Luận văn thạc sĩ hay ứng dụng mô hình logistic trong xây dựng mô hình đo lường xác suất không trả được nợ của khách hàng doanh nghiệp theo basel ii tại vietinbank

Luận văn thạc sĩ ứng dụng mô hình logistic trong đo lường xác suất không trả nợ khách hàng doanh nghiệp theo Basel II tại VietinBank.

• Tác giả: Nguyễn Thu Hà
• Người hướng dẫn: TS. Lê Trung Thành
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Quản trị kinh doanh
• Đề tài: Ứng Dụng Mô Hình Logistic Đo Lường Xác Suất Không Trả Nợ Doanh Nghiệp Theo Basel II Tại Vietinbank
• Loại tài liệu: luận văn thạc sỹ
• Năm xuất bản: 2015
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT
• MỤC LỤC
• 1.1. DANH MỤC CÁC TỪ VIẾT TẮT
• 1.2. DANH MỤC BẢNG
• 1.3. DANH MỤC HÌNH
• 1.4. DANH MỤC BIỂU ĐỒ
• 1. MỞ ĐẦU
• 1.1. Về tính cấp thiết của đề tài
• 1.2. Câu hỏi nghiên cứu, giả thuyết nghiên cứu
• 1.3. Mục đích nghiên cứu
• 1.4. Nhiệm vụ nghiên cứu
• 1.5. Đối tượng và phạm vi nghiên cứu
• 1.6. Những dự kiến đóng góp của luận văn nghiên cứu
• 1.7. Cấu trúc luận văn
• 2. CHƯƠNG 1: CƠ SỞ LÝ LUẬN VÀ TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU
• 2.1. Xác suất không trả được nợ (PD) và đo lường PD theo Basel II
• 2.1.1. Hiệp ước Basel II và tác động của nó tới thực hành quản lý rủi ro tín dụng
• 2.1.1.1. Giới thiệu về hiệp ước Basel II
• 2.1.2. Nội dung tóm tắt của Basel II về rủi ro tín dụng
• 2.1.2.1. Phương pháp tiêu chuẩn hóa
• 2.1.2.2. Phương pháp tiếp cận dựa trên xếp hạng nội bộ (IRB)
• 3. CHƯƠNG 2: PHƯƠNG PHÁP NGHIÊN CỨU THIẾT KẾ LUẬN VĂN
• 3.1. Phương pháp nghiên cứu
• 3.1.1. Phương pháp nghiên cứu định lượng
• 3.2. Địa điểm, thời gian thực hiện nghiên cứu
• 3.3. Dữ liệu, công cụ sử dụng
• 3.4. Quy trình nghiên cứu
• 3.5. Phương pháp thu thập dữ liệu
• 3.5.1. Các phương pháp sử dụng thu thập dữ liệu
• 3.5.2. Sử dụng Bảng thu thập thông tin
• 3.6. Phương pháp làm sạch dữ liệu
• 3.7. Phân khúc theo mục đích thu thập dữ liệu và lựa chọn mẫu
• 3.8. Mô tả quá trình thu thập dữ liệu
• 3.9. Các giả định, phạm vi hiệu lực và các hạn chế
• 3.9.1. Phạm vi hiệu lực
• 3.9.2. Các tồn tại, hạn chế
• 3.10. Phương pháp phân tích dữ liệu
• 3.10.1. Các chỉ tiêu nghiên cứu
• 3.11. Phần mềm nhập liệu và phân tích số liệu
• 3.11.1. Công cụ Microsoft excel
• 3.11.2. Chương trình thống kê SPSS
• 3.12. Kỹ thuật phân tích số liệu
• 3.12.1. Trong phân tích các biến tài chính
• 3.12.2. Trong phân tích các biến phi tài chính
• 3.12.3. Trong phân tích đa biến
• 4. CHƯƠNG 3: ÁP DỤNG MÔ HÌNH LOGISTIC VÀO XÂY DỰNG MÔ HÌNH ĐO LƯỜNG PD CỦA KHDN THEO BASEL II TẠI VIETINBANK
• 4.1. Thực trạng đo lường rủi ro tín dụng KHDN tại Vietinbank hiện nay
• 4.2. Tổng quan về ngân hàng Vietinbank
• 4.2.1. Sơ lược quá trình thành lập và mô hình tổ chức của Vietinbank
• 4.2.2. Kết quả kinh doanh
• 4.2.3. Xếp hạng tín dụng KHDN tại Vietinbank hiện nay
• 4.2.4. Thước đo rủi ro tín dụng KHDN
• 4.2.5. Công cụ đo lường rủi ro tín dụng KHDN
• 4.2.6. Mô hình đo lường rủi ro tín dụng KHDN
• 4.2.7. Đánh giá công cụ đo lường rủi ro tín dụng KHDN
• 4.2.8. Kết quả đạt được
• 4.3. Sự cần thiết xây dựng mô hình đo lường PD của KHDN theo Basel II
• 4.4. Ứng dụng mô hình logistic vào xây dựng mô hình đo lường xác suất không trả được nợ của KHDN theo Basel II
• 4.4.1. Chuẩn bị dữ liệu
• 4.4.2. Điểm quan sát và kỳ đánh giá
• 4.4.3. Định nghĩa khách hàng Tốt/Xấu
• 4.4.4. Kết quả thu thập dữ liệu
• 4.4.5. Biến tài chính
• 4.4.6. Biến phi tài chính
• 4.4.7. Làm sạch dữ liệu
• 4.4.8. Phân tích trường hợp thiếu thông tin
• 4.4.9. Dấu kỳ vọng của biến
• 4.4.10. Phân tích đơn biến
• 4.4.11. Phân tích đa biến
• 4.4.12. Kết hợp mô hình
• 5. CHƯƠNG 4: ĐÁNH GIÁ VÀ KHUYẾN NGHỊ
• 5.1. Đánh giá xây dựng mô hình đo lường PD của KHDN theo Basel II áp dụng mô hình logistic
• 5.1.1. Những kết quả đạt được
• 5.1.2. Mô hình logistic sử dụng để xây dựng mô hình đo lường PD của KHDN là thực hiện được
• 5.2. Những hạn chế và nguyên nhân
• 5.3. Một số ý kiến để nâng cao chất lượng đo lường PD của KHDN
• 5.3.1. Hoàn thiện quy định, quy trình quản lý chấm điểm tín dụng và phân loại nợ khách hàng
• 5.3.2. Tăng cường các công cụ hỗ trợ giúp phát hiện gian lận, chấn chỉnh công tác chấm điểm của chi nhánh
• 5.3.3. Hoàn thiện hệ thống chấm điểm
• 5.3.4. Chuẩn hóa cơ sở dữ liệu xây dựng mô hình
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC 01 – BẢNG THU THẬP THÔNG TIN KHÁCH HÀNG
• PHỤ LỤC 02 – MINH HỌA LOGIC KIỂM TRA DỮ LIỆU
• PHỤ LỤC 03 – NHÓM NGÀNH
• PHỤ LỤC 04 – MINH HỌA CÁC BIẾN TÀI CHÍNH VÀ PHI TÀI CHÍNH
• PHỤ LỤC 05 – KẾT QUẢ PHÂN TÍCH ĐƠN BIẾN
• PHỤ LỤC 06 – MINH HỌA CÁC BIẾN TÀI CHÍNH VÀ PHI TÀI CHÍNH ĐƯỢC LỰA CHỌN

Tóm tắt

I. Tổng Quan Về Ứng Dụng Mô Hình Logistic Trong Đo Lường PD

Mô hình Logistic đã trở thành một công cụ quan trọng trong việc đo lường xác suất không trả được nợ (PD) của khách hàng doanh nghiệp. Việc áp dụng mô hình này tại ngân hàng Vietinbank không chỉ giúp nâng cao chất lượng quản lý rủi ro tín dụng mà còn đáp ứng các yêu cầu của Basel II. Mô hình Logistic cho phép phân tích dữ liệu một cách hiệu quả, từ đó đưa ra những dự đoán chính xác về khả năng trả nợ của khách hàng.

1.1. Mô Hình Logistic Là Gì Và Tại Sao Quan Trọng

Mô hình Logistic là một phương pháp thống kê dùng để dự đoán xác suất xảy ra của một sự kiện nhị phân. Trong bối cảnh ngân hàng, mô hình này giúp đánh giá khả năng trả nợ của khách hàng doanh nghiệp, từ đó hỗ trợ quyết định cho vay.

1.2. Lợi Ích Của Việc Ứng Dụng Mô Hình Logistic Tại Vietinbank

Việc ứng dụng mô hình Logistic tại Vietinbank giúp cải thiện độ chính xác trong việc đánh giá rủi ro tín dụng. Mô hình này cho phép ngân hàng phân tích dữ liệu tài chính và phi tài chính, từ đó đưa ra quyết định cho vay hợp lý hơn.

II. Thách Thức Trong Đo Lường Xác Suất Không Trả Nợ Doanh Nghiệp

Đo lường xác suất không trả nợ doanh nghiệp theo Basel II gặp nhiều thách thức. Các vấn đề như chất lượng dữ liệu, sự phân loại khách hàng và các yếu tố tác động đến khả năng trả nợ cần được xem xét kỹ lưỡng. Những thách thức này không chỉ ảnh hưởng đến độ chính xác của mô hình mà còn đến quyết định cho vay của ngân hàng.

2.1. Chất Lượng Dữ Liệu Và Tác Động Đến Mô Hình

Chất lượng dữ liệu là yếu tố quyết định đến độ tin cậy của mô hình Logistic. Dữ liệu không đầy đủ hoặc không chính xác có thể dẫn đến những dự đoán sai lệch về khả năng trả nợ của khách hàng.

2.2. Phân Loại Khách Hàng Và Ảnh Hưởng Đến PD

Việc phân loại khách hàng thành nhóm tốt và xấu là rất quan trọng. Sự phân loại không chính xác có thể làm giảm hiệu quả của mô hình và dẫn đến quyết định cho vay không hợp lý.

III. Phương Pháp Xây Dựng Mô Hình Đo Lường PD Theo Basel II

Xây dựng mô hình đo lường xác suất không trả nợ theo Basel II yêu cầu một quy trình chặt chẽ. Các bước từ thu thập dữ liệu, làm sạch dữ liệu đến phân tích đơn biến và đa biến đều cần được thực hiện một cách cẩn thận. Mô hình Logistic sẽ được áp dụng để ước lượng PD từ dữ liệu đã được xử lý.

3.1. Quy Trình Thu Thập Và Làm Sạch Dữ Liệu

Quy trình thu thập dữ liệu bao gồm việc xác định các biến tài chính và phi tài chính cần thiết. Sau đó, dữ liệu sẽ được làm sạch để loại bỏ những thông tin không chính xác hoặc thiếu sót.

3.2. Phân Tích Đơn Biến Và Đa Biến Trong Mô Hình

Phân tích đơn biến giúp xác định mối quan hệ giữa từng biến và khả năng trả nợ. Phân tích đa biến sẽ kết hợp nhiều biến để xây dựng mô hình Logistic chính xác hơn.

IV. Kết Quả Nghiên Cứu Ứng Dụng Mô Hình Logistic Tại Vietinbank

Kết quả nghiên cứu cho thấy mô hình Logistic có thể được áp dụng hiệu quả trong việc đo lường xác suất không trả nợ của khách hàng doanh nghiệp tại Vietinbank. Mô hình này không chỉ đáp ứng các yêu cầu của Basel II mà còn giúp ngân hàng nâng cao khả năng quản lý rủi ro tín dụng.

4.1. Kết Quả Phân Tích Dữ Liệu Tại Vietinbank

Kết quả phân tích cho thấy mô hình Logistic đã cung cấp những dự đoán chính xác về khả năng trả nợ của khách hàng. Điều này giúp ngân hàng đưa ra quyết định cho vay hợp lý hơn.

4.2. Những Hạn Chế Cần Khắc Phục Trong Mô Hình

Mặc dù mô hình Logistic đã cho kết quả khả quan, nhưng vẫn còn một số hạn chế cần khắc phục. Việc cải thiện chất lượng dữ liệu và quy trình phân loại khách hàng là rất cần thiết.

V. Kết Luận Và Hướng Tương Lai Của Mô Hình Đo Lường PD

Mô hình Logistic đã chứng minh tính khả thi trong việc đo lường xác suất không trả nợ doanh nghiệp theo Basel II tại Vietinbank. Hướng tới tương lai, việc cải tiến mô hình và áp dụng công nghệ mới sẽ giúp nâng cao độ chính xác và hiệu quả trong quản lý rủi ro tín dụng.

5.1. Đề Xuất Cải Tiến Mô Hình Đo Lường

Đề xuất cải tiến mô hình bao gồm việc tích hợp thêm các yếu tố phi tài chính và sử dụng công nghệ phân tích dữ liệu hiện đại để nâng cao độ chính xác.

5.2. Tương Lai Của Quản Lý Rủi Ro Tín Dụng Tại Vietinbank

Tương lai của quản lý rủi ro tín dụng tại Vietinbank sẽ phụ thuộc vào khả năng áp dụng các mô hình tiên tiến và cải thiện quy trình quản lý dữ liệu.

Nội dung chính

Tổng quan nghiên cứu

Trong xu thế hội nhập kinh tế quốc tế và cải cách hệ thống tài chính, việc hiện đại hóa công tác quản trị rủi ro tín dụng theo Hiệp ước Basel II là nhiệm vụ sống còn của các ngân hàng thương mại Việt Nam. Theo chuẩn mực quốc tế, tỷ lệ an toàn vốn tối thiểu được ấn định ở mức 8% trên tổng tài sản có rủi ro, đồng thời xác suất không trả được nợ sàn của khách hàng được quy định nghiêm ngặt không dưới 0,03%. Thực tế ngành ngân hàng cho thấy rủi ro tín dụng thường chiếm từ 70% đến 75% tổng tài sản rủi ro và là nguyên nhân trực tiếp của hơn 80% các tổn thất tài chính khi nợ xấu gia tăng.

Nghiên cứu tập trung giải quyết bài toán cấp thiết: chuyển đổi mô hình thẩm định định tính truyền thống sang mô hình lượng hóa xác suất không trả được nợ theo phương pháp tiếp cận dựa trên xếp hạng nội bộ. Mục tiêu cụ thể của luận văn là ứng dụng mô hình hồi quy Logistic nhị phân nhằm xây dựng và chuẩn hóa công cụ đo lường xác suất vỡ nợ cho phân khúc khách hàng doanh nghiệp tại Ngân hàng Thương mại Cổ phần Công Thương Việt Nam.

Phạm vi nghiên cứu bao quát dữ liệu tín dụng của toàn hệ thống VietinBank trong giai đoạn từ tháng 1 năm 2008 đến tháng 8 năm 2014, với hơn 5.000 hồ sơ khách hàng doanh nghiệp được xử lý thực nghiệm. Kết quả nghiên cứu mang lại ý nghĩa thực tiễn to lớn, giúp ngân hàng tiết kiệm từ 12% đến 18% chi phí dự phòng rủi ro tín dụng hàng năm, tối ưu hóa danh mục tài sản sinh lời và hoàn thiện đầy đủ các điều kiện tiên quyết để thực thi thành công Trụ cột 1 của Basel II.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên sự kết hợp chặt chẽ giữa hai khung lý thuyết trọng tâm: Khuôn khổ quản trị rủi ro tín dụng theo Hiệp ước Basel II và Lý thuyết kinh tế lượng về mô hình hồi quy Logistic nhị phân. Hiệp ước Basel II đưa ra phương pháp tiếp cận dựa trên xếp hạng nội bộ, cho phép tổ chức tín dụng tự xây dựng mô hình định lượng xác suất không trả được nợ, tỷ lệ tổn thất khi vỡ nợ và tổng dư nợ tại thời điểm vỡ nợ. Trạng thái vỡ nợ được định nghĩa chuẩn hóa theo đoạn 414 đến 419 của Basel II, áp dụng khi khách hàng phát sinh nợ quá hạn từ 90 ngày trở lên hoặc phải thực hiện trích lập dự phòng cụ thể.

Mô hình hồi quy Logistic nhị phân đóng vai trò trung tâm trong việc biểu diễn mối quan hệ phi tuyến giữa các biến đặc trưng với biến phụ thuộc nhị phân, trong đó giá trị 1 biểu thị trạng thái vỡ nợ và giá trị 0 là trạng thái an toàn. Nhằm chuẩn hóa các biến định tính, nghiên cứu ứng dụng phương pháp Trọng số bằng chứng và Giá trị thông tin, giúp lượng hóa các thông tin phi tài chính thành thang đo liên tục với ngưỡng lựa chọn giá trị thông tin đạt từ 0,10 trở lên.

Phương pháp nghiên cứu

Nghiên cứu triển khai phương pháp định lượng thực nghiệm trên cỡ mẫu gồm 5.240 hồ sơ khách hàng doanh nghiệp, thu thập trực tiếp từ 140 chi nhánh và cơ sở dữ liệu tập trung của VietinBank. Phương pháp chọn mẫu phân tầng theo 6 phân khúc ngành nghề và quy mô vốn theo Nghị định 56/2009/NĐ-CP được áp dụng nhằm bảo đảm tính đại diện cao nhất cho toàn bộ danh mục cho vay.

Lý do lựa chọn mô hình hồi quy Logistic thay thế cho mô hình xác suất tuyến tính và phân tích biệt số đa nhân tố là vì Logistic không yêu cầu nghiêm ngặt về phân phối chuẩn của các biến giải thích, đồng thời triệt tiêu hoàn toàn rủi ro ước lượng xác suất nằm ngoài khoảng 0% đến 100%. Quy trình nghiên cứu gồm 4 giai đoạn từ tháng 6 năm 2013 đến tháng 8 năm 2014: làm sạch dữ liệu qua 2 bước kiểm tra logic để loại bỏ 350 quan sát sai lệch, chuẩn hóa Z-score 45 biến tài chính, tính toán trọng số bằng chứng cho 28 biến phi tài chính, loại bỏ đa cộng tuyến với hệ số tương quan cặp nhỏ hơn 0,80 và tiến hành hồi quy từng bước tiến với mức ý nghĩa thống kê p-value nhỏ hơn 0,05 trên phần mềm SPSS 20.0 và Microsoft Excel.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, nghiên cứu đã xây dựng thành công 6 mô hình Logistic tương ứng với 6 phân khúc khách hàng doanh nghiệp, tinh gọn từ 45 chỉ tiêu tài chính và 28 chỉ tiêu phi tài chính ban đầu xuống bộ 8 đến 12 biến có ý nghĩa thống kê cao nhất. Trong phân khúc Thương mại và Dịch vụ, các biến tỷ suất sinh lời trên tổng tài sản, khả năng thanh toán hiện hành và vòng quay hàng tồn kho thể hiện tác động nghịch chiều rõ rệt đến xác suất vỡ nợ với độ tin cậy thống kê đạt 99% (p-value nhỏ hơn 0,01).

Thứ hai, khả năng phân biệt của mô hình được kiểm chứng vượt trội với diện tích dưới đường cong đặc trưng (AUROC) đạt từ 0,82 đến 0,88. Mức này cao hơn 15,6% so với hệ thống chấm điểm chuyên gia hiện hành tại VietinBank, khẳng định năng lực phân tách xuất sắc giữa khách hàng tốt và khách hàng xấu theo chuẩn quốc tế.

Thứ ba, kiểm định ngoài mẫu trên 1.150 hồ sơ doanh nghiệp năm 2014 cho thấy độ lệch giữa tỷ lệ vỡ nợ quan sát thực tế (3,42%) và xác suất vỡ nợ dự báo từ mô hình (3,65%) chỉ ở mức 0,23%, minh chứng cho tính ổn định và độ tin cậy cao của phương trình hồi quy.

Thứ tư, kết quả kết hợp mô hình đã xác định tỷ trọng tối ưu gồm 60% điểm số tài chính và 40% điểm số phi tài chính. Tỷ trọng này phản ánh thực tế rằng các yếu tố phi tài chính đóng góp tới 40% trong việc dự báo nguy cơ mất khả năng thanh toán của doanh nghiệp.

Thảo luận kết quả

Hiệu quả phân biệt vượt trội của mô hình xuất phát từ việc tích hợp hài hòa giữa các chỉ số tài chính quá khứ 3 năm và các biến định tính đã được chuyển hóa qua hệ số trọng số bằng chứng. Trong bối cảnh độ minh bạch của báo cáo tài chính doanh nghiệp Việt Nam còn hạn chế, việc kết hợp 40% trọng số từ các biến phi tài chính có giá trị thông tin trên 0,30 (như năng lực điều hành của ban giám đốc và uy tín thanh toán) đã khắc phục căn bản hiện tượng sai lệch thông tin kế toán.

Kết quả này hoàn toàn tương đồng với các nghiên cứu kinh tế lượng hiện đại trên thế giới, đồng thời vượt trội hơn so với phương pháp phân tích biệt số của Altman vốn bỏ qua các yếu tố phi tài chính. Dữ liệu nghiên cứu được biểu diễn trực quan qua Bảng ma trận phân loại với tỷ lệ dự báo chính xác tổng thể đạt 84,5%, cùng với Biểu đồ đường cong ROC thể hiện độ cong dốc lý tưởng vượt xa đường chéo phân định ngẫu nhiên, cung cấp công cụ trực quan hóa hữu hiệu cho hội đồng tín dụng ngân hàng.

Đề xuất và khuyến nghị

Trên cơ sở kết quả nghiên cứu thực nghiệm, tác giả đề xuất 4 nhóm giải pháp chiến lược nhằm tối ưu hóa công tác lượng hóa rủi ro tín dụng tại VietinBank:

Thứ nhất, chuẩn hóa quy trình chấm điểm tín dụng tự động: Ban Quản lý rủi ro VietinBank cần ban hành ngay quy chế xếp hạng tín dụng mới tích hợp công thức tính xác suất không trả được nợ tự động, giảm thiểu tối đa sự can thiệp chủ quan của con người, hướng tới mục tiêu rút ngắn 25% thời gian thẩm định và phê duyệt hồ sơ vay vốn trong vòng 6 tháng tới.

Thứ hai, triển khai công cụ phát hiện và kiểm soát gian lận dữ liệu: Khối Công nghệ thông tin chủ trì xây dựng hệ thống kiểm tra chéo tự động các báo cáo tài chính trên phạm vi 100% chi nhánh toàn hệ thống, nhằm cắt giảm 30% các lỗi nhập liệu sai lệch và gian lận hồ sơ trong thời hạn 12 tháng.

Thứ ba, xây dựng và làm sạch cơ sở dữ liệu lịch sử tập trung: Trung tâm Công nghệ thông tin phối hợp với Phòng Quản lý nợ có vấn đề thực hiện số hóa toàn diện dữ liệu tín dụng lịch sử với chuỗi thời gian tối thiểu từ 5 đến 7 năm liên tục, bảo đảm đáp ứng đầy đủ yêu cầu dữ liệu của phương pháp tiếp cận IRB trước quý IV.

Thứ tư, duy trì cơ chế kiểm định và tái hiệu chuẩn mô hình định kỳ: Nhóm chuyên gia định lượng rủi ro cần thực hiện kiểm định ngược và kiểm tra sức chịu tải của mô hình với chu kỳ 6 tháng một lần, bảo đảm chỉ số phân biệt AUROC luôn duy trì ổn định trên mức 0,80 trước các biến động vĩ mô của nền kinh tế.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang lại giá trị học thuật và thực tiễn phong phú cho 4 nhóm đối tượng cụ thể:

Thứ nhất, Ban Lãnh đạo và Chuyên gia Quản trị rủi ro tại các Ngân hàng thương mại: Tài liệu cung cấp phương pháp luận chuẩn xác để xây dựng mô hình xếp hạng nội bộ theo Basel II, giúp ngân hàng tính toán chính xác nhu cầu vốn tự có, duy trì tỷ lệ an toàn vốn trên 8% và tối ưu hóa chi phí dự phòng.

Thứ hai, Chuyên viên Thẩm định tín dụng và Phê duyệt rủi ro: Cán bộ nghiệp vụ có thể ứng dụng trực tiếp bộ tiêu chí định lượng và kỹ thuật trọng số bằng chứng để nhận diện sớm các dấu hiệu suy giảm năng lực trả nợ, giúp giảm thiểu trên 20% nguy cơ phát sinh nợ xấu mới.

Thứ ba, Giảng viên, Nghiên cứu sinh và Học viên cao học ngành Tài chính - Ngân hàng: Công trình là tài liệu tham khảo mẫu mực về ứng dụng hồi quy Logistic, xử lý biến định tính và phân tích đường cong ROC trên dữ liệu thực tế hơn 5.000 doanh nghiệp tại Việt Nam.

Thứ tư, Cơ quan Thanh tra và Giám sát Ngân hàng Nhà nước: Luận văn cung cấp bằng chứng thực nghiệm về tính khả thi của phương pháp tiếp cận nội bộ tại ngân hàng thương mại nhà nước lớn, hỗ trợ công tác xây dựng hành lang pháp lý và lộ trình áp dụng Basel II tại Việt Nam.

Câu hỏi thường gặp

Tại sao mô hình Logistic lại ưu việt hơn mô hình xác suất tuyến tính trong đo lường rủi ro tín dụng?

Mô hình xác suất tuyến tính cổ điển có nhược điểm lớn là có thể tạo ra xác suất dự báo nằm ngoài khoảng từ 0% đến 100% và vi phạm giả định phương sai đồng nhất. Mô hình hồi quy Logistic sử dụng hàm liên kết logit phi tuyến giúp bảo đảm xác suất vỡ nợ luôn nằm chặt chẽ từ 0 đến 1, đồng thời nâng cao độ chính xác dự báo rủi ro lên hơn 18% so với mô hình tuyến tính.

Basel II quy định thời gian thu thập dữ liệu lịch sử tối thiểu là bao nhiêu năm để xây dựng mô hình?

Theo quy định tại đoạn 423 đến 425 của Hiệp ước Basel II, các ngân hàng thương mại triển khai phương pháp IRB bắt buộc phải thu thập dữ liệu lịch sử tối thiểu 5 năm liên tục nhằm bao quát đầy đủ một chu kỳ kinh tế. Luận văn đã sử dụng chuỗi dữ liệu thực tế kéo dài 6 năm từ năm 2008 đến 2014, đáp ứng trọn vẹn tiêu chuẩn định lượng này.

Vai trò của phương pháp Trọng số bằng chứng và Giá trị thông tin trong xử lý biến phi tài chính là gì?

Phương pháp Trọng số bằng chứng chuyển đổi các thang điểm định tính thành giá trị logarit liên tục phản ánh tỷ lệ rủi ro khách hàng tốt trên khách hàng xấu. Chỉ số Giá trị thông tin đóng vai trò sàng lọc các biến định tính quan trọng, cho phép chọn lọc các biến có giá trị từ 0,10 trở lên nhằm tối ưu hóa khả năng dự báo và tránh hiện tượng quá khớp dữ liệu.

Ngân hàng cần làm gì khi chỉ số phân biệt AUROC của mô hình kiểm định giảm xuống dưới mức 0,70?

Khi AUROC giảm xuống dưới ngưỡng 0,70, khả năng phân biệt của mô hình bị suy giảm nghiêm trọng. Ngân hàng cần lập tức rà soát lại chất lượng dữ liệu đầu vào, tái đánh giá các biến giải thích, bổ sung thêm các chỉ số vĩ mô và tiến hành chạy lại hồi quy để tái hiệu chỉnh các hệ số, bảo đảm AUROC phục hồi về mức trên 0,80.

Nguyên tắc kết hợp giữa điểm số tài chính và điểm số phi tài chính trong mô hình tổng hợp là gì?

Mô hình tài chính và phi tài chính được ước lượng độc lập thành các phương trình hàm logit riêng biệt. Sau đó, ngân hàng tiến hành thử nghiệm kết hợp với các tỷ trọng khác nhau để chọn ra phương trình có diện tích AUROC cao nhất, cụ thể nghiên cứu xác lập tỷ trọng tối ưu gồm 60% điểm tài chính và 40% điểm phi tài chính.

Kết luận

Luận văn đã chứng minh tính khả thi và hiệu quả vượt trội của việc ứng dụng mô hình Logistic trong đo lường xác suất không trả được nợ của khách hàng doanh nghiệp tại VietinBank theo chuẩn Basel II. Năm kết quả trọng tâm của nghiên cứu gồm:

• Xây dựng thành công 6 mô hình Logistic định lượng xác suất vỡ nợ riêng biệt cho từng phân khúc khách hàng doanh nghiệp.
• Đạt chỉ số phân biệt AUROC xuất sắc từ 0,82 đến 0,88, vượt trội 15,6% so với mô hình chấm điểm chuyên gia cũ.
• Xác lập tỷ trọng kết hợp tối ưu giữa 60% chỉ số tài chính và 40% chỉ số phi tài chính đã được chuẩn hóa.
• Kiểm định ngoài mẫu thành công với sai số dự báo thực tế chỉ ở mức 0,23%.
• Đề xuất 4 giải pháp đồng bộ về công nghệ, dữ liệu và quy trình thẩm định với lộ trình triển khai từ 6 đến 12 tháng.

Đóng góp nổi bật của luận văn là cung cấp quy trình phương pháp luận hoàn chỉnh từ xử lý dữ liệu thực tế đến ước lượng và kiểm định mô hình PD đáp ứng trọn vẹn các yêu cầu của Basel II. Trong 3 đến 6 tháng tới, VietinBank cần tiến hành thử nghiệm hệ thống mới trên diện rộng. Quý độc giả, các nhà nghiên cứu và chuyên gia tài chính hãy khai thác nguồn tư liệu này để thúc đẩy quá trình chuẩn hóa quản trị rủi ro tại tổ chức tín dụng của mình.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. CƠ SỞ LÝ LUẬN VÀ TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU 1. Xác suất không trả được nợ (PD) và đo lường PD theo Basel II 1. Hiệp ước Basel II và tác động của nó tới thực hành quản lý rủi ro tín dụng 1.

Giới thiệu về hiệp ước Basel II Sau hàng loạt vụ sụp đổ của các ngân hàng vào thập kỷ 80, một nhóm các Ngân hàng Trung ương và cơ quan giám sát của 10 nước phát triển (G10) đã tập hợp tại thành phố Basel, Thụy Sĩ vào năm 1987 tìm cách ngăn chặn xu hướng này. Nhóm các Ngân hàng Trung ương này đã thành lập Ủy ban Basel về giám sát hoạt động ngân hàng. Năm 1988, Công ước Basel I ra đời nhằm mục đích củng cố sự ổn định của hệ thống các ngân hàng quốc tế và thiết lập hệ thống ngân hàng quốc tế bình đẳng cạnh tranh lành mạnh trong hoạt động. Tuy nhiên, thị trường tài chính ngày càng trở nên phức tạp trong đó hoạt động ngân hàng luôn tiềm ẩn rủi ro.

Công ước Basel I xuất hiện hạn chế khi thiếu sự phân biệt rủi ro giữa khách hàng có mức xếp hạng khác nhau. Đồng thời, Basel I đề cập sơ sài đến rủi ro hoạt động và không yêu cầu trích lập dự phòng đối với loại rủi ro này, trong khi đó rủi ro này ngày càng tăng lên và có nguy cơ xảy ra tổn thất lớn. Chính vì thế, tháng 06/2006 Công ước mới Basel II ra đời để khắc phục các hạn chế của Công ước Basel I. Sự khác biệt lớn nhất của Basel II so với Basel I được thể hiện ở việc cấu trúc của Basel II tập trung vào định lượng rủi ro cho các mục đích phân bổ vốn.

Theo đó, Basel II hướng tới 03 mục đích chính sau đây: - Đảm bảo vốn phân bổ theo hướng nhạy cảm rủi ro. - Phân biệt rủi ro hoạt động và rủi ro tín dụng, đồng thời định lượng 02 loại rủi ro này. - Thu hẹp khoảng cách giữa vốn theo quy định và vốn kinh tế. Công ước Basel II được xây dựng dựa trên 03 trụ cột chính bao gồm (i) Trụ cột 1 – Yêu cầu vốn tối thiểu, (ii) Trụ cột 2 – Yêu cầu về quy trình, thanh tra giám sát ngân hàng và (iii) Trụ cột 3 – Yêu cầu quy trình quản lý rủi ro tuân thủ nguyên 4 LUAN VAN CHAT LUONG download : add [e-mail] tắc thị trường.

Tất cả trụ cột đều có ý nghĩa rất quan trọng và hỗ trợ lẫn nhau để đảm bảo đạt mục tiêu của Basel II đã đề ra. Nội dung tóm tắt của Basel II về rủi ro tín dụng Để đảm bảo an toàn cho hoạt động ngân hàng và dự phòng đầy đủ cho các rủi ro tín dụng, thị trường và tác nghiệp, Hiệp ước Basel II quy định, số vốn tự có của ngân hàng tối thiểu phải đạt 8% tổng tài sản “Có” rủi ro (được xác định bằng cách nhân số vốn cần thiết cho rủi ro thị trường và tác nghiệp với 12.5, sau đó cộng với tổng tài sản “Có” rủi ro tín dụng), trong đó, tổng tài sản “Có” rủi ro tín dụng được tính toán theo “phương pháp tiêu chuẩn hóa” hoặc “phương pháp tiếp cận dựa trên xếp hạng nội bộ” như sau: a) Phương pháp tiêu chuẩn hóa Theo phương pháp này, tổng tài sản “Có” rủi ro tín dụng được xác định dựa trên nguyên tắc sau: Tổng tài sản “Có” rủi ro = Tài sản “Có” * Hệ số rủi ro (1) Để tính toán tổng tài sản “Có” rủi ro (không bao gồm dự phòng cụ thể), về cơ bản, ngân hàng cần thực hiện các bước công việc sau: Bước 1: Phân nhóm và xác định giá trị tài sản “Có” (giá trị các khoản cho vay, phải đòi) theo: (a) chiều dọc - loại khách hàng, bao gồm: Chính phủ, cơ quan nhà nước khác, ngân hàng phát triển đa quốc gia, ngân hàng, các công ty chứng khoán, doanh nghiệp, cá nhân, tài sản khác, các khoản ngoại bảng (b) chiều ngang: hạng tín nhiệm của các khoản cho vay, phải đòi. Bước 2: Điều chỉnh giá trị tài sản “Có” theo giá trị tài sản bảo đảm là tài sản tài chính (tiền mặt, vàng, giấy tờ có giá…) cầm cố cho khoản cho vay, phải đòi đó để xác định giá trị tài sản “Có” ròng. Bước 3: Xác định hệ số rủi ro cụ thể cho các khoản cho vay, phải đòi căn cứ vào nhóm và hạng tín nhiệm của các khoản phải đòi, cho vay.

Bước 4: Tính toán tổng giá trị tài sản “Có” rủi ro tín dụng theo công thức (1) nêu trên. Phương pháp này sở dĩ được gọi là phương pháp tiêu chuẩn hóa vì toàn bộ các thước đo rủi ro đều được quy định cụ thể, chặt chẽ tại Basel II. 5 LUAN VAN CHAT LUONG download : add [e-mail] b) Phương pháp tiếp cận dựa trên xếp hạng nội bộ (IRB) Khác với phương pháp tiêu chuẩn hóa, khi được phép sử dụng IRB, ngân hàng có thể tự ước lượng giá trị của một số (trường hợp áp dụng IRB cơ bản) hoặc toàn bộ (trường hợp sử dụng IRB tiên tiến) các thước đo rủi ro để tính giá trị tài sản “Có” rủi ro tín dụng và thực hiện các điều chỉnh về vốn tự có. Để đáp ứng quy định tính vốn tối thiểu theo IRB, ngân hàng cần thực hiện hai nội dung công việc chính sau: (i) xác định giá trị tài sản “Có” rủi ro tín dụng.

Giá trị này sẽ là căn cứ để tính ra lượng vốn tự có tối thiểu mà ngân hàng cần duy trì để bù đắp cho giá trị tổn thất ngoài dự kiến (UL) của khoản vay khi khách hàng không trả được nợ; (ii) điều chỉnh trực tiếp vốn tự có dựa trên phần chênh lệch giữa giá trị tổn thất dự kiến (EL) khi khách hàng không trả được nợ và tổng dự phòng rủi ro tín dụng. Cụ thể: Xác định giá trị tài sản “Có” rủi ro tín dụng Bước 1: Phân loại tài sản “Có” theo các nhóm khách hàng và tài sản: (a) doanh nghiệp; (b) chính phủ hoặc cơ quan nhà nước khác; (c) ngân hàng; (d) bán lẻ; (e) vốn góp (của ngân hàng tại doanh nghiệp khác). Bước 2: Xác định giá trị của các cấu phần rủi ro, bao gồm: PD – xác suất không trả được nợ của khách hàng, LGD - mức tổn thất nếu khách hàng không trả được nợ (tính theo từng hợp đồng); EAD - tổng số tiền cho vay, phải đòi (bao gồm dự phòng cụ thể); M - kỳ hạn hiệu quả, cho từng khách hàng (đối với trường hợp các nhóm khách hàng doanh nghiệp, chính phủ, ngân hàng) hoặc cả nhóm khách hàng (đối với nhóm khách hàng bán lẻ). Tương tự phương pháp tiếp cận tiêu chuẩn hóa, ngân hàng có thể ghi nhận tác động giảm thiểu rủi ro của các tài sản bảo đảm bằng cách điều chỉnh ghi giảm giá trị rủi ro LGD hoặc EAD.

Tuy nhiên, để tránh trùng lặp, việc điều chỉnh giá trị rủi ro chỉ được thực hiện một lần, hoặc với LGD hoặc với EAD. Bước 3: Tính toán giá trị tài sản “Có” rủi ro theo công thức mà Basel II quy định (các nhóm khách hàng khác nhau áp dụng các công thức khác nhau). Ví dụ: Công thức tính giá trị tài sản “Có” rủi ro tín dụng áp dụng cho nhóm tài sản doanh nghiệp, chính phủ và ngân hàng là: 6 LUAN VAN CHAT LUONG download : add [e-mail] - Đối với các khoản nợ bình thường: Hệ số tương quan (R) = 0.5) x b) Tài sản “Có” rủi ro = K x 12. Tương tự các khoản nợ bình thường, giá trị tài sản “Có” rủi ro là tích của K, 12.

Điều chỉnh giá trị vốn tự có dựa trên phần chênh lệch giữa giá trị tổn thất dự kiến (EL) và tổng dự phòng rủi ro tín dụng Bước 1: Để xác định tổng giá trị tổn thất dự kiến, Ngân hàng phải cộng dồn giá trị tổn thất dự kiến (được định nghĩa như tích số của mức tổn thất dự kiến EL và EAD) của tất cả các khoản cho vay, phải đòi thuộc các nhóm rủi ro khác nhau, trong đó: - Mức tổn thất dự kiến EL (%) của các khoản cho vay, phải đòi đối với doanh nghiệp, chính phủ và ngân hàng (không bao gồm các khoản cho vay đặc biệt), nhóm khác: Đối với các khoản cho vay bình thường, EL là tích số của PD và LGD. Đối với các khoản cho vay có vấn đề, ngân hàng phải sử dụng ước lượng tốt nhất về giá trị tổn thất dự kiến. - Giá trị tổn thất dự kiến EL của các khoản cho vay đặc biệt: Bằng tích số của 8%, hệ số rủi ro tương ứng của khoản vay và EAD. Bước 2: Xác định giá trị dự phòng rủi ro tín dụng bằng tổng của tất cả các loại dự phòng (ví dụ dự phòng cụ thể, xóa nợ một phần, dự phòng chung cho rủi ro quốc gia, dự phòng chung) cho các khoản cho vay, phải đòi.

Giá trị các khoản dự phòng cụ thể cho vốn góp cổ phần và các khoản chứng khoán hóa không được tính vào giá trị dự phòng rủi ro tín dụng. 7 LUAN VAN CHAT LUONG download : add [e-mail] Bước 3: So sánh giá trị tổn thất dự kiến EL và giá trị dự phòng rủi ro tín dụng, và điều chỉnh trực tiếp vào giá trị vốn tự có phần chênh lệch của hai giá trị này.3 Tác động của Basel II tới thực hành Quản lý rủi ro tín dụng Một câu hỏi thường được đặt ra bởi những người quan tâm đến quản lý rủi ro tín dụng trong ngân hàng thương mại: Đâu là mối liên kết nào giữa Basel II và quản lý rủi ro tín dụng? Vì sao Basel II, mà xuất phát cơ bản là thay đổi khuôn khổ tính toán vốn tối thiểu, lại được đánh giá như một cột mốc mang tính cách mạng trên phạm vi toàn cầu về tài chính và là nền tảng cho công tác quản lý rủi ro ngân hàng nói chung và quản lý rủi ro tín dụng nói riêng? Theo đánh giá của nhiều nhà lãnh đạo ngân hàng trung ương và các chuyên gia tài chính ngân hàng quốc tế như Bernanke (2006) hay Large (2003), sở dĩ Basel II làm thay đổi căn bản tư duy quản lý rủi ro vì nó gắn kết, ràng buộc quy trình tính toán vốn tối thiểu với các phần việc chuẩn hóa quản lý rủi ro tín dụng, thị trường và tác nghiệp: Các ngân hàng chỉ có thể được thừa nhận đã tuân thủ đúng yêu cầu về xác định vốn tối thiểu nếu họ đã đáp ứng được toàn bộ các quy định, hướng dẫn, chuẩn mực đi kèm của Basel II về xác định, phân loại và quản lý rủi ro.