Professional Documents
Culture Documents
PHẦN 1
( Rating.com.vn - Tuesday 11.24.09 7:57 pm )
Xếp hạng tín dụng hay xếp hạng tín nhiệm là những ý kiến đánh giá về rủi
ro tín dụng và chất lượng tín dụng, thể hiện khả năng và thiện ý trả nợ (gốc,
lãi hoặc cả hai) của đối tượng đi vay để đáp ứng các nghĩa vụ tài chính một
cách đầy đủ và đúng hạn thông qua hệ thống xếp hạng theo ký hiệu. Hiện
nay, trên thế giới có hai phương pháp xếp hạng tín dụng chính là mô hình
toán học và phương pháp chuyên gia:
Vì trong hai năm 2006 và 2007, các cổ đông không biết là BBT bị lỗ, cộng với tính không hiệu
quả của thị trường chứng khoán Việt Nam nên giá cổ phiếu vẫn gia tăng theo thị trường. Nếu giá
thị trường không thay đổi gì so với năm 2005 thì chỉ số Z năm 2006 và 2007 lần lượt là 1.64 và
1.04, tức là chỉ số Z giảm dần từ 2.41 điểm (2002) đến -0.41 điểm (2008).
Từ kết quả này, cho thấy, chỉ số Z phản ánh gần sát với tình trạng thực tế mà BBT đang gánh
chịu và cũng minh chứng phần nào tính hữu dụng của chỉ số Z nói riêng và mô hình toán học dự
báo phá sản nói chung tại Việt Nam. Tuy nhiên, để ứng dụng tốt vào thực tế thì chỉ số Z hay các
mô hình định lượng phải được hiệu chỉnh, được xây dựng trên dữ liệu của các doanh nghiệp Việt
Nam, qua kiểm định cụ thể thì hiệu quả mới chính thức được công nhận và nâng cao.
1.2. Chỉ số Zeta
Zeta là một chỉ số được Altman cải tiến từ chỉ số Z, Zeta làm việc tốt với dữ liệu tài chính của
các công ty sản xuất và cả bán lẻ với độ chính xác hơn 90% trước khi phá sản 1 năm và chính
xác trên 70% từ năm thứ 5 trở đi trước khi phá sản.
Vì tính độc quyền của mô hình nên Altman không công bố một cách đầy đủ các trọng số của mô
hình mà chỉ cung cấp 7 biến số mô hình sử dụng:
EBIT
X1 =
Tổng tài sản
Tổng tài sản không bao gồm các lợi thế thương mại và tài sản vô hình trong các biến số của
Zeta.
X2 = Mức ổn định thu nhập
• Chỉ tiêu này đo lường sai số chuẩn trong xu hướng của X1 trong vòng 5 đến 10 năm. Rủi
ro kinh doanh thường được biểu hiện thông qua sự dao động của thu nhập nên biến số
này tỏ ra có hiệu quả đặc biệt.
• Bên cạnh đó, Altman cũng đánh giá thông tin chứa đựng trong một vài biến số tương tự
để đo lường những rủi ro có thể xảy ra đối với công ty. Những biến số này có ý nghĩa
nhưng nó không được đưa vào mô hình
EBIT
X3 =
Lãi vay
• Tỷ số này được chuyển sang thước đo log cơ số 10 để chuẩn hóa và làm cho khác biệt
giữa các tỷ số không quá lớn.
• Lãi vay bao gồm lãi phải trả cho các tài sản thuê ngoài.
Lợi nhuận giữ lại
X4 =
Tổng tài sản
Tài sản lưu động
X5 =
Tổng tài sản
Vốn cổ phần
X6= thường
Tổng vốn
• Vốn cổ phần thường được tính bằng giá trị thị trường bình quân trong thời gian 5 năm.
• Tổng vốn = Vốn cổ phần thường + cổ phần ưu đãi + nợ + tài sản thuê ngoài đã được vốn
hóa.
X7 = Quy mô (tổng tài sản)
• Biến số này được điều chỉnh tùy theo những thay đổi trong báo cáo tài chính.
• Quy mô tài sản cũng được chuyển sang thước đo log cơ số 10 để chuẩn hóa phân phối
của biến.
• Mô hình này được nhiều ngân hàng ở các nước áp dụng và phát triển thành các mô hình
khác để xếp hạng khách hàng đi vay như mô hình mạng nơ ron thần kinh (neural
network), mô hình dựa trên mức tăng giá thị trường...
Tham khảo
1. Bina Lehmann (2003), "Is It Worth the While? The Relevance of Qualitative Information in
Credit Rating", Social Science Research Network
2. Edward I. Altman (1968), "Financial ratios, discriminant analysis and the prediction of
corporate bankruptcy", The Journal of Finance
3. Edward I. Altman (2000), "Predicting Financial Distress Of Companies: Revisiting The Z-
Score And Zeta® Models", New York University
4. Edward I. Altman, "The use of credit scoring models and the important of a credit culture",
New York University
5. Fitch (2006), "Corporate Rating Methodology", www.fitchratings.com
6. Moody's (2008), "Moody's Rating Symbols and Definations", www.moodys.com
7. Moody's (2008), "Moody's Financial MetricsTM Key Ratios by Rating and Industry for Global
Non- Financial Corporations: 2008", www.moodys.com
8. Standard & Poor's (2008), "Corporate Ratings Criteria", Standard & Poor's
9. Lâm Minh Chánh (2007), "Dùng chỉ số Z để ước tính Hệ số Tín Nhiệm", www.saga.vn
CÁC PHƯƠNG PHÁP XẾP HẠNG TÍN DỤNG DOANH NGHIỆP ĐIỂN HÌNH TRÊN THẾ GIỚI -
PHẦN 2
( Rating.com.vn - Friday 11.20.09 4:18 pm )
Xếp hạng tín dụng hay xếp hạng tín nhiệm là những ý kiến đánh giá về rủi
ro tín dụng và chất lượng tín dụng, thể hiện khả năng và thiện ý trả nợ (gốc,
lãi hoặc cả hai) của đối tượng đi vay để đáp ứng các nghĩa vụ tài chính một
cách đầy đủ và đúng hạn thông qua hệ thống xếp hạng theo ký hiệu. Hiện nay, trên thế giới có
hai phương pháp xếp hạng tín dụng chính là mô hình toán học và phương pháp chuyên gia:
2.3. Phương pháp xếp hạng tín nhiệm doanh nghiệp của Moody's
Moody's thiết lập 11 tỷ số chung nhất để sử dụng trong phân tích so sánh, các tỷ số này được
Moody's ứng dụng rộng rãi ở những quốc gia khác nhau, những ngành khác nhau và cả ở các
báo cáo xếp hạng tín nhiệmdoanh nghiệp. Tuy nhiên, trong quy trình cụ thể, Moody's có thể xem
xét bớt hoặc thêm vào các chỉ tiêu cho phù hợp với từng ngành riêng biệt. 11 tỷ số thường được
Moody's sử dụng gồm:
Theo báo cáo của Moody's, họ đã nghiên cứu khoảng 50% các công ty phi tài chính của Mỹ về
phân phối của 11 tỷ số trên tất cả các ngành theo hạng mức tín nhiệm từ cao đến thấp (tính tỷ số
trung bình từng ngành). Trong đó, 5 tỷ số có mối quan hệ mạnh mẽ với các hạng mức tín
nhiệm ngành từ Aaa đến C:
* (FFO +lãi vay)/ Lãi vay, FFO/ Tổng nợ và EBITA/ Lãi vay tăng một cách đều đặn với hạng
mức tín nhiệm như mong đợi.
* Tổng nợ/ EBITDA và Tổng nợ/ Tổng vốn hóa thì giảm một cách đều đặn
5 tỷ số khác có mối quan hệ gần như đồng đều với hạng mức tín nhiệm : Lợi nhuận hoạt động
biên, EBITAbiên, EBITA/ Tài sản trung bình, CAPEX/ Khấu hao, RCF/ Tổng nợ
Chỉ có một tỷ số có mối quan hệ yếu với các hạng mức tín nhiệm là tỷ số biến động doanh thu
(hệ số phương sai của doanh thu).
3. Kết luận
Nhìn chung, các tổ chức xếp hạng tín nhiệm hàng đầu trên thế giới gồm Fitch, S&P, Moody's sử
dụng chủ yếu phương pháp chuyên gia, đánh giá một cách toàn diện về nền kinh tế, ngành và
công ty. Với chỉ tiêu phi tài chính được nỗ lực lượng hóa tối đa, chỉ tiêu tài chính được tính toán
sau khi dữ liệu đã điều chỉnh để có thể so sánh với các doanh nghiệp tương đồng hoặc các doanh
nghiệp trong ngành. Họ cũng chú trọng xem xét các nhóm tỷ số hơn bất kỳ tỷ số riêng lẻ nào và
thiên về đánh giá dòng tiền thực chất mà doanh nghiệp tạo ra được với dòng tiền mà doanh
nghiệp phải chi trả. Tuy nhiên, dù sử dụng phương pháp nào, mô hình toán học hay phương pháp
chuyên gia, mỗi hệ thống xếp hạng tín nhiệm đều có một số khuyết điểm nhất định. Nếu như
phương pháp định lượng cần sự hỗ trợ của các nhân tố mềm thì phương pháp chuyên gia, tự thân
đã chứa đựng rủi ro do yếu tố chủ quan trong xếp hạng, chắc chắn 100% về khả năng trả nợ của
doanh nghiệp là điều không thể làm được. Koresh Galil (2003) khảo sát 2631 hạng mức tín
nhiệm trái phiếu của S&P trong giai đoạn 1983 - 1993, đã kết luận rằng: phân loại S&P không
cung cấp đủ thông tin rủi ro tín dụng ; khác biệt giữa hạng mức tín nhiệm chính và các hạng mức
tín nhiệm phụ của S&P không có ý nghĩa thống kê; các hạng mức tín nhiệm phụ thậm chí không
đồng đều với rủi ro tín dụng .
Lê Tất Thành - www.rating.com.vn
Tham khảo
1. Bina Lehmann (2003), "Is It Worth the While? The Relevance of Qualitative Information in
Credit Rating", Social Science Research Network
2. Edward I. Altman (1968), "Financial ratios, discriminant analysis and the prediction of
corporate bankruptcy", The Journal of Finance
3. Edward I. Altman (2000), "Predicting Financial Distress Of Companies: Revisiting The Z-
Score And Zeta® Models", New York University
4. Edward I. Altman, "The use of credit scoring models and the important of a credit culture",
New York University
5. Fitch (2006), "Corporate Rating Methodology", www.fitchratings.com
6. Moody's (2008), "Moody's Rating Symbols and Definations", www.moodys.com
7. Moody's (2008), "Moody's Financial MetricsTM Key Ratios by Rating and Industry for
Global Non- Financial Corporations: 2008", www.moodys.com
8. Standard & Poor's (2008), "Corporate Ratings Criteria", Standard & Poor's
9. Lâm Minh Chánh (2007), "Dùng chỉ số Z để ước tính Hệ số Tín Nhiệm", www.saga.vn
CÁC CƠ QUAN XẾP HẠNG TÍN DỤNG MỸ SẼ BỊ THAY THẾ?
( Rating.com.vn - Wednesday 08.11.10 10:20 am )
Nhóm tổ chức xếp hạng tín dụng như Moody, Standard & Poor's đã chịu chỉ
trích nặng nề về vai trò của họ trong cuộc khủng hoảng năm 2007 - 2009.
Các nhà điều tiết ngành ngân hàng Mỹ trong ngày thứ Ba đang tiến gần hơn đến khả năng th
thế các tổ chức xếp hạng tín dụng tư nhân trong việc đánh giá "sức khỏe" của các ngân hàng
Tuy nhiên họ cũng thể hiện sự lo lắng về sự thay đổi này.
Theo điều khoản mới trong Luật cải tổ ngành tài chính Mỹ mới được Tổng thống Obama ký
thông qua vào cuối tháng trước, nhà điều tiết ngành ngân hàng Mỹ trong năm tới sẽ phải đưa
lựa chọn thay thế cho việc sử dụng các cơ quan xếp hạng tín dụng tư nhân trong việc đánh g
lệ vốn của các ngân hàng.
Nhóm tổ chức xếp hạng tín dụng như Moody, Standard & Poor's đã chịu chỉ trích nặng nề về
trò của họ trong cuộc khủng hoảng năm 2007 - 2009. Họ chịu chỉ trích bởi đưa ra xếp hạng q
cao đối với các loại chứng khoán có độ rủi ro cao và cuối cùng gây ra sự bất ổn trên các thị
trường tài chính.
Thành viên thuộc Tập đoàn bảo hiểm tiền gửi Mỹ (FDIC) trong ngày thứ Ba đã yêu cầu ý ki
công chúng về lựa chọn thay thế cho các cơ quan xếp hạng tín dụng tư nhân. Biện pháp được
tính đến có thể là sử dụng mô hình phòng ngừa rủi ro nội bộ và nhiều phương phác khác do
chính các nhà điều tiết đưa ra.
Các nhà điều tiết thể hiện sự ủng hộ đối với việc hạn chế sử dụng các cơ quan xếp hạng tín dụng
tư nhân, họ còn đặt dấu hỏi về việc ngưng hẳn sử dụng các tổ chức trên.
Ông John Dugan, giám đốc cơ quan giám sát tiền tệ Mỹ, nhận xét nhóm ngân hàng nhỏ đã sử
dụng tốt các tổ chức xếp hạng tín dụng tư nhân trong việc đánh giá rủi ro.
Dù thể hiện sự ủng hộ đối với quy định mới, chủ tịch Tập đoàn bảo hiểm tiền gửi Mỹ thể hiện sự
lo lắng về khó khăn trong việc rút các tổ chức xếp hạng tín dụng ra khỏi khung điều tiết.
Nhà điều tiết thuộc Tập đoàn bảo hiểm tiền gửi Mỹ sẽ nhận phản hồi và đóng góp về lựa chọn
thay thế cho tổ chức xếp hạng tư nhân trong khoảng thời gian 60 ngày.
Hiện chưa rõ, khi nào đề xuất chính thức liên quan đến vấn đề sẽ được đưa ra.
Ngày thứ Ba, ban điều hành Tập đoàn bảo hiểm tiền gửi (FDIC) cũng đồng ý về việc tạo ra 2 cơ
quan để thực thi quy định cải tổ theo luật mới của ngành tài chính.
Cơ quan thứ nhất phụ trách các sản phẩm tài chính phức tạp (Office of Complex Financial
Institutions) sẽ chịu trách nhiệm đánh sập hoặc giải tán tổ chức tài chính lớn có nhiều vấn đề.
Cơ quan thứ hai chịu trách nhiệm bảo vệ người gửi tiền và người tiêu dùng (Division of
Depositor and Consumer Protection) sẽ tập trung vào bảo vệ người tiêu dùng và quy định cho
vay an toàn áp dụng chủ yếu đối với các ngân hàng có dưới 10 tỷ USD tài sản.
Theo Cafef
Xây dựng một mô hình mô phỏng là một trong những công việc quan trọng giúp cho chún
đánh giá, phân tích khả năng thành công của một dự án hay đánh giá chất lượng của mộ
hình ứng dụng trong thực tế. Có điều là hầu hết các hệ thống trong thế giới thực là rất p
tạp, vì thế quá trình thiết lập một hình mô phỏng cho các hệ thống này là rất khó khăn, và
cầu hệ thống mô phỏng phải có tốc độ xử lý rất cao. Nhưng trong những năm gần đây, vớ
phát triển của các công cụ xử lý, các nguyên lý mô phỏng, các phần mềm tính toán t
minh… thì vấn đề xây dựng mô hình đã trở lên dễ dàng hơn rất nhiều. Vì thế các chuyên g
thuật, các doanh nhân ngày nay…hoàn toàn có thể dễ dàng tiếp cận với các công cụ xử lý
nhằm xây dựng mô hình mô phỏng cho các dự án của mình nhằm đánh giá tính khả thi củ
án trước khi triển khai vào thực tế.
Crystal Ball, là một phần mềm trợ giúp quá trình thiết lập mô hình mô phỏng cho nhiều lĩnh
khác nhau, dựa trên nguyên lý mô phỏng Monte Carlo và trên nền phần mềm Excel. Cr
Ball cho phép những người sử dụng định nghĩa các phân bố xác suất trên một tập các biế
ngẫu nhiên của mô hình. Sau khi chạy chương trình mô phỏng, những người thiết lập mô hình
bảng tính có thể thiết lập và phân tích hàng nghìn các viễn cảnh khác nhau có thể xảy ra trong
thực tế và xác định mức rủi ro cho các viễn cảnh nhận được này dựa trên các kết quả thu được
từ quá trình mô phỏng. Những tiện ích bổ sung bởi Crystal Ball không làm thay đổi các công
thức hoặc các chức năng trong mô hình bảng tính truyền thống.
Trong mỗi một lần chạy chương trình mô phỏng. Crystal Ball sẽ lựa chọn giá trị ngẫu nhiên từ
mỗi một giả thiết trong mô hình đã chọn. Hình 1 dưới đây cho chúng ta thấy được một quá trình
thực hiện mô phỏng trong Crystal Ball.
Do chỉ xử lý các biến đơn lẻ trên từng ô nên các mô hình được thiết lập bằng Excel sẽ chỉ đưa
ra một kết quả dự báo đơn lẻ. Để mô phỏng các sự kiện mang tính quá trình bằng Excel, người
thực hiện mô phỏng buộc phải thay đổi thủ công các tham số của mô hình để thu được một tập
hợp các dự báo về các khả năng có thể xảy ra. Phương thức này đưa ra một phạm vi các kết
quả có thể xảy ra nhưng không đưa ra được các khả năng xảy ra hoặc các rủi ro của các kết
quả thu được.
Excel không được tối ưu để có thể sử dụng cho các dữ liệu thống kê, vì thế các tổ chức khác
đã xây dựng các phần mềm bổ xung hỗ trợ cho Excel như Crystal Ball hay @Risk. Chúng
không chỉ tính toán xác suất mà còn cho phép thực hiện các phép mô phỏng Monte Carlo để
lặp đi lặp lại việc lấy các giá trị khác nhau từ phân bố xác suất của biến số. Mô phỏng Monte
Carlo là một kỹ thuật hiệu quả đã được chứng minh. Trong nguyên lý mô phỏng Monte Carlo,
chỉ yêu cầu một bảng số ngẫu nhiên hoặc một bộ tạo số ngẫu nhiên trên máy tính. Một số ngẫu
nhiên là một giá trị toán học lựa chọn được tạo ra theo một phân bố xác suất.
Crystal Ball bổ sung thêm 2 kỹ thuật trên nền Excel: sự thay thế các giá trị đơn lẻ bằng một
phân bố xác suất và việc mô phỏng mô hình một cách ngẫu nhiên. Kết quả là một bảng tính với
sự hỗ trợ cải tiến thêm vào các phân bố xác suất này sẽ đưa ra các kết quả có thể xác định
được như xác suất thu được lợi nhuận từ một sản phẩm mới, hoặc mức độ chắc chắn của yêu
cầu chấp nhận được.
Các phương pháp lấy mẫu phổ biến trong Crystal ball
Có hai phương pháp lấy mẫu cơ bản trong phần mềm Crystal Ball:
Lấy mẫu Monte Carlo: chương trình mô phỏng sẽ lựa chọn một cách ngẫu nhiên môt giá trị sẵn
có từ phân bố xác suất của tập giá trị đầu vào đã được định nghĩa trong giả thuyết.
Lấy mẫu Latin Hypercube: chương trình mô phỏng cũng lựa chọn các giá trị một cách ngẫu
nhiên, nhưng số lần lấy mẫu là bằng nhau với mỗi một phân bố đã định nghĩa trong giả thiết.
Trong thực tế, người ta lựa chọn phương pháp lẫy mẫu Monte Carlo khi cần tính toán xấp xỉ
trạng thái thực của phân bố với yêu cầu nhiều lần thử hơn so với lẫy mẫu Latin Hypercube.
Hoặc khi ta muốn mô phỏng điều gì sẽ xảy ra trong điều kiện gần với thực tế hơn cho mô hình
bảng tính của bạn. Lựa chọn lấy mẫu theo phương pháp Latin Hypercube khi ta chủ yếu quan
tâm tới độ chính xác của các thông số trong chương trình mô phỏng.
Việc chọn loại phân bố cho một giả thuyết là một trong những bước quan trọng nhất trong quá
trình thiết lập một mô hình Crystal Ball. Với mỗi một biến số ngẫu nhiên trong một chương trình
mô phỏng, chúng ta phải xác định các giá trị mà nó có thể xảy ra bằng một phân bố xác suất.
Loại phân bố xác suất mà chúng ta chọn tuỳ thuộc vào các đặc điểm của biến số đó.
Trong một chương trình mô phỏng giá trị thay cho biến số được lựa chọn một cách ngẫu nhiên
từ các giá trị có thể xảy ra đã được chúng ta định nghĩa trước đó.
Một chương trình mô phỏng sẽ đưa ra các khả năng có thể xảy ra của mô hình mô phỏng bằng
cách lặp đi lặp lại công việc lấy giá trị từ hàm phân bố xác suất cho các biến số ngẫu nhiên và
sử dụng những giá trị này cho ô. Thông thường, một chương trình mô phỏng bằng Crystal Ball
sẽ đưa ra hàng trăm hoặc hàng nghìn viễn cảnh sẽ xảy ra trong vòng một vài giây.
Trong phần mềm Crystal Ball có sẵn nhiều loại phân bố xác suất bao gồm cả các hàm phân bố
liên tục và rời rạc được dùng để mô tả cho một giả định, ngoài ra còn có cả phân bố tuỳ chọn
(có thể bao gồm cả phân bố liên tục và rời rạc).
- Một phân bố xác suất liên tục giả định rằng tất cả các dữ liệu trong phạm vi đều có thể xuất
hiện, vì thể bất kỳ một giá trị nào nằm trong tập giá trị đều là những giá trị có thể xuất hiện.
Những phân bố xác suất này là những đường cong liên tục.
- Một phân bố xác suất rời rạc mô tả các giá trị thường là những giá trị nguyên rời rạc nhau.
Trong đồ thị của hàm phân bố loại này thường là những cột nối tiếp nhau.
Tuỳ điều kiện thực tế chúng ta có thể lựa chọn một trong các loại phân bố xác suất mà Crystal
Ball có để làm giả thuyết cho mô hình mô phỏng của chúng ta. Dưới đây mô tả một số hàm
phân bố xác suất được tích hợp trong Crystal Ball.
- Xây dựng một mẫu bảng tính dựa trên tình huống ngẫu nhiên.
Ngoài ra, khi muốn thiết lập một mô hình mô phỏng, ta cần phải định nghĩa 3 loại ô:
- Các ô giả định: chứa các giá trị ngẫu nhiên (đó là các biến độc lập ngẫu nhiên của vấn đề cần
giải quyết). Các giá trị trong ô giả định phải là các giá trị số học, không được là công thức hoặc
ký tự.
- Các ô “biến số có ảnh hưởng quyết định tới kết quả mô phỏng” chứa những giá trị có khả
năng kiểm soát phạm vi biến thiên các giá trị khác trong mô hình của người sử dụng. Các giá trị
nằm trong các ô này cũng phải dưới dạng số học chứ không được dưới dạng công thức hay ký
tự.
- Các ô dự báo (chứa các biến phụ thuộc) chứa các công thức có liên quan tới một hoặc nhiều
giả định và các ô biến số quyết định. Các ô này sẽ tiến hành kết hợp các giá trị trong các ô giả
định, ô biến số quyết định và các ô khác để đưa ra kết quả. Các ô dự báo phải chứa các công
thức toán học.
Với mỗi một biến số hay một giả thuyết trong một chương trình mô phỏng, chúng ta phải định
nghĩa những giá trị có khả năng xảy ra của nó dưới dạng một phân bố xác suất. Loại phân bố
xác suất mà chúng ta lựa chọn tuỳ thuộc vào tính chất của biến đó.
Trong một chương trình mô phỏng, Crystal Ball sẽ đưa ra nhiều viễn cảnh dự báo khác nhau
của mô hình bằng cách lặp đi lặp lại công việc nhặt các giá trị từ phân bố xác suất của chúng
và sử dụng các biến này cho mỗi một ô giả thuyết.
Do các phân bố được sử dụng để mô tả sự biến thiên cho các biến độc lập quan trọng cho các
mô phỏng (các phân bố xác suất này mô tả xác suất mà biến số rơi vào một giá trị trong một
tập giá trị cho trước), việc lựa chọn và áp dụng các phân bố phù hợp là nhân tố chính khi định
nghĩa một ô giả thuyết.
Xuất phát từ các nhân tố trên khi tiến hành xác định một mô hình giả thuyết chúng ta phải xác
định phân bố xác suất phù hợp với mỗi biến số. Để thực hiện được công việc trên chúng ta cần
xác định các bước định nghĩa cho một hay nhiều ô giả thuyết trong Crystal Ball:
- Lựa chọn một ô hay một phạm vi các ô. Những ô này có thể được để trống hoặc có một số
các giá trị bằng số (trong những ô này không được phép tồn tại các công thức toán học hoặc
ký tự).
- Lựa chọn lệnh Define Define Assumption để định nghĩa các giả thuyết.
- Từ bảng lựa chọn phân bố xác suất, lựa chọn phân bố mà chúng ta muốn.
- Khi cửa sổ “Define Assumption” xuất hiện, nhập các thông số cho phân bố mà chúng ta chọn.
Những thông số này có thể là dưới dạng số hoặc các ô liên quan.
Nếu như chúng ta đã có sẵn các dữ liệu được lưu giữ trước đó, Crystal Ball có thể giúp chúng
ta lựa chọn phân bố phù hợp nhất cho biến số cần mô tả này bằng các công cụ sẵn có của nó.
Các biến số quyết định có thể không cần cho một mô hình mô phỏng, nhưng chúng có thể hữu
ích khi cần so sánh hoặc tối ưu các kết quả. Những biến số quyết định là những giá trị mà
chúng ta có thể kiểm soát được chúng. Việc xác định một giá trị tối ưu cho các biến số quyết
định có thể tạo nên sự khác nhau trong việc thu được một mục tiêu quan trọng và việc không
đạt được mục tiêu này.
Để định nghĩa một ô biến số quyết định, chúng ta thực hiện theo các bước sau:
Sau khi dã định nghĩa các ô giả thuyết và các ô biến số quyết định, chúng ta cần lựa chọn ô dự
báo và định nghĩa ô này. Các ô dự báo thường chứa các công thức tương ứng với một hoặc
nhiều các ô giả thuyết và các ô biến số quyết định. Các ô dự báo kết hợp các ô trong mô hình
của chúng ta để đưa ra kết quả mà chúng ta cần.
Để định nghĩa một ô dự báo hoặc một số các ô dự báo chúng ta sử dụng lệnh “Define Define
Forecast” để nhập các thông số cần thiết.
Chạy mô phỏng
Sau khi đã hoàn thành các thao tác trên trong mô hình bảng tính, chúng ta đã có thể chạy
chương trình mô phỏng của mình bằng lệnh “Run simulation”. Chúng ta có thể tận dụng các
công cụ sẵn có trong phần mềm Crystal Ball để thu được những phân tích chuẩn xác về dự
báo mà nó đưa ra, từ đó chúng ta có được một kết quả gần với thực tế hơn.
---------------------------------------------------------------------------------------------------------------------
Tài liệu tham khảo
[2] Lawrence I. Goldman, Crystal Ball Professional Introductory Tutorial, In Proceeding of IEEE
Winter Simmulation Conference, pp. 1539-1545, 2002.
[3] Lawrence I. Goldman, Ethan Evans-Hilton, Hilary Emmell, Crystal Ball for Sigma Tutorial, In
Proceeding of IEEE Winter Simmulation Conference, pp. 293-300, 2003.
[4] Lawrence I. Goldman, Crystal Campbell, Crystal Balland Design for Six Sigma, In
Proceeding of IEEE Winter Simmulation Conference, 2004.
Theo Kinhtexaydung.plus.vn
MUA BÁN NỢ XẤU: CẦN NHỮNG GIẢI PHÁP “CÂY GẬY VÀ CỦ CÀ RỐT”
( Rating.com.vn - Monday 10.19.09 10:11 pm )
Hoạt động mua bán nợ xấu tại các doanh nghiệp Nhà nước sẽ hiệu quả
hơn nếu chúng ta mở rộng đối tượng tham gia.
Quan điểm trên được ông Phạm Mạnh Thường, Phó tổng giám đốc Tổng công ty Mua bán n
Tài sản tồn đọng của doanh nghiệp (DATC) đưa ra khi nói về nguyên nhân, khó khăn của vi
mua bán, xử lý nợ xấu cũng như quá trình cổ phần hóa doanh nghiệp Nhà nước.
- Hiện tại trong nền kinh tế, đặc biệt là đối với doanh nghiệp Nhà nước, việc tồn tại về mặt tà
chính, công nợ khó đòi rất là lớn. Điều này đã ảnh hưởng không nhỏ đến tiến độ cổ phần hóa
Nếu như không xử lý được, chắc chắn chương trình cổ phần hóa sẽ không đạt được mục tiêu
Trong thời gian qua, với chức năng của mình, DATC đã thực hiện mua các khoản nợ xấu củ
các doanh nghiệp từ ngân hàng, sau đó đánh giá thực trạng của doanh nghiệp về khả năng có
tái cơ cấu lại doanh nghiệp đó, định vị lại hướng doanh nghiệp. Đối với những doanh nghiệp
Nhà nước không đủ điều kiện cổ phần hóa, chúng tôi sẽ phát hành cổ phiếu ra công chúng, s
đó chuyển thành công ty cổ phần. Còn những công ty đã cổ phần hóa nhưng hoạt động yếu k
sẽ tái cơ cấu để phục hồi, đưa doanh nghiệp quay trở lại quỹ đạo hoạt động.
Tính đến nay, DATC đã mua khoảng 6.500 tỷ đồng nợ xấu từ các ngân hàng, đang thực hiện
lý nợ xấu cho khoảng 100 doanh nghiệp Nhà nước và doanh nghiệp đã cổ phần hóa; đã hoàn
thành xử lý nợ xấu cho khoảng 20 doanh nghiệp, trong đó có một nửa là doanh nghiệp Nhà
nước, còn lại là doanh nghiệp đã cổ phần hóa nhưng hoạt động yếu kém.
Kết quả là có nhiều doanh nghiệp đã hồi phục trở lại, hiệu quả sinh lời/vốn chủ sở hữu trên 3
còn trung bình là 20%.
Chẳng hạn như Công ty Mía đường Sơn La. Trước đây địa phương cũng đã "bất lực" trong v
cổ phần hóa trong suốt 3 - 4 năm. Nhưng sau khi chúng tôi tham gia xử lý nợ xấu và chuyển
thành công ty cổ phần thì đã hiệu quả rõ rệt. Công ty ngay lập tức, tạo việc làm cho hơn 4 ng
hộ dân đồng bào thiểu số.
Cụ thể là mức độ nợ xấu của doanh nghiệp Nhà nước hiện nay như thế nào?
Hiện đã có rất nhiều đánh giá về quy mô nợ của các doanh nghiệp Nhà nước. Có những đơn vị
nợ đến vài lần trên vốn chủ sở hữu, thậm chí có đơn vị nợ đến chục lần. Theo đánh giá của
chúng tôi, quy mô nợ của các doanh nghiệp Nhà nước hiện nay là tương đối lớn, đặc biệt là quy
mô nợ xấu. Đó là khoản nợ mà các ngân hàng, các tổ chức tín dụng đã cấp vốn cho doanh
nghiệp nhưng vì nhiều lý do khác nhau mà họ không thể trả được.
Nếu không có một cơ chế để xử lý nợ xấu, khi tụ thành quy mô lớn, nó có thể sẽ nguy hại đối
với nền kinh tế. Chúng ta nên nhớ rằng, khủng hoảng tài chính Đông Á năm 1997 -1998 và
khủng hoảng toàn cầu hiện nay cũng có nguyên nhân từ các khoản nợ xấu.
Đối với hệ thống ngân hàng, theo thống kê của chúng tôi, quy mô nợ xấu khoảng 60 -70 nghìn tỷ
đồng. Nếu theo tiêu chuẩn quốc tế có thể còn cao hơn. Nhưng điều đáng chú ý, đa số khoản nợ
này lại nằm trong các ngân hàng thương mại Nhà nước và khách nợ chủ yếu vẫn là doanh nghiệp
Nhà nước.
Do đó, việc xử lý nợ xấu là rất cần thiết. Nếu không xử lý được thì bản thân tính thanh khoản
của các ngân hàng sẽ bị ảnh hưởng, nền kinh tế mất đi một khoản vốn lớn không quay vòng
được, còn các doanh nghiệp cũng không thể cổ phần hóa được.
Nhưng DATC sẽ bắt đầu từ đâu khi mà đa phần doanh nghiệp trong số này được xếp vào diện "hết thuốc chữa"?
Khi tiếp nhận chúng tôi có nhiều hướng xử lý, nhưng chủ yếu thông qua việc mua và xử lý nợ
xấu để tái cấu trúc. Bởi, đúng là hầu hết các doanh nghiệp thuộc nhóm này đều có "bệnh nặng"
khó chữa, nên phải xuất phát từ "thể trạng" của doanh nghiệp để kê đơn thuốc, đó là phải bắt
nguồn từ khâu tài chính, quản trị điều hành, đến việc định vị lại hướng phát triển của doanh
nghiệp đó.
Nhưng trước hết là chúng tôi sẽ bắt đầu tái cấu trúc lại vấn đề tài chính, cân đối lại, xác định lại
quy mô, mời đối tác...
Thực ra thì cơ hội luôn đi kèm rủi ro. Đối với nhưng doanh nghiệp mà chúng tôi tiếp cận, họ vẫn
có rất nhiều tiềm năng phát triển nhưng họ không thể biến tiềm năng đó thành cơ hội để phát
triển vì những trục trặc tài chính, quản trị điều hành. Nếu tập trung tái cấu trúc thì cơ hội đó sẽ
được hiện thực hóa.
Được biết, khả năng xử lý nợ xấu của DATC hiện nay vẫn khá khiêm tốn?
Cơ chế chúng tôi đang làm là theo cơ chế thỏa thuận giữa chúng tôi và các ngân hàng. Chúng tôi
phải đàm phán các khoản nợ có thể mua bán được, giá cả. Sau đó mới tính đến xử lý tài chính.
Hiện việc mua bán nợ là khá mới nên hệ thống pháp lý, chế tài cho hoạt động này vẫn còn thiếu,
nên gặp nhiều khó khăn. Nhà nước nên đặt vấn đề xử lý nợ xấu thành một chương trình ở cấp
quốc gia, vì nó sẽ giúp tăng tính thanh khoản cho ngân hàng, đẩy nhanh được tiến trình cổ phần
hóa.
Với quan điểm như vậy, Chính phủ cần có những giải pháp theo kiểu "cây gậy và củ cà rốt" để
có các biện pháp yêu cầu các ngân hàng chủ nợ phải thực hiện việc bán nợ.
Việc phân loại nợ xấu được thực hiện theo quyết định 493 của Ngân hàng Nhà nước. Tùy vào
mức độ rủi ro, thanh khoản của các khoản nợ sẽ phân thành nhóm 1, 2, 3, 4, 5. Nếu rơi vào nhóm
4 hay 5 thì gọi là nợ xấu.
Theo đánh giá của chúng tôi thì trong số nợ xấu đó, có một số lượng không nhỏ sẽ không xử lý
được, bởi mang tính lịch sử: các ngân hàng thương mại Nhà nước cấp tín dụng theo chương trình
chỉ định của Chính phủ như: Chương trình 135, mía đường, đánh bắt xa bờ...nên Chính phủ cho
phép các ngân hàng được trích lập dự phòng và sử dụng nó để xử lý nợ xấu.
Nhưng cũng có ý kiến cho rằng, hiệu quả mua bán, xử lý nợ xấu hiện nay không cao là do DATC đang độc quyền
trong hoạt động này?
Chúng tôi vẫn có quan điểm nên mở thị trường này cho tất cả các nhà đầu tư cùng tham gia, vì
nợ xấu cũng là một món hàng và việc định giá nợ xấu phải được thông qua thị trường, cho dù
chúng ta có nhiều nghiệp vụ khác nhau để định giá.
Nếu làm được như vậy, chúng ta sẽ mở được thị trường mua bán nợ sơ cấp: giữa ngân hàng chủ
nợ và các nhà đầu tư xử lý nợ xấu. Sau đó, chúng ta có thể có được thị trường mua bán nợ thứ
cấp, đó là việc mua bán các khoản nợ xấu giữa các nhà đầu tư tư nhân lẫn Nhà nước.
Tuy nhiên, để cơ chế này phát huy hiệu quả thì chúng ta cần phải có sự hội tụ của 3 yếu tố: độ
mở về mặt tư duy của người làm chính sách, của cơ quan quản lý Nhà nước, mức độ phản ứng
của chính sách với đòi hỏi của thị trường và khuôn khổ pháp lý đủ rộng cho hoạt động này.
Năm nay, khi mà nền kinh tế chịu ảnh hưởng của khủng hoảng kinh tế, tỷ lệ nợ xấu của doanh nghiệp Nhà nước có
tăng, thưa ông?
Qua thống kê, chúng tôi thấy số doanh nghiệp không trả được nợ trong năm nay tăng lên rất
nhiều. Còn số cụ thể thì không thể công bố được.
Những doanh nghiệp bị tác động nhiều nhất của khủng hoảng nằm trong nhóm: chế biến nông -
lâm - thủy sản, xuất khẩu, xây dựng, giao thông..., vì khi khủng hoảng thì luồng tiền vào doanh
nghiệp này giảm đi rất lớn, hàng hóa không xuất khẩu được.
Theo Vneconomy
DN SẼ BẤT NGỜ VỚI CÔNG BỐ ĐỊNH MỨC TÍN NHIỆM
( Rating.com.vn - Sunday 07.18.10 7:56 pm )
Lần đầu tiên, hơn 500 DN niêm yết trên 2 Sở GDCK tập trung sẽ được
CTCP Xếp hạng tín nhiệm DN Việt Nam (CRV) công bố báo cáo xếp hạng
tín nhiệm (XHTN). Mục đích của việc xếp hạng là gì, tiêu chí ra sao, việc
công bố báo cáo này có tác động như thế nào đến NĐT và các DN? Báo
ĐTCK đã có cuộc phỏng vấn TS. Nguyễn Trọng Hòa, Phó trưởng bộ môn
Kinh tế lượng, Học viện Tài chính, Trưởng nhóm Phân tích XHTN DN,
CRV.
XHTN là nội dung quan trọng nhất trong quản lý rủi ro. Chúng tôi nghiên cứu và công bố bảng XHTN các
DN niêm yết với mục đích cung cấp những thông tin cần thiết cho người đầu tư về tình trạng của nhà
phát hành. Bên cạnh đó là giúp các ngân hàng trong việc ra quyết định cấp tín dụng, xác định hạn mức
tín dụng... DN được xếp hạng sẽ biết rõ tình trạng thực tế của mình, triển vọng phát triển trong tương lai
cũng như những rủi ro có thể gặp phải. Nó cũng có thể giúp các cơ quan quản lý nhà nước đánh giá
được đối tượng quản lý của mình.
Vừa qua, dư luận liên tiếp đề cập đến việc một số mã chứng khoán bị làm giá. Với việc công bố bảng
XHTN này, tôi nghĩ sẽ là một trong các dấu hiệu nhận diện được những cổ phiếu có biến động giá bất
thường thông qua việc so sánh kết quả XHTN với mức giá hiện tại. Bên cạnh đó, một số DN bị đưa vào
diện cảnh báo do có kết quả kinh doanh thua lỗ và thông qua XHTN của chúng tôi thì hầu hết đều được
xếp vào nhóm có mức rủi ro khá cao.
Đâu là tính khách quan và khoa học của việc đưa ra cách tính toán XHTN?
Trước đây, các tổ chức tài chính thường sử dụng phương pháp "chuyên gia" trong XHTN DN, nhưng
đây là phương pháp tốn kém thời gian, kết quả đánh giá mang tính chủ quan. Đã có rất nhiều mô hình
được đề xuất, áp dụng và thu được những kết quả khá tốt. Tuy nhiên, qua nghiên cứu của chúng tôi thì
mô hình thống kê được đánh giá rất cao trong quá trình phát triển các phương pháp XHTN và đang
được nhiều các tổ chức XHTN độc lập trên thế giới sử dụng trong nghiên cứu cũng như thực tế XHTN
DN hiện nay.
Để xếp hạng một DN niêm yết, chúng tôi sử dụng 54 chỉ tiêu tài chính được tính toán từ báo cáo tài
chính của các DN. Sau đó, từng bước lựa chọn những chỉ tiêu có ý nghĩa nhất trong việc phân biệt giữa
hai nhóm DN trên. Căn cứ vào hàm phân biệt và tiêu chí phân lớp của chúng tôi, sẽ phân nhóm được
DN với mức độ rủi ro tương ứng.
Trong đó:
X4 là tỷ số tổng vốn vay/tổng tài sản
X 8 là tỷ số vốn lưu động/tổng tài sản
X22 là tỷ số các khoản phải thu/doanh thu thuần
X24 là tỷ số các khoản phải thu/nợ phải trả
X29 là tỷ số lợi nhuận trước lãi vay và thuế/tổng tài sản
X53 là tỷ số lợi nhuận sau thuế/vốn chủ sở hữu
Hàm Z là kết hợp giữa các chỉ tiêu này, nên chỉ số Z càng
cao thì chứng tỏ các DN có tình hình tài chính tốt, hoạt
động kinh doanh hiệu quả, lợi nhuận cao và khả năng
thanh toán tốt.
Liệu có chuẩn xác khi chúng ta XHTN những DN đã niêm yết gần chục năm trên TTCK với DN mới thực
hiện niêm yết?
Số liệu quá khứ và hiện tại là yếu tố đầu vào quan trọng nhất trong các mô hình thống kê, do chỉ tiêu tài
chính mà chúng tôi sử dụng dựa trên các báo cáo tài chính của DN đều tuân thủ theo một chuẩn mực kế
toán chung. Việc xếp hạng ở đây là căn cứ vào số liệu các DN đã công bố năm 2009, không tính đến
năm thành lập cũng như thời gian niêm yết.
TTCK là hết sức nhạy cảm, CRV có lường trước sự phản ứng của thị trường đối với bản báo cáo của
mình?
Tôi nghĩ nhiều DN sẽ bất ngờ với kết quả công bố của chúng tôi. Sẽ có ý kiến phản đối và cũng có ý kiến
thừa nhận. Chúng tôi mong nhận được càng nhiều thông tin phản hồi càng tốt. Từ những phản hồi đó,
chúng tôi sẽ tiến hành phân tích, đánh giá và phối hợp với các cơ quan chức năng để có những kết quả
XHTN đạt được sự thừa nhận cao hơn.
Có thể hiện nay NĐT chưa có những phản ứng tích cực với kết quả XHTN được công bố. Tuy nhiên, khi
họ hiểu rõ hơn vai trò của XHTN thì nó có tính nhạy cảm rất cao và trở thành một chỉ báo khi ra quyết
định. Dự kiến, cuối tháng 6/2010, CRV sẽ công bố XHTN hơn 500 DN niêm yết trên TTCK. Dựa trên
phương pháp của chúng tôi, thứ hạng của DN trong bảng xếp hạng này có thể thay đổi từng năm sau khi
báo cáo tài chính năm của DN được công bố.
Theo CRV