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

Chia sẻ chuyên mục Đề Tài Luận văn: Ứng dụng Big Data để 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.

TÓM TẮT

Trong bối cảnh hệ thống ngân hàng đóng vai trò then chốt trong nền kinh tế, việc kiểm soát và dự báo rủi ro thanh khoản trở thành yếu tố sống còn nhằm đảm bảo sự ổn định tài chính. Đề tài “Ứng dụng dữ liệu lớn để theo dõi và dự đoán rủi ro thanh khoản của các ngân hàng thương mại Việt Nam” tập trung khai thác tiềm năng của dữ liệu lớn (Big Data) trong việc thu thập, xử lý và phân tích các chỉ số tài chính và kinh tế có liên quan đến thanh khoản ngân hàng. Nghiên cứu sử dụng tập dữ liệu vĩ mô và vi mô của các ngân hàng thương mại Việt Nam giai đoạn 2020 –2024, được thu thập từ các nguồn chính thức như World Bank và VNStock.

Thông qua các kỹ thuật phân tích thống kê, hồi quy tuyến tính và mô hình tương quan, nghiên cứu đã xác định được nhóm biến có mức độ liên hệ chặt chẽ nhất với chỉ số rủi ro thanh khoản (Liquidity On Liability). Kết quả cho thấy các chỉ tiêu như Loan On Earn Asset, Loan On Asset và Equity On Loan có hệ số tương quan mạnh và ý nghĩa thống kê cao. Mô hình hồi quy tuyến tính được xây dựng từ các biến này giúp dự báo xu hướng biến động của rủi ro thanh khoản trong ngắn và trung hạn.

Kết quả nghiên cứu không chỉ cung cấp bằng chứng thực nghiệm cho vai trò của dữ liệu lớn trong quản trị rủi ro ngân hàng mà còn gợi mở định hướng ứng dụng công nghệ phân tích dữ liệu vào hoạch định chính sách và quản trị nội bộ của các tổ chức tín dụng tại Việt Nam.

CHƯƠNG 1. GIỚI THIỆU

1.1 Đặt vấn đề

Trong bối cảnh nền kinh tế toàn cầu và Việt Nam ngày càng có nhiều biến động phức tạp và khó dự đoán, vấn đề rủi ro thanh khoản đã trở thành một trong những mối quan tâm hàng đầu đối với hệ thống ngân hàng. Rủi ro thanh khoản xảy ra khi ngân hàng không đủ khả năng đáp ứng kịp thời các nghĩa vụ tài chính đến hạn, dẫn tới gián đoạn hoạt động kinh doanh, buộc ngân hàng phải huy động vốn khẩn cấp với chi phí cao, làm gia tăng áp lực tài chính, ảnh hưởng nghiêm trọng tới uy tín và sự ổn định của ngân hàng. Các sự kiện sụp đổ ngân hàng trên thế giới gần đây càng nhấn mạnh tầm quan trọng của công tác giám sát, cảnh báo sớm và dự báo rủi ro thanh khoản.

Trong khi đó, cùng với sự phát triển mạnh mẽ của công nghệ, dữ liệu lớn (Big Data) đang trở thành công cụ không thể thiếu trong lĩnh vực tài chính – ngân hàng. Big Data với đặc trưng 5V (volume, velocity, variety, veracity, value) cho phép khai thác các tín hiệu tiềm ẩn, giúp nhận diện sớm rủi ro, từ đó hỗ trợ ra quyết định nhanh chóng và chính xác hơn. Tuy nhiên, tại Việt Nam, phần lớn các ngân hàng thương mại vẫn chủ yếu dựa trên các chỉ tiêu tài chính truyền thống, chưa khai thác hiệu quả các nguồn dữ liệu phi cấu trúc như tin tức, mạng xã hội hay hành vi khách hàng để phục vụ công tác dự báo và quản trị rủi ro thanh khoản. Việc tích hợp công nghệ dữ liệu lớn vào giám sát và dự báo rủi ro thanh khoản hiện vẫn còn ở giai đoạn sơ khai.

Xuất phát từ thực tiễn nêu trên, việc nghiên cứu “Ứng dụng dữ liệu lớn để theo dõi và dự đoán rủi ro thanh khoản của các ngân hàng thương mại Việt Nam” là cần thiết, nhằm góp phần nâng cao hiệu quả quản trị rủi ro, đồng thời đảm bảo an toàn và phát triển bền vững cho hệ thống ngân hàng trong bối cảnh chuyển đổi số sâu rộng.

1.2 Lý do chọn đề tài Luận văn: Ứng dụng Big Data để dự đoán rủi ro thanh khoản.

Trong bối cảnh nền kinh tế có những chuyển biến nhanh và không thể dự đoán được trước rủi ro thanh thanh khoản là một trong những mối đe dọa lớn nhất đối với sự an toàn và ổn định của hệ thống ngân hàng. Rủi ro thanh khoản xảy ra khi ngân hàng không thể kịp thời đáp ứng được các khoản nghĩa vụ tài chính đến hạn dẫn đến gián đoạn hoạt động kinh doanh thông thường và buộc ngân hàng phải huy động vốn trong thời gian ngắn hạn với chi phí cao, từ đó làm gia tăng áp lực tài chính, ảnh hưởng đến khả năng duy trì sự ổn định của hệ thống và làm giảm đi mức độ uy tín của ngân hàng. Từ các sự kiện sụp đổ của các ngân hàng trên toàn thế giới hiện nay đang cho thấy tầm quan trọng của việc theo dõi, giám sát và dự báo về các rủi ro thanh khoản.

Bên cạnh sự chuyển biến phức tạp của nền kinh tế như hiện tại thì song song với đó cũng là sự phát triển mạnh mẽ của công nghệ, các công cụ số hiện đại và một trong số đó có thể kể đến chính là: Dữ liệu lớn (Big Data) đang tạo ra những cơ hội đột phá cho lĩnh vực ngân hàng trong việc nâng cao hiệu quả quản trị rủi ro, đặc biệt nhờ khả năng xử lý và phân tích khối lượng dữ liệu khổng lồ theo thời gian thực. Theo Gartner (2011), Big Data được đặc trưng bởi 5V: khối lượng lớn (volume), tốc độ cao (velocity), đa dạng (variety), độ tin cậy (veracity) và giá trị (value). Với các đặc điểm này, Big Data cho phép ngân hàng phát hiện sớm các tín hiệu bất thường, nâng cao khả năng cảnh báo rủi ro và hỗ trợ ra quyết định một cách nhanh chóng và chính xác hơn (Oloto, 2023; Dataversity.net, 2025).

Mặc dù đã có những tiến bộ nhất định trong việc áp dụng công nghệ phân tích dữ liệu, hiện nay phần lớn các ngân hàng vẫn chủ yếu dựa vào các chỉ số tài chính truyền thống vốn mang tính chất phản ánh quá khứ và có độ trễ cao. Các nguồn dữ liệu phi cấu trúc như tin tức, mạng xã hội, dữ liệu hành vi khách hàng – vốn có tiềm năng lớn trong việc phát hiện rủi ro sớm – vẫn chưa được khai thác hiệu quả (Oloto, 2023; McCaul, 2023; Dataversity.net, 2025). Một phần nguyên nhân đến từ hạn chế trong hạ tầng công nghệ, khả năng xử lý dữ liệu lớn và thiếu hụt nhân lực phân tích chuyên sâu trong lĩnh vực ngân hàng (Lý Diệu Hoa & Trương Thiên Minh, 2021). Tại Việt Nam, mặc dù nhiều ngân hàng đã bước đầu ứng dụng các công cụ phân tích dữ liệu trong quản trị rủi ro, tuy nhiên việc tích hợp công nghệ Big Data vào theo dõi và dự báo rủi ro thanh khoản vẫn còn ở giai đoạn sơ khai.

Trên cơ sở những thách thức thực tiễn trong công tác quản trị thanh khoản tại các ngân hàng thương mại Việt Nam, nghiên cứu này tập trung vào việc ứng dụng Dữ liệu lớn trong việc theo dõi và dự báo rủi ro thanh khoản. Qua đó, nghiên cứu kỳ vọng đóng góp vào việc nâng cao hiệu quả quản trị rủi ro, đồng thời tăng cường khả năng ứng phó và đảm bảo an toàn cho hệ thống ngân hàng trong bối cảnh biến động phức tạp hiện nay.

1.3. Mục tiêu nghiên cứu Luận văn: Ứng dụng Big Data để dự đoán rủi ro thanh khoản.

1.3.1. Mục tiêu tổng quát

Mục tiêu tổng quát của luận văn là nghiên cứu ứng dụng dữ liệu lớn vào việc theo dõi và dự đoán rủi ro thanh khoản tại các ngân hàng thương mại Việt Nam. Trên cơ sở đó, đề xuất các hàm ý quản trị giúp giảm thiểu các rủi ro thanh khoản có thể xảy đến đối với hệ thống ngân hàng tại Việt Nam.

1.3.2. Mục tiêu cụ thể

• Để đạt được mục tiêu tổng quát, nghiên cứu có các mục tiêu cụ thể như sau:

Thứ nhất: Xây dựng bộ chỉ tiêu dữ liệu lớn kết hợp giữa thông tin vi mô (nội tại ngân hàng) và các yếu tố vĩ mô (kinh tế – thị trường) có ảnh hưởng đến tình hình thanh khoản của ngân hàng thương mại trong giai đoạn 2020 – 2024.

Thứ hai: Khám phá và đánh giá mối liên hệ giữa các biến số tài chính – kinh tế và mức độ rủi ro thanh khoản, từ đó nhận diện nhóm chỉ số có tác động rõ rệt và mang tính cảnh báo sớm.

Thứ ba: Ứng dụng mô hình phân tích định lượng, bao gồm phân tích tương quan và hồi quy tuyến tính, nhằm kiểm định mức độ ảnh hưởng của từng biến giải thích đối với chỉ số rủi ro thanh khoản trong bối cảnh ngân hàng Việt Nam.

Thứ tư: Đề xuất hàm ý quản trị, trên cơ sở kết quả phân tích, giúp ngân hàng có thêm công cụ để giám sát rủi ro thanh khoản và hỗ trợ cơ quan quản lý có cái nhìn toàn diện hơn về xu hướng thanh khoản trong hệ thống tín dụng.

1.4. Câu hỏi nghiên cứu

• Để đạt được mục tiêu nghiên cứu cụ thể, tác giả trả lời các câu hỏi nghiên cứu sau:

Thứ nhất: Những chỉ tiêu dữ liệu vi mô và vĩ mô nào phản ánh đầy đủ và có ý nghĩa trong việc đánh giá rủi ro thanh khoản của các ngân hàng thương mại Việt Nam giai đoạn 2020–2024?

Thứ hai: Mối quan hệ giữa các biến số tài chính – kinh tế và rủi ro thanh khoản của ngân hàng được thể hiện như thế nào? Các chỉ tiêu nào có tác động đáng kể và mang tính cảnh báo sớm?

Thứ ba: Kết quả phân tích tương quan và hồi quy tuyến tính cho thấy mức độ ảnh hưởng của từng biến giải thích đến rủi ro thanh khoản ra sao? Các tác động này có ý nghĩa thống kê không?

Thứ tư: Từ bằng chứng thực nghiệm, những hàm ý quản trị nào có thể đề xuất cho ngân hàng thương mại và cơ quan giám sát nhằm nâng cao khả năng nhận diện, kiểm soát và dự báo rủi ro thanh khoản?

1.5 Đối tượng và phạm vi nghiên cứu

1.5.1. Đối tượng nghiên cứu Luận văn: Ứng dụng Big Data để dự đoán rủi ro thanh khoản.

Đối tượng nghiên cứu của đề tài là rủi ro thanh khoản trong hoạt động của các ngân hàng thương mại Việt Nam, được phản ánh thông qua chỉ số Liquidity On Liability – Tỷ lệ giữa tài sản thanh khoản và tổng nợ phải trả. Bên cạnh đó, nghiên cứu cũng quan tâm đến các yếu tố tác động đến rủi ro này, bao gồm nhóm chỉ tiêu tài chính vi mô (như cơ cấu vốn, hiệu quả sử dụng tài sản, chi phí tài chính…) và một số biến vĩ mô có thể đo lường được (như tăng trưởng GDP, lãi suất, dòng vốn FDI…).

1.5.2. Phạm vi nghiên cứu:

Về mặt không gian: Nghiên cứu tập trung vào các ngân hàng thương mại đang hoạt động tại Việt Nam, bao gồm cả ngân hàng có vốn nhà nước, cổ phần và ngân hàng có vốn nước ngoài, trong giới hạn dữ liệu có thể thu thập được từ các nguồn công khai.

Về mặt Thời gian: Dữ liệu được thu thập trong giai đoạn từ năm 2020 đến năm 2024, đây là khoảng thời gian đủ dài để quan sát xu hướng biến động của rủi ro thanh khoản và đánh giá tác động của các biến số trong điều kiện kinh tế nhiều thay đổi.

1.6. Phương pháp nghiên cứu

Đề tài sử dụng các phương pháp định lượng như phân tích tương quan và hồi quy tuyến tính để xác định các yếu tố có ảnh hưởng đáng kể đến rủi ro thanh khoản. Nghiên cứu không đi sâu vào phân tích định tính hay đánh giá các yếu tố hành vi, chính sách cụ thể của từng ngân hàng.

1.6.1. Thu thập và xử lý dữ liệu

• Dữ liệu được thu thập từ hai nhóm nguồn chính:

Dữ liệu vi mô: Bao gồm các chỉ số tài chính từ báo cáo thường niên của các ngân hàng thương mại Việt Nam, được tổng hợp và xử lý thông qua công cụ Python sử dụng thư viện vnstock. Các chỉ tiêu tiêu biểu gồm: tỷ lệ cho vay trên tài sản sinh lời, vốn chủ sở hữu trên tổng tài sản, chi phí huy động vốn, thu nhập phi lãi, v.v.

Dữ liệu vĩ mô: Được lấy từ Cơ sở dữ liệu của Ngân hàng Thế giới (World Bank), gồm các biến như tăng trưởng GDP, lạm phát, tỷ lệ tín dụng tư nhân/GDP, dự trữ ngoại hối, v.v. Luận văn: Ứng dụng Big Data để dự đoán rủi ro thanh khoản.

Sau khi thu thập, dữ liệu được chuẩn hóa, làm sạch và xử lý thiếu hụt bằng các phương pháp như loại bỏ dòng lỗi, nội suy tuyến tính và kiểm tra lại định dạng thời gian.

1.6.2. Phân tích thống kê mô tả và kiểm định

Trước khi tiến hành mô hình hóa, nghiên cứu sử dụng các công cụ thống kê mô tả nhằm Đánh giá phân bố, độ lệch chuẩn và xu hướng biến động của các biến số và Kiểm tra sơ bộ mối liên hệ giữa các biến bằng ma trận tương quan.

1.6.3. Xây dựng mô hình hồi quy tuyến tính

Dựa trên kết quả tương quan, nhóm 10 biến có mối liên hệ chặt chẽ nhất với biến phụ thuộc Liquidity On Liability được lựa chọn để xây dựng mô hình hồi quy tuyến tính bội. Mục tiêu là kiểm định mức độ ảnh hưởng và ý nghĩa thống kê của từng biến giải thích đối với rủi ro thanh khoản.

Công thức mô hình tổng quát:

Trong đó:

• Xj: các biến độc lập (biến giải thích), Βj : hệ số hồi quy,
• εi : sai số ngẫu nhiên

1.6.4. Công cụ hỗ trợ

Toàn bộ quá trình được thực hiện bằng ngôn ngữ lập trình Python, sử dụng các thư viện pandas, statsmodels, seaborn, matplotlib để phân tích và trực quan hóa dữ liệu.

1.7. Ý nghĩa của nghiên cứu Luận văn: Ứng dụng Big Data để dự đoán rủi ro thanh khoản.

Đóng góp về mặt lý thuyết: Về mặt lý luận, nghiên cứu này bổ sung cơ sở khoa học cho việc ứng dụng dữ liệu lớn trong dự báo rủi ro thanh khoản của các ngân hàng thương mại, thông qua việc xây dựng mô hình nghiên cứu kết hợp các nhân tố mới như khả năng khai thác dữ liệu lớn, chất lượng dữ liệu lớn và tính thời gian thực. Nghiên cứu đồng thời phân tích mối quan hệ giữa các chỉ tiêu tài chính truyền thống, bao gồm tài sản thanh khoản, cấu trúc nguồn vốn, biến động tiền gửi, các yếu tố thị trường, yếu tố vĩ mô và các yếu tố công nghệ dữ liệu lớn… nhằm mở rộng và hoàn thiện khung lý thuyết về quản trị và dự báo rủi ro thanh khoản. Kết quả nghiên cứu góp phần làm rõ cơ chế tác động của dữ liệu lớn đối với khả năng phát hiện sớm và phòng ngừa các tình huống rủi ro thanh khoản, đặc biệt trong bối cảnh ngành ngân hàng Việt Nam đang đẩy mạnh chuyển đổi số và chịu tác động của những biến động kinh tế – tài chính ngày càng phức tạp.

Đóng góp về mặt thực tiễn: Nghiên cứu giúp các ngân hàng thương mại Việt Nam nhận thức rõ tầm quan trọng của dữ liệu lớn trong quản trị và dự báo rủi ro thanh khoản, hỗ trợ xây dựng hệ thống cảnh báo sớm để phòng ngừa khủng hoảng thanh khoản, đồng thời cung cấp cơ sở tham khảo cho cơ quan quản lý trong việc hoàn thiện khung pháp lý và giám sát thanh khoản phù hợp với bối cảnh chuyển đổi số.

1.8. Bố cục dự kiến của nghiên cứu

Luận văn dự kiến được kết cấu thành 5 chương, cụ thể như sau:

• Chương 1: Giới thiệu nghiên cứu

Trong chương 1, tác giả trình bày về tính cấp thiết của đề tài, mục tiêu nghiên cứu, câu hỏi nghiên cứu, đối tượng và phạm vi nghiên cứu, phương pháp nghiên cứu, đóng góp của nghiên cứu và kết cấu của luận văn.

• Chương 2: Cơ sở lý thuyết

Trong chương 2, tác giả hệ thống hóa các khái niệm liên quan đến rủi ro thanh khoản, dữ liệu lớn và mô hình hồi quy tuyến tính. Đồng thời tổng hợp các nghiên cứu trước trong và ngoài nước có liên quan, từ đó rút ra khoảng trống nghiên cứu.

• Chương 3: Dữ liệu và phương pháp nghiên cứu

Trong chương 3, tác giả trình bày chi tiết quá trình thu thập, xử lý dữ liệu; mô tả đặc điểm các biến; phương pháp phân tích được sử dụng và cách xây dựng mô hình nghiên cứu.

• Chương 4: Kết quả nghiên cứu

Trong chương 4, tác giả trình bày kết quả thống kê mô tả, ma trận tương quan, mô hình hồi quy và các thuật toán để kiểm tra mô hình. Thảo luận về mức độ tác động của từng biến, ý nghĩa thống kê và diễn giải các kết quả thực nghiệm.

• Chương 5: Kết luận và hàm ý quản trị Luận văn: Ứng dụng Big Data để dự đoán rủi ro thanh khoản.

Chương 5 trình bày kết luận về các mục tiêu nghiên cứu của luận văn. Trên cơ sở kết quả nghiên cứu, các hàm ý quản trị cũng được đề xuất trong chương 5. Bên cạnh đó, các hạn chế và hướng nghiên cứu tiếp theo cũng được trình bày trong chương 5.

KẾT LUẬN CHƯƠNG 1

Chương 1 đã phác thảo toàn cảnh về đề tài nghiên cứu, bao gồm lý do lựa chọn, mục tiêu và câu hỏi nghiên cứu, phạm vi, phương pháp tiếp cận cũng như bố cục thực hiện. Trong bối cảnh hệ thống ngân hàng Việt Nam ngày càng đối mặt với nhiều thách thức liên quan đến quản trị rủi ro, đặc biệt là rủi ro thanh khoản, việc ứng dụng dữ liệu lớn để theo dõi và dự đoán những biến động thanh khoản không chỉ mang tính cấp thiết mà còn phù hợp với xu thế hiện đại hóa hoạt động ngân hàng. Nghiên cứu kỳ vọng góp phần xây dựng công cụ giám sát rủi ro thanh khoản hiệu quả hơn, đồng thời tạo tiền đề cho việc tích hợp công nghệ dữ liệu vào công tác điều hành tài chính. Những nội dung trong chương này sẽ làm nền tảng định hướng cho các phần tiếp theo, trong đó chương 2 sẽ đi sâu vào cơ sở lý luận và tổng quan các nghiên cứu liên quan.

CHƯƠNG 2. CƠ SỞ LÝ THUYẾT

2.1. Cơ Sở Lý Thuyết

2.1.1. Khái niệm rủi ro thanh khoản

Rủi ro thanh khoản trong ngân hàng được hiểu là khả năng ngân hàng không thể đáp ứng đầy đủ và kịp thời các nghĩa vụ tài chính đến hạn mà không phải chịu tổn thất đáng kể (Basel Committee, 2009). Khi ngân hàng gặp rủi ro thanh khoản, ngân hàng buộc phải vay mượn khẩn cấp hoặc bán tài sản với mức chiết khấu sâu, ảnh hưởng tiêu cực tới tình hình tài chính cũng như uy tín trên thị trường.

Hiểu một cách đơn giản, rủi ro thanh khoản là nguy cơ ngân hàng không có đủ nguồn lực tài chính sẵn sàng để đáp ứng nhu cầu rút tiền hoặc thanh toán nợ đến hạn của khách hàng và đối tác. Rủi ro này không chỉ bắt nguồn từ mất cân đối trong thời hạn giữa tài sản và nợ phải trả, mà còn đến từ sự biến động bất ngờ của thị trường, hành vi rút tiền đồng loạt, hoặc sự khan hiếm nguồn vốn ngắn hạn.

Ủy ban Basel (2011) đã chỉ rõ, rủi ro thanh khoản bao gồm hai loại:

• Rủi ro thanh khoản tài sản (Funding Liquidity Risk): xảy ra khi ngân hàng không huy động đủ nguồn vốn cần thiết để đáp ứng nghĩa vụ thanh toán.
• Rủi ro thanh khoản thị trường (Market Liquidity Risk): xảy ra khi ngân hàng không thể bán nhanh tài sản mà không bị tổn thất lớn về giá trị.

Tác động của rủi ro thanh khoản không chỉ ảnh hưởng đến riêng ngân hàng mà còn có thể gây ra hiệu ứng dây chuyền, đe dọa sự ổn định của toàn bộ hệ thống tài chính, nhất là trong các thời kỳ biến động thị trường mạnh mẽ.

2.1.2. Các chỉ số đo lường rủi ro thanh khoản Luận văn: Ứng dụng Big Data để dự đoán rủi ro thanh khoản.

Trong quản trị ngân hàng, việc lượng hóa mức độ rủi ro thanh khoản là điều kiện tiên quyết để giám sát và đưa ra quyết định điều chỉnh kịp thời. Theo Ủy Ban Basel 2009, các chỉ tiêu định lượng như LCR, NSRF, hay Funding Gap đóng vai trò then chốt trong khung giám sát rủi ro thanh khoản và là nền tảng để thiết lập hệ thống cảnh báo sớm và kiểm tra sức chịu đựng thanh khoản của ngân hàng. Theo IMF 2020 cũng nhấn mạnh rằng việc đo lường định lương là tiền đề để phát hiện rủi ro tiềm ẩn và tăng cường tính chủ động trong rủi ro thanh khoản. Có nhiều chỉ tiêu được sử dụng trong thực tiễn để đo lường khía cạnh này, tùy thuộc vào cách tiếp cận và hệ thống quản lý rủi ro của từng tổ chức. Trong khuôn khổ nghiên cứu này, rủi ro thanh khoản được đo lường thông qua chỉ số Liquidity on Liability (LOL) – tỷ lệ giữa tài sản có khả năng chuyển đổi nhanh thành tiền với tổng nợ phải trả.

Chỉ số này phản ánh khả năng ngân hàng đáp ứng các nghĩa vụ tài chính đến hạn bằng tài sản có tính thanh khoản cao. Giá trị cao cho thấy ngân hàng có “bộ đệm” thanh khoản lớn, từ đó giảm rủi ro mất khả năng chi trả. Ngược lại, chỉ số thấp có thể là dấu hiệu cảnh báo về áp lực thanh khoản tiềm ẩn.

Chỉ số LCR (Liquidity Coverage Ratio): Được Basel III đề xuất, LCR yêu cầu ngân hàng duy trì một lượng tài sản thanh khoản chất lượng cao (High-Quality Liquid Assets – HQLA) đủ để đáp ứng dòng tiền ra ròng trong 30 ngày căng thẳng tài chính (Basel Committee, 2011). Công thức:

Ngân hàng phải duy trì LCR tối thiểu 100%.

• Chỉ số NSFR (Net Stable Funding Ratio): Chỉ số này đo lường tính ổn định của nguồn vốn trong trung và dài hạn. NSFR ≥ 100% nhằm đảm bảo ngân hàng duy trì nguồn vốn ổn định đủ để tài trợ cho các tài sản có mức độ thanh khoản kém hơn (Basel Committee, 2011).
• Funding Gap: Khoảng cách giữa nguồn vốn khả dụng và nhu cầu sử dụng vốn. Funding gap lớn phản ánh ngân hàng dễ đối mặt rủi ro thanh khoản, nhất là khi thị trường biến động đột ngột (IMF, 2020).
• Cash Flow at Risk (CFaR): Chỉ tiêu đánh giá mức thiếu hụt thanh khoản có thể xảy ra với xác suất nhất định, tương tự Value-at-Risk trong quản trị rủi ro thị trường.

Ngoài ra, các chỉ tiêu khác như biến động tiền gửi (Deposit Volatility), tỷ lệ cho vay trên huy động (Loan-to-Deposit Ratio) cũng thường được sử dụng để đo lường mức độ an toàn thanh khoản của ngân hàng.

Do tính chất và phạm vi dữ liệu tại Việt Nam, nghiên cứu này chọn Liquidity On Liability làm đại diện cho mức độ thanh khoản, vì nó phản ánh trực tiếp mối quan hệ giữa khả năng thanh khoản và nghĩa vụ tài chính trong báo cáo tài chính của ngân hàng thương mại. Luận văn: Ứng dụng Big Data để dự đoán rủi ro thanh khoản.

2.1.3. Tổng quan về Dữ liệu lớn (Big Data) và ứng dụng trong ngân hàng

Big Data là hệ thống dữ liệu có kích thước lớn và cấu trúc phức tạp, được tạo ra từ nhiều nguồn khác nhau với tốc độ cao. Điểm cốt lõi của Big Data là khả năng biến dữ liệu thô thành thông tin có giá trị thông qua các công cụ phân tích nâng cao như thống kê, máy học, khai phá dữ liệu (data mining) và trí tuệ nhân tạo.

Khái niệm Big Data: Big Data là thuật ngữ chỉ tập hợp dữ liệu có kích thước rất lớn, đa dạng về cấu trúc, được tạo ra với tốc độ cao và đòi hỏi các công cụ công nghệ tiên tiến để lưu trữ, xử lý, phân tích nhằm khai thác giá trị tiềm ẩn. Theo Gartner (2011), Big Data được đặc trưng bởi 5V:

• Volume (Khối lượng lớn)
• Velocity (Tốc độ cao)
• Variety (Đa dạng)
• Veracity (Độ tin cậy)
• Value (Giá trị tạo ra)

Trong lĩnh vực ngân hàng, Big Data bao gồm:

• Dữ liệu cấu trúc: báo cáo tài chính, giao dịch khách hàng, dư nợ, tỷ lệ an toàn…
• Dữ liệu phi cấu trúc: văn bản, email, tin tức, bài viết mạng xã hội, bình luận khách hàng, dữ liệu web clickstream…
• Ứng dụng Big Data trong ngân hàng Ứng dụng Big Data trong ngân hàng không chỉ giúp nâng cao trải nghiệm khách hàng mà còn đóng vai trò đặc biệt trong công tác quản trị rủi ro, cụ thể:
• Phân tích dữ liệu khách hàng (Customer Analytics): Phát hiện hành vi bất thường, dự báo nhu cầu rút tiền đột biến – từ đó phòng ngừa rủi ro thanh khoản (Oloto, 2023).
• Dự báo rủi ro thị trường: Kết hợp dữ liệu thời gian thực về CDS spread, tỷ giá, lãi suất để phát hiện tín hiệu sớm của khủng hoảng thanh khoản (Financial Times, 2023).
• Quản trị thanh khoản: Big Data giúp theo dõi “thanh khoản ẩn” trong các danh mục tài sản, tối ưu cấu trúc HQLA (Lý Diệu Hoa & Trương Thiên Minh, 2021). Luận văn: Ứng dụng Big Data để dự đoán rủi ro thanh khoản.
• Giám sát dữ liệu thời gian thực (Real-Time Monitoring): Phân tích dữ liệu tức thời giúp ngân hàng đưa ra phản ứng kịp thời với các biến động thị trường, giảm thiểu rủi ro thanh khoản (Dataversity.net, 2025).

Thách thức ứng dụng Big Data trong ngân hàng: Chất lượng dữ liệu chưa đồng đều. Khó tích hợp dữ liệu phi cấu trúc. Đòi hỏi nguồn lực công nghệ và nhân sự lớn.Tuy nhiên, xu hướng số hóa ngân hàng tại Việt Nam và thế giới cho thấy việc ứng dụng Big Data vào giám sát, dự báo rủi ro thanh khoản là tất yếu để nâng cao năng lực cạnh tranh và an toàn hệ thống.

Tại Việt Nam, việc ứng dụng dữ liệu lớn trong hệ thống ngân hàng tuy chưa phổ biến rộng rãi nhưng đã bắt đầu có chuyển biến tích cực. Một số ngân hàng tiên phong đã đầu tư mạnh vào hạ tầng dữ liệu, hệ thống phân tích và mô hình hóa rủi ro. Tuy nhiên, hầu hết các mô hình phân tích hiện vẫn dừng ở mức sử dụng dữ liệu truyền thống, quy mô giới hạn và chưa khai thác triệt để tiềm năng của dữ liệu lớn.

Đề tài này kế thừa xu hướng trên bằng cách sử dụng tập dữ liệu mở rộng từ cả nguồn báo cáo tài chính nội tại (vi mô) và chỉ tiêu kinh tế vĩ mô (từ World Bank), được xử lý thông qua công cụ Python – một bước tiến tiệm cận với cách tiếp cận dữ liệu lớn trong nghiên cứu học thuật và ứng dụng thực tế.

2.1.4. Mối quan hệ giữa Big Data và quản trị rủi ro thanh khoản

Ứng dụng Big Data có thể tạo ra các lợi thế nổi bật trong quản trị rủi ro thanh khoản:

• Cảnh báo sớm (Early Warning Systems):Nhờ khả năng phân tích dữ liệu phi cấu trúc như tin tức, mạng xã hội, Big Data giúp phát hiện tín hiệu sớm của sự bất ổn (Nguyen et al., 2023).
• Phân tích mô hình biến động dòng tiền: Machine Learning có thể phát hiện các mẫu hành vi rút tiền bất thường, giúp ngân hàng ứng phó kịp thời (Li & Zhang, 2021).
• Tối ưu dự trữ thanh khoản: Big Data giúp tính toán nhu cầu thanh khoản sát với thực tế, từ đó giảm chi phí nắm giữ thanh khoản dư thừa (ECB, 2022).
• Tích hợp dữ liệu đa nguồn: Giúp ngân hàng đưa ra quyết định chính xác hơn, kết hợp dữ liệu tài chính truyền thống với dữ liệu thị trường và dữ liệu hành vi khách hàng.

Tuy nhiên, việc triển khai các mô hình phân tích Big Data đòi hỏi ngân hàng phải có hạ tầng công nghệ mạnh, đội ngũ nhân sự có kỹ năng phân tích dữ liệu cũng như cơ chế quản trị dữ liệu chặt chẽ nhằm đảm bảo tính chính xác và bảo mật thông

2.2. Tổng Quan Nghiên Cứu Trước Luận văn: Ứng dụng Big Data để dự đoán rủi ro thanh khoản.

Trong những năm gần đây, rủi ro thanh khoản ngày càng nhận được sự quan tâm của giới nghiên cứu tài chính – ngân hàng, đặc biệt trong bối cảnh bất ổn tài chính toàn cầu và áp lực tuân thủ các chuẩn mực an toàn theo Basel II và Basel III. Các công trình nghiên cứu cả trong và ngoài nước đã tiếp cận vấn đề này từ nhiều khía cạnh khác nhau, tạo ra một nền tảng lý thuyết quan trọng để tham chiếu và phát triển mô hình phân tích mới.

2.2.1 Các nghiên cứu quốc tế về rủi ro thanh khoản và Big Data

Ủy ban Basel về Giám sát Ngân hàng (2011), qua nghiên cứu “Basel III – Khung pháp lý toàn cầu cho hệ thống ngân hàng vững mạnh hơn” (Basel III: A global regulatory framework for more resilient banks and banking systems), đã đề xuất hai chỉ số quan trọng là LCR và NSFR nhằm yêu cầu các ngân hàng duy trì tài sản thanh khoản chất lượng cao và nguồn vốn ổn định, góp phần tăng khả năng chống chịu trước các cú sốc thanh khoản trên thị trường tài chính.

Ngân hàng Trung ương Châu Âu (2022), qua nghiên cứu “Vai trò của dự trữ thanh khoản trong tăng sức chống chịu cho ngân hàng” (The role of liquidity buffers in enhancing banks’ resilience), đã phân tích dữ liệu các ngân hàng châu Âu, cho thấy dự trữ thanh khoản cao giúp giảm thiểu rủi ro khi thị trường biến động, đồng thời nhấn mạnh tầm quan trọng của giám sát dữ liệu thời gian thực để phát hiện sớm rủi ro thanh khoản.

Ủy ban Basel về Giám sát Ngân hàng (2009), qua nghiên cứu “Nguyên tắc về thực hành kiểm tra sức chịu đựng và giám sát” (Principles for sound stress testing practices and supervision), đã nhấn mạnh tầm quan trọng của stress testing để nhận diện rủi ro thanh khoản tiềm ẩn, đồng thời khuyến cáo các ngân hàng cần xây dựng hệ thống cảnh báo sớm để kịp thời ứng phó các đợt rút tiền hàng loạt.

Quỹ Tiền tệ Quốc tế (2020), qua nghiên cứu “Báo cáo ổn định tài chính toàn cầu” (Global Financial Stability Report), đã cảnh báo rằng cấu trúc vốn ngắn hạn quá cao và sự phụ thuộc vào thị trường liên ngân hàng có thể gây khủng hoảng thanh khoản cho ngân hàng, đồng thời khuyến nghị cần tăng tỷ trọng vốn dài hạn để giảm thiểu rủi ro.

Beverly Hirtle (2009), qua nghiên cứu “Cổ tức và mua lại cổ phiếu của công ty mẹ ngân hàng trong khủng hoảng” (Dividends and Stock Repurchases for Banks during the Financial Crisis), phát hiện rằng rút tiền đột ngột làm giảm khả năng duy trì thanh khoản, và các ngân hàng bán lẻ dễ tổn thương hơn do phụ thuộc lớn vào tiền gửi của khách hàng cá nhân.

Oloto, J. (2023), qua nghiên cứu “Tăng cường quản trị rủi ro trong ngân hàng thông qua phân tích dữ liệu lớn” (Enhancing Banking Risk Management through Big Data Analytics), cho rằng năng lực khai thác dữ liệu lớn giúp dự báo rủi ro thanh khoản sớm hơn các phương pháp truyền thống, nhưng vẫn tồn tại thách thức về chất lượng dữ liệu không đồng nhất hoặc thiếu đầy đủ.

Elizabeth McCaul (2023), qua nghiên cứu “Ngân hàng cần đo lường rủi ro chi tiết hơn” (Banks need to measure risk more precisely), nhấn mạnh nhiều ngân hàng còn thiếu phân tích dữ liệu chi tiết và giám sát thời gian thực, và cho rằng cần theo dõi rủi ro tới từng nhóm khách hàng, sản phẩm để tránh khủng hoảng thanh khoản.

Các phóng viên Financial Times (2023), qua nghiên cứu đăng tải trong nhiều bài phân tích về khủng hoảng thanh khoản, phản ánh rằng rủi ro thanh khoản thường xảy ra đột ngột do rút tiền hàng loạt, đồng thời ghi nhận xu hướng các ngân hàng đang áp dụng Big Data để xây dựng hệ thống cảnh báo sớm. Luận văn: Ứng dụng Big Data để dự đoán rủi ro thanh khoản.

Các phóng viên Hãng tin Reuters (2023), qua nghiên cứu đăng tải trong các bài viết tường thuật về khủng hoảng thanh khoản, cho thấy các mô hình truyền thống khó dự báo chính xác rủi ro, khiến nhiều ngân hàng bắt đầu ứng dụng dữ liệu lớn để giám sát thanh khoản và phát hiện sớm các dấu hiệu bất thường.

Nhóm tác giả Matellio Blog (2024), qua nghiên cứu “Phân tích rủi ro trong ngân hàng: Vì sao dữ liệu lớn là tương lai” (Risk Analytics in Banking: Why Big Data is the Future), cho rằng dữ liệu lớn giúp phát hiện sớm biến động dòng tiền và rút ngắn thời gian ra quyết định từ nhiều ngày xuống còn vài phút, nhờ khả năng phân tích dữ liệu thời gian thực.

Nhóm tác giả Dataversity.net (2025), qua nghiên cứu “Dữ liệu tài chính thời gian thực đang thay đổi cách ra quyết định trong ngành ngân hàng” (How Real-Time Financial Data is Transforming Decision Making in Banking), khẳng định rằng xử lý dữ liệu tức thời giúp ngân hàng quản lý dòng tiền và dự báo rủi ro thanh khoản chính xác hơn, đồng thời tạo lợi thế cạnh tranh nếu kết hợp dữ liệu lớn với chỉ số thị trường.

Nhóm tác giả Tạp chí Nghiên cứu Quốc tế (2025), qua nghiên cứu “Phân tích thời gian thực dựa trên trí tuệ nhân tạo trong đánh giá rủi ro thanh khoản của ngành ngân hàng” (AI-Driven Real-Time Analytics in Liquidity Risk Assessment in Banking), nêu rằng trí tuệ nhân tạo kết hợp dữ liệu lớn có thể tự động phát hiện mô hình biến động tiền gửi, giúp ngân hàng phản ứng kịp thời với biến động thị trường và phòng tránh khủng hoảng thanh khoản.

Al-Okaily Ayman và cộng sự (2022), qua nghiên cứu “Tìm hiểu việc chấp nhận ngân hàng di động: Vai trò của niềm tin và rủi ro” (Investigating Mobile Banking Adoption: The Role of Trust and Risk), cho rằng rủi ro cảm nhận của khách hàng ảnh hưởng tới hành vi giữ hoặc rút tiền, tác động trực tiếp đến thanh khoản, đồng thời lưu ý các yếu tố kinh tế vĩ mô cũng làm thay đổi hành vi tài chính của khách hàng.

Hossain, M. A. (2023), qua nghiên cứu “Các yếu tố ảnh hưởng đến ý định sử dụng ngân hàng số” (Factors Affecting Intention to Use Digital Banking), nêu rằng xu hướng khách hàng chuyển sang ngân hàng số làm dòng tiền gửi biến động khó lường, trong khi dữ liệu lớn giúp ngân hàng dự báo tốt hơn các thay đổi này để quản trị rủi ro thanh khoản.

Alalwan và cộng sự (2018), qua nghiên cứu “Nghiên cứu các yếu tố ảnh hưởng đến ý định và việc chấp nhận ngân hàng internet của khách hàng tại Jordan” (Investigating the Drivers of Internet Banking Adoption among Jordanian Customers), chỉ ra rằng niềm tin của khách hàng với ngân hàng số tác động mạnh đến hành vi giữ hay rút tiền, trong khi việc phân tích dữ liệu lớn giúp ngân hàng dự đoán được những thay đổi này để quản lý thanh khoản hiệu quả hơn.

2.2.2 Các nghiên cứu trong nước về rủi ro thanh khoản và Big Data

Lý Diệu Hoa và Trương Thiên Minh (2021) trong nghiên cứu Phân tích dữ liệu lớn trong ngành ngân hàng: Cơ hội và thách thức đã chỉ ra rằng ứng dụng Big Data giúp ngân hàng nhận diện sớm rủi ro thanh khoản, tối ưu quản trị tài sản thanh khoản. Tuy nhiên, các tác giả cũng cho rằng các ngân hàng Việt Nam còn gặp nhiều khó khăn về chất lượng dữ liệu và nguồn lực phân tích.

Nguyễn Thị Mai và cộng sự (2022) cho rằng nhiều ngân hàng Việt Nam hiện vẫn có LCR dưới mức an toàn, cần sớm ứng dụng công nghệ dữ liệu lớn để giám sát và dự báo chỉ số này nhằm đảm bảo an toàn thanh khoản.

Nguyễn Như Phương Anh và cộng sự (2014) phân tích rằng việc khách hàng chuyển sang giao dịch ngân hàng số đã làm hành vi rút hoặc chuyển tiền trở nên linh hoạt hơn, từ đó gây áp lực lên khả năng quản trị thanh khoản. Các tác giả cũng khuyến nghị ngân hàng cần dự báo xu hướng này để có biện pháp chuẩn bị nguồn vốn kịp thời.

2.3. Mô hình nghiên cứu Luận văn: Ứng dụng Big Data để dự đoán rủi ro thanh khoản.

Dựa trên cơ sở lý luận và tổng quan các công trình trước đó, nghiên cứu đề xuất mô hình phân tích định lượng nhằm xác định mức độ ảnh hưởng của các yếu tố vi mô và vĩ mô đến rủi ro thanh khoản của ngân hàng thương mại Việt Nam. Biến phụ thuộc được sử dụng trong mô hình là Liquidity on Liability (LOL) – đại diện cho mức độ thanh khoản.

Các biến độc lập được lựa chọn từ kết quả phân tích tương quan, gồm 10 biến có mối liên hệ chặt chẽ nhất với Liquidity on Liability, được xác định thông qua dữ liệu thực nghiệm giai đoạn 2020–2024. Các biến này bao gồm:

1. Loan on Earning Asset (Tỷ lệ cho vay trên tài sản sinh lợi)
2. Loan on Asset (Tỷ lệ cho vay trên tổng tài sản)
3. Deposit on Earning Asset (Tỷ lệ tiền gửi trên tài sản sinh lợi)
4. Equity on Loan (Tỷ lệ vốn chủ sở hữu trên dư nợ cho vay)
5. Dividend – Cổ tức
6. Non-interest Income on Total Operating Income (Tỷ lệ thu nhập ngoài lãi trên tổng thu nhập hoạt động)
7. Asset on Equity (Hệ số tài sản trên vốn chủ sở hữu (đòn bẩy tài chính))
8. Payable on Equity (Tỷ lệ nợ phải trả trên vốn chủ sở hữu)
9. Cost of Financing (Chi phí tài trợ (chi phí sử dụng vốn vay))
10. Book Value per Share (Giá trị sổ sách trên mỗi cổ phiếu)

Mô hình hồi quy tuyến tính bội được sử dụng với cấu trúc như sau: Liquidity On Liabilityi = β0+β1X1i+β2X2i+⋯+β10X10i+εi

Việc lựa chọn mô hình này xuất phát từ tính đơn giản, khả năng giải thích rõ ràng của các hệ số, cũng như mức độ phù hợp với tập dữ liệu dạng bảng và tính chất thực nghiệm của nghiên cứu.

• KẾT LUẬN CHƯƠNG 2

Chương 2 đã cung cấp nền tảng lý thuyết và thực nghiệm cho đề tài, từ việc làm rõ khái niệm rủi ro thanh khoản, các chỉ tiêu đo lường phổ biến, vai trò ngày càng quan trọng của dữ liệu lớn trong ngành ngân hàng, cho đến việc tổng hợp các nghiên cứu trong và ngoài nước có liên quan. Trên cơ sở đó, mô hình nghiên cứu được đề xuất với 10 biến độc lập có tương quan cao nhất với chỉ số thanh khoản, làm cơ sở cho việc kiểm định tác động và khả năng dự báo trong các chương sau. Những nội dung đã trình bày không chỉ giúp định hướng phân tích mà còn là bước đệm quan trọng để triển khai các phương pháp xử lý dữ liệu và hồi quy trong chương tiếp theo. Luận văn: Ứng dụng Big Data để dự đoán rủi ro thanh khoản.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: PPNC Ứng dụng Big Data 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