Giới thiệu dự án

Rủi ro thanh khoản (Liquidity Risk) được ví như cơn nhồi máu cơ tim trong hệ thống ngân hàng thương mại (NHTM). Tính liên kết hệ thống cao khiến sự đổ vỡ thanh khoản tại một định chế tài chính đơn lẻ có thể nhanh chóng tạo ra phản ứng dây chuyền (hiệu ứng Domino), đe dọa an toàn tài chính quốc gia. Lịch sử ngành ngân hàng Việt Nam đã chứng kiến nhiều cú sốc thanh khoản nghiêm trọng: từ vụ rút tiền đột biến tại Ngân hàng Phương Nam (2005) khiến tổ chức phải ứng cấp 53 tỷ đồng từ Ngân hàng Nhà nước (NHNN), sự cố hợp nhất bắt buộc 3 ngân hàng SCB - Ficombank - TinNghiaBank (2011) do lạm dụng vốn ngắn hạn cho vay trung dài hạn, đến sự kiện khách hàng rút hơn 8.000 tỷ đồng khỏi ACB chỉ trong 48 giờ sau biến cố nhân sự cấp cao năm 2012.

Giai đoạn 2018–2019, thị trường tài chính Việt Nam đối mặt nhiều biến động vĩ mô phức tạp: chỉ số VN-Index giảm 9,32% (chốt năm 2018 ở mức 892,54 điểm), nợ công chạm ngưỡng xấp xỉ 65% GDP, và lãi suất liên ngân hàng kỳ hạn qua đêm có thời điểm chạm đỉnh 3,91%/năm, kỳ hạn 3 tháng lên tới 5,6%/năm. Cùng với lộ trình siết tỷ lệ vốn ngắn hạn cho vay trung dài hạn từ 60% xuống 40% theo Thông tư 06/2016/TT-NHNN và chuẩn mực an toàn vốn Basel II (Thông tư 41/2016/TT-NHNN), bài toán kiểm soát thanh khoản trở thành ưu tiên sống còn.

+-----------------------------------------------------------------------------+
|                       CÁC CÚ SỐC THANH KHOẢN ĐIỂN HÌNH                       |
+-----------------------------------------------------------------------------+
| [2005] Phương Nam Bank: Rút đột biến -> Cần 53 tỷ VND hỗ trợ khẩn cấp       |
| [2011] SCB - Ficombank - TinNghiaBank: Mất thanh khoản do lệch kỳ hạn       |
| [2012] ACB: Rút ròng > 8.000 tỷ VND trong 48h sau sự cố điều hành           |
| [2018] Hệ thống NHTM: Lãi suất liên ngân hàng tăng vọt (3M: 5,6%, 6M: 6,2%) |
+-----------------------------------------------------------------------------+

Vấn đề nghiên cứu thực tế

Mặc dù nhận thức về rủi ro thanh khoản đã nâng cao, phần lớn các NHTM trong nước vẫn quản lý rủi ro thụ động dựa trên các chỉ số tĩnh tại thời điểm báo cáo (Static GAP analysis) hoặc quá phụ thuộc vào sự điều tiết thanh khoản từ NHNN qua thị trường mở (OMO). Kỹ thuật kiểm tra sức chịu đựng (Stress Testing) định lượng dưới các kịch bản cực đoan nhưng có khả năng xảy ra (extreme but plausible) vẫn chưa được chuẩn hóa toàn diện trong chương trình đào tạo và thực tiễn vận hành.

Mục tiêu dự án

  1. Hệ thống hóa cơ sở lý luận: Chuẩn hóa khung phương pháp luận Stress Test rủi ro thanh khoản theo chuẩn mực quốc tế của Quỹ Tiền tệ Quốc tế (IMF) và Ủy ban Basel.
  2. Xây dựng mô hình định lượng: Mô hình hóa kịch bản rút tiền hàng loạt độc lập (không có sự trợ cấp khẩn cấp từ NHNN hay thị trường liên ngân hàng) theo phương pháp tiếp cận thời điểm (Stock-based Top-down Approach).
  3. Đo lường và đánh giá thực nghiệm: Áp dụng mô hình để kiểm định sức chịu đựng thanh khoản của Ngân hàng TMCP Kỹ Thương Việt Nam (Techcombank - TCB) giai đoạn 2013–2018.
  4. Đánh giá so sánh hệ thống: Mở rộng kiểm định trên 6 NHTM lớn khác (VCB, BIDV, VietinBank, Agribank, VPBank, MBBank) để thiết lập bức tranh so sánh tương quan toàn ngành.
  5. Đề xuất khuyến nghị chiến lược: Xây dựng lộ trình giải pháp kiểm soát dòng tiền, cơ cấu danh mục tài sản Có – Nợ và tối ưu hóa năng lực đệm thanh khoản.

Phương pháp tiếp cận và phạm vi

  • Phương pháp: Ứng dụng mô hình Stress Test của Martin Čihák (IMF, 2007) kết hợp khung phân tích của Christian Schmieder (2011) và nghiên cứu thực nghiệm tại Việt Nam của Nguyễn Minh Sáng (2013).
  • Phạm vi dữ liệu: Báo cáo tài chính kiểm toán hợp nhất giai đoạn 2013–2018 của Techcombank và 6 NHTM đối sánh.
  • Kết quả kỳ vọng: Lượng hóa chính xác số ngày sống sót ($N$ days of survival) của ngân hàng trước cú sốc rút tiền kéo dài 5 ngày, xác định ngưỡng đệm thanh khoản khả dụng và trạng thái thanh khoản ròng (Net Liquidity Position - NLP).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong quản trị ngân hàng truyền thống, các công cụ quản lý thanh khoản thường gặp nhiều hạn chế khi đối mặt với các biến cố phi tuyến tính.

Phương pháp Ưu điểm Nhược điểm Khả năng ứng phó khủng hoảng
Chỉ số tỷ lệ tĩnh (LDR, LCR tĩnh) Dễ tính toán, tuân thủ quy định hành chính Mang tính chất thời điểm, bỏ qua độ nhạy thị trường Kém, không dự báo được cú sốc dây chuyền
Phân tích khe hở đáo hạn (GAP) Thấy được độ lệch kỳ hạn tài sản Giả định danh mục đứng yên, không tính hành vi khách hàng Trung bình, sai lệch lớn khi có tin đồn tiêu cực
Stress Test thời điểm (Stock-based) Đơn giản, dùng dữ liệu BCTC, mô phỏng bán tháo tài sản Bỏ qua các giao dịch phát sinh mới trong kỳ Tốt, đo lường được số ngày sinh tồn độc lập
Stress Test dòng tiền (Flow-based) Dự báo dòng tiền động, bám sát hành vi Cực kỳ phức tạp, đòi hỏi dữ liệu nội bộ vi mô Rất cao, phù hợp quản trị chuyên sâu nội bộ

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have: Thuật toán tính toán dòng tiền ra từ tiền gửi có kỳ hạn/không kỳ hạn bằng VND và Ngoại tệ; hàm chiết khấu bán tháo tài sản thanh khoản (Haircut); trạng thái thanh khoản lũy kế 5 ngày.
  • Should have: Bảng so sánh chỉ số giữa các ngân hàng cùng nhóm quy mô (Peer group comparison); cơ chế phân loại tài sản thanh khoản cao (High-Quality Liquid Assets - HQLA).
  • Could have: Khả năng tùy biến tỷ lệ sốc ($\beta_i, \mu_i$) linh hoạt theo từng kịch bản vĩ mô.
  • Won't have (lần này): Tích hợp định giá hợp đồng phái sinh phức tạp thời gian thực (Real-time Derivatives pricing).

Thiết kế hệ thống đo lường

Hệ thống mô phỏng Stress Test được thiết kế theo quy trình Top-down 4 tầng:

flowchart TD
    A[Bảng cân đối kế toán: BCTC 2013-2018] --> B[Tầng Phân loại Tài sản & Nguồn vốn]
    B --> C1[Tài sản thanh khoản LA: Tiền mặt, Gửi NHNN, Trái phiếu CP]
    B --> C2[Tài sản kém thanh khoản ILA: Cho vay, Chứng khoán khác]
    B --> C3[Nguồn vốn huy động: Tiền gửi KKH & CKH - VND & FX]
    
    C1 & C2 & C3 --> D[Tầng Tạo sốc kịch bản Čihák - 5 Ngày]
    D --> E[Tầng Tính toán Dòng tiền thuần NCF & NLP]
    E --> F{NLP >= 0 qua từng ngày?}
    F -- Có --> G[Xác định số ngày sinh tồn: Vượt qua bài kiểm tra]
    F -- Không --> H[Ngân hàng vỡ thanh khoản kỹ thuật tại Ngày t]

Công thức toán học cốt lõi

  1. Dòng tiền ra trong ngày $t$ ($Outflow_t$): $$Outflow_t = \sum_{k=1}^{4} Deposit_{k, t-1} \times \beta_{k, t}$$ Trong đó: $Deposit_k$ là số dư các loại tiền gửi (Không kỳ hạn VND, Không kỳ hạn FX, Có kỳ hạn VND, Có kỳ hạn FX); $\beta_{k, t}$ là tỷ lệ rút tiền giả định tại ngày $t$.

  2. Dòng tiền vào tạo ra từ thanh lý tài sản ($Inflow_t$): $$Inflow_t = LA_{t-1} \times \mu_{1, t} + ILA_{t-1} \times \mu_{2, t}$$ Trong đó: $LA$ là tài sản thanh khoản, $ILA$ là tài sản kém thanh khoản; $\mu_1, \mu_2$ là tỷ lệ chuyển đổi thành tiền mặt thực tế sau khi chịu tỷ lệ chiết khấu giảm giá (Haircut).

  3. Trạng thái thanh khoản thuần lũy kế ($NPL_t$): $$NPL_t = NPL_{t-1} + (Inflow_t - Outflow_t)$$ Điều kiện an toàn thanh khoản: $NPL_t \ge 0, \quad \forall t \in [1, 5]$.

Technology Stack & Công cụ triển khai

  • Ngôn ngữ & Nền tảng tính toán: Python 3.10 (thư viện pandas 2.0, numpy 1.24) kết hợp Microsoft Excel 2019 / Visual Basic for Applications (VBA) phục vụ thẩm định chéo.
  • Tiêu chuẩn dữ liệu: Báo cáo tài chính theo Chuẩn mực Kế toán Việt Nam (VAS) và quy định phân loại nợ theo Thông tư 02/2013/TT-NHNN, Thông tư 36/2014/TT-NHNN.

Phương pháp luận (Methodology)

Dự án áp dụng quy trình định lượng chuẩn mực với 4 mốc tiến độ chính:

  1. Khảo sát & Làm sạch dữ liệu: Bóc tách số liệu bảng cân đối kế toán của 7 ngân hàng thương mại giai đoạn 2013–2018.
  2. Hiệu chỉnh kịch bản Stress Test: Thiết lập kịch bản rút tiền hàng loạt dựa trên nghiên cứu của Martin Čihák (2007) và hiệu chỉnh theo bối cảnh thị trường Việt Nam (kịch bản Nguyễn Minh Sáng, Dương Quốc Anh).
  3. Mô phỏng lặp: Chạy mô hình tính toán lũy kế dòng tiền theo bước thời gian hàng ngày ($t = 1 \dots 5$).
  4. Thẩm định & Đánh giá rủi ro: Đối soát kết quả với các chỉ số an toàn thực tế (CAR, LDR, tỷ lệ nguồn vốn ngắn hạn cho vay trung dài hạn).

Implementation và kết quả

Quy trình triển khai thuật toán Stress Test

Thuật toán được xây dựng nhằm mô phỏng sức chịu đựng của bảng cân đối kế toán khi xảy ra làn sóng rút tiền liên tục trong 5 ngày làm việc mà không có nguồn hỗ trợ thanh khoản ngoại sinh.

import pandas as pd
import numpy as np

def run_liquidity_stress_test(bank_data: dict, scenario_params: dict) -> pd.DataFrame:
    """
    Mo phong Stress Test thanh khoan Top-down 5 ngay theo khung Martin Cihak (2007)
    """
    days = [1, 2, 3, 4, 5]
    results = []
    
    # So du ban dau tai Ngay 0
    dd_vnd = bank_data['demand_deposit_vnd']
    dd_fx = bank_data['demand_deposit_fx']
    td_vnd = bank_data['time_deposit_vnd']
    td_fx = bank_data['time_deposit_fx']
    liquid_assets = bank_data['liquid_assets']
    illiquid_assets = bank_data['illiquid_assets']
    
    cumulative_net_cf = 0.0
    
    for t in days:
        # Ty le rut tien va ty le chuyen doi tai san trong ngay t
        b1 = scenario_params['beta_dd_vnd'][t-1]
        b2 = scenario_params['beta_dd_fx'][t-1]
        b3 = scenario_params['beta_td_vnd'][t-1]
        b4 = scenario_params['beta_td_fx'][t-1]
        m1 = scenario_params['mu_liquid'][t-1]
        m2 = scenario_params['mu_illiquid'][t-1]
        
        # Tinh dong tien ra moi
        outflow_today = (dd_vnd * b1) + (dd_fx * b2) + (td_vnd * b3) + (td_fx * b4)
        
        # Tinh dong tien vao moi tu thanh ly tai san
        inflow_today = (liquid_assets * m1) + (illiquid_assets * m2)
        
        # Cap nhat trang thai thanh khoan rong luy ke
        net_cf_today = inflow_today - outflow_today
        cumulative_net_cf += net_cf_today
        
        # Kiem tra trang thai thanh khoan
        is_liquid = 1 if cumulative_net_cf >= 0 else 0
        
        results.append({
            'Day': t,
            'Cash_Outflow': outflow_today,
            'Cash_Inflow': inflow_today,
            'Cumulative_Net_CF': cumulative_net_cf,
            'Is_Liquid': is_liquid
        })
        
        # Cap nhat so du tai san va nguon von cho ngay tiep theo
        dd_vnd *= (1 - b1)
        dd_fx *= (1 - b2)
        td_vnd *= (1 - b3)
        td_fx *= (1 - b4)
        liquid_assets *= (1 - m1)
        illiquid_assets *= (1 - m2)
        
    return pd.DataFrame(results)

Kịch bản kiểm định và tham số giả định

Kịch bản rút tiền khẩn cấp giả định khách hàng hoảng loạn rút tiền liên tục trong 5 ngày làm việc với các hệ số rút tiền và khả năng chuyển đổi tài sản như sau:

Tham số kịch bản Ngày 1 Ngày 2 Ngày 3 Ngày 4 Ngày 5
Rút tiền gửi KKH VND ($\beta_1$) 15,0% 12,0% 10,0% 8,0% 5,0%
Rút tiền gửi KKH Ngoại tệ ($\beta_2$) 15,0% 12,0% 10,0% 8,0% 5,0%
Rút tiền gửi CKH VND ($\beta_3$) 10,0% 8,0% 6,0% 4,0% 2,0%
Rút tiền gửi CKH Ngoại tệ ($\beta_4$) 10,0% 8,0% 6,0% 4,0% 2,0%
Khả năng bán TS Thanh khoản ($\mu_1$) 80,0% 70,0% 60,0% 50,0% 40,0%
Khả năng bán TS Kém thanh khoản ($\mu_2$) 1,0% 1,0% 1,0% 1,0% 1,0%

Kết quả đo lường thực nghiệm

1. Kết quả kiểm tra sức chịu đựng tại Techcombank (2013–2018)

Ứng dụng mô hình trên dữ liệu BCTC của Techcombank qua 6 năm cho thấy khả năng chống chịu rủi ro thanh khoản của ngân hàng được cải thiện vượt bậc:

                      DIỄN BIẾN SỐ DƯ TÀI SẢN & ĐỆM THANH KHOẢN TCB (2013-2018)
   Tổng Tài Sản (nghìn tỷ VND)
      400 |                                                          [321.0]
      300 |                                          [269.1] --------+
      200 |          [175.9] ------ [192.0] ---------+
      100 |  [158.8] -+
        0 +----------------------------------------------------------------->
             2013     2014          2015           2016     2017       2018
   Kết quả: Vượt qua cả 5 ngày kiểm tra Stress Test với NPL lũy kế luôn dương (> 0)
  • Giai đoạn 2013–2015: Mặc dù vượt qua 5 ngày kiểm tra, đệm thanh khoản khả dụng sau ngày thứ 5 ở mức vừa phải do tỷ lệ nợ xấu còn tồn đọng sau khủng hoảng bất động sản 2011–2012.
  • Giai đoạn 2016–2018: Techcombank bứt phá mạnh mẽ về cấu trúc vốn. Đến năm 2018, tổng tài sản đạt trên 321.000 tỷ đồng, hệ số an toàn vốn (CAR) đạt mức cao hàng đầu hệ thống (>14%), danh mục trái phiếu Chính phủ và tiền gửi thanh toán (CASA) dồi dào, giúp dòng tiền thuần lũy kế sau 5 ngày sốc duy trì trạng thái thặng dư lớn.

2. Kết quả so sánh tương quan 7 Ngân hàng Thương mại (2013–2018)

Ngân hàng Phân nhóm Số ngày chịu đựng (2013-2015) Số ngày chịu đựng (2016-2018) Đánh giá khả năng phòng thủ thanh khoản
Techcombank (TCB) NHTMCP Tư nhân lớn 5 / 5 ngày 5 / 5 ngày Rất tốt (Cơ cấu tài sản lỏng chất lượng cao, CAR cao)
Vietcombank (VCB) NHTMCP Gốc quốc doanh 5 / 5 ngày 5 / 5 ngày Xuất sắc (Nguồn tiền gửi CASA vượt trội, thanh khoản dồi dào)
BIDV (BIDV) NHTMCP Gốc quốc doanh 4 - 5 ngày 5 / 5 ngày Tốt (Quy mô tài sản lớn, áp lực tăng vốn nhẹ)
VietinBank (CTG) NHTMCP Gốc quốc doanh 4 - 5 ngày 5 / 5 ngày Tốt (Hệ số CAR chịu áp lực, nhưng danh mục cho vay tốt)
Agribank NHTM 100% vốn Nhà nước 4 - 5 ngày 5 / 5 ngày Khá (Mạng lưới rộng lớn, tiền gửi phân tán)
VPBank (VPB) NHTMCP Tư nhân 4 ngày 5 / 5 ngày Khá (Tăng trưởng tín dụng tiêu dùng nóng, cần kiểm soát LDR)
MB (MBB) NHTMCP Trực thuộc BQP 5 / 5 ngày 5 / 5 ngày Rất tốt (Quản trị rủi ro chặt chẽ, chi phí vốn thấp)

Đổi mới và đóng góp

Điểm mới trong phương pháp nghiên cứu

  1. Nội địa hóa khung phân tích chuẩn quốc tế: Đã chuyển hóa thành công mô hình Stress Test lý thuyết của Martin Čihák (IMF, 2007) thành mô hình định lượng tương thích hoàn toàn với hệ thống tài khoản và chuẩn mực kế toán Việt Nam (VAS).
  2. Kịch bản sốc đa tầng không ngoại viện: Thiết lập kịch bản cô lập cực đoan (Zero External Support), loại bỏ hoàn toàn giả định về gói cứu trợ thanh khoản từ NHNN hoặc liên ngân hàng, từ đó bộc lộ chính xác sức khỏe nội tại của từng bảng cân đối tài sản.
  3. Phân tách chi tiết rủi ro theo loại tiền tệ: Tách biệt luồng tiền rút của VND và Ngoại tệ (USD/EUR), phản ánh đúng tâm lý găm giữ ngoại tệ và hiện tượng đô-la hóa cục bộ khi xảy ra khủng hoảng tài chính tại các thị trường mới nổi.

So sánh với các nghiên cứu trước đây

+-----------------------------------------------------------------------------+
|                         SO SÁNH CÁC KHUNG NGHIÊN CỨU                         |
+-----------------------------------------------------------------------------+
| 1. Mô hình Martin Čihák (2007)                                              |
|    - Phạm vi: Khung mẫu chuẩn toàn cầu cho các đợt đánh giá FSAP            |
|    - Hạn chế: Giả định tỷ lệ rút tiền đồng nhất, chưa phân loại sâu VAS     |
|                                                                             |
| 2. Nghiên cứu Dương Quốc Anh & CS (2012)                                    |
|    - Phạm vi: Đặt nền móng lý luận Stress Test tại Việt Nam                 |
|    - Hạn chế: Dữ liệu mẫu mang tính chất thử nghiệm hệ thống chung          |
|                                                                             |
| 3. Đề tài ứng dụng tại Techcombank (Nghiên cứu này)                         |
|    - Đóng góp: Đo lường chuỗi thời gian 6 năm (2013–2018), đối sánh 7 ngân  |
|      hàng trụ cột, phân rã sâu tài sản Có/Nợ và chiết khấu Haircut thực tế |
+-----------------------------------------------------------------------------+

Đóng góp thực tiễn cho ngành

Nghiên cứu cung cấp một công cụ kiểm định độ nhạy thanh khoản có tính ứng dụng tức thì, giúp bộ phận Quản trị rủi ro (Risk Management) và Hội đồng Quản lý Tài sản Nợ - Có (ALCO) của các NHTM chủ động thiết lập hạn mức đệm thanh khoản, không còn phụ thuộc vào các ngưỡng an toàn tối thiểu mang tính hình thức.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong vận hành ngân hàng

  • Tại Khối Quản trị Rủi ro (Risk Division): Chạy định kỳ mô hình Stress Test hàng tuần hoặc đột xuất khi thị trường tài chính có biến động mạnh (như khi Fed tăng lãi suất hoặc tỷ giá USD/VND biến động vượt biên độ) nhằm cảnh báo sớm mức độ hao hụt vốn khả dụng.
  • Tại Khối Nguồn vốn & Thị trường Tài chính (Treasury): Tính toán chính xác lượng tài sản thanh khoản cao (High-Quality Liquid Assets - HQLA) tối thiểu cần nắm giữ dưới dạng trái phiếu Chính phủ và tín phiếu NHNN để sẵn sàng chiết khấu/tái cấp vốn.
  • Tại Hội đồng ALCO: Định hướng cơ cấu kỳ hạn huy động vốn và tăng trưởng tín dụng, kiểm soát chặt chẽ tỷ lệ sử dụng vốn ngắn hạn cho vay trung dài hạn dưới ngưỡng quy định 40%.

Lộ trình triển khai hệ thống quản trị thanh khoản toàn diện

gantt
    title Lộ trình 4 giai đoạn ứng dụng Stress Test tại NHTM
    dateFormat  YYYY-MM
    section Giai đoạn 1: Chuẩn hóa dữ liệu
    Bóc tách dữ liệu Core Banking & Phân loại tài sản         :2020-01, 3M
    section Giai đoạn 2: Tự động hóa mô hình
    Xây dựng công cụ tính toán tự động & Dashboard ALCO       :2020-04, 3M
    section Giai đoạn 3: Tích hợp Basel II/III
    Triển khai giám sát LCR & NSFR theo chuẩn quốc tế         :2020-07, 6M
    section Giai đoạn 4: Mở rộng Stress Test
    Chuyển đổi sang Flow-based Dynamic Simulation             :2021-01, 6M

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Tính chất tĩnh của phương pháp Stock-based: Mô hình thời điểm giả định danh mục tài sản và nguồn vốn đứng yên tại ngày chốt sổ sách, chưa phản ánh đầy đủ các dòng tiền vào/ra phát sinh liên tục trong ngày từ các cam kết cấp tín dụng ngoại bảng, hợp đồng phái sinh hoặc thanh toán liên ngân hàng.
  2. Yếu tố hành vi phi tuyến tính: Các hệ số rút tiền ($\beta$) và tỷ lệ bán tháo tài sản ($\mu$) được thiết lập cố định theo kịch bản, trong khi trên thực tế hành vi tháo chạy của người gửi tiền bị chi phối nặng nề bởi tâm lý đám đông và tốc độ lan truyền của mạng xã hội.

Hướng nghiên cứu tiếp theo

  • Chuyển dịch sang mô hình dòng tiền động (Flow-based Dynamic Simulation): Xây dựng ma trận dòng tiền vào/ra theo từng ngày thực tế với độ phân giải cao, tích hợp dự báo xác suất vỡ nợ (PD) và tỷ lệ tổn thất khi vỡ nợ (LGD) của danh mục tín dụng.
  • Tích hợp toàn diện Basel III: Ứng dụng đầy đủ hai chỉ số giám sát thanh khoản chuẩn mực: Tỷ lệ đảm bảo khả năng thanh khoản ngắn hạn (Liquidity Coverage Ratio - LCR $\ge 100%$) và Tỷ lệ tạo vốn ổn định ròng dài hạn (Net Stable Funding Ratio - NSFR $\ge 100%$).
  • Ứng dụng Machine Learning: Áp dụng các thuật toán học máy (Machine Learning) để dự báo sớm dòng tiền rút bất thường dựa trên hành vi giao dịch thời gian thực của từng phân khúc khách hàng.

Đối tượng hưởng lợi

  • Sinh viên & Giảng viên khối ngành Tài chính - Ngân hàng: Tiếp cận tài liệu thực nghiệm chuyên sâu, minh họa sinh động cách đưa lý thuyết quản trị rủi ro thanh khoản quốc tế vào thực tế ngân hàng Việt Nam.
  • Chuyên viên Phân tích & Quants tại các Định chế Tài chính: Sở hữu khung logic, thuật toán mẫu và bộ tham số định lượng cụ thể để xây dựng các công cụ đo lường Stress Testing nội bộ.
  • Lãnh đạo Ngân hàng & Thành viên ALCO: Nắm bắt phương pháp luận đánh giá sức bền thanh khoản của ngân hàng mình trong tương quan so sánh với các đối thủ cạnh tranh, từ đó hoạch định chính sách nguồn vốn tối ưu.
  • Cơ quan Quản lý (NHNN & Cơ quan Thanh tra Giám sát): Tham khảo thêm góc nhìn phân tích Top-down để giám sát rủi ro thanh khoản mang tính hệ thống và thiết lập các kịch bản kiểm tra sức chịu đựng vĩ mô hàng năm.

Câu hỏi thường gặp

1. Điều kiện kỹ thuật tối thiểu để triển khai mô hình Stress Test này là gì?

Ngân hàng chỉ cần trích xuất dữ liệu chi tiết từ Báo cáo tài chính hoặc hệ thống Core Banking bao gồm: phân rã tiền gửi theo loại tiền tệ (VND/Ngoại tệ), theo kỳ hạn (không kỳ hạn/có kỳ hạn), danh mục tài sản có tính lỏng cao (tiền mặt, tiền gửi tại NHNN, trái phiếu Chính phủ) và các tài sản kém thanh khoản. Mô hình có thể vận hành trên nền tảng Microsoft Excel nâng cao hoặc các tập lệnh Python chuyên dụng.

2. Sự khác biệt căn bản giữa Stress Test Top-down và Bottom-up là gì?

Phương pháp Top-down do Cơ quan quản lý (NHTW) hoặc chuyên gia phân tích thực hiện trên dữ liệu tổng hợp của toàn hệ thống/từng ngân hàng với cùng một kịch bản chung, cho phép so sánh đồng hạng giữa các ngân hàng. Phương pháp Bottom-up do chính từng ngân hàng tự thực hiện dựa trên dữ liệu vi mô của từng hợp đồng và khách hàng cụ thể, phản ánh chi tiết danh mục nội bộ nhưng khó so sánh chéo.

3. Tại sao ngân hàng vẫn có thể mất khả năng thanh toán dù vốn chủ sở hữu rất lớn và kinh doanh có lãi?

Khả năng thanh toán (Solvency) phản ánh giá trị tài sản Có lớn hơn tài sản Nợ (vốn chủ sở hữu dương). Tuy nhiên, nếu tài sản của ngân hàng chủ yếu nằm ở dạng tài sản kém thanh khoản (như dư nợ cho vay trung dài hạn, bất động sản), khi người gửi tiền đồng loạt rút vốn ngắn hạn, ngân hàng không thể chuyển đổi kịp tài sản ra tiền mặt để chi trả. Sự thâm hụt tiền mặt tức thời này dẫn đến mất thanh khoản (Illiquidity) và có thể kích hoạt phá sản kỹ thuật.

4. Tỷ lệ chiết khấu (Haircut) khi bán tài sản thanh lý được xác định như thế nào?

Trong điều kiện thị trường căng thẳng, việc bán khẩn cấp một lượng lớn tài sản (đặc biệt là trái phiếu doanh nghiệp hoặc các khoản vay) sẽ làm tăng cung đột biến, khiến giá trị tài sản bị sụt giảm. Tỷ lệ Haircut là mức phần trăm giảm giá trị tài sản so với mệnh giá sổ sách để có thể bán được ngay lập tức nhằm thu hồi tiền mặt.

5. Kết quả Stress Test tại Techcombank giai đoạn 2013–2018 mang lại bài học kinh nghiệm gì?

Techcombank đã cho thấy chiến lược chuyển đổi cấu trúc tài chính bền vững: giảm phụ thuộc vào tín dụng rủi ro cao, đẩy mạnh tỷ lệ tiền gửi không kỳ hạn (CASA) với chi phí vốn thấp, duy trì đệm an toàn vốn CAR vượt trội (>14%) và chủ động tăng cường danh mục tài sản thanh khoản chất lượng cao. Điều này giúp ngân hàng dễ dàng vượt qua các cú sốc rút tiền giả định khắt khe.

Kết luận

Đo lường rủi ro thanh khoản thông qua kỹ thuật Stress Test không chỉ là công cụ phân tích học thuật mà là lá chắn an toàn tối quan trọng cho hệ thống ngân hàng thương mại trước những biến động khó lường của kinh tế toàn cầu. Bằng việc lượng hóa tác động của các kịch bản rút tiền khẩn cấp độc lập trên dữ liệu thực tế giai đoạn 2013–2018, nghiên cứu đã chứng minh tính hiệu quả của phương pháp tiếp cận thời điểm Top-down theo mô hình Martin Čihák trong việc bóc tách sức bền tài chính của Techcombank và các NHTM trụ cột tại Việt Nam.

Kết quả nghiên cứu khẳng định tầm quan trọng của việc chủ động tái cấu trúc kỳ hạn bảng cân đối kế toán, nâng cao chất lượng đệm tài sản thanh khoản và chuẩn bị sẵn sàng cho lộ trình áp dụng toàn diện các chuẩn mực Basel III. Đây là nền tảng vững chắc giúp các nhà quản trị rủi ro và các nhà nghiên cứu tài chính tiếp tục phát triển các mô hình giám sát an toàn vĩ mô hiệu quả hơn trong kỷ nguyên số hóa ngành ngân hàng.