Mô Hình Đánh Giá Tín Dụng SME Tại Việt Nam và Phân Tích Xác Suất Mặc Định

Nghiên cứu mô hình xếp hạng tín dụng SME tại Việt Nam và đánh giá xác suất vỡ nợ, cung cấp cái nhìn sâu sắc về thị trường tài chính.

• Tác giả: Nguyen Viet Duc
• Người hướng dẫn: Dr. Nguyen Thi Thuy Linh
• Trường học: University of Economics
• Chuyên ngành: Development Economics
• Đề tài: Mô Hình Đánh Giá Tín Dụng SME Tại Việt Nam: Phân Tích Xác Suất Mặc Định
• Loại tài liệu: thesis
• Năm xuất bản: 2016
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: INTRODUCTION
• 1.1. Research objectives and research questions
• 1.2. Scope of the study
• 1.3. Contributions and Implications
• 1.4. Organization of the thesis
• 2. CHƯƠNG 2: LITTERATURE REVIEW
• 2.1. Concepts of credit rating
• 2.2. Worldwide approaches for credit rating
• 2.3. Empirical studies on credit rating
• 3. CHƯƠNG 3: RESEARCH METHODOLOGY
• 3.1. Analytical framework and hypotheses
• 3.2. Binominal logistic regression
• 3.3. Multinomial logistic regressions
• 3.4. Linear regression quick reviews
• 3.5. Data sources and data treatment
• 3.6. The Data Set
• 3.7. Independent variables selecion
• 3.8. Independent variables transformation
• 4. CHƯƠNG 4: EMPERICAL RESULTS
• 4.1. The first model with Dependent variable is Default01
• 4.2. The author’s observation after run a “full model”
• 4.3. Final binominal regression models
• 4.4. Interesting results for Model 1.1-Qualitative marginal effects
• 4.5. Initiative for automatic tool
• 4.6. The second model with Dependent variable is F2-loan group
• 4.7. The author’s observation after run a “full model”
• 4.8. Final ologit regression models
• 4.9. Some more interesting results
• 4.10. The third model with Dependent variable is F2n-day of late payment
• 4.11. The author’s observation after run a “full model”
• 4.12. Final linear regression models
• 4.13. Some more interesting results
• 4.14. Test for any other limitation
• 4.15. Checking for Multicollinearity
• 4.16. Checking for Homoscedasticity
• 4.17. Comparing results of some models
• 4.18. Logit functions back test
• 4.19. Ologit functions back test
• 4.20. Linear functions back test
• 5. CHƯƠNG 5: CONCLUSION AND IMPLICATIONS
• 5.1. Limitations of the study
• 5.2. Suggestion for further studies
• PHỤ LỤC
• appendix 1. Variable Descriptive Statistic
• appendix 2. Full model for Logit functions
• appendix 3. Full model for Ologit functions
• appendix 4. Full model for Linear functions
• appendix 5. Testing of Multicollinearity
• appendix 6. Testing of Homoscedasticity

Tóm tắt

I. Giới thiệu

Trong bối cảnh kinh tế hiện nay, đánh giá tín dụng cho các doanh nghiệp nhỏ và vừa (SME tại Việt Nam) trở thành một yếu tố quan trọng trong việc quản lý rủi ro tín dụng. Mô hình tín dụng không chỉ giúp các ngân hàng xác định khả năng trả nợ của khách hàng mà còn hỗ trợ trong việc tối ưu hóa quy trình cho vay. Việc áp dụng các phương pháp thống kê hiện đại như hồi quy logistic và hồi quy tuyến tính đã cho thấy hiệu quả trong việc dự đoán xác suất mặc định. Theo thống kê, SMEs đóng góp gần 40% vào GDP và tạo ra hơn 50% việc làm tại Việt Nam. Tuy nhiên, chỉ 30% SMEs có thể tiếp cận được nguồn vốn ngân hàng, cho thấy sự cần thiết phải phát triển các mô hình đánh giá tín dụng phù hợp với đặc thù của SMEs.

1.1. Tầm quan trọng của mô hình đánh giá tín dụng

Mô hình tín dụng giúp các ngân hàng giảm thiểu rủi ro khi cho vay. Việc áp dụng các phương pháp thống kê cho phép ngân hàng phân tích dữ liệu lịch sử của khách hàng để dự đoán khả năng trả nợ trong tương lai. Điều này không chỉ giúp ngân hàng bảo vệ lợi ích của mình mà còn tạo điều kiện cho SMEs tiếp cận nguồn vốn dễ dàng hơn. Theo nghiên cứu, việc sử dụng mô hình hồi quy logistic có thể cải thiện độ chính xác trong việc dự đoán xác suất mặc định, từ đó giúp ngân hàng đưa ra quyết định cho vay hợp lý hơn.

II. Phân tích xác suất mặc định

Phân tích xác suất mặc định là một phần quan trọng trong mô hình đánh giá tín dụng. Nó cho phép ngân hàng xác định khả năng một khách hàng sẽ không trả nợ. Các yếu tố như tình hình tài chính, lịch sử tín dụng và các chỉ số kinh tế vĩ mô đều có thể ảnh hưởng đến xác suất này. Việc sử dụng các mô hình hồi quy giúp phân tích mối quan hệ giữa các biến độc lập và xác suất mặc định. Nghiên cứu cho thấy rằng các yếu tố như doanh thu, lợi nhuận và tỷ lệ nợ trên vốn chủ sở hữu có ảnh hưởng lớn đến khả năng trả nợ của SMEs.

2.1. Các yếu tố ảnh hưởng đến xác suất mặc định

Các yếu tố tài chính như doanh thu, lợi nhuận và tỷ lệ nợ trên vốn chủ sở hữu là những chỉ số quan trọng trong việc đánh giá khả năng trả nợ của SMEs. Nghiên cứu đã chỉ ra rằng, khi tỷ lệ nợ trên vốn chủ sở hữu tăng, xác suất mặc định cũng tăng theo. Điều này cho thấy rằng việc quản lý rủi ro tín dụng là rất cần thiết để đảm bảo sự phát triển bền vững của SMEs. Hơn nữa, việc áp dụng các mô hình phân tích dữ liệu có thể giúp ngân hàng đưa ra quyết định cho vay chính xác hơn.

III. Quy trình đánh giá tín dụng

Quy trình đánh giá tín dụng cho SMEs bao gồm nhiều bước từ thu thập thông tin đến phân tích dữ liệu. Ngân hàng cần thu thập thông tin tài chính và phi tài chính của khách hàng để xây dựng mô hình đánh giá. Sau đó, các mô hình thống kê sẽ được áp dụng để phân tích dữ liệu và đưa ra dự đoán về khả năng trả nợ. Việc sử dụng các công cụ phân tích dữ liệu hiện đại giúp ngân hàng tối ưu hóa quy trình này, từ đó giảm thiểu thời gian và chi phí cho việc phê duyệt khoản vay.

3.1. Các bước trong quy trình đánh giá tín dụng

Quy trình đánh giá tín dụng bao gồm các bước như thu thập dữ liệu, phân tích dữ liệu, và đưa ra quyết định cho vay. Đầu tiên, ngân hàng cần thu thập thông tin tài chính và phi tài chính của SMEs. Sau đó, các mô hình thống kê sẽ được áp dụng để phân tích dữ liệu và dự đoán xác suất mặc định. Cuối cùng, ngân hàng sẽ đưa ra quyết định cho vay dựa trên kết quả phân tích. Việc áp dụng quy trình này không chỉ giúp ngân hàng giảm thiểu rủi ro mà còn tạo điều kiện thuận lợi cho SMEs trong việc tiếp cận nguồn vốn.

IV. Kết luận và khuyến nghị

Mô hình đánh giá tín dụng cho SMEs tại Việt Nam cần được cải thiện để đáp ứng nhu cầu thực tế của thị trường. Việc áp dụng các phương pháp thống kê hiện đại như hồi quy logistic và hồi quy tuyến tính đã cho thấy hiệu quả trong việc dự đoán xác suất mặc định. Ngân hàng cần chú trọng đến việc phát triển các mô hình đánh giá tín dụng phù hợp với đặc thù của SMEs, từ đó giúp họ tiếp cận nguồn vốn dễ dàng hơn. Khuyến nghị cho các ngân hàng là nên đầu tư vào công nghệ thông tin và phân tích dữ liệu để nâng cao hiệu quả trong quy trình đánh giá tín dụng.

4.1. Đề xuất cho các ngân hàng

Các ngân hàng nên xem xét việc áp dụng các mô hình đánh giá tín dụng hiện đại để cải thiện quy trình cho vay. Việc đầu tư vào công nghệ thông tin và phân tích dữ liệu sẽ giúp ngân hàng nâng cao khả năng dự đoán xác suất mặc định và giảm thiểu rủi ro. Hơn nữa, ngân hàng cũng nên xây dựng các chương trình hỗ trợ SMEs trong việc cải thiện khả năng tiếp cận nguồn vốn, từ đó thúc đẩy sự phát triển của nền kinh tế.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh ngành ngân hàng Việt Nam, khoản vay chiếm hơn 70% tổng tài sản của các ngân hàng thương mại, trở thành yếu tố quyết định lợi nhuận và rủi ro tín dụng. Theo số liệu năm 2015, các doanh nghiệp nhỏ và vừa (SMEs) chiếm gần 97% tổng số doanh nghiệp tại Việt Nam, đóng góp khoảng 40% GDP và tạo việc làm cho hơn 51% lực lượng lao động. Tuy nhiên, SMEs gặp nhiều khó khăn trong tiếp cận vốn ngân hàng, chỉ khoảng 30% có thể vay được vốn theo nhu cầu, phần còn lại phải tìm nguồn tài chính với lãi suất cao hơn. Nguyên nhân chính là do thiếu các mô hình đánh giá tín dụng phù hợp, dẫn đến việc các ngân hàng khó đánh giá chính xác khả năng trả nợ của SMEs.

Mục tiêu nghiên cứu là xây dựng mô hình đánh giá rủi ro tín dụng cho SMEs tại Việt Nam dựa trên phương pháp hồi quy logistic và hồi quy tuyến tính, nhằm dự đoán xác suất vỡ nợ (Probability of Default - PD), nhóm khoản vay tương lai và số ngày trễ hạn thanh toán. Nghiên cứu sử dụng dữ liệu từ hai ngân hàng thương mại Việt Nam với tổng cộng 1.133 quan sát, tập trung vào các khoản vay nhỏ và ngắn hạn dành cho SMEs. Ý nghĩa của nghiên cứu thể hiện qua việc cung cấp công cụ đánh giá tín dụng chính xác, giúp ngân hàng giảm thiểu rủi ro, tối ưu hóa quy trình phê duyệt tín dụng và hỗ trợ SMEs tiếp cận vốn hiệu quả hơn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên ba mô hình thống kê chính: hồi quy logistic nhị phân (binomial logistic regression), hồi quy logistic đa biến (multinomial logistic regression) và hồi quy tuyến tính (linear regression).

• Hồi quy logistic nhị phân được sử dụng để dự đoán xác suất vỡ nợ, với biến phụ thuộc nhị phân (vỡ nợ hoặc không). Mô hình này phù hợp với dữ liệu có biến phụ thuộc dạng nhị phân và cho phép ước lượng xác suất xảy ra sự kiện.

• Hồi quy logistic đa biến áp dụng cho biến phụ thuộc phân loại có thứ tự (nhóm khoản vay từ 1 đến 5), giúp dự đoán khả năng khoản vay thuộc nhóm nào trong tương lai, từ đó hỗ trợ việc phân loại rủi ro và dự phòng.

• Hồi quy tuyến tính được dùng để dự đoán số ngày trễ hạn thanh toán, biến liên tục phản ánh mức độ rủi ro tín dụng chi tiết hơn.

Các khái niệm chính bao gồm: xác suất vỡ nợ (PD), nhóm khoản vay (loan group), số ngày trễ hạn (late payment days), các biến tài chính và phi tài chính như vốn chủ sở hữu, tổng tài sản, tỷ lệ thanh khoản, hiệu quả hoạt động, năng lực quản lý, lịch sử tín dụng và các yếu tố thị trường.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu thu thập từ hai ngân hàng thương mại Việt Nam, gồm 1.133 hồ sơ khách hàng SMEs với thông tin tài chính và phi tài chính, cùng lịch sử trả nợ. Dữ liệu được xử lý loại bỏ ngoại lệ và biến không đầy đủ, biến độc lập được chọn lọc và chuyển đổi thành dạng định lượng và định tính phù hợp.

Phương pháp phân tích bao gồm:

• Xây dựng mô hình hồi quy logistic nhị phân để phân loại khách hàng vỡ nợ và không vỡ nợ.
• Áp dụng hồi quy logistic đa biến để phân loại khách hàng vào các nhóm khoản vay theo mức độ rủi ro.
• Sử dụng hồi quy tuyến tính để dự đoán số ngày trễ hạn thanh toán.
• Kiểm định đa cộng tuyến, phương sai không đồng nhất và kiểm tra độ phù hợp mô hình.
• Thời gian nghiên cứu tập trung vào dữ liệu năm 2015, phản ánh thực trạng thị trường tín dụng SMEs tại Việt Nam.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Xác suất vỡ nợ (PD) của SMEs: Khoảng 9,18% khách hàng trong mẫu nghiên cứu bị vỡ nợ. Mô hình hồi quy logistic nhị phân cho thấy các biến như năng lực trả nợ trung và dài hạn, khả năng thanh khoản, vốn chủ sở hữu và hiệu quả hoạt động có ảnh hưởng tiêu cực đến xác suất vỡ nợ, nghĩa là các chỉ số này càng tốt thì rủi ro vỡ nợ càng thấp.

2. Phân loại nhóm khoản vay: Mô hình hồi quy logistic đa biến phân loại khách hàng thành 5 nhóm khoản vay với độ chính xác cao, giúp ngân hàng dự báo được khả năng khoản vay rơi vào nhóm rủi ro cao hay thấp. Ví dụ, nhóm có tỷ lệ khách hàng vỡ nợ cao tập trung chủ yếu ở nhóm 4 và 5, chiếm khoảng 15-20% tổng số khách hàng.

3. Dự đoán số ngày trễ hạn thanh toán: Mô hình hồi quy tuyến tính dự báo số ngày trễ hạn trung bình là khoảng 35 ngày, với các biến như lịch sử nợ xấu, năng lực quản lý và tình hình kinh doanh có ảnh hưởng đáng kể. Mô hình này giúp ngân hàng đánh giá chi tiết hơn mức độ rủi ro tín dụng và điều chỉnh chính sách dự phòng phù hợp.

4. Vai trò của các biến phi tài chính: Các yếu tố như kinh nghiệm quản lý, mức độ nhạy bén với thị trường, tổ chức bộ máy và mối quan hệ với các cơ quan quản lý cũng đóng vai trò quan trọng trong việc dự báo rủi ro tín dụng, góp phần nâng cao độ chính xác của mô hình.

Thảo luận kết quả

Kết quả nghiên cứu phù hợp với các nghiên cứu quốc tế cho thấy mô hình logistic và hồi quy tuyến tính là công cụ hiệu quả trong đánh giá rủi ro tín dụng SMEs. Việc kết hợp các biến tài chính và phi tài chính giúp mô hình phản ánh toàn diện hơn về khả năng trả nợ của khách hàng. So với phương pháp chuyên gia truyền thống, mô hình thống kê giảm thiểu tính chủ quan, tăng tính khách quan và hiệu quả trong phê duyệt tín dụng.

Dữ liệu có thể được trình bày qua biểu đồ phân phối nhóm khoản vay, bảng tần suất vỡ nợ theo từng nhóm và biểu đồ tương quan giữa các biến độc lập với biến phụ thuộc, giúp trực quan hóa mức độ ảnh hưởng của từng yếu tố. Việc kiểm định đa cộng tuyến và phương sai không đồng nhất đảm bảo tính ổn định và tin cậy của mô hình.

Đề xuất và khuyến nghị

1. Áp dụng mô hình thống kê trong đánh giá tín dụng SMEs: Ngân hàng nên triển khai mô hình hồi quy logistic và tuyến tính để đánh giá rủi ro tín dụng, giúp giảm thiểu rủi ro vỡ nợ và nâng cao hiệu quả quản lý danh mục cho vay trong vòng 1-2 năm tới.

2. Tăng cường thu thập và xử lý dữ liệu khách hàng: Đẩy mạnh việc thu thập dữ liệu tài chính và phi tài chính chi tiết, đồng thời áp dụng kỹ thuật xử lý dữ liệu để loại bỏ ngoại lệ, đảm bảo chất lượng dữ liệu phục vụ mô hình trong vòng 6-12 tháng.

3. Đào tạo nhân viên tín dụng về phân tích dữ liệu và mô hình hóa: Tổ chức các khóa đào tạo chuyên sâu về phân tích dữ liệu và ứng dụng mô hình thống kê cho đội ngũ nhân viên tín dụng nhằm nâng cao năng lực đánh giá và ra quyết định trong 1 năm tới.

4. Xây dựng hệ thống cảnh báo sớm và công cụ tự động hóa: Phát triển hệ thống cảnh báo rủi ro dựa trên mô hình dự báo số ngày trễ hạn và xác suất vỡ nợ, đồng thời tích hợp công cụ tự động phân loại khách hàng, giúp giảm thời gian xử lý hồ sơ và nâng cao hiệu quả quản lý rủi ro trong 2 năm tới.

Đối tượng nên tham khảo luận văn

1. Ngân hàng thương mại và tổ chức tín dụng: Hỗ trợ xây dựng hệ thống đánh giá rủi ro tín dụng chính xác, tối ưu hóa quy trình phê duyệt và quản lý danh mục cho vay SMEs.

2. Nhà quản lý và chuyên viên tín dụng: Cung cấp kiến thức về các mô hình thống kê ứng dụng trong đánh giá tín dụng, giúp nâng cao năng lực phân tích và ra quyết định.

3. Các nhà nghiên cứu và sinh viên chuyên ngành kinh tế phát triển, tài chính ngân hàng: Là tài liệu tham khảo quý giá về phương pháp nghiên cứu, mô hình hóa và phân tích dữ liệu trong lĩnh vực quản lý rủi ro tín dụng.

4. Các cơ quan quản lý nhà nước và chính sách: Hỗ trợ xây dựng chính sách tín dụng phù hợp với đặc thù SMEs, thúc đẩy phát triển kinh tế bền vững thông qua cải thiện khả năng tiếp cận vốn của doanh nghiệp nhỏ và vừa.

Câu hỏi thường gặp

1. Mô hình logistic có ưu điểm gì so với phương pháp truyền thống?
   Mô hình logistic giảm thiểu tính chủ quan, cho phép dự đoán xác suất vỡ nợ dựa trên dữ liệu khách quan, giúp ngân hàng ra quyết định chính xác hơn và giảm thiểu rủi ro tín dụng.

2. Tại sao cần kết hợp cả biến tài chính và phi tài chính trong mô hình?
   Biến phi tài chính như kinh nghiệm quản lý, tổ chức bộ máy phản ánh các yếu tố không thể hiện trong báo cáo tài chính nhưng ảnh hưởng lớn đến khả năng trả nợ, giúp mô hình toàn diện và chính xác hơn.

3. Mô hình có thể áp dụng cho các ngân hàng khác ngoài hai ngân hàng nghiên cứu không?
   Mô hình có thể được điều chỉnh phù hợp với đặc điểm dữ liệu và chiến lược của từng ngân hàng, tuy nhiên cần kiểm định lại tính phù hợp trước khi áp dụng rộng rãi.

4. Làm thế nào để xử lý dữ liệu ngoại lệ trong nghiên cứu?
   Nghiên cứu sử dụng phương pháp loại bỏ các quan sát ngoại lệ dựa trên phân vị để đảm bảo tính ổn định và độ tin cậy của mô hình.

5. Mô hình có thể dự báo chính xác số ngày trễ hạn thanh toán không?
   Mô hình hồi quy tuyến tính dự báo số ngày trễ hạn với độ chính xác tương đối, giúp ngân hàng đánh giá mức độ rủi ro chi tiết và điều chỉnh chính sách dự phòng phù hợp.

Kết luận

• Xây dựng thành công mô hình đánh giá rủi ro tín dụng SMEs tại Việt Nam dựa trên hồi quy logistic và tuyến tính với dữ liệu thực tế từ hai ngân hàng thương mại.
• Xác định các biến tài chính và phi tài chính quan trọng ảnh hưởng đến xác suất vỡ nợ, nhóm khoản vay và số ngày trễ hạn thanh toán.
• Mô hình giúp ngân hàng phân loại khách hàng chính xác, giảm thiểu rủi ro và tối ưu hóa quy trình phê duyệt tín dụng.
• Đề xuất áp dụng mô hình trong thực tiễn, đồng thời tăng cường thu thập dữ liệu và đào tạo nhân viên để nâng cao hiệu quả quản lý rủi ro.
• Khuyến nghị các bước tiếp theo bao gồm triển khai thử nghiệm mô hình, xây dựng hệ thống cảnh báo sớm và phát triển công cụ tự động hóa trong vòng 1-2 năm tới.

Hãy bắt đầu áp dụng mô hình này để nâng cao hiệu quả quản lý tín dụng và hỗ trợ phát triển bền vững cho SMEs tại Việt Nam!

Trích đoạn nội dung tài liệu

UNIVERSITY OF ECONOMICS INSTITUTE OF SOCIAL STUDIES HO CHI MINH CITY THE HAGUE VIETNAM THE NETHERLANDS VIETNAM – THE NETHERLANDS PROGRAMME FOR M.A IN DEVELOPMENT ECONOMICS SMEs CREDIT RATING MODEL IN VIETNAM: PROBABILITY OF DEFAULT ASSESSMENT By NGUYEN VIET DUC MASTER OF ARTS IN DEVELOPMENT ECONOMICS Ho Chi Minh City, December, 2016 123doc VIETNAM – THE NETHERLANDS PROGRAMME FOR M.A IN DEVELOPMENT ECONOMICS SMEs CREDIT RATING MODEL IN VIETNAM: PROBABILITY OF DEFAULT ASSESSMENT by Nguyen Viet Duc A Thesis Submitted in Partial Fulfilment of the Requirements for the Degree of Master of Art in Development Economics Academic Supervisor: Dr. Nguyen Thi Thuy Linh Class 21 Ho Chi Minh City, December, 2016 123doc CERTIFICATION “I certify the content of this dissertation has not already been submitted for any degree and is not being currently submitted for any other degrees. I certify that, to be the best of my knowledge, any help received in preparing this dissertation and all source used, have been acknowledged in this dissertation.” Signature NGUYEN VIET DUC Date: December 2016 123doc ACKNOWLEDGEMENT I would like to extend my grateful thanks to all people who always encouraged me, supported me, and helped me, by their very own ways to the completion of this thesis. First and foremost, in special to my parents, my Chip (NGUYEN Duc Ha Anh), who inspired me to participate this MDE class, firmly supported me, always love me while supported me during hard studying time.

To my supervisor, Ms. NGUYEN Thi Thuy Linh and Mr. TRUONG Dang Thuy, who were always willing to, patiently, comprehensively guide me to build up my ideas and structure them in an academic added value paper. Last but not the least, I want to extend my thanks to my friends, to all the Risk Management Division members and colleagues from An Binh bank that in some way contributed to my study experiences and made my days happier and more pleasant.

123doc TABLES AND FIGURES TABLE 1-SAMPLE OF CREDIT RISK ASSESSMENT RANKING BY MOODY IN US 2015 16 TABLE 2 – VARIABLES 21 TABLE 3 – A SAMPLE OF VARIABLE SELECTION BY ALTMAN 28 TABLE 4-VARIABLES USED BY ALTMAN2 29 TABLE 5- VARIABLES USED BY MOODY 29 TABLE 6 – DROPPED VARIABLES DUE TO UNFULL FILLED OR MEANINGLESS 30 TABLE 7-APPROPRIATED INDICATORS WITH VALUE TYPE AND TRANSFORMATION 33 TABLE 8 – INDEPENDENT VARIABLES EXPECTED SIGNS IN THE RELATIONSHIP 37 TABLE 9-DEPENDENT VARIABLES DESCRIPTIVE STATISTIC 39 TABLE 10-INDEPENDENT VARIABLES DESCRIPTIVE STATISTIC 40 TABLE 11-DEFAULT STATISTIC FREQUENCY 43 TABLE 12-EXPLANATION OF INDEPENDENT, STATISTICAL SAMPLE 44 TABLE 13-SUMMARY OF FULL MODEL FOR BINOMINAL DEFAULT01 LOGISTIC FUNCTIONS 45 TABLE 14-FINAL MODEL FOR BINOMINAL DEFAULT01 LOGISTIC FUNCTIONS 46 TABLE 15-EXAMPLE OF CHECKING THE POWER OF QUALITATIVE VARIABLES’ CLASSIFYING 49 TABLE 16-EXAMPLE OF QUALITATIVE MARGINAL EFFECTS ON CREDIT RATING 51 TABLE 17-EXAMPLE OF AN AUTOMATIC DEFAULT PREDICTING TOOL 52 TABLE 18-LOAN GROUP DISTRIBUTION FREQUENCY 53 TABLE 19-SUMMARY OF FULL MODEL FOR OLOGIT LOAN GROUP LOGISTIC FUNCTIONS 54 TABLE 20-FINAL MODEL FOR OLOGIT LOAN GROUP LOGISTIC FUNCTIONS 55 TABLE 21-MARGIN TESTING 60 TABLE 22-PREDICTING LOAN GROUP SAMPLE 60 TABLE 23-CLIENT’ PROBABILITY OF FUTURE LOAN GROUP 61 TABLE 24-NUMBER OF DAY IN LATE PAYMENT DISTRIBUTION FREQUENCY 62 TABLE 25-SUMMARY OF FULL MODEL FOR LINEAR DAY OF LATE 63 TABLE 26-FINAL MODEL FOR OLOGIT LOAN GROUP LOGISTIC FUNCTIONS 64 TABLE 27-CLIENT WITH EXPECTED NUMBER OF LATE DAYS IN PAYMENT 68 TABLE 28- CORRELATION OF DUMMY VARIABLES. 70 TABLE 29- TEST FOR MULTICOLLINEARITY. 71 TABLE 30- TEST FOR HOMOSCEDASTICITY 72 TABLE 31-COMPARE MODEL 1.3-4 (BOTH IN PREDICTING DEFAULT RISK), BETWEEN RISK LOVER, RISK NEUTRAL AND RISK ADVERSE 72 FIGURE 1 – LOAN’S SIZE 6 FIGURE 2 - CREDIT RISK MANAGEMENT TECHNIQUES IN BANKING MANAGEMENT 10 FIGURE 3- SAMPLE OF A LOAN’S LIFE 14 FIGURE 4 – CONCEPTUAL FRAMEWORK 20 FIGURE 5: DEPENDENT VARIABLES DISTRIBUTION 28 FIGURE 6: DISTRIBUTION COMPARING (AT 10% CUT VALUE) 74 FIGURE 7: OLOGIT BACK TEST 75 FIGURE 8: LINEAR BACK TEST 75 123doc ABSTRACT The largest part in Asset of any bank in its balance sheet is loans, which accounted over 70% of total bank’s asset. Therefore loan becomes the biggest factor affecting bank’s profit/loss (PnL) and managing loan becomes the main point in banking management.

For the reason that credit portfolio plays important role in bank’s PnL, it is required that banks need to issue and implement policies and techniques to manage risk in every stage of granting loans process. Figure 1 – Loan’s Size Audited Public Data End of 2014 End of 2015 Bank Loans Total Loans Total assets (bill % assets (bill (bill % (bill dong) dong) dong) dong) Vietinbank 661,242 542,674 82. It seems to be not an efficient way for banks to do so. Together with the growth of banking industry, many statistical methods for credit rating were developed and introduced as an important tool in finance and banking area.

Credit models are become an effective way to evaluate the credit risk of clients. Many applications of the statistical techniques with more precisions and powers in predicting credit risk create benefits for financial institutions by helping them establish an appropriated strategy for risk mitigation. This thesis presents the approach and results of an attempt at using logistic regression to develop a probability of default (PD) predicting model, a linear regression which is also supported by literatures of relevant factors by an ologit model for predicting the future loan group of any applicant. Both logistic and linear regression are applied to find out the fit models for commercial banks.

By choosing suitable models and deeply data analysis from Vietnamese commercial banks, the paper address almost big concerns in credit risk 123doc management and client credit worthiness assessment: determine suitable models for Vietnamese SMEs market for both predicting probability of default (PD), number of late payment days (ELG); specify factors that could cause a loan’s potential downgrade (PDL), important information that contributes in creditworthiness of an individual SMEs, the role of cut-off points in implementing banks’ risk appetite and suitable data treatment approaches. Key words: credit rating, logistic regression, binominal, multinomial, linear regression, prediction, risk assessment. 123doc NGUYEN Viet Duc-MDE21 TABLE OF CONTENTS CHAPTER 1 - INTRODUCTION. Research objectives and research questions.

Scope of the study. Contributions and Implications. Organization of the thesis. 11 CHAPTER 2 – LITTERATURE REVIEW.

Concepts of credit rating. Worldwide approaches for credit rating. Empirical studies on credit rating. 17 CHAPTER 3 – RESEARCH METHODOLOGY.

Analytical framework and hypotheses. Binominal logistic regression. Multinomial logistic regressions. Linear regression quick reviews.

Data sources and data treatment. The Data Set. Independent variables selecion .2-Independent variables transformation. 33 CHAPTER 4 – EMPERICAL RESULTS.

The first model with Dependent variable is Default01. The author’s observation after run a “full model”:. Final binominal regression models. Interesting results for Model 1.1-Qualitative marginal effects .2-Initiative for automatic tool.

52 VIETNAM – NETHERLANDS PROGRAMME FOR M.A IN DEVELOPMENT ECONOMICS Page 1 of 102 123doc NGUYEN Viet Duc-MDE21 4. The second model with Dependent variable is F2-loan group. The author’s observation after run a “full model”:. Final ologit regression models.

Some more interesting results. The third model with Dependent variable is F2n-day of late payment. The author’s observation after run a “full model”:. Final linear regression models.

Some more interesting results. Test for any other limitation. Checking for Multicollinearity. Checking for Homoscedasticity.

Comparing results of some models. Logit functions back test. Ologit functions back test. Linear functions back test.

75 CHAPTER 5 – CONCLUSION AND IMPLICATIONS. Limitations of the study. Suggestion for further studies. 84 Appendix 1-Variable Descriptive Statistic.

87 Appendix 2-Full model for Logit functions. 90 Appendix 3-Full model for Ologit functions. 94 Appendix 4-Full model for Linear functions. 96 Appendix 5-Testing of Multicollinearity.

98 Appendix 6-Testing of Homoscedasticity. 101 VIETNAM – NETHERLANDS PROGRAMME FOR M.A IN DEVELOPMENT ECONOMICS Page 2 of 102 123doc NGUYEN Viet Duc-MDE21 CHAPTER 1 - INTRODUCTION 1. Problem statement Credit is a large industry in the worldwide economy and plays an important role in the growth of firms and countries. In one hand, many enterprises have utilized credit lines to make profit or spur their sales.

In another hand, credit injects capital to the economy, allow production and expansion to bring development to firms in particular and country in general. Bank credit can be categorized into four primary types which are loans, discounts, finance leasing and warranties. The granting of credit plays a crucial role in the economic development because the fact that not every businesses have enough money or use all their money to finance their projects. However, credit institutions do not grant credits on its own to all applicants but it should come through a procedure in which they decide whether or not to provide credit to a particular applicant.

The reason for that is they need to avoid the risk of accepting bad loan (high probability of default) or rejecting good loans (profitable loans). Therefore credit risk management holds an important role in banking industry. The banks manage credit risk exposure through a credit risk policies system in which evaluate the credit risk of applicant, so to minimize the default risk together with maximize profit. The process of identify credit risk includes collecting previous borrowers’ information, classifying, analyzing multi elements and variables to assess the ability of clients’ repayment.

The increasing demand of credit and industrial intense competition force banks to implement new schemes to refined statistical methods to facilitate the procedure of making decisions that is also the standard required by Basel Committee on Banking Supervision (BCBS) through their sophisticated documents and papers leading the banking global to a new credit rating/grading generation. The credit models make process systematically and also shorten time spent in the loan granting process, thus reduce the cost of banks in approving, minimizing objectiveness and inaccurate decisions by using statistical techniques and VIETNAM – NETHERLANDS PROGRAMME FOR M.A IN DEVELOPMENT ECONOMICS Page 3 of 102 123doc NGUYEN Viet Duc-MDE21 predicting the performance of customers as well as help banks in measuring the risks and profits. Using models, the banks can manage the pre-issuing, approving procedure and situation after granting loan of the borrowers and easily improve the credit risk management from individual perspective to an entire portfolio one as well. Information technologies help banks in compiling huge mass of data - details of bank customers at various stages of their loan life cycles.

All the records tracked for customers and/or accounts, with their own “characteristics” at points in time. In credit rating and default predicting, these records are important for final outcomes. Did the customers pay or not? Did they pay on time or nor? What could be their problems and whether their problems relate to their ability of paying back? If we assume that future will follow the trend that created in the past, then customer’s historical data can be used to predict an estimated future. We need to keep in mind that, these are only heuristic models (as opposed to deterministic), that can only provide guesses, not absolute answers (and if all things are correctly predictable, life is so boring).

For many countries over the world, Small and Medium-sized Enterprises (SMEs) are considered as backbone of the economy. In OECD members, the number of SMEs is accounted for over 97% of all the enterprises. In Vietnam, SMEs are also dominant the economy, the percentage of SMEs over total firms is nearly 97% according to the statistics in 2015 from General Statistics Office. It is obvious that SMEs bring many benefits to the economy, which can be listed as: job creation, attract investment, reduce poverty, increase income for workers, positively impact on the development of larger enterprises, etc.