Quản trị danh mục cho vay tại ngân hàng thương mại cổ phần ngoại thương Việt Nam

HHI không thể hiện được mối quan hệ giữa rủi ro tín dụng của ngành với rủi ro tập trung trong danh mục cho vay, đồng thời không đưa ra được số dự phòng rủi ro mà NHTM cần chuẩn bị cho danh mục cho vay.

b. Hệ số Gini

Hệ số Gini là một trong những chỉ số cổ điển để đo lường rủi ro tập trung của danh mục cho vay. Công thức như sau:

Trong đó:

n là tổng số thành phần của danh mục cho vay (tùy mục đích phân loại);

j là thứ tự của thành phần trong danh mục cho vay (sắp xếp

theo giá trị từ thấp đến cao);

μ là giá trị trung bình của danh mục cho vay;

Có thể bạn quan tâm!

Xem toàn bộ 233 trang tài liệu này.

: là giá trị của khoản vay thứ i, trong thời gian t.

Giá trị hệ số Gini thuộc khoảng từ 0 đến 1. Càng gần về phía 0, giá trị các khoản cho vay trong danh mục được phân phối càng đồng đều, hay rủi ro tập trung nhỏ dần. Càng gần về phía 1, giá trị các khoản cho vay thuộc danh mục được phân phối ít đồng đều, hay rủi ro tập trung tăng dần. Tương tự như HHI, hệ số Gini dùng để tính toán rủi ro tập dung của danh mục cho vay [73].

Theo nghiên cứu của Lagrin và Roach (2008), giá trị

của hệ số

Gini

cao hơn 0,3 thì danh mục cho vay đã tồn tại rủi ro tập trung [73]. Việc tính

toán hệ số

Gini cũng khá phức tạp. Tuy nhiên, hệ số

này tồn tại nhược

điểm là không phản ánh được giá trị của danh mục cho vay. Ví dụ, nếu

phân loại danh mục cho vay theo ngành kinh tế, danh mục có nhiều nghành cùng quy mô sẽ có hệ số Gini nhỏ hơn so với danh mục có tính đa dạng cao với nhiều ngành có khoản vay lớn. Hoặc, nếu tăng thêm một số lĩnh vực

khác vào danh mục cho vay thì có thể làm tăng giá trị của hệ số Gini (tức là phản ánh mức rủi ro tập trung tăng lên) nhưng trên thực tế, việc này giúp giảm rủi ro tập trung.

c. Mô hình VAR (Value at risk)

VAR là một trong những phương pháp đánh giá rủi ro truyền thống, sử dụng các công cụ hỗ trợ từ toán học và thống kê. Mô hình VAR được dùng để đo lường mức tổn thất tối đa khi tình huống xấu nhất xảy ra trong một khoảng thời gian xác định dựa trên một mức xác suất cho trước (hay còn

gọi là độ

tin cậy) và VAR này được gọi là VAR tuyệt đối. Để

xác định

mức vốn kinh tế mà NHTM cần nắm giữ, VAR thường được tính bằng

chênh lệch giữa tổn thất ngoài dự tính (Unexpected Loss) và tổn thất dự

tính (Expected Loss), trong đó tổn thất dự

tính và tổn thất ngoài dự

tính

được xác định từ phân phối tổn thất trong tương lại của ngân hàng. [22]

Về mặt khái niệm, VAR khá dễ hiểu, tuy nhiên khi triển khai trong

thực tế thì lại phức tạp, đặc biệt trong việc đo lường rủi ro cho vay.

Nguyên nhân là hầu hết các khoản cho vay của NHTM không được mua

bán trên thị

trường thứ

cấp nên các dữ

liệu cần thiết giúp cho việc

ước

lượng phân phối tổn thất tín dụng trong tương lai rất hạn chế. Nhằm khắc phục khó khăn này, các nhà nghiên cứu đã tiếp cận mô hình rủi ro tín dụng dựa trên một số giả thiết nhất định cũng như các lý thuyết kinh tế để mô

phỏng phân phối tổn thất tín dụng, từ đó xác định VAR tín dụng. Để đo

lường rủi ro của danh mục cho vay tại NHTM thì trên thế giới hiện nay có bốn nhóm mô hình VAR chính, bao gồm: CreditMetrics của JP Morgan, PortfolioManager của KMV, CreditRisk+ của Credit Suisse, và CreditPortfolioView của McKinsey [53].

c1. CreditMetrics

Mô hình này đo lường rủi ro danh mục cho vay dựa trên một ma trận xác suất thay đổi chất lượng tín dụng. Thông thường ma trận này được xác định dựa trên việc xếp hạng tín dụng theo tiêu chuẩn của các tổ chức xếp

hạng độc lập (Standard & Poor hoặc Moody’s) [78]. Sau đó, tổn thất tín dụng khi khách hàng không hoàn trả được ước lượng bằng cách mô phỏng

dựa trên phân phối Beta. Tiếp theo, CreditMetrics ước lượng tương quan

giữa thay đổi giá trị tài sản của các khách hàng để ước lượng tương quan không hoàn trả giữa các khách hàng. Đây là thông số quan trọng nhằm giúp cho việc xác định xác suất không hoàn trả đồng thời của các khách hàng. Tuy nhiên, giá trị thị trường của tài sản do các công ty sở hữu rất khó quan sát trong thực tế. Do vậy phương pháp này sử dụng giá cổ phiếu của các

công ty như

một biến đại diện để ước lượng tương quan giá trị

tài sản

giữa các công ty. Cuối cùng, tương quan giữa các khoản nợ không được

hoàn trả sẽ được ước lượng từ xác suất không hoàn trả đồng thời của các

khách hàng. Đầu tiên, CreditMetrics

ước lượng các giá trị

ngưỡng (Z)

tương ứng với mỗi loại hạng tín dụng theo ma trận xác suất thay đổi chất

lượng tín dụng được đề

cập ở

trên (ký hiệu tương

ứng là ZAAA, ZAA, …

ZBBB…), giá trị ngưỡng này thay đổi theo từng khách hàng tùy thuộc vào

xếp hạng ban đầu và xác suất thay đổi chất lượng tín dụng của khách hàng đó. Dựa trên các giá trị ngưỡng này, xác suất hai khách hàng đồng thời ở trong bất kỳ một cặp xếp hạng (ví dụ như AABB hoặc AABBBB….) sẽ được tính dễ dàng. Tiếp theo, ta xác định được tương quan thay đổi chất

lượng tín dụng của khách hàng, và việc hai khoản nợ đồng thời không

được hoàn trả là một trường hợp đặc biệt. Cụ thể, công thức thể hiện sự tương quan giữa hai khoản nợ không được hoàn trả đồng thời sẽ như sau:

Trong đó: p(def1,def2): Xác suất hai khoản nợ không được hoàn trả

đồng thời, đây là trường hợp đặc biệt của xác suất thay đổi chất lượng tín dụng đồng thời;

P1, P2: xác suất khách hàng 1, khách hàng 2 không hoàn trả tương ứng. Xác suất này được xác định dựa trên ma trận xác suất thay đổi tín dụng ban đầu.

Sau bước xác định tương quan giữa thay đổi tín dụng của các khách hàng, phân phối giá trị của danh mục cho vay được xác định. VAR tín dụng được xác định dựa vào giá trị ngưỡng của phân phối tương ứng với mức tin cậy cho trước (thường là 99,9%). Trong trường hợp danh mục cho vay của NHTM bao gồm nhiều khoản nợ, CreditMetrics sử dụng mô phỏng Monte Carlo để tính ra phân phối hoàn toàn giá trị của danh mục, nhờ vậy có thể tìm ra VAR tín dụng [42].

c2. PortfolioManager của KMV

Trong mô hình này, xác suất không hoàn trả của mỗi khách hàng được tính toán trực tiếp dựa trên cách tiếp cận định giá quyền chọn Merton

(1974), xác suất này được gọi là tần suất không hoàn trả kỳ vọng EDF

(Expected Default Frequency) . Xác suất này được tính bằng một hàm số bao gồm các thành phần cấu trúc vốn của công ty vay vốn, độ ổn định của giá trị tài sản công ty và giá trị hiện tại của tài sản công ty sở hữu.

Dựa trên cách tiếp cận quyền chọn của Merton thì việc vay nợ của

công ty được xem như

công ty đang sở

hữu một quyền chọn bán (Put

Option) trên tài sản công ty, với giá thực hiện (Exercise Price) bằng với giá trị của khoản nợ vào ngày đáo hạn. Nếu giá trị tài sản của công ty thấp hơn giá trị của khoản nợ vào ngày đáo hạn thì công ty sẽ không thể hoàn trả nợ, tương đương với việc công ty thực hiện quyền chọn bán của mình. Sử dụng các giả thiết thông thường trong lý thuyết định giá quyền chọn, giá

quyền chọn bán này có thể (1973).

được xác định theo công thức BlackScholes

Theo Merton, để tìm ra được EDF thì cần tiến hành ba bước sau:

Bước 1: Ước lượng giá trị thị trường của tài sản công ty (V) và độ bất ổn định của giá trị đó (.

KMV ước lượng giá trị thị trường (V) và độ bất ổn định của giá trị tài

sản công ty ( dựa trên phân tích của mô hình Merton rằng vốn riêng của

công ty tương đương như một quyền chọn mua (Call Option) trên tài sản

công ty với giá thực hiện bằng với giá trị của khoản nợ vào ngày đáo hạn. Giá trị của quyền chọn mua này (kí hiệu S) và độ bất ổn định của giá trị vốn riêng của công ty (s) là một hàm của các biến sau:

S = f(V,,LR, c, r) (1)

s = g(V,, LR, c, r) (2)

Trong đó:

LR: Giá trị hiện tại của cấu trúc vốn công ty;

c: giá trị trung bình của các khoản lãi được thanh toán định kỳ trên các khoản nợ dài hạn của công ty;

r: lãi suất phi rủi ro được tính kép liên tục.

Bước 2: Xác đinh khoảng cách giữa giá trị kỳ vọng tài sản công ty

đến giá trị

ngưỡng không hoàn trả

(khoảng cách này được kí hiệu DD –

Distance to Default);

Trong đó:

E(V1): giá trị kỳ vọng của tài sản công ty, được xác định theo giả thiết phân phối logarit chuẩn;

DPT: điểm ngưỡng không hoàn trả.

EDF được xác định từ

thực nghiệm, dựa trên sự

tổng hợp DD của

KMV. Sau đó, tổn thất tín dụng trong trường hợp khách hàng không hoàn

trả

cũng được

ước lượng bằng các mô phỏng dựa trên phân phối Beta.

Việc xác định tương quan giữa hai khoản nợ

không được hoàn trả

đồng

thời tương tự như CreditMetrics. Cuối cùng, phân phối tổn thất tín dụng là cơ sở xác định VAR tín dụng sẽ được tìm ra bằng cách sử dụng mô phỏng Monte Carlo.

Bước 3: Chuyển giá trị DD thành EDF dựa trên dữ liệu lịch sử về vay nợ và phát hành trái phiếu của một mẫu rất nhiều công ty.

c3. CreditRisk+

Mô hình này chỉ mô tả khả năng không hoàn trả của khách hàng nhưng không quan tâm đến khả năng thay đổi chất lượng tín dụng (hay nói cách khách không tính đến sự ảnh hưởng của việc thay đổi hạng tín dụng đến khả năng không hoàn trả của khách hàng). CreditRisk + chỉ dựa trên giá trị

trên sổ

sách của khách hàng để

tiến hành mô hình chứ

không dựa trên

khung giá thị trường như hai mô hình trên. CreditRisk+ dựa trên nguyên lý

bảo hiểm, tức là khách hàng hoặc là hoàn trả hoặc là không hoàn trả nợ

của mình vào ngày đến hạn. Phân phối xác suất của số lượng khoản nợ

không được hoàn trả được giả thiết theo phân phối Poisson. n=0,1,2,3……

Trong đó:

: Số lượng khách hàng không hoàn trả trung bình trong khoảng thời gian được xác định trước (ví dụ: 1 năm);

n: Số lượng khách hàng không hoàn trả trong khoảng thời gian được xác định trước.

Tổn thất trong trường hợp khách hàng không hoàn trả được xác định dựa trên một tỷ lệ thu hồi nợ được ấn định trước theo mỗi loại khách hàng

và không phụ

thuộc vào mô hình. Để

tìm ra phân phối tổn thất của một

danh mục đầu tư cho vay, các khách hàng được chia thành các nhóm theo tổn thất dự tính. Mỗi nhóm sẽ được xác định bởi một số lượng trung bình các khoản nợ không được hoàn trả. Để tính đến sự tương quan không hoản trả giữa các khách hàng, CreditRisk+ giả thiết thêm rằng tỷ lệ không hoàn trả trung bình trong mỗi nhóm thay đổi ngẫu nhiên theo phân phối Gamma. Cuối cùng, phân phối tổn thất của danh mục cho vay được tìm ra dựa trên

xác suất không hoàn trả của các nhóm. Do phân phối tổn thất được xác

định dựa trên giả thiết về phân phối xác suất các khoản nợ không hoàn trả, tính toán VAR được tiến hành thuận tiện bằng một công thức đóng mà không cần sử dụng mô phỏng [78].

c4. CreditPortfolioView

Mô hình này được xây dựng dựa trên sự đánh giá khả năng không hoàn trả và thay đổi chất lượng tín dụng dưới ảnh hưởng của tình hình kinh tế vĩ mô. Vì vậy, rủi ro tín dụng của danh mục cho vay sẽ được tính toán dựa trên các biến số kinh tế vĩ mô. Giả sử, danh mục cho vay được phân chia thành các nhóm theo một tiêu thức cụ thể (theo ngành kinh doanh hoặc theo thời hạn các khoản vay…) với một thời gian nghiên cứu xác định là t. Mô hình CreditPortfolioView sẽ bao gồm các bước sau:

Bước 1: Xác định các giá trị của các biến số kinh tế vĩ mô được xác định là gây ảnh hưởng đến nhóm khách hàng thứ j trong khoảng thời gian t nghiên cứu. Mỗi biến kinh tế vĩ mô được cho với giả thiết là chúng có thể xác định theo mô hình hồi quy bậc 2, AR (2).

Xj,t = (Xj,1,t, Xj,2,t,,… Xj,m,t); m là số lượng biến số kinh tế vĩ mô được nghiên cứu.

Bước 2: Tính Yj,t chỉ số giá trị tương ứng với nhóm khách hàng thứ j trong thời gian t nghiên cứu.

+ Xj,1,t + Xj,2,t + …..+ Xj,m,t +

: hệ số của biến số kinh tế vĩ mô thứ m.

Bước 3: Ước lượng xác suất không hoàn trả bằng cách sử dụng hàm logit sau:

Trong đó: Pj,t : Xác suất không hoàn trả có điều kiện trong khoảng thời gian t đối với một phân khúc khách hàng j nào đó.

Tại mô hình này, xác suất không hoàn trả Pj,t bao hàm tương quan

không hoàn trả giữa các khách hàng. Sau đó, để ước lượng xác suất thay đổi chất lượng tín dụng có điều kiện (Mt) thì chúng ta sẽ sử dụng một ma

trận tương

ứng. Ma trận này được xây dựng theo dữ

liệu lịch sử

của

Standard & Poor (ký hiệu ΦM). Điều chỉnh ΦM theo tỷ số

(trong đó là xác

suất không hoàn trả không điều kiện của nhóm thứ j) thì được ước lượng của Mt .

Dựa vào Mt để sử dụng mô phỏng Monte Carlo nhằm tạo ra phân phối

giá trị

danh mục cho vay với tỷ

lệ tổn thất dự

tính được xác định ngẫu

nhiên, từ đó tính được VAR [78].

Các chỉ tiêu đánh giá danh mục cho vay của ngân hàng thương mại

Chỉ tiêu đánh giá khả năng sinh lời

a. Tỷ trọng thu nhập từ hoạt động cho vay

Lợi nhuận là mục tiêu cuối cùng của NHTM, là phần thặng dư được tạo ra từ khoản vay. Khi tốc độ tăng thu nhập từ hoạt động cho vay thấp hơn tốc độ tăng chi phí của hoạt động cho vay thì sẽ dẫn đến lợi nhuận giảm sút. Khả năng sinh lời của danh mục cho vay phụ thuộc nhiều vào tỷ

trọng thu nhập từ

việc cho vay.

Khả

năng sinh lời

danh mục cho vay sẽ

được đánh giá cao nếu tỷ trọng thu nhập từ hoạt động cho vay tốt.

Tỷ trọng thu nhập từ hoạt động cho vay

= Thu nhập lãi từ hoạt động cho vay Tổng thu nhập của ngân hàng

X 100%

Dựa vào chỉ tiêu nêu trên, ta có thể đánh giá được khả năng sinh lời

của danh mục cho vay, qua đó thấy được tầm quan trọng của nó để có biện pháp nâng cao hiệu quả quản trị danh mục cho vay. Tỷ trọng thu nhập từ hoạt động cho vay càng cao thì càng chứng tỏ hoạt động quản trị danh mục cho vay đạt được mục tiêu về lợi nhuận và ngược lại [40].

b. Tỷ lệ thu nhập thuần từ hoạt động cho vay

Tỷ lệ thu nhập thuần

= Thu nhập thuần từ lãi cho vay Tổng dư nợ cho vay

X 100%

Chỉ

tiêu này dùng để

phản ánh khả

năng sinh lời của danh mục cho

vay tại NHTM. Ý nghĩa của nó là một đồng dư nợ sẽ tạo ra bao nhiêu đồng thu nhập thuần từ hoạt động cho vay, tỷ lệ này càng cao tức lợi nhuận từ

Xem tất cả 233 trang.

Ngày đăng: 01/12/2022