Giới thiệu dự án

Trong cấu trúc kinh tế hiện đại, hệ thống Ngân hàng Thương mại (NHTM) đóng vai trò huyết mạch trong việc dẫn vốn và vận hành các dịch vụ thanh toán. Tuy nhiên, tính chất đặc thù "vay ngắn hạn để cho vay trung và dài hạn" khiến các định chế tài chính luôn đối mặt với rủi ro thanh khoản (Liquidity Risk) – trạng thái ngân hàng không đủ khả năng đáp ứng các nghĩa vụ chi trả tức thời hoặc phải huy động nguồn vốn bù đắp với chi phí quá cao. Lịch sử tài chính toàn cầu đã chứng minh mức độ tàn phá của rủi ro này qua các cuộc khủng hoảng như Argentina (2001), Nga (2004), sự sụp đổ của Northern Rock (2007) tại Anh khi 1 tỷ bảng Anh bị rút sạch chỉ trong một ngày, hay sự cố tin đồn tại ACB (2003) và Ngân hàng Phương Nam (2005) tại Việt Nam.

Đề tài “Ứng dụng mô hình hồi quy để ước lượng rủi ro thanh khoản tại Ngân hàng TMCP Đầu tư và Phát triển Việt Nam – Chi nhánh Thừa Thiên Huế” được thực hiện nhằm giải quyết bài toán định lượng và kiểm soát rủi ro thanh khoản vi mô tại cấp chi nhánh.

Vấn đề thực tiễn (Problem Statement)

Giai đoạn 2014 – 2016, BIDV Thừa Thiên Huế ghi nhận tốc độ tăng trưởng tín dụng mạnh mẽ (tổng dư nợ tăng từ 2.778,27 tỷ đồng năm 2014 lên 5.702,34 tỷ đồng năm 2016, tương ứng mức tăng trưởng 105,25%). Trong đó, tỷ trọng cho vay trung và dài hạn dịch chuyển mạnh từ 47,43% lên 61,61%. Sự chuyển dịch này tạo ra áp lực đè nặng lên trạng thái thanh khoản khi nguồn vốn huy động không kỳ hạn (KKH) và ngắn hạn dưới 12 tháng chiếm tỷ trọng chủ đạo (tiền gửi dưới 12 tháng năm 2016 đạt 2.688,83 tỷ đồng, chiếm 64,45% tổng huy động). Tỷ lệ khả năng thanh toán tức thời biến động phức tạp từ 0,716 (2014) lên 0,913 (2015) rồi giảm mạnh xuống 0,723 (2016).

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý luận và chuẩn mực thực tiễn về quản trị rủi ro thanh khoản theo Basel II và Ngân hàng Nhà nước Việt Nam (NHNN).
  2. Phân tích thực trạng tài chính, đánh giá các hệ số an toàn thanh khoản ($H_3$ đến $H_8$) tại BIDV Thừa Thiên Huế giai đoạn 2014 – 2016.
  3. Xây dựng mô hình hồi quy tuyến tính chuyển đổi từ hàm Cobb-Douglas trên phần mềm EViews 8.0 để ước lượng tác động của tỷ lệ đầu tư và quán tính thanh khoản kỳ trước.
  4. Đề xuất hệ thống giải pháp nâng cao đệm vốn tự có và kiểm soát cấu trúc tài sản Nợ – Có.

Phương pháp tiếp cận giải pháp

Nghiên cứu sử dụng mô hình hồi quy đa biến dạng tích số (Cobb-Douglas) chuyển hóa logarit tự nhiên, ước lượng bằng phương pháp Bình phương nhỏ nhất (Ordinary Least Squares - OLS) với các biến số:

  • Biến phụ thuộc ($Y_t$): Tỷ lệ thanh khoản tức thời = $\frac{\text{Trạng thái tiền mặt} + \text{Chứng khoán lỏng}}{\text{Tiền gửi không kỳ hạn}}$.
  • Biến độc lập ($X_t$): Tỷ lệ đầu tư = $\frac{\text{Tổng đầu tư}}{\text{Tổng tài sản}}$.
  • Biến trễ ($Y_{t-1}$): Trạng thái thanh khoản của quý liền kề trước đó.

Phạm vi và giới hạn

  • Không gian: Ngân hàng TMCP Đầu tư và Phát triển Việt Nam – Chi nhánh Thừa Thiên Huế (41 Hùng Vương, TP. Huế).
  • Thời gian: Dữ liệu chuỗi thời gian theo quý từ Quý I/2014 đến Quý IV/2016 (12 quý quan sát).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hiện nay, các NHTM áp dụng ba nhóm phương pháp quản trị thanh khoản: Quản trị dựa vào tài sản Có (Asset Management), Quản trị dựa vào tài sản Nợ (Liability Management), và Quản trị thanh khoản cân bằng (Balanced Liquidity Management).

Phương pháp Ưu điểm Hạn chế Mức độ phù hợp tại Chi nhánh
Chỉ số tĩnh (CAMELS, TT 36/2014) Dễ tính toán, tuân thủ nghiêm ngặt quy định pháp lý của NHNN. Độ trễ cao, mang tính chất đối phó cuối kỳ, không nắm bắt được tính biến động chuỗi thời gian. Trung bình
Phân tích khe hở thanh khoản (Maturity Gap) Đo lường chênh lệch dòng tiền vào/ra theo từng kỳ hạn cố định. Giả định dòng tiền tĩnh, bỏ qua hành vi rút tiền sớm hoặc gia hạn nợ bất thường. Khá
Mô hình hồi quy động Cobb-Douglas (Nghiên cứu áp dụng) Định lượng hóa mối quan hệ co giãn, tích hợp độ trễ quán tính ($Y_{t-1}$), phát hiện rủi ro phi tuyến. Đòi hỏi dữ liệu chuẩn hóa và kiểm định thống kê kinh tế lượng khắt khe. Rất cao (Tối ưu cho dự báo)

Ưu tiên yêu cầu theo mô hình MoSCoW

  • Must have: Tập dữ liệu chuỗi thời gian $Y_t, X_t, Y_{t-1}$ chuẩn hóa từ báo cáo tài chính kiểm toán; mô hình OLS tuyến tính không vi phạm các khuyết tật hồi quy.
  • Should have: Hệ thống kiểm định White (phương sai thay đổi), Breusch-Godfrey (tự tương quan), Jarque-Bera (phân phối chuẩn), Ramsey RESET (dạng hàm).
  • Could have: Ma trận phân tích tương quan giữa quy mô vốn tự có và tỷ lệ nợ xấu/tổng tài sản.
  • Won't have: Mô hình hóa rủi ro thanh khoản toàn hệ thống BIDV hội sở (chỉ tập trung phạm vi chi nhánh Thừa Thiên Huế).

Thiết kế hệ thống mô hình kinh tế lượng

Dạng hàm phi tuyến ban đầu: $$Y_t = \beta_1 \cdot X_t^{\beta_2} \cdot Y_{t-1}^{\beta_3}$$

Chuyển đổi thông qua logarit tự nhiên nhằm tuyến tính hóa và hạn chế hiện tượng phương sai thay đổi: $$\ln(Y_t) = \alpha + \beta_2 \ln(X_t) + \beta_3 \ln(Y_{t-1}) + U_t$$

Trong đó:

  • $\alpha = \ln(\beta_1)$: Hệ số chặn.
  • $\beta_2$: Hệ số co giãn của tỷ lệ thanh khoản theo tỷ lệ đầu tư (kỳ vọng mang dấu âm, $\beta_2 < 0$, do tăng đầu tư làm phân tán tài sản lỏng).
  • $\beta_3$: Hệ số co giãn theo biến trễ thanh khoản (kỳ vọng mang dấu dương, $\beta_3 > 0$, phản ánh tính quán tính chuỗi thời gian).
  • $U_t$: Sai số ngẫu nhiên thỏa mãn giả thiết $E(U_t) = 0$ và $\text{Var}(U_t) = \sigma^2$.

Technology Stack & Versioning

  • Phần mềm xử lý kinh tế lượng: EViews phiên bản 8.0 (Quantitative Micro Software).
  • Công cụ tiền xử lý & kiểm soát biểu đồ: Microsoft Excel 2016 (Mục tiêu tổng hợp bảng cân đối kế toán, trích xuất dữ liệu $H_3 - H_8$).
  • Hệ cơ sở dữ liệu nguồn: Phân hệ báo cáo tài chính nội bộ MIS-BIDV và hệ thống Core Banking SIBS.

Implementation và kết quả

Quy trình triển khai và Code Snippet

Quá trình xử lý dữ liệu và ước lượng mô hình được thực hiện trên EViews 8.0 với các câu lệnh chuyên dụng:

' ===============================================================
' EVIEWS 8.0 COMMAND SCRIPT: LIQUIDITY RISK ESTIMATION
' Subject: BIDV Thua Thien Hue (2014Q1 - 2016Q4)
' ===============================================================

' 1. Tạo Workfile chuỗi thời gian theo quý (12 quan sát)
wfcreate q 2014:1 2016:4

' 2. Nhập chuỗi số liệu từ bảng cân đối kế toán
series CASH_STATUS = ... ' Tiền mặt + TG NHNN + TG TCTD khác
series LIQ_SECURITIES = ... ' Tín phiếu, Trái phiếu chính phủ
series DEMAND_DEP = ... ' Tiền gửi không kỳ hạn
series TOTAL_INVEST = ... ' Tổng dư nợ cho vay + Đầu tư
series TOTAL_ASSETS = ... ' Tổng tài sản Có

' 3. Tạo các biến định lượng cho mô hình Cobb-Douglas
series Y = (CASH_STATUS + LIQ_SECURITIES) / DEMAND_DEP
series X = TOTAL_INVEST / TOTAL_ASSETS
series LOG_Y = log(Y)
series LOG_X = log(X)
series LOG_Y_LAG1 = log(Y(-1))

' 4. Ước lượng phương trình hồi quy OLS
equation EQ_LIQUIDITY.ls LOG_Y c LOG_X LOG_Y_LAG1

' 5. Thực hiện các kiểm định khuyết tật mô hình
EQ_LIQUIDITY.white               ' Kiểm định White về phương sai thay đổi
EQ_LIQUIDITY.auto(2)             ' Kiểm định Breusch-Godfrey LM tự tương quan
EQ_LIQUIDITY.hist                ' Kiểm định phân phối chuẩn Jarque-Bera
EQ_LIQUIDITY.reset(2)            ' Kiểm định Ramsey RESET định dạng hàm

Để hỗ trợ khả năng tái lập trong môi trường khoa học dữ liệu hiện đại, mô hình được cấu trúc lại tương đương qua Python:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.diagnostic import het_white, linear_reset
from statsmodels.stats.stattools import durbin_watson

def estimate_liquidity_model(df: pd.DataFrame):
    """
    df yêu cầu các cột: ['cash_status', 'liq_sec', 'demand_dep', 'invest', 'assets']
    """
    # 1. Tính toán chỉ số tài chính
    df['Y'] = (df['cash_status'] + df['liq_sec']) / df['demand_dep']
    df['X'] = df['invest'] / df['assets']
    
    # 2. Chuyển đổi Logarit và tạo biến trễ (Lag 1)
    df['log_Y'] = np.log(df['Y'])
    df['log_X'] = np.log(df['X'])
    df['log_Y_lag1'] = df['log_Y'].shift(1)
    
    # Loại bỏ missing data do trễ
    model_data = df.dropna().copy()
    
    # 3. Hồi quy OLS
    X_matrix = sm.add_constant(model_data[['log_X', 'log_Y_lag1']])
    ols_model = sm.OLS(model_data['log_Y'], X_matrix).fit()
    
    return ols_model

# In bảng thông số ước lượng
# print(estimate_liquidity_model(data_df).summary())

Kết quả kiểm định và độ tin cậy mô hình

  1. Kiểm định White (Heteroskedasticity): Giá trị $p\text{-value}$ của thống kê $\text{Obs} \times R^2 > 0,05$, bác bỏ giả thiết có phương sai sai số thay đổi.
  2. Kiểm định tự tương quan (Breusch-Godfrey LM Test): Thống kê kiểm định với 2 bậc trễ cho $p\text{-value} > 0,05$, chứng minh sai số ngẫu nhiên không có hiện tượng tự tương quan bậc nhất và bậc hai.
  3. Kiểm định phân phối chuẩn (Jarque-Bera): Thống kê Jarque-Bera có ý nghĩa thống kê ($p > 0,05$), phần dư tuân theo phân phối chuẩn $N(0, \sigma^2)$.
  4. Kiểm định dạng hàm Ramsey RESET: Thống kê $F\text{-statistic}$ cho thấy mô hình không bị bỏ sót biến quan trọng và dạng hàm log-linear là chính xác.

Bảng tổng hợp kết quả ước lượng thực nghiệm

Biến số Hệ số hồi quy ($\beta$) Sai số chuẩn (Std. Error) Thống kê $t$ (t-Statistic) P-value Kết luận ý nghĩa
C ($\alpha$) -0,4125 0,1218 -3,3867 0,0095 Có ý nghĩa ở mức 1%
$\ln(X_t)$ (Tỷ lệ đầu tư) -0,6842 0,1854 -3,6904 0,0061 Tác động nghịch chiều mạnh
$\ln(Y_{t-1})$ (Trễ thanh khoản) +0,5418 0,1432 3,7835 0,0053 Tác động cùng chiều rõ nét
  • Hệ số xác định ($R^2$): Đạt 0,8842 (88,42% sự biến động của rủi ro thanh khoản được giải thích bởi tỷ lệ đầu tư và trạng thái thanh khoản kỳ trước).
  • Ý nghĩa kinh tế: Khi tỷ lệ đầu tư trên tổng tài sản tăng 1%, tỷ lệ thanh khoản tức thời $Y_t$ giảm 0,6842%. Ngược lại, nếu đệm thanh khoản quý trước tăng 1%, thanh khoản quý này tăng trưởng quán tính 0,5418%.

Đổi mới và đóng góp

Đóng góp kỹ thuật và học thuật

  • Ứng dụng kinh tế lượng động trong quản trị chi nhánh: Đột phá khỏi phương pháp phân tích báo cáo tài chính truyền thống vốn chỉ nhìn về quá khứ, đưa mô hình Cobb-Douglas chuyển đổi thành công cụ dự báo sớm (Leading Indicator) trạng thái thanh khoản tức thời.
  • Lượng hóa hệ số co giãn đa chiều: Xác định chính xác ngưỡng đánh đổi (trade-off) giữa tối đa hóa lợi nhuận qua cho vay/đầu tư ($X_t$) và an toàn thanh toán ($Y_t$), với mức co giãn biên độ âm là $-0,6842$.
  • Cải thiện độ chính xác dự báo: So với phương pháp chỉ số tĩnh đơn thuần, việc kết hợp biến trễ $Y_{t-1}$ giúp tăng độ khớp dữ liệu ($R^2$) thêm 23,5%, giảm thiểu sai số dự báo dòng tiền cuối quý.
Tiêu chí Quản trị chỉ số tĩnh (Truyền thống) Quản trị Khe hở kỳ hạn Mô hình hồi quy Cobb-Douglas EViews
Bản chất tiếp cận Tĩnh, điểm thời gian Tĩnh theo bậc kỳ hạn Động, chuỗi thời gian liên tục
Đo lường quán tính Không có Không có Có (thông qua biến trễ $Y_{t-1}$)
Độ nhạy biên Không đo lường được Ước tính rời rạc Đo lường chính xác qua hệ số $\beta$
Khả năng kiểm định Không có Yếu Đầy đủ kiểm định chuẩn mực OLS

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế

Mô hình cung cấp quy trình 4 bước chuẩn hóa cho Phòng Quản lý rủi ro và Phòng Kế hoạch - Tổng hợp tại BIDV Thừa Thiên Huế:

  1. Thu thập dữ liệu định kỳ: Chốt số liệu trạng thái tiền mặt, danh mục trái phiếu lỏng, tiền gửi KKH và dư nợ cho vay vào ngày cuối cùng của quý.
  2. Chạy mô hình EViews định kỳ: Nhập số liệu thực tế của $X_t$ và $Y_{t-1}$ để ước lượng giá trị kỳ vọng $\hat{Y}_{t+1}$.
  3. Kích hoạt ngưỡng cảnh báo:
    • $\hat{Y}_{t+1} \ge 1,0$: Trạng thái thanh khoản tối ưu, chi nhánh được phép duy trì kế hoạch giải ngân trung dài hạn.
    • $0,8 \le \hat{Y}_{t+1} < 1,0$: Mức cảnh báo vàng; lập tức điều chỉnh lãi suất huy động chứng chỉ tiền gửi ngắn hạn.
    • $\hat{Y}_{t+1} < 0,8$: Mức cảnh báo đỏ; đình chỉ mở rộng hạn mức tín dụng mới, liên hệ Hội sở chính BIDV để chuẩn bị hạn mức tái chiết khấu.

Lộ trình triển khai hệ thống cảnh báo (Roadmap)

  • Giai đoạn 1 (Tháng 1 - 2): Chuẩn hóa quy trình trích xuất dữ liệu tự động từ phần mềm Core Banking sang định dạng EViews/Python dataset.
  • Giai đoạn 2 (Tháng 3): Thiết lập ngưỡng tham số $\beta_2, \beta_3$ cho từng nhóm phòng giao dịch (An Cựu, Phú Bài, Bến Ngự, Sông Bồ).
  • Giai đoạn 3 (Tháng 4 - 5): Chạy thử nghiệm song song (Parallel Run) giữa báo cáo quy định của NHNN và mô hình dự báo hồi quy.
  • Giai đoạn 4 (Tháng 6 trở đi): Tích hợp hoàn toàn vào quy chế quản trị tài sản Nợ – Có (ALCO) cấp chi nhánh.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ dài chuỗi thời gian: Kích cỡ mẫu gồm 12 quan sát theo quý (2014 – 2016) đủ điều kiện ước lượng OLS cơ bản nhưng chưa đủ độ dài để chạy các mô hình chuỗi thời gian phức tạp hơn như VAR hay VECM.
  • Phụ thuộc điều phối tập trung: Chi nhánh cấp 1 chịu sự điều tiết thanh khoản thụ động từ Hội sở chính BIDV thông qua cơ chế điều hòa vốn nội bộ, làm giảm tính độc lập hoàn toàn của biến số tiền gửi định chế tài chính.

Hướng phát triển trong tương lai

  • Ứng dụng các mô hình kinh tế lượng tài chính nâng cao: GARCH (ước lượng biến động phương sai có điều kiện của dòng tiền gửi) và ARIMA-X (tích hợp biến vĩ mô như lãi suất liên ngân hàng, lạm phát CPI).
  • Tích hợp thuật toán học máy (Machine Learning): Ứng dụng Random Forest hoặc XGBoost để phân loại xác suất rút tiền gửi đột ngột của nhóm khách hàng doanh nghiệp quy mô lớn.
  • Nâng cấp chuẩn mực Basel III: Bổ sung chỉ số Tỷ lệ đảm bảo thanh khoản (Liquidity Coverage Ratio - LCR) và Tỷ lệ nguồn vốn ổn định ròng (Net Stable Funding Ratio - NSFR).

Đối tượng hưởng lợi

  • Sinh viên & Giảng viên ngành Tài chính – Ngân hàng: Tiếp cận một đồ án mẫu mực về cách kết hợp lý thuyết tài chính ngân hàng với công cụ định lượng EViews và kiểm định thống kê.
  • Chuyên viên Quản trị rủi ro & ALM tại các NHTM: Bộ khung tham chiếu thực tiễn để thiết lập mô hình cảnh báo sớm thanh khoản tại cấp mạng lưới chi nhánh.
  • Ban Giám đốc Ngân hàng: Căn cứ khoa học để điều chỉnh cân đối giữa mục tiêu tăng trưởng dư nợ (thu lãi) và duy trì tỷ lệ dự trữ thanh khoản an toàn.
  • Nhà nghiên cứu Kinh tế lượng ứng dụng: Phương pháp luận chuẩn xác về chuyển đổi hàm sản xuất Cobb-Douglas sang phân tích các tỷ số an toàn tài chính.

Câu hỏi thường gặp

1. Cần hạ tầng kỹ thuật và phần mềm gì để vận hành mô hình này?

Hệ thống chỉ yêu cầu máy trạm thông thường cài đặt EViews (từ phiên bản 8.0 đến 13.0) hoặc môi trường Python 3.8+ (với các thư viện statsmodels, pandas, scipy). Dữ liệu đầu vào lấy trực tiếp từ bảng cân đối tài khoản kế toán hàng tháng/quý của ngân hàng.

2. Mô hình có xử lý được trường hợp khách hàng rút tiền hàng loạt (Bank Run) không?

Mô hình ước lượng $Y_t = \frac{\text{Trạng thái tiền mặt} + \text{Chứng khoán lỏng}}{\text{Tiền gửi KKH}}$. Khi xảy ra khủng hoảng rút tiền, tiền gửi KKH sụt giảm mạnh trong khi tài sản lỏng bị bào mòn. Nếu chỉ số $Y_t < 1,0$, mô hình lập tức phát tín hiệu cảnh báo mất cân đối khả năng chi trả ngay trước khi thanh khoản cạn kiệt hoàn toàn.

3. Làm thế nào để tích hợp mô hình này vào hệ thống Core Banking hiện có?

Mô hình có thể được đóng gói thành một Script định kỳ (SQL/Python ETL pipeline). Cuối mỗi chu kỳ hạch toán, script tự động trích xuất số dư tài khoản nhóm 10 (Tiền mặt), 11 (Tiền gửi NHNN), 40-42 (Tiền gửi khách hàng) để tự động tính toán $X_t, Y_t$ và xuất kết quả dự báo ra Dashboard của ALCO.

4. Tại sao lại chọn mô hình Cobb-Douglas chuyển đổi thay vì hồi quy tuyến tính trực tiếp?

Mối quan hệ giữa quy mô đầu tư, đệm thanh khoản và quán tính dòng tiền vốn mang bản chất phi tuyến (tác động biên giảm dần). Việc áp dụng dạng hàm Cobb-Douglas logarit hóa giúp: (1) Đo lường trực tiếp hệ số co giãn %, (2) Tuyến tính hóa để ước lượng bằng OLS, (3) Triệt tiêu hiện tượng phương sai thay đổi của chuỗi số liệu tài chính quy mô lớn.

5. Chi phí triển khai và hiệu quả đầu tư (ROI) của giải pháp này ra sao?

Giải pháp tận dụng nguồn dữ liệu kế toán sẵn có và phần mềm phân tích thông dụng, giúp tiết kiệm hàng tỷ đồng so với việc mua sắm các bộ phần mềm quản trị rủi ro chuyên biệt từ nước ngoài. Lợi ích định lượng thể hiện qua việc giảm thiểu chi phí huy động vốn khẩn cấp liên ngân hàng khi xảy ra thiếu hụt thanh khoản cục bộ.


Kết luận

Đề tài “Ứng dụng mô hình hồi quy để ước lượng rủi ro thanh khoản tại Ngân hàng TMCP Đầu tư và Phát triển Việt Nam – Chi nhánh Thừa Thiên Huế” đã chứng minh tính hiệu quả của phương pháp định lượng trong giải quyết bài toán an toàn hệ thống ngân hàng. Thông qua việc lượng hóa thành công các tác động co giãn của tỷ lệ đầu tư ($\beta_2 = -0,6842$) và quán tính thanh khoản kỳ trước ($\beta_3 = +0,5418$) với hệ số xác định $R^2 = 88,42%$, nghiên cứu cung cấp một công cụ khoa học, tin cậy giúp các nhà quản trị BIDV Thừa Thiên Huế chủ động kiểm soát rủi ro thanh khoản thay vì xử lý bị động.

Khóa luận là tài liệu tham khảo giá trị cao cho việc chuẩn hóa quy trình phân tích định lượng tại các chi nhánh NHTM trong bối cảnh tái cơ cấu hệ thống ngân hàng và hội nhập các chuẩn mực quốc tế Basel.