Luận văn thạc sĩ ứng dụng mô hình creditmetrics vào quản trị rủi ro tín dụng tại ngân hàng tmcp tiên phong

Chuyên đề nghiên cứu Ứng dụng CreditMetrics trong quản trị rủi ro tín dụng tại ngân hàng TMCP Tiên Phong, cập nhật xu hướng mới, giá trị tham khảo

• Tác giả: Trần Minh Lam
• Trường học: Trường Đại Học Kinh Tế TP.HCM
• Chuyên ngành: Tài chính – Ngân hàng
• Đề tài: Ứng Dụng Mô Hình CreditMetrics Vào Quản Trị Rủi Ro Tín Dụng Tại Ngân Hàng TMCP Tiên Phong
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2013
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• Trang phụ bìa
• Lời cam đoan
• Danh mục các bảng biểu
• Lời mở đầu
• 1. Chương 1: Tổng quan các mô hình đo lường rủi ro tín dụng
• 1.1. Các mô hình đo lường rủi ro tín dụng
• 1.1.1. Các mô hình đo lường rủi ro tín dụng truyền thống
• 1.1.1.1. Mô hình chuyên gia 5C (Expert system)
• 1.1.1.2. Mô hình điểm số Z (Z – Credit scoring model)
• 1.1.1.3. Mô hình xếp hạng tín dụng
• 1.1.2. Các mô hình đo lường rủi ro tín dụng hiện đại
• 1.1.2.1. Mô hình CreditMetrics của J.P Morgan
• 1.1.2.2. Mô hình Creditrisk Plus
• 1.1.2.3. Mô hình Portforlio KMV
• 1.1.2.4. Mô hình CreditPortforlio View
• 2. Chương 2: Thực trạng đo lường rủi ro tín dụng của ngân hàng TMCP Tiên Phong trong những năm gần đây
• 2.1. Giới thiệu khái quát về Ngân hàng TMCP Tiên Phong
• 2.2. Thực trạng quản trị rủi ro và đo lường rủi ro tín dụng tại Ngân hàng TMCP Tiên Phong
• 2.2.1. Thực trạng quản trị rủi ro tín dụng tại Ngân hàng TMCP Tiên Phong
• 2.2.2. Thực trạng đo lường rủi ro tín dụng tại Ngân hàng TMCP Tiên Phong
• 3. Chương 3: Ứng dụng mô hình CreditMetrics vào quản trị rủi ro tín dụng tại Ngân hàng TMCP Tiên Phong
• 3.1. Vì sao Ngân hàng TMCP Tiên Phong nên áp dụng mô hình CreditMetrics vào quản trị rủi ro tín dụng
• 3.2. Áp dụng mô hình CreditMetrics vào quản trị rủi ro tín dụng tại Ngân hàng TMCP Tiên Phong
• 3.2.1. Dữ liệu đầu vào
• 3.2.2. Phần phân tích
• 3.2.2.1. Xác suất chuyển hạng tín dụng của các doanh nghiệp vay
• 3.2.2.2. Tính giá trị của danh mục vay cuối năm 2013
• 3.2.2.3. Tương quan giữa các món vay trên danh mục
• 3.2.2.4. Tính tổn thất danh mục vay bằng mô phỏng Monte Carlo
• 3.3. Tổn thất của danh mục vay áp dụng theo mô hình hiện tại của Ngân hàng TMCP Tiên Phong
• Tài liệu tham khảo
• Các phụ lục

Tóm tắt

I. Tổng quan về mô hình CreditMetrics

Mô hình CreditMetrics là một trong những công cụ hiện đại được sử dụng để đo lường và quản lý rủi ro tín dụng. Được phát triển bởi J.P. Morgan, mô hình này cho phép ngân hàng đánh giá tổn thất kỳ vọng và không kỳ vọng từ các khoản vay trong danh mục đầu tư. CreditMetrics sử dụng ma trận chuyển hạng tín dụng để xác định xác suất chuyển đổi giữa các hạng tín dụng khác nhau của khách hàng. Điều này giúp ngân hàng có cái nhìn tổng quan về rủi ro tín dụng mà họ đang đối mặt. Mô hình này không chỉ giúp ngân hàng đo lường rủi ro mà còn cung cấp thông tin cần thiết để đưa ra quyết định về việc cấp tín dụng và quản lý danh mục cho vay. Theo nghiên cứu của Diana Diaz và Gordon Gemmill, CreditMetrics được ưa chuộng hơn so với các mô hình khác do khả năng ước tính tổn thất tin cậy hơn. Việc áp dụng mô hình này tại ngân hàng TMCP Tiên Phong sẽ giúp cải thiện quy trình quản lý rủi ro và nâng cao hiệu quả hoạt động tín dụng.

II. Thực trạng quản trị rủi ro tín dụng tại ngân hàng TMCP Tiên Phong

Ngân hàng TMCP Tiên Phong (TPBank) đã có những bước tiến đáng kể trong việc quản lý rủi ro tín dụng. Tuy nhiên, thực trạng hiện tại cho thấy ngân hàng vẫn còn thiếu các mô hình đo lường rủi ro hiện đại như CreditMetrics. Quy trình quản lý rủi ro tín dụng tại TPBank chủ yếu dựa vào các phương pháp truyền thống, dẫn đến việc đánh giá rủi ro chưa chính xác và hiệu quả. Theo báo cáo, tỷ lệ nợ xấu tại TPBank vẫn ở mức cao, cho thấy sự cần thiết phải cải thiện quy trình quản lý rủi ro. Việc áp dụng mô hình CreditMetrics sẽ giúp TPBank có thể xác định chính xác hơn xác suất vỡ nợ và tổn thất kỳ vọng từ các khoản vay. Điều này không chỉ giúp ngân hàng giảm thiểu rủi ro mà còn nâng cao khả năng cạnh tranh trên thị trường. Như một chuyên gia trong lĩnh vực tài chính đã chỉ ra, việc áp dụng các mô hình hiện đại là điều cần thiết để ngân hàng có thể tồn tại và phát triển trong môi trường kinh doanh ngày càng khắc nghiệt.

III. Ứng dụng mô hình CreditMetrics vào quản trị rủi ro tín dụng tại TPBank

Việc áp dụng mô hình CreditMetrics vào quản trị rủi ro tín dụng tại ngân hàng TMCP Tiên Phong sẽ mang lại nhiều lợi ích thiết thực. Đầu tiên, mô hình này cho phép ngân hàng xác định được xác suất chuyển hạng tín dụng của các doanh nghiệp vay, từ đó tính toán được tổn thất tối đa trong danh mục cho vay. Dữ liệu đầu vào cho mô hình sẽ bao gồm thông tin về tình hình tài chính của khách hàng, lịch sử tín dụng và các yếu tố kinh tế vĩ mô. Thông qua việc phân tích dữ liệu này, TPBank có thể xây dựng ma trận chuyển hạng tín dụng, từ đó đưa ra các quyết định tín dụng chính xác hơn. Hơn nữa, mô hình CreditMetrics còn giúp ngân hàng thực hiện các bài mô phỏng Monte Carlo để đánh giá tổn thất danh mục vay, từ đó có thể lập kế hoạch dự phòng tài chính hợp lý. Như một nghiên cứu đã chỉ ra, việc áp dụng mô hình này không chỉ giúp ngân hàng giảm thiểu rủi ro mà còn nâng cao hiệu quả quản lý tài chính.

Nội dung chính

Tổng quan nghiên cứu

Cuối năm 2013, tỷ lệ nợ xấu nội bảng của toàn hệ thống ngân hàng thương mại Việt Nam được công bố ở mức 3,79%, tương ứng với giá trị tuyệt đối khoảng 131.267 tỷ đồng. Tuy nhiên, nếu tính thêm 32.000 tỷ đồng nợ xấu đã chuyển giao cho Công ty Quản lý tài sản của các tổ chức tín dụng Việt Nam (VAMC), tổng nợ xấu thực tế ước tính lên tới 170.000 tỷ đồng, chiếm khoảng 4,9% tổng dư nợ. Đáng chú ý, các tổ chức xếp hạng tín nhiệm quốc tế như Moody's và Fitch từng đánh giá tỷ lệ nợ xấu thực tế của hệ thống tài chính Việt Nam có thể chạm ngưỡng 15%. Tại Ngân hàng Thương mại Cổ phần Tiên Phong (TPBank), quy trình quản trị rủi ro tín dụng giai đoạn 2009-2013 vẫn mang tính truyền thống, tập trung chủ yếu vào từng khoản vay riêng lẻ và phân loại theo số ngày quá hạn mà chưa áp dụng mô hình định lượng danh mục hiện đại.

Vấn đề nghiên cứu trọng tâm của luận văn là giải quyết tình trạng thiếu hụt công cụ định lượng tổn thất danh mục trong hoạt động cấp tín dụng tại TPBank. Mục tiêu cụ thể của đề tài là ứng dụng mô hình CreditMetrics của J.P. Morgan để thiết lập ma trận chuyển hạng tín nhiệm, tính toán phân phối tổn thất và lượng hóa mức tổn thất tối đa của danh mục cho vay doanh nghiệp. Phạm vi nghiên cứu được thực hiện tại Hội sở chính và các chi nhánh của TPBank trên chuỗi dữ liệu thực nghiệm từ năm 2009 đến năm 2013, trọng tâm là danh mục 23 khoản vay doanh nghiệp ngành công nghiệp. Ý nghĩa của nghiên cứu thể hiện qua việc cung cấp cơ sở khoa học để xác định mức trích lập dự phòng cụ thể, xây dựng quỹ đệm vốn kinh tế bù đắp tổn thất không kỳ vọng và nâng cao hệ số an toàn vốn (CAR) đạt chuẩn mực Basel II trên mức 9%.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Khung lý thuyết của đề tài dựa trên nền tảng đo lường rủi ro tín dụng danh mục hiện đại kết hợp với các khuyến nghị an toàn vốn của Ủy ban Basel. Nghiên cứu tiếp cận toàn diện qua hai hệ thống mô hình: mô hình truyền thống (gồm mô hình chuyên gia 5C và mô hình điểm số Z của Edward Altman năm 1968 với ngưỡng an toàn Z lớn hơn 1,81) và mô hình hiện đại (gồm CreditRisk+ của Credit Suisse năm 1996 dựa trên phân phối Poisson, KMV Portfolio Manager dựa trên mô hình định giá quyền chọn Merton năm 1974, cùng CreditPortfolioView của McKinsey năm 1998). Trong đó, mô hình CreditMetrics do J.P. Morgan giới thiệu năm 1997 được lựa chọn làm nền tảng phân tích cốt lõi.

Các khái niệm chính được chuẩn hóa gồm: Xác suất vỡ nợ (Probability of Default - PD), Tổn thất khi vỡ nợ (Loss Given Default - LGD), Giá trị chịu rủi ro tại thời điểm vỡ nợ (Exposure at Default - EAD), Tổn thất kỳ vọng (Expected Loss - EL) và Giá trị chịu rủi ro (Value at Risk - VaR). Theo khảo sát của Smithson năm 2002 trên 41 tổ chức tài chính toàn cầu, 20% định chế sử dụng CreditMetrics và 69% sử dụng KMV, khẳng định xu hướng tất yếu của việc quản trị rủi ro trên toàn bộ danh mục tài sản.

Phương pháp nghiên cứu

Nghiên cứu kết hợp phương pháp định tính và định lượng trên dữ liệu thực tế tại TPBank trong giai đoạn từ năm 2009 đến năm 2013. Phương pháp định tính được sử dụng để phân tích thực trạng bộ máy tổ chức, quy trình cấp tín dụng và cơ chế phân loại nợ theo Điều 6 Quyết định 493/2005/QĐ-NHNN và Thông tư 02/2013/TT-NHNN.

Về phương pháp định lượng, cỡ mẫu nghiên cứu gồm 23 khoản vay của các doanh nghiệp thuộc ngành công nghiệp với tổng dư nợ chiếm tỷ trọng lớn tại TPBank. Phương pháp chọn mẫu có chủ đích (purposive sampling) được áp dụng nhằm chọn lọc các khách hàng doanh nghiệp có lịch sử tín dụng đầy đủ từ năm 2009 đến năm 2012 để xây dựng ma trận chuyển hạng. Lý do lựa chọn phương pháp CreditMetrics là khả năng định lượng sự thay đổi giá trị danh mục dựa trên việc nâng hạng hoặc hạ hạng tín nhiệm của khách hàng thay vì chỉ xem xét trạng thái vỡ nợ nhị phân. Tác giả sử dụng phần mềm Mathematica 5.2 để tính tích phân hai lớp qua hàm NIntegrate, thực hiện phân tích phân rã Cholesky với hệ số tương quan tài sản ngành ở mức 20% và 35%, đồng thời ứng dụng kỹ thuật mô phỏng Monte Carlo qua 1.000 kịch bản ngẫu nhiên để xác định phân phối giá trị danh mục và tính toán tổn thất VaR tại các mức độ tin cậy 95%, 97% và 99%.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu thực nghiệm trên danh mục 23 khoản vay ngành công nghiệp tại TPBank mang lại những phát hiện quan trọng sau: Thứ nhất, ma trận chuyển hạng tín dụng được xác lập qua 3 chu kỳ (2009-2010, 2010-2011, 2011-2012) chỉ ra rằng các doanh nghiệp hạng A có xác suất duy trì hạng là 63%, xác suất nâng lên hạng AA là 20%, xác suất hạ xuống hạng BBB là 7% và hạ xuống hạng BB là 10%, trong khi tỷ lệ rơi vào vỡ nợ trực tiếp là 0%. Thứ hai, đối với các doanh nghiệp ban đầu ở hạng BB, xác suất giữ nguyên hạng đạt 55%, xác suất cải thiện lên hạng BBB là 20%, nhưng xác suất bị suy giảm chất lượng xuống hạng B và CCC chiếm tỷ lệ đáng kể lần lượt là 13% và 7%. Thứ ba, phân tích phân rã Cholesky với hệ số tương quan cặp 20% và 35% cho thấy mức độ liên kết rủi ro cùng chiều giữa các khoản vay trong cùng ngành công nghiệp làm gia tăng đáng kể độ lệch chuẩn của toàn danh mục tín dụng. Thứ tư, kết quả mô phỏng Monte Carlo xác định giá trị kỳ vọng của danh mục khoản vay đạt mức 1.994,79 triệu đồng với phương sai là 169,57 triệu đồng; từ đó xác định mức tổn thất không kỳ vọng (VaR) ở mức tin cậy 99% trong kỳ hạn 1 năm là 30,34 triệu đồng (tương ứng hệ số tin cậy z bằng 2,33 nhân với độ lệch chuẩn 13,02 triệu đồng).

Thảo luận kết quả

Kết quả thực nghiệm phản ánh sự khác biệt rõ rệt giữa phương pháp trích lập dự phòng hành chính theo Quyết định 493/2005/QĐ-NHNN và phương pháp đo lường hiện đại theo CreditMetrics. Cách tiếp cận cũ của TPBank ấn định tỷ lệ trích lập cố định (5% cho nhóm 2, 20% cho nhóm 3, 50% cho nhóm 4 và 100% cho nhóm 5) và chỉ xét đến thời gian quá hạn, hoàn toàn bỏ qua xác suất chuyển hạng tín nhiệm cũng như tương quan vỡ nợ đồng thời.

Dữ liệu nghiên cứu được biểu diễn trực quan qua bảng ma trận chuyển hạng 81 cặp xác suất tương ứng với 9 bậc xếp hạng từ AAA đến C, kết hợp cùng biểu đồ phân phối chuẩn hóa ngẫu nhiên xác định các giá trị ngưỡng Z (thresholds). Điều này giúp nhà quản trị thấy rõ phân phối tổn thất lệch phải của danh mục tín dụng. Kết quả này tương đồng với kết luận của Diana Diaz và Gordon Gemmill năm 2006 khi so sánh CreditMetrics với CreditRisk+, khẳng định CreditMetrics ước tính giá trị tổn thất danh mục chính xác và đáng tin cậy hơn. Việc xác định chính xác tổn thất không kỳ vọng 30,34 triệu đồng là căn cứ khoa học giúp TPBank xác định vốn kinh tế cần thiết, khắc phục triệt để nguy cơ rủi ro tập trung vào các lĩnh vực nhạy cảm như bất động sản hay xây dựng vốn chiếm tỷ trọng dư nợ lớn trước đây.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu định lượng, bốn nhóm giải pháp cụ thể được khuyến nghị triển khai tại TPBank gồm: Thứ nhất, nâng cấp hệ thống xếp hạng tín dụng nội bộ. Khối Quản trị rủi ro cần chuẩn hóa thang đo 10 bậc từ AAA đến D, cập nhật định kỳ báo cáo tài chính kiểm toán của 100% khách hàng doanh nghiệp, hoàn thành trong vòng 6 tháng tới. Mục tiêu là kéo giảm tỷ lệ sai lệch xếp hạng xuống dưới 3% và tạo lập chuỗi dữ liệu lịch sử tối thiểu từ 3 đến 5 năm liên tục. Thứ hai, tự động hóa mô hình định lượng rủi ro danh mục bằng CreditMetrics. Khối Công nghệ thông tin phối hợp cùng Khối Tín dụng tích hợp thuật toán mô phỏng Monte Carlo vào hệ thống phần mềm lõi để tính toán VaR định kỳ hàng quý cho 100% danh mục khách hàng doanh nghiệp, triển khai thử nghiệm trong 9 tháng nhằm duy trì tỷ lệ nợ xấu thực tế dưới mức 2,0%. Thứ ba, tái cơ cấu danh mục cấp tín dụng và phân bổ hạn mức theo ngành. Hội đồng Quản lý rủi ro cần thiết lập trần tỷ trọng cho vay lĩnh vực xây dựng và bất động sản ở mức tối đa 25% đến 30% tổng dư nợ, đồng thời mở rộng hạn mức sang các ngành sản xuất công nghiệp và chế biến ngay trong quý 1 năm tài chính tiếp theo để tối đa hóa hiệu quả đa dạng hóa danh mục. Thứ tư, chuẩn bị nguồn vốn kinh tế bù đắp rủi ro theo chuẩn mực Basel II và Thông tư 02/2013/TT-NHNN. Ban Điều hành ngân hàng cần duy trì quỹ đệm vốn kinh tế tương ứng tối thiểu 100% giá trị tổn thất VaR ở mức tin cậy 99%, đảm bảo hệ số an toàn vốn (CAR) của ngân hàng đạt mức ổn định từ 10,5% đến 11,5% trong giai đoạn 2014-2016.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và ứng dụng thực tiễn sâu sắc cho 4 nhóm đối tượng sau: Nhóm thứ nhất: Chuyên viên quản lý rủi ro và cán bộ phân tích mô hình định lượng tại các ngân hàng thương mại. Luận văn cung cấp hướng dẫn chi tiết về quy trình lập ma trận chuyển hạng tín dụng, phân tích Cholesky và kỹ thuật mô phỏng Monte Carlo trên mẫu 23 khoản vay thực tế nhằm đo lường chính xác VaR danh mục ở mức tin cậy 99%. Nhóm thứ hai: Ban điều hành và Hội đồng tín dụng tại các tổ chức tín dụng. Đề tài cung cấp cơ sở để tái cấu trúc danh mục cho vay, kiểm soát rủi ro tập trung ngành dưới ngưỡng 30% và phân bổ hạn mức tín dụng tối ưu nhằm đáp ứng các chuẩn mực an toàn vốn với hệ số CAR trên 9%. Nhóm thứ ba: Giảng viên, nghiên cứu sinh và học viên cao học chuyên ngành Tài chính - Ngân hàng. Luận văn là tài liệu tham khảo mẫu mực về ứng dụng phương pháp kinh tế lượng tài chính, phân tích 81 cặp xác suất chuyển hạng hai chiều trên chuỗi dữ liệu thực nghiệm giai đoạn 2009-2013. Nhóm thứ tư: Cơ quan thanh tra, giám sát ngân hàng thuộc Ngân hàng Nhà nước. Đề tài cung cấp cứ liệu thực tiễn phục vụ việc hoàn thiện khung pháp lý về trích lập dự phòng theo Thông tư 02/2013/TT-NHNN và định hướng triển khai chuẩn mực Basel II tại Việt Nam.

Câu hỏi thường gặp

Câu hỏi 1: Điểm vượt trội của mô hình CreditMetrics so với cách phân loại nợ truyền thống theo Quyết định 493 là gì? Trả lời: Quyết định 493 phân loại nợ theo 5 nhóm cố định dựa trên số ngày quá hạn và áp tỷ lệ trích lập từ 0% đến 100% trên từng món vay riêng lẻ. Ngược lại, CreditMetrics đánh giá rủi ro trên toàn bộ danh mục, đo lường xác suất dịch chuyển giữa 9 bậc tín dụng và tính toán chính xác mức tổn thất không kỳ vọng VaR ở độ tin cậy 99%.

Câu hỏi 2: Tại sao cần sử dụng kỹ thuật mô phỏng Monte Carlo trong mô hình CreditMetrics? Trả lời: Khi danh mục gồm nhiều khoản vay với các mức tương quan phức tạp từ 23 hợp đồng trở lên, phân phối giá trị danh mục thường bị lệch. Kỹ thuật mô phỏng Monte Carlo với 1.000 kịch bản ngẫu nhiên giúp tái tạo chính xác phân phối thực tế của danh mục để ước tính giá trị VaR 30,34 triệu đồng một cách khách quan.

Câu hỏi 3: Hệ số tương quan tài sản ảnh hưởng thế nào đến mức độ rủi ro của danh mục tín dụng? Trả lời: Hệ số tương quan (chẳng hạn 20% hoặc 35% trong ngành công nghiệp) đo lường mức độ chịu ảnh hưởng chung từ rủi ro hệ thống kinh tế vĩ mô. Tương quan giữa các khoản vay càng cao thì mức độ tổn thất đồng thời càng lớn, đòi hỏi mức dự phòng vốn kinh tế phải tăng thêm từ 15% đến 25% để đảm bảo an toàn.

Câu hỏi 4: Mô hình xử lý dữ liệu ra sao đối với các doanh nghiệp chưa niêm yết trên sàn chứng khoán? Trả lời: Đối với các doanh nghiệp chưa niêm yết, mô hình sử dụng giá trị sổ sách của nguồn vốn chủ sở hữu làm biến đại diện cho giá trị tài sản, kết hợp chỉ số ngành bình quân theo tỷ trọng vốn và doanh thu để xác định hệ số tương quan tài sản thay vì biến động giá cổ phiếu hàng ngày.

Câu hỏi 5: Việc áp dụng mô hình CreditMetrics hỗ trợ TPBank đáp ứng chuẩn mực Basel II như thế nào? Trả lời: CreditMetrics cung cấp quy trình lượng hóa đầy đủ ba cấu phần rủi ro gồm PD, LGD và EAD theo phương pháp xếp hạng nội bộ nâng cao (A-IRB) của Basel II. Điều này giúp ngân hàng tính toán chính xác tài sản có rủi ro (RWA) và duy trì hệ số CAR ổn định trên mức 10%.

Kết luận

• Luận văn đã ứng dụng thành công mô hình CreditMetrics để lượng hóa rủi ro danh mục 23 khoản vay doanh nghiệp ngành công nghiệp tại TPBank giai đoạn 2009-2013.
• Thiết lập hoàn chỉnh ma trận chuyển hạng tín nhiệm thực nghiệm và tính toán chính xác mức tổn thất không kỳ vọng VaR đạt 30,34 triệu đồng ở mức tin cậy 99% cho chu kỳ 1 năm.
• Làm rõ lợi ích của việc đa dạng hóa danh mục tài sản và chỉ ra những hạn chế cố hữu của phương pháp trích lập dự phòng truyền thống theo Quyết định 493/2005/QĐ-NHNN.
• Đề xuất hệ thống 4 nhóm giải pháp khả thi giúp TPBank chuẩn hóa hệ thống xếp hạng nội bộ 10 bậc, khống chế tỷ trọng dư nợ bất động sản dưới 30% và duy trì hệ số an toàn vốn CAR đạt từ 10,5% đến 11,5%.
• Xác định lộ trình triển khai tự động hóa mô hình trong giai đoạn 2014-2016 với thời gian chuẩn bị dữ liệu và thử nghiệm phần mềm từ 6 đến 9 tháng.

Nghiên cứu là tài liệu khoa học và thực tiễn giá trị, khuyến khích các ngân hàng thương mại Việt Nam đẩy nhanh quá trình chuyển đổi mô hình quản trị rủi ro tín dụng hiện đại theo chuẩn mực quốc tế Basel II.