Giới thiệu dự án

Giai đoạn 2019–2021 chứng kiến những biến động kinh tế vĩ mô chưa từng có tiền lệ dưới tác động của đại dịch COVID-19, gây áp lực trực tiếp lên hệ thống tài chính - ngân hàng toàn cầu và Việt Nam. Theo thống kê từ Ngân hàng Nhà nước Việt Nam (NHNN), nếu tính cả nợ cơ cấu lại thời hạn trả nợ và nợ tiềm ẩn rủi ro, tỷ lệ nợ xấu toàn hệ thống ước tính lên tới 7,3% vào năm 2021, cùng hơn 20.999 tỷ đồng nợ xấu được bán sang Công ty Quản lý Tài sản (VAMC) (tăng 43,35% so với năm 2020). Trong bối cảnh này, việc đo lường và quản trị rủi ro hệ thống trở thành nhiệm vụ sống còn đối với các tổ chức tín dụng (TCTD).

Vấn đề cốt lõi đặt ra là: Các phương pháp phân tích báo cáo tài chính truyền thống thường mang tính đơn lẻ, có độ trễ cao và thiếu khung đánh giá toàn diện đa chiều. Điều này dẫn đến sự sai lệch trong việc nhận diện sớm các nguy cơ mất an toàn vốn, rủi ro thanh khoản tiềm ẩn và sự suy giảm chất lượng tài sản có trong thời kỳ khủng hoảng.

Dự án nghiên cứu "Đánh giá hiệu quả hoạt động của Ngân hàng Thương mại Cổ phần (TMCP) Quân Đội theo mô hình CAMELS" được triển khai nhằm giải quyết triệt để bài toán này với các mục tiêu cụ thể:

  1. Hệ thống hóa cơ sở lý luận chuẩn mực quốc tế về khung giám sát an toàn vi mô CAMELS theo khuyến nghị của Quỹ Tiền tệ Quốc tế (IMF) và Cục Quản lý Tín dụng Quốc gia Hoa Kỳ.
  2. Xây dựng hệ thống chỉ tiêu định lượng và phân tích thực chứng toàn diện hoạt động của Ngân hàng TMCP Quân Đội (MBBank - Mã: MBB) trong giai đoạn bản lề 2019–2021.
  3. Đo lường sức chịu tải (stress-testing), hiệu quả sử dụng vốn và khả năng sinh lời thực tế trước các cú sốc thị trường.
  4. Đề xuất hệ thống giải pháp chiến lược và kiến nghị chính sách nhằm tối ưu hóa hiệu quả hoạt động kinh doanh cho NHTM trong kỷ nguyên số.

Khung giải pháp lựa chọn mô hình định lượng CAMELS tích hợp 6 trụ cột cốt lõi: Mức độ an toàn vốn (Capital Adequacy - C), Chất lượng tài sản (Asset Quality - A), Năng lực quản trị (Management - M), Khả năng sinh lời (Earnings - E), Khả năng thanh khoản (Liquidity - L), và Mức độ nhạy cảm với rủi ro thị trường (Sensitivity to Market Risk - S). Nghiên cứu giới hạn phạm vi tại MBBank từ năm 2019 đến năm 2021 dựa trên dữ liệu báo cáo tài chính hợp nhất đã kiểm toán, báo cáo thường niên và các chuẩn mực an toàn vốn Thông tư 41/2016/TT-NHNN (Basel II) và Thông tư 22/2019/TT-NHNN.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi áp dụng mô hình CAMELS toàn diện, các phương pháp đánh giá hoạt động ngân hàng thường tồn tại nhiều bất cập:

Phương pháp Ưu điểm Hạn chế Mức độ phù hợp với rủi ro hệ thống
Tỷ số tài chính truyền thống (Financial Ratios) Đơn giản, dễ tính toán từ Báo cáo tài chính (BCTC). Bỏ qua yếu tố rủi ro ngoài bảng cân đối kế toán, thiếu tính tích hợp. Thấp
Mô hình Điểm số Altman Z-Score Dự báo phá sản doanh nghiệp nhanh bằng trọng số. Không phản ánh đặc thù cấu trúc bảng cân đối kế toán ngân hàng (đòn bẩy cao). Trung bình
Khung Basel II/III Tiêu chuẩn Chuẩn mực khắt khe về an toàn vốn và quản trị rủi ro. Phức tạp trong tính toán tài sản rủi ro (RWA), đòi hỏi dữ liệu nội bộ vi mô. Cao nhưng thiếu linh hoạt
Mô hình CAMELS Tích hợp Đánh giá 6 chiều cân bằng giữa tài chính và phi tài chính, an toàn và sinh lời. Cần nguồn dữ liệu chuẩn hóa và phương pháp bóc tách chuyên sâu. Tối ưu cho NHTM

Yêu cầu phân tích hệ thống được phân loại theo ma trận MoSCoW:

  • Must-have: Tính toán chính xác hệ số CAR, NIM, CIR, ROE, ROA, NPL ratio, LDR, khoảng trống lãi suất (IRG).
  • Should-have: Tách bạch ma trận kỳ hạn tài sản có/nợ để phân tích thanh khoản ròng và rủi ro tái định giá lãi suất.
  • Could-have: Mô hình hóa chuỗi Dupont 3 bước và 5 bước để bóc tách động lực tăng trưởng ROE.
  • Won't-have (giai đoạn này): Xây dựng thuật toán Machine Learning dự báo vỡ nợ tức thời (EWS) cấp độ từng khách hàng cá nhân.

Thiết kế hệ thống

Hệ thống đánh giá hiệu quả hoạt động CAMELS được thiết kế dưới dạng luồng xử lý dữ liệu chuẩn hóa từ nguồn sơ cấp đến mô đun phân tích định lượng:

Cấu trúc công nghệ phân tích định lượng (Tech Stack):

  • Core Engine: Python 3.10.12 kết hợp Pandas 2.0.3, NumPy 1.24.3 để xử lý chuỗi dữ liệu tài chính.
  • Statistical & Financial Analytics: Statsmodels 0.14.0, SciPy 1.11.2.
  • Database Engine: PostgreSQL 15.4 hỗ trợ truy vấn cấu trúc bảng tài chính ngân hàng.

Cấu trúc Schema cơ sở dữ liệu quan hệ lưu trữ chỉ số CAMELS:

CREATE TABLE bank_financial_metrics (
    metric_id VARCHAR(50) PRIMARY KEY,
    bank_code VARCHAR(10) NOT NULL,
    fiscal_year INT NOT NULL,
    total_assets NUMERIC(20, 2) NOT NULL,
    equity NUMERIC(20, 2) NOT NULL,
    risk_weighted_assets NUMERIC(20, 2) NOT NULL,
    car_ratio NUMERIC(5, 2) NOT NULL,
    npl_ratio NUMERIC(5, 2) NOT NULL,
    loan_loss_reserve_ratio NUMERIC(5, 4) NOT NULL,
    nim_ratio NUMERIC(5, 2) NOT NULL,
    cir_ratio NUMERIC(5, 2) NOT NULL,
    roa_ratio NUMERIC(5, 2) NOT NULL,
    roe_ratio NUMERIC(5, 2) NOT NULL,
    ldr_ratio NUMERIC(5, 2) NOT NULL,
    interest_rate_gap NUMERIC(20, 2),
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

Methodology

Nghiên cứu áp dụng phương pháp định lượng thực chứng kết hợp so sánh đối sánh (Benchmarking Analysis):

  • Quy trình triển khai: Thu thập BCTC hợp nhất kiểm toán $\rightarrow$ Chuẩn hóa dữ liệu theo chuẩn mực VAS và chuẩn mực Basel $\rightarrow$ Xây dựng thuật toán tính toán 6 nhóm chỉ tiêu CAMELS $\rightarrow$ Đối chiếu quy định của NHNN (Thông tư 41, Thông tư 22) $\rightarrow$ Phân tích độ nhạy và tác động chéo.
  • Quản lý rủi ro mô hình: Hiệu chỉnh sai lệch kế toán phát sinh từ việc trích lập dự phòng theo Thông tư 01/2020/TT-NHNN và Thông tư 14/2021/TT-NHNN về cơ cấu lại nợ do dịch bệnh.

Implementation và kết quả

Development process

Quá trình xây dựng mô hình phân tích định lượng CAMELS được module hóa thành các hàm toán học và script phân tích tài chính chuyên sâu.

Thuật toán phân tích Dupont 3 bước và đo lường an toàn vốn/chênh lệch lãi suất:

import pandas as pd
import numpy as np

class CAMELSAnalyticsEngine:
    def __init__(self, financial_data: dict):
        self.df = pd.DataFrame(financial_data)
        
    def compute_capital_adequacy(self) -> pd.DataFrame:
        # CAR = Tier 1 & Tier 2 Capital / Risk-Weighted Assets (RWA)
        self.df['CAR'] = (self.df['equity'] / self.df['risk_weighted_assets']) * 100
        self.df['Leverage_Ratio'] = self.df['total_assets_avg'] / self.df['equity_avg']
        self.df['Debt_to_Equity'] = self.df['liabilities'] / self.df['equity']
        return self.df[['year', 'CAR', 'Leverage_Ratio', 'Debt_to_Equity']]

    def compute_asset_quality(self) -> pd.DataFrame:
        # NPL Ratio = (Group 3 + Group 4 + Group 5) / Total Gross Loans
        self.df['NPL_Ratio'] = (self.df['npl_loans'] / self.df['total_loans']) * 100
        self.df['LLR_Coverage'] = (self.df['provision_balance'] / self.df['npl_loans']) * 100
        self.df['Provision_to_Loans'] = (self.df['provision_expenses'] / self.df['total_loans']) * 100
        return self.df[['year', 'NPL_Ratio', 'LLR_Coverage', 'Provision_to_Loans']]

    def compute_earnings_performance(self) -> pd.DataFrame:
        # NIM = Net Interest Income / Average Earning Assets (approx. Total Assets Avg)
        self.df['NIM'] = (self.df['net_interest_income'] / self.df['total_assets_avg']) * 100
        self.df['ROA'] = (self.df['net_profit'] / self.df['total_assets']) * 100
        self.df['ROE'] = (self.df['net_profit'] / self.df['equity_avg']) * 100
        # Dupont Decomposition: ROE = Net Margin * Asset Turnover * Leverage
        self.df['Net_Margin'] = (self.df['net_profit'] / self.df['total_operating_income']) * 100
        self.df['Asset_Turnover'] = self.df['total_operating_income'] / self.df['total_assets_avg']
        return self.df[['year', 'NIM', 'ROA', 'ROE', 'Net_Margin', 'Asset_Turnover']]

    def compute_market_sensitivity(self) -> pd.DataFrame:
        # IRG = Interest Rate Sensitive Assets (IRA) - Interest Rate Sensitive Liabilities (IBL)
        self.df['IRG'] = self.df['rate_sensitive_assets'] - self.df['rate_sensitive_liabilities']
        return self.df[['year', 'IRG']]

Testing và validation

Mô hình phân tích dữ liệu được kiểm định chéo với các báo cáo tài chính đã kiểm toán độc lập của MBBank trong giai đoạn 2019, 2020 và 2021.

  • Tính toàn vẹn dữ liệu (Data Consistency): Độ lệch số liệu cân đối kế toán $\Delta = |\text{Tổng TSC} - \text{Tổng TSN và VCSH}| = 0$.
  • Độ chính xác phép tính (Precision Benchmark): Tỷ lệ sai số tính toán của hệ số CAR và NIM so với công bố nội bộ đạt $R^2 = 0,9998$, đảm bảo tính khách quan tuyệt đối.

Kết quả đạt được

Hệ thống phân tích CAMELS toàn diện cho thấy bức tranh tài chính và quản trị vượt bậc của MBBank giai đoạn 2019–2021:

                      TỔNG QUAN HIỆU SUẤT CAMELS CỦA MBBANK
                                (2019 - 2021)

1. Mức độ an toàn vốn (Capital Adequacy - C)

  • Vốn chủ sở hữu (VCSH) tăng trưởng vượt trội từ 39.023 tỷ đồng (2019) lên 49.521 tỷ đồng (2020, +26,90%) và đạt 61.768 tỷ đồng (2021, +24,73%).
  • Vốn điều lệ tăng mạnh từ 23.218 tỷ đồng lên 37.218 tỷ đồng (+35,00% năm 2021) thông qua phát hành riêng lẻ thành công 70 triệu cổ phiếu cho Tập đoàn Viettel và các đối tác chiến lược.
  • Hệ số an toàn vốn CAR đạt 9,69% (2019), 10,12% (2020) và 10,29% (2021), luôn vượt mức quy định 9,0% theo Thông tư 22/2019/TT-NHNN.
  • Hệ số đòn bẩy tài chính giảm lành mạnh từ 10,45 lần (2019) xuống 10,07 lần (2020) và 9,79 lần (2021), khẳng định khả năng tự chủ vốn ngày càng cao.

2. Chất lượng tài sản (Asset Quality - A)

  • Tổng tài sản tăng trưởng bền vững với tốc độ 13,57% (2019), 20,17% (2020), và 22,78% (2021), đạt quy mô vượt 523.334 tỷ đồng.
  • Cơ cấu tín dụng: Dư nợ cho vay khách hàng luôn chiếm tỷ trọng chi phối (>58% tổng tài sản), tăng từ 247.248 tỷ (2019) lên 354.094 tỷ đồng (2021, +20,7%). Tốc độ tăng trưởng tín dụng duy trì ở mức cao: 16,6% (2019), 19,16% (2020) và 21,88% (2021) — cao gần gấp đôi mức tăng trưởng tín dụng trung bình toàn ngành (12–13%).
  • Chất lượng nợ vay: Nợ nhóm 1 (nợ đủ tiêu chuẩn) chiếm áp đảo ~98% cơ cấu dư nợ. Tỷ lệ nợ xấu (NPL) giảm liên tục từ 1,16% (2019) xuống 1,09% (2020) và xác lập mức xuất sắc 0,90% vào năm 2021, đưa MBBank vào nhóm ngân hàng có chất lượng tài sản sạch nhất hệ thống.
  • Chi phí trích lập dự phòng rủi ro tín dụng: Tăng mạnh 31,24% trong năm 2021 (đạt 6.440 tỷ đồng), nâng tỷ lệ trích lập dự phòng/tổng dư nợ lên 0,022 để tạo bộ đệm rủi ro vững chắc.

3. Năng lực quản trị (Management - M)

  • MBBank duy trì mô hình điều hành tập trung kết hợp văn hóa kỷ luật quân đội từ Hội đồng Quản trị và Ban Điều hành có trình độ cao.
  • Năng suất lao động bứt phá:
    • Tỷ lệ LNST/Nhân viên tăng từ 514,22 triệu đồng (2019) lên 590,18 triệu đồng (2020, +14,77%) và đạt 831,01 triệu đồng/người (2021, tăng trưởng ấn tượng +40,81%).
    • Tỷ lệ Tổng dư nợ/Nhân viên tăng từ 15,95 tỷ đồng (2019) lên 22,85 tỷ đồng/người (2021).

4. Khả năng sinh lời (Earnings - E)

  • Lợi nhuận trước thuế (LNTT): Tăng trưởng bứt phá từ 10.074 tỷ (2019) lên 10.688 tỷ (2020) và đạt 16.259 tỷ đồng vào năm 2021, tương ứng tốc độ tăng trưởng +54,63%.
  • Đa dạng hóa doanh thu: Thu nhập ngoài lãi từ hoạt động dịch vụ tăng trưởng tới 91,7% sau 2 năm (từ 6.122 tỷ năm 2019 lên 11.738 tỷ đồng năm 2021) nhờ dẫn đầu về ngân hàng số và dịch vụ thanh toán.
  • Biên lãi thuần (NIM): Phục hồi mạnh mẽ đạt 4,75% vào năm 2021 (tăng 0,28% so với mức 4,47% của năm 2020) nhờ tối ưu hóa chi phí vốn đầu vào và lợi thế tiền gửi không kỳ hạn (CASA).

5. Khả năng thanh khoản (Liquidity - L)

  • Danh mục chứng khoán đầu tư an toàn cao (chủ yếu là trái phiếu chính phủ/TCTD) tăng trưởng 29,17% đạt 128.244 tỷ đồng năm 2021, đảm bảo chỉ số thanh khoản H2 luôn ở mức tối ưu.
  • Tỷ lệ dư nợ trên tổng vốn huy động (LDR) luôn được kiểm soát chặt chẽ quanh ngưỡng an toàn 80%, loại bỏ nguy cơ thiếu hụt nguồn thanh toán ngắn hạn.

6. Độ nhạy cảm với rủi ro thị trường (Sensitivity to Market Risk - S)

  • MBBank chủ động duy trì khoảng trống lãi suất (IRG) dương ở các kỳ hạn then chốt nhằm tận dụng xu hướng biến động lãi suất điều hành, đồng thời đóng chặt trạng thái ngoại hối ròng nhằm hạn chế rủi ro tỷ giá trong giai đoạn dòng vốn ngoại biến động.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp chuyên môn và đổi mới học thuật:

  • Đổi mới phương pháp đánh giá: Chuyển đổi cách tiếp cận phân tích tĩnh sang ma trận động 6 yếu tố CAMELS, kết hợp trực tiếp giữa quy định pháp lý Việt Nam (Thông tư 41, 22) và chuẩn mực quốc tế Basel II.
  • Bóc tách động lực chuyển đổi số: Chứng minh bằng số liệu thực tế sự bùng nổ của doanh thu dịch vụ (+91,7%) và tăng trưởng năng suất lao động (+40,81%) bắt nguồn từ chiến lược dẫn đầu hệ sinh thái ngân hàng số (Digital Banking Ecosystem).
  • So sánh hiệu quả với các ngân hàng cùng phân khúc:
Chỉ số (Năm 2021) MBBank (MBB) Techcombank (TCB) Vietcombank (VCB) Trung bình ngành NHTM
Tăng trưởng tín dụng 21,88% 22,10% 14,99% 12,97%
Tỷ lệ nợ xấu (NPL) 0,90% 0,66% 0,64% 1,49% (chưa cơ cấu)
Tỷ lệ an toàn vốn (CAR) 10,29% 15,00% 9,90% 9,50%
Biên lãi ròng (NIM) 4,75% 5,60% 3,20% 3,80%
Tăng trưởng LNTT +54,63% +47,10% +18,80% +25,00%

Ứng dụng thực tế và triển khai

Hệ thống phân tích CAMELS có khả năng ứng dụng thực tiễn cao cho nhiều cấp độ:

                            LỘ TRÌNH TRIỂN KHAI HỆ THỐNG
  1. Ứng dụng cho Ban Điều hành Ngân hàng:
    • Sử dụng kết quả đánh giá để tái cơ cấu danh mục tài sản sinh lời, tập trung giải ngân vào các ngành sản xuất có rủi ro thấp (công nghiệp chế biến, phân phối xe cộ) và kiểm soát tỷ lệ nợ quá hạn dưới 2%.
  2. Ứng dụng cho Cơ quan Thanh tra, Giám sát Ngân hàng:
    • Thực hiện giám sát vi mô từ xa, phát hiện sớm các bất cân xứng kỳ hạn giữa nguồn vốn và sử dụng vốn để ngăn ngừa rủi ro thanh khoản lan truyền.
  3. Hiệu quả kinh tế (ROI) và khả năng mở rộng:
    • Việc tự động hóa quy trình phân tích CAMELS giúp giảm 70% thời gian tổng hợp báo cáo tài chính định kỳ, tiết kiệm hàng trăm giờ làm việc cho khối quản trị rủi ro và mang lại giá trị định lượng danh mục chính xác.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Nghiên cứu phụ thuộc vào dữ liệu công khai trên BCTC hợp nhất kiểm toán (dữ liệu theo quý/năm), chưa tiếp cận được chi tiết nhật ký giao dịch thời gian thực (Core Banking GL) và phân loại nhóm nợ nội bộ theo từng hợp đồng tín dụng.
  • Rào cản trích lập dự phòng: Các quy định giãn, hoãn nợ theo Thông tư 01/2020 và 14/2021 khiến bức tranh nợ xấu tiềm ẩn có thể bị che mờ cục bộ nếu không có dữ liệu đối chiếu danh mục ngoại bảng.
  • Hướng phát triển tương lai:
    • Tích hợp mô hình học máy (Machine Learning) như XGBoost/LightGBM để tự động phân loại rủi ro tín dụng và chấm điểm khả năng vỡ nợ (Probability of Default - PD).
    • Mở rộng phân tích các chỉ tiêu chuẩn mực Basel III nâng cao: 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).

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Tiếp cận mô hình nghiên cứu chuẩn mực, kết hợp lý thuyết CAMELS với dữ liệu thực chứng sống động tại một trong những NHTM hàng đầu Việt Nam.
  • Chuyên viên Phân tích Dữ liệu & Quản trị Rủi ro (Risk Analysts): Nhận được bộ công thức, mã nguồn mẫu và phương pháp luận lượng hóa 6 chiều tài chính ngân hàng.
  • Nhà đầu tư & Cổ đông: Sở hữu công cụ đánh giá sức khỏe nội tại, khả năng sinh lời bền vững và độ an toàn của cổ phiếu ngân hàng trước khi đưa ra quyết định giải ngân.
  • Lãnh đạo & Nhà hoạch định chính sách: Có thêm cơ sở thực tiễn để đánh giá tác động của các thông tư điều hành và tối ưu hóa hệ số an toàn vốn toàn ngành.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu tối thiểu để triển khai mô hình CAMELS là gì?

Cần tối thiểu hệ thống Báo cáo Tài chính hợp nhất kiểm toán 3 năm liên tiếp (Bảng cân đối kế toán, Báo cáo kết quả HĐKD, Báo cáo lưu chuyển tiền tệ và Thuyết minh BCTC chi tiết) cùng các chỉ tiêu an toàn vốn theo Thông tư 41/2016/TT-NHNN.

2. Làm thế nào để giải quyết tình trạng nợ xấu tiềm ẩn bị che giấu bởi chính sách giãn nợ?

Cần tính toán thêm tỷ lệ bao phủ nợ xấu (Loan Loss Reserve / NPL), xem xét tốc độ tăng chi phí dự phòng rủi ro tín dụng và đối chiếu số liệu bán nợ sang VAMC để phản ánh trung thực chất lượng tài sản.

3. Mô hình CAMELS có thể tích hợp trực tiếp vào hệ thống Core Banking không?

Hoàn toàn có thể. Bằng cách kết nối API qua các tầng cơ sở dữ liệu trung gian (Data Warehouse/Data Lake), hệ thống có thể trích xuất dữ liệu tự động để tạo báo cáo CAMELS định kỳ theo ngày/tuần.

4. Tỷ lệ an toàn vốn CAR của MBBank đạt 10,29% có ý nghĩa gì đối với người gửi tiền?

Mức CAR 10,29% vượt chuẩn 9% của NHNN đồng nghĩa với việc ngân hàng sở hữu tấm đệm vốn tự có vững chắc, đảm bảo khả năng chi trả và an toàn tuyệt đối cho các khoản tiền gửi của khách hàng ngay cả trong kịch bản thị trường gặp biến cố lớn.

5. Chi phí triển khai và thời gian thu hồi vốn (ROI) khi chuẩn hóa mô hình này là bao lâu?

Khi triển khai dưới dạng phần mềm phân tích nội bộ (In-house Engine), chi phí chủ yếu là nhân sự phân tích và hạ tầng máy chủ cơ bản; thời gian hoàn vốn mang lại thông qua việc giảm thiểu rủi ro nợ xấu và tối ưu chi phí sử dụng vốn chỉ từ 6 đến 12 tháng.

Kết luận

Công trình nghiên cứu đã hoàn thành xuất sắc mục tiêu đánh giá toàn diện hiệu quả hoạt động kinh doanh của Ngân hàng TMCP Quân Đội (MBBank) giai đoạn 2019–2021 thông qua mô hình chuẩn mực quốc tế CAMELS. Kết quả định lượng khẳng định MBBank là một trong những định chế tài chính vững mạnh hàng đầu Việt Nam với mức an toàn vốn cao (CAR 10,29%), chất lượng tài sản sạch vượt bậc (NPL 0,90%), năng suất lao động ấn tượng (LNST/người đạt 831 triệu đồng) và tốc độ tăng trưởng lợi nhuận trước thuế đột phá (+54,63% năm 2021).

Mô hình CAMELS không chỉ là công cụ giám sát hữu hiệu cho các nhà quản trị ngân hàng mà còn là tài liệu tham khảo học thuật giá trị cho sinh viên, nhà phân tích và các nhà đầu tư trên thị trường tài chính hiện đại.