Giới thiệu dự án
Rủi ro thanh khoản (RRTK) trong hệ thống ngân hàng thương mại (NHTM) luôn được xem là ngòi nổ tiềm ẩn nguy cơ kích hoạt các cuộc khủng hoảng tài chính mang tính hệ thống. Lịch sử tài chính thế giới đã chứng kiến những biến cố nghiêm trọng như cuộc khủng hoảng ngân hàng tại Argentina (2001), cuộc khủng hoảng thanh khoản tại Nga (2004) hay sự sụp đổ của Lehman Brothers (2008). Tại Việt Nam, sự kiện người dân ồ ạt rút tiền tại Ngân hàng TMCP Á Châu (ACB) năm 2003 và Ngân hàng TMCP Sài Gòn (SCB) năm 2022 là minh chứng rõ ràng cho thấy: một định chế tài chính dù sở hữu tổng tài sản lớn, kết quả kinh doanh sinh lời cao và tỷ lệ an toàn vốn đạt chuẩn vẫn có thể sụp đổ nhanh chóng nếu mất khả năng thanh toán tức thời (Crowe, 2009; Basel Committee, 2015).
+-----------------------------------------------------------------------------+
| MẤT CÂN ĐỐI KỲ HẠN VỐN |
| (Huy động ngắn hạn, chi phí thấp) <---> (Cho vay trung & dài hạn, rủi ro) |
+-----------------------------------------------------------------------------+
|
v
+-----------------------------------------------------------------------------+
| NGÒI NỔ RỦI RO THANH KHOẢN |
| - Cú sốc rút tiền hàng loạt (Bank Run) |
| - Biến động lãi suất liên ngân hàng và chính sách tiền tệ M2 |
| - Suy giảm chất lượng tín dụng (Nợ xấu, trích lập dự phòng LPTL tăng) |
+-----------------------------------------------------------------------------+
|
v
+-----------------------------------------------------------------------------+
| HIỆU ỨNG LAN TRUYỀN (DOMINO) |
| Đóng băng thị trường liên ngân hàng -> Đổ vỡ hệ thống tài chính quốc gia |
+-----------------------------------------------------------------------------+
Vấn đề nghiên cứu thực tế
Nghiên cứu tập trung giải quyết các điểm nghẽn (pain points) trong công tác quản trị tài sản Có - tài sản Nợ (ALM) tại các NHTM Việt Nam:
- Sự mất cân đối kỳ hạn nghiêm trọng: Sử dụng nguồn vốn huy động ngắn hạn để tài trợ cho các khoản vay trung và dài hạn, đẩy tỷ lệ cho vay trên tổng vốn huy động ($LDR$) lên ngưỡng rủi ro cao.
- Phụ thuộc quá mức vào thanh khoản liên ngân hàng: Khi thị trường tiền tệ biến động, chi phí vay mượn bù đắp thâm hụt thanh khoản tăng đột biến, làm xói mòn lợi nhuận biên ($NIM$).
- Thiếu mô hình định lượng chuyên sâu: Việc dự báo và kiểm soát thanh khoản đa phần dừng lại ở việc tuân thủ các chỉ số tĩnh theo Thông tư của Ngân hàng Nhà nước (NHNN), chưa lượng hóa được tương tác đa biến giữa các yếu tố nội tại ngân hàng và biến số vĩ mô.
Mục tiêu dự án
- Hệ thống hóa cơ sở lý luận về RRTK, thanh khoản nguồn vốn và thanh khoản thị trường theo chuẩn mực Basel III.
- Xây dựng mô hình kinh tế lượng phân tích tác động của 12 biến số (vi mô và vĩ mô) lên 4 thước đo thanh khoản đại diện.
- Ứng dụng phương pháp hồi quy dữ liệu bảng (Panel Data Regression) trên mẫu nghiên cứu gồm 27 NHTM niêm yết trên thị trường chứng khoán (TTCK) Việt Nam giai đoạn 2014–2021 ($N = 216$ quan sát).
- Đề xuất hệ thống giải pháp định lượng giúp tối ưu hóa cấu trúc thanh khoản và an toàn hoạt động ngân hàng.
Phương pháp tiếp cận và kết quả kỳ vọng
Dự án sử dụng phương pháp định lượng đa bước: từ hồi quy bình phương bé nhất gộp (Pooled OLS), mô hình tác động cố định (FEM), mô hình tác động ngẫu nhiên (REM), đến kiểm định Hausman, kiểm định tự tương quan Wooldridge, kiểm định phương sai sai số thay đổi Breusch-Pagan/Modified Wald và khắc phục toàn diện bằng mô hình bình phương bé nhất tổng quát khả thi (FGLS - Feasible Generalized Least Squares). Kết quả kỳ vọng cung cấp hệ số ước lượng chính xác, không chệch và có hiệu quả thống kê cao để làm cơ sở hoạch định chiến lược ALM.
Phạm vi và giới hạn nghiên cứu
- Không gian: 27 NHTM cổ phần niêm yết trên sàn HOSE, HNX và UPCoM tại Việt Nam.
- Thời gian: Chuỗi dữ liệu thường niên 8 năm liên tục (2014 – 2021).
- Giới hạn: Sử dụng dữ liệu thứ cấp từ báo cáo tài chính kiểm toán; chưa bao gồm các NHTM 100% vốn nhà nước chưa niêm yết (Agribank) và các chi nhánh ngân hàng nước ngoài.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Nghiên cứu so sánh phương pháp tiếp cận định lượng của đề tài với các nghiên cứu kinh nghiệm quốc tế và trong nước:
| Tiêu chí so sánh |
Vodova (2011, 2012) |
Fola (2015) |
Vũ Thị Hồng (2012) |
Đề tài nghiên cứu này |
| Phạm vi dữ liệu |
NHTM Séc & Slovakia (2001-2010) |
NHTM Ethiopia (2002-2013) |
37 NHTM Việt Nam (2006-2011) |
27 NHTM niêm yết VN (2014-2021) |
| Biến phụ thuộc |
4 chỉ tiêu ($LATA, LADST, NLTA, NLDST$) |
2 chỉ tiêu ($LADST, NLDST$) |
1 chỉ tiêu ($LDR$) |
Toàn diện 4 chỉ tiêu ($LATA, LADST, NLTA, NLDST$) |
| Kỹ thuật ước lượng |
Pooled OLS |
OLS / Fixed Effects |
Fixed Effects (FEM) |
Panel FGLS (Khắc phục Heteroskedasticity & Autocorrelation) |
| Biến kiểm soát |
Vĩ mô + Vi mô cơ bản |
Vi mô cơ bản |
Vi mô nội bảng |
12 biến: Vi mô, Vĩ mô ($GDP, INF, M2$) & Thâm niên ($NYO$) |
Ưu tiên yêu cầu dữ liệu và kỹ thuật (MoSCoW)
- Must-have (Bắt buộc): Dữ liệu bảng cân đối kế toán, báo cáo kết quả kinh doanh kiểm toán của 27 ngân hàng; các biến số tài chính cốt lõi ($SIZE, LTA, EFD, CTA, ROA, ROE, LDR, LPTL$); kiểm định Hausman và GLS.
- Should-have (Cần có): Các chỉ số kinh tế vĩ mô chính thức ($GDP, INF, M2$) công bố bởi Tổng cục Thống kê và Ngân hàng Nhà nước; biến giả định quy mô thâm niên ($NYO$).
- Could-have (Có thể thêm): Ma trận tương quan Correlation Matrix đa biến để loại trừ đa cộng tuyến sớm.
- Won't-have (Chưa thực hiện): Mô hình GMM động 2 bước (System GMM) hoặc kiểm định phi tuyến tính bậc 2.
+-------------------------------------------------------------------------------+
| KIẾN TRÚC PHÂN TÍCH KINH TẾ LƯỢNG |
+-------------------------------------------------------------------------------+
| 1. DỮ LIỆU ĐẦU VÀO (INPUT DATA PIPELINE) |
| - 27 BCTC Kiểm toán (2014 - 2021) -> N = 216 quan sát |
| - Dữ liệu vĩ mô: Tổng cục Thống kê (GSO), IMF, SBV |
+-------------------------------------------------------------------------------+
|
v
+-------------------------------------------------------------------------------+
| 2. XỬ LÝ & CHUẨN HÓA DỮ LIỆU (PRE-PROCESSING - EXCEL 2019 / STATA 14) |
| - Tính toán 4 biến phụ thuộc: LATA, LADST, NLTA, NLDST |
| - Tính toán 12 biến độc lập & kiểm soát: SIZE, LTA, EFD, CTA, ROA, ROE... |
| - Kiểm định đa cộng tuyến ma trận tương quan (pwcorr) |
+-------------------------------------------------------------------------------+
|
v
+-------------------------------------------------------------------------------+
| 3. BỘ SUITE MÔ HÌNH HỒI QUY DỮ LIỆU BẢNG (PANEL REGRESSION SUITE) |
| - Pooled OLS (Baseline) |
| - Fixed Effects Model (FEM) & Random Effects Model (REM) |
| - Hausman Specification Test -> Lựa chọn FEM hay REM |
+-------------------------------------------------------------------------------+
|
v
+-------------------------------------------------------------------------------+
| 4. KIỂM ĐỊNH KHUYẾT TẬT MÔ HÌNH (DIAGNOSTIC TESTING) |
| - Breusch-Pagan LM Test (xttest0) -> Phát hiện Phương sai thay đổi |
| - Wooldridge Test (xtserial) -> Phát hiện Tự tương quan bậc 1 |
+-------------------------------------------------------------------------------+
|
v
+-------------------------------------------------------------------------------+
| 5. ƯỚC LƯỢNG MÔ HÌNH GLS KHẮC PHỤC (FEASIBLE GENERALIZED LEAST SQUARES) |
| - xtgls: Loại bỏ phương sai sai số thay đổi và tự tương quan |
| - GLS Round 1 & Round 2 -> Trích xuất hệ số hồi quy vững (Robust Estimates)|
+-------------------------------------------------------------------------------+
Thiết kế hệ thống và mô hình nghiên cứu
Mô hình nghiên cứu kinh tế lượng tổng quát được xác lập dựa trên cơ sở kế thừa mô hình của Tran và cộng sự (2019) kết hợp tiêu chuẩn Basel III:
$$LIQ_{it} = \beta_0 + \beta_1 SIZE_{it} + \beta_2 LTA_{it} + \beta_3 EFD_{it} + \beta_4 CTA_{it} + \beta_5 ROA_{it} + \beta_6 ROE_{it} + \beta_7 LDR_{it} + \beta_8 LPTL_{it} + \beta_9 GDP_t + \beta_{10} INF_t + \beta_{11} M2_t + \beta_{12} NYO_i + \varepsilon_{it}$$
Trong đó:
- $i$: Đại diện cho 27 NHTM cổ phần ($i = 1, \dots, 27$).
- $t$: Đại diện cho thời gian quan sát ($t = 2014, \dots, 2021$).
- $LIQ_{it}$: Biến phụ thuộc đo lường thanh khoản, lần lượt nhận 4 giá trị:
- $LATA = \frac{\text{Tổng tài sản lưu động}}{\text{Tổng tài sản}}$
- $LADST = \frac{\text{Tổng tài sản lưu động}}{\text{Tiền gửi và vốn huy động ngắn hạn}}$
- $NLTA = \frac{\text{Tổng dư nợ cho vay}}{\text{Tổng tài sản}}$
- $NLDST = \frac{\text{Tổng dư nợ cho vay}}{\text{Tiền gửi và vốn huy động ngắn hạn}}$
Tech Stack và Môi trường thực thi
- Phần mềm tính toán thống kê: STATA phiên bản 14.0 (64-bit).
- Phần mềm tiền xử lý & ETL: Microsoft Excel 2019 Professional.
- Nguồn dữ liệu: Báo cáo tài chính hợp nhất kiểm toán (Vietstock, CafeF), Báo cáo thường niên, Cổng thông tin Ngân hàng Nhà nước, Tổng cục Thống kê (GSO), Quỹ Tiền tệ Quốc tế (IMF).
Methodology
Quy trình nghiên cứu 6 bước chuẩn mực:
- Thu thập dữ liệu: Xây dựng cơ sở dữ liệu bảng $N \times T = 27 \times 8 = 216$ quan sát.
- Thống kê mô tả & Kiểm tra tương quan: Kiểm định tương quan Pearson (
pwcorr) nhằm phát hiện hiện tượng cộng tuyến nghiêm trọng ($|r| > 0.8$).
- Ước lượng OLS, FEM và REM: Chạy đồng thời 3 mô hình cho từng biến phụ thuộc.
- Kiểm định lựa chọn mô hình: Sử dụng kiểm định Hausman (
hausman fem rem) để xác định mô hình tối ưu.
- Kiểm định vi phạm giả định hồi quy: Kiểm tra hiện tượng phương sai thay đổi (
xttest0) và tự tương quan (xtserial).
- Ước lượng GLS vững: Sử dụng hồi quy
xtgls để hiệu chỉnh toàn bộ khuyết tật, loại bỏ biến không có ý nghĩa thống kê ($p\text{-value} > 0.05$) qua 2 bước hồi quy.
Implementation và kết quả
Development process & Code implementation
Quy trình xử lý dữ liệu và ước lượng kinh tế lượng được thực thi trên phần mềm STATA 14 qua chuỗi câu lệnh (scripts) tiêu chuẩn:
* Thiết lập cấu trúc dữ liệu bảng Panel Data
tsset bank_id year
* Thống kê mô tả toàn bộ các biến trong mô hình
summarize LATA LADST NLTA NLDST SIZE LTA EFD CTA ROA ROE LDR LPTL INF M2 GDP NYO
* Kiểm định ma trận hệ số tương quan Correlation
pwcorr LATA LADST NLTA NLDST SIZE LTA EFD CTA ROA ROE LDR LPTL INF M2 GDP NYO, star(0.05) sig
* 1. Hồi quy Pooled OLS cho biến LATA
regress LATA SIZE LTA EFD CTA ROA ROE LDR LPTL INF M2 GDP NYO
* 2. Hồi quy mô hình Tác động cố định (FEM) và Tác động ngẫu nhiên (REM)
xtreg LATA SIZE LTA EFD CTA ROA ROE LDR LPTL INF M2 GDP NYO, fe
estimates store fem_lata
xtreg LATA SIZE LTA EFD CTA ROA ROE LDR LPTL INF M2 GDP NYO, re
estimates store rem_lata
* 3. Kiểm định Hausman Test lựa chọn giữa FEM và REM
hausman fem_lata rem_lata
* 4. Kiểm định khuyết tật mô hình (Diagnostic Tests)
xttest0 // Kiểm tra phương sai sai số thay đổi (Breusch-Pagan LM Test)
xtserial LATA SIZE LTA EFD CTA ROA ROE LDR LPTL INF M2 GDP NYO // Kiểm định tự tương quan Wooldridge
* 5. Ước lượng Panel GLS (FGLS) khắc phục khuyết tật - Lần 1
xtgls LATA SIZE LTA EFD CTA ROA ROE LDR LPTL INF M2 GDP NYO, panels(hetero) corr(ar1)
* 6. Ước lượng Panel GLS - Lần 2 (Chỉ giữ lại các biến có p-value < 0.05)
xtgls LATA LTA EFD ROE LDR LPTL M2 NYO, panels(hetero) corr(ar1)
Testing và validation
Thống kê mô tả dữ liệu mẫu ($N = 216$)
- $LATA$: Giá trị trung bình đạt $0.1627$ (Độ lệch chuẩn $0.0648$, Min $0.0452$, Max $0.4256$).
- $LADST$: Trung bình $0.2096$ (Độ lệch chuẩn $0.0838$, Min $0.0509$, Max $0.5190$).
- $NLTA$: Trung bình $0.6179$ (Độ lệch chuẩn $0.0897$, Min $0.3285$, Max $0.8034$).
- $NLDST$: Trung bình $0.7950$ (Độ lệch chuẩn $0.1316$, Min $0.4715$, Max $1.2860$).
- $SIZE$: Trung bình $25.6887$ (Min $23.4848$, Max $28.1963$).
- $LDR$: Trung bình $0.7647$ (Độ lệch chuẩn $0.1397$, Min $0.3269$, Max $1.2697$).
Kết quả kiểm định lựa chọn mô hình và khuyết tật
- Kiểm định Hausman:
- Đối với $LATA$: $\text{Prob} > \chi^2 = 0.4131 > 0.05 \rightarrow$ Chấp nhận $H_0$, mô hình Tác động ngẫu nhiên (REM) phù hợp hơn FEM.
- Đối với $LADST$: $\text{Prob} > \chi^2 = 0.6317 > 0.05 \rightarrow$ Chấp nhận $H_0$, mô hình REM được lựa chọn.
- Kiểm định khuyết tật:
- Kiểm định Breusch-Pagan LM (
xttest0): $\text{Prob} > \text{chibar2} = 0.0000 < 0.01 \rightarrow$ Tồn tại hiện tượng phương sai sai số thay đổi nghiêm trọng.
- Kiểm định Wooldridge (
xtserial): $\text{Prob} > F = 0.0000 < 0.01 \rightarrow$ Tồn tại hiện tượng tự tương quan bậc 1 trong chuỗi thời gian.
- Kết luận: Cả OLS và REM đều cho ước lượng chệch và không hiệu quả. Bắt buộc phải sử dụng phương pháp Feasible Generalized Least Squares (FGLS).
Kết quả đạt được
Bảng tổng hợp kết quả hồi quy mô hình FGLS (Lần 2) sau khi loại bỏ các biến không có ý nghĩa thống kê:
| Biến độc lập |
Tác động lên $LATA$ (Hệ số $\beta$) |
$p\text{-value}$ ($LATA$) |
Tác động lên $LADST$ (Hệ số $\beta$) |
$p\text{-value}$ ($LADST$) |
Chiều tác động thực tế |
| $LTA$ |
-2.7849 |
0.003 |
-4.4009 |
0.000 |
Nghịch chiều |
| $EFD$ |
+0.2081 |
0.002 |
+0.5353 |
0.000 |
Cùng chiều |
| $CTA$ |
— |
— |
+0.4572 |
0.002 |
Cùng chiều |
| $ROE$ |
+0.1749 |
0.006 |
+0.2757 |
0.001 |
Cùng chiều |
| $LDR$ |
-0.2952 |
0.000 |
-0.3533 |
0.000 |
Nghịch chiều |
| $LPTL$ |
-0.9761 |
0.021 |
-1.3454 |
0.020 |
Nghịch chiều |
| $M2$ |
+0.0364 |
0.004 |
+0.0557 |
0.001 |
Cùng chiều |
| $NYO$ |
+0.0257 |
0.014 |
+0.0355 |
0.010 |
Cùng chiều |
Phân tích chuyên sâu kết quả thực nghiệm
- Tỷ lệ cho vay trên tổng vốn huy động ($LDR$): Tác động tiêu cực mạnh nhất đến thanh khoản ($\beta = -0.2952$ đối với $LATA$ và $\beta = -0.3533$ đối với $LADST$, $p = 0.000$). Khi $LDR$ tăng 1%, tỷ lệ tài sản thanh khoản trên vốn ngắn hạn giảm 0.3533%, phản ánh nguồn vốn bị khóa chặt vào danh mục cho vay dài hạn kém thanh khoản.
- Sự phụ thuộc vào vay liên ngân hàng ($EFD$): Tác động tích cực ($\beta = +0.2081$ và $\beta = +0.5353$, $p < 0.01$). Tại Việt Nam, các ngân hàng tăng cường vay mượn trên thị trường 2 (liên ngân hàng) nhằm tài trợ tức thời cho lượng dự trữ tài sản lưu động.
- Khả năng sinh lời trên vốn chủ sở hữu ($ROE$): Tác động cùng chiều vững chắc ($\beta = +0.1749$ và $\beta = +0.2757$, $p < 0.01$). Ngân hàng có hiệu quả kinh doanh cao tích lũy được lợi nhuận giữ lại, củng cố đệm thanh khoản.
- Cung tiền $M2$ và Số năm hoạt động ($NYO$): Đều có ý nghĩa thống kê dương. Chính sách nới lỏng định lượng, bơm thanh khoản qua thị trường mở ($OMO$) của NHNN và uy tín tích lũy theo thâm niên hoạt động giúp cải thiện vị thế thanh khoản ngân hàng.
- Dự phòng rủi ro tín dụng ($LPTL$): Tác động nghịch chiều ($\beta = -0.9761$ và $\beta = -1.3454$, $p < 0.05$), cho thấy áp lực nợ xấu gia tăng buộc ngân hàng phải trích lập chi phí dự phòng, làm suy giảm dòng tiền thanh khoản khả dụng.
Đổi mới và đóng góp
- Tiếp cận đa chiều về thước đo thanh khoản: Thay vì chỉ sử dụng một chỉ số đơn lẻ, đề tài sử dụng đồng thời 4 chỉ số thanh khoản ($LATA, LADST, NLTA, NLDST$), phản ánh toàn diện cả cấu trúc tài sản lẫn cấu trúc nguồn vốn nợ.
- Quy trình xử lý khuyết tật kinh tế lượng chuẩn mực: Chứng minh rằng mô hình OLS và REM truyền thống bị chệch do hiện tượng phương sai thay đổi ($p = 0.0000$) và tự tương quan ($p = 0.0000$), từ đó ứng dụng thành công kỹ thuật FGLS 2 bước, nâng cao độ tin cậy của ước lượng lên trên 95%.
- Khám phá đặc thù thị trường tài chính Việt Nam: Phát hiện mối tương quan dương giữa sự phụ thuộc tài chính bên ngoài ($EFD$) và tài sản thanh khoản ($LADST$), phản ánh cơ chế điều tiết thanh khoản ngắn hạn liên ngân hàng mang tính đặc thù của các NHTM Việt Nam.
- Đóng góp học thuật và chính sách: Cung cấp bằng chứng thực nghiệm giá trị cho NHNN trong việc giám sát tỷ lệ $LDR$ (Thông tư 22/2019/TT-NHNN) và hỗ trợ các NHTM xây dựng khung kiểm định sức chịu đựng thanh khoản (Liquidity Stress Testing).
Ứng dụng thực tế và triển khai
Tình huống ứng dụng thực tế
- Hội đồng Quản lý Tài sản Nợ - Có (ALCO): Sử dụng các hệ số hồi quy để thiết lập giới hạn cảnh báo sớm (Early Warning Indicators - EWI) cho tỷ lệ $LDR$ (khuyến nghị duy trì dưới $80%$) và đệm an toàn vốn chủ sở hữu $CTA$.
- Hệ thống Kiểm thử Ứng phó Thanh khoản (Liquidity Stress Testing): Tích hợp phương trình FGLS vào phần mềm quản trị rủi ro để mô phỏng kịch bản khi cung tiền $M2$ bị thắt chặt hoặc nợ xấu ($LPTL$) tăng vọt.
+-------------------------------------------------------------------------------+
| LỘ TRÌNH TRIỂN KHAI MÔ HÌNH QUẢN TRỊ RRTK (ALM) |
+-------------------------------------------------------------------------------+
| Giai đoạn 1 (Tháng 1-2): Khảo sát & Chuẩn hóa dữ liệu ALM |
| - Trích xuất dữ liệu tự động từ Core Banking và phân loại kỳ hạn dòng tiền |
+-------------------------------------------------------------------------------+
|
v
+-------------------------------------------------------------------------------+
| Giai đoạn 2 (Tháng 3-4): Tích hợp Mô hình FGLS vào Risk Engine |
| - Xây dựng dashboard tự động tính toán LATA, LADST, NLTA, NLDST |
+-------------------------------------------------------------------------------+
|
v
+-------------------------------------------------------------------------------+
| Giai đoạn 3 (Tháng 5-6): Thiết lập Khung Cảnh báo sớm (EWS) |
| - Cài đặt ngưỡng cảnh báo tự động khi LDR > 80% hoặc EFD biến động mạnh |
+-------------------------------------------------------------------------------+
|
v
+-------------------------------------------------------------------------------+
| Giai đoạn 4 (Tháng 7+): Kiểm định Sức chịu đựng (Stress Testing) định kỳ |
| - Chạy kịch bản vĩ mô định kỳ hàng quý theo chuẩn mực Basel III |
+-------------------------------------------------------------------------------+
Đánh giá hiệu quả kinh tế (ROI) và Khả năng mở rộng
- Hiệu quả tài chính: Giúp ngân hàng giảm thiểu chi phí huy động vốn khẩn cấp trên thị trường 2 từ 1.5% – 3.0%/năm; tối ưu hóa chi phí cơ hội nắm giữ tiền mặt dư thừa.
- Khả năng mở rộng: Dễ dàng điều chỉnh tần suất dữ liệu từ cấp năm sang cấp tháng/quý để phục vụ công tác giám sát rủi ro liên tục (Continuous Risk Monitoring).
Hạn chế và hướng phát triển
- Hạn chế mẫu dữ liệu: Dữ liệu dừng lại ở năm 2021, chưa phản ánh đầy đủ tác động sau đại dịch COVID-19 và biến động thanh khoản trái phiếu doanh nghiệp giai đoạn 2022–2023.
- Hiện tượng nội sinh (Endogeneity): Chưa xử lý triệt để mối quan hệ nội sinh tiềm ẩn giữa khả năng sinh lời ($ROA, ROE$) và quyết định dự trữ thanh khoản.
- Hướng phát triển:
- Mở rộng dữ liệu đến năm 2024–2025.
- Ứng dụng mô hình GMM sai phân (Difference GMM) hoặc GMM hệ thống (System GMM) của Arellano-Bond để kiểm soát biến trễ nội sinh.
- Bổ sung các chỉ số đo lường rủi ro thanh khoản động theo chuẩn Basel III như Tỷ lệ đảm bảo khả năng thanh khoản (Liquidity Coverage Ratio - LCR) và Tỷ lệ nguồn vốn ổn định ròng (Net Stable Funding Ratio - NSFR).
Đối tượng hưởng lợi
+-----------------------------------------------------------------------------+
| ĐỐI TƯỢNG HƯỞNG LỢI |
+-----------------------------------------------------------------------------+
| - SINH VIÊN & HỌC VIÊN TÀI CHÍNH: |
| Nắm vững quy trình nghiên cứu định lượng Panel Data và kỹ năng STATA |
| |
| - CHUYÊN VIÊN PHÂN TÍCH RỦI RO (RISK ANALYSTS): |
| Ứng dụng bộ công thức FGLS lượng hóa tương quan giữa LDR, EFD và thanh khoản|
| |
| - NGÂN HÀNG THƯƠNG MẠI & KHỐI ALM: |
| Công cụ định lượng kiểm định sức chịu đựng thanh khoản và cảnh báo sớm |
| |
| - CƠ QUAN QUẢN LÝ (NHNN / SBV): |
| Cơ sở thực tiễn điều hành cung tiền M2 và giám sát tỷ lệ an toàn hệ thống |
+-----------------------------------------------------------------------------+
- Sinh viên & Học viên Cao học Tài chính - Ngân hàng: Cung cấp tài liệu tham khảo hoàn chỉnh về phương pháp luận nghiên cứu dữ liệu bảng thực nghiệm, cách phát hiện và xử lý vi phạm giả định hồi quy kinh tế lượng.
- Chuyên viên Quản trị rủi ro & Phân tích định lượng: Tiếp cận mã lệnh STATA 14 chi tiết và bộ chỉ tiêu đo lường chuẩn hóa để xây dựng mô hình định lượng nội bộ.
- Hội đồng Quản trị & Ban điều hành NHTM: Nhận diện rõ tác động đánh đổi (trade-off) giữa tối đa hóa lợi nhuận ($ROE$) và duy trì an toàn thanh khoản, từ đó tái cấu trúc danh mục tài sản Nợ - Có hiệu quả.
- Nhà nghiên cứu & Cơ quan quản lý chính sách (NHNN): Cung cấp bằng chứng thực nghiệm về tác động lan truyền của chính sách tiền tệ ($M2$) đến thanh khoản của từng nhóm ngân hàng thương mại niêm yết.
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật và công cụ cần thiết để tái lập nghiên cứu này là gì?
Để chạy lại toàn bộ mô hình kinh tế lượng, người dùng cần máy tính cài đặt hệ điều hành Windows/macOS/Linux, phần mềm STATA phiên bản 14.0 trở lên (hỗ trợ các gói lệnh tsset, xtreg, xttest0, xtserial, xtgls) và Microsoft Excel 2019 để xử lý dữ liệu thô.
2. Tại sao mô hình OLS và REM lại không được sử dụng làm kết quả cuối cùng?
Mặc dù kiểm định Hausman chỉ ra REM phù hợp hơn FEM ($p = 0.4131$ đối với $LATA$), nhưng các kiểm định chẩn đoán sau hồi quy phát hiện mô hình vi phạm giả định nghiêm trọng: tồn tại phương sai sai số thay đổi ($p = 0.0000$ qua xttest0) và tự tương quan chuỗi ($p = 0.0000$ qua xtserial). Do đó, phương pháp FGLS (xtgls) là bắt buộc để đảm bảo ước lượng thu được là BLUE (Best Linear Unbiased Estimator).
3. Mô hình này có thể tích hợp vào hệ thống Core Banking hiện hữu như thế nào?
Dữ liệu đầu vào ($LDR, EFD, CTA, LPTL$) có thể được trích xuất tự động qua các câu lệnh SQL/API từ hệ thống Core Banking hoặc kho dữ liệu (Data Warehouse) vào cuối mỗi ngày giao dịch, sau đó nạp vào mô hình để tự động tính toán chỉ số cảnh báo rủi ro thanh khoản.
4. Chi phí triển khai và thời gian hoàn vốn (ROI) khi ứng dụng mô hình này tại NHTM?
Chi phí triển khai chủ yếu là chi phí phần mềm phân tích và tích hợp dữ liệu (khoảng 300 - 500 triệu VNĐ). Lợi ích mang lại thông qua việc giảm thiểu rủi ro bị phạt thanh khoản từ NHNN và tối ưu hóa chi phí vay mượn liên ngân hàng giúp ngân hàng thu hồi vốn đầu tư trong vòng 3–6 tháng.
5. Tại sao tỷ lệ dự trữ thanh khoản ($LTA$) trong kết quả FGLS lại mang hệ số âm?
Theo kết quả ước lượng FGLS, $LTA$ mang hệ số âm ($\beta = -2.7849$) đối với $LATA$. Điều này phản ánh thực tế tại các NHTM Việt Nam: khi ngân hàng nắm giữ tỷ lệ dự trữ tiền mặt tại quỹ quá cao, chi phí cơ hội tăng lên làm giảm hiệu quả phân bổ tài sản lưu động sinh lời khác, hoặc chỉ số này thường tăng đột biến mang tính thụ động khi ngân hàng đang rơi vào tình trạng ứ đọng vốn cục bộ.
Kết luận
Đề tài khóa luận tốt nghiệp "Các yếu tố ảnh hưởng đến rủi ro thanh khoản của các ngân hàng thương mại niêm yết trên thị trường chứng khoán Việt Nam" đã giải quyết trọn vẹn bài toán định lượng rủi ro thanh khoản thông qua chuỗi dữ liệu bảng 216 quan sát giai đoạn 2014–2021.
Nghiên cứu khẳng định tỷ lệ cho vay trên tổng vốn huy động ($LDR$) và chi phí dự phòng rủi ro tín dụng ($LPTL$) là những nhân tố bào mòn thanh khoản mạnh nhất, trong khi hiệu quả sinh lời ($ROE$), sự linh hoạt trong tiếp cận vốn liên ngân hàng ($EFD$) và chính sách cung tiền nới lỏng ($M2$) đóng vai trò là đệm đỡ thanh khoản quan trọng. Việc ứng dụng thành công kỹ thuật FGLS đã cung cấp một công cụ phân tích kinh tế lượng chuẩn xác, hỗ trợ đắc lực cho các nhà quản trị ngân hàng trong việc cân bằng giữa mục tiêu sinh lời và an toàn hệ thống. Quý độc giả và các nhà nghiên cứu quan tâm có thể khai thác các hệ số ước lượng này để tối ưu hóa mô hình quản trị tài sản Nợ - Có (ALM) và kiểm định sức chịu đựng rủi ro trong kỷ nguyên số.
