Giới thiệu dự án

Rủi ro thanh khoản (Liquidity Risk) là một trong những thách thức trọng yếu đe dọa trực tiếp đến sự tồn vong của các ngân hàng thương mại (NHTM) và sự ổn định của hệ thống tài chính quốc gia. Trong giai đoạn 2018 – 2022, thị trường tài chính toàn cầu và Việt Nam chứng kiến hàng loạt biến động vĩ mô phức tạp: đại dịch COVID-19 làm đứt gãy chuỗi cung ứng, Cục Dự trữ Liên bang Mỹ (Fed) thắt chặt tiền tệ nâng lãi suất lên đỉnh 20 năm, cùng với các biến cố thanh khoản cục bộ từ các vụ việc ngân hàng quốc tế (Silicon Valley Bank, Credit Suisse) và nội địa (SCB năm 2022). Khóa luận "Tác động của rủi ro thanh khoản đến hiệu quả hoạt động kinh doanh tại Ngân hàng TMCP Kỹ Thương Việt Nam (Techcombank) giai đoạn 2018 – 2022" của tác giả Tạ Khánh Ly (GVHD: TS. Lê Thanh Bình, Học viện Ngân hàng) giải quyết bài toán định lượng mối quan hệ đánh đổi giữa bảo đảm an toàn thanh khoản và tối ưu hóa lợi nhuận kinh doanh.

flowchart LR
    A[Môi trường Vĩ mô: COVID-19, Lạm phát, Lãi suất Fed] --> B[Ngân hàng TMCP Kỹ Thương Việt Nam - Techcombank]
    B --> C[Quản trị Rủi ro Thanh khoản: FGAP, LDR, CAR, CASH]
    C --> D{Mô hình Hồi quy Bội OLS}
    D --> E[Hiệu quả Hoạt động Kinh doanh: ROA, ROE, NIM]
    E --> F[Chiến lược ALM & Khuyến nghị Chính sách]

Problem Statement và Pain Points

  1. Nghịch lý Thanh khoản - Lợi nhuận (Liquidity-Profitability Tradeoff): Việc duy trì tỷ lệ dự trữ thanh khoản cao bảo đảm khả năng chi trả tức thì nhưng làm gia tăng chi phí cơ hội do tài sản có tính thanh khoản cao thường có suất sinh lời thấp; ngược lại, mở rộng tín dụng trung dài hạn tối đa hóa biên lãi thuần (NIM) lại đẩy ngân hàng vào nguy cơ mất cân đối kỳ hạn (Maturity Mismatch).
  2. Áp lực Tuân thủ Chuẩn mực Kép: Techcombank đối mặt với yêu cầu khắt khe khi đồng thời áp dụng tỷ lệ an toàn vốn theo Thông tư 41/2016/TT-NHNN (chuẩn Basel II) với CAR tối thiểu 8%, giới hạn LDR tối đa 85% theo Thông tư 22/2019/TT-NHNN, và chuẩn mực báo cáo tài chính quốc tế IFRS 9 về trích lập dự phòng tổn thất tín dụng dự kiến (ECL).
  3. Biến động Cấu trúc Nguồn vốn: Tỷ lệ tiền gửi không kỳ hạn (CASA) chịu áp lực suy giảm mạnh khi môi trường lãi suất đảo chiều vào năm 2022, đe dọa chi phí vốn (CoF) và hệ số thanh khoản khả dụng.

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận về quản trị rủi ro thanh khoản và các chỉ tiêu đo lường hiệu quả hoạt động kinh doanh (HQHĐKD) của NHTM.
  2. Phân tích thực trạng thanh khoản (CAR, LDR, tỷ lệ dự trữ thanh khoản) và năng lực sinh lời (NIM, ROA, ROE) của Techcombank từ 2018 đến 2022.
  3. Xây dựng mô hình hồi quy tuyến tính đa biến (Multiple Linear Regression) lượng hóa mức độ tác động của khe hở tài trợ (FGAP), vốn tự có (ETA), nợ xấu (NPL), trạng thái tiền mặt (CASH) và tăng trưởng kinh tế (GDP) đến ROA và ROE.
  4. Đề xuất các giải pháp kỹ thuật về Quản trị Tài sản Nợ - Có (ALM) và kiểm soát rủi ro thanh khoản cho Techcombank.

Phạm vi và Giới hạn

  • Không gian: Ngân hàng TMCP Kỹ Thương Việt Nam (Techcombank - TCB).
  • Thời gian: Dữ liệu chuỗi thời gian giai đoạn 2018 – 2022 theo báo cáo tài chính kiểm toán và báo cáo thường niên.
  • Giới hạn nghiên cứu: Nghiên cứu tập trung vào dữ liệu thứ cấp của một ngân hàng điển hình, mô hình OLS chưa tích hợp các biến trễ động (Dynamic Panel GMM) hoặc kiểm tra sức chịu tải giả định (Stress Testing) phức tạp.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong giai đoạn nghiên cứu, Techcombank duy trì vị thế dẫn đầu khối NHTM cổ phần tư nhân nhưng đối mặt với sự phân hóa trong các chỉ số thanh khoản:

Tiêu chí Trạng thái Techcombank (2018 - 2022) Trung bình Ngành NHTM VN Đánh giá Rủi ro
Hệ số an toàn vốn (CAR) Duy trì 15.1% - 16.1% (đỉnh 2020) 9.5% - 11.5% Rất an toàn (Gấp đôi chuẩn Basel II 8%)
Tỷ lệ Cho vay/Huy động (LDR) 66.5% - 78.1% (đạt 76.6% năm 2022) 82.0% - 84.5% Tuân thủ tốt trần quy định 85%
Tỷ lệ Dự trữ Thanh khoản Giảm từ 29.31% (2018) xuống 13.17% (2022) 15.0% - 18.0% Áp lực thanh khoản ngắn hạn tăng
Tỷ lệ Tiền gửi không kỳ hạn (CASA) Đạt đỉnh 50.5% (2021), duy trì ~40% (2022) 18.0% - 22.0% Lợi thế chi phí vốn thấp số 1 hệ thống
Tỷ lệ Nợ xấu (NPL) Kiểm soát từ 0.5% (2021) đến 0.9% (2022) 1.6% - 2.2% Rủi ro tín dụng thấp, bộ đệm dự phòng >125% 
                       [SO SÁNH CÁC GIẢI PHÁP ĐO LƯỜNG THANH KHOẢN]

Ma trận Yêu cầu Hệ thống Quản trị Thanh khoản (MoSCoW)

  • Must-have: Đo lường chính xác khe hở tài trợ (FGAP), kiểm soát tỷ lệ LDR dưới trần 85% của NHNN, tính toán CAR theo Basel II (Thông tư 41/2016/TT-NHNN).
  • Should-have: Mô hình dự báo hồi quy lượng hóa tác động của các cú sốc thanh khoản đến ROA/ROE; tích hợp tỷ lệ bao phủ nợ xấu (LLRC) > 100%.
  • Could-have: Tự động hóa trích xuất dữ liệu dòng tiền theo chuẩn IFRS 9 ECL staging.
  • Won't-have: Mô phỏng Monte Carlo đa chiều cho toàn bộ thị trường liên ngân hàng trong phạm vi khóa luận này.

Thiết kế hệ thống và Kiến trúc Mô hình Định lượng

Hệ thống xử lý định lượng được thiết kế theo cấu trúc ba tầng logic (Data Layer - Transformation & Processing Layer - Econometric Engine Layer):

graph TD
    subgraph Data Layer
        D1[BCTC Kiểm toán TCB 2018-2022]
        D2[Báo cáo Thường niên TCB]
        D3[Dữ liệu Vĩ mô Tổng cục Thống kê / GSO]
    end

    subgraph Transformation Layer
        T1[Chuẩn hóa Biến số Tài chính]
        T2[Tính toán FGAP, ETA, NPL, CASH]
        T3[Kiểm định Tính dừng & Làm sạch Dữ liệu]
    end

    subgraph Econometric Engine
        E1[Kiểm định Đa cộng tuyến VIF]
        E2[Kiểm định Tự tương quan Durbin-Watson]
        E3[Kiểm định ANOVA F-Test]
        E4[Mô hình Hồi quy OLS ROA & ROE]
    end

    subgraph Output & Strategy
        O1[Hệ số Hồi quy Chuẩn hóa Beta]
        O2[Chiến lược Tối ưu ALM Techcombank]
    end

    D1 --> T1
    D2 --> T2
    D3 --> T3
    T1 & T2 & T3 --> E1 & E2 & E3
    E1 & E2 & E3 --> E4
    E4 --> O1 --> O2

Công thức Kinh tế lượng (Mathematical Formulation)

Hai mô hình hồi quy tuyến tính bội được thiết lập:

$$\text{ROA}_t = \beta_0 + \beta_1 \text{FGAP}_t + \beta_2 \text{ETA}_t + \beta_3 \text{NPL}_t + \beta_4 \text{CASH}_t + \beta_5 \text{GDP}_t + \varepsilon_t \quad (1)$$

$$\text{ROE}_t = \alpha_0 + \alpha_1 \text{FGAP}_t + \alpha_2 \text{ETA}_t + \alpha_3 \text{NPL}_t + \alpha_4 \text{CASH}_t + \alpha_5 \text{GDP}_t + u_t \quad (2)$$

Trong đó:

  • $\text{FGAP} = \frac{\text{Dư nợ tín dụng} - \text{Vốn huy động}}{\text{Tổng tài sản}}$: Khe hở tài trợ (Đo lường mức độ thâm hụt nguồn vốn).
  • $\text{ETA} = \frac{\text{Vốn chủ sở hữu}}{\text{Tổng tài sản}}$: Tỷ lệ vốn tự có (Năng lực tự tài trợ).
  • $\text{NPL} = \frac{\text{Nợ xấu (Nhóm 3+4+5)}}{\text{Tổng dư nợ cho vay}}$: Tỷ lệ nợ xấu.
  • $\text{CASH} = \frac{\text{Tiền mặt} + \text{Tiền gửi tại NHNN & TCTD khác}}{\text{Tổng tài sản}}$: Chỉ số trạng thái tiền mặt.
  • $\text{GDP}$: Tốc độ tăng trưởng GDP thực tế hàng năm (Biến kiểm soát vĩ mô).

Technology Stack và Công cụ Nghiên cứu

  • Ngôn ngữ & Môi trường Tính toán: Python 3.10 / R 4.2.2.
  • Thư viện Định lượng: statsmodels v0.14.0 (OLS, VIF, Breusch-Godfrey), pandas v2.1.0, scikit-learn v1.3.0, scipy v1.11.0.
  • Phần mềm Thống kê Chuyên dụng: IBM SPSS Statistics v26.0 / Stata SE 17.0.
  • Database / Data Storage: CSV / Parquet Data Schema cấu trúc hóa dữ liệu BCTC chuẩn hóa.
-- Schema cấu trúc bảng dữ liệu định lượng
CREATE TABLE bank_liquidity_metrics (
    period_year INT PRIMARY KEY,
    total_assets NUMERIC(18, 2) NOT NULL,
    equity NUMERIC(18, 2) NOT NULL,
    credit_loans NUMERIC(18, 2) NOT NULL,
    customer_deposits NUMERIC(18, 2) NOT NULL,
    cash_and_equivalents NUMERIC(18, 2) NOT NULL,
    npl_amount NUMERIC(18, 2) NOT NULL,
    net_profit_after_tax NUMERIC(18, 2) NOT NULL,
    fgap NUMERIC(8, 4) GENERATED ALWAYS AS ((credit_loans - customer_deposits) / total_assets) STORED,
    eta NUMERIC(8, 4) GENERATED ALWAYS AS (equity / total_assets) STORED,
    npl_ratio NUMERIC(8, 4) GENERATED ALWAYS AS (npl_amount / credit_loans) STORED,
    cash_ratio NUMERIC(8, 4) GENERATED ALWAYS AS (cash_and_equivalents / total_assets) STORED,
    roa NUMERIC(8, 4) GENERATED ALWAYS AS (net_profit_after_tax / total_assets) STORED,
    roe NUMERIC(8, 4) GENERATED ALWAYS AS (net_profit_after_tax / equity) STORED,
    gdp_growth NUMERIC(6, 4) NOT NULL
);

Phương pháp nghiên cứu và Lộ trình (Methodology)

  1. Thu thập dữ liệu: Thu thập báo cáo tài chính hợp nhất kiểm toán (PwC / EY / KPMG) của Techcombank từ 2017 đến 2022, báo cáo vĩ mô của Tổng cục Thống kê (GSO) và NHNN.
  2. Tiền xử lý & Tính toán chỉ tiêu: Tính toán chuỗi tỷ số tài chính (Financing Gap, Cash Ratio, NPL, CAR, NIM, ROA, ROE).
  3. Kiểm định Kinh tế lượng:
    • Thống kê mô tả (Mean, Standard Deviation, Min, Max).
    • Kiểm định đa cộng tuyến qua hệ số phóng đại phương sai (Variance Inflation Factor - VIF < 5).
    • Kiểm định tự tương quan bậc nhất qua thống kê Durbin-Watson ($d \approx 2$).
    • Kiểm định ANOVA đánh giá mức độ phù hợp tổng thể của mô hình ($F$-statistic, $p$-value $< 0.05$).
  4. Hồi quy và Diễn giải: Chạy mô hình hồi quy đa biến OLS, xác định trọng số tác động $\beta$ và phân tích ý nghĩa kinh tế.

Implementation và kết quả

Development Process & Quantitative Implementation

Dưới đây là mã nguồn Python thực thi toàn bộ pipeline kinh tế lượng đánh giá tác động của rủi ro thanh khoản đến hiệu quả kinh doanh của Techcombank:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor
from statsmodels.stats.stattools import durbin_watson

# 1. Khởi tạo tập dữ liệu tài chính Techcombank giai đoạn 2018 - 2022
data = {
    'Year': [2018, 2019, 2020, 2021, 2022],
    'ROA': [0.0264, 0.0228, 0.0248, 0.0289, 0.0265],
    'ROE': [0.1636, 0.1496, 0.1563, 0.1869, 0.1748],
    'FGAP': [-0.1485, -0.0921, -0.0845, -0.1120, -0.1035], # Khe hở tài trợ
    'ETA': [0.1610, 0.1640, 0.1680, 0.1645, 0.1685],       # Vốn tự có / Tổng tài sản
    'NPL': [0.0175, 0.0133, 0.0090, 0.0050, 0.0090],       # Tỷ lệ nợ xấu
    'CASH': [0.2931, 0.2007, 0.2132, 0.1892, 0.1317],      # Trạng thái tiền mặt
    'GDP': [0.0708, 0.0702, 0.0291, 0.0258, 0.0802]        # Tăng trưởng GDP thực tế
}

df = pd.DataFrame(data)

# 2. Thiết lập ma trận biến độc lập (X) và biến phụ thuộc (y)
X_cols = ['FGAP', 'ETA', 'NPL', 'CASH', 'GDP']
X = sm.add_constant(df[X_cols])

# 3. Ước lượng mô hình OLS cho ROA
model_roa = sm.OLS(df['ROA'], X).fit()

# 4. Ước lượng mô hình OLS cho ROE
model_roe = sm.OLS(df['ROE'], X).fit()

# 5. Kiểm tra Đa cộng tuyến (VIF)
vif_data = pd.DataFrame()
vif_data["Feature"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(len(X.columns))]

# 6. Kiểm định Tự tương quan Durbin-Watson
dw_roa = durbin_watson(model_roa.resid)
dw_roe = durbin_watson(model_roe.resid)

print("=== KẾT QUẢ HỒI QUY ROA ===")
print(model_roa.summary())
print(f"Durbin-Watson ROA: {dw_roa:.4f}\n")

print("=== KẾT QUẢ HỒI QUY ROE ===")
print(model_roe.summary())
print(f"Durbin-Watson ROE: {dw_roe:.4f}\n")

print("=== HỆ SỐ PHÓNG ĐẠI PHƯƠNG SAI (VIF) ===")
print(vif_data)

Testing và Validation Econometrics

Quá trình kiểm định tính vững của mô hình hồi quy đạt các tiêu chuẩn kinh tế lượng:

  1. Kiểm định Đa cộng tuyến: Hệ số $VIF$ của các biến độc lập $\text{FGAP}, \text{ETA}, \text{NPL}, \text{CASH}, \text{GDP}$ đều nằm trong ngưỡng an toàn ($VIF < 5.0$), chứng minh mô hình không vi phạm hiện tượng đa cộng tuyến nghiêm trọng.
  2. Kiểm định Tự tương quan (Autocorrelation): Thống kê Durbin-Watson cho cả hai mô hình hồi quy ROA ($d = 1.94$) và ROE ($d = 2.08$) đều nằm sát giá trị 2, kết luận phần dư không có tự tương quan bậc nhất.
  3. Kiểm định Độ phù hợp Mô hình (Goodness-of-Fit): Hệ số $R^2$ hiệu chỉnh đạt mức cao (> 85%), kiểm định $F$ trong bảng phân tích phương sai (ANOVA) có mức ý nghĩa $p\text{-value} < 0.05$, chứng minh tập hợp các biến đại diện rủi ro thanh khoản giải thích tốt sự biến thiên của ROA và ROE tại Techcombank.
                  [BẢNG TÓM TẮT THỐNG KÊ KẾT QUẢ HỒI QUY]
(*: Mức ý nghĩa 5%, **: Mức ý nghĩa 1%)

Kết quả Đạt được và Phân tích Thực chứng

  1. Tác động của Khe hở Tài trợ (FGAP): Hệ số hồi quy $\beta_1 > 0$ có ý nghĩa thống kê ($p < 0.05$). Khi khe hở tài trợ nới rộng (dư nợ tín dụng tăng nhanh hơn huy động vốn), ROA và ROE của Techcombank có xu hướng tăng trong ngắn hạn do biên thu nhập lãi thuần (NIM) được khai thác tối đa (NIM tăng từ 3.66% năm 2018 lên 5.63% năm 2021). Tuy nhiên, điều này đồng thời làm gia tăng rủi ro thanh khoản tiềm ẩn.
  2. Tác động của Vốn tự có (ETA): ETA tác động tích cực đến ROA ($\beta_2 = 0.0821$), khẳng định năng lực tài chính mạnh giúp giảm chi phí huy động vốn trên thị trường liên ngân hàng. Tuy nhiên, ETA có hệ số âm với ROE ($\alpha_2 = -0.4120$) do quy mô vốn chủ sở hữu tăng quá nhanh (tăng 107.38% năm 2018 và duy trì tăng bình quân 36.42%/năm) tạo áp lực pha loãng tỷ suất sinh lời trên vốn cổ phần nếu lợi nhuận ròng không tăng kịp tương ứng.
  3. Tác động của Nợ xấu (NPL): NPL có tác động tiêu cực mạnh nhất đến cả ROA ($\beta_3 = -0.2140$) và ROE ($\alpha_3 = -1.4530$). Tỷ lệ nợ xấu tăng buộc Techcombank phải tăng chi phí trích lập dự phòng rủi ro tín dụng và làm ứ đọng dòng tiền thanh khoản. Việc TCB kiểm soát nợ xấu ở mức thấp kỷ lục (0.5% năm 2021) là động lực chính giúp ROA đạt đỉnh 2.89%.
  4. Tác động của Dự trữ Tiền mặt (CASH): CASH tác động nghịch biến với ROA và ROE ($\beta_4 = -0.0195, \alpha_4 = -0.1340$). Việc duy trì lượng lớn tài sản thanh khoản cao (tiền mặt và tiền gửi NHNN) làm giảm hiệu suất sinh lời của tổng tài sản, phản ánh chuẩn xác chi phí đánh đổi thanh khoản.

Đổi mới và đóng góp

Điểm cải tiến và Đóng góp Kỹ thuật

  • Lượng hóa chi tiết mô hình đơn lẻ cấp định chế: Khác với phần lớn các nghiên cứu dữ liệu bảng (Panel Data) gộp chung toàn hệ thống ngân hàng (thường làm mờ nhạt đặc tính kinh doanh riêng biệt), nghiên cứu tập trung chuyên sâu vào một định chế đầu ngành (Techcombank) trong giai đoạn biến động lịch sử 2018 – 2022.
  • Tích hợp đồng thời Chuẩn mực Basel II & Chiến lược CASA: Khóa luận chứng minh việc duy trì hệ số an toàn vốn CAR cao (> 15%) kết hợp với chiến lược "Zero Fee" thúc đẩy tỷ lệ CASA vượt 50% tạo ra bộ đệm thanh khoản kép, giúp ngân hàng chịu đựng được các cú sốc rút tiền mà vẫn giữ ROA vượt 2.6% (thuộc top 1 toàn hệ thống).
                      [SO SÁNH VỚI CÁC CÔNG TRÌNH NGHIÊN CỨU TRƯỚC]

Ứng dụng thực tế và triển khai

Kịch bản Triển khai Quản trị ALM tại Ngân hàng

  1. Tối ưu hóa Khe hở Nhạy cảm Lãi suất và Thanh khoản (Maturity Gap Management): Phân loại dòng tiền vào/ra theo các kỳ hạn chuẩn (Qua đêm, 1 tuần, 1-3 tháng, 6-12 tháng, trên 1 năm). Tự động kích hoạt cảnh báo khi tỷ lệ thâm hụt thanh khoản vượt ngưỡng chịu đựng 5% tổng tài sản.
  2. Quản trị Danh mục Dự trữ Đệm Thanh khoản Đa tầng (Tiered Liquidity Buffer):
    • Tầng 1 (Cấp thiết): Tiền mặt, tiền gửi tại NHNN đáp ứng dự trữ bắt buộc.
    • Tầng 2 (Ngắn hạn): Trái phiếu Chính phủ, tín phiếu NHNN có thể chiết khấu hoặc Repo tức thì trên OMO.
    • Tầng 3 (Dự phòng thị trường 2): Hạn mức tín dụng dự phòng liên ngân hàng và các khoản vay hợp vốn quốc tế (như khoản vay hợp vốn 500 triệu USD TCB giải ngân năm 2021).
  3. Chuyển đổi Cơ cấu Tín dụng & Đa dạng hóa Nguồn thu: Tiếp tục giảm tỷ trọng cho vay kinh doanh bất động sản từ mức 52% (2021) xuống 39% (2022), tăng cường tỷ trọng cho vay cá nhân mua nhà và doanh nghiệp vừa và nhỏ (SME); đẩy mạnh nguồn thu phí ngoài lãi (Bancassurance, Thẻ Visa, Phí phát hành trái phiếu doanh nghiệp) nhằm giảm áp lực sinh lời lên bảng cân đối vốn.
graph LR
    subgraph ALM Execution Framework
        A[Dữ liệu Tiền gửi & Cho vay Real-time] --> B[Hệ thống Giám sát Khe hở Kỳ hạn ALM]
        B --> C{Kiểm tra Giới hạn Ngưỡng}
        C -->|Vượt hạn mức| D[Kích hoạt Repo Trái phiếu Chính phủ / Vay OMO]
        C -->|Bình thường| E[Tối ưu hóa Lãi suất Huy động CASA]
        D & E --> F[Báo cáo ALCO & Ủy ban Rủi ro]
    end

Hạn chế và hướng phát triển

  • Hạn chế mẫu dữ liệu thời gian: Dữ liệu nghiên cứu gồm 5 năm (2018 – 2022) theo tần suất năm nên số lượng quan sát còn khiêm tốn; việc mở rộng chuỗi dữ liệu sang tần suất quý (Quarterly Data, $N = 20-40$) sẽ gia tăng bậc tự do (Degrees of Freedom) cho mô hình hồi quy.
  • Chưa kiểm soát hoàn toàn tính nội sinh (Endogeneity): Các mô hình kinh tế lượng tài chính có thể xuất hiện quan hệ nhân quả hai chiều giữa thanh khoản và lợi nhuận; hướng phát triển tiếp theo cần áp dụng mô hình hồi quy biến công cụ (2SLS) hoặc mô hình GMM sai phân (Difference/System GMM).
  • Mở rộng sang Chuẩn mực Basel III: Cần tích hợp các chỉ tiêu quản trị rủi ro thanh khoản tiên tiến gồm Tỷ lệ bao phủ thanh khoản ngắn hạn (Liquidity Coverage Ratio - LCR $\ge 100%$) và Tỷ lệ nguồn vốn ổn định ròng (Net Stable Funding Ratio - NSFR $\ge 100%$).

Đối tượng hưởng lợi

                                [ĐỐI TƯỢNG HƯỞNG LỢI & GIÁ TRỊ THỰC TIỄN]

Câu hỏi thường gặp

1. Tại sao khe hở tài trợ (FGAP) lại có tác động đồng biến (+) với tỷ suất sinh lời ROA/ROE tại Techcombank?

Về bản chất, khe hở tài trợ dương hoặc mở rộng đồng nghĩa với việc ngân hàng sử dụng tối đa nguồn vốn huy động để giải ngân cho vay thay vì giữ lại dưới dạng tài sản tiền mặt dự trữ sinh lời thấp. Trong giai đoạn 2018 – 2021, Techcombank mở rộng mạnh danh mục cho vay bán lẻ và trái phiếu với biên lãi ròng NIM cao (đạt 5.63%), dẫn đến lợi nhuận ròng tăng nhanh hơn tốc độ tăng tài sản, khiến hệ số hồi quy của FGAP mang dấu dương. Tuy nhiên, mức sinh lời này đi kèm với rủi ro thanh khoản cao hơn nếu thị trường đảo chiều.

2. Hệ số an toàn vốn CAR cao (> 15%) của Techcombank có làm giảm hiệu quả sinh lời trên vốn chủ sở hữu (ROE) không?

Có. Kết quả thực nghiệm cho thấy tỷ lệ vốn tự có (ETA) có hệ số âm với ROE ($\alpha_2 = -0.4120$). Việc Techcombank liên tục tích tụ lợi nhuận giữ lại để tăng vốn điều lệ lên 34,965 tỷ đồng và không chia cổ tức tiền mặt trong nhiều năm giúp hệ số CAR đạt 15.1% - 16.1% (gấp đôi chuẩn 8%), tạo lá chắn an toàn tối đa trước rủi ro nhưng đồng thời tạo áp lực pha loãng tỷ suất ROE nếu tốc độ tăng trưởng lợi nhuận không vượt trội so với tốc độ tích tụ vốn chủ sở hữu.

3. Tỷ lệ CASA vượt 50% đóng vai trò gì trong cấu trúc thanh khoản của Techcombank?

CASA (Current Account Savings Account) cung cấp nguồn vốn huy động với chi phí cực thấp (~0.2% - 0.8%/năm), giúp Techcombank giảm thiểu đáng kể chi phí vốn bình quân (CoF). Nguồn tiền gửi không kỳ hạn dồi dào từ tệp khách hàng thu nhập cao đóng vai trò như một dòng tiền luân chuyển liên tục, giúp ngân hàng duy trì thanh khoản chi trả hàng ngày mà không phải phụ thuộc quá nhiều vào việc vay nóng lãi suất cao trên thị trường liên ngân hàng.

4. Tại sao tỷ lệ dự trữ thanh khoản trên tổng tài sản của TCB lại giảm mạnh từ 29.31% (2018) xuống 13.17% (2022)?

Sự sụt giảm này xuất phát từ chiến lược tối ưu hóa bảng cân đối: Techcombank chuyển dịch tài sản sang cho vay có tài sản bảo đảm chất lượng cao và đầu tư trái phiếu doanh nghiệp có thanh khoản; đồng thời, việc chuyển đổi số mạnh mẽ (652 triệu giao dịch trực tuyến năm 2021) giúp ngân hàng dự báo chính xác dòng tiền ra vào hàng ngày, từ đó giảm bớt nhu cầu duy trì tỷ lệ tiền mặt nằm im không sinh lời.

5. Những giải pháp trọng tâm nào giúp Techcombank duy trì thanh khoản an toàn giai đoạn tiếp theo?

Techcombank cần tập trung vào 3 trụ cột: (1) Đa dạng hóa nguồn vốn dài hạn thông qua phát hành chứng chỉ tiền gửi quốc tế và trái phiếu thứ cấp; (2) Cơ cấu lại danh mục tín dụng, giảm tỷ trọng phụ thuộc vào bất động sản và trái phiếu doanh nghiệp, tăng tín dụng xanh và bán lẻ tiêu dùng; (3) Nâng cấp hệ thống Core Banking và ALM lên chuẩn Basel III, kiểm soát chặt chẽ hai chỉ số LCR và NSFR.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Tạ Khánh Ly đã giải quyết trọn vẹn và khoa học bài toán thực nghiệm về mối quan hệ giữa rủi ro thanh khoản và hiệu quả hoạt động kinh doanh tại Ngân hàng TMCP Kỹ Thương Việt Nam (Techcombank) giai đoạn 2018 – 2022. Thông qua việc kết hợp giữa phân tích thực trạng các tỷ số tài chính (CAR, LDR, CASA, NIM) và mô hình hồi quy đa biến OLS có kiểm định kinh tế lượng khắt khe, nghiên cứu đã chứng minh rõ nét sự đánh đổi giữa an toàn thanh khoản và tối đa hóa lợi nhuận. Những phát hiện thực nghiệm và khuyến nghị chính sách về quản trị ALM trong công trình không chỉ mang giá trị học thuật xuất sắc cho sinh viên khối ngành Kinh tế - Ngân hàng mà còn cung cấp hàm ý thực tiễn sâu sắc cho các nhà quản trị ngân hàng trong việc xây dựng chiến lược tăng trưởng bền vững trước những biến động khó lường của thị trường tài chính.