- Xây dựng và duy trì hiệu quả cơ chế kiểm tra và giám sát hoạt động của công tác XHTD nội bộ; tiến hành công tác rà soát kiểm định và cải tiến hệ thống định kỳ. - Nâng cao khả năng dự báo rủi ro của hệ thống xếp hạng đặc biệt phát triển thêm cấu phần cho phép lượng hóa xác suất vỡ nợ của từng khách hàng (PD). Cụ thể thực hiện dựa trên các giải pháp sau:
+ Phối hợp linh hoạt các phương pháp luận xếp hạng;
+ Đo lường, lượng hóa xác suất không trả được nợ của khách hàng. Trong đó xác suất vỡ nợ PD của từng khách hàng là tham số có ý nghĩa quan trọng nhất. Xác suất vỡ nợ của từng khách hàng nếu được tính sẽ cho phép VietinBank so sánh kết quả đánh giá của mình với kết quả đánh giá của các Ngân hàng khác về cùng một
đối tượng khách hàng, từ đó có những điều chỉnh thích hợp về mặt quản trị rủi ro theo khách hàng. dựa trên PD, có thể tiếp tục phát triển những ứng dụng định lượng cao cấp hơn như việc thực hiện trích lập dự phòng rủi ro tín dụng theo tổn thất kỳ vọng Expected Loss , định giá lãi suất khoản vay dựa trên rủi ro…
Về phương pháp tiếp cận theo ngành, quy mô khách hàng: VietinBank có thể tham khảo phương pháp tiếp cận lượng hóa PD của công ty Standard&Poor’s như sau: (i) Với các nhóm ngành, khách hàng có rủi ro thấp hoặc thiếu nhiều thông tin về lịch sử vỡ nợ, có thể sử dụng kinh nghiệm của các chuyên gia, kết hợp với dữ liệu và các công cụ thống kê để lựa chọn các nhân tố rủi ro và trọng số của chúng nhằm tối đa hóa khả năng dự báo PD (ii)Với các nhóm ngành, khách hàng có mức độ rủi ro cao hơn và với các KHDN vừa và nhỏ, một hệ thống các mô hình thống kê định lượng sẽ được sử dụng để đánh giá rủi ro tín dụng và xác suất không trả được nợ.
Về quy trình lượng hóa xác suất không trả được nợ: Trích xuất và tập hợp dữ liệu thông tin định vị khách hàng và tình trạng tín dụng của khách hàng từ hệ thống cơ sở dữ liệu của Ngân hàng với chiều dài dữ liệu tối thiểu 5 năm theo quy định của Basel II, Trên cơ sở tập dữ liệu lịch sử này, tiến hành thống kê tỷ lệ khách hàng vỡ nợ Vỡ nợ theo Basel II là có nợ quá hạn trên 90 ngày thực tế cho từng hạng.
=> Như vậy, mỗi hạng trên thang hạng sẽ có một tỷ lệ khách hàng vỡ nợ. Quan sát tỷ lệ này nếu các tỷ lệ này giảm dần theo các hạng tín dụng có chất lượng tốt dần lên, thì có thể sử dụng như các xác suất vỡ nợ tương ứng cho các khách hàng trong hạng, ngược lại thì cần tiến hành giải pháp cải thiện hiệu năng của mô hình xếp hạng để đảm bảo khả năng phân biệt khách hàng của mô hình và tính hợp lý của phân chia hạng khách hàng.