(LUẬN văn THẠC sĩ) ứng dụng mô hình logistic trong xây dựng mô hình đo lường xác suất không trả được nợ của khách hàng doanh nghiệp theo basel II tại vietinbank

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KINH TẾ ---o0o--- NGUYỄN THU HÀ ỨNG DỤNG MÔ HÌNH LOGISTIC TRONG XÂY DỰNG MÔ HÌNH ĐO LƯỜNG XÁC SUẤT KHÔNG TRẢ ĐƯỢC NỢ CỦA KHÁCH HÀNG DOANH NGHIỆP

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KINH TẾ

-o0o -

NGUYỄN THU HÀ

ỨNG DỤNG MÔ HÌNH LOGISTIC TRONG XÂY DỰNG

MÔ HÌNH ĐO LƯỜNG XÁC SUẤT KHÔNG TRẢ ĐƯỢC

NỢ CỦA KHÁCH HÀNG DOANH NGHIỆP THEO BASEL II TẠI NHTMCP CÔNG THƯƠNG VIỆT NAM

LUẬN VĂN THẠC SỸ QUẢN TRỊ KINH DOANH CHƯƠNG TRÌNH ĐỊNH HƯỚNG THỰC HÀNH

Hà Nội - Năm 2015

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KINH TẾ

-

NGUYỄN THU HÀ

ỨNG DỤNG MÔ HÌNH LOGISTIC TRONG XÂY DỰNG

MÔ HÌNH ĐO LƯỜNG XÁC SUẤT KHÔNG TRẢ ĐƯỢC

NỢ CỦA KHÁCH HÀNG DOANH NGHIỆP THEO BASEL II TẠI NHTMCP CÔNG THƯƠNG VIỆT NAM

Chuyên ngành: Quản trị kinh doanh

CAM KẾT

Tôi xin cam kết toàn bộ nội dung luận văn này là do bản thân tự nghiên cứu từ những tài liệu tham khảo, thực tiễn tại NHTMCP Công Thương Việt Nam và tuân thủ theo sự hướng dẫn của Tiến sĩ Lê Trung Thành, với sự hỗ trợ và tạo điều kiện của Ban lãnh đạo cùng với đồng nghiệp tại NHTMCP Công Thương Việt Nam Tôi xin cam đoan đề tài “Ứng dụng mô hình Logistic trong xây dựng mô hình

đo lường xác suất không trả được nợ của khách hàng doanh nghiệp theo Basel II tại NHTMCP Công Thương Việt Nam” là hoàn toàn không sao chép từ luận văn, luận

án của người khác, số liệu và thông tin trích dẫn có nguồn gốc đáng tin cậy

Tôi xin chịu trách nhiệm hoàn toàn về tính xác thực của bài viết

Học viên

Nguyễn Thu Hà

LỜI CẢM ƠN

Trước hết, tác giả xin thể hiện sự cảm ơn sâu sắc đến Tiến sỹ Lê Trung Thành, Trường Đại học Kinh tế - Đại học Quốc gia Hà Nội đã cho tác giả những lời khuyên xác đáng và hướng dẫn tận tình cho tác giả thực hiện luận văn thạc sỹ này

Đồng thời, tác giả muốn thể hiện sự cảm ơn chân thành đến Ban lãnh đạo của NHTMCP Công Thương Việt Nam đã tạo điều kiện cho tác thực hiện nghiên cứu này Đặc biệt, tác giả chân thành cảm ơn các đồng nghiệp của tác giả tại ngân hàng

đã hỗ trợ tác giả trong quá trình thu thập và phân tích dữ liệu khách hàng doanh nghiệp tại NHTMCP Công Thương Việt Nam

Bên cạnh đó, tác giả xin cảm ơn Khoa Quản trị kinh doanh – Trường Đại học Kinh tế - Đại học Quốc gia Hà Nội đã tổ chức khóa học Thạc sỹ này để tạo điều kiện cho tác giả được học tập, nâng cao kiến thức trong bối cảnh kinh doanh hội nhập hiện nay

Cuối cùng, tác giả xin thể hiện tình cảm trân trọng đến bố mẹ, bạn bè và các thầy (cô) giáo của tác giả trong quá trình học tập chương trình đào tạo Thạc sỹ

Quản trị kinh doanh đã khích lệ, động viên tác giả thực hiện luận văn này

TÓM TẮT

Trước yêu cầu tiến tới đo lường rủi ro tín dụng theo Basel II, trong đó xác suất không trả được nợ là một trong những cấu phần của rủi ro tín dụng, tác giả đã tiến hành nghiên cứu việc Xây dựng mô hình đo lường xác suất không trả được nợ của khách hàng doanh nghiệp theo Basel II tại NHTMCP Công Thương Việt Nam sử dụng mô hình Logistic

Qua nghiên cứu cho thấy việc ứng dụng mô hình Logistic vào đo lường xác suất không trả được nợ của khách hàng doanh nghiệp theo các yêu cầu của Basel II tại ngân hàng Vietinbank là hoàn toàn khả thi Nghiên cứu cũng chỉ ra phương pháp luận và cách thức thực hiện xây dựng mô hình đo lường xác suất không trả được nợ của khách hàng doanh nghiệp ứng dụng mô hình Logistic

Về chất lượng dữ liệu: hiện tại ngân hàng hoàn toàn đáp ứng các yêu cầu về dữ

liệu theo Basel II

Về cách thức thực hiện: từ nguồn dữ liệu hiện tại, thực hiện làm sạch dữ liệu,

tạo biến, phân tích đơn biến, phân tích đa biến, chạy hồi quy logistic, kết hợp mô hình đã cho kết quả xây dựng được mô hình logistic đo lường xác suất không trả được nợ của khách hàng doanh nghiệp từ dữ liệu báo cáo tài chính, phi tài chính và phân loại nợ của Vietinbank Những lưu ý về kỹ thuật xử lý dữ liệu, phương pháp thu thập và phương pháp phân tích dữ liệu cũng được đúc rút qua quá trình nghiên cứu thực hiện trong thực tiễn, đóng góp vào việc xây dựng phương pháp thực hiện xây mô hình đo lường xác suất không trả được nợ của khách hàng doanh nghiệp cho ngân hàng Vietinbank

Những hạn chế và khó khăn trong quá trình thực hiện giúp tác giả đưa ra những biện pháp để nâng cao chất lượng dữ liệu và chất lượng mô hình đo lường xác suất không trả được nợ của khách hàng doanh nghiệp tại Vietinbank

MỤC LỤC

DANH MỤC CÁC TỪ VIẾT TẮT i

DANH MỤC BẢNG i

DANH MỤC HÌNH ii

DANH MỤC BIỂU ĐỒ ii

MỞ ĐẦU 1

CHƯƠNG 1 CƠ SỞ LÝ LUẬN VÀ TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU 4

1.1 Xác suất không trả được nợ (PD) và đo lường PD theo Basel II 4

1.1.1 Hiệp ước Basel II và tác động của nó tới thực hành quản lý rủi ro tín dụng 4

1.1.1.1 Giới thiệu về hiệp ước Basel II 4

1.1.1.2 Nội dung tóm tắt của Basel II về rủi ro tín dụng 5

1.1.1.3 Tác động của Basel II tới thực hành Quản lý rủi ro tín dụng 8

1.1.2 PD và các yêu cầu về mô hình đo lường PD theo phương pháp IRB 10

1.1.2.1 Khái niệm PD 10

1.1.2.2 Các yêu cầu về mô hình đo lường PD theo phương pháp IRB 10

1.2 Các bước cơ bản xây dựng mô hình đo lường PD 12

1.2.1 Chuẩn bị dữ liệu 13

1.2.1.1 Thời điểm quan sát và kỳ đánh giá 13

1.2.1.2 Xác định khách hàng tốt/xấu 13

1.2.1.3 Thu thập dữ liệu 13

1.2.2 Tạo biến 14

1.2.2.1 Biến tài chính 14

1.2.2.2 Biến phi tài chính 15

1.2.3 Phân tích đơn biến 15

1.2.3.1 Biến tài chính 15

1.2.3.2 Biến phi tài chính 17

1.2.3.3 Số lượng biến được chọn để sử dụng sau bước phân tích đơn biến 19

1.2.4 Phân tích đa biến 19

1.2.4.1 Lựa chọn phương pháp thống kê 19

1.2.4.2 Phân tích tương quan 20

1.2.4.3 Các bước phân tích đa biến 21

1.2.4.4 Khả năng phân biệt mô hình 23

1.2.5 Kết hợp mô hình và kết quả mô hình 23

1.3 Mô hình Logistic 24

1.3.1 Mô hình hồi quy Logistic cho biến đáp ứng nhị phân 24

1.3.2 Ước lượng tham số cho mô hình hồi quy logistic cho biến đáp ứng nhị phân 25

1.3.3 Phương pháp logit biến đổi biến độc lập X 27

1.3.4 Kiểm định mô hình hồi quy logistic 29

1.3.5 Sự phù hợp của mô hình hồi quy logistic trong đo lường PD tại Việt Nam 30

1.4 Tình hình nghiên cứu 32

CHƯƠNG 2 PHƯƠNG PHÁP NGHIÊN CỨU THIẾT KẾ LUẬN VĂN 35

2.1 Phương pháp nghiên cứu 35

2.1.1 Phương pháp nghiên cứu định lượng 35

2.1.2 Địa điểm, thời gian thực hiện nghiên cứu 36

2.1.3 Dữ liệu, công cụ sử dụng 37

2.1.4 Quy trình nghiên cứu 37

2.2 Phương pháp thu thập dữ liệu 38

2.2.1 Các phương pháp sử dụng thu thập dữ liệu 38

2.2.1.1 Sử dụng Bảng thu thập thông tin 38

2.2.1.2 Phương pháp làm sạch dữ liệu 40

2.2.1.3 Phân khúc theo mục đích thu thập dữ liệu và lựa chọn mẫu 41

2.2.2 Mô tả quá trình thu thập dữ liệu 42

2.2.3 Các giả định, phạm vi hiệu lực và các hạn chế 45

2.2.3.1 Các giả định 45

2.2.3.2 Phạm vi hiệu lực 45

2.2.3.3 Các tồn tại, hạn chế 46

2.3 Phương pháp phân tích dữ liệu 46

2.3.1 Các chỉ tiêu nghiên cứu 46

2.3.2 Phần mềm nhập liệu và phân tích số liệu 50

2.3.2.1 Công cụ Microsoft excel 50

2.3.2.2 Chương trình thống kê SPSS 50

2.3.3 Kỹ thuật phân tích số liệu 52

2.3.3.1 Trong phân tích các biến tài chính 52

2.3.3.2 Trong phân tích các biến phi tài chính 53

2.3.3.3 Trong phân tích đa biến 54

CHƯƠNG 3 ÁP DỤNG MÔ HÌNH LOGISTIC VÀO XÂY DỰNG MÔ HÌNH ĐO LƯỜNG PD CỦA KHDN THEO BASEL II TẠI VIETINBANK 56

3.1 Thực trạng đo lường rủi ro tín dụng KHDN tại Vietinbank hiện nay 56

3.1.1 Tổng quan về ngân hàng Vietinbank 56

3.1.1.1 Sơ lược quá trình thành lập và mô hình tổ chức của Vietinbank 56

3.1.1.2 Kết quả kinh doanh 57

3.1.2 Xếp hạng tín dụng KHDN tại Vietinbank hiện nay 59

3.1.2.1 Thước đo rủi ro tín dụng KHDN 59

3.1.2.2 Công cụ đo lường rủi ro tín dụng KHDN 61

3.1.2.3 Mô hình đo lường rủi ro tín dụng KHDN 63

3.1.3 Đánh giá công cụ đo lường rủi ro tín dụng KHDN 63

3.1.3.1 Kết quả đạt được 63

3.1.3.2 Hạn chế 66

3.1.4 Sự cần thiết xây dựng mô hình đo lường PD của KHDN theo Basel II 67

3.2 Ứng dụng mô hình logistic vào xây dựng mô hình đo lường xác suất không trả được nợ của KHDN theo Basel II 68

3.2.1 Chuẩn bị dữ liệu 68

3.2.1.1 Điểm quan sát và kỳ đánh giá 68

3.2.1.2 Định nghĩa khách hàng Tốt/Xấu 68

3.2.1.3 Kết quả thu thập dữ liệu 68

3.2.2 Tạo biến 71

3.2.2.1 Biến tài chính 71

3.2.2.2 Biến phi tài chính 72

3.2.3 Làm sạch dữ liệu 73

3.2.3.1 Phân tích trường hợp thiếu thông tin 73

3.2.3.2 Dấu kỳ vọng của biến 74

3.2.4 Phân tích đơn biến 74

3.2.5 Phân tích đa biến 75

3.2.6 Kết hợp mô hình 77

CHƯƠNG 4 ĐÁNH GIÁ VÀ KHUYẾN NGHỊ 78

4.1 Đánh giá xây dựng mô hình đo lường PD của KHDN theo Basel II áp dụng mô hình logistic 78

4.1.1 Những kết quả đạt được 78

4.1.1.1 Mô hình logistic sử dụng để xây dựng mô hình do lường PD của KHDN là thực hiện được 78

4.1.1.2 Xây dựng mô hình đo lường PD của KHDN đáp ứng các yêu cầu của Basel II78 4.1.2 Những hạn chế và nguyên nhân 82

4.1.2.1 Hạn chế 82

4.1.2.2 Nguyên nhân 82

4.2 Một số ý kiến để nâng cao chất lượng đo lường PD của KHDN 84

4.2.1 Hoàn thiện quy định, quy trình quản lý chấm điểm tín dụng và phân loại nợ khách hàng 84

4.2.2 Tăng cường các công cụ hỗ trợ giúp phát hiện gian lận, chấn chỉnh công tác chấm điểm của chi nhánh 84

4.2.3 Hoàn thiện hệ thống chấm điểm 84

4.2.4 Chuẩn hóa cơ sở dữ liệu xây dựng mô hình 84

KẾT LUẬN 86

TÀI LIỆU THAM KHẢO 88

PHỤ LỤC 01 – BẢNG THU THẬP THÔNG TIN KHÁCH HÀNG

PHỤ LỤC 02 – MINH HỌA LOGIC KIỂM TRA DỮ LIỆU

PHỤ LỤC 03 – NHÓM NGÀNH

PHỤ LỤC 04 – MINH HỌA CÁC BIẾN TÀI CHÍNH VÀ PHI TÀI CHÍNH

PHỤ LỤC 05 – KẾT QUẢ PHÂN TÍCH ĐƠN BIẾN

PHỤ LỤC 06 – MINH HỌA CÁC BIẾN TÀI CHÍNH VÀ PHI TÀI CHÍNH ĐƯỢC LỰA CHỌN

DANH MỤC CÁC TỪ VIẾT TẮT

1 Basel II International Convergence of Capital Measurement and Capital

Standards: A revised framework Comprehensive Version

6 PD Probability of Default - Xác suất không trả được nợ

3 Bảng 1.3 Các phương pháp thống kê thông dụng để phát triển

9 Bảng 3.4 Số lượng khách hàng Xấu và tổng số khách hàng sau

khi làm sạch dữ liệu

68

10 Bảng 3.5 Phân khúc KHDN Nghị định 56 69

15 Bảng 3.10 Tổng hợp số lượng biến phi tài chính trong mỗi nhóm 73

17 Bảng 3.12 Bảng 3.12 – Minh họa kết quả chạy hồi quy Logistic 76

18 Bảng 3.13 Kết quả ban đầu cho biến tài chính của mô hình 1 khi

sử dụng phương pháp Forward stepwise

3 Hình 1.3 So sánh giữa biến ban đầu và biến được biến đổi 28

DANH MỤC BIỂU ĐỒ

MỞ ĐẦU

1 Về tính cấp thiết của đề tài

Rủi ro trong hoạt động ngân hàng hết sức đa dạng và phức tạp, tiềm ẩn trong mọi nghiệp vụ từ thẻ, tiền gửi, tài trợ thương mại đến đầu tư, kinh doanh ngoại hối… với nhiều mức độ khác nhau, nhưng có ảnh hưởng sâu rộng và nghiêm trọng nhất vẫn là rủi ro tín dụng, bởi tín dụng là hoạt động căn bản và chủ yếu tạo ra khối lượng lợi nhuận lớn nhất, cũng như tổn thất lớn nhất của ngân hàng Điều này không chỉ đúng trên phương diện lý thuyết, mà được minh chứng rõ ràng bằng thực tiễn kinh doanh của ngành ngân hàng

Để đảm bảo hệ thống ngân hàng Việt Nam ổn định vững chắc, Ngân hàng Nhà nước Việt nam định hướng chiến lược phát triển trong lĩnh vực ngân hàng từ nay đến năm 2020 theo hướng tập trung quản trị rủi ro nói chung và quản trị rủi ro tín dụng nói riêng Các nhà lãnh đạo ngân hàng Việt nam cần phải áp dụng các kinh nghiệm quốc tế để xây dựng mô hình đo lường rủi ro tín dụng theo Công ước Basel của Ủy Ban Basel Trong đó, nhiệm vụ hàng đầu phải ước lượng xác suất không trả được nợ của khách hàng – PD Thực tế, trong hệ thống ngân hàng Việt nam chưa

có bất kỳ ngân hàng nào áp dụng chính thức các mô hình xác định xác suất không trả được nợ của khách hàng vào trong hoạt động để hỗ trợ việc ra quyết định cho vay

Xuất phát từ thực tiễn chất lượng cơ sở dữ liệu tín dụng khách hàng doanh nghiệp tại ngân hàng Vietinbank, tác giả nhận thấy việc ứng dụng một mô hình thống kê định lượng để ước lượng xác suất không trả được nợ là một vấn đề mang

tính tất yếu và chiến lược Chính vì vậy, tác giả lựa chọn đề tài “Ứng dụng mô hình Logistic trong xây dựng mô hình đo lường xác suất không trả được nợ của khách hàng doanh nghiệp theo Basel II tại Vietinbank” làm đề tài luận văn

tốt nghiệp cao học để xem xét tính khả thi, cách thức ứng dụng và chất lượng kết quả ước lượng xác suất không trả được nợ khi sử dụng mô hình Logistic

2 Câu hỏi nghiên cứu, giả thuyết nghiên cứu

- Câu hỏi nghiên cứu: Mô hình logistic có thể ứng dụng để xây mô hình đo lường PD của KHDN hay không và cách thức áp dụng mô hình Logistic vào xây dựng mô hình đo lường PD của KHDN theo Basel II tại Vietinbank là như thế nào

- Giả thuyết nghiên cứu: Xây dựng mô hình đo lường PD của KHDN theo Basel II tại Vietinbank thông qua sử dụng mô hình Logistic là hoàn toàn khả thi và

là bước thiết yếu để nâng cao chất lượng quản trị rủi ro tín dụng theo chuẩn mực quốc tế Basel II

3 Mục đích nghiên cứu

- Cách thức sử dụng mô hình Logistic trong xây dựng mô hình đo lường PD của KHDN theo Basel II tại Vietinbank

4 Nhiệm vụ nghiên cứu

- Tổng quát hóa lý luận về mô hình Logistic, xây dựng mô hình, quy định của Basel II về mô hình đo lường PD của khách hàng

- Tổng hợp các vấn đề lý luận cơ bản về xây dựng mô hình đo lường xác suất không trả được nợ theo Basel II, mô hình Logistic

- Đánh giá thực trạng chất lượng cơ sở dữ liệu tín dụng khách hàng doanh nghiệp và hệ thống đo lường PD của KHDN tại Vietinbank đến nay để xem xét tính khả thi của việc xây dựng mô hình ước lượng xác suất không trả được nợ của KHDN thông qua ứng dụng mô hình Logistic

- Cách thức xây dựng mô hình đo lường PD của KHDN sử dụng mô hình Logistic

- Đề xuất một số ý kiến nâng cao chất lượng dữ liệu, kết quả đo lường PD của KHDN tại Vietinbank

5 Đối tượng và phạm vi nghiên cứu

- Đối tượng nghiên cứu của luận văn là mô hình logistic, phương pháp đo lường xác suất không trả được nợ của KHDN theo Basel II, cách thức thực hiện xây dựng mô hình; dữ liệu tín dụng KHDN tại Vietinbank, các báo cáo phân loại nợ, cho vay, xếp hạng tín dụng khách hàng tại Vietinbank

- Phạm vi nghiên cứu là dữ liệu tín dụng KHDN của toàn hệ thống ngân hàng Vietinbank từ năm 2008 đến nay

6 Những dự kiến đóng góp của luận văn nghiên cứu

Luận văn dự kiến đưa ra những phương pháp và cách thức thực hiện về xây dựng mô hình đo lường xác suất không trả được nợ của KHDN cho Vietinbank, trong đó sử dụng mô hình logistic, và hướng đến tuân theo những quy định của Basel II Đây là một vấn đề mới hiện chưa được nghiên cứu tại Việt Nam

7 Cấu trúc luận văn

Cấu trúc của luận văn gồm:

Mở đầu

Chương 1 Cơ sở lý luận và tổng quan tình hình nghiên cứu

Chương 2 Phương pháp nghiên cứu thiết kế luận văn

Chương 3 Áp dụng mô hình logistic vào xây dựng mô hình đo lường PD của KHDN theo Basel II tại Vietinbank

Chương 4 Đánh giá và khuyến nghị

Kết luận

Tài liệu tham khảo

Phụ lục

CHƯƠNG 1 CƠ SỞ LÝ LUẬN VÀ TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU

1.1 Xác suất không trả được nợ (PD) và đo lường PD theo Basel II

1.1.1 Hiệp ước Basel II và tác động của nó tới thực hành quản lý rủi ro tín dụng

1.1.1.1 Giới thiệu về hiệp ước Basel II

Sau hàng loạt vụ sụp đổ của các ngân hàng vào thập kỷ 80, một nhóm các Ngân hàng Trung ương và cơ quan giám sát của 10 nước phát triển (G10) đã tập hợp tại thành phố Basel, Thụy Sĩ vào năm 1987 tìm cách ngăn chặn xu hướng này Nhóm các Ngân hàng Trung ương này đã thành lập Ủy ban Basel về giám sát hoạt động ngân hàng Năm 1988, Công ước Basel I ra đời nhằm mục đích củng cố sự

ổn định của hệ thống các ngân hàng quốc tế và thiết lập hệ thống ngân hàng quốc tế bình đẳng cạnh tranh lành mạnh trong hoạt động

Tuy nhiên, thị trường tài chính ngày càng trở nên phức tạp trong đó hoạt động ngân hàng luôn tiềm ẩn rủi ro Công ước Basel I xuất hiện hạn chế khi thiếu sự phân biệt rủi ro giữa khách hàng có mức xếp hạng khác nhau Đồng thời, Basel I đề cập

sơ sài đến rủi ro hoạt động và không yêu cầu trích lập dự phòng đối với loại rủi ro này, trong khi đó rủi ro này ngày càng tăng lên và có nguy cơ xảy ra tổn thất lớn Chính vì thế, tháng 06/2006 Công ước mới Basel II ra đời để khắc phục các hạn chế của Công ước Basel I Sự khác biệt lớn nhất của Basel II so với Basel I được thể hiện ở việc cấu trúc của Basel II tập trung vào định lượng rủi ro cho các mục đích phân bổ vốn Theo đó, Basel II hướng tới 03 mục đích chính sau đây:

- Đảm bảo vốn phân bổ theo hướng nhạy cảm rủi ro

- Phân biệt rủi ro hoạt động và rủi ro tín dụng, đồng thời định lượng 02 loại rủi

ro này

- Thu hẹp khoảng cách giữa vốn theo quy định và vốn kinh tế

Công ước Basel II được xây dựng dựa trên 03 trụ cột chính bao gồm (i) Trụ cột 1 – Yêu cầu vốn tối thiểu, (ii) Trụ cột 2 – Yêu cầu về quy trình, thanh tra giám sát ngân hàng và (iii) Trụ cột 3 – Yêu cầu quy trình quản lý rủi ro tuân thủ nguyên

tắc thị trường Tất cả trụ cột đều có ý nghĩa rất quan trọng và hỗ trợ lẫn nhau để đảm bảo đạt mục tiêu của Basel II đã đề ra

1.1.1.2 Nội dung tóm tắt của Basel II về rủi ro tín dụng

Để đảm bảo an toàn cho hoạt động ngân hàng và dự phòng đầy đủ cho các rủi

ro tín dụng, thị trường và tác nghiệp, Hiệp ước Basel II quy định, số vốn tự có của

ngân hàng tối thiểu phải đạt 8% tổng tài sản “Có” rủi ro (được xác định bằng cách nhân số vốn cần thiết cho rủi ro thị trường và tác nghiệp với 12.5, sau đó cộng với tổng tài sản “Có” rủi ro tín dụng), trong đó, tổng tài sản “Có” rủi ro tín dụng được

tính toán theo “phương pháp tiêu chuẩn hóa” hoặc “phương pháp tiếp cận dựa trên xếp hạng nội bộ” như sau:

a) Phương pháp tiêu chuẩn hóa

Theo phương pháp này, tổng tài sản “Có” rủi ro tín dụng được xác định dựa trên nguyên tắc sau:

Tổng tài sản “Có” rủi ro = Tài sản “Có” * Hệ số rủi ro (1)

Để tính toán tổng tài sản “Có” rủi ro (không bao gồm dự phòng cụ thể), về cơ bản, ngân hàng cần thực hiện các bước công việc sau:

Bước 1: Phân nhóm và xác định giá trị tài sản “Có” (giá trị các khoản cho vay, phải đòi) theo: (a) chiều dọc - loại khách hàng, bao gồm: Chính phủ, cơ quan nhà nước khác, ngân hàng phát triển đa quốc gia, ngân hàng, các công ty chứng khoán, doanh nghiệp, cá nhân, tài sản khác, các khoản ngoại bảng (b) chiều ngang: hạng tín nhiệm của các khoản cho vay, phải đòi

Bước 2: Điều chỉnh giá trị tài sản “Có” theo giá trị tài sản bảo đảm là tài sản tài chính (tiền mặt, vàng, giấy tờ có giá…) cầm cố cho khoản cho vay, phải đòi đó

b) Phương pháp tiếp cận dựa trên xếp hạng nội bộ (IRB)

Khác với phương pháp tiêu chuẩn hóa, khi được phép sử dụng IRB, ngân hàng

có thể tự ước lượng giá trị của một số (trường hợp áp dụng IRB cơ bản) hoặc toàn

bộ (trường hợp sử dụng IRB tiên tiến) các thước đo rủi ro để tính giá trị tài sản “Có”

rủi ro tín dụng và thực hiện các điều chỉnh về vốn tự có

Để đáp ứng quy định tính vốn tối thiểu theo IRB, ngân hàng cần thực hiện hai nội dung công việc chính sau: (i) xác định giá trị tài sản “Có” rủi ro tín dụng Giá trị này sẽ là căn cứ để tính ra lượng vốn tự có tối thiểu mà ngân hàng cần duy trì để bù đắp cho giá trị tổn thất ngoài dự kiến (UL) của khoản vay khi khách hàng không trả được nợ; (ii) điều chỉnh trực tiếp vốn tự có dựa trên phần chênh lệch giữa giá trị tổn thất dự kiến (EL) khi khách hàng không trả được nợ và tổng dự phòng rủi ro tín dụng Cụ thể:

Xác định giá trị tài sản “Có” rủi ro tín dụng

Bước 1: Phân loại tài sản “Có” theo các nhóm khách hàng và tài sản: (a) doanh nghiệp; (b) chính phủ hoặc cơ quan nhà nước khác; (c) ngân hàng; (d) bán lẻ; (e) vốn góp (của ngân hàng tại doanh nghiệp khác)

Bước 2: Xác định giá trị của các cấu phần rủi ro, bao gồm: PD – xác suất không trả được nợ của khách hàng, LGD - mức tổn thất nếu khách hàng không trả

được nợ (tính theo từng hợp đồng); EAD - tổng số tiền cho vay, phải đòi (bao gồm

dự phòng cụ thể); M - kỳ hạn hiệu quả, cho từng khách hàng (đối với trường hợp

các nhóm khách hàng doanh nghiệp, chính phủ, ngân hàng) hoặc cả nhóm khách hàng (đối với nhóm khách hàng bán lẻ)

Tương tự phương pháp tiếp cận tiêu chuẩn hóa, ngân hàng có thể ghi nhận tác động giảm thiểu rủi ro của các tài sản bảo đảm bằng cách điều chỉnh ghi giảm giá trị rủi ro LGD hoặc EAD Tuy nhiên, để tránh trùng lặp, việc điều chỉnh giá trị rủi ro chỉ được thực hiện một lần, hoặc với LGD hoặc với EAD

Bước 3: Tính toán giá trị tài sản “Có” rủi ro theo công thức mà Basel II quy

định (các nhóm khách hàng khác nhau áp dụng các công thức khác nhau)

Ví dụ: Công thức tính giá trị tài sản “Có” rủi ro tín dụng áp dụng cho nhóm tài sản doanh nghiệp, chính phủ và ngân hàng là:

- Đối với các khoản nợ bình thường:

Hệ số tương quan (R) = 0.12 x (1 – EXP (-50 x PD)) / (1 – EXP (-50)) +

0.24 x [1 - (1-EXP(-50 x PD))/(1 – EXP(-50))]

Kỳ hạn điều chỉnh (b) = (0.11852 – 0.05478 x ln (PD)) ^ 2

x G (0.999)] – PD x LGD] x (1 – 1.5 x b)^-1 x (1 + (M – 2.5) x b)

Điều chỉnh giá trị vốn tự có dựa trên phần chênh lệch giữa giá trị tổn thất

dự kiến (EL) và tổng dự phòng rủi ro tín dụng

Bước 1: Để xác định tổng giá trị tổn thất dự kiến, Ngân hàng phải cộng dồn

giá trị tổn thất dự kiến (được định nghĩa như tích số của mức tổn thất dự kiến EL và EAD) của tất cả các khoản cho vay, phải đòi thuộc các nhóm rủi ro khác nhau, trong

đó:

- Mức tổn thất dự kiến EL (%) của các khoản cho vay, phải đòi đối với doanh nghiệp, chính phủ và ngân hàng (không bao gồm các khoản cho vay đặc biệt), nhóm khác: Đối với các khoản cho vay bình thường, EL là tích số của PD và LGD Đối với các khoản cho vay có vấn đề, ngân hàng phải sử dụng ước lượng tốt nhất về giá trị tổn thất dự kiến

- Giá trị tổn thất dự kiến EL của các khoản cho vay đặc biệt: Bằng tích số của 8%, hệ số rủi ro tương ứng của khoản vay và EAD

Bước 2: Xác định giá trị dự phòng rủi ro tín dụng bằng tổng của tất cả các loại

dự phòng (ví dụ dự phòng cụ thể, xóa nợ một phần, dự phòng chung cho rủi ro quốc gia, dự phòng chung) cho các khoản cho vay, phải đòi Giá trị các khoản dự phòng

cụ thể cho vốn góp cổ phần và các khoản chứng khoán hóa không được tính vào giá trị dự phòng rủi ro tín dụng

Bước 3: So sánh giá trị tổn thất dự kiến EL và giá trị dự phòng rủi ro tín dụng,

và điều chỉnh trực tiếp vào giá trị vốn tự có phần chênh lệch của hai giá trị này

1.1.1.3 Tác động của Basel II tới thực hành Quản lý rủi ro tín dụng

Một câu hỏi thường được đặt ra bởi những người quan tâm đến quản lý rủi ro tín dụng trong ngân hàng thương mại: Đâu là mối liên kết nào giữa Basel II và quản

lý rủi ro tín dụng? Vì sao Basel II, mà xuất phát cơ bản là thay đổi khuôn khổ tính toán vốn tối thiểu, lại được đánh giá như một cột mốc mang tính cách mạng trên phạm vi toàn cầu về tài chính và là nền tảng cho công tác quản lý rủi ro ngân hàng nói chung và quản lý rủi ro tín dụng nói riêng?

Theo đánh giá của nhiều nhà lãnh đạo ngân hàng trung ương và các chuyên gia tài chính ngân hàng quốc tế như Bernanke (2006) hay Large (2003), sở dĩ Basel

II làm thay đổi căn bản tư duy quản lý rủi ro vì nó gắn kết, ràng buộc quy trình tính toán vốn tối thiểu với các phần việc chuẩn hóa quản lý rủi ro tín dụng, thị trường và tác nghiệp: Các ngân hàng chỉ có thể được thừa nhận đã tuân thủ đúng yêu cầu về xác định vốn tối thiểu nếu họ đã đáp ứng được toàn bộ các quy định, hướng dẫn, chuẩn mực đi kèm của Basel II về xác định, phân loại và quản lý rủi ro Nói cách khác, tuân thủ Basel II đã cung cấp mục tiêu, động lực và phương tiện tự nhiên để các ngân hàng đào sâu, tích lũy nỗ lực cải tiến thực hành quản lý rủi ro, cải thiện khả năng đánh giá, lượng hóa và công khai hóa rủi ro Mục tiêu thực sự của Basel II

là hướng tới nâng cao thực hành quản lý rủi ro hơn là đơn thuần cung cấp khuôn khổ cho việc tính toán vốn tối thiểu

Một nội dung chủ chốt của Basel II là nó thiết lập các yêu cầu khắt khe về thu thập số liệu và sử dụng có hệ thống các thông tin dữ liệu thu thập được Các yêu cầu này xuất phát từ những bằng chứng thực nghiệm chứng minh rằng, thách thức lớn nhất, đồng thời lợi ích tiềm năng lớn nhất trong dài hạn của các ngân hàng, liên quan đến việc thu thập và phân loại thông tin chính xác, chi tiết về người vay, về các đặc điểm của các loại hình rủi ro và kết quả của đầu tư tín dụng vào các loại hình rủi ro khác nhau Đáp ứng các chuẩn mực dữ liệu theo đúng yêu cầu của Basel

II sẽ dẫn tới hệ quả tích cực là sự đầu tư lớn về hạ tầng công nghệ từ phía các ngân hàng Sự đầu tư cải thiện công nghệ này, kết hợp với cơ sở dữ liệu chi tiết đã thu

thập được, theo thời gian sẽ phát huy được lợi ích tiềm tàng to lớn của nó trong định giá và quản lý rủi ro nói riêng, cũng như trong điều hành, quản lý ngân hàng nói riêng Như vậy có thể thấy, sự nhấn mạnh của Hiệp ước về cải thiện tiêu chuẩn

dữ liệu không chỉ đơn thuần phục vụ xác định mức vốn tự có tối thiểu, mà còn nhằm cung cấp nền tảng lành mạnh cho thực hành quản lý rủi ro tín dụng, và qua đó làm gia tăng giá trị ngân hàng

Một nhân tố khác của Basel II cũng có tác động đổi mới thực hành quản lý rủi

ro tín dụng chính là sự ra đời của phương pháp tiếp cận dựa trên xếp hạng nội bộ (IRB), mà ảnh hưởng của nó đã dẫn đến sự thay đổi rõ rệt về thực hành quản lý rủi

ro tín dụng của các ngân hàng thương mại và cả chính sách giám sát của các ngân hàng trung ương Về phía các ngân hàng thương mại, IRB rõ ràng được ưa chuộng hơn nhiều so với phương pháp tiêu chuẩn hóa vì ưu thế vượt trội về tính linh hoạt và sát với thực tế của nó IRB cho phép các ngân hàng đo lường các cấu phần rủi ro dựa trên chính thực trạng hoạt động của họ và qua đó tính toán chuẩn xác hơn khối lượng vốn tối thiểu mà họ cần nắm giữ, tối ưu hóa lượng vốn đầu tư trên cơ sở vừa đảm bảo an toàn cho hoạt động ngân hàng vừa tránh lãng phí vốn, giảm thiểu các chi phí vốn phải trả cho nhà đầu tư Thế nhưng, để được áp dụng IRB, các ngân hàng buộc phải chuẩn bị và tuân thủ các quy định hết sức khắt khe về việc xây dựng

hệ thống xếp hạng nội bộ, về tính toán các giá trị PD, LGD và EAD cũng như các nguyên tắc quản lý rủi ro tín dụng khác Rõ ràng, việc áp dụng IRB không đơn thuần giúp các ngân hàng tiết kiệm vốn đầu tư, mà chính quá trình triển khai nó đã mang lại cho họ sự tiến bộ vượt bậc về phương thức quản lý rủi ro tín dụng Về phía các ngân hàng trung ương, IRB cũng đã thay đổi căn bản tư duy quản lý của họ Chỉ mới gần đây, đa số các ngân hàng trung ương còn đồng nhất phương pháp đánh giá rủi ro tín dụng với phương pháp xác định, phân loại chính xác các khoản vay có vấn

đề và đánh đồng giảm thiểu rủi ro tín dụng với yêu cầu ghi nhận đúng lúc, đầy đủ các khoản tổn thất tín dụng Ngày nay, cùng với sự phát triển và những ưu điểm rõ rệt của hệ thống xếp hạng nội bộ, tư duy quản lý của các ngân hàng trung ương đã được thay đổi Các nỗ lực của họ đã chuyển sang tập trung đánh giá quá trình quản

lý rủi ro tín dụng, mà cụ thể là đánh giá chất lượng hệ thống xếp hạng nội bộ, của

các ngân hàng thương mại Các cơ quan giám sát không chỉ chú trọng xem liệu một ngân hàng thương mại đã phân loại chuẩn xác khoản nợ có vấn đề chưa, mà quan tâm hơn đến khả năng ngân hàng thương mại đó có thể xếp hạng các khoản vay theo đúng chất lượng tín dụng và mức độ rủi ro của nó, và liệu các ngân hàng có thực hiện cập nhật thường xuyên các xếp hạng này theo chất lượng hoạt động của người vay hay không Khi Basel II thay đổi chính sách giám sát rủi ro của các ngân hàng trung ương, nó một lần nữa lại đã thay đổi thực hành quản lý rủi ro của hệ thống các ngân hàng thương mại

1.1.2 PD và các yêu cầu về mô hình đo lường PD theo phương pháp IRB

PD là một trong các yếu tố cấu thành rủi ro, là yếu tố không thể thiếu để xác định mức tổn thất dự kiến EL để từ đó xác định yêu cầu vốn tối thiểu cho ngân hàng

1.1.2.2 Các yêu cầu về mô hình đo lường PD theo phương pháp IRB

Basel II đã đưa ra các yêu cầu cụ thể về ước lượng PD trong các đoạn từ 423 đến 425, đoạn 414 đến 419, đoạn 379, đoạn 463 Trong đó, các nội dung chính bao gồm:

Yêu cầu về dữ liệu:

- Cho dù Ngân hàng sử dụng dữ liệu từ bên ngoài hay nội bộ, hay nguồn dữ liệu nhóm hoặc kết hợp từ cả ba nguồn trên để xây dựng ước tính PD, thời gian tối thiểu đối với dữ liệu lịch sử của một các nguồn phải đảm bảo đủ 5 năm để có thể bao quát được chu kỳ kinh tế Nếu dữ liệu được thu thập dài hơn khoảng thời gian yêu cầu trên và đáng tin cậy thì Ngân hàng sẽ sử dụng dữ liệu từ nguồn đó

- Ngân hàng cần phải chứng tỏ được rằng dữ liệu được sử dụng để xây dựng

mô hình là đại diện cho số đông người vay và tài trợ của ngân hàng

Định nghĩa về việc không trả được nợ (Đoạn 414-419)

Theo Basel II, một khách hàng không trả được nợ nếu:

- Khách hàng quá hạn trên 90 ngày đối với các khoản nợ trọng yếu của ngân hàng Thấu chi được coi là quá hạn ngay khi khách hàng chi vượt quá hạn mức được cấp hoặc khi hạn mức được cấp nhỏ hơn dư nợ hiện thời

- Ngân hàng không tính lãi dự thu đối với khoản tín dụng

- Ngân hàng thực hiện trích một khoản chi phí hoặc dự phòng cụ thể cho khoản tín dụng do chất lượng tín dụng giảm sút đáng kể

- Ngân hàng bán khoản tín dụng và chịu một thiệt hại kinh tế đáng kể liên quan đến khoản tín dụng

- Ngân hàng đồng ý thực hiện cơ cấu cho nghĩa vụ tín dụng và điều này dẫn đến giảm nghĩa vụ tài chính của khách hàng do miễn giảm, trì hoãn, gia hạn trả gốc, lãi hoặc các loại phí liên quan

- Ngân hàng yêu cầu khách hàng thực hiện thủ tục phá sản hoặc các hình thức tương tự do không thực hiện được các nghĩa vụ đối với ngân hàng

- Khách hàng đang thực hiện thủ tục hoặc đã ở trong tình trạng phá sản hay những hình thức bảo vệ tương tự, dẫn đến việc tránh hoặc trì hoãn thực hiện nghĩa

vụ tín dụng đối với ngân hàng

Yêu cầu về xác thực mô hình

Theo Ủy ban Basel về giám sát ngân hàng, xác thực PD đóng vai trò quan trọng trong so sánh tỷ lệ tình trạng không trả được nợ thực tế với xác suất không trả được nợ ước lượng cho mỗi hạng của hệ thống và đánh giá độ lệch giữa tỷ lệ không trả được nợ quan sát được và PD ước lượng (Basel Committee on Banking Supervision, 2006) Sau khi xây dựng mô hình với các biến cuối cùng được lựa chọn, dữ liệu cần được thu thập thêm để sử dụng cho việc xác thực tính chính xác của mô hình được xây dựng

Yêu cầu về mô hình

- Mô hình và thủ tục có khả năng dự đoán tốt và các yêu cầu về vốn theo quy định sẽ không bị vi phạm khi sử dụng các mô hình và thủ tục này Các biến số được đưa vào mô hình cần phải tạo nên một bộ số liệu có khả năng dự báo tốt Mô hình

cần phải chính xác về trung bình đối với một số lượng người vay và tài trợ nhất định mà tại đó ngân hàng bắt đầu có rủi ro và cần phải chắc chắn không có các khuynh hướng khác nhau cơ bản

- Khi phối hợp những kết quả của mô hình và những đánh giá của con người, đánh giá cần phải cân nhắc tất cả các thông tin có liên quan không được xem xét đến trong mô hình Ngân hàng cần có hướng dẫn bằng văn bản mô tả cách phối hợp phán quyết của con người và kết quả của mô hình như thế nào

- Cần có các quy định về xem xét lại việc đánh giá dựa vào mô hình Những quy đinh như vậy cần tập trung tìm và hạn chế lỗi có liên quan đến những yếu kém

đã được nhận biết của mô hình và cũng cần có những nỗ lực đáng tin cậy trong quá trình triển khai để tăng cường năng lực của mô hình

- Định kỳ xem xét lại tính thích hợp của mô hình bao gồm việc giám sát hoạt động và tính ổn định của mô hình, xem xét lại mối quan hệ của mô hình, và kiểm tra đánh giá của mô hình với các kết quả thực tế

1.2 Các bước cơ bản xây dựng mô hình đo lường PD

Theo Naeem Siddiqui (2006), Quá trình xây dựng mô hình PD gồm các bước được mô tả trong hình 1.1 – Các bước xây dựng mô hình PD:

Hình 1.1 – Các bước xây dựng mô hình PD

1.2.1 Chuẩn bị dữ liệu

Những dữ liệu được phân theo 3 nhóm sau:

- Nhóm dữ liệu tài chính liên quan đến các hệ số tài chính của khách hàng cũng như các đánh giá của các tổ chức xếp hạng Nhóm dữ liệu này có thể được tính toán từ các báo cáo tài chính của khách hàng trong ít nhất 2 năm gần nhất bao gồm báo cáo kết quả hoạt động kinh doanh, bảng cân đối kế toán, hay báo cáo lưu chuyển dòng tiền…

- Nhóm dữ liệu định tính phi tài chính liên quan đến trình độ quản lý, khả năng nghiên cứu và phát triển sản phẩm mới, các dữ liệu về khả năng tăng trưởng của ngành…

- Những dữ liệu mang tính cảnh báo liên quan đến các hiện tượng báo hiệu khả năng không trả được nợ cho ngân hàng như số dư tiền gửi, hạn mức thấu chi…

Từ những dữ liệu trên, ngân hàng nhập vào một mô hình định sẵn, từ đó tính được PD của khách hàng Đó có thể là mô hình tuyến tính, mô hình probit, mô hình logistic…

1.2.1.1 Thời điểm quan sát và kỳ đánh giá

Ngân hàng cũng cần phải xem xét kỳ thu thập dữ liệu, bao gồm điểm quan sát (observation point) và kỳ đánh giá (performance period) trong quá trình chuẩn bị dữ liệu

Điểm quan sát là thời điểm thu thập dữ liệu của khách hàng

Kỳ đánh giá là khoảng thời gian thu thập các thông tin về tình hình trả nợ của khách hàng

1.2.1.2 Xác định khách hàng tốt/xấu

Mục tiêu của mô hình là ước tính PD của một khách hàng Khách hàng không trả được nợ (default) được định nghĩa đầy đủ tại Đoạn 452 và 453 – Basel II (xem Mục 1.1.2.2.Các yêu cầu về đo lường PD theo phương pháp IRB)

1.2.1.3 Thu thập dữ liệu

Tất cả khách hàng doanh nghiệp được chọn làm mẫu cho xây dựng mô hình

PD phải được thu thập dữ liệu đầy đủ dựa trên biểu mẫu thu thập dữ liệu chung,

nhằm đảm bảo tính đồng nhất của dữ liệu trong quá trình xây dựng mô hình thống

kê PD

Tùy vào số lượng mẫu có thể thu thập được mà Ngân hàng có thể xây dựng số lượng mô hình tương ứng Ví dụ: nếu toàn bộ khách hàng doanh nghiệp được xếp vào 30 ngành kinh tế chính và nếu số lượng khách hàng default/không default được đảm bảo thì ngân hàng có thể xây dựng 30 mô hình thống kê PD cho từng ngành kinh tế

Các khách hàng doanh nghiệp hoạt động với quy mô hoặc trong những ngành kinh tế khác nhau thường có mức độ rủi ro khác nhau Vì vậy, cần xác định những doanh nghiệp có đặc điểm tương đồng về quy mô hoặc hoạt động kinh doanh, từ đó xây dựng những mô hình tương ứng, phù hợp với các doanh nghiệp này

1.2.2 Tạo biến

Tùy thuộc và phương pháp xây dựng mô hình PD mà các Ngân hàng có thể xây dựng các nhóm biến khác nhau Tuy nhiên, hai nhóm biến chủ yếu được các Ngân hàng hàng đầu trên thế giới sử dụng là nhóm biến tài chính và phi tài chính (hay còn gọi là định tính và định lượng) Các biến được lựa chọn cần có ý nghĩa thống kê và ý nghĩa kinh tế

1.2.2.1 Biến tài chính

Các biến tài chính được tính toán dựa vào các chỉ tiêu trên BCTC Các biến tài chính phải thể hiện được đầy đủ tình hình tài chính của doanh nghiệp (ví dụ: thanh khoản, lợi nhuận, đòn bẩy ) Để xây dựng các biến tài chính, các khách hàng được thu thập báo cáo tài chính trong ít nhất 2 năm gần nhất và tạo công thức dựa trên nhiều nhóm chỉ tiêu khác nhau nhằm đánh giá được khả năng hoạt động của khách hàng:

- Chỉ tiêu về cấu trúc tài sản/nợ

- Chỉ tiêu phân tích hoạt động kinh doanh

- Chỉ tiêu về vốn

- Chỉ tiêu đòn bẩy và cân nợ

- Chỉ tiêu thanh khoản

- Chỉ tiêu lợi nhuận

- Chỉ tiêu quy mô

- Chỉ tiêu tăng trưởng của các biến

- …

1.2.2.2 Biến phi tài chính

Dựa trên thông tin phi tài chính thu thập được, các biến phi tài chính được xây dựng với mục tiêu bao quát đầy đủ các yếu tố như trình độ quản lý, môi trường nội

bộ, quan hệ với ngân hàng cũng như các yếu tố ảnh hưởng đến ngành.v.v

Tùy theo mong muốn của Ngân hàng mà số lượng biến xây dựng cho chỉ tiêu định lượng và định tính để đưa vào sử dụng cho các bước sau là không có tiêu chuẩn

1.2.3 Phân tích đơn biến

Phân tích đơn biến là quá trình chọn ra các biến thích hợp có khả năng dự đoán tình trạng Tốt/Xấu của khách hàng trong một khoảng thời gian xác định Quá trình phân tích cho biến tài chính và phi tài chính được miêu tả ở mục 1.2.3.1 và 1.2.3.2

1.2.3.1 Biến tài chính

Từ khía cạnh thống kê, việc nhập giá trị thô của biến giải thích vào mô hình hồi quy là không hiệu quả và có thể dẫn đến việc ước lượng sai lệch các hệ số Vì vậy, để so sánh và hồi quy các biến khác nhau trong bước phân tích đa biến, các biến nên được biến đổi về một thang đo đồng nhất

Sau quá trình biến đổi biến, kết quả của phương trình hồi quy sẽ được phản ánh qua giá trị được chuyển đổi của các biến giải thích

Các biến tài chính sau đó được chuẩn hóa làm dữ liệu đầu vào cho mô hình Các biến sẽ được biến đổi sang giá trị chuẩn với giá trị trung bình 0 và độ lệch chuẩn tương ứng là 1 Công thức chuẩn hóa là:

𝑍 =𝑋 − 𝐸(𝑋)

𝛿 (𝑋)Trong đó

E(X): Giá tri kỳ vọng

𝛿 (𝑋): Độ lệch chuẩn

Mục đích của việc chuẩn hóa là để dễ dàng so sánh ảnh hưởng của các biến khác nhau trong mô hình Theo đó, hệ số càng lớn thể hiện ảnh hưởng càng lớn của biến tương ứng lên P(x)

Kiểm tra khả năng phân biệt của biến tài chính

Có rất nhiều phương pháp để đánh giá khả năng phân biệt của biến tài chính Cách phổ biến để đo lường khả năng phân biệt của bộ chỉ tiêu chấm điểm là Đường cong đặc trưng (ROC), ROC cũng là chỉ tiêu đánh giá khả năng phân biệt của các biến tài chính ROC được lập bằng cách vẽ tần số lũy kế các trường hợp khách hàng không trả được nợ xảy ra được thể hiện trên trục y và tần số lũy kế tương ứng số lượng khách hàng được thể hiện trên trục x Mỗi điểm của Đường cong đặc trưng tương ứng với một hạng, với hạng xấu nhất ở bên trái của biểu đồ

Một biến lý tưởng sẽ xếp hạng các trường hợp không trả được nợ vào hạng xấu nhất Từ đó Đường cong đặc trưng của biến lý tưởng sẽ chạy từ điểm dưới cùng bên trái (0%, 0%) đến điểm trên cùng (0%, 100%) và từ đó đến điểm trên cùng bên phải (100%,100%) Giá trị x và y của Đường cong ROC luôn bằng nhau nếu tần số xảy ra của các trường hợp tốt và xấu bằng nhau có nghĩa là biến không có khả năng phân biệt giữa khách hàng Tốt và khách hàng Xấu Trong trường hợp này đường ROC chạy theo đường chéo, xem hình 1.2

Hình 1.2 - Minh họa về một đường cong ROC

(Nguồn: Advanced Techniques: Regression Student Guide, IBM, 2010)

Diện tích dưới Đường cong đặc trưng (AUROC) được sử dụng như một phép

đo lường khả năng phân biệt AUROC là phép đo lường đồ họa về khả năng phân

biệt, được xác định bởi đường cong ROC và tính đến diện tích phía dưới đường cong ROC Giá trị AUROC càng cao thể hiện khả năng phân biệt càng tốt của biến Khả năng phân biệt của các biến có xu hướng biến đổi cùng chiều với P(x) có thể được giải thích theo Bảng 1.1 – Quy luật thể hiện khả năng phân biệt AUROC (tuy nhiên AUROC quá cao thể hiện mô hình phù hợp trội - overfit)

Bảng 1.1 - Quy luật thể hiện khả năng phân biệt AUROC

0.5< AUROC < 0.7 Khả năng phân biệt kém

0.7<= AUROC <= 0.8 Khả năng phân biệt chấp nhận được

0.8< AUROC < 0.9 Khả năng phân biệt tốt

AUROC >= 0.9 Khả năng phân biệt vượt trội

(Nguồn: Advanced Techniques: Regression Student Guide, IBM, 2010)

Để thực hiện tính toán AUROC, các ngân hàng có thể sử dụng các công thức tính của Excel hoặc mua các phần mềm phục vụ cho thống kê như SPSS, Oracle…

1.2.3.2 Biến phi tài chính

Biến đổi biến phi tài chính

Phần lớn các biến phi tài chính là biến lựa chọn Các lựa chọn của từng biến được xếp thành các thang điểm Các thành phần này có thể sắp xếp theo thứ tự (đối với các biến thứ tự) hoặc không theo thứ tự (đối với các biến danh nghĩa) Điều này phụ thuộc vào bản chất của từng biến Các thang điểm của biến phi tài chính được gộp thành các nhóm mới Mỗi biến được biến đổi hiệu quả khi nhóm mới của biến

đó thể hiện được tính chất rủi ro khác biệt so với các thành phần khác

Có rất nhiều phương pháp để biến đổi giá trị của các biến phi tài chính, tuy nhiên phương pháp Weight of Evidence (WOE) được sử dụng nhiều nhất Giá trị WOE âm tại một thang điểm thể hiện rằng thang điểm đó có tỷ lệ khách hàng tốt thấp hơn tỷ lệ khách hàng xấu Ngược lại giá trị WOE dương thể hiện rằng thang điểm tương ứng có tỷ lệ khách hàng tốt nhiều hơn tỷ lệ khách hàng xấu Giá trị tuyệt đối của WOE càng cao thể hiện khả năng phân biệt tốt của thang điểm

Giá trị WOE bằng log của odds (tức tỷ lệ khách hàng tốt trên khách hàng xấu của từng thang điểm) Công thức tính WOE của từng thang điểm là:

Đánh giá khả năng phân biệt của các biến phi tài chính

Một trong các phương pháp để đánh giá mức độ phân biệt của biến phi tài chính đi kèm với giá trị WOE là Information Values (IV) được sử dụng để đánh giá mức độ trọng yếu của phân tích đơn biến trong việc phân biệt khách hàng tốt và khách hàng xấu Theo kinh nghiệm, các biến với tổng IV của các thành phần >=0.1 được coi là có khả năng phân biệt và được đưa vào danh sách được lựa chọn Ngưỡng IV=0.1 có thể được điều chỉnh cao hơn hoặc thấp hơn phụ thuộc vào phân phối của dữ liệu IV được đo lường bằng công thức:

Trong đó: LogOdds = WOE

IV không liên quan đến thứ tự thang điểm của các biến Chỉ số này, khác với AUROC, đóng vai trò quan trọng trong việc phân tích dữ liệu khi không xác định được phân phối rủi ro (tỷ lệ xấu) theo giá trị Vì vậy, chỉ số này phù hợp với các biến định tính hơn do các biến định tính bao gồm các biến danh nghĩa

Quy luật về khả năng phân biệt của các biến theo IV được đo lường theo Bảng 1.2:

Bảng 1.2 – Quy luật khả năng phân biệt của biến theo IV Khoảng giá trị IV Khả năng phân biệt

0.02<= IV <= 0.1 Khả năng phân biệt kém 0.1<= IV <= 0.3 Khả năng phân biệt trung bình

(Nguồn: Credit Risk Scorecards: Developing and Implementing Intelligent Credit Scoring, Naeem Siddiqui, 2006, trang 83-86)

Các biến được lựa chọn nếu có ý nghĩa kinh tế và IV cao Các biến với IV lớn hơn 0.5 phải được kiểm tra lại do khả năng dự báo trội – over predict Các biến này

WOE

%

% ln

Good Bad  LogOdds

có thể được loại bỏ khỏi quá trình xây dựng mô hình, hoặc cần xem xét kĩ càng nếu đưa vào sử dụng

1.2.3.3 Số lượng biến được chọn để sử dụng sau bước phân tích đơn biến

Không có giới hạn nào cho số lượng các biến tài chính và phi tài chính được

sử dụng cho các bước tiếp theo Số lượng biến phụ thuộc vào khả năng đánh giá của các biến Nếu các biến được xây dựng càng có khả năng phân biệt khả năng khách hàng không trả được nợ thì số lượng biến được sử dụng càng nhiều

1.2.4 Phân tích đa biến

Mục đích của phân tích đa biến trong quy trình xây dựng mô hình là dự đoán các khách hàng Tốt và khách hàng Xấu một cách chính xác nhất có thể, thông qua các tiêu chí độc lập Tình trạng khách hàng Xấu/Tốt được xác định bởi biến nhị phân y thể hiện tình trạng kinh doanh của khách hàng tại thời điểm t Biến y = 1 đối với khách hàng Xấu và y = 0 đối với khách hàng Tốt Đặc tính của khách hàng trong quá khứ là các biến giải thích x1, x2… hay dữ liệu đầu vào của mô hình

Dưới đây là một số khái niệm cơ bản về phân tích đa biến, bao gồm: lựa chọn

mô hình thống kê, phân tích tương quan và các bước trong phân tích đa biến

1.2.4.1 Lựa chọn phương pháp thống kê

Các phương pháp thống kê dùng để dự đoán mức độ tín nhiệm của khách hàng vay rất đa dạng Một số phương pháp thông dụng được trình bày ngắn gọn trong Bảng 1.3

Bảng 1.3 - Các phương pháp thống kê để phát triển mô hình

Mô hình

cổ điển

► Xây dựng mối quan

hệ tuyến tính giữa biến độc lập và biến phụ thuộc thể hiện khả năng không trả được nợ của khách hàng

𝑌𝑖 = 𝛽 × 𝑋𝑖+ 𝑢𝑖

Điểm của khách hàng dưới dạng giá trị tuyệt đối mà không tạo thành khoảng giá trị Khách hàng có điểm cao là khách hàng có nhiều rủi ro

► Đơn giản & dễ thực hiện

► Ước lượng bị sai lệch và không hiệu quả

► Kết quả không thể giải thích được dưới dạng xác suất

Loại Định nghĩa Kết quả Ưu & Nhược điểm

Mô hình

Probit

► Giả thiết phần dư có

phân phối chuẩn

► Ước lượng PD bằng

chuẩn:

► Cho kết quả là PD ước lượng

► Kết quả không có nhiều khác biệt với

mô hình Logit

► Phân phối chuẩn phổ biến hơn

► Khó giải thích ảnh hưởng của biến độc lập x đối với

PD ước lượng

Mô hình

Logistic

► Giả thiết phần dư có

phân phối logistic

► Ước lượng xác suất

không trả được nợ bằng mô hình logit:

► Cho kết quả là PD ước lượng đối với từng khách hàng/

từng khoản vay

► Đơn giản và dễ thực hiện hơn mô hình probit

► Dễ dàng trong việc giải thích các hệ số: Biến 𝑋1 thay đổi 1 đơn vị dẫn đến tăng hoặc giảm i exp(𝛽1) hay PD/(1-PD)

► Tạo ra các danh mục rủi ro PD được tính toán riêng cho từng mức độ rủi

ro chứ không theo từng khách hàng

► Chứa ít biến và danh mục hơn các phương pháp khác

► Có thể áp dụng trong trường hợp hạn chế về số lượng biến

(Nguồn: Credit Risk Modelling, Center for the Study of Finance and Insurance, Osaka University [pdf] )

1.2.4.2 Phân tích tương quan

Một số vấn đề phát sinh khi các biến tương quan cao được đưa vào mô hình:

- Thừa biến: nhiều biến hay yếu tố trong mô hình cung cấp những thông tin tương tự nhau về mức độ tín nhiệm của khách hàng

- Tính không ổn định: Tương quan cao giữa các biến có thể khiến cho mô hình kém ổn định trong việc ước lượng các hệ số Trong trường hợp này, thuật toán ước lượng được sử dụng sẽ không có khả năng nhận diện hệ số tổ hợp tuyến tính của các biến duy nhất

- Đa cộng tuyến trong mô hình hồi quy: Trường hợp có đa cộng tuyến hay tương quan cao giữa các biến khiến cho các kiểm định của mô hình sai lệch Hệ số beta cao đối với một số biến cũng làm cho kết quả của mô hình bị phụ thuộc quá nhiều vào các biến này

Do đó, việc phân tích tương quan phải được thực hiện trước khi lựa chọn biến vào mô hình Một số ứng dụng thống kê tích hợp chức năng xác định hệ số tương quan cặp như Microsoft excel, SPSS

Hệ số tương quan lớn hơn 0.8 hoặc nhỏ hơn -0.8 được đánh giá là có tương

quan cao (Naeem Siddiqui, 2006, trang 76) Ngưỡng tương quan này có thể được

điều chỉnh sao cho phù hợp với các đặc điểm của mẫu lựa chọn Các nhóm biến tương quan cao với nhau được xác định thông qua ma trận tương quan

1.2.4.3 Các bước phân tích đa biến

Phân tích đa biến có thể thực hiện bằng những mô hình hồi quy khác nhau, theo sự phù hợp của dữ liệu để lựa chọn mô hình Các bước thực hiện phân tích đa biến để xây dựng mô hình PD được trình bày cụ thể trong Bảng 1.4

Bảng 1.4 - Các bước phân tích đa biến

1

Lựa chọn các biến không có tương quan cao với nhau

Đối với các nhóm biến có tương quan cao, lựa chọn

một biến có khả năng phân biệt cao nhất (có giá trị

IV/AUROC cao nhất)

2 Thực hiện hồi quy theo mô hình lựa chọn

3 Giữ lại những biến có p-value thấp (có Sig < 0.05) và

Bước Phân tích đa biến Ghi chú

dấu của beta đúng như kỳ vọng

4

Lựa chọn mô hình có AUROC cao hơn và dấu của beta

đúng như kỳ vọng Ưu tiên mô hình bao quát được

nhiều nhóm chỉ tiêu

Mô hình 1 (8~12 biến)

5

Thay thế các biến có khả năng phân biệt cao nhất đã

lựa chọn tại Bước 1 bằng các biến còn lại trong nhóm

biến có tương quan cao tương ứng

7 Lặp lại Bước 5 và/hoặc tiến hành hồi quy với cách kết

9

Lựa chọn ba mô hình có AUROC cao sao cho dấu của

beta của các biến đúng như kỳ vọng cũng như bao quát

được nhiều nhóm chỉ tiêu nhất có thể

Danh sách các

mô hình có thể được lựa chọn

(Nguồn: Credit Risk Scorecards: Developing and Implementing Intelligent Credit Scoring, Naeem Siddiqui, 2006, trang 74)

Mô hình được lựa chọn cần đáp ứng được các tiêu chí sau:

- Bao quát đầy đủ các nhóm chỉ tiêu: Mô hình cần bao quát số lượng nhóm chỉ tiêu nhiều nhất có thể Cán bộ kinh doanh thường đánh giá khách hàng dựa trên nhiều tiêu chí, do vậy, tối thiểu, mô hình phải bao quát được các nhóm chỉ tiêu quan trọng nhất nếu không bao quát được toàn bộ các nhóm

- Dấu kỳ vọng của hệ số hồi quy ước lượng của biến: Dấu kỳ vọng của các hệ

số phải phù hợp với lý thuyết cũng như bản chất kinh doanh Cần phải kiểm tra các

hệ số có phù hợp với ý nghĩa kinh tế được xác định cho từng biến Những biến có biến đổi cùng chiều với tỷ lệ khách hàng Xấu sẽ có hệ số mang dấu dương Các trường hợp ngược lại hệ số mang dấu âm Cần loại bỏ các phương trình không thỏa mãn điều kiện về dấu đã được đề cập ở trên Tình trạng này thường xảy ra trong trường hợp các biến có tương quan cao với nhau với hệ số không ổn định

- Các yếu tố rủi ro được lựa chọn dễ hiểu và được chấp nhận: các biến được lựa chọn cho mô hình phải dễ hiểu đối với người sử dụng không chỉ theo phương pháp thống kê mà còn theo ý nghĩa kinh tế thông thường

- Ý nghĩa của hệ số hồi quy ước lượng của biến β: Mức ý nghĩa của hệ số hồi quy ước lượng của biến cuối cùng càng cao (p-value dưới 5%) càng thể hiện được tính ổn định của mô hình, trừ một số chỉ tiêu được đề xuất bởi các chuyên gia

1.2.4.4 Khả năng phân biệt mô hình

Ngoài phân tích đơn biến, khả năng phân biệt của mô hình cũng được đo lường bằng AUROC

1.2.5 Kết hợp mô hình và kết quả mô hình

Vì P(x) ước lượng cho các biến tài chính và phi tài chính được xây dựng một cách độc lập, do vậy cần phải có bước kết hợp mô hình tài chính và phi tài chính Sau kết thúc bước hồi quy, SPSS sẽ tự động ước lượng PD cho mỗi mô hình Với PD dự báo cho biến tài chính và phi tài chính, PRE_1 và PRE_2, phương trình f(x) cho mỗi mô hình tài chính và phi tài chính có thể được tính bằng công thức sau:

Đây là hai phương trình sẽ được kết hợp bởi các tỷ trọng khác nhau giữa các biến tài chính và phi tài chính

1ln_

)(

PRE Finance

x f

1ln_

)(

PRE finance

Non x

f

)_

)(exp(

1

1_

Combine x

f Combine

Non x

f F Finance x

f Combine x

f( )_  ( )_ *%  ( )_  *%

Mô hình lựa chọn cuối cùng sẽ dựa trên khả năng phân biệt của PD_combine bằng cách so sánh AUROC của các kết hợp khác nhau và kỳ vọng của ngân hàng về mức độ ảnh hưởng của biến định lượng và biến định tính trong mô hình

1.3 Mô hình Logistic

1.3.1 Mô hình hồi quy Logistic cho biến đáp ứng nhị phân

Mô hình Logistic là mô hình hồi quy toán học nghiên cứu sự phụ thuộc của một biến nhị phân (Y) vào các biến độc lập (X) khác Hồi quy logistic nhị phân là phương pháp phân tích hồi quy điển hình nhằm dự đoán hai kết quả có thể xảy ra của biến nhị phân (Y = 1 hoặc 0) dựa trên một hoặc nhiều biến giải thích (X) (Hoàng Tùng, 2011)

Cấu trúc dữ liệu trong mô hình như sau:

Từ tập số liệu đã cho với tổng kích thước mẫu là M, ở đó mỗi quan sát là độc

lập, Y có thể xem như một véctơ cột của M biến ngẫu nhiên Yi Ta quy ước gán giá trị 1cho khả năng thành công và 0 cho khả năng thất bại

Cho n là tổng số lần quan sát, n véctơ cột n-chiều với thành phần thứ i , ni là

số phần tử của tổng thể trong lần quan sát thứ i (i = 1 ,n) Khi đó n M

n i

i 



 1

Cho X là véctơ cột n -chiều với thành phần thứ i , Xi(xi) là biến ngẫu nhiên mô

tả số lần thành công của Y trong lần quan sát thứ i ; véctơ cột n -chiều x là giá trị

thực nghiệm của X với thành phần xi là giá trị thực nghiệm của Xi;p là véc tơ cột n

-chiều với thành phần thứ i , pi = P[Yi = 1] là số lần thành công của Y trong lần quan sát thứ i

Gọi Z=(zij) là ma trận các biến dự báo gồm n dòng và K+1 cột, với K là số biến dự báo của mô hình và phần tử đầu tiên zi0 = 1

Mô hình hồi quy được xác định bởi công thức:

β = (β0,…, βk) là véctơ tham số cần ước lượng

Khi ước lượng được các giá trị ˆi (i = 1…,n) thì sẽ ước lượng được xác suất pˆ Như vậy trong mô hình Logistic chúng ta không nghiên cứu ảnh hưởng trực tiếp của biến độc lập Xk đối với Y mà là xem xét ảnh hưởng của Xk đến xác suất Y

để nhận giá trị bằng 1 hay kỳ vọng của Y

1.3.2 Ước lượng tham số cho mô hình hồi quy logistic cho biến đáp ứng nhị phân

Đối với mô hình hồi quy logistic các tham số được ước lượng bằng phương pháp hợp lý cực đại, nghĩa là tìm các giá trị của tham số cần ước lượng để hàm loga hợp lý đạt giá trị cao nhất, một trong số đó là phương pháp Goldberger

Trong mô hình này, các pi được xác định bằng:

pi không phải là hàm tuyến tính của các biến độc lập

Phương trình (1.1) được gọi là hàm phân bố Logistic Trong hàm này khi Xinhận các giá trị từ -∞ đến ∞ thì pi nhận các giá trị từ 0-1 pi phi tuyến đối với cả X

và các tham số β Khi đó người ta sẽ dùng phương pháp ước lượng hợp lý tối đa để ước lượng β Vì Y chỉ nhận một trong hai giá trị là 0 – 1, Y có phân bố nhị thức nên hàm hợp lý với mẫu kích thước n có dạng sau đây:

i

i Y

i i n

X L

exp(

1

)exp(

1 ( exp

1

1 '





i n

i

n i

i i X

Y X

XiYi

1

, t* là véc tơ hai chiều (số hệ số hồi quy) Ta cần tìm ước

lượng hợp lý tối đa của β

t

1

* '

))exp(

1

)exp(

)(/

)

X

X S

X

X S

1

*)

exp(

1

)exp(

)(







Phương trình trên phi tuyến đối với β Bằng phương pháp lặp Newton-Raphon

ta có thể tìm được nghiệm của hệ các phương trình đạo hàm cấp 1 của hàm loga hợp

lý Mỗi nghiệm như thế cho ta một điểm dừng của hàm hợp lý cực đại, có thể là cực

đại hoặc cực tiểu Điểm dừng này là cực đại nếu ma trận đạo hàm riêng cấp hai của

l(β) là ma trận xác định dương, nghĩa là mỗi phần tử trên đường chéo chính của ma

trận này đều không âm Một ma trận này sẽ cho ta ma trận hiệp phương sai của các

ước lượng tham số

Sử dụng phương pháp lặp Newton để tìm giá trị ước lượng của β :

i i i

X

X X

X X X

1

2

2

))exp(

1(

))(exp(

)exp(

))exp(

1(

))exp(

1(

)exp(

L Ln L

Ln S

Quá trình lặp như sau:

Bắt đầu với giá trị ban đầu nào đó của  , chẳng hạn 0, ta tính được S(0) và I(0), sau đó tìm mới bằng công thức sau đây:

    0 )

1 0 0

1   (

Quá trình lặp trên sẽ được thực hiện cho đến khi hội tụ Do I() là dạng toàn phương xác định dương, nên quá trình trên sẽ cho ước lượng hợp lý cực đại Tương ứng với ˆ, ta có    ˆ  1



I là ma trận hiệp phương sai của ˆ Sau khi ước lượng đượcˆ, ta có thể tính được ước lượng xác suất

) / 1

p  

)exp(

1

)ˆexp(

X

X p

k

p p

X

X p





)1())

ˆexp(

1(

)ˆexp(

1.3.3 Phương pháp logit biến đổi biến độc lập X

Đây là phương pháp thường được sử dụng trong việc biến đổi biến độc lập X trong phân tích mô hình hồi quy logistic biến phụ thuộc Y vào biến X

Từ khía cạnh thống kê, việc nhập giá trị thô của biến giải thích vào hồi quy logistic là không hiệu quả và có thể dẫn đến việc ước lượng sai lệch các hệ số Ví

dụ, một số biến có khoảng giá trị rất rộng và có khác biệt lớn vê đơn vị đo so với các biến khác Vì vậy, để so sánh và hồi quy các biến khác nhau trong bước phân

tích đa biến, các biến độc lập cần thiết phải được biến đổi về một thang đo đồng nhất

Khi biến phụ thuộc Y tuân theo phân phối hàm logistic, để hiệu quả biến độc lập liên tục “X” cần được biến đổi về dạng logistic Biểu đồ sau thể hiện hình dạng phân phối của một biến giải thích trước và sau biến đổi Biểu đồ cho thấy hình chiếu của phân phối A về phân phối của biến phụ thuộc không hiệu quả như hình chiếu của phân phối B (đã được biến đổi về dạng logistic), xem Hình 1.5

Sau quá trình biến đổi biến, kết quả của phương trình hồi quy sẽ được phản ánh qua giá trị được chuyển đổi của các biến giải thích Giả sử rằng đường tuyến tính ở hình minh họa dưới đây thể hiện giá trị ban đầu của biến Sau khi được chuyển sang dạng logit, đa số các các giá trị của biến sẽ có ý nghĩa hơn trong việc

dự đoán PD như hình minh họa thứ hai ở Hình 1.3

Theo phương pháp logit, các biến (ví dụ biến x) được biến đổi theo công thức sau:

X=Logit(x) =

)

*exp(

1

1

v x

Trong đó u, v là số cần tìm

C Phân phối của biến Y

A Phân phối của biến X ban đầu

đầu

B Phân phối của biến X được biến đổi

C Phân phối của biến Y

Hình 1.3 - So sánh giữa biến ban đầu và biến được biến đổi

Với danh sách biến x1, x2, x3 , x (n), giả định giá trị U và L là ngưỡng trên (95%) và ngưỡng dưới (5%) Từ công thức trên, công thức theo U và L sẽ là:

)

* exp(

1

1

v U

1

v L

Ln u





U M

) (

* ) 19 (

L U

L U Ln





Trong đó, Điểm giữa (Midpoint) =

2

L U

M 

Thay giá trị u và v vào công thức đầu tiên, chúng ta có:

X= Logit(x) =

)]

(

* exp[

1

1

x M slope 



Trong đó, độ dốc (slope) =

M U M U

Ln u

1.3.4 Kiểm định mô hình hồi quy logistic

Theo Ủy ban Basel về giám sát ngân hàng, kiểm định mô hình PD đóng vai trò quan trọng trong so sánh tỷ lệ tình trạng không trả được nợ thực tế với xác suất không

trả được nợ ước lượng cho mỗi hạng của hệ thống và đánh giá độ lệch giữa tỷ lệ không trả được nợ quan sát được và PD ước lượng (Basel II, 2004) Sau khi xây dựng mô hình với các biến cuối cùng được lựa chọn, dữ liệu cần được thu thập thêm

để sử dụng cho việc kiểm định tính chính xác của mô hình được xây dựng

Các dữ liệu ngoại kỳ (hoặc ngoài mẫu) được thực hiện để kiểm định mô hình hồi quy logistic Các dữ liệu này phải được đảm bảo là không trùng với dữ liệu mẫu

đã được sử dụng trong việc xây dựng mô hình Các dữ liệu bao gồm báo cáo tài chính và các thông tin phi tài chính để xây dựng các biến đưa vào mô hình Theo

đó, tất cả các khách hàng trong danh mục dữ liệu ngoài mẫu này sẽ được phân khúc tương tự với dữ liệu xây dựng mô hình và tính điểm PD cho từng khách hàng dựa vào mô hình PD xây dựng cho phân khúc đó