Giới thiệu dự án

Thị trường trái phiếu doanh nghiệp (TPDN) đóng vai trò là kênh dẫn vốn trung và dài hạn then chốt cho nền kinh tế, giảm tải áp lực cung ứng vốn tín dụng cho hệ thống ngân hàng thương mại. Theo thống kê từ AsianBondOnline và Báo cáo thường niên của VCBS (2016), hơn 60% khối lượng phát hành TPDN tại Việt Nam được thực hiện dưới hình thức phát hành riêng lẻ, tập trung chủ yếu vào nhóm ngân hàng, bất động sản và công ty chứng khoán. Tuy nhiên, tính thanh khoản trên thị trường thứ cấp còn hạn chế, các công cụ đo lường và lượng hóa phần bù rủi ro định giá chưa được chuẩn hóa theo tiêu chuẩn quốc tế.

Chênh lệch lợi suất (Credit Spread - CS), được xác định bằng khoảng cách giữa lợi suất đáo hạn của TPDN ($YTM_{corp}$) và lợi suất trái phiếu chính phủ ($Y_{gov}$) có cùng kỳ hạn, là thước đo định lượng rủi ro tín dụng và các yếu tố kinh tế vĩ mô. Nghiên cứu tập trung giải quyết bài toán: Lượng hóa các nhân tố cấu thành nên phần bù rủi ro tín dụng và phi tín dụng tại thị trường Việt Nam giai đoạn 2014 – 2018.

Problem Statement và Pain Points

  • Thiếu hụt mô hình lượng hóa chuẩn xác: Phần lớn các nghiên cứu tại Việt Nam trước đây tiếp cận TPDN thuần định tính hoặc sử dụng lãi suất cho vay ngân hàng thương mại làm biến thay thế (proxy) giả định, dẫn đến sai lệch lớn trong việc định giá rủi ro vỡ nợ thực tế.
  • Hiện tượng bất cân xứng thông tin và thanh khoản phân mảnh: Hơn 50% giá trị lưu hành toàn thị trường tập trung vào 3 tập đoàn lớn (Vingroup, Masan, ACB); dữ liệu giao dịch thứ cấp trên HOSE/HNX bị ngắt quãng, thiếu minh bạch.
  • Bỏ qua các cú sốc phi tín dụng: Các mô hình cấu trúc truyền thống không giải thích được toàn bộ chênh lệch lợi suất nếu không tính đến phần bù thanh khoản (Liquidity Premium), biến động chỉ số giá tiêu dùng (CPI) và chu kỳ thanh toán lãi (Ex-Coupon Date).

Mục tiêu dự án

  1. Lượng hóa rủi ro vỡ nợ thuần túy: Ứng dụng mô hình cấu trúc Merton (1974) và Black-Scholes-Merton để bóc tách chênh lệch lợi suất ước lượng ($CS_{EST}$) từ dữ liệu thị giá cổ phiếu và cấu trúc vốn của 25 doanh nghiệp niêm yết phát hành TPDN giai đoạn 2014 – 2017.
  2. Xác định các yếu tố phi vỡ nợ tác động đến chênh lệch lợi suất: Phân tích ma trận tương quan và kiểm định định lượng các biến số vĩ mô (CPI, PMI, Lợi suất TPCP 10 năm) cùng biến vi mô (Kỳ hạn - Duration, Đòn bẩy tài chính - D/E, ROE).
  3. Đo lường tác động của các sự kiện bất thường: Triển khai phương pháp nghiên cứu sự kiện (Event Study) trên 249 ngày giao dịch (05/2017 – 05/2018) nhằm xác định mức độ phản ứng của chênh lệch lợi suất bất thường ($AR$) và lợi suất bất thường lũy kế ($CAR$) trước ngày giao dịch không hưởng quyền và ngày công bố chỉ số CPI.

Phương pháp tiếp cận và Phạm vi

  • Phương pháp giải pháp: Kết hợp mô hình định giá tùy chọn Merton bóc tách rủi ro nội tại với kỹ thuật nghiên cứu sự kiện đa cửa sổ ($t \in [-10, +10]$) trên chuỗi dữ liệu giao dịch thứ cấp tần suất cao.
  • Phạm vi nghiên cứu: 25 doanh nghiệp niêm yết có phát hành TPDN (2014 – 2017) và 5 mã trái phiếu giao dịch tích cực nhất trên HOSE (VIC, NVL, ANCO/MSN giai đoạn 05/2017 – 05/2018).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Bảng so sánh phương pháp định giá và phân tích Credit Spread:

Tiêu chí Mô hình Merton truyền thống (1974) Phương pháp thay thế Lãi suất vay (Diễm, 2013) Giải pháp tích hợp Mô hình Cấu trúc & Nghiên cứu sự kiện (Đồ án)
Cơ sở lý thuyết Quyền chọn mua trên tài sản công ty Lý thuyết đánh đổi cấu trúc vốn Mô hình Merton kết hợp Event Study (Ederington, 2015)
Nguồn dữ liệu đầu vào Vốn hóa thị trường, Tổng nợ sổ sách Báo cáo tài chính, Lãi vay ngân hàng Dữ liệu lệnh khớp HOSE, BCTC kiểm toán, Đường cong lợi suất HNX
Tách biệt rủi ro phi tín dụng Không (Gán toàn bộ cho rủi ro vỡ nợ) Không (Bị nhiễu bởi biên lợi nhuận ngân hàng) Có (Bóc tách $CS_{Real} - CS_{EST}$ và kiểm định biến cố ngoài rủi ro tín dụng)
Độ nhạy thời gian thực Thấp (Dữ liệu tĩnh theo quý) Rất thấp (Chỉ cập nhật theo năm) Cao (Quan sát phản ứng $AR/CAR$ theo ngày giao dịch)

Yêu cầu hệ thống phân tích theo chuẩn MoSCoW:

  • Must have: Module tính toán độ biến động tài sản doanh nghiệp ($\sigma_V$), Engine giải nghịch đảo YTM trái phiếu có coupon, Module tính toán $AR/CAR$ theo cửa sổ sự kiện.
  • Should have: Ma trận tương quan Pearson giữa các chỉ tiêu tài chính ($D/E$, $ROE$, Duration) và phần bù rủi ro thặng dư.
  • Could have: Module phân tích chuỗi thời gian cho đường cong lợi suất TPCP kỳ hạn 1 đến 10 năm.
  • Won't have: Hệ thống tự động đặt lệnh giao dịch thuật toán (Algorithmic execution).
                     HỆ THỐNG PHÂN TÍCH VÀ ĐỊNH LƯỢNG CREDIT SPREAD
                                (Kiến trúc Module 4 tầng)

Technology Stack

  • Công cụ phân tích định lượng chuyên sâu: EViews phiên bản 10.0 (Ước lượng tham số kinh tế lượng, phân tích chuỗi thời gian).
  • Nền tảng xử lý dữ liệu và thuật toán: Python 3.8.10 kết hợp thư viện scipy (v1.7.0) giải phương trình phi tuyến, numpy (v1.21.0) và pandas (v1.3.0) xử lý cấu trúc dữ liệu chuỗi thời gian.
  • Xử lý số liệu văn phòng: Microsoft Excel 2016 (Xây dựng bảng ma trận tương quan và đồ thị phân rã chênh lệch lợi suất).
  • Nguồn cấp dữ liệu chuẩn hóa: Cổng thông tin Vietstock Data, FiinPro, Sở Giao dịch Chứng khoán TP.HCM (HOSE) và Sở Giao dịch Chứng khoán Hà Nội (HNX).

Implementation và kết quả

Development Process & Key Algorithms

Mô hình định lượng cốt lõi được xây dựng trên hai thuật toán chính: Mô hình cấu trúc Black-Scholes-Merton để xác định $CS_{EST}$ và thuật toán giải đa thức dòng tiền chiết khấu để tìm Lợi suất đáo hạn thực tế ($YTM$).

1. Mô hình cấu trúc Black-Scholes-Merton

Chênh lệch lợi suất ước lượng lý thuyết ($y(T) - r$) phản ánh rủi ro vỡ nợ thuần túy:

$$y(T) - r = -\frac{1}{T} \ln \left[ \frac{V_0}{F \cdot e^{-rT}} N(-d_1) + N(d_2) \right]$$

Trong đó: $$d_1 = \frac{\ln\left(\frac{V_0}{F}\right) + \left(r + \frac{1}{2}\sigma_V^2\right)T}{\sigma_V\sqrt{T}}, \quad d_2 = d_1 - \sigma_V\sqrt{T}$$

Độ biến động tổng tài sản doanh nghiệp ($\sigma_V$) được nội suy thông qua hệ phương trình biến động vốn chủ sở hữu ($E_0, \sigma_E$):

$$\sigma_V = \sqrt{\frac{1}{n-1} \sum_{i=1}^n \left(V_i - \bar{V}\right)^2}$$

2. Thuật toán tối ưu hóa tìm Lợi suất Đáo hạn (YTM)

Giá trái phiếu thực tế ($P_t$) được xác định từ tổng giá trị giao dịch ($TV_t$) chia cho khối lượng ($V_t$). Lợi suất $r$ được giải nghịch đảo từ phương trình dòng tiền:

$$P_t = \sum_{i=1}^n \frac{C_i}{(1 + r)^i} + \frac{FV}{(1 + r)^n}$$

import numpy as np
from scipy.optimize import newton
from scipy.stats import norm

def calculate_merton_credit_spread(V0, F, r, T, sigma_V):
    """
    Tính toán chênh lệch lợi suất lý thuyết theo mô hình Black-Scholes-Merton (1974)
    V0: Giá trị thị trường tổng tài sản công ty (Vốn hóa + Giá trị sổ sách nợ)
    F: Mệnh giá nợ phải trả tại ngày đáo hạn T
    r: Lợi suất trái phiếu chính phủ phi rủi ro cùng kỳ hạn
    T: Thời gian đáo hạn còn lại (năm)
    sigma_V: Độ lệch chuẩn biến động tài sản công ty
    """
    d1 = (np.log(V0 / F) + (r + 0.5 * sigma_V**2) * T) / (sigma_V * np.sqrt(T))
    d2 = d1 - sigma_V * np.sqrt(T)
    
    # Định giá nợ rủi ro B(T)
    put_option = F * np.exp(-r * T) * norm.cdf(-d2) - V0 * norm.cdf(-d1)
    risky_bond_price = V0 - (V0 * norm.cdf(d1) - F * np.exp(-r * T) * norm.cdf(d2))
    
    # Lợi suất đáo hạn lý thuyết y(T)
    y_T = -(1.0 / T) * np.log(risky_bond_price / F)
    credit_spread_est = y_T - r
    return credit_spread_est

def calculate_ytm_cashflow(price, coupon_rate, par_value, periods, freq=2):
    """
    Tính YTM thực tế của trái phiếu trả coupon định kỳ (2 lần/năm)
    """
    coupon = (coupon_rate * par_value) / freq
    def bond_objective(y):
        cash_flows = [coupon / ((1 + y/freq)**t) for t in range(1, periods + 1)]
        cash_flows[-1] += par_value / ((1 + y/freq)**periods)
        return np.sum(cash_flows) - price

    # Giải nghiệm bằng phương pháp Newton-Raphson
    ytm_solved = newton(bond_objective, x0=0.08, tol=1e-6)
    return ytm_solved

3. Mô hình nghiên cứu sự kiện (Event Study Methodology)

Lợi suất bất thường ($AR_{it}$) và Lợi suất bất thường lũy kế ($CAR$):

$$AR_{it} = R_{it} - E(R_{it} | X_t)$$

$$CAR(t_1, t_2) = \sum_{t=t_1}^{t_2} \overline{AR}_t$$

Trong đó $E(R_{it} | X_t)$ là chênh lệch lợi suất kỳ vọng được xác định bằng trung bình mẫu trong giai đoạn ước lượng (50 ngày giao dịch trước sự kiện).

Testing và Kết quả thực nghiệm

Dữ liệu thực nghiệm được chia tách thành hai tập kiểm định: Tập mẫu cắt ngang 25 doanh nghiệp (2014 – 2017) và Tập dữ liệu chuỗi thời gian tần suất cao 249 ngày giao dịch (05/2017 – 05/2018).

  Lợi suất (%)
                 BĐS          Sản xuất      Ngân hàng      Tổng thể

Kết quả phân tích thống kê mô tả (2014 – 2017)

Nhóm ngành Chênh lệch thực tế trung bình ($CS_{Real}$) Chênh lệch ước lượng Merton ($CS_{EST}$) Khoảng chênh lệch thặng dư ($\Delta CS = CS_{Real} - CS_{EST}$) Độ lệch chuẩn ($\sigma$)
Bất động sản 4.9000% (Max: 7.1229%) 1.8068% 3.0932% 2.4137%
Sản xuất 4.2000% (Max: 5.7000%) 0.2318% 3.9682% 2.0322%
Ngân hàng 1.3000% (Min: 0.0800%) 0.6462% 0.6538% 1.6089%
Toàn bộ mẫu (25 DN) 3.8389% 1.0126% 2.8042% 2.2173%

Kết quả phân tích sự kiện (Event Study giai đoạn 05/2017 – 05/2018)

  • Tác động của Ngày giao dịch không hưởng quyền (Ex-Coupon Date): Khi bước qua ngày giao dịch không hưởng quyền, chênh lệch lợi suất của trái phiếu doanh nghiệp ghi nhận mức tăng bất thường trung bình +2.00%. Nguyên nhân do giá thị trường trái phiếu điều chỉnh giảm kỹ thuật để khấu trừ giá trị thanh toán coupon, đẩy lợi suất đáo hạn danh nghĩa tăng vọt trong ngắn hạn.
  • Tác động của sự kiện công bố CPI (Ngày 29 hàng tháng):
    • Khi CPI công bố tăng so với tháng trước: Chênh lệch lợi suất bất thường ($AR$) giảm đáng kể trong cửa sổ $[-2, +5]$ ngày. Thị trường phản ứng bằng việc định giá tăng nhanh lợi suất trái phiếu chính phủ tương đối so với TPDN.
    • Khi CPI công bố giảm: Không có sự biến động bất thường có ý nghĩa thống kê đối với $AR$.

Đổi mới và đóng góp

  1. Bóc tách thành công rủi ro phi tín dụng trong định giá TPDN: Nghiên cứu chứng minh rủi ro vỡ nợ thuần túy (tính theo mô hình Merton) chỉ chiếm 26.38% ($1.0126% / 3.8389%$) tổng chênh lệch lợi suất tại Việt Nam. 73.62% ($2.8042%$) còn lại xuất phát từ các yếu tố phi tín dụng gồm rủi ro thanh khoản, chi phí giao dịch và tác động bất cân xứng thông tin.
  2. Khắc phục triệt để lỗi gán sai biến của các nghiên cứu tiền nhiệm: So với cách tiếp cận của Nguyễn Lê Hồng Diễm (2013) sử dụng lãi suất vay ngân hàng thương mại làm giá trị đại diện (tạo ra độ nhiễu lớn do lãi suất bao gồm chi phí vận hành ngân hàng), nghiên cứu này sử dụng dữ liệu thị trường trực tiếp từ giá giao dịch thực tế trên HOSE và HNX.
  3. Tiên phong ứng dụng Event Study trên chuỗi giao dịch TPDN Việt Nam: Chứng minh thực nghiệm rằng ngày giao dịch không hưởng quyền tạo ra bước nhảy lợi suất tức thời +2.0%, cung cấp cơ sở quan trọng cho các nhà giao dịch thực hiện chiến lược kinh doanh chênh lệch giá (Arbitrage).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng nghiệp vụ

  • Định giá phát hành trái phiếu sơ cấp: Các tổ chức tư vấn phát hành (Chứng khoán SSI, TCBS, VPS) có thể sử dụng mô hình bóc tách để xác định lãi suất coupon tối ưu cho doanh nghiệp dựa trên cấu trúc tài chính và bối cảnh vĩ mô.
  • Quản trị danh mục Trái phiếu Cố định (Fixed Income Portfolio): Các quỹ đầu tư (DC, VinaCapital, IPAAM) ứng dụng quy luật biến động quanh ngày chốt quyền và công bố chỉ số CPI để tối ưu hóa thời điểm tái cơ cấu danh mục.
                           LỘ TRÌNH TRIỂN KHAI VÀ ỨNG DỤNG HỆ THỐNG

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis & ROI)

  • Chi phí triển khai ước tính: 150.000.000 VNĐ – 250.000.000 VNĐ (Bao gồm bản quyền dữ liệu FiinPro/Vietstock, hạ tầng máy chủ phân tích và nhân sự định lượng).
  • Hiệu quả kinh tế lượng hóa (ROI): Tối ưu hóa chi phí huy động vốn từ 20 – 45 điểm cơ bản (bps) cho mỗi đợt phát hành quy mô 1.000 tỷ VNĐ, tương đương tiết kiệm 2.0 – 4.5 tỷ VNĐ chi phí lãi vay mỗi năm cho doanh nghiệp phát hành.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Thanh khoản thứ cấp tập trung thấp: Dữ liệu giao dịch hàng ngày trong giai đoạn nghiên cứu tập trung chủ yếu vào số ít mã trái phiếu lớn (Vingroup, Novaland, Masan), chưa phản ánh toàn diện các doanh nghiệp vừa và nhỏ.
  • Thời gian lưu trữ dữ liệu sàn giao dịch: Dữ liệu giao dịch khớp lệnh chi tiết trên HOSE thời điểm nghiên cứu chưa được lưu trữ dài hạn thành hệ thống tập trung.

Hướng phát triển tiếp theo

  • Mở rộng mô hình động đa yếu tố: Ứng dụng các mô hình cấu trúc nâng cấp như Longstaff-Schwartz kết hợp mô hình Vasicek/Cox-Ingersoll-Ross (CIR) để mô phỏng tính ngẫu nhiên của đường cong lợi suất danh nghĩa.
  • Machine Learning trong dự báo bước nhảy Spread: Ứng dụng thuật toán XGBoost và mạng nơ-ron LSTM để dự báo biến động của chênh lệch lợi suất bất thường khi phát sinh các biến cố kinh tế vĩ mô bất ngờ.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận phương pháp luận chuẩn mực về mô hình tài chính định lượng kết hợp kinh tế lượng ứng dụng; hiểu rõ cách vận hành thực tế của thị trường TPDN.
  • Chuyên viên Phân tích Định lượng (Quants) & Định giá: Khung mã nguồn mẫu và phương pháp tính toán độ biến động tài sản ($\sigma_V$) phục vụ trực tiếp cho công tác định giá nợ rủi ro.
  • Doanh nghiệp phát hành & Ngân hàng đầu tư: Xác định chính xác phần bù rủi ro thị trường yêu cầu, hỗ trợ thiết lập mức lãi suất coupon cạnh tranh khi phát hành trái phiếu ra công chúng.
  • Cơ quan Quản lý Nhà nước (Bộ Tài chính, UBCKNN): Cung cấp bằng chứng thực nghiệm về tầm quan trọng của việc xây dựng cơ sở hạ tầng giao dịch thứ cấp tập trung theo định hướng Quyết định 1191/QĐ-TTg.

Câu hỏi thường gặp

1. Yêu cầu hệ thống để triển khai mô hình định lượng này là gì?

Hệ thống yêu cầu môi trường chạy Python 3.8+ (với các thư viện numpy, scipy, pandas) hoặc phần mềm EViews 10 trở lên. Dữ liệu đầu vào cần có bảng cân đối kế toán theo quý, lịch sử giá đóng cửa cổ phiếu tối thiểu 252 phiên giao dịch và đường cong lợi suất TPCP cập nhật từ HNX.

2. Tại sao mô hình Merton lại ước lượng chênh lệch lợi suất thấp hơn thực tế?

Mô hình Merton cổ điển hoạt động dựa trên giả định thị trường hoàn hảo, không có chi phí giao dịch, tài sản có tính thanh khoản tuyệt đối và doanh nghiệp chỉ vỡ nợ tại thời điểm đáo hạn $T$. Trên thực tế, thị trường TPDN Việt Nam chịu rủi ro thanh khoản cao và bất cân xứng thông tin, dẫn đến nhà đầu tư đòi hỏi thêm phần bù rủi ro phi tín dụng trung bình 2.80%.

3. Tác động của ngày giao dịch không hưởng quyền (+2.0% Spread) có thể ứng dụng giao dịch như thế nào?

Nhà đầu tư có thể tận dụng hiện tượng tăng đột biến lợi suất kỹ thuật quanh ngày chốt danh sách nhận coupon để thực hiện các vị thế phòng hộ (Hedging) hoặc mua vào khi giá trái phiếu bị chiết khấu quá mức, sau đó bán ra khi lợi suất ổn định trở lại về mức cân bằng.

4. Khi chỉ số CPI công bố tăng, tại sao Credit Spread lại có xu hướng thu hẹp?

Khi CPI tăng, kỳ vọng lạm phát đẩy lợi suất trái phiếu chính phủ ($Y_{gov}$) tăng nhanh hơn tốc độ điều chỉnh của lãi suất coupon cố định trên TPDN trong ngắn hạn, làm cho hiệu số $CS = YTM_{corp} - Y_{gov}$ co hẹp tạm thời trong cửa sổ sự kiện $[-2, +5]$ ngày.

5. Chi phí duy trì hệ thống định giá này trong doanh nghiệp là bao nhiêu?

Chi phí vận hành định kỳ chủ yếu là chi phí thuê bao dữ liệu tài chính (khoảng 30 – 50 triệu VNĐ/năm cho cổng dữ liệu chuyên nghiệp). Phần mềm lõi và thuật toán định lượng có thể vận hành trên hạ tầng máy chủ cục bộ hoặc đám mây tiêu chuẩn với chi phí bảo trì không đáng kể.

Kết luận

Nghiên cứu "Các yếu tố ảnh hưởng đến chênh lệch lợi suất của trái phiếu doanh nghiệp Việt Nam" đã giải quyết trọn vẹn bài toán lượng hóa rủi ro tín dụng và phi tín dụng trên thị trường trái phiếu mới nổi. Bằng việc kết hợp chặt chẽ giữa Mô hình cấu trúc Black-Scholes-Merton và Phương pháp Nghiên cứu sự kiện (Event Study), công trình mang lại những đóng góp khoa học và thực tiễn sâu sắc:

  • Xác định chênh lệch lợi suất TPDN thực tế bình quân giai đoạn 2014 – 2017 đạt 3.84%, trong đó nhóm Bất động sản chịu mức chênh lệch cao nhất (4.90%), tiếp đến là Sản xuất (4.20%) và Ngân hàng (1.30%).
  • Làm rõ rằng phần bù rủi ro vỡ nợ chỉ đóng góp 26.4% vào tổng chênh lệch lợi suất, trong khi 73.6% còn lại được giải thích bởi rủi ro thanh khoản, rủi ro thông tin và các biến số kinh tế vĩ mô.
  • Chứng minh định lượng sự kiện ngày giao dịch không hưởng quyền làm tăng tức thời 2.0% chênh lệch lợi suất và công bố chỉ số CPI tăng tạo ra sự điều chỉnh co hẹp chênh lệch lợi suất trong ngắn hạn.

Kết quả nghiên cứu là tài liệu tham khảo giá trị cho các nhà hoạch định chính sách trong việc hoàn thiện cơ sở hạ tầng thị trường nợ, đồng thời là công cụ thực nghiệm đắc lực cho các định chế tài chính và nhà đầu tư chuyên nghiệp trong việc định giá và quản trị rủi ro danh mục trái phiếu tại Việt Nam.