Trong mô hình này, cấu trúc dữ liệu như sau:
Ký hiệu | Loại | |
Phụ thuộc | Y | Nhị phân |
Độc lập | Xi | Liên tục hoặc rời rạc |
Có thể bạn quan tâm!
-
Hoàn thiện công tác xếp hạng tín dụng khách hàng doanh nghiệp tại Ngân hàng TMCP Hàng Hải Việt Nam - 2 -
Hoạt Động Tín Dụng Đối Với Khách Hàng Doanh Nghiệp Tại Ngân Hàng Thương Mại -
Công Tác Xếp Hạng Tín Dụng Khách Hàng Doanh Nghiệp Của Ngân Hàng Thương Mại -
Những Chỉ Tiêu Đánh Giá Mức Độ Hoàn Thiện Công Tác Xếp Hạng Tín Dụng Khách Hàng Doanh Nghiệp Tại Ngân Hàng Thương Mại -
Cơ Cấu Tổ Chức Ngân Hàng Thương Mại Cổ Phần Hàng Hải Việt Nam -
Thực Trạng Công Tác Xếp Hạng Tín Dụng Khách Hàng Doanh Nghiệp Tại Ngân Hàng Thương Mại Cổ Phần Hàng Hải Việt Nam.
Xem toàn bộ 111 trang tài liệu này.
0 nếu không trả được nợ (có rủi ro tín dụng)
1 nếu trả được nợ (không có rủi ro tín dụng)
Y đóng vai trò là biến phụ thuộc và là biến nhị phân, chỉ có thể nhận hai giá trị là 0 hoặc 1, cụ thể là:
Y=
+ Xi là biến độc lập, thể hiện các nhân tố ảnh hưởng đến khách hàng, ví dụ như giới tính, thu thập, tình trạng nhà,… đối với khách hàng cá nhân, hoặc ROE, ROA, vốn chủ sở hữu,… đối với khách hàng doanh nghiệp.
+ Y* là giá trị ước lượng của Y, thu được khi hồi quy Y theo các biến độc lập.
Khi đó, xác suất một khách hàng trả được nợ (tức là xác suất Y = 1) được tính theo công thức sau, trong đó e là hằng số Euler (xấp xỉ 2,718) :
*
eY
pi
*
1eY
Như vậy, với các nhân tố có ảnh hưởng tới khách hàng được xác định trước (qua tờ kê khai của khách hàng, báo cáo tài chính,…) chúng ta có thể xác định được xác suất khách hàng đó trả được nợ. Với xác suất trả được nợ càng cao thì khách hàng đó càng ít có rủi ro tín dụng và ngược lại. Dựa vào bảng dự báo xác suất của khách hàng, đối chiếu với thực tế trả nợ, Ngân hàng có thể xây dựng các mức xếp hạng rủi ro tín dụng phù hợp.
Một ví dụ đơn giản như sau: Một Ngân hàng dựa trên bộ số liệu và lịch sử tín dụng của khách hàng, đã hồi quy được một mô hình để ước lượng khả năng trả nợ của khách hàng cá nhân như sau:
Y=-1,1+1,9*X1+1,4*X2-11,1*X3
Trong đó X1 là thu nhập trung bình 1 tháng (đơn vị: triệu đồng) của khách hàng, X2 là biến giả đặc trưng cho trình độ học vấn khách hàng, giá
trị này bằng 1 nếu khách hàng có trình độ đại học trở lên, bằng 0 nếu khách hàng có trình độ dưới đại học. X3 là số người phụ thuộc trong gia đình. Giả sử có 1 khách hàng cá nhân tới vay vốn, có thu nhập trung bình 1 tháng là 12 triệu đồng; trình độ Đại học và trong gia đình có 2 người phụ thuộc; khi đó căn cứ vào mô hình trên chúng ta tính được giá trị Y. Từ đó chúng ta tính được xác suất khách hàng này trả được nợ là:
e0.9
p
i 1e0.9
0.711
Như vậy xác suất khách hàng này trả được nợ là 0,711; căn cứ vào các mức xếp hạng mà ngân hàng đã xây dựng để xếp khoản vay của khách hàng vào mức phù hợp. Ví dụ ngân hàng xếp những khách hàng có mức xác suất trả được nợ trên 0,8 là hạng AAA, trên 0,7 đến dưới 0,8 là AA, … như vậy khách hàng trên được xếp vào hạng AA.
Phương pháp ước lượng
Phương trình tính xác suất khách hàng trả được nợ:
*
eY exp(X X ... X )
*
p 0 1 1 2 2 n n
i 1eY
1 exp(
X X ... X )
0 1 1 2 2 n n
Như vậy để tính xác suất trả được nợ của khách hàng, chúng ta tính các giá trị ước lượng của Y, để làm được điều này chúng ta cần tình toán các giá trị. Trong mục này đề cập đến phương pháp ước lượng các hệ số beta, cụ thể như sau:
Hàm xác suất trên được gọi là hàm phân bố logistic. Trong hàm logistic này khi nhận các giá trị từ -∞ đến +∞ thì pi nhận giá trị từ 0 đến
1. Do là phi tuyến đối với X và các tham số, vì vậy chúng ta không thể áp dụng trực tiếp phương pháp bình phương nhỏ nhất (OLS) để ước lượng, người ta dùng ước lượng hợp ý tối đa (maximum likelihood) để ước lượng β. Do Y chỉ nhận một trong hai giá trị 0, 1, do vậy Y có phân bố nhị thức nên hàm hợp lý với mẫu kích thước n có dạng sau:
n n
epx(X )
Yi
11Yi
L (1p )1Yi ( p )Yi i
i i
i1
n
i1
1 exp(Xi
) 1 exp(Xi
)
exp(XiYi )
n
i1
i
(1 exp( X ))2
i1
Chúng ta cần ước lượng hợp lý tối đa của β. Để làm được điều này chúng ta lấy logarit cơ số tự nhiên hàm hợp lý, sau đó cho các đạo hàm riêng ứng với các βi bằng 0, thu được 1 hệ phương trình. Sau đó chúng ta sử dụng phương pháp Newton-Raphson để giải hệ phương trình trên và thu được 1 công thức của β. Cuối cùng chúng ta sử dụng quá trình lặp để ước lượng hệ số β.
Ngày nay, phương pháp ước lượng các hệ số đã được tự động hóa dựa trên một số phần mềm kinh tế lượng như Eviews, R, Stata, SPSS, … Trong nghiên cứu thực nghiệm, người ta có thể tìm cách bỏ đi một số biến mà vai trò giải thích cho biến Y không đủ lớn (hệ số không có ý nghĩa thống kê), nhằm tránh hiện tượng các biến độc lập có tương quan lẫn nhau làm sai lệch kết quả của mô hình.
Ưu điểm của mô hình logistic:
- Do mô hình này cũng là mô hình toán học nên có những ưu điểm giống như mô hình điểm số Z. Do đây là mô hình định lượng nên khắc phục được những nhược điểm của mô hình định tính, thể hiện sự khách quan, nhất quán, không phụ thuộc vào ý kiến chủ quan của cán bộ tín dụng.
- Mô hình Logistic này có kỹ thuật đo lường rủi ro tín dụng khá đơn giản, dễ thực hiện bằng phần mềm chuyên dụng (như Eviews).
- Mô hình Logistic có thể là cơ sở để ngân hàng phân loại khách hàng và nhận riện rủi ro. Thông qua kết quả từ mô hình, chúng ta có thể ước lượng được xác suất không trả được nợ của khách hàng, từ đó Ngân hàng có thể xác định được doanh nghiệp nào đang nằm trong vùng an toàn,
doanh nghiệp nào nằm trong vùng cảnh báo và giúp ngân hàng chủ động trong việc đưa ra những biện pháp hạn chế rủi ro.
- Một ưu điểm nổi bật của mô hình này đó là mô hình Logistic có thể đo lường vai trò của các yếu tố tác động đến hạng tín dụng của khách hàng. Ngoài ra, trong khi mô hình điểm số Z lại cứng nhắc trong việc xem xét các yếu tố tác động tới biến phụ thuộc và các hệ số của chúng (do Altman đưa ra), trong khi với mô hình Logistic chúng ta có thể dễ dàng hiệu chỉnh hoặc thêm bớt các biến nhằm xác định cụ thể tác động của các yếu tố tới rủi ro tín dụng là như thế nào.
Nhược điểm của mô hình logistic: Mô hình Logistic vẫn tồn tại nhược điểm, đó là mô hình phụ thuộc vào mức độ chính xác của nguồn thông tin thu nhập và khả năng dự báo cũng như trình độ phân tích của cán bộ tín dụng. Ngoài ra, mô hình Logistic bản chất là mô hình kinh tế lượng, vì vậy khi hệ số xác định ở mức nhỏ thì mô hình có thể dự báo kém chính xác (thể hiện qua các giá trị phần dư).
b. Mô hình probit
Hồi quy Probit, hay còn được gọi là mô hình probit, được sử dụng để ước lượng mô hình có biến phụ thuộc dạng nhị phân. Trong hồi quy probit, nghịch đảo của hàm phân phối xác suất chuẩn chuẩn hóa là sự kết hợp tuyến tính của các biến giải thích.
c. Mô hình phân tích nhiều biệt thức (The multiple discriminant analysis model: MDA)
Một kỹ thuật thống kê được sử dụng để làm giảm sự khác biệt giữa các biến để phân loại chúng thành một số tập hợp các nhóm lớn. Trong tài chính, kỹ thuật này được sử dụng để nén các phương sai giữa chứng khoán và còn cho phép người để sàng lọc một số biến. Nó cố gắng để phân loại một tập dữ liệu bằng cách thiết lập một quy tắc (hoặc lựa chọn một giá trị) mà sẽ cung cấp sự tách biệt có ý nghĩa nhất.
Áp dụng đúng cách, nó sẽ là người ra các biến như giá cả có lợi cho các giá trị đo lường biến động (beta) và thống nhất lịch sử. Edward Altman nổi tiếng với việc sử dụng phân tích biệt nhiều trong việc tạo ra các điểm Altman-Z.
Mô hình Z score
Mô hình Z score của giáo sư Edward I. Altman phát triển. Mô hình này được áp dụng rộng rãi trên thế giới với nhiều ưu điểm là dự báo một cách tương đối chính xác với các công ty có khả năng phá sản trong vòng 2 năm. Chỉ số Z là chỉ số có thể dễ dàng xác định với các chỉ số như vốn lưu động, tổng tài sản, lợi nhuận giữ lại, giá trị của vốn chủ sở hữu… hoàn toàn có thể lấy được trên các báo cáo tài chính. Chỉ số Z được xác định ở các mục:
Z (Doanh nghiệp đã cổ phần hóa, doanh nghiệp sản xuất)= 1,2 X1 + 1,4 X2 + 3,3 X3 + 0,64 X4 + 0,999 X5
Trong đó: X1=Vốn luân chuyển/Tổng tài sản; X2=Lợi nhuận giữ lại/Tổng tài sản; X3=EBIT/Tổng Tài sản (EBIT là lợi nhuận trước lãi vay và thuế); X4=Giá trị thị trường của vốn chủ sở hữu/Tổng Tài sản; X5=Doanh thu/Tổng Tài sản
Doanh nghiệp có nguy cơ phá sản cao
1.8
Doanh nghiệp bị cảnh báo có nguy cơ phá sản
2.99
Doanh nghiệp nằm trong vùng an toàn
Z’ (Doanh nghiệp chưa cổ phần hóa, Sản xuất)= 0,717 X1 + 0,847 X2 + 3,107X3 + 0,420 X4 + 0,998 X5
Trong đó các giá trị X1, X2, X3, X5 giống với các chỉ số áp dụng với chỉ số Z còn chỉ số X4 là giá trị sổ sách của vốn chủ sở hữu/Tổng tài sản
Doanh nghiệp có nguy cơ phá sản cao
1.23
Doanh nghiệp bị cảnh báo có nguy cơ phá sản
2.9
Doanh nghiệp nằm trong vùng an toàn
Z’’ (Doanh nghiệp khác)= 6,56 X1 + 3,26 X2 + 6,72 X3+ 1,05 X4
Trong đó các giá trị X1, X2, X3 giống với các chỉ số áp dụng với chỉ số Z còn chỉ số X4 là giá trị sổ sách của vốn chủ sở hữu/Tổng tài sản
Doanh nghiệp có nguy cơ phá sản cao
1.1
Doanh nghiệp bị cảnh báo có nguy cơ phá sản
2.6
Doanh nghiệp nằm trong vùng an toàn
Chỉ số Z’’ điều chỉnh (Mô hình EMS): chỉ số có độ tương đồng khá cao với chỉ số S&P. Z” điều chỉnh = Z’’ + 3,25 = 6,56 X1 + 3,26 X2 + 6,72 X3 + 1,05X4 + 3,25
Bảng 1.1 Bảng so sánh giữa chỉ số Z điều chỉnh với chỉ tiêu phân loại theo S&P. (Nguồn: Tạp chí phát triển và hội nhập)
Z” điều chỉnh | S&P | Ý nghĩa |
> 8,15 | AAA | Chất luợng cao nhất, ổn định, độ rủi ro thấp nhất |
7,60 – 8,15 | AA+ | Chất lượng cao, rủi ro thấp, Độ rủi ro chỉ cao hơn hạng AAA một bậc. |
7,30 – 7,60 | AA | |
7,00 – 7,30 | AA- | |
6,85 – 7,00 | A+ | Chất lượng khá, tuy vậy có thể bị ảnh huỡng bởi tình hình kinh tế. |
6,65 – 6,85 | A | |
6,40 – 6,65 | A- | |
6,25 – 6,40 | BBB+ | Chất lượng trung bình, an toàn trong thời gian hiện tại, tuy vậy có ẩn chứa một số yếu tố rủi ro. |
5,85 – 6,25 | BBB | |
5,65 – 5,85 | BBB- | |
5,25 – 5,65 | BB+ | Chất lượng trung bình thấp, có thế gặp khó khăn trong việc trả nợ, bị ảnh hưởng đối với sự thay đổi của tình hình kinh tế. |
4,95 – 5,25 | BB | |
4,75 – 4,95 | BB- | |
4,50 – 4,75 | B+ | Chất lượng thấp, rủi ro cao, có nguy cơ không thanh toán đúng hạn |
4,15 – 4,50 | B | |
3,75 – 4,15 | B- | |
3,20 – 3,75 | CCC+ | Rủi ro rất cao, rất gần phá sản, |
2,50 – 3,20 | CCC | |
1,75 – 2,50 | CCC- | |
< 1,75 | D | Xếp hạng thấp nhất, đã phá sản hay hầu như sẽ phá sản |
Từ bảng so sánh chỉ số Z” và phân loại S&P ta có thể thấy sự tương đồng tương đối với hệ thống xếp hạng của Maritime Bank. Như vậy nó hoàn toàn phù hợp để làm cơ sở so sánh để ngân hàng có thể đánh giá mô hình xếp hạng của mình.
Phương pháp Xếp hạng nội bộ
Căn cứ công tác xếp hạng tín dụng khách hàng doanh nghiệp tại NHTM: Hiện tại các ngân hàng đang sử dụng phương pháp xếp hạng dựa trên phân tích các chỉ tiêu tài chính và các chỉ tiêu phi tài chính. Từ đó tổng hợp số điểm để xếp hạng khả năng trả nợ của khách hàng.
Các chỉ tiêu tài chính bao gồm:
- Các chỉ tiêu thể hiện tính thanh khoản (đo lường khả năng trả nợ ngắn hạn của doanh nghiệp).
- Các chỉ tiêu thể hiện hiệu quả hoạt động để đo lường mức hiệu quả trong việc sử dụng tài sản doanh nghiệp.
- Các chỉ tiêu đòn bẩy tài chính để đo lường mức độ sử dụng nợ để tài trợ cho hoạt động của doanh nghiệp.
- Các chỉ tiêu khả năng sinh lời để đo lường khả năng sinh lãi mà doanh nghiệp có thể có được trong hoạt động kinh doanh của mình.
Các chỉ tiêu phi tài chính bao gồm: Tư cách doanh nghiệp, năng lực của doanh nghiệp, thu nhập của doanh nghiệp, bảo đảm tiền vay, các điều kiện, kiểm soát.
Mô hình này có nhiều ưu điểm và đang được áp dụng rộng rãi tại các NHTM: Mô hình này tương đối đơn giản, một ngân hàng không cần đầu tư tài chính quá lớn để có thể thực hiện. Tuy nhiên một số nhược điểm của mô hình này làm sai lệch kết quả xếp hạng tín dụng:
- Mô hình này đòi hỏi dữ liệu đầu vào phải chính xác. Với một nước kém phát triển và không có hệ thống kiểm soát hoạt động doanh nghiệp hiệu quả thì thông tin của doanh nghiệp thường khó xác định.
- Các chỉ tiêu đánh giá nhất là chỉ tiêu phi tài chính khó có thể xác định chính xác, dải điểm lớn phụ thuộc nhiều vào trình độ và kinh nghiệm của người đánh giá để cho kết quả xếp hạng sát với thực tế.
Xếp hạng tín dụng dựa theo khuyến nghị Basel 2
Uỷ ban Basel về giám sát ngân hàng (Basel Committee on Banking Supervision - BCBS) được thành lập vào năm 1974 bởi một nhóm các Ngân hàng Trung ương và cơ quan giám sát của 10 nước phát triển (G10) tại thành phố Basel, Thụy Sỹ nhằm tìm cách ngăn chặn sự sụp đổ hàng loạt của các ngân hàng vào thập kỷ 80. Ủy ban Basel không có bất kỳ một cơ quan giám sát nào và những kết luận của uỷ ban này không có tính pháp lý và yêu cầu tuân thủ đối với việc giám sát hoạt động ngân hàng.
Thay vào đó, ủy ban Basel chỉ xây dựng và công bố những tiêu chuẩn và những hướng dẫn giám sát rộng rãi, đồng thời giới thiệu các báo cáo thực tiễn tốt nhất trong kỳ vọng rằng các tổ chức riêng lẻ sẽ áp dụng rộng rãi thông qua những sắp xếp chi tiết phù hợp nhất cho hệ thống quốc gia của chính họ. Theo cách này, ủy ban khuyến khích việc áp dụng cách tiếp cận và các tiêu chuẩn chung mà không cố gắng can thiệp vào các kỹ thuật giám sát của các nước thành viên. Ủy ban Basel đã ban hành 17 nguyên tắc về quản lý nợ xấu mà thực chất là đưa ra các nguyên tắc trong quản trị rủi ro tín dụng, đảm bảo tính hiệu quả và an toàn trong hoạt động cấp tín dụng.
Các yếu tố cấu thành rủi ro tín dụng xác định theo Basel 2:
- Xác suất không trả được nợ (PD)
- Tỷ trọng tổn thất ước tính trong trường hợp khách hàng không trả được nợ LGD
- Dư nợ tại thời điểm khách hàng không trả được nợ (EAD)
- Kỳ hạn hiệu lực (M)
Yếu tố rủi ro luôn hiện hữu trong các quy trình của tín dụng doanh nghiệp, để hạn chế các rủi ro này thì mỗi ngân hàng cần đẩy mạnh việc