Giới thiệu dự án
Rủi ro thanh khoản (RRTK - Liquidity Risk) trong hệ thống ngân hàng thương mại cổ phần (NHTMCP) luôn là tâm điểm của sự an toàn tài chính quốc gia. Các cuộc khủng hoảng tài chính toàn cầu (2007–2009), sự sụp đổ của Silicon Valley Bank (SVB) năm 2023 tại Mỹ, hay sự kiện rút tiền hàng loạt liên quan đến vụ án Vạn Thịnh Phát (tháng 10/2022) tại Việt Nam là minh chứng rõ nét: một ngân hàng có thể có khả năng sinh lời tốt trên sổ sách nhưng vẫn đối mặt với nguy cơ đổ vỡ nhanh chóng nếu mất khả năng thanh toán tức thời.
Tại Việt Nam, sau hai giai đoạn tái cơ cấu hệ thống tổ chức tín dụng (2011–2015 và 2016–2020), cùng các quy định khắt khe từ Ngân hàng Nhà nước (NHNN) như Thông tư 13/2018/TT-NHNN và lộ trình chuẩn hóa tỷ lệ an toàn vốn Basel II/Basel III, bài toán quản trị thanh khoản vẫn gặp nhiều thách thức trước các cú sốc vĩ mô (dịch bệnh Covid-19, xung đột địa chính trị Nga - Ukraine, biến động lãi suất và lạm phát toàn cầu).
Dư nợ tín dụng bình quân tăng trưởng > 12-14%/năm
vs.
Huy động vốn tăng chậm (áp lực thanh khoản ngắn hạn & trung dài hạn)
+---------------------------------------+
| RỦI RO THANH KHOẢN |
| (Liquidity Risk / FGAP) |
+-------------------+-------------------+
|
+----------------------+----------------------+
| |
+-------v-------+ +-------v-------+
| YẾU TỐ NỘI TẠI | | YẾU TỐ VĨ MÔ |
| - ROE, SIZE | | - Tăng trưởng |
| - LDR, LEV | | GDP |
| - NPL, LLPR | | - Lạm phát |
+---------------+ | (INF) |
+---------------+
Vấn đề nghiên cứu cụ thể
Các nghiên cứu thực nghiệm tại Việt Nam trước đây thường gặp phải các hạn chế:
- Dữ liệu phân mảnh và khung thời gian ngắn: Chủ yếu khảo sát trước năm 2020, chưa bao hàm giai đoạn biến động mạnh 2020–2023.
- Xung đột kết quả thực nghiệm: Tác động của các biến như quy mô (SIZE), tỷ suất sinh lời (ROE), hay tăng trưởng kinh tế (GDP) đến thanh khoản cho ra kết quả trái chiều giữa các mô hình OLS truyền thống do chưa xử lý triệt để hiện tượng phương sai thay đổi và tự tương quan chuỗi.
- Đo lường rủi ro thanh khoản chưa thống nhất: Chưa chuẩn hóa chỉ số khe hở tài trợ (Funding Gap - FGAP) kết hợp các chỉ tiêu bảng cân đối kế toán theo chuẩn mực kiểm toán quốc tế.
Mục tiêu dự án
- Mục tiêu 1: Xác định và lượng hóa hệ thống các yếu tố nội tại của ngân hàng (ROE, LDR, SIZE, LEV, NPL, LLPR) và các biến số kinh tế vĩ mô (GDP, INF) tác động đến RRTK.
- Mục tiêu 2: Thiết lập và kiểm định mô hình kinh tế lượng dữ liệu bảng (Panel Data) tối ưu thông qua quy trình: Pooled OLS $\rightarrow$ FEM/REM $\rightarrow$ F-test/Hausman $\rightarrow$ Khắc phục khuyết tật bằng FGLS (Feasible Generalized Least Squares).
- Mục tiêu 3: Đề xuất hệ thống giải pháp định lượng và chính sách điều hành quản trị tài sản - nợ (ALM) nhằm kiểm soát khe hở tài trợ cho 25 NHTMCP Việt Nam.
Phương pháp tiếp cận & Kết quả kỳ vọng
- Phương pháp: Nghiên cứu định lượng trên bộ dữ liệu bảng cân bằng (Balanced Panel Data) gồm 25 NHTMCP Việt Nam trong 12 năm liên tục (2012–2023), tổng cộng 300 quan sát.
- Phạm vi: 25 NHTMCP niêm yết và công bố BCTC kiểm toán minh bạch (loại trừ các chi nhánh ngân hàng nước ngoài và ngân hàng liên doanh).
- Chỉ số mục tiêu: Đo lường RRTK bằng tỷ lệ khe hở tài trợ trên tổng tài sản: $$\text{FGAP}{it} = \frac{\text{Dư nợ cho vay khách hàng}{it} - \text{Tiền gửi của khách hàng}{it}}{\text{Tổng tài sản}{it}}$$
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Trong kinh tế lượng tài chính, việc mô hình hóa rủi ro ngân hàng đòi hỏi phải giải quyết triệt để cấu trúc dữ liệu bảng không đồng nhất.
| Tiêu chí | Hồi quy Pooled OLS | Mô hình FEM (Fixed Effects) | Mô hình REM (Random Effects) | Mô hình FGLS (Được đề xuất) |
|---|---|---|---|---|
| Bản chất | Gộp chung toàn bộ dữ liệu, giả định hệ số cố định | Kiểm soát đặc tính riêng biệt bất biến theo thời gian của từng ngân hàng | Coi sai số riêng lẻ giữa các ngân hàng là thành phần ngẫu nhiên | Hiệu chỉnh trọng số phương sai và tương quan chuỗi phần dư |
| Xử lý Heteroskedasticity | Không | Kém (vi phạm giả định cổ điển) | Kém | Khắc phục hoàn toàn (Độ chính xác cao) |
| Xử lý Autocorrelation | Không | Không | Không | Khắc phục triệt để AR(1) |
| Độ tin cậy ước lượng | Thiên lệch, phóng đại t-stat | Hệ số vững nhưng không hiệu quả khi có lỗi tự tương quan | Thiên lệch nếu $Cov(X_{it}, u_i) \neq 0$ | Ước lượng vững và hiệu quả nhất (BLUE) |
Phân tích yêu cầu phương pháp luận (MoSCoW)
- Must have: Kiểm định đa cộng tuyến (VIF), kiểm định Hausman chọn FEM/REM, kiểm định Wooldridge kiểm tra tự tương quan, kiểm định Modified Wald kiểm tra phương sai thay đổi.
- Should have: Ước lượng FGLS hiệu chỉnh toàn diện sai số, phân tích ma trận tương quan Pearson ($|r| < 0.8$).
- Could have: Phân tích kịch bản biến động kinh tế vĩ mô (Stress-testing GDP/Lạm phát).
- Won't have: Mô hình phi tuyến tính phi tham số (Non-parametric) do cỡ mẫu $N=25, T=12$.
Thiết kế hệ thống xử lý dữ liệu kinh tế lượng
flowchart TD
A["Dữ liệu thô BCTC 25 NHTMCP (2012-2023)<br/>Nguồn: FiinPro & GSO"] --> B["Tiền xử lý & Tính toán 9 chỉ số<br/>(FGAP, ROE, LDR, SIZE, LEV, NPL, LLPR, GDP, INF)"]
B --> C["Thống kê mô tả (Descriptive Statistics)<br/>& Ma trận tương quan Pearson"]
C --> D["Kiểm định Đa cộng tuyến (VIF Matrix)"]
D --> E["Ước lượng Hồi quy cơ sở:<br/>Pooled OLS vs. FEM vs. REM"]
E --> F["Kiểm định Lựa chọn Mô hình:<br/>F-test & Hausman Test"]
F --> G{"Kiểm định Khuyết tật Mô hình"}
G -->|"Modified Wald Test (p < 0.05)"| H["Phát hiện Phương sai thay đổi"]
G -->|"Wooldridge Test (p < 0.05)"| I["Phát hiện Tự tương quan"]
H --> J["Ước lượng FGLS (Cross-sectional Time-series GLS)"]
I --> J
J --> K["Kết quả Hồi quy Cuối cùng & Đề xuất Khuyến nghị"]
Technology Stack và Nền tảng phân tích
- Phần mềm tính toán: Stata MP Version 17.0 (chuyên dụng cho Panel Econometrics), Microsoft Excel 365 (Data Cleansing & Data Structuring).
- Hệ thống dữ liệu: FiinPro Platform 2.0 (Dữ liệu tài chính doanh nghiệp và ngân hàng chuẩn hóa), CSDL Tổng cục Thống kê (GSO Database).
- Cấu trúc dữ liệu: Balanced Panel Data ($N = 25, T = 12, N \times T = 300$).
Cấu trúc biến nghiên cứu
| Ký hiệu | Tên biến số | Vai trò | Công thức / Phương pháp đo lường | Dấu kỳ vọng |
|---|---|---|---|---|
| FGAP | Khe hở tài trợ | Phụ thuộc | $(\text{Dư nợ cho vay} - \text{Tiền gửi khách hàng}) / \text{Tổng tài sản}$ | N/A |
| ROE | Tỷ suất sinh lời trên VCSH | Độc lập | $\text{Lợi nhuận sau thuế} / \text{Vốn chủ sở hữu bình quân}$ | $+$ |
| LDR | Tỷ lệ cho vay trên tiền gửi | Độc lập | $\text{Tổng dư nợ cho vay} / \text{Tổng tiền gửi khách hàng}$ | $+$ |
| SIZE | Quy mô ngân hàng | Độc lập | $\ln(\text{Tổng tài sản})$ | $-$ |
| LEV | Đòn bẩy tài chính | Độc lập | $\text{Tổng nợ phải trả} / \text{Tổng tài sản}$ | $+$ |
| NPL | Tỷ lệ nợ xấu | Độc lập | $\text{Nợ xấu (Nhóm 3, 4, 5)} / \text{Tổng dư nợ cho vay}$ | $+$ |
| LLPR | Chi phí dự phòng rủi ro tín dụng | Độc lập | $\text{Chi phí trích lập DPRR} / \text{Tổng dư nợ cho vay}$ | $+$ |
| GDP | Tăng trưởng kinh tế | Vĩ mô | Tốc độ tăng trưởng tổng sản phẩm quốc nội hàng năm (%) | $-$ |
| INF | Tỷ lệ lạm phát | Vĩ mô | Chỉ số giá tiêu dùng bình quân hàng năm (%) | $+$ |
Methodology & Quy trình thực hiện
Quy trình thực hiện theo tiêu chuẩn khoa học 4 giai đoạn:
- Giai đoạn Thu thập & Tiền xử lý (Tháng 1-3): Trích xuất báo cáo tài chính hợp nhất kiểm toán của 25 ngân hàng; làm sạch dữ liệu, kiểm tra tính đầy đủ của 300 quan sát.
- Giai đoạn Kiểm định Thống kê sơ bộ (Tháng 4): Đo lường Mean, Std. Dev, Min, Max; kiểm tra ma trận tương quan Pearson và tính toán hệ số VIF.
- Giai đoạn Mô hình hóa & Kiểm định khuyết tật (Tháng 5): Chạy hồi quy Pooled OLS, FEM, REM; thực hiện F-test ($H_0$: Pooled OLS vs $H_1$: FEM), Hausman test ($H_0$: REM vs $H_1$: FEM).
- Giai đoạn Tối ưu hóa FGLS & Đề xuất (Tháng 6): Áp dụng lệnh
xtglshiệu chỉnh lỗi tự tương quan bậc nhất AR(1) và phương sai sai số thay đổi chéo.
Implementation và kết quả
Development Process & Mã nguồn thực thi (Stata Scripts)
Phương trình toán học tổng quát: $$\text{FGAP}{it} = \beta_0 + \beta_1 \text{LEV}{it} + \beta_2 \text{LDR}{it} + \beta_3 \text{SIZE}{it} + \beta_4 \text{ROE}{it} + \beta_5 \text{LLPR}{it} + \beta_6 \text{NPL}_{it} + \beta_7 \text{GDP}_t + \beta_8 \text{INF}t + \varepsilon{it}$$
Mã nguồn thực thi kiểm định và ước lượng trên Stata 17.0:
* Thiết lập cấu trúc dữ liệu bảng cân bằng (Balanced Panel Data)
encode bank_code, gen(bank_id)
xtset bank_id year
* 1. Thống kê mô tả và kiểm tra tương quan
summarize FGAP ROE NPL LLPR LDR LEV GDP INF SIZE
pwcorr FGAP ROE NPL LLPR LDR LEV GDP INF SIZE, star(0.05) sig
* 2. Ước lượng Pooled OLS và kiểm tra hiện tượng đa cộng tuyến (VIF)
regress FGAP LEV LDR SIZE ROE LLPR NPL GDP INF
vif
* 3. Ước lượng mô hình tác động cố định (FEM) và tác động ngẫu nhiên (REM)
xtreg FGAP LEV LDR SIZE ROE LLPR NPL GDP INF, fe
estimates store fixed_model
xtreg FGAP LEV LDR SIZE ROE LLPR NPL GDP INF, re
estimates store random_model
* 4. Kiểm định Hausman lựa chọn giữa FEM và REM
hausman fixed_model random_model
* 5. Kiểm định khuyết tật mô hình (Phương sai thay đổi & Tự tương quan)
* Kiểm tra phương sai sai số thay đổi trong FEM (Modified Wald test)
xttest3
* Kiểm tra tự tương quan chuỗi bậc nhất (Wooldridge test)
xtserial FGAP LEV LDR SIZE ROE LLPR NPL GDP INF
* 6. Ước lượng FGLS khắc phục triệt để phương sai thay đổi và tự tương quan
xtgls FGAP LEV LDR SIZE ROE LLPR NPL GDP INF, panels(hetero) corr(ar1)
Testing và Validation: Phân tích kết quả thực nghiệm
1. Thống kê mô tả các biến trong mô hình (N = 300)
| Biến số | Giá trị Trung bình | Độ lệch chuẩn | Giá trị Nhỏ nhất | Giá trị Lớn nhất | Ngân hàng / Năm đạt cực trị |
|---|---|---|---|---|---|
| FGAP | -0.085 (-8.50%) | 0.124 | -0.584 (-58.40%) | 0.180 (18.00%) | Min: MSB (2014) | Max: VPB (2022) |
| ROE | 0.1108 (11.08%) | 0.082 | -0.124 (-12.40%) | 0.303 (30.30%) | Max: VIB (2021) |
| NPL | 0.0227 (2.27%) | 0.021 | 0.004 (0.40%) | 0.298 (29.80%) | Min: BAB (2013) | Max: NVB (2023) |
| LLPR | 0.0143 (1.43%) | 0.006 | 0.007 (0.70%) | 0.038 (3.80%) | Min: NAB (2013) | Max: BAB (2012) |
| LDR | 0.8150 (81.50%) | 0.136 | 0.350 (35.00%) | 1.192 (119.20%) | Min: MSB (2014) | Max: VPB (2022) |
| LEV | 0.9000 (90.00%) | 0.036 | 0.766 (76.60%) | 0.959 (95.90%) | Max: BID (2017) |
| GDP | 0.0590 (5.90%) | 0.017 | 0.026 (2.60%) | 0.080 (8.00%) | Min: 2021 | Max: 2022 |
| INF | 0.0370 (3.70%) | 0.024 | 0.006 (0.60%) | 0.090 (9.00%) | Min: 2015 | Max: 2012 |
| SIZE | 18.7200 | 1.120 | 16.1400 | 21.5600 | Min: SGB (2013) | Max: BID (2023) |
2. Kết quả kiểm định lựa chọn mô hình và chẩn đoán khuyết tật
- Đa cộng tuyến: Tất cả các hệ số VIF của các biến đều $< 5.0$ (Mean VIF $= 2.14$), hệ số tương quan Pearson giữa các cặp biến độc lập đều $< 0.75 \implies$ Không xảy ra hiện tượng đa cộng tuyến.
- F-test (Pooled OLS vs FEM): $F(24, 267) = 18.42$, $p\text{-value} = 0.0000 < 0.05 \implies$ Bác bỏ $H_0$, chọn mô hình FEM thay vì Pooled OLS.
- Hausman Test (FEM vs REM): $\chi^2(8) = 34.61$, $p\text{-value} = 0.0001 < 0.05 \implies$ Bác bỏ $H_0$, lựa chọn mô hình FEM.
- Kiểm định Modified Wald (Phương sai thay đổi): $\chi^2(25) = 892.4$, $p\text{-value} = 0.0000 < 0.05 \implies$ Mô hình FEM tồn tại hiện tượng phương sai sai số thay đổi.
- Kiểm định Wooldridge (Tự tương quan): $F(1, 24) = 14.85$, $p\text{-value} = 0.0008 < 0.05 \implies$ Mô hình tồn tại hiện tượng tự tương quan bậc nhất AR(1).
3. Kết quả hồi quy FGLS sau hiệu chỉnh khuyết tật
| Biến độc lập | Hệ số hồi quy ($\beta$) | Sai số chuẩn (Std. Err.) | Giá trị thống kê $z$ | $p\text{-value}$ ($P > |z|$) | Ý nghĩa thống kê | Tác động tới RRTK (FGAP) | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | ROE | $+0.1425$ | $0.0412$ | $3.46$ | $0.001^{}$ | Mức 1% | Cùng chiều (+) | | LDR | $+0.6841$ | $0.0315$ | $21.72$ | $0.000^{}$ | Mức 1% | Cùng chiều (+) | | SIZE | $+0.0184$ | $0.0048$ | $3.83$ | $0.000^{}$ | Mức 1% | Cùng chiều (+) | | GDP | $-0.3812$ | $0.1140$ | $-3.34$ | $0.001^{}$ | Mức 1% | Ngược chiều (-) | | INF | $+0.2150$ | $0.0820$ | $2.62$ | $0.009^{}$ | Mức 1% | Cùng chiều (+) | | LEV | $+0.0410$ | $0.0620$ | $0.66$ | $0.509$ | Không có ý nghĩa | Không tác động rõ ràng | | LLPR | $+0.2810$ | $0.3450$ | $0.81$ | $0.418$ | Không có ý nghĩa | Không tác động rõ ràng | | NPL | $+0.0540$ | $0.0980$ | $0.55$ | $0.582$ | Không có ý nghĩa | Không tác động rõ ràng | | Hệ số chặn| $-0.8920$ | $0.1120$ | $-7.96$ | $0.000^{}$ | Mức 1% | - |
(Ghi chú: $^{*}$ có ý nghĩa thống kê ở mức 1%)
Phân tích kết quả đạt được
- LDR tác động cùng chiều mạnh nhất ($\beta = +0.6841, p < 0.01$): Khi tỷ lệ dư nợ trên tiền gửi tăng 1%, FGAP tăng 0.6841%. Việc mở rộng tín dụng nhanh hơn tốc độ huy động vốn làm giãn rộng khe hở tài trợ, đẩy ngân hàng vào tình trạng phụ thuộc vào vốn liên ngân hàng có chi phí cao.
- GDP tác động ngược chiều ($\beta = -0.3812, p < 0.01$): Tăng trưởng kinh tế cao giúp gia tăng dòng tiền gửi tiết kiệm và nâng cao khả năng trả nợ của khách hàng, giúp thu hẹp khe hở tài trợ và giảm thiểu RRTK.
- SIZE tác động cùng chiều ($\beta = +0.0184, p < 0.01$): Ủng hộ giả thuyết "Quá lớn để đổ vỡ" (Too Big To Fail - TBTF). Các ngân hàng lớn thường tự tin vào khả năng tiếp cận thanh khoản thị trường nên duy trì tỷ trọng tài sản thanh khoản đệm thấp hơn.
- ROE & INF tác động cùng chiều: Lạm phát cao làm giảm giá trị thực của tiền gửi, thúc đẩy người dân chuyển tiền sang các kênh đầu tư khác; tỷ lệ sinh lời cao thường đi kèm việc chấp nhận rủi ro thanh khoản cao hơn.
Đổi mới và đóng góp
Điểm mới trong nghiên cứu và so sánh học thuật
SO SÁNH MÔ HÌNH NGHIÊN CỨU THỰC NGHIỆM TẠI VIỆT NAM
================================================================================
Tiêu chí Lê Hoàng Vinh (2020) Nguyễn Thị Anh Thi (2023) Khóa luận này (2024)
--------------------------------------------------------------------------------
Giai đoạn 2009 - 2018 2008 - 2022 2012 - 2023 (12 năm)
Mẫu nghiên cứu 23 NHTMCP 34 NHTM 25 NHTMCP chuẩn hóa
Kỹ thuật ước lượng GLS thông thường Pooled OLS FGLS (Fixed AR1 & Hetero)
Xử lý cú sốc 2022 Chưa cập nhật Chưa xử lý chuyên sâu Bao hàm biến động 2022-2023
Kiểm định khuyết tật Chưa chi tiết Thiếu xử lý tự tương quan Kiểm tra toàn diện 4 bước
================================================================================
| Tác giả / Nghiên cứu | Giai đoạn & Mẫu | Phương pháp | Kết quả tác động tới RRTK | Hạn chế chính |
|---|---|---|---|---|
| Lê Hoàng Vinh & Trần Phi Dũng (2020) | 2009–2018 (23 NHTM) | GLS | CGR, Custdep (+); SIZE (-) | Chưa phân tích chi tiết tác động của biến cố lạm phát và chu kỳ kinh tế mới. |
| Nguyễn Thị Anh Thi (2023) | 2008–2022 (34 NHTM) | Pooled OLS | NPL, GDP (+); SIZE (-) | Dùng Pooled OLS dễ bị chệch ước lượng do bỏ qua đặc thù riêng của từng ngân hàng. |
| Đoàn Thanh Hà (2024) | 2011–2021 (30 NHTM) | GMM hệ thống | LTL (-); ETA, LTA, INF (+) | Chưa bao hàm số liệu kiểm toán tài chính 2022–2023 sau sự kiện thanh khoản Vạn Thịnh Phát. |
| Nghiên cứu hiện tại (2024) | 2012–2023 (25 NHTMCP) | FGLS | LDR, ROE, SIZE, INF (+); GDP (-) | Chuẩn hóa cân bằng 300 quan sát, khắc phục đồng thời cả Heteroskedasticity và AR(1). |
Đóng góp thực tiễn và tính mới
- Làm rõ tính hai mặt của Quy mô (SIZE): Khẳng định tại Việt Nam giai đoạn 2012–2023, các ngân hàng quy mô lớn có xu hướng nới lỏng đệm thanh khoản dự trữ do kỳ vọng vào sự hỗ trợ tái cấp vốn của NHNN, làm gia tăng RRTK.
- Loại bỏ sự sai lệch do khuyết tật mô hình: Việc chuyển đổi từ FEM sang FGLS đã làm giảm sai số chuẩn (Standard Error) của hệ số LDR và GDP đi trung bình 24.5%, nâng cao độ tin cậy của các ước lượng kinh tế lượng.
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng trong Quản trị Tài sản - Nợ (ALM)
[Báo cáo BCTC/Dữ liệu giao dịch]
[Core Banking Engine]
[Hệ thống EWS - Cảnh báo sớm ALM]
[Ủy ban ALCO ra quyết định]
(Tăng lãi suất huy động / Tái cấu trúc kỳ hạn danh mục / Điều chỉnh hạn mức tín dụng)
Chiến lược triển khai và Lộ trình ALM
LỘ TRÌNH TRIỂN KHAI HỆ THỐNG QUẢN TRỊ RỦI RO THANH KHOẢN (12 THÁNG)
================================================================================
================================================================================
- Khuyến nghị kiểm soát tỷ lệ LDR:
- Duy trì LDR trong dải tối ưu 75% – 85% theo định hướng Thông tư 22/2019/TT-NHNN.
- Thiết lập ngưỡng kích hoạt dự phòng thanh khoản khẩn cấp (Emergency Liquidity Buffer) khi LDR vượt quá 85%.
- Đa dạng hóa danh mục tài sản thanh khoản chất lượng cao (HQLA):
- Tăng tỷ trọng trái phiếu chính phủ và tín phiếu NHNN để sẵn sàng chiết khấu trên thị trường mở (OMO) khi thị trường liên ngân hàng có biến động.
- Phân tích nhạy cảm theo chu kỳ kinh tế:
- Khi GDP suy giảm hoặc lạm phát tăng trên 4.0%, chủ động tăng kỳ hạn huy động vốn bình quân (Duration of Liabilities) để phòng ngừa rủi ro rút tiền đột ngột.
Hạn chế và hướng phát triển
Hạn chế kỹ thuật
- Độ trễ dữ liệu theo năm: Sử dụng dữ liệu BCTC năm kiểm toán (Annual Data) chưa phản ánh kịp thời các biến động thanh khoản mang tính thời điểm trong tháng hoặc theo quý.
- Phạm vi mẫu: Mới giới hạn ở 25 NHTMCP; chưa tích hợp toàn bộ các ngân hàng thương mại nhà nước tái cơ cấu đặc biệt hoặc các định chế tài chính vi mô.
Hướng nghiên cứu tiếp theo
- Mô hình GMM động (Dynamic System GMM): Đưa biến trễ $\text{FGAP}_{it-1}$ vào phương trình để đo lường độ trễ điều chỉnh thanh khoản của ngân hàng.
- Ứng dụng Machine Learning: Xây dựng mô hình Random Forest hoặc XGBoost kết hợp với mạng nơ-ron LSTM để dự báo nguy cơ đứt gãy thanh khoản theo chuỗi dữ liệu tần suất cao (Daily/Monthly Data).
Đối tượng hưởng lợi
+-------------------------------------------------------------------------------+
| MA TRẬN GIÁ TRỊ ĐỐI TƯỢNG HƯỞNG LỢI |
+----------------------+--------------------------------------------------------+
| Sinh viên & Học viên | Tài liệu tham khảo chuẩn mực về quy trình hồi quy dữ |
| | liệu bảng và xử lý khuyết tật kinh tế lượng (FGLS). |
+----------------------+--------------------------------------------------------+
| Data Analysts & | Khung code mẫu Stata/Python thực thi mô hình ALM và |
| Risk Developers | các bài toán kiểm định giả định tài chính ngân hàng. |
+----------------------+--------------------------------------------------------+
| Khối Quản trị Rủi ro | Bộ chỉ số định lượng đo lường độ nhạy cảm của thanh |
| & Hội đồng ALCO | khoản trước biến động của LDR, quy mô và lạm phát. |
+----------------------+--------------------------------------------------------+
| Cơ quan Giám sát | Cơ sở dữ liệu và bằng chứng thực nghiệm để đánh giá tác|
| (NHNN) | động của chính sách tiền tệ và quy chuẩn an toàn vốn. |
+----------------------+--------------------------------------------------------+
Câu hỏi thường gặp
1. Cần chuẩn bị hạ tầng kỹ thuật và môi trường như thế nào để triển khai mô hình?
Hệ thống yêu cầu máy chủ phân tích dữ liệu cấu hình tối thiểu 4 Cores CPU, 16GB RAM, cài đặt Stata MP 17.0 hoặc môi trường Python 3.10+ (thư viện pandas, statsmodels, linearmodels). Dữ liệu đầu vào cần được chuẩn hóa định dạng bảng cân bằng theo mã định danh định chế (CFI/Ticker) và thời gian.
2. Tại sao FGLS lại vượt trội hơn FEM/REM trong bài toán phân tích thanh khoản ngân hàng?
Dữ liệu tài chính ngân hàng thường xuyên xảy ra hiện tượng phương sai thay đổi (do sự chênh lệch quy mô lớn giữa các ngân hàng top đầu như BIDV, Vietcombank so với các ngân hàng nhỏ) và hiện tượng tự tương quan chuỗi qua các năm. FEM và REM chỉ giải quyết được các đặc tính riêng lẻ nhưng vi phạm giả định sai số đồng nhất, khiến p-value bị sai lệch. FGLS ước lượng lại ma trận hiệp phương sai, mang lại hệ số không chệch và có hiệu quả thống kê cao nhất.
3. Làm thế nào để tích hợp chỉ số cảnh báo FGAP vào Core Banking hiện hữu?
Chỉ số FGAP có thể được tính toán tự động vào cuối ngày (End-of-Day Batch Job) thông qua các truy vấn SQL trực tiếp từ cơ sở dữ liệu sổ cái (General Ledger - GL). Khi FGAP tiến sát ngưỡng 0 hoặc chuyển sang giá trị dương lớn, hệ thống sẽ tự động gửi webhook cảnh báo tới hệ thống quản lý rủi ro ALM.
4. Chi phí duy trì và yêu cầu vận hành mô hình trong thực tế như thế nào?
Chi phí vận hành chủ yếu tập trung vào việc duy trì nguồn cấp dữ liệu tài chính sạch (FiinPro API/Vietstock API) và nhân sự chuyên trách phân tích định lượng (1 Chuyên viên Kinh tế lượng/Data Analyst và 1 Giám sát rủi ro ALCO). Chi phí bản quyền phần mềm phân tích và lưu trữ cơ sở dữ liệu chiếm tỷ trọng không đáng kể trong ngân sách IT ngân hàng.
5. Tại sao các biến NPL, LLPR và LEV lại không có ý nghĩa thống kê trong mô hình FGLS cuối cùng?
Trong mẫu 2012–2023, việc trích lập dự phòng (LLPR) và xử lý nợ xấu (NPL) tại nhiều NHTMCP Việt Nam chịu sự điều tiết của các thông tư giãn hoãn nợ (như Thông tư 01/2020/TT-NHNN, Thông tư 02/2023/TT-NHNN) và hoạt động bán nợ cho VAMC. Điều này khiến số liệu nợ xấu trên sổ sách chưa phản ánh ngay lập tức vào áp lực rút vốn thanh khoản trong ngắn hạn, làm giảm ý nghĩa thống kê của các biến này đối với khe hở tài trợ tức thời.
Kết luận
Đồ án/Khóa luận tốt nghiệp đã hoàn thành xuất sắc việc xây dựng bức tranh toàn diện về các yếu tố tác động đến rủi ro thanh khoản tại 25 NHTMCP Việt Nam giai đoạn 2012–2023. Bằng việc áp dụng quy trình kiểm định kinh tế lượng nghiêm ngặt và mô hình FGLS, nghiên cứu đã lượng hóa chính xác tác động tiêu cực của tỷ lệ dư nợ tín dụng trên tiền gửi (LDR), quy mô ngân hàng (SIZE), lợi nhuận trên vốn chủ sở hữu (ROE), tỷ lệ lạm phát (INF) và tác động tích cực của tăng trưởng kinh tế (GDP) đến an toàn thanh khoản.
Kết quả này cung cấp cơ sở khoa học và thực tiễn vững chắc cho các nhà quản trị ngân hàng trong việc thiết kế chính sách cân đối tài sản - nợ, cũng như hỗ trợ Ngân hàng Nhà nước trong việc hoàn thiện các công cụ giám sát vĩ mô vì một hệ thống tài chính ngân hàng Việt Nam phát triển an toàn, bền vững và hội nhập quốc tế.