Các nhân tố tác động dến rủi ro hệ thống các ngân hàng thương mại tại việt nam

TÓM TẮT Thông qua đề tài “Các nhân tố tác động đến rủi ro hệ thống các ngân hàng thương mại tại Việt Nam”, tác giả nghiên cứu với sự thay đổi của tăng trưởng kinh tế GDP, tăng trưởng v

CHÂU HỒ QUỐC BẢO

CÁC NHÂN TỐ TÁC ĐỘNG ĐẾN RỦI RO HỆ THỐNG CÁC NGÂN HÀNG THƯƠNG MẠI TẠI VIỆT NAM

LUẬN VĂN THẠC SĨ KINH TẾ

TP HỒ CHÍ MINH – NĂM 2016

CHÂU HỒ QUỐC BẢO

CÁC NHÂN TỐ TÁC ĐỘNG ĐẾN RỦI RO HỆ THỐNG CÁC NGÂN HÀNG THƯƠNG MẠI TẠI VIỆT NAM

Chuyên ngành: Tài chính – Ngân hàng

Mã số: 60 34 02 01 LUẬN VĂN THẠC SĨ KINH TẾ

Người hướng dẫn khoa học: PGS TS HẠ THỊ THIỀU DAO

TP HỒ CHÍ MINH – NĂM 2016

TÓM TẮT

Thông qua đề tài “Các nhân tố tác động đến rủi ro hệ thống các ngân

hàng thương mại tại Việt Nam”, tác giả nghiên cứu với sự thay đổi của tăng

trưởng kinh tế (GDP), tăng trưởng vốn huy động của hệ thống ngân hàng thương mại (TD), tỷ lệ nợ xấu (NPL) và bản thân rủi ro hệ thống (PD) thì rủi ro hệ thống các ngân hàng thương mại tại Việt Nam bị tác động như thế nào Trước đó, bằng phương pháp quyền chọn (CCA), rủi ro hệ thống được đo lường bằng xác suất phá sản của danh mục 26 ngân hàng thương mại trong thời hạn 1 năm tiếp theo Phương pháp tự hồi quy vector theo dữ liệu bảng (panel VAR) với hai ứng dụng là hàm phản ứng đẩy và phân rã phương sai được sử dụng nhằm xem xét mối quan hệ của các nhân tố đến rủi ro hệ thống ngân hàng thương mại tại Việt Nam Sau khi tiến hành phân tích thống kê mô tả, phân tích hồi quy kết hợp với đánh giá tình hình hoạt động thực tế của hệ thống ngân hàng thương mại, nghiên cứu nhận thấy việc tăng trưởng kinh tế quá nhanh, gia tăng vốn huy động đột ngột, bùng phát tỷ lệ nợ xấu hay cách quản trị rủi ro thiếu hiệu quả đều làm tăng rủi ro hệ thống, điều này cho thấy cần phải có những chính sách, biện pháp quản lý phù hợp đối với nền kinh

tế vĩ mô lẫn tài chính, đặc biệt cần phải ổn định khu vực ngân hàng để kiểm soát rủi

ro hệ thống, tránh gây những hậu quả bất lợi cho nền kinh tế

LỜI CAM ĐOAN

Tôi là Châu Hồ Quốc Bảo, học viên lớp cao học CH16B2, trường đại học Ngân Hàng TP Hồ Chí Minh, niên khóa 2014 – 2016 Luận văn này chưa từng được trình nộp để lấy học vị thạc sĩ tại bất cứ một trường đại học nào Luận văn này

là công trình nghiên cứu riêng của tác giả, kết quả nghiên cứu là trung thực, trong

đó không có các nội dung đã được công bố trước đây hoặc các nội dung do người khác thực hiện ngoại trừ các trích dẫn được dẫn nguồn đầy đủ trong luận văn

Tôi xin chịu hoàn toàn trách nhiệm về lời cam đoan của tôi

Tp Hồ Chí Minh, ngày 24 tháng 09 năm 2016 Người thực hiện

CHÂU HỒ QUỐC BẢO

LỜI CẢM ƠN

Tôi cảm ơn rất nhiều người hướng dẫn của mình, PGS TS Hạ Thị Thiều Dao, người đã tận tình hướng dẫn và hỗ trợ tôi trong suốt quá trình viết luận văn Luận văn này chắc chắn không thể hoàn thành nếu không có sự hướng dẫn tận tâm của cô

Tôi cũng cảm ơn cha mẹ, anh chị, bạn Nguyễn Thị Hải Yến đã giúp đỡ, hỗ trợ, cho tôi những nhận xét nghiêm khắc nhưng công bằng nhất Tôi biết ơn, trân trọng những kinh nghiệm, góp ý, khuyến khích của mọi người kể từ khi bắt đầu viết luận văn này

Cuối cùng, tôi cảm ơn tất cả thầy cô, bạn bè đã hỗ trợ, góp ý giúp tôi hoàn thiện những thiếu sót của luận văn này, do thời gian và kiến thức còn hạn chế mà còn nhiều khuyết điểm không thể tránh khỏi

MỤC LỤC

TÓM TẮT 1

LỜI CAM ĐOAN 2

LỜI CẢM ƠN 3

MỤC LỤC 4

DANH MỤC CHỮ VIẾT TẮT 7

DANH MỤC BẢNG 8

DANH MỤC HÌNH 9

CHƯƠNG 1: GIỚI THIỆU 10

1.1 ĐẶT VẤN ĐỀ 10

1.2 TÍNH CẤP THIẾT CỦA ĐỀ TÀI 11

1.3 MỤC TIÊU NGHIÊN CỨU 13

1.3.1 Mục tiêu tổng quát 13

1.3.2 Mục tiêu cụ thể 13

1.4 CÂU HỎI NGHIÊN CỨU 13

1.5 ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU 13

1.5.1 Đối tượng nghiên cứu 13

1.5.2 Phạm vi nghiên cứu 13

1.6 PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU NGHIÊN CỨU 14

1.7 ĐÓNG GÓP CỦA ĐỀ TÀI 14

1.8 KẾT CẤU CỦA ĐỀ TÀI 15

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ RỦI RO HỆ THỐNG VÀ CÁCH ĐO LƯỜNG RỦI RO HỆ THỐNG 16

2.1 KHÁI NIỆM RỦI RO HỆ THỐNG 16

2.2 ĐO LƯỜNG RỦI RO HỆ THỐNG 18

2.2.1 Các phương pháp đo lường 18

2.2.2 Phương pháp CCA 19

2.3 CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN RỦI RO HỆ THỐNG CÁC NHTM 23

2.3.1 Tăng trưởng kinh tế 24

2.3.2 Tăng trưởng vốn huy động 25

2.3.3 Tỷ lệ nợ xấu 25

2.3.4 Quản trị rủi ro hệ thống 26

2.4 TỔNG QUAN CÁC NGHIÊN CỨU LIÊN QUAN ĐẾN ĐỀ TÀI 26

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 32

3.1 ĐO LƯỜNG RỦI RO HỆ THỐNG 32

3.2 PHƯƠNG PHÁP ƯỚC LƯỢNG 34

3.2.1 Mô hình tự hồi quy vector VAR 34

3.2.2 Ước lượng mô hình panel VAR 35

3.2.2.1 Kiểm định tính dừng đối với chuỗi dữ liệu 35

3.2.2.2 Lựa chọn độ trễ thích hợp 37

3.2.3 Kiểm định chẩn đoán mô hình panel VAR 37

3.2.3.1 Tính ổn định của mô hình 37

3.2.3.2 Kiểm định chẩn đoán đối với phần dư 37

3.2.4 Kiểm định nhân quả 38

3.2.5 Phản ứng đẩy và phân rã phương sai 39

3.2.5.1 Phản ứng đẩy 39

3.2.5.2 Phân rã phương sai 39

3.3 MÔ TẢ CÁC BIẾN 39

3.3.1 Biến phụ thuộc – Rủi ro hệ thống PD i,t 39

3.3.2 Biến độc lập 40

3.3.2.1 Tăng trưởng kinh tế – GDP 40

3.3.2.2 Tăng trưởng vốn huy động của hệ thống NHTM – TD 40

3.3.2.3 Tỷ lệ nợ xấu – NPL 40

3.3.2.4 Độ trễ của rủi ro hệ thống – PD 41

3.4 MÔ HÌNH THỰC NGHIỆM 41

3.5 DỮ LIỆU NGHIÊN CỨU 43

CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN 45

4.1 ĐÁNH GIÁ VỀ RỦI RO HỆ THỐNG 45

4.1.2 Đánh giá rủi ro hệ thống các NHTM theo phân nhóm tăng trưởng tín dụng 47

4.1.3 Đánh giá rủi ro hệ thống các NHTM theo phân nhóm cơ cấu sở hữu 48

4.2 RỦI RO HỆ THỐNG VÀ CÁC NHÂN TỐ ẢNH HƯỞNG 49

4.2.1 Rủi ro hệ thống và tăng trưởng kinh tế 49

4.2.2 Rủi ro hệ thống và tăng trưởng vốn huy động 49

4.2.3 Rủi ro hệ thống và tỷ lệ nợ xấu 50

4.3 KẾT QUẢ HỒI QUY THEO MÔ HÌNH PANEL VAR 51

4.3.1 Kết quả ước lượng mô hình panel VAR 51

4.3.1.1 Kiểm định nghiệm đơn vị 51

4.3.1.2 Chọn độ trễ phù hợp 51

4.3.1.3 Kết quả ước lượng 52

4.3.2 Kiểm định chẩn đoán mô hình 52

4.3.2.1 Tính ổn định của mô hình 52

4.3.2.2 Kiểm định chẩn đoán đối với phần dư 53

4.3.2.3 Kiểm định phân phối chuẩn của phần dư 53

4.3.3 Kiểm định nhân quả Granger 53

4.3.4 Kết quả hàm phản ứng đẩy 54

4.3.4.1 Phản ứng của rủi ro hệ thống trước cú sốc tăng trưởng kinh tế 54

4.3.4.2 Phản ứng của rủi ro hệ thống trước cú sốc của tỷ lệ nợ xấu 55

4.3.4.3 Phản ứng của rủi ro hệ thống trước cú sốc của tăng trưởng vốn huy động 56

4.3.3.4 Phản ứng của rủi ro hệ thống trước cú sốc của chính nó 56

4.3.5 Phân rã phương sai 57

CHƯƠNG 5: KẾT LUẬN VÀ GỢI Ý VỀ CHÍNH SÁCH 59

5.1 KẾT LUẬN 59

5.2 GỢI Ý CHÍNH SÁCH 60

5.2.1 Về tăng trưởng kinh tế 61

5.2.2 Về tăng trưởng vốn huy động 61

5.2.3 Về tỷ lệ nợ xấu 62

5.2.4 Về công tác quản trị rủi ro 63

5.3 HẠN CHẾ NGHIÊN CỨU VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO 65

TÀI LIỆU THAM KHẢO 67

PHỤ LỤC 1 ĐO LƯỜNG RỦI RO HỆ THỐNG 72

PHỤ LỤC 2 KẾT QUẢ TỪ MÔ HÌNH PANEL VAR 75

PHỤ LỤC 3 KIỂM ĐỊNH CHẨN ĐOÁN MÔ HÌNH 81

DANH MỤC CHỮ VIẾT TẮT

(Asset Management Company)

(Bank for International Settlements)

(Contingent Claim Approach/Analysis)

thương Việt Nam

Correction Model)

DANH MỤC BẢNG

Bảng 2.1 Tóm tắt các nghiên cứu liên quan đến đề tài 29

Bảng 3.1 Tổng hợp các biến trong mô hình 42

Bảng 3.2 Phân loại NHTM theo tăng trưởng tín dụng 44

Bảng 3.3 Phân loại NHTM theo cơ cấu sở hữu 44

Bảng 4.1 Kết quả kiểm định nghiệm đơn vị bằng ADF 51

Bảng 4.2 Kết quả kiểm định tự tương quan phần dư 53

Bảng 4.3 Kết quả kiểm định nhân quả Granger 55

Bảng 4.4 Kết quả phân rã phương sai 58

Bảng 5.1 Tình hình áp dụng Basel tại một số quốc gia 64

DANH MỤC HÌNH

Hình 2.1 Quy trình tính toán rủi ro hệ thống bằng CCA 23

Hình 3.1 Quá trình chọn mẫu ngân hàng 43

Hình 4.1 Phân nhóm NHTM theo xác suất phá sản 45

Hình 4.2 Rủi ro hệ thống NHTM trong danh mục giai đoạn 2007 – 2015 46

Hình 4.3 Phân nhóm rủi ro hệ thống NHTM theo tăng trưởng tín dụng 47

Hình 4.4 Phân nhóm rủi ro hệ thống NHTM theo cơ cấu sở hữu 48

Hình 4.5 Diễn biến rủi ro hệ thống và tăng trưởng kinh tế 49

Hình 4.6 Diễn biến rủi ro hệ thống và tỷ lệ tăng trưởng vốn huy động 50

Hình 4.7 Diễn biến rủi ro hệ thống và tỷ lệ nợ xấu 50

Hình 4.8 Nghiệm nghịch đảo của đa thức đặc trưng tự hồi qui 52

Hình 4.9 Phản ứng của rủi ro hệ thống trước cú sốc của tăng trưởng kinh tế 55

Hình 4.10 Phản ứng của rủi ro hệ thống các NHTM trước cú sốc của tỷ lệ nợ xấu 55 Hình 4.11 Phản ứng của rủi ro hệ thống trước cú sốc của tăng trưởng huy động vốn 56

Hình 4.12 Phản ứng của rủi ro hệ thống trước cú sốc của chính nó 57

Hình 5.1 Cơ cấu nợ xấu các NHTM đã niêm yết 62

CHƯƠNG 1: GIỚI THIỆU

GIỚI THIỆU CHƯƠNG

Với sự phát triển các sản phẩm ngày càng đa đạng và phức tạp, các ngân hàng có khả năng tự làm giảm rủi ro của mình bằng cách chuyển hóa một phần các rủi ro sang các định chế tài chính khác, thông qua các công cụ mới như tài chính phái sinh Tuy nhiên sự phát triển của các công cụ về số lượng mà không có sự quản

lý rõ ràng, chặt chẽ đã làm tích lũy rủi ro hệ thống ngày càng lớn Sự sụp đổ sau đó

đã làm dấy lên hàng loạt câu hỏi về sự đầy đủ, tương ứng của các quy định tài chính

để kiểm soát rủi ro hệ thống Admati và Hellwig (2013) đã chỉ ra rằng các nhà quản

lý về cơ bản đã không phát hiện sự gia tăng rủi ro hệ thống và không có sự chuẩn bị các biện pháp cần thiết để ngăn chặn rủi ro hệ thống của các ngân hàng trong cuộc khủng hoảng Vì vậy, rủi ro hệ thống các NHTM cần có cái nhìn và cách quản lý toàn diện hơn để tránh những sai lầm có thể lặp lại

1.1 ĐẶT VẤN ĐỀ

Thời gian qua, hệ thống NHTM tại Việt Nam đã có sự phát triển nhanh chóng, phức tạp cả về quy mô lẫn cấu trúc, với các hoạt động tài chính đan xen giữa các khu vực ngân hàng, chứng khoán, bảo hiểm và trong môi trường kinh tế vĩ mô nhiều biến động (Phạm Tiên Phong, 2014) Thêm vào đó, một số tập đoàn tài chính, tập đoàn kinh tế có hoạt động kinh doanh tiền tệ, tài chính của Việt Nam có cấu trúc phức tạp đã làm giảm hiệu quả quản lý, giám sát của các cơ quan chức năng Điều này được thể hiện ở hai yếu tố: (1) Cơ chế sở hữu chéo đòi hỏi sự điều chỉnh của nhiều khuôn khổ pháp lý trong khi sự phối hợp của các cơ quan chức năng còn hạn chế; (2) Sự phát triển sản phẩm của ngành tài chính ngân hàng dần bắt kịp xu hướng thế giới nhưng vẫn còn thiếu khung pháp lý hiệu quả để điều chỉnh và giám sát, làm hạn chế công tác quản lý của NHNN Những vấn đề trên đã làm tiềm ẩn các rủi ro chéo giữa khu vực ngân hàng, chứng khoán, bảo hiểm và các rủi ro mang tính hệ thống cho hệ thống NHTM từ sự bất ổn của môi trường kinh tế vĩ mô cũng như từ các cú sốc bên ngoài Theo Brunnermeier và Oehmke (2012), cuộc khủng hoảng tài

chính toàn cầu năm 2008 đã cho thấy những tổn thất của nền kinh tế là hậu quả của

sự bất ổn hệ thống tài chính ở tầm quốc gia và toàn cầu, mặc dù nhiều nhà quản trị rủi ro trên thực tế đã đo lường, quản lý rủi ro riêng lẻ một cách hiệu quả, nhưng họ

đã không nhận ra cách thức mà từng rủi ro có thể tích lũy thành một chuỗi các rủi ro liên kết lại với nhau, từ đó làm gia tăng rủi ro hệ thống

Câu hỏi được đặt ra là làm cách nào chúng ta có thể đánh giá, đo lường được chính xác rủi ro hệ thống từ đó có cách quản lý, giám sát phù hợp, tránh được những đổ vỡ tương tự của hệ thống NHTM nói riêng trong tương lai? Và những nhân tố nào tác động đến rủi ro hệ thống để chúng ta có thể quản lý rủi ro hệ thống bằng cách gián tiếp điều chỉnh các nhân tố này?

Để trả lời hai câu hỏi trên, tác giả đã quyết định thực hiện đề tài “Các nhân

tố tác động đến rủi ro hệ thống NHTM tại Việt Nam” và đây cũng chính là ý

tưởng chủ đạo mà tác giả cố gắng tìm lời giải thích thỏa đáng xuyên suốt nội dung luận văn

1.2 TÍNH CẤP THIẾT CỦA ĐỀ TÀI

Mặc dù hiện nay thuật ngữ “rủi ro hệ thống” đã được sử dụng phổ biến tuy nhiên việc giải thích rõ ràng, bao quát đầy đủ các mặt của khái niệm này vẫn còn nhiều tranh cãi và chưa có sự thống nhất Nghiên cứu của Acharya và cộng sự (2010) chỉ ra rằng tuy có nhiều cách diễn giải khác nhau như sự mất cân bằng; mất lòng tin vào hệ thống tài chính; tác động tiêu cực vào nền kinh tế thực; bất cân xứng thông tin; bong bóng tài sản… nhưng các định nghĩa về rủi ro hệ thống thực chất là các hiện tượng khác nhau của cùng một vấn đề Vấn đề chưa thống nhất quan điểm trong các nghiên cứu và bản chất phức tạp của rủi ro hệ thống hàm ý rằng cần có những thước đo và nguyên tắc chung trên cơ sở định lượng được đa số chấp nhận

Nhu cầu đo lường rủi ro hệ thống tài chính nói chung và hệ thống NHTM nói riêng là không mới trên thế giới, đặc biệt sau khi xảy ra cuộc khủng hoảng tài chính toàn cầu, đã có nhiều nghiên cứu được thực hiện Nhiều nhà nghiên cứu đã xây dựng các phương pháp định lượng như CoVaR (Adrian và Brunnermeier, 2016), mô hình mạng của Allen và Gale (2000)… nhằm ước lượng mức độ của rủi ro hệ thống,

tuy nhiên mỗi phương pháp đều có những ưu điểm và hạn chế nhất định Bổ sung cho các phương pháp truyền thống, phương pháp quyền chọn (Contingent Claim Approach – CCA) được đánh giá là một phương pháp mới, có tính linh hoạt cao, các dữ liệu cần thiết có thể thu thập được dễ dàng giúp đo lường rủi ro hệ thống của từng tổ chức (hoặc cả một nhóm tổ chức), phù hợp với điều kiện thu thập dữ liệu thực tế tại Việt Nam Vì vậy, trong khuôn khổ nghiên cứu này, phương pháp quyền chọn được sử dụng để đo lường rủi ro hệ thống các NHTM

Tại Việt Nam, các nghiên cứu về rủi ro hệ thống chỉ mới dừng lại ở các bài viết đánh giá trên phương diện xem xét rủi ro tín dụng ở các ngân hàng thương mại đang niêm yết tại Việt Nam như nghiên cứu của Nguyễn Thị Cành và Phạm Chí Khoa (2014), Lê Đạt Chí và Lê Tuấn Anh (2012) Gần đây nhất là nghiên cứu của Nguyễn Hoàng Thụy Bích Trâm (2014) dùng mô hình Credit CVaR để đo lường khả năng vỡ nợ của khu vực NHTM và đánh giá rằng các NHTM không đủ khả năng hấp thụ các cú sốc trong các kịch bản vĩ mô bất lợi Tuy nhiên nghiên cứu này chỉ mới áp dụng phạm vi nghiên cứu với 8 NHTM đang niêm yết trên thị trường chứng khoán nên chưa thể đại diện đầy đủ cho hệ thống NHTM tại Việt Nam Đồng thời, việc tính toán rủi ro hệ thống NHTM bằng phương pháp CCA cũng chưa có các nghiên cứu nào được thực hiện tại Việt Nam mà mới chỉ dừng lại ở việc đo lường rủi ro vỡ nợ của khu vực doanh nghiệp

Dựa trên những phân tích trên cho thấy vẫn còn khoảng trống nghiên cứu trong việc đo lường rủi ro hệ thống cụ thể trong phạm vi các NHTM tại Việt Nam, ngoài ra việc đánh giá các nhân tố ảnh hưởng đến rủi ro hệ thống các NHTM vẫn còn chưa đầy đủ Vì vậy, bài nghiên cứu sẽ góp phần lấp đầy khoảng trống này đồng thời cung cấp một cách nhìn khác về mức độ hiện tại của rủi ro hệ thống các NHTM tại Việt Nam cũng như các nhân tố cần quan tâm

1.3 MỤC TIÊU NGHIÊN CỨU

1.3.1 Mục tiêu tổng quát

Căn cứ các lý thuyết và nghiên cứu trước đây về rủi ro hệ thống, đề tài tập trung đo lường rủi ro hệ thống các NHTM tại Việt Nam và các nhân tố ảnh hưởng đến rủi ro hệ thống

- Xác định các nhân tố ảnh hưởng đến rủi ro hệ thống

- Trên cơ sở xác định được rủi ro hệ thống và các nhân tố ảnh hưởng, tác giả thực hiện kiểm định mức độ tác động của các nhân tố đến rủi ro hệ thống

1.4 CÂU HỎI NGHIÊN CỨU

Từ những mục tiêu đề ra như trên, bài nghiên cứu cố gắng giải quyết, làm rõ các câu hỏi:

- Mức độ rủi ro hệ thống của các NHTM tại Việt Nam hiện nay như thế nào?

- Các nhân tố nào ảnh hưởng đến rủi ro hệ thống?

- Mức độ ảnh hưởng của các nhân tố trên đối với rủi ro hệ thống như thế nào?

1.5 ĐỐI TƢỢNG VÀ PHẠM VI NGHIÊN CỨU

1.5.1 Đối tƣợng nghiên cứu

Đối tượng nghiên cứu của đề tài là rủi ro hệ thống của các NHTM tại Việt Nam, từ đó phân tích, tìm hiểu mối quan hệ của các nhân tố đến rủi ro hệ thống

1.5.2 Phạm vi nghiên cứu

Bài nghiên cứu được tiến hành theo phạm vi không gian là dữ liệu về tăng trưởng kinh tế, tăng trưởng vốn huy động, tỷ lệ nợ xấu của hệ thống NHTM tại Việt Nam và hoạt động kinh doanh của 26 NHTM tại Việt Nam

Phạm vi nghiên cứu về thời gian từ năm 2007 đến năm 2015 Trong khoảng thời gian này, hệ thống tài chính Việt Nam nói chung và các NHTM nói riêng đã trải qua những giai đoạn biến động cùng với diễn biến khó lường của kinh tế vĩ mô

1.6 PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU NGHIÊN CỨU

Bài viết được tiến hành theo phương pháp nghiên cứu định lượng với phương pháp giải quyết các câu hỏi nghiên cứu như sau:

- Để trả lời câu hỏi nghiên cứu đầu tiên: mức độ rủi ro hệ thống của các

NHTM tại Việt Nam diễn biến trong giai đoạn nghiên cứu như thế nào? Tác giả đo lường rủi ro hệ thống của các NHTM bằng phương pháp CCA

- Để trả lời câu hỏi nghiên cứu thứ hai: Các nhân tố nào ảnh hưởng đến rủi

ro hệ thống? Tác giả sử dụng tự hồi quy vector của dữ liệu bảng (panel VAR) để kiểm định sự ảnh hưởng của một số nhân tố, trong đó biến rủi ro hệ thống là biến phụ thuộc, các biến độc lập là tăng trưởng kinh tế, tăng trưởng vốn huy động, tỷ lệ

nợ xấu và chính rủi ro hệ thống (đại diện cho cách quản trị rủi ro)

- Để trả lời câu hỏi nghiên cứu thứ ba: Mức độ ảnh hưởng của các nhân tố

đến rủi ro hệ thống là bao nhiêu? Tác giả sử dụng hàm phản ứng đẩy và phân rã phương sai (là những ứng dụng mở rộng của mô hình panel VAR) để phân tích các tác động của cú sốc tăng trưởng kinh tế, tăng trưởng vốn huy động, tỷ lệ nợ xấu và

độ trễ của rủi ro hệ thống đến rủi ro hệ thống NHTM tại Việt Nam

Các nguồn số liệu về tăng trưởng kinh tế được thu thập từ World Bank và Tổng cục Thống kê Việt Nam, kết hợp với số liệu của tăng trưởng vốn huy động trích xuất từ dữ liệu của IMF và tỷ lệ nợ xấu từ Ngân hàng Nhà nước Việt Nam, World Bank Rủi ro hệ thống tính toán từ các chỉ số hoạt động của các NHTM được tác giả tự thực hiện

1.7 ĐÓNG GÓP CỦA ĐỀ TÀI

Về mặt thực tiễn: Đối với các nghiên cứu trên thế giới có sự khác nhau về

lãnh thổ và các đặc điểm riêng của từng quốc gia, đề tài sử dụng dữ liệu tổng hợp từ báo cáo tài chính của 26 NHTM tại Việt Nam từ năm 2007 – 2015 Đối với các nghiên cứu trong nước, vẫn chưa có nghiên cứu phân tích chuyên sâu về rủi ro hệ

thống của chính các ngân hàng Đồng thời, tác giả phân tích tác động của tăng trưởng kinh tế, tăng trưởng vốn huy động, tỷ lệ nợ xấu, cách quản trị rủi ro đến rủi

ro hệ thống NHTM tại Việt Nam để có đánh giá hoàn thiện hơn về rủi ro hệ thống

Về mặt lý thuyết: Hệ thống các NHTM tại Việt Nam đang ngày càng gia

tăng cả về quy mô lẫn mức độ phức tạp trong hoạt động kinh doanh, có ảnh hưởng lớn đến sự vận hành nền tài chính và hoạt động kinh tế thực Phần lớn các nghiên cứu tại Việt Nam chỉ tập trung phân tích rủi ro các khách hàng từ đó đo lường mức

độ tổn thất dự kiến của ngân hàng mà chưa có đánh giá cụ thể về rủi ro của chính các ngân hàng Vì vậy, đề tài này là cần thiết để lấp khoảng trống trong các nghiên cứu tại Việt Nam Ngoài ra, tác giả bổ sung thêm phân tích tác động các nhân tố nhằm đem lại cái nhìn toàn diện hơn về rủi ro hệ thống NHTM tại Việt Nam

1.8 KẾT CẤU CỦA ĐỀ TÀI

Bài nghiên cứu được chia thành các phần nội dung sau:

Chương 1 trình bày động lực và mục tiêu của đề tài và các nội dung cơ bản, bao gồm: Giới thiệu tổng quan về vấn đề nghiên cứu, tính cấp thiết của đề tài, mục tiêu nghiên cứu, câu hỏi nghiên cứu, phạm vi nghiên cứu, phương pháp nghiên cứu

và đóng góp của đề tài

Chương 2 tổng quan cơ sở lý thuyết và các nghiên cứu trước Chương này trình bày các khái niệm, cơ sở lý thuyết của rủi ro hệ thống và phương pháp đo lường Đồng thời điểm qua các nghiên cứu trước có liên quan đến đề tài

Chương 3 trình bày các giả thuyết, mô hình nghiên cứu, mô tả phương pháp nghiên cứu và giải thích cụ thể về dữ liệu được áp dụng

Chương 4 mô tả các kết quả thu được sau khi thực hiện phương pháp nghiên cứu, phân tích kết quả thống kê mô tả, kết quả hồi quy và đưa ra các thảo luận của kết quả nghiên cứu

Chương 5 trình bày tóm tắt các kết quả đã đạt được, đề ra các kiến nghị và hạn chế cũng như hướng nghiên cứu tiếp theo của đề tài

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ RỦI RO HỆ THỐNG VÀ CÁCH ĐO LƯỜNG RỦI RO HỆ THỐNG

GIỚI THIỆU CHƯƠNG

Sau cuộc khủng hoảng tài chính toàn cầu, các khái niệm rủi ro hệ thống, ổn định khu vực ngân hàng và cách đo lường rủi ro được quan tâm đặc biệt và có nhiều nghiên cứu đã được thực hiện để làm rõ hơn vị trí của cách quản trị mang tính hệ thống Trong phần này, tác giả tóm lược lại những nghiên cứu trước đó và đưa ra một số đề xuất về phương pháp đo lường rủi ro hệ thống phù hợp với điều kiện thực

tế tại Việt Nam

2.1 KHÁI NIỆM RỦI RO HỆ THỐNG

Khái niệm rủi ro hệ thống được đề cập lần đầu vào thập niên 1990, tuy nhiên chỉ mới được quan tâm nhiều hơn sau khi xảy ra khủng hoảng tài chính thế giới (Borio và Drehmann, 2009) Theo Smaga (2014), hiện tại vẫn chưa có sự thống nhất hoàn toàn về khái niệm rủi ro hệ thống vì các định nghĩa nhấn mạnh đến các khía cạnh khác nhau

Một trong các định nghĩa về rủi ro hệ thống theo Engle (2009) là rủi ro gia tăng khi một (hoặc một nhóm) tổ chức đổ vỡ có thể gây ra phản ứng dây chuyền kéo theo sự sụp đổ của cả hệ thống tài chính bởi quy mô và tính liên kết của các tổ chức này Nói cách khác, rủi ro gia tăng tạo ra hiệu ứng lây nhiễm, theo đó sự phá sản của một tổ chức tài chính sẽ dẫn đến phá sản của tổ chức khác và lần lượt các tổ chức còn lại (Brunnermeier, 2009) Sự nối tiếp của các sự kiện phá sản có thể nhanh chóng lan ra rộng hơn, mạnh hơn, kết quả là một sự kiện mang tính hệ thống về cơ bản lại được gây ra ban đầu bởi sự phá sản của một tổ chức riêng lẻ Galati và Moessner (2010) cho rằng rủi ro hệ thống gia tăng từ các hoạt động chịu rủi ro quá mức của một hoặc một nhóm giao dịch; văn hóa tổ chức hướng về những lợi nhuận ngắn hạn; sự tích lũy các sai lầm trong quản trị của các ngân hàng dẫn đến sự trì trệ, bất ổn định khi phản ứng với sự thay đổi các điều kiện bên ngoài

Ở khía cạnh khác, Kaufman và Scott (2003) lại cho rằng rủi ro hệ thống là rủi ro hoặc xác suất phá sản của toàn bộ hệ thống, được chứng minh do tính đồng tương quan của hầu hết các bộ phận Ngoài ra, rủi ro hệ thống còn được giải thích là

sự lan truyền kiệt quệ kinh tế của nhóm tổ chức này tới nhóm tổ chức khác thông qua các giao dịch tài chính (Rochet và Tirole, 1996) Đồng quan điểm với Kaufman

và Scott (2003), Jobst và Gray (2013) cho rằng rủi ro hệ thống không phải từ những loại rủi ro riêng lẻ của một tổ chức như rủi ro tín dụng, rủi ro thanh khoản, rủi ro tác nghiệp,… có tác động trực tiếp đến tổ chức đó mà là sự tác động gián tiếp Trước giai đoạn khủng hoảng, các loại rủi ro trên (rủi ro tín dụng, thanh khoản,…) thường được xem xét một cách riêng lẻ Tuy nhiên, sự tương tác giữa chúng khi kết hợp thành rủi ro hệ thống sẽ dẫn đến những kết quả khó lường

Nghiên cứu của Smaga (2014) đưa ra một số kết luận về rủi ro hệ thống: (1) Các nghiên cứu thường nhấn mạnh rằng rủi ro hệ thống có sự liên quan với phần lớn hệ thống tài chính và gây ra sự đổ vỡ trong cách hoạt động, vận hành hệ thống đó; (2) Trước khi khủng hoảng tài chính xảy ra, các định nghĩa tập trung vào hiệu ứng lan truyền của từng tổ chức Sau khủng hoảng, các nghiên cứu quan tâm nhiều hơn đến sự rối loạn chức năng, khả năng vỡ nợ chung của hệ thống tài chính và các tác động tiêu cực đến nền kinh tế; (3) Yếu tố cơ bản của rủi ro hệ thống là sự truyền dẫn các cú sốc giữa các thành tố liên kết trong hệ thống, từ đó có thể gây ra tác động tiêu cực nghiêm trọng đến nền kinh tế thực

Từ các phân tích trên, có thể kết luận rằng: Rủi ro hệ thống, bất kể được giải thích bằng định nghĩa nào, về cơ bản nó sẽ dẫn đến tính không chắc chắn trong cách vận hành hệ thống tài chính và các thành phần của nó Điểm cốt lõi trong khái niệm rủi ro hệ thống dựa trên hiệu ứng lan truyền giữa các thành phần trong hệ thống và tác động tiêu cực đến nền kinh tế thực Dù các nghiên cứu có trọng tâm phân tích khác nhau nhưng tổng hợp lại có tác dụng bổ trợ lẫn nhau như nhiều mặt của một vấn đề, và hầu hết các nghiên cứu đều đồng thuận tăng cần có cách đánh giá chung

về rủi ro hệ thống dựa trên cơ sở định lượng Vì vậy, nhu cầu về phương pháp đo lường mức độ rủi ro của cả hệ thống hiện tại như thế nào là cần thiết

2.2 PHƯƠNG PHÁP ĐO LƯỜNG RỦI RO HỆ THỐNG

2.2.1 Các phương pháp đo lường

Tính phức tạp của các liên kết, mạng lưới tài chính khiến việc đo lường rủi

ro hệ thống là một công việc khó khăn (Engle, 2009) Theo Smaga (2014), hiện tại các phương pháp đo lường rủi ro hệ thống có thể chia thành ba trường phái chính Trường phái thứ nhất tập trung phân tích phân phối đuôi thống kê của suất sinh lợi

từ đó tính toán tổn thất kỳ vọng, đây là trường phái phổ biến nhất khi ước lượng rủi

ro hệ thống Các đại diện tiêu biểu của trường phái này là CoVaR (Adrian và Brunnermeier, 2008), Tổn thất hệ thống kỳ vọng (Systemic Expected Shortfall – SES) (Acharya và cộng sự, 2009),… Tuy nhiên nhược điểm chung của các phương pháp này là sự phụ thuộc vào mức độ tin cậy và các giả định thống kê ban đầu Khi thay đổi mức tin cậy kỳ vọng và các giả định, các kết quả thu được có thể biến động, không thống nhất với nhau

Trường phái thứ hai mô phỏng cách nắm giữ các tài sản đa liên kết ảnh hưởng thế nào trong việc tạo ra và lan truyền rủi ro hệ thống Các đại diện của trường phái này là mô hình mạng của Allen và Gale (2000), sau đó được phát triển thành các mô hình phức tạp hơn của Battiston và cộng sự (2009) Hạn chế lớn nhất của trường phái này là người thực hiện cần có dữ liệu về mức tương tác giữa các thành phần trong hệ thống Các dữ liệu này thường không được công bố, gây khó khăn trong việc thu thập

Bổ sung cho hai trường phái trên, trường phái thứ ba ứng dụng cách tiếp cận cấu trúc với đại diện là phương pháp CCA Phương pháp CCA mở rộng phương pháp sử dụng báo cáo tài chính có điều chỉnh theo rủi ro để tạo ra những ước tính về xác suất phá sản chung của một hoặc nhiều tổ chức như một thước đo rủi ro hệ thống Theo Lehar (2005), CCA giải quyết các hạn chế cơ bản của các phương pháp hiện có, nó không dựa trên những giả định thống kê có thể ảnh hưởng đến kết quả,

và tạo ra các ước lượng điểm của rủi ro hệ thống mà không phụ thuộc các mức kỳ vọng, các dữ liệu thể hiện diễn biến thực tế của đối tượng nghiên cứu và có thể thu thập dễ dàng

2.2.2 Phương pháp CCA

Theo Lehar (2005), phá sản (hay vỡ nợ) sẽ xảy ra khi giá trị tài sản của một (hoặc một nhóm) công ty nhỏ hơn giá trị của nợ và xác suất phá sản (hay còn gọi là

“xác suất vỡ nợ”, Probability of Default – PD) có thể được xem là một thước đo rủi

ro hệ thống, xác suất phá sản càng lớn thì rủi ro càng cao Trước phương pháp CCA, Altman (1968) đã sử dụng dữ liệu báo cáo tài chính để giải thích xác suất phá sản Cụ thể, mô hình Z-score của Altman là mô hình biệt số theo đó người đi vay được phân loại thành các mức rủi ro phá sản khác nhau Mặc dù lý thuyết của Altman không đề cập một cách trực tiếp về xác suất phá sản, nhưng các kết quả có thể định hướng cho hệ thống xếp hạng tín dụng, người vay có hạng tín dụng càng thấp thì rủi ro phá sản càng lớn Tương tự với Altman, Ohlson (1980) cũng sử dụng phân tích biệt số để dẫn xuất ra xác suất phá sản của một doanh nghiệp, theo đó Ohlson sử dụng các kỹ thuật tính toán để xây dựng mô hình về xác suất phá sản của nhiều doanh nghiệp

Theo Utari và Arimurti (2012), có nhiều lý do cho thấy các phương pháp dựa trên số liệu kế toán có thể không hợp lý trong việc ước tính xác suất phá sản Trong khi việc ước tính xác suất phá sản là phạm trù thuộc về các sự kiện trong tương lai, các báo cáo tài chính lại được thiết kế để đo lường hiệu quả hoạt động trong quá khứ, và do đó các số liệu này trở nên ít mang thông tin hữu ích để xác định tình trạng một công ty trong tương lai Đồng thời, các báo cáo tài chính được công thức hóa theo chuẩn mực kế toán hoạt động liên tục, làm hạn chế việc đánh giá khả năng phá sản Nguyên tắc thận trọng áp dụng khi lập báo cáo tài chính thường gây ra việc định giá tài sản dưới giá trị thị trường của chúng, điều này đặc biệt đúng đối với các tài sản cố định (Lehar, 2005) Các khía cạnh trên sẽ hạn chế hiệu suất đo lường dựa trên nền tảng kế toán Một hạn chế lớn khác của cách đo lường này là bỏ qua sự biến động giá trị tài sản, đây là thành phần quyết định trong việc tính toán khả năng xảy ra biến cố một doanh nghiệp không thể đáo hạn nợ trong một khoảng thời gian xác định Theo đó, xác suất phá sản gia tăng cùng với độ biến động, hai doanh

nghiệp có các chỉ số tài chính giống nhau vẫn có sự khác nhau đáng kể về rủi ro phá sản do độ biến động giá trị tài sản mỗi công ty là khác nhau

Bổ sung cho cách tiếp cận dựa trên báo cáo tài chính, mô hình CCA xem xét xác suất phá sản như một quá trình nội sinh và được tính toán bằng khả năng xảy ra biến cố các tài sản của công ty (hoặc một nhóm công ty) trong tương lai bị giảm giá trị và thấp hơn các khoản nợ Do đó xác suất phá sản sẽ phụ thuộc vào các dữ liệu của công ty như giá trị thị trường của nợ, tài sản và sự biến động của chúng Nhờ xem xét đến sự biến động giá trị các biến trên, CCA chỉ ra rằng các doanh nghiệp có cùng cấu trúc vốn có thể khác nhau về xác suất phá sản và khoảng cách phá sản (Distance to Distress – DD, dựa trên ý tưởng một công ty (hoặc một nhóm công ty)

có khoảng cách tới phá sản càng lớn thì công ty (nhóm công ty) đó càng an toàn, xác suất phá sản càng thấp)

Về lý thuyết, CCA phần lớn dựa trên lí thuyết định giá quyền chọn Scholes và mô hình dự báo nguy cơ phá sản KMV-Merton (1977), sau đó được Gray và Jobst (2013) tiếp tục phát triển thành mô hình CCA Mô hình CCA dựa trên nhiều giả định có thể tóm lược như sau:

Black Giả định về cấu trúc vốn

Giả định cơ cấu của một công ty cổ phần được đơn giản hóa chỉ có một loại

nợ và một loại cổ phiếu, giá trị tài sản công ty tại thời điểm t được tính bằng tổng

Nợ và Vốn chủ sở hữu cùng thời điểm:

Vt = Ft+ Et (2.1) Theo mô hình đơn giản hóa trên, các chủ sở hữu có quyền kiểm soát các tài sản của doanh nghiệp, họ có quyền phát mại các tài sản của công ty, chuyển nhượng lại một phần hoặc toàn bộ doanh nghiệp cho đối tác khác Nếu việc bán doanh nghiệp được thực hiện, chủ sở hữu sẽ được nhận lại phần còn lại sau khi thanh toán các khoản nợ Điều này đồng nghĩa vốn chủ sở hữu hoạt động như một quyền chọn bán (Gray và Jobst, 2013)

- Giả định về độ biến động của giá trị tài sản công ty

Tài sản công ty được giả định là tài sản có thể trao đổi (tradable assets), và các giá trị của tài sản tuân theo vận động ngẫu nhiên Brown

- Giả định về sự hoàn hảo của thị trường

Giả định công ty không trả cổ tức và thuế, không hạn chế về bán khống Thị trường thanh khoản tốt, nhà đầu tư có thể mua và bán các tài sản ở mức giá thị trường như mong muốn Công ty vay và cho vay ở mức lãi suất phi rủi ro như nhau

và lãi suất này không đổi giữa các ngành

- Giả định về nợ

Một giả định quan trọng của mô hình CCA là công ty chỉ có một loại nợ là trái phiếu không trả lãi theo kỳ (zero coupon) có thời gian đến hạn là T Từ các giả định trên, giá trị vốn chủ sở hữu của công ty có thể được xem là một quyền chọn bán trên tổng giá trị tài sản của doanh nghiệp với giá thực thi là giá trị thị trường khoản nợ của công ty với thời gian đến hạn T Khi đó, giá trị vốn chủ sở hữu theo Gray và Jobst (2013) được tính bằng công thức:

Et = V.N(d1) - e-r.T.F.N(d2) (2.2) Với:

Et: Hiện giá vốn chủ sở hữu bằng giá cổ phiếu nhân số lượng cổ phiếu đang lưu hành;

N(.): Phân phối chuẩn tích lũy;

r: Lãi suất phi rủi ro – Lãi suất tín phiếu kho bạc kỳ hạn 1 năm (Treasury Bill);

T: Thời gian đáo hạn của khoản nợ, thông thường là 1 năm, điều này hàm nghĩa rủi ro hệ thống được xem xét trong bối cảnh 1 năm tới (ex ante basis);

F: Mệnh giá khoản nợ của doanh nghiệp, Vasicek (1968) và Kealhofer (2000) đã đề xuất và chứng minh có thể sử dụng thông tin báo cáo tài chính để tính toán với

F = Nợ ngắn hạn + 0,5.Nợ dài hạn

Và

V* là giá trị tài sản NHTM trong báo cáo tài chính;

V là độ lệch chuẩn giá trị tài sản của NHTM Trong điều kiện không tính được biến động giá trị tài sản theo giá thị trường do nhiều NHTM chưa niêm yết, tác giả sử dụng độ lệch chuẩn giá trị tài sản theo báo cáo tài chính 4 năm liền kề trước đó Bharath và Shumway (2008) và một số tác giả đã đưa ra bằng chứng thực nghiệm rằng biến động tài sản theo giá trị sổ sách là cùng chiều với biến động của giá trị thị trường của tài sản hay giá cổ phiếu công ty

Sau khi có được V và V có thể tính được khoảng cách phá sản Khoảng cách phá sản càng lớn thì nguy cơ phá sản của công ty càng nhỏ Theo Gray và Jobst (2013), khoảng cách phá sản có thể được diễn tả theo thước đo xác suất phi rủi ro tại thời điểm t như sau:

Với : Tỷ suất lợi nhuận kỳ vọng của tài sản

Theo định nghĩa, phá sản là khi giá trị tài sản của công ty thấp hơn giá trị của

nợ, do đó xác suất phá sản tại thời điểm t được tính như sau:

PDt = Prob[V(t)<F]= N(-DD) Suy ra:

Với

wi: Tỷ trọng tài sản của NHTM i đối với tổng tài sản của toàn danh mục;

PDi: Xác suất phá sản của NHTM i

Quy trình tính toán xác suất phá sản được thực hiện như Hình 2.1

Hình 2.1 Quy trình tính toán rủi ro hệ thống bằng CCA

Nguồn: Utari & Arimurti (2012)

2.3 CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN RỦI RO HỆ THỐNG CÁC NHTM

Có nhiều biến số có thể tác động đến rủi ro hệ thống, bao gồm: tăng trưởng kinh tế, lạm phát, tăng trưởng vốn huy động, chỉ số chứng khoán, tỷ lệ nợ xấu, tỷ lệ đòn bẩy tài chính,… Tuy nhiên, nghiên cứu của Acemoglu và cộng sự (2016) chỉ

ra khi đưa tất cả các nhân tố này vào mô hình thì mối quan hệ đang được nghiên cứu không mang nhiều ý nghĩa thống kê Đồng thời, tác giả tiến hành chạy thử với

Vốn hóa thị trường

của ngân hàng

Nợ ngắn hạn và dài hạn

Giá trị thị trường của tài sản

Lãi suất tín phiếu

kho bạc

Mức sinh lời kỳ vọng của tài sản

Độ biến động tài sản

Hàng rào vỡ nợ (Distress Barrier)

Khoảng cách phá sản

Xác suất phá sản (Rủi ro hệ thống)

dữ liệu tại Việt Nam, kết quả cho thấy một số biến chứa đựng các nhân tố không có tương quan nhiều với rủi ro hệ thống, không đóng vai trò chính trong ước lượng hệ

số hồi quy, mà chỉ được đưa vào mô hình như những biến kiểm soát để giúp cho kết quả ước lượng được tốt hơn Tác giả chọn lọc ra những nhân tố sau để đưa vào mô hình hồi quy gồm: tăng trưởng kinh tế, tăng trưởng vốn huy động, tỷ lệ nợ xấu và

chính rủi ro hệ thống

2.3.1 Tăng trưởng kinh tế

Baum, Caglayan và Ozkan (2004) cho rằng rủi ro hệ thống ngân hàng có ba nguồn gốc: yếu kém về kinh tế vĩ mô, thiếu hiệu quả về kinh tế vi mô và khủng hoảng Rủi ro hệ thống ngân hàng bắt nguồn từ bất ổn kinh tế vĩ mô thường liên quan đến sự bùng nổ và đổ vỡ của các chu kỳ kinh doanh Sự thay đổi đột ngột chính sách kinh tế vĩ mô sẽ tạo ra các chu kỳ và gia tăng các khoản nợ không có khả năng hoàn trả Sự không chắc chắn về các điều kiện kinh tế trong đó có tăng trưởng kinh tế sẽ ảnh hưởng rõ rệt lên chiến lược cho vay của các ngân hàng Các tác giả phỏng đoán rằng sự bất ổn càng lớn (tăng trưởng kinh tế cao hoặc thấp đột ngột) sẽ cản trở khả năng dự đoán chính xác tỷ suất sinh lợi từ những cơ hội cho vay có sẵn của các ngân hàng

Acemoglu và cộng sự (2016) cho rằng khi tính bất ổn vĩ mô thấp, tỷ suất sinh lợi sẽ được dự đoán chính xác hơn dẫn đến sự phân bố không đều đối với quỹ cho vay của các ngân hàng Do đó, khi tính bất ổn kinh tế vĩ mô giảm, các ngân hàng sẽ tái cân bằng lại danh mục đầu tư của họ và cho phép phân bổ hiệu quả hơn quỹ cho vay so với giai đoạn tính bất ổn cao hơn

Thông thường, biến số thuộc về nền kinh tế vĩ mô được sử dụng là lạm phát

và tốc độ tăng trưởng GDP danh nghĩa TheoFofack (2005), biến tốc độ tăng trưởng GDP danh nghĩa có ý nghĩa lớn hơn lạm phát vì người dân có phản ứng tích cực với

sự tăng trưởng tích cực của GDP hiện tại nhiều hơn là với lạm phát Bởi biến lạm phát tác động chậm hơn, và thường có độ trễ khi ảnh hưởng đến niềm tin của ngươi dân Đồng thời thông thường người đi vay đều muốn thanh toán các khoản nợ quá hạn của mình, do đó khi có sự khởi sắc ban đầu trong nguồn thu nhập thì người đi

vay sẽ có động thái chi trả ngay nghĩa vụ của mình; còn khi lạm phát tăng mặc dù ảnh hưởng đến hoạt động cũng như thu nhập của nền kinh tế nhưng ở các thời điểm ban đầu người đi vay vẫn cố gắng chi trả nợ, cho đến khi khả năng đó bị ảnh hưởng bởi các mục tiêu khác hoặc người đi vay hoàn toàn mất khả năng trả nợ

2.3.2 Tăng trưởng vốn huy động

Koehn và Santomero (1980) đã xây dựng phương pháp ước lượng mối quan

hệ giữa tăng trưởng về về vốn và một danh mục gồm các tài sản rủi ro khác nhau trên tổng nguồn vốn Kết quả cho thấy, thay đổi trong các mức tăng trưởng về nguồn vốn khiến ngân hàng phải cơ cấu lại danh mục đầu tư của mình, sự thay đổi này đồng thời sẽ điều chỉnh lại rủi ro, đồng thời nếu tốc độ sụt giảm vốn quá nhanh

sẽ dẫn đến tình trạng kiệt quệ tài chính

Tuy nhiên, tăng trưởng vốn huy động quá cao cũng không phải là điều tốt Nghiên cứu của Beatty và Gron (2001) cho thấy rõ sự khác biệt giữa 2 nhóm: nhóm ngân hàng có mức vốn thấp và nhóm ngân hàng có mức vốn cao Những ngân hàng

có tỷ suất vốn hóa thấp tăng cường các tài sản rủi ro một lượng thấp hơn rất nhiều

so với lượng tổng tài sản tăng thêm từ các ngân hàng mức vốn hóa cao Kết quả của nghiên cứu này cho thấy tăng trưởng quy mô ngân hàng chính là một trong những nhân tố ảnh hưởng đến rủi ro ngân hàng Nghiên cứu cũng chỉ ra khi tăng trưởng vốn huy động tăng quá nhanh, các ngân hàng buộc phải gia tăng các hoạt động mang lại nhiều lợi nhuận hơn (ẩn chứa nhiều rủi ro hơn) để cân bằng với chi phí phải trả cho nguồn vốn huy động được từ đó tác động đến rủi ro của ngân hàng

2.3.3 Tỷ lệ nợ xấu

Mối quan hệ nghịch biến giữa tỷ lệ nợ xấu và rủi ro hệ thống được chứng minh bởi Jiménez và Saurina (2006) Khi nền kinh tế tăng trưởng cao và ổn định, các khu vực khác trong nền kinh tế đều có nhu cầu mở rộng hoạt động, do đó cầu về vốn vay tăng làm cho khu vực ngân hàng dễ dàng mở rộng hoạt động tín dụng, nợ xấu trong ngân hàng cũng giảm vì năng lực tài chính của các doanh nghiệp trong điều kiện kinh tế tốt sẽ được nâng cao Trong hoàn cảnh này, vai trò làm cầu nối giữa khu vực tiết kiệm và đầu tư của ngân hàng được phát huy tối đa Trái lại, nhu

cầu vốn vay giảm, nguy cơ nợ quá hạn tăng, nợ xấu cao khi môi trường kinh tế, chính trị và xã hội trở nên bất ổn, khi đó hiệu quả hoạt động ngân hàng giảm mạnh Trong điều kiện tỷ lệ nợ xấu tăng cao có thể gây tổn thất cho ngân hàng do tăng các khoản cho vay không hiệu quả

Theo Acemoglu và cộng sự (2016), tỷ lệ nợ xấu là chỉ tiêu phản ánh rõ chất lượng một phần tài sản của ngân hàng, đồng thời cũng ảnh hưởng tới doanh thu và giá trị thị trường của ngân hàng Sự gia tăng tỷ lệ này dẫn tới lỗ trong kết quả hoạt động kinh doanh, do các chi phí trích lập dự phòng tăng lên nhiều hơn, kéo theo đó

là mất thanh khoản và giảm giá trị ngân hàng Vì vậy tỷ lệ này lại là một trong những chỉ tiêu đo lường hiệu quả nhất mức độ rủi ro của ngân hàng

2.3.4 Quản trị rủi ro hệ thống

Nghiên cứu tác động của qui định về an toàn vốn, Kendall và cộng sự (2010) nhận thấy rằng yêu cầu an toàn vốn càng cao thì rủi ro mất khả năng thanh khoản cũng càng giảm Cụ thể hơn, khi những qui định quản lý an toàn vốn càng khắt khe thì ngân hàng sẽ có xu hướng chấp nhận rủi ro ít hơn và cũng đồng nghĩa với việc ít

bị tổn thương hơn Khi chính sách quản trị thay đổi, một vài ngân hàng sẽ có động lực thay đổi nhân tố tỷ suất vốn hóa thị trường, từ đó làm thay đổi khả năng chấp nhận rủi ro

2.4 TỔNG QUAN CÁC NGHIÊN CỨU LIÊN QUAN ĐẾN ĐỀ TÀI

Trong các nghiên cứu gần đây, Altar và cộng sự (2015) đã dựa trên lý thuyết CCA để tính toán rủi ro hệ thống của các khu vực trong nền kinh tế gồm: ngân hàng, doanh nghiệp và khu vực công tại các nước Romania, Bulgaria, Hungary và

Ba Lan Kết quả cho thấy rủi ro hệ thống của các khu vực tăng cao trong giai đoạn cuộc khủng hoảng tài chính 2008 và giai đoạn khủng hoảng nợ công bùng nổ Sau khi tính toán được rủi ro của mỗi khu vực, tác giả sử dụng mô hình Global VAR để kiểm định cú sốc của một khu vực tại quốc gia này có tác động thực sự đến các khu vực thuộc các quốc gia khác hay không thông qua hàm phản ứng đẩy

Tương tự, Gray và Jobst (2013) cũng sử dụng mô hình CCA để phân tích sự tương tác giữa rủi ro khu vực doanh nghiệp, ngân hàng, nợ công với tăng trưởng

kinh tế và tăng trưởng tín dụng trong phạm vi 15 quốc gia châu Âu và Hoa Kỳ Sau khi sử dụng phương pháp CCA để tính toán xác suất phá sản của từng tổ chức, các tác giả đã kết hợp lại thành xác suất phá sản chung của từng khu vực và dùng mô hình Global VAR để nghiên cứu sự lan truyền các cú sốc qua các khu vực và quốc gia và tác động của nó lên tăng trưởng kinh tế Các kết quả thu được cho thấy khu vực công chịu tác động của các cú sốc mạnh hơn so với ngân hàng

Trước đó, Suman (2012) tập trung phân tích rủi ro hệ thống ngân hàng bằng cách đo lường xác suất phá sản 12 NHTM tại Nepal từ quý I/2005 đến quý IV/2010 Kết quả thực nghiệm chỉ ra rằng rủi ro hệ thống NHTM tăng cao trong giai đoạn khủng hoảng tài chính Suman sau đó đã sử dụng mô hình panel VAR để ước lượng mối quan hệ giữa rủi ro hệ thống với các biến số vĩ mô khác gồm: chỉ số chứng khoán, tổng nguồn vốn hệ thống NHTM, quy mô vốn huy động, tỷ lệ nợ phải trả/tổng nguồn vốn của các NHTM, tăng trưởng kinh tế, tỷ lệ lạm phát và tỷ lệ nợ xấu Ngoài ra nghiên cứu còn áp dụng hàm phản ứng đẩy để đo lường tác động của các cú sốc vĩ mô đến các biến số Kết quả cho thấy các cú sốc tăng trưởng kinh tế quá nhanh, sụt giảm thanh khoản và lạm phát tăng cao đều làm gia tăng rủi ro hệ thống ngân hàng tại Nepal

Tương tự với nghiên cứu của Suman, các nghiên cứu của Chandranath (2012) trong phạm vi 5 NHTM lớn tại Sri Lanka từ quý I/2001 đến quý IV/2010 và Enrico (2012) khi phân tích 9 NHTM ở Philippines từ quý I/2004 đến quý II/2011 đều cho kết quả tương đồng Các phân tích đều chỉ ra cuộc khủng hoảng tài chính toàn cầu thực sự có tác động làm tăng rủi ro hệ thống tại các quốc gia nghiên cứu Ngoài ra, các tác giả cũng sử dụng mô hình panel VAR để ước tính mối liên hệ của các nhân tố đến rủi ro hệ thống Theo đó, tại Sri Lanka, sự sụt giảm thanh khoản, tăng trưởng kinh tế quá nhanh, lạm phát tăng cao hoặc bùng phát nợ xấu đều làm tăng rủi ro hệ thống NHTM Kết luận cũng tương tự với nghiên cứu tại Phillipines

Một bằng chứng thực nghiệm khác là nghiên cứu của Utari và Arimurti (2012) phân tích rủi ro hệ thống thông qua phương pháp CCA đã đo lường xác suất phá sản của 10 NHTM lớn tại Indonesia từ tháng 1/2001 đến tháng 12/2010 Các

kết luận trong bài nghiên cứu cũng cho thấy rủi ro hệ thống có sự gia tăng trong giai đoạn khủng hoảng tài chính Các tác giả đã sử dụng mô hình panel VAR để ước lượng mối quan hệ giữa các biến số với xác suất phá sản và áp dụng hàm phản ứng đẩy để kiểm định một số cú sốc

Tại Việt Nam, hiện nay chưa có nghiên cứu hoàn chỉnh về mô hình CCA để

đo lường rủi ro hệ thống NHTM Theo Nguyễn Thị Cành và Phạm Chí Khoa (2014), đa phần những nghiên cứu đã được công bố có liên quan đến mô hình CCA

ở Việt Nam đều sử dụng các nghiên cứu mở rộng của mô hình KMV có sẵn trong việc cố gắng giải thích một hiện tượng nào đó trong hệ thống ngân hàng trong đợt khủng hoảng vừa qua, điển hình là các nghiên cứu của Lâm Chí Dũng và Phan Đình Anh (2009), Lê Đạt Chí và Lê Tuấn Anh (2012)

Nghiên cứu của Lâm Chí Dũng và Phan Đình Anh (2009) sử dụng mô hình KMV-Merton (nền tảng của CCA) để định lượng rủi ro tín dụng trong việc sử dụng tài sản bảo đảm gắn liền với hành vi sử dụng vốn của người vay, thông qua khảo sát ảnh hưởng của các biến: Tỉ lệ vốn cho vay tối đa trên giá trị tài sản báo đảm, mục đích sử dụng vốn của người vay và số lần người vay sử dụng tài sản hình thành từ vốn vay làm tài sản bảo đảm Từ kết quả lượng hoá đạt được, nhóm nghiên cứu đưa

ra dự báo những rủi ro tín dụng tiềm ẩn trong hoạt động cho vay thế chấp bất động sản đối với các NHTM nói riêng, thị trường tín dụng nói chung Tuy nhiên, nghiên cứu này vẫn chỉ dừng ở việc lập luận và chưa có kiểm chứng cụ thể (tính toán cho ngân hàng cụ thể) cho phương pháp đề xuất của mình

Lê Đạt Chí và Lê Tuấn Anh (2012) đã cố gắng kết hợp phương pháp CVaR

và mô hình KMV-Merton để đo lường rủi ro vỡ nợ trong thị trường tài chính Việt Nam dựa trên những bằng chứng thực nghiệm trước và sau năm 2008 Tuy nhiên, nghiên cứu mới chú trọng vào chứng minh sự hiệu quả khi tính toán xác suất phá sản “vượt biên" và sử dụng ví dụ ở 2 chu kỳ trước và sau khủng hoảng mà chưa đưa

ra được các áp dụng cụ thể tại một thời điểm nhất định, cho một ngân hàng cụ thể - điều mà các nhà quản trị ngân hàng rất lưu tâm Bảng 2.1 tóm tắt kết quả thu được

từ các nghiên cứu trước

Bảng 2.1 Tóm tắt các nghiên cứu liên quan đến đề tài

Altar và cộng

sự (2015)

Các ngân hàng, doanh nghiệp và khu vực công tại Romania,

Bulgaria, Hungary

và Ba Lan từ tháng 3/2006 đến

tháng 11/2013

Đo lường rủi ro hệ thống bằng phương pháp CCA

Hồi quy dữ liệu chuỗi thời gian sử

Global VAR

Tỷ lệ tăng trưởng kinh

tế và tỷ lệ tăng trưởng tín dụng hộ gia đình có tác động ngược chiều với rủi ro hệ thống

Gray và Jobst

(2013)

Các ngân hàng, doanh nghiệp và khu vực công tại

15 quốc gia châu

Âu và Hoa Kỳ từ tháng 3/2006 đến tháng 11/2013

Đo lường rủi ro hệ thống bằng phương pháp CCA

Hồi quy dữ liệu chuỗi thời gian sử

Global VAR

Các tác giả tiến hành phân tích tình huống gia tăng xác suất phá sản sẽ ảnh hưởng đến tỷ lệ tăng trưởng kinh tế và

tỷ lệ tăng truởng tín dụng của hộ gia đình Theo đó, xác suất phá sản gia tăng đột ngột sẽ làm giảm tỷ lệ tăng truởng kinh tế và tín dụng

Suman (2012)

I/2005 đến Quý IV/2010

Đo lường rủi ro hệ thống bằng phương pháp CCA

Hồi quy dữ liệu chuỗi thời gian sử dụng mô hình Panel VAR

Rủi ro hệ thống có mối quan hệ với chỉ số chứng khoán, tổng vốn huy động của hệ thống NHTM, tổng nguồn vốn các ngân hàng, đòn bẩy tài chính, tỷ lệ tăng trưởng kinh tế, lạm phát

và tỷ lệ nợ xấu

Các cú sốc gia tăng tỷ

lệ tăng truởng đột ngột, sụt giảm thanh khoản, lạm phát cao làm gia tăng rủi ro hệ thống

Đo lường rủi ro hệ thống bằng phương pháp CCA

Hồi quy dữ liệu chuỗi thời gian sử dụng mô hình Panel VAR

Rủi ro hệ thống có mối quan hệ tương đồng với kết quả của Suman (2012)

Các cú sốc gia tăng tỷ

lệ tăng truởng đột ngột, sụt giảm huy động vốn, lạm phát cao, bùng nổ

nợ xấu làm gia tăng rủi

ro hệ thống

Enrico (2012)

Philipines từ Quý I/2004 đến Quý II/2011

Đo lường rủi ro hệ thống bằng phương pháp CCA

Hồi quy dữ liệu chuỗi thời gian sử dụng mô hình Panel VAR

Các cú sốc tăng trưởng chỉ số chứng khoán, tăng đòn bẩy tài chính

và tỷ lệ nợ xấu đều làm tăng rủi ro hệ thống

Đo lường rủi ro hệ thống bằng phương pháp CCA

Hồi quy dữ liệu chuỗi thời gian sử dụng mô hình Panel VAR

Các cú sốc tăng trưởng chỉ số chứng khoán, tăng đòn bẩy tài chính

và tỷ lệ nợ xấu đều làm tăng rủi ro hệ thống

KMV-Hầu hết các ngành đều gia tăng rủi ro trong năm 2008 rồi sau đó giảm dần Công ty sử dụng càng nhiều vốn cổ phần thì rủi ro càng thấp

Lâm Chí

Dũng và Phan

Đình Anh

(2009)

Suy luận lý thuyết

Đo lường rủi ro

KMV-Merton

Dự báo những rủi ro tín dụng tiềm ẩn trong hoạt động cho vay thế chấp bất động sản

Nguồn: Tác giả tổng hợp từ các nghiên cứu trước theo mục đích nghiên cứu

KẾT LUẬN CHƯƠNG 2

Trải qua cuộc khủng hoảng tài chính toàn cầu, hầu hết các nhà nghiên cứu đều đồng thuận rằng cần phải có sự quan tâm nhiều hơn đối với rủi ro hệ thống của các NHTM Trong bối cảnh đó, rủi ro hệ thống trở thành một biến số quan trọng cần phải được đánh giá, đo lường bằng các phương pháp phù hợp Các nghiên cứu cũng cho thấy hiện tại vẫn chưa có sự thống nhất về khái niệm rủi ro hệ thống và với mỗi phương pháp khác nhau sẽ định nghĩa rủi ro hệ thống và cách đo lường khác nhau

Mô hình CCA với ưu điểm linh hoạt, các dữ liệu có thể thu thập dễ dàng là một lựa chọn phù hợp khi phân tích rủi ro hệ thống bằng xác suất phá sản từng tổ chức và cả

hệ thống NHTM Các nghiên cứu thực nghiệm cũng cho các kết quả rất tích cực và làm cơ sở tham khảo để tác giả thực hiện đo lường rủi ro hệ thống tại Việt Nam

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU

GIỚI THIỆU CHƯƠNG

Trong phần trước, tác giả đã tổng hợp các nghiên cứu về rủi ro hệ thống và các phương pháp đo lường rủi ro hệ thống Các nghiên cứu chỉ ra rằng hiện tại vẫn còn nhiều bất đồng trong định nghĩa và ước lượng rủi ro hệ thống, phương pháp CCA được chọn để tìm lời giải cho các câu hỏi nghiên cứu đầu tiên Trong Chương

3, tác giả giới thiệu mô hình hồi quy theo dữ liệu bảng panel VAR, tác giả cũng trình bày cụ thể hơn về phương pháp nghiên cứu, dữ liệu nghiên cứu, mô hình nghiên cứu để trả lời hai câu hỏi nghiên cứu còn lại

3.1 ĐO LƯỜNG RỦI RO HỆ THỐNG

Theo Chandranath (2012), phương pháp cơ bản khi phân tích nợ ngắn hạn và dài hạn của ngân hàng nói riêng hay doanh nghiệp nói chung trong CCA nên sử dụng thông tin thị trường, tuy nhiên đối với các thị trường còn chưa hoàn thiện như Việt Nam, các thông tin thị trường của nợ khó có khả năng thu thập đầy đủ Để đơn giản hóa, Vasicek (1968) đã đề xuất và chứng minh có thể sử dụng thông tin nợ ngắn hạn và dài hạn từ bảng cân đối kế toán để phân tích Trên cơ sở xác định mẫu

dữ liệu như trên, các dữ liệu sẽ được trình bày theo quý để đồng nhất với khung thời gian các dữ liệu vĩ mô

Do đặc thù của các ngân hàng thương mại tại Việt Nam là chỉ có một tỷ lệ nhỏ các NHTM niêm yết trên sàn chứng khoán, nên khi tính toán cho một danh mục gồm cả các NHTM niêm yết và không niêm yết, tác giá đề xuất cách tính phù hợp hơn theo nghiên cứu của Bharath và Shumway (2008) và Nguyễn Thị Cành và Phạm Chí Khoa (2014)

Trước tiên, tác giả vẫn sử dụng phương trình phi tuyến tính của CCA (phương trình 2.2) đế tính toán giá trị thị trường tài sản từng NHTM:

Et=V.N(d1)-e-r.T.F.N(d2)

Trong điều kiện không tính được biến động giá trị tài sản theo giá thị trường

do nhiều NHTM chưa niêm yết, tác giả tính biến động tài sản của các NHTM thông qua độ lệch chuẩn biến động tài sản cho 4 năm liền kề trước đó theo số liệu báo cáo tài chính Lí do chọn độ lệch chuẩn về biến động giá trị tài sản của một công ty là dựa vào một số nghiên cứu trước như nghiên cứu của Bharath và Shumway (2008), Nguyễn Thị Cành và Phạm Chí Khoa (2014) Bharath và Shumway (2008) và một

số nghiên cứu khác đã đưa ra bằng chứng thực nghiệm rằng biến động tài sản theo giá trị sổ sách là cùng chiều với biến động của giá trị thị trường vốn sở hữu hay giá

cổ phiếu DN trong thị trường Theo Bharath và Shumway (2008), những biến trong phương trình trên hoàn toàn có thể thay đổi để phù hợp hơn với tình hình thực tếvà

sẽ không ảnh hưởng nhiều đến kết quá tính toán của hàm số tính xác suất phá sản

Sau khi tính được giá trị thị trường tài sản, bước tiếp theo sẽ tính khoảng cách đến phá sản và xác suất phá sản dựa trên phương trình 2.5 và 2.6 của mô hình CCA:

DD (Distance to Default) = ln (

V

F)+ ( - 12 V2).TV.√T

PD = N(-DD)

Từ kết quả tính xác suất phá sản của từng NHTM, tác giả tính xác suất phá sản của toàn danh mục các NHTM theo phương trình:

PDdanh mục= √wi2.PDi2Với

wi: Tỷ trọng tài sản của NHTM i đối với tổng tài sản của toàn danh mục;

PDi: Xác suất phá sản của NHTM thứ i

3.2 PHƯƠNG PHÁP ƯỚC LƯỢNG

3.2.1 Mô hình tự hồi quy vector VAR

Để trả lời câu hỏi nghiên cứu có tồn tại mối quan hệ giữa tăng trưởng kinh tế, tăng trưởng vốn huy động, tỷ lệ nợ xấu và rủi ro hệ thống các NHTM tại Việt Nam không, tác giả sử dụng mô hình tự hồi quy vector cho dữ liệu bảng panel VAR

Trong kinh tế tài chính, các biến kinh tế tài chính – vĩ mô thường mang tính nội sinh khi chúng tác động qua lại lẫn nhau, nhiều mô hình có các biến không chỉ

là biến giải thích cho biến khác mà bản thân các biến đó còn được giải thích bởi những biến mà chúng đã xác định Nói cách khác, các biến trong mô hình có tương quan với nhau, ảnh hưởng lẫn nhau, theo đó xác định lẫn nhau Quan hệ nhân quả lúc này có tính hai chiều chứ không còn một chiều Như vậy, mô hình kinh tế lượng được xem xét không phải là mô hình chỉ một phương trình mà bao gồm nhiều phương trình, phương pháp tối thiểu hóa phần dư (Ordinary Least Square – OLS) không còn là phương pháp phù hợp để ước lượng mô hình có các phương trình đồng thời Theo Sims (1980), nếu thực sự tồn tại mối quan hệ đồng thời giữa các biến này thì chúng phải được xem xét với vai trò như nhau, nói cách khác là tất cả các biến được xét đến đều là biến nội sinh

Mô hình VAR được Sims (1980) đề xuất là sự kết hợp của 2 phương pháp:

tự hồi quy đơn chiều và hệ phương trình đồng thời VAR tổng hợp được những ưu điểm của 2 phương pháp trên, đó là dễ ước lượng bằng phương pháp OLS và ước lượng nhiều biến trong cùng một hệ thông Đồng thời, nó khắc phục được nhược điểm không quan tâm đến tính nội sinh của các biến kinh tế Đặc điểm này làm cho phương pháp cổ điển hồi quy bội dùng một phương trình hồi quy thường bị sai lệch khi ước lượng Đây là những lý do cơ bản khiến VAR trở nên phố biến trong nghiên cứu tài chính – kinh tế vĩ mô

Một cách khái quát, mô hình VAR của g biến có dạng viết ngắn gọn như sau:

Yt=A0+ ∑ AiYt-i

p

i=1

+etTrong đó:

Yt là vectơ (1 x g) của k biến nội sinh;

A0 là vectơ (1 x g) của hệ số chặn,

Ai (i = 1, 2, , p) là ma trận (g x g) hệ số tác động của các biến nội sinh trễ,

Yt-i là ma trận (g x g) các biến nội sinh trễ,

p là số bậc trễ

et là vectơ (1 x g) sai số

Trên cơ sở mô hình hồi quy VAR, tác giả áp dụng với bộ dữ liệu bảng (panel data) từ đó xây dựng mô hình panel VAR

3.2.2 Ƣớc lƣợng mô hình panel VAR

3.2.2.1 Kiểm định tính dừng đối với chuỗi dữ liệu

Khái niệm dừng (stationary) hoặc không dừng (non-stationary) vô cùng quan trọng bởi một chuỗi dữ liệu dừng và một chuỗi dữ liệu không dừng sẽ phù hợp với những phương pháp khác nhau Sự khác nhau này xuất phát từ những lý do sau:

- Chuỗi dừng có thể ảnh hưởng mạnh đến hành vi và đặc điểm của chính nó

Có thể hình dung nhận định này qua ảnh hưởng của sốc Từ sốc dùng để chỉ thay đổi bất ngờ trong diễn biến của một biến số hoặc đơn giản là thay đổi bất ngờ của sai số tại một thời điểm cụ thể nào đó Đối với chuỗi dừng, tác động của cú sốc sẽ

giảm dần theo thời gian Chẳng hạn, cú sốc tại thời điểm t sẽ có tác động yếu hơn tại thời điểm t+1, yếu hơn nữa tại thời điểm t+2… Ngược lại, với chuỗi không dừng tác động của cú sốc sẽ không giảm dần theo thời gian Theo đó, với chuỗi thời gian không dừng, nhà nghiên cứu chỉ có thể nghiên cứu hành vi của nó trong một khoảng thời gian đang được xem xét nhất định, mà không thể khái quát hóa cho cả giai đoạn, cũng như không thể tiến hành dự báo (Gujarati, 2009)

- Sử dụng chuỗi dữ liệu không dừng có thể dẫn đến hồi qui giả mạo (spurious regression) Nếu sử dụng 2 biến ngẫu nhiên dừng không có mối quan hệ với nhau

để xem xét tác động của biến này đến biến kia bằng phương pháp OLS, hệ số ước lượng sẽ không có ý nghĩa thống kê, và giá trị R2 sẽ rất thấp Nếu sử dụng 2 biến ngẫu nhiên không dừng trong trường hợp này, hệ số ước lượng có thể có ý nghĩa thống kê và R2 có thể rất cao Tuy nhiên, kết quả thống kê này không đáng tin cậy

và do đó không có giá trị

Trong trường hợp chuỗi không dừng ở bậc gốc (at level), cần tiến hành biến đổi dạng sai phân cho dữ liệu Sai phân bậc 1 phản ánh sự thay đổi của giá trị quan sát tại thời điểm t so với thời điểm t – 1, ký hiệu là I(1) Sai phân bậc 2 cho thấy sự thay đổi của sai phân tại thời điểm t so với sai phân tại thời điểm t – 1, ký hiệu là I(2) Dữ liệu dạng sai phân được sử dụng để loại bỏ thành phần xu hướng của chuỗi thời gian Việc kiểm định tính dừng để đảm bảo các chuỗi đều dừng cùng bậc, trong kinh tế, tài chính thường là I(1) mà hiếm có trường hợp I(2)

Tính dừng của chuỗi dữ liệu là một vấn đề cần được quan tâm đầu tiên trong

dữ liệu chuỗi thời gian, đặc biệt là dữ liệu bảng Để kiểm tra tính dừng của dữ liệu, tác giả thực hiện các kiểm định theo phương pháp Augmented Dickey Fuller – ADF, với độ trễ của các biến dựa trên tiêu chuẩn thông tin Schwarz (Schwarz Information Criteria – SIC), các giả thuyết đặt ra cho mỗi biến là:

H0: = 0 (có nghiệm đơn vị - chuỗi thời gian không dừng)

H1: < 0 (không có nghiệm đơn vị - chuỗi thời gian dừng)

Gujarati (2009) cho rằng, nếu các chuỗi dừng khác bậc và không xảy ra hiện tượng đồng liên kết, phương pháp ước lượng trong trường hợp này là VAR Nếu các

chuỗi đều dừng ở chuỗi I(1), nên chuyển sang mô hình khác phù hợp hơn, điển hình

là VECM

3.2.2.2 Lựa chọn độ trễ thích hợp

Lựa chọn bậc trễ tối ưu (optimal lag length selection) là một vấn đề của mô hình VAR Có nhiều cách khác nhau để lựa chọn bậc trễ trong đó các tiêu chuẩn thông tin là cơ sở thường được sử dụng để lựa chọn Sau khi tiến hành các thủ tục cần thiết, nếu các điều kiện của mô hình được đáp ứng, sử dụng mô hình VAR để ước lượng

3.2.3 Kiểm định chẩn đoán mô hình panel VAR

Kết quả ước lượng mô hình panel VAR cần thực hiện một số kiểm định để đảm bảo tính tin cậy

3.2.3.1 Tính ổn định của mô hình

Tính ổn định của mô hình VAR được xem xét bằng cách tính nghiệm của đa thức đặc trưng tự hồi qui Điều kiện cần và đủ để mô hình VAR ổn định là các nghiệm đặc trưng nằm ngoài vòng tròn đơn vị hoặc nghịch đảo nghiệm đặc trưng phải nằm trong vòng tròn đơn vị

3.2.3.2 Kiểm định chẩn đoán đối với phần dư

- Kiểm định tự tương quan phần dư: Kiểm định Portmanteau

Kiểm định có các giả thuyết như sau:

Giả thuyết H0: Phần dư không có hiện tượng tự tương quan đến bậc trễ h Giả thuyết H1: Phần dư có hiện tượng tự tương quan đến bậc trễ h

Nếu giá trị Prob > α (1%, 5%, 10%), không có cơ sở bác bỏ giả thuyết H0, kết luận phần dư không có hiện tượng tự tương quan Nếu giá trị Prob < α (1%, 5%, 10%), bác bỏ giả thuyết H0, kết luận có hiện tượng tương quan chuỗi bậc h mà tại

đó Prob < α

- Kiểm định tự tương quan phần dư: Kiểm định LM

Kiểm định có các giả thuyết như sau:

Giả thuyết H0: Phần dư không có hiện tượng tự tương quan đến bậc trễ Giả thuyết H1: Phần dư có hiện tượng tự tương quan đến bậc trễ h

Thống kê LM có phân phối χ2 với n2 bậc tự do (n là số lượng biến nội sinh) Tương tự như trên, nếu giá trị Prob > α (1%, 5%, 10%), không có cơ sở bác bỏ giả thuyết H0, kết luận phần dư không có hiện tượng tự tương quan Nếu giá trị Prob <

α (1%, 5%, 10%), bác bỏ giả thuyết H0, kết luận có hiện tượng tương quan chuỗi bậc h mà tại đó Prob < α

- Kiểm định phân phối chuẩn của phần dư: Kiểm định Jarque Bera phiên bản đa biến

Kiểm định này so sánh độ nhọn (skewness) và độ nghiêng (kurtosis) trong phân phối của phần dư với độ nhọn và độ nghiêng của phân phối chuẩn Giả thuyết kiểm định gồm:

Giả thuyết H0: Phần dư có phân phối chuẩn

Giả thuyết H1: Phần dư không có phân phối chuẩn

Nếu giá trị Prob > α (1%, 5%, 10%), chưa đủ cơ sở thống kê bác bỏ giả thuyết H0, kết luận phần dư có phân phối chuẩn Nếu giá trị Prob < α (1%, 5%, 10%), bác bỏ giả thuyết H0, kết luận phần dư không có phân phối chuẩn

Về nguyên tắc, phần dư không có phân phối chuẩn làm mất giá trị các thống

kê kiểm định Tuy nhiên, nhiều nhà nghiên cứu cho rằng, đối với các mẫu nghiên cứu nhỏ, đo lường độ nghiêng không có ý nghĩa về mặt thông tin

3.2.4 Kiểm định nhân quả

Do VAR có nhiều biến trễ, rất khó để xác định từng biến phụ thuộc chịu tác động một cách có ý nghĩa của những biến nào Để giải quyết vấn đề này, kiểm định nhân quả (causality test) được thực hiện, kiểm định này hiện nay được gọi phổ biến

là kiểm định nhân quả Granger (Granger causality test) Kiểm định nhân quả để trả lời câu hỏi về mối quan hệ nhân quả giữa các biến, chẳng hạn như “Thay đổi của X

có là nguyên nhân thay đổi của Y hay không?” Thuật ngữ nhân quả ở đây có ý nghĩa giá trị trễ của một biến số có ảnh hưởng giá trị hiện tại của một biến số khác hoặc giá trị hiện tại của một biến số có ảnh hưởng đến giá trị tương lai của một biến

số khác