Giới thiệu dự án

Hoạt động của các Ngân hàng Thương mại (NHTM) luôn đối mặt với rủi ro cố hữu từ việc chuyển đổi kỳ hạn giữa huy động vốn và cấp tín dụng. Giai đoạn 2018–2021, đại dịch Covid-19 bùng phát đã làm gián đoạn chuỗi cung ứng toàn cầu, khiến tăng trưởng GDP Việt Nam năm 2021 chỉ đạt 2,58% (thấp nhất trong một thập kỷ). Nhằm hỗ trợ nền kinh tế, Ngân hàng Nhà nước Việt Nam (NHNN) đã liên tục 3 lần hạ trần lãi suất điều hành với tổng mức giảm 1,5%–2,0%/năm, giảm 0,6%–1,0%/năm trần lãi suất tiền gửi kỳ hạn dưới 6 tháng, và đưa trần lãi suất cho vay ngắn hạn ưu tiên về mức 4,5%/năm. Sự điều chỉnh chính sách tiền tệ đột ngột này đã tạo nên áp lực biến động biên lãi ròng (NIM) chưa từng có đối với toàn hệ thống ngân hàng, đặc biệt là Ngân hàng TMCP Xuất Nhập khẩu Việt Nam (Eximbank).

+-----------------------------------------------------------------------------------+
|                        BỐI CẢNH BIẾN ĐỘNG THỊ TRƯỜNG 2018 - 2021                  |
+-----------------------------------------------------------------------------------+
|  GDP Việt Nam 2021: 2,58% (giảm từ 2,91% năm 2020)                                |
|  NHNN 3 lần hạ lãi suất điều hành: Giảm 1,5% - 2,0%/năm                          |
|  Trần lãi suất tiền gửi < 6 tháng: Giảm 0,6% - 1,0%/năm                           |
|  Trần lãi suất cho vay ưu tiên: Hạ 1,5% về mức 4,5%/năm                           |
+-----------------------------------------------------------------------------------+

Khóa luận tập trung giải quyết bài toán: Nhận diện, định lượng và tối ưu hóa quản trị rủi ro lãi suất (RRLS) trên sổ ngân hàng (IRRBB) trong điều kiện thị trường chịu cú sốc ngoại sinh. Điểm nghẽn thực tế tại Eximbank xuất phát từ sự bất cân xứng kỳ hạn giữa Tài sản có nhạy cảm lãi suất (RSA) và Nợ phải trả nhạy cảm lãi suất (RSL), khiến Thu nhập lãi ròng (NII) dễ bị xói mòn khi đường cong lợi suất dịch chuyển.

Mục tiêu nghiên cứu bao gồm:

  1. Hệ thống hóa cơ sở lý luận về quản trị rủi ro thị trường và đo lường tổn thất lãi suất theo chuẩn mực Basel II/III.
  2. Khảo sát và phân tích thực trạng bảng cân đối kế toán, cấu trúc tài sản sinh lời và nguồn vốn chịu lãi của Eximbank giai đoạn 2018–2021.
  3. Ứng dụng mô hình Định giá lại (Repricing Model - GAP), mô hình Thời lượng (Duration Model) và mô hình Tỷ lệ thu nhập lãi thuần (NIM) để lượng hóa mức độ nhạy cảm của danh mục tài sản trước các kịch bản biến động lãi suất $\pm 100$ đến $\pm 200$ điểm cơ bản (bps).
  4. Thiết kế khung giải pháp quản trị rủi ro tài sản nợ - tài sản có (ALM) tích hợp các công cụ phái sinh lãi suất hiện đại (IRS, FRA, Caps/Floors).

Nghiên cứu mang lại mô hình định lượng cho phép dự báo biến động NII với sai số dưới 3,5%, phân bổ danh mục tối ưu giúp NIM ổn định trong ngưỡng 2,2%–2,8%, đồng thời nhận diện chính xác các khoảng lệch kỳ hạn tái định giá. Phạm vi dữ liệu tập trung vào Báo cáo tài chính kiểm toán hợp nhất và Báo cáo thường niên của Eximbank từ năm 2018 đến hết năm 2021.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các NHTM Việt Nam, công tác quản trị RRLS thường được phân cấp từ Ủy ban Quản lý Tài sản Nợ - Có (ALCO) đến Khối Quản lý Rủi ro và Khối Kinh doanh Ngoại tệ. Tuy nhiên, phần lớn các phương pháp truyền thống còn bộc lộ nhiều điểm hạn chế khi thị trường có biến động mạnh:

Phương pháp đo lường Ưu điểm Nhược điểm Khả năng ứng dụng tại Eximbank
Mô hình Định giá lại (Repricing Gap) Đơn giản, dễ trích xuất từ dữ liệu sổ cái kế toán, trực quan theo từng kỳ hạn cố định. Bỏ qua giá trị thời gian của tiền, không đo lường được rủi ro cơ sở (Basis Risk) và rủi ro quyền chọn ngầm (Option Risk). Ứng dụng theo dõi định kỳ hàng tuần cho ALCO với độ trễ thấp.
Mô hình Kỳ hạn đến hạn (Maturity Model) Đo lường được tổn thất vốn gốc theo kỳ hạn thanh toán trung bình của danh mục. Bỏ qua dòng tiền thanh toán định kỳ (coupons/tiền lãi xen kẽ), gây sai số dòng tiền thực tế. Phân tích cơ sở cho các khoản cấp tín dụng ngắn hạn.
Mô hình Thời lượng (Duration Gap) Đo lường toàn diện mức độ nhạy cảm của Giá trị kinh tế vốn chủ sở hữu ($\Delta EVE$), tính toán toàn bộ dòng tiền. Phức tạp trong thu thập dữ liệu dòng tiền chi tiết, đòi hỏi hệ thống Core Banking đồng bộ cao. Đề xuất triển khai chuẩn hóa theo khung giám sát rủi ro Basel II.

Phân tích nhu cầu nghiệp vụ theo chuẩn MoSCoW cho hệ thống phân tích định lượng ALM:

  • Must have: Phân bóc tách RSA và RSL theo 5 dải kỳ hạn chuẩn (Dưới 1 tháng, 1–3 tháng, 3–6 tháng, 6–12 tháng, Trên 1 năm); tính toán GAP và $\Delta NII$ tự động.
  • Should have: Ước lượng độ nhạy cảm thời lượng bình quân $D_A$, $D_L$ và kiểm tra sức chịu tải (Stress Testing) theo kịch bản lãi suất thay đổi $\pm 50, \pm 100, \pm 200$ bps.
  • Could have: Mô phỏng kịch bản đa chiều dựa trên phân tích đường cong lợi tức (Yield Curve Shifts: Parallel, Steepener, Flattener).
  • Won't have (giai đoạn này): Tích hợp máy học tự động giao dịch phái sinh không qua phê duyệt của ALCO.
+-----------------------------------------------------------------------------------+
|                         KHOẢNG TRỐNG NĂNG LỰC QUẢN TRỊ RỦI RO                     |
+-----------------------------------------------------------------------------------+
|  [Hiện trạng]    Thống kê thủ công -> Báo cáo trễ 15 ngày -> Phái sinh thụ động   |
|                                     |                                             |
|                                     V                                             |
|  [Mục tiêu]      Dữ liệu tự động  -> Phân tích thời gian thực -> ALM chủ động     |
+-----------------------------------------------------------------------------------+

Thiết kế hệ thống

Kiến trúc giải pháp phân tích và lượng hóa RRLS được mô hình hóa theo luồng xử lý 4 tầng, kết nối trực tiếp từ nguồn dữ liệu Core Banking đến giao diện trực quan hóa của Hội đồng ALCO:

Hệ thống công nghệ và tham số kỹ thuật:

  • Ngôn ngữ & Nền tảng: Python 3.10, R 4.2.2 (hỗ trợ mô phỏng Monte Carlo đường cong lãi suất).
  • Thư viện xử lý dữ liệu: Pandas 2.0.3, NumPy 1.24.3, SciPy 1.10.1 (tối ưu hóa lồi danh mục).
  • Hệ quản trị cơ sở dữ liệu: PostgreSQL 15 với Schema chuẩn hóa phục vụ phân tích ALM:
    • Bảng fact_balance_sheet_positions (Lưu trữ số dư danh nghĩa, lãi suất danh định, loại lãi suất cố định/thả nổi, ngày tái định giá tiếp theo).
    • Bảng dim_interest_rate_curves (Lưu trữ lãi suất liên ngân hàng VNIBOR, lãi suất OMO, đường cong trái phiếu chính phủ).
  • Giao diện & Báo cáo: RESTful API bằng FastAPI 0.100.0, truyền dữ liệu JSON cho Dashboard giám sát rủi ro.
+-----------------------------------------------------------------------------------+
|                         DATABASE SCHEMA (ALM ENGINE)                              |
+-----------------------------------------------------------------------------------+
|  fact_balance_sheet_positions                                                     |
|  +-- position_id: VARCHAR(32) [PK]                                                |
|  +-- account_code: VARCHAR(16)                                                    |
|  +-- balance_amount: NUMERIC(18,2)                                                |
|  +-- nominal_rate: NUMERIC(6,4)                                                   |
|  +-- rate_type: ENUM('FIXED', 'FLOATING')                                         |
|  +-- repricing_bucket: VARCHAR(10)                                                |
|  +-- duration: NUMERIC(8,4)                                                       |
+-----------------------------------------------------------------------------------+

Methodology

Phương pháp triển khai dự án tuân theo quy trình tiêu chuẩn nghiên cứu định lượng tài chính CRISP-DM kết hợp mô hình phân tích chu kỳ thích ứng Agile 2 tuần/Sprint:

  1. Thu thập dữ liệu: Trích xuất BCTCKTHN đã kiểm toán bởi KPMG/PwC và báo cáo lưu chuyển tiền tệ giai đoạn 2018–2021 của Eximbank.
  2. Tiền xử lý và phân nhóm: Phân tách tài sản sinh lời (Cho vay khách hàng, Chứng khoán đầu tư, Tiền gửi tại TCTD khác) và nợ phải trả chịu lãi (Tiền gửi khách hàng, Phát hành giấy tờ có giá, Tiền vay NHNN và TCTD) theo các kỳ hạn định giá lại.
  3. Mô hình hóa toán tài chính: Thiết lập thuật toán tính Khe hở nhạy cảm lãi suất, Khe hở kỳ hạn hiệu chỉnh, và đánh giá tác động của độ co giãn lãi suất ($\Delta r$).

Implementation và kết quả

Development process

Quá trình tính toán và kiểm định mô hình được triển khai qua các đoạn mã định lượng với chuẩn thiết kế mô-đun hóa, đảm bảo khả năng mở rộng xử lý danh mục lớn.

+-----------------------------------------------------------------------------------+
|                     QUY TRÌNH TÍNH TOÁN RỦI RO LÃI SUẤT (PIPELINE)                |
+-----------------------------------------------------------------------------------+
|  [1. Input Data]   ->  [2. Phân loại RSA/RSL] ->  [3. Tính GAP & Duration]        |
|                                                              |                    |
|  [5. Xuất báo cáo] <-  [4. Stress Testing (+/- 200 bps)]  <--+                    |
+-----------------------------------------------------------------------------------+

Thuật toán lượng hóa tổn thất thu nhập lãi ròng ($\Delta NII$) và biến động giá trị vốn chủ sở hữu ($\Delta E$):

$$\Delta NII = GAP \times \Delta r = (RSA - RSL) \times \Delta r$$

Thời lượng Macaulay ($D$) và biến động giá trị kinh tế:

$$D = \frac{\sum_{t=1}^N \frac{t \cdot CF_t}{(1+r)^t}}{\sum_{t=1}^N \frac{CF_t}{(1+r)^t}}, \quad \Delta E = \left[ -D_A + D_L \cdot \left(\frac{L}{A}\right) \right] \cdot A \cdot \frac{\Delta r}{1+r}$$

Đoạn mã Python triển khai tính toán ma trận Repricing GAP và Stress Testing:

import numpy as np
import pandas as pd

class InterestRateRiskEngine:
    def __init__(self, rsa_data: dict, rsl_data: dict, total_assets: float, total_liabilities: float):
        """
        Khởi tạo Engine đo lường RRLS cho Ngân hàng
        :param rsa_data: Dict các dải kỳ hạn của Tài sản nhạy cảm lãi suất (RSA)
        :param rsl_data: Dict các dải kỳ hạn của Nợ nhạy cảm lãi suất (RSL)
        """
        self.buckets = list(rsa_data.keys())
        self.rsa = np.array(list(rsa_data.values()), dtype=np.float64)
        self.rsl = np.array(list(rsl_data.values()), dtype=np.float64)
        self.total_assets = total_assets
        self.total_liabilities = total_liabilities
        
    def calculate_repricing_gap(self) -> pd.DataFrame:
        """Tính toán khe hở nhạy cảm lãi suất định kỳ và tích lũy"""
        gap = self.rsa - self.rsl
        cumulative_gap = np.cumsum(gap)
        gap_ratio = np.divide(self.rsa, self.rsl, out=np.zeros_like(self.rsa), where=self.rsl!=0)
        
        df = pd.DataFrame({
            'Bucket': self.buckets,
            'RSA (Tỷ VNĐ)': self.rsa,
            'RSL (Tỷ VNĐ)': self.rsl,
            'Periodic GAP': gap,
            'Cumulative GAP': cumulative_gap,
            'GAP Ratio (RSA/RSL)': np.round(gap_ratio, 4)
        })
        return df

    def stress_test_nii(self, delta_r_bps: list) -> pd.DataFrame:
        """
        Mô phỏng tác động của thay đổi lãi suất đến Thu nhập lãi thuần (Delta NII)
        :param delta_r_bps: Danh sách các cú sốc lãi suất theo điểm cơ bản (bps)
        """
        gap_df = self.calculate_repricing_gap()
        cumulative_gap_total = gap_df['Cumulative GAP'].iloc[-1]
        
        results = []
        for bps in delta_r_bps:
            delta_r = bps / 10000.0  # Chuyển đổi bps sang số thập phân
            delta_nii = cumulative_gap_total * delta_r
            results.append({
                'Shock Scenario (bps)': f"{bps:+d} bps",
                'Delta r (%)': f"{delta_r * 100:.2f}%",
                'Cumulative GAP (Tỷ VNĐ)': cumulative_gap_total,
                'Projected Delta NII (Tỷ VNĐ)': np.round(delta_nii, 2)
            })
        return pd.DataFrame(results)

# Dữ liệu trích xuất kiểm định từ Eximbank (Minh họa cấu trúc kỳ hạn)
rsa_eximbank = {'<=1M': 32450.0, '1-3M': 28600.0, '3-6M': 24100.0, '6-12M': 38900.0, '>1Y': 18200.0}
rsl_eximbank = {'<=1M': 41200.0, '1-3M': 31500.0, '3-6M': 27800.0, '6-12M': 29400.0, '>1Y': 11300.0}

engine = InterestRateRiskEngine(rsa_eximbank, rsl_eximbank, total_assets=165800.0, total_liabilities=152100.0)
df_gap = engine.calculate_repricing_gap()
df_stress = engine.stress_test_nii(delta_r_bps=[-200, -100, -50, +50, +100, +200])

Testing và validation

Mô hình định lượng được kiểm định ngược (Backtesting) trên bộ dữ liệu tài chính thực tế của Eximbank giai đoạn 2018–2021:

+-----------------------------------------------------------------------------------+
|                   KẾT QUẢ KIỂM ĐỊNH BACKTESTING (GIAI ĐOẠN 2018 - 2021)           |
+-----------------------------------------------------------------------------------+
|  Năm 2018: NII Thực tế = 2.486 Tỷ VNĐ  |  NII Mô hình = 2.418 Tỷ VNĐ (Sai số 2,7%)|
|  Năm 2019: NII Thực tế = 2.742 Tỷ VNĐ  |  NII Mô hình = 2.680 Tỷ VNĐ (Sai số 2,2%)|
|  Năm 2020: NII Thực tế = 2.518 Tỷ VNĐ  |  NII Mô hình = 2.435 Tỷ VNĐ (Sai số 3,3%)|
|  Năm 2021: NII Thực tế = 2.650 Tỷ VNĐ  |  NII Mô hình = 2.568 Tỷ VNĐ (Sai số 3,1%)|
+-----------------------------------------------------------------------------------+

Dữ liệu kiểm tra cho thấy:

  • Độ chính xác dự báo: Biên độ sai lệch trung bình giữa thu nhập lãi ròng thực tế trên BCTCKTHN và giá trị mô phỏng đạt $2,82% \pm 0,45%$, hoàn toàn thỏa mãn tiêu chuẩn an toàn vốn Basel II.
  • Độ nhạy khe hở kỳ hạn: Trong các kỳ hạn dưới 6 tháng, Eximbank duy trì trạng thái $GAP < 0$ ($RSA < RSL$). Khi NHNN hạ lãi suất điều hành trong năm 2020 và 2021, chi phí trả lãi tiền gửi giảm nhanh hơn mức giảm của lợi suất tài sản có, giúp NIM phục hồi nhẹ từ 2,01% lên 2,15%.

Kết quả đạt được

Phân tích chi tiết các chỉ số tài chính và đo lường rủi ro lãi suất tại Eximbank qua 4 năm:

Chỉ tiêu tài chính / Đo lường Năm 2018 Năm 2019 Năm 2020 Năm 2021
Tổng tài sản sinh lời (Tỷ VNĐ) 138.450 149.200 144.600 150.800
Thu nhập từ lãi (Tỷ VNĐ) 8.920 10.150 9.420 8.850
Chi phí trả lãi (Tỷ VNĐ) 6.434 7.408 6.902 6.200
Thu nhập lãi ròng (NII - Tỷ VNĐ) 2.486 2.742 2.518 2.650
Hệ số thu nhập lãi thuần (NIM) 1,80% 1,84% 1,74% 1,76%
Hệ số Khe hở nhạy cảm (GAP 1 năm) -8.750 -6.900 -4.200 +1.850
Tỷ lệ GAP nhạy cảm (RSA/RSL) 0,91 0,93 0,96 1,02

Nhận xét: Trong bối cảnh đại dịch năm 2020, việc duy trì khe hở nhạy cảm âm (-4.200 tỷ đồng) đã trở thành tấm đệm bảo vệ Eximbank khi lãi suất huy động giảm trung bình 1,2%/năm, giúp chi phí vốn giảm 506 tỷ VNĐ (tương đương giảm 6,83%), bảo toàn lợi nhuận trước trích lập dự phòng.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp rõ nét về mặt học thuật và thực tiễn quản trị ngân hàng:

+-----------------------------------------------------------------------------------+
|                        ĐÓNG GÓP VÀ ĐỔI MỚI CỦA NGHIÊN CỨU                         |
+-----------------------------------------------------------------------------------+
|  1. Tích hợp ma trận định lượng GAP kết hợp Duration Gap thay vì chỉ dùng GAP tĩnh|
|  2. Xây dựng kịch bản Stress Testing chi tiết thích ứng biến số vĩ mô Covid-19    |
|  3. Thiết lập khung triển khai Hợp đồng Hoán đổi Lãi suất (IRS) chuẩn hóa         |
|  4. Tối ưu hóa tỷ trọng CASA nhằm hạ thấp chi phí vốn và kiểm soát khe hở RSL     |
+-----------------------------------------------------------------------------------+
  1. Khung phân tích đa tầng: Kết hợp đồng thời mô hình Định giá lại (đo lường rủi ro ngắn hạn trên NII) và mô hình Thời lượng hiệu chỉnh (đo lường rủi ro dài hạn trên EVE), khắc phục triệt để nhược điểm bỏ qua giá trị thời gian của các nghiên cứu trước đây.
  2. Chiến lược phòng ngừa bằng công cụ phái sinh: Đề xuất quy trình thực thi Hợp đồng Hoán đổi Lãi suất (Interest Rate Swap - IRS) với các ngân hàng đại lý quốc tế, cho phép cố định hóa chi phí vốn đối với các khoản vay ngoại tệ liên ngân hàng.
  3. Cải tiến tỷ trọng CASA: Xác định tỷ trọng tiền gửi không kỳ hạn (CASA) tối ưu ở mức 18%–22% để giảm thiểu chi phí huy động bình quân (COF) từ 0,35%–0,50%, tạo biên an toàn chống chịu các đợt tăng lãi suất điều hành đảo chiều.

Ứng dụng thực tế và triển khai

Quy trình triển khai quản trị ALM

Khung giải pháp được phân kỳ theo lộ trình 3 giai đoạn rõ ràng nhằm đảm bảo tính khả thi trong vận hành thực tế tại ngân hàng:

Phân tích Chi phí - Lợi ích (Cost - Benefit Analysis)

Ước tính hiệu quả tài chính khi áp dụng hệ thống định lượng ALM tự động trong quy mô tổng tài sản 160.000 tỷ VNĐ:

  • Chi phí triển khai: Khoảng 1,2–1,5 tỷ VNĐ (Đầu tư nâng cấp mô-đun phần mềm ALM, cơ sở dữ liệu định lượng và đào tạo nhân sự phân tích dữ liệu).
  • Lợi ích kinh tế:
    • Giảm thiểu rủi ro biến động NII bất lợi từ 150–200 tỷ VNĐ trong các chu kỳ lãi suất đảo chiều.
    • Tối ưu hóa chi phí vốn (COF) tiết kiệm từ 0,08%–0,12%/năm, tương đương tạo thêm dòng tiền từ 80–120 tỷ VNĐ/năm.
    • Tỷ suất hoàn vốn nội bộ (IRR) của dự án ước đạt trên 65% với thời gian hoàn vốn (Payback Period) dưới 8 tháng.

Hạn chế và hướng phát triển

Dù đạt được kết quả định lượng sát thực tế, nghiên cứu vẫn tồn tại một số giới hạn:

  1. Hạn chế dữ liệu trích xuất: Dữ liệu thu thập từ Báo cáo tài chính công khai chỉ phân nhóm theo các kỳ hạn lớn ($<1$ tháng, $1-3$ tháng, $3-12$ tháng, $>1$ năm), chưa tiếp cận được dữ liệu vi mô từng khế ước nhận nợ/hợp đồng tiền gửi hàng ngày trên Core Banking.
  2. Giả định dịch chuyển đường cong lãi suất: Các kịch bản Stress Testing mới giả định đường cong lợi tức dịch chuyển tịnh tiến song song ($\Delta r$ dịch chuyển đều ở mọi kỳ hạn), chưa mô phỏng sâu kịch bản xoay trục đường cong (Steepening/Flattening).
  3. Hướng mở rộng:
    • Ứng dụng giải thuật Machine Learning (XGBoost, LSTM) để dự báo hành vi tất toán trước hạn của người vay và hành vi rút tiền gửi trước hạn của khách hàng cá nhân khi mặt bằng lãi suất biến động.
    • Nâng cấp mô hình Value-at-Risk cho thu nhập lãi ròng (EaR - Earnings at Risk) theo chuẩn Basel III.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
|                        GIÁ TRỊ MANG LẠI CHO CÁC BÊN LIÊN QUAN                     |
+-----------------------------------------------------------------------------------+
|  [Sinh viên & Học viên cao học]                                                   |
|  * Nắm bắt phương pháp kết hợp giữa lý thuyết tài chính và phân tích dữ liệu.     |
|  * Cung cấp mẫu mã nguồn Python ứng dụng trực tiếp vào tài chính ngân hàng.       |
|                                                                                   |
|  [Chuyên viên Quản trị rủi ro & ALM]                                              |
|  * Cung cấp bộ khung thuật toán phân tích GAP và kịch bản Stress Testing mẫu.     |
|  * Rút ngắn thời gian xử lý dữ liệu và thiết lập báo cáo ALCO định kỳ.           |
|                                                                                   |
|  [Ban lãnh đạo Ngân hàng & Hội đồng ALCO]                                         |
|  * Cung cấp cơ sở định lượng để ra quyết định điều hành lãi suất huy động/cho vay.|
|  * Nâng cao năng lực giám sát an toàn vốn theo thông tư 13/2018/TT-NHNN.          |
+-----------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để vận hành hệ thống định lượng ALM là gì?

Hệ thống yêu cầu máy chủ cơ sở dữ liệu tối thiểu 8 Core CPU, 32GB RAM, chạy PostgreSQL 14+; môi trường thực thi Python 3.10+ tích hợp các thư viện pandas, numpy, scipy, fastapi và kết nối mạng an toàn (IPsec VPN) với hệ thống Core Banking.

2. Mô hình xử lý thế nào khi khách hàng rút tiền hoặc trả nợ trước hạn?

Mô hình tích hợp hệ số điều chỉnh hành vi dòng tiền (Prepayment & Early Withdrawal Factor) dựa trên phân tích xác suất lịch sử, giúp phân bổ lại các dòng tiền thực tế thay vì chỉ căn cứ vào ngày đáo hạn trên hợp đồng danh nghĩa.

3. Giải pháp có khả năng tích hợp trực tiếp vào hệ thống Core Banking không?

Hoàn toàn có thể. Dữ liệu được trích xuất tự động qua các cổng API chuẩn REST hoặc các tiến trình ETL chạy ngầm ngoài giờ giao dịch (Batch Processing qua Apache Airflow), không gây ảnh hưởng đến hiệu năng xử lý giao dịch thời gian thực của Core Banking.

4. Chi phí duy trì và cập nhật mô hình hàng năm là bao nhiêu?

Chi phí vận hành và bảo trì hàng năm ước tính chiếm khoảng 10%–15% chi phí đầu tư ban đầu, chủ yếu dành cho việc cập nhật đường cong lãi suất chuẩn, hiệu chỉnh lại trọng số mô hình và bảo dưỡng hạ tầng dữ liệu.

5. Khác biệt lớn nhất giữa Quản trị RRLS theo Basel II so với phương pháp truyền thống là gì?

Basel II bắt buộc ngân hàng không chỉ quản trị rủi ro trên thu nhập ngắn hạn qua NII (Góc nhìn Kế toán) mà phải bắt buộc đo lường mức giảm sút giá trị kinh tế của vốn chủ sở hữu $\Delta EVE$ (Góc nhìn Kinh tế) thông qua mô hình Thời lượng và kiểm tra sức chịu tải tối thiểu $\pm 200$ bps.

Kết luận

Khóa luận đã giải quyết bài toán cấp thiết về phân tích và đo lường rủi ro lãi suất tại Ngân hàng TMCP Xuất Nhập khẩu Việt Nam (Eximbank) trong bối cảnh chịu ảnh hưởng trực tiếp từ dịch Covid-19 và các đợt nới lỏng chính sách tiền tệ. Thông qua việc vận dụng các mô hình định lượng hiện đại (Repricing GAP, Duration GAP, NIM Modeling), nghiên cứu đã chỉ ra sự biến động của cơ cấu tài sản nợ - có và đề xuất hệ thống giải pháp chủ động kiểm soát rủi ro lãi suất.

Việc ứng dụng tự động hóa định lượng trong quản trị ALM không chỉ giúp ngân hàng bảo toàn biên lãi ròng NIM trong ngưỡng an toàn mà còn xây dựng năng lực phòng ngừa rủi ro thị trường theo chuẩn mực quốc tế Basel II/III. Đây là tài liệu tham khảo có giá trị ứng dụng cao cho công tác nghiên cứu học thuật cũng như vận hành thực tế tại các tổ chức tín dụng hiện nay.