Thuyết trình môn quản trị rủi ro tài chính chương 21 giá trị tín dụng có rủi ro

21.1 Ma trận chuyển đổi xếp hạng Nếu chúng ta giả định rằng sự thay đổi xếp hạng trong một khoảng thời gian là độc lập với các khoản thời gian khác, bảng 21.1 có thể được sử dụng để tín

QUẢN TRỊ RỦI RO TÀI CHÍNH

CHƯƠNG 21 GIÁ TRỊ TÍN DỤNG CÓ RỦI RO

GVHD: TS Nguyễn Khắc Quốc Bảo

Danh sách nhóm:

1 Lê Xuân Thúy

2 Lê Hoàng Yến

3 Đỗ Châu Phúc

Mô phỏng lịch sử (xem Chương 13) là công cụ chính được sử dụng để tính toán rủi ro thị trường VaR, nhưng một mô hình phức tạp hơn thường là cần thiết để tính toán rủi ro tín dụng VaR

.

Rủi ro tín dụng VaR

Một khía cạnh quan trọng của bất kỳ mô hình VaR rủi ro tín dụng là tương quan tín dụng Việc đổ vỡ của các công ty khác nhau không xảy ra độc lập với nhau

Trong thời kỳ suy thoái kinh tế, hầu hết các công ty đều chịu ảnh hưởng xấu và có nguy cơ vỡ nợ Khi nền kinh

tế phát triển tốt, chúng ảnh hưởng tốt và ít có khả năng bị vỡ nợ

Mối quan hệ giữa tỷ lệ vỡ nợ và các yếu tố kinh tế là lý do chính cho sự tương quan tín dụng Nếu tương quan tín dụng tăng (vì nó có xu hướng tăng trong điều kiện kinh tế căng thẳng), nguy cơ cho một tổ chức tài chính với một danh mục có nhạy cảm về rủi ro tín dụng tăng lên

21.1 Ma trận chuyển đổi xếp hạng

Bảng 21.1 Ma trận chuyển đổi xếp hạng một năm do Moody's công bố, dựa trên kết quả hoạt động của tất cả các công ty mà Moody's xếp hạng giữa năm 1970 và năm 2013

21.1 Ma trận chuyển đổi xếp hạng

Từ Bảng 21.1, ta có ví dụ cho thấy rằng một công ty bắt đầu với một đánh giá là A có xác suất 90,73% vẫn được đánh giá A vào cuối năm Có đến 2.56% cơ hội sẽ được nâng cấp lên Aa vào cuối năm, và 5.86% cơ hội sẽ bị hạ cấp xuống Baa Xác suất mà nó vỡ nợ trong năm chỉ là 0,06%, hoặc 6 điểm cơ hội trong 10.000.

21.1 Ma trận chuyển đổi xếp hạng

Bảng 21.2 Ma trận chuyển đổi xếp hạng 5 năm được tính từ Bảng 21.1

21.1 Ma trận chuyển đổi xếp hạng

 Nếu chúng ta giả định rằng sự thay đổi xếp hạng trong một khoảng thời gian là độc lập với các khoản thời gian khác, bảng 21.1 có thể được sử dụng để tính toán ma trận chuyển đổi cho các giai đoạn khác lớn hơn một năm Ví dụ, ma trận chuyển đổi trong hai năm có thể được tính bằng cách nhân ma trận của chính nó

 Ma trận chuyển đổi năm năm, được thể hiện trong Bảng 21.2, được tính như là nhân 5 lần của ma trận trong Bảng 21.1 Bảng 21.2 cho thấy không có gì ngạc nhiên khi xác suất của một công ty duy trì xếp hạng tín dụng trong năm năm thấp hơn nhiều so với thời gian hơn một năm, và xác suất vỡ nợ trong 5 năm cao hơn nhiều so với một năm.

.

 21.1 Ma trận chuyển đổi xếp hạng

Bảng 21.3 Ma trận chuyển đổi xếp hạng 1 tháng được tính từ Bảng 21.1

Bảng 21.3 cho thấy sự chuyển đổi xếp hạng tính cho một khoảng thời gian một tháng từ dữ liệu trong Bảng 21.1

Có thể dự kiến, xác suất xếp hạng tín dụng của một công ty sẽ không đổi trong một tháng là rất cao.

21.1 Ma trận chuyển đổi xếp hạng

Giả định rằng thay đổi xếp hạng tín dụng trong một khoảng thời gian là không phụ thuộc vào thời điểm khác là không đúng Nếu một công ty đã bị hạ cấp gần đây, sẽ có nhiều khả năng bị hạ cấp xuống trong thời gian ngắn tiếp theo (Hiện tượng này đôi khi được gọi là xu hướng xếp hạng) Tuy nhiên, giả thiết về tính độc lập không phải là quá bất hợp lý đối với hầu hết các mục đích.

21.2 Mô hình Vacisek:

Yêu cầu về vốn dựa trên xếp hạng nội bộ (IRB) của Basel II đối với rủi ro tín dụng trong sổ sách kế toán ngân hàng được dựa trên mô hình Gaussian copula của Vasicek (xem Phần 11.5 và 15.8) Đây là một cách để tính độ chính xác cao của việc phân phối tỷ lệ vỡ nợ cho một danh mục các khoản vay.

Mô hình của Vasicek liên quan đến việc tính toán WCDR (T, X).

Định nghĩa WCDR(T,X): X phần trăm của việc phân bố tỷ lệ vỡ nợ trong khoản thời gian T (định nghĩa theo Chương 11) WCDR biểu thị tỷ lệ vỡ nợ trong trường hợp xấu nhất.

21.2 Mô hình Vacisek:

Công thức tính:

Với: PD là xác suất vỡ nợ, ρ là tham số mô tả tương quan tín dụng.

 Phần trăm của phân phối tổn thất 1 khoản vay cá nhân khi vỡ nợ:

Với: EAD là giá trị khoản vay thời điểm vỡ nợ, LGD là mất mát của việc vỡ nợ

 Vốn quy định cho banking book của ngân hàng được tính theo Công thức 21.2 với T = 1 năm và X = 99,9%

 Vốn thực tế đôi khi nó nhỏ hơn biểu thức trong phương trình (21.2) do đã được nhân với yếu tố điều chỉnh MAi, do thực tế là nếu nó kéo dài hơn một năm, khoản vay thứ i có thể xấu đi mà không bị vỡ nợ

21.2 Mô hình Vacisek:

 Khi mô hình của Vasicek được sử dụng để xác định vốn kinh tế, các ngân hàng được tự do để ước tính ρ

 ρ cho hai công ty nên tương đương với mối tương quan giữa lợi nhuận trên tài sản của công ty Nó xấp xỉ giống như mối tương quan giữa lợi nhuận trên vốn cổ phần của họ Do đó, một cách để xác định ρ cho một danh mục rủi ro của các công ty là tính trung bình tương quan giữa lợi nhuận trên vốn cổ phần cho các công

21.3 Mô hình Credit Risk Plus:

 Năm 1997, Credit Suisse Financial Products đề xuất một phương pháp tính VaR gọi là Credit Risk Plus Nó bao gồm các phép ước lượng phân tích được áp dụng tốt trong ngành bảo hiểm.

 Một tổ chức tài chính có n khoản vay và xác suất vỡ nợ cho mỗi khoản vay trong một năm là q, dự kiến vỡ

nợ tổng là qn Giả sử các sự kiện vỡ nợ là độc lập, xác suất vỡ nợ m khoản vay được cho bởi sự phân phối

nhị thức:

21.3 Mô hình Credit Risk Plus:

 Nếu q là nhỏ và n lớn, điều này có thể được xấp xỉ bởi sự phân phối Poisson:

 Phương trình này xấp xỉ ngay cả khi xác suất vỡ nợ không giống nhau đối với mỗi khoản vay, với điều kiện

là tất cả các xác suất vỡ nợ là nhỏ và q bằng với xác suất trung bình về vỡ nợ trong năm tới đối với các khoản vay trong danh mục đầu tư.

 Trong thực tế, không chắc chắn về tỷ lệ vỡ nợ q sẽ là số trong năm tới bởi tỷ lệ vỡ nợ thay đổi rất nhiều năm

này sang năm khác Một giả định thuận tiện là qn, xác suất dự kiến vỡ nợ, tuân theo phân phối gamma có

nghĩa là nó có trung bình μ và độ lệch chuẩn σ.

21.3 Mô hình Credit Risk Plus:

 Công thức tính:

Trong đó: α = μ2 / σ2, p = σ2 / (μ + σ2), và Γ (x) là hàm gamma.

 Bảng 21.4 cho thấy phân bố xác suất cho số lượng vỡ nợ khi μ = 4 cho các giá trị khác nhau của σ Cột đầu tiên (σ = 0) được tính từ công thức (21.3) Các cột còn lại được tính từ công thức (21.4)

21.3 Mô hình Credit Risk Plus:

Bảng 21.4: Phân bố xác suất cho số lượng vỡ nợ khi μ = 4 cho các giá trị khác nhau của σ.

21.3 Mô hình Credit Risk Plus:

 Trên thực tế, sự mất mát từ việc vỡ nợ không chắc chắn và ngân hàng có một số loại rủi ro khác nhau với tỷ

lệ vỡ nợ cho mỗi loại là khác nhau Các kết quả phân tích tiếp theo có thể được tiếp tục thực hiện, nhưng sự thay thế linh hoạt hơn thường được sử dụng là mô phỏng Monte Carlo

 Mô phỏng như vậy có thể tiến hành như sau:

1 Lấy mẫu tỷ lệ vỡ nợ tổng thể Đây có thể là một mẫu ngẫu nhiên từ dữ liệu như trong Bảng 11.4.

2 Phát triển một mô hình liên quan đến tỷ lệ vỡ nợ cho mỗi loại người có nghĩa vụ đối với tỷ lệ vỡ nợ tổng thể Một mô hình đơn giản thu được bằng cách tính hệ số các tỷ lệ vỡ nợ cho từng loại người có nghĩa vụ so với tỷ lệ vỡ nợ tổng thể

21.3 Mô hình Credit Risk Plus:

3 Thử một số trường hợp không trả nợ cho mỗi loại người có nghĩa vụ.

4 Lấy mẫu tổn thất vỡ nợ cho mỗi lần vỡ nợ trong mỗi loại.

5 Tính tổng số thiệt hại từ các khoản vỡ nợ này.

6 Lặp lại các bước từ 1 tới 5 lần để xây dựng phân bố xác suất cho tổng số thiệt hại.

7 Tính toán VaR yêu cầu từ phân bố xác suất mất mát tổng thể

21.4 Mô hình CreditMetric:

 Mô hình CreditMetrics, được thiết kế để có thể tính đến các hạ cấp tín dụng cũng như khi vỡ nợ.

 Mô hình này đã được JPMorgan đề xuất năm 1997 Nó dựa trên ma trận chuyển đổi xếp hạng

 Trong mỗi lần thử nghiệm mô phỏng, xác định xếp hạng tín dụng của tất cả các đối tác vào cuối năm Sau đó tính toán khoản lỗ tín dụng cho từng đối tác

 Nếu xếp hạng tín dụng cuối năm đối với một đối tác không phải là vỡ nợ, việc tính toán khoản lỗ tín dụng được tính bằng cách xác định tất cả các giao dịch với bên kia tại thời điểm một năm.

 Nếu xếp hạng tín dụng cuối năm là vỡ nợ thì khoản lỗ tín dụng là khoản chi trả cho lần vỡ nợ một lần trừ đi tỷ lệ thu hồi.

21.4 Mô hình CreditMetric:

 Các tính toán đòi hỏi mức phí tín dụng từng cấu trúc kỳ hạn của cho mỗi loại xếp hạng.

 Chi phí vỡ nợ dự kiến từ một năm trở đi, được xác đinh từ thời điểm 0, là:

 qi là xác suất vỡ nợ trong khoảng thời gian thứ i

 vi là giá trị hiện tại của giá trị ròng dự kiến tại điểm giữa của khoảng thời gian sau khi tài sản thế

chấp đã được đưa vào tài khoản

 R là tỷ lệ thu hồi

 khoảng thời gian thứ j bắt đầu vào thời điểm một năm

21.4 Mô hình CreditMetric:

Nếu có một sự vỡ nợ trong năm đầu tiên của thử nghiệm mô phỏng cụ thể, thời gian vỡ nợ được lấy mẫu và giá trị vỡ nợ được xác định Nó được nhân với một tỷ lệ thu hồi giảm đi để xác định tổn thất thực tế Lưu ý rằng, nếu xếp hạng tín dụng của bên kia được cải thiện trong năm (hoặc thậm chí nếu nó vẫn như cũ) thì khoản tín dụng này sẽ bị trừ ra.

Mô hình tương quan:

 Một mô hình copula Gaussian được sử dụng để xây dựng một sự phân bố xác suất chung chia

sẻ các thay đổi đánh giá xếp hạng tín dụng Sự tương quan giữa các chuyển đổi xếp hạng cho hai công ty thường được xác định bằng mối tương quan giữa lợi nhuận trên vốn cổ phần của họ.

Mô hình tương quan:

 Giả sử rằng chúng ta đang mô phỏng sự thay đổi đánh giá xếp hạng tín dụng của một công ty xếp hạng A và một công ty xếp hạng B trong một năm bằng việc sử dụng ma trận chuyển đổi trong Bảng 21.1 Giả sử mối tương quan giữa lợi nhuận trên vốn cổ phần của hai công ty là 0,2 Trong mỗi mô phỏng thử nghiệm chúng tôi sẽ lấy mẫu hai biến xA và xB từ các phân bố chuẩn thông thường để tương quan của chúng là 0.2

Mô hình tương quan:

Công ty được đánh giá A sẽ được nâng cấp lên Aaa nếu xA <-3.2389, nó sẽ trở thành Aa-rated nếu -3.2389 <xA <-1.9398, nó vẫn A-rated nếu -1.9398 <xA <1.5024, vv Bảng 21.1 cũng cho thấy rằng xác suất của một công ty xếp hạng B chuyển đến Aaa, Aa, A, là 0.0001, 0.0003, 0.0012,

Mô hình tương quan:

 Công ty xếp hạng B được đánh giá là Aaa nếu xB 3.7190, nó sẽ trở thành Aa-rated nếu -3.7190 <xB 3.3528, nó sẽ trở thành A-rated nếu -3.3528 <xB <-2.9478, và như vậy Công ty Arated vỡ nợ nếu xA> N-1 (0.9994), nghĩa là khi xA> 3.2389 Công ty xếp hạng B vỡ nợ khi xB> N-1 (0.9582), nghĩa là khi xB> 1.7302

<-Mô hình tương quan:

21.5 Các công cụ nhạy cảm đối với tín dụng trong Sổ sách kinh doanh:

 Giá trị của hầu hết các sản phẩm nhạy cảm với tín dụng trong sổ sách kinh doanh phụ thuộc rất nhiều vào chi phí tín dụng

 Tính toán VaR tín dụng

 Tphương pháp tiếp cận CreditMetrics

 Tương quan tín dụng có thể được giới thiệu theo hai cách

 Thứ nhất, một mô hình copula Gaussian có thể được sử dụng để thể hiện tương quan các thay đổi xếp hạng tín dụng của các công ty khác nhau (Phần 21.4)

 Thứ hai, sự thay đổi về chi phí tín dụng đối với các hạng mục đánh giá khác nhau có thể được giả định là hoàn toàn (hoặc gần như hoàn toàn) tương quan để khi chi phí tài sản Công ty xếp hạng A tăng lên, thì các chi phí ở các xếp hạng khác cũng tương tự như vậy

21.5 Các công cụ nhạy cảm đối với tín dụng trong Sổ sách kinh doanh:

Phí rủi ro gia tăng

 Chi phí rủi ro gia tăng đòi hỏi ngân hàng phải tính tỷ suất VaR 99,9% một năm.

 Giả sử, thời hạn thanh khoản là 3 tháng và trái phiếu kinh doanh ban đầu được xếp hạng BBB Nếu, theo một kịch bản được xem xét, trái phiếu được hạ cấp xuống B trong suốt ba tháng, nó được giả định là được thay thế bằng một cái mới trái phiếu BBB vào cuối ba tháng để tính VaR; nếu trái phiếu mới này được hạ cấp xuống CCC trong ba tháng tiếp theo, nó sẽ được thay thế bằng một cái mới BBB trái phiếu tại thời điểm sáu tháng;

Ứng dụng mô hình VAR vào quản trị rủi ro tín dụng cho hệ thống ngân hàng thương mại Việt Nam:

Ưu điểm của Value at Risk

Đối với những hạn chế trong hoạt động quản trị rủi ro danh mục tại các ngân hàng thương mại Việt Nam VaR đã góp phần giải quyết được những hạn chế sau:

Cung cấp phương pháp đo lường rủi ro hiện đại điểm yếu nhất trong hoạt động quản trị rủi ro danh mục cho vay của các ngân hàng thương mại Việt Nam chính là thiếu vắng các

mô hình đo lường rủi ro

Lượng hóa rủi ro là một bước quan trọng và ngày càng trở nên quan trọng trong hoạt động quản trị rủi ro hiện đại Các mô hình đo lường rủi ro hiện nay chỉ mới đáp ứng được việc đo lường riêng lẻ từng khoản vay mà chưa đo lường được cả danh mục cho vay khiến cho hoạt động quản trị rủi ro danh mục cho vay thiếu hiệu quả

 Ứng dụng các mô hình tài chính để đo lường Value at Risk giúp ngân hàng nâng cao hiệu quả công tác quản trị rủi ro, đồng thời tiếp cận được với các chuẩn mực quốc tế trong hoạt động này.Value at Risk cũng được Basel II khuyến khích sử dụng để giám sát rủi ro qua đó thiết lập mức vốn kinh tế để đảm bảo an toàn cho hoạt động ngân hàng

 Tạo cơ sở cho việc thiết lập dự phòng rủi ro và vốn kinh tế hợp lí

 Các mô hình đo lường rủi ro trên khung Value at Risk đã cố gắng chứng minh rằng rủi ro của toàn danh mục thường có xu hướng nhỏ hơn tổng rủi ro của từng khoản vay nhờ sự

đa dạng hóa tài sản nắm giữ

 Tương quan giữa các khoản vay là yếu tố đầu vào không thể thiếu trong các mô hình đo lường VaR và mỗi mô hình có cách tiếp cận đo lường mức tương quan khác nhau

Hạn chế của việc áp dụng VaR

 Việc đưa phương pháp VaR ứng dụng trong thực tế sẽ là một chặng đường dài với nhiều khó khăn thách thức như thiếu dữ liệu, thiếu nhân lực hay đơn giản là thiếu sự hợp tác của khách hàng, hỗ trợ từ cơ quan quản lý nhà nước

 Do đó để có thể mau chóng ứng dụng một cách tốt nhất phương pháp đo lường hiện đại này, một số kiến nghị gửi đến các ngân hàng thương mại và cơ quan quản lý nhà nước như sau :

 Đây nhanh việc xây dựng hệ thống phân loại nội bộ có thể thấy rằng xếp hạng tín nhiệm nội bộ của các khoản vay là yếu tố không thể thiếu trong các mô hình đo lường rủi ro hiện đại Không chỉ là mức xếp hạng hiện thời vào thời điểm tính toán mà dữ liệu thống kê mức tín nhiệm của các khoản vay trong thời gian dài còn cần thiết để tính toán xác suất chuyển hạng tín nhiệm, là một yếu tố đầu vào quan trọng

 Vì nhiều nguyên nhân khác nhau các ngân hàng vẫn chưa thật sự chú ý đến yêu cầu này trong đó không loại trừ việc nợ xấu sẽ gia tăng khi phân loại theo tiêu chuẩn mới làm các ngân hàng trì hoãn tiến hành Nhưng dù sớm hay muộn các ngân hàng cũng phải chấp nhận nhưng khó khăn trong giai đoạn chuyển đổi

để đưa hoạt động của ngân hàng mình minh bạch và an toàn hơncủa các mô hình tính VaR

 Kết quả của mô hình cho chính xác hay không phụ thuốc rất lớn vào chất lượng của các yếu tố đầu vào Cho

dù phương pháp đo lường có hiện đại nhưng chất lượng thông tin đầu vào không chính xác thì kết quả mô hình cũng không có ý nghĩa, thậm chí còn nguy hiểm hơn khi kết quả đó làm cho ngân hàng có những phản ứng sai lệch Do đó xây dựng hệ thống phân loại nợ nội bộ theo các tiêu chí định tính (điều 7) thay cho việc phân loại nợ (điều 6) hiện thời là việc làm cần thiết đối với các ngân hàng nếu muốn áp dụng các mô hình tính VaR đạt hiệu quả cao nhất

 Các ngân hàng đã xây dựng và vận hành hệ thống này cần thống kê và lưu giữ đầy đủ số liệu xếp hạng qua các năm để tính toán xác suất chuyển hạng tín nhiệm từ dữ liệu ngân hàng mình, phục vụ cho việc áp dụng các mô hình tính VaR Nâng cấp hệ thống công nghệ thông tin Hệ thống công nghệ thông tin của các ngân hàng cần được nâng cấp, hiện đại hóa để có thể hỗ trợ cho công tác quản lý rủi ro tín dụng, tiến tới theo dõi rủi ro tín dụng của toàn hệ thống một cách tức thời.

 Các mô hình tính VaR, dễ dàng nhận thấy rằng chúng không thể được tính toán bằng các chương trình thông thường như Excel hoặc bằng thủ công Chỉ với một danh mục cho vay gồm 2 khoản vay như trên ví

dụ, mô hình đã phải xử lý 64 trường hợp khác nhau với các phép tính phức tạp để đưa ra kết quả

 Các mô hình tính VaR điều đòi hỏi một lượng dữ liệu đầu vào lớn, không chỉ là dữ liệu hiện hành mà còn các dữ liệu của nhiều năm trở về trước