Mô hình Dự báo Tỷ lệ Đáo hạn Tiền gửi Có Kỳ hạn Theo Phân Khúc
Mô hình dự báo tỷ lệ đáo hạn tiền gửi có kỳ hạn theo phân khúc là một mô hình định lượng được xây dựng nhằm ước tính xác suất mà khách hàng rút tiền gửi có kỳ hạn (TGTK) tại thời điểm đáo hạn ở từng nhóm/phân khúc khách hàng cụ thể, thay vì gia hạn gốc hoặc tái tục sang kỳ hạn mới. Đây là một trong những mô hình trọng yếu trong nhóm quản trị rủi ro thanh khoản (ALM - Asset Liability Management) và quản trị bảng cân đối tài sản, đóng vai trò then chốt trong việc lập kế hoạch dòng tiền, cơ cấu nguồn vốn, định giá sản phẩm tiết kiệm, đồng thời là đầu vào quan trọng để tính toán các chỉ tiêu thanh khoản theo quy định của Ngân hàng Nhà nước.
Các phân khúc thường được sử dụng để xây dựng mô hình bao gồm: kỳ hạn gửi (1 tháng, 3 tháng, 6 tháng, 9 tháng, 12 tháng, 13 tháng, 18 tháng, 24 tháng...), nhóm khách hàng (cá nhân, doanh nghiệp nhỏ và vừa, doanh nghiệp lớn, khách hàng ưu tiên), kênh phân phối (quầy, số, đối tác), mức lãi suất cam kết so với lãi suất thị trường tại thời điểm đáo hạn, vùng miền địa lý và đặc điểm nhân khẩu học. Việc phân khúc cho phép mô hình nắm bắt được hành vi đáo hạn khác biệt rõ rệt giữa các nhóm — ví dụ tỷ lệ đáo hạn của TGTK 1 tháng kênh quầy thường cao hơn đáng kể so với TGTK 12 tháng kênh số, hay tỷ lệ đáo hạn của khách hàng ưu tiên thường thấp hơn do có xu hướng gia hạn hoặc chấp nhận lãi suất thấp hơn thị trường.
Phương pháp xây dựng mô hình
Quy trình xây dựng mô hình dự báo tỷ lệ đáo hạn thường trải qua 5 bước chính:
Bước 1 - Thu thập và làm sạch dữ liệu: Tập hợp lịch sử các khoản TGTK trong ít nhất 3-5 năm gần nhất, bao gồm thông tin về kỳ hạn, ngày mở, ngày đáo hạn, trạng thái đáo hạn (rút/gia hạn/tái tục), nhóm khách hàng, kênh mở, lãi suất áp dụng. Dữ liệu cần được đối chiếu chéo giữa hệ thống core banking và hệ thống kho dữ liệu (Data Warehouse).
Bước 2 - Phân khúc hóa: Nhóm khách hàng theo các tiêu chí đã nêu ở trên. Mỗi phân khúc phải đảm bảo đủ lớn về mặt thống kê (tối thiểu vài trăm đến vài nghìn quan sát) để mô hình hóa đáng tin cậy.
Bước 3 - Lựa chọn mô hình: Ba nhóm mô hình phổ biến được sử dụng gồm:
- Mô hình thống kê cổ điển: Logistic Regression, Probit Model — dễ giải thích, phù hợp với báo cáo quản trị.
- Mô hình chuỗi thời gian: ARIMA, SARIMA — phù hợp dự báo xu hướng tỷ lệ đáo hạn theo tháng/quý.
- Mô hình học máy: Random Forest, Gradient Boosting (XGBoost, LightGBM), mạng nơ-ron — cho khả năng nắm bắt phi tuyến tính và tương tác phức tạp, thường được dùng cho các phân khúc lớn.
Gần đây, nhiều ngân hàng Việt Nam cũng đang thử nghiệm mô hình Bayesian và Survival Analysis (mô hình Cox) để mô hình hóa thời gian đáo hạn.
Bước 4 - Kiểm định và hiệu chỉnh: Sử dụng các chỉ tiêu AUC, Gini, KS cho mô hình phân loại; MAPE, RMSE cho mô hình dự báo; kèm backtest trên ít nhất 12-24 tháng dữ liệu ngoài mẫu (out-of-sample).
Bước 5 - Triển khai và giám sát: Tích hợp vào hệ thống ALM, treasury, đồng thời thiết lập khung giám sát định kỳ (thường hàng quý) để phát hiện sự suy giảm hiệu năng mô hình (model drift).
Các yếu tố ảnh hưởng đến tỷ lệ đáo hạn
Các biến số đầu vào quan trọng nhất của mô hình bao gồm:
- Chênh lệch lãi suất: Khoảng cách giữa lãi suất cam kết gốc và lãi suất thị trường tại thời điểm đáo hạn. Khi lãi suất thị trường cao hơn lãi suất gốc từ 0,5-1%/năm trở lên, tỷ lệ đáo hạn thường tăng mạnh.
- Đặc điểm sản phẩm: Kỳ hạn càng ngắn, tỷ lệ đáo hạn càng cao. TGTK không kỳ hạn có tỷ lệ đáo hạn gần như 100%.
- Mùa vụ: Gần cuối năm (tháng 11, 12, Tết Nguyên Đán) tỷ lệ đáo hạn thường tăng do nhu cầu chi tiêu và gửi ngắn hạn chờ tín hiệu lãi suất mới.
- Đặc điểm khách hàng: Khách hàng doanh nghiệp thường có tỷ lệ đáo hạn thấp hơn cá nhân do đã có kế hoạch ngân quỹ dài hạn. Khách hàng cao tuổi, có quan hệ lâu năm với ngân hàng thường có xu hướng gia hạn cao hơn.
- Điều kiện kinh tế vĩ mô: Lạm phát, chính sách lãi suất của NHNN, niềm tin hệ thống ngân hàng.
Ứng dụng trong nghiệp vụ ngân hàng
- Quản trị thanh khoản: Đầu vào cho mô hình dòng tiền kỳ hạn (cash flow ladder), hỗ trợ tính toán các tỷ lệ khả dụng thanh toán, thanh khoản ngắn hạn theo quy định hiện hành về an toàn hoạt động của tổ chức tín dụng.
- Định giá sản phẩm: Xác định chi phí vốn thực tế cho từng kỳ hạn, từ đó tính biên lãi ròng (NIM) theo phân khúc.
- Lập kế hoạch kinh doanh: Dự báo tăng trưởng huy động vốn theo kịch bản, hỗ trợ xây dựng kế hoạch tài chính năm.
- Thiết kế chương trình khuyến mại: Đánh giá hiệu quả của các chương trình tặng quà, thưởng lãi suất để giữ chân khách hàng tại thời điểm đáo hạn.
Ưu điểm và hạn chế
Ưu điểm: Cung cấp dự báo chi tiết theo phân khúc, giúp ra quyết định chính xác hơn so với giả định tỷ lệ đáo hạn đồng nhất; tích hợp được nhiều nguồn dữ liệu; minh bạch khi kết hợp các mô hình có khả năng giải thích tốt.
Hạn chế: Đòi hỏi lượng lớn dữ liệu lịch sử chất lượng cao; hiệu năng suy giảm khi có biến động thị trường lớn (ví dụ cuối 2022 khi NHNN liên tục điều chỉnh lãi suất điều hành); khó mô hình hóa hành vi bất thường như rút tiền hàng loạt (bank run); yêu cầu năng lực phân tích dữ liệu cao của đội ngũ nhân sự.
Câu hỏi thường gặp
Hỏi: Tỷ lệ đáo hạn (run-off rate) và tỷ lệ gia hạn (roll-over rate) quan hệ thế nào với nhau trong mô hình? Hai tỷ lệ này bổ sung cho nhau và thường có tổng xấp xỉ 100% (sau khi trừ một phần nhỏ rút trước hạn có phạt). Trong mô hình, người ta thường dự báo một trong hai tỷ lệ rồi suy ra tỷ lệ còn lại. Ví dụ nếu mô hình dự báo tỷ lệ đáo hạn của TGTK 6 tháng cá nhân kênh quầy là 35%, thì tỷ lệ gia hạn (chuyển sang kỳ hạn khác hoặc tái tục) tương ứng khoảng 60-65%.
Hỏi: Mô hình có cần cập nhật lại khi NHNN thay đổi lãi suất điều hành không? Có. Theo thông lệ quản trị rủi ro mô hình, mô hình cần được hiệu chỉnh (recalibration) hoặc xây dựng lại (rebuild) khi có biến động lớn về chính sách tiền tệ hoặc khi sai số dự báo vượt ngưỡng kiểm soát nội bộ. Nhiều ngân hàng lớn tại Việt Nam thiết lập quy trình rà soát mô hình định kỳ 6-12 tháng hoặc ngay khi có sự kiện gây model drift.
Hỏi: Khi thi tuyển ngân hàng có thể bị hỏi những nội dung nào liên quan đến mô hình này? Ứng viên vị trí ALM, Treasury, Quản trị rủi ro, Phân tích dữ liệu thường được hỏi về: cách phân khúc dữ liệu, lựa chọn giữa mô hình thống kê và mô hình học máy, cách đọc các chỉ tiêu AUC/Gini, ý nghĩa khi áp dụng kết quả mô hình vào báo cáo thanh khoản, và cách xử lý khi mô hình cho kết quả bất thường.
Nội dung mang tính tham khảo nghiệp vụ ngân hàng, không thay thế tư vấn chuyên môn về quản trị rủi ro hoặc mô hình tài chính.