# AI Liquidity Risk dự báo thanh khoản

Tiếng Anh: Liquidity Risk Forecasting

Mô hình AI dự báo dòng tiền vào/ra và chỉ số thanh khoản LCR, NSFR của ngân hàng, giúp cảnh báo sớm áp lực rút tiền gửi trong tình huống căng thẳng.

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

AI Liquidity Risk dự báo thanh khoản là gì?

**AI Liquidity Risk dự báo thanh khoản** (tiếng Anh: **Liquidity Risk Forecasting**) là việc ứng dụng các thuật toán trí tuệ nhân tạo (Artificial Intelligence), học máy (Machine Learning) và học sâu (Deep Learning) để phân tích, mô hình hóa và dự đoán dòng tiền vào/ra, nhu cầu rút tiền của khách hàng, cũng như sự biến động của các chỉ số thanh khoản trong tương lai gần (thường từ 1 ngày đến 12 tháng). Đây là một trong những ứng dụng quan trọng nhất của **AI trong ngân hàng**, giúp các ngân hàng chuyển từ mô hình quản trị thanh khoản phản ứng (reactive) sang chủ động (proactive).

Về bản chất, mô hình dự báo thanh khoản truyền thống chủ yếu dựa vào phân tích chuỗi thời gian cơ bản, bảng kỳ hạn đáo hạn (maturity ladder) và các kịch bản stress test định lượng do con người xây dựng. Khi tích hợp AI, mô hình có khả năng xử lý lượng dữ liệu khổng lồ (big data) từ nhiều nguồn khác nhau: lịch sử giao dịch tiền gửi, tiền vay, lịch sử rút tiền ATM, dòng tiền liên ngân hàng, tỷ giá, lãi suất thị trường, các chỉ số kinh tế vĩ mô (GDP, CPI, lạm phát), thậm chí dữ liệu phi cấu trúc từ tin tức và mạng xã hội để phát hiện tín hiệu sớm về rủi ro rút tiền hàng loạt (bank run).

Mục tiêu cuối cùng của hệ thống là cung cấp cảnh báo sớm (early warning) về các tình huống căng thẳng thanh khoản, hỗ trợ bộ phận **ALM Treasury** (Quản trị tài sản - nợ phải trả) và ban lãnh đạo ngân hàng đưa ra quyết định kịp thời: huy động vốn từ thị trường liên ngân hàng, phát hành chứng chỉ tiền gửi, điều chỉnh danh mục tài sản, bán tài sản thanh khoản cao (**HQLA - High-Quality Liquid Assets**), hoặc tối ưu hóa chi phí vốn (cost of funding) để đảm bảo các tỷ lệ an toàn theo quy định.

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

---

## Đặc điểm và phân loại

### 1. Đặc điểm chính của mô hình AI dự báo thanh khoản

- **Xử lý dữ liệu đa chiều, đa nguồn:** Kết hợp dữ liệu nội bộ (core banking) và dữ liệu bên ngoài (thị trường, vĩ mô, mạng xã hội) trong cùng một mô hình.
- **Khả năng học liên tục (online learning):** Mô hình được tái huấn luyện tự động khi có dữ liệu mới, giúp thích ứng với biến động thị trường.
- **Dự báo đa kỳ hạn:** Từ intra-day (trong ngày), 1 ngày, 7 ngày, 30 ngày đến 12 tháng.
- **Tích hợp stress test:** Cho phép mô phỏng các kịch bản cực đoan như khủng hoảng ngân hàng, chạy lãi suất, rút tiền hàng loạt.
- **Trực quan hóa real-time:** Kết quả hiển thị trên dashboard với các chỉ số **LCR** (Liquidity Coverage Ratio), **NSFR** (Net Stable Funding Ratio), khoảng dự phòng thanh khoản và cảnh báo ngưỡng.
- **Khả năng giải thích (explainability):** Các mô hình hiện đại tích hợp kỹ thuật **SHAP**, **LIME** để giải thích lý do mô hình đưa ra dự báo, phục vụ kiểm toán và tuân thủ.

### 2. Phân loại các thuật toán phổ biến

| Nhóm thuật toán | Thuật toán tiêu biểu | Ưu điểm | Hạn chế |
|---|---|---|---|
| **Chuỗi thời gian cổ điển** | ARIMA, SARIMA, Prophet (Facebook) | Dễ triển khai, dễ giải thích | Khó bắt được quan hệ phi tuyến phức tạp |
| **Học máy truyền thống** | Random Forest, XGBoost, **SVM** (Support Vector Machine) | Xử lý tốt dữ liệu có cấu trúc, ít bị overfitting | Cần feature engineering thủ công |
| **Học sâu** | LSTM, GRU, Transformer, **CNN** áp dụng cho chuỗi thời gian | Bắt được quan hệ phi tuyến, dài hạn | Cần lượng dữ liệu lớn, khó giải thích |
| **Phát hiện bất thường** | Isolation Forest, Autoencoder | Phát hiện sớm giao dịch bất thường | Tỷ lệ cảnh báo sai (false positive) |
| **Mô hình kết hợp** | Hybrid (ARIMA + LSTM), Ensemble | Tận dụng điểm mạnh của nhiều mô hình | Phức tạp trong vận hành |

### 3. Các chỉ số thanh khoản được dự báo

- **LCR (Liquidity Coverage Ratio):** Tỷ lệ bao phủ thanh khoản, yêu cầu ≥ 100% theo Basel III và Thông tư 13/2018/TT-NHNN.
- **NSFR (Net Stable Funding Ratio):** Tỷ lệ nguồn vốn ổn định ròng, yêu cầu ≥ 100%.
- **Liquidity Gap:** Khoảng cách giữa tài sản và nợ phải trả theo kỳ hạn.
- ** Survival Horizon:** Số ngày ngân hàng có thể duy trì hoạt động trong kịch bản stress.
- **Funding Concentration:** Mức độ tập trung nguồn vốn từ một nhóm khách hàng/nhà đầu tư.

---

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Ngân hàng A triển khai mô hình LSTM dự báo dòng tiền 7 ngày

**Ngân hàng A** - một ngân hàng thương mại cổ phần top đầu với tổng tài sản khoảng 800.000 tỷ đồng - đã triển khai hệ thống AI dự báo thanh khoản từ năm 2023. Mô hình sử dụng kiến trúc **LSTM** (Long Short-Term Memory) kết hợp với dữ liệu lịch sử 5 năm của hơn 12 triệu khách hàng cá nhân và 80.000 khách hàng doanh nghiệp.

Hệ thống thu thập các biến đầu vào bao gồm: (1) lịch sử rút tiền/gửi tiền theo ngày, tuần, tháng; (2) lịch trả lãi/gốc trái phiếu; (3) lịch thanh toán lương qua tài khoản ngân hàng; (4) ngày lễ, Tết; (5) biến động lãi suất liên ngân hàng; (6) chỉ số **VN-Index** và tỷ giá USD/VND.

**Kết quả thực tế:** Vào đầu tháng 12/2023, hệ thống đã cảnh báo sớm rằng dòng tiền rút trong 7 ngày tới sẽ tăng 18% (tương đương khoảng 4.500 tỷ đồng) do trùng với kỳ trả lãi trái phiếu doanh nghiệp và thanh toán cuối tháng. Nhờ cảnh báo này, bộ phận ALM Treasury đã chủ động bán 2.000 tỷ đồng trái phiếu chính phủ kỳ hạn ngắn (HQLA) và vay 1.500 tỷ đồng trên thị trường liên ngân hàng với lãi suất 4,2%/năm, giúp tỷ lệ LCR duy trì ở mức 118%, tránh được áp lực phải huy động vốn với lãi suất cao hơn trong tình huống khẩn cấp. Sai số dự báo trung bình (MAPE) của mô hình đạt khoảng 6,3%, cải thiện 35% so với mô hình ARIMA cũ.

### Ví dụ 2: Khách hàng B - Ngân hàng B ứng dụng AI phát hiện rút tiền bất thường

**Ngân hàng B** - ngân hàng có mạng lưới chi nhánh rộng khắp 63 tỉnh thành - triển khai hệ thống **Anomaly Detection** kết hợp thuật toán **Isolation Forest** và **Autoencoder** để phát hiện sớm dấu hiệu rút tiền hàng loạt tại các chi nhánh.

Tháng 5/2024, hệ thống ghi nhận tại Chi nhánh C (tỉnh thành X), số lượng giao dịch rút tiền mặt tăng đột biến 240% so với cùng kỳ, với tổng giá trị rút đạt 85 tỷ đồng chỉ trong 3 ngày. Mô hình AI đã cảnh báo mức độ bất thường (anomaly score = 0,92/1,0) kèm theo giải thích: "Có 1.247 giao dịch rút tiền mặt ≥ 500 triệu đồng, tập trung vào 23 khách hàng doanh nghiệp có quan hệ với 3 nhóm ngành đang gặp khó khăn (bất động sản, xây dựng, vật liệu)". Nhờ đó, ngân hàng đã kịp thời liên hệ với khách hàng, đề xuất các sản phẩm tiền gửi có kỳ hạn với lãi suất ưu đãi 5,5%/năm, giữ chân được 70% dòng tiền và tránh được hiệu ứng lan tỏa (contagion effect) sang các chi nhánh khác.

### Ví dụ 3: Tích hợp stress test AI trong quản trị thanh khoản

Một **ngân hàng C** trong nhóm ngân hàng thương mại cổ phần tư nhân đã tích hợp mô hình AI vào hệ thống **stress test thanh khoản** theo quy định của Ngân hàng Nhà nước. Mô hình sử dụng kỹ thuật **Monte Carlo Simulation** kết hợp với mạng neural để mô phỏng 10.000 kịch bản căng thẳng, bao gồm:

- Kịch bản 1: 30% khách hàng doanh nghiệp rút tiền gửi không kỳ hạn trong 7 ngày.
- Kịch bản 2: Lãi suất liên ngân hàng tăng 300 điểm cơ bản.
- Kịch bản 3: Tỷ giá USD/VND biến động ±5% trong 30 ngày.
- Kịch bản 4: Khủng hoảng tin đồn trên mạng xã hội (phân tích sentiment từ 50.000 bài viết/ngày).

Kết quả cho thấy trong kịch bản xấu nhất, tỷ lệ LCR của ngân hàng vẫn đạt 102%, đáp ứng yêu cầu tối thiểu 100% theo Thông tư 13/2018/TT-NHNN. Ngân hàng sử dụng kết quả này để xây dựng kế hoạch dự phòng thanh khoản (Contingency Funding Plan - CFP) và làm báo cáo trình Ủy ban ALM hàng quý.

---

## AI Liquidity Risk dự báo thanh khoản trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Liquidity Risk Forecasting | /lɪˈkwɪdɪti rɪsk ˈfɔːrkæstɪŋ/ |
| Tiếng Nhật | 流動性リスク予測 (Ryūdōsei risku yosoku) | /ɾɯːdoːsei ɾisɯ joːsokɯ/ |
| Tiếng Hàn | 유동성 위험 예측 (Yudongseong wiheom yechuk) | /judʌŋsʌŋ ɡwiːhʌm jʌtɕʰuk/ |
| Tiếng Trung | 流动性风险预测 (Liúdòngxìng fēngxiǎn yùcè) | /liou˨˩˦.tʊŋ˥˩.ɕiŋ˥˩ fɤŋ˥˩.ɕiɛn˨˩˦ y˥˩.tsʰɤ˥˩/ |
| Tiếng Tây Ban Nha | Pronóstico de Riesgo de Liquidez | /pɾoˈnostiko ðe ˈrjesɣo ðe likiˈdeθ/ |

---

## Câu hỏi thường gặp

### AI Liquidity Risk dự báo thanh khoản khác gì quản trị thanh khoản truyền thống?

Quản trị thanh khoản truyền thống (Liquidity Management) là quy trình tổng thể bao gồm: đo lường, giám sát, kiểm soát và ra quyết định về dòng tiền, trong khi **AI dự báo thanh khoản** chỉ là một công cụ hỗ trợ cho khâu dự báo (forecasting). Mô hình AI không thay thế hoàn toàn con người mà cung cấp input chính xác hơn cho quy trình ra quyết định. Nói cách khác, AI là "mắt xích" trong toàn bộ chuỗi quản trị thanh khoản, giúp nâng cao độ chính xác của dự báo từ mức 75-80% lên 90-95%.

### Khi nào ngân hàng cần triển khai AI dự báo thanh khoản?

Ngân hàng nên triển khai khi: (1) Quy mô tiền gửi khách hàng vượt 300.000 tỷ đồng, dữ liệu đủ lớn để huấn luyện mô hình; (2) Tỷ lệ LCR/NSFR thường xuyên dao động gần ngưỡng 100% (±10%), cần cảnh báo sớm; (3) Ngân hàng hoạt động đa quốc gia hoặc có danh mục phái sinh phức tạp; (4) Tuân thủ yêu cầu ngày càng chặt chẽ của Ngân hàng Nhà nước theo Thông tư 13/2018, Thông tư 17/2023 và các chuẩn mực Basel III. Đối với ngân hàng nhỏ, có thể bắt đầu từ các giải pháp SaaS từ các công ty **RegTech** trong nước với chi phí thấp hơn.

### AI dự báo thanh khoản ảnh hưởng thế nào đến khách hàng?

Đối với khách hàng cá nhân: AI giúp ngân hàng duy trì ổn định dòng tiền, đảm bảo khả năng thanh toán nhanh chóng, giảm rủi ro phong tỏa tài khoản do ngân hàng thiếu thanh khoản. Đối với khách hàng doanh nghiệp: giúp ổn định lãi suất huy động, giảm chi phí vốn (do ngân hàng không phải huy động gấp với lãi suất cao), từ đó lãi suất cho vay có thể được điều chỉnh ổn định hơn. Tuy nhiên, khách hàng cũng cần lưu ý về quyền riêng tư dữ liệu khi ngân hàng thu thập thông tin giao dịch để huấn luyện mô hình - điều này phải tuân thủ Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân.

---

## Tổng kết

**AI dự báo thanh khoản** đang trở thành công cụ không thể thiếu trong quản trị rủi ro ngân hàng hiện đại, đặc biệt trong bối cảnh các quy định về LCR, NSFR theo Thông tư 13/2018/TT-NHNN và Thông tư 17/2023/TT-NHNN ngày càng chặt chẽ. Với khả năng xử lý dữ liệu lớn, dự báo đa kỳ hạn và tích hợp stress test, mô hình AI giúp ngân hàng chuyển từ quản trị phản ứng sang chủ động, tối ưu chi phí vốn và nâng cao năng lực cạnh tranh. Tuy nhiên, người làm ngân hàng cần nhớ rằng AI chỉ là công cụ hỗ trợ - quyết định cuối cùng vẫn thuộc về con người, đặc biệt là bộ phận **ALM Treasury** và Ủy ban Quản lý rủi ro (RMC). Việc nắm vững kiến thức nền tảng về thanh khoản, các chỉ số Basel III và khung pháp lý Việt Nam vẫn là yếu tố tiên quyết để vận hành hiệu quả các mô hình AI trong thực tiễn ngân hàng.

## Thuật ngữ liên quan

- [Phát hiện bất thường](https://vieclam.nganhang.com/thuat-ngu/phat-hien-bat-thuong-la-gi) — Kỹ thuật nhận diện các mẫu dữ liệu lệch chuẩn so với hành vi thông thường, được ứng dụng rộng rãi trong giám sát giao dịch và cảnh báo rủi ro ngân hàng.
- [Phân tích rủi ro thanh khoản](https://vieclam.nganhang.com/thuat-ngu/phan-tich-rui-ro-thanh-khoan-la-gi) — Mô hình hóa dòng tiền vào/ra, khoảng cách đáo hạn để đảm bảo ngân hàng đáp ứng các chỉ số LCR, NSFR theo quy định.
- [Quyết định 2345/QĐ-NHNN](https://vieclam.nganhang.com/thuat-ngu/quyet-dinh-2345qd-nhnn-la-gi) — Quyết định của Ngân hàng Nhà nước Việt Nam ban hành năm 2023 quy định về bảo đảm an toàn thông tin trong hoạt động ngân hàng.
- [Quản trị tài sản - nợ phải trả](https://vieclam.nganhang.com/thuat-ngu/quan-tri-tai-san-no-phai-tra-la-gi) — Quy trình quản lý rủi ro lãi suất và rủi ro thanh khoản bằng cách phối hợp tài sản và nợ phải trả nhằm tối đa hóa thu nhập lãi thuần trong phạm vi rủi ro chấp …
- [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.
- [Tỷ lệ bao phủ thanh khoản](https://vieclam.nganhang.com/thuat-ngu/ty-le-bao-phu-thanh-khoan-la-gi) — Theo chuẩn Basel III, đo lường khả năng ngân hàng trang trải dòng tiền ra trong 30 ngày bằng tài sản thanh khoản chất lượng cao.
- [Tỷ lệ nguồn vốn ổn định ròng](https://vieclam.nganhang.com/thuat-ngu/ty-le-nguon-von-on-dinh-rong-la-gi) — Chỉ tiêu Basel III đảm bảo ngân hàng có đủ nguồn vốn ổn định để tài trợ cho tài sản dài hạn trong vòng một năm.
- [Ủy ban Basel về Giám sát Ngân hàng](https://vieclam.nganhang.com/thuat-ngu/uy-ban-basel-ve-giam-sat-ngan-hang-la-gi) — Là cơ quan đặt trụ sở tại Ngân hàng Thanh toán Quốc tế (BIS) chịu trách nhiệm xây dựng và phát triển các chuẩn mực Basel. BCBS không có quyền lực pháp lý nhưng…