Pooled OLS) Hồi quy tuyến tính đa biến gộp mẫu Đơn giản, dễ thực hiện với cỡ mẫu vừa Vi phạm giả thiết OLS, gây chệch hệ số do hiện tượng không đồng nhất
Khe hở tài trợ (FGAP) + Mô hình FGLS Đo lường chênh lệch Dư nợ - Tiền gửi; Ước lượng Generalized Least Squares Phản ánh cấu trúc tài trợ gốc, kiểm soát phương sai thay đổi & tự tương quan Yêu cầu tiền xử lý dữ liệu chuẩn hóa và cỡ mẫu cân bằng (Balanced Panel)

Ưu tiên giải pháp theo ma trận MoSCoW:

  • Must-have: Đo lường biến phụ thuộc $FGAP = \frac{\text{Dư nợ tín dụng} - \text{Tiền gửi}}{\text{Tổng tài sản}}$; Xử lý hiện tượng tự tương quan chuỗi và phương sai thay đổi qua FGLS.
  • Should-have: Tích hợp kiểm định đa cộng tuyến qua hệ số phóng đại phương sai (VIF); Phân tầng chỉ số theo chuẩn Basel II/Basel III.
  • Could-have: Tích hợp các thuật toán Machine Learning (Random Forest, XGBoost) đối chứng.
  • Won't-have: Không phân tích chi tiết dữ liệu thời gian thực dạng tick-by-tick do giới hạn báo cáo tài chính kiểm toán năm.

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu định lượng kinh tế lượng tài chính được thiết kế qua quy trình 5 khối chức năng liên kết chặt chẽ:

Technology Stack chuẩn hóa:

  • Kinh tế lượng & Phân tích số liệu: STATA Version 17.0 MP (Multi-Processor), Microsoft Excel 365 ProPlus.
  • Ngôn ngữ hỗ trợ pipeline: Python 3.10.12 (thư viện: pandas 2.1.4, numpy 1.26.2, statsmodels 0.14.1).
  • Nguồn dữ liệu: Báo cáo tài chính hợp nhất kiểm toán độc lập (Big 4 / A&C / VACO) và cơ sở dữ liệu World Bank Open Data API.

Cấu trúc Schema cơ sở dữ liệu bảng (Panel Data Schema):

CREATE TABLE Bank_Liquidity_Panel (
    Bank_ID VARCHAR(10) NOT NULL,
    Year INT NOT NULL,
    FGAP DECIMAL(10, 4) COMMENT 'Khe hở tài trợ = (Loans - Deposits)/Total Assets',
    NPL DECIMAL(8, 4) COMMENT 'Tỷ lệ nợ xấu = Bad Debt / Total Loans',
    CAR DECIMAL(8, 4) COMMENT 'Hệ số an toàn vốn',
    SIZE DECIMAL(10, 4) COMMENT 'Quy mô = Log(Total Assets)',
    ROE DECIMAL(8, 4) COMMENT 'Lợi nhuận ròng trên VCSH',
    LLPL DECIMAL(8, 4) COMMENT 'Dự phòng rủi ro tín dụng / Tổng dư nợ',
    EFD DECIMAL(8, 4) COMMENT 'Nguồn vốn bên ngoài / Tổng nguồn vốn',
    LTA DECIMAL(8, 4) COMMENT 'Dư nợ cho vay / Tổng tài sản',
    NIM DECIMAL(8, 4) COMMENT 'Biên lãi thuần',
    CAP DECIMAL(8, 4) COMMENT 'Vốn chủ sở hữu / Tổng tài sản',
    LRA DECIMAL(8, 4) COMMENT 'Dự trữ thanh khoản sơ cấp / Tổng tài sản',
    LRLA DECIMAL(8, 4) COMMENT 'Dự trữ thanh khoản thứ cấp / Tổng tài sản',
    GDP DECIMAL(6, 4) COMMENT 'Tăng trưởng GDP hàng năm (%)',
    INF DECIMAL(6, 4) COMMENT 'Tỷ lệ lạm phát CPI (%)',
    PRIMARY KEY (Bank_ID, Year)
);

Methodology

Quy trình nghiên cứu khoa học áp dụng chuẩn mực 6 bước thực nghiệm:

  1. Tổng quan lý thuyết: Khung lý thuyết phân bổ tài sản - nợ (ALM) và lý thuyết trung gian tài chính Diamond & Dybvig (1983).
  2. Thu thập & Chuẩn hóa mẫu: Lọc 25/31 NHTM đáp ứng đầy đủ chuỗi dữ liệu 11 năm (2013–2023).
  3. Kiểm định mô hình OLS: Đánh giá phương sai sai số, kiểm tra đa cộng tuyến với $VIF < 10$.
  4. Kiểm định lựa chọn mô hình:
    • Kiểm định $F$-test (chọn giữa Pooled OLS và FEM).
    • Kiểm định Breusch-Pagan Lagrange Multiplier (chọn giữa Pooled OLS và REM).
    • Kiểm định Hausman Specification Test ($H_0$: REM là phù hợp, $H_1$: FEM là phù hợp).
  5. Kiểm định khuyết tật: Modified Wald test cho phương sai thay đổi và Wooldridge test cho tự tương quan bậc 1 trong dữ liệu bảng.
  6. Hồi quy FGLS khắc phục: Sử dụng ma trận trọng số hiệp phương sai ước lượng $\hat{\Omega}$ để tái lập ước lượng không chệch và hiệu quả (BLUE).

Implementation và kết quả

Development process

Phương trình hồi quy tổng quát dạng dữ liệu bảng được thiết lập:

$$FGAP_{i,t} = \beta_0 + \beta_1 CAR_{i,t} + \beta_2 NPL_{i,t} + \beta_3 SIZE_{i,t} + \beta_4 ROE_{i,t} + \beta_5 LLPL_{i,t} + \beta_6 EFD_{i,t} + \beta_7 LTA_{i,t} + \beta_8 NIM_{i,t} + \beta_9 CAP_{i,t} + \beta_{10} LRA_{i,t} + \beta_{11} LRLA_{i,t} + \beta_{12} GDP_t + \beta_{13} INF_t + \varepsilon_{i,t}$$

* ==============================================================================
* STATA DO-FILE: KHẢO SÁT RỦI RO THANH KHOẢN TẠI 25 NHTM VIỆT NAM (2013-2023)
* ==============================================================================

* 1. Khai báo cấu trúc dữ liệu bảng cân đối
xtset bank_id year

* 2. Ước lượng mô hình OLS gộp & Kiểm tra đa cộng tuyến
regress fgap car npl size roe llpl efd lta nim cap lra lrla gdp inf
estat vif

* 3. Ước lượng Mô hình Tác động cố định (FEM) & Tác động ngẫu nhiên (REM)
xtreg fgap car npl size roe llpl efd lta nim cap lra lrla gdp inf, fe
estimates store fixed_model

xtreg fgap car npl size roe llpl efd lta nim cap lra lrla gdp inf, re
estimates store random_model

* 4. Kiểm định Hausman lựa chọn mô hình
hausman fixed_model random_model

* 5. Kiểm định khuyết tật trên mô hình được chọn (FEM)
* Kiểm định phương sai thay đổi (Modified Wald Test)
xttest3

* Kiểm định tự tương quan (Wooldridge Test)
xtserial fgap car npl size roe llpl efd lta nim cap lra lrla gdp inf

* 6. Hồi quy FGLS khắc phục triệt để phương sai thay đổi và tự tương quan
xtgls fgap car npl size roe llpl efd lta nim cap lra lrla gdp inf, panels(hetero) corr(ar1)

Testing và validation

Kết quả thực hiện các kiểm định chẩn đoán kỹ thuật kinh tế lượng xác nhận sự cần thiết của phương pháp FGLS:

  1. Kiểm định đa cộng tuyến (VIF): Giá trị Mean VIF đạt $2.14 < 5.0$, tất cả hệ số VIF của các biến độc lập đều nằm dưới ngưỡng 4.2, loại trừ hoàn toàn nguy cơ đa cộng tuyến nghiêm trọng.
  2. Kiểm định Hausman: Thống kê $\chi^2(13) = 28.45$ với giá trị $p\text{-value} = 0.0078 < 0.05$. Bác bỏ giả thuyết $H_0$, mô hình Tác động cố định (FEM) được ưu tiên hơn mô hình REM.
  3. Kiểm định phương sai sai số thay đổi (Modified Wald Test): $\chi^2(25) = 1842.36$ với $p\text{-value} = 0.0000 < 0.01$. Bác bỏ giả thiết phương sai thuần nhất.
  4. Kiểm định tự tương quan (Wooldridge Test): Thống kê $F(1, 24) = 19.824$ với $p\text{-value} = 0.0002 < 0.05$. Tồn tại hiện tượng tự tương quan bậc 1 AR(1).
+-------------------------------------------------------------------------------+
|                       KẾT QUẢ CÁC KIỂM ĐỊNH CHẨN ĐOÁN MÔ HÌNH                 |
+------------------------------------+---------------------+--------------------+
| Loại kiểm định                     | Giá trị Thống kê    | Kết luận kỹ thuật  |
+------------------------------------+---------------------+--------------------+
| 1. Multicollinearity (Mean VIF)    | VIF = 2.14          | Không có đa cộng   |
|                                    | (Max VIF = 4.18)    | tuyến              |
| 2. Hausman Specification Test      | Chi2 = 28.45        | Lựa chọn mô hình   |
|                                    | (p = 0.0078)        | FEM                |
| 3. Modified Wald Test              | Chi2 = 1842.36      | Có hiện tượng      |
|    (Phương sai sai số thay đổi)    | (p = 0.0000)        | Heteroskedasticity |
| 4. Wooldridge Test                 | F = 19.824          | Có hiện tượng      |
|    (Tự tương quan AR(1))           | (p = 0.0002)        | Autocorrelation    |
| 5. Final Model Selection           | Iterated FGLS       | Ước lượng BLUE     |
+------------------------------------+---------------------+--------------------+

Kết quả đạt được

Ước lượng hồi quy FGLS sau khi khắc phục khuyết tật cho kết quả thống kê có ý nghĩa cao tại mức 1% và 5%:

| Biến số độc lập | Hệ số hồi quy ($\beta$) | Sai số chuẩn (Std. Err.) | Giá trị $z$-statistic | Giá trị $P > |z|$ | Chiều hướng tác động thực tế | | :--- | :--- | :--- | :--- | :--- | :--- | | ROE | $+0.1142$ | $0.0381$ | $3.00$ | $0.003^{}$ | Cùng chiều (Tăng ROE làm tăng FGAP) | | EFD | $+0.4218$ | $0.0654$ | $6.45$ | $0.000^{}$ | Cùng chiều (Phụ thuộc vốn ngoài tăng rủi ro) | | LTA (TLA) | $+0.6891$ | $0.0412$ | $16.73$ | $0.000^{}$ | Cùng chiều (Tăng tỷ trọng cho vay nới rộng khe hở) | | CAP | $+0.3125$ | $0.0984$ | $3.18$ | $0.001^{}$ | Cùng chiều (Vốn chủ sở hữu lớn kích thích đòn bẩy) | | LRA | $-0.5420$ | $0.0872$ | $-6.22$ | $0.000^{***}$ | Ngược chiều (Tăng dự trữ sơ cấp giảm mạnh FGAP) | | _cons | $-0.2415$ | $0.0811$ | $-2.98$ | $0.003$ | Hệ số chặn |

Ghi chú: $^{}$, $^{}$ biểu thị ý nghĩa thống kê tương ứng ở mức 1% và 5%.*


Đổi mới và đóng góp

Nghiên cứu mang lại 4 giá trị đổi mới khoa học và thực tiễn:

  1. Cập nhật chuỗi dữ liệu 11 năm bao gồm biến cố Covid-19 và bất ổn kinh tế 2022–2023: Khắc phục khoảng trống thời gian của các nghiên cứu trước (vốn dừng lại ở giai đoạn 2017–2020).
  2. Khắc phục triệt để khuyết tật dữ liệu bảng: So với các mô hình Pooled OLS hoặc FEM thông thường dễ bị sai lệch sai số chuẩn (Standard Errors), việc ứng dụng FGLS giúp hệ số đạt tính chất vững (Consistent) và tiệm cận hiệu quả (Asymptotically Efficient).
  3. Lượng hóa mức độ triệt tiêu rủi ro của tài sản sơ cấp ($LRA$): Chứng minh thực nghiệm rằng mỗi 1% gia tăng trong tỷ lệ tài sản thanh khoản sơ cấp giúp giảm $0.542%$ khe hở rủi ro thanh khoản.
  4. Đối chiếu đa chiều với các công bố khoa học trong nước và quốc tế:
+-------------------------------------------------------------------------------+
|                      SO SÁNH KẾT QUẢ VỚI CÁC NGHIÊN CỨU TIỀN NHIỆM            |
+--------------------------+-----------------------+----------------------------+
| Công trình nghiên cứu    | Phương pháp & Cỡ mẫu  | Điểm khác biệt & Kết quả   |
+--------------------------+-----------------------+----------------------------+
| Đặng Văn Dân (2015)      | Pooled OLS/FEM/REM    | LTA nghịch chiều với FGAP; |
|                          | 15 NHTM (2007-2014)   | Chưa xử lý triệt để AR(1)  |
+--------------------------+-----------------------+----------------------------+
| Chen et al. (2018)       | 2SLS, FEM             | Xác nhận tác động của EFD; |
|                          | 12 nước phát triển    | Không đặc thù cho VN       |
+--------------------------+-----------------------+----------------------------+
| Lê Thái Triệu Luân       | FGLS                  | ROE nghịch chiều với FGAP; |
| (2022)                   | 17 NHTM (2010-2017)   | Mẫu nhỏ, dữ liệu cũ        |
+--------------------------+-----------------------+----------------------------+
| Khóa luận này            | Balanced Panel FGLS   | Chứng minh ROE, EFD, LTA,  |
| (Huỳnh Trúc Giang, 2024) | 25 NHTM (2013-2023)   | CAP cùng chiều; LRA ngược  |
|                          | 275 quan sát          | chiều với FGAP rõ rệt      |
+--------------------------+-----------------------+----------------------------+

Ứng dụng thực tế và triển khai

Hệ thống kết quả nghiên cứu định lượng được cấu hình thành hệ thống cảnh báo sớm rủi ro thanh khoản (Early Warning System - EWS) cho khối Quản lý Tài sản Nợ - Có (ALM) tại các ngân hàng thương mại:

[Báo cáo Tài chính / Dữ liệu Core Banking]
[Bộ chuẩn hóa chỉ số: LTA, EFD, LRA, ROE, CAP]
    [FGAP > Ngưỡng rủi ro]      [FGAP <= Ngưỡng an toàn]
[Kích hoạt phương án bổ sung   [Duy trì chiến lược kinh
 vốn / Tăng dự trữ LRA]         doanh sinh lời tối ưu]
  • Kịch bản ứng phó 1 (Thắt chặt dòng vốn): Khi tỷ lệ $EFD$ vượt ngưỡng $25%$, hệ thống tự động cảnh báo giảm phụ thuộc vào thị trường liên ngân hàng và đẩy mạnh huy động bán lẻ có kỳ hạn.
  • Kịch bản ứng phó 2 (Mở rộng tín dụng nóng): Khi $LTA$ tiệm cận $75%$, ALCO phải trích lập tăng dự trữ tài sản thanh khoản sơ cấp $LRA \ge 12%$ nhằm cân bằng khe hở tài trợ dự báo.

Hạn chế và hướng phát triển

  • Hạn chế về tần suất dữ liệu: Dữ liệu nghiên cứu sử dụng báo cáo tài chính hàng năm đã kiểm toán. Tần suất này chưa phản ánh được các biến động thanh khoản ngắn hạn dạng ngày hoặc tuần.
  • Giới hạn số lượng NHTM: Mẫu nghiên cứu gồm 25 NHTM, loại trừ các ngân hàng không công bố đầy đủ dữ liệu liên tục 11 năm.
  • Hướng phát triển đề xuất:
    1. Mở rộng ứng dụng mô hình GMM sai phân (Difference GMM) và GMM hệ thống (System GMM) để kiểm soát biến trễ nội sinh của rủi ro thanh khoản ($FGAP_{t-1}$).
    2. Ứng dụng dữ liệu tần suất cao (High-frequency data theo quý/tháng) kết hợp thuật toán học máy giải thích được (Explainable AI - SHAP values) để dự báo sức căng thanh khoản (Liquidity Stress Testing).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Nắm vững phương pháp luận nghiên cứu dữ liệu bảng, quy trình thực hiện các kiểm định khuyết tật mô hình (Hausman, Wooldridge, Modified Wald) và cú pháp STATA 17 chuyên sâu.
  • Chuyên viên Quản trị rủi ro & Phân tích định lượng (Quant / Risk Analysts): Tiếp cận bộ công thức ước lượng trọng số hồi quy FGLS để cấu trúc chỉ số cảnh báo cho hệ thống ALM nội bộ.
  • Hội đồng Quản trị & Ban Điều hành NHTM: Có căn cứ thực chứng để tái cơ cấu tỷ trọng danh mục cho vay ($LTA$), giảm thiểu tỷ trọng vốn bán buôn rủi ro ($EFD$) và thiết lập bộ đệm thanh khoản sơ cấp ($LRA$).
  • Cơ quan quản lý (Ngân hàng Nhà nước Việt Nam): Cung cấp cơ sở thực tiễn để tinh chỉnh các ngưỡng an toàn thanh khoản (tỷ lệ LDR, tỷ lệ vốn ngắn hạn cho vay trung dài hạn) phù hợp với chu kỳ kinh tế vĩ mô.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần mềm để tái lập mô hình nghiên cứu này là gì?

Hệ thống yêu cầu cài đặt phần mềm STATA phiên bản 15.0 trở lên (khuyến nghị STATA 17 MP) hoặc môi trường Python 3.10+ với gói linearmodelsstatsmodels. Cấu hình phần cứng tối thiểu: CPU Dual Core 2.0 GHz, 4GB RAM.

2. Tại sao nghiên cứu không dùng mô hình OLS gộp thông thường?

Mô hình Pooled OLS giả định rằng các ngân hàng có đặc tính đồng nhất và sai số không có tự tương quan. Trên dữ liệu bảng ngân hàng, hiện tượng phương sai thay đổi giữa các thực thể và tự tương quan chuỗi thời gian xảy ra phổ biến, khiến kết quả OLS bị chệch và các suy diễn thống kê ($t$-test, $F$-test) không còn giá trị tin cậy.

3. FGLS giải quyết vấn đề phương sai sai số thay đổi và tự tương quan như thế nào?

FGLS sử dụng phương pháp ước lượng 2 bước: Bước đầu tiên trích xuất phần dư từ mô hình gốc để ước lượng cấu trúc ma trận hiệp phương sai sai số $\hat{\Omega}$. Bước thứ hai thực hiện biến đổi dữ liệu thông qua ma trận $\hat{\Omega}^{-1/2}$, chuyển phương trình về dạng thỏa mãn hoàn toàn các giả thiết Gauss-Markov.

4. Khe hở tài trợ (FGAP) dương hay âm thì tốt hơn cho ngân hàng?

Trạng thái cân bằng tối ưu là $FGAP \approx 0$. Khi $FGAP > 0$, dư nợ cho vay lớn hơn tiền gửi huy động, ngân hàng chịu rủi ro thâm hụt thanh khoản và phải vay ngoài bù đắp. Khi $FGAP < 0$, ngân hàng thừa thanh khoản nhưng chịu chi phí cơ hội do sử dụng vốn kém hiệu quả.

5. Chi phí và thời gian triển khai mô hình cảnh báo thanh khoản này trong thực tế?

Việc tích hợp mô hình định lượng FGLS vào Data Warehouse của ngân hàng thương mại mất khoảng 4–6 tuần triển khai kỹ thuật với chi phí phát triển thấp do tận dụng toàn bộ hạ tầng cơ sở dữ liệu hiện hữu.


Kết luận

Công trình nghiên cứu "Các nhân tố tác động đến rủi ro thanh khoản của các Ngân hàng thương mại Việt Nam" do tác giả Huỳnh Trúc Giang thực hiện đã hoàn thành xuất sắc việc lượng hóa các động lực chi phối thanh khoản thông qua chuỗi dữ liệu bảng 25 NHTM giai đoạn 2013–2023. Bằng việc áp dụng phương pháp hồi quy FGLS chuẩn mực, đề tài đã chỉ rõ vai trò trọng yếu của các biến nội tại: tỷ suất sinh lời ($ROE$), sự phụ thuộc nguồn tài trợ bên ngoài ($EFD$), dư nợ cho vay ($LTA$), tỷ lệ vốn chủ sở hữu ($CAP$) làm gia tăng khe hở tài trợ, trong khi dự trữ thanh khoản sơ cấp ($LRA$) là lá chắn đắc lực nhất giúp giảm thiểu rủi ro. Kết quả này là tài liệu tham khảo có giá trị học thuật và thực tiễn cao cho công tác quản trị an toàn vốn trong kỷ nguyên số.