Phân Tích Hiệu Suất Ngân Hàng ACB Qua Mô Hình CAMELS

Tài liệu nghiên cứu Applying camels model in analysis of bank performance in acb joint stock commercial bank, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

• Tác giả: Duong Phuong Linh
• Người hướng dẫn: Assoc. Do Thi Kim Hao
• Trường học: Banking Academy of Vietnam
• Chuyên ngành: Banking
• Đề tài: Phân Tích Hiệu Suất Ngân Hàng ACB Qua Mô Hình CAMELS
• Loại tài liệu: graduation thesis
• Năm xuất bản: 2019 – 2023
• Địa điểm: Hanoi

Mục lục chi tiết

• DECLARATION
• ACKNOWLEDGEMENT
• 1. CHAPTER 1: THEORETICAL FRAMEWORK ABOUT ANALYSIS OF BANK PERFORMANCE IN COMMERCIAL BANK BASED ON THE CAMELS MODEL
• 1.1. Overview of analysis bank performance in commercial bank
• 1.2. Definition of analysis bank performance in commercial banks
• 1.3. Basis for evaluating bank performance in commercial banks
• 1.4. Methods of evaluating business performance in commercial banks
• 1.5. Factors affecting the performance of commercial banks
• 1.6. CAMELS model in analyzing bank performance
• 1.7. CAMELS model standards in assessing the bank performance
• 1.7.1. S - Sensitivity to market risk
• 1.7.2. Advantages and disadvantages
• 2. CHAPTER 2: APPLYING CAMELS MODEL TO EVALUATE ACB’S BANK PERFORMANCE FROM 2020 – 2022
• 2.1. Overview of ACB joint stock commercial bank
• 2.2. History and development of ACB commercial bank
• 2.3. Organizational structure of ACB commercial bank
• 2.4. Analyzing bank performance of ACB during 3 years from 2020 - 2022 through the CAMELS model
• 2.5. Evaluation of ACB bank’s performance from 2020 – 2022
• 2.6. S - Sensitivity to market risk
• 2.7. Overall assessment of ACB bank’s performance
• 2.8. Limitations and causes
• CONCLUSION FOR CHAPTER II
• 3. CHAPTER 3: SOLUTIONS AND RECOMMENDATIONS TO IMPROVE ACB BANK’S PERFORMANCE
• 3.1. Development orientation of ACB commercial bank
• 3.2. Solutions to improve ACB bank’s performance
• 3.3. Solutions to improve capital adequacy
• 3.4. Solutions to improve asset quality
• 3.5. Developing and improving the quality of human resources
• 3.6. Solutions to improve profitability
• 3.7. Solutions to improve risk management
• 3.8. For the government
• 3.9. For the State bank of Vietnam
• CONCLUSION FOR CHAPTER III

Tóm tắt

I. Tổng Quan Về Phân Tích Hiệu Suất Ngân Hàng ACB Qua Mô Hình CAMELS

Phân tích hiệu suất ngân hàng là một yếu tố quan trọng trong việc đánh giá khả năng quản lý của ngân hàng. Mô hình CAMELS, với các tiêu chí như vốn, chất lượng tài sản, quản lý, lợi nhuận, tính thanh khoản và độ nhạy cảm với rủi ro thị trường, cung cấp một khung phân tích toàn diện cho ngân hàng ACB. Việc áp dụng mô hình này giúp xác định điểm mạnh và điểm yếu trong hoạt động của ngân hàng, từ đó đưa ra các giải pháp cải thiện hiệu suất.

1.1. Mô Hình CAMELS Là Gì

Mô hình CAMELS là một công cụ đánh giá hiệu suất ngân hàng dựa trên sáu tiêu chí chính. Mỗi tiêu chí phản ánh một khía cạnh quan trọng trong hoạt động ngân hàng, giúp các nhà quản lý và nhà đầu tư hiểu rõ hơn về tình hình tài chính của ngân hàng.

1.2. Tại Sao Nên Phân Tích Hiệu Suất Ngân Hàng

Phân tích hiệu suất ngân hàng giúp nhận diện các rủi ro tiềm ẩn và cải thiện khả năng cạnh tranh. Đặc biệt trong bối cảnh kinh tế biến động, việc này trở nên cần thiết để đảm bảo sự ổn định và phát triển bền vững cho ngân hàng.

II. Thách Thức Trong Phân Tích Hiệu Suất Ngân Hàng ACB

Ngân hàng ACB đối mặt với nhiều thách thức trong việc duy trì hiệu suất cao. Các yếu tố như cạnh tranh gia tăng từ các ngân hàng nước ngoài, biến động kinh tế toàn cầu và tác động của đại dịch Covid-19 đã ảnh hưởng đến hoạt động của ngân hàng. Việc nhận diện và quản lý các rủi ro này là rất quan trọng để đảm bảo sự phát triển bền vững.

2.1. Cạnh Tranh Từ Ngân Hàng Nước Ngoài

Sự gia tăng cạnh tranh từ các ngân hàng nước ngoài đã tạo ra áp lực lớn lên ACB. Ngân hàng cần cải thiện dịch vụ và sản phẩm để thu hút khách hàng.

2.2. Tác Động Của Đại Dịch Covid 19

Đại dịch Covid-19 đã gây ra nhiều khó khăn cho hoạt động kinh doanh của ngân hàng. Nhiều doanh nghiệp gặp khó khăn, dẫn đến tỷ lệ nợ xấu tăng cao, ảnh hưởng đến hiệu suất của ACB.

III. Phương Pháp Phân Tích Hiệu Suất Ngân Hàng ACB Qua Mô Hình CAMELS

Việc áp dụng mô hình CAMELS trong phân tích hiệu suất ngân hàng ACB bao gồm việc đánh giá các chỉ số tài chính quan trọng. Mô hình này giúp xác định các yếu tố ảnh hưởng đến hiệu suất và đưa ra các giải pháp cải thiện. Các chỉ số như tỷ lệ vốn, chất lượng tài sản và lợi nhuận sẽ được phân tích chi tiết.

3.1. Đánh Giá Tỷ Lệ Vốn Của ACB

Tỷ lệ vốn là một trong những chỉ số quan trọng trong mô hình CAMELS. Đánh giá tỷ lệ vốn giúp xác định khả năng tài chính của ngân hàng trong việc đối phó với rủi ro.

3.2. Phân Tích Chất Lượng Tài Sản

Chất lượng tài sản phản ánh khả năng sinh lời và rủi ro của ngân hàng. Việc phân tích này giúp ACB nhận diện các khoản nợ xấu và đưa ra các biện pháp xử lý kịp thời.

IV. Ứng Dụng Thực Tiễn Mô Hình CAMELS Tại Ngân Hàng ACB

Mô hình CAMELS đã được ACB áp dụng để đánh giá hiệu suất trong giai đoạn 2020-2022. Kết quả phân tích cho thấy ngân hàng đã có những cải thiện đáng kể trong các chỉ số tài chính. Tuy nhiên, vẫn còn nhiều thách thức cần phải vượt qua để duy trì sự phát triển bền vững.

4.1. Kết Quả Phân Tích Hiệu Suất ACB

Kết quả phân tích cho thấy ACB đã cải thiện tỷ lệ vốn và chất lượng tài sản. Tuy nhiên, tỷ lệ nợ xấu vẫn cần được kiểm soát chặt chẽ.

4.2. Các Giải Pháp Cải Thiện Hiệu Suất

ACB cần triển khai các giải pháp như nâng cao chất lượng dịch vụ, cải thiện quản lý rủi ro và tối ưu hóa quy trình hoạt động để nâng cao hiệu suất.

V. Kết Luận Về Phân Tích Hiệu Suất Ngân Hàng ACB Qua Mô Hình CAMELS

Phân tích hiệu suất ngân hàng ACB qua mô hình CAMELS đã chỉ ra những điểm mạnh và điểm yếu trong hoạt động của ngân hàng. Việc áp dụng mô hình này không chỉ giúp ACB cải thiện hiệu suất mà còn nâng cao khả năng cạnh tranh trong bối cảnh thị trường đầy biến động.

5.1. Tương Lai Của Ngân Hàng ACB

Với những cải tiến trong quản lý và hoạt động, ACB có thể hướng tới một tương lai phát triển bền vững hơn. Ngân hàng cần tiếp tục theo dõi và điều chỉnh chiến lược để thích ứng với thị trường.

5.2. Đề Xuất Chính Sách Cải Thiện

Đề xuất các chính sách cải thiện hiệu suất ngân hàng cần được thực hiện để đảm bảo ACB duy trì vị thế cạnh tranh và phát triển bền vững trong tương lai.

Nội dung chính

Giới thiệu dự án

Hệ thống ngân hàng thương mại giữ vai trò huyết mạch trong nền kinh tế định hướng vốn ngân hàng (banking-based financial system) tại Việt Nam, đóng vai trò trung gian tín dụng, thanh toán và tạo tiền. Giai đoạn 2020 – 2022 chứng kiến những biến động kinh tế vĩ mô chưa từng có do đại dịch COVID-19, gián đoạn chuỗi cung ứng toàn cầu và chu kỳ thắt chặt chính sách tiền tệ nhằm kiểm soát lạm phát. Trong bối cảnh này, việc đánh giá sức khỏe tài chính và năng lực quản trị rủi ro của các ngân hàng thương mại cổ phần (NHTMCP) không thể chỉ dựa trên các chỉ số lợi nhuận đơn lẻ, mà đòi hỏi một hệ sinh thái phân tích đa chiều, chuẩn hóa quốc tế.

+-------------------------------------------------------------------------------+
|                       HỆ THỐNG ĐÁNH GIÁ TÀI CHÍNH CAMELS                      |
|                                                                               |
|  [C] Capital Adequacy (An toàn vốn)       --> CAR (Basel II/III), ICGR, Đòn bẩy|
|  [A] Asset Quality (Chất lượng tài sản)   --> NPL, Tỷ lệ trích lập PLL, Nợ nhóm 2|
|  [M] Management (Hiệu quả quản trị)       --> CIR, Lợi nhuận/Nhân sự, 3 Tuyến BV|
|  [E] Earnings (Khả năng sinh lời)         --> ROA, ROE (DuPont), NIM, NNIM     |
|  [L] Liquidity (Thanh khoản)              --> LDR, Tỷ lệ dự trữ thanh khoản    |
|  [S] Sensitivity (Độ nhạy thị trường)    --> Khe hở lãi suất (GAP), FX Position|
+-------------------------------------------------------------------------------+

Vấn đề thực tiễn (Problem Statement)

Các phương pháp đánh giá tài chính truyền thống bộc lộ nhiều điểm nghẽn nghiêm trọng khi đối mặt với chu kỳ suy thoái kinh tế:

• Đánh giá cục bộ, thiếu liên kết: Thường tách rời rủi ro thanh khoản, rủi ro tín dụng và độ nhạy thị trường với hiệu quả sinh lời, dẫn đến việc bỏ qua các nguy cơ mất khả năng thanh toán tiềm ẩn.
• Độ trễ và sai lệch dữ liệu: Phân tích báo cáo tài chính đơn thuần dễ bị ảnh hưởng bởi kỹ thuật làm đẹp báo cáo (window dressing) và chính sách phân loại nợ tái cơ cấu.
• Thiếu chuẩn hóa giám sát: Sự chuyển đổi từ Thông tư 36/2014/TT-NHNN sang Thông tư 41/2016/TT-NHNN (áp dụng chuẩn Basel II) và hướng tới Basel III đòi hỏi bộ khung định lượng rủi ro nghiêm ngặt.

Mục tiêu dự án

1. Hệ thống hóa khung lý thuyết: Xây dựng phương pháp luận phân tích hiệu suất ngân hàng thương mại dựa trên chuẩn CAMELS kết hợp phân tích DuPont 3 nhân tố và các quy định của Ngân hàng Nhà nước Việt Nam (NHNN).
2. Định lượng toàn diện hiệu suất Ngân hàng TMCP Á Châu (ACB): Khai thác và xử lý chuỗi dữ liệu tài chính giai đoạn 2020 – 2022 qua 6 trụ cột CAMELS.
3. Đối chuẩn cạnh tranh (Benchmarking): So sánh hiệu quả hoạt động và năng lực phòng vệ rủi ro của ACB với hai đối thủ cùng quy mô là Ngân hàng TMCP Quân đội (MBBank - MBB) và Ngân hàng TMCP Việt Nam Thịnh Vượng (VPBank - VPB).
4. Đề xuất gói giải pháp tối ưu hóa: Đưa ra khuyến nghị cụ thể nhằm nâng cao tỷ lệ an toàn vốn (CAR), cải thiện biên lãi ròng (NIM), tối ưu hóa cấu trúc kỳ hạn tài sản - công nợ.

Phạm vi và giới hạn nghiên cứu

• Đối tượng nghiên cứu: Hiệu suất tài chính, chất lượng tài sản và năng lực quản trị rủi ro của NHTMCP Á Châu (ACB).
• Không gian & Thời gian: Dữ liệu kiểm toán giai đoạn 2020 – 2022, đối chiếu quy chuẩn ngành ngân hàng Việt Nam.
• Giới hạn kỹ thuật: Dữ liệu đầu vào dựa trên Báo cáo tài chính (BCTC) hợp nhất đã kiểm toán và Báo cáo thường niên; các biến số quản trị định tính được chuẩn hóa theo thang đo giám sát của Thông tư 52/2018/TT-NHNN.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh	Phương pháp Tỷ số Truyền thống	Mô hình PEARLS	Khung Đánh giá CAMELS (Đề xuất)
Nguồn gốc & Phạm vi	Phân tích kế toán tài chính cơ bản	Tổ chức tài chính vi mô / Hợp tác xã tín dụng	Chuẩn giám sát quốc tế (FED, FDIC, OCC, NHNN)
Tính đa chiều	Thấp (chủ yếu đo lường ROA, ROE)	Trung bình (thiếu đánh giá thị trường)	Toàn diện (6 chiều: C, A, M, E, L, S)
Kết hợp Định tính	Không	Không (hoàn toàn là số liệu định lượng)	Có (đánh giá năng lực điều hành và hệ thống kiểm soát nội bộ)
Độ nhạy rủi ro thị trường	Kém	Không hỗ trợ	Cao (đo lường GAP lãi suất và trạng thái ngoại hối)
Mức độ tích hợp Basel	Rời rạc	Thấp	Tương thích cao với Basel II và Basel III

Yêu cầu phân tích theo chuẩn MoSCoW:

• Must have (Bắt buộc): Đo lường chuẩn xác chỉ số CAR theo Thông tư 41/2016/TT-NHNN, phân tách nợ nhóm 3-5 (NPL), mô phỏng khe hở lãi suất (Interest Rate GAP).
• Should have (Cần có): Phân tích DuPont 3 thành phần (Net Profit Margin, Asset Utilization, Equity Multiplier), đo lường tỷ lệ cấp tín dụng so với nguồn vốn huy động (LDR) theo Thông tư 22/2019/TT-NHNN.
• Could have (Có thể mở rộng): Đo lường năng suất lao động (Profit per Employee) và tỷ lệ chi phí trên thu nhập hoạt động (CIR).
• Won't have (Không đưa vào): Mô hình hóa hộp đen (Black-box AI) thiếu khả năng giải trình định chế tài chính.

Thiết kế hệ thống đánh giá

Quy trình thu thập, chuẩn hóa dữ liệu và trích xuất chỉ số tài chính được thiết kế theo pipeline 4 giai đoạn chuẩn hóa:

+------------------+     +-------------------+     +--------------------+     +---------------------+
|  Raw Financial   | --> | Data Clean &      | --> | CAMELS Metric      | --> | Executive Insights  |
|  Statements      |     | Harmonization     |     | Engine             |     | & Risk Advisory     |
| (Balance Sheet,  |     | (Classification,  |     | (CAR, DuPont, GAP, |     | (Stress Testing,    |
|  P&L, Cash Flow) |     |  Restructuring)   |     |  LDR, NPL, CIR)    |     |  Peer Benchmarking) |
+------------------+     +-------------------+     +--------------------+     +---------------------+

• Technology Stack: Phân tích định lượng được mô hình hóa bằng Python 3.10+ (với thư viện pandas 2.0.3, numpy 1.24.3 phục vụ tính toán chuỗi dữ liệu ma trận; statsmodels 0.14.0 cho kiểm định độ nhạy), kết hợp bảng biểu trực quan hóa chuẩn GFM.
• Kiến trúc dữ liệu: Chuẩn hóa Bảng cân đối kế toán, Báo cáo kết quả hoạt động kinh doanh và Thuyết minh BCTC thành các schema định lượng: Nhóm tài sản sinh lời (Earning Assets), Nhóm tài sản nhạy cảm lãi suất (Interest-Sensitive Assets - ISA), Nợ phải trả nhạy cảm lãi suất (Interest-Sensitive Liabilities - ISL).
• Tiêu chuẩn An toàn & Bảo mật: Dữ liệu trích xuất từ các báo cáo kiểm toán độc lập (Big 4) và các công bố thông tin minh bạch trên Sở Giao dịch Chứng khoán TP.HCM (HOSE).

Methodology

Nghiên cứu sử dụng quy trình phân tích định lượng kết hợp đối chuẩn hệ thống (Systemic Benchmarking Methodology):

1. Thu thập dữ liệu thứ cấp: Trích xuất báo cáo thường niên và BCTC hợp nhất của ACB, MBB, VPB trong 3 năm liên tiếp (2020, 2021, 2022).
2. Khai triển bộ công thức định lượng CAMELS:
   • $CAR = \frac{\text{Vốn cấp 1} + \text{Vốn cấp 2}}{\text{Tổng tài sản có rủi ro (RWA)}} \ge 8%$ (Chuẩn Basel II)
   • $NPL = \frac{\text{Nợ nhóm 3} + \text{Nợ nhóm 4} + \text{Nợ nhóm 5}}{\text{Tổng dư nợ cho vay}}$
   • $ROE = \frac{\text{Lợi nhuận sau thuế}}{\text{Doanh thu thuần}} \times \frac{\text{Doanh thu thuần}}{\text{Tổng tài sản}} \times \frac{\text{Tổng tài sản}}{\text{Vốn chủ sở hữu}} = NPM \times AU \times EM$
   • $GAP = ISA - ISL$
3. Phân tích đối chuẩn (Comparative Benchmarking): Đặt hiệu suất của ACB vào ma trận so sánh với MBB và VPB nhằm triệt tiêu các tác động nhiễu của chu kỳ kinh tế vĩ mô.

---

Implementation và kết quả

Development Process & Implementation Script

Hệ thống tính toán và chuẩn hóa chỉ số CAMELS được triển khai qua module phân tích tài chính cấu trúc hóa:

import pandas as pd
import numpy as np

class CAMELSAnalyzer:
    """Module tính toán các chỉ số CAMELS và phân tích DuPont cho NHTMCP."""
    
    def __init__(self, data: dict):
        self.df = pd.DataFrame(data)

    def calculate_capital_metrics(self) -> pd.DataFrame:
        self.df['CAR'] = (self.df['tier1_capital'] + self.df['tier2_capital']) / self.df['risk_weighted_assets'] * 100
        self.df['financial_leverage'] = self.df['total_assets'] / self.df['equity']
        return self.df[['year', 'CAR', 'financial_leverage']]

    def calculate_asset_quality(self) -> pd.DataFrame:
        self.df['npl_ratio'] = (self.df['substandard_debt'] + self.df['doubtful_debt'] + self.df['loss_debt']) / self.df['total_loans'] * 100
        self.df['overdue_ratio'] = self.df['overdue_debt'] / self.df['total_loans'] * 100
        self.df['pll_coverage'] = (self.df['loan_loss_provision'] / (self.df['substandard_debt'] + self.df['doubtful_debt'] + self.df['loss_debt'])) * 100
        return self.df[['year', 'npl_ratio', 'overdue_ratio', 'pll_coverage']]

    def calculate_dupont_roe(self) -> pd.DataFrame:
        self.df['NPM'] = self.df['net_income'] / self.df['total_operating_revenue']
        self.df['AU'] = self.df['total_operating_revenue'] / self.df['total_assets']
        self.df['EM'] = self.df['total_assets'] / self.df['equity']
        self.df['ROE_DuPont'] = self.df['NPM'] * self.df['AU'] * self.df['EM'] * 100
        self.df['ROA'] = (self.df['net_income'] / self.df['total_assets']) * 100
        return self.df[['year', 'NPM', 'AU', 'EM', 'ROA', 'ROE_DuPont']]

    def calculate_sensitivity_gap(self) -> pd.DataFrame:
        self.df['interest_rate_gap'] = self.df['interest_sensitive_assets'] - self.df['interest_sensitive_liabilities']
        self.df['gap_ratio'] = self.df['interest_rate_gap'] / self.df['total_assets'] * 100
        return self.df[['year', 'interest_rate_gap', 'gap_ratio']]

Testing và validation

Bộ dữ liệu kiểm thử được trích xuất từ BCTC đã kiểm toán của Ngân hàng TMCP Á Châu (ACB) qua 3 năm tài chính:

• Tài sản có rủi ro (RWA): 2020: 331.034 tỷ VND; 2021: 382.675 tỷ VND (+15,6%); 2022: 447.738 tỷ VND (+17,0%).
• Vốn tự có (Tier 1 + Tier 2): 2020: 35.520 tỷ VND; 2021: 41.328 tỷ VND; 2022: 54.754 tỷ VND (+53,74% so với 2020).
• Tổng tài sản: Tăng từ 441.994 tỷ VND (2020) lên 606.960 tỷ VND (2022), tăng trưởng tích lũy đạt +37,32%.
• Kiểm định tính hợp lệ: Tất cả các chỉ số an toàn đều được kiểm tra ngưỡng vi phạm theo quy định của NHNN: CAR $\ge 8%$, LDR $\le 85%$, NPL $\le 3%$.

Kết quả đạt được

+-------------------------------------------------------------------------------+
|                       BẢNG ĐỐI CHUẨN HIỆU SUẤT TÀI CHÍNH                      |
|                               (2020 - 2022)                                   |
+----------------------+--------------------+--------------------+--------------+
| Chỉ số CAMELS        | ACB                | MBBank (MBB)       | VPBank (VPB) |
+----------------------+--------------------+--------------------+--------------+
| CAR (2022)           | 12,20% (Cao, an toan)| 11,50%            | 14,80% (Tang von)|
| NPL Nợ xấu (2022)   | 0,74% (Top 1 sạch) | 1,09%              | 4,73% (Rui ro tin dung)|
| Tăng trưởng tín dụng | ~15,0% (Thận trọng)| 25,0% - 27,0%      | 23,0% - 28,0%|
| Đòn bẩy tài chính    | 10,6 lần           | 8,4 lần            | 6,2 lần      |
| Tỷ trọng Earning Asset| >95,0% (Tối ưu)   | ~92,0%             | ~89,0%       |
| CIR (Chi phí/Thu nhập)| ~38,0% (Hiệu quả) | ~32,0%             | ~24,0%       |
+----------------------+--------------------+--------------------+--------------+

1. Capital Adequacy (An toàn vốn)

• Chỉ số CAR của ACB duy trì đà tăng trưởng bền vững: từ 10,73% (2020) lên 12,20% (2022), vượt xa mức sàn 8% theo Thông tư 41/2016/TT-NHNN.
• Động lực chính đến từ việc NHNN phê duyệt tăng vốn điều lệ lên 33.774 tỷ VND từ nguồn lợi nhuận giữ lại chưa phân phối (tăng +90,89% quỹ lợi nhuận giữ lại đạt 14.420 tỷ VND).
• Hệ số đòn bẩy tài chính (Financial Leverage) giảm từ 12,7 lần (2020) xuống 10,6 lần (2022), phản ánh chiến lược tăng cường bộ đệm vốn chủ sở hữu nhằm giảm thiểu rủi ro biến động thanh khoản.

2. Asset Quality (Chất lượng tài sản)

• Tỷ lệ nợ xấu (NPL) được kiểm soát xuất sắc ở mức siêu thấp: 0,59% (2020), 0,78% (2021) và 0,74% (2022). ACB nằm trong nhóm ngân hàng có tỷ lệ nợ xấu thấp nhất toàn hệ thống, bỏ xa mức trung bình ngành và các đối thủ như VPB (NPL 2022 > 4,7%).
• Dư nợ cho vay khách hàng tăng trưởng vững chắc từ 304.797 tỷ VND lên 405.442 tỷ VND. Cấu trúc danh mục tập trung 64% vào cho vay ngắn hạn, giúp vòng quay vốn đạt hiệu suất cao và giảm áp lực rủi ro kỳ hạn trong giai đoạn dịch bệnh.

3. Management & Earnings (Năng lực quản trị & Sinh lời)

• Tỷ lệ tài sản sinh lời (Earning Assets) luôn duy trì ở mức trên 95% tổng tài sản, cho thấy hiệu suất phân bổ vốn tối ưu.
• Phân tích DuPont chứng minh ROE của ACB được duy trì ở mức cao trên 24%, đóng góp chủ yếu bởi Biên lợi nhuận ròng (NPM) cải thiện và tối ưu hóa chi phí vận hành (CIR), thay vì sử dụng đòn bẩy vốn vay nguy hiểm.

4. Liquidity & Sensitivity to Market Risk (Thanh khoản & Độ nhạy thị trường)

• Tiền gửi khách hàng tăng từ 353.323 tỷ VND lên 415.754 tỷ VND. Tỷ lệ LDR luôn tuân thủ dưới trần 85% của NHNN.
• Khe hở lãi suất (GAP) và vị thế trạng thái ngoại tệ được duy trì cân bằng, giúp ngân hàng giảm thiểu tổn thất biên lãi thuần (NIM) khi NHNN hai lần tăng lãi suất điều hành vào quý 3 và quý 4 năm 2022.

---

Đổi mới và đóng góp

• Tích hợp khung CAMELS toàn diện vào thực tiễn ngân hàng Việt Nam: Không chỉ dừng lại ở các chỉ số kế toán tĩnh, công trình đã lượng hóa độ nhạy thị trường (Sensitivity - S) và rủi ro thanh khoản (Liquidity - L), vốn là hai yếu tố thường bị lược bỏ trong các nghiên cứu học thuật trước đây.
• Mô hình hóa liên kết CAMELS - DuPont: Thiết lập mối liên hệ nhân quả giữa năng lực quản trị chi phí, hiệu suất sử dụng tài sản và khả năng sinh lời trên vốn chủ sở hữu (ROE), cung cấp góc nhìn rõ ràng cho ban điều hành ngân hàng.
• Định lượng tác động của chính sách Basel II/III: Đánh giá chính xác tác động của Thông tư 41/2016/TT-NHNN và Thông tư 22/2019/TT-NHNN lên bảng cân đối kế toán của một ngân hàng bán lẻ quy mô lớn trong giai đoạn khủng hoảng ngoại sinh (COVID-19).

So sánh hiệu quả phân tích:
[Phương pháp cũ]  --> Chỉ nhìn ROA/ROE --> Đánh giá ACB tăng trưởng tốt nhưng bỏ qua rủi ro nợ tái cơ cấu.
[Mô hình CAMELS]  --> Quét 6 trục: CAR (12,2%), NPL (0,74%), GAP, LDR --> Xác nhận ACB tăng trưởng chất lượng cao, bộ đệm rủi ro vững chắc.

---

Ứng dụng thực tế và triển khai

Trường hợp ứng dụng thực tế (Use Cases)

1. Hệ thống cảnh báo sớm rủi ro (Early Warning System - EWS): Giúp bộ phận Quản trị rủi ro phát hiện sớm nguy cơ suy giảm chất lượng tín dụng từ các khoản nợ cần chú ý (nhóm 2) trước khi chuyển thành nợ xấu nhóm 3-5.
2. Ủy ban Quản lý Tài sản - Nợ (ALCO): Ứng dụng phân tích GAP lãi suất để điều chỉnh cấu trúc kỳ hạn của tài sản và công nợ, bảo vệ biên độ lãi ròng (NIM) trước biến động lãi suất liên ngân hàng.
3. Hoạch định chính sách vốn: Hỗ trợ Hội đồng quản trị (BOD) xác định tỷ lệ giữ lại lợi nhuận tối ưu nhằm tăng vốn cấp 1 tự nhiên mà không cần phụ thuộc vào phát hành cổ phiếu trong điều kiện thị trường chứng khoán suy thoái.

Lộ trình triển khai khuyến nghị

Lộ trình nâng cấp năng lực vận hành:
+-----------------------------------------------------------------------------------+
| Giai đoạn 1 (Tháng 1 - 3):  Chuẩn hóa cấu trúc dữ liệu nợ và tính toán tự động    |
| Giai đoạn 2 (Tháng 4 - 6):  Áp dụng mô phỏng Stress Testing theo chuẩn Basel III   |
| Giai đoạn 3 (Tháng 7 - 12): Tích hợp chỉ số CAMELS vào KPI quản trị chi nhánh     |
+-----------------------------------------------------------------------------------+

• Ước tính hiệu quả tài chính (ROI & Cost-Benefit): Việc duy trì bộ đệm CAR > 12% và tỷ lệ NPL < 1% giúp ngân hàng tiết giảm hàng ngàn tỷ đồng chi phí trích lập dự phòng rủi ro tín dụng (PLL), đồng thời cải thiện xếp hạng tín nhiệm tín dụng quốc tế (Moody's/Fitch), giảm thiểu chi phí huy động vốn quốc tế từ 20 – 40 điểm cơ bản (bps).

---

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

• Phụ thuộc dữ liệu công bố định kỳ: Dữ liệu BCTC theo quý/năm có độ trễ nhất định so với diễn biến giao dịch thực tế hàng ngày trên thị trường tiền tệ.
• Định tính trong trụ cột Management: Tiêu chí đánh giá chất lượng ban điều hành và văn hóa quản trị rủi ro vẫn mang tính chất chuyên gia, cần bổ sung các thang đo định lượng tự động.

Hướng nghiên cứu tiếp theo

• Xây dựng mô hình kiểm định sức chịu tải (Stress Testing) tự động dưới các kịch bản suy thoái giả định (GDP giảm 2%, lạm phát tăng 8%).
• Ứng dụng Machine Learning (mô hình XGBoost, Random Forest) trên tập dữ liệu lớn (Big Data) để dự báo xác suất vỡ nợ (Probability of Default - PD) và tổn thất khi vỡ nợ (Loss Given Default - LGD) theo khung Basel III / IFRS 9.

---

Đối tượng hưởng lợi

• Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Nắm vững phương pháp luận chuẩn hóa quốc tế để phân tích hiệu suất ngân hàng, làm tài liệu tham khảo chất lượng cao cho đồ án và khóa luận tốt nghiệp.
• Chuyên viên Phân tích Tín dụng & Đầu tư: Nhận diện phương pháp bóc tách sức khỏe nội tại của ngân hàng thương mại, đưa ra khuyến nghị đầu tư chuẩn xác trên thị trường chứng khoán.
• Ban Điều hành & Quản trị Ngân hàng: Sở hữu bộ chỉ số đối chuẩn chi tiết (ACB vs MBB vs VPB) để tối ưu hóa chiến lược quản trị rủi ro và tăng trưởng tín dụng.
• Cơ quan Giám sát & Quản lý Nhà nước (NHNN): Bổ sung luận cứ thực tiễn trong việc thanh tra, giám sát tuân thủ an toàn vi mô và vĩ mô theo Thông tư 52/2018/TT-NHNN.

---

Câu hỏi thường gặp

1. Yêu cầu dữ liệu kỹ thuật để triển khai mô hình CAMELS là gì?

Cần tối thiểu hệ thống Báo cáo tài chính kiểm toán hợp nhất gồm Bảng cân đối kế toán, Báo cáo kết quả kinh doanh, Báo cáo lưu chuyển tiền tệ và phần Thuyết minh chi tiết về phân loại nợ nhóm 1-5, cấu trúc kỳ hạn tài sản/công nợ và danh mục chứng khoán đầu tư.

2. Vì sao ACB duy trì tỷ lệ nợ xấu NPL thấp hơn đáng kể so với MBB và VPB?

ACB thực hiện chiến lược quản trị rủi ro thận trọng với mô hình 3 tuyến phòng thủ chặt chẽ, tập trung cho vay phân khúc khách hàng cá nhân và doanh nghiệp vừa và nhỏ (SMEs) có tài sản bảo đảm thanh khoản cao, hạn chế tối đa cho vay các lĩnh vực rủi ro cao như bất động sản đầu cơ hay trái phiếu doanh nghiệp không tài sản đảm bảo.

3. Khung phân tích CAMELS tích hợp với chuẩn Basel II/III như thế nào?

Trụ cột Capital (C) tích hợp trực tiếp công thức tính CAR theo Thông tư 41/2016/TT-NHNN (Basel II), trong khi trụ cột Liquidity (L) và Asset Quality (A) đặt nền móng cho việc mở rộng sang các tỷ số thanh khoản chuẩn Basel III như LCR (Liquidity Coverage Ratio) và NSFR (Net Stable Funding Ratio).

4. Phân tích DuPont hỗ trợ gì cho việc đánh giá cấu phần Earnings (E)?

Mô hình DuPont bóc tách chỉ số ROE thành 3 nhân tố: Biên lợi nhuận ròng (NPM), Hiệu suất sử dụng tài sản (AU) và Hệ số đòn bẩy vốn (EM). Điều này giúp làm rõ lợi nhuận của ngân hàng tăng trưởng nhờ năng lực hoạt động thực chất hay do lạm dụng đòn bẩy rủi ro.

5. Chi phí và thời gian cần thiết để ngân hàng áp dụng hệ thống phân tích này?

Hệ thống có thể được cấu hình và vận hành trên nền tảng dữ liệu sẵn có của Data Warehouse ngân hàng trong vòng 3 đến 6 tháng, mang lại lợi ích giảm thiểu chi phí trích lập dự phòng và tối ưu hóa việc phân bổ vốn rủi ro ngay trong năm tài chính đầu tiên.

---

Kết luận

Nghiên cứu đã ứng dụng thành công khung phân tích chuẩn quốc tế CAMELS để đánh giá toàn diện hiệu suất hoạt động và năng lực phòng vệ rủi ro của Ngân hàng TMCP Á Châu (ACB) trong giai đoạn biến động 2020 – 2022. Kết quả chứng minh ACB là một trong những định chế tài chính duy trì được chất lượng tài sản tốt nhất hệ thống (NPL < 0,8%), tỷ lệ an toàn vốn vững chắc (CAR > 12%) và hiệu quả sinh lời bền vững (ROE > 24%) dựa trên nền tảng quản trị rủi ro thận trọng. Công trình không chỉ cung cấp bức tranh đối chuẩn sâu sắc giữa ACB, MBB và VPB mà còn mang lại giá trị thực tiễn cao cho công tác hoạch định chính sách, phân tích đầu tư và nghiên cứu học thuật trong lĩnh vực ngân hàng hiện đại.

Trích đoạn nội dung tài liệu

BANKING ACADEMY BANKING FACULTY ------------------- GRADUATION THESIS APPLYING CAMELS MODEL IN ANALYSIS OF BANK PERFORMANCE IN ACB JOINT STOCK COMMERCIAL BANK Student name: Duong Phuong Linh Class: K22CLCA Academic year: 2019 – 2023 Student ID: 22A4011092 Instructor: Assoc. Do Thi Kim Hao Hanoi, May 2023 DECLARATION I hereby declare that the graduation thesis entitled “Applying CAMELS model in analysis of bank performance in ACB joint stock commercial bank” is my own research work under the scientific guidance of Assoc. Do Thi Kim Hao, and this graduation thesis was submitted to the Faculty of Banking, Banking Academy of Vietnam. I warrant that the data in this study are presented truthfully, they have not been copied any material and have not been published this content anywhere, all references are fully cited and transparency according to regulations of Banking Academy.

I take full responsibility for my declaration. Hanoi, May 2023 Declarant Duong Phuong Linh i ACKNOWLEDGEMENT Becoming a student of Banking Faculty - The advanced program of Banking Academy of Vietnam is one of the milestones containing the most memorable memories for me. I am really grateful for the knowledge I have learned from the lecturers in Banking Faculty in particular and the Banking Academy in general, along with the enthusiasm and dedication of the lecturers in Banking Faculty for students as well as creating oppoturnities for me to learn, practice and accumulate knowledge during my four years of study in Banking Academy of Vietnam, from which I can complete my graduation thesis. To complete the research process and complete this thesis, I would like to express my sincere gratitude to Assoc.

Do Thi Kim Hao – Deputy Director of Banking Academy. She directly guided and supported me throughout the research process to complete this thesis. Her dedicated guidance and valuable suggestions have contributed significantly to helping me complete my graduation thesis. Last but not least, I would also like to thank my family, friends, who are always beside me in the process of studying and working to support me so that I can complete my study program.

Due to limited knowledge and ability, my thesis cannot avoid shortcomings. I would like to receive suggestions and sharing from teachers to improve this thesis. Hanoi, May 2023 Author Duong Phuong Linh ii Table of Contents INTRODUCTION. The importance of study.

Object and scope of study. Structure of study. 9 CHAPTER I: THEORETICAL FRAMEWORK ABOUT ANALYSIS OF BANK PERFORMANCE IN COMMERCIAL BANK BASED ON THE CAMELS MODEL. Overview of analysis bank performance in commercial bank.

Definition of analysis bank performance in commercial banks. Basis for evaluating bank performance in commercial banks. Methods of evaluating business performance in commercial banks. Factors affecting the performance of commercial banks.

CAMELS model in analyzing bank performance. CAMELS model standards in assessing the bank performance. S - Sensitivity to market risk. Advantages and disadvantages:.

25 CHAPTER II: APPLYING CAMELS MODEL TO EVALUATE ACB’S BANK PERFORMANCE FROM 2020 – 2022. Overview of ACB joint stock commercial bank. History and development of ACB commercial bank. Organizational structure of ACB commercial bank.

Analyzing bank performance of ACB during 3 years from 2020 - 2022 through the CAMELS model. Evaluation of ACB bank’s performance from 2020 – 2022. S - Sensitivity to market risk. Overall assessment of ACB bank’s performance.

Limitations and causes. 65 CONCLUSION FOR CHAPTER II. 69 CHAPTER III: SOLUTIONS AND RECOMMENDATIONS TO IMPROVE ACB BANK’S PERFORMANCE. Development orientation of ACB commercial bank.

Solutions to improve ACB bank’s performance. Solutions to improve capital adequacy. Solutions to improve asset quality. Developing and improving the quality of human resources.

Solutions to improve profitability. Solutions to improve risk management. For the government. For the State bank of Vietnam:.

77 CONCLUSION FOR CHAPTER III. 81 iv LIST OF ABBREVIATIONS Abbreviation Meanings AIA American International Assurance Vietnam AU Asset utilize BOD Board of Dicrectors CASA Current Account Savings Account CAR Capital adequacy ratio CIR Cost to income ratio FDI Foreign Direct Investment FDIC Federal Deposit Insurance Corporation GSO General Statistics Office IMF International Monetary Fund MBB MB Bank LDR Loan to deposit ratio NIM Net interest margin NNIM Net non interest margin NPL Non performing loan NPM Net profit margin OCC Currency control office PLL Provision for loan loss ROA Return on total assets ROE Return on total equity SBV State Bank of Vietnam VPB VP Bank SMEs Small and medium enterprises WB World Bank v LIST OF TABLES Table 1: CAMELS rating system.1: Capital structure in ACB from 2020 to 2022………….2: Asset structure in ACB from 2020 - 2022 .3: Nonperforming loans and overdue debt in ACB from 2020 to 2022 .4: Provision for loan loss in ACB from 2020 to 2022 .5: Net income to Total employees in ACB from 2020 - 2022. 6: Net income of ACB from 2020 - 2022 .7: NIM of ACB from 2020 - 2022 .8: NNIM of ACB from 2020 - 2022 .9: Liquid asset ratio of ACB from 2020 - 2022 .10: Liquid reserve ratio of ACB from 2020 - 2022 .11: Net liquidity of ACB from 2020 - 2022 .12: GAP of ACB from 2020 - 2022.13: Currency position of ACB from 2020 - 2022. 60 vi LIST OF FIGURES Figure 2.1: Organizational structure in ACB joint stock commercial bank .2: Growth of Equity over 3 periods from 2020 to 2022 .3: Structure of Shareholders’ Equity over 3 periods from 2020 to 2022 .4: Capital adequacy ratio of ACB, MBBank and VPB from 2020 - 2022 .5: Growth of core capital and weighted risk assets from 2020 to 2022 .6: Financial leverage of ACB, MBBank and VPB from 2020 - 2022.7: The proportion of earning assets in ACB .8: Loans to customers in ACB, MBB and VPB from 2020-2022 .9: Credit growth of ACB, MBB and VPB from 2020 -2022 .10: Proportion of loans in terms of period .11: Nonperforming loan ratio in ACB, MBB and VPB from 2020-2022 .12: Cost to income ratio of ACB from 2020 - 2022 .13: Human resources management efficiency of ACB from 2020 - 2022 .14: Net income of ACB, MBB and VPB from 2020 - 2022.

15: ROA & ROE of ACB, MBB and VPB from 2020 - 2022 .16: ROE of ACB through Dupont method .17: LDR of ACB, MBB and VPB from 2020 - 2022 .18: Short term capital to long term loans ratio in ACB from 2020 - 2022 .19: Net gain from trading foreign currencies in ACB from 2020 - 2022 .20: Rank of top 10 banks in Vietnam based on CAMELS model in 2022. The importance of study Acting as a payment intermediary as well as a credit intermediary, together with money creation, banking system provides a link between borrowers and savers in the economy in order to transfer capital and help money flow to be easily circulated. Thus, banking system plays an indispensable part in promoting the market economy. Vietnam is a country with banking-based financial system, so any fluctuations in the banking system can affect the economic development of the country.

In the context of growing international economic integration in recent years, many opportunities have been created for Vietnam, but this means that Vietnam will have to face some potential risks from complicated fluctuations in the world as well as the level of cutthroat competition between banks increasing when more foreign partners invest in Vietnam’s market. In addition, a three-year between 2020 and 2022 was a period when the world economy was subject to many fluctuations of the Covid-19 pandemic, which took a toll of businesses operations, many firms even went bankrupt, and Vietnam was no exception. In order to recover the economy quickly from the damage caused by Covid 19, the Vietnamese government always tried to find solutions to directly support businesses as well as workers, and banks has become an effective assistant of the Government in allocating capital sources as well as mobilizing savings and unused capital for business activities. This has asserted that the banking sector truly plays a vital role in the economic growth of a country Facing these difficulties requires commercial banks to have strategies improving their bank performance as well as the management ability of BOD.

It can be seen that this is the reason for making analysis and evaluation of bank performance more necessary than ever. Through the assessment process, it is possible to identify potential risks in the banking system in general and each commercial bank in particular. This also help build a solid foundation for the BOD in the process of setting reasonable business goals as well as making policies to minimize risks and improve financial capacity, ensure competitiveness and position of the bank. Thereby, banking sector is one of the areas with the most potential risks because banking activities involve many different subjects and industries.

This means that 1 when the bank is at risk, it will greatly affect the development of economy. For this reason, nowadays in the world, many types of models have been applied to evaluate the bank performance, but “one of the most popular methods for the analysis of the financial soundness of banks, namely the CAMELS framework” (Roman & Sargu, 2013). Based on the combination of financial indicators from many aspects in CAMELS model including capital, asset, management, earnings and sensitivity to market risk will show the strengths together with limitations of the bank activities. During 30 years of operation, ACB has constantly improved bank performance, especially, when SBV officially allowed ACB to apply Circular 41/2016/NHNN regulating CAR according to Basel II standards in 2019.

However, with the aim of adapting the current Vietnamese economic context fluctuation, ACB always needs to supervise carefully bank’s activities as well as anticipate potential risks. Realizing the importance and necessity of bank’s performance analysis and the high practical application of the CAMELS model in evaluating efficiency in bank activities, I would like to choose the topic "Applying CAMELS model in analysis of bank performance in ACB joint stock commercial bank” to study the thesis, therefore pointing out some solutions to improve business efficiency for ACB. Literature review Analyzing bank performance plays an extremely important role in the process of evaluating the bank's management ability. Therefore, not only in Vietnam but also other countries have always paid attention to this issue, in which a number of typical studies apply the CAMELS model to evaluate the performance of commercial banks: 2.

Foreign research: Ongore and Kusa (2013) conducted a study on “Determinants of Financial Performance of Commercial Banks in Kenya” using CAMEL model to measure the performance of commercial banks in Kenya. With data collected from 37 commercial banks in Kenyan and using regression model, author shown the relationship between performance of banks and influencing factors, in which “capital adequacy , asset quality and management efficiency significantly affect the performance of commercial banks in Kenya, however the effect of liquidity on the performance of commercial banks is not strong”. Along with that “the relationship between bank 2 performance and capital adequacy and management efficiency was found to be positive and for asset quality the relationship was negative”. The result of K.

The study collected data from 10 developed countries with a total of 21 banks from 2013-2017 and used quantitative analysis together with panel data to show the relationship between ROA and indicators in CAMEL model. After analysis and evaluation, authors drew the conclusion that capital adequacy and earning had positive impact on bank performance. However, asset quality, management efficiency, and liquidity had negative effect on bank performance. Research by Srinivas and Saroja (2013) on “Comparative Financial Performance of HDFC BANK and ICICI BANK” using CAMELS model shown that there was no significant difference in the financial performance of two banks including HDFC bank and ICICI Bank.