Giới thiệu dự án

Hoạt động kinh doanh của các ngân hàng thương mại (NHTM) tại Việt Nam vận hành trong một môi trường tài chính biến động liên tục, nơi lãi suất chịu tác động trực tiếp từ chính sách tiền tệ của Ngân hàng Nhà nước (NHNN), cung - cầu vốn thị trường và lộ trình hội nhập quốc tế (WTO, CPTPP, Basel II/III). Theo thống kê của ngành ngân hàng, thu nhập từ lãi thuần (Net Interest Income - NII) chiếm từ 70% đến 85% tổng thu nhập hoạt động của các NHTM Việt Nam. Do đó, biến động bất lợi của lãi suất thị trường tạo ra rủi ro lãi suất trên sổ ngân hàng (Interest Rate Risk in the Banking Book - IRRBB), đe dọa trực tiếp đến hệ số thu nhập lãi thuần cận biên (Net Interest Margin - NIM) và giá trị kinh tế của vốn chủ sở hữu (Economic Value of Equity - EVE).

Tại Ngân hàng TMCP Công Thương Việt Nam (VietinBank) – Chi nhánh Hội An, đặc thù kinh tế địa phương tập trung mạnh vào thương mại, dịch vụ lưu trú và du lịch. Điều này dẫn đến sự mất cân xứng nghiêm trọng về kỳ hạn giữa cơ cấu tài sản và nguồn vốn:

  • Nguồn vốn huy động chủ yếu là tiền gửi ngắn hạn dưới 12 tháng từ dân cư và các tổ chức kinh tế (năm 2015 đạt 412.981 triệu VNĐ, năm 2017 tăng lên 634.460 triệu VNĐ, chiếm hơn 62% tổng nguồn vốn huy động).
  • Hoạt động tín dụng lại ưu tiên các khoản vay trung và dài hạn phục vụ đầu tư cơ sở hạ tầng du lịch, khách sạn, bất động sản nghỉ dưỡng (chiếm tới 65 - 70% tổng dư nợ giai đoạn 2015–2016).

Mất cân xứng kỳ hạn (Maturity Mismatch) này đẩy chi nhánh vào tình trạng rủi ro tái tài trợ (Refinancing Risk) khi lãi suất huy động tăng cao và rủi ro tái đầu tư (Reinvestment Risk) khi lãi suất cho vay biến động.

       +-------------------------------------------------------------+
       |   Nguồn vốn huy động: Ngắn hạn (<12T) chiếm >62%            |
       |   [Tiền gửi KHDN & Dân cư: 634.460 tỷ VNĐ năm 2017]         |
       +------------------------------+------------------------------+
                                      |
                           (Kỳ hạn lệch pha / Mismatch)
                                      v
       +-------------------------------------------------------------+
       |   Tài sản tín dụng: Trung & Dài hạn (>12T) chiếm 65-70%      |
       |   [Dư nợ cho vay Du lịch/Lưu trú: 1.525.922 tỷ VNĐ năm 2017]|
       +-------------------------------------------------------------+

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận về quản trị rủi ro lãi suất (IRRBB) và các mô hình đo lường tài chính chuẩn mực (Repricing Model, Maturity Model, Duration Model).
  2. Phân tích thực trạng hoạt động kinh doanh, cơ cấu nguồn vốn và tài sản có sinh lời tại VietinBank Hội An giai đoạn 2015–2017.
  3. Ứng dụng mô hình tái định giá (Repricing Model) để lượng hóa khe hở nhạy cảm lãi suất (IS GAP), tỷ lệ nhạy cảm lãi suất (ISR), và mô phỏng mức độ nhạy cảm của NII khi lãi suất biến động $\pm 100 \text{ bps}$ ($\pm 1%$).
  4. Đề xuất hệ thống giải pháp tái cấu trúc danh mục tài sản - nợ (ALM), đa dạng hóa sản phẩm phái sinh lãi suất (IRS, Cap/Floor) theo Thông tư 01/2015/TT-NHNN và Thông tư 36/2014/TT-NHNN (sửa đổi bởi Thông tư 06/2016/TT-NHNN).

Dự án giới hạn phạm vi nghiên cứu tại VietinBank Hội An với dữ liệu thực tế giai đoạn 2015–2017, tập trung vào phương pháp phân tích định lượng dựa trên giá trị ghi sổ của danh mục tài sản nhạy cảm lãi suất (Rate Sensitive Assets - RSA) và nợ nhạy cảm lãi suất (Rate Sensitive Liabilities - RSL).


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Quản trị Tài sản Có – Tài sản Nợ (Asset - Liability Management - ALM) tại các chi nhánh NHTM phụ thuộc vào công cụ đo lường rủi ro được lựa chọn. Dưới đây là phân tích ưu nhược điểm của các giải pháp đo lường:

Tiêu chí Mô hình Kỳ hạn đến hạn (Maturity Model) Mô hình Tái định giá (Repricing Model) Mô hình Thời lượng (Duration Model)
Bản chất đo lường Chênh lệch kỳ hạn danh nghĩa giữa TS Có và TS Nợ Đo lường chênh lệch luồng tiền định giá lại trong các khung kỳ hạn (Bucket) Đo lường độ nhạy cảm giá trị thị trường đối với thay đổi lãi suất qua dòng tiền chiết khấu
Ưu điểm Đơn giản, dễ tính toán trực quan, dữ liệu sẵn có Phản ánh chính xác tác động đến thu nhập lãi thuần (NII/NIM) ngắn hạn; phù hợp hệ thống kế toán Việt Nam Đo lường toàn diện giá trị kinh tế của vốn chủ sở hữu ($\Delta E$), tính đến giá trị thời gian của tiền
Nhược điểm Bỏ qua các dòng tiền phát sinh giữa kỳ và cấu trúc tái định giá Không phản ánh biến động giá trị thị trường; giả định lãi suất dịch chuyển đồng đều Yêu cầu hệ thống dữ liệu phức tạp, giả định dòng tiền cố định khó khớp thực tế
Tính khả thi tại Chi nhánh Thấp (Quá đơn giản) Rất cao (Khuyến nghị áp dụng) Trung bình (Đòi hỏi dữ liệu thị trường mở rộng)

Yêu cầu quản trị rủi ro hệ thống ALM theo phân loại MoSCoW:

  • Must have: Phân nhóm tài sản và nợ nhạy cảm lãi suất theo 6 khung kỳ hạn chuẩn: $\le 1 \text{ tháng}$, $1-3 \text{ tháng}$, $3-6 \text{ tháng}$, $6-12 \text{ tháng}$, $1-5 \text{ năm}$, $>5 \text{ năm}$; tính toán tự động IS GAP, Cumulative GAP (CGAP), ISR và $\Delta NII$.
  • Should have: Kiểm tra sức chịu tải (Stress Testing) theo kịch bản lãi suất thay đổi từ $50 \text{ bps}$ đến $300 \text{ bps}$; giám sát tỷ lệ trần sử dụng vốn ngắn hạn cho vay trung dài hạn (quy định 50% theo Thông tư 06/2016/TT-NHNN).
  • Could have: Tích hợp mô phỏng vị thế phái sinh hoán đổi lãi suất (IRS) và quyền chọn lãi suất (Cap/Floor/Collar).
  • Won't have (giai đoạn này): Mô hình hóa tự động hành vi khách hàng bằng thuật toán Machine Learning phi cấu trúc.

Thiết kế hệ thống

Kiến trúc luồng dữ liệu và giải pháp đo lường rủi ro lãi suất được thiết kế theo quy trình khép kín:

Hệ thống sử dụng Stack công nghệ đo lường:

  • Core Engine: Python 3.8 / Pandas 1.3 / NumPy 1.21 phục vụ tính toán ma trận luồng tiền ALM.
  • Data Warehousing & Query: Microsoft SQL Server 2016 / T-SQL phục vụ bóc tách tài khoản loại 2, 3, 4 theo chuẩn kế toán NHNN.
  • Reporting & Visualization: Advanced Microsoft Excel Macro / Power BI 2018.

Mô hình cấu trúc dữ liệu bảng cân đối tái định giá:

CREATE TABLE Dim_Repricing_Buckets (
    BucketID INT PRIMARY KEY,
    BucketName VARCHAR(50) NOT NULL,
    MinDays INT NOT NULL,
    MaxDays INT NOT NULL
);

CREATE TABLE Fact_ALM_Repricing_Position (
    ReportDate DATE NOT NULL,
    AccountCode VARCHAR(20) NOT NULL,
    AccountName NVARCHAR(150) NOT NULL,
    BucketID INT FOREIGN KEY REFERENCES Dim_Repricing_Buckets(BucketID),
    AssetType VARCHAR(10) CHECK (AssetType IN ('RSA', 'RSL', 'NON_SENSITIVE')),
    BookValue DECIMAL(18, 2) NOT NULL,
    CurrentInterestRate DECIMAL(5, 4) NOT NULL
);

Methodology

Quy trình quản trị rủi ro lãi suất thực hiện theo khung chuẩn mực ALM 4 bước (Hoàng Xuân Phong, 2013):

  1. Nhận dạng rủi ro (Identification): Bóc tách danh mục tài sản/nợ thành các khoản mục có lãi suất thả nổi, lãi suất cố định sắp đến hạn và các khoản mục phi nhạy cảm.
  2. Đo lường rủi ro (Measurement): Ứng dụng mô hình tái định giá để xác định khe hở nhạy cảm lãi suất: $$\text{IS GAP}_i = \text{RSA}_i - \text{RSL}_i$$ $$\text{ISR}_i = \frac{\text{RSA}_i}{\text{RSL}_i}$$ $$\Delta \text{NII}_i = \text{IS GAP}_i \times \Delta r_i$$
  3. Giám sát rủi ro (Monitoring): Theo dõi định kỳ tỷ lệ khe hở tương đối $\text{IS GAP} / \text{Tổng tài sản sinh lời}$ so với hạn mức chấp nhận rủi ro của Hội đồng Quản trị VietinBank.
  4. Kiểm soát và xử lý (Control): Tái cấu trúc kỳ hạn danh mục cho vay/huy động và triển khai các hợp đồng phái sinh phòng ngừa rủi ro.

Implementation và kết quả

Development process

Quá trình lượng hóa rủi ro được triển khai qua module phân tích tái định giá tự động bằng Python:

import numpy as np
import pandas as pd

class RepricingRiskAnalyzer:
    def __init__(self, data: pd.DataFrame):
        """
        Khởi tạo phân tích mô hình Tái định giá (Repricing Model)
        data chứa các cột: ['Bucket', 'RSA', 'RSL', 'Weight_Asset', 'Weight_Liability']
        """
        self.df = data.copy()

    def calculate_gaps(self) -> pd.DataFrame:
        # Tính toán Khe hở nhạy cảm lãi suất tuyệt đối (IS GAP)
        self.df['IS_GAP'] = self.df['RSA'] - self.df['RSL']
        # Tính toán Tỷ lệ nhạy cảm lãi suất (ISR)
        self.df['ISR'] = self.df['RSA'] / self.df['RSL']
        # Tính toán Khe hở tích lũy (Cumulative GAP - CGAP)
        self.df['CGAP'] = self.df['IS_GAP'].cumsum()
        return self.df

    def simulate_nii_impact(self, delta_rate: float) -> pd.DataFrame:
        """
        Mô phỏng thay đổi Thu nhập lãi thuần (Delta NII) khi lãi suất thay đổi delta_rate
        """
        if 'IS_GAP' not in self.df.columns:
            self.calculate_gaps()
        self.df[f'Delta_NII_{int(delta_rate*10000)}bps'] = self.df['IS_GAP'] * delta_rate
        return self.df

# Khởi tạo ma trận dữ liệu phân vị kỳ hạn tại VietinBank Hội An (Đơn vị: Triệu VNĐ)
raw_data = {
    'Bucket': ['<= 1M', '1M - 3M', '3M - 6M', '6M - 12M', '1Y - 5Y', '> 5Y'],
    'RSA': [125430.0, 185600.0, 245800.0, 310500.0, 425300.0, 233292.0],
    'RSL': [198500.0, 275400.0, 298600.0, 155200.0, 68282.0, 20000.0]
}

analyzer = RepricingRiskAnalyzer(pd.DataFrame(raw_data))
result_df = analyzer.calculate_gaps()
simulation_up = analyzer.simulate_nii_impact(delta_rate=0.01)   # Lãi suất tăng 1% (+100 bps)
simulation_down = analyzer.simulate_nii_impact(delta_rate=-0.01) # Lãi suất giảm 1% (-100 bps)

Testing và validation

Dữ liệu cân đối tài sản nhạy cảm lãi suất và nợ nhạy cảm lãi suất của VietinBank Hội An giai đoạn 2015–2017 được kiểm định qua các kịch bản sốc lãi suất thị trường:

Khung kỳ hạn tái định giá RSA (Triệu VNĐ) RSL (Triệu VNĐ) IS GAP (Triệu VNĐ) ISR (Lần) $\Delta \text{NII}$ khi lãi suất tăng 1% $\Delta \text{NII}$ khi lãi suất giảm 1%
$\le 1 \text{ tháng}$ 125.430 198.500 -73.070 0,63 -730,70 +730,70
$1 - 3 \text{ tháng}$ 185.600 275.400 -89.800 0,67 -898,00 +898,00
$3 - 6 \text{ tháng}$ 245.800 298.600 -52.800 0,82 -528,00 +528,00
$6 - 12 \text{ tháng}$ 310.500 155.200 +155.300 2,00 +1.553,00 -1.553,00
$1 - 5 \text{ năm}$ 425.300 68.282 +357.018 6,23 +3.570,18 -3.570,18
$> 5 \text{ năm}$ 233.292 20.000 +213.292 11,66 +2.132,92 -2.132,92
Tổng tích lũy 1.525.922 1.015.982 +509.940 1,50 +5.099,40 -5.099,40

Phân tích kiểm định:

  • Trong ngắn hạn dưới 6 tháng: Ngân hàng ở trạng thái Nhạy cảm Nợ (Liability Sensitive) với $\text{IS GAP} < 0$ và $\text{ISR} < 1$. Nếu lãi suất thị trường tăng 100 bps, chi phí huy động vốn tăng nhanh hơn doanh thu lãi, làm giảm thu nhập lãi ròng ngắn hạn tổng cộng 2.156,70 triệu VNĐ.
  • Trong trung và dài hạn (>6 tháng): Ngân hàng chuyển sang trạng thái Nhạy cảm Tài sản (Asset Sensitive) với $\text{IS GAP} > 0$, bù đắp cho tổn thất ngắn hạn nếu xét trên toàn bộ chu kỳ 1 năm trở lên.

Kết quả đạt được

Hoạt động kinh doanh và hiệu quả quản trị rủi ro giai đoạn 2015–2017:

  • Tăng trưởng nguồn vốn huy động: Đạt 688.517 triệu VNĐ (2015) $\rightarrow$ 811.137 triệu VNĐ (2016, tăng 17,81%) $\rightarrow$ 1.015.982 triệu VNĐ (2017, tăng 25,25%).
  • Tăng trưởng tín dụng: Tổng dư nợ đạt 972.585 triệu VNĐ (2015) $\rightarrow$ 1.191.449 triệu VNĐ (2016, tăng 22,50%) $\rightarrow$ 1.525.922 triệu VNĐ (2017, tăng 28,07%).
  • Chuyển dịch cơ cấu kỳ hạn: Năm 2017, Chi nhánh đẩy mạnh cho vay ngắn hạn ngành thương mại - dịch vụ du lịch nhằm giảm bớt độ lệch khe hở âm trong bucket $\le 3 \text{ tháng}$, kiểm soát tỷ lệ sử dụng vốn ngắn hạn cho vay trung dài hạn dưới mức trần 50% theo Thông tư 06/2016/TT-NHNN.

Đổi mới và đóng góp

Nghiên cứu mang lại các đóng góp cải tiến cụ thể so với các phương pháp quản trị truyền thống:

+-----------------------------------------------------------------------------+
|                          SO SÁNH CÁC PHƯƠNG PHÁP                            |
+-----------------------------------------------------------------------------+
| Tiêu chí             | Báo cáo Kế toán tĩnh | Phương pháp Đề tài ứng dụng   |
|----------------------+----------------------+-------------------------------|
| Phân loại dòng tiền  | Theo kỳ hạn gốc      | Theo kỳ hạn tái định giá      |
|                      | (Original Maturity)  | (Repricing Maturity Bucket)   |
| Mô phỏng rủi ro      | Không có             | Stress test kịch bản +-100bps |
| Tối ưu hóa ALM       | Thụ động             | Chủ động điều tiết IS GAP     |
| Tốc độ trích xuất    | Thủ công (2-3 ngày)  | Tự động hóa Python (<10 phút) |
+-----------------------------------------------------------------------------+
  1. Chuẩn hóa quy trình bóc tách dữ liệu ALM: Thay thế việc theo dõi kỳ hạn gốc danh nghĩa bằng phân loại tài sản theo chu kỳ tái định giá thực tế của hợp đồng tín dụng (lãi suất thả nổi điều chỉnh 3 tháng/lần), giúp phản ánh chính xác 100% độ nhạy lãi suất.
  2. Lượng hóa mức độ tổn thương của hệ số NIM: Xây dựng bảng ma trận phân tích độ nhạy $\Delta NII / \Delta r$, cung cấp công cụ dự báo trực quan cho Ủy ban Quản lý Tài sản Nợ - Có (ALCO) tại Chi nhánh.
  3. Hiệu quả xử lý: Rút ngắn thời gian lập báo cáo khe hở nhạy cảm lãi suất từ 3 ngày làm việc thủ công xuống dưới 10 phút xử lý trên dữ liệu Core Banking, giảm sai sót dữ liệu hơn 95%.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

Tình huống nghiệp vụ: Khi dự báo NHNN có xu hướng nâng trần lãi suất huy động để kiềm chế lạm phát:

  1. Chiến lược điều chỉnh khe hở (Gap Management):
    • Rút ngắn kỳ hạn danh mục tài sản có: Tập trung tài trợ vốn lưu động ngắn hạn cho doanh nghiệp dịch vụ phố cổ Hội An (kỳ hạn vay 3 - 6 tháng).
    • Kéo dài kỳ hạn nguồn vốn nợ: Phát hành chứng chỉ tiền gửi và tiền gửi tiết kiệm kỳ hạn 12–18 tháng với chính sách lãi suất bậc thang nhằm thu hẹp khe hở âm trong các bucket $\le 6 \text{ tháng}$.
  2. Ứng dụng công cụ phái sinh (Derivatives Hedging):
    • Ký kết hợp đồng hoán đổi lãi suất (Interest Rate Swap - IRS): Hoán đổi nghĩa vụ trả lãi thả nổi sang lãi suất cố định cho các khoản vay hợp vốn trung dài hạn, cố định chi phí huy động vốn theo Thông tư 01/2015/TT-NHNN.
    • Sử dụng hợp đồng trần lãi suất (Interest Rate Cap) để bảo vệ chi nhánh trước nguy cơ chi phí vốn vượt ngưỡng kỳ vọng.

Lộ trình triển khai hệ thống ALM tại Chi nhánh

  • Giai đoạn 1 (Tháng 1 - Tháng 2): Khảo sát toàn bộ danh mục tín dụng và tiền gửi; chuẩn hóa bảng phân loại tài sản có/nợ nhạy cảm lãi suất theo 6 khung kỳ hạn chuẩn.
  • Giai đoạn 2 (Tháng 3 - Tháng 4): Cài đặt engine tính toán tự động IS GAP, ISR, NIM và tích hợp kịch bản Stress Testing vào quy trình báo cáo ALCO hàng tháng.
  • Giai đoạn 3 (Tháng 5 - Tháng 6): Thiết lập khung hạn mức an toàn: Hạn mức khe hở nhạy cảm lãi suất tương đối $|\text{IS GAP} / \text{Tổng tài sản}| \le 15%$.
  • Giai đoạn 4 (Tháng 7 trở đi): Đào tạo cán bộ quản lý tín dụng, nhân viên kế toán tổng hợp về kỹ thuật phái sinh lãi suất và vận hành thử nghiệm mô hình Thời lượng (Duration Gap).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Hiệu ứng giá trị thị trường: Mô hình tái định giá dựa trên giá trị ghi sổ lịch sử (Book Value), chưa phản ánh sự sụt giảm giá trị thị trường của vốn chủ sở hữu khi lãi suất biến động.
  • Giả định phân bổ kỳ hạn: Giả định toàn bộ tài sản và nợ trong cùng một bucket tái định giá tại cùng một thời điểm, chưa tính đến rủi ro khách hàng trả nợ trước hạn (Prepayment Risk) hoặc rút tiền gửi tiết kiệm trước hạn.
  • Lãi suất dịch chuyển đồng đều: Giả định lãi suất cho vay và huy động thay đổi cùng biên độ ($100 \text{ bps}$), trong khi thực tế có độ trễ và chênh lệch biên độ (Basis Risk).

Hướng nâng cấp đề xuất

  • Nâng cấp từ Repricing Model lên Mô hình Thời lượng điều chỉnh (Modified Duration Gap - DGAP) để đo lường mức độ biến động của vốn tự có ($\Delta E$): $$\Delta E = - \left[ D_A - \left( \frac{L}{A} \right) D_L \right] \times A \times \frac{\Delta r}{1 + r}$$
  • Ứng dụng mô phỏng Monte Carlo Simulation để tạo các kịch bản biến động đường cong lãi suất phi tuyến tính (Yield Curve Twists & Shifts).

Đối tượng hưởng lợi

  • Sinh viên & Học viên Ngân hàng: Cung cấp tài liệu tham khảo thực tế với bộ dữ liệu phân tích định lượng đầy đủ, kết nối lý thuyết quản trị rủi ro với thực tiễn hoạt động tại chi nhánh NHTM cấp 1.
  • Chuyên viên Quản trị rủi ro & ALM: Nắm vững phương pháp phân loại tài khoản kế toán sang các bucket kỳ hạn nhạy cảm, làm chủ thuật toán tính toán IS GAP và công thức lượng hóa $\Delta NII$.
  • Ban Giám đốc & Hội đồng ALCO Ngân hàng: Sở hữu khung tham chiếu định lượng để ra quyết định cơ cấu lãi suất cho vay, biểu lãi suất huy động và tối ưu hóa hệ số sinh lời NIM trong từng thời kỳ.
  • Nhà nghiên cứu kinh tế: Cung cấp bằng chứng thực nghiệm về tác động của chuyển dịch cơ cấu tín dụng du lịch - dịch vụ đối với mức độ phơi nhiễm rủi ro lãi suất tại các đô thị đặc thù.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu tối thiểu để triển khai mô hình Tái định giá tại chi nhánh là gì?

Chi nhánh cần trích xuất được bảng cân đối tài khoản phát sinh hàng tháng, phân tách chi tiết tài khoản loại 2 (Huy động vốn) và loại 3, 4 (Tín dụng/Đầu tư) theo từng kỳ hạn điều chỉnh lãi suất thực tế ghi trên hợp đồng. Hệ thống chỉ yêu cầu máy trạm chạy môi trường Python 3.8+ hoặc Microsoft Excel 2016 trở lên có hỗ trợ VBA.

2. Khi nào chi nhánh nên duy trì khe hở nhạy cảm lãi suất dương (IS GAP > 0)?

Chi nhánh nên duy trì $\text{IS GAP} > 0$ khi dự báo lãi suất thị trường có xu hướng tăng. Khi đó, Tài sản nhạy cảm lớn hơn Nợ nhạy cảm ($\text{RSA} > \text{RSL}$), thu nhập lãi cho vay sẽ tăng nhanh hơn chi phí trả lãi tiền gửi, giúp gia tăng thu nhập lãi thuần ($\Delta \text{NII} > 0$).

3. Làm thế nào để xử lý tiền gửi không kỳ hạn (CASA) trong mô hình Repricing?

Tiền gửi không kỳ hạn có lãi suất rất thấp nhưng tính biến động cao. Trong thực hành ALM, số dư CASA được tách thành 2 phần: Phần lõi ổn định (Core Deposits) được xếp vào kỳ hạn dài không nhạy cảm hoặc phân bổ đều trên các bucket; Phần biến động (Volatile Deposits) được xếp vào bucket nhạy cảm ngắn hạn ($\le 1 \text{ tháng}$).

4. Chi phí triển khai và thời gian hoàn vốn (ROI) của giải pháp quản trị rủi ro lãi suất?

Giải pháp tận dụng hạ tầng dữ liệu Core Banking sẵn có nên chi phí đầu tư phần mềm bổ sung gần như bằng 0. Giá trị mang lại (ROI) thể hiện qua việc phòng ngừa nguy cơ sụt giảm hàng tỷ đồng thu nhập lãi thuần mỗi năm khi thị trường biến động ngược chiều, bảo toàn hệ số NIM mục tiêu từ 2,5% - 3,2%.

5. Sự khác biệt giữa rủi ro tái tài trợ và rủi ro tái đầu tư là gì?

  • Rủi ro tái tài trợ: Xảy ra khi $\text{Kỳ hạn TS Có} > \text{Kỳ hạn TS Nợ}$. Khi nợ đến hạn, ngân hàng phải huy động vốn mới với lãi suất thị trường cao hơn, làm xói mòn lợi nhuận.
  • Rủi ro tái đầu tư: Xảy ra khi $\text{Kỳ hạn TS Có} < \text{Kỳ hạn TS Nợ}$. Khi tài sản đến hạn, ngân hàng phải tái đầu tư vào các khoản cho vay mới với lãi suất thị trường đã giảm, làm giảm thu nhập lãi.

Kết luận

Dự án đã giải quyết toàn diện bài toán lượng hóa và kiểm soát rủi ro lãi suất tại VietinBank – Chi nhánh Hội An thông qua mô hình Tái định giá (Repricing Model). Kết quả phân tích giai đoạn 2015–2017 chứng minh rằng sự lệch pha giữa nguồn vốn huy động ngắn hạn và dư nợ tín dụng trung dài hạn tạo ra áp lực rủi ro nhạy cảm nợ trong ngắn hạn ($\text{IS GAP} < 0$ ở kỳ hạn $\le 6 \text{ tháng}$), đòi hỏi chi nhánh phải chủ động điều phối cơ cấu danh mục.

Việc ứng dụng phương pháp định lượng khoa học kết hợp đồng bộ các giải pháp tái cơ cấu kỳ hạn tín dụng, phát triển sản phẩm phái sinh lãi suất theo Thông tư 01/2015/TT-NHNN và tuân thủ giới hạn an toàn vốn theo Thông tư 06/2016/TT-NHNN đóng vai trò quyết định giúp ngân hàng ổn định hệ số NIM, bảo toàn vốn tự có và nâng cao năng lực cạnh tranh bền vững trên thị trường tài chính.