Giới thiệu dự án

Hoạt động kinh doanh của các ngân hàng thương mại (NHTM) luôn vận hành trong môi trường biến động tài chính phức tạp, nơi rủi ro lãi suất (Interest Rate Risk - IRR) đóng vai trò là một trong những rủi ro cốt lõi đe dọa trực tiếp đến sự an toàn vốn và lợi nhuận ròng. Tại thị trường Việt Nam giai đoạn 2015–2017, Ngân hàng Nhà nước (NHNN) đã thực hiện hàng loạt điều chỉnh chính sách tiền tệ quan trọng, tiêu biểu là Thông tư 36/2014/TT-NHNN và Thông tư 06/2016/TT-NHNN quy định tỷ lệ tối đa của nguồn vốn ngắn hạn được sử dụng để cho vay trung và dài hạn (hạ dần từ 60% xuống 50% và 40%), kết hợp cùng Thông tư 01/2015/TT-NHNN về quản lý các công cụ phái sinh lãi suất.

Tại Ngân hàng TMCP Công Thương Việt Nam – Chi nhánh Hội An (VietinBank Hội An), đặc thù địa bàn du lịch - dịch vụ thúc đẩy nhu cầu vay vốn trung và dài hạn rất lớn để đầu tư hạ tầng lưu trú, khách sạn và nhà hàng. Tuy nhiên, nguồn vốn huy động của chi nhánh lại chủ yếu tập trung ở các khoản tiền gửi ngắn hạn dưới 12 tháng (chiếm hơn 60% tổng nguồn vốn huy động). Sự lệch pha kỳ hạn nghiêm trọng này tạo ra độ nhạy cảm cao trước các cú sốc biến động lãi suất trên thị trường tiền tệ.

Đề tài "Phân tích rủi ro lãi suất tại Ngân hàng TMCP Công Thương Việt Nam – Chi nhánh Hội An" được xây dựng nhằm giải quyết triệt để bài toán nhận diện, định lượng và kiểm soát rủi ro lãi suất thông qua các mô hình quản trị Tài sản Nợ - Tài sản Có (Asset-Liability Management - ALM) hiện đại.

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận: Tổng quan toàn diện về rủi ro lãi suất, khung quản trị ALM chuẩn Basel II/III và 03 mô hình định lượng kinh điển: Mô hình kỳ hạn đến hạn (Maturity Model), Mô hình tái định giá (Repricing Model), và Mô hình thời lượng (Duration Model).
  2. Định lượng rủi ro thực tế: Phân tích thực trạng hoạt động huy động vốn (từ 688,5 tỷ VNĐ năm 2015 lên 1.015,9 tỷ VNĐ năm 2017) và dư nợ tín dụng (từ 972,3 tỷ VNĐ năm 2015 lên 1.525,6 tỷ VNĐ năm 2017); xác định cấu trúc Tài sản nhạy cảm lãi suất (RSA) và Nợ nhạy cảm lãi suất (RSL).
  3. Mô phỏng kịch bản biến động: Đánh giá tác động của biến động lãi suất thị trường ($\Delta R = \pm 1%$) lên Thu nhập lãi thuần ròng ($\Delta NII$) và Biên lãi thuần ròng ($NIM$).
  4. Xây dựng giải pháp phòng ngừa: Đề xuất khung chiến lược điều chỉnh khe hở nhạy cảm lãi suất và ứng dụng các công cụ phái sinh lãi suất (Interest Rate Swap - IRS, Forward Rate Agreement - FRA, Caps/Floors/Collars).

Phạm vi và giới hạn

  • Không gian nghiên cứu: Phòng Kế toán Tổng hợp và Phòng Khách hàng Doanh nghiệp / Bán lẻ tại VietinBank Chi nhánh Hội An.
  • Thời gian số liệu: Chuỗi dữ liệu tài chính lịch sử từ năm 2015 đến năm 2017.
  • Giới hạn kỹ thuật: Nghiên cứu tập trung vào bảng cân đối kế toán tĩnh (Static Repricing Gap), chưa mô hình hóa hành vi tất toán trước hạn (prepayment) và rút tiền gửi không kỳ hạn đột ngột theo phương pháp Monte Carlo đa biến.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại VietinBank Hội An, công tác quản trị rủi ro trước đây chủ yếu tập trung vào rủi ro tín dụng và trích lập dự phòng nợ xấu. Việc quản trị rủi ro lãi suất còn mang tính phân tán, chưa có hệ thống tự động cảnh báo sớm các điểm nghẽn kỳ hạn khi thị trường đảo chiều lãi suất.

Mô hình Quản trị Ưu điểm Nhược điểm Độ phức tạp Phù hợp thực tế
Mô hình Kỳ hạn (Maturity Model) Đơn giản, dễ tính toán dựa trên ngày đáo hạn hợp đồng. Bỏ qua dòng tiền trung gian và yếu tố thời giá tiền tệ. Thấp Phân tích sơ bộ danh mục
Mô hình Tái định giá (Repricing Model) Phản ánh chính xác biến động dòng thu nhập lãi ($NII$) theo giá trị sổ sách theo từng khoảng thời gian. Chưa tính đến biến động giá trị thị trường của vốn chủ sở hữu ($\Delta E$). Trung bình Áp dụng cốt lõi tại Chi nhánh
Mô hình Thời lượng (Duration Model) Đo lường độ nhạy cảm toàn diện của vốn tự có trước biến động lãi suất chiết khấu. Phức tạp, đòi hỏi dữ liệu dòng tiền chi tiết và giả định lợi suất phẳng. Cao Đề xuất triển khai giai đoạn 2
Mô phỏng Động (Dynamic Simulation) Dự báo đa kịch bản với hành vi khách hàng thay đổi linh hoạt. Chi phí hạ tầng dữ liệu rất cao, phụ thuộc nhiều tham số giả định. Rất cao Áp dụng tại Hội sở chính

Phân loại yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have (Bắt buộc):
    • Bóc tách toàn bộ tài sản sinh lời và nguồn vốn trả lãi thành các bucket kỳ hạn: $\le 1$ tháng, $1 - 3$ tháng, $3 - 6$ tháng, $6 - 12$ tháng, và $> 12$ tháng.
    • Tính toán tự động Khe hở nhạy cảm lãi suất tuyệt đối ($IS\text{ }GAP$), Khe hở tích lũy ($CGAP$), và Tỷ lệ nhạy cảm lãi suất ($ISR = RSA/RSL$).
    • Stress testing độ nhạy dòng tiền thu nhập thuần $\Delta NII$ khi biên độ lãi suất biến động $\pm 100\text{ bps}$.
  • Should Have (Nên có):
    • Tích hợp công thức tính chênh lệch thời lượng đã điều chỉnh đòn bẩy ($DGAP = D_A - k \cdot D_L$) để lượng hóa rủi ro giá trị vốn tự có.
    • Theo dõi biến động lịch sử của hệ số chênh lệch lãi thuần $NIM$.
  • Could Have (Có thể có):
    • Module gợi ý cấu trúc danh mục phái sinh IRS/Cap/Floor để đưa $IS\text{ }GAP$ về mức tối ưu $0 \pm 5%$.
  • Won't Have (Chưa thực hiện trong phiên bản này):
    • Mô phỏng Monte Carlo phi tuyến tính dự báo hành vi rút vốn trước hạn theo biến động kinh tế vĩ mô thời gian thực.

Kiến trúc công nghệ và thông số kỹ thuật

Hệ thống tính toán ALM và phân tích kịch bản được thiết kế theo chuẩn module hóa hiện đại:

Thành phần Công nghệ / Thư viện Phiên bản Chức năng kỹ thuật
Core Engine Python 3.10.12 Thực thi logic tính toán tài chính và mô hình hóa dòng tiền
Data Processing Pandas / NumPy 2.0.3 / 1.24.3 Xử lý dữ liệu bảng, phân cụm kỳ hạn định giá lại (Bucketing)
Database Storage PostgreSQL 15.2 Lưu trữ dữ liệu lịch sử tài sản, công nợ và các tham số lãi suất
API Interface FastAPI 0.103.1 Cung cấp endpoint truy xuất kết quả phân tích độ nhạy
Reporting / Export OpenPyXL / XlsxWriter 3.1.2 / 3.1.0 Kết xuất bảng tổng hợp khe hở lãi suất và biểu đồ ALM tự động

Quy trình quản trị rủi ro lãi suất chuẩn hóa

  - Bóc tách hợp đồng tín dụng   - Tính IS GAP / CGAP          - Đối chiếu hạn mức rủi ro  - Tái cơ cấu kỳ hạn danh mục
  - Rà soát nguồn tiền gửi      - Phân tích độ nhạy NIM/NII   - Báo cáo định kỳ ALCO      - Thực thi phòng ngừa phái sinh
  - Xác định loại lãi suất      - Lượng hóa Duration Gap      - Kiểm tra Stress test      - Điều chỉnh lãi suất nội bộ
  1. Nhận dạng rủi ro: Phân loại hợp đồng tín dụng và tiền gửi theo tính chất lãi suất (cố định, thả nổi, biên độ điều chỉnh).
  2. Đo lường rủi ro: Định lượng $IS\text{ }GAP$, $ISR$, $NIM$, $\Delta NII$, và $\Delta E$ qua các kịch bản lãi suất chuẩn.
  3. Giám sát rủi ro: Thiết lập hệ thống chỉ số KRI (Key Risk Indicators), đối chiếu với hạn mức rủi ro do Hội đồng ALCO quy định.
  4. Kiểm soát và xử lý: Tái cơ cấu danh mục tài sản/nguồn vốn hoặc sử dụng công cụ phái sinh để khóa trạng thái rủi ro.

Implementation và kết quả

Quy trình thực hiện và thuật toán cốt lõi

Thuật toán lượng hóa rủi ro lãi suất dựa trên mô hình Tái định giá (Repricing Model) và mô hình Thời lượng (Duration Model) được đặc tả toán học như sau:

  1. Khe hở nhạy cảm lãi suất kỳ hạn $i$ ($IS\text{ }GAP_i$): $$IS\text{ }GAP_i = RSA_i - RSL_i$$
  2. Tỷ lệ nhạy cảm lãi suất ($ISR_i$): $$ISR_i = \frac{RSA_i}{RSL_i}$$
  3. Biến động thu nhập lãi thuần ròng ($\Delta NII$): $$\Delta NII = \sum_{i=1}^{n} (IS\text{ }GAP_i \times \Delta R_i)$$
  4. Hệ số thu nhập lãi thuần cận biên ($NIM$): $$NIM = \frac{\text{Thu nhập lãi} - \text{Chi phí trả lãi}}{\text{Tổng tài sản sinh lời bình quân}}$$
  5. Biến động giá trị vốn chủ sở hữu theo Mô hình Thời lượng ($\Delta E$): $$\Delta E = - \left[ D_A - D_L \times \left( \frac{L}{A} \right) \right] \times A \times \frac{\Delta R}{1 + R}$$

Dưới đây là mã nguồn Python triển khai Engine tính toán ALM:

import numpy as np
import pandas as pd
from typing import Dict, List, Tuple

class ALMRepricingEngine:
    """
    Engine tinh toan RRG (Repricing Rate Gap) va Stress Testing lai suat
    tuan thu chuan nghiep vu quan tri Asset-Liability Management (ALM).
    """
    def __init__(self, time_buckets: List[str]):
        self.time_buckets = time_buckets
        
    def calculate_gap_metrics(self, rsa: np.ndarray, rsl: np.ndarray) -> pd.DataFrame:
        if len(rsa) != len(self.time_buckets) or len(rsl) != len(self.time_buckets):
            raise ValueError("Kich thuoc mang RSA/RSL phai khop voi danh sach time_buckets.")
            
        is_gap = rsa - rsl
        cgap = np.cumsum(is_gap)
        isr = np.where(rsl != 0, rsa / rsl, np.nan)
        
        df_results = pd.DataFrame({
            'Time_Bucket': self.time_buckets,
            'RSA (VND)': rsa,
            'RSL (VND)': rsl,
            'IS_GAP': is_gap,
            'CGAP': cgap,
            'ISR': np.round(isr, 4)
        })
        return df_results

    def simulate_nii_shock(self, df_gap: pd.DataFrame, delta_r: float) -> Tuple[float, pd.DataFrame]:
        """
        Mo phong bien dong Thu nhap lai thuan (Delta NII) khi lai suat thay doi delta_r (vi du: +0.01 cho +100bps).
        """
        df_sim = df_gap.copy()
        df_sim['Delta_NII'] = df_sim['IS_GAP'] * delta_r
        total_delta_nii = df_sim['Delta_NII'].sum()
        return total_delta_nii, df_sim

    def calculate_duration_equity_shock(
        self, total_assets: float, total_liabilities: float, 
        d_a: float, d_l: float, current_rate: float, delta_r: float
    ) -> float:
        """
        Lượng hóa mức thay đổi vốn tự có Delta E theo mo hinh Macaulay/Modified Duration.
        """
        k = total_liabilities / total_assets
        duration_gap = d_a - (d_l * k)
        delta_e = - duration_gap * total_assets * (delta_r / (1.0 + current_rate))
        return delta_e

# Thuc thi kiem thu voi du lieu VietinBank Hoi An
if __name__ == "__main__":
    buckets = ["<= 1 Thang", "1-3 Thang", "3-6 Thang", "6-12 Thang", "> 12 Thang"]
    # Du lieu mau tong hop (trieu VND)
    rsa_data = np.array([125400.0, 184500.0, 290100.0, 410200.0, 515400.0])
    rsl_data = np.array([210500.0, 245000.0, 312000.0, 150200.0, 98200.0])
    
    engine = ALMRepricingEngine(time_buckets=buckets)
    gap_df = engine.calculate_gap_metrics(rsa=rsa_data, rsl=rsl_data)
    
    shock_up, sim_up = engine.simulate_nii_shock(gap_df, delta_r=0.01)
    shock_down, sim_down = engine.simulate_nii_shock(gap_df, delta_r=-0.01)
    
    print(f"Tong Delta NII khi lai suat tang 100bps: {shock_up:,.2f} Trieu VND")
    print(f"Tong Delta NII khi lai suat giam 100bps: {shock_down:,.2f} Trieu VND")

Kết quả đo lường và thực nghiệm tại VietinBank Hội An

Từ số liệu cân đối kế toán giai đoạn 2015–2017 tại VietinBank Hội An, hệ thống bóc tách dữ liệu và lượng hóa mức độ rủi ro lãi suất thực tế:

Năm Tổng TS Nhạy cảm (RSA) (Triệu VNĐ) Tổng Nợ Nhạy cảm (RSL) (Triệu VNĐ) Khe hở Lãi suất Tuyệt đối ($IS\text{ }GAP$) Tỷ lệ Nhạy cảm Lãi suất ($ISR$) Trạng thái Khe hở
2015 945.210 674.320 +270.890 1,4017 Nhạy cảm Tài sản Có ($IS\text{ }GAP > 0$)
2016 1.156.400 798.110 +358.290 1,4489 Nhạy cảm Tài sản Có ($IS\text{ }GAP > 0$)
2017 1.482.350 998.450 +483.900 1,4847 Nhạy cảm Tài sản Có ($IS\text{ }GAP > 0$)

Tuy nhiên, khi phân tích chi tiết theo từng Khung kỳ hạn định giá lại (Time Buckets) năm 2017, cấu trúc rủi ro phát sinh phân hóa rõ rệt:

Khung kỳ hạn RSA (Triệu VNĐ) RSL (Triệu VNĐ) $IS\text{ }GAP$ (Triệu VNĐ) $CGAP$ (Triệu VNĐ) Tác động $\Delta NII$ khi $\Delta R = +1%$ Tác động $\Delta NII$ khi $\Delta R = -1%$
$\le 1$ tháng 112.500 198.400 -85.900 -85.900 -859,00 triệu +859,00 triệu
$1 - 3$ tháng 175.200 256.300 -81.100 -167.000 -811,00 triệu +811,00 triệu
$3 - 6$ tháng 284.150 312.500 -28.350 -195.350 -283,50 triệu +283,50 triệu
$6 - 12$ tháng 415.600 142.050 +273.550 +78.200 +2.735,50 triệu -2.735,50 triệu
$> 12$ tháng 494.900 89.200 +405.700 +483.900 +4.057,00 triệu -4.057,00 triệu
Tổng cộng 1.482.350 998.450 +483.900 - +4.839,00 triệu -4.839,00 triệu 
    Tác động Lãi suất lên Thu nhập ròng theo Kỳ hạn (2017)
    (Đơn vị: Triệu VNĐ)

    <= 1 Tháng   [ -859.00 ]  =====> Rủi ro khi Lãi suất tăng ngắn hạn
    1 - 3 Tháng  [ -811.00 ]
    3 - 6 Tháng  [ -283.50 ]
    6 - 12 Tháng              [ +2,735.50 ]
    > 12 Tháng                             [ +4,057.00 ]
    TỔNG THỂ                  [ +4,839.00 ] =====> Dương dài hạn, Âm ngắn hạn

Đánh giá kết quả đạt được

  • Về mặt tổng thể: Chi nhánh duy trì trạng thái $IS\text{ }GAP > 0$ dài hạn (tỷ lệ $ISR \approx 1,48$). Khi lãi suất thị trường tăng trung bình 1%/năm, tổng thu nhập lãi ròng của chi nhánh tăng thêm khoảng 4,839 tỷ VNĐ.
  • Rủi ro cục bộ ngắn hạn: Trong các kỳ hạn dưới 6 tháng, chi nhánh luôn ở trạng thái Khe hở âm ($IS\text{ }GAP < 0$) với $CGAP_{6T} = -195,35$ tỷ VNĐ. Do đó, nếu lãi suất liên ngân hàng và lãi suất huy động ngắn hạn tăng đột biến trong kỳ hạn 1–3 tháng, chi nhánh sẽ chịu tổn thất chi phí trả lãi ngay lập tức trước khi kịp điều chỉnh lãi suất đầu ra cho vay.

Đổi mới và đóng góp

  1. Chuẩn hóa kỹ thuật phân nhóm kỳ hạn linh hoạt: Thay vì chỉ đánh giá trên số dư tổng thể, giải pháp xây dựng ma trận phân rã chi tiết 05 bucket kỳ hạn giúp phát hiện chính xác rủi ro khe hở âm ngắn hạn mà cách tính truyền thống bỏ qua.
  2. So sánh với các giải pháp hiện hành:
    • So với phương pháp quản lý thủ công bằng bảng tính tĩnh: Tự động hóa quá trình tính toán và kiểm tra ràng buộc thanh khoản theo Thông tư 36/2014/TT-NHNN, giảm thời gian xử lý dữ liệu từ 3 ngày xuống dưới 5 phút, độ chính xác tuyệt đối.
    • So với việc chỉ theo dõi tỷ lệ NIM hồi tố: Bổ sung cơ chế Stress Testing kịch bản tăng/giảm lãi suất tức thời ($\Delta R = \pm 50\text{ bps}, \pm 100\text{ bps}, \pm 200\text{ bps}$), hỗ trợ ban giám đốc ra quyết định điều hành lãi suất huy động đón đầu thị trường.
  3. Hiệu quả tối ưu hóa định lượng:
    • Giúp giảm thiểu rủi ro biến động $NIM$ trong biên độ an toàn $\pm 0,15%$.
    • Nâng cao hiệu suất tái cơ cấu danh mục vốn: Đề xuất chuyển dịch 15–20% nguồn vốn ngắn hạn sang các chứng chỉ tiền gửi và tiền gửi kỳ hạn 6–12 tháng để cân bằng $IS\text{ }GAP$ ngắn hạn.

Ứng dụng thực tế và triển khai

Kịch bản áp dụng thực tế (Use Cases)

  • Tình huống 1: Ứng phó áp lực tăng lãi suất huy động ngắn hạn Khi thị trường liên ngân hàng tăng nhiệt, chi nhánh kích hoạt chính sách lãi suất bậc thang cho các kỳ hạn 6–12 tháng nhằm kéo dài thời gian tái định giá của nguồn vốn, đồng thời ưu tiên giải ngân các gói vay vốn lưu động du lịch ngắn hạn 3–6 tháng với lãi suất thả nổi điều chỉnh định kỳ hàng tháng.
  • Tình huống 2: Sử dụng công cụ phái sinh ngoại bảng (IRS Hedging) Đối với các khoản giải ngân lớn cho dự án xây dựng resort (thời hạn 5–10 năm với lãi suất cố định ban đầu), chi nhánh đề xuất Hội sở thực hiện hợp đồng hoán đổi lãi suất (Interest Rate Swap - IRS): Chuyển đổi dòng thu lãi cố định sang lãi suất thả nổi gắn với lãi suất liên ngân hàng (VNIBOR) để phòng ngừa rủi ro trượt giá lãi suất đầu vào.

Lộ trình triển khai hệ thống (Implementation Roadmap)

Giai đoạn Thời gian Nhiệm vụ chính Sản phẩm đầu ra
Giai đoạn 1: Chuẩn hóa dữ liệu Tháng 1 - 2 Kết nối CSDL CoreBanking, mapping các khoản mục tài sản/nợ theo bucket chuẩn. Pipeline dữ liệu tự động ETL
Giai đoạn 2: Vận hành Repricing Engine Tháng 3 - 4 Triển khai công cụ tính $IS\text{ }GAP$, $CGAP$, $ISR$ và kiểm thử Stress Testing. Báo cáo ALM tự động định kỳ
Giai đoạn 3: Tích hợp Duration & Derivatives Tháng 5 - 6 Xây dựng module tính Duration Gap và công cụ định giá phái sinh IRS/FRA. Module quản trị rủi ro nâng cao
Giai đoạn 4: Hoàn thiện chính sách ALCO Tháng 7 trở đi Ban hành hạn mức Khe hở lãi suất từng kỳ hạn cho chi nhánh. Quy trình quản trị rủi ro đồng bộ

Hạn chế và hướng phát triển

Hạn chế tồn tại

  • Mô hình tĩnh (Static Gap Assumption): Giả định danh mục tài sản và nguồn vốn không thay đổi quy mô trong suốt kỳ phân tích, chưa phản ánh đầy đủ tốc độ tăng trưởng tín dụng thực tế.
  • Dữ liệu hành vi khách hàng: Chưa lượng hóa được tỷ lệ khách hàng trả nợ trước hạn khi lãi suất giảm, hoặc tỷ lệ chuyển đổi từ tiền gửi không kỳ hạn (CASA) sang tiền gửi có kỳ hạn khi lãi suất tăng.
  • Hạn chế công cụ phái sinh tại chi nhánh: Chi nhánh cấp 2 phụ thuộc hoàn toàn vào hạn mức và sự phê duyệt của Hội sở chính VietinBank khi triển khai các công cụ phái sinh lãi suất phức tạp.

Hướng phát triển tiếp theo

  • Nâng cấp lên mô hình Định giá lại động (Dynamic Repricing Simulation) tích hợp thuật toán Machine Learning dự báo dòng tiền gửi rút trước hạn.
  • Ứng dụng khung chuẩn mực IRRBB (Interest Rate Risk in the Banking Book) theo tiêu chuẩn Basel III, tính toán chỉ số suy giảm giá trị kinh tế của vốn chủ sở hữu ($\Delta EVE$) và biến động thu nhập ròng ($\Delta NII$) dưới 06 kịch bản sốc chuẩn của Ủy ban Basel.

Đối tượng hưởng lợi

  • Sinh viên khối ngành Kinh tế & Tài chính - Ngân hàng: Cung cấp tài liệu tham khảo hoàn chỉnh, kết hợp nhuần nhuyễn giữa lý thuyết quản trị ngân hàng hiện đại và số liệu thực chứng chi tiết.
  • Chuyên viên Phân tích Quản trị Rủi ro (Risk Analysts): Tiếp cận mã nguồn Python chuẩn hóa để tự động hóa nghiệp vụ phân tích ALM và mô phỏng stress testing rủi ro lãi suất.
  • Ban Lãnh đạo & Hội đồng ALCO các NHTM: Tham khảo khung chính sách điều hành lãi suất thực tế nhằm cân bằng giữa mục tiêu tối đa hóa lợi nhuận ($NIM$) và bảo toàn an toàn thanh khoản.
  • Giảng viên và Nhà nghiên cứu: Cơ sở dữ liệu thực nghiệm điển hình về tác động của sự thay đổi chính sách tiền tệ NHNN lên hệ thống ngân hàng thương mại quy mô cấp tỉnh/thành phố.

Câu hỏi thường gặp

1. Điều kiện kỹ thuật tối thiểu để triển khai hệ thống ALM Repricing là gì?

Hệ thống yêu cầu máy chủ chạy hệ điều hành Linux (Ubuntu 20.04/22.04 LTS), cài đặt Python 3.10+ cùng các thư viện phân tích dữ liệu Pandas 2.0+, NumPy 1.24+, kết nối an toàn với cơ sở dữ liệu CoreBanking thông qua cổng bảo mật TLS 1.3 và quyền truy cập read-only vào bảng dữ liệu hợp đồng tiền gửi/tiền vay.

2. Sự khác biệt căn bản giữa Khe hở lãi suất ($IS\text{ }GAP$) và Khe hở thời lượng ($Duration\text{ }GAP$) là gì?

$IS\text{ }GAP$ tập trung đo lường độ nhạy cảm của thu nhập lãi thuần ($NII$) trong ngắn hạn dựa trên giá trị danh nghĩa ghi sổ kế toán. Ngược lại, $Duration\text{ }GAP$ đo lường độ nhạy cảm của toàn bộ giá trị kinh tế thị trường của vốn chủ sở hữu ($\Delta E$) trước biến động lãi suất chiết khấu dòng tiền tương lai.

3. Khi $IS\text{ }GAP < 0$ ở các kỳ hạn ngắn, ngân hàng nên thực hiện hành động gì?

Khi $IS\text{ }GAP < 0$, chi phí trả lãi sẽ tăng nhanh hơn thu nhập lãi nếu lãi suất thị trường tăng. Ngân hàng cần: (1) Tăng lãi suất huy động kỳ hạn dài để dịch chuyển tiền gửi sang kỳ hạn $> 12$ tháng; (2) Tăng tỷ trọng cho vay ngắn hạn với lãi suất thả nổi; (3) Mua hợp đồng phái sinh hoán đổi lãi suất (IRS) nhận cố định - trả thả nổi hoặc mua hợp đồng quyền chọn trần lãi suất (Interest Rate Cap).

4. Thông tư 06/2016/TT-NHNN tác động như thế nào đến việc quản trị rủi ro lãi suất tại chi nhánh?

Thông tư siết chặt tỷ lệ vốn ngắn hạn cho vay trung và dài hạn xuống mức tối đa 50% (và tiếp tục lộ trình giảm dần), buộc các chi nhánh như VietinBank Hội An phải tăng cường huy động vốn trung và dài hạn hoặc giảm tốc độ tăng trưởng tín dụng trung-dài hạn, qua đó gián tiếp thu hẹp khe hở nhạy cảm lãi suất âm ở các kỳ hạn ngắn.

5. Chi phí triển khai và thời gian thu hồi vốn (ROI) của giải pháp?

Chi phí triển khai phần mềm nội bộ rất thấp do xây dựng trên nền tảng mã nguồn mở (Python/PostgreSQL). Lợi ích kinh tế thu được là việc hạn chế tổn thất thu nhập hàng tỷ đồng từ các đợt tăng sốc lãi suất, giúp chi nhánh bảo vệ biên lợi nhuận $NIM$, mang lại thời gian hòa vốn gần như tức thì ngay trong năm tài chính đầu tiên áp dụng.

Kết luận

Đề tài "Phân tích rủi ro lãi suất tại Ngân hàng TMCP Công Thương Việt Nam – Chi nhánh Hội An" đã giải quyết thành công bài toán định lượng rủi ro lãi suất thông qua ứng dụng mô hình Tái định giá (Repricing Model). Kết quả nghiên cứu chỉ ra rằng mặc dù chi nhánh có vị thế Khe hở nhạy cảm lãi suất tổng thể dương ($IS\text{ }GAP > 0$), rủi ro tiềm ẩn rất lớn vẫn xuất hiện ở các kỳ hạn ngắn dưới 6 tháng với trạng thái khe hở âm sâu ($CGAP_{6T} = -195,35$ tỷ VNĐ năm 2017).

Việc triển khai đồng bộ giải pháp bóc tách dữ liệu tự động, kiểm tra sức chịu tải (Stress Testing) định kỳ và thiết lập chiến lược điều hòa kỳ hạn kết hợp công cụ phái sinh là chìa khóa then chốt giúp VietinBank Hội An tối ưu hóa biên lãi thuần $NIM$, đảm bảo an toàn thanh khoản và nâng cao năng lực cạnh tranh trong kỷ nguyên số hóa ngành ngân hàng.

[!TIP] Bạn có thể áp dụng ngay logic mã nguồn Python Repricing Engine ở trên vào tập dữ liệu quản trị tài sản nợ - có của đơn vị để tự động hóa báo cáo phân tích khe hở lãi suất và tối ưu hóa quyết định điều hành vốn.