Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản

Mục lục

Đánh giá post

Chia sẻ chuyên mục Đề Tài Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản hay nhất năm 2026 cho các bạn học viên ngành đang làm luận văn thạc sĩ tham khảo nhé. Với những bạn chuẩn bị làm bài luận văn tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm luận văn thì với đề tài Luận Văn: Ứng dụng Big Data để dự đoán rủi ro thanh khoản tại các Ngân hàng TMCP Việt Nam dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

4.1. Thống kê mô tả các biến trong mô hình

Trước khi tiến hành ước lượng và đối sánh mô hình ở các mục sau, nghiên cứu thực hiện thống kê mô tả cho 10 biến độc lập được đưa vào mô hình dự báo rủi ro thanh khoản, bao gồm: Loan On Earn Asset, Loan On Asset, Deposit On Earn Asset, Equity On Loan, Dividend, Non-Interest Income on Total Operating Income, Asset On Equity, Payable On Equity, Cost Of Financing, và Book Value Per Share. Các chỉ tiêu thống kê được tính trên bộ panel data giai đoạn 2020–2024 gồm: Mean, Std Dev, Min, P25, P50, P75, Max. Từ đó cho thấy bức tranh đặc trưng của hệ thống ngân hàng thương mại Việt Nam trong giai đoạn nghiên cứu, có thể nhóm các biến thành bốn cụm: (i) Đòn bẩy tài chính & Vốn tự có, (ii) Hoạt động cho vay & Thanh khoản, (iii) Thu nhập ngoài lãi & Chính sách vốn và (iv) Quy mô ngân hàng & Giá trị sổ sách. Cách nhóm này giúp kết nối chỉ tiêu tài chính với hành vi quản trị và bối cảnh thị trường, đồng thời tạo nền tảng cho diễn giải kết quả hồi quy ở Chương 4.

Đòn bẩy tài chính & Vốn tự có.

Nhóm này gồm Asset On Equity, Payable On Equity, Equity On Total Asset, và Equity On Loan. Số liệu xác nhận Asset On Equity có Mean ≈ 12.58 và Độ lệch chuẩn ≈ 3.84, trong khi Payable On Equity có Mean ≈ 11.58 (Std Dev tương tự ≈ 3.84); các Phân vị lần lượt [9.6; 15.3] và [8.6; 14.3] phản ánh mức phân tán lớn về mức độ sử dụng đòn bẩy giữa các ngân hàng. Hai số liệu tỷ lệ của Equity On Total Asset (Mean ≈ 0.088; P25–P75 ≈ 0.065–0.105) và Equity On Loan (Mean ≈ 0.139; P25–P75 ≈ 0.104–0.167) cho thấy khả năng chống chịu khác nhau trước áp lực thanh khoản.

Hoạt động cho vay & Thanh khoản.

Bộ ba Loan On Earn Asset, Loan On Asset, và Deposit On Earn Asset mô tả cường độ cho vay và cấu trúc tài sản sinh lời. Loan On Earn Asset có Mean ≈ 0.684; Độ lệch chuẩn ≈ 0.069; IQR ≈ 0.645–0.732, còn Loan On Asset có Mean ≈ 0.641; Độ lệch chuẩn ≈ 0.072; IQR ≈ 0.595–0.693 — tức biến thiên tương đối thấp, hàm ý một mặt bằng khá nhất quán trong phân bổ tài sản cho vay. Trái lại, Deposit On Earn Asset phân tán mạnh hơn (Mean ≈ 0.703; Std Dev ≈ 0.117; Phân vị ≈ 0.606–0.782; Min–Max = 0.487–1.140), cho thấy khác biệt rõ về chiến lược huy động và cấu trúc nguồn vốn: một số ngân hàng dựa nhiều vào tiền gửi để tài trợ tài sản sinh lời, số khác thận trọng hơn để cân đối thanh khoản.

Thu nhập ngoài lãi & Chính sách vốn

Operating Income có Mean ≈ 0.221; Độ lệch chuẩn ≈ 0.091; Phân vị ≈ 0.171–0.265 với Min = −0.210, cho thấy đã có giai đoạn lỗ thu nhập ngoài lãi (ví dụ: phí, dịch vụ, ngoại hối, chứng khoán). Điều này nhấn mạnh tính chu kỳ và độ nhạy cảm của nguồn thu phi truyền thống đối với biến động thị trường. Cost Of Financing duy trì ở Mean ≈ 0.047; Phân vị ≈ 0.039–0.054; Min–Max = 0.022–0.087, phản ánh khác biệt về năng lực huy động và chi phí vốn (quy mô, xếp hạng tín nhiệm, cấu trúc khách hàng). Đáng chú ý, với số liệu mới, Dividend được ghi nhận Mean ≈ 0.056; P25–P75 ≈ 0.033–0.069; Min–Max ≈ 0.005–0.126, cho thấy mức chi trả cổ tức giữa các ngân hàng khá đa dạng. Sự đa dạng này có thể vừa phản ánh khác biệt về khả năng sinh lời bền vững, vừa cho thấy ưu tiên chiến lược (tái đầu tư tăng trưởng hay duy trì cổ tức đều đặn).

Quy mô ngân hàng & Giá trị sổ sách. Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Book Value Per Share ở bộ số liệu mới có Mean ≈ 13,100 VND; Độ lệch chuẩn ≈ 4,576; Phân vị ≈ 10,332–15,095; Min–Max = 4,337–29,159. So với thống kê cũ, Mean giảm nhẹ, song khoảng dao động vẫn rộng, phản ánh khác biệt đáng kể về quy mô vốn, tích lũy lợi nhuận và chính sách cổ tức giữa các ngân hàng. Từ góc nhìn định giá, tỷ lệ này đóng vai trò “nền” giá trị sổ sách, qua đó gợi mở sự không đồng đều về sức khỏe tài chính trong hệ thống.

Quan sát tổng hợp và hệ quả mô hình hóa ta nhận thấy. Thứ nhất, các tỷ lệ cho vay trên tài sản (Loan On Earn Asset, Loan On Asset) cho thấy mức ổn định tương đối (biến thiên thấp), nhiều khả năng cung cấp tín hiệu dự báo ổn định cho mô hình. Thứ hai, các thước đo đòn bẩy và vốn (Asset On Equity, Payable On Equity, Equity On Total Asset, Equity On Loan) phân tán cao, nhấn mạnh sự khác biệt khẩu vị rủi ro. Thứ ba, Non-Interest Income on Total Operating Income xuất hiện giá trị âm, gợi ý điểm ngoại lệ theo chu kỳ. Thứ tư, Cost Of Financing mang tính nhạy cảm vĩ mô (mặt bằng lãi suất), còn Dividend cho thấy khác biệt chính sách phân phối lợi nhuận; cả hai biến này đáng được theo dõi trong các kịch bản stress theo thời gian (rolling/expanding window) ở phần kiểm định độ bền mô hình.

Trong giai đoạn 2020–2024, dữ liệu của 10 biến nghiên cứu cho thấy sự phân hóa rõ nét trong hệ thống ngân hàng thương mại Việt Nam và mối quan hệ chặt chẽ với chỉ số Liquidity On Liability (LOL). Hoạt động cho vay thể hiện tính phổ biến của toàn ngành, góp phần hình thành mức tương quan cao với Liquidity On Liability và phản ánh vai trò then chốt của tín dụng trong cấu trúc thanh khoản. Ngược lại, các yếu tố như cấu trúc vốn, đòn bẩy tài chính, tỷ trọng nguồn thu ngoài lãi và chính sách cổ tức lại tạo ra sự khác biệt đáng kể giữa các ngân hàng, qua đó lý giải sự biến động đa chiều của Liquidity On Liability trong từng trường hợp cụ thể. Sự đa dạng này vừa cho phép nhận diện các biến có tính dự báo ổn định đối với Liquidity On Liability, vừa chỉ ra các yếu tố mang tính đặc thù cần được kiểm soát khi xây dựng mô hình, nhằm hạn chế rủi ro sai lệch. Đây là cơ sở để chuyển sang bước ước lượng hồi quy và so sánh các thuật toán nhằm đánh giá chính xác hơn khả năng dự báo rủi ro thanh khoản thông qua chỉ số Liquidity On Liability trong các mục tiếp theo của Chương 4.

Bảng 4.1: Thống kê mô tả 10 biến độc lập

Kết quả cho thấy: Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Sự đa dạng đáng kể trong cấu trúc tài chính và chiến lược hoạt động giữa các ngân hàng thương mại tại Việt Nam, thể hiện qua sự phân bố khác nhau của các biến số trong mô hình. Đáng chú ý, các biến như Loan On Asset và Loan On Earn Asset có giá trị trung bình ở mức cao và độ lệch chuẩn lớn, cho thấy có sự khác biệt rõ rệt giữa các ngân hàng trong mức độ ưu tiên cho vay và khai thác tài sản sinh lời. Một số ngân hàng có thể theo đuổi chiến lược tăng trưởng tín dụng mạnh mẽ nhằm tối đa hóa lợi nhuận, trong khi những ngân hàng khác lại thận trọng hơn để duy trì tính thanh khoản và kiểm soát rủi ro. Tương tự, các chỉ tiêu Payable On Equity và Asset On Equity cũng cho thấy mức độ phân tán đáng kể. Điều này phản ánh sự khác biệt trong cấu trúc nguồn vốn và mức độ sử dụng đòn bẩy tài chính giữa các tổ chức tín dụng. Những ngân hàng có tỷ lệ nợ cao hơn có thể dễ chịu ảnh hưởng hơn trước biến động thanh khoản, trong khi các ngân hàng có tỷ lệ vốn chủ sở hữu lớn hơn có lợi thế hơn trong việc đối phó với áp lực tài chính và giữ vững niềm tin thị trường. Những khác biệt này là đặc trưng phổ biến của hệ thống ngân hàng Việt Nam trong giai đoạn vừa phát triển, vừa thích nghi với các chuẩn mực quốc tế như Basel II và Basel III.

Ở chiều ngược lại, một số biến như Non-interest Income on Total Operating Income và Book Value Per Share lại có độ lệch chuẩn thấp, cho thấy sự ổn định tương đối giữa các ngân hàng về nguồn thu không lãi và giá trị sổ sách trên mỗi cổ phiếu. Đây thường là những biến ít chịu tác động từ chu kỳ kinh tế ngắn hạn, và có thể phản ánh hiệu quả vận hành ổn định hơn của các ngân hàng theo thời gian. Đối với biến Cost of Financing, mặc dù có mức dao động lớn hơn so với trung bình, nhưng không vượt khỏi ngưỡng chấp nhận được đối với dữ liệu tài chính thực tiễn trong một hệ thống có nhiều cấp độ phát triển như Việt Nam. Mức chênh lệch này phần nào phản ánh sự khác biệt trong chi phí huy động vốn giữa các ngân hàng, vốn phụ thuộc vào khả năng tiếp cận nguồn vốn, xếp hạng tín nhiệm, và quy mô hoạt động. Tuy nhiên, mức biến động này chưa đến mức gây sai lệch nghiêm trọng trong mô hình định lượng, và do đó không yêu cầu điều chỉnh đặc biệt. Từ tổng thể thống kê mô tả, có thể nhận định rằng các biến số được lựa chọn không chỉ giúp phác họa bức tranh đa dạng của hệ thống ngân hàng Việt Nam mà còn đóng vai trò định hướng quan trọng trong quá trình xây dựng và kiểm định mô hình hồi quy, đặc biệt trong việc xác định tính phù hợp của các biến đầu vào và mức độ cần thiết của các bước xử lý bổ sung như kiểm định ngoại lệ hoặc chuẩn hóa dữ liệu.

4.2. Phân tích tương quan giữa các biến Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Nhằm xác định mối quan hệ tuyến tính giữa các biến độc lập với biến phụ thuộc Liquidity On Liability, tác giả đã tiến hành phân tích tương quan trên bộ dữ liệu sau khi đã làm sạch. Biểu đồ ma trận tương quan giúp trực quan hóa mức độ liên hệ giữa các biến trong mô hình.

Hình 4.1: Biểu đồ ma trận tương quan 10 biến có liên quan

Sau khi chuẩn hóa dữ liệu giai đoạn 2020–2024, nghiên cứu tính hệ số tương quan Pearson giữa Liquidity On Liability và các biến độc lập. Kết quả cho thấy 10 biến có giá trị tuyệt đối của hệ số tương quan cao nhất lần lượt là: Loan On Earn Asset, Loan On Asset, Deposit On Earn Asset, Equity On Loan, Dividend, Non-Interest Income on Total Operating Income, Payable On Equity, Asset On Equity, Cost Of Financing, và Book Value Per Share

Bảng 4.2: Hệ số tương quan các biến

4.2.1. Quan hệ với biến phụ thuộc (theo mức độ cao → thấp)

Biến Loan On Earning Asset có hệ số tương quan âm rất cao so với Liquidity On Liability (r ≈ –0.97). Kết quả này cho thấy khi tỷ lệ cho vay trên tài sản sinh lời tăng, khả năng thanh khoản trên tổng nợ phải trả giảm rõ rệt. Đây là một phát hiện phù hợp với cơ sở lý thuyết, bởi việc mở rộng tín dụng trên cùng một khối tài sản sinh lời sẽ làm suy giảm phần dự trữ thanh khoản, từ đó làm gia tăng rủi ro thanh khoản của ngân hàng. Giá trị tuyệt đối lớn của hệ số tương quan khẳng định Loan On Earning Asset là một biến trọng yếu, có vai trò chỉ báo cốt lõi trong việc theo dõi và dự báo rủi ro thanh khoản.

Biến Loan On Asset có hệ số tương quan âm rất cao với Liquidity On Liability (r ≈ –0.84). Kết quả này cho thấy khi tỷ lệ cho vay trên tổng tài sản tăng, khả năng thanh khoản trên tổng nợ phải trả giảm đáng kể. Điều này phù hợp với cơ sở lý thuyết, bởi việc phân bổ tỷ trọng lớn tài sản cho hoạt động tín dụng sẽ làm giảm khả năng duy trì dự trữ thanh khoản cần thiết. Giá trị tương quan cao khẳng định Loan On Asset là một biến quan trọng, có vai trò đáng kể trong việc giải thích và dự báo rủi ro thanh khoản.

Biến Deposit On Earning Asset có hệ số tương quan âm mức trung bình với Liquidity On Liability (r ≈ –0.52). Kết quả này cho thấy khi tỷ lệ tiền gửi trên tài sản sinh lời tăng, khả năng thanh khoản trên tổng nợ phải trả có xu hướng giảm. Nguyên nhân xuất phát từ áp lực hoàn trả tiền gửi, đặc biệt trong trường hợp tiền gửi ngắn hạn, trong khi phần lớn tài sản sinh lời đã được phân bổ cho hoạt động tín dụng, làm suy giảm khả năng duy trì dự trữ thanh khoản. Phát hiện này nhấn mạnh vai trò của cấu trúc nguồn vốn và cách thức phân bổ tài sản sinh lời vào hoạt động tín dụng trong việc quyết định mức độ rủi ro thanh khoản.

Biến Equity On Loan có hệ số tương quan dương mức trung bình với Liquidity On Liability (r ≈ +0.43). Khi tỷ lệ vốn chủ sở hữu trên dư nợ cho vay tăng, khả năng thanh khoản trên tổng nợ phải trả được cải thiện. Kết quả này cho thấy vốn chủ sở hữu có vai trò như một nguồn lực bảo đảm, giúp ngân hàng tăng cường khả năng hấp thụ tổn thất phát sinh từ hoạt động tín dụng và duy trì trạng thái thanh khoản ổn định. Do đó, Equity On Loan được xem là một biến có ý nghĩa quan trọng trong việc giải thích và dự báo rủi ro thanh khoản. Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Biến Dividend có hệ số tương quan dương mức trung bình với Liquidity On Liability (r ≈ +0.35). Khi mức chi trả cổ tức cao hơn, điều này thường phản ánh tình hình lợi nhuận ổn định và cấu trúc vốn lành mạnh của ngân hàng, từ đó gián tiếp cải thiện khả năng thanh khoản thông qua tín hiệu tích cực trên thị trường và điều kiện thuận lợi hơn trong việc huy động vốn. Do vậy, Dividend được xem là một biến hỗ trợ quan trọng trong việc giải thích và dự báo rủi ro thanh khoản.

Biến Non-Interest Income on Total Operating Income có hệ số tương quan dương ở mức gần trung bình với Liquidity On Liability (r ≈ +0.26). Việc đa dạng hóa nguồn thu ngoài lãi thể hiện mối quan hệ thuận với khả năng thanh khoản, cho thấy vai trò của các khoản thu từ phí dịch vụ, kinh doanh vốn và các hoạt động phi tín dụng trong việc giảm sự phụ thuộc vào chênh lệch lãi suất. Mặc dù giá trị của biến này có thể biến động theo chu kỳ và trong một số giai đoạn ghi nhận mức âm, nhìn chung nó vẫn được xem là một yếu tố tích cực góp phần cải thiện khả năng dự báo rủi ro thanh khoản.

Biến Payable On Equity có hệ số tương quan âm ở mức thấp so với Liquidity On Liability (r ≈ –0.23). Khi tỷ lệ nợ phải trả trên vốn chủ sở hữu tăng, mức độ đòn bẩy tài chính lớn hơn làm suy giảm khả năng duy trì thanh khoản, do ngân hàng phải gánh chịu áp lực nghĩa vụ thanh toán cao hơn so với quy mô vốn tự có. Kết quả này phù hợp với lý thuyết an toàn vốn, khẳng định tầm quan trọng của cấu trúc vốn trong việc đảm bảo khả năng chi trả và kiểm soát rủi ro thanh khoản.

Biến Asset On Equity có hệ số tương quan âm ở mức thấp với Liquidity On Liability (r ≈ –0.23). Khi tỷ lệ tài sản trên vốn chủ sở hữu tăng, mức độ đòn bẩy tài chính cao hơn làm giảm khả năng duy trì thanh khoản. Kết quả này củng cố nhận định rằng việc sử dụng đòn bẩy quá lớn có thể làm suy yếu năng lực chi trả, đồng thời khẳng định vai trò then chốt của quản trị vốn chủ sở hữu trong việc kiểm soát rủi ro thanh khoản.

Biến Cost Of Financing có hệ số tương quan âm ở mức thấp với Liquidity On Liability (r ≈ –0.19). Khi chi phí vốn tăng, biên lợi nhuận của ngân hàng bị thu hẹp, đồng thời khả năng duy trì nguồn thanh khoản dự phòng cũng suy giảm, đặc biệt trong giai đoạn thắt chặt tiền tệ. Với đặc điểm nhạy cảm theo chu kỳ lãi suất, biến này có giá trị tham chiếu quan trọng trong việc đánh giá khả năng chống chịu thanh khoản của ngân hàng thông qua các kịch bản kiểm tra sức chịu đựng.

Biến Book Value Per Share có hệ số tương quan âm ở mức thấp với Liquidity On Liability (r ≈ –0.18). Giá trị sổ sách trên mỗi cổ phiếu thấp thường phản ánh nền vốn hạn chế hoặc khả năng tích lũy lợi nhuận yếu, qua đó gián tiếp làm giảm mức thanh khoản. Về lý thuyết, BVPS cao phản ánh nền vốn mạnh và khả năng hấp thụ rủi ro tốt, nhưng trong giai đoạn 2020–2024, kết quả âm có thể xuất phát từ việc các ngân hàng có vốn mạnh thường mở rộng tín dụng hoặc đầu tư dài hạn, làm suy giảm đệm thanh khoản ngắn hạn. Do đó, BVPS cần được nhìn nhận như một chỉ tiêu phản ánh sức khỏe vốn dài hạn hơn là khả năng thanh toán tức thời, và được sử dụng như biến bổ trợ trong đánh giá rủi ro thanh khoản. Điều này khẳng định Book Value Per Share không chỉ là chỉ số định giá đơn thuần mà còn là thước đo gián tiếp cho sức mạnh tài chính và khả năng chống chịu rủi ro thanh khoản của ngân hàng.

4.2.2. Hàm ý cho thiết kế mô hình và giám sát Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Kết quả phân tích tương quan giữa các biến tài chính – kinh tế với chỉ tiêu Liquidity On Liability cho thấy những bằng chứng định lượng quan trọng, qua đó định hình các hàm ý trực tiếp cho việc thiết kế mô hình dự báo rủi ro thanh khoản và triển khai giám sát ngân hàng. Việc xem xét đồng thời chiều hướng và độ lớn của các hệ số tương quan giúp xác định được nhóm biến có vai trò nền tảng, nhóm biến mang tính bổ trợ cũng như những chỉ tiêu cần được kiểm định thêm trước khi sử dụng trong các mô hình định lượng. Trên cơ sở đó, phân tích tương quan không chỉ cung cấp cái nhìn khái quát ban đầu về cấu trúc dữ liệu, mà còn đóng vai trò định hướng trong việc nhận diện kênh tác động chủ yếu của rủi ro thanh khoản. Đây là bước trung gian cần thiết nhằm bảo đảm tính khoa học trong lựa chọn tập biến đầu vào, đồng thời tạo tiền đề để nâng cao khả năng giải thích kinh tế cho mô hình hồi quy ở các giai đoạn tiếp theo. Các nhóm biến nổi bật có thể được phân loại theo các khía cạnh sau đây:

Nhóm tín hiệu cốt lõi: Loan On Earning Asset và Loan On Asset có hệ số tương quan âm rất mạnh với Liquidity On Liability, cho thấy vai trò then chốt của cường độ tín dụng trong xác định mức thanh khoản. Đây được xem là nhóm biến nền tảng, cần được giữ trong mọi mô hình dự báo ngắn hạn.

Biến đại diện cho vốn tự có: Equity On Loan có hệ số tương quan dương, phản ánh vai trò của vốn chủ sở hữu trong duy trì khả năng chi trả. Việc đưa biến này vào mô hình không chỉ gia tăng tính giải thích mà còn tạo cơ sở cho các khuyến nghị chính sách về an toàn vốn.

Chỉ số đòn bẩy: Asset On Equity và Payable On Equity có hệ số tương quan âm ở mức thấp với Liquidity On Liability, phản ánh tác động bất lợi của việc sử dụng đòn bẩy cao đến khả năng duy trì thanh khoản. Đây là nhóm biến quan trọng, thể hiện mối liên hệ giữa cấu trúc vốn và rủi ro thanh khoản.

Yếu tố chi phí vốn: Cost Of Financing có hệ số tương quan âm ở mức thấp với Liquidity On Liability, cho thấy chi phí vốn cao làm suy giảm khả năng duy trì thanh khoản. Kết quả này gợi ý rằng trong xây dựng mô hình dự báo cần xem xét biến chi phí vốn như một chỉ tiêu phản ánh tác động của môi trường lãi suất. Về mặt giám sát, việc theo dõi chặt chẽ chi phí huy động vốn giúp nhận diện sớm áp lực thanh khoản trong giai đoạn lãi suất tăng, qua đó hỗ trợ cơ quan quản lý và bản thân ngân hàng chủ động điều chỉnh chính sách quản trị vốn. Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Ổn định doanh thu: Non-Interest Income on Total Operating Income có hệ số tương quan dương ở mức gần trung bình với Liquidity On Liability, phản ánh vai trò tích cực của việc đa dạng hóa nguồn thu trong cải thiện khả năng thanh khoản. Biến này cho thấy thu nhập từ phí, dịch vụ và các hoạt động phi tín dụng giúp giảm phụ thuộc vào chênh lệch lãi suất, qua đó góp phần nâng cao sự ổn định của dòng tiền. Trong thiết kế mô hình, chỉ tiêu này bổ sung góc nhìn quan trọng về cơ cấu doanh thu, đồng thời trong giám sát cần được theo dõi định kỳ để đánh giá mức độ bền vững của nguồn thu trong những giai đoạn biến động chu kỳ.

Chính sách cổ tức: Dividend có hệ số tương quan dương ở mức gần trung bình với Liquidity On Liability, cho thấy ngân hàng có mức chi trả cổ tức cao thường gắn với khả năng sinh lợi ổn định và cấu trúc vốn lành mạnh, từ đó gián tiếp hỗ trợ thanh khoản. Trong xây dựng mô hình, biến này có thể được sử dụng như một chỉ báo phản ánh sức khỏe tài chính tổng thể. Về mặt giám sát, việc theo dõi chính sách cổ tức giúp cơ quan quản lý đánh giá năng lực vốn và mức độ thận trọng trong phân phối lợi nhuận của ngân hàng, qua đó nhận diện những trường hợp chi trả cổ tức vượt quá khả năng tài chính có thể gây áp lực thanh khoản.

Tổng hợp các phân tích trên cho thấy mỗi nhóm biến đều mang lại một hàm ý quan trọng cho cả nghiên cứu định lượng và công tác giám sát ngân hàng. Nhóm tín hiệu cốt lõi từ các chỉ tiêu tín dụng cung cấp nền tảng dự báo ngắn hạn về thanh khoản. Các biến đại diện cho vốn chủ sở hữu cho thấy vai trò bảo đảm an toàn và nâng cao sức chống chịu. Các chỉ số về đòn bẩy tài chính phản ánh mức độ rủi ro gắn với cấu trúc vốn. Yếu tố chi phí vốn chỉ ra sự nhạy cảm của thanh khoản trước biến động lãi suất. Chỉ tiêu thu nhập ngoài lãi bổ sung góc nhìn về đa dạng hóa doanh thu và mức độ bền vững của dòng tiền. Cuối cùng, chính sách cổ tức vừa là chỉ báo về sức khỏe tài chính, vừa là công cụ quản trị vốn cần được giám sát thận trọng. Việc phân loại và nhận diện này không chỉ giúp lựa chọn tập biến phù hợp cho mô hình dự báo, mà còn tạo cơ sở định hướng cho giám sát an toàn vĩ mô, góp phần củng cố ổn định thanh khoản trong toàn hệ thống ngân hàng.

4.3. Kết quả mô hình tuyến tính bội OLS Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Sau khi hoàn thành bước phân tích tương quan và lựa chọn 10 biến độc lập có mức độ liên hệ cao nhất với chỉ số rủi ro thanh khoản (Liquidity On Liability), nghiên cứu tiến hành xây dựng mô hình hồi quy tuyến tính bội (Ordinary Least Squares – OLS). Mục tiêu của mô hình là xác định mức độ và chiều hướng tác động của từng yếu tố vi mô và vĩ mô đến rủi ro thanh khoản, đồng thời kiểm tra khả năng dự báo trong điều kiện dữ liệu thực tế.

Mô hình được ước lượng bằng phương pháp bình phương tối thiểu thông thường (OLS). Kết quả được tóm tắt trong bảng dưới đây:

Bảng 4.3: Hệ số hồi quy 10 biến độc lập

4.3.1. Mục tiêu, bối cảnh và dữ liệu sử dụng

Mục tiêu của phần này là định lượng và diễn giải tác động của các yếu tố tài chính vi mô đến rủi ro thanh khoản đo bằng Liquidity On Liability. Mô hình hồi quy tuyến tính bội (Ordinary Least Squares) được chọn làm chuẩn tham chiếu vì có cấu trúc đơn giản, khả năng diễn giải trực tiếp từng hệ số và khung kiểm định thống kê minh bạch (t-statistic, p-value, khoảng tin cậy).

Biến phụ thuộc: Liquidity On Liability và 10 biến độc lập (đã sàng lọc ở 4.2 theo tương quan mạnh nhất): Loan On Earn Asset, Loan On Asset, Deposit On Earn Asset, Equity On Loan, Dividend, Non-Interest Income on Total Operating Income, Asset On Equity, Payable On Equity, Cost Of Financing, Book Value Per Share.

Khung dữ liệu: Giai đoạn từ 2020 đến 2024. Dữ liệu đã được làm sạch, xử lý qua các bước nhằm phản ánh đúng tính thời gian của ngân hàng: mô hình học trên quá khứ và được kiểm tra trên tương lai gần.

4.3.2. Mô hình hồi quy, phương pháp ước lượng và cách tính các chỉ số dự báo

Mô hình tổng quát:

Ký hiệu và cách lấy số liệu:
n: số quan sát (số dòng) trong tập dùng để ước lượng/đánh giá. Ví dụ, 25 ngân hàng
× 5 năm ⇒ n=125 Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.
i: chỉ mục quan sát (1…n). Ví dụ “Ngân hàng A – năm 2021”. yi: giá trị thực tế của Liquidity On Liability ở quan sát i.
ŷi: giá trị dự báo của Liquidity On Liability ở quan sát i do mô hình tính ra. X: ma trận đặc trưng gồm 10 cột biến độc lập và một cột 1 cho Intercept. k: số tham số ước lượng (bao gồm biến phụ thuộc), ở đây k = 11.
εi: sai số ngẫu nhiên.

Giả định chuẩn của hồi quy tuyến tính bội: tuyến tính đúng dạng, độc lập điều kiện, không đa cộng tuyến hoàn hảo, kỳ vọng sai số = 0, phương sai sai số đồng nhất, phân phối sai số xấp xỉ chuẩn. Sai số chuẩn hệ số

Cách ước lượng và cách tính các chỉ số dự báo:

Ước lượng hệ số (dạng ma trận):
Ghi chú: Coefficient (β̂j) = mức thay đổi trung bình của Liquidity On Liability khi Xj tăng 1 đơn vị, giữ các biến khác cố định.
R², RMSE, MSE, MAE = thước đo giải thích & sai số dự báo (càng tốt khi R² càng lớn và RMSE/MSE/MAE càng thấp)

4.3.3. Kết quả hiệu suất của mô hình

Trên phân hoạch time-based mô hình OLS đạt

R² = 0.9915
RMSE = 0.005096
MSE = 2.597×10⁻⁵
MAE = 0.003786

Kết quả hồi quy tuyến tính bội cho thấy, giá trị R² đạt mức rất cao, phản ánh rằng tập hợp 10 biến độc lập được lựa chọn đã giải thích gần như toàn bộ biến thiên của chỉ số rủi ro thanh khoản (Liquidity On Liability) trong giai đoạn 2020–2024. Đồng thời, các chỉ số đánh giá độ chính xác dự báo như RMSE và MAE đều ở mức cực thấp, chứng tỏ mô hình có khả năng dự báo sát thực tế, với mức sai số chỉ dưới một phần trăm điểm tuyệt đối – điều này cho thấy các tín hiệu đặc trưng của thanh khoản đã được các biến giải thích nắm bắt rất hiệu quả và gần như ngay lập tức. Thêm vào đó, chỉ số MSE có giá trị nhỏ, hàm ý rằng mô hình hiếm khi tạo ra sai số lớn đột biến, giúp kết quả dự báo duy trì tính ổn định và độ tin cậy cao trong suốt thời gian phân tích. Sự kết hợp giữa R² vượt trội, sai số dự báo thấp và tính ổn định cao đã khẳng định sức mạnh giải thích cũng như giá trị thực tiễn của mô hình trong việc nhận diện và dự báo rủi ro thanh khoản của các ngân hàng thương mại.

4.3.4. Kết quả hồi quy tuyến tính bội Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Kết quả hồi quy tuyến tính bội dựa trên 10 biến độc lập đã phản ánh rõ ràng mối quan hệ giữa các yếu tố tài chính nội tại của ngân hàng thương mại và rủi ro thanh khoản. Trong số này, biến Loan On Earn Asset (tỷ lệ cho vay trên tài sản sinh lời) nổi bật với hệ số âm rất lớn (-1.4310) và ý nghĩa thống kê ở mức 1% (p < 0.01). Điều này cho thấy, khi ngân hàng tăng tỷ lệ cho vay so với tài sản sinh lời, thanh khoản sẽ giảm mạnh, hàm ý rằng việc tập trung tín dụng vào các tài sản có khả năng tạo ra dòng tiền không ổn định làm tăng áp lực thanh khoản. Tuy nhiên, sự khác biệt rõ rệt xuất hiện khi so sánh với biến Loan On Asset (tổng cho vay trên tổng tài sản) – hệ số dương 0.5298 (p < 0.01) lại cho thấy nếu ngân hàng gia tăng cho vay trên quy mô tổng tài sản mà không quản lý hợp lý cấu trúc tài sản, rủi ro thanh khoản có thể gia tăng. Tuy nhiên 2 biến Loan On Earn Asset và Loan On Asset đã gặp phải trường hợp đa cộng tuyến, khiến cho hệ số hồi quy của Loan On Asset tăng theo hệ số dương một cách bất thường do tác động cận biên sau khi đã kiểm soát Loan On Earn Asset. Để bảo đảm ổn định ước lượng và tính chuẩn xác về kinh tế, mô hình chính loại Loan On Asset và giữ Loan On Earn Asset.

Trong nhóm biến phản ánh cơ cấu vốn, Equity On Loan (vốn chủ sở hữu trên tổng cho vay) đạt hệ số 0.1805 (p < 0.001), khẳng định vai trò của vốn tự có trong việc bảo vệ thanh khoản. Cùng với đó, Asset On Equity (tổng tài sản trên vốn chủ sở hữu) cũng cho kết quả dương mạnh (0.3240, p < 0.01) tuy nhiên hệ số này cũng gặp phải trường hợp đa cộng tuyến, trong trường hợp này Asset On Equity và Payable On Equity dường như tuyến tính với nhau nên chỉ giữ lại một biến để tránh đa cộng tuyến. Sau khi kiểm tra và chọn lọc lại, tác giả chọn giữ lại biến Payable On Equity vì cùng dấu với biểu đồ tương quan với biến Liquidity On Liability. Payable On Equity (nợ phải trả trên vốn chủ sở hữu) mang hệ số âm rõ rệt (-0.3243, p < 0.01), cho thấy việc sử dụng đòn bẩy tài chính cao làm giảm dư địa an toàn thanh khoản. Đáng chú ý, Cost Of Financing (chi phí huy động vốn) có hệ số -0.1328 (p = 0.0247) cho thấy khi chi phí vốn tăng, đây thường là tín hiệu của thị trường vốn căng thẳng, khiến ngân hàng dễ gặp khó khăn trong việc duy trì thanh khoản.

Một số biến khác cho thấy tác động yếu như: Deposit On Earn Asset (tiền gửi trên tài sản sinh lời) có hệ số -0.0108 (p = 0.1986), cho thấy mối quan hệ không rõ rệt với rủi ro thanh khoản. Dividend (cổ tức) có hệ số -0.0368 (p = 0.4920) và Non-Interest Income on Total Operating Income (thu nhập ngoài lãi trên tổng thu nhập hoạt động) chỉ đạt hệ số 0.0088 (p = 0.3314). Book Value Per Share (giá trị sổ sách mỗi cổ phiếu) gần như không có ảnh hưởng (4.15e-09, p = 0.9829), điều này có thể do yếu tố thị trường cổ phiếu của ngân hàng chưa gắn kết trực tiếp với khả năng thanh khoản trong ngắn hạn.

Sau khi chọn lọc lại các dữ liệu từ ma trận tương quan và hệ số hồi quy, hai biến Loan On Asset và Asset On Equity được loại vì gây nên hiện tượng đa cộng tuyến khiến cho kết quả kém độ chính xác và không bổ sung tín hiệu riêng cho thanh khoản. Tám biến được giữ gồm Loan On Earning Asset, Payable On Equity, Equity On Loan, Cost Of Financing, Deposit On Earning Asset, Non-Interest Income/TOI, Dividend, Book Value Per Share. Bộ 8 biến này bao quát cường độ tín dụng, mức độ an toàn vốn, chi phí vốn, cấu trúc tiền gửi và mức đa dạng hóa thu nhập, đồng thời phản ánh thực hành phân phối lợi nhuận và sức mạnh vốn kế toán. Cách chọn giúp loại bỏ thông tin lặp, giữ lại các tín hiệu có giá trị giải thích, từ đó nâng độ ổn định và khả năng diễn giải của mô hình. Phần tiếp theo trình bày kết quả ước lượng OLS với tám biến nói trên.

Sau khi loại bỏ 2 biến Loan On Asset và Asset On Equity, các hệ số trong mô hình hổi quy sẽ bị thay đổi do hệ số và các chỉ số kiểm định thay đổi vì bản chất ước lượng phụ thuộc vào mô hình, dữ liệu và cách tính sai số. Khi thêm hoặc bớt biến có liên hệ chặt chẽ, phần thông tin trùng lặp giữa các biến được phân chia lại; OLS đo tác động cận biên có kiểm soát nên hệ số có thể lớn hơn, nhỏ đi hoặc đổi dấu so với trước. Khi thay đổi mẫu dữ liệu (tăng số quan sát, xử lý thiếu, có điểm ngoại lệ), phân phối và mức biến động của biến số đổi, kéo theo R², RMSE, MSE, MAE và hệ số dịch chuyển. Ta có bảng thông tin hệ số hồi quy và các chỉ số theo như bảng sau: Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Bảng 4.4. Hệ số hồi quy 8 biến độc lập

Sau khi chạy xong kết quả mô hình hồi quy ta sẽ chia các biến ra thành các nhóm sau:

Nhóm 1: Biến tác động mạnh và chắc chắn

Trong nhóm này bao gồm 3 biến như sau: Loan On Earning Asset , Deposit On Earning Asset, Payable On EAsset. Trong mô hình OLS 8 biến, kết quả cho thấy tác động của cường độ tín dụng và cấu trúc nguồn vốn lên thanh khoản có ý nghĩa rõ rệt: trước hết, Loan On Earning Asset có hệ số −0,9380 (SE 0,0204; p ≈ 9,7×10⁻⁸⁰; CI 95% [−0,9784; −0,8976]), nghĩa là khi Loan On Earning Asset tăng 10 điểm phần trăm thì Liquidity On Liability giảm khoảng 0,094 đơn vị, giữ các yếu tố khác không đổi; điều này phản ánh áp lực thanh khoản gia tăng khi ngân hàng đẩy mạnh cho vay trên khối tài sản sinh lời. Tiếp theo, Deposit On Earning Asset cũng mang dấu âm với hệ số −0,0690 (SE 0,0116; p ≈ 2,8×10⁻⁸; CI [−0,0920; −0,0460]), cho thấy tăng 10

điểm phần trăm Deposit On Earning Asset đi kèm giảm khoảng 0,0069 Liquidity On Liability; về mặt cơ chế, tỷ trọng tiền gửi lớn hơn làm tăng áp lực chi trả ngắn hạn trong khi phần tài sản sinh lời thường đã khóa vào cho vay, từ đó thu hẹp dư địa thanh khoản. Bên cạnh hai kênh trên, yếu tố đòn bẩy thể hiện qua Payable On Equity cũng có tương quan nghịch với thanh khoản, với hệ số −0,003385 (SE 0,000730; p ≈ 8,85×10⁻⁶; CI [−0,004830; −0,001940]); quy đổi thực hành, tăng 5 đơn vị Payable On Equity làm giảm khoảng 0,017 Liquidity On Liability, tuy mức giảm theo từng bước là nhỏ nhưng có thể tích lũy đáng kể khi đòn bẩy thay đổi lớn. Như vậy, liên kết các kết quả lại cho thấy Loan On Earning Asset là tín hiệu trung tâm, Deposit On Earning Asset bổ sung theo hướng cùng chiều tác động, còn Payable On Equity củng cố vai trò của rủi ro đòn bẩy; ba biến này hợp lại giải thích phần đáng kể biến động thanh khoản và cung cấp cơ sở định lượng nhất quán cho giám sát.

Nhóm 2: Tín hiệu bổ sung Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Nhóm này chỉ có 1 biến duy nhất là Equity On Loan có hệ số −0,1390 (SE 0,0582; p ≈ 0,0185; CI [−0,2543; −0,0237]). Dấu âm được xác định sau khi giữ cố định các biến khác trong mô hình. Kết quả cho thấy khi tỷ lệ vốn chủ trên dư nợ cho vay tăng, Liquidity On Liability có xu hướng giảm, phản ánh tác động cận biên trong cấu hình biến hiện tại. So với ba biến lõi ở trên, mức chắc chắn của Equity On Loan thấp hơn nhưng vẫn đạt ý nghĩa ở mức 5 phần trăm.

Nhóm 3: Các biến chưa có ý nghĩa rõ ràng ở mức 5 phần trăm

Đối với nhóm biến còn lại, kết quả OLS theo chuẩn thường cho thấy tác động chưa thật sự thuyết phục về mặt thống kê nhưng vẫn hữu ích để bổ sung bức tranh tổng thể. Trước hết, Cost Of Financing có hệ số −0,1451 với p = 0,133, tức là chi phí vốn cao hơn đi kèm xu hướng thanh khoản giảm, song mức tin cậy chưa đủ để kết luận dứt khoát ở ngưỡng 5 phần trăm; điều này dễ hiểu vì Cost Of Financing chịu ảnh hưởng mạnh của chu kỳ lãi suất và điều kiện thị trường, nên tác động cận biên có thể bị pha loãng trong dữ liệu gộp nhiều giai đoạn. Tiếp theo, Dividend có hệ số −0,0510 với p = 0,239, nghĩa là sau khi đã giữ cố định các biến cốt lõi thì mức chi trả cổ tức không còn cho thêm nhiều thông tin về thanh khoản; chính sách cổ tức thường phản ánh nhiều mục tiêu như tín hiệu quản trị, kỳ vọng cổ đông và bối cảnh lợi nhuận, nên mối liên hệ trực tiếp với thanh khoản có thể yếu khi kiểm soát đồng thời các yếu tố khác. Kế đến, Non-Interest Income mang hệ số +0,00861 với p = 0,493, cho thấy đóng góp cận biên nhỏ và không có ý nghĩa trong đặc tả hiện tại; nguồn thu ngoài lãi biến động theo chu kỳ và có thể bù trừ giữa các cấu phần phí, dịch vụ và kinh doanh vốn, vì vậy khó tạo ra ảnh hưởng nhất quán sau khi đã tính đến cường độ tín dụng và cấu trúc huy động. Cuối cùng, Book Value Per Share (BVPS) có hệ số xấp xỉ +4,95×10⁻⁷ với p = 0,0711, tức là mức gần ý nghĩa ở ngưỡng 10 phần trăm nhưng độ lớn tác động rất nhỏ trên thang đo thực hành; Book Value Per Share chủ yếu phản ánh nền vốn kế toán và quy mô đơn giá cổ phiếu, nên khi đưa vào chung với các tỷ số đòn bẩy và hoạt động thì phần thông tin bổ sung còn hạn chế. Nhìn chung, bốn biến này phù hợp để đóng vai trò biến kiểm soát nhằm ổn định đặc tả, trong khi các kết luận chính về thanh khoản vẫn nên tập trung vào nhóm biến lõi đã có bằng chứng mạnh như Loan On Earning Asset, Deposit On Earning Asset và Payable On Equity.

Nhìn chung, ba biến giữ vai trò nòng cốt trong giải thích biến động của chỉ tiêu Liquidity On Liability là Loan On Earning Asset, Deposit On Earning Asset và Payable On Equity. Cả ba biến này đều có hệ số âm và đạt ý nghĩa thống kê cao, cho thấy khi cường độ tín dụng tăng, cơ cấu huy động dựa nhiều vào tiền gửi hơn hoặc mức đòn bẩy cao hơn thì mức thanh khoản giảm. Equity On Loan bổ sung thông tin theo cùng chiều tác động nhưng độ chắc chắn về thống kê thấp hơn trong mẫu hiện tại. Mô hình tổng thể có độ phù hợp cao và sai số dự báo nhỏ, phù hợp cho mục tiêu giám sát rủi ro thanh khoản; tuy vậy, các kết luận nên được hiểu là tác động cận biên sau khi đã giữ cố định các yếu tố khác và cần được kiểm tra độ nhạy khi thay đổi giai đoạn dữ liệu hoặc điều chỉnh tập biến.

4.3.5. Kết quả hiệu suất mô hình 8 biến Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Trên toàn bộ mẫu quan sát, mô hình OLS 8 biến đạt R² = 0.9718 RMSE = 0.01147 MSE = 1.316×10⁻⁴ MAE = 0.00902

Kết quả hồi quy tuyến tính bội cho thấy giá trị R² ở mức rất cao, qua đó khẳng định bộ 8 biến độc lập vẫn giải thích phần lớn biến thiên của chỉ số rủi ro thanh khoản (Liquidity On Liability). Đồng thời, các thước đo sai số dự báo như RMSE và MAE đều nhỏ (xấp xỉ một điểm phần trăm trên thang đo gốc), chứng tỏ mô hình dự báo sát thực tế và ít bị ảnh hưởng bởi các sai số lớn. MSE ở mức thấp củng cố nhận định rằng phân phối sai số ổn định, không xuất hiện nhiều ngoại lệ làm méo kết quả. Tóm lại, dù rút gọn số biến so với đặc tả 10 biến, mô hình 8 biến vẫn giữ được sức mạnh giải thích và mức chính xác thực hành đủ tốt để sử dụng cho nhận diện và giám sát rủi ro thanh khoản tại các ngân hàng thương mại.

4.3.6. Hàm ý vận hành và gợi ý triển khai

Về khía cạnh vận hành, kết quả mô hình OLS có thể được xem như một khung tham chiếu quan trọng cho bộ phận quản trị rủi ro. Nhờ vào việc cung cấp các hệ số hồi quy rõ ràng kèm theo mức ý nghĩa thống kê (p-value) và khoảng tin cậy, mô hình giúp nhà quản trị dễ dàng lý giải nguyên nhân biến động rủi ro thanh khoản và đối thoại một cách thuyết phục với các cấp hoạch định chính sách. Việc thiết lập ngưỡng kiểm soát cho các biến quan trọng như Loan On Earn Asset là cần thiết, đồng thời cần kết hợp với Equity On Loan (vốn chủ sở hữu trên tổng dư nợ cho vay) để tạo thành một chốt chặn an toàn chống lại biến động bất lợi. Bên cạnh đó, nhóm lãi suất và huy động vốn cần đặc biệt chú trọng theo dõi biến Cost Of Financing (chi phí huy động vốn) trong các kịch bản biến động lãi suất, đồng thời tối ưu cấu trúc Deposit On Earn Asset (tiền gửi trên tài sản sinh lời) nhằm giảm áp lực quay vòng vốn ngắn hạn.

Ngoài ra, để duy trì hiệu quả của mô hình trong điều kiện thị trường liên tục thay đổi, việc tái ước lượng các tham số OLS theo chu kỳ (mỗi quý) là cần thiết. Nếu kết quả tái ước lượng cho thấy sự đảo dấu hệ số hoặc suy giảm mức ý nghĩa thống kê của các biến cốt lõi, đây sẽ là tín hiệu cảnh báo sớm rằng cấu trúc thị trường hoặc chính sách nội bộ ngân hàng đã thay đổi. Khi đó, ban quản trị cần xem xét điều chỉnh chiến lược quản lý tài sản, nguồn vốn hoặc bổ sung các chỉ báo mới để mô hình phản ánh sát thực tế hơn. Cách tiếp cận này không chỉ giúp ngân hàng theo dõi được sự ổn định của các yếu tố ảnh hưởng chính, mà còn tạo điều kiện chủ động ứng phó với rủi ro thanh khoản trong bối cảnh môi trường tài chính – tiền tệ biến động nhanh.

4.3.7. Tổng hợp đánh giá Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Mô hình hồi quy OLS với 8 biến tài chính cho thấy khả năng giải thích rủi ro thanh khoản (Liquidity on Liability) ở mức rất cao, với R² đạt 0.9718, đồng nghĩa 97,18% biến thiên của biến phụ thuộc được lý giải bởi các biến độc lập. Các chỉ số đánh giá sai số cũng ở mức rất thấp (RMSE = 0.01147, MAE = 0.00902, MSE = 1.316×10⁻⁴), phản ánh mô hình có độ chính xác đáng tin cậy trong ước lượng. Kết quả hồi quy cho thấy các hệ số mang cả dấu dương và âm, nhiều biến có ý nghĩa thống kê nổi bật như Loan On Earn Asset, Equity On Total Asset, Asset On Equity và Cost Of Financing, qua đó nhấn mạnh vai trò của cấu trúc vốn, hiệu quả sử dụng tài sản và chi phí vốn trong việc hình thành khả năng thanh khoản. Tuy nhiên, cần lưu ý OLS khá nhạy cảm với hiện tượng đa cộng tuyến – vốn phổ biến trong dữ liệu ngân hàng do các chỉ số tài chính thường có mối liên hệ chặt chẽ – điều này có thể khiến hệ số bị phóng đại hoặc biến động khi thay đổi mẫu dữ liệu, làm giảm tính ổn định của dự báo ngoài mẫu. Vì vậy, OLS đặc biệt hữu ích khi mục tiêu nghiên cứu là phân tích cơ chế tác động kinh tế và cung cấp cơ sở cho khuyến nghị chính sách, nhưng cần cân nhắc khi áp dụng trực tiếp cho dự báo trong bối cảnh thị trường biến động mạnh.

4.4. Kết quả mô hình hồi quy Ridge Regression

4.4.1. Mục tiêu và cơ chế hoạt động mô hình Ridge Regression

Sau khi thực hiện hồi quy OLS và loại bỏ 2 biến do đa cộng tuyến, nghiên cứu giữ lại 8 biến tài chính có mức độ giải thích cao nhất để tiếp tục sử dụng trong mô hình Ridge Regression. Việc này vừa giúp giảm thiểu hiện tượng nhiễu trong dữ liệu, vừa làm rõ hơn vai trò của những biến then chốt trong việc dự báo rủi ro thanh khoản. Ridge Regression được lựa chọn với mục tiêu khắc phục hạn chế của hồi quy tuyến tính truyền thống, đặc biệt là khi các biến độc lập có mối quan hệ chặt chẽ khiến hệ số ước lượng không ổn định. Trong dữ liệu tài chính ngân hàng, hiện tượng này khá phổ biến vì nhiều chỉ số thường biến động cùng chiều hoặc ngược chiều. Nếu chỉ dùng OLS, hệ số của một số biến có thể bị phóng đại hoặc thay đổi mạnh khi dữ liệu thay đổi. Khác với OLS vốn chỉ tập trung giảm sai số dự báo, Ridge Regression bổ sung thêm một cơ chế điều chỉnh để hạn chế giá trị của các hệ số hồi quy, nhờ vậy giúp chúng ổn định hơn và ít nhạy cảm với biến động dữ liệu. Điểm mạnh của Ridge là vẫn giữ lại đầy đủ 8 biến trong mô hình, bảo toàn toàn bộ thông tin cần thiết cho phân tích và khuyến nghị chính sách.

Ridge Regression được xây dựng với mục tiêu khắc phục hạn chế cố hữu của phương pháp hồi quy tuyến tính thông thường (Ordinary Least Squares – OLS), đặc biệt là khi mô hình gặp phải hiện tượng đa cộng tuyến – tức là các biến độc lập có mối tương quan cao với nhau, dẫn đến việc ước lượng hệ số trở nên không ổn định và nhạy cảm với các biến động nhỏ trong dữ liệu. Trong bối cảnh dữ liệu tài chính ngân hàng, nơi mà các chỉ số hiệu quả hoạt động, cấu trúc vốn và khả năng sinh lời thường biến động cùng chiều hoặc ngược chiều một cách mạnh mẽ, Ridge Regression mang lại ưu thế vượt trội nhờ khả năng ổn định hóa hệ số ước lượng. Kỹ thuật này thực hiện bằng cách bổ sung một thành phần L2 (L2 penalty) vào hàm mục tiêu, tức là ngoài việc tối thiểu hóa tổng bình phương sai số (Residual Sum of Squares – RSS) như OLS, mô hình Ridge còn tối thiểu hóa tổng bình phương hệ số hồi quy. Điều này buộc các hệ số có xu hướng lại gần về 0, nhưng không triệt tiêu hoàn toàn như Lasso Regression. Nhờ vậy, Ridge giữ lại tất cả các biến trong mô hình, đảm bảo rằng mọi thông tin đều được bảo tồn, đồng thời giảm thiểu nguy cơ phóng đại quá mức giá trị của một số biến do ảnh hưởng của đa cộng tuyến.

Trong bối cảnh nghiên cứu này, việc áp dụng Ridge Regression giúp mô hình kiểm soát tốt hơn tác động của đa cộng tuyến, đồng thời duy trì khả năng giải thích của từng biến. Nhờ đó, kết quả dự báo rủi ro thanh khoản trở nên ổn định và đáng tin cậy hơn, ngay cả khi thị trường có những biến động mạnh. Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

4.4.2. Công thức, nguyên lý hoạt động và ý nghĩa hệ số

Hàm Ridge (chuẩn tắc L2). Với ma trận đặc trưng X ∈ R^(n×p), vector đáp ứng y và hệ số β, Ridge tìm β^ bằng cách nghiệm tối ưu hóa:

Trong đó α ≥ 0 là mức phạt. α càng lớn → hệ số co mạnh hơn Ridge có nghiệm ma trận:
Tức là ta “nâng” ma trận XᵀX bằng αI để tránh bài toán “gần suy biến” khi có đa cộng tuyến.
Hệ số trong Ridge “liên quan gì” đến hệ số hồi quy?
Hệ số hồi quy của Ridge vẫn là độ dốc tuyến tính của biến độc lập lên biến phụ thuộc sau khi đã kiểm soát các biến khác, y như OLS.
Điểm khác: Do có phạt L2, hệ số bị co về 0, nên độ lớn của hệ số có xu hướng nhỏ hơn OLS (ngay cả khi dấu vẫn giữ).
Hệ số phụ thuộc mạnh vào thang đo của biến. Vì vậy:
Hệ số có thể không so sánh trực tiếp được giữa các biến có đơn vị khác nhau.

4.4.3. Kết quả chạy Ridge

Alpha tối ưu (tham số điều chuẩn): 00196
R²: ~0.9813 (98,14% biến thiên được giải thích, rất cao)
RMSE: ~0.00808
MSE: 6.52 × 10⁻⁵
MAE: ~0.00625

Hệ số:

LoanOnEarnAsset ≈ −0.9172
PayableOnEquity ≈ −0.0044
EquityOnLoan ≈ −0.1440
CostOfFinancing ≈ −0.1462
DepositOnEarnAsset ≈ −0.0213 Non-Interest Income ≈ +0.0516 Dividend ≈ −0.0658 BookValuePerShare ≈ +3.85×10⁻⁷

Khi so sánh kết quả OLS và Ridge Regression trên cùng bộ 8 biến tài chính ở thang đo gốc, có thể thấy Ridge đã thực hiện đúng chức năng ổn định hóa hệ số. Hầu hết các hệ số hồi quy đều giữ nguyên dấu so với OLS nhưng bị “co” nhẹ lại, tức là độ lớn giảm xuống, nhằm hạn chế tình trạng phóng đại ảnh hưởng do đa cộng tuyến. Chẳng hạn, hệ số của Loan On Earn Asset giảm từ −0.941 xuống −0.917, vẫn phản ánh rằng khi tỷ lệ cho vay trên tài sản sinh lời tăng thì rủi ro thanh khoản có xu hướng giảm, nhưng biên độ tác động được Ridge điều chỉnh để ổn định hơn. Tương tự, Equity On Loan giảm từ −0.191 xuống −0.144 và Cost Of Financing từ −0.200 xuống −0.146, cho thấy Ridge đã phân bổ lại tải trọng giữa các biến có mối quan hệ vốn chặt chẽ trong cấu trúc vốn và chi phí vốn. Một số biến có mức thay đổi rất nhỏ, ví dụ Payable On Equity từ −0.0052 xuống −0.0044, chứng tỏ Ridge chỉ điều chỉnh khi cần thiết mà không làm mất ý nghĩa kinh tế. Đáng chú ý, Deposit On Earn Asset lại tăng nhẹ về độ lớn (từ −0.015 lên −0.021). Đây là minh chứng cho việc Ridge không chỉ “co” toàn bộ hệ số, mà còn có thể tái phân bổ ảnh hưởng giữa các biến tương quan cao: khi một số hệ số bị thu hẹp, biến khác có thể được tăng nhẹ để giữ cân bằng tổng thể trong dự báo. Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Nhìn chung, các chỉ số đánh giá mô hình cho thấy Ridge Regression đạt R² = 0.9813, RMSE = 0.00808, MSE = 6.52×10⁻⁵ và MAE = 0.00625 – đều rất sát với OLS nhưng có sai số thấp và ổn định hơn. Điều này hàm ý rằng Ridge duy trì được sức mạnh giải thích biến thiên rủi ro thanh khoản, đồng thời tăng khả năng tổng quát hóa nhờ kiểm soát tốt hiện tượng đa cộng tuyến. Như vậy, mô hình Ridge Regression không chỉ củng cố tính bền vững của kết quả, mà còn nâng cao độ tin cậy của các dự báo rủi ro thanh khoản trong bối cảnh ngân hàng thương mại có dữ liệu tài chính phức tạp và nhiều biến tương quan cao.

4.4.4. Diễn giải & so sánh với OLS

Tính ổn định hệ số: So với OLS, Ridge co hệ số về 0 nên ít biến động khi dữ liệu thay đổi nhỏ; điều này đặc biệt hữu ích trong dữ liệu ngân hàng có đa cộng tuyến (ví dụ các tỷ lệ đòn bẩy). Giữ lại toàn bộ biến: Khác với Lasso, Ridge không triệt tiêu biến; điều này phù hợp khi bạn muốn bảo toàn thông tin domain (mỗi biến có ý nghĩa quản trị). Kết quả so sánh được nêu chi tiết ở bảng 4.5.

Bảng 4.5. Kết quả Ridge Regression và so sánh với OLS

Kết quả cho thấy cả OLS và Ridge đều đạt mức giải thích rất cao, với R² trên 0.98 và sai số dự báo (RMSE, MSE, MAE) đều ở mức thấp. Tuy nhiên, so sánh hệ số cho thấy Ridge đã điều chỉnh nhẹ biên độ của các biến, đặc biệt là Loan On Earn Asset, Equity On Loan và Cost Of Financing, giúp hệ số trở nên ổn định hơn. Một số biến khác gần như không thay đổi, chứng tỏ mô hình Ridge vẫn giữ nguyên ý nghĩa kinh tế ban đầu. Nhìn chung, Ridge duy trì được độ chính xác tương đương OLS nhưng hạn chế được tình trạng hệ số phóng đại, nhờ vậy kết quả dự báo rủi ro thanh khoản trở nên đáng tin cậy hơn.

4.5. Kết quả mô hình hồi quy Lasso Regression Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

4.5.1. Mục tiêu và cơ chế hoạt động mô hình Lasso Regression

Sau khi tiến hành hồi quy OLS và Ridge Regression trên tập dữ liệu đã được tinh gọn còn 8 biến tài chính có ý nghĩa cao nhất, nghiên cứu tiếp tục triển khai Lasso Regression nhằm đánh giá thêm khía cạnh ổn định và khả năng chọn lọc biến tự động. Điểm khác biệt quan trọng giữa Lasso và Ridge nằm ở cách thức xử lý hệ số hồi quy: Ridge chỉ “co” hệ số về gần 0 nhưng không loại bỏ biến nào, trong khi Lasso sử dụng cơ chế phạt tuyệt đối, cho phép ép một số hệ số về đúng 0. Điều này đồng nghĩa với việc Lasso có thể loại bỏ hoàn toàn những biến ít đóng góp vào sức mạnh dự báo, từ đó tạo ra một mô hình gọn nhẹ, tinh giản và dễ diễn giải hơn. Cơ chế chọn lọc biến tự động của Lasso mang lại hai lợi ích lớn. Thứ nhất, nó làm giảm phương sai ước lượng và hạn chế rủi ro quá khớp (overfitting), đặc biệt trong bối cảnh số lượng biến nhiều hoặc các biến có mức tương quan chặt chẽ. Thứ hai, nó nâng cao khả năng diễn giải khi mô hình chỉ giữ lại các biến có ảnh hưởng đáng kể, từ đó giúp nhà nghiên cứu và nhà quản lý dễ dàng xác định được đâu là những yếu tố trọng yếu tác động đến rủi ro thanh khoản. Với đặc tính này, Lasso Regression không chỉ duy trì sức mạnh dự báo của mô hình mà còn mang lại giá trị bổ sung là xác định các biến then chốt trong quản trị thanh khoản. Điều này có ý nghĩa thực tiễn quan trọng: trong khi OLS phù hợp để phân tích toàn diện tác động của nhiều yếu tố và Ridge đảm bảo sự ổn định, thì Lasso giúp lọc ra nhóm chỉ số có tác động thực sự nổi bật, từ đó cung cấp nền tảng cho các khuyến nghị chính sách và giải pháp quản trị tập trung, hiệu quả hơn trong bối cảnh dữ liệu tài chính phức tạp của ngành ngân hàng.

Trong bối cảnh dữ liệu ngân hàng thương mại, hiện tượng đa cộng tuyến xảy ra thường xuyên do nhiều chỉ số tài chính biến động cùng chiều hoặc ngược chiều với nhau. Khi đó, một số biến có thể mang thông tin trùng lặp hoặc ít tạo ra giá trị bổ sung cho việc dự báo rủi ro thanh khoản. Nếu chỉ dựa vào OLS, các hệ số dễ bị phóng đại hoặc biến động mạnh, làm giảm tính ổn định của mô hình. Ridge có thể cải thiện nhược điểm này nhưng vẫn giữ lại toàn bộ biến, khiến mô hình đôi khi còn phức tạp. Ngược lại, Lasso tỏ ra đặc biệt hữu ích khi có khả năng loại bỏ hẳn các biến ít quan trọng, giúp tập trung vào nhóm biến cốt lõi.

4.5.2. Công thức, nguyên lý hoạt động và ý nghĩa hệ số Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Hàm Lasso Regression như sau:

Trong đó:

X là ma trận đặc trưng (n×p). y là vector đáp ứng.
β là vector hệ số hồi quy.
α ≥ 0 là siêu tham số điều chuẩn (regularization parameter) điều khiển mức độ phạt.
Chuẩn L1: ||β||₁ = ∑|βⱼ|.

Khi α tăng, mức phạt cao hơn khiến nhiều hệ số bị đẩy về đúng 0. Ngược lại, khi α nhỏ, Lasso tiến gần OLS. Đặc tính này tạo nên khả năng lựa chọn biến của Lasso: các biến có đóng góp nhỏ hoặc không ổn định sẽ bị loại bỏ hoàn toàn.

Hệ số trong Lasso vẫn giữ ý nghĩa là độ dốc tuyến tính (ảnh hưởng biên) của biến độc lập lên biến phụ thuộc sau khi đã kiểm soát các biến khác, nhưng khác OLS ở chỗ một số hệ số có thể bằng 0, thể hiện rằng biến đó không được mô hình lựa chọn.

Kết quả chạy Lasso Regression (raw scale) Alpha tốt nhất (tìm qua Cross-Validation): 1e-06 R²: 0.9821

RMSE: 0.00790 MSE: 6.24 × 10⁻⁵ MAE: 0.00603

Hệ số ước lượng:

Loan On Earn Asset ≈ −0.9411 Payable On Equity ≈ −0.0051 Non-Interest Income ≈ +0.0526
Book Value Per Share ≈ +4.52×10⁻⁷ Equity On Loan = −0.1866
Cost Of Financing = −0.1932
Deposit On Earn Asset = −0.0147 Dividend = −0.0724

4.5.3. Diễn giải & so sánh với OLS và Ridge

Khi áp dụng Lasso Regression trên bộ dữ liệu 8 biến tài chính ở thang đo gốc với tham số phạt rất nhỏ (α = 1e⁻⁶), kết quả cho thấy mô hình vẫn duy trì được khả năng giải thích ở mức rất cao với R² = 0.9821, tương đương Ridge và chỉ nhỉnh hơn OLS một chút. Các chỉ số sai số dự báo cũng ở mức thấp (RMSE = 0.00790, MSE = 6.24×10⁻⁵, MAE = 0.00603), phản ánh mô hình có độ chính xác đáng tin cậy và không xảy ra hiện tượng quá khớp. Xét về hệ số hồi quy, Lasso trong trường hợp này giữ lại đầy đủ 8 biến thay vì loại bỏ như khi chọn α tối ưu tự động. So với OLS, các hệ số hầu hết được “co” nhẹ về phía 0 nhưng vẫn duy trì dấu và ý nghĩa kinh tế ban đầu. Cụ thể, Loan On Earn Asset ≈ −0.9411 vẫn mang dấu âm mạnh nhất, khẳng định vai trò then chốt của hiệu quả cho vay trên tài sản sinh lời đối với thanh khoản ngân hàng. Cost Of Financing ≈ −0.1932 và Equity On Loan ≈ −0.1866 tiếp tục phản ánh chi phí vốn và đòn bẩy tín dụng cao sẽ làm gia tăng rủi ro thanh khoản. Ngược lại, Non-Interest Income ≈ +0.0526 cho thấy đóng góp tích cực từ nguồn thu ngoài lãi, trong khi Dividend ≈ −0.0724 và Deposit On Earn Asset ≈ −0.0147 mang hệ số âm nhưng biên độ nhỏ, phản ánh tác động yếu hơn. Payable On Equity ≈ −0.0051 gần như không thay đổi so với OLS, còn Book Value Per Share ≈ 4.52×10⁻⁷ rất nhỏ, điều này chủ yếu do đơn vị đo lớn chứ không có nghĩa là biến này hoàn toàn không quan trọng. So sánh tổng thể, có thể thấy OLS, Ridge và Lasso (α nhỏ) đều cho độ giải thích tương đương nhau, với R² trên 0.98 và sai số rất thấp. Tuy nhiên, trong khi OLS có nguy cơ hệ số bị phóng đại do đa cộng tuyến, Ridge đã ổn định hóa bằng cách thu hẹp nhẹ hệ số, còn Lasso trong trường hợp giữ đủ 8 biến cũng cho kết quả tương tự, giúp đảm bảo sự cân bằng giữa tính toàn diện và tính ổn định. Điều này cho thấy Lasso có tính linh hoạt: nếu sử dụng α tối ưu thì mô hình sẽ gọn nhẹ nhờ loại bỏ biến ít quan trọng, còn nếu giảm α thì mô hình vẫn giữ đầy đủ biến để phục vụ phân tích chính sách.

Như vậy, Lasso Regression không chỉ duy trì sức mạnh dự báo tương đương với OLS và Ridge, mà còn mang lại giá trị gia tăng ở khả năng chọn lọc và tinh chỉnh hệ số, giúp nghiên cứu vừa có thể đánh giá được các yếu tố quan trọng nhất, vừa linh hoạt trong cách sử dụng mô hình cho các mục tiêu khác nhau. Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

4.6. Vận dụng mô hình để theo dõi và kiểm soát rủi ro thanh khoản

Trong thực tiễn hoạt động ngân hàng, rủi ro thanh khoản là một trong những loại rủi ro trọng yếu, có khả năng lan truyền nhanh và gây ra các tác động tiêu cực dây chuyền, không chỉ đối với bản thân ngân hàng mà còn đối với toàn bộ hệ thống tài chính. Việc ứng dụng các mô hình hồi quy dự báo rủi ro thanh khoản cho phép ban lãnh đạo ngân hàng nhận diện sớm nguy cơ mất cân đối thanh khoản trước khi các vấn đề nghiêm trọng xảy ra, từ đó chủ động điều chỉnh các chỉ tiêu hoạt động như tăng vốn chủ sở hữu, thay đổi cơ cấu tài sản – nguồn vốn, hoặc điều chỉnh chiến lược huy động và cho vay.

Để minh họa, nghiên cứu này áp dụng ba mô hình hồi quy đã được xây dựng và hiệu chỉnh gồm OLS, Ridge Regression và Lasso Regression để dự báo chỉ số Liquidity On Liability – đại diện cho mức độ rủi ro thanh khoản – của hai ngân hàng thương mại cổ phần tầm trung giả định. Ngân hàng thứ nhất được giả định đang ở trạng thái có nguy cơ rủi ro thanh khoản cao, trong khi ngân hàng thứ hai ở mức an toàn. Toàn bộ phép tính được thực hiện bằng cách sử dụng bộ dữ liệu giả định, tính toán ra 8 biến đầu vào đúng theo định nghĩa của mô hình để thu được giá trị dự báo LOL. Ngưỡng phân loại được sử dụng là 0,70 – giá trị Liquidity On Liability từ 0,70 trở lên được coi là rủi ro, thấp hơn được coi là an toàn.

Bảng 4.4. Số liệu gốc của 2 ngân hàng giả định (tỷ đồng)
Bảng 4.6. Tính toán chỉ số các biến đầu vào
Bảng 4.7. Kết quả dự báo và phân loại rủi ro

4.6.1. Phân tích

Kết quả cho thấy cả ba mô hình đều nhất quán trong dự báo, với sự khác biệt giữa các giá trị LOL chỉ ở mức 0,001–0,002 – chứng tỏ mô hình có tính ổn định cao. Ngân hàng C có LOL khoảng 0,74, vượt ngưỡng rủi ro, trong khi Ngân hàng D dao động quanh 0,65, thuộc nhóm an toàn.

Ngân hàng C có tỷ lệ LoanOnEarnAsset (0,55) cao hơn đáng kể so với Ngân hàng D (0,4222), phản ánh danh mục cho vay chiếm tỷ trọng lớn và khiến thanh khoản phụ thuộc mạnh vào khả năng thu hồi nợ từ khách hàng; trong bối cảnh thị trường tín dụng biến động, mức tỷ lệ cao như vậy dễ tạo áp lực thanh khoản. Đồng thời, EquityOnLoan của Ngân hàng C (0,2273) thấp hơn nhiều so với Ngân hàng D (0,3421), cho thấy “đệm vốn” mỏng, hạn chế khả năng chống chịu trước các cú sốc dòng tiền. Thêm vào đó, CostOfFinancing (0,01333) cao hơn so với 0,00909 của Ngân hàng D, hàm ý chi phí huy động vốn lớn hơn, ảnh hưởng trực tiếp đến khả năng duy trì thanh khoản dài hạn. Mức chi trả Dividend của Ngân hàng C cũng cao hơn, đồng nghĩa lợi nhuận được phân phối nhiều cho cổ đông thay vì giữ lại để tăng vốn, làm suy giảm khả năng phòng thủ trước rủi ro. Cuối cùng PayableOnEquity của Ngân hàng C đều cao hơn, cho thấy ngân hàng sử dụng đòn bẩy tài chính lớn, làm gia tăng độ nhạy của thanh khoản trước biến động nguồn vốn và môi trường lãi suất. Ngược lại, Ngân hàng D duy trì các tỷ lệ cho vay thấp hơn, đệm vốn dày hơn, chi phí vốn hợp lý và cơ cấu vốn cân đối hơn. Điều này cho phép ngân hàng duy trì trạng thái thanh khoản an toàn ngay cả khi thị trường gặp biến động.

4.6.2. Khuyến nghị Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Đối với Ngân hàng C: Nên giảm tốc độ tăng trưởng tín dụng, tăng tỷ lệ vốn tự có, hạn chế chi trả cổ tức trong ngắn hạn và đa dạng hóa nguồn vốn huy động. Đồng thời, cần thiết lập các hạn mức nội bộ chặt chẽ đối với các khoản vay lớn, đặc biệt trong các lĩnh vực có rủi ro cao.

Đối với Ngân hàng D: Dù đang ở mức an toàn, vẫn cần giám sát định kỳ và duy trì tỷ lệ đòn bẩy hợp lý. Ngoài ra, cần chuẩn bị các kịch bản ứng phó khi lãi suất huy động tăng hoặc thị trường vốn gặp biến động.

KẾT LUẬN CHƯƠNG 4

Kết quả thực nghiệm trong Chương 4 đã cho thấy hiệu quả của việc ứng dụng dữ liệu lớn và các phương pháp hồi quy vào việc theo dõi và dự báo rủi ro thanh khoản tại các ngân hàng thương mại Việt Nam. Trên cơ sở dữ liệu gồm 69 biến tài chính và kinh tế vĩ mô, nghiên cứu đã tiến hành chọn lọc và xác định 8 biến có ảnh hưởng lớn nhất đến rủi ro thanh khoản. Đây là bộ biến gọn nhẹ nhưng giàu ý nghĩa kinh tế, phản ánh được các khía cạnh quan trọng như hiệu quả sử dụng tài sản, cấu trúc vốn, chi phí vốn và nguồn thu nhập. Thứ nhất, mô hình hồi quy tuyến tính OLS cho thấy khả năng giải thích rất cao (R² ≈ 0.972), với sai số dự báo ở mức thấp. Các biến Loan On Earn Asset, Cost Of Financing và Equity On Loan được xác định là có ý nghĩa nổi bật, qua đó khẳng định vai trò trung tâm của cấu trúc vốn và hiệu quả sử dụng tài sản trong việc hình thành khả năng thanh khoản. Tuy nhiên, OLS cũng bộc lộ hạn chế khi hệ số dễ bị phóng đại do hiện tượng đa cộng tuyến. Thứ hai, khi áp dụng Ridge Regression, mô hình đạt R² ≈ 0.981 và sai số dự báo nhỏ hơn so với OLS. Các hệ số được “co” nhẹ về phía 0 nhưng vẫn giữ nguyên dấu và ý nghĩa kinh tế, giúp mô hình ổn định hơn và hạn chế hiện tượng hệ số biến động mạnh. Điều này cho thấy Ridge là phương pháp phù hợp để duy trì tính chính xác đồng thời nâng cao độ tin cậy của mô hình trong bối cảnh dữ liệu ngân hàng có nhiều biến tương quan. Thứ ba, Lasso Regression cho thấy tính linh hoạt cao. Với giá trị α tối ưu, Lasso loại bỏ bớt các biến ít quan trọng và giữ lại một mô hình gọn nhẹ hơn, tập trung vào những yếu tố cốt lõi. Trong khi đó, với α rất nhỏ, Lasso giữ đủ 8 biến nhưng các hệ số được điều chỉnh nhẹ, kết quả dự báo gần tương tự Ridge. Như vậy, Lasso vừa có khả năng tinh giản mô hình vừa duy trì độ chính xác, tạo thuận lợi cho việc diễn giải và ứng dụng trong thực tiễn. Cuối cùng, phần vận dụng mô hình với dữ liệu giả định cho Ngân hàng C và Ngân hàng D minh họa rõ ràng tính ứng dụng thực tiễn của mô hình. Cả ba phương pháp đều cho kết quả nhất quán: Ngân hàng C có rủi ro thanh khoản cao hơn đáng kể, trong khi Ngân hàng D ở mức cân bằng, nghiêng về an toàn. Điều này khẳng định các mô hình không chỉ có giá trị trong phân tích học thuật mà còn có thể trở thành công cụ hữu ích cho hệ thống cảnh báo sớm rủi ro thanh khoản tại các ngân hàng thương mại. Tóm lại, kết quả Chương 4 chứng minh rằng việc áp dụng OLS, Ridge và Lasso Regression trên bộ biến đã chọn có thể mang lại những mô hình dự báo rủi ro thanh khoản hiệu quả, ổn định và dễ diễn giải. Điều này tạo nền tảng quan trọng để xây dựng các giải pháp quản trị và khuyến nghị chính sách, sẽ được trình bày trong Chương 5 của nghiên cứu.

CHƯƠNG 5 KẾT LUẬN VÀ KHUYẾN NGHỊ

5.1. Kết luận nghiên cứu Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Trên nền tảng dữ liệu lớn được tổng hợp từ hai nguồn chính là VNStock (dữ liệu vi mô – báo cáo tài chính chi tiết của các ngân hàng thương mại Việt Nam) và World Bank (dữ liệu vĩ mô – chỉ số kinh tế quốc gia), nghiên cứu đã xây dựng được bộ cơ sở dữ liệu gồm 61 biến phản ánh toàn diện các khía cạnh tài chính và bối cảnh kinh tế có thể ảnh hưởng đến rủi ro thanh khoản của các ngân hàng thương mại Việt Nam trong giai đoạn 2020 – 2024.

Thông qua phân tích tương quan, tác giả đã lựa chọn 10 biến có hệ số tương quan cao nhất với chỉ tiêu mục tiêu Liquidity On Liability (LOL). Đây là các biến vừa mang ý nghĩa thống kê mạnh mẽ, vừa phản ánh trực tiếp cấu trúc tài sản, nguồn vốn, chi phí và hiệu quả hoạt động của ngân hàng, bao gồm: Loan On Earn Asset, Loan On Asset, Equity On Loan, Deposit On Earn Asset, Dividend, Cost Of Financing, Non Interest On Toi, Asset On Equity, Payable On Equity, Book Value Per Share. Sau khi mô hình hóa và thục hiện hồi quy tất cả 10 biến, tác giã đã giữ lại được 8 biến có tác động rõ rệt đến thanh khoản của ngân hàng TMCP Việt Nam thông qua biến Liquidity On Liability bao gồm các biến: Loan On Earn Asset, Equity On Loan, Deposit On Earn Asset, Dividend, Cost Of Financing, Non Interest On Toi, Payable On Equity, Book Value Per Share

Ba phương pháp mô hình hóa được áp dụng gồm OLS (Ordinary Least Squares), Ridge Regression và Lasso Regression. Kết quả cho thấy tất cả các mô hình đều đạt mức trung bình R² ≈ 0.9918, RMSE ≈ 0.0062, MSE ≈ 3.83×10⁻⁵, MAE ≈ 0.00447, phản ánh khả năng giải thích gần như toàn bộ biến thiên của rủi ro thanh khoản và sai số dự báo ở mức rất thấp. Trong đó:

OLS cho hệ số tuyến tính thuần túy, dễ diễn giải nhưng nhạy cảm với đa cộng tuyến.
Ridge khắc phục đa cộng tuyến bằng L2, giữ lại toàn bộ biến và ổn định hóa hệ số.
Lasso thực hiện đồng thời ổn định hóa và lựa chọn biến nhờ L1, nhưng trong dữ liệu này (α tối ưu nhỏ) vẫn giữ đủ 8 biến.

Kết quả định lượng phù hợp với cơ sở lý thuyết và thực tiễn ngân hàng: Loan On Earn Asset có hệ số âm lớn, cho thấy tăng tỷ lệ cho vay trên tài sản sinh lời giúp cải thiện thanh khoản, Cost Of Financing tác động âm mạnh, phản ánh chi phí vốn cao làm suy giảm khả năng thanh khoản.

Nghiên cứu không chỉ chứng minh tính khả thi của việc ứng dụng dữ liệu lớn và kỹ thuật hồi quy hiện đại để xây dựng mô hình giám sát thanh khoản, mà còn chỉ ra khả năng vận dụng thực tiễn thông qua bài toán dự báo cho một ngân hàng mới dựa trên bộ chỉ số tài chính giả định, giúp phân biệt trường hợp có rủi ro và không có rủi ro.

5.2. Hàm ý quản trị

5.2.1. Đối với các ngân hàng thương mại Việt Nam Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Kết quả mô hình cho thấy rủi ro thanh khoản của ngân hàng thương mại chịu ảnh hưởng mạnh mẽ từ cấu trúc tài sản, vốn chủ sở hữu, chi phí vốn cũng như mức độ đa dạng hóa nguồn thu. Trước hết, các ngân hàng cần đặc biệt lưu ý đến Loan On Earn Asset và Equity On Loan, bởi đây là hai chỉ số phản ánh trực tiếp mối quan hệ giữa dư nợ cho vay, tài sản sinh lời và vốn chủ sở hữu. Việc mở rộng dư nợ tín dụng trên cơ sở tài sản sinh lời có thể đem lại lợi nhuận cao, song nếu vượt ngưỡng an toàn sẽ làm suy yếu khả năng thanh khoản. Ngược lại, duy trì tỷ lệ vốn chủ sở hữu đủ lớn so với dư nợ cho vay sẽ tạo ra “vùng đệm” quan trọng, giúp ngân hàng chống đỡ tốt hơn trước các biến động của thị trường và hạn chế rủi ro mất cân đối dòng tiền.

Bên cạnh đó, các ngân hàng cũng cần chú trọng đến Deposit On Earn Asset và Dividend. Tỷ lệ tiền gửi trên tài sản sinh lời cần được quản trị hợp lý để bảo đảm nguồn vốn huy động được phân bổ an toàn, tránh tình trạng sử dụng quá mức tiền gửi cho các khoản mục kém thanh khoản. Trong khi đó, chính sách cổ tức đóng vai trò cân bằng giữa lợi ích cổ đông và nhu cầu tăng cường vốn chủ sở hữu. Chi trả cổ tức quá cao có thể làm suy giảm vốn tự có và làm gia tăng rủi ro thanh khoản, do đó các ngân hàng cần thiết lập cơ chế phân phối lợi nhuận hợp lý, vừa duy trì uy tín với nhà đầu tư, vừa củng cố năng lực vốn cho hoạt động kinh doanh dài hạn.

Ngoài ra, quản trị Cost Of Financing và nâng cao Non-Interest On Toi cũng là những yêu cầu then chốt. Chi phí vốn cao là tín hiệu bất lợi cho thanh khoản, do đó ngân hàng cần đa dạng hóa nguồn huy động, ưu tiên các khoản vốn ổn định dài hạn và giảm phụ thuộc vào nguồn vốn ngắn hạn có chi phí cao. Ngược lại, tỷ lệ thu nhập ngoài lãi cao sẽ góp phần tăng cường tính linh hoạt và ổn định cho dòng tiền, giúp ngân hàng giảm bớt phụ thuộc vào tín dụng truyền thống và có thêm nguồn lực ứng phó khi thị trường biến động. Cuối cùng, cần kiểm soát Payable On Equity để duy trì đòn bẩy tài chính ở mức an toàn, đồng thời ổn định Book Value Per Share nhằm củng cố chất lượng vốn, tạo niềm tin với nhà đầu tư và nâng cao khả năng chống chịu trước các cú sốc thanh khoản.

5.2.2. Đối với Ngân hàng Nhà nước Việt Nam

Từ kết quả mô hình với 8 biến quan trọng, Ngân hàng Nhà nước có thể rút ra nhiều hàm ý quản lý nhằm nâng cao hiệu quả giám sát thanh khoản ở cấp hệ thống. Trước hết, cần chuẩn hóa hệ thống báo cáo dữ liệu giữa các ngân hàng thương mại, đặc biệt là các chỉ tiêu then chốt như Loan On Earn Asset, Cost Of Financing, Payable On Equity và Equity On Loan. Việc thống nhất định dạng và tần suất báo cáo sẽ hình thành một cơ sở dữ liệu đồng bộ, giúp cơ quan quản lý dễ dàng theo dõi và so sánh tình trạng thanh khoản của từng ngân hàng cũng như toàn ngành. Đồng thời, cần xây dựng kho dữ liệu tích hợp kết hợp các yếu tố vĩ mô (lãi suất, lạm phát, tốc độ tăng trưởng tín dụng toàn hệ thống) với dữ liệu vi mô của từng ngân hàng. Nhờ vậy, Ngân hàng Nhà nước có thể đánh giá rủi ro thanh khoản không chỉ ở từng tổ chức riêng lẻ mà còn nhận diện được nguy cơ mang tính lan tỏa, giúp kịp thời đưa ra biện pháp phòng ngừa.

Bên cạnh đó, cơ quan quản lý cần khuyến khích các ngân hàng tăng cường vốn chủ sở hữu để cải thiện các chỉ số như Equity On Loan và Book Value Per Share. Điều này không chỉ giúp từng ngân hàng nâng cao năng lực chống chịu mà còn làm cho hệ thống ngân hàng bền vững hơn trước cú sốc thanh khoản. Song song, chính sách điều hành cũng cần chú trọng tới việc giám sát chặt chẽ Dividend và Deposit On Earn Asset, bởi chi trả cổ tức quá mức hoặc phân bổ vốn huy động kém hợp lý có thể ảnh hưởng đến ổn định của toàn hệ thống.

Cuối cùng, Ngân hàng Nhà nước nên thúc đẩy chuyển giao công nghệ phân tích dữ liệu lớn và các công cụ dự báo hiện đại, đặc biệt hỗ trợ các ngân hàng nhỏ hoặc ngân hàng địa phương vốn hạn chế nguồn lực. Thông qua việc áp dụng công nghệ, các ngân hàng sẽ khai thác hiệu quả hơn các chỉ tiêu như Non-Interest On Toi để đa dạng hóa thu nhập và cải thiện quản trị thanh khoản. Từ đó, không chỉ từng ngân hàng mà cả hệ thống có thể chủ động dự báo, phát hiện sớm nguy cơ mất cân đối, và triển khai các biện pháp ứng phó kịp thời, góp phần giữ vững sự ổn định tài chính quốc gia.

5.3. Hạn chế của nghiên cứu Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

Mặc dù nghiên cứu đã đạt được những kết quả đáng kể trong việc xây dựng và kiểm chứng mô hình dự báo rủi ro thanh khoản cho các ngân hàng thương mại Việt Nam, song vẫn tồn tại một số hạn chế cần được thừa nhận để làm cơ sở cho việc cải thiện trong các nghiên cứu tiếp theo. Trước hết, dữ liệu sử dụng trong nghiên cứu mới dừng ở dạng định lượng đã được xử lý, chủ yếu lấy từ hai nguồn VNStock (dữ liệu vi mô) và World Bank (dữ liệu vĩ mô), trong khi chưa tích hợp các dạng dữ liệu phi cấu trúc như tin tức, báo cáo thị trường, thông tin từ mạng xã hội hay dữ liệu giao dịch theo thời gian thực. Những dạng dữ liệu này thường phản ánh nhanh nhạy tâm lý thị trường, kỳ vọng của nhà đầu tư và các yếu tố bất định có thể tác động mạnh đến thanh khoản ngân hàng, do đó việc thiếu vắng chúng có thể khiến mô hình chưa bao quát hết các khía cạnh rủi ro. Thêm vào đó, phương pháp mô hình hóa chủ yếu dựa trên hồi quy tuyến tính bội (OLS, Ridge, Lasso), tuy đạt độ giải thích rất cao nhưng lại chưa được đối chiếu với các phương pháp phi tuyến hoặc học máy tiên tiến như Random Forest, XGBoost, LightGBM hay Deep Neural Network, vốn có khả năng xử lý quan hệ phi tuyến và tương tác biến phức tạp tốt hơn. Ngoài ra, bộ dữ liệu hiện tại phần lớn được thu thập từ các ngân hàng quy mô lớn, có tính đại diện cao cho nhóm này nhưng chưa phản ánh đầy đủ thực tiễn của các ngân hàng quy mô nhỏ, ngân hàng địa phương hoặc ngân hàng chuyên doanh, vốn thường có đặc điểm hoạt động, cấu trúc vốn và chiến lược thanh khoản khác biệt đáng kể. Những hạn chế này cho thấy vẫn còn khoảng trống để mở rộng phạm vi dữ liệu và đa dạng hóa phương pháp phân tích nhằm nâng cao giá trị ứng dụng thực tiễn của mô hình.

5.4. Hướng nghiên cứu tiếp theo

Xuất phát từ những hạn chế đã nêu, hướng nghiên cứu trong tương lai cần được mở rộng cả về phạm vi dữ liệu lẫn phương pháp tiếp cận. Về dữ liệu, cần tích hợp thêm các nguồn dữ liệu phi cấu trúc như tin tức, mạng xã hội, báo cáo phân tích và dữ liệu giao dịch theo thời gian thực, nhằm phản ánh kịp thời các biến động thị trường và tâm lý nhà đầu tư. Đồng thời, nên mở rộng phạm vi thu thập sang nhóm ngân hàng quy mô nhỏ, ngân hàng địa phương và ngân hàng chuyên doanh để mô hình có thể bao quát đầy đủ hơn các đặc thù hoạt động và rủi ro thanh khoản ở từng phân khúc. Về phương pháp, cần tiến hành thử nghiệm và so sánh các thuật toán học máy tiên tiến như Random Forest, XGBoost, LightGBM hoặc mạng nơ-ron sâu (Deep Neural Network) để đánh giá mức cải thiện về độ chính xác, khả năng khái quát và tính linh hoạt so với mô hình hồi quy tuyến tính truyền thống. Ngoài ra, việc phân tích rủi ro thanh khoản theo từng nhóm ngân hàng dựa trên tiêu chí quy mô và hình thức sở hữu (quốc doanh, tư nhân, liên doanh) sẽ giúp nhận diện rõ hơn các mô hình rủi ro đặc thù và đề xuất giải pháp quản trị phù hợp. Cuối cùng, một hướng đi quan trọng là phát triển hệ thống cảnh báo sớm tích hợp với dashboard quản trị thanh khoản, trong đó dữ liệu được cập nhật tự động, trực quan hóa các chỉ số cảnh báo và gửi tín hiệu ngay khi phát hiện rủi ro, giúp nhà quản trị và cơ quan giám sát kịp thời ứng phó trước những biến động của thị trường. Luận văn: KQNC Ứng dụng Big Data dự đoán rủi ro thanh khoản.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:

===>>> Luận văn: Ứng dụng Big Data để dự đoán rủi ro thanh khoản

Dịch Vụ Viết Luận Văn 24/7 Chuyên cung cấp dịch vụ làm luận văn thạc sĩ, báo cáo tốt nghiệp, khóa luận tốt nghiệp, chuyên đề tốt nghiệp và Làm Tiểu Luận Môn luôn luôn uy tín hàng đầu. Dịch Vụ Viết Luận Văn 24/7 luôn đặt lợi ích của các bạn học viên là ưu tiên hàng đầu. Rất mong được hỗ trợ các bạn học viên khi làm bài tốt nghiệp. Hãy liên hệ ngay Dịch Vụ Viết Luận Văn qua Website: https://hotrovietluanvan.com/ – Hoặc Gmail: hotrovietluanvan24@gmail.com

Post Views: 8