Đánh giá chiến lược trung bình động trên thị trường chứng khoán Việt Nam

Đánh giá chiến lược trung bình động trên thị trường chứng khoán Việt Nam

(Nguồn: https://www.vietquanttrader.com)

Có một cuộc tranh luận ngầm đang diễn ra giữa một bên cho rằng chỉ báo kĩ thuật đã thật sự không còn hiệu quả, và bên còn lại; tất nhiên đang ăn nên làm ra với nó. Tìm những chứng cứ cho cuộc tranh luận đó là điều không khó, mà chúng thật sự được nhóm họp bởi các tên tuổi và thực nghiệm đầy nổi trội như Michael Harris với www.priceactionlab.comKris Longmorevới https://robotwealth.com/about/Johann Christian Lotter với http://www.financial-hacker.com/ và http://zorro-trader.com/. Dĩ nhiên còn nhiều tên tuổi khác đồng quan điểm trên với trường phái price action như Nial Fuller với http://www.learntotradethemarket.comAl Brooks với https://brookstradingcourse.com/. Đương nhiên phải có lý mới có lẽ cho cuộc tranh luận đó, mà có thể được tóm gọn bởi thành ngữ “quá nhanh quá nguy hiểm”, với hàm ý liên quan đến cơ sở hạ tầng giao dịch quá tân tiến mà ai cũng biết. Bạn có thể bị thuyết phục bởi quan điểm đó bởi cái lý của nó, nhưng có chắc rằng cái lẽ đó, mà bạn đang tin, có phải là sự thật. Cách tốt nhất là, chúng ta sẽ tự kiểm tra chiến lược của mình để không bị lung lay niềm tin.

1) Tìm nguồn cung dữ liệu

Đối với chứng khoán Việt Nam, chúng ta có thể tải ở các địa chỉ ,http://www.bvsc.com.vn/DownloadMSData.aspxhttp://www.cophieu68.vn/export.phphttp://www.vietwayedu.com/downloadshttp://s.cafef.vn/du-lieu/download.chn#datahttps://www.vndirect.com.vn/portal/thong-ke-thi-truong-chung-khoan/lich-su gia.shtml hoặc các nguồn phải trả phí như ở https://www.stockbiz.vn/http://stoxvn.stox.vn. Bạn có thể tìm ở nhiều nguồn khác, tuy nhiên chúng tôi sẽ cung cấp cho các bạn dữ liệu miễn phí mà các bạn có thể tải về từ DỮ LIỆU. Sau khi download về, các bạn giải nén vào thư mục mà từ nay về sau trong bài viết này và tất cả sản phẩm của chúng tôi, chúng ta sẽ đặt với đường dẫn là F:\Data\ để tiện trình bày.

2) Xử lý dữ liệu bằng R và Rstudio

Để bắt đầu thực hành, các bạn phải cài đặt R và Rstudio (xem https://www.vietquanttrader.com/vi/cai-dat-r-va-rstudio/). Chúng ta quay trở lại với dữ liệu sau khi đã download, bạn giải nén vào thư mục F:\Data\ được file Alldata.txt. Bây giờ chúng ta sẽ xử lý dữ liệu file Alldata.txt, từ Rstudio ở khung console nhập

1
dataAll<-read.csv("F:/Data/Alldata.txt",header = TRUE, stringsAsFactors = FALSE)

Tiếp theo chúng ta sẽ hiển thị 6 dòng đầu để xem tổng quát cách bố trí dữ liệu bằng lệnh

1
head(dataAll)

Chúng ta thu được kết quả sau

Nhấp vào để phóng to ảnh

Chúng ta thực hiện đổi tên các cột dữ liệu cho dễ phân tích các bước tiếp theo

1
colnames(dataAll) = c("Tickers", "Date", "Open", "High", "Low", "Close","Volume")

Bây giờ ta thực hiện một loạt các lệnh để lấy dữ liệu mã chứng khoán SSI và chuyển về định dạng xts, thông qua đoạn code sau

1
2
3
4
5
6
7
8
9
10
11
library(quantmod)
data<-dataAll
data<- subset(data, data$Tickers == "SSI")
data<- data[,-1]
names(data)<- c("Date", "Open", "High", "Low", "Close","Volume")
data$Date<- as.Date(as.character(data$Date),"%d/%m/%Y")
data<-data[!duplicated(data$Date),]
data<-zoo(data[,-1],data$Date)
data<- as.xts(data)
data<-na.omit(data)
data[c(1:4),]

Chúng ta đã gọi package quantmod thông qua lệnh library(quantmod), để chúng ta chuyển đổi dữ liệu về dạng xts. Dòng cuối của đoạn code trên chúng ta hiển thị 4 dòng đầu dữ liệu, và output của nó như hình sau

Nhấp vào để phóng to ảnh

Với mục đích phân tích chiến lược trung bình động, chúng ta đã xử lý dữ liệu xong và sau đây sẽ đến phần phân tích.

3) Phân tích sơ bộ chiến lược

Chúng ta sử dụng chỉ báo elastic volume weighted moving average (eVWMA) để thực hiện phân tích. Quay trở lại cửa sổ console, nhấn ctrl + l để xóa các dòng code, và thực hiện đoạn code sau:

1
2
3
4
require(TTR)
Fast<-EVWMA(Cl(data),Vo(data),n=6)
Slow<-EVWMA(Cl(data),Vo(data),n=9)
BinVec<-ifelse(Fast>=Slow,1,0)

Dòng cuối đoạn code để mô hình chiến lược giả định của chúng ta là, nếu Fast >= Slow thì chúng ta mua vào hoặc tiếp tục nắm giữ. Ngược lại, chúng ta bán ra hoặc đứng ngoài thị trường. Thay vì sử dụng lệnh head như lúc trước để xem dữ liệu, chúng ta đưa chuột nhấp vào BinVec ở khung Environment thì dữ liệu BinVec sẽ xuất ra ở khung nằm trên khung console như hình sau:

Nhấp vào để phóng to ảnh

Chúng ta thấy có những giá trị không xác định (NA) trong dữ liệu của BinVec, đó là do có những giá trị không xác định trong Fast và Slow. Lẽ đương nhiên, chúng ta sẽ đứng ngoài thị trường tương ứng với giá trị không xác định đó; nói cách khác chúng ta gán cho chúng giá trị 0. Bây giờ chúng ta sẽ làm điều đó và tính lợi nhuận theo ngày mà ta đặt tên là Gain.

1
2
3
4
5
6
SignalTomorrow = as.numeric(tail(BinVec,1))
BinVec[is.na(BinVec)]=0
BinVec<-Lag(BinVec,1)
dataRet<- diff(Cl(data))/Lag(Cl(data),1)
Gain<-dataRet*BinVec
Gain[is.na(Gain)]=0

Ở đoạn code trên chúng ta thực sử dụng hàm Lag để mô hình cho việc: cuối ngày hôm nay ta mới có thông tin dữ liệu rồi tính ra được dấu hiệu cho ngày mai (SignalTomorrow).

4) Xem xét kết quả thực thi

Để xem xét kết quả thực thi, chúng ta phải đưa ra những tiêu chuẩn cho điều đó. Ở đây, chúng tôi lấy một số tiêu chuẩn như lợi nhuận tích lũy, lợi nhuận hàng năm, độ biến động lợi nhuận, và sharpe ratio.

1
2
3
4
5
6
7
8
9
10
library(PerformanceAnalytics)
getMat = matrix(c("Cumulative Return",Return.cumulative(Gain),
                   "Annual Return",Return.annualized(Gain),
                   "Annualized Sharpe Ratio",SharpeRatio.annualized(Gain),
                   "Win %",sum(Gain>0)/sum(Gain!=0),
                   "Annualized Volatility",sd.annualized(Gain, scale=252),
                   "Position Tomorow",SignalTomorrow),
                    ncol = 2,byrow = TRUE)
colnames(getMat) = c("Performance", "Value")
getMat

Chúng ta sẽ thu được kết quả như hình sau:

Nhấn vào để phóng to ảnh

Từ kết quả trên chúng ta thấy nếu theo chiến lược đó, thì lợi nhuận tích lũy gấp 13.0771 vốn ban đầu bỏ ra, lợi nhuận hàng năm là khoảng 28.8%, độ biến động lợi nhuận hàng năm là khoảng 27.18%, và sharpe ratio hàng năm là khoảng 1.06.

5) Cải thiện sự đánh giá 

Vấn đề đặt ra là liệu chi phí giao dịch và thuế có giết chết phần thưởng xứng đáng cho nỗ lực của bạn, hay thậm chí tệ hơn, bạn không biết mình là tên khờ khạo dễ bị phỉnh gạt vì mơ hồ về điều đó. Nói cho dễ hiểu, giả sử bạn có chiến lược đem lại lợi nhuận tích lũy gấp 7 lần vốn bỏ ra nhưng chi phí giao dịch và thuế lên tới 11 lần vốn. Mặt khác, nó là điều rất phiền khi bạn xem xét những mã cổ phiếu khác mà bạn sẽ phải chạy code lại từ đầu trong R. Vì vậy, chúng tôi cung cấp sản phẩm Backtesting for moving average để các bạn chỉ cần nhập thông tin vào và chạy ra kết quả. Kết quả có hỗ trợ tính ra chi phí giao dịch, thuế, số lần giao dịch, vị thế cho ngày tiếp theo, hiển thị dữ liệu, đồ thị, và các tiêu chuẩn đánh giá chiến lược…. Ngoài giao diện dễ sử dụng, các bạn sẽ sở hữu full source code của sản phẩm, để các bạn dễ dàng trở thành một quant. Các bạn lưu ý rằng, sản phẩm ở VietQuantTrader chỉ duy nhất có tại VietQuantTrader và VietQuantTrader là nơi đầu tiên trên thế giới tiên phong trong sản phẩm loại này.

—————–&&&—————-

Quan hệ giữa tín dụng thương mại và tín dụng ngân hàng: Nghiên cứu thực nghiệm tại Việt Nam

Quan hệ giữa tín dụng thương mại và tín dụng ngân hàng: Nghiên cứu thực nghiệm tại Việt Nam

(Tác giả: HẠM QUỐC VIỆT, NGUYỄN HỮU DUY – Nguồn: http://tapchitaichinh.vn/)

Bài viết tiến hành xem xét sự tồn tại của quan hệ bổ sung, quan hệ thay thế giữa tín dụng thương mại và tín dụng ngân hàng của các doanh nghiệp Việt Nam. Trên mẫu dữ liệu của 490 công ty niêm yết tại Việt Nam trong giai đoạn 2009-2016, nhóm tác giả đã tìm thấy sự tồn tại của mối quan hệ bổ sung và quan hệ thay thế giữa hai biến nghiên cứu và sự khác biệt của hành vi sử dụng tín dụng thương mại của các doanh nghiệp Việt Nam trong và sau khủng hoảng tài chính toàn cầu (2007 – 2008).
Ảnh minh họa. Nguồn: internet.Ảnh minh họa. Nguồn: internet.

Tín dụng thương mại (TDTM) và tín dụng ngân hàng (TDNH) là một trong những chủ đề quan trọng trong quản trị tài chính doanh nghiệp (DN). Nó đã thu hút sự quan tâm của nhiều nhà nghiên cứu lý luận và thực tiễn trong nhiều lĩnh vực ở các quốc gia trên thế giới. Sau giai đoạn khủng hoảng tài chính toàn cầu, Ngân hàng Nhà nước Việt Nam (NHNN) tiến hành thực hiện chính sách tiền tệ chặt chẽ và thận trọng, đồng thời với tỷ lệ nợ xấu tăng cao dẫn đến các ngân hàng hạn chế cho vay, làm cho việc tiếp cận vốn từ kênh TDNH của các DN trở nên khó khăn.

Để tồn tại và phát triển, các DN phải tìm kiếm nguồn vốn từ các kênh khác và mở rộng sang TDTM, nhóm tác giả tiến hành kiểm định trên mẫu dữ liệu các công ty niêm yết trên thị trường chứng khoán Việt Nam trong giai đoạn 2009 – 2016 nhằm trả lời cho câu hỏi nghiên cứu: Tồn tại quan hệ bổ sung hay quan hệ thay thế giữa TDTM và TDNH trong giai đoạn khủng hoảng và sau khủng hoảng tài chính tại Việt Nam?

Tổng quan lý luận nghiên cứu

TDTM là “loại tín dụng dưới hình thức các nhà kinh doanh ứng vốn cho nhau hoặc vay lẫn nhau, bằng cách bán chịu hàng hoá hay thông qua lưu thông kỳ phiếu, nhờ đó làm thông suốt và thúc đẩy lưu thông tư bản” (Từ điển Bách khoa Viêt Nam, tập 4, trang 414).

TDNH là việc ngân hàng “thỏa thuận để tổ chức, cá nhân sử dụng một khoản tiền hoặc cam kết cho phép sử dụng một khoản tiền theo nguyên tắc có hoàn trả bằng nghiệp vụ cho vay, chiết khấu, cho thuê tài chính, bao thanh toán, bảo lãnh ngân hàng và các nghiệp vụ cấp tín dụng khác” (Luật Các tổ chức tín dụng số 47/2010/QH12).

Theo Danielson và Scott (2004), vai trò của TDTM trong cấu trúc vốn của một công ty tùy thuộc vào khả năng hoàn trả nợ của nó. Nếu công ty có thể trả nợ đúng hạn, TDTM là nguồn thay thế cho TDNH; tuy nhiên, khi công ty gặp khó khăn về dòng tiền và không thể tiếp cận TDNH bổ sung, TDTM trở thành nguồn thay thế cho TDNH, mặc dù có chi phí cao. Như vậy, mối quan hệ thay thế giữa TDTM và TDNH kỳ vọng tương quan âm giữa khoản phải trả và vay ngân hàng; còn quan hệ bổ sung giữa TDTM và TDNH kỳ vọng tương quan dương giữa khoản phải thu/TDTM ròng (chênh lệch giữa khoản phải thu và khoản phải trả) và vay ngân hàng.

Lợi thế của TDTM so với TDNH thể hiện ở: (i) Giảm bất cân xứng thông tin giữa người mua và người bán với vai trò đảm bảo chất lượng sản phẩm (Smith, 1987); (ii) Là một bộ phận của chính sách định giá nhằm gia tăng doanh thu và giữ khách hàng (Pike và ctg, 2005); (iii) Giảm thiểu chi phí giao dịch (Ferris, 1981). Tuy nhiên, để hiện thực hóa lợi thế này, các DN phải quản trị tốt chi phí tài trợ và rủi ro đối tác.

ảnh 1Nhiều bằng chứng thực nghiệm trên thế giới đã ủng hộ cho cả quan hệ bổ sung, quan hệ thay thế hoặc cả hai tại các nền kinh tế khác nhau.

Demirgüç-Kunt và Maksimovic (2001) nghiên cứu mẫu DN tại 40 quốc gia trong giai đoạn 1989-1996 và tìm thấy mối quan hệ bổ sung giữa TDTM và TDNH. Love và ctg (2007) xem xét ảnh hưởng của khủng hoảng tài chính tác động đến mối quan hệ giữa TDTM và TDNH trên dữ liệu mẫu khảo sát, bao gồm 890 công ty tại 6 nền kinh tế mới nổi và cung cấp bằng chứng về mối quan hệ thay thế giữa TDTM và TDNH tại các công ty lớn trong khủng hoảng.

Lin và Chou (2015) dựa trên mẫu số liệu của 1.213 công ty Trung Quốc đã tiến hành kiểm tra ảnh hưởng của khủng hoảng tài chính đối với mối quan hệ giữa TDTM và TDNH. Kết quả cho thấy, có một sự bổ sung và thay thế giữa TDTM và TDNH trong giai đoạn khủng hoảng tài chính.

Đến nay, tại Việt Nam, chủ đề này rất ít được nghiên cứu, theo hiểu biết chủ quan của các tác giả. Chẳng hạn, Bùi Tuấn Anh và Lê Khương Ninh (năm 2015) xem xét các tác động của TDNH và TDTM đến hiệu quả hoạt động của 118 DN nông nghiệp niêm yết trên hai sở giao dịch chứng khoán ở Việt Nam trong giai đoạn 2008-2013.

Trần Ái Kết (2007) cũng xem xét các yếu tố ảnh hưởng tới TDTM của các trang trại nuôi trồng thuỷ hải sản ở tỉnh Trà Vinh với cơ sở dữ liệu bao gồm 310 trang trại nuôi tôm nước lợ tại Trà Vinh vào tháng 5/2005… Tuy nhiên, chưa có nghiên cứu nào về mối quan hệ giữa TDTM và TDNH tại Việt Nam trong và sau giai đoạn khủng hoảng tài chính toàn cầu.

Kế thừa các nghiên cứu trước, đặc biệt là nghiên cứu của Lin và Chou (2015), nhóm tác giả tiến hành kiểm định giả thuyết về sự tồn tại đồng thời của quan hệ bổ sung và quan hệ thay thế giữa TDTM và TDNH tại Việt Nam và nhận thấy sự thay đổi về TDTM trong giai đoạn khủng hoảng.

Phương pháp nghiên cứu

Kế thừa Love và ctg (2007), nhóm tác giả đề xuất 3 mô hình hồi quy:

TRECTOSit= α0 + β1CFWit + β2GROWTHit + β3 EXCHRGRt + β4 CASHTAit + β5 BKLOANit + β6 CRISISt + ε

TPAYTOCit = α0 + β1CFWit + β2 GROWTHit + β3 EXCHRGRt + β4 CASHTAit + β5 BKLOANit + β6 CRISISt + ε

NTCSit = α0 + β1CFWit + β2 GROWTHit + β3 EXCHRGRt + β4 CASHTAit + β5 BKLOANit + β6 CRISISt + ε

Trong đó:

Biến phụ thuộc:

TRECTOSit: Tỷ lệ khoản phải thu trên doanh thu thuần của công ty i tại năm t;

TPAYTOCit: Tỷ lệ khoản phải trả trên giá vốn hàng bán của công ty i tại năm t;

NTCSit: Tỷ lệ TDTM ròng (khoản phải thu- khoản phải trả) trên doanh thu thuần của công ty i tại năm t.

Biến độc lập:

BKLOANit: Tỷ lệ nợ vay ngắn hạn trên tổng tài sản công ty i tại năm t.

Các biến kiểm soát:

CFWit: Dòng tiền hoạt động trên tổng tài sản công ty i tại năm t, tính bằng tỷ lệ thu nhập trước lãi vay, thuế và khấu hao trên tổng tài sản;

GROWTHit: Tốc độ tăng trưởng của doanh thu công ty i tại năm t;

EXCHRGRt: Biến động tỷ giá danh nghĩa USD/VND tại năm t so với năm t-1;

CASHTAit: Tỷ lệ tiền mặt trên tổng tài sản công ty i tại năm t;

CRISISt: Là một biến giả biểu thị trong giai đoạn khủng hoảng của năm t. Căn cứ vào tỷ lệ tăng trưởng GDP và lạm phát của Việt Nam trong giai đoạn 2009-2016, nhóm tác giả xác định giai đoạn khủng hoảng ở Việt Nam là 2009-2011, do tỷ lệ lạm phát trong giai đoạn này biến động rất lớn, trong khi tỷ lệ tăng trưởng GDP thấp hơn mức bình quân. Vì vậy, CRISIS nhận giá trị 1 trong các năm 2009-2011 và bằng 0 ở các năm 2012-2016.

Mẫu dữ liệu thu thập từ báo cáo tài chính của 490 công ty phi tài chính niêm yết trên thị trường chứng khoán Việt Nam từ năm 2009 đến năm 2016. Phương pháp xử lý dữ liệu được sử dụng là hồi quy dữ liệu bảng thông qua Pooled OLS, FEM và REM; lựa chọn mô hình phù hợp; kiểm định các vi phạm giả định hồi quy (đa cộng tuyến, tự tương quan, phương sai sai số thay đổi) và khắc phục bằng FGLS.

Thảo luận kết quả nghiên cứu

Khi phân tích ma trận hệ số tương quan, hầu hết hệ số tương quan giữa các biến trong mô hình tương đối nhỏ, thấp hơn 0,8 nên mô hình không có tương quan lớn giữa các biến độc lập và các biển kiểm soát. Tuy nhiên, hệ số tương quan giữa biến EXCHRGR và CRISIS là 0,8993 rất cao.

Để khắc phục hiện tượng đa cộng tuyến và phục vụ cho việc kiểm định giả thuyết về TDTM trong giai đoạn khủng hoảng, các tác giả quyết định giữ lại biến CRISIS; còn biến EXCHRGR sẽ dùng để kiểm tra tính vững của mô hình.

ảnh 2Kết quả Bảng 2 cho thấy, tồn tại tương quan âm có ý nghĩa thống kê (mức ý nghĩa 1%) giữa khoản phải trả (TPAYTOC) và TDNH (BKLOAN), cung cấp bằng chứng về sự tồn tại của quan hệ thay thế giữa TDTM và TDNH của các DN trong giai đoạn nghiên cứu. Kết quả này xác nhận giả thuyết nghiên cứu, đồng thời phù hợp với các kết quả trước đó của Love và ctg (2007) và Lin và Chou (2015). Đối với các nước có nền tài chính chưa phát triển, phụ thuộc nhiều vào TDNH như Việt Nam, việc tiếp cận TDTM để sử dụng nguồn tài chính từ các nhà cung ứng, bán hàng là kênh ưu tiên, vì thế các công ty sẵn sàng tìm kiếm nguồn tài chính từ TDTM khi bị từ chối cho vay.

Giữa TDNH (BKLOAN) và TDTM ròng (NCTS) tồn tại tương quan dương với mức ý nghĩa 1%, chứng tỏ khi các công ty tăng nợ vay ngân hàng, số tiền cung ứng tín dụng ròng của các công ty cho khách hàng sẽ gia tăng, ngụ ý tồn tại mối quan hệ bổ sung giữa TDTM và TDNH. Kết quả này cũng ủng hộ giả thuyết nghiên cứu của các tác giả và tương tự như kết quả nghiên cứu của Demirgüç-Kunt và Maksimovic (2001), Lin và Chou (2015).

Ngoài ra, biến khủng hoảng tài chính có tác động tiêu cực lên tỷ lệ khoản phải thu với mức ý nghĩa 1% nhưng không có mối quan hệ có ý nghĩa thống kê với khoản phải trả và TDTM ròng. Kết quả này cho thấy, trong giai đoạn 2009-2011, Việt Nam bị ảnh hưởng của khủng hoảng tài chính thế giới, các công ty sẽ giảm cung ứng TDTM cho khách hàng của họ, điều này đúng với giả thuyết nghiên cứu cho rằng có sự khác nhau của TDTM ở giai đoạn trong và sau khủng hoảng.

Một số kết quả nghiên cứu khác liên quan đến các biến kiểm soát bao gồm: (i) Dòng tiền hoạt động và tỷ lệ tiền mặt có tương quan âm có ý nghĩa với khoản phải thu và khoản phải trả, nhưng lại có tương quan dương có ý nghĩa thống kê với tỷ lệ TDTM ròng; (ii) Tốc độ tăng trưởng doanh thu có tương quan âm có ý nghĩa với khoản phải thu và khoản phải trả, nhưng không có tương quan có ý nghĩa thống kê với tỷ lệ TDTM ròng. Các kết quả nghiên cứu này được giải thích bằng mối quan hệ đánh đổi giữa TDTM và thanh khoản của DN, và chỉ có những DN có năng lực thanh khoản tốt mới có thể cung ứng TDTM ròng.

Bên cạnh đó, chính sách TDTM có mối quan hệ mật thiết với chu kỳ tăng trưởng của DN, những DN đang trong giai đoạn tăng trưởng không quan tâm nhiều đến chính sách TDTM bằng các DN trong giai đoạn bão hòa.

Nhằm kiểm tra tính vững của mô hình, các tác giả thay thế biến CRISIS trong mô hình hồi quy bằng biến EXCHRGR. Kết quả hồi quy được trình bày cụ thể tại Bảng 3.

Kết quả Bảng 3 không có sự khác biệt về dấu và ý nghĩa thống kê của các hệ số hồi quy so với Bảng 2. Điều này cho thấy, chính sách điều tiết vĩ mô của Việt Nam trong giai đoạn khủng hoảng tài chính toàn cầu tác động đến hoạt động tín dụng của các DN chủ yếu thông qua chính sách điều hành tỷ giá. Tuy vậy, việc điều chỉnh tăng tỷ giá USD so với VND làm gia tăng rủi ro tỷ giá, dẫn đến việc các DN phải thắt chặt TDTM thông qua việc cắt giảm các khoản phải thu.

Kết luận

Từ dữ liệu của 490 DN phi tài chính niêm yết tại thị trường chứng khoán Việt Nam trong giai đoạn 2009-2016, nhóm tác giả đã tìm thấy sự tồn tại đồng thời của mối quan hệ bổ sung và thay thế giữa TDTM và TDNH và dấu hiệu của thắt chặt khoản phải thu trong giai đoạn khủng hoảng.

Kết quả nghiên cứu cũng cho thấy, TDTM tại các DN Việt Nam còn chịu ảnh hưởng của nhiều yếu tố tài chính như tỷ lệ dòng tiền hoạt động, tỷ lệ tiền mặt – năng lực thanh khoản của DN và tốc độ tăng trưởng doanh thu trong hoạt động kinh doanh.

Kết quả nghiên cứu này dẫn đến gợi ý chính sách đối với DN phải cân nhắc giữa lợi ích đạt được trong cung ứng TDTM với các chi phí kiệt quệ tài chính có thể xảy ra do mất cân đối dòng tiền, thiếu hụt tiền mặt và thiếu hụt nguồn tài trợ từ các ngân hàng.

Về phía cơ quan quản lý nhà nước, kết quả nghiên cứu này cung cấp bằng chứng về sự tồn tại đồng thời của TDTM và TDNH với quan hệ bổ sung và thay thế cho nhau. Vì vậy, nếu xảy ra sự cố hoặc khủng hoảng TDTM sẽ đe dọa sự phát triển ổn định của TDNH. Nhóm tác giả đề xuất các cơ quan chức năng sớm rà soát và đánh giá việc vận hành của Luật các công cụ chuyển nhượng năm 2005, mối quan hệ với Luật các Tổ chức tín dụng, để tạo lập hành lang pháp lý vững chắc cho hoạt động tín dụng thương mại tại Việt Nam.

Tài liệu tham khảo:

1. Bùi Tuấn Anh, Lê Khương Ninh (2015), Tín dụng ngân hàng, tín dụng thương mại và hiệu quả hoạt động của các DN ở Việt Nam, Tạp chí Công nghệ Ngân hàng, số 115, tháng 10/2014, tr 42-45;

2. Trần Ái Kết (2007), Phân tích các yếu tố ảnh hưởng tới tín dụng thương mại của các trang trại nuôi trồng thuỷ hải sản ở tỉnh Trà Vinh, Tạp chí Phát triển kinh tế, số 199, tr 16-19;

3. Danielson, M. G., & Scott, J. A. (2004), Bank loan availability and trade credit demand. Financial Review, 39(4), 579-600;

4. Demirgüç-Kunt, A., & Maksimovic, V. (2001). Firms as financial intermediaries: Evidence from trade credit data (Vol. 2696). World Bank, Development Research Group, Finance;

5. Ferris, J. S. (1981). A transactions theory of trade credit use. The Quarterly Journal of Economics, 96(2), 243-270;

6. Lin, T. T., & Chou, J. H. (2015). Trade credit and bank loan: Evidence from Chinese firms. International Review of Economics & Finance, 36, 17-29;

7. Love, I., Preve, L. A., & Sarria-Allende, V. (2007). Trade credit and bank credit: Evidence from recent financial crises. Journal of Financial Economics, 83(2), 453-469;

8. Pike, R., Cheng, N. S., Cravens, K., & Lamminmaki, D. (2005). Trade credit terms: asymmetric information and price discrimination evidence from three continents. Journal of Business Finance & Accounting, 32(5‐6), 1197-1236;

9. Smith, J. K. (1987). Trade credit and informational asymmetry. The journal of finance, 42(4), 863-872.

—————-&&&—————-

Xây dựng mô hình DEA đánh giá hoạt động của các ngân hàng thương mại Việt Nam

Xây dựng mô hình DEA đánh giá hoạt động của các ngân hàng thương mại Việt Nam

(Tác giả: Nguyễn Quang Khải – Nguồn: http://tapchitaichinh.vn)

Phương pháp đo lường thông qua mô hình DEA là một phương pháp định hướng dữ liệu phi tham số, phương pháp này rất tốt trong việc đánh giá hiệu quả hoạt động của các ngân hàng thương mại. Tuy nhiên, tính phù hợp của mô hình tùy thuộc vào các biến được lựa chọn.

Ảnh minh họa. Nguồn: internetẢnh minh họa. Nguồn: internet

Thông qua dữ liệu từ 20 ngân hàng thương mại Việt Nam năm 2014, bài viết đề xuất phương pháp lựa chọn các biến đầu ra và đầu vào dựa trên phương pháp thiết kế nhân tố phân đoạn 3 mức độ và khoảng cách Mahanalobis.

Cơ sở lý thuyết

Hiện nay, ở Việt Nam cũng như trên thế giới ứng dụng rất nhiều những phương pháp khác nhau nhằm đánh giá hiệu quả hoạt động của các doanh nghiệp nói chung và ngân hàng thương mại nói riêng. Một trong số đó là phương pháp đo lường thông qua mô hình DEA (Data envelopment analysis), mô hình này ngày càng phổ biến trong các nghiên cứu liên quan đến việc đánh giá hoạt động của các ngân hàng thương mại. Mô hình này có thể được tóm tắt và giả thích như sau:

Trước tiên, DEA là một phương pháp định hướng dữ liệu phi tham số được xây dựng đầu tiên bởi Charnes et al (1978). Nghiên cứu này được phát triển từ thước đo hiệu quả kỹ thuật của Farrell (1957), mô hình này nhằm đo lường hiệu quả kỹ thuât (TE) dựa trên đánh giá tổng hợp những yếu tố đầu vào và đầu ra của các đơn vị ra quyết định DMU (decision making unit).

Hiện nay, các nghiên cứu thực hiện mô hình DEA thường được lựa chọn một trong hai dạng là hiệu quả kỹ thuật định hướng đầu vào và hiệu quả kỹ thuật định hướng đầu ra. Lời giải cho mỗi đơn vị ra quyết định (DMU) là sử dụng các loại đầu vào (Inputs) ở mức cần thiết tối thiểu để sản xuất ra một tập hợp đầu ra nhất định (Outputs). Còn hiệu quả kỹ thuật định hướng đầu ra là thước đo sản lượng tiềm năng của một DMU từ một tập hợp đầu vào nhất định. Việc lựa chọn mô hình định hướng đầu vào hay định hướng đầu ra phụ thuộc vào khả năng kiểm soát các yếu tố đầu vào của các DMU và việc lựa chọn cũng không có nhiều khác biệt về điểm đánh giá hiệu quả theo như Coelli và Perelman (1996).

Với các biến tiềm năng mà bài viết này xem xét, tác giả lựa chọn mô hình định hướng đầu vào. Bên cạnh đó, mô hình còn được thực hiện dựa trên một trong hai giả định là hiệu quả thay đổi theo quy mô (VRS -variable returns to scale) và không đổi theo quy mô (CRS-constant returns to scale). Việc lựa chọn một trong hai giả định nói trên phụ thuộc vào đặc điểm các DMU đang xem xét. Đối với các ngân hàng thương mại nói chung giả định hiệu quả không đổi theo quy mô rất khó đáp ứng, do đó, bài viết sẽ thực hiện theo giả định VRS. Cuối cùng vấn đề quan trọng nhất là lựa chọn các biến đầu vào và đầu ra phù hợp mà các nghiên cứu trước đây chưa có sự thống nhất.

Mô hình DEA trong nghiên cứu này có thể được thể hiện như sau:

Min(Z)

Điều kiện:

Lj ≥0 (j = 1,2,…, J)

Z: Thước đo hiệu quả được tính cho mỗi DMUj

ujm: Khối lượng đầu ra m được sản xuất bởi DMUj

xjn: Khối lượng đầu vào n được sản xuất bởi DMUj

Lj: Biến cường độ cho DMUj

∑Lj =1 (Giả định VRS)

Đối với mô hình DEA, các nghiên cứu trước đây ở Việt Nam cũng như trên thế giới chủ yếu dựa trên các mô hình đã được xây dựng sẵn qua các nghiên cứu trước đó. Bài viết thực hiện nhằm mục đích cung cấp một nghiên cứu thực nghiệm làm cơ sở cho việc xây dựng mô hình DEA nhằm đánh giá hiệu quả hoạt động của các ngân hàng thương mại ở Việt Nam.

Dữ liệu và phương pháp nghiên cứu

Dữ liệu nghiên cứu được tác giả thu thập thông qua báo cáo tài chính và báo cáo thường niên cũng như thông tin trên các website của các ngân hàng thương mại. Các chỉ số tài chính và các chỉ số liên quan khác được tính toán bởi chính tác giả.

Với mục đích tìm ra những yếu tố đầu vào và đầu ra phù hợp cho mô hình DEA, bài viết thực hiện theo đề xuất của Hiroshi Morita và K. Avkiran (2009). Tác giả sẽ áp dụng phương pháp thiết kế nhân tố phân đoạn 3 mức độ theo Fisher đề xuất vào năm 1926, và phát triển bởi Plackett và Burman (1946) và khoảng cách Mahalanobis. Trong thiết kế nhân tố phân đoạn 3 mức độ, khi có k các biến tiềm năng, tổng số đầu vào và đầu ra kết hợp có thể tăng lên đến 3k. Với mỗi ba cấp độ, ta có thể xác định một thiết kế phân đoạn 3k-p với k biến tiềm năng, bao gồm 3k-p lần chạy mô hình.

Khoảng cách giữa hai nhóm này được đo bằng khoảng cách Mohalanobis như sau:

Với: , Vh là trung bình và phương sai cho nh ngân hàng có hiệu quả cao,Vl là trung bình và phương sai cho nl ngân hàng có hiệu quả thấp. Một sự kết hợp các biến đầu ra và đầu vào tối ưu khi kết hợp đó tối đa hóa khoảng cách Maholanobis. Trong phân tích phương sai (ANOVA) cho thiết kế nhân tố phân đoạn, giá trị tổng bình phương toàn mẫu quan sát được tính như sau:

Đồng thời, tổng bình phương trung bình riêng cho từng biến tiềm năng Si được cho như sau:

Với d là khoảng cách Maholanobis, k là số lượng biến cần lựa chọn, là giá trị trung bình khoảng cách Maholanobis khi xi = 1. Nếu là tối đa thì biến xi sẽ là một đầu vào, nếu là tối đa thì biến xi là một đầu ra, nếu tối đa thì biến xi không nên chọn như một đầu vào hay một đầu ra.

Việc kiểm tra một biến tiềm năng không được sử dụng như một biến đầu ra được kiểm tra thông qua kiểm định F. Việc lựa chọn các biến đầu ra đầu vào có thể tóm lược thông qua các bước như sau:

Bước 1: Liệt kê các biến đầu ra và đầu vào tiềm năng. Các biến cụ thể là: Tài sản cố định (FA), tổng lượng tiền gởi (MO), tổng lượng cho vay (TL), số lượng nhân viên (EM) Milind Sathye (2001), doanh thu (RV), chi phí lãi vay (LC), chi phí ngoài lãi vay (NC) Xiaogang Chen el al (2005), một số biến khác như: tiền mặt (CA) Haslem et al (1999), lợi nhuận gộp (GP), lợi nhuận ròng (NP), tỷ lệ đòn bẩy(DR), tỷ lệ doanh thu trên lợi nhuận (RP) Hiroshi Morita và K. Avkiran (2009).

Bước 2: Tách biệt hiệu quả thành hai nhóm hiệu quả cao và hiệu quả thấp, tương ứng với mỗi nhóm, tác giả sẽ lựa chọn 10 ngân hàng. Tiêu chí xếp hạng và tách biệt 2 nhóm dựa trên 4 tiêu chí như sau: Quy mô; Khả năng sinh lời; An toàn; Tăng trưởng;

Tương ứng với mỗi tiêu chí, xếp hạng các ngân hàng từ thấp đến cao và điểm xếp hạng cuối cùng là trung bình các điểm xếp hạng. Trong đó 20 ngân hàng nằm trong mẫu nghiên cứu bao gồm: Ngân hàng MB, Sacombank, Vietcombank, Vietinbank, Teachcombank, ACB, SCB, OCB, Maritimebank, MHB, SeaBank, VPBank, VIBank, VietABank, DongABank, HDBank, CB Bank, Nam Á, Phương Nam và PGBank.

Bước 3: Chỉ định 12 yếu tố vào một bố trí trực giao 3 cấp độ và với ít nhất 27 (tức là 312-9) lần chạy cần thiết.

Bước 4: Tính điểm hiệu quả DEA và khoảng cách Mahalanobis giữa hai nhóm.

Bước 5: Xác định các biến đầu ra đầu vào có ý nghĩa về mặt thống kê phù hợp với mô hình DEA dựa trên kết quả phân tích phương sai.

Bước 6: Xác định các phương án tối ưu của các biến có ý nghĩa đáng kể về mặt thống kê bằng cách sử dụng khoảng cách Mahalanobis nhằm xác định biến đó là một đầu ra hay đầu vào.

Kết quả nghiên cứu

Dựa vào các biến tiềm năng đề xuất ban đầu, bài nghiên cứu tiến hành 27 lần chạy mô hình để tính khoảng cách Mahalanobis cho 2 nhóm hiệu quả cao nhất và thấp nhất. Các biến đầu ra, đầu vào lựa chọn và khoảng cách Mahalanobis được thể hiện trong bảng 1.

Tiếp theo, từ dữ liệu có được và Bảng 1, tiến hành phân tích phương sai, để chọn lọc những biến tiềm năng có thể sử dụng như biến đầu ra hoặc đầu vào, các biến không đáng kể được xem như là biến phần dư.

Bảng 2 cho thấy kết quả phân tích phương sai cho các biến nhằm xem xét sự khác biệt giữa 2 nhóm và các biến đều có mức ý nghĩa dưới 5% và đều được chấp cho việc phân tích ở các bước tiếp theo. Đồng thời, thể hiện giá trị trung bình khoản cách Mahalanobis cho mỗi biến, việc lựa chọn một biến là đầu vào, đầu ra hay không được chọn như một đầu vào hoặc đầu ra phụ thuộc vào giá trị khoảng cách Mahalanobis, giá trị cao nhất sẽ được chọn. Dựa vào kết quả trên tìm ra 2 biến đầu vào là tổng lượng tiền gởi và số lượng nhân viên 3 biến đầu ra là doanh thu, lợi nhuận ròng và tỷ lệ đòn bẩy. Với 5 biến được lựa chọn, bài nghiên cứu tiến hành chạy lại mô hình DEA và khoản cách Mahalanobis tương ứng tính được là 6.93. So với 27 lần chạy ban đầu, giá trị khoảng cách Mahalanobis chỉ đạt tối đa 4.67

Dựa trên kết quả đầu ra và đầu vào được lựa chọn, tiến hành đánh giá hiệu quả của mô hình thông qua cấu trúc phân tầng bao gồm nhiều đường biên hiệu quả. Phân tầng thứ 1 là đường biên hiệu quả ban đầu với đầy đủ các DMU. Phân tầng thứ 2 được tạo ra khi loại bỏ các DMU hiệu quả ở phân tầng thứ 1 và chạy lại DEA. Để tạo ra phân tầng thứ 3, DMU hiệu quả ở phân tầng thứ 2 được loại bỏ, và tiếp tục như vậy bài nghiên cứu thực hiện cho 12 phân tầng.

Kết quả cho thấy các ngân hàng trong top 10 hiệu quả cao được phân thành các tầng cao hơn và các công ty top 10 hiệu quả thấp được phân thành các tầng thấp hơn. Do đó, đây là bằng chứng thực nghiệm cho thấy sự kết hợp đầu ra đầu vào với 5 biến được chọn phân biệt được rõ hiệu quả giữa hai nhóm.

Như vậy, với đề xuất sử dụng mô hình DEA, bài viết cung cấp một bằng chứng thực nghiệm và có thể làm cơ sở trong việc xây dựng mô hình DEA khi đánh giá hiệu quả hoạt động của các ngân hàng thương mại. Đồng thời, chứng minh tính hiệu quả của phương pháp mới này cho mẫu là các ngân hàng thương mại Việt Nam.

Tài liệu tham khảo:

1. Charnes et al (1978), Measuring the Efficiency of Decision Making Units, European Journal of Operational Research, 2 (1978), pp. 429–444;

2. Coelli và Perelman (1996), Efficiency Measurement, Multiple-output Technologies and Distance Functions: With Application to European Railways. CREPP Discussion Paper No. 96/05. University of Liege, Liege;

3. Farrell (1957), The Measurement of Productive Efficiency. Journal of the Royal Statistical Society (A, general), 120: 253–281.

Bài đăng trên Tạp chí Tài chính kỳ 2 tháng 2/2016


Xem thêm: ỨNG DỤNG PHƯƠNG PHÁP DEA TRONG ĐÁNH GIÁ HIỆU QUẢ – RỦI RO CỦA CÁC NHTM VIỆT NAM 2008-2011

—————-&&&—————

Mức độ vỡ nợ của các ngân hàng Việt dưới góc nhìn định lượng

Mức độ vỡ nợ của các ngân hàng Việt dưới góc nhìn định lượng

Lê Văn Tuấn

Trong lĩnh vực tài chính, việc xác định xác suất vỡ nợ (Probability of Default – PD) cũng như xếp hạng tín nhiệm doanh nghiệp (bao gồm các ngân hàng) là một nghiệp vụ vô cùng quan trọng. Đối với nhà đầu tư, thông tin về mức độ vỡ nợ hoặc xếp hạng tín nhiệm sẽ quyết định mức lãi suất trái phiếu do các doanh nghiệp phát hành. Bên cạnh đó, các thông tin này là những tham số cần thiết để các ngân hàng xác định tỉ lệ an toàn vốn tối thiểu (CAR) được quy định trong hiệp ước Basel II (và III).

Các cách tiếp cận chính để ước tính PD là: Phương pháp tính điểm dựa trên báo cáo tài chính (chẳng hạn Altman Z-score và Ohlson O-score); Phương pháp thống kê lịch sử vỡ nợ theo bảng xếp hạng (mô hình Credit Metrics); và Mô hình định lượng dựa trên giá trị thị trường (tiêu biểu là mô hình Merton). Mô hình Merton (1974) mang tính khai sáng trong định lượng rủi ro tín dụng, và vẫn phổ biến trong thực hành cũng như học thuật. Một mở rộng của mô hình Merton là mô hình KMV (1990), đây là một mô hình chuẩn mực trong thực tiễn và hiện tại thuộc sở hữu của Moody’s KMV. Thông tin từ Moody’s cho thấy hơn 100 tổ chức tài chính lớn nhất trên thế giới sử dụng mô hình này (là khách hàng của Moody’s KMV).

Trong bài viết này, chúng tôi sẽ trình bày kết quả tính toán xác suất vỡ nợ 1-năm theo mô hình Merton cho các ngân hàng Việt Nam có cổ phiếu được niêm yết trên hai sàn chứng khoán HOSE và HNX. Dữ liệu giá cổ phiếu trong vòng 1 năm, nguồn dữ liệu từ website của Công ty chứng khoán VnDirect. Dữ liệu về nợ của các ngân hàng lấy từ website của CafeF (xem bảng dưới).

Mã chứng khoán KLCP đang lưu hành Nợ Quý 1-2016 (ngàn VND)
Ngắn hạn (≤ 1 năm) Dài hạn (bao gồm trung hạn) Điểm vỡ nợ = Ngắn hạn + ½ Dài hạn
ACB 896273898 68948089000 75281254000 106588716000
BID 3418715334 348163268000 275577248000 485951892000
CTG 3723404556 303704921000 249687810000 428548826000
EIB 1229432904 29829997000 52690885000 56175439500
MBB 1631181818 62390617000 60536029000 92658631500
NVB 297669552 6463175000 13657540000 13291945000
SHB 948098275 58631685000 79015289000 98139329500
STB 1803653429 72013317000 118688064000 131357349000
VCB 2665020334 242568002000 169066014000 327101009000

Từ kết quả ước tính PD (1 bp = 0.1 %, kỹ thuật tính toán được mô tả chi tiết trong tài liệu [1]), chúng tôi thực hiện việc minh họa xếp hạng các ngân hàng theo thang đo của tổ chức xếp hạng S&P và theo thang đo xếp hạng nội bộ của ngân hàng CIBC. Lưu ý rằng việc xếp hạng này mang tính minh họa vì sự liện hệ giữa PD và xếp hạng được trình bày trong [2] là cho kết quả tính PD của mô hình KMV.

Mã chứng khoán Khoảng cách tới vỡ nợ DD Xác suất vỡ nợ PD (1-năm) Xếp hạng (theo S&P) Xếp hạng (theo CIBC)
SHB 0.8550732 196 bp B 8
NVB 1.182737 118 bp BB- 7
BID 1.204251 114 bp BB- 7
STB 1.794815 36 bp BBB- 4
CTG 2.246925 12 bp A- 3
ACB 2.626715 4 bp AA 2
EIB 3.014605 1 bp AAA 1
VCB 3.177691 1 bp AAA 1
MBB 4.029989 1 bp AAA 1

Xác suất vỡ nợ của hệ thống ngân hàng thương mại Việt Nam

Kết quả tính toán cho thấy trong 3 “ông lớn”, ngân hàng Vietcombank đạt chỉ số an toàn tốt nhất, trong khi ngân hàng BIDV tiềm ẩn khả năng vỡ nợ khá cao, gấp gần 10 lần ngân hàng VietinBank (12 bp). Các ngân hàng có PD cao (BIDV,  TMCP Quốc Dân, TMCP Sài Gòn – Hà Nội) nên có những chính sách nhằm tăng lượng vốn chủ sở hữu, tăng cường việc kiểm soát rủi ro tín dụng trong hoạt động của ngân hàng, nhằm giảm thiểu xác suất vỡ nợ (xác suất phá sản). Mặc dù có thể báo cáo tài chính vẫn rất đẹp, nhưng mô hình Merton (tác giả đã nhận giải Nobel Kinh tế năm 1997), với sức mạnh định lượng từ giá trị thị trường, cho thấy những kết quả không tốt về nguy cơ vỡ nợ của các ngân hàng này.

Tài liệu tham khảo.  

[1]. Tuan. L. V. Khám phá sự thú vị của phần mềm R trong định lượng rủi ro tín dụng (Research)

[2]. Crouhy, M., Galai, D. & Mark, R. Risk Management. Mc Graw-Hill. 2001.



Xem thêm:

Nợ xấu của BIDV lên tới hơn 13.000 tỷ đồng

Năm “hạn” của BIDV

Những nhà băng nào đang ôm đống nợ của HAG-HNG?

Các ngân hàng giải hạn “nợ xấu Vinashin” như thế nào?

———–&&———-

Năng lực ngân hàng Việt đến đâu?

Năng lực ngân hàng Việt đến đâu?

(Tác giả: Linh Lan – Nguồn: http://bizlive.vn/)

BizLIVE – Đến năm 2020, Việt Nam phải “mở cửa” ít nhất 70%  dịch vụ tài chính ngân hàng, tài  khoản vốn trong thị trường ASEAN. Đây là thách thức rất lớn đối với các ngân hàng Việt.

Năng lực ngân hàng Việt đến đâu?

Ảnh minh họa

Câu chuyện hội nhập Cộng đồng kinh tế chung ASEAN (AEC) và Hiệp định Đối tác kinh tế chiến lược xuyên Thái Bình Dương (TPP) của Việt Nam trong lĩnh vực tài chính ngân hàngtrên 4 phương diện: dịch vụ tài chính, tài khoản vốn, thị trường vốn, hạ tầng thanh toán.

So với lĩnh vực thương mại, hội nhập tài chính, ngân hàng đang chậm hơn. Chẳng hạn, các ngân hàng ở Singapore đã áp dụng tiêu chuẩn Basel III nhưng ngân hàng Việt Nam mới chỉ áp dụng Basel II.

Đối với TPP, điều quan trọng đối với các ngân hàng Việt là thách thức về cạnh tranh dịch vụ khi TPP cho phép ngân hàng của 12 nước trong TPP được cung cấp dịch vụ tài chính ngân hàng xuyên biên giới. Nghĩa là ngân hàng ở Mỹ có thể cung cấp dịch vụ về thẻ, chuyển tiền… cho người dân Việt Nam mà không cần có chi nhánh ngân hàng tại Việt Nam.

Bên cạnh đó, việc cạnh tranh chất xám sẽ rất khốc liệt trong thời gian tới khi TPP quy định không phân biệt quốc tịch đối với nhân sự cấp cao.

 “Độ mở tài chính” mới chỉ 30%

Theo TS. Cấn Văn Lực, hiện Việt Nam đang đàm phán và ký kết khoảng 11 Hiệp định thương mại song phương (FTA) với các nước.

Hội nhập TPP và AEC, Việt Nam sẽ phải mở cửa thị trường tài chính ít nhất 70% trong thời gian tới. Hiện nay, “độ mở tài chính” của Việt Nam chỉ mới ở mức 30%. Các ngân hàng thương mại Việt Nam đã đưa ra nhiều sản phẩm, dịch vụ, nhưng tính tới nay số lượng sản phẩm ngân hàng bán lẻ khoảng 83 sản phẩm và 97 sản phẩm bán buôn.

Quy mô thị trường tài chính Việt Nam (ngân hàng, chứng khoán, bảo hiểm, trái phiếu) bằng 150% GDP, chỉ cao hơn Lào, Campuchia và Indonesia. Thị trường tài chính Việt Nam còn rất nhiều tiềm năng để phát triển.

Cơ cấu thị trường tài chính mất cân đối, 75% là hệ thống ngân hàng, còn lại là thị trường chứng khoán, trái phiếu, bảo hiểm. Do vậy, cần phải phát triển thị trường tài chính cân đối hơn, tránh phụ thuộc vốn quá nhiều vào ngân hàng.

Tín dụng ngân hàng dành cho tư nhân của Việt Nam là 100% GDP, cũng không quá cao khi bình quân tỷ lệ này của các ngân hàng trên thế giới khoảng 125% GDP. Nguyên nhân, do thị trường vốn mất cân đối khi quy mô thị trường chứng khoán là 32% GDP, so với Trung Quốc 98% GDP, Indonesia 54%, Ấn Độ 86%… Quy mô thị trường trái phiếu Việt Nam khá èo uột chỉ chiếm 20% GDP và chủ yếu là trái phiếu Chính phủ.

Quy mô “tí hon”

Hiện tổng tài sản của hệ thống ngân hàng Việt lớn hơn nhiều so với vốn chủ sở hữu của các ngân hàng. Tuy nhiên, tỷ lệ an toàn vốn tối thiểu (CAR) khá cao ở mức 12% (năm 2014 là 13%) so với quy định là 9%. Nếu tỷ lệ CAR quá cao trên 20% thì lại không tốt vì điều đó cho thấy việc sử dụng vốn có vấn đề. Do vậy, làm sao tỷ lệ này phù hợp để đảm bảo rủi ro vừa đảm bảo sử dụng vốn hiệu quả.

Chi phí trên thu nhập của ngân hàng năm 2013 là 62%, nă 2014 là 57%-58%, cao so thông lệ quốc tế là 43%-45%, do các ngân hàng Việt Nam phải trích lập dự phòng rủi ro lớn để chủ động xử lý nợ xấu. Do vậy, ngân hàng Việt phải tiếp tục giảm chi phí để giảm lãi suất trong thời gian tới.
Nguồn thu chính của ngân hàng Việt hiện nay chủ yếu là tín dụng. Tuy nhiên, hiện tỷ lệ thu nhập ngoài lãi cũng chiếm tới 26%, ở mức trung bình khá của so với các ngân hàng trên thế giới khoảng 30%-40%. Đối với ngân hàng ở nước phát triển như Singapore có tỷ lệ này rất cao là 63%.
Khả năng sinh lời (ROE) của ngân hàng Việt rất thấp chỉ ở mức 5,5%, vì NIM (chênh lệch lãi suất đầu vào – đầu ra) chỉ 3%, thấp nhất so với ngân hàng khu vực. Bên cạnh đó, ngân hàng Việt đang phải trích lập dự phòng rủi ro lớn để xử lý nợ xấu khiến tỷ lệ sinh lời rất thấp. Nếu không cải thiện tình hình này các ngân hàng Việt sẽ gặp khó khăn so với các ngân hàng khu vực.

Rủi ro thanh khoản của ngân hàng Việt đã qua thời kỳ khó khăn khi tỷ lệ cho vay trên nguồn vốn huy động của hệ thống ngân hàng Việt đã giảm nhiều, từ mức 100% (huy động bao nhiêu cho vay bấy nhiêu), đến nay tỷ lệ này đã giảm còn trên 84%.

Trung Quốc quy định trong luật là 75%, nhưng các ngân hàng nước này đang đề nghị dỡ bỏ tỷ lệ này.

Quy mô của các ngân hàng Việt còn bé nhỏ so với khu vực mặc dù thời gian gần đây hệ thống ngân hàng đã tăng vốn nhanh. Chẳng hạn, ngân hàng lớn nhất của Việt Nam hiện nay có quy mô tổng tài sản chỉ 36 tỷ USD, tương đương quy mô ngân hàng của Philippine, còn so với các ngân hàng Ấn Độ, Singappore, Indonesia thì vẫn còn nhỏ. 


Chỉ 31% người lớn có tài khoản ngân hàng

Mặc dù số lượng ngân hàng Việt hiện nay đang bị cho là nhiều, nhưng sự phân bổ không đồng đều khiến tỷ lệ người lớn có tài khoản tại ngân hàng cũng chỉ chiếm 31%, mức trung bình của khu vực khi Indonesia, Laos, Philipines khoảng 20-27%, trong khi đó Thái Lan là 73%, Malaysia là 66%… Tuy vậy, điều này cho thấy tiềm năng phát triển dịch vụ ngân hàng còn rất lớn.

Dư luận gần đây cho rằng số lượng ngân hàng Việt quá nhiều, tuy nhiên chưa chính xác vì các ngân hàng phân bổ không đều, chỉ tập trung ở các thành phố lớn, còn các tỉnh lẻ, vùng nông thôn, vùng xa xôi độ “phủ sóng” của ngân hàng chưa nhiều.

Câu chuyện quản trị của Việt đang được đánh giá ở mức thấp, chỉ bằng ½ Thái Lan. Các ngân hàng Việt phải phấn đấu trong công tác điều hành.

Mức độ tham gia của các ngân hàng nước ngoài còn thấp, hiện có 46 chi nhánh ngân hàng nước ngoài có mặt tại Việt Nam, nhưng chưa có nhiều ngân hàng con 100% vốn nước ngoài hiện diện tại Việt Nam. Khi hội nhập TPP, AEC thì số lượng ngân hàng con 100% vốn nước sẽ xuất hiện nhiều tại Việt Nam, bình đẳng với ngân hàng Việt.

Theo TS. Cấn Văn lực, để hội nhập và phát triển, hệ thống ngân hàng Việt Nam, Chính phủ cần tháo gỡ vướng mắc xử lý nợ xấu, giải quyết dứt điểm nợ đọng xây dựng cơ bản, tăng vốn điều lệ các ngân hàng thương mại đúng lộ trình. Cần có sự phối hợp giữa chính sách tài khóa và chính sách tiền tệ hiệu quả hơn…

————&&———–

Thẩm định cho vay nghìn tỷ trên giấy

Thẩm định cho vay nghìn tỷ trên giấy

(Tác giả: Bảo Thắng – Nguồn: http://bizlive.vn/)

Hôm qua, tại phiên xét xử cựu Tổng giám đốc Agribank Phạm Thanh Tân cùng đồng phạm tại TAND TP Hà Nội, cựu Phó giám đốc chi nhánh Agribank Nam Hà Nội thừa nhận chỉ thẩm định kết quả dự án trên giấy tờ. Nhóm các bị cáo trong tổ thẩm định cũng thừa nhận, việc ký duyệt theo chỉ đạo trên những tài liệu đã được chuẩn bị trước đó.

Thẩm định cho vay nghìn tỷ trên giấy

Các bị cáo trong phiên xử ngày 21/12.

“Không nhớ nhưng khai tại cơ quan điều tra là đúng”

Trả lời HĐXX, bị cáo Chử Thị Kim Hiền (SN 1958, cựu Phó giám đốc Chi nhánh Agribank Nam Hà Nội, bị truy tố 2 tội Vi phạm quy định về cho vay và Lợi dụng chức vụ trong khi thi hành công vụ) cho rằng đã quên khá nhiều nội dung trong vụ án . Bà Hiền cho hay, bản thân không còn nhớ đã ký nháy vào các tài liệu liên quan đến tính khả thi của dự án thuộc Cty Lifepro để nâng quyền phán quyết, cho doanh nghiệp này vay tiền. Thấy vậy, chủ tọa phiên tòa đã nhắc, quá trình khai nhận tại cơ quan điều tra, bị cáo đã thừa nhận có ký. “Bị cáo không nhớ nhưng lời khai tại cơ quan điều tra là đúng” – bà Hiền thừa nhận. Cũng theo bị cáo này, thẩm quyền phê duyệt các nội dung thẩm định dự án thuộc về giám đốc chi nhánh, tức là bà Phạm Thị Bích Lương.

Liên quan đến các khoản giải ngân cho thương vụ mua 6 thương hiệu của Cty Lifepro, bị cáo Hiền khẳng định đã làm theo chỉ đạo của cấp trên và không hưởng lợi. Tuy nhiên, bà Hiền thừa nhận đã được bà Phạm Thị Bích Lương (cựu Giám đốc Chi nhánh Agribank Nam Hà Nội) “cho” 50.000 USD từ thương vụ liên quan đến Cty Enzo Việt và 800 triệu đồng từ khoản tiền “lại quả” 3 tỷ từ Lê Minh Hiếu, Giám đốc Cty cổ phần Vietmade. Về hoạt động thẩm định dự án, bị cáo Hiền thừa nhận mình đã sai phạm khi chỉ đánh giá kết quả của Cty Lifepro trên giấy tờ.

HĐXX tiếp tục phần thẩm vấn các bị cáo về khâu thẩm định hồ sơ dự án. Theo đó, các bị cáo Trương Thị Út (SN 1967, cựu Trưởng phòng tín dụng Chi nhánh Nam Hà Nội) và Đỗ Tiến Long (SN 1975, cán bộ tín dụng) đều cho rằng, việc ký vào văn bản thẩm định nhằm hợp thức hồ sơ và đó là những tài liệu đã được chuẩn bị từ trước, các bị cáo này chỉ việc đặt bút ký. “Đến khi làm việc với cơ quan điều tra, bị cáo mới biết chủ sở hữu các thương hiệu đó là không có thật” – bị cáo Long khai.

Cấp trên không biết nhân viên làm sai?

Đến phần mình, cựu Giám đốc Chi nhánh Agribank Nam Hà Nội- Phạm Thị Bích Lương khai, bị cáo có quyền cho vay đến 80 tỷ đồng. Thời điểm bà Lương lên chức Giám đốc chi nhánh, Cty Lifepro đã là khách hàng “ruột” trước đó. Với khoản vay quá lớn của Cty Lifepro, lãnh đạo chi nhánh buộc trình cấp trên để phê duyệt. Tại tòa, bị cáo Lương quả quyết, không biết các nhân viên trong tổ thẩm định đã làm sai khi không tiến hành thẩm định hồ sơ theo quy định. Theo bà Lương, sau khi tổ thẩm định làm việc, cấp phó (bị cáo Hiền) đã tự ký nháy để trình lên cấp trên phê duyệt.

Khai nhận về việc giải ngân sai quy định cho Cty Lifepro mua nguyên liệu “ảo” từ nước ngoài, bị cáo Lương cho rằng, trên các tài liệu liên quan đã chứng minh đầy đủ thẩm quyền (như xác nhận của cơ quan hải quan) nên bị cáo mới thực hiện việc giải ngân. “Bản thân bị cáo tin tưởng hàng sẽ về, nhưng ai ngờ đã bị lừa” – bị cáo Lương tỏ vẻ chua chát.

Cũng theo lời khai của cựu Giám đốc chi nhánh, trong hành vi giúp doanh nghiệp giải ngân, bà này không được hưởng lợi. Về chiếc siêu xe trị giá hơn 3 tỷ đồng bị cơ quan điều tra xác định là quà biếu của đối tác, bà Lương khẳng định chỉ nhờ mua.

Giám đốc chi nhánh chỉ đạo trực tiếp

Tại phiên tòa hôm qua, cơ quan truy tố đã nêu rõ trách nhiệm của từng bị cáo trong vụ án. Theo đó, cựu Giám đốc chi nhánh ngân hàng được xác định là người chỉ đạo và trực tiếp tham gia vào toàn bộ quá trình cho vay sai quy định, dẫn đến thiệt hại hơn 2.000 tỷ đồng.

Tài liệu truy tố khẳng định, bị cáo Phạm Thị Bích Lương là người ký đề nghị Hội đồng quản trị (HĐQT) Agribank nâng quyền phán quyết cho vay, ký hợp đồng thế chấp, phê duyệt cho vay, giải ngân. Theo đó, bà Lương được cho đã chỉ đạo lập hồ sơ đề nghị nâng quyền giải quyết cho vay đối với Cty Lifepro hoàn toàn không có căn cứ, thực tế không thẩm định, chỉ dựa trên thông tin do doanh nghiệp cung cấp.

Ngoài ra, bị cáo Lương còn bị cáo buộc đã chỉ đạo trực tiếp và tham gia quá trình thẩm định, giải ngân đối với Cty Lifepro, cố tình bỏ qua các điều kiện giải ngân cho vay theo quy định tại các nghị quyết của HĐQT Agribank. Toàn bộ quá trình phạm tội của cựu giám đốc chi nhánh được sự hỗ trợ đắc lực của cấp phó Chử Thị Kim Hiền. Bởi vậy, 2 bị cáo này đã bị cáo buộc 2 tội danh giống nhau, với khoản tiền thiệt hại liên đới hơn 2.000 tỷ đồng.

Ngày mai, Tòa tiếp tục làm việc với phần thẩm vấn.

Nội dung vụ án

Kết quả điều tra thể hiện, Ahmed El Fehdi (quốc tịch Canada) cùng nhóm lãnh đạo Cty Lifepro đã tạo dựng hồ sơ khống vay vốn mua máy móc, thiết bị, nguyên phụ liệu và chuyển nhượng 6 thương hiệu thời trang để được phía ngân hàng phê duyệt, giải ngân. Trên cơ sở đó, các bị cáo đã chiếm đoạt hơn 2.425 tỷ đồng của Agribank Nam Hà Nội. Đối với nhóm cán bộ ngân hàng, cơ quan truy tố khẳng định đã có hành vi lập hồ sơ đề nghị nâng quyền phán quyết cho vay đối với Cty Lifepro không có căn cứ, không thẩm định hồ sơ cho vay cũng như việc bỏ qua các điều kiện giải ngân theo quy định, làm thiệt hại hơn 2.000 tỷ đồng.

Trong đó, Phạm Thị Bích Lương (SN 1969, cựu Giám đốc Agribank Nam Hà Nội) là người chỉ đạo và trực tiếp tham gia vào toàn bộ quá trình cho vay sai quy định; cựu Tổng giám đốc Agribank Phạm Thanh Tân bị truy tố 2 tội Lợi dụng chức vụ quyền hạn và Thiếu trách nhiệm gây hậu quả nghiêm trọng khi ký cho Agribank Nam Hà Nội vay ngoài kế hoạch 75 triệu USD.

Theo Báo Tiền Phong

———–&&———-

Moody’s đánh giá gì về sức khỏe hệ thống ngân hàng Việt Nam?

Moody’s đánh giá gì về sức khỏe hệ thống ngân hàng Việt Nam?

(Tác giả: Lề Phương – Nguồn: http://bizlive.vn)

BizLIVE – Moody’s duy trì triển vọng ổn định đối với hệ thống ngân hàng Việt Nam được xếp hạng từ tháng 11/2014 trong 12-18 tháng tới.

Moody’s kỳ vọng chính phủ Việt Nam sẽ tiếp tục hỗ trợ các ngân hàng quốc doanh và tư nhân trong lúc cần thiết.

Trong báo cáo mới nhất về triển vọng hệ thống ngân hàng Việt Nam, cơ quan đánh giá tín dụng Moody’s duy trì triển vọng ổn định đối với hệ thống ngân hàng Việt Nam được xếp hạng từ tháng 11/2014 trong 12-18 tháng tới.

Nguyên nhân được Moody’s đưa ra là do tăng trưởng bùng nổ của nền kinh tế, cũng như chất lượng tài sản ngân hàng ổn định và tính thanh khoản tốt.

Cùng lúc đó, xếp hạng riêng rẽ của từng ngân hàng tại Việt Nam vẫn ở mức thấp, phản ảnh quy mô vốn yếu kém và trích lập dự phòng nợ xấu còn thấp.

Môi trường hoạt động “lành tính”

Cụ thể, Moody’s đánh giá môi trường hoạt động của ngành ngân hàng đã duy trì ở mức ổn định, tích cực trong hai năm qua, sau cú sụt giảm mạnh trong năm 2012 – hệ quả của nhiều năm tăng trưởng tín dụng nóng.

Tăng trưởng kinh tế nhanh chóng cải thiện triển vọng phục hồi các tài sản chất lượng kém và hỗ trợ các ngân hàng Việt Nam mở rộng kinh doanh.

Nguồn vốn đầu tư trực tiếp nước ngoài, tài khoản vãng lai thặng dư dồi dào, chính sách ưu tiên tăng trưởng cũng góp phần cải thiện điều kiện cho các ngân hàng.

Chất lượng tài sản ổn định

Thứ hai, cơ quan dự đoán chất lượng tài sản sẽ được duy trì ổn định trong trung hạn. Các khoản vay có vấn đề – bao gồm nợ không có khả năng thanh toán, nợ bán cho VAMC, các khoản nợ phải thu có vấn đề – chiếm khoảng 9% các ngân hàng đang được xếp hạng tính đến cuối tháng 6/2015.

Giá bất động sản tăng dần dần có thể tăng khả năng thu hồi nợ cho các ngân hàng vì đây được sự dụng như tài sản thế chấp.

Mặc dù tỷ lệ nợ xấu thực sự còn gây nhiều tranh cãi, nhưng sự minh bạch nhìn chung đã được cải thiện nhờ một số tiêu chuẩn xếp loại tài sản và biện pháp điều tiết, chúng đã giám sát quá trình tái cấu trúc nợ.

Tuy nhiên, tỷ lệ đòn bẩy trong doanh nghiệp vẫn còn tương đối cao, tăng trưởng tín dụng đang tăng tốc, đồng nghĩa các vấn đề về tài sản có thể phình to trong tương lai.

Dự đoán tiêu cực về vốn hóa và lợi nhuận
Đặc biệt, Moody’s duy trì dự đoán tiêu cực về khả năng vốn hóa và lợi nhuận của các ngân hàng. Các chỉ số này sẽ tiếp tục bị ghìm thấp bởi trích lập dự phòng nợ xấu. Tăng trưởng tín dụng gấp gáp cũng tạo áp lực lên vốn.

Các nhà băng không có nhiều lựa chọn trong cải thiện nguồn vốn do lợi nhuận thấp và khả năng huy động vốn từ bên ngoài bị hạn chế.

Thanh khoản ổn định

Vốn huy động và tính thanh khoản được dự đoán sẽ duy trì ở mức ổn định. Tăng trưởng tiền gửi tích cực, giảm sự phụ thuộc của ngân hàng và các nguồn huy động vốn nhạy cảm với thị trường, bao gồm vay liên ngân hàng.

Tính đến cuối năm 2014, vốn huy động từ thị trường chiếm 17% tài sản của các ngân hàng, giảm từ 26% trong năm 2012.

Chính phủ tiếp tục hỗ trợ

Ngoài ra, Moody’s kỳ vọng chính phủ Việt Nam sẽ tiếp tục hỗ trợ các ngân hàng quốc doanh và tư nhân trong lúc cần thiết, dưới dạng giảm nợ (forbearance) hoặc hỗ trợ thanh khoản.

Nhờ đó, xếp hạng các ngân hàng quốc doanh được tăng hai hoặc ba bậc, trong khi xếp hạng ngân hàng được tăng một hoặc hai bậc.

Xếp hạng tín dụng cơ sở (BCA) của hệ thống ngân hàng Việt Nam hiện đang là caa1, hai bậc dưới mức xếp hạng tiền gửi B2.

LỀ PHƯƠNG

—————–&&—————