Chuyên gia Quản lý rủi ro Tín dụng - Khối Quản lý rủi ro

## Ôn thi & Chuẩn bị cho vị trí QLRR Tín dụng ### 1. Kiến thức nền tảng cần nắm vững **A. Quản trị rủi ro ngân hàng cơ bản:** - Phân loại rủi ro: Tín dụng, thị trường, thanh khoản, hoạt động - Quy trình quản lý rủi ro: Nhận diện → Đo lường → Giám sát → Kiểm soát - Cấu trúc vốn tối thiểu theo Basel **B. Mô hình rủi ro tín dụng:** - PD (Probability of Default): Xác suất vỡ nợ - LGD (Loss Given Default): Tổn thất khi vỡ nợ - EAD (Exposure at Default): Dư nợ tại thời điểm vỡ nợ - EL (Expected Loss) = PD × LGD × EAD - Credit Scoring: Logistic Regression, Decision Tree, Random Forest, XGBoost **C. Basel II/III:** - Ba trụ cột: Minimum capital requirement, Supervisory review process, Market discipline - IRB (Internal Ratings-Based) approach - Capital adequacy ratio, Tier 1, Tier 2 - Stress testing requirements **D. IFRS 9:** - Three-stage model: Stage 1 (12-month ECL), Stage 2 (Lifetime ECL), Stage 3 (Impaired) - Significant increase in credit risk (SICR) - Forward-looking information - Modification vs. derecognition ### 2. Tài liệu tham khảo khuyến nghị **Sách:** - "Credit Risk Scorecards" - Steven Finlay (cho người mới) - "An Introduction to Credit Risk Modeling" - Bluhm, Overbeck, Wagner - "Fundamentals of Credit Risk" - Daniel Rösch **Tài liệu regulation:** - Basel III: International Convergence of Capital Measurement and Capital Standards - IFRS 9 Financial Instruments (bản tiếng Việt từ SBV) - Circular 41/2016/TT-NHNN về phân loại nợ và trích lập dự phòng - Circular 22/2019/TT-NHNN sửa đổi về quản lý rủi ro **Online resources:** - GARP (Global Association of Risk Professionals): garp.org - PRMIA: prmia.org - Bank for International Settlements: bis.org **Python/R cho tài chính:** - Kaggle courses về credit risk - Scikit-learn documentation - "Machine Learning for Credit Risk" - các case study trên Medium ### 3. Lộ trình chuẩn bị 1-2 tuần **Tuần 1 - Củng cố kiến thức:** - Ngày 1-2: Ôn Basel II/III và IFRS 9 (4-5 tiếng/ngày) - Ngày 3-4: Ôn mô hình rủi ro tín dụng - các metrics đánh giá (3-4 tiếng/ngày) - Ngày 5-6: Luyện Python/R - viết lại code cơ bản của các mô hình đã biết (4 tiếng/ngày) - Ngày 7: Tổng kết, làm mind map các khái niệm **Tuần 2 - Luyện tập & Mock interview:** - Ngày 8-9: Giải case study mô hình rủi ro (2-3 case) - Ngày 10-11: Mock interview với bạn bè hoặc tự record - Ngày 12-13: Nghiên cứu sâu về Vietbank và thị trường - Ngày 14: Nghỉ ngơi, chuẩn bị tinh thần ### 4. Thực hành kỹ năng kỹ thuật **Python skills cần ôn:** ```python # Ví dụ: Logistic Regression cho Credit Scoring from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import roc_auc_score, classification_report # Các metrics cần nắm: Gini = 2*AUC - 1, KS statistic, PSI ``` **Các bài toán thực hành:** 1. Xây dựng scorecard từ raw data 2. Validate mô hình có sẵn (tính AUC, Gini, KS) 3. Tính ECL theo IFRS 9 cho một danh mục đơn giản 4. Stress testing đơn giản với macro scenarios