Luận văn Thạc sĩ UEH: Ứng dụng CreditMetrics vào quản trị rủi ro tại TPBank

Luận văn thạc sĩ kinh tế nghiên cứu ueh ứng dụng mô hình creditmetrics vào quản trị rủi ro tín dụng tại ngân hàng tmcp tiên phong, khảo sát thực trạng, phân tích nguyên nhân, đề

• Trường học: Đại Học Kinh Tế Tp. Hồ Chí Minh
• Chuyên ngành: Quản Trị Kinh Doanh
• Đề tài: Ứng Dụng Mô Hình CreditMetrics Vào Quản Trị Rủi Ro Tín Dụng Tại Ngân Hàng TMCP Tiên Phong
• Loại tài liệu: Luận Văn Thạc Sĩ
• Địa điểm: Tp. Hồ Chí Minh

Tóm tắt

I. Tổng quan luận văn UEH về mô hình CreditMetrics cho ngân hàng

Luận văn thạc sĩ của trường Đại học Kinh tế TP.HCM (UEH) do tác giả Trần Minh Lam thực hiện đã đi sâu phân tích việc ứng dụng mô hình CreditMetrics vào quản trị rủi ro tín dụng tại Ngân hàng TMCP Tiên Phong. Nghiên cứu này ra đời trong bối cảnh hệ thống ngân hàng Việt Nam đối mặt với nhiều thách thức, đặc biệt là nợ xấu và quy trình quản trị rủi ro còn yếu kém. Mục tiêu chính của luận văn là thiết lập ma trận chuyển hạng tín dụng cho danh mục vay của TPBank, từ đó định lượng chính xác mức tổn thất tối đa và đề xuất giải pháp nâng cao hiệu quả quản trị.

1.1. Bối cảnh và sự cần thiết của việc đo lường rủi ro tín dụng

Trong bối cảnh kinh tế bất ổn, hoạt động ngân hàng, với đòn bẩy tài chính lớn, luôn tiềm ẩn rủi ro sụp đổ nếu công tác quản trị rủi ro tín dụng không được chú trọng. Theo luận văn, nguyên nhân của nhiều cuộc khủng hoảng ngân hàng bắt nguồn từ rủi ro tín dụng. Do đó, việc đo lường rủi ro tín dụng không chỉ dừng lại ở việc nhận dạng mà phải lượng hóa được xác suất xảy ra biến cố và mức độ tổn thất. Mục tiêu này giúp ngân hàng thiết lập mức dự phòng phù hợp, đảm bảo an toàn hoạt động. Luận văn nhấn mạnh rằng các phương pháp truyền thống chỉ tập trung vào từng khoản vay riêng lẻ, bỏ qua lợi ích đa dạng hóa của rủi ro danh mục. Điều này thúc đẩy sự cần thiết phải áp dụng các mô hình hiện đại hơn.

1.2. So sánh các mô hình đo lường rủi ro tín dụng hiện đại

Nghiên cứu đã tổng quan bốn nhóm mô hình đo lường rủi ro hiện đại chính, bao gồm CreditMetrics của J.P. Morgan, PortfolioManager của KMV, CreditRisk+ của Credit Suisse, và CreditPortfolioView của McKinsey. Trong khi các mô hình truyền thống như 5C hay Z-Score mang tính chủ quan và chỉ xét đến khả năng vỡ nợ, các mô hình hiện đại có cách tiếp cận toàn diện hơn. Mô hình CreditMetrics nổi bật với khả năng tính toán sự thay đổi giá trị danh mục cho vay dựa trên sự thay đổi chất lượng tín dụng (lên hạng, xuống hạng, hoặc vỡ nợ). Theo khảo sát của Fatemi and Fooladi (2006) được trích dẫn, CreditMetrics là một trong những mô hình được các ngân hàng hàng đầu tại Mỹ và ngân hàng trung ương châu Âu (ECB) ưa chuộng, chứng tỏ tính ứng dụng và độ tin cậy cao trong thực tiễn.

II. Thách thức quản trị rủi ro tín dụng tại Ngân hàng Tiên Phong

Luận văn chỉ ra rằng dù Ngân hàng TMCP Tiên Phong (TPBank) có cấu trúc quản lý rủi ro theo chiều dọc tiên tiến, tách bạch giữa khâu bán hàng và kiểm soát, nhưng quy trình đo lường rủi ro tín dụng vẫn còn nhiều hạn chế. Điểm yếu cốt lõi nằm ở việc thiếu vắng các mô hình định lượng hiện đại, dẫn đến việc đánh giá rủi ro chưa phản ánh đúng bản chất và mức độ tổn thất tiềm tàng của toàn bộ danh mục cho vay. Thực trạng này đặt ra thách thức lớn trong việc tối ưu hóa vốn và xây dựng chiến lược tín dụng bền vững.

2.1. Thực trạng đo lường rủi ro theo phương pháp truyền thống

Hiện tại, TPBank đang áp dụng mô hình đo lường rủi ro tín dụng truyền thống, chủ yếu dựa trên hệ thống xếp hạng tín dụng nội bộ và phân loại nợ theo Quyết định 493/2005/QĐ-NHNN. Phương pháp này tập trung vào các yếu tố định lượng như thời gian quá hạn mà chưa xem xét toàn diện đến sự thay đổi trong sức khỏe tài chính của người vay. Việc trích lập dự phòng rủi ro được thực hiện cho từng khoản vay riêng lẻ, bỏ qua hoàn toàn góc độ rủi ro danh mục. Điều này dẫn đến việc ngân hàng không thể nhìn nhận được nguy cơ rủi ro tập trung và lợi ích từ việc đa dạng hóa danh mục, khiến cho cơ cấu cho vay dễ bị dẫn dắt bởi các ngành "nóng" một cách tự phát.

2.2. Hạn chế của hệ thống xếp hạng tín dụng nội bộ tại TPBank

Hệ thống xếp hạng tín dụng nội bộ của TPBank, theo luận văn, được xây dựng phần lớn dựa trên phương pháp chuyên gia. Việc lựa chọn chỉ tiêu và trọng số phụ thuộc nhiều vào quan điểm chủ quan thay vì phân tích dữ liệu thống kê lịch sử. Kết quả là, việc xếp hạng mang tính chủ quan và chưa phải là một công cụ đủ mạnh để lượng hóa rủi ro một cách chính xác. Thêm vào đó, chất lượng thông tin đầu vào tại Việt Nam còn thiếu minh bạch, đặc biệt là báo cáo tài chính của các doanh nghiệp vừa và nhỏ thường không được kiểm toán. Những hạn chế này làm giảm độ tin cậy của hệ thống, khiến ngân hàng thụ động trong việc quản lý và chỉ phát hiện nợ có vấn đề khi đã có dấu hiệu quá hạn rõ ràng.

2.3. Bất cập trong phương pháp trích lập dự phòng rủi ro hiện hành

Công thức trích lập dự phòng rủi ro theo Quyết định 493 không bao gồm yếu tố xác suất vỡ nợ (PD). Điều này có nghĩa là hai khoản vay có cùng giá trị và tài sản đảm bảo sẽ có mức dự phòng như nhau, bất kể một khoản thuộc về công ty hạng AAA và khoản kia thuộc về công ty hạng CCC. Đây là một điểm bất hợp lý nghiêm trọng, vì rủi ro thực tế của hai công ty hoàn toàn khác nhau. Theo quan điểm của Basel II, tổn thất kỳ vọng phải phụ thuộc vào cả ba yếu tố: PD, LGD (tổn thất khi vỡ nợ) và EAD (giá trị khoản vay). Cách tính hiện tại của TPBank chưa tuân thủ nguyên tắc này, dẫn đến việc phân bổ vốn không hiệu quả và đánh giá sai lệch tổn thất kỳ vọng.

III. Phương pháp mô hình CreditMetrics Cách tiếp cận đột phá

Luận văn giới thiệu chi tiết mô hình CreditMetrics như một giải pháp đột phá cho việc quản trị rủi ro tín dụng. Không giống các mô hình truyền thống chỉ tập trung vào hai trạng thái (trả nợ hoặc vỡ nợ), CreditMetrics xem xét toàn bộ phổ thay đổi chất lượng tín dụng. Mô hình này giúp ngân hàng trả lời câu hỏi cốt lõi: “Nếu năm tới là một năm xấu, ngân hàng sẽ mất tối đa bao nhiêu tiền từ danh mục cho vay của mình với một mức độ tin cậy nhất định?”. Cách tiếp cận này giúp định lượng chính xác hơn các rủi ro tiềm ẩn.

3.1. Nguyên lý cốt lõi của phương pháp Giá trị chịu rủi ro VaR

Trọng tâm của mô hình CreditMetrics là phương pháp Giá trị chịu rủi ro (Value at Risk - VaR). VaR đo lường tổn thất tối đa của một danh mục trong một khoảng thời gian nhất định với một mức tin cậy cho trước (ví dụ 99%). Mô hình không chỉ xét đến vỡ nợ mà còn tính đến sự sụt giảm giá trị của khoản vay khi khách hàng bị hạ bậc tín nhiệm. Bằng cách xác định phân phối xác suất của giá trị danh mục vào cuối kỳ, VaR giúp ngân hàng xác định được mức vốn kinh tế cần thiết để chống đỡ những tổn thất không kỳ vọng – những tổn thất xảy ra ngoài dự kiến mà các khoản dự phòng thông thường không thể bù đắp.

3.2. Vai trò của ma trận chuyển hạng tín dụng trong phân tích

Để tính toán VaR, bước đầu tiên và quan trọng nhất là xây dựng ma trận chuyển hạng tín dụng. Ma trận này thể hiện xác suất một khách hàng từ một hạng tín dụng ban đầu (ví dụ: A) sẽ chuyển sang các hạng khác (AAA, AA, B, CCC, hoặc vỡ nợ) sau một khoảng thời gian (thường là một năm). Các xác suất này được tính toán dựa trên dữ liệu thống kê lịch sử về việc chuyển hạng. Theo luận văn, ma trận này là nền tảng để xác định sự biến động giá trị của từng khoản vay. Giả định của mô hình là tất cả các doanh nghiệp trong cùng một hạng tín dụng sẽ có cùng xác suất chuyển hạng. Đây là một công cụ mạnh mẽ để lượng hóa sự thay đổi chất lượng tín dụng một cách có hệ thống.

IV. Hướng dẫn ứng dụng CreditMetrics vào quản trị rủi ro TPBank

Chương 3 của luận văn trình bày chi tiết quy trình ứng dụng mô hình CreditMetrics vào quản trị rủi ro tín dụng tại Ngân hàng TMCP Tiên Phong. Quá trình này không chỉ là lý thuyết mà được minh họa bằng các bước tính toán cụ thể trên dữ liệu thực tế của ngân hàng. Từ việc thu thập dữ liệu đầu vào đến việc chạy mô phỏng, nghiên cứu đã chứng minh tính khả thi của việc áp dụng một mô hình phức tạp vào điều kiện của một ngân hàng Việt Nam, mở ra một hướng đi mới cho công tác quản trị rủi ro hiện đại.

4.1. Quy trình xây dựng ma trận chuyển hạng tín dụng từ dữ liệu

Để áp dụng mô hình, tác giả đã thu thập dữ liệu xếp hạng tín dụng của danh mục vay doanh nghiệp tại TPBank qua các năm (2009-2012). Dựa trên số liệu này, một ma trận chuyển hạng tín dụng đã được thiết lập. Quá trình này bao gồm việc thống kê số lượng doanh nghiệp chuyển từ hạng này sang hạng khác mỗi năm, sau đó tính toán tần suất trung bình để ra được xác suất chuyển hạng. Ví dụ, luận văn đã tính toán ma trận chuyển hạng dựa trên dữ liệu của các doanh nghiệp giữa hai năm 2009-2010, 2010-2011, và 2011-2012. Ma trận này là dữ liệu đầu vào quan trọng nhất, phản ánh đặc thù biến động tín dụng của chính danh mục khách hàng tại TPBank.

4.2. Kỹ thuật mô phỏng Monte Carlo để tính toán tổn thất danh mục

Do phân phối giá trị của danh mục cho vay trong thực tế thường không tuân theo quy luật phân phối chuẩn, luận văn đã sử dụng kỹ thuật mô phỏng Monte Carlo. Phương pháp này bao gồm ba bước chính: (1) Tạo ra hàng nghìn kịch bản ngẫu nhiên về trạng thái tín dụng cuối kỳ của tất cả các khoản vay trong danh mục, có tính đến sự tương quan giữa chúng. (2) Với mỗi kịch bản, tính toán lại giá trị của toàn bộ danh mục cho vay. (3) Tập hợp kết quả từ tất cả các kịch bản để xây dựng phân phối xác suất đầy đủ của giá trị danh mục. Từ phân phối này, có thể xác định được giá trị trung bình (kỳ vọng), độ lệch chuẩn và quan trọng nhất là mức tổn thất không kỳ vọng (VaR) ở một mức tin cậy xác định.

V. Kết quả nghiên cứu Lợi ích thực tế của mô hình CreditMetrics

Việc áp dụng thử nghiệm mô hình CreditMetrics trên một danh mục vay cụ thể của Ngân hàng TMCP Tiên Phong đã mang lại những kết quả định lượng rõ ràng. Nghiên cứu không chỉ tính toán được các chỉ số rủi ro quan trọng mà còn thực hiện so sánh trực tiếp với phương pháp trích lập dự phòng rủi ro hiện tại. Kết quả này cho thấy sự khác biệt đáng kể, chứng minh rằng mô hình hiện đại cung cấp một cái nhìn sâu sắc và chính xác hơn về rủi ro, giúp ngân hàng quản lý vốn hiệu quả hơn và đưa ra các quyết định tín dụng dựa trên cơ sở khoa học.

5.1. Định lượng tổn thất kỳ vọng và không kỳ vọng của danh mục

Dựa trên kết quả mô phỏng Monte Carlo, luận văn đã tính toán được tổn thất kỳ vọng và tổn thất không kỳ vọng cho danh mục vay. Tổn thất kỳ vọng là mức lỗ trung bình có thể dự đoán được, tương ứng với chi phí kinh doanh thông thường và cần được bù đắp bằng lãi suất và các khoản dự phòng chung. Quan trọng hơn, mô hình đã định lượng được tổn thất không kỳ vọng (VaR), là mức lỗ tối đa trong các kịch bản xấu. Ví dụ minh họa trong luận văn cho thấy, với mức tin cậy 99%, VaR của danh mục là 30.34 triệu đồng, con số này chính là mức vốn kinh tế mà ngân hàng cần dự trữ để đảm bảo khả năng thanh toán ngay cả trong điều kiện thị trường biến động tiêu cực.

5.2. So sánh hiệu quả giữa mô hình CreditMetrics và phương pháp hiện tại

Một trong những đóng góp lớn nhất của luận văn là việc so sánh số tiền dự phòng tính theo mô hình CreditMetrics và số tiền tính theo Quyết định 493. Kết quả cho thấy phương pháp hiện tại của TPBank có thể dẫn đến việc trích lập dự phòng quá cao hoặc quá thấp so với rủi ro thực tế. CreditMetrics cho phép tính toán mức dự phòng linh hoạt hơn, gắn liền với xác suất vỡ nợ (PD) và chất lượng tín dụng thực tế của từng khách hàng. Việc này không chỉ giúp ngân hàng tối ưu hóa chi phí dự phòng mà còn là cơ sở để định giá khoản vay một cách khoa học hơn, đảm bảo lợi nhuận tương xứng với mức độ rủi ro chấp nhận, tuân thủ gần hơn với các tiêu chuẩn của Basel II.

VI. Tương lai quản trị rủi ro tín dụng và vai trò CreditMetrics

Luận văn kết luận rằng việc áp dụng các mô hình đo lường rủi ro tín dụng hiện đại như CreditMetrics là xu hướng tất yếu đối với các ngân hàng Việt Nam trong quá trình hội nhập. Mặc dù có những thách thức về dữ liệu và kỹ thuật, lợi ích mà mô hình này mang lại trong việc nâng cao năng lực quản trị rủi ro tín dụng là không thể phủ nhận. Đây là nền tảng để Ngân hàng TMCP Tiên Phong và các tổ chức tín dụng khác xây dựng một hệ thống phòng thủ vững chắc, hoạt động an toàn và hiệu quả hơn trong một môi trường kinh doanh ngày càng phức tạp.

6.1. Khuyến nghị cho Ngân hàng TMCP Tiên Phong và hệ thống

Từ kết quả nghiên cứu, luận văn đề xuất Ngân hàng TMCP Tiên Phong cần từng bước chuyển đổi từ phương pháp đo lường truyền thống sang các mô hình tiên tiến. Trước mắt, ngân hàng nên đầu tư vào việc xây dựng hệ thống cơ sở dữ liệu lịch sử tín dụng một cách đầy đủ và có hệ thống. Việc này là tiền đề để xây dựng các mô hình xếp hạng tín dụng nội bộ dựa trên phương pháp thống kê thay vì chuyên gia, từ đó nâng cao độ chính xác của ma trận chuyển hạng tín dụng. Đồng thời, cần đào tạo đội ngũ nhân sự có đủ năng lực để vận hành và phân tích các mô hình phức tạp này. Đây là bước đi chiến lược để ngân hàng không chỉ tuân thủ quy định mà còn tạo ra lợi thế cạnh tranh.

6.2. Xu hướng áp dụng mô hình tiên tiến theo chuẩn Basel II

Nghiên cứu khẳng định việc áp dụng mô hình CreditMetrics hoàn toàn phù hợp với lộ trình tiệm cận các chuẩn mực quốc tế, đặc biệt là Hiệp ước Basel II. Theo Basel II, các ngân hàng được khuyến khích sử dụng phương pháp xếp hạng nội bộ (IRB) để tính toán vốn yêu cầu cho rủi ro tín dụng. Các tham số đầu vào của phương pháp IRB như PD (xác suất vỡ nợ), LGD (tổn thất khi vỡ nợ) đều là những kết quả có thể được ước tính từ mô hình CreditMetrics. Do đó, việc triển khai mô hình này không chỉ giúp quản trị rủi ro tín dụng hiệu quả hơn trong hiện tại mà còn là sự chuẩn bị cần thiết cho tương lai, khi các yêu cầu về vốn và quản trị của Ngân hàng Nhà nước ngày càng khắt khe hơn theo thông lệ quốc tế.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC KINH TẾ TP.HCM -----oOo---- TRẦN MINH LAM ỨNG DỤNG MÔ HÌNH CREDITMETRICS VÀO QUẢN TRỊ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG TMCP TIÊN PHONG LUẬN VĂN THẠC SĨ KINH TẾ Thành phố Hồ Chí Minh – năm 2013 LUAN VAN CHAT LUONG download : add [e-mail] BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC KINH TẾ TP.HCM -----oOo---- TRẦN MINH LAM ỨNG DỤNG MÔ HÌNH CREDITMETRICS VÀO QUẢN TRỊ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG TMCP TIÊN PHONG Chuyên ngành: Tài chính – Ngân hàng Mã số: 60340201 LUẬN VĂN THẠC SĨ KINH TẾ Thành phố Hồ Chí Minh – năm 2013 LUAN VAN CHAT LUONG download : add [e-mail] LỜI CAM ĐOAN Tôi xin cam đoan số liệu nêu trong luận văn này đƣợc thu thập từ nguồn thực tế, đƣợc công bố trên các báo cáo của các cơ quan nhà nƣớc; đƣợc đăng tải trên các tạp chí, báo chí, các website hợp pháp. Những thông tin và nội dung nêu trong đề tài đều dựa trên nghiên cứu thực tế và hoàn toàn đúng với nguồn trích dẫn.HCM, ngày 07 tháng 10 năm 2013 Tác giả đề tài Trần Minh Lam LUAN VAN CHAT LUONG download : add [e-mail] MỤC LỤC Trang Trang phụ bìa Lời cam đoan Mục lục Danh mục các bảng biểu Lời mở đầu Chƣơng 1: Tổng quan các mô hình đo lƣờng rủi ro tín dụng .1 Các mô hình đo lƣờng rủi ro tín dụng .1 Các mô hình đo lƣờng rủi ro tín dụng truyền thống .1 Mô hình chuyên gia 5C (Expert system) .2 Mô hình điểm số Z (Z – Credit scoring model) .3 Mô hình xếp hạng tín dụng .2 Các mô hình đo lƣờng rủi ro tín dụng hiện đại.1 Mô hình CreditMetrics của J.2 Mô hình Creditrisk Plus . Mô hình Portforlio KMV . Mô hình CreditPortforlio View . 33 Chƣơng 2 : Thực trạng đo lƣờng rủi ro tín dụng của ngân hàng TMCP Tiên Phong trong những năm gần đây . Giới thiệu khái quát về Ngân hàng TMCP Tiên Phong . Thực trạng quản trị rủi ro và đo lƣờng rủi ro tín dụng tại Ngân hàng TMCP Tiên Phong .1 Thực trạng quản trị rủi ro tín dụng tại Ngân hàng TMCP Tiên Phong . Thực trạng đo lƣờng rủi ro tín dụng tại Ngân hàng TMCP Tiên Phong . 41 Chƣơng 3: Ứng dụng mô hình CreditMetrics vào quản trị rủi ro tín dụng tại Ngân hàng TMCP Tiên Phong . Vì sao Ngân hàng TMCP Tiên Phong nên áp dụng mô hình CreditMetrics vào quản trị rủi ro tín dụng . 52 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.2 Áp dụng mô hình CreditMetrics vào quản trị rủi ro tín dụng tại Ngân hàng TMCP Tiên Phong .1 Dữ liệu đầu vào .2 Phần phân tích.1 Xác suất chuyển hạn tín dụng của các doanh nghiệp vay .2 Tính giá trị của danh mục vay cuối năm 2013 .3 Tƣơng quan giữa các món vay trên danh mục .4 Tính tổn thất danh mục vay bằng mô phỏng Monte Carlo .3 Tổn thất của danh mục vay áp dụng theo mô hình hiện tại của Ngân hàng TMCP Tiên Phong . 79 Tài liệu tham khảo Các phụ lục LUAN VAN CHAT LUONG download : add [e-mail] DANH MỤC CÁC BẢNG BIỂU Tên các bảng Trang BẢNG 1. Kí hiệu xếp hạng tín dụng sử dụng cho nợ dài hạn . Kí hiệu xếp hạng tín dụng sử dụng cho nợ ngắn hạn .3 Bảng phân phối giá trị của khoản cho vay 1 .4 Bảng phân phối giá trị của khoản cho vay 2 .5 Bảng xác suất chuyển hạng chung của doanh nghiệp 1 và 2 .6 Hệ số tƣơng quan.7 Các hệ số của phân tích Cholesky .8 Các kịch bản ngẫu nhiên của hàm Normsinv theo phân tích Monte Carlo .9 Các kịch bản có tƣơng quan theo phân tích Monte Carlo .10 Phân phối xác suất của các khoản nợ không đƣợc hoàn trả nhóm 1 .11 Phân phối xác suất của các khoản nợ không đƣợc hoàn trả nhóm 2 . Các lãi suất cho vay thỏa thuận trƣớc của ngân hàng đối với các khoản vay55 BẢNG 3.2 Bảng kê số doanh nghiệp trong từng hạng tín dụng năm 2009 .3 Bảng kê số doanh nghiệp trong từng hạng tín dụng năm 2010 .4 Số doanh nghiệp chuyển hạng từ năm 2009 -> 2010 . Bảng tần suất chuyển hạng tín dụng của các doanh nghiệp giữa 2 năm 2009 và 2010 58 BẢNG 3. Bảng tần suất chuyển hạng tín dụng của các doanh nghiệp giữa 2 năm 2010 và 2011 58 BẢNG 3. Bảng tần suất chuyển hạng tín dụng của các doanh nghiệp giữa 2 năm 2011 và 2012 59 BẢNG 3. Ma trận chuyển hạng tín dụng của các doanh nghiệp . Bảng phân phối giá trị của khoản cho vay 1 . Các giới hạn chuyển hạng tín dụng doanh nghiệp số 1 . Các giới hạn chuyển hạng tín dụng của danh mục vay tƣơng ứng các xếp hạng đầu năm 2013 . Hệ số tƣơng quan  = 20% của danh mục vay ngành công nghiệp . Hệ số tƣơng quan  = 20% của danh mục vay ngành công nghiệp .14 Hệ số tƣơng quan  = 35% của danh mục vay ngành công nghiệp .15 Kết quả tính toán 23 khoản vay ngành công nghiệp của hàm CholeskyDecomposition với  = 35%.70 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.16 Danh mục khoản vay bị quá hạn .17 Bảng tính chi tiết số tiền trích lập dự phòng cụ thể của danh mục vay cuối năm 2013 .74 LUAN VAN CHAT LUONG download : add [e-mail] LỜI MỞ ĐẦU 1. Lý do chọn đề tài Trong những năm gần đây, hệ thống ngân hàng TMCP Việt Nam đang đứng trƣớc những khó khăn, thử thách đầy cam go, khắt nghiệt; tình hình bất ổn liên tục xuất hiện kể cả đối với những ngân hàng đứng hàng đầu Việt Nam nhƣ: mất cân đối vốn, căng thẳng thanh khoản, đặc biệt là những khoản nợ xấu, những tiêu cực trong rủi ro tín dụng liên tục tăng cao…Có thể thấy, một trong những nguyên nhân gây ra tình trạng bất ổn, kéo dài trên liên quan đến tình trạng quản trị rủi ro hoạt động yếu kém, đặc biệt là quản trị rủi ro tín dụng của ngân hàng thƣơng mại Việt Nam. Ngân hàng TMCP Tiên Phong (TPBank) là một ngân hàng trẻ, năng động, có nhiều cổ đông có tiềm lực tài chính mạnh nhƣ Tập đoàn vàng bạc đá quý DOJI, công ty Cổ phần FPT, công ty Thông tin di động VMS (MobiFone), Tổng công ty tái bảo hiểm Việt Nam Vinare và Tập đoàn tài chính SBI Ven Holding Pte. Ngoài ra, với lợi thế là một ngân hàng đi sau nên TPBank học hỏi đƣợc kinh nghiệm quản trị rủi ro tín dụng của các ngân hàng anh chị đi trƣớc, vì vậy TPBank xây dựng đƣợc bộ máy quản trị rủi ro tín dụng đáng khích lệ. Mô hình quản lý rủi ro tín dụng của TPBank là chiều dọc chứ không phải chiều ngang nhƣ một số ngân hàng khác. Theo mô hình này, hoạt động cấp tín dụng đƣợc quản lý tập trung tại Hội sở chính, các chi nhánh chủ yếu làm chức năng bán hàng, mô hình này có tính chuyên môn hóa cao và đảm bảo tách bạch các khâu thực hiện giao dịch và kiểm soát giao dịch. Tuy nhiên, điểm yếu nhất trong quy trình quản trị rủi ro tín dụng của TPBank là thiếu vắng các mô hình đo lƣờng rủi ro hiện đại mà các ngân hàng trên thế giới đang áp dụng từ bấy lâu nay. Đứng trƣớc thực trạng đó, đề tài này dựa vào một trong những mô hình tiên tiến trên thế giới, mô hình CreditMetrics về đo lƣờng rủi ro danh mục đầu tƣ tín dụng của J.P Morgan, với mong muốn TPBank có thể vận dụng vào quản trị rủi ro tín dụng nhằm giảm thiểu phần nào tình trạng đo lƣờng rủi ro tín dụng không hiệu quả nhƣ hiện nay. Mô hình CreditMetrics có thể tính tổn thất tối đa riêng lẻ cho từng khoản vay và của toàn danh mục bằng cách tính toán giá trị tăng giảm của các món vay theo sự tăng giảm mức tín nhiệm của khách hàng trong một khoản thời gian xác định. CreditMetrics xác lập ma trận chuyển hạng tín nhiệm của các khoản vay trên danh mục, từ đó tính đƣợc phân phối xác xuất của tổn thất kỳ vọng và không kỳ vọng của toàn danh mục cho vay. Mục tiêu nghiên cứu Mục tiêu nghiên cứu chính của đề tài là ứng dụng mô hình CreditMetrics của J.P Morgan, thiết lập ma trận chuyển hạng tín dụng của danh mục vay tại TPBank, từ đó tính toán đƣợc mức tổn thất tối đa trong 1 khoảng thời gian xác định của toàn bộ danh mục cho vay. Dựa vào mức tổn thất này ngân hàng có thể LUAN VAN CHAT LUONG download : add [e-mail] định lƣợng đƣợc mức trích lập dự phòng cụ thể nhằm quản trị rủi ro tín dụng một cách hiệu quả hơn. Tổng quan các công trình nghiên cứu có liên quan bổ sung Quản trị rủi ro tín dụng và các mô hình đo lƣờng rủi ro tín dụng là đề tài đã đƣợc một số tác giả, nhà nghiên cứu các nƣớc đề cập. Cụ thể:  Moody’s KMV RiskCalc Model (Douglas W.Stein): Tác giả nghiên cứu mô hình Portfolio Manager” của Moody’s – KMV, mô hình còn gọi là mô hình cấu trúc hay mô hình “biến đổi tài sản”. Đặc điểm của mô hình này là đi sâu vào tìm hiểu những điều ẩn chứa ở đằng sau sự vỡ nợ hay nói khác là tìm nguyên nhân làm bùng nổ sự cố vỡ nợ. Nghiên cứu tƣơng quan tài sản giữa hai công ty và xác xuất vỡ nợ riêng biệt của từng công ty sẽ cho biết xác xuất mà hai công ty cùng vỡ nợ tại một thời điểm và điều này liên quan tới biến cố vỡ nợ của danh mục tài sản.  CreditRisk Plus (Credit Suisse Fist Boston): tác giả nghiên cứu mô hình CreditRisk Plus, đây là mô hình đơn giản nhất. Khác với mô hình cấu trúc, đi sâu vào tìm hiểu nguyên nhân của sự vỡ nợ, mô hình này tập trung vào yếu tố duy nhất là biến cố vỡ nợ. Các yếu tố của nền kinh tế, chất lƣợng xếp hạng tín dụng đƣợc xem là không cần thiết và bị bỏ qua.  A systematic comparison of two approaches to measuring credit risk: creditmetrics versus creditrisk+ (Diana Diaz, Gordon Gemmill): dựa trên sự so sánh hai mô hình creditmetrics và creditrisk+, ngƣời viết kết luận các nhà quản lý vĩ mô thì ít khi sử dụng hai mô hình này vì những hạn chế nhất định, trong khi các nhà quản trị ngân hàng thì thƣờng chọn mô hình creditmetrics nhiều hơn, do mô hình này có thể ƣớc tính giá trị tổn thất tin cậy hơn. Tuy nhiên, đối với danh mục cho vay nhỏ, chất lƣợng thấp thì mô hình creditrisk+ đƣợc đánh giá cao hơn, vì rõ ràng xác xuất chuyển hạng tín dụng của danh mục cho vay này biến động rất thấp.