Giới thiệu dự án

Thanh khoản (Liquidity) được xem là "huyết mạch" quyết định sự an toàn và sống còn của hệ thống ngân hàng thương mại (NHTM). Trong bối cảnh đại dịch COVID-19 bùng phát từ năm 2020, theo thống kê có tới 29,87% doanh nghiệp phải cắt giảm quy mô và 3,07% tạm ngừng sản xuất kinh doanh, dẫn đến nguy cơ đứt gãy dòng tiền thu hồi nợ của hệ thống tổ chức tín dụng. Mối quan hệ cộng sinh giữa ngân hàng và doanh nghiệp đặt hệ thống tài chính trước những áp lực thanh khoản cục bộ, đặc biệt là bài toán mất cân đối kỳ hạn khi nguồn vốn huy động ngắn hạn được sử dụng để tài trợ cho vay trung và dài hạn.

Nghiên cứu tập trung giải quyết bài toán: Xác định và lượng hóa các nhân tố nội tại và vĩ mô chi phối khả năng thanh khoản của các NHTM Việt Nam niêm yết trên HOSE, từ đó xây dựng cơ sở định lượng cho chiến lược quản trị an toàn thanh khoản.

Mục tiêu nghiên cứu cụ thể:

  1. Đánh giá toàn diện thực trạng thanh khoản của 14 NHTM niêm yết trên Sở Giao dịch Chứng khoán TP.HCM (HOSE) giai đoạn 2017 – 2021 thông qua các chỉ số tài sản thanh khoản.
  2. Thiết lập mô hình kinh tế lượng dữ liệu bảng (Panel Data) nhằm kiểm định tác động của 8 biến độc lập đại diện cho năng lực tài chính nội bộ và môi trường kinh tế vĩ mô.
  3. Đề xuất hệ thống giải pháp định lượng hỗ trợ Hội đồng Quản lý Tài sản - Nợ (ALCO) tối ưu hóa danh mục dự trữ thanh khoản và nâng cao hiệu quả kinh doanh.

Phương pháp tiếp cận và Phạm vi:

  • Phương pháp tiếp cận: Nghiên cứu ứng dụng phương pháp định lượng thực nghiệm với dữ liệu bảng cân bằng (Balanced Panel Data), so sánh giữa ba mô hình hồi quy gộp (Pooled OLS), mô hình tác động cố định (FEM) và mô hình tác động ngẫu nhiên (REM), kết hợp kiểm định Hausman và kiểm định đa cộng tuyến (VIF).
  • Kết quả kỳ vọng: Xác định chính xác chiều hướng và mức độ tác động của các biến có ý nghĩa thống kê ($p < 0.05$) đối với tỷ lệ thanh khoản ($LIQ$).
  • Phạm vi và giới hạn: Mẫu nghiên cứu gồm 14 NHTM niêm yết trên sàn HOSE giai đoạn 2017 – 2021 với tổng số 70 quan sát. Nghiên cứu tập trung vào các chỉ số thanh khoản dựa trên bảng cân đối kế toán đã kiểm toán, chưa mở rộng sang dữ liệu giao dịch thị trường liên ngân hàng tần suất cao (intraday tick data).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Quản trị thanh khoản ngân hàng truyền thống thường dựa trên các phân tích thống kê mô tả hoặc các chỉ số tĩnh đơn lẻ, bộc lộ nhiều điểm hạn chế trong việc dự báo các cú sốc thanh khoản hệ thống.

Phương pháp phân tích Ưu điểm Nhược điểm Khả năng ứng dụng thực tế
Chỉ số khe hở tài trợ (Financing Gap) Đơn giản, dễ tính toán trực tiếp từ bảng cân đối kế toán. Bỏ qua sự biến động của dòng tiền ngoại bảng và các yếu tố kinh tế vĩ mô. Đánh giá thanh khoản tĩnh trong ngắn hạn.
Mô hình hồi quy OLS gộp (Pooled OLS) Dễ thiết lập, cho cái nhìn tổng quát về xu hướng tương quan. Vi phạm giả định khi có hiện tượng tự tương quan và không kiểm soát được đặc tính riêng lẻ của từng ngân hàng. Độ tin cậy thấp trên dữ liệu bảng.
Mô hình tác động ngẫu nhiên (REM/GLS) Kiểm soát được tính không đồng nhất giữa các ngân hàng, ước lượng hiệu quả khi không có tương quan giữa sai số ngẫu nhiên và biến giải thích. Đòi hỏi kiểm định nghiêm ngặt (Hausman test) để tránh chệch tham số. Tối ưu cho mẫu nghiên cứu 14 NHTM HOSE.

Ưu tiên yêu cầu quản trị rủi ro thanh khoản (Khung MoSCoW):

  • Must-have: Giám sát chặt chẽ hệ số an toàn vốn ($CTS$), tỷ lệ cho vay trên huy động ($VHD$), và tỷ suất sinh lời trên vốn chủ sở hữu ($ROE$).
  • Should-have: Đánh giá độ co giãn của tài sản thanh khoản theo chu kỳ tăng trưởng kinh tế ($GDP$) và quy mô tài sản ($SIZE$).
  • Could-have: Tích hợp kiểm soát dự phòng rủi ro tín dụng ($DPRRTD$) và tỷ lệ lạm phát ($INF$).
  • Won't-have (giai đoạn này): Mô hình hóa thanh khoản theo lý thuyết trò chơi trong thị trường liên ngân hàng thứ cấp.

Thiết kế hệ thống

Mô hình nghiên cứu kinh tế lượng được cấu trúc hóa để phân tích tương quan tuyến tính giữa khả năng thanh khoản và các biến giải thích:

$$LIQ_{it} = \beta_0 + \beta_1 SIZE_{it} + \beta_2 DPRRTD_{it} + \beta_3 ROE_{it} + \beta_4 VHD_{it} + \beta_5 NX_{it} + \beta_6 CTS_{it} + \beta_7 GDP_{it} + \beta_8 INF_{it} + \varepsilon_{it}$$

Ngăn xếp công nghệ và Môi trường thực thi:

  • Hệ điều hành / Phần mềm: Stata MP Version 16.0 / R Studio Version 2022.07.
  • Thư viện kinh tế lượng: xtreg, vif, hausman, xttest3, xtserial.
  • Cơ sở dữ liệu: Dữ liệu Báo cáo tài chính hợp nhất kiểm toán (Vietstock Database, FiinGroup API).

Bảng định nghĩa biến và cấu trúc dữ liệu:

  • LIQ (Dependent): Tài sản thanh khoản / Tổng tài sản (Bao gồm: tiền mặt, tiền gửi NHTW, tiền gửi và cho vay TCTD khác, chứng khoán kinh doanh, công cụ phái sinh, chứng khoán đầu tư).
  • SIZE: Logarit tự nhiên của Tổng tài sản ($\ln(\text{Total Assets})$).
  • CTS: Tổng vốn chủ sở hữu / Tổng tài sản (%).
  • DPRRTD: Dự phòng rủi ro tín dụng / Tổng dư nợ cho vay (%).
  • VHD: Tổng dư nợ cho vay / Tổng vốn huy động ngắn hạn (%).
  • ROE: Lợi nhuận sau thuế / Vốn chủ sở hữu (%).
  • NX: Nợ xấu (Nhóm 3+4+5) / Tổng dư nợ cho vay (%).
  • GDP: Tốc độ tăng trưởng tổng sản phẩm nội địa danh nghĩa điều chỉnh hàng năm (%).
  • INF: Chỉ số giá tiêu dùng bình quân năm (%).

Phương pháp luận (Methodology)

Nghiên cứu áp dụng quy trình định lượng chuẩn mực qua 7 giai đoạn:

  1. Thu thập và làm sạch dữ liệu: Trích xuất báo cáo tài chính của 14 ngân hàng niêm yết (BID, CTG, VCB, VPB, EIB, HDB, MBB, STB, TCB, TPB, VIB, ACB, LPB, MSB).
  2. Thống kê mô tả: Phân tích độ phân tán, kỳ vọng toán học, độ lệch chuẩn.
  3. Phân tích tương quan & Kiểm tra đa cộng tuyến: Sử dụng ma trận tương quan Pearson và hệ số nhân tử phóng đại phương sai (VIF).
  4. Ước lượng đa mô hình: Chạy song song Pooled OLS, FEM, REM.
  5. Kiểm định lựa chọn mô hình: Áp dụng Hausman Test ($H_0$: REM phù hợp, $H_1$: FEM phù hợp).
  6. Kiểm định chẩn đoán sau hồi quy: Đánh giá phương sai sai số thay đổi và tự tương quan.
  7. Diễn giải kết quả và Hàm ý chính sách: Kết nối các hệ số $\beta_k$ với thực tiễn điều hành ngân hàng.

Implementation và kết quả

Quy trình phát triển và Code thực thi

Dữ liệu bảng gồm 14 thực thể theo dõi liên tục trong 5 năm ($N = 14, T = 5, N \times T = 70$).

* ==============================================================================
* QUY TRÌNH HỒI QUY KINH TẾ LƯỢNG DỮ LIỆU BẢNG TRÊN STATA 16.0
* Đề tài: Các nhân tố ảnh hưởng đến thanh khoản NHTM niêm yết HOSE
* ==============================================================================

* 1. Khai báo cấu trúc dữ liệu bảng (Panel setting)
encode bank_code, gen(bank_id)
xtset bank_id year

* 2. Thống kê mô tả và ma trận tương quan
summarize LIQ SIZE DPRRTD ROE VHD NX CTS GDP INF
corr LIQ SIZE DPRRTD ROE VHD NX CTS GDP INF

* 3. Ước lượng mô hình OLS gộp và kiểm tra Đa cộng tuyến (VIF)
regress LIQ SIZE DPRRTD ROE VHD NX CTS GDP INF
estat vif

* 4. Ước lượng mô hình tác động cố định (FEM)
xtreg LIQ SIZE DPRRTD ROE VHD NX CTS GDP INF, fe
estimates store fixed_model

* 5. Ước lượng mô hình tác động ngẫu nhiên (REM)
xtreg LIQ SIZE DPRRTD ROE VHD NX CTS GDP INF, re
estimates store random_model

* 6. Kiểm định Hausman để chọn lựa giữa FEM và REM
hausman fixed_model random_model

* 7. Xử lý phương sai sai số thay đổi / Tự tương quan bằng ước lượng sai số chuẩn mạnh (Robust Standard Errors)
xtreg LIQ SIZE DPRRTD ROE VHD NX CTS GDP INF, re vce(robust)

Kiểm định và Đánh giá thống kê

  • Đa cộng tuyến (Multicollinearity): Hệ số tương quan cặp giữa các biến độc lập đều nhỏ hơn ngưỡng cảnh báo $0.80$. Giá trị VIF của các biến dao động trong khoảng từ $1.15$ đến $2.45$, trung bình $VIF < 5.0$, chứng minh mô hình không bị ảnh hưởng bởi hiện tượng đa cộng tuyến nghiêm trọng.
  • Kiểm định Hausman: Cho kết quả giá trị $P\text{-value} > 0.05$. Do đó, chấp nhận giả thuyết $H_0$, kết luận mô hình tác động ngẫu nhiên (REM) là mô hình tối ưu nhất và mang lại ước lượng hiệu quả vững.
                  ---- Coefficients ----
               |   (b)          (B)            (b-B)     sqrt(diag(V_b-V_B))
               |  fixed        random       Difference          S.E.
---------------+----------------------------------------------------------------
          SIZE | -.01824      -.01912         .00088          .00142
        DPRRTD |  .01421       .01285         .00136          .00311
           ROE |  .00287       .00312        -.00025          .00045
           VHD |  .00195       .00214        -.00019          .00038
            NX | -.00412      -.00389        -.00023          .00115
           CTS |  .00845       .00891        -.00046          .00092
           GDP | -.01452      -.01387        -.00065          .00108
           INF |  .00411       .00398         .00013          .00122
--------------------------------------------------------------------------------
Chi2(8) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 6.42
Prob > Chi2 = 0.5998  ==> CHỌN MÔ HÌNH REM (P-value > 0.05)

Kết quả đạt được

Kết quả thống kê mô tả mẫu 70 quan sát:

  • LIQ (Khả năng thanh khoản): Trung bình đạt 31,30% (Độ lệch chuẩn: 8,13%). Cao nhất là MSB năm 2017 (52,61%), thấp nhất là CTG năm 2019 (11,45%).
  • ROE: Trung bình đạt 16,85% (Biên độ từ 0,89% đến 30,33% của VIB năm 2021).
  • VHD: Trung bình đạt 76,55% (Cao nhất là VPB năm 2017 đạt 107,64%).
  • CTS: Trung bình đạt 8,36% (TCB đạt cao nhất 16,97% năm 2020, BID thấp nhất 4,06%).
  • GDP & INF: Tăng trưởng GDP bình quân 5,28%; Lạm phát bình quân 2,99%.
Biến số Hệ số tương quan kỳ vọng Kết quả hồi quy REM Mức ý nghĩa thống kê ($p$-value) Kết luận thực nghiệm
SIZE $+$ Ngược chiều ($-$) $p < 0.05$ Quy mô tăng làm giảm tỷ lệ nắm giữ tài sản thanh khoản (hiệu ứng "Too Big To Fail").
DPRRTD $+$ Cùng chiều ($+$) $p > 0.10$ Không có ý nghĩa thống kê trong mẫu nghiên cứu.
ROE $-$ Cùng chiều ($+$) $p < 0.01$ Lợi nhuận cao giúp ngân hàng chủ động tích lũy nguồn đệm thanh khoản nội bộ.
VHD $-$ Cùng chiều ($+$) $p < 0.05$ Tỷ lệ cho vay/huy động cao thúc đẩy ngân hàng dự phòng thanh khoản thận trọng hơn.
NX $-$ Ngược chiều ($-$) $p > 0.10$ Tác động âm nhưng không đạt ý nghĩa thống kê ở mức 5%.
CTS $+$ Cùng chiều ($+$) $p < 0.01$ Tỷ lệ vốn CSH cao tạo nguồn tài trợ tự có bền vững, củng cố thanh khoản.
GDP $-$ Ngược chiều ($-$) $p < 0.01$ Tăng trưởng kinh tế cao thúc đẩy mở rộng tín dụng, làm giảm tài sản thanh khoản.
INF $+$ Cùng chiều ($+$) $p > 0.10$ Kiểm soát lạm phát dưới 4% giúp hạn chế biến động thanh khoản.

Đổi mới và đóng góp

  1. Khắc phục khoảng trống thực nghiệm trong giai đoạn khủng hoảng kép (COVID-19): Khác với các nghiên cứu trước đây (như Trương Quang Thông, 2013; Vũ Thị Hồng, 2015), nghiên cứu này cập nhật dữ liệu đến năm 2021, phản ánh sự biến động thanh khoản khi xuất hiện cú sốc ngoại sinh y tế - kinh tế toàn cầu.
  2. Chứng minh hiện tượng "Vùng đệm thanh khoản nghịch chu kỳ" tại Việt Nam: Nghiên cứu xác nhận mối quan hệ ngược chiều giữa GDPLIQ. Khi kinh tế mở rộng (2017 – 2019 với GDP ~7%), thanh khoản giảm xuống mức đáy 28,90% do hoạt động giải ngân tín dụng tăng mạnh. Khi kinh tế suy giảm do dịch bệnh (2020 – 2021 với GDP 2,53% - 2,91%), thanh khoản tăng trở lại mức 31,08% do các NHTM chủ động co cụm phòng thủ.
  3. Làm rõ vai trò bảo vệ của Vốn tự có ($CTS$) và Năng lực sinh lời ($ROE$): Chứng minh tỷ lệ an toàn vốn chủ sở hữu tác động thuận chiều mạnh mẽ đến dự trữ thanh khoản, cung cấp bằng chứng củng cố lộ trình áp dụng chuẩn mực Basel II và hướng tới Basel III tại Việt Nam.
Tiêu chí so sánh Vũ Thị Hồng (2015) Phan Thị Mỹ Hạnh & Tống Lâm Vy (2018) Khóa luận này (2022)
Mẫu nghiên cứu NHTM Việt Nam (dữ liệu ngắn) 21 NHTM (2008 – 2017) 14 NHTM niêm yết HOSE (2017 – 2021)
Phương pháp đo lường Tỷ số thanh khoản Khe hở tài trợ (Financing Gap) Tỷ số Tài sản thanh khoản / Tổng tài sản
Biến vĩ mô Chưa xem xét sâu GDP, Lạm phát, Khủng hoảng Tích hợp tác động kép của GDP, Lạm phát & COVID-19
Mô hình tối ưu REM REM (GLS) REM với kiểm định Hausman và VIF đa chiều

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong điều hành Ngân hàng

Nghiên cứu mang lại giá trị trực tiếp cho Ủy ban Quản lý Tài sản - Nợ (ALCO) và Khối Quản trị Rủi ro tại các NHTM:

Lộ trình 4 bước triển khai quản trị thanh khoản định lượng:

  1. Giai đoạn 1 - Chuẩn hóa dữ liệu (Tháng 1 - 2): Xây dựng kho dữ liệu tập trung phân loại tài sản thanh khoản cấp 1 (HQLA Level 1) và cấp 2 theo Basel III.
  2. Giai đoạn 2 - Thiết lập ngưỡng cảnh báo sớm (Tháng 3 - 4): Tích hợp các hệ số hồi quy từ mô hình REM vào hệ thống quản lý rủi ro lõi (Core Risk Management System), thiết lập chỉ báo cảnh báo sớm (Early Warning Indicators) cho các biến VHD, CTS, và ROE.
  3. Giai đoạn 3 - Kiểm tra sức chịu đựng (Stress Testing) (Tháng 5 - 6): Mô phỏng các kịch bản suy thoái kinh tế (GDP giảm sâu tương đương kịch bản 2020-2021) để đo lường khả năng đáp ứng dòng tiền chi trả tức thời trong 30 ngày.
  4. Giai đoạn 4 - Đánh giá và Tối ưu hóa ROI (Định kỳ hàng quý): Cân bằng giữa lợi nhuận tạo ra từ tín dụng và chi phí cơ hội nắm giữ tài sản thanh khoản thanh khoản cao có lãi suất thấp.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật:

  • Quy mô mẫu quan sát: Nghiên cứu giới hạn ở 14 NHTM niêm yết trên HOSE với 70 quan sát trong 5 năm (2017-2021). Chưa bao phủ toàn bộ hệ thống gồm các ngân hàng chưa niêm yết hoặc niêm yết trên HNX/UPCoM.
  • Đặc tính trễ và tính nội sinh: Mô hình REM chưa giải quyết triệt để hiện tượng nội sinh tiềm ẩn giữa biến lợi nhuận ($ROE$) và thanh khoản ($LIQ$).
  • Dữ liệu ngoại bảng: Chưa tính toán đầy đủ giá trị cam kết bảo lãnh và hạn mức tín dụng chưa giải ngân không hiển thị trên bảng cân đối kế toán.

Hướng nghiên cứu tiếp theo:

  • Ứng dụng mô hình GMM sai phân hoặc GMM hệ thống (System GMM - Arellano & Bond) để xử lý biến trễ phụ thuộc và hiện tượng nội sinh.
  • Mở rộng đo lường các chỉ số thanh khoản hiện đại theo chuẩn mực Basel III bao gồm: Tỷ lệ đảm bảo khả năng thanh khoản (Liquidity Coverage Ratio - LCR)Tỷ lệ nguồn vốn ổn định ròng (Net Stable Funding Ratio - NSFR).
  • Sử dụng thuật toán Machine Learning (Random Forest, XGBoost) trong dự báo xác suất thiếu hụt thanh khoản ngắn hạn theo chuỗi thời gian hàng ngày.

Đối tượng hưởng lợi

  • Sinh viên và Học viên Cao học: Nắm bắt toàn bộ quy trình nghiên cứu khoa học thực nghiệm, từ tổng quan lý thuyết, thu thập dữ liệu bảng, đến xử lý các kiểm định kinh tế lượng phức tạp trên Stata.
  • Chuyên viên Phân tích Tài chính & Định lượng: Tiếp cận bộ chỉ số chuẩn hóa đo lường sức khỏe ngân hàng và mã lệnh Stata có thể tái sử dụng cho các nghiên cứu ngành.
  • Hội đồng Quản trị & Ban điều hành NHTM: Sở hữu bằng chứng thực nghiệm rõ ràng để ra quyết định phân bổ tỷ trọng tài sản thanh khoản tối ưu theo từng giai đoạn biến động vĩ mô.
  • Nhà nghiên cứu kinh tế: Cung cấp tài liệu tham khảo có giá trị học thuật cao về thị trường ngân hàng Việt Nam giai đoạn biến động kinh tế lịch sử 2017 - 2021.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu tối thiểu để chạy mô hình nghiên cứu này là gì?

Hệ thống cần máy tính cá nhân cấu hình cơ bản (RAM 4GB trở lên), cài đặt phần mềm Stata (từ bản 14.0 trở lên) hoặc R/Python. Dữ liệu đầu vào bắt buộc là Báo cáo tài chính hợp nhất đã kiểm toán của các ngân hàng thương mại tối thiểu liên tục 5 năm để đảm bảo số bậc tự do (Degrees of Freedom) cho ước lượng dữ liệu bảng.

2. Tại sao nghiên cứu chọn mô hình REM thay vì mô hình FEM hay Pooled OLS?

Mô hình Pooled OLS bị loại trừ vì không kiểm soát được tính không đồng nhất giữa các ngân hàng trong mẫu. Giữa FEM và REM, kiểm định Hausman được thực hiện với giả thuyết $H_0$: Không có sự tương quan giữa các biến giải thích và sai số ngẫu nhiên ($u_{it}$). Kết quả kiểm định cho $P\text{-value} > 0.05$, chứng tỏ các ước lượng của REM là không chệch và hiệu quả hơn FEM.

3. Làm thế nào để giải quyết mâu thuẫn giữa việc tối đa hóa lợi nhuận (ROE) và duy trì thanh khoản (LIQ)?

Đây là bài toán đánh đổi cốt lõi (Trade-off) trong quản trị ngân hàng. Kết quả nghiên cứu chỉ ra rằng ở các ngân hàng hoạt động hiệu quả, $ROE$ có tác động cùng chiều với $LIQ$ vì lợi nhuận giữ lại giúp củng cố vốn tự có ($CTS$), tạo nguồn lực nội sinh để duy trì tài sản thanh khoản chất lượng cao mà không cần phụ thuộc quá mức vào vốn vay liên ngân hàng đắt đỏ.

4. Kết quả nghiên cứu có ý nghĩa gì đối với việc tuân thủ Thông tư 22/2019/TT-NHNN?

Thông tư 22 quy định các giới hạn, tỷ lệ bảo đảm an toàn, đặc biệt là tỷ lệ dư nợ cho vay so với tổng tiền gửi (LDR - tối đa 85%). Kết quả thực nghiệm về biến VHD (trung bình 76,55%) cho thấy các ngân hàng đang duy trì tỷ lệ này an toàn, đồng thời nhắc nhở các ngân hàng tiệm cận ngưỡng trần cần gia tăng dự trữ tài sản thanh khoản để phòng ngừa rủi ro rút tiền đột ngột.

5. Chi phí và lộ trình ứng dụng mô hình này vào thực tế quản trị rủi ro ngân hàng?

Mô hình có chi phí triển khai rất thấp do sử dụng trực tiếp nguồn dữ liệu kế toán sẵn có và các phần mềm xử lý dữ liệu tiêu chuẩn. Doanh nghiệp có thể hoàn thiện tích hợp vào hệ thống báo cáo ALM quản trị định kỳ trong vòng 3 đến 6 tháng với đội ngũ nhân sự phân tích dữ liệu hiện hữu.


Kết luận

Nghiên cứu đã lượng hóa thành công các nhân tố ảnh hưởng đến khả năng thanh khoản của 14 NHTM niêm yết trên sàn HOSE giai đoạn 2017 – 2021 thông qua mô hình kinh tế lượng dữ liệu bảng tác động ngẫu nhiên (REM). Kết quả khẳng định:

  • Tỷ suất sinh lời ($ROE$), Tỷ lệ cho vay trên huy động ($VHD$), và Tỷ lệ vốn chủ sở hữu trên tổng tài sản ($CTS$) có tác động cùng chiều có ý nghĩa thống kê đến tính thanh khoản.
  • Quy mô ngân hàng ($SIZE$) và Tốc độ tăng trưởng kinh tế ($GDP$) có tác động ngược chiều đến tính thanh khoản.

Những phát hiện định lượng này là cơ sở khoa học vững chắc giúp các nhà quản trị ngân hàng chủ động xây dựng vùng đệm thanh khoản nghịch chu kỳ, củng cố năng lực vốn tự có, và tối ưu hóa hiệu quả hoạt động theo chuẩn mực quốc tế.