Giới thiệu dự án

Hoạt động cho vay bán lẻ (retail lending) tại các ngân hàng thương mại Việt Nam chứng kiến tốc độ tăng trưởng bình quân 18–20%/năm trong giai đoạn 2015–2017, đóng vai trò là động lực sinh lời chính nhưng đồng thời cũng tiềm ẩn rủi ro tín dụng hệ thống. Khác với khách hàng doanh nghiệp sở hữu báo cáo tài chính được kiểm toán độc lập, khách hàng cá nhân thường có nguồn thu nhập phi chính thức, dữ liệu phân tán và thiếu tính minh bạch. Điều này dẫn đến tình trạng bất cân xứng thông tin (information asymmetry) trầm trọng giữa tổ chức tín dụng (TCTD) và người vay.

Thực trạng thẩm định tín dụng cá nhân truyền thống đối mặt với 3 điểm nghẽn cốt lõi:

  • Thời gian xử lý kéo dài: Quy trình kiểm tra dữ liệu Trung tâm Thông tin Tín dụng Quốc gia (CIC) và thẩm định tài sản bảo đảm (TSBĐ) thủ công tiêu tốn 3–5 ngày làm việc.
  • Định tính và cảm tính: Quyết định phê duyệt phụ thuộc phần lớn vào kinh nghiệm chủ quan của cán bộ tín dụng (CBTD), thiếu mô hình lượng hóa xác suất vỡ nợ (Probability of Default - PD).
  • Rủi ro nợ xấu và định giá tài sản sai lệch: Việc thiếu hụt cơ sở dữ liệu định giá chuẩn xác cho bất động sản và phương tiện giao thông dễ dẫn đến cấp hạn mức vượt quá tỷ lệ an toàn vốn (Loan-to-Value - LTV).

Đồ án tập trung giải quyết bài toán tối ưu hóa quy trình thẩm định tín dụng cá nhân tại Ngân hàng TMCP Ngoại thương Việt Nam – Chi nhánh TP. Hồ Chí Minh (Vietcombank TPHCM) thông qua các mục tiêu cụ thể:

  1. Hệ thống hóa cơ sở lý luận về cấp tín dụng bán lẻ, mô hình điểm số tiêu dùng (Stefanie Kleimeier), thang đo FICO và hàm hồi quy Logistic (Maddala).
  2. Phân tích thực trạng hoạt động cho vay cá nhân và đánh giá hiệu quả danh mục dư nợ 2015–2017 tại Vietcombank TPHCM.
  3. Xây dựng ma trận thẩm định đa tầng kết hợp chấm điểm định lượng nhân thân, kiểm soát hệ số trả nợ (Debt-to-Income - DTI), phân quyền phê duyệt theo hạn mức và chuẩn hóa 3 phương pháp định giá TSBĐ.
  4. Đề xuất lộ trình công nghệ hóa và tự động hóa quy trình thẩm định trước giải ngân nhằm duy trì tỷ lệ nợ xấu dưới 0.35% trên quy mô dư nợ vượt 5,000 tỷ VND.

Phạm vi nghiên cứu tập trung vào giai đoạn trước giải ngân (pre-disbursement underwriting) đối với 3 phân nhóm sản phẩm: cho vay có TSBĐ, cho vay không có TSBĐ (tín chấp) và phát hành thẻ tín dụng tại địa bàn TP. Hồ Chí Minh.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các ngân hàng thương mại, quy trình thẩm định tín dụng cá nhân tồn tại các mô hình tiếp cận khác nhau với ưu nhược điểm rõ rệt:

Tiêu chí Thẩm định truyền thống (Chuyên gia/Định tính) Chấm điểm tín dụng định lượng (FICO / Kleimeier) Hệ thống thẩm định kết hợp (Hybrid Matrix)
Cơ chế ra quyết định Kinh nghiệm CBTD, phỏng vấn trực tiếp, kiểm tra thực địa Thuật toán chấm điểm tự động dựa trên trọng số biến số Điểm số tự động kết hợp phân tích dòng tiền & phê duyệt phân quyền
Thời gian thẩm định 3 – 5 ngày làm việc < 15 phút xử lý tự động 1 – 2 ngày làm việc (bao gồm thực địa TSBĐ)
Độ chính xác & Khách quan Thấp, dễ phát sinh thiên vị hoặc gian lận hồ sơ Rất cao về mặt thống kê, nhưng cứng nhắc Cao, cân bằng giữa rủi ro hệ thống và đặc thù khách hàng
Tỷ lệ nợ xấu kiểm soát Dao động 1.5% – 3.0% 0.8% – 1.2% Tối ưu < 0.5%
Khả năng mở rộng quy mô Kém, phụ thuộc số lượng nhân sự Cực cao, tích hợp Core Banking Cao, chuẩn hóa quy trình cho mạng lưới PGD

Yêu cầu nghiệp vụ hệ thống thẩm định theo mô hình MoSCoW:

  • Must-have (Bắt buộc): Tự động tính hệ số trả nợ (DTI $\le 60%$), tích hợp truy vấn cổng thông tin CIC, kiểm tra trần hạn mức LTV theo danh mục tài sản, kiểm soát điều kiện không có nợ nhóm 2 trở lên.
  • Should-have (Nên có): Tự động tính điểm xếp hạng A–D theo mô hình Stefanie Kleimeier, mô phỏng xác suất trả nợ qua hàm Logistic Regression.
  • Could-have (Có thể có): Cơ chế chấm điểm mở rộng từ nguồn dữ liệu mở/dữ liệu viễn thông.
  • Won't-have (Chưa áp dụng): Phê duyệt giải ngân tự động 100% không qua đối soát chứng từ gốc.

Thiết kế hệ thống

Kiến trúc quy trình thẩm định tín dụng cá nhân đa tầng được thiết kế nhằm tách bạch giữa khâu thẩm định độc lập và khâu phê duyệt cấp tín dụng:

Quy định cấu hình công nghệ và cơ sở dữ liệu xử lý:

  • Core Banking System: Phân hệ quản lý hạn mức tín dụng cá nhân và trích lục dữ liệu giao dịch tài khoản.
  • Database Schema: Bảng Credit_Appraisal lưu trữ các trường: CustomerID (PK), Age (18–65), MaritalStatus, MonthlyIncome ($X_1 \ge 5\text{ triệu VND}$ nếu độc thân, $\ge 10\text{ triệu VND}$ nếu kết hôn), EducationLevel ($X_2 \in {0, 1}$), DependentsCount ($X_3$), CollateralValue, ApprovedLTV, AssignedScore, RatingGrade.
  • Security & Compliance: Mã hóa dữ liệu đường truyền SSL/TLS 256-bit kết nối cổng NHNN-CIC; phân quyền truy cập Role-Based Access Control (RBAC) nghiêm ngặt giữa bộ phận Quan hệ khách hàng (RM) và Bộ phận Quản lý rủi ro (Risk Management).

Methodology

Phương pháp tiếp cận kết hợp định tính và định lượng (Mixed Methodology) được triển khai qua các giai đoạn:

  1. Thu thập dữ liệu thứ cấp & sơ cấp: Dữ liệu lịch sử 3 năm (2015–2017) tại Vietcombank TPHCM gồm dư nợ, cơ cấu nợ, tỷ lệ nợ xấu, hồ sơ thẩm định thực tế.
  2. Hiệu chỉnh mô hình lượng hóa: Ứng dụng mô hình tính điểm của Stefanie Kleimeier (2006) và mô hình Logistic của Maddala (1984) để thiết lập bộ tiêu chuẩn đo lường năng lực trả nợ.
  3. Quản trị rủi ro thẩm định: Thiết lập ma trận rủi ro đối với tài sản bảo đảm, quy định chiết khấu LTV tối đa từ 50% đến 100% tùy thuộc tính thanh khoản của từng nhóm tài sản.

Implementation và kết quả

Development process

Quá trình triển khai nghiệp vụ thẩm định được chuẩn hóa thành 3 thuật toán và công thức tính toán cốt lõi:

1. Công thức xác định Hệ số trả nợ (Debt Service Ratio / Debt-to-Income - DTI)

Hệ số trả nợ bắt buộc phải đảm bảo khả năng bù đắp dòng tiền sinh hoạt của khách hàng:

$$\text{DTI} = \frac{\text{Tổng nợ phải trả hàng tháng (Gốc + Lãi khoản vay mới + Khoản vay hiện hữu)}}{\text{Tổng thu nhập thực tế hàng tháng (Lương cố định + Thu nhập kinh doanh/cho thuê)}} \le 60%$$

2. Mô hình phân loại xác suất thu hồi nợ (Logistic Model)

Ứng dụng hàm chỉ số $Y$ và hàm phân phối xác suất Logistic của Maddala (1984):

$$Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 - 1.1 X_3$$

Trong đó:

  • $X_1$: Thu nhập trung bình 1 tháng của khách hàng (triệu VND).
  • $X_2$: Biến giả trình độ học vấn ($X_2 = 1$ nếu Đại học trở lên; $X_2 = 0$ nếu dưới Đại học).
  • $X_3$: Số người phụ thuộc trong gia đình.

Xác suất trả nợ đúng hạn $P$ được xác định theo phương trình:

$$P(\text{Trả nợ đúng hạn}) = \frac{1}{1 + e^{-Y}}$$

  • Nếu $P \ge 0.5$: Khách hàng có xác suất trả nợ đúng hạn cao $\rightarrow$ Chấp thuận xem xét hồ sơ.
  • Nếu $P < 0.5$: Rủi ro vỡ nợ cao $\rightarrow$ Từ chối cho vay.

3. Quy trình tính điểm tín dụng (Stefanie Kleimeier Scoring Algorithm)

def evaluate_credit_application(applicant_data):
    """
    Thuật toán tính điểm và phân luồng thẩm định tín dụng cá nhân
    """
    score = 0
    # 1. Đánh giá thu nhập và thâm niên
    if applicant_data['monthly_income'] >= 20_000_000:
        score += 120
    elif applicant_data['monthly_income'] >= 10_000_000:
        score += 80
    else:
        score += 40
        
    # 2. Đánh giá trình độ và chức vụ
    if applicant_data['education'] == 'POST_GRADUATE' or applicant_data['role'] == 'EXECUTIVE':
        score += 100
    elif applicant_data['education'] == 'UNIVERSITY':
        score += 70
    else:
        score += 30

    # 3. Đánh giá lịch sử tín dụng CIC (Thang FICO quy đổi)
    if applicant_data['cic_npl_history'] == 0:
        score += 150
    else:
        return {"Decision": "REJECT", "Reason": "Lịch sử nợ xấu tại CIC"}

    # 4. Trừ điểm người phụ thuộc
    score -= applicant_data['dependents'] * 20

    # Phân loại hạng mức rủi ro
    if score > 400:
        rating = "AAA"
        decision = "Cho vay tối đa theo đề nghị (LTV tối đa)"
    elif 301 <= score <= 400:
        rating = "AA/A"
        decision = "Cho vay tiêu chuẩn theo TSBĐ"
    elif 201 <= score <= 300:
        rating = "BBB/BB"
        decision = "Yêu cầu rà soát dòng tiền bổ sung & đủ TSBĐ"
    elif 151 <= score <= 200:
        rating = "B"
        decision = "Thẩm định thận trọng cấp Hội đồng tín dụng"
    else:
        rating = "CCC/D"
        decision = "Từ chối cấp tín dụng"

    return {"TotalScore": score, "Rating": rating, "Action": decision}

Testing và validation

Hiệu chuẩn phương pháp định giá tài sản bảo đảm qua 3 kịch bản:

  • Phương pháp so sánh thị trường (Market Comparison): Lựa chọn tối thiểu 3–6 bất động sản tương đồng về vị trí, pháp lý và diện tích trong bán kính 1km để xác định giá trị thị trường bình quân.
  • Phương pháp chi phí (Cost Approach): Định giá nhà ở và công trình xây dựng:

$$\text{Giá trị TSBĐ} = \text{Giá trị đất} + (\text{Chi phí xây dựng mới thay thế} - \text{Giá trị hao mòn lũy kế})$$

  • Kiểm định tỷ lệ cấp tín dụng tối đa (LTV Caps):
    • Tiền gửi, TTK, Giấy tờ có giá tại VCB: Cấp tối đa 100% (Ưu tiên mức 1).
    • Trái phiếu Chính phủ: Cấp tối đa 100% (Ưu tiên mức 1).
    • Quyền sử dụng đất ở: Cấp tối đa 80% (Ưu tiên mức 3).
    • Nhà ở có Giấy chứng nhận sở hữu: Cấp tối đa 70% (Ưu tiên mức 2).
    • Ô tô mới 100%: Cấp tối đa 70%; Ô tô đã qua sử dụng $\le 4$ năm: Cấp tối đa 60% (Chất lượng còn lại $\ge 80%$).

Kết quả đạt được

Hoạt động thẩm định tín dụng cá nhân tại Vietcombank TPHCM giai đoạn 2015–2017 mang lại các kết quả định lượng vượt bậc:

Chỉ số hoạt động Năm 2015 Năm 2016 Năm 2017 Tốc độ tăng trưởng / Cải thiện
Tổng dư nợ cho vay cá nhân 3,849 tỷ VND 4,228 tỷ VND 5,059 tỷ VND Tăng +31.44% sau 2 năm (+19.65% năm 2017)
- Dư nợ cho vay có TSBĐ 2,579.47 tỷ VND 2,890.10 tỷ VND 3,289.60 tỷ VND Tăng +27.53% (chiếm 65.02% danh mục)
- Dư nợ tín chấp (không TSBĐ) 836.71 tỷ VND 956.74 tỷ VND 1,258.26 tỷ VND Tăng +50.38% (chủ yếu gói CBNV & KH VIP)
- Dư nợ thẻ tín dụng 432.82 tỷ VND 381.16 tỷ VND 511.14 tỷ VND Tăng +18.09%
Quy mô nợ xấu (NPL) 16.20 tỷ VND 13.50 tỷ VND 11.80 tỷ VND Giảm -27.16% từ 16.2 tỷ xuống 11.8 tỷ
Tỷ lệ nợ xấu trên tổng dư nợ 0.42% 0.32% 0.23% Giảm mạnh -45.24% (kiểm soát dưới trần 1.0%)

Đổi mới và đóng góp

Đổi mới kỹ thuật và phương pháp luận

  1. Ma trận hóa phân quyền xét duyệt (Decentralized Approval Matrix):

    • Phó phòng tín dụng: Phê duyệt khoản vay $< 1\text{ tỷ VND}$.
    • Trưởng phòng tín dụng: Phê duyệt từ $1\text{ tỷ}$ đến $< 2\text{ tỷ VND}$.
    • Giám đốc Chi nhánh: Phê duyệt tối đa $16\text{ tỷ VND}$ đối với sản phẩm chuẩn (đáp ứng đầy đủ điều kiện mẫu) và $8\text{ tỷ VND}$ đối với sản phẩm không chuẩn.
    • Hội đồng tín dụng Chi nhánh: Phê duyệt đến $30\text{ tỷ VND}$.
    • Phân cấp Hội sở TW: Lên đến $3,000\text{ tỷ VND}$.

  2. Cơ chế kiểm soát lãi suất thả nổi linh hoạt: Áp dụng lãi suất cố định ưu đãi năm đầu từ 7.5% – 7.7%/năm; sau thời gian ưu đãi chuyển sang lãi suất thả nổi:

$$\text{Lãi suất cho vay} = \text{Lãi suất huy động VND kỳ hạn 24 tháng (trả sau)} + \text{Biên độ } 3.5%/\text{năm}$$

Định kỳ điều chỉnh 3 tháng/lần; áp dụng chế tài $150%$ lãi suất trong hạn khi chuyển nhóm nợ không đủ tiêu chuẩn (Nhóm 2–4).

  1. So sánh với các giải pháp hiện hành:
Tiêu chuẩn so sánh Mô hình Chấm điểm FICO thuần túy Hệ thống thẩm định ACB (Lê Văn Triết, 2010) Mô hình Hybrid Vietcombank TPHCM
Độ phủ dữ liệu 5 nhóm chỉ số chuẩn hóa (Lịch sử 35%, Dư nợ 30%...) Điểm số FICO kết hợp khảo sát thu nhập Kết hợp Kleimeier + FICO + Hàm Logistic Maddala
Xử lý tài sản bảo đảm Không trực tiếp định giá bất động sản Thẩm định độc lập qua công ty liên kết Tích hợp 3 phương pháp định giá (So sánh/Chi phí/Thu nhập)
Tỷ lệ nợ xấu thực tế ~1.0% – 1.5% ~0.8% – 1.1% 0.23% (siêu an toàn)

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

Tình huống: Khách hàng A (32 tuổi, kết hôn, 1 con) nộp hồ sơ vay mua nhà dự án trị giá 3 tỷ VND tại Quận 2, TP.HCM.

  • Thu nhập cố định qua tài khoản Vietcombank: 35 triệu VND/tháng; Thu nhập cho thuê căn hộ phụ: 10 triệu VND/tháng $\rightarrow$ Tổng thu nhập = 45 triệu VND ($> 10\text{ triệu VND}$ thỏa mãn Bảng 2.1).
  • Nhu cầu vay: 1.8 tỷ VND trong 15 năm (180 tháng).
  • Khoản trả gốc + lãi hàng tháng ước tính: 22 triệu VND.

Quy trình thẩm định thực thi:

  1. Tra cứu CIC: Điểm tín dụng tốt, không có nợ cần chú ý (Nhóm 2–5).
  2. Hệ số trả nợ: $\text{DTI} = 22 / 45 = 48.88% \le 60%$ (Đạt chuẩn).
  3. Chấm điểm nội bộ: Điểm tổng hợp đạt 365 điểm $\rightarrow$ Xếp hạng AA (Cho vay theo TSBĐ).
  4. Thẩm định TSBĐ: Căn hộ hình thành từ vốn vay được định giá độc lập 2.8 tỷ VND.
    • Trần LTV tối đa áp dụng cho BĐS nhà ở là 70%: $\text{Hạn mức tối đa} = 2.8\text{ tỷ} \times 70% = 1.96\text{ tỷ VND}$.
    • Mức đề nghị vay 1.8 tỷ VND $< 1.96\text{ tỷ VND}$ (Chấp thuận giải ngân).
  5. Phê duyệt: Trưởng phòng trình Giám đốc Chi nhánh phê duyệt theo thẩm quyền chuẩn ($1.8\text{ tỷ} \le 16\text{ tỷ VND}$).

Lộ trình triển khai tại mạng lưới 11 Phòng Giao dịch

  • Triển khai đồng bộ: Áp dụng tại PGD Tôn Đức Thắng, PGD Bến Nghé, PGD Nam Kỳ Khởi Nghĩa, PGD Hàm Nghi, PGD Cộng Hòa...
  • Chương trình KPIs: Đo lường hiệu suất thẩm định của CBTD theo thời gian xử lý hồ sơ và tỷ lệ phát sinh nợ quá hạn.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Thời gian tra cứu và phản hồi dữ liệu từ Trung tâm Thông tin Tín dụng NHNN (CIC) vẫn mất 2–3 ngày làm việc, tạo độ trễ trong phê duyệt nhanh.
  • Khó khăn trong việc định lượng và xác thực nguồn thu nhập đối với nhóm khách hàng kinh doanh tự do hoặc thu nhập tiền mặt.
  • Mô hình tính điểm lập trình tĩnh, chưa có khả năng tự động cập nhật trọng số biến số theo biến động kinh tế vĩ mô.

Hướng phát triển

  1. Xây dựng kênh tích hợp API trực tiếp với hệ sinh thái cơ sở dữ liệu quốc gia về dân cư và hệ thống chấm điểm CIC thời gian thực.
  2. Ứng dụng thuật toán học máy (Machine Learning: Random Forest, XGBoost) để phân tích dữ liệu phi cấu trúc (hành vi thanh toán POS, hóa đơn tiện ích).
  3. Triển khai công nghệ thị giác máy tính (Computer Vision) kết hợp dữ liệu GIS để tự động hóa định giá sơ bộ bất động sản bảo đảm.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính – Ngân hàng: Tiếp cận khung nghiên cứu thực chứng hoàn chỉnh về quy trình cấp tín dụng cá nhân và các thuật toán tính điểm thực tế.
  • Chuyên viên Tín dụng & Quản trị Rủi ro: Nắm vững bộ tiêu chí LTV, DTI, phân quyền xét duyệt và 3 phương pháp thẩm định giá tài sản thế chấp.
  • Lãnh đạo Ngân hàng & TCTD: Khung tham chiếu để tái cấu trúc quy trình thẩm định, tối ưu hóa tỷ lệ an toàn vốn và giảm tỷ lệ nợ xấu dưới 0.3%.
  • Kỹ sư Công nghệ Fintech: Kiến trúc logic nghiệp vụ để phát triển hệ thống khởi tạo khoản vay (Loan Origination System - LOS) và động cơ ra quyết định (Decision Engine).

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và pháp lý cơ bản để phê duyệt một khoản vay cá nhân có TSBĐ?

Khách hàng phải trong độ tuổi 18–65; thu nhập tối thiểu $>5\text{ triệu VND}$ (độc thân) hoặc $>10\text{ triệu VND}$ (đã kết hôn); không có nợ nhóm 2 trở lên tại CIC; hệ số $\text{DTI} \le 60%$; tài sản bảo đảm có giấy tờ hợp pháp (sổ đỏ/hồng, đăng ký xe $\le 4\text{ năm}$), LTV tuân thủ trần 60%–80% tùy loại tài sản.

2. Mô hình Logistic của Maddala giải quyết bài toán gì trong thẩm định?

Mô hình ước lượng hàm quan hệ xác suất vỡ nợ dựa trên thu nhập ($X_1$), trình độ học vấn ($X_2$) và số người phụ thuộc ($X_3$). Kết quả cho ra chỉ số xác suất $P \ge 0.5$ giúp ngân hàng có căn cứ toán học khách quan để loại bỏ các hồ sơ có rủi ro vỡ nợ tiềm ẩn.

3. Tại sao trần LTV đối với bất động sản nông nghiệp chỉ là 60% trong khi tiền gửi là 100%?

Tỷ lệ LTV phản ánh tính thanh khoản và biến động giá của tài sản. Tiền gửi/GTCG tại chính Vietcombank có độ rủi ro bằng 0 và tính thanh khoản tuyệt đối (100%), trong khi đất nông nghiệp có tính thanh khoản thấp, khó xử lý phát mại thu hồi nợ khi xảy ra tranh chấp nên bị áp mức chiết khấu an toàn 40% (LTV 60%).

4. Chi nhánh quản lý rủi ro lãi suất cho vay dài hạn (10–15 năm) như thế nào?

Ngân hàng áp dụng cơ chế lãi suất thả nổi định kỳ 3 tháng/lần sau thời gian ưu đãi cố định 1–3 năm đầu. Lãi suất thả nổi bằng lãi suất huy động 24 tháng cộng biên độ $3.5%/\text{năm}$, giúp ngân hàng bảo toàn biên lãi ròng (NIM) trước biến động lạm phát.

5. Chi phí và thời gian triển khai nâng cấp quy trình thẩm định tự động?

Việc tích hợp động cơ chấm điểm tín dụng nội bộ vào Core Banking tiêu tốn khoảng 3–6 tháng triển khai; giúp giảm 40% thời gian xử lý hồ sơ tín dụng và hoàn vốn đầu tư (ROI) thông qua việc cắt giảm chi phí dự phòng rủi ro nợ xấu trong vòng 12–18 tháng.

Kết luận

Đề tài "Hoạt động thẩm định cho vay cá nhân tại Vietcombank Chi nhánh TP. Hồ Chí Minh" đã chứng minh vai trò then chốt của công tác thẩm định trước giải ngân trong việc dung hòa giữa mục tiêu tăng trưởng tín dụng và kiểm soát rủi ro hệ thống. Bằng việc kết hợp hài hòa giữa mô hình định lượng (Stefanie Kleimeier, Maddala Logistic) và hệ thống thẩm định giá tài sản đa phương pháp, Vietcombank TPHCM đã mở rộng quy mô dư nợ cá nhân từ 3,849 tỷ VND lên 5,059 tỷ VND (giai đoạn 2015–2017) đồng thời giảm mạnh tỷ lệ nợ xấu từ 0.42% xuống mức lý tưởng 0.23%. Mô hình thẩm định đa tầng này là nền tảng thực tiễn giá trị để các ngân hàng thương mại Việt Nam chuẩn hóa quy trình quản trị rủi ro tín dụng bán lẻ theo chuẩn mực Basel II.