Luận văn thạc sĩ 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 để đo lường xác suất không trả nợ của khách hàng doanh nghiệp tại VietinBank theo Basel II.

• 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
• Loại tài liệu: luận văn thạc sỹ
• Năm xuất bản: 2015
• Địa điểm: Hà Nội

Mục lục chi tiết

• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC BẢNG
• DANH MỤC HÌNH
• DANH MỤC BIỂU ĐỒ
• MỞ ĐẦU
• 1. CHƯƠNG 1: CƠ SỞ LÝ LUẬN VÀ TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU
• 1.1. Xác suất không trả được nợ (PD) và đo lường PD theo Basel II
• 1.2. Hiệp ước Basel II và tác động của nó tới thực hành quản lý rủi ro tín dụng
• 1.2.1. Giới thiệu về hiệp ước Basel II
• 1.2.2. Nội dung tóm tắt của Basel II về rủi ro tín dụng
• 1.2.3. Tác động của Basel II tới thực hành Quản lý rủi ro tín dụng
• 1.3. PD và các yêu cầu về mô hình đo lường PD theo phương pháp IRB
• 1.3.1. Khái niệm PD. Các yêu cầu về mô hình đo lường PD theo phương pháp IRB
• 1.3.2. Các bước cơ bản xây dựng mô hình đo lường PD
• 1.3.2.1. Chuẩn bị dữ liệu
• 1.3.2.2. Thời điểm quan sát và kỳ đánh giá
• 1.3.2.3. Xác định khách hàng tốt/xấu
• 1.3.2.4. Thu thập dữ liệu
• 1.3.2.4.1. Biến tài chính
• 1.3.2.4.2. Biến phi tài chính
• 1.3.3. Phân tích đơn biến
• 1.3.3.1. Biến tài chính
• 1.3.3.2. Biến phi tài chính
• 1.3.3.3. Số lượng biến được chọn để sử dụng sau bước phân tích đơn biến
• 1.3.4. Phân tích đa biến
• 1.3.4.1. Lựa chọn phương pháp thống kê
• 1.3.4.2. Phân tích tương quan
• 1.3.4.3. Các bước phân tích đa biến
• 1.3.4.4. Khả năng phân biệt mô hình
• 1.3.4.5. Kết hợp mô hình và kết quả mô hình
• 1.3.5. Mô hình Logistic
• 1.3.5.1. Mô hình hồi quy Logistic cho biến đáp ứng nhị phân
• 1.3.5.2. Ước lượng tham số cho mô hình hồi quy logistic cho biến đáp ứng nhị phân
• 1.3.5.3. Phương pháp logit biến đổi biến độc lập X
• 1.3.5.4. Kiểm định mô hình hồi quy logistic
• 1.3.5.5. Sự phù hợp của mô hình hồi quy logistic trong đo lường PD tại Việt Nam
• 1.4. Tình hình nghiên cứu
• 2. CHƯƠNG 2: PHƯƠNG PHÁP NGHIÊN CỨU THIẾT KẾ LUẬN VĂN
• 2.1. Phương pháp nghiên cứu. Phương pháp nghiên cứu định lượng
• 2.2. Địa điểm, thời gian thực hiện nghiên cứu
• 2.3. Dữ liệu, công cụ sử dụng
• 2.4. Quy trình nghiên cứu
• 2.5. Phương pháp thu thập dữ liệu
• 2.5.1. Các phương pháp sử dụng thu thập dữ liệu
• 2.5.2. Sử dụng Bảng thu thập thông tin
• 2.5.3. Phương pháp làm sạch dữ liệu
• 2.5.4. Phân khúc theo mục đích thu thập dữ liệu và lựa chọn mẫu
• 2.5.5. Mô tả quá trình thu thập dữ liệu. Các giả định, phạm vi hiệu lực và các hạn chế
• 2.5.5.1. Phạm vi hiệu lực
• 2.5.5.2. Các tồn tại, hạn chế
• 2.6. Phương pháp phân tích dữ liệu. Các chỉ tiêu nghiên cứu
• 2.7. Phần mềm nhập liệu và phân tích số liệu. Công cụ Microsoft excel
• 2.8. Chương trình thống kê SPSS. Kỹ thuật phân tích số liệu
• 2.8.1. Trong phân tích các biến tài chính
• 2.8.2. Trong phân tích các biến phi tài chính
• 2.8.3. Trong phân tích đa biến
• 3. CHƯƠNG 3: ÁP DỤNG MÔ HÌNH LOGISTIC VÀO XÂY DỰNG MÔ HÌNH ĐO LƯỜNG PD CỦA KHDN THEO BASEL II TẠI VIETINBANK
• 3.1. Thực trạng đo lường rủi ro tín dụng KHDN tại Vietinbank hiện nay. Tổng quan về ngân hàng Vietinbank
• 3.1.1. Sơ lược quá trình thành lập và mô hình tổ chức của Vietinbank
• 3.1.2. Kết quả kinh doanh
• 3.1.3. Xếp hạng tín dụng KHDN tại Vietinbank hiện nay
• 3.1.3.1. Thước đo rủi ro tín dụng KHDN
• 3.1.3.2. Công cụ đo lường rủi ro tín dụng KHDN
• 3.1.3.3. Mô hình đo lường rủi ro tín dụng KHDN
• 3.1.3.4. Đánh giá công cụ đo lường rủi ro tín dụng KHDN
• 3.1.3.5. Kết quả đạt được
• 3.2. Sự cần thiết xây dựng mô hình đo lường PD của KHDN theo Basel II
• 3.3. Ứng dụng mô hình logistic vào xây dựng mô hình đo lường xác suất không trả được nợ của KHDN theo Basel II
• 3.3.1. Chuẩn bị dữ liệu
• 3.3.2. Điểm quan sát và kỳ đánh giá
• 3.3.3. Định nghĩa khách hàng Tốt/Xấu
• 3.3.4. Kết quả thu thập dữ liệu
• 3.3.4.1. Biến tài chính
• 3.3.4.2. Biến phi tài chính
• 3.3.5. Làm sạch dữ liệu
• 3.3.6. Phân tích trường hợp thiếu thông tin. Dấu kỳ vọng của biến
• 3.3.7. Phân tích đơn biến
• 3.3.8. Phân tích đa biến
• 3.3.9. Kết hợp mô hình
• 4. CHƯƠNG 4: ĐÁNH GIÁ VÀ KHUYẾN NGHỊ
• 4.1. Đánh giá xây dựng mô hình đo lường PD của KHDN theo Basel II áp dụng mô hình logistic
• 4.1.1. Những kết quả đạt được
• 4.1.2. Mô hình logistic sử dụng để xây dựng mô hình do lường PD của KHDN là thực hiện được
• 4.1.3. Xây dựng mô hình đo lường PD của KHDN đáp ứng các yêu cầu của Basel II
• 4.1.4. Những hạn chế và nguyên nhân
• 4.2. Một số ý kiến để nâng cao chất lượng đo lường PD của KHDN
• 4.2.1. Hoàn thiện quy định, quy trình quản lý chấm điểm tín dụng và phân loại nợ khách hàng
• 4.2.2. Tăng cường các công cụ hỗ trợ giúp phát hiện gian lận, chấn chỉnh công tác chấm điểm của chi nhánh
• 4.2.3. Hoàn thiện hệ thống chấm điểm
• 4.2.4. 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 Basel II

Rủi ro tín dụng là một trong những rủi ro lớn nhất mà các ngân hàng phải đối mặt. Để quản lý rủi ro này hiệu quả, các ngân hàng cần phải có các mô hình đo lường rủi ro tín dụng chính xác. Basel II đưa ra các tiêu chuẩn quốc tế về quản lý rủi ro tín dụng, trong đó yêu cầu các ngân hàng phải ước lượng xác suất vỡ nợ (PD) của khách hàng. Mô hình Logistic là một công cụ thống kê mạnh mẽ có thể được sử dụng để ước lượng PD một cách hiệu quả. Việc ứng dụng mô hình Logistic giúp các ngân hàng tuân thủ các yêu cầu của Basel II và nâng cao hiệu quả quản lý rủi ro tín dụng. Theo nghiên cứu của Đại học Quốc Gia Hà Nội, việc ứng dụng mô hình Logistic vào đo lường xác suất không trả được nợ của khách hàng doanh nghiệp theo các yêu cầu của Basel II tại ngân hàng Vietinbank là hoàn toàn khả thi.

1.1. Giới thiệu về mô hình Logistic trong đánh giá tín dụng

Mô hình Logistic là một mô hình hồi quy được sử dụng để dự đoán xác suất của một sự kiện nhị phân, chẳng hạn như khả năng một doanh nghiệp sẽ vỡ nợ. Mô hình này sử dụng các biến độc lập (ví dụ: tỷ lệ tài chính, thông tin về quản lý) để ước tính xác suất xảy ra sự kiện. Ưu điểm của mô hình Logistic là khả năng xử lý các biến độc lập định tính và định lượng, đồng thời cung cấp kết quả dễ diễn giải. Mô hình này đặc biệt hữu ích trong việc đánh giá tín dụng doanh nghiệp, giúp các tổ chức tài chính đưa ra quyết định cho vay chính xác hơn.

1.2. Vai trò của Basel II trong quản trị rủi ro tín dụng ngân hàng

Basel II là một khung pháp lý quốc tế được thiết kế để tăng cường sự ổn định của hệ thống ngân hàng toàn cầu. Một trong những trụ cột chính của Basel II là yêu cầu các ngân hàng phải có đủ vốn để bù đắp cho các rủi ro tín dụng. Để tính toán lượng vốn cần thiết, các ngân hàng phải sử dụng các mô hình để ước tính xác suất vỡ nợ (PD), tổn thất khi vỡ nợ (LGD) và mức độ phơi nhiễm khi vỡ nợ (EAD). Basel II khuyến khích các ngân hàng sử dụng các mô hình nội bộ tiên tiến để đo lường rủi ro tín dụng, từ đó thúc đẩy sự phát triển và ứng dụng của các mô hình định lượng như mô hình Logistic.

II. Thách Thức Đo Lường Xác Suất Vỡ Nợ PD Theo Basel II

Việc đo lường xác suất vỡ nợ (PD) theo Basel II đặt ra nhiều thách thức cho các ngân hàng, đặc biệt là ở các thị trường mới nổi như Việt Nam. Một trong những thách thức lớn nhất là sự thiếu hụt dữ liệu lịch sử chất lượng cao. Các mô hình định lượng như mô hình Logistic đòi hỏi một lượng lớn dữ liệu để huấn luyện và kiểm định. Ngoài ra, việc lựa chọn các biến độc lập phù hợp và xây dựng mô hình có khả năng dự đoán chính xác cũng là một thách thức không nhỏ. Các ngân hàng cũng cần phải đảm bảo rằng mô hình của họ tuân thủ các yêu cầu nghiêm ngặt của Basel II về tính chính xác, ổn định và khả năng kiểm định.

2.1. Khó khăn trong thu thập và xử lý dữ liệu tài chính doanh nghiệp

Việc thu thập và xử lý dữ liệu tài chính doanh nghiệp ở Việt Nam gặp nhiều khó khăn do tính minh bạch và độ tin cậy của thông tin còn hạn chế. Nhiều doanh nghiệp, đặc biệt là các doanh nghiệp nhỏ và vừa, chưa tuân thủ đầy đủ các chuẩn mực kế toán và báo cáo tài chính. Điều này gây khó khăn cho việc xây dựng các mô hình đánh giá tín dụng chính xác. Các ngân hàng cần phải đầu tư vào các quy trình thu thập và kiểm tra dữ liệu nghiêm ngặt để đảm bảo chất lượng dữ liệu đầu vào cho mô hình Logistic.

2.2. Yêu cầu về kiểm định và đánh giá độ chính xác của mô hình

Basel II yêu cầu các ngân hàng phải thường xuyên kiểm định và đánh giá độ chính xác của các mô hình đo lường PD. Quá trình này bao gồm việc so sánh kết quả dự đoán của mô hình với kết quả thực tế, sử dụng các kỹ thuật backtesting và stress testing. Các ngân hàng cũng cần phải có các quy trình để điều chỉnh mô hình khi cần thiết để đảm bảo rằng mô hình vẫn hoạt động tốt trong các điều kiện thị trường khác nhau. Việc kiểm định mô hình đòi hỏi các ngân hàng phải có đội ngũ chuyên gia có kinh nghiệm và kiến thức sâu rộng về mô hình định lượng và quản lý rủi ro tín dụng.

III. Phương Pháp Xây Dựng Mô Hình Logistic Đo Lường PD Hiệu Quả

Để xây dựng một mô hình Logistic đo lường PD hiệu quả, các ngân hàng cần tuân thủ một quy trình chặt chẽ bao gồm các bước: chuẩn bị dữ liệu, lựa chọn biến độc lập, xây dựng mô hình, kiểm định mô hình và triển khai mô hình. Việc chuẩn bị dữ liệu bao gồm việc thu thập, làm sạch và chuyển đổi dữ liệu từ nhiều nguồn khác nhau. Việc lựa chọn biến độc lập đòi hỏi sự hiểu biết sâu sắc về các yếu tố ảnh hưởng đến khả năng trả nợ của doanh nghiệp. Việc xây dựng mô hình bao gồm việc lựa chọn các thông số phù hợp và huấn luyện mô hình trên dữ liệu lịch sử. Việc kiểm định mô hình bao gồm việc đánh giá độ chính xác và ổn định của mô hình. Cuối cùng, việc triển khai mô hình bao gồm việc tích hợp mô hình vào hệ thống quản lý rủi ro tín dụng của ngân hàng.

3.1. Lựa chọn biến độc lập phù hợp cho mô hình Logistic

Việc lựa chọn biến độc lập phù hợp là yếu tố then chốt để xây dựng một mô hình Logistic đo lường PD chính xác. Các biến độc lập có thể bao gồm các biến tài chính (ví dụ: tỷ lệ nợ trên vốn chủ sở hữu, tỷ lệ thanh khoản), các biến phi tài chính (ví dụ: ngành nghề kinh doanh, quy mô doanh nghiệp, chất lượng quản lý) và các biến vĩ mô (ví dụ: tăng trưởng GDP, lãi suất). Các ngân hàng cần phải sử dụng các kỹ thuật thống kê và kinh tế lượng để xác định các biến có khả năng dự đoán tốt nhất khả năng trả nợ của doanh nghiệp. Theo kinh nghiệm, các biến liên quan đến khả năng sinh lời, khả năng thanh toán và mức độ đòn bẩy tài chính thường có vai trò quan trọng trong mô hình Logistic.

3.2. Các bước kiểm định và đánh giá hiệu quả mô hình Logistic

Sau khi xây dựng mô hình Logistic, các ngân hàng cần phải thực hiện các bước kiểm định và đánh giá hiệu quả để đảm bảo rằng mô hình hoạt động tốt. Các bước này bao gồm: đánh giá độ chính xác (ví dụ: sử dụng các chỉ số như AUC, Gini coefficient, KS statistic), kiểm tra tính ổn định (ví dụ: sử dụng các kỹ thuật backtesting, stress testing) và đánh giá khả năng phân biệt (ví dụ: sử dụng ma trận nhầm lẫn). Các ngân hàng cũng cần phải so sánh hiệu quả của mô hình Logistic với các mô hình khác (ví dụ: mô hình Altman Z-score, mô hình Merton) để xác định ưu điểm và nhược điểm của từng mô hình.

IV. Ứng Dụng Thực Tế Mô Hình Logistic Tại Vietinbank Theo Basel II

Luận văn của Nguyễn Thu Hà đã nghiên cứu việc ứng dụng mô hình Logistic trong xây dựng mô hình đo lường PD của khách hàng doanh nghiệp theo Basel II tại NHTMCP Công Thương Việt Nam (Vietinbank). Nghiên cứu này đã chỉ ra rằng việc ứng dụng mô hình Logistic vào đo lường xác suất không trả được nợ của khách hàng doanh nghiệp theo các yêu cầu của Basel II tại ngân hàng Vietinbank là hoàn toàn khả thi. Nghiên cứu cũng cung cấp một phương pháp luận và cách thức thực hiện xây dựng mô hình đo lường PD của khách hàng doanh nghiệp ứng dụng mô hình Logistic.

4.1. Phân tích dữ liệu và xây dựng mô hình Logistic tại Vietinbank

Nghiên cứu của Nguyễn Thu Hà đã sử dụng dữ liệu báo cáo tài chính, phi tài chính và phân loại nợ của Vietinbank để xây dựng mô hình Logistic. Quá trình này bao gồm các bước: làm sạch dữ liệu, tạo biến, phân tích đơn biến, phân tích đa biến và chạy hồi quy Logistic. Nghiên cứu đã chỉ ra rằng Vietinbank hoàn toàn đáp ứng các yêu cầu về dữ liệu theo Basel II. Những lưu ý về kỹ thuật xử lý dữ liệu, phương pháp thu thập và phương pháp phân tích dữ liệu cũng được đúc rút qua quá trình nghiên cứu thực hiện trong thực tiễn, đóng góp vào việc xây dựng phương pháp thực hiện xây mô hình đo lường PD của khách hàng doanh nghiệp cho ngân hàng Vietinbank.

4.2. Đánh giá kết quả và đề xuất cải tiến mô hình đo lường PD

Nghiên cứu của Nguyễn Thu Hà đã đánh giá những hạn chế và khó khăn trong quá trình thực hiện và đưa ra những biện pháp để nâng cao chất lượng dữ liệu và chất lượng mô hình đo lường PD của khách hàng doanh nghiệp tại Vietinbank. Các đề xuất này bao gồm việc hoàn thiện quy định, quy trình quản lý chấm điểm tín dụng và phân loại nợ khách hàng, tăng cường các công cụ hỗ trợ giúp phát hiện gian lận, chấn chỉnh công tác chấm điểm của chi nhánh, hoàn thiện hệ thống chấm điểm và chuẩn hóa cơ sở dữ liệu xây dựng mô hình.

V. Kết Luận và Triển Vọng Ứng Dụng Mô Hình Logistic

Mô hình Logistic là một công cụ hữu ích để đo lường xác suất vỡ nợ (PD) của doanh nghiệp theo yêu cầu của Basel II. Việc ứng dụng mô hình Logistic giúp các ngân hàng nâng cao hiệu quả quản lý rủi ro tín dụng và tuân thủ các tiêu chuẩn quốc tế. Tuy nhiên, việc xây dựng và triển khai mô hình Logistic đòi hỏi các ngân hàng phải đầu tư vào dữ liệu, công nghệ và nguồn nhân lực. Trong tương lai, các ngân hàng có thể kết hợp mô hình Logistic với các kỹ thuật trí tuệ nhân tạo và học máy để xây dựng các mô hình đo lường PD tiên tiến hơn.

5.1. Ưu điểm và nhược điểm của mô hình Logistic trong thực tế

Ưu điểm của mô hình Logistic là khả năng xử lý các biến độc lập định tính và định lượng, cung cấp kết quả dễ diễn giải và có thể được sử dụng để dự đoán xác suất của một sự kiện nhị phân. Nhược điểm của mô hình Logistic là đòi hỏi một lượng lớn dữ liệu để huấn luyện và kiểm định, có thể bị ảnh hưởng bởi các biến ngoại lai và có thể không hoạt động tốt trong các điều kiện thị trường biến động. Các ngân hàng cần phải hiểu rõ ưu điểm và nhược điểm của mô hình Logistic để sử dụng mô hình này một cách hiệu quả.

5.2. Hướng phát triển và ứng dụng mô hình Logistic trong tương lai

Trong tương lai, mô hình Logistic có thể được kết hợp với các kỹ thuật trí tuệ nhân tạo và học máy để xây dựng các mô hình đo lường PD tiên tiến hơn. Các kỹ thuật này có thể giúp các ngân hàng xử lý dữ liệu lớn, phát hiện các mẫu ẩn và dự đoán xác suất vỡ nợ một cách chính xác hơn. Ngoài ra, mô hình Logistic cũng có thể được sử dụng để quản lý danh mục tín dụng, tối ưu hóa danh mục tín dụng và định giá rủi ro tín dụng.

Nội dung chính

Tổng quan nghiên cứu

Quản trị rủi ro tín dụng luôn là trụ cột sống còn của hệ thống ngân hàng thương mại, đặc biệt khi tín dụng thường chiếm từ 70% đến 80% tổng tài sản sinh lời và đóng góp trên 75% nguồn thu nhập nhưng cũng tiềm ẩn nguy cơ tổn thất lớn nhất. Tại Việt Nam, định hướng chiến lược của Ngân hàng Nhà nước đặt mục tiêu áp dụng các chuẩn mực quốc tế tiên tiến nhằm duy trì tỷ lệ an toàn vốn tối thiểu 8% theo Hiệp ước Basel II. Trong cấu phần rủi ro tín dụng theo phương pháp xếp hạng nội bộ, việc đo lường chính xác xác suất không trả được nợ đóng vai trò quyết định đến việc tính toán mức tổn thất dự kiến và xác định vốn kinh tế cần thiết.

Nghiên cứu tập trung giải quyết bài toán cấp thiết: Xây dựng phương pháp luận và mô hình định lượng đo lường xác suất không trả được nợ cho khách hàng doanh nghiệp tại Ngân hàng Thương mại Cổ phần Công Thương Việt Nam (VietinBank). Mục tiêu cốt lõi là kiểm định tính khả thi của mô hình hồi quy Logistic, chuẩn hóa quy trình phân tích dữ liệu đa chiều và xây dựng công cụ chấm điểm tín dụng hiện đại thay thế cho các phương pháp phán đoán chuyên gia truyền thống.

Phạm vi nghiên cứu bao quát toàn bộ cơ sở dữ liệu tín dụng khách hàng doanh nghiệp trên toàn hệ thống VietinBank trong giai đoạn từ tháng 1 năm 2008 đến năm 2014. Kết quả nghiên cứu mang lại ý nghĩa thực tiễn sâu sắc, giúp ngân hàng tối ưu hóa chi phí trích lập dự phòng rủi ro, kiểm soát tỷ lệ nợ xấu dưới ngưỡng 2.5% và tạo bước đệm vững chắc để chuyển đổi từ phương pháp tiếp cận tiêu chuẩn hóa sang phương pháp xếp hạng nội bộ nâng cao.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nền tảng lý luận của công trình dựa trên hai trụ cột học thuật chính gồm Hiệp ước Basel II của Ủy ban Basel về Giám sát Ngân hàng và Lý thuyết kinh tế lượng ứng dụng mô hình hồi quy Logistic nhị phân. Hiệp ước Basel II thiết lập 3 trụ cột quản trị, trong đó Trụ cột 1 quy định phương pháp tiếp cận dựa trên xếp hạng nội bộ cho phép ngân hàng tự ước lượng các tham số rủi ro then chốt.

Mô hình nghiên cứu vận hành dựa trên 5 khái niệm định lượng cốt lõi:

1. Xác suất không trả được nợ: Tỷ lệ khả năng một khách hàng vay vốn mất khả năng thực hiện nghĩa vụ tài chính trong kỳ đánh giá 12 tháng, với ngưỡng kỹ thuật tối thiểu theo quy định là 0.03%.
2. Tỷ lệ tổn thất khi vỡ nợ: Tỷ lệ phần trăm dư nợ bị tổn thất nếu sự kiện không trả được nợ xảy ra.
3. Dư nợ tại thời điểm vỡ nợ: Tổng giá trị nghĩa vụ tín dụng bao gồm cả các cam kết ngoại bảng khi khách hàng mất khả năng thanh toán.
4. Tổn thất dự kiến: Giá trị tổn thất được tính bằng tích số giữa xác suất không trả được nợ, tỷ lệ tổn thất khi vỡ nợ và dư nợ tại thời điểm vỡ nợ.
5. Sự kiện vỡ nợ: Được định nghĩa chuẩn mực theo Đoạn 414-419 của Basel II khi nghĩa vụ nợ quá hạn từ 90 ngày trở lên hoặc xuất hiện các dấu hiệu suy giảm nghiêm trọng về năng lực tài chính.

Mô hình hồi quy Logistic nhị phân biến đổi mối quan hệ phi tuyến giữa các đặc trưng của doanh nghiệp và biến phụ thuộc nhị phân thành hàm xác suất thông qua hàm liên kết Logit, kết hợp phương pháp ước lượng hợp lý cực đại và chỉ số giá trị thông tin để đo lường sức mạnh dự báo.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng thực nghiệm với cỡ mẫu lớn được trích xuất toàn diện từ hệ thống công nghệ thông tin và Phòng Quản lý nợ có vấn đề của VietinBank giai đoạn 2008-2014. Mẫu nghiên cứu được phân tầng thành 6 phân khúc chuyên biệt theo quy mô doanh nghiệp và lĩnh vực hoạt động căn cứ Nghị định 56/2009/NĐ-CP, bao gồm các nhóm ngành trọng điểm như thương mại, dịch vụ, sản xuất và xây dựng.

Quy trình phân tích dữ liệu được thực hiện khoa học qua 4 giai đoạn nối tiếp:

• Chuẩn bị và làm sạch dữ liệu: Chuẩn hóa toàn bộ biến tài chính liên tục theo thang đo chuẩn tắc với giá trị trung bình 0 và độ lệch chuẩn 1; mã hóa và nhóm các biến định tính phi tài chính bằng kỹ thuật trọng số bằng chứng.
• Phân tích đơn biến và sàng lọc: Đánh giá sức mạnh dự báo độc lập của từng biến qua diện tích dưới đường cong đặc trưng lớn hơn 0.65 đối với biến định lượng và giá trị thông tin lớn hơn 0.10 đối với biến định tính.
• Phân tích đa biến và kiểm soát tương quan: Kiểm tra ma trận tương quan cặp để loại bỏ hiện tượng đa cộng tuyến với ngưỡng hệ số tương quan cặp r lớn hơn 0.80, áp dụng thuật toán lựa chọn từng bước có kiểm soát để xác định phương trình tối ưu.
• Kết hợp mô hình và kiểm định ngoài mẫu: Hợp nhất điểm số tài chính và phi tài chính theo trọng số tối ưu, sau đó kiểm định chéo trên tập dữ liệu ngoại kỳ độc lập nhằm đánh giá tính ổn định của mô hình.

Phương pháp Logistic được lựa chọn vì tính linh hoạt vượt trội, không đòi hỏi các giả định ngặt nghèo về phân phối chuẩn đa biến như phân tích biệt số tuyến tính, đồng thời dễ diễn giải về mặt kinh tế hơn so với các mô hình phi tham số phức tạp.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm trên hệ thống dữ liệu khách hàng doanh nghiệp VietinBank giai đoạn 2008-2014 đã mang lại 4 kết quả định lượng nổi bật:

Thứ nhất, việc phân loại dữ liệu theo 6 phân khúc ngành và quy mô làm tăng đáng kể độ chính xác của dự báo. Tỷ lệ phân loại đúng của các mô hình chuyên biệt hóa theo từng phân khúc cao hơn từ 12% đến 18% so với khi áp dụng một mô hình chung duy nhất cho toàn bộ danh mục khách hàng doanh nghiệp.

Thứ hai, qua quá trình sàng lọc từ hơn 50 chỉ tiêu tài chính ban đầu, mô hình đã chắt lọc được bộ biến cốt lõi gồm 8 đến 12 biến tài chính đại diện cho các nhóm năng lực: thanh khoản, đòn bẩy tài chính, hiệu quả hoạt động và khả năng sinh lời. Các biến này đều đạt mức ý nghĩa thống kê cao với p-value nhỏ hơn 0.05 và có dấu hệ số hồi quy hoàn toàn phù hợp với lý thuyết kinh tế.

Thứ ba, các chỉ tiêu phi tài chính sau khi được biến đổi bằng phương pháp trọng số bằng chứng đã thể hiện năng lực phân biệt khách hàng tốt và xấu vượt trội. Chỉ số giá trị thông tin của các nhóm biến quản trị doanh nghiệp, uy tín giao dịch và vị thế ngành đều đạt mức từ 0.15 đến 0.35, khẳng định vai trò không thể tách rời của thông tin định tính trong môi trường kinh doanh tại Việt Nam.

Thứ tư, phương trình kết hợp giữa điểm số tài chính và phi tài chính đạt diện tích dưới đường cong đặc trưng từ 0.80 đến 0.85 trên tập dữ liệu kiểm định ngoài mẫu. Mức chỉ số này phản ánh khả năng phân biệt ở mức tốt và rất tốt theo chuẩn mực thống kê quốc tế, giúp nhận diện chính xác trên 82% các trường hợp doanh nghiệp có nguy cơ vỡ nợ trước 12 tháng.

Thảo luận kết quả

Khả năng dự báo vượt trội của mô hình bắt nguồn từ việc kết hợp hài hòa giữa dữ liệu định lượng từ báo cáo tài chính và dữ liệu định tính chuyên sâu. Trong thực tế thị trường tài chính Việt Nam, tính minh bạch của báo cáo tài chính doanh nghiệp vừa và nhỏ đôi khi còn hạn chế, dẫn đến việc chỉ dựa vào chỉ số tài chính sẽ làm sai lệch ước lượng rủi ro. Việc bổ sung các biến phi tài chính với trọng số kết hợp từ 30% đến 40% đã bù đắp hiệu quả khoảng trống thông tin này.

Khi so sánh với các nghiên cứu kinh điển của Altman về mô hình Z-score hay các nghiên cứu định lượng của Standard & Poor tại thị trường Thổ Nhĩ Kỳ, kết quả nghiên cứu tại VietinBank cho thấy mô hình Logistic có sự tương thích cao hơn với đặc thù dữ liệu tại các nền kinh tế mới nổi. Mô hình tránh được hiện tượng quá khớp nhờ quy trình kiểm soát chặt chẽ hệ số tương quan r nhỏ hơn 0.80 và phương pháp hồi quy từng bước.

Toàn bộ kết quả định lượng có thể được trực quan hóa thông qua bảng phân bổ hạng tín dụng nội bộ 10 bậc tương ứng với các dải xác suất vỡ nợ từ 0.03% đến 100%, kết hợp biểu đồ đường cong ROC thể hiện sự vượt trội về tỷ lệ nhận diện đúng so với đường phân định ngẫu nhiên 50%. Kết quả này cung cấp luận cứ khoa học vững chắc để VietinBank hiện đại hóa quy trình cấp tín dụng và phân bổ vốn kinh tế.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm, luận văn đề xuất 4 nhóm giải pháp chiến lược nhằm hoàn thiện hệ thống đo lường rủi ro tín dụng tại VietinBank:

Thứ nhất, chuẩn hóa và tự động hóa cơ sở dữ liệu tín dụng tập trung. Khối Công nghệ thông tin phối hợp với Trung tâm Dữ liệu VietinBank cần xây dựng kho dữ liệu sạch, tự động kiểm tra tính cân đối kế toán của báo cáo tài chính và đối soát dữ liệu lịch sử giao dịch. Mục tiêu giảm 95% tỷ lệ sai sót và thiếu hụt thông tin đầu vào, hoàn thành triển khai trong vòng 6 đến 12 tháng.

Thứ tư, hoàn thiện quy định chấm điểm và kiểm soát gian lận tín dụng. Khối Quản lý Rủi ro cần ban hành sổ tay định giá rủi ro nội bộ chi tiết, thiết lập cơ chế kiểm tra chéo độc lập giữa cán bộ quan hệ khách hàng và cán bộ thẩm định rủi ro. Mục tiêu nâng cao độ tin cậy của thông tin định tính lên 99%, duy trì kiểm toán chất lượng định kỳ 6 tháng một lần.

Thứ ba, nâng cấp hệ thống phần mềm chấm điểm và tích hợp mô hình Logistic vào quy trình ra quyết định. Ban Dự án Basel II chủ trì tích hợp thuật toán ước lượng xác suất vỡ nợ tự động vào hệ thống ngân hàng lõi Core Banking. Hệ thống cần phản hồi kết quả xếp hạng và tính toán hạn mức rủi ro trong thời gian dưới 3 giây, hoàn tất thử nghiệm toàn hệ thống trong thời gian 12 tháng.

Thứ tư, đào tạo và phát triển năng lực phân tích dữ liệu cho đội ngũ nhân sự. Trường Đào tạo VietinBank phối hợp cùng các chuyên gia quản trị rủi ro tổ chức các khóa tập huấn chuyên sâu về phương pháp xếp hạng nội bộ và mô hình kinh tế lượng. Mục tiêu đạt 100% cán bộ thẩm định và quản lý rủi ro trên toàn mạng lưới chi nhánh vượt qua kỳ đánh giá năng lực trong vòng 18 tháng.

Đối tượng nên tham khảo luận văn

Nội dung và phương pháp luận của công trình nghiên cứu mang lại giá trị tham khảo thiết thực cho 4 nhóm đối tượng chính:

Thứ nhất, cán bộ quản trị rủi ro và chuyên viên xây dựng mô hình tại các ngân hàng thương mại: Nắm vững quy trình từng bước từ khâu làm sạch dữ liệu, xử lý biến bằng trọng số bằng chứng, hồi quy Logistic từng bước đến kiểm định đường cong ROC để phát triển hệ thống xếp hạng nội bộ.

Thứ hai, Ban điều hành và Hội đồng quản trị các tổ chức tín dụng: Sử dụng luận cứ khoa học để xây dựng lộ trình tuân thủ Trụ cột 1 của Basel II, tối ưu hóa tỷ lệ an toàn vốn 8%, cân đối chi phí trích lập dự phòng và nâng cao năng lực cạnh tranh trong kỷ nguyên số.

Thứ ba, giảng viên, nghiên cứu sinh và học viên cao học chuyên ngành Tài chính - Ngân hàng, Quản trị kinh doanh: Tiếp cận một nghiên cứu điển hình mẫu mực kết hợp giữa lý thuyết kinh tế lượng tài chính và dữ liệu thực tế quy mô lớn của ngành ngân hàng Việt Nam.

Thứ tư, các chuyên gia tư vấn quản trị rủi ro và tổ chức kiểm toán độc lập: Sử dụng tài liệu như một khung tham chiếu tiêu chuẩn để đánh giá tính hợp lệ, độ nhạy và mức độ tuân thủ của các mô hình lượng hóa rủi ro tín dụng nội bộ tại các định chế tài chính.

Câu hỏi thường gặp

Mô hình hồi quy Logistic mang lại ưu thế gì vượt trội so với mô hình điểm số tuyến tính truyền thống? Mô hình Logistic khắc phục triệt để nhược điểm của mô hình tuyến tính bằng cách giới hạn giá trị đầu ra trong khoảng xác suất từ 0 đến 1 thông qua hàm Logit. Phương pháp này không đòi hỏi phân phối chuẩn đa biến, phản ánh chính xác tác động phi tuyến của các chỉ số tài chính và dự báo xác suất vỡ nợ với diện tích đường cong ROC đạt trên 0.80.

Chuẩn mực Basel II xác định một khách hàng doanh nghiệp rơi vào tình trạng vỡ nợ theo những tiêu chí nào? Căn cứ Đoạn 414-419 của Basel II, khách hàng được phân loại vỡ nợ khi phát sinh nghĩa vụ nợ quá hạn từ 90 ngày trở lên đối với các khoản nợ trọng yếu, hoặc ngân hàng nhận định khách hàng không có khả năng thực hiện đầy đủ nghĩa vụ nợ nếu không xử lý tài sản bảo đảm, hoặc ngân hàng phải thực hiện trích lập dự phòng rủi ro cụ thể do chất lượng tín dụng giảm sút nghiêm trọng.

Quy trình xử lý hiện tượng đa cộng tuyến giữa các biến tài chính được thực hiện ra sao? Nghiên cứu sử dụng ma trận tương quan cặp để kiểm tra mức độ phụ thuộc tuyến tính giữa các biến. Khi hai biến có hệ số tương quan r lớn hơn 0.80, nghiên cứu sẽ chỉ giữ lại biến có sức mạnh dự báo đơn biến cao hơn căn cứ vào diện tích AUROC và ý nghĩa kinh tế, sau đó áp dụng hồi quy từng bước Forward Stepwise để chọn bộ biến tối ưu.

Chỉ số diện tích dưới đường cong ROC đóng vai trò gì trong việc kiểm định mô hình? Chỉ số diện tích dưới đường cong đặc trưng AUROC đo lường khả năng phân biệt giữa nhóm khách hàng tốt và xấu của mô hình. Giá trị AUROC biến thiên từ 0.50 (tương đương đoán ngẫu nhiên) đến 1.0 (phân loại hoàn hảo). Mô hình đạt AUROC từ 0.80 đến 0.85 trên tập dữ liệu ngoài mẫu chứng minh năng lực dự báo ở mức tốt và đủ điều kiện áp dụng thực tế.

Tại sao cần phải kết hợp đồng thời biến tài chính và biến phi tài chính khi đo lường rủi ro tại Việt Nam? Báo cáo tài chính của nhiều doanh nghiệp vừa và nhỏ tại Việt Nam có thể chưa phản ánh toàn diện bức tranh hoạt động hoặc có độ trễ thông tin nhất định. Việc tích hợp các biến phi tài chính với chỉ số giá trị thông tin lớn hơn 0.10 giúp lượng hóa thêm năng lực quản trị, lịch sử quan hệ tín dụng và vị thế ngành, tạo nên bức tranh đánh giá rủi ro toàn diện và chính xác hơn.

Kết luận

• Công trình đã chứng minh tính khả thi và hiệu quả vượt trội của việc ứng dụng mô hình hồi quy Logistic trong việc đo lường xác suất không trả được nợ của khách hàng doanh nghiệp tại VietinBank theo chuẩn mực Basel II.
• Nghiên cứu xây dựng thành công quy trình chuẩn hóa dữ liệu, phân tích đơn biến qua kỹ thuật trọng số bằng chứng và hồi quy đa biến cho 6 phân khúc doanh nghiệp trọng điểm.
• Bộ mô hình kết hợp tài chính và phi tài chính đạt sức mạnh phân biệt cao với chỉ số AUROC đạt từ 0.80 đến 0.85, đáp ứng đầy đủ các yêu cầu khắt khe của phương pháp tiếp cận dựa trên xếp hạng nội bộ.
• Đề xuất hệ thống 4 nhóm giải pháp mang tính thực thi cao về chuẩn hóa dữ liệu, hoàn thiện quy trình thẩm định, nâng cấp hệ thống phần mềm và đào tạo nguồn nhân lực trong lộ trình 18 tháng.
• Các tổ chức tín dụng và nhà nghiên cứu cần chủ động ứng dụng khung phương pháp luận định lượng này để hiện đại hóa hệ thống quản trị rủi ro tín dụng và nâng cao năng lực cạnh tranh trong giai đoạn mới.

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 c 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 c 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 c - 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 c 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. Nói cách khác, tuân thủ Basel II đã cung cấp mục tiêu, động lực và phương tiện tự nhiên để các ngân hàng đào sâu, tích lũy nỗ lực cải tiến thực hành quản lý rủi ro, cải thiện khả năng đánh giá, lượng hóa và công khai hóa rủi ro.