Mô hình ước lượng LGD nội bộ là gì?
Mô hình ước lượng LGD nội bộ (Internal LGD Estimation Model) là công cụ định lượng do chính ngân hàng xây dựng, phát triển và vận hành nhằm ước lượng tỷ lệ tổn thất (Loss Given Default - LGD) đối với từng phân khúc khách hàng, ngành nghề hoặc sản phẩm tín dụng cụ thể khi sự kiện vỡ nợ (default) xảy ra. Đây là một trong ba tham số rủi ro tín dụng cốt lõi trong khung quản trị rủi ro hiện đại, bao gồm: xác suất vỡ nợ (Probability of Default - PD), tỷ lệ tổn thất khi vỡ nợ (LGD) và mức độ phơi nhiễm tại thời điểm vỡ nợ (Exposure at Default - EAD). Ba tham số này kết hợp lại tạo thành nền tảng để tính toán vốn yêu cầu cho rủi ro tín dụng theo phương pháp dựa trên xếp hạng nội bộ (Internal Ratings-Based - IRB) theo chuẩn mực Basel II và Basel III.
Về bản chất, mô hình ước lượng LGD nội bộ phản ánh mức độ tổn thất mà ngân hàng dự kiến phải gánh chịu sau khi đã sử dụng mọi biện pháp thu hồi nợ, bao gồm: xử lý tài sản bảo đảm (TSBD), thực hiện các thủ tục pháp lý, bán nợ cho công ty mua bán nợ và tịch thu các nguồn thu khác. Theo công thức chuẩn, LGD được tính bằng 1 trừ đi tỷ lệ thu hồi (Recovery Rate - RR): LGD = 1 - RR. Ví dụ, nếu một khoản vay có dư nợ 1 tỷ đồng tại thời điểm vỡ nợ và ngân hàng chỉ thu hồi được 300 triệu đồng từ TSBD và các nguồn khác, thì tỷ lệ thu hồi là 30% và LGD tương ứng là 70%.
Để xây dựng được mô hình ước lượng LGD nội bộ đủ tin cậy, ngân hàng cần đáp ứng nhiều yêu cầu khắt khe về dữ liệu, phương pháp luận và quy trình quản trị. Theo quy định của Ủy ban Basel và hướng dẫn của Ngân hàng Nhà nước Việt Nam, ngân hàng phải có cơ sở dữ liệu lịch sử tối thiểu từ 5 đến 7 năm về các khoản vay đã vỡ nợ và kết quả thu hồi nợ thực tế. Dữ liệu này phải được phân loại chi tiết theo loại khách hàng, loại TSBD, ngành nghề kinh tế và thời kỳ kinh tế vĩ mô để đảm bảo tính đại diện và có thể kiểm định được.
Thuật ngữ tiếng Anh: Internal LGD Estimation Model Lĩnh vực: Quản lý vốn
Đặc điểm và phân loại
Mô hình ước lượng LGD nội bộ có nhiều đặc điểm quan trọng và được phân loại theo nhiều tiêu chí khác nhau. Dưới đây là các đặc điểm nổi bật và cách phân loại phổ biến trong thực tiễn ngân hàng:
Đặc điểm chính của mô hình
- Tính định lượng cao: Mô hình phải sử dụng các phương pháp thống kê và toán học để đưa ra con số ước lượng cụ thể, không phải đánh giá chủ quan.
- Phân đoạn rõ ràng (segmentation): Mô hình phải được phân chia theo từng phân khúc khách hàng (doanh nghiệp lớn, doanh nghiệp vừa và nhỏ - SME, khách hàng bán lẻ), loại TSBD (bất động sản, động sản, không có TSBD), ngành nghề (sản xuất, xây dựng, dịch vụ, nông nghiệp) và sản phẩm tín dụng.
- Yêu cầu dữ liệu lịch sử dài hạn: Tối thiểu 5 năm theo chuẩn Basel, một số trường hợp yêu cầu 7 năm để phản ánh đầy đủ các chu kỳ kinh tế.
- Phải phản ánh điều kiện suy thoái (downturn LGD): Theo yêu cầu của Basel, LGD phải được ước lượng trong điều kiện kinh tế bất lợi để đảm bảo tính thận trọng.
- Phải được kiểm định ngược (backtesting) định kỳ: Thường thực hiện hàng quý hoặc hàng năm để so sánh LGD ước lượng với LGD thực tế.
- Phải có đánh giá độc lập: Bộ phận kiểm toán nội bộ hoặc đơn vị độc lập phải đánh giá chất lượng mô hình ít nhất mỗi năm một lần.
Phân loại mô hình theo các tiêu chí
| Tiêu chí phân loại | Loại 1 | Loại 2 |
|---|---|---|
| Theo phương pháp ước lượng | Mô hình hồi quy (Regression) | Mô hình Tobit, hồi quy logistic |
| Theo điều kiện kinh tế | LGD thực tế (Realized LGD) | LGD suy thoái (Downturn LGD) |
| Theo mức độ chi tiết | Mô hình phân đoạn (Segmented) | Mô hình tổng hợp (Pooled) |
| Theo cách tiếp cận | Cách tiếp cận từ dưới lên (Bottom-up) | Cách tiếp cận từ trên xuống (Top-down) |
| Theo loại khách hàng | Mô hình cho doanh nghiệp | Mô hình cho khách hàng bán lẻ |
| Theo loại tài sản bảo đảm | Có TSBD là bất động sản | Không có TSBD (tín chấp) |
Các phương pháp thống kê phổ biến
- Mô hình hồi quy tuyến tính (Linear Regression): Phương pháp đơn giản nhất, phù hợp với dữ liệu có phân phối chuẩn, dễ diễn giải kết quả.
- Mô hình Tobit: Phù hợp với dữ liệu LGD bị giới hạn trong khoảng [0, 1], cho phép xử lý hiện tượng cắt ngưỡng (censoring).
- Mô hình hồi quy logistic (Logistic Regression): Ước lượng xác suất thu hồi thành công dựa trên các biến đầu vào.
- Phân tích thời gian sống (Survival Analysis): Phân tích thời gian cần thiết để thu hồi nợ, kết hợp với mô hình Cox Proportional Hazards.
- Cây quyết định (Decision Tree) và Random Forest: Phương pháp máy học cho phép xử lý nhiều biến phức tạp và phát hiện tương tác phi tuyến.
- Mô hình Beta Regression: Phù hợp với biến liên tục trong khoảng (0, 1), thường được sử dụng để mô hình hóa tỷ lệ thu hồi.
Phân biệt LGD thực tế và LGD suy thoái
- LGD thực tế (Realized LGD): Là tỷ lệ tổn thất được ghi nhận từ dữ liệu lịch sử thực tế của các khoản vay đã vỡ nợ. Đây là cơ sở đầu vào để xây dựng mô hình.
- LGD suy thoái (Downturn LGD): Là LGD được điều chỉnh để phản ánh tình huống kinh tế bất lợi, khi tỷ lệ thu hồi thường giảm và thời gian thu hồi kéo dài. Theo yêu cầu của Basel, LGD sử dụng để tính vốn phải là LGD suy thoái, thường cao hơn LGD thực tế từ 5-15 điểm phần trăm.
Ví dụ thực tế trong ngành ngân hàng
Ví dụ 1: Ngân hàng A - Phân khúc cho vay mua nhà ở
Ngân hàng A là một ngân hàng thương mại cổ phần lớn tại Việt Nam với tổng dư nợ tín dụng khoảng 350.000 tỷ đồng. Trong phân khúc cho vay mua nhà ở có TSBD là bất động sản, ngân hàng đã xây dựng mô hình ước lượng LGD nội bộ dựa trên dữ liệu lịch sử 7 năm (từ 2017 đến 2023) của khoảng 15.000 khoản vay đã vỡ nợ.
Kết quả ước lượng cho thấy:
- Tỷ lệ thu hồi trung bình: 72%
- LGD trung bình: 28%
- LGD suy thoái (Downturn LGD): 35%
Ngân hàng sử dụng mô hình hồi quy Tobit với các biến đầu vào bao gồm: tỷ lệ cho