Ví Dụ Về Phân Tích Mức Độ Vỡ Nợ Theo Tuổi Nợ

giải ngân trong tháng đó (Vintage Portfolio at risk – Vintage PAR)9 theo công thức như sau:

Vintage PAR =

Trong phân tích này, các khoản vay được phân khúc rõ ràng theo tuổi nợ nhằm giúp nhà phân tích phát hiện dễ dàng hơn về xu hướng, sự thay đổi trong mức độ rủi ro cũng như các nhân tố ảnh hưởng tới việc vỡ nợ của từng nhóm. Một cách lý tưởng hơn nữa, nhà phân tích có thể kết hợp vào trong các xác suất vỡ nợ của bảng các yếu tố ảnh hưởng như hạng tín dụng, là sản phẩm tín dụng mới hay không, các nhân tố khách quan từ môi trường vĩ mô…

Tại bảng trên theo chiều từ trái qua phải, trong đó hàng ngang đưa ra chỉ báo về tính ổn định trong chất lượng tín dụng của các khoản vay có cùng tuổi nợ, hàng dọc là sự khác biệt trong chất lượng tín dụng của các khoản vay được giải ngân cùng thời điểm. Ngoài ra, có thể kết hợp các phân tích của hàng ngang và hàng dọc để đưa ra tác động của các yếu tố vĩ mô tới xác suất vỡ nợ.

Theo phương pháp Vintage khi biểu thị dưới dạng biểu đồ, có nhiều khía cạnh về danh mục cho vay có thể được đưa ra phân tích như sau:

Loại 1: Phân tích tổng quát về mức độ vỡ nợ theo tuổi nợ

12-Jul 12-Aug 12-Sep 12-Oct 12-Nov 12-Dec

13-Jan

1 2 3 4 5 6 7 8 9

10 11 12 13 14 15 16

12-Feb

Biểu đồ 2.5: Ví dụ về phân tích mức độ vỡ nợ theo tuổi nợ

Nguồn: J.P.Morgan (2016) Với số liệu tại bảng 2.5, ta có thể biểu đồ hoá như trên (biểu đồ PAR 1+). Trục tung của biểu đồ thể hiện phần trăm vỡ nợ của các khoản vay giải ngân vào các

9 Các khoản nợ đã xoá hoặc được cơ cấu lại không được tính vào dư nợ bị vỡ nợ này.

thời điểm khác nhau, trục hoành thể hiện mức tuổi nợ trên sổ ngân hàng. Theo biểu đồ thị, người phân tích cần lưu ý tới độ dốc của đường cong (càng thoải càng tốt) và sau bao nhiêu tháng đường cong đạt đỉnh. Loại biểu đồ này có thể dùng để theo dõi chất lượng danh mục tín dụng sau giải ngân tại các tháng khác nhau. Ngoài ra, nó có thể coi như một cảnh báo sớm về chất lượng danh mục bị xấu đi tại một tháng nào đó, cũng như đánh giá hiệu quả của công tác cảnh báo sớm rủi ro tín dụng của danh mục cho vay.

Giá trị giải ngân (trục phải)

Sau 2 tháng

Sau 4 tháng

Sau 6 tháng

Sau 8 tháng

Đơn vị: triệu

Loại 2: Phân tích tỷ lệ dư nợ còn lại (Portfolio retention rate)

Biểu đồ 2.6: Ví dụ về phân tích tỷ lệ dư nợ còn lại

Nguồn: J.P.Morgan (2016) Biểu đồ minh hoạ ở trên thể hiện giá trị dư nợ đã giải ngân theo từng tháng theo giá trị tuyệt đối tại trục tung phải và tỷ lệ dư nợ còn lại của từng vintage sau 2, 4, 6, 8 tháng sau khi giải ngân theo giá trị phần trăm tại trục tung trái. Biểu đồ này cho biết lượng dư nợ hiện tại so với tổng lượng vốn cấp tín dụng đã giải ngân theo từng tháng xét trên phạm vi toàn danh mục. Như vậy, với biểu đồ này, người phân tích có thể theo dõi lượng vốn tín dụng được giải ngân hàng tháng được hoàn trả nhanh hay chậm so với các tháng khác, cho phép nhận diện bất kì sự tăng lên hay giảm đi nào trong giá trị dư nợ còn lại giữa các tháng với nhau. Nếu tỷ lệ dư nợ còn lại của danh mục cao hơn xu hướng thông thường, điều đó có nghĩa chất lượng của danh mục tín dụng trong tháng đó không tốt bằng các tháng khác. Ngoại trừ trường hợp tăng kì hạn trả nợ hoặc giảm số tiền trả trước

hàng kì, tỷ lệ dư nợ còn lại càng cao nghĩa là tỷ lệ các khoản nợ đã hoàn trả càng thấp và tỷ lệ nợ quá hạn có nguy cơ gia tăng.

Khối lượng trung bình trên mỗi khách hàng (trục trái)

FPD( 1 tháng)

FPD( 2 tháng)

Đơn vị: Nghìn

Loại 3: Phân tích vỡ nợ tại khoản trả nợ đầu tiên (First payment default – FPD)

Biểu đồ 2.7: Ví dụ về phân tích vỡ nợ tại khoản trả nợ đầu tiên

Nguồn: J.P.Morgan (2016) Biểu đồ tại Hình 6 đưa ra số liệu tuyệt đối về giá trị dư nợ đã giải ngân tính trung bình cho một khách hàng theo số liệu tại trục tung trái, và tỷ lệ vỡ nợ tại lần trả nợ đầu tiên theo số khách hàng đã giải ngân của từng vintage. Tỷ lệ FPD (1 Mth) là tỷ lệ phần trăm khách hàng đã không hoàn trả đầy đủ và đúng hạn khoản hoàn trả đầu tiên trên tổng số khách hàng đã được giải ngân trong tháng đó. Tỷ lệ FPD (2 Mth) là tỷ lệ phần trăm khách hàng đã không hoàn trả đầy đủ và đúng hạn hai khoản hoàn trả đầu tiên trên tổng số khách hàng đã được giải ngân trong tháng đó. Như vậy, biểu đồ này hữu ích trong cảnh báo sớm rủi ro tín dụng về những khách hàng có năng lực tài chính kém hoặc không có thiện chí trả nợ.

2.2.2.3. Đo lường rủi ro danh mục cho vay

Dưới đây là các phương pháp phổ biến thường được sử dụng trong đo lường rủi ro tín dụng trên danh mục cho vay:

 Phương pháp các chỉ số rủi ro (Key risk indicators)

Phương pháp này sử dụng các chỉ số để đánh giá tình hình rủi ro tín dụng của NHTM như tỷ lệ nợ quá hạn, tình hình rủi ro mất vốn, khả năng bù đắp rủi ro, mức độ tập trung của danh mục tín dụng…

 Phương pháp tiêu chuẩn của Basel II (Standardized Approach)

Phương pháp này đưa ra các quy chuẩn để tính toán hai loại tổn thất tín dụng mà NHTM phải đối mặt là tổn thất trong dự tính (Expected Loss) và tổn thất ngoài dự tính (Unexpected Loss) theo ba đại lượng là Xác suất khách hàng không trả được nợ (Probability of Default), Dư nợ tại thời điểm khách hàng vỡ nợ (Exposure at Default) và Tỷ lệ tổn thất thực sự khi khách hàng vỡ nợ (Loss Given Default).

 Phương pháp dựa theo xếp hạng tín dụng nội bộ của Basel II (Internal Rating Based)

Tương tự như phương pháp tiêu chuẩn, ở cấp độ cao hơn Basel II đưa ra lựa chọn cho các NHTM được sử dụng phương pháp dựa theo các tính toán nội bộ của mình về ba đại lượng Xác suất khách hàng không trả được nợ, Dư nợ tại thời điểm khách hàng vỡ nợ và Tỷ lệ tổn thất thực sự khi khách hàng vỡ nợ. Với hai cách tiếp cận cơ bản (Foundation-FIRB) và nâng cao (Advanced-AIRB), với phương pháp này thì hai đại lượng: tổn thất trong dự tính và tổn thất ngoài dự tính được tính toán sẽ chính xác hơn với thực trạng rủi ro của NHTM.

 Các phương pháp dự báo chất lượng danh mục cho vay trong tương lai Nhóm này bao gồm các mô hình sử dụng để dự báo về mức độ rủi ro của danh mục cho vay trong tương lai. Do mức độ rủi ro của danh mục chịu ảnh hưởng bởi mức độ tương quan về vỡ nợ giữa các khoản vay trong danh mục nên nhóm mô hình cấu trúc (structural models) được xem là phù hợp hơn trong đánh giá rủi ro tín dụng so với mô hình dạng rút gọn (reduced-form models), bởi các mô hình dạng rút gọn dùng để đánh giá rủi ro của các danh mục chịu ảnh hưởng bởi tác động từ yếu tố thông tin mà không chịu tác động từ từng khoản mục riêng lẻ trong danh mục, phù hợp hơn khi đánh giá danh mục chịu rủi ro thị trường (Capuano và cộng sự, 2009). Các phương pháp được phát triển dựa trên mô hình cấu trúc này đa số đều hướng tới đo lường đại lượng C-VaR để dự báo chất lượng danh mục cho vay trong tương lai. Một số các phương pháp tiêu biểu dựa

trên mô hình cấu trúc hiện đang được các NHTM sử dụng được đưa ra tại bảng tóm tắt dưới đây:

Bảng 2.6: Các phương pháp dự báo chất lượng danh mục cho vay trong tương lai

Phương pháp

Cơ sở đo lường	Dữ liệu đầu vào tiên quyết	Hạn chế
Mô hình CreditMetrics	Dựa trên thay đổi giá trị danh mục theo hạng tín dụng	Xếp hạng tín dụng và ma trận chuyển hạng tín dụng của các khoản vay	Không phản ánh kịp thời năng lực trả nợ của khách hàng vì dựa theo kết quả xếp hạng tín dụng sẵn có
Mô hình PortfolioManag er của KMV	Dựa trên tính toán xác suất đồng thời các khoản vay không được hoàn trả	Giá trị thị trường của tài sản và vốn chủ sở hữu của khách hàng vay	 Dựa trên giả thiết phân phối chuẩn về giá trị thị trường tài sản và vốn chủ sở hữu của khách hàng  Chịu ảnh hưởng lớn bởi biến động giá trên thị trường chứng khoán
Mô hình CreditRisk+	Dựa trên tính toán xác suất đồng thời các khoản vay không được hoàn trả	Tỷ lệ vỡ nợ của các khoản vay	 Bỏ qua ảnh hưởng của thay đổi hạng tín dụng tới khả năng trả nợ của khách hàng  Chỉ dựa trên giá trị sổ sách mà không phải giá trị thị trường của tài sản của khách hàng
Mô hình CreditPortfolioV iew	Dựa trên thay đổi giá trị danh mục theo những thay đổi của nền kinh tế vĩ mô	Dữ liệu kinh tế vĩ mô	 Dựa trên giả định về quan hệ tuyến tính giữa điều kiện kinh tế vĩ mô và chất lượng nợ  Chưa bao hàm tác động phản hồi giữa chất lượng tín dụng và tăng trưởng

Có thể bạn quan tâm!

Xem toàn bộ 252 trang tài liệu này.

kinh tế vĩ mô

Nguồn: Tác giả

Mô hình CreditMetrics

Bản chất của mô hình Credit Metrics là đo lường sự thay đổi về giá trị của danh mục cho vay khi hạng tín dụng của khoản vay thay đổi. Mô hình này có đầu vào là bộ dữ liệu về xác suất không hoàn trả, tỉ số hồi phục, xác suất và tương quan chuyển hạng tín dụng. Dựa trên các dữ liệu này, hệ thống phần mềm sẽ tính toán10 và báo cáo rủi ro tín dụng cho một danh mục tín dụng. Tính đặc trưng nhất của Credit Metrics là phương pháp đo lường rủi ro tín dụng C-VaR (với một khoảng tin cậy xác định) dựa trên phân tích về xác suất chuyển hạng tín dụng của các khoản vay trong danh mục từ một loại chất lượng tín dụng này

sang một loại khác trong khoảng thời gian được xác định trước. Các bước thực hiện đối với mô hình Credit Metrics như sau:

 Bước 1: Xác định đặc trưng cơ bản của danh mục cho vay

Tại bước này, các thông tin quan trọng về các khoản vay tại ngân hàng cần được thu thập bao gồm: hạng tín dụng tại thời điểm hiện tại, giá trị dư nợ gốc, lãi suất cho vay và kì hạn vay.

 Bước 2: Xác định lãi suất chiết khấu cho các khoản vay tương ứng với các kì hạn và hạng tín dụng khác nhau của các khoản vay

Đây là căn cứ quan trọng để xác định giá trị thị trường của khoản vay tại các thời điểm dự báo trong tương lai bằng phương pháp chiết khấu dòng tiền.

 Bước 3: Xác định một ma trận xác suất thay đổi chất lượng tín dụng11

Các xác suất trong ma trận này phản ánh khả năng thay đổi chất lượng tín dụng của khách hàng đó trong khoảng thời gian được xác định trước. Thông thường ma trận này được xác định dựa trên dữ liệu về xếp hạng tín dụng từ các tổ chức xếp hạng chuyên nghiệp như Standard Poor, Moody’s hay Fitch. Ngoài ra, nếu tổ chức tín dụng đủ năng lực và kinh nghiệm trong đánh giá, xếp hạng tín

10 Phần mềm CreditManager™ mua từ J.P. Morgan và các nhà đồng bảo trợ: Bank of America, BZW, Deutsche Morgan Grenfell, Swiss Bank Corporation, Union Bank of Switzerland và tập đoàn KMV.

11 ví dụ: xác suất thay đổi của một khách hàng được xếp hạng ban đầu là A chuyển thành các hạng như AAA, AA, BBB, BB,... sau một năm là bao nhiêu.

dụng khách hàng và khả năng dự báo thay đổi chất lượng tín dụng của khách hàng thì có thể dử dụng ma trận này do chính mình xây dựng.

 Bước 4: Xác định giá trị kì vọng và phương sai của từng khoản vay trong danh mục ở cuối kì xem xét

Trong tài chính, độ rủi ro của tài sản được thể hiện bằng độ biến động (hay độ phân tán) của các giá trị tương lai của nó quanh giá trị kì vọng. Dựa trên logic này, phương sai (hoặc độ lệch chuẩn) của giá trị hiện tại của các luồng thu nhập từ một khoản vay trong tương lai là thước đo tốt nhất cho độ rủi ro khoản vay đó. Do đó, để đánh giá rủi ro của từng khoản vay cụ thể, Credit Metrics xác định phân phối của giá trị thị trường của chúng vào cuối kì xem xét. Giá trị thị trường của từng khoản vay được tính từ giá trị của các luồng thu nhập tương lai có tính đến khả năng chuyển hạng tới tất cả các hạng tín dụng với các xác suất tương ứng.

 Bước 5: Xác định hệ số tương quan và hiệp phương sai giữa các cặp khoản vay

Theo mô hình định giá quyền chọn của Merton (1974) cũng như theo lí thuyết định giá tài sản phái sinh, sự thay đổi trong giá trị thị trường của khoản vay như sau:

dV = .dt + .dW

Trong đó : V là giá trị của khoản vay tuân theo một phân phối ngẫu nhiên liên tục, μ là tốc độ tăng trung bình của khoản vay, σ là độ biến động của giá trị món vay xung quanh giá trị trung bình trên, W là quá trình Wiener chuẩn, độc lập. Các trường hợp phổ biến của μ và σ tương ứng với phân phối chuẩn của V (chính là quá trình chuyển động Brown). Khi đó, giá trị của khoản vay tại thời điểm t có thể được viết như sau:

V = V . exp {( μ – 2 )t + σ t W

t o 2 t

CreditMetrics còn sử dụng biến log chuẩn hóa được định nghĩa như sau: