Giới thiệu dự án

Nghiên cứu "Tác động của lạm phát tới lợi nhuận của Ngân hàng Thương mại Cổ phần Á Châu (ACB)" do Huỳnh Thị Minh Phương thực hiện dưới sự hướng dẫn khoa học của TS. Ngô Văn Tuấn (Trường Đại học Ngân hàng TP. Hồ Chí Minh - HUB, Mã ngành: 7 34 02 01) là một công trình phân tích kinh tế lượng ứng dụng chuyên sâu. Đề tài tập trung lượng hóa cơ chế truyền dẫn của biến động kinh tế vĩ mô đến hiệu quả tài chính vi mô của một ngân hàng thương mại cổ phần hàng đầu Việt Nam.

+-----------------------------------------------------------------------------------+
| THÔNG TIN TỔNG QUAN ĐỀ TÀI KHÓA LUẬN                                              |
+--------------------+--------------------------------------------------------------+
| Tên đề tài         | Tác động của lạm phát tới lợi nhuận của Ngân hàng TMCP Á Châu|
| Tác giả & GVHD     | Huỳnh Thị Minh Phương | TS. Ngô Văn Tuấn                     |
| Đơn vị đào tạo     | Khoa Ngân hàng - Trường Đại học Ngân hàng TP.HCM (HUB)       |
| Giai đoạn dữ liệu  | 2002 - 2022 (Chuỗi thời gian 21 năm, tần số quý N = 84)      |
| Phương pháp cốt lõi| Mô hình Vector Tự hồi quy (VAR), Kiểm định ADF/PP, IRF, FEVD |
| Công cụ xử lý      | EViews 12, FRED Database, Báo cáo tài chính kiểm toán ACB    |
+--------------------+--------------------------------------------------------------+

Bối cảnh và Tính cấp thiết

Ngành ngân hàng đóng vai trò huyết mạch trong việc phân bổ vốn và điều tiết thanh khoản cho toàn bộ nền kinh tế Việt Nam. Trong giai đoạn 2018–2020, tổng lợi nhuận trước thuế toàn hệ thống ngân hàng duy trì mức tăng trưởng ấn tượng từ 163 nghìn tỷ đồng (2018), 192 nghìn tỷ đồng (2019) lên xấp xỉ 200 nghìn tỷ đồng (2020) bất chấp tác động của đại dịch COVID-19. Tuy nhiên, áp lực lạm phát toàn cầu và nội địa gia tăng từ năm 2021 đến 2023—thể hiện qua chỉ số giá tiêu dùng (CPI) tháng 5/2023 tăng 4,8% so với cùng kỳ năm trước—đã đặt ra những thách thức lớn về chi phí vốn và rủi ro tín dụng.

Ngân hàng TMCP Á Châu (ACB) là định chế tài chính tư nhân tiêu biểu với mạng lưới hoạt động phủ rộng 49/63 tỉnh thành và đội ngũ hơn 13.000 nhân sự. ACB đặt mục tiêu chiến lược duy trì tỷ suất sinh lời trên vốn chủ sở hữu ($\text{ROE} \ge 20%$). Việc nghiên cứu mức độ nhạy cảm của lợi nhuận ACB trước các cú sốc lạm phát trong hơn hai thập kỷ là cơ sở khoa học để tối ưu hóa quản trị rủi ro bảng cân đối kế toán.

Vấn đề nghiên cứu và Điểm nghẽn thực tế

Lạm phát bào mòn giá trị thực của đồng tiền, làm tăng chi phí hoạt động, đẩy mặt bằng lãi suất huy động lên cao và gia tăng nguy cơ nợ xấu (NPL). Các điểm nghẽn chính gồm:

  1. Độ trễ truyền dẫn chính sách: Các ngân hàng thường phản ứng chậm trong việc điều chỉnh lãi suất cho vay so với lãi suất huy động, dẫn đến thu hẹp biên lãi thuần (NIM).
  2. Thiếu vắng nghiên cứu chuỗi thời gian đơn lẻ: Phần lớn công trình trước đây tập trung vào dữ liệu bảng (panel data) cho toàn ngành, làm lu mờ đặc thù quản trị rủi ro riêng biệt của các ngân hàng thương mại bán lẻ quy mô lớn như ACB.

Mục tiêu nghiên cứu

  1. Mục tiêu 1: Kiểm tra tính dừng và xác định mối quan hệ đồng tích hợp, quan hệ nhân quả Granger giữa lạm phát ($\text{INF}$) và lợi nhuận ($\text{P}$) của ACB giai đoạn 2002–2022.
  2. Mục tiêu 2: Ước lượng mô hình Vector Tự hồi quy (VAR) để lượng hóa tác động ngắn hạn, trung hạn và dài hạn của các cú sốc lạm phát lên lợi nhuận ngân hàng.
  3. Mục tiêu 3: Đề xuất hệ thống giải pháp tài chính và chính sách quản trị rủi ro danh mục nhằm hạn chế tác động tiêu cực, bảo toàn tỷ suất sinh lời mục tiêu $\text{ROE} \ge 20%$.

Cách tiếp cận giải pháp

Nghiên cứu kết hợp phương pháp định tính (lược khảo lý thuyết trường phái Keynes, Tiền tệ, Áo, hiệu ứng Mundell-Tobin) và định lượng thực nghiệm thông qua hệ thống mô hình VAR đa biến (Sims, 1980) trên phần mềm EViews 12. Dữ liệu năm được nội suy thành dữ liệu quý thông qua thuật toán Quadratic Match-Sum nhằm triệt tiêu sai số chu kỳ và mở rộng kích thước mẫu ($N = 84$).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tổng quan các công trình tiền nhiệm cho thấy sự phân hóa rõ rệt về phương pháp luận và kết quả thực nghiệm:

Tác giả / Năm Mẫu nghiên cứu & Giai đoạn Phương pháp ước lượng Kết luận tác động của Lạm phát Hạn chế chính
Tan & Floros (2012) 101 NHTM Trung Quốc (2003–2009) GMM (System GMM) Tác động tiêu cực (-) Bỏ qua phản ứng động theo thời gian của từng thực thể
Hooshyari & Moghanloo (2015) 11 NHTM Iran (2010–2013) GMM hai bước Tác động tiêu cực (-) Mẫu quan sát ngắn ($T=4$), chưa kiểm định chu kỳ dài
Tan (2016) NHTM Trung Quốc (2003–2011) GMM Tác động tích cực (+) Chưa kiểm soát hiện tượng tự tương quan chuỗi thời gian
Đoàn Thị Thu Hà (2018) 22 NHTM Việt Nam (2010–2017) OLS, FEM, REM Tác động tích cực (+) tới ROA, ROE Giả định quan hệ tĩnh, không phân tách ngắn/dài hạn
Phạm Thị Thanh Thảo (2022) 25 NHTM Việt Nam (2011–2020) Static Panel (FEM/REM) Tác động có ý nghĩa thống kê Không phản ánh được hàm phản ứng xung (IRF)

Ma trận ưu tiên yêu cầu phân tích (MoSCoW):

  • Must have: Xử lý tính dừng bằng Augmented Dickey-Fuller (ADF) và Phillips-Perron (PP); Ước lượng mô hình hồi quy VAR; Phân tích hàm phản ứng đẩy (IRF).
  • Should have: Phân rã phương sai sai số dự báo (FEVD); Kiểm định nhân quả Granger.
  • Could have: So sánh đa biến với mô hình tăng trưởng Cobb-Douglas mở rộng.
  • Won't have: Mô hình phi tuyến Markov Switching VAR (dành cho các nghiên cứu tiếp theo).

Thiết kế hệ thống mô hình

Cấu trúc luồng phân tích kinh tế lượng được thiết kế chuẩn mực như sau:

graph TD
    A["Dữ liệu gốc 2002-2022<br>(BCTN ACB & FRED)"] --> B["Chuyển đổi tần số Quý<br>(Quadratic Match-Sum)"]
    B --> C["Logarit hóa chuỗi dữ liệu<br>(Ln P, Ln INF)"]
    C --> D["Kiểm định tính dừng ADF & PP"]
    D -- "Không dừng I(0)" --> E["Sai phân bậc 1: d(Ln P), d(Ln INF)"]
    E -- "Dừng I(1)" --> F["Xác định độ trễ tối ưu p (AIC, SC, HQ)"]
    F --> G["Ước lượng Mô hình VAR(p)"]
    G --> H["Kiểm định chẩn đoán AR Roots & White Noise"]
    H --> I["Kiểm định Granger Causality"]
    H --> J["Phân tích Phản ứng đẩy (IRF)"]
    H --> K["Phân rã Phương sai (FEVD)"]

Công thức toán học và thông số kỹ thuật

Hệ phương trình VAR($p$) hai biến nội sinh có dạng tổng quát:

$$Y_t = \boldsymbol{\delta} + \sum_{i=1}^p \boldsymbol{\Phi}i Y{t-i} + \boldsymbol{\varepsilon}_t$$

Trong đó:

  • $Y_t = \begin{bmatrix} \ln(P_t) \ \ln(INF_t) \end{bmatrix}$ biểu diễn vector logarit tự nhiên của Lợi nhuận ACB ($P_t$, đơn vị: Tỷ đồng) và Chỉ số lạm phát ($INF_t$, đơn vị: %).
  • $\boldsymbol{\delta}$ là vector hằng số chặn kích thước $2 \times 1$.
  • $\boldsymbol{\Phi}_i$ là ma trận hệ số kích thước $2 \times 2$ ứng với độ trễ thứ $i$.
  • $\boldsymbol{\varepsilon}_t \sim \text{iid } \mathcal{N}(0, \boldsymbol{\Sigma})$ là vector sai số ngẫu nhiên thỏa mãn điều kiện nhiễu trắng (White Noise).

Phương pháp luận kiểm định

  1. Kiểm định nghiệm đơn vị (ADF & PP): Phương trình kiểm định mở rộng Dickey-Fuller (1981): $$\Delta Y_t = \alpha + \beta t + \gamma Y_{t-1} + \sum_{j=1}^{k} \theta_j \Delta Y_{t-j} + e_t$$ Giả thuyết: $H_0: \gamma = 0$ (chuỗi có nghiệm đơn vị/không dừng) vs $H_1: \gamma < 0$ (chuỗi dừng).
  2. Tiêu chuẩn lựa chọn độ trễ ($p$): Sử dụng các tiêu chuẩn Akaike Information Criterion (AIC), Schwarz Criterion (SC), và Hannan-Quinn (HQ).
  3. Phép phân rã Cholesky: Dùng để trực giao hóa các cú sốc sai số cấu trúc phục vụ việc tính toán đường phản ứng đẩy IRF và phân rã phương sai FEVD.

Implementation và kết quả

Quy trình triển khai thực nghiệm

Dữ liệu được thu thập từ Báo cáo tài chính kiểm toán giai đoạn 2002–2022 của ACB và cơ sở dữ liệu kinh tế vĩ mô Federal Reserve Economic Data (FRED). Quy trình tiền xử lý và ước lượng được mô phỏng qua mã nguồn script phân tích:

import numpy as np
import pandas as pd
from statsmodels.tsa.api import VAR
from statsmodels.tsa.stattools import adfuller, kpss

# 1. Đọc dữ liệu chuỗi thời gian 2002-2022 (84 quan sát quý)
df = pd.read_csv("acb_macro_data_2002_2022.csv", parse_dates=['Date'], index_index=True)

# 2. Logarit hóa chuỗi dữ liệu để ổn định phương sai
df['ln_P'] = np.log(df['Profit_ACB'])
df['ln_INF'] = np.log(df['Inflation_Rate'])

# 3. Kiểm định nghiệm đơn vị ADF
def test_stationarity(series, name):
    result = adfuller(series.dropna())
    print(f"ADF Statistic for {name}: {result[0]:.4f}, p-value: {result[1]:.4f}")

test_stationarity(df['ln_P'], "Level ln(P)")
test_stationarity(df['ln_P'].diff().dropna(), "Diff d(ln_P)")
test_stationarity(df['ln_INF'], "Level ln(INF)")
test_stationarity(df['ln_INF'].diff().dropna(), "Diff d(ln_INF)")

# 4. Ước lượng mô hình VAR với độ trễ tối ưu p = 4
var_data = df[['ln_P', 'ln_INF']].diff().dropna()
model = VAR(var_data)
lag_selection = model.select_order(maxlags=8)
print(lag_selection.summary())

results = model.fit(maxlags=4, ic='aic')
print(results.summary())

# 5. Tính toán Hàm phản ứng đẩy (IRF) và Phân rã phương sai (FEVD)
irf = results.irf(10)
fevd = results.fevd(10)

Kết quả kiểm định và chẩn đoán mô hình

Kiểm định tính dừng (Unit Root Test)

Kết quả phân tích thống kê cho thấy chuỗi $\ln(P)$ và $\ln(INF)$ không dừng tại chuỗi gốc $I(0)$ ở mức ý nghĩa 5%, nhưng đều đạt tính dừng hoàn toàn sau khi lấy sai phân bậc nhất $I(1)$ với $p\text{-value} < 0.01$.

+-----------------------------------------------------------------------------------+
| KẾT QUẢ KIỂM ĐỊNH NGHIỆM ĐƠN VỊ (UNIT ROOT TESTS)                                 |
+------------+-------------------------+-------------------------+------------------+
| Biến số    | Thống kê ADF (Level)    | Thống kê ADF (1st Diff) | Bậc tích hợp     |
+------------+-------------------------+-------------------------+------------------+
| ln(P)      | -1.4821 (p = 0.5418)    | -7.6329*** (p = 0.0000) | I(1)             |
| ln(INF)    | -2.1045 (p = 0.2432)    | -6.8912*** (p = 0.0000) | I(1)             |
+------------+-------------------------+-------------------------+------------------+
Ghi chú: *** Ý nghĩa thống kê ở mức 1% (Critical value = -3.51).

Kiểm định độ ổn định của hệ thống VAR

Với độ trễ tối ưu $p = 4$ được lựa chọn theo tiêu chí AIC, tất cả các nghiệm nghịch đảo của đa thức đặc trưng (Inverse Roots of AR Characteristic Polynomial) đều nằm trong vòng tròn đơn vị (Modulus $< 1$). Điều này bảo đảm mô hình VAR đạt chuẩn ổn định và có giá trị dự báo tin cậy.

                  ĐỒ THỊ NGHIỆM NGHỊCH ĐẢO CỦA ĐA THỨC ĐẶC TRƯNG AR
                                (Inverse Roots of AR Polynomial)
                                   +-------------------+
                                   |       *   *       |
                                   |    *         *    |
                                   |   *     +     *   |  Modulus < 1.0
                                   |    *         *    |  Hệ thống hoàn toàn ổn định
                                   |       *   *       |
                                   +-------------------+

Kết quả phân tích động (IRF & FEVD)

  1. Hàm phản ứng đẩy (Impulse Response Function - IRF):
    • Khi có cú sốc lạm phát dương tăng 1 độ lệch chuẩn ($\text{Cholesky One S.D. Innovations}$), lợi nhuận ACB phản ứng tiêu cực ngay trong ngắn hạn (từ quý 1 đến quý 4). Tác động suy giảm đạt đỉnh tại quý 2 và quý 3.
    • Giai đoạn trung hạn (quý 4 đến quý 6): Mức độ suy giảm chậm dần.
    • Giai đoạn dài hạn (sau quý 6): Đường IRF đảo chiều tiến về vùng dương nhẹ và hội tụ về trạng thái cân bằng. Nguyên nhân do ngân hàng tái cơ cấu danh mục tài sản sinh lời, điều chỉnh lãi suất cho vay theo cơ chế lãi suất thả nổi để bù đắp chi phí vốn.
  2. Phân rã phương sai (FEVD):
    • Ở kỳ hạn 1 quý, $100%$ biến động lợi nhuận của ACB được giải thích bởi chính các cú sốc nội tại của lợi nhuận.
    • Từ kỳ hạn 4 đến 10 quý, lạm phát giải thích từ $14.2%$ đến hơn $28.6%$ sự biến thiên trong lợi nhuận của ACB, khẳng định vai trò trọng yếu của biến số vĩ mô này trong chu kỳ trung và dài hạn.

Đổi mới và đóng góp

  1. Khắc phục khiếm khuyết của các mô hình tĩnh: Thay vì sử dụng mô hình OLS hay hồi quy tĩnh như Đoàn Thị Thu Hà (2018), công trình áp dụng mô hình VAR(4) giúp tách biệt rõ ràng cơ chế phản ứng theo từng giai đoạn (ngắn hạn: tiêu cực; dài hạn: hồi phục tích cực).
  2. Ứng dụng kỹ thuật Quadratic Match-Sum chuẩn hóa: Chuyển đổi dữ liệu tần số thấp (21 năm) sang chuỗi quý tần số cao ($N=84$) giúp kiểm soát tốt độ nhiễu theo mùa mà không làm méo mó các đặc trưng phân phối của dữ liệu tài chính.
  3. Định lượng tác động đơn lẻ cho ACB: Cung cấp bộ tham số thực nghiệm trực tiếp về độ nhạy cảm lợi nhuận của một ngân hàng bán lẻ quy mô lớn, lấp đầy khoảng trống nghiên cứu vốn chỉ tập trung vào dữ liệu trung bình ngành.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong điều hành ngân hàng

  • Hội đồng Quản lý Tài sản Nợ - Tài sản Có (ALCO): Sử dụng các hệ số trễ của mô hình VAR để lập kịch bản dự báo lợi nhuận khi Ngân hàng Nhà nước điều chỉnh mục tiêu lạm phát định kỳ.
  • Tái cấu trúc kỳ hạn tái định giá lãi suất (Interest Rate Repricing Gap): Rút ngắn chu kỳ định giá tài sản sinh lời xuống dưới 3 tháng trong các giai đoạn lạm phát tăng đột biến nhằm giảm độ trễ hấp thụ chi phí.

Kế hoạch hành động và Lộ trình triển khai

+-----------------------------------------------------------------------------------+
| LỘ TRÌNH TRIỂN KHAI CHÍNH SÁCH ỨNG PHÓ LẠM PHÁT                                    |
+---------------+-------------------------------------+-----------------------------+
| Giai đoạn     | Mục tiêu hành động                  | Kết quả đầu ra đo lường     |
+---------------+-------------------------------------+-----------------------------+
| Quý 1 - Quý 2 | Tái cơ cấu nguồn vốn & tiền gửi     | Nâng tỷ lệ CASA lên > 25%   |
| (Ngắn hạn)    | Kiểm soát chi phí hoạt động (CIR)   | Giữ CIR < 40%               |
+---------------+-------------------------------------+-----------------------------+
| Quý 3 - Quý 4 | Đa dạng hóa nguồn thu phi tín dụng  | Tăng tỷ trọng phí dịch vụ   |
| (Trung hạn)   | Trích lập dự phòng rủi ro chủ động  | NPL duy trì dưới 1.5%       |
+---------------+-------------------------------------+-----------------------------+
| Năm 2 trở đi  | Tự động hóa mô hình VAR vào MIS     | Hệ thống Stress-Testing     |
| (Dài hạn)     | Duy trì ROE mục tiêu bền vững       | ROE >= 20%                  |
+---------------+-------------------------------------+-----------------------------+

Hạn chế và hướng phát triển

  • Hạn chế dữ liệu: Nghiên cứu tập trung vào mô hình nhị biến giữa Lạm phát và Lợi nhuận. Mặc dù tinh gọn và giải thích tốt quan hệ trực tiếp, mô hình chưa đưa thêm các biến kiểm soát vĩ mô như Tỷ giá (USD/VND), Cung tiền M2, hoặc Giá dầu thế giới.
  • Hướng phát triển: Mở rộng sang mô hình Vector Tự hồi quy cấu trúc (SVAR) hoặc mô hình tham số thay đổi theo thời gian (TVP-VAR) kết hợp các thuật toán Machine Learning để nâng cao độ chính xác dự báo khi thị trường xuất hiện các cú sốc ngoại sinh phi đối xứng.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Nắm vững quy trình xử lý dữ liệu chuỗi thời gian, phương pháp chuyển đổi tần số Quadratic Match-Sum và cách thức xây dựng mô hình VAR trên EViews 12.
  • Chuyên viên Quản trị rủi ro & Phân tích định lượng: Ứng dụng hàm phản ứng xung (IRF) và phân rã phương sai (FEVD) vào mô hình Stress-testing dòng tiền và thanh khoản tại các NHTM.
  • Ban Điều hành & Khối Quản trị Chiến lược: Có cơ sở định lượng để điều chỉnh tỷ lệ đòn bẩy, hạn mức tín dụng và cơ cấu sản phẩm bảo hiểm liên kết đầu tư trong các chu kỳ lạm phát.

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật và dữ liệu để chạy mô hình VAR trong nghiên cứu là gì? Dữ liệu cần tối thiểu 30–50 quan sát sau khi lấy sai phân. Các biến phải đạt tính dừng ở cùng bậc tích hợp $I(1)$ hoặc $I(0)$ và vượt qua kiểm định tính ổn định của đa thức đặc trưng AR.
  2. Tại sao lạm phát tác động tiêu cực đến lợi nhuận ACB trong ngắn hạn nhưng có thể chuyển biến tích cực trong dài hạn? Trong ngắn hạn, chi phí huy động vốn tăng ngay lập tức trong khi lãi suất cho vay chưa kịp điều chỉnh do vướng hợp đồng cũ. Về dài hạn, ngân hàng chuyển chi phí sang bên đi vay thông qua lãi suất thả nổi và mở rộng nguồn thu phí dịch vụ.
  3. Phương pháp Quadratic Match-Sum có làm sai lệch dữ liệu gốc không? Không. Đây là phương pháp nội suy đa thức bậc hai bảo toàn tổng tích lũy của năm gốc, đồng thời làm mượt chuỗi dữ liệu và giảm thiểu độ lệch mùa vụ khi chuyển đổi từ tần số năm sang tần số quý.
  4. Làm thế nào để ứng dụng kết quả nghiên cứu vào hệ thống phần mềm quản trị của ngân hàng? Các hệ số ước lượng từ mô hình VAR có thể được đóng gói thành các module API Python/R tích hợp trực tiếp vào hệ thống Quản lý thông tin điều hành (MIS) để tính toán tự động các chỉ số cảnh báo sớm (Early Warning Systems).
  5. Chi phí triển khai mô hình quản trị rủi ro lạm phát là bao nhiêu và lợi ích kinh tế (ROI) thế nào? Chi phí chủ yếu là đầu tư hệ thống phân tích dữ liệu và đào tạo nhân sự. Lợi ích mang lại là bảo vệ biên lãi thuần NIM tránh sụt giảm từ $0.3% - 0.5%$, tương đương tiết kiệm hàng trăm tỷ đồng chi phí vốn trong các chu kỳ lạm phát cao.

Kết luận

Khóa luận tốt nghiệp của Huỳnh Thị Minh Phương đã giải quyết trọn vẹn mục tiêu nghiên cứu thông qua việc chứng minh tác động phi tuyến tính theo thời gian của lạm phát lên lợi nhuận Ngân hàng TMCP Á Châu (ACB) giai đoạn 2002–2022. Bằng hệ thống thực nghiệm kinh tế lượng chuẩn xác trên EViews 12, nghiên cứu đã chỉ ra sự sụt giảm lợi nhuận trong ngắn hạn (quý 1–quý 4) và khả năng phục hồi trong dài hạn.

Những phát hiện này cung cấp luận cứ khoa học vững chắc để ACB và các định chế tài chính tương đồng xây dựng chiến lược điều hành linh hoạt, tối ưu hóa cơ cấu nguồn vốn CASA, đa dạng hóa thu nhập phi tín dụng và duy trì mục tiêu sinh lời $\text{ROE} \ge 20%$ bền vững trước các biến động của môi trường kinh tế vĩ mô.