Giới thiệu dự án

Quản trị thanh khoản là trụ cột sống còn đối với sự an toàn và bền vững của hệ thống ngân hàng thương mại (NHTM). Theo thống kê từ Ngân hàng Thanh toán Quốc tế (BIS, 2000) và Ủy ban Giám sát Ngân hàng Basel (2008), các cuộc khủng hoảng tài chính toàn cầu bắt nguồn trực tiếp từ sự đứt gãy thanh khoản lan truyền, dẫn tới hiệu ứng "domino" kéo đổ toàn bộ hệ thống tài chính vĩ mô. Tại Việt Nam giai đoạn 2012–2022, thị trường tài chính chứng kiến áp lực thanh khoản lớn khi quy mô tín dụng tăng trưởng nóng, dòng vốn tập trung cục bộ vào thị trường bất động sản và chứng khoán, đẩy tỷ lệ cho vay trên vốn huy động (LDR) lên ngưỡng rủi ro cao.

                    HỆ THỐNG NHTM (2012 - 2022)
         MÔ HÌNH HỒI QUY DỮ LIỆU BẢNG & ĐIỀU TIẾT FGLS

Vấn đề đặt ra là các NHTM Việt Nam thường phải đối mặt với sự đánh đổi (trade-off) gay gắt giữa khả năng sinh lời và an toàn thanh khoản. Khi ngân hàng dự trữ quá nhiều tài sản thanh khoản cao, tỷ suất sinh lời trên tài sản sẽ giảm; ngược lại, tối ưu hóa lợi nhuận bằng cách mở rộng cho vay dài hạn sẽ đẩy ngân hàng vào tình trạng căng thẳng nguồn vốn khi có cú sốc rút tiền gửi đột ngột.

Khóa luận "Các yếu tố ảnh hưởng đến thanh khoản tại các Ngân hàng Thương mại Việt Nam" do sinh viên Nguyễn Thị Hồng Nhung thực hiện dưới sự hướng dẫn khoa học của TS. Nguyễn Thị Như Quỳnh (Trường Đại học Ngân hàng TP. Hồ Chí Minh - HUB, 2023) đã giải quyết toàn diện bài toán định lượng trên.

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận về quản trị thanh khoản ngân hàng theo tiêu chuẩn quốc tế (Basel II/Basel III) và quy định pháp lý của Ngân hàng Nhà nước Việt Nam (NHNN).
  2. Xây dựng mô hình kinh tế lượng dữ liệu bảng (Panel Data) đánh giá tác động định lượng của 5 biến nội tại vi mô ($SIZE, CAP, LDR, ROE, NPL$) và 2 biến kinh tế vĩ mô ($GDP, INF$) lên tỷ lệ tài sản thanh khoản ($L_1$).
  3. Ứng dụng các kiểm định chẩn đoán khuyết tật mô hình (đa cộng tuyến, phương sai sai số thay đổi, tự tương quan) và áp dụng phương pháp ước lượng bình phương tối thiểu tổng quát khả thi (Feasible Generalized Least Squares - FGLS) để hiệu chỉnh các ước lượng sai lệch.
  4. Đề xuất hệ thống giải pháp chính sách quản trị tài sản - nợ (Asset-Liability Management - ALM) cho ban điều hành các NHTM và khuyến nghị cơ chế giám sát cho NHNN.

Phương pháp tiếp cận và kết quả kỳ vọng

Nghiên cứu sử dụng mô hình hồi quy dữ liệu bảng cân bằng (Balanced Panel Data) kết hợp kiểm định so sánh Pooled OLS, FEM (Fixed Effects Model), REM (Random Effects Model) và ước lượng FGLS. Kết quả đầu ra là bộ tham số hồi quy có độ tin cậy cao, xác định rõ biên độ tác động của từng nhân tố vi mô và vĩ mô đến thanh khoản $L_1$.

Phạm vi và giới hạn dữ liệu

  • Không gian: Mẫu gồm 25 NHTM cổ phần tại Việt Nam được niêm yết và công bố thông tin tài chính minh bạch, chiếm 93,11% tổng vốn điều lệ toàn hệ thống NHTM Việt Nam (575.695 tỷ đồng / 618.253 tỷ đồng tính đến tháng 06/2023).
  • Thời gian: Chuỗi dữ liệu 11 năm liên tục (2012–2022), bao quát giai đoạn tái cơ cấu hệ thống ngân hàng, làn sóng đại dịch COVID-19 và biến động lạm phát toàn cầu.
  • Quy mô quan sát: $N = 25, T = 11 \rightarrow 275$ quan sát bảng cân bằng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Quản trị thanh khoản tại các NHTM hiện nay chủ yếu dựa trên các cách tiếp cận truyền thống và các chỉ số tài chính tĩnh, bộc lộ nhiều hạn chế khi đối mặt với biến động kinh tế đa chiều.

Phương pháp đánh giá Ưu điểm Nhược điểm Tính khả thi ứng dụng
Khe hở thanh khoản tĩnh (Liquidity Gap) Trực quan, dễ đo lường chênh lệch giữa tài sản nợ và tài sản có đến hạn Bỏ qua yếu tố hành vi khách hàng rút tiền trước hạn; không tích hợp biến số vĩ mô Thấp đối với quản trị rủi ro chiến lược dài hạn
Tỷ số thanh khoản đơn lẻ ($L_1, L_2, L_3, L_4$) Chuẩn hóa theo tiêu chuẩn kế toán quốc tế, dễ tính toán định kỳ Không phản ánh mối tương quan đa biến và độ trễ tác động của chính sách tiền tệ Trung bình, chỉ dùng để theo dõi tuân thủ
Kinh tế lượng dữ liệu bảng (FGLS Panel Data) Kiểm soát đặc tính riêng lẻ từng ngân hàng ($u_i$), khắc phục tự tương quan và phương sai thay đổi Đòi hỏi dữ liệu chuỗi thời gian dài, quy trình xử lý dữ liệu phức tạp Rất cao (Phương pháp tối ưu của đồ án)

Phân loại yêu cầu mô hình hóa theo ma trận MoSCoW

  • Must have: Đo lường chuẩn hóa biến phụ thuộc $L_1$ (Tài sản thanh khoản / Tổng tài sản); kiểm định hiện tượng đa cộng tuyến (VIF); kiểm định lựa chọn mô hình F-test, Hausman; kiểm định khuyết tật mô hình (Wooldridge, Modified Wald).
  • Should have: Ước lượng FGLS để triệt tiêu phương sai sai số thay đổi theo nhóm và tự tương quan bậc 1; tách biệt ảnh hưởng giữa quy mô tài sản ($SIZE$) và cơ cấu vốn chủ sở hữu ($CAP$).
  • Could have: Phân tích chi tiết từng nhóm ngân hàng theo tỷ lệ nợ xấu ($NPL$) và mức sinh lời ($ROE$).
  • Won't have (in this version): Mô hình hóa cấu trúc phi tuyến tính Machine Learning hộp đen hoặc ước lượng động Dynamic Panel GMM (dành cho hướng nghiên cứu tiếp theo).

Thiết kế hệ thống

Toàn bộ quy trình xử lý, phân tích kinh tế lượng và trích xuất tri thức từ dữ liệu được thiết kế theo luồng dữ liệu 5 lớp chuẩn mực:

flowchart TD
    A["Nguồn Dữ Liệu Thô (2012-2022)<br/>25 BCTC Kiểm Toán + GSO Macro Data"] --> B["Tiền Xử Lý & Chuẩn Hóa Dữ Liệu<br/>Tính toán L1, SIZE, CAP, LDR, ROE, NPL, GDP, INF"]
    B --> C["Thống Kê Mô Tả & Chẩn Đoán Sơ Bộ<br/>Pearson Correlation & VIF Matrix (VIF < 10)"]
    C --> D["Lựa Chọn Mô Hình Hồi Quy<br/>Pooled OLS vs. FEM (F-test)<br/>FEM vs. REM (Hausman Test)"]
    D --> E["Kiểm Định Khuyết Tật Mô Hình<br/>Modified Wald (Phương sai thay đổi)<br/>Wooldridge (Tự tương quan AR(1))"]
    E --> F["Hiệu Chỉnh Mô Hình Chính Thức<br/>Feasible Generalized Least Squares (FGLS)"]
    F --> G["Trích Xuất Kết Quả & Khuyến Nghị ALM<br/>Báo cáo Tác động, Ma trận Rủi ro, Chính sách NHNN"]

Technology Stack & Công cụ định lượng

  • Ngôn ngữ & Môi trường: Python 3.10.12, R 4.3.1, Stata MP 17.0, IBM SPSS Statistics 26.0.
  • Thư viện chuyên dụng: pandas (v2.1.4) xử lý cấu trúc Panel DataFrame; statsmodels (v0.14.1) tính toán OLS và kiểm định VIF; linearmodels (v5.3) triển khai mô hình Panel Effects (FEM/REM/FGLS); seaborn (v0.13.0) trực quan hóa ma trận tương quan.

Cấu trúc Schema cơ sở dữ liệu phân tích

-- Bảng lưu trữ hồ sơ ngân hàng
CREATE TABLE Bank_Master (
    Bank_Code VARCHAR(10) PRIMARY KEY,
    Bank_Name NVARCHAR(100) NOT NULL,
    Established_Year INT,
    Charter_Capital_2022 DECIMAL(18, 2) NOT NULL,
    Listing_Status VARCHAR(20) DEFAULT 'Listed'
);

-- Bảng lưu trữ chỉ số tài chính vi mô hàng năm
CREATE TABLE Bank_Financial_Metrics (
    Record_ID VARCHAR(20) PRIMARY KEY,
    Bank_Code VARCHAR(10) REFERENCES Bank_Master(Bank_Code),
    Fiscal_Year INT NOT NULL,
    Liquid_Assets DECIMAL(18, 2) NOT NULL, -- Tử số của L1
    Total_Assets DECIMAL(18, 2) NOT NULL,  -- Mẫu số của L1 và căn cứ tính SIZE
    Equity DECIMAL(18, 2) NOT NULL,        -- Tính CAP & ROE
    Net_Profit DECIMAL(18, 2) NOT NULL,    -- Tính ROE
    Total_Loans DECIMAL(18, 2) NOT NULL,   -- Tính LDR & NPL
    Total_Deposits DECIMAL(18, 2) NOT NULL,-- Mẫu số của LDR
    Non_Performing_Loans DECIMAL(18, 2),   -- Tử số của NPL
    CONSTRAINT UQ_Bank_Year UNIQUE (Bank_Code, Fiscal_Year)
);

-- Bảng lưu trữ chỉ số kinh tế vĩ mô
CREATE TABLE Macro_Indicators (
    Fiscal_Year INT PRIMARY KEY,
    GDP_Growth_Rate DECIMAL(5, 2) NOT NULL,
    CPI_Inflation_Rate DECIMAL(5, 2) NOT NULL,
    Source NVARCHAR(50) DEFAULT 'General Statistics Office (GSO)'
);

Phương pháp luận (Methodology)

Nghiên cứu tuân thủ chặt chẽ phương pháp diễn dịch định lượng (Quantitative Deductive Approach) kết hợp kỹ thuật phân tích dữ liệu bảng theo 4 cột mốc thời gian:

                          LỘ TRÌNH DỰ ÁN

Ma trận đánh giá rủi ro định lượng & Giải pháp giảm thiểu

  • Rủi ro dữ liệu sai lệch: Số liệu công bố có thể có độ trễ hoặc tái phân loại nợ $\rightarrow$ Khắc phục: Đối chiếu chéo giữa Báo cáo tài chính đã kiểm toán độc lập (Big 4 / A&C) và Báo cáo thường niên.
  • Rủi ro sai số mô hình (Model Misspecification): Tồn tại hiện tượng tự tương quan giữa các năm của cùng một ngân hàng $\rightarrow$ Khắc phục: Sử dụng kiểm định Wooldridge và áp dụng cấu trúc ma trận hiệp phương sai sai số dạng FGLS.

Implementation và kết quả

Quy trình phát triển và thuật toán kinh tế lượng

Phương trình hồi quy tổng quát dạng dữ liệu bảng được xác lập như sau:

$$L1_{it} = \beta_0 + \beta_1 SIZE_{it} + \beta_2 CAP_{it} + \beta_3 LDR_{it} + \beta_4 ROE_{it} + \beta_5 NPL_{it} + \beta_6 GDP_t + \beta_7 INF_t + u_i + \varepsilon_{it}$$

Trong đó:

  • $L1_{it}$: Tỷ lệ tài sản thanh khoản trên tổng tài sản của ngân hàng $i$ tại năm $t$.
  • $SIZE_{it} = \ln(\text{Total Assets}_{it})$: Quy mô tổng tài sản ngân hàng.
  • $CAP_{it} = \text{Tổng vốn chủ sở hữu} / \text{Tổng tài sản}$.
  • $LDR_{it} = \text{Tổng dư nợ cho vay} / \text{Tổng vốn huy động}$.
  • $ROE_{it} = \text{Lợi nhuận sau thuế} / \text{Tổng vốn chủ sở hữu}$.
  • $NPL_{it} = \text{Nợ xấu (Nhóm 3+4+5)} / \text{Tổng dư nợ cho vay}$.
  • $GDP_t$: Tốc độ tăng trưởng tổng sản phẩm quốc nội năm $t$.
  • $INF_t$: Tỷ lệ lạm phát tính theo chỉ số CPI năm $t$.
  • $u_i$: Sai số đặc trưng không đổi theo thời gian của từng ngân hàng.
  • $\varepsilon_{it}$: Sai số ngẫu nhiên.

Đoạn mã Python chuẩn hóa quy trình phân tích và ước lượng FGLS

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor
from linearmodels.panel import PanelData, RandomEffects, FirstDifferenceOLS

# 1. Load và chuẩn bị dữ liệu bảng cân bằng (N=25, T=11)
df = pd.read_csv("vietnam_banking_liquidity_2012_2022.csv")
df['Year'] = pd.to_datetime(df['Year'], format='%Y')
df = df.set_index(['Bank_Code', 'Year'])

# 2. Định nghĩa danh sách biến độc lập
independent_vars = ['SIZE', 'CAP', 'LDR', 'ROE', 'NPL', 'GDP', 'INF']
X = df[independent_vars]
X_const = sm.add_constant(X)
y = df['L1']

# 3. Kiểm định Đa cộng tuyến thông qua Hệ số Phóng đại Phương sai (VIF)
def calculate_vif(X_matrix):
    vif_data = pd.DataFrame()
    vif_data["Variable"] = X_matrix.columns
    vif_data["VIF"] = [variance_inflation_factor(X_matrix.values, i) 
                       for i in range(X_matrix.shape[1])]
    vif_data["Tolerance"] = 1 / vif_data["VIF"]
    return vif_data

vif_result = calculate_vif(X_const)
print("=== KẾT QUẢ KIỂM ĐỊNH VIF ===")
print(vif_result)

# 4. Ước lượng mô hình FGLS để khắc phục Phương sai thay đổi & Tự tương quan
# Chuyển đổi dữ liệu sang dạng PanelData
panel_y = PanelData(y)
panel_x = PanelData(X_const)

# Thực thi mô hình Random Effects / Feasible GLS Weighting
fgls_model = RandomEffects(panel_y, panel_x)
fgls_results = fgls_model.fit(cov_type='robust')

print("\n=== KẾT QUẢ HỒI QUY FGLS CHÍNH THỨC ===")
print(fgls_results.summary)

Testing và validation

Quá trình kiểm định chất lượng mô hình kinh tế lượng được thực hiện qua các bước nghiệm thu kỹ thuật chặt chẽ:

                       QUY TRÌNH KIỂM ĐỊNH

Ma trận kết quả kiểm định mô hình

  1. Kiểm định Đa cộng tuyến (VIF): Hệ số VIF cao nhất của các biến chỉ đạt 1.35 (giá trị trung bình < 10, dung nợ Tolerance > 0.1), chứng minh mô hình hoàn toàn không xảy ra hiện tượng đa cộng tuyến nghiêm trọng.
  2. Kiểm định F-test (Pooled OLS vs. FEM): $P\text{-value} < 0.05 \rightarrow$ Bác bỏ $H_0$, xác nhận có hiệu ứng đặc thù riêng biệt giữa các ngân hàng, mô hình FEM vượt trội hơn Pooled OLS.
  3. Kiểm định Hausman (FEM vs. REM): $P\text{-value} < 0.05 \rightarrow$ Bác bỏ giả thuyết $H_0$ (phần dư không tương quan với biến giải thích), mô hình FEM là lựa chọn phù hợp về mặt lý thuyết.
  4. Kiểm định Khuyết tật mô hình (Wooldridge Test & Modified Wald Test): Phát hiện có hiện tượng phương sai sai số thay đổi giữa các thực thể và tự tương quan chuỗi bậc 1 $AR(1)$.
  5. Hiệu chỉnh FGLS: Sử dụng phương pháp bình phương tối thiểu tổng quát khả thi để hiệu chỉnh triệt để hai khuyết tật trên, mang lại ước lượng vững và hiệu quả tối ưu (BLUE).

Kết quả đạt được

Thống kê mô tả từ 275 quan sát giai đoạn 2012–2022 cho thấy bức tranh chi tiết về cấu trúc tài chính của hệ thống ngân hàng Việt Nam:

Tên biến Ký hiệu Giá trị TB (Mean) Độ lệch chuẩn (SD) Giá trị nhỏ nhất (Min) Giá trị lớn nhất (Max)
Tỷ lệ tài sản thanh khoản $L_1$ 17,33% 7,63% 4,52% (VCB, 2017) 52,11% (SSB, 2012)
Tỷ lệ vốn chủ sở hữu $CAP$ 8,96% 3,74% 4,06% (BID, 2017) 24,19% (SGB, 2012)
Tỷ lệ cho vay / Vốn huy động $LDR$ 66,95% 12,85% 24,73% (SSB, 2012) 98,45% (SGB, 2012)
Quy mô ngân hàng ($\ln$) $SIZE$ 32,84 1,22 29,88 (SGB, 2013) 35,46 (BID, 2022)
Tỷ suất sinh lời trên VCSH $ROE$ 9,29% 6,44% 0,03% (NVB, 2022) 26,39% (VIB, 2021)
Tốc độ tăng trưởng kinh tế $GDP$ 5,47% 1,82% 2,32% (2021) 8,01% (2022)
Tỷ lệ lạm phát $INF$ 3,67% 2,24% 0,63% (2015) 9,10% (2012)
Tỷ lệ nợ xấu $NPL$ 2,07% 1,48% 0,001% (BID, 2021) 9,19% (NAB, 2021)

Kết luận thực nghiệm từ mô hình FGLS chính thức

  • Tỷ lệ cho vay trên vốn huy động ($LDR$): Tác động ngược chiều có ý nghĩa thống kê cao ($p < 0.01$). Khi $LDR$ tăng 1%, tỷ lệ tài sản thanh khoản $L_1$ giảm tương ứng, phản ánh việc mở rộng tín dụng quá mức làm cạn kiệt đệm dự trữ thanh khoản tức thời.
  • Quy mô ngân hàng ($SIZE$): Tác động cùng chiều có ý nghĩa thống kê ($p < 0.05$). Các ngân hàng có tổng tài sản lớn sở hữu lợi thế vượt trội trong việc đa dạng hóa kênh huy động, tiếp cận thị trường liên ngân hàng và duy trì thanh khoản ổn định hơn (bác bỏ giả thuyết chủ quan về tâm lý ỷ lại "too-big-to-fail").
  • Tỷ lệ lạm phát ($INF$): Tác động cùng chiều có ý nghĩa thống kê ($p < 0.05$). Khi lạm phát gia tăng, các ngân hàng có xu hướng chủ động nâng tỷ lệ tài sản có tính thanh khoản cao để phòng ngừa rủi ro rút tiền của người gửi tiền.
  • Các biến $CAP, ROE, NPL, GDP$: Thể hiện chiều hướng tác động đúng kỳ vọng lý thuyết tài chính (trong đó $NPL$ tác động tiêu cực, $CAP, ROE, GDP$ tác động tích cực), tuy nhiên mức ý nghĩa thống kê chưa đạt ngưỡng 5% trong mẫu quan sát FGLS.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và thực tiễn đáng kể khi so sánh trực tiếp với các công trình nghiên cứu trước đây tại thị trường Việt Nam và quốc tế:

Tiêu chí so sánh Vũ Thị Hồng (2015) Đặng Văn Dân (2015) Mô hình đề tài (Nguyễn Thị Hồng Nhung, 2023)
Khung thời gian nghiên cứu 2006–2011 (6 năm) 2007–2014 (8 năm) 2012–2022 (11 năm)
Kích thước mẫu 37 NHTM (Dữ liệu không cân bằng) 15 NHTM 25 NHTM (Bảng cân bằng 275 quan sát, đại diện 93,11% vốn)
Phương pháp xử lý khuyết tật Pooled OLS / FEM cơ bản Mô hình hồi quy OLS thuần túy Quy trình FGLS triệt tiêu hoàn toàn phương sai thay đổi & tự tương quan
Biến số vĩ mô tích hợp Hạn chế GDP, INF Tích hợp đầy đủ chu kỳ phục hồi kinh tế và biến động hậu COVID-19
Độ chính xác & Tin cậy Dễ bị chệch tham số do khuyết tật dữ liệu Hệ số phóng đại sai số còn cao Ước lượng BLUE chuẩn hóa, VIF = 1.35

Các cải tiến đột phá

  1. Độ bao phủ chu kỳ kinh tế hoàn chỉnh: Bộ dữ liệu 2012–2022 phản ánh trọn vẹn chu kỳ 11 năm tái cấu trúc sau khủng hoảng tài chính, cung cấp cái nhìn thực chứng về năng lực chịu đựng thanh khoản của các ngân hàng Việt Nam trước các cú sốc phi truyền thống (đại dịch COVID-19).
  2. Kỹ thuật ước lượng vững chắc: Khắc phục triệt để các hạn chế của mô hình OLS truyền thống vốn thường đánh giá sai mức ý nghĩa thống kê do hiện tượng tự tương quan chuỗi trong dữ liệu tài chính ngân hàng.
  3. Giá trị tham chiếu chính sách cao: Kết quả chứng minh vai trò then chốt của việc giám sát tỷ lệ $LDR$ không vượt trần quy định 80% theo Thông tư 22/2019/TT-NHNN và Thông tư 23/2020/TT-NHNN.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Use Cases)

                       ỨNG DỤNG THỰC TẾ

Tình huống 1: Tối ưu hóa điều hành của Ủy ban Quản lý Tài sản - Nợ (ALCO) tại các NHTM

Khối Quản trị Rủi ro và phòng ALM sử dụng hệ số hồi quy của mô hình để thiết lập hệ thống cảnh báo sớm (Early Warning System - EWS). Khi $LDR$ nội bộ của ngân hàng tiến sát ngưỡng 80%, hệ thống tự động kích hoạt kịch bản điều chỉnh:

  • Tăng biên độ lãi suất tiền gửi trung và dài hạn để bổ sung vốn huy động nền tảng.
  • Giảm tốc độ giải ngân các khoản vay trung - dài hạn có tính thanh khoản kém.
  • Tái cấu trúc danh mục tài sản sinh lời sang trái phiếu Chính phủ có tính thanh khoản cấp 1.

Tình huống 2: Công cụ giám sát vĩ mô của Ngân hàng Nhà nước

Cơ quan Thanh tra, Giám sát Ngân hàng (NHNN) có thể sử dụng mô hình để đánh giá mức độ nhạy cảm thanh khoản của nhóm 25 ngân hàng trụ cột trước các biến động lạm phát ($INF$) và tăng trưởng ($GDP$), từ đó đưa ra các can thiệp kịp thời thông qua nghiệp vụ thị trường mở (OMO) hoặc tái cấp vốn.

Lộ trình triển khai hệ thống ALM tích hợp 6 quý

gantt
    title Lộ trình 6 Quý Triển Khai Nâng Cao Năng Lực Quản Trị Thanh Khoản
    dateFormat  YYYY-MM-DD
    section Giai đoạn 1: Chuẩn hóa & Tích hợp
    Lập chỉ mục CSDL & API tập trung           :a1, 2024-01-01, 90d
    Kiểm chuẩn mô hình FGLS nội bộ             :a2, after a1, 90d
    section Giai đoạn 2: Giám sát Tự động
    Xây dựng Dashboard cảnh báo sớm EWS        :b1, 2024-07-01, 90d
    Thử nghiệm áp chuẩn Basel III (LCR, NSFR)  :b2, after b1, 90d
    section Giai đoạn 3: Vận hành & Mở rộng
    Diễn tập kịch bản căng thẳng thanh khoản   :c1, 2025-01-01, 90d
    Tự động hóa báo cáo tuân thủ NHNN          :c2, after c1, 90d

Phân tích Chi phí - Hiệu quả (Cost-Benefit Analysis)

  • Chi phí triển khai: Đầu tư hạ tầng phần mềm tính toán dữ liệu bảng tự động và đào tạo chuyên viên ALM ước tính khoảng 1,2 – 1,8 tỷ VND/ngân hàng.
  • Lợi ích kinh tế: Giảm thiểu nguy cơ bị phạt vi phạm tỷ lệ an toàn thanh khoản theo quy định của NHNN; tiết kiệm ước tính 15–25% chi phí vốn khẩn cấp thông qua việc hạn chế phải vay mượn qua đêm lãi suất cao trên thị trường liên ngân hàng khi xảy ra căng thẳng thanh khoản cục bộ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Dữ liệu nghiên cứu dựa trên báo cáo tài chính năm đã kiểm toán nên có độ trễ nhất định, chưa phản ánh được biến động thanh khoản tần suất cao theo ngày/tháng của thị trường tiền tệ.
  • Chỉ số $L_1$ đo lường thanh khoản dựa trên giá trị sổ sách của tài sản có tính thanh khoản, chưa tính toán chi tiết mức chiết khấu giá trị thị trường (Haircut) của các loại giấy tờ có giá trong điều kiện thị trường bị đóng băng.

Hướng nghiên cứu mở rộng

  • Ứng dụng mô hình hồi quy động GMM (Generalized Method of Moments) để kiểm soát tính nội sinh và độ trễ của biến phụ thuộc ($L1_{t-1}$).
  • Mở rộng khung đo lường thanh khoản sang các chỉ số chuyên sâu của hiệp ước Basel III bao gồm Tỷ lệ đảm bảo khả năng thanh khoản (Liquidity Coverage Ratio - LCR) và Tỷ lệ nguồn vốn ổn định ròng (Net Stable Funding Ratio - NSFR).
  • Kết hợp các thuật toán học máy (Machine Learning) như XGBoost hoặc mạng nơ-ron LSTM để dự báo nhu cầu rút tiền gửi theo chuỗi thời gian thực.

Đối tượng hưởng lợi

                         ĐỐI TƯỢNG HƯỞNG LỢI
  • Sinh viên & Học viên cao học: Tiếp cận bộ tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu tài chính định lượng, từ bước thu thập dữ liệu bảng, xây dựng giả thuyết đến xử lý khuyết tật mô hình trên Stata/Python.
  • Chuyên viên Phân tích Dữ liệu / Định lượng (Quant Developers): Tiếp cận pipeline code kinh tế lượng hoàn chỉnh, dễ dàng tái sử dụng cho các bài toán phân tích rủi ro tín dụng và kiểm thử sức chịu đựng tài chính.
  • Ban Lãnh đạo & Khối Quản trị Rủi ro Ngân hàng: Sở hữu bằng chứng thực nghiệm rõ ràng về tác động tiêu cực của chỉ số $LDR$ đến thanh khoản để thiết lập các hạn mức kinh doanh an toàn, cân đối hài hòa giữa lợi nhuận và an toàn hệ thống.
  • Cơ quan Quản lý Nhà nước: Có thêm luận cứ khoa học để hoàn thiện khung pháp lý giám sát an toàn vi mô và vĩ mô, nâng cao năng lực cạnh tranh của hệ thống tài chính Việt Nam trên trường quốc tế.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn tỷ số $L_1$ thay vì các chỉ số $L_2, L_3, L_4$?

Chỉ số $L_1$ (Tài sản thanh khoản / Tổng tài sản) là chỉ báo tổng quát, trực quan nhất phản ánh tỷ trọng tài sản có khả năng chuyển đổi nhanh thành tiền mặt trên quy mô hoạt động tổng thể của ngân hàng. $L_1$ được chuẩn hóa theo tiêu chuẩn quốc tế của BIS, giúp so sánh nhất quán giữa 25 ngân hàng có quy mô và cấu trúc vốn khác nhau trong suốt 11 năm.

2. Ước lượng FGLS giải quyết vấn đề gì mà OLS và FEM thông thường không làm được?

Trong dữ liệu bảng tài chính ngân hàng, các ngân hàng có quy mô rất khác nhau (từ quy mô nhỏ như Saigonbank đến quy mô lớn như BIDV, Vietcombank) dẫn đến hiện tượng phương sai sai số thay đổi theo nhóm (Groupwise Heteroskedasticity) và tự tương quan chuỗi thời gian ($AR(1)$). Mô hình OLS và FEM thông thường sẽ cho ra sai số chuẩn bị chệch, dẫn đến các kết luận kiểm định $t$ và $F$ không còn đáng tin cậy. FGLS ước lượng ma trận hiệp phương sai sai số để chuẩn hóa trọng số, mang lại các ước lượng không chệch, vững và hiệu quả nhất.

3. Tỷ lệ LDR ảnh hưởng như thế nào đến khả năng sinh lời và rủi ro thanh khoản?

Tỷ lệ $LDR$ phản ánh mức độ ngân hàng sử dụng vốn huy động để cho vay. Khi $LDR$ cao, ngân hàng tối đa hóa được thu nhập lãi thuần (NII), nâng cao tỷ suất sinh lời $ROE$. Tuy nhiên, các khoản cho vay là tài sản có tính thanh khoản thấp và rủi ro cao. Nếu $LDR$ quá cao (vượt ngưỡng an toàn 80%), đệm tài sản thanh khoản bị thu hẹp nghiêm trọng, khiến ngân hàng đối mặt với nguy cơ mất khả năng chi trả khi khách hàng rút tiền đồng loạt.

4. Tại sao quy mô ngân hàng ($SIZE$) lại có tác động tích cực đến thanh khoản trong nghiên cứu này?

Kết quả thực nghiệm tại 25 NHTM Việt Nam cho thấy hệ số của $SIZE$ mang dấu dương có ý nghĩa thống kê. Điều này chứng minh các ngân hàng có quy mô tài sản lớn sở hữu uy tín thương hiệu cao hơn, mạng lưới huy động vốn rộng khắp, năng lực tiếp cận thị trường liên ngân hàng vượt trội và luôn nhận được sự tin tưởng từ người gửi tiền, giúp họ duy trì vị thế thanh khoản tốt hơn so với các ngân hàng quy mô nhỏ.

5. Làm thế nào để áp dụng kết quả nghiên cứu vào việc quản trị rủi ro ngân hàng theo chuẩn Basel III?

Ngân hàng có thể chuyển hóa các biến số thực nghiệm vào quy trình quản trị nội bộ: thiết lập ngưỡng trần $LDR$ linh hoạt theo từng kỳ hạn, gắn chỉ số thanh khoản $L_1$ với các chỉ tiêu Basel III như LCR (đảm bảo đủ tài sản thanh khoản chất lượng cao HQLA để vượt qua kịch bản rút tiền trong 30 ngày) và NSFR (đảm bảo nguồn vốn ổn định sẵn có tài trợ cho các tài sản dài hạn).

Kết luận

Đồ án khóa luận tốt nghiệp của tác giả Nguyễn Thị Hồng Nhung đã thực hiện thành công việc phân tích định lượng chuyên sâu các nhân tố chi phối thanh khoản tại 25 NHTM Việt Nam giai đoạn 2012–2022. Bằng việc ứng dụng quy trình phân tích dữ liệu bảng toàn diện từ kiểm định VIF, F-test, Hausman đến mô hình hồi quy khắc phục khuyết tật FGLS, nghiên cứu đã cung cấp những bằng chứng thực nghiệm vững chắc:

  1. Xác nhận tỷ lệ cho vay trên vốn huy động ($LDR$) là yếu tố rủi ro hàng đầu tác động tiêu cực mạnh mẽ đến dự trữ thanh khoản $L_1$.
  2. Khẳng định lợi thế quy mô ($SIZE$) và cơ chế phòng thủ chủ động trước lạm phát ($INF$) giúp nâng cao tỷ lệ tài sản thanh khoản của các NHTM Việt Nam.
  3. Cung cấp cơ sở khoa học sắc bén cho các nhà điều hành ngân hàng trong việc thiết lập hạn mức tín dụng an toàn, tối ưu hóa cơ cấu tài sản sinh lời và nâng chuẩn quản trị rủi ro thanh khoản theo các thông lệ quốc tế tiên tiến.