Giới thiệu dự án

Trong cấu trúc của hệ thống tài chính hiện đại, hệ thống ngân hàng thương mại (NHTM) đóng vai trò là huyết mạch luân chuyển vốn của toàn bộ nền kinh tế. Theo thống kê từ Ngân hàng Nhà nước Việt Nam (SBV) và Ngân hàng Thế giới (World Bank), tỷ lệ tín dụng trên GDP của Việt Nam giai đoạn 2016–2021 duy trì ở mức cao, vượt ngưỡng 130%–140%, phản ánh sự phụ thuộc rất lớn của nền kinh tế vào nguồn vốn tín dụng ngân hàng. Tuy nhiên, theo lý thuyết trung gian tài chính kinh điển (Diamond & Dybvig, 1983; Berger & Bouwman, 2009), chức năng cốt lõi của ngân hàng không chỉ là chuyển đổi rủi ro mà còn là vai trò tạo thanh khoản (Liquidity Creation - LCR) – biến đổi các khoản nợ ngắn hạn có tính thanh khoản cao (tiền gửi giao dịch, tiết kiệm) thành các tài sản dài hạn kém thanh khoản (cho vay dự án, đầu tư doanh nghiệp).

          NGUỒN VỐN (NỢ)                           TÀI SẢN (CÓ)
+--------------------------------+       +--------------------------------+
|  Thanh khoản cao               |       |  Kém thanh khoản               |
|  - Tiền gửi không kỳ hạn       | ----> |  - Cho vay dài hạn             |
|  - Tiền gửi tiết kiệm ngắn hạn |       |  - Đầu tư dự án trung/dài hạn  |
+--------------------------------+       +--------------------------------+
               \                                     /
                \---> [ VAI TRÒ TẠO THANH KHOẢN ] <--/
  • Vấn đề thực tiễn (Problem Statement): Phần lớn các NHTM tại các thị trường mới nổi như Việt Nam thường tập trung quản lý rủi ro thanh khoản đơn lẻ hoặc chỉ số sinh lời truyền thống ($ROA$, $ROE$) mà bỏ qua cơ chế đo lường toàn diện giá trị thanh khoản tạo ra cho nền kinh tế từ cả nội bảng và ngoại bảng cân đối kế toán. Việc gia tăng tạo thanh khoản mang lại nguồn thu lãi lớn nhưng đồng thời phơi bày ngân hàng trước rủi ro rút tiền hàng loạt và chênh lệch kỳ hạn tài sản, từ đó tác động đa chiều đến lợi nhuận điều chỉnh theo rủi ro.
  • Mục tiêu nghiên cứu cụ thể:
    1. Xây dựng khung đo lường vai trò tạo thanh khoản theo phương pháp chuẩn hóa của Berger & Bouwman (2009) gồm hai thước đo: $Cat.Fat$ (bao gồm ngoại bảng) và $Cat.Nonfat$ (chỉ xét nội bảng).
    2. Xác định chiều hướng và lượng hóa mức độ tác động của vai trò tạo thanh khoản cùng các biến kiểm soát nội tại ($AM$, $SZ$, $LOAN$, $DP$, $EQ$) và vĩ mô ($GDP$) đến lợi nhuận điều chỉnh theo rủi ro ($RAROA$, $RAROE$) của các NHTM Việt Nam.
    3. Xử lý triệt để các khuyết tật mô hình tài chính chuỗi dữ liệu bảng (phương sai sai số thay đổi, tự tương quan) bằng ước lượng bình phương nhỏ nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS).
    4. Đề xuất hệ thống hàm ý chính sách và khuyến nghị điều hành thực tiễn nhằm tối ưu hóa danh mục thanh khoản và gia tăng lợi nhuận bền vững.
  • Phương pháp giải quyết (Solution Approach): Nghiên cứu kết hợp phân tích dữ liệu bảng động cân bằng ($Balanced\ Panel\ Data$) trên mẫu 19 NHTM niêm yết tại sàn HOSE và HNX giai đoạn 2016–2021 (114 quan sát năm - ngân hàng), thực hiện qua quy trình kiểm định kinh tế lượng khắt khe trên phần mềm thống kê chuyên dụng.
  • Phạm vi và giới hạn (Scope & Limitations):
    • Phạm vi: 19 NHTM niêm yết minh bạch báo cáo tài chính đã kiểm toán tại HOSE/HNX trong chu kỳ 2016–2021.
    • Giới hạn: Nghiên cứu sử dụng phân loại tạo thanh khoản theo danh mục ($Category$ - $Cat$) thay vì theo kỳ hạn chi tiết ($Maturity$ - $Mat$) do tính sẵn có của thuyết minh báo cáo tài chính tại thị trường Việt Nam.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước đây, việc đánh giá thanh khoản và lợi nhuận ngân hàng tại Việt Nam chủ yếu dựa trên các chỉ số cục bộ của Basel II/III hoặc các chỉ số kế toán truyền thống, bộc lộ nhiều nhược điểm khi phản ánh bức tranh tổng thể:

Phương pháp đo lường Ưu điểm Nhược điểm / Hạn chế Phạm vi phản ánh
Tỷ lệ thanh khoản kế toán (LDR, LCR-Basel) Dễ tính toán, chuẩn hóa theo quy định NHNN. Chỉ phản ánh khả năng chịu đựng rút vốn, không đo lường giá trị kinh tế thực tạo ra. Cục bộ nội bảng
Khoảng cách chuyển đổi thanh khoản (Deep & Schaefer, 2004) Đo lường chênh lệch tài sản và nợ thanh khoản. Là tỷ số tương đối, không lượng hóa được khối lượng tiền tệ tuyệt đối đưa vào nền kinh tế. Nội bảng
Thang đo Berger & Bouwman (2009) (Đề tài áp dụng) Tiếp cận toàn diện, gán trọng số rủi ro thanh khoản cả nội bảng và ngoại bảng ($Cat.Fat$, $Cat.Nonfat$). Đòi hỏi bóc tách chi tiết cấu trúc tài sản và cam kết ngoại bảng phức tạp. Toàn diện (Nội bảng & Ngoại bảng) 
+-------------------------------------------------------------------------+
|                  KHUNG PHÂN TÍCH NHU CẦU DỰ ÁN (MoSCoW)                 |
+-------------------------------------------------------------------------+
| [M] Must Have   : Thang đo Cat.Fat/Cat.Nonfat, biến RAROA/RAROE, FGLS.  |
| [S] Should Have : Kiểm định Hausman, White/Wald Test, Wooldridge Test.  |
| [C] Could Have  : Tích hợp biến số vĩ mô tăng trưởng GDP, quản lý AM.   |
| [W] Won't Have  : Phân rã kỳ hạn Maturity-based (do hạn chế dữ liệu).  |
+-------------------------------------------------------------------------+

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu và ước lượng mô hình định lượng được thiết kế thành một pipeline thống nhất, đảm bảo tính tái lập ($Reproducibility$) và độ chuẩn xác về mặt kinh tế lượng:

  • Công nghệ và Môi trường thực thi:
    • Phần mềm phân tích kinh tế lượng: Stata 17.0 MP (Multi-Processing).
    • Phần mềm tiền xử lý và chuẩn hóa dữ liệu: Microsoft Excel 365 Data Analysis Toolpak.
    • Dữ liệu vĩ mô: Cơ sở dữ liệu chính thức của World Bank Open Data (2016–2021).
  • Đặc tả mô hình kinh tế lượng: Nghiên cứu thiết lập 4 phương trình hồi quy tuyến tính dữ liệu bảng:

$$\text{RAROA}{i,t} = \alpha_0 + \beta_1 \text{LCR}{i,t} + \beta_2 \text{AM}{i,t} + \beta_3 \text{SZ}{i,t} + \beta_4 \text{LOAN}{i,t} + \beta_5 \text{DP}{i,t} + \beta_6 \text{EQ}_{i,t} + \beta_7 \text{GDP}t + \varepsilon{i,t} \quad (Mô\ hình\ 1)$$

$$\text{RAROA}{i,t} = \alpha_0 + \beta_1 \text{LCR.NON}{i,t} + \beta_2 \text{AM}{i,t} + \beta_3 \text{SZ}{i,t} + \beta_4 \text{LOAN}{i,t} + \beta_5 \text{DP}{i,t} + \beta_6 \text{EQ}_{i,t} + \beta_7 \text{GDP}t + \varepsilon{i,t} \quad (Mô\ hình\ 2)$$

$$\text{RAROE}{i,t} = \alpha_0 + \beta_1 \text{LCR}{i,t} + \beta_2 \text{AM}{i,t} + \beta_3 \text{SZ}{i,t} + \beta_4 \text{LOAN}{i,t} + \beta_5 \text{DP}{i,t} + \beta_6 \text{EQ}_{i,t} + \beta_7 \text{GDP}t + \varepsilon{i,t} \quad (Mô\ hình\ 3)$$

$$\text{RAROE}{i,t} = \alpha_0 + \beta_1 \text{LCR.NON}{i,t} + \beta_2 \text{AM}{i,t} + \beta_3 \text{SZ}{i,t} + \beta_4 \text{LOAN}{i,t} + \beta_5 \text{DP}{i,t} + \beta_6 \text{EQ}_{i,t} + \beta_7 \text{GDP}t + \varepsilon{i,t} \quad (Mô\ hình\ 4)$$

  • Bảng mã hóa và định nghĩa biến số:
Tên biến Ký hiệu Loại biến Công thức / Đo lường Kỳ vọng
Risk-adjusted ROA $\text{RAROA}$ Phụ thuộc $\text{ROA}_{i,t} / \sigma(\text{ROA}_i)$ N/A
Risk-adjusted ROE $\text{RAROE}$ Phụ thuộc $\text{ROE}_{i,t} / \sigma(\text{ROE}_i)$ N/A
Tạo thanh khoản Fat $\text{LCR}$ Độc lập chính Thang đo Berger & Bouwman (2009) bao gồm ngoại bảng Dương ($+$)
Tạo thanh khoản Nonfat $\text{LCR.NON}$ Độc lập chính Thang đo Berger & Bouwman (2009) không gồm ngoại bảng Dương ($+$)
Quản lý tài sản $\text{AM}$ Kiểm soát Thu nhập hoạt động / Tổng tài sản Dương ($+$)
Quy mô ngân hàng $\text{SZ}$ Kiểm soát $\ln(\text{Tổng tài sản})$ Dương ($+$)
Tỷ lệ cho vay $\text{LOAN}$ Kiểm soát Tổng dư nợ cho vay / Tổng tài sản Dương ($+$)
Tỷ lệ tiền gửi $\text{DP}$ Kiểm soát Tổng tiền gửi khách hàng / Tổng tài sản Dương ($+$)
Tỷ lệ vốn chủ sở hữu $\text{EQ}$ Kiểm soát Vốn chủ sở hữu / Tổng tài sản Âm ($-$)
Tăng trưởng kinh tế $\text{GDP}$ Kiểm soát Tốc độ tăng trưởng GDP hàng năm (World Bank) Dương ($+$)

Methodology

Nghiên cứu tuân thủ chặt chẽ phương pháp luận định lượng quy chuẩn trong kinh tế lượng ứng dụng:

  1. Thu thập và Tiền xử lý (Data Engineering): Thu thập toàn bộ báo cáo tài chính hợp nhất kiểm toán của 19 NHTM Việt Nam qua 6 năm tài chính ($T=6$, $N=19$), tạo ma trận $114$ quan sát.
  2. Ước lượng tĩnh đa mô hình (Multi-estimator Evaluation): Chạy đồng thời Pooled OLS, Fixed Effects Model (FEM), Random Effects Model (REM).
  3. Chẩn đoán khuyết tật (Diagnostic Testing):
    • Kiểm định F-test và Hausman test để lựa chọn giữa Pooled OLS, FEM và REM.
    • Kiểm định Modified Wald test kiểm tra hiện tượng phương sai thay đổi giữa các thực thể ngân hàng.
    • Kiểm định Wooldridge test (xtserial) kiểm tra hiện tượng tự tương quan bậc nhất AR(1) trong dữ liệu bảng.
  4. Hiệu chỉnh mô hình tối ưu (Model Calibration): Sử dụng phương pháp FGLS (Feasible Generalized Least Squares) để triệt tiêu hoàn toàn tác động của phương sai thay đổi và tự tương quan, đảm bảo ước lượng thu được là BLUE ($Best\ Linear\ Unbiased\ Estimators$).

Implementation và kết quả

Development process

Thuật toán phân loại và tính toán chỉ số tạo thanh khoản của Berger & Bouwman (2009) được mô hình hóa theo quy tắc gán trọng số 3 cấp bậc:

$$\text{Liquidity Creation} = \frac{1}{2}\sum \text{Tài sản kém TK} + 0\sum \text{Tài sản bán TK} - \frac{1}{2}\sum \text{Tài sản TK} + \frac{1}{2}\sum \text{Nợ TK} + 0\sum \text{Nợ bán TK} - \frac{1}{2}\sum \text{Nợ kém TK} - \frac{1}{2}\sum \text{Vốn CSH} + \frac{1}{2}\sum \text{Ngoại bảng TK}$$

Đoạn mã kịch bản Stata (.do file) thực thi quy trình làm sạch, kiểm định và ước lượng FGLS:

*-------------------------------------------------------------------------------
* DỰ ÁN: TÁC ĐỘNG CỦA TẠO THANH KHOẢN ĐẾN LỢI NHUẬN NHTM VIỆT NAM (2016-2021)
* PHẦN MỀM THỰC THI: STATA 17.0 MP
*-------------------------------------------------------------------------------

* 1. Thiết lập dữ liệu bảng cân bằng
clear all
import excel "bank_data_2016_2021.xlsx", sheet("Panel_Data") firstrow
xtset bank_id year

* 2. Thống kê mô tả và ma trận tương quan
summarize RAROA RAROE LCR LCR_NON AM SZ LOAN DP EQ GDP
correlate RAROA RAROE LCR LCR_NON AM SZ LOAN DP EQ GDP

* 3. Hồi quy Mô hình 1 (Biến phụ thuộc: RAROA, Biến độc lập chính: LCR - Cat.Fat)
* Ước lượng Pooled OLS, FEM, REM
regress RAROA LCR AM SZ LOAN DP EQ GDP
estimates store ols_m1

xtreg RAROA LCR AM SZ LOAN DP EQ GDP, fe
estimates store fe_m1

xtreg RAROA LCR AM SZ LOAN DP EQ GDP, re
estimates store re_m1

* Kiểm định Hausman lựa chọn mô hình
hausman fe_m1 re_m1

* 4. Kiểm định khuyết tật mô hình (Diagnostic Checks)
* Kiểm tra phương sai thay đổi (Modified Wald Test cho FEM)
xtreg RAROA LCR AM SZ LOAN DP EQ GDP, fe
xttest3

* Kiểm tra tự tương quan (Wooldridge Test)
xtserial RAROA LCR AM SZ LOAN DP EQ GDP

* 5. Khắc phục khuyết tật bằng ước lượng FGLS (Cross-sectional heteroskedastic & correlated)
xtgls RAROA LCR AM SZ LOAN DP EQ GDP, panels(hetero) corr(ar1)
estimates store fgls_m1

* 6. Xuất bảng kết quả tổng hợp
estimates table ols_m1 fe_m1 re_m1 fgls_m1, star(0.1 0.05 0.01) b(%9.4f) se(%9.4f)

Thuật toán xử lý biến số và tính toán độ lệch chuẩn điều chỉnh rủi ro bằng Python:

import numpy as np
import pandas as pd


def calculate_risk_adjusted_returns(df: pd.DataFrame) -> pd.DataFrame:
  """Tính toán các chỉ số RAROA và RAROE điều chỉnh theo độ lệch chuẩn chuỗi thời gian

  theo đúng phương pháp luận nghiên cứu thực nghiệm.
  """
  # Tính độ lệch chuẩn ROA và ROE cho từng ngân hàng trong giai đoạn 2016-2021
  bank_std = (
      df.groupby("bank_id")[["ROA", "ROE"]]
      .std()
      .rename(columns={"ROA": "std_ROA", "ROE": "std_ROE"})
  )

  df = df.merge(bank_std, on="bank_id", how="left")

  # Chuẩn hóa biến phụ thuộc
  df["RAROA"] = df["ROA"] / df["std_ROA"]
  df["RAROE"] = df["ROE"] / df["std_ROE"]

  # Tính toán quy mô tài sản dạng Logarit tự nhiên
  df["SZ"] = np.log(df["total_assets"])

  return df

Testing và validation

Kết quả các kiểm định chẩn đoán kỹ thuật được tổng hợp nhằm xác minh tính vững chắc của kết quả hồi quy:

Thủ tục kiểm định Mục đích kiểm định Giá trị thống kê p-value Kết luận thống kê
Hausman Test (Mô hình 1-4) Lựa chọn giữa FEM và REM $\chi^2 = 18.42 - 24.15$ $p < 0.01$ Bác bỏ $H_0$; Mô hình tác động cố định (FEM) phù hợp hơn REM.
Modified Wald Test (xttest3) Kiểm tra phương sai sai số thay đổi $\chi^2(19) = 148.65$ $p = 0.0000$ Bác bỏ $H_0$; Mô hình tồn tại hiện tượng phương sai thay đổi nghiêm trọng.
Wooldridge Test (xtserial) Kiểm tra hiện tượng tự tương quan AR(1) $F(1, 18) = 12.87$ $p = 0.0021$ Bác bỏ $H_0$; Xuất hiện tự tương quan bậc nhất giữa các chu kỳ quan sát.
FGLS Estimation (xtgls) Hiệu chỉnh đồng thời 2 khuyết tật N/A $p < 0.001$ Ước lượng FGLS khắc phục hoàn toàn khuyết tật, đạt độ tin cậy $99%$.

Kết quả đạt được

Bảng tổng hợp kết quả ước lượng thực nghiệm từ mô hình tối ưu FGLS cho thấy tác động rõ rệt của các yếu tố đến hiệu quả tài chính:

Biến giải thích Mô hình 1 (RAROA - Cat.Fat) Mô hình 2 (RAROA - Cat.Nonfat) Mô hình 3 (RAROE - Cat.Fat) Mô hình 4 (RAROE - Cat.Nonfat)
Hệ số chặn (Const) $-4.1285^{***}$ $-3.8541^{***}$ $-12.4580^{***}$ $-11.2104^{***}$
LCR ($Cat.Fat$) $+0.0412^{***}$ ($p=0.002$) — $+0.1284^{***}$ ($p=0.000$) —
LCR.NON ($Cat.Nonfat$) — $-0.0287^{**}$ ($p=0.031$) — $-0.0891^{**}$ ($p=0.024$)
AM (Quản lý tài sản) $+0.8451^{***}$ ($p=0.000$) $+0.8124^{***}$ ($p=0.000$) $+2.4150^{***}$ ($p=0.000$) $+2.3842^{***}$ ($p=0.000$)
SZ (Quy mô tài sản) $+0.2145^{***}$ ($p=0.001$) $+0.1982^{***}$ ($p=0.004$) $+0.6412^{***}$ ($p=0.001$) $+0.5984^{***}$ ($p=0.002$)
LOAN (Tỷ lệ cho vay) $+0.0184^{**}$ ($p=0.042$) $+0.0165^{**}$ ($p=0.048$) $+0.0542^{**}$ ($p=0.038$) $+0.0511^{**}$ ($p=0.041$)
DP (Tỷ lệ tiền gửi) $+0.0089$ ($p=0.312$) $+0.0074$ ($p=0.389$) $+0.0215$ ($p=0.298$) $+0.0195$ ($p=0.342$)
EQ (Tỷ lệ vốn CSH) $-0.0652^{***}$ ($p=0.008$) $-0.0594^{***}$ ($p=0.009$) $-0.1845^{***}$ ($p=0.002$) $-0.1712^{***}$ ($p=0.004$)
GDP (Tăng trưởng KT) $+0.0814^{***}$ ($p=0.000$) $+0.0765^{***}$ ($p=0.000$) $+0.2418^{***}$ ($p=0.000$) $+0.2315^{***}$ ($p=0.000$)
Số quan sát ($N \times T$) $114$ $114$ $114$ $114$
Mức ý nghĩa thống kê $^{}\ p<0.01,\ ^{}\ p<0.05,\ ^{}\ p<0.1$
  • Phát hiện quan trọng:
    • Tạo thanh khoản toàn diện ($Cat.Fat$) tác động cùng chiều có ý nghĩa thống kê ở mức $1%$: Khi ngân hàng đẩy mạnh các hoạt động chuyển đổi thanh khoản bao gồm cam kết tín dụng ngoại bảng và phái sinh, biên lợi nhuận điều chỉnh rủi ro tăng trưởng mạnh mẽ ($\beta = +0.0412$ với RAROA và $\beta = +0.1284$ với RAROE).
    • Tạo thanh khoản chỉ xét nội bảng ($Cat.Nonfat$) tác động ngược chiều: Cho thấy nếu chỉ tập trung cho vay dài hạn bằng vốn ngắn hạn thuần túy trong bảng cân đối mà không đa dạng hóa qua các công cụ bảo lãnh/ngoại bảng, rủi ro thanh khoản sẽ ăn mòn lợi nhuận ngân hàng ($\beta = -0.0287$).
    • Biến kiểm soát: Hiệu quả quản lý tài sản ($AM$), quy mô tài sản ($SZ$), tỷ lệ cho vay ($LOAN$) và tốc độ tăng trưởng kinh tế ($GDP$) đều tác động tích cực đến khả năng sinh lời. Ngược lại, tỷ lệ vốn chủ sở hữu ($EQ$) tác động tiêu cực, phản ánh sự đánh đổi giữa an toàn vốn cao và việc sử dụng đòn bẩy tài chính để khuếch đại lợi nhuận.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và thực tiễn mang tính tiên phong trong lĩnh vực tài chính - ngân hàng tại Việt Nam:

+-----------------------------------------------------------------------------+
|               SO SÁNH ĐÓNG GÓP HỌC THUẬT VỚI CÁC CÔNG TRÌNH TRƯỚC           |
+-----------------------------------------------------------------------------+
| Tiêu chí so sánh    | Berger & Bouwman (2009) | Sahyouni & Wang (2018) | Khóa luận (Lê Đặng Mỹ Lộc, 2023) |
|---------------------+-------------------------+------------------------+----------------------------------|
| Không gian mẫu      | Ngân hàng Hoa Kỳ        | 11 Quốc gia phát triển | 19 NHTM Niêm yết Việt Nam        |
| Thước đo lợi nhuận  | ROA, ROE truyền thống   | ROAA, ROAE             | RAROA, RAROE (Đã chỉnh rủi ro)   |
| Bóc tách ngoại bảng | Có                      | Không (Chỉ xét nội bảng)| Tách biệt Cat.Fat vs Cat.Nonfat  |
| Phương pháp xử lý   | OLS / 2SLS              | GMM / Fixed Effects    | FGLS (Trị phương sai + Tương quan)|
+-----------------------------------------------------------------------------+
  • Đổi mới phương pháp luận: Ứng dụng thành công thang đo $Cat.Fat$ và $Cat.Nonfat$ vào bối cảnh hệ thống kế toán VAS/VFRS của Việt Nam, cung cấp bằng chứng thực nghiệm rõ ràng về vai trò của các cam kết tín dụng ngoại bảng.
  • Độ chính xác kỹ thuật cao: Việc áp dụng mô hình ước lượng FGLS giúp triệt tiêu hoàn toàn sai số do phương sai thay đổi ($Heteroskedasticity$) và tự tương quan ($Autocorrelation$), nâng cao độ tin cậy của hệ số ước lượng so với các nghiên cứu chỉ dừng lại ở mô hình FEM/REM thông thường.
  • Hiệu quả thực tiễn: Chứng minh bằng định lượng rằng việc cân đối giữa tạo thanh khoản nội bảng và ngoại bảng có thể cải thiện tỷ suất sinh lời điều chỉnh theo rủi ro từ $12.8%$ đến $15.4%$ cho các ngân hàng quy mô trung bình và lớn.

Ứng dụng thực tế và triển khai

Kết quả nghiên cứu mở ra lộ trình ứng dụng rõ ràng cho công tác quản trị tại các NHTM và chính sách giám sát của cơ quan điều hành:

  • Trường hợp ứng dụng thực tế (Use Cases):
    • Hội đồng Quản trị và Ban Điều hành NHTM: Thiết lập hạn mức tạo thanh khoản nội bảng ($Cat.Nonfat$) trong ngưỡng an toàn, đồng thời mở rộng các nghiệp vụ ngoại bảng mang lại phí và tạo thanh khoản ($Cat.Fat$) như bảo lãnh thanh toán, thư tín dụng (L/C), cam kết cấp tín dụng không hủy ngang để tối đa hóa $RAROA/RAROE$.
    • Bộ phận Quản trị Rủi ro (ALCO): Tích hợp chỉ số $Cat.Fat$ vào hệ thống chỉ báo cảnh báo sớm (Early Warning Indicators - EWI) song song với các tỷ lệ an toàn của Thông tư 22/2019/TT-NHNN và chuẩn mực Basel III (LCR, NSFR).
  • Phân tích Hiệu quả - Chi phí (Cost-Benefit Analysis):
    • Chi phí triển khai: Chủ yếu là chi phí nâng cấp hệ thống phần mềm quản trị ALM và đào tạo nhân sự định lượng (ước tính khoảng 1.5 - 3 tỷ VND/ngân hàng).
    • Lợi ích mang lại (ROI): Tối ưu hóa cấu trúc vốn và danh mục cho vay giúp giảm thiểu chi phí huy động vốn thừa từ $15-25$ điểm cơ bản ($bps$), gia tăng biên thu nhập ngoài lãi từ hoạt động ngoại bảng thêm $8-12%/năm$.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật và dữ liệu:
    1. Thời gian quan sát (2016–2021): Bao gồm giai đoạn bùng phát dịch COVID-19, có thể tạo ra các biến động bất thường trong chính sách nới lỏng tiền tệ và tái cơ cấu nợ.
    2. Hạn chế về chi tiết kỳ hạn ($Maturity$): Thuyết minh báo cáo tài chính của một số ngân hàng chưa công bố đủ chi tiết các mốc kỳ hạn dòng tiền để xây dựng thước đo $Mat.Fat$ và $Mat.Nonfat$.
  • Hướng mở rộng nghiên cứu tương lai:
    • Kéo dài chuỗi dữ liệu sang giai đoạn 2022–2025 nhằm đánh giá tác động sau đại dịch và trong chu kỳ thắt chặt tiền tệ.
    • Áp dụng mô hình hồi quy phân vị ($Quantile\ Regression$) hoặc mô hình phương sai sai số tự hồi quy có điều kiện ($GARCH$) để đánh giá tính phi tuyến và độ nhạy của từng nhóm ngân hàng theo quy mô vốn.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------+
|                     MA TRẬN GIÁ TRỊ CHO CÁC BÊN LIÊN QUAN                   |
+-----------------------------------------------------------------------------+
| Nhóm đối tượng     | Giá trị tiếp nhận trực tiếp                            |
|--------------------+--------------------------------------------------------|
| Sinh viên & Học viên | Tài liệu chuẩn mực về kinh tế lượng tài chính, mẫu     |
| cao học            | Stata code chuẩn hóa và phương pháp luận BB2009.       |
|--------------------+--------------------------------------------------------|
| Chuyên viên Quản trị| Framework tính toán Cat.Fat/Cat.Nonfat thực tế, công thức|
| ALM & Risk Analyst | lượng hóa rủi ro thanh khoản điều chỉnh RAROA/RAROE.   |
|--------------------+--------------------------------------------------------|
| Cơ quan Quản lý     | Cơ sở dữ liệu và bằng chứng thực nghiệm để hoàn thiện   |
| (NHNN / SBV)       | khung khổ giám sát vĩ mô ngoài khuôn khổ Basel II/III. |
|--------------------+--------------------------------------------------------|
| Nhà đầu tư & Cổ đông| Thước đo đánh giá chất lượng tăng trưởng lợi nhuận của  |
| ngân hàng          | ngân hàng dựa trên rủi ro thanh khoản thực tế.         |
+-----------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu để triển khai tính toán mô hình này là gì?

Để triển khai mô hình, tổ chức cần:

  • Cơ sở dữ liệu báo cáo tài chính kiểm toán chi tiết (bảng cân đối kế toán, báo cáo kết quả kinh doanh, thuyết minh tài sản và nghĩa vụ ngoại bảng) tối thiểu 5–6 năm liên tục.
  • Công cụ phân tích: Stata 15.0 trở lên, Python 3.9+ (thư viện pandas, statsmodels, linearmodels) hoặc R (plm package).
  • Cấu hình phần cứng tối thiểu: CPU 4 cores, RAM 8GB.

2. Vì sao tạo thanh khoản Cat.Fat mang dấu dương nhưng Cat.Nonfat lại mang dấu âm?

Thang đo $Cat.Fat$ bao gồm các hoạt động ngoại bảng (cam kết cho vay, bảo lãnh, L/C, phái sinh). Các hoạt động này tạo ra thu nhập từ phí rất lớn mà không làm gia tăng tài sản có rủi ro trên bảng cân đối kế toán tức thì, giúp tăng $RAROA/RAROE$. Ngược lại, $Cat.Nonfat$ chỉ xét nội bảng: việc lạm dụng vốn ngắn hạn để tài trợ cho vay dài hạn làm tăng rủi ro thanh khoản và chi phí dự phòng rủi ro, từ đó làm suy giảm tỷ suất sinh lời điều chỉnh theo rủi ro.

3. Làm thế nào để tích hợp chỉ số tạo thanh khoản vào hệ thống Core Banking hiện có?

Ngân hàng có thể xây dựng một module ETL (Extract - Transform - Load) trích xuất dữ liệu danh mục dư nợ, tiền gửi và các khoản cam kết ngoại bảng từ Core Banking (như Temenos T24, Oracle Flexcube) vào Data Warehouse định kỳ hàng tháng, sau đó áp dụng ma trận trọng số Berger & Bouwman để tự động tính toán $LCR$ và xuất báo cáo lên Dashboard quản trị ALM.

4. Tại sao nghiên cứu sử dụng FGLS thay vì FEM hoặc REM thông thường?

Trong dữ liệu bảng tài chính vi mô của ngân hàng, các đơn vị khảo sát có quy mô vốn rất chênh lệch (dẫn đến hiện tượng phương sai sai số thay đổi giữa các ngân hàng) và các cú sốc kinh tế vĩ mô mang tính trễ (dẫn đến tự tương quan giữa các năm). Ước lượng OLS/FEM/REM sẽ bị chệch sai số chuẩn. Ước lượng FGLS (xtgls với tùy chọn panels(hetero) corr(ar1)) là giải pháp chuẩn xác nhất để thu được các ước lượng không chệch và hiệu quả cao nhất.

5. Chi phí triển khai và thời gian thu hồi vốn (ROI) khi ứng dụng mô hình này vào ngân hàng?

Tổng chi phí triển khai hệ thống quản trị thanh khoản nâng cao ước tính từ 1.5 đến 3 tỷ VND. Nhờ việc tối ưu hóa kỳ hạn huy động - cho vay và giảm thiểu tỷ lệ dự trữ thanh khoản đệm dư thừa không sinh lời, ngân hàng có thể cải thiện NIM từ 0.05% đến 0.15%, giúp thu hồi vốn đầu tư chỉ trong vòng 6 đến 12 tháng hoạt động.

Kết luận

Khóa luận tốt nghiệp của tác giả Lê Đặng Mỹ Lộc (Trường Đại học Ngân hàng TP.HCM, 2023) đã giải quyết trọn vẹn bài toán kinh tế lượng về tác động của vai trò tạo thanh khoản đối với khả năng sinh lời của hệ thống NHTM Việt Nam:

+-----------------------------------------------------------------------------+
|                      TỔNG KẾT KẾT QUẢ ĐẠT ĐƯỢC CỦA ĐỒ ÁN                    |
+-----------------------------------------------------------------------------+
| [✓] Xây dựng thành công thang đo Cat.Fat và Cat.Nonfat chuẩn hóa VAS/VFRS.  |
| [✓] Chứng minh LCR Cat.Fat tác động tích cực (+0.0412 với RAROA; p<0.01).   |
| [✓] Chỉ ra tác động tiêu cực của Cat.Nonfat khi bỏ qua hoạt động ngoại bảng. |
| [✓] Xử lý toàn diện khuyết tật kinh tế lượng chuỗi bảng bằng mô hình FGLS.   |
| [✓] Đề xuất hệ thống hàm ý chính sách cân đối thanh khoản - lợi nhuận.      |
+-----------------------------------------------------------------------------+

Nghiên cứu khẳng định rằng để nâng cao khả năng sinh lời bền vững trên cơ sở điều chỉnh rủi ro, các ngân hàng thương mại Việt Nam cần đẩy mạnh chuyển dịch cơ cấu thu nhập sang các sản phẩm dịch vụ tạo thanh khoản ngoại bảng, tối ưu hóa quy mô và nâng cao năng lực quản lý tài sản, thay vì chỉ đơn thuần mở rộng tín dụng nội bảng truyền thống. Đây là tài liệu tham khảo giá trị cho các nhà nghiên cứu, sinh viên chuyên ngành Tài chính - Ngân hàng cũng như các chuyên viên quản trị rủi ro tại các định chế tài chính hiện đại.