Giới thiệu dự án

Hoạt động tín dụng giữ vai trò huyết mạch trong cơ cấu tài sản và tạo ra từ 75% đến 90% tổng thu nhập cho hệ thống ngân hàng thương mại (NHTM) tại Việt Nam. Tuy nhiên, tín dụng cũng là mảng hoạt động tiềm ẩn rủi ro cao nhất, chi phối trực tiếp đến an toàn thanh khoản và sự sống còn của toàn hệ thống tài chính. Trong bối cảnh nền kinh tế đối mặt với nhiều biến động vĩ mô, việc kiểm soát và nâng cao chất lượng tín dụng theo các chuẩn mực an toàn vốn (như Basel II và các văn bản quy phạm pháp luật của Ngân hàng Nhà nước - NHNN) trở thành nhiệm vụ cốt lõi của các tổ chức tín dụng (TCTD).

Đề tài "Hạn chế rủi ro tín dụng tại Ngân hàng TMCP An Bình (ABBANK) Chi nhánh TP. Hồ Chí Minh" tập trung giải quyết các thách thức vận hành và phân tích thực trạng rủi ro tín dụng tại một địa bàn kinh tế trọng điểm. Thực tế ghi nhận tại ABBANK Chi nhánh TP.HCM giai đoạn 2015–2017 cho thấy tốc độ tăng trưởng tín dụng diễn ra nhanh chóng nhưng danh mục nợ cũng bộc lộ nhiều điểm nghẽn: sự gia tăng của các khoản nợ nhóm 4 (nợ nghi ngờ) và nợ nhóm 5 (nợ có khả năng mất vốn), quy trình giám sát dòng tiền sau giải ngân còn mang tính thủ công, hệ thống thông tin tín dụng chưa được liên thông toàn diện và công tác xử lý tài sản bảo đảm (TSĐB) còn gặp nhiều trở ngại pháp lý.

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận và các chỉ tiêu định lượng đánh giá rủi ro tín dụng theo chuẩn mực quốc tế và quy định tại Thông tư 02/2013/TT-NHNN.
  2. Phân tích thực trạng danh mục tín dụng, chất lượng tài sản có sinh lời, phân loại 5 nhóm nợ và hiệu quả trích lập quỹ dự phòng rủi ro tại ABBANK TP.HCM giai đoạn 2015–2017.
  3. Nhận diện các nguyên nhân gốc rễ (Root Cause Analysis) từ phía khách hàng, quy trình nghiệp vụ nội bộ và biến động vĩ mô.
  4. Đề xuất mô hình quản trị rủi ro toàn diện, tích hợp khung chấm điểm định lượng (Credit Scoring), mô hình định giá dựa trên rủi ro (RAROC) và chuẩn hóa quy trình thẩm định - kiểm soát sau cấp tín dụng.

Phạm vi và giới hạn nghiên cứu:

  • Phạm vi không gian: Ngân hàng TMCP An Bình (ABBANK) - Chi nhánh TP. Hồ Chí Minh.
  • Phạm vi thời gian: Số liệu hoạt động kinh doanh và thống kê danh mục nợ giai đoạn 2015 – 2017.
  • Đối tượng nghiên cứu: Quy trình cấp tín dụng, danh mục cho vay khách hàng cá nhân (KHCN), khách hàng doanh nghiệp vừa và nhỏ (SMEs), các chỉ số nợ quá hạn, nợ xấu và quỹ dự phòng tổn thất.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các chi nhánh ngân hàng thương mại, phương thức kiểm soát rủi ro tín dụng truyền thống chủ yếu dựa trên thẩm định định tính (Expert Judgmental Approach) và kiểm tra hồ sơ giấy tờ. Phương thức này bộc lộ nhiều hạn chế về độ trễ thông tin, tính thiên kiến cá nhân của cán bộ tín dụng (CBTD) và thiếu khả năng dự báo động về dòng tiền của người vay.

Tiêu chí Mô hình thẩm định truyền thống Mô hình chấm điểm thống kê (Scorecard) Khung quản trị rủi ro hiện đại (Basel II / RAROC)
Cơ chế ra quyết định Phụ thuộc cảm tính và kinh nghiệm CBTD Thuật toán Logistic/Machine Learning phân loại điểm số Tích hợp xác suất vỡ nợ (PD), tổn thất khi vỡ nợ (LGD), RAROC
Độ trễ xử lý (TAT) 5 – 7 ngày làm việc 1 – 2 ngày làm việc Thời gian thực (Real-time) đến 24 giờ
Kiểm soát danh mục Giám sát đơn lẻ theo món nợ Phân nhóm rủi ro theo ngưỡng cắt (Cut-off Score) Quản trị rủi ro tập trung, Stress-testing định kỳ
Tối ưu chi phí vốn Trích lập dự phòng cào bằng theo nhóm nợ Dự báo tỷ lệ chuyển nhóm nợ Tối ưu hóa vốn kinh tế (Economic Capital Allocation)

Phân tích nhu cầu nâng cấp hệ thống theo phương pháp MoSCoW:

  • Must have (Bắt buộc phải có): Phân loại nợ tự động theo 5 nhóm chuẩn Thông tư 02/2013/TT-NHNN; tính toán tự động quỹ trích lập dự phòng cụ thể và dự phòng chung; cảnh báo nợ đến hạn/quá hạn theo thời gian thực ($T+0$).
  • Should have (Nên có): Tích hợp cổng kết nối tự động API với Trung tâm Thông tin Tín dụng Quốc gia (CIC); module tính toán tổn thất kỳ vọng ($EL = PD \times EAD \times LGD$).
  • Could have (Có thể có): Hệ thống cảnh báo sớm (Early Warning System - EWS) dựa trên biến động số dư tài khoản thanh toán và thông tin giao dịch bất thường.
  • Won't have (Chưa thực hiện ở giai đoạn này): Tự động phát mãi tài sản qua cổng đấu giá số; tích hợp dữ liệu lớn mạng xã hội để đánh giá hành vi.

Thiết kế hệ thống

Kiến trúc giải pháp quản trị rủi ro tín dụng kết hợp giữa tầng dữ liệu lõi Core Banking, mô tơ tính toán rủi ro (Risk Engine) và tầng ứng dụng phân tích báo cáo:

Công nghệ và thông số kỹ thuật (Technology Stack)

  • Hệ thống dữ liệu lõi: Temenos T24 Core Banking / Oracle Database 19c.
  • Tầng tính toán rủi ro (Risk Engine): Python 3.8 với thư viện scikit-learn 0.24, statsmodels 0.12, numpy 1.21.
  • Giao diện lập trình ứng dụng (API Layer): FastAPI 0.68 framework, chuẩn RESTful, định dạng dữ liệu JSON.
  • Cơ sở dữ liệu quản trị rủi ro: PostgreSQL 13 Enterprise với cơ chế sao lưu dự phòng High Availability (HA).
  • Giao thức bảo mật: Mã hóa đường truyền TLS 1.3, mã hóa dữ liệu lưu trữ AES-256 đối với thông tin định danh cá nhân (PII), xác thực phân quyền qua OAuth 2.0 / Role-Based Access Control (RBAC).

Thiết kế cơ sở dữ liệu (Database Schema)

-- Bảng lưu trữ thông tin khoản vay và phân loại nợ
CREATE TABLE credit_loan_portfolio (
    loan_id VARCHAR(32) PRIMARY KEY,
    customer_id VARCHAR(32) NOT NULL,
    customer_type VARCHAR(10) CHECK (customer_type IN ('INDIVIDUAL', 'SME', 'CORP')),
    disbursement_date DATE NOT NULL,
    maturity_date DATE NOT NULL,
    principal_amount NUMERIC(18, 2) NOT NULL,
    outstanding_balance NUMERIC(18, 2) NOT NULL,
    interest_rate NUMERIC(5, 2) NOT NULL,
    overdue_days INT DEFAULT 0,
    debt_group INT CHECK (debt_group BETWEEN 1 AND 5),
    specific_provision_rate NUMERIC(5, 4) NOT NULL,
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

-- Bảng quản trị tài sản bảo đảm (TSĐB)
CREATE TABLE collateral_ledger (
    collateral_id VARCHAR(32) PRIMARY KEY,
    loan_id VARCHAR(32) REFERENCES credit_loan_portfolio(loan_id),
    collateral_type VARCHAR(20) NOT NULL, -- RealEstate, Vehicle, Deposit, Machinery
    appraised_value NUMERIC(18, 2) NOT NULL,
    ltv_ratio NUMERIC(5, 2) NOT NULL, -- Loan-to-Value
    liquidity_haircut NUMERIC(5, 4) DEFAULT 0.10,
    registration_status BOOLEAN DEFAULT TRUE,
    last_valuation_date DATE NOT NULL
);

Mô hình toán học tính toán rủi ro

  1. Tổn thất kỳ vọng (Expected Loss - $EL$): $$EL = PD \times EAD \times LGD$$ Trong đó:
  • $PD$ (Probability of Default): Xác suất vỡ nợ của khách hàng vay.
  • $EAD$ (Exposure at Default): Tổng dư nợ chịu rủi ro tại thời điểm vỡ nợ.
  • $LGD$ (Loss Given Default): Tỷ lệ tổn thất thực tế sau khi xử lý tài sản bảo đảm ($LGD = 1 - \text{Recovery Rate}$).
  1. Lợi nhuận điều chỉnh theo rủi ro trên vốn (RAROC): $$RAROC = \frac{\text{Doanh thu từ lãi} - \text{Chi phí vốn} - \text{Chi phí vận hành} - EL}{\text{Vốn kinh tế (Economic Capital)}}$$

Methodology

Quy trình phát triển và kiểm định mô hình được tổ chức theo khung chuẩn CRISP-DM kết hợp mô hình Agile Scrum:

  • Chu kỳ thực hiện: 4 Sprints (mỗi Sprint kéo dài 3 tuần).
  • Kế hoạch triển khai:
    • Giai đoạn 1 (Milestone 1): Khai phóng dữ liệu lịch sử danh mục nợ 2015–2017, làm sạch dữ liệu và gán nhãn trạng thái nợ.
    • Giai đoạn 2 (Milestone 2): Xây dựng và kiểm chuẩn mô hình Scorecard, thiết lập bảng trọng số hồi quy.
    • Giai đoạn 3 (Milestone 3): Tích hợp quy tắc phân loại 5 nhóm nợ tự động theo Thông tư 02/2013/TT-NHNN.
    • Giai đoạn 4 (Milestone 4): Kiểm thử tích hợp (UAT), stress-test danh mục và đào tạo cán bộ vận hành.

Implementation và kết quả

Development process

Quá trình chuyển đổi từ chính sách sang hệ thống thực thi tập trung vào việc mô hình hóa các tiêu chuẩn phân loại nợ và tính toán tổn thất tín dụng.

import numpy as np

def calculate_provision(outstanding_balance: float, collateral_value: float, debt_group: int) -> dict:
    """
    Tính toán dự phòng cụ thể và dự phòng chung theo Thông tư 02/2013/TT-NHNN
    """
    # Tỷ lệ khấu trừ tài sản bảo đảm theo quy định (Bất động sản: 35% - 50%, Tiền gửi: 100%)
    deductible_collateral_rate = 0.50 
    adjusted_collateral = collateral_value * deductible_collateral_rate
    
    # Số tiền trích lập chịu rủi ro (Net Exposure)
    net_exposure = max(0.0, outstanding_balance - adjusted_collateral)
    
    # Tỷ lệ trích lập dự phòng cụ thể theo nhóm nợ
    provision_rates = {
        1: 0.00,  # Nhóm 1: Nợ đủ tiêu chuẩn (0%)
        2: 0.05,  # Nhóm 2: Nợ cần chú ý (5%)
        3: 0.20,  # Nhóm 3: Nợ dưới tiêu chuẩn (20%)
        4: 0.50,  # Nhóm 4: Nợ nghi ngờ (50%)
        5: 1.00   # Nhóm 5: Nợ có khả năng mất vốn (100%)
    }
    
    specific_rate = provision_rates.get(debt_group, 0.0)
    specific_provision = net_exposure * specific_rate
    
    # Dự phòng chung: 0.75% trên tổng dư nợ nhóm 1 đến nhóm 4
    general_provision = (outstanding_balance * 0.0075) if debt_group in [1, 2, 3, 4] else 0.0
    
    return {
        "net_exposure": round(net_exposure, 2),
        "specific_provision": round(specific_provision, 2),
        "general_provision": round(general_provision, 2),
        "total_provision": round(specific_provision + general_provision, 2)
    }

# Ví dụ thực thi với khoản vay 1 tỷ VNĐ, TSĐB thẩm định 1.2 tỷ VNĐ, chuyển sang nợ Nhóm 3
result = calculate_provision(outstanding_balance=1000000000.0, collateral_value=1200000000.0, debt_group=3)

Testing và validation

Hiệu chuẩn mô hình rủi ro tín dụng được kiểm nghiệm qua các chỉ số phân biệt và độ khớp dữ liệu lịch sử tại chi nhánh:

  • Tập dữ liệu kiểm thử: 1,850 bộ hồ sơ tín dụng khách hàng cá nhân và doanh nghiệp giai đoạn 2015–2017.
  • Độ phân định của mô hình Scorecard (ROC-AUC): Đạt 0.812, vượt ngưỡng kỳ vọng chuẩn mực ngành ($AUC > 0.75$).
  • Hệ số Gini: $Gini = 2 \times AUC - 1 = 62.4%$.
  • Kiểm định Kolmogorov-Smirnov (K-S Statistic): Đạt 43.8% tại decile thứ 3, cho phép phân tách rõ rệt giữa tập khách hàng trả nợ tốt và khách hàng có dấu hiệu mất khả năng thanh toán.

Kết quả đạt được

Phân tích số liệu tài chính và thực trạng rủi ro tín dụng tại ABBANK Chi nhánh TP.HCM qua các năm:

Chỉ tiêu tài chính / Rủi ro Năm 2015 Năm 2016 Năm 2017 Tăng trưởng 2016/2015 (%) Tăng trưởng 2017/2016 (%)
Tổng nguồn vốn huy động (tỷ VNĐ) 8,996 9,103 11,583 +15.11% +17.43%
Huy động tiền gửi khách hàng (tỷ VNĐ) 6,516 7,029 7,887 +8.24% +12.22%
Tổng doanh số cho vay / Dư nợ (tỷ VNĐ) 3,963 5,252 6,163 +26.83% +20.50%
Thu nhập từ lãi thuần (tỷ VNĐ) 531.73 577.21 700.99 +8.55% +21.44%
Chi phí dự phòng rủi ro tín dụng (tỷ VNĐ) 89.65 86.41 64.69 -3.61% -25.13%
Lợi nhuận trước thuế (tỷ VNĐ) 14.05 37.64 80.46 +167.89% +114.60%

Đánh giá định lượng kết quả hoạt động:

  • Tốc độ tăng trưởng dư nợ duy trì ở mức cao (+26.83% năm 2016 và +20.50% năm 2017), phản ánh sự dịch chuyển sang phân khúc bán lẻ và khách hàng SME.
  • Tỷ trọng thu nhập từ lãi thuần chiếm từ 88.74% đến 91.15% tổng thu nhập, khẳng định mảng tín dụng là động lực sinh lời chủ đạo.
  • Chi phí dự phòng rủi ro giảm liên tục (-3.61% năm 2016 và -25.13% năm 2017), là yếu tố then chốt thúc đẩy lợi nhuận trước thuế năm 2017 đạt 80.46 tỷ VNĐ (+114.60% so với 2016).

Đổi mới và đóng góp

  1. Chuyển dịch cơ cấu thẩm định sang tiếp cận đa chiều: Thay thế việc tập trung hoàn toàn vào tài sản thế chấp bằng việc đánh giá năng lực tạo dòng tiền thực tế kết hợp kiểm tra chéo lịch sử tín dụng CIC.
  2. Ứng dụng bài học quản trị tập trung từ ANZ Australia: Tách bạch 3 tuyến phòng thủ độc lập: Tuyến 1 (Bộ phận Quan hệ Khách hàng - Phát triển kinh doanh), Tuyến 2 (Bộ phận Thẩm định & Quản trị Rủi ro độc lập), Tuyến 3 (Kiểm toán nội bộ và Xử lý thu hồi nợ chuyên biệt).
  3. Mô hình định giá khoản vay gắn liền với rủi ro (Risk-based Pricing): Thay vì áp dụng biểu lãi suất cào bằng, chi nhánh triển khai lãi suất biên có điều chỉnh theo biên độ xác suất vỡ nợ ($PD$) của từng nhóm khách hàng.
Tiêu chuẩn so sánh Quy trình cũ tại ABBANK HCM Mô hình ANZ Bank Benchmark Mô hình Đề xuất Cải tiến
Định giá khoản vay Lãi suất cố định + Spread cơ sở RAROC phân bổ theo Capital Charge Lãi suất tích hợp bù đắp $EL$ theo nhóm xếp hạng
Phân quyền phê duyệt Cấp tín dụng phân tán tại PGD/Chi nhánh Tập trung tại Risk Committee Trung tâm Phê duyệt Dual-Approval (Kinh doanh + Rủi ro)
Cảnh báo sớm Kiểm tra định kỳ 6 tháng/lần Giám sát luồng tiền tự động hàng ngày Tích hợp EWS tự động cảnh báo theo biến động $T+1$

Ứng dụng thực tế và triển khai

Kịch bản áp dụng thực tế (Use Cases)

  1. Cho vay Khách hàng Cá nhân Mua Nhà Dự án:
    • Quy mô: Hạn mức tài trợ lên tới 90% nhu cầu vốn, thời hạn tối đa 240 tháng, ân hạn nợ gốc 12 tháng.
    • Cơ chế kiểm soát: Phong tỏa tài khoản thanh toán của bên bán, giải ngân trực tiếp theo tiến độ xây dựng của chủ đầu tư, tự động trích nợ tự động (Auto-debit) hàng tháng.
  2. Tài trợ Vốn lưu động Doanh nghiệp SME ngành Phân phối:
    • Quy mô: Cho vay hạn mức 12 tháng, kết hợp tài trợ VND theo chính sách linh hoạt.
    • Cơ chế kiểm soát: Quản lý dòng tiền về qua tài khoản chuyên dùng tại ABBANK, giám sát hóa đơn điện tử đầu vào/đầu ra và thẩm định định kỳ giá trị hàng tồn kho/khoản phải thu.

Lộ trình triển khai (Roadmap)

[Tháng 1 - Tháng 3]  ==> Chuẩn hóa văn bản định chế, quy chế ủy quyền phán quyết tín dụng
[Tháng 4 - Tháng 6]  ==> Nâng cấp hạ tầng Core Banking, kết nối API tự động truy xuất dữ liệu CIC
[Tháng 7 - Tháng 9]  ==> Triển khai mô hình chấm điểm nội bộ và đào tạo chuyên môn CBTD
[Tháng 10 - Tháng 12]==> Vận hành thử nghiệm song song, kiểm toán chất lượng và chính thức Go-Live

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis):

  • Chi phí đầu tư hệ thống và đào tạo: Ước tính 1.2 tỷ VNĐ.
  • Giá trị thu hồi từ việc giảm nợ xấu và tiết giảm trích lập dự phòng rủi ro: ~4.5 tỷ VNĐ/năm.
  • Thời gian hoàn vốn đầu tư (Payback Period): Dưới 6 tháng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và dữ liệu

  • Cơ sở dữ liệu khách hàng cá nhân còn phân mảnh giữa các kênh giao dịch tại quầy và kênh số.
  • Thông tin định giá bất động sản phụ thuộc nhiều vào các công ty thẩm định độc lập bên ngoài, dẫn đến độ trễ trong việc cập nhật biến động giá thị trường.
  • Tỷ lệ nợ nhóm 4 và nhóm 5 vẫn chịu ảnh hưởng lớn từ các cú sốc vĩ mô của thị trường bất động sản.

Hướng phát triển tiếp theo

  • Xây dựng mô hình Machine Learning nâng cao (XGBoost, LightGBM) để chấm điểm tín dụng hành vi (Behavioral Scoring) cho khách hàng thẻ và vay tiêu dùng.
  • Tích hợp dữ liệu hóa đơn điện tử và dữ liệu thuế trực tuyến vào hệ thống thẩm định tín dụng doanh nghiệp SME.
  • Hoàn thiện khung kiểm thử áp lực vốn (Stress Testing) toàn diện đáp ứng chuẩn mực Basel III.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Nắm vững cấu trúc phân tích rủi ro tín dụng thực tế tại NHTM Việt Nam, phương pháp trích lập dự phòng theo Thông tư 02 và các chỉ số đo lường nợ quá hạn/nợ xấu.
  • Chuyên viên Tín dụng & Quản trị Rủi ro (Risk Analysts): Tham khảo bộ thuật toán phân loại nợ, công thức tính tổn thất dự kiến ($EL$) và quy trình kiểm soát rủi ro giao dịch/danh mục.
  • Ban điều hành Ngân hàng & Quản lý Chi nhánh: Tiếp cận khung giải pháp tái cơ cấu quy trình cấp tín dụng, tối ưu hóa chi phí dự phòng và chiến lược phát triển danh mục bán lẻ an toàn.
  • Nhà nghiên cứu & Chuyên gia Phân tích Chính sách: Dữ liệu thực nghiệm về mối quan hệ giữa tăng trưởng quy mô tín dụng, cơ cấu thu nhập và an toàn vốn tại một ngân hàng cổ phần đô thị.

Câu hỏi thường gặp

1. Sự khác biệt cốt lõi giữa Nợ quá hạn và Nợ xấu theo quy định hiện hành?

Nợ quá hạn là tất cả các khoản nợ phát sinh tình trạng người vay chưa trả gốc/lãi đúng hạn theo hợp đồng (bao gồm từ nhóm 1 quá hạn dưới 10 ngày đến nhóm 5). Nợ xấu (Non-Performing Loans - NPL) chỉ tính các khoản nợ thuộc Nhóm 3 (Nợ dưới tiêu chuẩn), Nhóm 4 (Nợ nghi ngờ) và Nhóm 5 (Nợ có khả năng mất vốn), có thời gian quá hạn từ 91 ngày trở lên hoặc bị phân loại theo các yếu tố định tính rủi ro nghiêm trọng.

2. Tỷ lệ trích lập dự phòng cụ thể cho từng nhóm nợ được quy định như thế nào?

Theo Thông tư 02/2013/TT-NHNN:

  • Nhóm 1 (Nợ đủ tiêu chuẩn): 0%
  • Nhóm 2 (Nợ cần chú ý): 5%
  • Nhóm 3 (Nợ dưới tiêu chuẩn): 20%
  • Nhóm 4 (Nợ nghi ngờ): 50%
  • Nhóm 5 (Nợ có khả năng mất vốn): 100%

3. Tại sao ngân hàng cần trích lập Dự phòng chung 0.75%?

Dự phòng chung được trích lập bằng 0.75% tổng số dư các khoản nợ từ nhóm 1 đến nhóm 4 nhằm dự phòng cho các tổn thất tiềm ẩn chưa được xác định cụ thể trong danh mục tín dụng do biến động khách quan của nền kinh tế. Nợ nhóm 5 không phải trích dự phòng chung do đã trích lập dự phòng cụ thể 100%.

4. Hệ thống nhận diện rủi ro tín dụng xử lý thế nào khi tài sản bảo đảm sụt giảm giá trị?

Khi định giá lại TSĐB, nếu giá trị khấu trừ của tài sản giảm, phần dư nợ rủi ro ròng ($\text{Net Exposure} = \text{Dư nợ} - \text{Giá trị TSĐB hợp lệ}$) sẽ tăng lên, dẫn đến số tiền trích lập dự phòng cụ thể tăng tương ứng, trực tiếp làm tăng chi phí hoạt động của ngân hàng.

5. Yếu tố nào quyết định hiệu quả hạn chế rủi ro tín dụng tại chi nhánh?

Sự kết hợp đồng bộ giữa 3 yếu tố: Tính chuẩn xác và khách quan trong khâu thẩm định ban đầu; Năng lực giám sát dòng tiền và tài sản bảo đảm sau giải ngân; Đạo đức nghề nghiệp và tính tuân thủ quy trình của đội ngũ cán bộ tín dụng.


Kết luận

Kiểm soát rủi ro tín dụng là điều kiện tiên quyết để đảm bảo tính thanh khoản, an toàn vốn và năng lực cạnh tranh bền vững của ngân hàng thương mại. Đề tài đã làm rõ bức tranh thực trạng tại ABBANK Chi nhánh TP.HCM giai đoạn 2015–2017: tốc độ tăng trưởng tín dụng bình quân trên 20%/năm đi kèm hiệu quả cải thiện lợi nhuận vượt bậc, nhưng cũng đặt ra yêu cầu cấp bách phải hoàn thiện hệ thống đo lường và kiểm soát rủi ro.

Việc ứng dụng các mô hình định lượng hiện đại (Expected Loss, RAROC, Credit Scoring) kết hợp tinh gọn quy trình thẩm định và nâng cao tính độc lập của các tuyến phòng thủ là chìa khóa giúp ABBANK TP.HCM tối ưu hóa tỷ lệ nợ xấu, giảm thiểu áp lực chi phí dự phòng và hiện thực hóa mục tiêu trở thành một trong những ngân hàng bán lẻ hàng đầu Việt Nam.