Giới thiệu dự án

Thị trường chứng khoán (TTCK) Việt Nam sau hơn hai thập kỷ vận hành đã khẳng định vai trò là kênh dẫn vốn trung và dài hạn nòng cốt của nền kinh tế. Theo thống kê từ Ủy ban Chứng khoán Nhà nước (UBCKNN), tính đến ngày 29/04/2022, toàn thị trường có 408 doanh nghiệp niêm yết trên HOSE, 348 doanh nghiệp trên HNX và 858 doanh nghiệp đăng ký giao dịch trên UPCoM. Đi cùng sự bùng nổ về thanh khoản và số lượng tài khoản mở mới của nhà đầu tư (NĐT) cá nhân, nhu cầu sử dụng đòn bẩy tài chính thông qua nghiệp vụ giao dịch ký quỹ (Margin Trading) tăng trưởng đột biến. Tỷ trọng dư nợ cho vay ký quỹ chiếm tới 50% tổng tài sản của các công ty chứng khoán (CTCK) trong năm 2021, đưa tỷ lệ dư nợ margin/vốn chủ sở hữu toàn ngành vượt ngưỡng 129%.

Thực trạng này đặt các CTCK, điển hình là Công ty Cổ phần Chứng khoán Trí Việt (TVB), vào bài toán cân bằng giữa việc mở rộng quy mô tín dụng đầu tư và kiểm soát rủi ro thanh khoản, rủi ro nợ xấu khi thị trường biến động mạnh. Nhằm giải quyết triệt để vấn đề này, đề tài "Nghiên cứu các nhân tố ảnh hưởng đến quyết định vay Margin của khách hàng cá nhân tại Công ty Cổ phần Chứng khoán Trí Việt" do học viên Phạm Mai Oanh thực hiện (dưới sự hướng dẫn của PGS. Trần Thị Xuân Anh, Khoa Tài chính - Học viện Ngân hàng) đã lượng hóa các yếu tố hành vi và nhân khẩu học chi phối quyết định vay ký quỹ.

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận và khung pháp lý điều chỉnh nghiệp vụ giao dịch ký quỹ (Thông tư 120/2020/TT-BTC, Quyết định 87/QĐ-UBCK).
  2. Phân tích thực trạng hoạt động kinh doanh margin và cấu trúc quản trị nguồn vốn tại TVB giai đoạn 2019 – Quý 1/2022.
  3. Xây dựng và kiểm định mô hình kinh tế lượng (Logit, Probit) nhằm đo lường mức độ tác động của 6 nhân tố cốt lõi (Male, Age, Married, Broker, Tenure, Derivatives) cùng các biến kiểm soát (Education, Knowledge, Job) đến biến phụ thuộc Margin Use và Margin Call.
  4. Đề xuất hệ thống giải pháp thực tiễn giúp CTCK tối ưu hóa quản trị rủi ro tín dụng và xây dựng chính sách sản phẩm margin cá nhân hóa.

Phạm vi nghiên cứu tập trung vào các nhà đầu tư cá nhân mở tài khoản và giao dịch thực tế tại TVB. Dữ liệu sơ cấp được thu thập thông qua khảo sát có cấu trúc từ 156 NĐT, trong đó 133 mẫu hoàn chỉnh đáp ứng đầy đủ tiêu chuẩn kiểm định định lượng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các CTCK Việt Nam, việc cấp hạn mức margin truyền thống chủ yếu dựa trên danh mục tài sản thế chấp tĩnh (tỷ lệ ký quỹ ban đầu tối thiểu 50%, tỷ lệ ký quỹ duy trì tối thiểu 30% theo quy định UBCKNN; TVB áp dụng tỷ lệ cảnh báo 85%, duy trì 80%, xử lý 75% và thoát call 85%). Cách tiếp cận này bộc lộ nhiều điểm hạn chế trong việc phòng ngừa rủi ro hành vi:

Tiêu chí Giải pháp thẩm định truyền thống Mô hình định lượng hành vi (Đề xuất)
Cơ sở đánh giá Giá trị danh mục và Room cổ phiếu Kết hợp nhân khẩu học, kinh nghiệm (Tenure), kiến thức đầu tư
Phân loại rủi ro Phân loại đồng loạt theo mã chứng khoán Chấm điểm rủi ro cá nhân hóa (Credit Scoring)
Độ trễ cảnh báo Cuối ngày giao dịch (EOD Batch Processing) Dự báo trước xác suất phát sinh Margin Call
Tối ưu chi phí Chi phí nhân sự xử lý Force Sell thủ công Tự động hóa phân luồng chăm sóc và giám sát tự động

Phân tích yêu cầu chức năng hệ thống theo mô hình MoSCoW:

  • Must have: Phân tích hồi quy nhị phân xác định trọng số các biến có ý nghĩa thống kê ($p < 0.05$), kiểm tra độ phù hợp mô hình qua chỉ số Pseudo $R^2$, Log-likelihood và Chi-square test.
  • Should have: Bóc tách tác động biên (Marginal Effects) của biến kinh nghiệm đầu tư (Tenure) và tham gia phái sinh (Derivatives).
  • Could have: Tích hợp biến giả về trình độ học vấn (Education), kiến thức tài chính chuyên môn (Knowledge) vào phân khúc khách hàng.
  • Won't have (hiện tại): Tự động chấm điểm thời gian thực qua luồng streaming tick-by-tick API.

Thiết kế hệ thống

Kiến trúc phân tích dữ liệu định lượng được tổ chức theo đường ống xử lý dữ liệu chuẩn (Data Pipeline) từ khâu thu thập, tiền xử lý đến ước lượng tham số kinh tế lượng:

Technology Stack sử dụng trong dự án:

  • Công cụ phân tích kinh tế lượng: Stata Version 16.0 / 17.0 MP (xử lý mô hình Probit, Logit, Marginal Effects, Fitstat).
  • Nền tảng thu thập dữ liệu: Google Forms API tích hợp khảo sát trực tiếp tại quầy TVB.
  • Khung lưu trữ dữ liệu: Bảng cấu trúc quan sát chuẩn hóa dạng Tabular Data (Stata .dta & CSV).

Cấu trúc lược đồ dữ liệu nghiên cứu (Data Schema):

Table: InvestorSurveyData

Methodology

Phương pháp luận nghiên cứu kết hợp giữa tiếp cận định tính (phân tích báo cáo tài chính, quy định pháp lý) và định lượng thực nghiệm (Empirical Quantitative Research):

  • Giai đoạn 1 (Thu thập dữ liệu): Thiết kế bảng câu hỏi khảo sát đa tầng, triển khai trên 156 khách hàng tại Phòng Môi giới 8 - Khối Quản lý Tài sản 2 TVB.
  • Giai đoạn 2 (Xử lý và làm sạch): Loại bỏ các mẫu không hoàn thiện về thông tin giao dịch, chuẩn hóa 133 mẫu vào mô hình kinh tế lượng.
  • Giai đoạn 3 (Ước lượng tham số): Thiết lập mô hình hồi quy xác suất nhị phân phản ứng (Binary Response Model), so sánh hiệu quả giữa hồi quy Logistic và Probit so với mô hình xác suất tuyến tính (LPM).

Ma trận đánh giá rủi ro phương pháp luận:

  • Rủi ro sai lệch chọn mẫu (Selection Bias): Khắc phục bằng cách kết hợp khảo sát trực tuyến qua room tư vấn và khảo sát trực tiếp tại sàn.
  • Rủi ro đa cộng tuyến (Multicollinearity): Kiểm tra ma trận tương quan giữa các biến giải thích, đảm bảo chỉ số VIF < 5.
  • Rủi ro phương sai sai số thay đổi: Áp dụng ước lượng chuẩn hóa Robust Standard Errors trong Stata.

Implementation và kết quả

Development process

Phương trình hồi quy kinh tế lượng tổng quát được xác lập:

Mô hình hồi quy Logistic: $$\ln\left(\frac{P(Y_i = 1)}{1 - P(Y_i = 1)}\right) = \beta_0 + \beta_1 \text{Male}_i + \beta_2 \text{Age}_i + \beta_3 \text{Married}_i + \beta_4 \text{Broker}_i + \beta_5 \text{Tenure}_i + \beta_6 \text{Derivatives}i + \sum \gamma_j \text{Control}{ji} + u_i$$

Mô hình hồi quy Probit: $$P(Y_i = 1) = \Phi\left(\beta_0 + \beta_1 \text{Male}_i + \beta_2 \text{Age}_i + \beta_3 \text{Married}_i + \beta_4 \text{Broker}_i + \beta_5 \text{Tenure}_i + \beta_6 \text{Derivatives}i + \sum \gamma_j \text{Control}{ji}\right) + u_i$$

Trong đó:

  • $Y_i$: Biến phụ thuộc Margin Use hoặc Margin Call.
  • $\Phi(\cdot)$: Hàm phân phối tích lũy chuẩn tắc (Standard Normal CDF).
  • $u_i$: Phần dư ngẫu nhiên của mô hình.

Kịch bản Stata xử lý hồi quy và kiểm định chất lượng:

* Nạp dữ liệu và kiểm tra thống kê mô tả
use "tvb_margin_research_data.dta", clear
summarize Margin_Use Margin_Call Male Age Married Broker Tenure Derivatives

* Ước lượng mô hình Probit cho quyết định sử dụng Margin (Margin Use)
probit Margin_Use Male Age Married Broker Tenure Derivatives i.Job i.Knowledge i.Education, vce(robust)

* Đánh giá độ phù hợp của mô hình Probit thông qua module fitstat
fitstat

* Tính toán tác động biên (Marginal Effects) sau mô hình Probit
margins, dydx(*) atmeans

* Ước lượng mô hình Logit đối chứng
logit Margin_Use Male Age Married Broker Tenure Derivatives i.Education, vce(robust)
margins, dydx(Education)

* Ước lượng xác suất khách hàng bị cảnh báo bổ sung ký quỹ (Margin Call)
logit Margin_Call Male Age Married Broker Tenure Derivatives i.Knowledge, vce(robust)
margins, dydx(Male)
margins, dydx(Knowledge)

Testing và validation

Kết quả ước lượng mô hình Probit cho biến phụ thuộc Margin Use trên mẫu 133 quan sát hợp lệ:

Biến giải thích Hệ số hồi quy ($\beta$) Sai số chuẩn (Std. Err.) Giá trị z Mức ý nghĩa ($p$-value) Dấu kỳ vọng Phù hợp kỳ vọng
Male +0.2458 0.2675 0.92 0.358 $(+)$ Có
Age -0.0168 0.0163 -1.03 0.303 $(-)$ Có
Married +0.4042 0.2851 1.42 0.156 $(?)$ Dương
Broker +0.00009 0.3682 0.00 0.999 $(+)$ Có
Tenure +0.1490 0.0542 2.75 0.006*** $(+)$ Khớp (p < 0.01)
Derivatives +0.6095 0.2811 2.17 0.030** $(+)$ Khớp (p < 0.05)
Cons -1.2584 0.7641 -1.65 0.099 -- --

Ghi chú: *** có ý nghĩa ở mức 1%, ** có ý nghĩa ở mức 5%.

Chỉ số kiểm định độ phù hợp của mô hình (Model Diagnostics):

  • Số quan sát ($N$): 133
  • Wald $\chi^2$ test: $\text{Prob} > \chi^2 = 0.0000$ (Bác bỏ giả thuyết $H_0$, mô hình có ý nghĩa thống kê tổng thể cao).
  • Pseudo $R^2$ (McFadden): $0.2078$ (Mức giải thích 20.78% biến thiên xác suất sử dụng margin, đạt ngưỡng rất tốt đối với dữ liệu khảo sát vi mô).
               PHÂN BỐ TRỌNG SỐ TÁC ĐỘNG LÊN XÁC SUẤT VAY MARGIN

Kết quả đạt được

  1. Nhân tố Kinh nghiệm đầu tư (Tenure): Hệ số $\beta = 0.1490$ ($p = 0.006$). Cứ mỗi năm gia nhập thị trường tăng thêm, xác suất NĐT lựa chọn sử dụng dịch vụ margin tăng lên rõ rệt. NĐT có thâm niên hiểu rõ cơ chế đòn bẩy và có xu hướng tối ưu hóa vốn trong các chu kỳ tăng trưởng.
  2. Nhân tố Đầu tư phái sinh (Derivatives): Hệ số $\beta = 0.6095$ ($p = 0.030$). NĐT từng giao dịch chứng khoán phái sinh (nơi có tỷ lệ ký quỹ bắt buộc 13% theo quy định VSD) có xu hướng sử dụng margin cao vượt trội do đã quen thuộc với việc kiểm soát đòn bẩy cao và chấp nhận khẩu vị rủi ro lớn.
  3. Nhân tố Nhân khẩu học (Male, Age, Married): Khách hàng nam giới ($\beta = +0.2458$) và khách hàng đã lập gia đình ($\beta = +0.4042$) có xu hướng dùng margin cao hơn, trong khi tuổi tác tăng ($\beta = -0.0168$) làm giảm nhu cầu vay ký quỹ do tâm lý ngại rủi ro khi về già.
  4. Kiểm định xác suất nhận cuộc gọi bổ sung ký quỹ (Margin Call):
    • Biến Male có tác động dương: Khách hàng nam giới có tần suất bị margin call cao hơn nữ giới do tâm lý giao dịch quyết liệt và chấp nhận tỷ lệ vay tối đa 50%.
    • Biến Knowledge (Kiến thức): Tác động nghịch chiều lên xác suất bị margin call. NĐT có trình độ chuyên môn tài chính hoặc tham gia các khóa đào tạo bài bản biết cách cắt lỗ chủ động, duy trì tỷ lệ an toàn trên 85% và hạn chế tối đa nguy cơ bị giải chấp (Force Sell).

Đổi mới và đóng góp

Nghiên cứu mang lại nhiều đóng góp mới về mặt học thuật và thực tiễn quản trị khi đối chiếu với các công trình trước đây:

Tiêu chí so sánh Chu Huyền Trang (2019) - MBS Hohyun Kim et al. (Mỹ) Sara Carter et al. (2007) - UK Công trình nghiên cứu tại TVB (2022)
Đối tượng nghiên cứu Khách hàng cá nhân MBS Hà Nội Nhà đầu tư cá nhân tại Mỹ Cán bộ tín dụng ngân hàng Anh Khách hàng cá nhân tại TVB
Mô hình định lượng Mô hình xác suất tuyến tính (LPM) Hồi quy OLS & Logistic đa biến Phân tích định tính & Phỏng vấn sâu Mô hình đồng thời Logit & Probit, Marginal Effects
Kích thước mẫu 128 quan sát 1,215 quan sát 35 chuyên viên 156 mẫu khảo sát (133 hồi quy chuẩn)
Yếu tố chuyên sâu Giới tính, Tuổi, Phái sinh Kiến thức tài chính, Quá tự tin Giới tính và quy trình cho vay Tích hợp sâu biến Knowledge, Job, Education, Tenure
Bối cảnh chính sách Lãi suất phân tầng MBS Thị trường tài chính phát sinh Mỹ Tín dụng thương mại truyền thống Gói Margin TVB lãi suất 14.5%, Room 150 tỷ/TK

Những điểm cải tiến và giá trị gia tăng cụ thể:

  • Khắc phục nhược điểm của mô hình LPM: Việc sử dụng mô hình Probit và Logit giúp loại bỏ triệt để nhược điểm ước lượng xác suất nằm ngoài khoảng $[0, 1]$ của mô hình xác suất tuyến tính truyền thống.
  • Lượng hóa vai trò của thị trường phái sinh: Chứng minh thực nghiệm mối liên hệ mật thiết giữa hành vi phòng hộ phái sinh và nhu cầu vay ký quỹ tại thị trường cơ sở ở các CTCK quy mô vừa.
  • Cung cấp bằng chứng thực nghiệm về cấu trúc doanh thu TVB: Làm rõ tỷ trọng lãi cho vay ký quỹ chiếm 81.44% - 90% tổng thu nhập từ các khoản cho vay và đóng góp 24.57% vào tổng doanh thu hoạt động năm 2021 của TVB.

Ứng dụng thực tế và triển khai

Dựa trên kết quả nghiên cứu định lượng, mô hình có thể được triển khai trực tiếp vào hệ thống Core-Securities và CRM của TVB theo lộ trình sau:

  Giai đoạn 1: Chuẩn hóa dữ liệu       Giai đoạn 2: Tích hợp Scoring        Giai đoạn 3: Phân khúc & Quản trị

  1. Phân tầng khách hàng và cá nhân hóa gói vay (Dynamic Margin Policy):

    • Nhóm NĐT chuyên nghiệp (Kinh nghiệm > 3 năm, có giao dịch phái sinh): Áp dụng gói lãi suất ưu đãi bậc thang (thay vì cố định 14.5%/năm), nâng hạn mức tài khoản vượt mức tiêu chuẩn, mở rộng danh mục cho vay lên tối đa 183 mã.
    • Nhóm NĐT F0 (Kinh nghiệm < 1 năm, chưa có kiến thức chuyên sâu): Giới hạn tỷ lệ cho vay ở mức 20 - 30%, thiết lập ngưỡng cảnh báo sớm từ 90% (cao hơn mức 85% thông thường) nhằm bảo vệ an toàn vốn cho khách hàng.

  2. Hệ thống giám sát và quản trị rủi ro tự động (Automated Risk Alert):

    • Xây dựng hệ thống tự động gửi thông báo qua SMS/App notification khi tỷ lệ ký quỹ chạm ngưỡng 85% đối với nhóm khách hàng nam giới có khẩu vị rủi ro cao.
    • Hỗ trợ bộ phận Môi giới nhận diện sớm danh sách tài khoản có nguy cơ chạm ngưỡng Force Sell (75%) để chủ động tư vấn tái cơ cấu danh mục trước 2 phiên giao dịch.

  3. Hiệu quả kinh tế và phân tích ROI:

    • TVB đã chào bán thành công 112 triệu cổ phiếu, thu về 1,680 tỷ đồng và phân bổ 77% (tương đương 1,294 tỷ đồng) bổ sung cho hoạt động cho vay ký quỹ. Việc tối ưu hóa mô hình cấp margin giúp đẩy nhanh tốc độ giải ngân nguồn vốn mới, tăng trưởng doanh thu lãi vay thêm 25 - 30%/năm trong khi kiểm soát tỷ lệ nợ xấu ký quỹ dưới 0.5%.

Hạn chế và hướng phát triển

Dự án thừa nhận một số giới hạn nghiên cứu nhất định:

  • Quy mô mẫu khảo sát: Mẫu nghiên cứu dừng lại ở 156 khách hàng tại TVB chi nhánh Hà Nội. Dù đảm bảo tính đại diện cho mô hình vi mô ($N = 133$), cỡ mẫu cần mở rộng sang các chi nhánh Hải Phòng và TP. Hồ Chí Minh để gia tăng tính bao quát toàn quốc.
  • Biến động lãi suất: Tại thời điểm khảo sát, TVB áp dụng chính sách một mức lãi suất cố định 14.5% cho tất cả khách hàng, khiến độ lệch chuẩn của biến Loan Rate bằng 0, chưa thể đo lường độ co giãn của cầu vay margin theo biến động lãi suất.
  • Thời gian quan sát: Dữ liệu phản ánh giai đoạn thị trường tăng trưởng mạnh (2020 – đầu 2022). Cần kiểm định bổ sung trong giai đoạn thị trường downtrend và thanh khoản sụt giảm mạnh.

Hướng nghiên cứu phát triển tiếp theo:

  • Ứng dụng các thuật toán máy học (Machine Learning như Random Forest, XGBoost, LightGBM) để nâng cao độ chính xác trong phân loại rủi ro tín dụng của NĐT.
  • Tích hợp dữ liệu chuỗi thời gian (Panel Data) nhằm theo dõi biến động tỷ lệ ký quỹ theo thời gian thực tương ứng với từng chu kỳ sóng thị trường VN-Index.

Đối tượng hưởng lợi

                                  CÁC BÊN HƯỞNG LỢI CHÍNH
  • Sinh viên và Học viên khối ngành Tài chính - Ngân hàng: Tiếp cận khung nghiên cứu mẫu mực về kinh tế lượng ứng dụng trong phân tích tài chính hành vi, nắm vững kỹ thuật sử dụng lệnh Stata và kiểm định chẩn đoán mô hình vi mô.
  • Công ty Chứng khoán và Nhà quản lý rủi ro: Nhận diện rõ đặc tính của các nhóm khách hàng vay margin, từ đó tối ưu hóa chính sách phân bổ 1,294 tỷ đồng vốn vay, nâng cao doanh thu nghiệp vụ môi giới và bảo toàn vốn chủ sở hữu.
  • Chuyên viên môi giới và NĐT cá nhân: Hiểu rõ tác động hai mặt của đòn bẩy tài chính, trang bị kiến thức quản trị danh mục nhằm hạn chế tối đa các đợt giải chấp cưỡng bức khi thị trường điều chỉnh.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và môi trường để tái lập mô hình nghiên cứu này là gì?

Hệ thống cần cài đặt phần mềm Stata (phiên bản từ 15.0 trở lên, khuyến nghị Stata 16/17 MP). Dữ liệu đầu vào cần được mã hóa dưới dạng file .dta hoặc .csv. Các module bổ sung cần cài đặt trong Stata bao gồm fitstat (đo độ phù hợp mô hình) và estout (xuất bảng kết quả hồi quy chuẩn APA).

2. Vì sao mô hình Probit và Logit lại vượt trội hơn mô hình xác suất tuyến tính (LPM)?

Mô hình LPM sử dụng OLS thông thường có nhược điểm cố hữu là giả định quan hệ tuyến tính, có thể dự báo xác suất nhỏ hơn 0 hoặc lớn hơn 1 và vi phạm giả định phương sai sai số không đổi (Heteroskedasticity). Mô hình Logit và Probit sử dụng hàm liên kết phi tuyến (hàm Sigmoid chuẩn hoặc hàm tích lũy chuẩn tắc $\Phi$), đảm bảo xác suất dự báo luôn nằm chặt chẽ trong khoảng $[0, 1]$.

3. Làm thế nào để tích hợp kết quả nghiên cứu vào hệ thống quản lý rủi ro của CTCK?

CTCK có thể nhúng các trọng số hệ số hồi quy ($\beta$) vào hệ thống CRM để tính điểm rủi ro cho khách hàng ngay khi mở tài khoản. Dựa trên điểm số này, hệ thống tự động phân loại tài khoản vào các luồng kiểm soát: Nhóm cấp hạn mức tự động, Nhóm cần môi giới theo dõi sát, và Nhóm hạn chế tỷ lệ đòn bẩy.

4. Chi phí triển khai và thời gian hoàn vốn (ROI) khi áp dụng mô hình này tại CTCK?

Chi phí triển khai chủ yếu bao gồm chi phí tích hợp module tính điểm vào Core-Securities hiện hữu (khoảng 150 – 300 triệu VND). Với quy mô dư nợ margin hàng nghìn tỷ đồng tại TVB, việc giảm tỷ lệ rủi ro nợ xấu chỉ cần 0.1% đã giúp doanh nghiệp tiết kiệm hàng tỷ đồng tổn thất, mang lại thời gian hoàn vốn (ROI) dưới 3 tháng.

5. Tại sao biến người môi giới (Broker) lại có hệ số tác động biên rất nhỏ trong mô hình?

Kết quả thống kê mô tả cho thấy 85% NĐT tham gia khảo sát tại TVB đều đã có nhân viên môi giới chăm sóc tài khoản. Sự đồng đều này dẫn đến độ biến thiên (Variance) của biến Broker trong mẫu thấp, khiến tác động cận biên không mang tính đột biến so với các biến có tính phân hóa cao như Tenure (kinh nghiệm) và Derivatives (đầu tư phái sinh).

Kết luận

Khóa luận tốt nghiệp của tác giả Phạm Mai Oanh đã hoàn thành xuất sắc mục tiêu nhận diện và lượng hóa các nhân tố chi phối quyết định vay margin của NĐT cá nhân tại TVB. Thông qua việc ứng dụng chuẩn mực hai mô hình kinh tế lượng Logit và Probit trên dữ liệu thực nghiệm, nghiên cứu đã chứng minh rằng Kinh nghiệm đầu tư (Tenure, $\beta = 0.149, p = 0.006$) và Hành vi tham gia chứng khoán phái sinh (Derivatives, $\beta = 0.6095, p = 0.030$) là hai động lực cốt lõi thúc đẩy nhu cầu sử dụng đòn bẩy ký quỹ. Đồng thời, nghiên cứu cũng chỉ ra vai trò thiết yếu của kiến thức tài chính trong việc phòng ngừa nguy cơ nhận cuộc gọi ký quỹ (Margin Call).

Những kết luận định lượng này là căn cứ khoa học vững chắc giúp Ban lãnh đạo TVB và các CTCK trên thị trường thực hiện tái cấu trúc chính sách cho vay, phân bổ hiệu quả gói vốn bổ sung 1,294 tỷ đồng và xây dựng hệ thống chấm điểm tín dụng hiện đại, hướng tới sự phát triển minh bạch và bền vững của thị trường tài chính Việt Nam.