báo cáo nghiên cứu khoa học '''''''' sử dụng các mô hình đo lường rủi ro danh mục đầu tư tín dụng dựa trên khung value at risk (var)''''''''

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 1(36).2010

131

SỬ DỤNG CÁC MÔ HÌNH ĐO LƯỜNG RỦI RO DANH MỤC ĐẦU TƯ
TÍN DỤNG DỰA TRÊN KHUNG VALUE AT RISK (VAR)
APPLICATION OF VALUE-AT-RISK BASED CREDIT RISK MODELS

Đặng Tùng Lâm
Trường Đại học Kinh tế, Đại học Đà Nẵng

TÓM TẮT
Quản trị rủi ro hợp lý là yếu tố tiên quyết cho sự tồn tại của mỗi ngân hàng nói riêng và
sự bền vững của hệ thống ngân hàng nói chung, và nó cho phép các ngân hàng phân bổ vốn
một cách hợp lý dựa trên cân bằng giữa rủi ro và tiềm năng tạo ra lợi nhuận. Nhìn nhận vấn đề
này, Ủy ban Basel Giám sát hoạt động ngân hàng đã đề xuất tiêu chuẩn vốn mới trong hoạt
động ngân hàng, trong đó khuyến khích các ngân hàng phát triển và sử dụng mô hình đo lường
rủi ro định lượng chính xác hơn - một cơ sở quan trọng cho việc ra các quyết định quản trị rủi ro
- từ đó đảm bảo đủ vốn cho hoạt động ngân hàng dựa trên đánh giá rủi ro. Bài này tóm lược và
so sánh các mô hình đo lường rủi ro danh mục đầu tư tín dụng dựa trên khung VaR được sử
dụng phổ biến hiện tại và gợi ý những điểm nên xem xét khi vận dụng các mô hình này.
ABSTRACT
Proper risk management is a prerequisite for bank survival in particular and for the
sustainability of a banking system in general and it enables bank management to allocate
properly capital based on a trade-off between risk and profit potential. In recognition of this, the
Basel Committee has proposed a new capital accord for banking that encourages banks to
develop and adopt the more rigorous quantitative risk measurement model, which is the basis of
risk management decision-making, and ensures that banks hold adequate capital based on risk
assessment. This paper summarizes and compares current VaR-based credit risk models and
raises points for consideration in their application.

1. Giới thiệu
Kể từ khi có đề xuất mới về tiêu chuẩn an toàn vốn do Ủy ban Basel Giám sát
hoạt động ngân hàng công bố (còn gọi là Basel II), đã có nhiều nỗ lực đáng kể trong
việc định lượng và quản trị các danh mục đầu tư tín dụng trong các ngân hàng. Basel II
có thể được xem như là một bước nhằm hướng đến việc hợp nhất hai tiêu chuẩn vốn đã
từng tạo ra nhiều ý kiến trái chiều trước đây giữa những người quản lý vĩ mô hoạt động
ngân hàng và những người quản trị các ngân hàng – vốn quản lý (Regulatory Capital) và
vốn kinh tế (còn gọi là vốn rủi ro - Economic Capital/Risk Capital). Mục đích quan
trọng của Basel II là nhằm đảm bảo các ngân hàng có được một qui trình và văn hóa
quản trị rủi ro lành mạnh, qua đó đảm bảo cho sự ổn định của hệ thống tài chính nói
chung. Basel II khuyến khích các ngân hàng sử dụng các cách tiếp cận và mô hình rủi ro
tín dụng có thể đo lường rủi ro chính xác, thực chất là các mô hình xác định vốn kinh tế
dựa vào khung VaR.
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 1(36).2010

132

VaR là một phương pháp đánh giá rủi ro bằng cách sử dụng các công cụ toán
học và thống kê. Một cách tổng quát, VaR được đo lường như tổn thất tối đa ở tình
huống xấu nhất trong một khoảng thời gian xác định với một mức xác suất cho trước
(thường gọi là độ tin cậy
1
VaR tương đối dễ hiểu về mặt khái niệm, tuy nhiên khá phức tạp khi triển khai
thực hiện, đặc biệt trong đo lường rủi ro tín dụng. Vì phần lớn các khoản vay được cấp
bởi các ngân hàng không được mua bán trên thị trường thứ cấp, các dữ liệu cần thiết
giúp cho việc ước lượng phân phối tổn thất tín dụng trong tương lai hầu như rất hạn chế.
Để giải quyết khó khăn này, hầu hết các cách tiếp cận mô hình rủi ro tín dụng đều dựa
trên một vài giả thiết nhất định cũng như các lý thuyết kinh tế để mô phỏng phân phối
tổn thất tín dụng, từ đó xác định VaR tín dụng. Bài này so sánh các mô hình đo lường
rủi ro tín dụng dựa trên khung VaR hiện tại và gợi ý một vài điểm cần xem xét để vận

dụng thích hợp các mô hình.
), VaR được xác định theo cách này được gọi là VaR tuyệt
đối. Tuy nhiên, nhằm mục đích xác định vốn kinh tế mà ngân hàng cần nắm giữ, VaR
thường được xác định bằng chênh lệch giữa tổn thất ngoài dự tính (Unexpected Loss) và
tổn thất dự tính (Expected Loss), trong đó tổn thất dự tính và tổn thất ngoài dự tính
được xác định từ phân phối tổn thất trong tương lai của ngân hàng. Trong hoạt động tín
dụng, tổn thất dự tính được xem như là một loại chi phí, loại chi phí này thể hiện bản
chất của kinh doanh tín dụng là kinh doanh rủi ro. Các ngân hàng thường trích lập dự
phòng để bù đắp loại chi phí này. Chính vì vậy, Basel II đã đề xuất loại bỏ quỹ dự
phòng này trong công thức tính toán vốn lớp 2 (Tier 2 Capital). Vốn chỉ được nắm giữ
để bù đắp cho phần tổn thất ngoài dự tính, và đây chính là phần được xác định tương
ứng với VaR.
2. Mô hình đo lường rủi ro danh mục đầu tư tín dụng dựa trên khung VaR
Mặc dù hầu như các ngân hàng ở các nước phát triển đều áp dụng các mô hình đo
lường rủi ro tín dụng khác nhau phù hợp với đặc điểm riêng của mỗi ngân hàng, các mô
hình đo lường VaR tín dụng hiện nay đều dựa trên bốn nhóm mô hình chính: CreditMetrics
của JP Morgan, PortfolioManager của KMV, CreditRisk+ của Credit Suisse, và
CreditPortfolioView c ủa McKinsey. Do khuôn khổ giới hạn của bài báo, các mô hình chỉ
được trình bày rất vắn tắt và những điểm chính của các mô hình sẽ được so sánh dưới đây.
Để ước lượng phân phối tổn thất của danh mục tín dụng, các thông số cần thiết
bao gồm: (1) Xác xuất không hoàn trả của khách hàng, (2) Tổn thất tín dụng trong
trường hợp khách hàng không hoàn trả (có tính đến nợ được thu hồi khi khách hàng
không hoàn trả, ví dụ như thanh lý tài sản đảm bảo), và (3) Tương quan không hoàn trả
giữa các khách hàng. Thông số (1) tương đối phức tạp và thường được ước lượng trực
tiếp, xem như là một dữ liệu đầu vào cụ thể của các mô hình rủi ro tín dụng. Thông số
(2) được ước lượng bằng cách ấn định từ đầu thông qua đánh giá giá trị tài sản đảm bảo,
hoặc có thể được ước lượng bằng cách mô phỏng. Thông số (3) có thể được ước lượng

1
Độ tin cậy này thường được chọn là 99,9% trong các mô hình rủi ro tín dụng.

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 1(36).2010

133

trực tiếp như một dữ liệu đầu vào cụ thể của mô hình, nhưng cũng có thể được ước
lượng gián tiếp như một giá trị ẩn trong các thông số khác. Các mô hình sử dụng các
cách tiếp cận khác nhau để tìm ra các thông số này. Khi tất cả các thông số trên đã được
ước lượng, VaR tín dụng có thể được xác định dễ dàng.
CreditMetrics: Để đo lường VaR cho một danh mục tín dụng, đầu tiên
CreditMetrics xác đ ịnh một ma trận xác suất thay đổi chất lượng tín dụng (ví dụ: xác suất
thay đổi của một khách hàng được xếp hạng ban đầu là A đến các hạng như AAA, AA,
BBB, BB,… sau một năm là bao nhiêu. Xác suất này phản ánh khả năng thay đổi chất
lượng tín dụng của khách hàng đó trong khoảng thời gian được xác định trước). Thông
thường ma trận này được xác định dựa trên việc xếp hạng tín dụng từ các tổ chức xếp hạng
độc lập như Standard & Poor hay Moody’s. Tiếp theo, tổn thất tín dụng trong trường hợp
khách hàng không hoàn tr ả được ước lượng bằng cách mô ph ỏng dựa trên phân phối Beta
2
.
Để ước lượng tương quan không hoàn trả giữa các khách hàng, CreditMetrics ước lượng
tương quan giữa thay đổi giá trị tài sản của các khách hàng, đây là thông số quan trọng
nhằm giúp cho việc xác định xác suất không hoàn trả đồng thời của các khách hàng. Bởi vì
giá trị thị trường của tài sản của các công ty thường không quan sát được trên thực tế,
CreditMetrics s ử dụng giá cổ phiếu của các công ty như là một biến đại diện để ước lượng
tương quan giá trị tài sản giữa các công ty
3
. Cuối cùng, tương quan giữa các khoản nợ
không được hoàn trả sẽ được ước lượng từ xác suất không hoàn trả đồng thời của các khách
hàng. Các thông số trên được ước lượng dựa trên cách tiếp cận định giá quyền chọn của
Merton (1974) và đư ợc CreditMetrics m ở rộng để tính đến khả năng thay đổi chất lượng tín
dụng của khách hàng. Cụ thể, đầu tiên CreditMetrics ước lượng các giá trị ngưỡng (Z)

tương ứng với mỗi loại hạng tín dụng theo ma trận xác suất thay đổi chất lượng tín dụng
được đề cập ở trên (ký hiệu tương ứng là Z
AAA,
Z
AA,
…Z
BBB

…), giá trị ngưỡng này thay đổi
theo từng khách hàng tùy thuộc vào xếp hạng ban đầu và xác suất thay đổi chất lượng tín
dụng của khách hàng đó. Dựa trên các giá trị ngưỡng này, xác suất hai khách hàng đồng
thời ở trong bất kỳ một cặp xếp hạng [chẳng hạn như (AA,BB) hoặc (AA,BBB)…] sẽ được
tính dễ dàng. Cuối cùng, tương quan giữa thay đổi chất lượng tín dụng của khách hàng sẽ
được xác định, trong đó tương quan giữa hai khoản nợ không được hoàn trả đồng thời là
một trường hợp đặc biệt của tương thay đổi chất lượng tín dụng. Cụ thể, tương quan giữa
hai khoản nợ không được hoàn trả đồng thời được xác định bằng:
)21(2*)11(
1
2.1)2,1(
)2,1(
PPPP
PPdefdef
p
defdefCorr
−−
−
=

Trong đó: - p(def1,def2): Xác suất hai khoản nợ không được hoàn trả đồng thời,
đây là một trường hợp đặc biệt của xác suất thay đổi chất lượng tín dụng đồng thời.

2
Phân phối xác suất thường được chọn trên cơ sở phạm vi các giá trị trong đó biến ngẫu nhiên biến động.
Đối với các biến ngẫu nhiên biến động trong một phạm vi giữa giá trị 0 và c > 0 (như trong trường hợp
tổn thất tín dụng), phân phối Beta khá thích hợp để mô tả biến ngẫu nhiên đó.
3
CreditMetrics ước lượng tương quan giữa giá cổ phiếu bằng cách sử dụng mô hình đa nhân tố được sử
dụng khá phổ biến trong xây dựng danh mục đầu tư chứng khoán thông thường.
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 1(36).2010

134

- P1, P2: Xác suất khách hàng 1, khách hàng 2 không hoàn trả tương ứng. Xác
suất này được xác định dựa trên ma trận xác suất thay đổi chất lượng tín dụng ban đầu.
Khi đã xác định được tương quan giữa thay đổi chất lượng tín dụng của các
khách hàng, phân phối giá trị của danh mục tín dụng được xác định. VaR tín dụng trong
trường hợp này được xác định dựa vào giá trị ngưỡng của phân phối tương ứng với mức
tin cậy cho trước (thường là 99,9%). Đối với một danh mục tín dụng gồm rất nhiều
khoản nợ trong thực tế, CreditMetrics sử dụng mô phỏng Monte Carlo để tìm ra phân
phối hoàn toàn giá trị của danh mục, từ đó xác định VaR tín dụng.
PortfolioManager của KMV: Trái với CreditMetrics, KMV không sử dụng ma
trận xác suất thay đổi chất lượng tín dụng được tính toán bởi các tổ chức xếp hạng độc
lập như Standard & Poor hay Moody’s để tìm ra xác suất không hoàn trả của mỗi khách
hàng. Thay vì, KMV tính toán trực tiếp xác s uất không hoàn trả của mỗi khách hàng
dựa trên cách tiếp cận định giá quyền chọn của Merton (1974), xác suất này được gọi là
tần suất không hoàn trả kỳ vọng EDF (Expected Default Frequency) – theo như cách
gọi của KMV. Xác suất này là một hàm của cấu trúc vốn của công ty vay vốn, độ bất ổn
định của giá trị tài sản công ty, và giá trị hiện tại của tài sản công ty.
Theo cách tiếp cận quyền chọn của Merton, việc vay nợ của công ty được xem
như công ty đang sở hữu một quyền chọn bán (Put Option) trên tài sản c ông ty, với giá

thực hiện (Exercise Price) bằng với giá trị của khoản nợ vào ngày đáo hạn. Công ty sẽ
không có khả năng hoàn trả nợ nếu giá trị tài sản của công ty thấp hơn giá trị của khoản
nợ vào ngày đáo hạn, khi đó tương đương với việc công ty thực hiện quyền chọn bán
của mình. Sử dụng các giả thiết thông thường trong lý thuyết định giá quyền chọn, giá
quyền chọn bán này co thể được xác định theo công thức Black-Scholes (1973).
Để tìm ra EDF dựa trên cách tiếp cận Merton, KMV tiến hành theo ba bước sau:
- Ước lượng giá trị thị trường của tài sản công ty (V) và độ bất ổn định của giá
trị đó (σ).
- Tính toán khoảng cách giữa giá trị kỳ vọng tài sản công ty đến giá trị ngưỡng
không hoàn trả (khoảng cách này được ký hiệu DD – Distance to Default).
- Chuyển giá trị DD thành EDF dựa trên dữ liệu lịch sử về vay nợ và phát hành
trái phiếu của một mẫu rất nhiều công ty.
+ Ước lượng giá trị thị trường (V) và độ bất ổn định của giá trị tài sản công ty (σ):
KMV ước lượng hai giá trị này dựa trên phân tích của mô hình Merton rằng vốn
riêng của công ty tương đương như một quyền chọn mua (Call Option) trên tài sản công
ty với giá thực hiện bằng với giá trị của khoản nợ vào ngày đáo hạn. Giá trị quyền chọn
mua này (S) và độ bất ổn định của giá trị vốn riêng của công ty (σ
S
S = f(V, σ, LR, c, r) (1)
) là một hàm của các
biến sau:
σ
S
= g(V, σ, LR, c, r) (2)
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 1(36).2010

135

Trong đó: - LR: Giá trị hiện tại của cấu trúc vốn công ty.
- c: Giá trị trung bình của các khoản lãi được thanh toán định kỳ trên các

khoản nợ dài hạn của công ty.
- r: Lãi suất phi rủi ro được tính kép liên tục.
Vì giá trị vốn riêng của công ty (S) có thể được tính dễ dàng dựa trên giá cổ
phiếu của công ty và σ
S
cũng có thể được ước lượng dựa vào S, do vậy từ (1) và (2), V
và σ có thể được tính ngược dễ dàng
4
+ Tính toán khoảng cách giữa giá trị kỳ vọng tài sản của công ty đến giá trị
ngưỡng không hoàn trả (DD):
.
DD được xác định như sau:

σ
DPTVE
DD
−
=
)(
1

Trong đó: - E(V
1
- DPT: Điểm ngưỡng không hoàn trả.
): Giá trị kỳ vọng của tài sản công ty, được xác định theo giả
thiết phân phối logarit chuẩn.
KMV sử d ụng DD được tính theo công thức trên để xác định EDF từ thực
nghiệm
5
. Ví dụ trong một mẫu 5000 công ty có cùng giá trị DD = 4, sau một năm có 20

công ty không có khả năng hoàn trả nợ. Khi đó EDF
1 năm
Tiếp theo, tổn thất tín dụng trong trường hợp khách hàng không hoàn trả cũng
được ước lượng bằng cách mô phỏng dựa trên phân phối Beta. Tương quan giữa hai
khoản nợ không được hoàn trả đồng thời được xác định tương tự như cách của
CreditMetrics. Cuối cùng, KMV cũng sử dụng mô phỏng Monte Carlo để tìm ra phân
phối tổn thất tín dụng và từ đó xác định VaR tín dụng
= 20/5000 = 0,4%.
6
CreditRisk+: Không như CreditMetrics và PortfolioManager, CreditRisk+ chỉ
mô hình khả năng không hoàn trả của khách hàng và không quan tâm đến khả năng thay
đổi chất lượng tín dụng (đó là bỏ qua việc thay đổi hạng tín dụng có thể ảnh hưởng đến
khả năng không hoàn trả của khách hàng). CreditRisk+ cũng chỉ sử dụng các giá trị sổ
.

4
Đây là điểm khác biệt giữa PortfolioManager và CreditMetrics. PortfolioManager không giả thiết độ bất
ổn định của giá trị tài sản bằng với độ bất ổn định của giá trị vốn riêng của công ty như trong
CreditMetrics.
5
Nếu như dựa vào các giả thiết của mô hình Merton, EDF cũng có thể được tính trực tiếp bằng với N(-
DD), trong đó N(.) là hàm phân phối chuẩn hóa tích lũy. Tuy nhiên, một vấn đề ở đây là rằng tính chính
xác của xác suất không hoàn trả được xác định bằng N(-DD) phụ thuộc rất lớn vào các giả thiết trong mô
hình Merton. Giả thiết đó có thể không hoàn toàn đúng trong thực tế, đặc biệt đối với giá trị tài sản công
ty (để ý rằng công thức Black-Scholes được áp dụng với các giả thiết đối với giá cổ phiếu. Độ bất ổn định
của giá cổ phiếu có thể khác đáng kể so với độ bất ổn định của giá trị tài sản của công ty, đặc biệt trong
trường hợp công ty có sử dụng nợ).

6
CreditMetrics mô phỏng phân phối giá trị của danh mục tín dụng, trong khi đó PortfolioManager mô

phỏng trực tiếp phân phối tổn thất tín dụng. Tuy nhiên, VaR tín dụng đều có thể được xác định dựa trên
cả hai phân phối này.
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 1(36).2010

136

sách của khách hàng để thực hiện mô hình chứ không dựa trên khung giá trị thị trường
như hai mô hình trên. CreditRisk+ áp dụng nguyên lý bảo hiểm theo đó khách hàng hoặc
là hoàn trả hoặc là không hoàn trả khoản nợ của mình vào ngày đến hạn. Phân phối xác
suất của số lượng khoản nợ không được hoàn trả được giả thiết theo phân phối Poisson.

!
)(
n
e
np
n
µ
µ
−
=
n = 0, 1, 2, 3, ……….
Trong đó: - μ: Số lượng khách hàng không hoản trả trung bình trong khoảng
thời gian được xác định trước (ví dụ: 1 năm).
- n: Số lượng khách hàng không hoàn trả trong khoảng thời gian
được xác định trước.
Tổn thất trong trường hợp khách hàng không hoàn trả được xác định dựa vào
một tỷ lệ thu hồi nợ được ấn định trước theo mỗi loại khách hàng và không phụ thuộc
vào mô hình. Để tìm ra phân phối tổn thất của một danh mục đầu tư tín dụng, các khách
hàng được chia thành các nhóm theo tổn thất dự tính. Mỗi nhóm sẽ được xác định bởi

một số lượng trung bình các khoản nợ không được hoàn trả. Để tính đến sự tương quan
không hoàn trả giữa các khách hàng, CreditRisk+ giả thiết thêm rằng tỷ lệ không hoàn
trả trung bình trong mỗi nhóm thay đổi ngẫu nhiên theo phân phối Gamma
7
CreditPortfolioView: Mô hình CreditPortfolioView được hình thành dựa trên
sự đánh giá rằng khả năng không hoàn trả và thay đổi chất lượng tín dụng chịu ảnh
hưởng bởi trạng thái nền kinh tế vĩ mô. Do vậy, rủi ro tín dụng có thể được mô hình dựa
trên các biến số kinh tế vĩ mô. Trước hết, CreditPortfolioView ước lượng xác suất
không hoàn trả bằng cách sử dụng hàm logit sau:
. Cuối cùng,
phân phối tổn thất của danh mục tín dụng được tìm ra dựa trên xác suất không hoàn trả
của các nhóm. Do phân phối tổn thất được xác định dựa trên giả thiết về phân phối xác
suất các khoản nợ không hoàn trả, tính toán VaR được tiến hành thuận tiện bằng một
công thức đóng mà không cần phải sử dụng mô phỏng.

tj
Y
tj
e
P
,
1
1
,
−
+
=

Trong đó: - P
j,t

- Y
: Xác suất không hoàn trả có điều kiện trong khoảng thời gian t
đối với một phân khúc khách hàng j nào đó (ví dụ: kết hợp các khách hàng theo ngành,
khu vực địa lý, loại hạng tín dụng…) .
j,t

: Chỉ số giá trị tương ứng với phân khúc khách hàng j. Quan hệ
giữa chỉ số này với các biến kinh tế vĩ mô được xác định qua mô hình hồi quy:
tjtmjmjtjjtjjjtj
XXXY
,,,,,2,2,,1,1,0,,

εββββ
+++++=


7
Mô hình CreditRisk+ không đòi hỏi phải cung cấp ước lượng tương quan không hoàn trả giữa các khách
hàng đề tính phân phối tổn thất tín dụng như trong CreditMetrics và PortfolioManager bởi vì tương quan
này đã được bao hàm trong độ bất ổn định của tỷ lệ không hoàn trả trung bình của mỗi nhóm, tỷ lệ này lại
phụ thuộc vào độ bất ổn định của xác suất không hoàn trả của mỗi khách hàng.
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 1(36).2010

137

- X
j,t
= (X
j,1,t
, X

j,2,1
,….X
j,m,t
Các biến còn lại trong mô hình hồi quy được định nghĩa như trong một mô hình
hồi quy thông thường. Trong mô hình CreditPortfolioView, tương quan không hoàn trả
giữa các khách hàng được bao hàm trong xác suất không hoàn trả P
): Các giá trị của các biến số kin h tế vĩ mô được
xác định là có ảnh hưởng đến phân khúc khách hàng j trong khoảng thời gian t. Mỗi
biến số kinh tế vĩ mô được giả thiết là có thể xác định theo mô hình tự hồi quy bậc 2,
AR(2).
j,t
. Tiếp theo, một
ma trận xác suất thay đổi chất lượng tín dụng có điều kiện (M
t
) được ước lượng. Để ước
lượng ma trận này, CreditPortfolioView sử dụng một ma trận xác suất thay đổi chất
lượng tín dụng không điều kiện dựa trên các dữ liệu lịch sử của Standard & Poor (ký
hiệu ФM)
8
. M
t
được ước lượng bằng cách điều chỉnh ФM theo tỷ số P
j,t
/ ФSDP
j
(trong
đó: ФSDP
j
Cuối cùng dựa vào M
là xác suất không hoàn trả không điều kiện của phân khúc j).

t
So sánh các điểm chính của bốn mô hình
, mô phỏng Monte Carlo được sử dụng để tạo ra phân
phối giá trị danh mục tín dụng với tỷ lệ tổn thất dự tính được xác định ngẫu nhiên, từ đó
tính VaR tín dụng.

Mô hình
CreditMetrics PortfolioManager CreditRisk+ CreditPortfolioView
Yếu tố
rủi ro tín
dụng
được xem
xét
Bao gồm cả xác
suất thay đổi
chất lượng tín
dụng và xác
suất không
hoàn trả của
khách hàng
Xác suất khô ng
hoàn trả của khách
hàng, nhưng có thể
được điều chỉnh để
tính đến ảnh hưởng
của việc thay đổi
chất lượng tín dụng
Xác suất
không hoàn
trả của khách

hàng
Bao gồm cả xác suất
thay đổi chất lượng
tín dụng và xác suất
không hoàn trả của
khách hàng
Xác suất
thay đổi
chất
lượng tín
dụng
Được xác định
dựa trên xếp
hạng tín dụng
ban đầu của
khách hàng và
không thay đổi
trong khoảng
thời gian đánh
giá rủi ro tín
dụng
Được xác định dựa
trên thay đổi giá trị
tài sản của khách
hàng và cấu trúc kỳ
hạn EDF của mỗi
khách hàng
Không được
đề cập trong
mô hình

Được xác định dựa
trên đánh giá ảnh
hưởng của các nhân
tố kinh tế vĩ mô

8
Xác suất thay đổi chất lượng tín dụng không điều kiện được ước lượng bằng giá trị trung bình lịch sử.
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 1(36).2010

138

Tương
quan
không
hoàn trả
giữa các
khoản nợ
Được ước
lượng riêng
thông qua
tương quan
giữa thay đổi
giá cổ phiếu
(Sử dụng mô
hình nhân tố),
và là một yếu tố
đầu vào của mô
hình
Được ước lượng
riêng thông qua

tương quan giữa
thay đổi giá cổ
phiếu (Sử dụng mô
hình nhân tố) và là
một yếu tố đầu vào
của mô hình
Được bao hàm
trong độ bất
ổn định của tỷ
lệ không hoàn
trả trung bình
của mỗi nhóm
Được bao hàm trong
xác suất không hoàn
trả có điều kiện trong
khoảng thời gian t
của mỗi phân khúc
khách hàng
Tổn thất
dự tính
Được xác định
ngẫu nhiên theo
phân phối Beta
Được xác định ngẫu
nhiên theo phân
phối Beta
Được ấn định
trước và cố
định
Được xác định ngẫu

nhiên dựa trên thực
nghiệm
Phương
pháp tìm
ra phân
phối hoàn
toàn
Mô phỏng
Monte Carlo
Mô phỏng Monte
Carlo
Dựa trên công
thức đóng,
không cần
thực hiện mô
phỏng
Mô phỏng Monte
Carlo
3. Những vấn đề nên xem xét khi lựa chọn mô hình
Không như các mô hình đo lường VaR thị trường, cơ sở lý thuyết và yêu cầu dữ
liệu trong các mô hình đo lường VaR tín dụng khác nhau đáng kể. Sự khác nhau này
đưa đến các vấn đề phải xem xét khi vận dụng:
- Mô hình rủi ro tín dụng đang được cân nhắc có thật sự hợp lý dưới góc độ lý
thuyết, và liệu mô hình đó có phản ánh đầy đủ các khía cạnh của rủi ro tín dụng?
- Mô hình có quá phức tạp để sử dụng không?
- Cơ sở dữ liệu cần thiết cho mô hình có thể được thu thập, hoặc xây dựng dễ
dàng không?
- Làm thế nào để đánh giá tính chính xác của các kết quả được tạo ra bởi mô
hình?
Ở khía cạnh thực tiễn, hai yếu tố sau có lẽ được xem là quan trọng hơn. Yếu tố

tính phức tạp của mô hình có thể được giải quyết dựa trên sự hỗ trợ của công nghệ
thông tin
9

9
Tất cả các mô hình đều được xây dựng thành các phần mềm để thuận tiện cho việc sử dụng ở các ngân
hàng.
. Trong khi đó, cơ sở dữ liệu cần thiết cho việc chạy mô hình là vấn đề đáng
quan tâm. Như đã đề cập, dữ liệu cần thiết cho các mô hình rủi ro tín dụng rất hạn chế,
các mô hình khác nhau lại sử dụng loại dữ liệu khác nhau. Do vậy việc cân nhắc chọn
mô hình nên dựa vào khả năng xây dựng và thu thập dữ liệu của mỗi ngân hàng. Việc
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 1(36).2010

139

này lại phụ thuộc vào cơ sở khách hàng của mỗi ngân hàng. Ví dụ: một ngân hàng với
phần lớn khách hàng là các công ty cổ phần đã được niêm yết, việc sử dụng
CreditMetrics hoặc PortfolioManager sẽ dễ dàng hơn dựa vào các dữ liệu trên thị trường
của các công ty đó. Trái lại, nếu các khách hàng của ngân hàng phần lớn là khách hàng
nhỏ, số lượng lớn thì nên cân nhắc việc sử dụng CreditRisk+ hoặc CreditPortfolioView
với một sự đầu tư nhằm xây dựng và cải thiện cơ sở dữ liệu đủ tốt. Việc khan hiếm các
dữ liệu tín dụng cần thiết cũng làm cho sự đánh giá tính chính xác của các kết quả được
tạo ra bởi mô hình khá khó khăn. Cụ thể, không có nhiều dữ liệu để giúp cho việc kiểm
định thực nghiệm các mô hình. Một giải pháp được sử dụng hiện tại là thay vì đánh giá
trực tiếp kết quả đầu ra của mô hình, tính chính xác có thể được đánh giá gián tiếp thông
qua tính chính xác của các dữ liệu đầu vào và tính hợp lý của các giả thiết chính của
mỗi mô hình
10
4. Kết luận
. Yếu tố quan trọng cuối cùng cần phải tính đến nữa là nhân sự. Quản trị

rủi ro tốt, trong đó đo lường rủi ro đóng vai trò cực kỳ quan trọng, không chỉ đơn thuần
sử dụng các phương pháp phức tạp, khoa học mà còn liên quan đến sự hiểu biết, kiến
thức của những người sử dụng nó. Tùy thuộc vào điều kiện của mỗi ngân hàng, một mô
hình thích hợp có thể được chọn, tuy nhiên không nhất thiết là chỉ sử dụng một mô hình
duy nhất bởi vì kết quả của các mô hình rủi ro tín dụng đều tạo ra VaR tín dụng, những
giá trị VaR này có thể được hợp nhất với những giá trị VaR khác (bao gồm cả VaR thị
trường và VaR hoạt động) để tạo ra giá trị VaR chung của một ngân hàng.
Thực tế khủng hoảng tín dụng, thậm chí dẫn đến việc đóng cửa nhiều ngân hàng,
ở một số quốc gia vừa qua càng nhấn mạnh thêm tầm quan trọng của việc quản trị rủi ro
tín dụng. Các cơ quan quản lý ở các quốc gia cũng như một số định chế tài chính quốc
tế đã nhìn nhận vấn đề này và khuyến khích các ngân hàng sử dụng các phương pháp và
thực tế quản trị tốt hơn, trong đó mô hình rủi ro tín dụng dựa theo VaR là một trong
những giải pháp. Hiểu rõ ràng các mô hình nhằm tránh việc sử dụng không thích hợp là
điều cần thiết.

TÀI LIỆU THAM KHẢO

[1] Bank for International Settlements (BIS). Basel II: International Convergence of
Capital Measurement and Capital Standards: A Revised Framework –
Comprehensive Version. Tháng 6, 2006
11
[2] Black, F., Scholes, M., 1973. The Pricing of Options and Corporate Liabilities.
Journal of Political Economy, 81, 637-654.
.

10
Mặc dù cách đánh giá này vẫn chưa đạt được sự đồng thuận trong giới nghiên cứu cũng như những
người làm thực tiễn, cách làm này đã được sủ dụng trong các ngân hàng.
11
Đây là phiên bản cập nhật mới nhất của Basel II.

TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 1(36).2010

140

[3] Credit Suisse Financial Products, 1997. CreditRisk +: A Credit Risk Management
Framework. Technical Document.
[4] Crouhy, M., Galai, D., Mark, R., 2001. Risk Management. McGraw-Hill.
[5] JP Morgan, 1997. CreditMetrics. Technical Document.
[6] Jorion, P., 2007. Value at Risk: The New Benchmark for Managing Financial Risk.
3
rd
[7] KMV, 1993. Portfolio Manager Model. San Francisco: KMV Corporation.
Ed., McGraw-Hill.
[8] Merton, R. C., 1974. On the Pricing of Corporate Debt: The Risk Structure of
Interest Rates. Journal of Finance 29, 449-470.
[9] Saita, F., 2007. Value at Risk and Bank Capital Management. Academic Press
Advanced Finance Series.
[10] Wilson, T., 1997. Credit Risk Modeling: A New Approach. New York: McKinsey
& Co.