# AI Liquidity Forecasting

Tiếng Anh: AI-driven Liquidity Forecasting

Dự báo dòng tiền vào ra để quản lý thanh khoản ngân hàng, đáp ứng tỷ lệ LCR, NSFR theo Basel III và tránh tình trạng thiếu hụt thanh khoản.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-liquidity-forecasting-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

## AI Liquidity Forecasting là gì?

**AI Liquidity Forecasting** (Dự báo thanh khoản bằng trí tuệ nhân tạo) là việc ứng dụng các thuật toán **trí tuệ nhân tạo (Artificial Intelligence - AI)** và **học máy (Machine Learning - ML)** để dự đoán dòng tiền vào, dòng tiền ra và trạng thái thanh khoản của ngân hàng trong tương lai. Đây là công cụ hỗ trợ đắc lực cho công tác quản trị **rủi ro thanh khoản (Liquidity Risk)**, giúp ngân hàng chủ động lập kế hoạch huy động vốn, sử dụng vốn hiệu quả và đáp ứng các tỷ lệ an toàn theo chuẩn quốc tế như Basel III.

Về bản chất, các mô hình AI được huấn luyện trên tập dữ liệu lịch sử rất lớn, bao gồm: lịch sử giao dịch tiền gửi, tiền vay, lịch sử đáo hạn, biến động lãi suất, tỷ giá, các chỉ số kinh tế vĩ mô, hành vi khách hàng, yếu tố mùa vụ (lễ, Tết, cuối quý), thậm chí là dữ liệu tin tức và mạng xã hội. Các thuật toán phổ biến được sử dụng gồm hồi quy tuyến tính (Linear Regression), **ARIMA** (Autoregressive Integrated Moving Average), mạng nơ-ron nhân tạo (Neural Networks), mô hình **LSTM (Long Short-Term Memory)** cho dữ liệu chuỗi thời gian, **Random Forest**, **XGBoost** và các mô hình **học sâu (Deep Learning)** tiên tiến. Mô hình sẽ phân tích các mẫu hình, xu hướng và mối quan hệ phi tuyến giữa các biến, từ đó đưa ra dự báo với độ chính xác cao hơn đáng kể so với các phương pháp thống kê truyền thống. Ngoài dự báo điểm (point forecast), hệ thống còn cho phép mô phỏng kịch bản (scenario analysis) và kiểm định căng thẳng (stress test) về thanh khoản.

Điểm khác biệt cốt lõi của **AI Liquidity Forecasting** so với các phương pháp truyền thống nằm ở khả năng tự học (self-learning) và tự cập nhật (self-updating). Mô hình AI có thể liên tục học từ dữ liệu mới, tự điều chỉnh trọng số các biến, phát hiện những mẫu hình bất thường (anomaly detection) mà con người khó nhận ra. Điều này đặc biệt có ý nghĩa trong bối cảnh thị trường tài chính ngày càng biến động phức tạp, các cú sốc kinh tế diễn ra thường xuyên và hành vi khách hàng thay đổi nhanh chóng do ảnh hưởng của công nghệ.

**Thuật ngữ tiếng Anh:** AI-driven Liquidity Forecasting
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

### Đặc điểm nổi bật của AI Liquidity Forecasting

| Đặc điểm | Mô tả chi tiết |
|---|---|
| **Xử lý dữ liệu lớn (Big Data)** | Có khả năng xử lý hàng triệu giao dịch mỗi ngày, dữ liệu từ nhiều nguồn khác nhau (core banking, CRM, thị trường, vĩ mô) |
| **Học phi tuyến (Non-linear Learning)** | Nhận diện được các mối quan hệ phi tuyến phức tạp giữa các biến, vượt trội so với hồi quy tuyến tính truyền thống |
| **Tự cập nhật mô hình** | Mô hình tự động tái huấn luyện (re-training) khi có dữ liệu mới, thích ứng với biến động thị trường |
| **Dự báo đa kịch bản** | Cho phép chạy hàng trăm kịch bản what-if, mô phỏng các tình huống căng thẳng thanh khoản |
| **Giải thích được (Explainable AI)** | Các mô hình hiện đại như SHAP, LIME giúp giải thích lý do đưa ra dự báo, đáp ứng yêu cầu kiểm toán |
| **Tích hợp thời gian thực (Real-time)** | Kết nối trực tiếp với hệ thống core banking, cập nhật dự báo theo từng phút hoặc từng giờ |

### Phân loại mô hình AI Liquidity Forecasting

Theo **phương pháp học máy**, có thể phân loại thành các nhóm sau:

- **Mô hình thống kê cổ điển kết hợp ML:** ARIMA, SARIMA, Prophet của Facebook - phù hợp với dữ liệu có tính mùa vụ rõ ràng.
- **Mô hình học máy truyền thống:** Random Forest, XGBoost, LightGBM - phù hợp với dự báo phân loại dòng tiền.
- **Mô hình học sâu (Deep Learning):** LSTM, GRU, Transformer - phù hợp với chuỗi thời gian dài, nhiều biến phụ thuộc.
- **Mô hình kết hợp (Ensemble/Hybrid):** Kết hợp nhiều mô hình để tăng độ chính xác, ví dụ LSTM + XGBoost.
- **Mô hình học tăng cường (Reinforcement Learning):** Tối ưu hóa danh mục thanh khoản thông qua quá trình thử-sai.

Theo **phạm vi dự báo**, có thể chia thành:

- **Dự báo ngắn hạn (Intraday - 1 ngày):** Phục vụ quản trị dòng tiền tức thời, thanh toán trong ngày.
- **Dự báo trung hạn (1 tuần - 3 tháng):** Phục vụ kế hoạch huy động vốn, đầu tư ngắn hạn.
- **Dự báo dài hạn (1 năm trở lên):** Phục vụ chiến lược cân đối tài sản - nguồn vốn, kế hoạch kinh doanh.

Theo **đối tượng dự báo**, có:

- Dự báo dòng tiền gửi không kỳ hạn **CASA (Current Account Savings Account)**.
- Dự báo dòng tiền rút trước hạn (Early Redemption).
- Dự báo nhu cầu vay theo ngành, theo khu vực.
- Dự báo lịch đáo hạn của trái phiếu, chứng chỉ tiền gửi.
- Dự báo tỷ lệ **LCR (Liquidity Coverage Ratio)** và **NSFR (Net Stable Funding Ratio)**.

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Dự báo dòng tiền CASA dịp Tết Nguyên Đán

**Ngân hàng A** là một trong những ngân hàng TMCP lớn nhất Việt Nam với quy mô tiền gửi CASA khoảng 350.000 tỷ đồng. Trước đây, vào mỗi dịp Tết Nguyên Đán, ngân hàng thường chịu áp lực rút tiền ròng từ 15-20% tổng tiền gửi khách hàng cá nhân, tương đương khoảng 25.000-35.000 tỷ đồng chỉ trong vòng 2 tuần trước Tết. Phương pháp dự báo truyền thống dựa trên trung bình lịch sử thường sai số đến 20-25%, khiến ngân hàng đôi khi phải vay trên thị trường liên ngân hàng với lãi suất cao hoặc bán tài sản thanh khoản chịu lỗ.

Sau khi triển khai hệ thống **AI Liquidity Forecasting** sử dụng mô hình LSTM kết hợp XGBoost, kết quả cho thấy sai số dự báo giảm xuống còn 7-9%. Hệ thống phân tích hơn 200 biến số, bao gồm: dữ liệu tiền lương chi trả qua ngân hàng, xu hướng mua sắm cuối năm, lịch sử rút tiền của từng phân khúc khách hàng, biến động lãi suất, tỷ giá USD/VND, giá vàng, thậm chí là sentiment từ mạng xã hội. Nhờ đó, ngân hàng chủ động huy động vốn từ thị trường liên ngân hàng với lãi suất thấp hơn 0,3-0,5%/năm, ước tính tiết kiệm chi phí lãi vay khoảng 80-120 tỷ đồng mỗi dịp Tết.

### Ví dụ 2: Quản lý danh mục HQLA và tỷ lệ LCR

**Ngân hàng B** xây dựng hệ thống AI để quản lý danh mục tài sản có tính thanh khoản cao (High Quality Liquid Assets - HQLA) nhằm đảm bảo tỷ lệ LCR luôn đạt tối thiểu 100% theo quy định. Mô hình được huấn luyện trên dữ liệu 5 năm với các biến đầu vào gồm: dòng tiền gửi theo ngày, lịch đáo hạn của các khoản vay, doanh số bán chứng chỉ tiền gửi, tình hình thị trường liên ngân hàng. Hệ thống đưa ra khuyến nghị real-time về việc nên giữ bao nhiêu tiền mặt tại Kho bạc Nhà nước, bao nhiêu trái phiếu Chính phủ kỳ hạn 1-3 tháng, bao nhiêu tín phiếu kho bạc.

Kết quả, trong 6 tháng đầu năm, tỷ lệ LCR của Ngân hàng B dao động ổn định ở mức 115-125%, không còn tình trạng sát ngưỡng 100% như trước đây. Lợi nhuận từ danh mục HQLA cũng tăng 12-15% do AI tối ưu hóa việc phân bổ giữa các kênh đầu tư ngắn hạn, đồng thời tự động cảnh báo khi có dấu hiệu dòng tiền ra bất thường (ví dụ: tin đồn rút tiền hàng loạt qua mạng xã hội).

### Ví dụ 3: Kiểm định căng thẳng thanh khoản (Liquidity Stress Test)

**Ngân hàng C** triển khai mô hình AI để chạy kiểm định căng thẳng thanh khoản theo yêu cầu của Thông tư 13/2018/TT-NHNN. Hệ thống có thể mô phỏng hơn 500 kịch bản khác nhau, bao gồm: (i) khủng hoảng ngân hàng toàn cầu, (ii) rút tiền hàng loạt tại 1-3 chi nhánh, (iii) mất thanh khoản thị trường liên ngân hàng, (iv) sụt giảm 30-50% tiền gửi doanh nghiệp lớn. Với mỗi kịch bản, AI tính toán "thời gian sống sót" (survival period) của ngân hàng, giả định ngân hàng không được tiếp cận nguồn vốn mới.

Kết quả cho thấy, trong kịch bản xấu nhất (rút 20% tiền gửi trong 7 ngày), Ngân hàng C có thể sống sót được 45 ngày - vượt xa yêu cầu tối thiểu 30 ngày theo chuẩn Basel III. Hệ thống cũng tự động đề xuất các hành động ứng phó như: kích hoạt kế hoạch dự phòng thanh khoản (Contingency Funding Plan - CFP), tăng lãi suất huy động kỳ hạn ngắn, bán một phần danh mục trái phiếu Chính phủ.

## AI Liquidity Forecasting trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | AI-driven Liquidity Forecasting | /eɪ aɪ ˈdrɪvən lɪˈkwɪdɪti ˈfɔːkæstɪŋ/ |
| Tiếng Nhật | AI流動性予測 (AI Ryūdōsei Yosoku) | /AI ryūdōsei yosoku/ |
| Tiếng Hàn | AI 유동성 예측 (AI Yudongseong Yegyeok) | /AI yudongseong yegyeok/ |
| Tiếng Trung | 人工智能流动性预测 (Rén Gōng Zhìnéng Liúdòng Xìng Yùcè) | /rén gōng zhìnéng liúdòng xìng yùcè/ |
| Tiếng Tây Ban Nha | Pronóstico de Liquidez con IA | /pɾoˈnostiko ðe liˈkiðeθ kon ˈi.a/ |

## Câu hỏi thường gặp

### AI Liquidity Forecasting khác gì với dự báo thanh khoản truyền thống?

**AI Liquidity Forecasting** khác biệt ở ba điểm chính: (1) Xử lý được lượng dữ liệu khổng lồ và nhiều chiều (hàng trăm biến), trong khi phương pháp truyền thống chỉ dùng vài biến chính; (2) Nhận diện được các mối quan hệ phi tuyến phức tạp mà mô hình tuyến tính bỏ sót; (3) Tự động cập nhật và cải thiện theo thời gian. Ví dụ, phương pháp ARIMA truyền thống chỉ dựa trên dữ liệu chuỗi thời gian lịch sử, trong khi mô hình LSTM có thể kết hợp thêm dữ liệu vĩ mô, hành vi khách hàng, tin tức để tăng độ chính xác thêm 10-20%.

### Khi nào cần biết về AI Liquidity Forecasting?

Bạn cần nắm vững thuật ngữ này khi: (1) Ôn thi tuyển dụng ngân hàng ở các vị trí Khối Quản trị Rủi ro (Risk Management), Khối Ngân quỹ (Treasury), Khối Công nghệ thông tin, hoặc phòng Phân tích dữ liệu (Data Analytics); (2) Làm việc tại các bộ phận liên quan đến Basel III, **LCR**, **NSFR**, kế hoạch dự phòng thanh khoản; (3) Tham gia các dự án chuyển đổi số, xây dựng **Data Lake** hoặc **Treasury Management System** của ngân hàng. Ngoài ra, thuật ngữ này còn xuất hiện trong các báo cáo thường niên, đại hội cổ đông và bài phỏng vấn về chiến lược công nghệ.

### AI Liquidity Forecasting ảnh hưởng thế nào đến khách hàng?

Đối với khách hàng cá nhân, hệ thống AI giúp ngân hàng dự đoán chính xác nhu cầu rút tiền, từ đó đảm bảo ATM luôn có đủ tiền, app mobile banking hoạt động ổn định, không xảy ra tình trạng "treo" giao dịch dịp lễ, Tết. Đối với khách hàng doanh nghiệp, AI giúp ngân hàng cấp tín dụng nhanh hơn nhờ đánh giá chính xác dòng tiền, đồng thời gợi ý các sản phẩm tiền gửi, ủy thác phù hợp với dòng tiền nhàn rỗi. Tuy nhiên, khách hàng cũng cần lưu ý về bảo mật dữ liệu cá nhân khi ngân hàng thu thập thông tin để huấn luyện mô hình AI.

## Tổng kết

**AI Liquidity Forecasting** là một trong những ứng dụng quan trọng nhất của trí tuệ nhân tạo trong ngành ngân hàng hiện đại, giúp nâng cao năng lực quản trị rủi ro thanh khoản lên một tầm cao mới. Với khả năng xử lý dữ liệu lớn, nhận diện mẫu hình phi tuyến và tự động cập nhật, các mô hình AI cho phép ngân hàng dự báo chính xác hơn 15-25% so với phương pháp truyền thống, qua đó tiết kiệm chi phí huy động vốn, tối ưu danh mục HQLA và đảm bảo tuân thủ các tỷ lệ an toàn theo Basel III. Đối với người ôn thi ngân hàng, việc hiểu rõ **AI Liquidity Forecasting** không chỉ giúp ghi điểm trong các câu hỏi lý thuyết mà còn thể hiện sự am hiểu về xu hướng chuyển đổi số - một trong những chủ đề nóng nhất trong ngành tài chính Việt Nam hiện nay. Hãy nhớ rằng AI là công cụ hỗ trợ quyết định (human-in-the-loop), con người vẫn giữ vai trò giám sát, phán đoán cuối cùng và chịu trách nhiệm về quản trị rủi ro trước pháp luật.

## Thuật ngữ liên quan

- [Chứng chỉ tiền gửi](https://vieclam.nganhang.com/thuat-ngu/chung-chi-tien-gui-la-gi) — Giấy chứng nhận tiền gửi có kỳ hạn và lãi suất cố định do ngân hàng phát hành, có thể chuyển nhượng trước khi đáo hạn.
- [Dự báo dòng tiền](https://vieclam.nganhang.com/thuat-ngu/du-bao-dong-tien-la-gi) — Việc ước tính dòng tiền vào, dòng tiền ra trong tương lai để lập kế hoạch tài chính và quản lý vốn lưu động.
- [Kế hoạch dự phòng thanh khoản](https://vieclam.nganhang.com/thuat-ngu/ke-hoach-du-phong-thanh-khoan-la-gi) — Kế hoạch hành động chi tiết để ứng phó với các tình huống căng thẳng thanh khoản, bao gồm nguồn huy động khẩn cấp và quy trình phê duyệt.
- [Mô phỏng kịch bản](https://vieclam.nganhang.com/thuat-ngu/mo-phong-kich-ban-la-gi) — Scenario simulation xây dựng các kịch bản tốt - cơ sở - xấu phục vụ kiểm tra sức chịu đựng và lập kế hoạch vốn theo ICAAP.
- [Ngân hàng dự đoán](https://vieclam.nganhang.com/thuat-ngu/ngan-hang-du-doan-la-gi) — Ứng dụng AI dự đoán trước nhu cầu khách hàng như cảnh báo sắp hết tiền, gợi ý tiết kiệm, nhắc thanh toán hóa đơn đúng thời điểm.
- [Rủi ro công nghệ thông tin](https://vieclam.nganhang.com/thuat-ngu/rui-ro-cong-nghe-thong-tin-la-gi) — Rủi ro từ hệ thống CNTT bị lỗi, gián đoạn, lạc hậu hoặc không đáp ứng yêu cầu bảo mật, gây tác động tiêu cực đến hoạt động ngân hàng.
- [Thị trường liên ngân hàng](https://vieclam.nganhang.com/thuat-ngu/thi-truong-lien-ngan-hang-la-gi) — Thị trường cho vay - vay vốn ngắn hạn giữa các ngân hàng với nhau, là kênh thanh khoản quan trọng hàng đầu của hệ thống ngân hàng.
- [Tiền gửi không kỳ hạn](https://vieclam.nganhang.com/thuat-ngu/tien-gui-khong-ky-han-la-gi) — Loại tiền gửi trong tài khoản thanh toán có thể rút bất kỳ lúc nào, không cam kết thời hạn và thường hưởng lãi suất thấp.