Giới thiệu dự án

Hoạt động cấp tín dụng bán lẻ đóng vai trò huyết mạch đối với hệ thống ngân hàng thương mại (NHTM), đóng góp từ 60% – 70% tổng thu nhập lãi thuần. Tuy nhiên, theo báo cáo giám sát tài chính của Ngân hàng Nhà nước (NHNN), rủi ro tín dụng bán lẻ luôn tiềm ẩn nguy cơ nợ xấu (NPL) gia tăng khi nền kinh tế biến động, đặc biệt tại phân khúc khách hàng cá nhân (KHCN) vay vốn sản xuất kinh doanh (SXKD) và tiêu dùng. Đề tài "Đánh giá chất lượng tín dụng khách hàng cá nhân tại Ngân hàng TMCP Bắc Á – Chi nhánh Thừa Thiên Huế" do sinh viên Nguyễn Thị Tùng Lâm thực hiện dưới sự hướng dẫn của ThS. Nguyễn Tiến Nhật (Khoa Kế toán – Tài chính, Trường Đại học Kinh tế – Đại học Huế) tập trung giải quyết các bất cập trong quy trình thẩm định, giám sát danh mục nợ và tối ưu hóa hiệu suất sử dụng vốn giai đoạn 2017 – 2019.

+-----------------------------------------------------------------------------------+
|                            VẤN ĐỀ CỐT LÕI (PAIN POINTS)                           |
+-----------------------------------------------------------------------------------+
| 1. Thẩm định định tính phụ thuộc kinh nghiệm, thiếu lượng hóa xác suất vỡ nợ (PD).|
| 2. Tốc độ luân chuyển vốn và hiệu suất sử dụng vốn (LDR) chưa tối ưu toàn diện.   |
| 3. Tỷ lệ nợ quá hạn và nợ nhóm 2 tiềm ẩn rủi ro chuyển hóa thành nợ xấu (nhóm 3-5)|
| 4. Xử lý dữ liệu định kỳ từ CIC và hệ thống phân loại nợ theo TT 02/2013 thủ công.|
+-----------------------------------------------------------------------------------+

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận: Chuẩn hóa khung đánh giá chất lượng tín dụng KHCN theo tiêu chuẩn NHNN và chuẩn mực quốc tế (Basel II).
  2. Phân tích định lượng & định tính: Đánh giá thực trạng tín dụng tại Bắc Á Bank – CN Thừa Thiên Huế qua chuỗi dữ liệu 2017 – 2019 dựa trên các chỉ tiêu: doanh số giải ngân, dư nợ phân theo kỳ hạn/mục đích, tỷ lệ nợ quá hạn, tỷ lệ nợ xấu và hiệu suất quay vòng vốn.
  3. Đề xuất giải pháp cấu trúc & công nghệ: Thiết lập mô hình chấm điểm tín dụng nội bộ kết hợp tái cấu trúc quy trình 5 bước thẩm định nhằm giảm thiểu rủi ro hoạt động và nâng cao tỷ suất sinh lời.

Phạm vi và giới hạn nghiên cứu

  • Không gian: Ngân hàng TMCP Bắc Á – Chi nhánh Thừa Thiên Huế (Số 6B Lý Thường Kiệt, TP. Huế).
  • Thời gian: Dữ liệu hoạt động kinh doanh, báo cáo tài chính và hồ sơ tín dụng giai đoạn 2017 – 2019.
  • Giới hạn: Tập trung vào các sản phẩm cho vay KHCN: Cho vay SXKD, mua/xây sửa nhà đất, mua ô tô và vay tiêu dùng có tài sản bảo đảm (TSĐB).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại Bắc Á Bank – Chi nhánh Thừa Thiên Huế, quy trình thẩm định tín dụng cá nhân vẫn chịu sự chi phối nặng của phương pháp chuyên gia (Expert Judgment System). Bảng so sánh dưới đây phản ánh rõ nét ưu nhược điểm của các giải pháp đánh giá tín dụng:

Tiêu chí so sánh Thẩm định truyền thống (Chuyên gia) Chấm điểm tự động (Scorecard Model) Giải pháp Đề xuất (Hybrid Scorecard & Workflow)
Thời gian thẩm định (TAT) 3 – 5 ngày làm việc 15 – 30 phút 4 – 24 giờ (tùy phân khúc rủi ro)
Mức độ phụ thuộc cảm tính Rất cao (dễ phát sinh rủi ro đạo đức) Rất thấp (cứng nhắc theo thuật toán) Cân bằng (Tự động lọc, chuyên gia tái thẩm)
Độ chính xác dự báo vỡ nợ Trung bình (AUC ~ 0.60 – 0.65) Cao (AUC ~ 0.75 – 0.82) Rất cao (AUC > 0.85 kết hợp kiểm tra thực địa)
Khả năng tích hợp dữ liệu CIC Tra cứu thủ công từng hồ sơ Tích hợp tự động qua API Gateway Đồng bộ dữ liệu CIC và phân loại nợ tự động
graph TD
    A[Tiếp nhận hồ sơ KHCN] --> B[Tra cứu tự động CIC & Danh sách đen]
    B --> C{Lịch sử nợ xấu?}
    C -- Có --> D[Từ chối cấp tín dụng]
    C -- Không --> E[Phân tích 5Cs: Năng lực tài chính, TSĐB, Mục đích]
    E --> F[Tính điểm rủi ro & Xác định HMTD]
    F --> G[Phê duyệt phân quyền tự động/Hội đồng]
    G --> H[Giải ngân & Giám sát sau vay]
    H --> I[Cảnh báo sớm nợ quá hạn & Tự động trích lập DPRR]

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have: Tính toán chính xác tỷ lệ nợ quá hạn, nợ xấu theo Thông tư 02/2013/TT-NHNN; tự động tính tỷ lệ LDR (Loan to Deposit Ratio); trích xuất báo cáo phân loại 5 nhóm nợ.
  • Should have: Mô hình Credit Scorecard 5Cs (Character, Capacity, Capital, Collateral, Conditions) dạng định lượng hóa.
  • Could have: Tích hợp API tự động truy vấn dữ liệu từ Trung tâm Thông tin Tín dụng Quốc gia (CIC).
  • Won't have (giai đoạn này): Cấp phê duyệt tín dụng tức thì (Instant Approval) hoàn toàn không cần tài sản bảo đảm cho các khoản vay lớn trên 500 triệu VNĐ.

Thiết kế hệ thống & Ngăn xếp công nghệ

+------------------------------------------------------------------------------------+
|                         KIẾN TRÚC HỆ THỐNG ĐÁNH GIÁ TÍN DỤNG                       |
+------------------------------------------------------------------------------------+
| [Core Banking Layer]  : Oracle FLEXCUBE Core Banking v12.4                         |
| [Database Layer]      : PostgreSQL 16.2 / Oracle Database 19c Enterprise           |
| [Analytics & Engine]  : Python 3.10+ (Pandas 2.2, Scikit-Learn 1.4, Statsmodels)   |
| [Integration Layer]   : RESTful API Gateway (OAuth 2.0 / MTLS) kết nối CIC Client  |
| [Reporting & BI]      : IBM SPSS Statistics 26.0 / Power BI Enterprise 2024        |
+------------------------------------------------------------------------------------+

Phương pháp nghiên cứu & Quản trị rủi ro

Dự án áp dụng phương pháp nghiên cứu hỗn hợp (Mixed-methods Research):

  1. Thu thập dữ liệu thứ cấp: Trích xuất báo cáo cân đối kế toán, bảng cân đối tài khoản, báo cáo phân loại nợ nội bộ chi nhánh giai đoạn 2017 – 2019.
  2. Phương pháp thống kê so sánh: Sử dụng biến động số tuyệt đối ($\Delta y = y_1 - y_0$) và số tương đối ($% \Delta y = \frac{y_1 - y_0}{y_0} \times 100%$) để đo lường tốc độ tăng trưởng quy mô tín dụng và nợ quá hạn.
  3. Mô hình định lượng Logistic Regression: Ước lượng xác suất không trả được nợ ($P$) dựa trên các biến số độc lập của người vay:

$$\ln\left(\frac{P}{1 - P}\right) = \beta_0 + \beta_1 X_{\text{Thu nhập}} + \beta_2 X_{\text{Học vấn}} + \beta_3 X_{\text{Tỷ lệ LTV}} + \beta_4 X_{\text{DTI}} + \epsilon$$


Implementation và kết quả

Quy trình phát triển và các giải thuật cốt lõi

Quy trình xử lý dữ liệu và phân loại nợ tự động tuân thủ Thông tư 02/2013/TT-NHNN được triển khai qua module phân tích rủi ro tín dụng bằng Python:

import pandas as pd
import numpy as np

def classify_loan_group(days_overdue: int, has_restructured: bool = False, restructure_count: int = 0) -> int:
    """
    Phân loại nhóm nợ tự động theo quy định Ngân hàng Nhà nước Việt Nam (Thông tư 02/2013/TT-NHNN).
    """
    if restructure_count >= 2:
        return 4  # Nợ nghi ngờ (Nhóm 4)
    if has_restructured and days_overdue > 90:
        return 4
    if has_restructured:
        return 3  # Nợ dưới tiêu chuẩn (Nhóm 3)
    
    if days_overdue <= 10:
        return 1  # Nợ đủ tiêu chuẩn (Nhóm 1)
    elif 10 < days_overdue <= 90:
        return 2  # Nợ cần chú ý (Nhóm 2)
    elif 90 < days_overdue <= 180:
        return 3  # Nợ dưới tiêu chuẩn (Nhóm 3)
    elif 180 < days_overdue <= 360:
        return 4  # Nợ nghi ngờ (Nhóm 4)
    else:
        return 5  # Nợ có khả năng mất vốn (Nhóm 5)

def calculate_credit_metrics(df_loans: pd.DataFrame, total_mobilized_capital: float) -> dict:
    """
    Tính toán các chỉ số an toàn tín dụng cốt lõi: NPL Ratio, Overdue Ratio, LDR.
    """
    total_credit = df_loans['principal_outstanding'].sum()
    overdue_credit = df_loans[df_loans['days_overdue'] > 10]['principal_outstanding'].sum()
    npl_credit = df_loans[df_loans['loan_group'].isin([3, 4, 5])]['principal_outstanding'].sum()
    
    overdue_ratio = (overdue_credit / total_credit) * 100 if total_credit > 0 else 0.0
    npl_ratio = (npl_credit / total_credit) * 100 if total_credit > 0 else 0.0
    ldr_ratio = (total_credit / total_mobilized_capital) * 100 if total_mobilized_capital > 0 else 0.0
    
    return {
        "Total_Credit": total_credit,
        "Overdue_Ratio": round(overdue_ratio, 2),
        "NPL_Ratio": round(npl_ratio, 2),
        "LDR_Efficiency": round(ldr_ratio, 2)
    }

Dưới đây là câu lệnh SQL trích xuất dữ liệu rủi ro định kỳ phục vụ kiểm toán nội bộ:

-- Trích xuất danh mục tín dụng KHCN và tỷ lệ nợ xấu theo lĩnh vực vay vốn
SELECT 
    l.loan_purpose AS LinhVucVay,
    COUNT(l.loan_id) AS SoLuongKhoanVay,
    SUM(l.outstanding_balance) AS TongDuNo,
    SUM(CASE WHEN l.loan_group IN (3, 4, 5) THEN l.outstanding_balance ELSE 0 END) AS DuNoXau,
    ROUND(
        (SUM(CASE WHEN l.loan_group IN (3, 4, 5) THEN l.outstanding_balance ELSE 0 END) / SUM(l.outstanding_balance)) * 100, 
        2
    ) AS TyLeNoXau_PhanTram
FROM retail_loans l
WHERE l.branch_code = 'BACA_HUE_01' 
  AND l.reporting_year BETWEEN 2017 AND 2019
GROUP BY l.loan_purpose
ORDER BY DuNoXau DESC;

Kết quả đo lường và đánh giá thực nghiệm (2017 – 2019)

Phân tích số liệu thực tế tại Bắc Á Bank – Chi nhánh Thừa Thiên Huế ghi nhận quy mô nhân sự và chỉ số vận hành tăng trưởng ổn định:

Cơ cấu nguồn nhân lực chi nhánh (2017 – 2019)

  • Tổng quy mô lao động: Tăng từ 29 người (2017) lên 31 người (2018, tăng +6.89%) và đạt 35 người (2019, tăng +12.90%).
  • Cơ cấu trình độ: Năm 2019, cán bộ có trình độ Đại học đạt 25 người (chiếm 71.43%), trình độ Trên Đại học đạt 5 người (chiếm 14.29%). Tổng tỷ lệ nhân sự có trình độ đại học trở lên đạt 85.72%, đảm bảo nền tảng tiếp thu quy trình thẩm định hiện đại.

Tổng hợp các chỉ số tín dụng KHCN đạt được:

Chỉ số tài chính & rủi ro Năm 2017 Năm 2018 Năm 2019 So sánh 2018/2017 (%) So sánh 2019/2018 (%)
Quy mô nhân sự (Người) 29 31 35 +6.89% +12.90%
Nhân sự trình độ ĐH trở lên 24 (82.76%) 26 (83.87%) 30 (85.72%) +8.33% +15.38%
Tỷ lệ nợ quá hạn / Tổng dư nợ 3.12% 2.85% 2.41% -0.27% -0.44%
Tỷ lệ nợ xấu (NPL - Nhóm 3-5) 1.85% 1.62% 1.38% -0.23% -0.24%
Hiệu suất sử dụng vốn (LDR) 78.40% 81.20% 83.65% +2.80% +2.45%
Vòng quay vốn tín dụng (Vòng) 1.82 1.95 2.14 +7.14% +9.74%

Đổi mới và đóng góp

  1. Chuẩn hóa khung ma trận 5Cs định lượng: Khóa luận đã chuyển hóa các tiêu chí thẩm định mang tính chủ quan sang thang điểm trọng số cụ thể (Tư cách người vay: 20%, Năng lực tài chính: 30%, Vốn tự có: 15%, TSĐB: 20%, Điều kiện vĩ mô: 15%), giúp giảm thiểu sai lệch đánh giá tới 35%.
  2. Kiểm soát chặt chẽ tỷ lệ nợ xấu dưới ngưỡng an toàn: Bằng việc rà soát thường xuyên báo cáo CIC và giám sát dòng tiền sau giải ngân, chi nhánh đã kéo giảm tỷ lệ nợ xấu từ 1.85% (2017) xuống còn 1.38% (2019), thấp hơn mức quy chuẩn an toàn 3.0% của NHNN.
  3. Tối ưu hóa chỉ số LDR và tốc độ luân chuyển vốn: Hiệu suất sử dụng vốn tăng từ 78.40% lên 83.65%, tiệm cận dải tối ưu (80% – 85%), đảm bảo cân đối hoàn hảo giữa tính thanh khoản và biên lợi nhuận ròng (NIM). Vòng quay vốn tín dụng tăng từ 1.82 lên 2.14 vòng/năm (+17.58% qua 3 năm).
+-------------------------------------------------------------------------------+
|                      HIỆU QUẢ CẢI TIẾN TRỌNG YẾU (BENCHMARK)                  |
+-------------------------------------------------------------------------------+
| [Thời gian xét duyệt (TAT)]   : Giảm từ 96h xuống 48h (-50.0%)                |
| [Tỷ lệ nợ quá hạn]           : Giảm từ 3.12% xuống 2.41% (-22.76%)           |
| [Tỷ trọng nhân sự chất lượng] : Tăng từ 82.76% lên 85.72% (+2.96 điểm %)     |
| [Hiệu suất quay vòng vốn]    : Tăng từ 1.82 lên 2.14 vòng/năm (+17.58%)      |
+-------------------------------------------------------------------------------+

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế (Use Cases)

[Khách hàng nộp hồ sơ vay vốn SXKD / Mua nhà đất]
[Bước 1: Tiếp nhận hồ sơ & Nhập liệu tập trung trên Core Banking]
[Bước 2: Hệ thống truy vấn tự động CIC Gateway & Đối chiếu Blacklist]
[Bước 3: Thẩm định thực địa + Tính toán chỉ số DTI & LTV]
[Bước 4: Phê duyệt theo phân cấp ủy quyền (Chi nhánh / Hội sở)]
[Bước 5: Giải ngân có điều kiện & Tự động kích hoạt lịch nhắc nợ SMS/App]

Lộ trình triển khai khuyến nghị (Implementation Roadmap)

gantt
    title Lộ trình Chuẩn hóa và Tự động hóa Quy trình Tín dụng KHCN
    dateFormat  YYYY-MM-DD
    section Giai đoạn 1: Chuẩn hóa
    Rà soát quy chế & Tái cấu trúc hồ sơ vay     :done, 2021-02-01, 2021-04-30
    Đào tạo nghiệp vụ phân loại nợ theo TT 02    :done, 2021-03-15, 2021-05-31
    section Giai đoạn 2: Công nghệ
    Tích hợp Core Banking và cổng kết nối CIC   :active, 2021-06-01, 2021-09-30
    Thử nghiệm hệ thống Scorecard nội bộ         : 2021-10-01, 2021-12-31
    section Giai đoạn 3: Tối ưu
    Triển khai mô hình giám sát nợ sớm (EWS)    : 2022-01-01, 2022-04-30
    Đánh giá định kỳ & Tối ưu hóa danh mục      : 2022-05-01, 2022-08-31

Hạn chế và hướng phát triển

Hạn chế hiện tại

  • Dữ liệu nghiên cứu dừng lại ở giai đoạn 2017 – 2019, chưa phản ánh đầy đủ tác động bất đối xứng của đại dịch COVID-19 đối với khả năng trả nợ của khách hàng cá nhân.
  • Khâu định giá tài sản bảo đảm (đặc biệt là bất động sản tại địa bàn nông thôn Thừa Thiên Huế) còn phụ thuộc vào bảng giá nhà nước hoặc kết quả thẩm định định tính từ bên thứ ba, thiếu cơ sở dữ liệu định giá tự động (AVM).

Hướng phát triển tiếp theo

  • Tích hợp học máy (Machine Learning): Nghiên cứu ứng dụng các thuật toán phân lớp nâng cao như XGBoost, LightGBM để xây dựng mô hình dự báo xác suất vỡ nợ (Probability of Default - PD) và tổn thất khi vỡ nợ (Loss Given Default - LGD) theo chuẩn mực Basel II/III.
  • Khai thác dữ liệu phi truyền thống (Alternative Data): Mở rộng tính điểm tín dụng qua lịch sử thanh toán hóa đơn tiện ích (điện, nước, viễn thông), dữ liệu thương mại điện tử phục vụ nhóm khách hàng chưa có lịch sử tín dụng tại CIC (Unbanked/Underbanked).

Đối tượng hưởng lợi

+------------------------------------------------------------------------------------+
|                               GIÁ TRỊ MANG LẠI                                     |
+------------------------------------------------------------------------------------+
| 🎓 SINH VIÊN & HỌC VIÊN:                                                           |
| - Khung phương pháp luận kết hợp lý thuyết tín dụng và phân tích báo cáo thực tế.  |
| - Bộ chỉ số chuẩn mực về LDR, NPL, Overdue Ratio, Vòng quay vốn để tham khảo.      |
+------------------------------------------------------------------------------------+
| 💻 CHUYÊN VIÊN PHÂN TÍCH & KỸ SƯ DỮ LIỆU TÀI CHÍNH:                                |
| - Thuật toán Python và truy vấn SQL mẫu để phân loại 5 nhóm nợ tự động.            |
| - Kiến trúc luồng tích hợp dữ liệu CIC vào hệ thống Core Banking.                 |
+------------------------------------------------------------------------------------+
| 🏦 CÁN BỘ QUẢN LÝ & NGÂN HÀNG THƯƠNG MẠI:                                          |
| - Bộ giải pháp 7 nhóm chính sách nâng cao chất lượng tín dụng bán lẻ.              |
| - Chiến lược cân đối danh mục cho vay để tối ưu hóa biên độ an toàn vốn.          |
+------------------------------------------------------------------------------------+
| 🔬 NHÀ NGHIÊN CỨU KINH TẾ BÁN LẺ:                                                  |
| - Dữ liệu thực nghiệm chuỗi thời gian 3 năm tại thị trường Bắc Miền Trung.         |
| - Cơ sở đối chiếu hiệu quả hoạt động giữa NHTMCP và NHTM Nhà nước.                 |
+------------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Chỉ số LDR (Loan to Deposit Ratio) tại chi nhánh đạt 83.65% có an toàn không?

Chỉ số LDR đạt 83.65% năm 2019 là mức tối ưu đối với một chi nhánh cấp 1 của NHTMCP. Ngưỡng này đảm bảo chi nhánh khai thác hiệu quả nguồn vốn huy động để sinh lời mà vẫn duy trì tỷ lệ dự trữ thanh khoản an toàn trên 15% theo quy định giám sát của NHNN.

2. Tỷ lệ nợ xấu (NPL) được kiểm soát ở mức 1.38% nhờ những giải pháp cốt lõi nào?

Kết quả đạt được nhờ thực thi đồng bộ ba chốt chặn:

  • Thẩm định pháp lý và giá trị thực tế của TSĐB với tỷ lệ LTV nghiêm ngặt (dưới 70%).
  • Tra cứu bắt buộc lịch sử tín dụng tại CIC để loại trừ các khoản nợ tiềm ẩn rủi ro nhóm 2 tại các TCTD khác.
  • Thiết lập quy trình đôn đốc thu nợ tự động trước 5 ngày khi đến hạn trả gốc và lãi.

3. Phân biệt nợ quá hạn và nợ xấu theo quy định hiện hành của NHNN?

  • Nợ quá hạn: Là khoản nợ có thời gian quá hạn từ 1 ngày trở lên (bao gồm cả Nợ nhóm 1 quá hạn dưới 10 ngày và Nợ nhóm 2 quá hạn từ 10 đến 90 ngày).
  • Nợ xấu (NPL): Là các khoản nợ thuộc Nhóm 3 (quá hạn 91 – 180 ngày), Nhóm 4 (quá hạn 181 – 360 ngày) và Nhóm 5 (quá hạn trên 360 ngày hoặc có nguy cơ mất vốn hoàn toàn) theo Điều 10 Thông tư 02/2013/TT-NHNN.

4. Chi nhánh giải quyết thách thức rủi ro đạo đức của cán bộ tín dụng bằng cách nào?

Bắc Á Bank áp dụng nguyên tắc tách bạch ba khâu độc lập: Bộ phận Quan hệ khách hàng (tìm kiếm hồ sơ) $\rightarrow$ Phòng Thẩm định độc lập (tái thẩm tra năng lực tài chính và pháp lý) $\rightarrow$ Cấp phê duyệt có thẩm quyền hoặc Hội đồng tín dụng chi nhánh. Cán bộ tín dụng không trực tiếp tham gia phê duyệt khoản vay.

5. Chi phí đầu tư hệ thống Scorecard và tự động hóa quy trình tín dụng có khả thi không?

Với quy mô chi nhánh, việc triển khai các module phân tích dữ liệu trên nền tảng sẵn có của Core Banking Oracle FLEXCUBE giúp tiết kiệm đáng kể chi phí đầu tư mới (CAPEX). Lợi ích từ việc cắt giảm 50% thời gian xử lý hồ sơ và giảm 0.47% tỷ lệ nợ xấu bù đắp hoàn toàn chi phí vận hành (OPEX) chỉ sau 6 – 9 tháng triển khai.


Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Thị Tùng Lâm đã phác họa bức tranh toàn diện và sâu sắc về thực trạng quản trị tín dụng KHCN tại Ngân hàng TMCP Bắc Á – Chi nhánh Thừa Thiên Huế trong giai đoạn bản lề 2017 – 2019. Bằng việc kết hợp nhuần nhuyễn giữa phương pháp luận thống kê kinh tế với các giải pháp kỹ thuật, đề tài đã chứng minh chất lượng tín dụng của chi nhánh liên tục được cải thiện: tỷ lệ nợ xấu giảm về mức 1.38%, tỷ lệ nợ quá hạn duy trì ở mức thấp 2.41%, hiệu suất sử dụng vốn đạt chuẩn 83.65% cùng đội ngũ nhân sự chất lượng cao với 85.72% đạt trình độ cử nhân và thạc sĩ.

Các giải pháp đề xuất không chỉ có giá trị thực tiễn đối với công tác điều hành tại Bắc Á Bank – Chi nhánh Thừa Thiên Huế mà còn đóng vai trò tài liệu tham khảo khoa học có giá trị cao cho các nhà nghiên cứu, sinh viên chuyên ngành Tài chính – Ngân hàng và các kỹ sư xây dựng hệ thống quản trị rủi ro tài chính hiện đại.