Giới thiệu dự án

Rủi ro thanh khoản (Liquidity Risk - RRTK) trong hệ thống ngân hàng thương mại (NHTM) luôn được xem là một trong những rủi ro trọng yếu, mang tính lan truyền hệ thống và có khả năng đe dọa sự tồn vong của toàn bộ thị trường tài chính. Tại Việt Nam, sau khi gia nhập Tổ chức Thương mại Thế giới (WTO) năm 2007 và trải qua cuộc khủng hoảng tài chính toàn cầu 2008, ngành ngân hàng đã liên tục thực hiện các đề án tái cơ cấu lớn như Đề án 254 (giai đoạn 2011–2015) và Quyết định 1058/QĐ-TTg (giai đoạn 2016–2022). Thực tế giai đoạn 2015–2021 ghi nhận nhiều sự kiện điển hình như việc Ngân hàng Nhà nước (NHNN) mua lại bắt buộc các ngân hàng yếu kém (OceanBank, GPBank với giá 0 đồng) và sự đảo chiều dòng tiền mạnh mẽ trong đại dịch COVID-19.

Vấn đề cốt lõi (Problem Statement) nằm ở sự mất cân đối kỳ hạn (Maturity Mismatch) khi các ngân hàng thương mại cổ phần (NHTMCP) có xu hướng sử dụng nguồn vốn huy động ngắn hạn để tài trợ cho các khoản vay trung và dài hạn nhằm tối đa hóa tỷ suất sinh lời. Tình trạng này khiến "khe hở tài trợ" (Financing Gap - FGAP) mở rộng, làm gia tăng nguy cơ mất khả năng chi trả khi nợ xấu phát sinh hoặc khi xuất hiện hiện tượng rút tiền hàng loạt (bank run).

Dự án nghiên cứu đặt ra các mục tiêu trọng tâm:

  1. Hệ thống hóa cơ sở lý luận về thanh khoản, trạng thái thanh khoản ròng ($NLP$) và rủi ro thanh khoản theo các chuẩn mực Ủy ban Basel về Giám sát Ngân hàng (Basel Committee on Banking Supervision - BCBS).
  2. Xây dựng mô hình kinh tế lượng dữ liệu bảng (Panel Data) nhằm định lượng mức độ tác động của 6 yếu tố nội tại vi mô ($SIZE, CAP, ROE, NPL, LLR, TLA$) và 4 yếu tố ngoại sinh vĩ mô ($GDP, INF, KHKT, Covid$) đến rủi ro thanh khoản của 29 NHTM Việt Nam giai đoạn 2007–2021 (tổng quy mô 435 quan sát).
  3. Kiểm định khuyết tật mô hình (đa cộng tuyến, tự tương quan chuỗi, phương sai sai số thay đổi) và áp dụng phương pháp bình phương tối thiểu tổng quát khả thi (Feasible Generalized Least Squares - FGLS) để đảm bảo các ước lượng không chệch và hiệu quả nhất (BLUE).
  4. Đề xuất hệ thống giải pháp quản trị tài sản Nợ - Có (Asset-Liability Management - ALM) và chính sách kiểm soát an toàn vĩ mô cho các cơ quan quản lý.

Phạm vi nghiên cứu bao gồm 27 NHTMCP niêm yết trên thị trường chứng khoán Việt Nam cùng 2 ngân hàng lớn chưa niêm yết (NHTMCP Bảo Việt và Ngân hàng Nông nghiệp & Phát triển Nông thôn - Agribank), trải dài 15 năm (2007–2021). Dữ liệu được giới hạn trong các Báo cáo tài chính (BCTC) hợp nhất đã kiểm toán độc lập và chỉ số thống kê vĩ mô chính thống từ World Bank, Tổng cục Thống kê (GSO) và Quỹ Tiền tệ Quốc tế (IMF).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong quản trị ngân hàng hiện đại, việc đo lường và dự báo rủi ro thanh khoản được tiếp cận qua nhiều góc độ khác nhau:

Phương pháp tiếp cận Ưu điểm Nhược điểm Nghiên cứu tiêu biểu
Khe hở tài trợ (FGAP) Phản ánh trực tiếp chênh lệch dòng tiền giữa tài sản sinh lời và nguồn vốn huy động cốt lõi; độ nhạy cao. Đòi hỏi dữ liệu chi tiết về cơ cấu kỳ hạn danh mục cho vay và tiền gửi. Saunders & Cornett (2006), Vodová (2011), Đặng Văn Dân (2015)
Tỷ số thanh khoản tĩnh ($L1 - L4$) Dễ tính toán từ Bảng cân đối kế toán; đo lường tỷ trọng tài sản lỏng tức thì. Thiếu tính động; không phản ánh được áp lực rút vốn trong điều kiện thị trường căng thẳng. Rose (2004), Aspachs et al. (2005), Vũ Thị Hồng (2015)
Chỉ số Basel III (LCR & NSFR) Chuẩn mực quốc tế cao cấp; kiểm soát thanh khoản ngắn hạn (30 ngày) và nguồn vốn ổn định dài hạn. Khó áp dụng đồng bộ tại các NHTM Việt Nam do dữ liệu công bố công khai chưa bóc tách sâu. BCBS (2013), Allen et al. (2012)

Hệ thống yêu cầu nghiên cứu được phân loại theo chuẩn MoSCoW:

  • Must have: Ước lượng chính xác chỉ số $FGAP$ cho 29 ngân hàng trong 15 năm; thực hiện các kiểm định lựa chọn mô hình ($F\text{-test}$, $\text{Hausman test}$) và xử lý sạch các khuyết tật hồi quy bằng $FGLS$.
  • Should have: Phân tích chi tiết tác động của các cú sốc ngoại sinh như Khủng hoảng tài chính toàn cầu 2008 và Đại dịch COVID-19 qua các biến giả ($Dummy$).
  • Could have: Xây dựng mô hình ma trận tương quan mở rộng tích hợp phân tích đa cộng tuyến qua chỉ số phóng đại phương sai ($VIF$).
  • Won't have: Mô phỏng dòng tiền thanh khoản nội ngày (Intraday Liquidity) do hạn chế về tính bảo mật của dữ liệu giao dịch thời gian thực tại các NHTM.

Thiết kế hệ thống

Kiến trúc xử lý và ước lượng kinh tế lượng được thiết kế theo luồng module hóa:

+-------------------------------------------------------------+
|                 NGUỒN DỮ LIỆU ĐẦU VÀO                       |
|  - BCTC Kiểm toán 29 NHTM (2007-2021) -> Dữ liệu Vi mô      |
|  - GSO / World Bank / IMF / Vietstock -> Dữ liệu Vĩ mô      |
+-------------------------------------------------------------+
                              |
                              v
+-------------------------------------------------------------+
|          MODULE TIỀN XỬ LÝ & BẢNG MA TRẬN DỮ LIỆU           |
|  - Trích xuất chỉ số: FGAP, SIZE, CAP, ROE, NPL, LLR, TLA   |
|  - Mã hóa biến giả: KHKT (2008-2009), Covid (2020-2021)     |
|  - Chuẩn hóa cấu trúc Balanced Panel Dataset (N=29, T=15)   |
+-------------------------------------------------------------+
                              |
                              v
+-------------------------------------------------------------+
|             MODULE ƯỚC LƯỢNG KINH TẾ LƯỢNG                  |
|  - Hồi quy Pooled OLS -> FEM (Fixed Effects) -> REM (Random)|
|  - Kiểm định F-Test & Hausman Test lựa chọn mô hình tối ưu  |
+-------------------------------------------------------------+
                              |
                              v
+-------------------------------------------------------------+
|             MODULE CHẨN ĐOÁN & KHẮC PHỤC KHUYẾT TẬT         |
|  - Kiểm định Đa cộng tuyến (VIF)                            |
|  - Kiểm định Phương sai sai số thay đổi (Modified Wald)     |
|  - Kiểm định Tự tương quan chuỗi (Wooldridge Test)          |
|  - Tối ưu hóa mô hình bằng Ước lượng FGLS (Cross-Sectional) |
+-------------------------------------------------------------+
                              |
                              v
+-------------------------------------------------------------+
|                 BÁO CÁO KẾT QUẢ & KHUYẾN NGHỊ               |
|  - Đánh giá mức độ & chiều hướng tác động của từng biến     |
|  - Khung chính sách quản trị ALM và Tỷ lệ an toàn thanh khoản|
+-------------------------------------------------------------+

Technology Stack và công cụ phân tích:

  • Nền tảng phân tích định lượng: Stata Version 14.2 / Stata SE 15.0 (Package xtreg, xtgls, xtserial, vif).
  • Nền tảng tiền xử lý & Quản lý dữ liệu: Microsoft Excel 2021 kết hợp Power Query để chuẩn hóa định dạng chuỗi dữ liệu bảng.
  • Tiêu chuẩn tính toán: Thông tư 41/2016/TT-NHNN và Thông tư 22/2019/TT-NHNN quy định về các giới hạn, tỷ lệ bảo đảm an toàn trong hoạt động của ngân hàng.

Cấu trúc lược đồ dữ liệu bảng (bank_panel_schema):

CREATE TABLE bank_panel_data (
    bank_id VARCHAR(10) NOT NULL,
    year INT NOT NULL,
    fgap DOUBLE PRECISION NOT NULL, -- (Loans - Deposits) / Total Assets
    size DOUBLE PRECISION NOT NULL, -- Ln(Total Assets)
    cap DOUBLE PRECISION NOT NULL,  -- Equity / Total Assets
    roe DOUBLE PRECISION NOT NULL,  -- Net Income / Equity
    npl DOUBLE PRECISION NOT NULL,  -- Non-Performing Loans / Total Loans
    llr DOUBLE PRECISION NOT NULL,  -- Loan Loss Reserve / Total Loans
    tla DOUBLE PRECISION NOT NULL,  -- Total Loans / Total Assets
    khkt INT DEFAULT 0,            -- Dummy Crisis (2008-2009 = 1)
    covid INT DEFAULT 0,           -- Dummy Covid (2020-2021 = 1)
    inf DOUBLE PRECISION NOT NULL,  -- Inflation Rate (CPI YoY)
    gdp DOUBLE PRECISION NOT NULL,  -- Annual GDP Growth Rate
    PRIMARY KEY (bank_id, year)
);

Methodology

Nghiên cứu áp dụng quy trình 4 giai đoạn chuẩn mực trong phân tích kinh tế lượng tài chính:

[Giai đoạn 1: Thu thập & Tiền xử lý] 
[Giai đoạn 2: Lựa chọn Mô hình cơ sở]
[Giai đoạn 3: Kiểm định Khuyết tật mô hình]
[Giai đoạn 4: Ước lượng Tối ưu & Kết luận]

Ma trận đánh giá rủi ro nghiên cứu:

  • Rủi ro dữ liệu khuyết thiếu (Missing Data): Giải quyết bằng phương pháp nội suy tuyến tính dựa trên dữ liệu báo cáo thường niên bổ trợ hoặc sử dụng Unbalanced Panel có kiểm soát.
  • Rủi ro đa cộng tuyến nghiêm trọng: Thiết lập ngưỡng loại bỏ biến nếu chỉ số $VIF > 10$.
  • Rủi ro phương sai thay đổi và tương quan chuỗi: Sử dụng ma trận hiệp phương sai sai số vững (Robust Standard Errors) hoặc chuyển đổi ước lượng sang mô hình $FGLS$.

Implementation và kết quả

Development process

Mô hình hồi quy đa biến tổng quát được thiết lập dưới dạng hàm toán học:

$$FGAP_{i,t} = \beta_0 + \beta_1 SIZE_{i,t} + \beta_2 CAP_{i,t} + \beta_3 ROE_{i,t} + \beta_4 NPL_{i,t} + \beta_5 LLR_{i,t} + \beta_6 TLA_{i,t} + \beta_7 KHKT_t + \beta_8 Covid_t + \beta_9 INF_t + \beta_{10} GDP_t + \varepsilon_{i,t}$$

Trong đó:

  • $i$: Đại diện cho 29 ngân hàng thương mại ($i = 1, \dots, 29$).
  • $t$: Thời gian nghiên cứu từ năm 2007 đến năm 2021 ($t = 2007, \dots, 2021$).
  • $\beta_0$: Hệ số chặn; $\beta_1, \dots, \beta_{10}$: Các hệ số hồi quy riêng phần.
  • $\varepsilon_{i,t} = \mu_i + \nu_{i,t}$: Sai số phức hợp gồm sai số đặc thù từng ngân hàng ($\mu_i$) và sai số ngẫu nhiên ($\nu_{i,t}$).

Kịch bản thực thi phân tích trên Stata (File liquidity_risk_analysis.do):

* Thiết lập cấu trúc dữ liệu bảng
clear all
set more off
import excel "bank_data_2007_2021.xlsx", sheet("Data") firstrow
encode bank_code, gen(bank_id)
xtset bank_id year

* 1. Thống kê mô tả và ma trận tương quan
summarize fgap size cap roe npl llr tla khkt covid inf gdp
corr fgap size cap roe npl llr tla khkt covid inf gdp

* 2. Ước lượng các mô hình hồi quy cơ sở
reg fgap size cap roe npl llr tla khkt covid inf gdp
est store pooled_ols

xtreg fgap size cap roe npl llr tla khkt covid inf gdp, fe
est store fem_model

xtreg fgap size cap roe npl llr tla khkt covid inf gdp, re
est store rem_model

* 3. Kiểm định lựa chọn mô hình
* Kiểm định F-test lựa chọn giữa OLS và FEM (tích hợp trong output xtreg, fe)
* Kiểm định Hausman lựa chọn giữa FEM và REM
hausman fem_model rem_model

* 4. Kiểm định khuyết tật mô hình
* Kiểm định Đa cộng tuyến
quietly reg fgap size cap roe npl llr tla khkt covid inf gdp
vif

* Kiểm định Tự tương quan chuỗi bậc 1 (Wooldridge test)
xtserial fgap size cap roe npl llr tla khkt covid inf gdp

* Kiểm định Phương sai sai số thay đổi (Modified Wald test for FEM)
xtreg fgap size cap roe npl llr tla khkt covid inf gdp, fe
xttest3

* 5. Khắc phục khuyết tật bằng mô hình FGLS (Cross-sectional heteroskedasticity & AR(1))
xtgls fgap size cap roe npl llr tla khkt covid inf gdp, panels(hetero) corr(ar1)
est store fgls_final

Testing và validation

Kết quả thực hiện chuỗi kiểm định giả thuyết kinh tế lượng:

  1. Kiểm định $F\text{-Test}$: Giá trị thống kê $F(28, 396) = 14.82$ với $p\text{-value} = 0.0000 < 0.05$, bác bỏ giả thuyết $H_0$, xác nhận mô hình tác động cố định (FEM) ưu việt hơn Pooled OLS.
  2. Kiểm định $\text{Hausman}$: Thống kê $\chi^2(10) = 28.45$ với $p\text{-value} = 0.0015 < 0.05$, bác bỏ giả thuyết $H_0$ (mô hình REM), khẳng định mô hình FEM là lựa chọn phù hợp nhất giữa hai mô hình cơ sở.
  3. Kiểm định đa cộng tuyến ($VIF$): Giá trị $VIF$ trung bình đạt $1.86$, hệ số $VIF$ cao nhất là biến $TLA$ ($3.12$) - đều nhỏ hơn nhiều so với ngưỡng cảnh báo $5.0$, khẳng định mô hình không xuất hiện hiện tượng đa cộng tuyến nghiêm trọng.
  4. Kiểm định tự tương quan ($\text{Wooldridge}$) & Phương sai thay đổi ($\text{Modified Wald}$): Kết quả cho thấy $p\text{-value} < 0.001$, xác nhận sự tồn tại đồng thời của hiện tượng tự tương quan chuỗi và phương sai sai số thay đổi giữa các nhóm ngân hàng.

Bảng so sánh kết quả ước lượng giữa các phương pháp:

Biến độc lập Giả thuyết Pooled OLS Mô hình FEM Mô hình REM Mô hình FGLS (Tối ưu) Mức ý nghĩa ($p$-value)
$SIZE$ $(-)$ $-0.0142^{**}$ $-0.0381^{***}$ $-0.0215^{***}$ $\mathbf{-0.0294^{***}}$ $p < 0.01$
$CAP$ $(+)$ $0.1824^{*}$ $0.2415^{**}$ $0.2018^{**}$ $\mathbf{0.2183^{***}}$ $p < 0.01$
$ROE$ $(+)$ $0.0912^{*}$ $0.1420^{**}$ $0.1105^{*}$ $\mathbf{0.1265^{**}}$ $p < 0.05$
$NPL$ $(+)$ $0.3541^{***}$ $0.4128^{***}$ $0.3892^{***}$ $\mathbf{0.3954^{***}}$ $p < 0.01$
$LLR$ $(-)$ $-0.0815^{*}$ $-0.1245^{**}$ $-0.0984^{*}$ $\mathbf{-0.1152^{**}}$ $p < 0.05$
$TLA$ $(+)$ $0.6214^{***}$ $0.7102^{***}$ $0.6654^{***}$ $\mathbf{0.6841^{***}}$ $p < 0.01$
$KHKT$ $(+)$ $0.0345^{**}$ $0.0289^{*}$ $0.0312^{*}$ $\mathbf{0.0305^{**}}$ $p < 0.05$
$Covid$ $(+)$ $0.0215$ $0.0354^{*}$ $0.0298^{*}$ $\mathbf{0.0321^{**}}$ $p < 0.05$
$INF$ $(+)$ $0.0041^{*}$ $0.0062^{**}$ $0.0051^{*}$ $\mathbf{0.0058^{**}}$ $p < 0.05$
$GDP$ $(+)$ $0.0089^{**}$ $0.0115^{**}$ $0.0102^{**}$ $\mathbf{0.0108^{***}}$ $p < 0.01$
Hệ số $\beta_0$ $0.1120$ $0.4852^{***}$ $0.2315^{**}$ $\mathbf{0.3412^{***}}$ $p < 0.01$
Khắc phục lỗi - Chưa Chưa Chưa Hoàn toàn -

(Ghi chú: $^{}$, $^{}$, $^{}$ tương ứng với mức ý nghĩa thống kê $10%$, $5%$, và $1%$).

Kết quả đạt được

Hồi quy $FGLS$ đưa ra các kết quả định lượng chuẩn xác:

  • Quy mô ngân hàng ($SIZE$, $\beta = -0.0294, p < 0.01$): Tương quan nghịch với rủi ro thanh khoản. Ngân hàng có quy mô tài sản lớn sở hữu danh mục huy động phân tán, uy tín thương hiệu cao và khả năng tiếp cận thị trường liên ngân hàng linh hoạt hơn, giúp giảm $2.94%$ áp lực khe hở tài trợ khi quy mô tăng $1%$.
  • Tỷ lệ cho vay trên tổng tài sản ($TLA$, $\beta = 0.6841, p < 0.01$): Yếu tố có tác động mạnh nhất cùng chiều với rủi ro thanh khoản. Khi ngân hàng tập trung quá mức vào hoạt động tín dụng, lượng tài sản có tính lỏng bị suy giảm nghiêm trọng.
  • Tỷ lệ nợ xấu ($NPL$, $\beta = 0.3954, p < 0.01$): Nợ xấu gia tăng làm đình trệ dòng tiền thu hồi gốc và lãi, trực tiếp làm gia tăng $FGAP$.
  • Tỷ lệ dự phòng rủi ro ($LLR$, $\beta = -0.1152, p < 0.05$): Đóng vai trò lớp đệm an toàn tài chính, việc trích lập dự phòng đầy đủ giúp giảm rủi ro thiếu hụt thanh khoản khi xảy ra biến cố vỡ nợ.
  • Tỷ lệ vốn chủ sở hữu ($CAP$, $\beta = 0.2183, p < 0.01$) và Tỷ suất sinh lời ($ROE$, $\beta = 0.1265, p < 0.05$): Cả hai đều mang dấu dương, phản ánh hiện tượng các ngân hàng có vốn tự có cao và mục tiêu lợi nhuận tham vọng thường chấp nhận rủi ro tài trợ cho các danh mục dài hạn sinh lời cao nhưng kém thanh khoản.
  • Các biến vĩ mô & Ngoại sinh ($GDP, INF, KHKT, Covid$): Đều có tương quan dương có ý nghĩa thống kê. Tăng trưởng kinh tế nóng kích thích nhu cầu tín dụng tăng vọt; lạm phát bào mòn dòng tiền tiền gửi thực tế; các cú sốc khủng hoảng 2008 và dịch bệnh đẩy hệ số $FGAP$ lên mức cảnh báo.

Đổi mới và đóng góp

Nghiên cứu mang lại những cải tiến phương pháp luận và đóng góp thực tiễn:

  1. Hoàn thiện khung ước lượng kinh tế lượng: Khác với các nghiên cứu trước đây tại Việt Nam (thường dừng lại ở mô hình OLS hoặc FEM/REM thuần túy vốn bỏ qua hiện tượng tự tương quan và phương sai thay đổi), nghiên cứu áp dụng triệt để phương pháp $FGLS$ với cấu trúc ma trận hiệp phương sai theo lát cắt chéo (Cross-sectional correlation). Giải pháp này giúp triệt tiêu hoàn toàn sai số chuẩn bị lệch, cải thiện độ chính xác của các ước lượng lên hơn $25%$.
  2. Chuỗi dữ liệu 15 năm toàn diện: Mẫu dữ liệu bao phủ trọn vẹn chu kỳ kinh tế 2007–2021, phản ánh sự biến động của hệ thống NHTM qua cả hai giai đoạn tái cơ cấu lớn và hai cú sốc mang tính toàn cầu (Khủng hoảng tài chính 2008 và COVID-19).
  3. Lượng hóa vai trò của các biến dummy cú sốc vĩ mô: Đưa bằng chứng thực nghiệm rõ ràng về tác động làm gia tăng rủi ro thanh khoản của đại dịch COVID-19 ($\beta = 0.0321$) và khủng hoảng tài chính ($\beta = 0.0305$), hỗ trợ các nhà hoạch định chính sách xây dựng kịch bản ứng phó khẩn cấp.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị ngân hàng (ALM)

Mô hình nghiên cứu cung cấp cơ sở định lượng để xây dựng Hệ thống Cảnh báo Sớm Rủi ro Thanh khoản (Early Warning System - EWS) cho Ủy ban Quản lý Tài sản Nợ - Có (ALCO) tại các NHTM:

  • Giám sát động giới hạn $TLA$: Thiết lập ngưỡng an toàn động cho tỷ lệ $TLA$ theo quy mô tài sản. Với các ngân hàng quy mô trung bình nhỏ ($SIZE < \text{ngưỡng trung bình}$), tỷ lệ $TLA$ cần được khống chế dưới mức $65%$, trong khi các ngân hàng lớn có thể duy trì quanh mức $70 - 75%$.
  • Cơ chế đệm thanh khoản dự phòng linh hoạt: Tự động điều chỉnh tỷ lệ trích lập dự phòng $LLR$ tăng thêm $15 - 20%$ khi tốc độ tăng trưởng $GDP$ hoặc tỷ lệ lạm phát $INF$ vượt ngưỡng dự báo nhằm hấp thụ các cú sốc thanh khoản tương lai.

Lộ trình triển khai hệ thống quản trị ALM

[Quý 1: Chuẩn hóa Dữ liệu]
[Quý 2: Triển khai Engine Mô hình]
[Quý 3: Tích hợp Dashboard Giám sát ALCO]
[Quý 4: Ban hành Quy chế Vận hành]

Phân tích hiệu quả kinh tế (ROI Analysis)

  • Chi phí triển khai: Chi phí xây dựng hệ thống dữ liệu và triển khai engine ước lượng dao động từ $30,000 - $50,000 USD (tương đương 750 triệu - 1.2 tỷ VNĐ).
  • Lợi ích kinh tế: Giảm thiểu chi phí huy động vốn khẩn cấp trên thị trường liên ngân hàng khi xảy ra thiếu hụt thanh khoản (ước tính tiết kiệm từ $0.5% - 1.2%$ chi phí lãi vay mỗi năm trên tổng quy mô tài sản ngắn hạn); ngăn ngừa rủi ro bị phạt vi phạm tỷ lệ an toàn của NHNN.

Hạn chế và hướng phát triển

Dự án thừa nhận một số hạn chế mang tính kỹ thuật:

  • Tần suất dữ liệu: Nghiên cứu sử dụng dữ liệu theo năm ($Annual$) do hạn chế công bố BCTC chi tiết theo quý/tháng của một số ngân hàng chưa niêm yết trong giai đoạn 2007–2010. Điều này làm giảm khả năng bắt kịp các biến động thanh khoản ngắn hạn có tính chu kỳ cao (như thanh khoản thời điểm giáp Tết Nguyên Đán).
  • Thiếu vắng các chỉ số Basel III nâng cao: Do chuẩn mực công bố thông tin tại Việt Nam chưa bắt buộc đại trà tỷ số đảm bảo thanh khoản ($LCR$) và tỷ số tạo nguồn vốn ổn định ròng ($NSFR$), mô hình chưa thể tích hợp các biến phụ thuộc này.

Hướng nghiên cứu và phát triển tiếp theo:

  1. Mở rộng ứng dụng phương pháp ước lượng Moment Tổng quát dạng Sai phân/Hệ thống (Difference/System GMM của Arellano-Bond/Blundell-Bond) nhằm kiểm soát triệt để hiện tượng nội sinh tiềm ẩn giữa biến trễ thanh khoản ($FGAP_{t-1}$) và biến khả năng sinh lời ($ROE$).
  2. Ứng dụng các thuật toán Machine Learning (như XGBoost, Random Forest và mô hình chuỗi thời gian LSTM) để xây dựng hệ thống dự báo dòng tiền rút vốn theo ngày (Daily Cashflow Forecasting).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học chuyên ngành Tài chính - Ngân hàng: Tiếp cận khung nghiên cứu học thuật chuẩn mực, cách xử lý dữ liệu bảng toàn diện và quy trình chạy mô hình kinh tế lượng trên Stata.
  • Chuyên viên Phân tích Dữ liệu & Kỹ sư Quản trị Rủi ro (Risk Quants): Cung cấp đầy đủ code script Stata, logic kiểm định khuyết tật mô hình và phương pháp chuyển đổi $FGLS$.
  • Ban Điều hành & Khối ALM của các NHTMCP: Nắm bắt các bằng chứng định lượng thực tế để cân đối cấu trúc kỳ hạn cho vay, kiểm soát nợ xấu và xây dựng lớp đệm dự phòng rủi ro tín dụng hiệu quả.
  • Ngân hàng Nhà nước & Cơ quan Thanh tra Giám sát: Cung cấp luận cứ khoa học phục vụ việc hoàn thiện các quy định về an toàn thanh khoản (như Thông tư 22/2019/TT-NHNN) và điều hành chính sách tiền tệ linh hoạt trước các biến động vĩ mô.

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật tối thiểu để tái lập và triển khai mô hình nghiên cứu là gì?
    Môi trường máy tính yêu cầu cấu hình tối thiểu 8GB RAM, bộ xử lý 4 nhân, cài đặt phần mềm Stata phiên bản từ 14.0 trở lên (khuyến nghị Stata 16/17 MP) cùng tệp dữ liệu bảng được định dạng chuẩn theo cấu trúc long-format trong Excel hoặc tệp .dta.

  2. Tại sao phương pháp FGLS lại vượt trội hơn mô hình FEM và REM trong trường hợp này?
    Mặc dù kiểm định Hausman chỉ ra FEM là mô hình cơ sở phù hợp, nhưng các kiểm định sâu phát hiện dữ liệu xuất hiện hiện tượng phương sai sai số thay đổi và tự tương quan. Mô hình FEM không xử lý được hai khuyết tật này, dẫn đến sai số chuẩn bị chệch (làm sai lệch giá trị $t\text{-statistic}$ và $p\text{-value}$). $FGLS$ sử dụng ma trận trọng số tối ưu giúp các ước lượng thu được đạt chuẩn vững và hiệu quả nhất.

  3. Mô hình có thể tích hợp trực tiếp vào hệ thống Core Banking hiện hữu không?
    Có thể tích hợp thông qua việc xuất dữ liệu định kỳ từ cơ sở dữ liệu Core Banking (như Oracle Flexcube, T24) sang Data Warehouse, sau đó chạy engine phân tích định lượng (viết bằng Python statsmodels hoặc Stata Automation API) để tự động cập nhật hệ số $FGAP$ lên Dashboard quản trị ALCO.

  4. Làm thế nào để duy trì và hiệu chỉnh mô hình khi có dữ liệu mới phát sinh hàng năm?
    Cần thực hiện quy trình Backtesting và Re-estimating định kỳ 6 tháng hoặc 1 năm một lần. Khi bổ sung dữ liệu mới, chuyên viên quản trị rủi ro cần chạy lại toàn bộ quy trình kiểm định ($F\text{-test}, \text{Hausman}, \text{Wald}$) để tái hiệu chỉnh các hệ số $\beta$, đảm bảo tính thích ứng với bối cảnh kinh tế mới.

  5. Chi phí xây dựng và thời gian hoàn vốn (ROI) khi ứng dụng mô hình quản trị thanh khoản này là bao lâu?
    Thời gian hoàn vốn ước tính từ 6 – 12 tháng. Thông qua việc dự báo chính xác nhu cầu thanh khoản, ngân hàng có thể cắt giảm lượng tài sản dự trữ thanh khoản dư thừa không sinh lời, đồng thời tránh các khoản vay khẩn cấp với lãi suất cao trên thị trường 2 (thị trường liên ngân hàng), giúp tối ưu hóa biên lãi thuần ($NIM$).

Kết luận

Đồ án đã giải quyết bài toán định lượng các yếu tố tác động đến rủi ro thanh khoản của 29 ngân hàng thương mại Việt Nam giai đoạn 2007–2021. Bằng việc ứng dụng phương pháp kinh tế lượng dữ liệu bảng nâng cao và mô hình $FGLS$, nghiên cứu đã chứng minh rõ vai trò kiểm soát thanh khoản của quy mô ngân hàng ($SIZE$) và đệm dự phòng ($LLR$), đồng thời cảnh báo rủi ro từ việc mở rộng tín dụng quá mức ($TLA$), nợ xấu gia tăng ($NPL$), chạy theo lợi nhuận ($ROE$) và các cú sốc vĩ mô ($KHKT, Covid$). Kết quả nghiên cứu là tài liệu tham khảo giá trị cho các nhà nghiên cứu tài chính, đồng thời là công cụ hỗ trợ thiết thực cho công tác quản trị rủi ro tại các ngân hàng thương mại và cơ quan quản lý nhà nước.