Creditrisk + được dựa trên phương pháp danh mục để mô hình hóa rủi ro vỡ nợ nhằm giải thích các thông tin liên quan đến kích cỡ và mức độ phát triển của rủi ro và chất lượng tín dụng cũng như rủi ro hệ thống của những người đi vay. Mô hình Creditrisk+ là mô hình thống kê cho rủi ro vỡ nợ mà không đặt ra giả định về nguyên nhân vỡ nợ. Phương pháp này giống như là để quản lý rủi ro thị trường, nhưng lại không giải thích nguyên nhân gây ra sự biến động giá. Mô hình Creditrisk+ xem xét tỷ lệ vỡ nợ như là những biến ngẫu nhiên liên tục và kết hợp với độ lệch chuẩn của tỷ lệ vỡ nợ để theo dõi sự biến động của tỷ lệ vỡ nợ. Thường thì các nhân tố môi trường xung quanh như là tình hình kinh tế có thể dẫn đến tình huống bất ngờ trong tỷ lệ nợ xấu, mặc dù không có mối liên hệ nhân quả giữa chúng. Tác động của những nhân tố môi trường này được kết hợp trong mô hình Creditrisk+ thông qua việc sử dụng độ biến động của tỷ lệ nợ xấu thay vì dùng hệ số tương quan làm dữ liệu đầu vào của mô hình. Các kĩ thuật toán học được ứng dụng rộng rãi để mô hình hóa các sự kiện bất ngờ về khả năng trả nợ của người đi vay. Phương pháp này đối lập với các kĩ thuật toán điển hình trong tài chính. Các mô hình toán trong tài chính thường quan tâm đến sự thay đổi giá liên tục hơn là những sự kiện bất ngờ. Ứng dụng kĩ thuật này, mô hình creditrisk+ sẽ bao quát toàn diện các đặc điểm cần thiết của các sự kiện vỡ nợ và đưa ra các tính toán cụ thể về phân phối tổn thất tín dụng trong một danh mục có rủi ro tín dụng.
Kết quả đầu ra của mô hình Creditrisk+ có thể được sử dụng để quyết định mức độ yêu cầu vốn để phòng cho trường hợp rủi ro tổn thất vỡ nợ không mong đợi. Đo lường sự không chắc chắn hoặc độ biến động của tổn thất và khả năng có thể xảy ra mất mát không mong đợi trong danh mục tín dụng có rủi ro là nền tảng cho việc quản trị rủi ro tín dụng có hiệu quả. Yêu cầu các biến đầu
55
vào bao gồm: tổng dư nợ của các ngân hàng trong mẫu, tỷ lệ vợ nợ được xác định dựa trên tỷ lệ nợ xấu của các ngân hàng này và độ biến động của tỷ lệ nợ xấu được xác định dựa trên độ lệch chuẩn của tỷ lệ nợ xấu trong trường hợp khắc nghiệt nhất xảy ra của kịch bản thứ ba. Chúng ta có kết quả đầu ra như sau:
Bảng 15: Kết quả chạy Creditrisk+ xác định xác xuất vỡ nợ
Outputs - Risk Contributions, Percentiles and loss distribution
Credit
Expected Risk Loss
Name Loss Contribution Percentile Amount
1 17,497,167,302,512 265,080,247,838,281 Mean 47,522,665,108,164 2 3,193,191,571,754 36,020,622,676,163 50.00 0 3 10,548,812,303,178 191,749,012,986,455 75.00 0 4 3,083,121,467,717 31,743,776,045,898 95.00 326,876,990,361,916 5 3,574,144,581,985 35,737,761,853,536 98.00 450,921,967,412,265 6 1,147,078,997,583 10,529,379,234,557 99.00 656,033,711,740,448 7 5,864,191,344,999 56,472,608,229,570 99.50 810,980,918,841,181 8 2,614,957,538,435 28,700,302,875,990 99.75 975,476,076,268,818 99.90 1,199,240,594,029,730
56
Hình 3: Phân phối xác xuất vỡ nợ
Theo kết quả tính toán tổn thất tín dụng không mong đợi thì giá trị tín dụng có rủi ro (Credit VaR) cho tám ngân hàng thương mại trong mẫu vào khoảng 656 ngàn tỷ đồng chiếm 65 phần trăm tổng dư nợ của các ngân hàng này. Với độ tin cậy 99%, khoản tổn thất tối đa trong 99% trường hợp không vượt quá 656 ngàn tỷ đồng. Theo đó khoản thiệt hại này chiếm khoảng 37,5 phần trăm trên tổng tài sản của các ngân hàng này. Tuy nhiên, nguồn vốn tự có để bù đắp khoản tổn thất này chỉ ở mức 159 ngàn tỷ đồng. Vì thế dự trữ vốn của những ngân hàng này là chưa đủ để hấp thụ các tổn thất tín dụng dưới các kịch bản được xem xét. Điều này có thể gây đe dọa đến sự ổn định tài chính của toàn
0.00% 0.50% 1.00% 1.50% 2.00% 2.50% 0 500,000,000,000,000 1,000,000,000,000,000 1,500,000,000,000,000 M a r g i na l P r o b a b i li ty Loss
57
hệ thống. Kết quả đã cho thấy rằng các ngân hàng thương mại của chúng ta chưa có sự chuẩn bị tốt để đối mặt với những tổn thất tín dụng dưới những kịch bản vĩ mô khắc nghiệt được xem xét. Khi nguồn vốn tự có của ngân hàng không đủ bù đắp thiệt hại tín dụng thì lợi ích của các khách hàng gửi tiết kiệm có thể bị tổn hại nếu trường hợp xấu xảy ra và như vậy có thể dẫn đến sự bất ổn cho toàn hệ thống tài chính.
58
Chương 6. Kết luận
Các ước lượng được trình bày trong bài nghiên cứu này đã chứng minh sự tồn tại của mối quan hệ ngược chiều giữa tăng trưởng GDP và tỷ lệ nợ xấu NPL với các ảnh hưởng hoạt động ở độ trễ là ba.
Mô hình được trình bày trong bài nghiên cứu này đã có những cải tiến đóng góp cho lĩnh vực đo lường rủi ro tín dụng nhưng nó vẫn còn nhiều điểm hạn chế. Thứ nhất, mô hình này được thực hiện với giả định mối quan hệ tuyến tính giữa chất lượng nợ và điều kiện kinh tế vĩ mô vì có thể chúng có mối quan hệ phi tuyến trong suốt khoảng thời gian điều kiện kinh tế vĩ mô khó khăn và khắc nghiệt. Thứ hai, mô hình giả định mối tương quan lịch sử giữa chất lượng nợ và điều kiện kinh tế vĩ mô là đối xứng khi chu kì kinh tế tăng lên hoặc giảm xuống và vẫn hợp lý trong thời kì nền kinh tế khắc nghiệt. Thứ ba, mô hình không bao hàm các tác động phản hồi giữa chất lượng tín dụng và tăng trưởng kinh tế vì nó không hoàn toàn kết hợp mẫu hình kinh tế vi mô và vĩ mô. Đặc biệt, mẫu hình kinh tế vĩ mô cho phép khối lượng tín dụng thay đổi theo thời gian, trong khi mẫu hình kinh tế vi mô thì giả định rằng các ngân hàng riêng lẻ duy trì một danh mục tín dụng không đổi. Mở rộng hơn, chất lượng tín dụng có khuynh hướng làm giảm giá trị trong khoảng thời gian tăng trưởng tín dụng thấp, mô hình trình bày trong bài nghiên cứu này có thể đánh giá thấp mức tổn thất tín dụng tiềm năng. Tất cả những hạn chế này có thể làm sai lệch kết quả trong cùng một xu hướng trong suốt thời gian khó khăn về tài chính gây ra những đánh giá thấp về tổn thất tín dụng ngân hàng. Vì thế, cần có những nghiên cứu tiếp theo để giải quyết những thiếu sót này.
59
Tài liệu tham khảo
R. Avesani, K. Liu, A. Mirestean, and J. Salvati. Review and implementation of credit risk models of the financial sector assesment program. IMF working paper no. 06/134, International Monetary Fund (IMF), June 2006.
Antonella Foglia. Stress testing credit risk: A survey of authorities’ aproaches. International Journal of Central Banking, 5 (3):9–45, September 2009.
Boss, M., 2002 “A Macroeconomic Credit Risk Model for Stress Testing the Austrian Credit Portfolio,” Financial Stability Report 4, Oesterreichische Nationalbank.
T. M. Barnhill, M. R. Souto, and B. M. Tabak. An analysis of off-site supervision of banks’ profitability, risk and capital adequacy: a portfolio simulation approach applied to brazilian banks. Working Papers Series 117, Central Bank of Brazil, Research Department, Sep 2006.
J. Berkowitz. A coherent framework for stress-testing. Finance and Economics Discussion Series 29, Board of Governors of the Federal Reserve System (U.S.), 1999.
CSFP. Credit risk: A credit risk management framework. Technical report, Credit Suisse First Boston, 1997.
Drehmann, M., 2005 “A market based macro stress test for the corporate credit exposures of UK banks,” Bank of England, April.
Francisco Vazquez, Benjamin M. Tabak, and Marcos Souto. A Macro Stress
Test Model of Credit Risk for the Brazilian Banking Sector. Unpublished
Working Paper, Bank of Brazil, 2010.
60
S. Gerlach, W. Peng, and C. Shu. Macroeconomic conditions and banking performance in Hong Kong: a panel study. Unpublished Working Paper, Hong Kong Monetary Authority, 2003.
G. Hoggarth and J. Whitley. Assessing the strength of uk banks trough macroeconomic stress tests. Financial Stability Review, Bank of England, June, 2003.
M. Missina and D. Tessier. The importance of non-linearities and macroeconomic uncertainty in stress testing. Technical report, Bank of Canada, 2007.
Michael Boss, Gerald Krenn, Claus Puhr, and Markus S. Schwaiger. Stress testing the exposure of austrian banks in central and eastern europe. Financial Stability Report, (13):115–134, June 2007.
J. Pesola. The role of macroeconomic shocks in banking crises. Unpublished Working Paper, Bank of Finland, 2001.
Pesaran, H. Hashem & Shin, Yongcheol.1998. Generalized impulse response analysis in linear multivariate models. Economics Letters, Elsevier, vol. 58(1),:17-29.
M. Sorge and K. Virolainen. A comparative analysis of macro stress-testing methodologies with application to Finland. Journal of Financial Stability, 2:113151, 2006.
M. Sorge. Stress-testing financial systems: an overview of current methodologies. BIS Working Papers 165, Bank for International Settlements, December 2004. URL http://ideas.repec.org/p/bis/biswps/165.html.
Sorge Marco, 2004, “Stress testing financial systems: An overview of current methodologies, ” Bank for International Settlements Working papers No. 165.
61
Jan Willem van den End, Marco Hoeberichts, and Mostafa Tabbae. Modelling scenario analysis and macro stress-testing. DNB Working Papers 119, Netherlands Central Bank, Research Department, November 2006.
K. Virolainen. Macro stress testing with a macroeconomic credit risk model for finland. Research Discussion Papers 18/2004, Bank of Finland, July 2004.
T. Wilson. Portfolio credit risk (i). Risk, 10, 1997a.
T. Wilson. Portfolio credit risk (ii). Risk, 10, 1997b.
J. Wong, K.F. Choi, and T. Fong. A framework for stress testing bank’s credit risk. Working papers, Hong Kong Monetary Authority, Oct 2006.
