Mô tả công việc

## Tuyển dụng cán bộ [QUANT]_Chuyên viên Phân tích định lượng - Nhóm Quản lý rủi ro tín dụng Số lượng tuyển dung: 02 Thời gian nhận hồ sơ: Hết ngày 30/03/2026 Nơi làm việc: Phòng Mô hình và công cụ quản trị rủi ro (QUANT) - Trụ sở chính VCB I. Mô tả công việc: 1. Xây dựng, phát triển, giám sát và hỗ trợ vận hành/bảo trì các mô hình định lượng phục vụ quản lý rủi ro tín dụng, nhằm tối đa hóa lợi ích và yêu cầu quản trị của Ngân hàng. 2. Thiết kế xây dựng, rà soát, giám sát hoạt động và hỗ trợ vận hành các công cụ/hệ thống tin học hóa các mô hình định lượng rủi ro tín dụng. 3. Xây dựng năng lực và quy định, quy trình về xây dựng, phát triển, giám sát, hiệu chỉnh các mô hình định lượng rủi ro tín dụng. 4. Phối hợp thực hiện các giải pháp định lượng phục vụ quản lý rủi ro tín dụng: a) Tham gia triển khai các sáng kiến về phân tích dữ liệu, mô hình hóa và tính toán tối ưu, quản lý và phát triển các nền tảng/công cụ phân tích nâng cao phục vụ hoạt động quản lý rủi ro tại VCB. b) Phối hợp với các bộ phận liên quan trong quá trình triển khai tin học hóa và ứng dụng kết quả mô hình. 5. Khảo sát, quy hoạch dữ liệu và triển khai các hoạt động quản lý chất lượng dữ liệu nhằm phục vụ phân tích định lượng. 6. Tham gia các lớp đào tạo, tập huấn nghiệp vụ theo kế hoạch của phòng và VCB 7. Thực hiện các nhiệm vụ khác có liên quan do Lãnh đạo Phòng giao. II. Tiêu chuẩn tuyển dụng: 1. Trình độ: • Tốt nghiệp Đại học/ Thạc sỹ chuyên ngành Toán học, Toán tài chính, Toán kinh tế, Kỹ nghệ tài chính (Financial Engineering), Tài chính định lượng, Quản trị rủi ro, Phân tích kinh doanh, Khoa học dữ liệu, Kinh tế học, Kinh tế-tài chính ứng dụng, Định phí bảo hiểm, Trí tuệ nhân tạo, Khoa học máy tính hoặc các chuyên ngành có liên quan khác. • Trình độ ngoại ngữ: Tiếng Anh B1 trở lên (khung tham chiếu ngôn ngữ chung châu Âu) hoặc tương đương, sử dụng tốt tiếng Anh, giao tiếp và đọc hiểu tài liệu liên quan đến công việc phụ trách. • Trình độ tin học: Chứng chỉ ứng dụng CNTT cơ bản (hoặc tương đương) trở lên. 2. Độ tuổi: Không quá 35 tuổi tại thời điểm đăng ký tuyển dụng. 3. Kinh nghiệm: Tối thiểu 03 năm kinh nghiệm làm việc trực tiếp về xây dựng mô hình PD (Xác suất vỡ nợ) Khách hàng cá nhân/Khách hàng doanh nghiệp 4. Kiến thức: • Am hiểu về hệ thống thông tin, cơ sở dữ liệu và các sản phẩm-dịch vụ ngân hàng. • Am hiểu về các quy định Basel, văn bản chính sách của NHNN về quản lí rủi ro tín dụng, và kinh tế vĩ mô Việt Nam. 5. Kỹ năng: • Có kỹ năng làm việc nhóm và làm việc độc lập • Có kỹ năng tổ chức thực hiện, sắp xếp công việc • Có kỹ năng giao tiếp, truyền đạt trước đám đông • Có kỹ năng phân tích, tổng hợp 6. Khả năng: • Có khả năng tư duy logic • Có khả năng khái quát hóa 7. Phẩm chất cá nhân: • Cẩn trọng, linh hoạt • Chịu áp lực công việc cao • Trung thực, kỷ luật, trách nhiệm 8. Các tiêu chí khác: • Sức khỏe tốt, chịu được áp lực công việc cao. • Có xác nhận lý lịch tư pháp. 9. Các tiêu chí ưu tiên: • Trình độ Thạc sỹ trở lên chuyên ngành Toán kinh tế, Toán tài chính, Kinh tế-Tài chính ứng dụng, hoặc các chuyên ngành có liên quan khác. • Có chứng chỉ chuyên môn quốc tế (FRM, PRM, CQF, CFA,…) • Có chứng chỉ tiếng Anh quốc tế IELTS trên 6.0 (hoặc tương đương). • Có kinh nghiệm xây dựng các mô hình rủi ro tín dụng tại các tổ chức tài chính trong và ngoài nước • Có kinh nghiệm lập trình ứng dụng trên các công cụ/phần mềm tính toán, thống kê (SAS, MATLAB, R, Python,Ms-SQL,...).

Phân tích kỹ năng cần có

## Phân tích Kỹ năng Cần Có ### 1. Hard Skills (Kỹ năng chuyên môn) #### A. Kiến thức toán và tài chính định lượng (BẮT BUỘC) | Cấp độ | Yêu cầu | Chi tiết | |--------|---------|----------| | **Nền tảng** | Toán xác suất thống kê | Phân phối xác suất, kiểm định giả thuyết, hồi quy tuyến tính/logistic | | **Chuyên sâu** | Mô hình xác suất vỡ nợ (PD) | IRB (Internal Ratings-Based) theo Basel II/III, expected loss, unexpected loss | | **Nâng cao** | Kỹ thuật mô hình hóa | Scorecard model, survival analysis, machine learning cho credit risk | #### B. Công nghệ và công cụ lập trình (ƯU TIÊN CAO) ``` Thứ tự ưu tiên theo JD: 1. SAS → Phổ biến nhất trong ngân hàng Việt Nam, dùng cho credit scoring 2. Python → Xu hướng mới, AI/ML, linh hoạt nhất 3. R → Phân tích thống kê, chuyên về tài chính định lượng 4. MATLAB → Mô hình tài chính phức tạp 5. SQL (Ms-SQL) → Quản lý dữ liệu, truy vấn database ``` **Gợi ý học tập:** - Python: pandas, scikit-learn, statsmodels, numpy - SAS: SAS Base, Enterprise Miner - SQL: Tối thiểu truy vấn SELECT, JOIN, GROUP BY phức tạp #### C. Kiến thức pháp lý và chuẩn mực | Chủ đề | Mức độ cần biết | Nguồn tham khảo | |--------|-----------------|-----------------| | **Basel II/III** | Hiểu rõ IRB, CAR, PD/LGD/EAD | Basel Committee publications, SBV circulars | | **Thông tư NHNN** | Quản lý rủi ro tín dụng | Thông tư 13/2023/TT-NHNN và các văn bản sửa đổi | | **Kinh tế vĩ mô VN** | Hiểu tác động lãi suất, GDP, CPI lên rủi ro tín dụng | Báo cáo của VCB, UBCKNN | #### D. Chứng chỉ quốc tế (Ưu tiên) ``` Cấp độ ưu tiên (theo JD): ★ FRM (Financial Risk Manager) → Chuẩn nhất cho risk management ★ PRM (Professional Risk Manager) → Tương đương FRM ★ CQF (Certificate in Quantitative Finance) → Sâu về định lượng ★ CFA (Chartered Financial Analyst) → Tài chính tổng quát Thực tế: FRM + Python là combo được săn đón nhất ``` ### 2. Soft Skills (Kỹ năng mềm) | Kỹ năng | Yêu cầu cụ thể | Cách rèn luyện | |---------|-----------------|----------------| | **Tư duy logic** | Phân tích vấn đề có hệ thống, xây dựng mô hình có cấu trúc | Giải bài toán tối ưu, case study mô hình rủi ro | | **Giao tiếp** | Trình bày kết quả mô hình cho lãnh đạo, phối hợp với IT và business | Đề xuất project, thuyết trình trong team | | **Làm việc nhóm** | Phối hợp với QUANT, IT, KHCN, KHCND | Multi-disciplinary project | | **Chịu áp lực** | Deadline mô hình, audit Basel, báo cáo định kỳ | Tự tạo deadline sớm hơn thực tế | ### 3. So sánh: Ứng viên ideal vs. Acceptable | Tiêu chí | Ứng viên IDEAL | Ứng viên ACCEPTABLE | |----------|---------------|---------------------| | **Bằng cấp** | Thạc sĩ Toán tài chính/Kinh tế-Tài chính ứng dụng | Cử nhân Toán/Kinh tế/Tài chính | | **Kinh nghiệm PD** | 3+ năm, cả KHCN & KHDN | 3 năm đúng một loại KH | | **Công cụ** | SAS + Python + SQL (thành thạo ≥2) | Biết 1 công cụ + SQL cơ bản | | **Chứng chỉ** | FRM + IELTS 6.0+ | Có chứng chỉ hoặc B1 đủ | | **Ngành** | Ngân hàng/tổ chức tài chính | Có xây dựng mô hình PD thực tế | **Lưu ý quan trọng:** Điều kiện **BẮT BUỘC** là 3 năm kinh nghiệm trực tiếp xây dựng mô hình PD. Không có kinh nghiệm này → hồ sơ sẽ bị loại sớm.

Chuẩn bị phỏng vấn

## Hướng dẫn Phỏng vấn VCB - Chuyên viên Phân tích định lượng ### 1. Quy trình phỏng vấn dự kiến VCB (Vietcombank) thường có **3 vòng** cho vị trí chuyên viên: ``` Vòng 1: Sàng lọc hồ sơ ↓ Kiểm tra kinh nghiệm PD, bằng cấp, chứng chỉ Vòng 2: Phỏng vấn chuyên môn (2-3 người phỏng vấn) → Trưởng phòng QUANT → Phó phòng/Quản lý rủi ro → HR representative Vòng 3: Thi viết / Case study / Kiểm tra năng lực → (Có thể có) Bài test kỹ thuật → Phỏng vấn cấp cao hơn (Giám đốc Trung tâm QLRR) ``` ### 2. Câu hỏi Vòng 2 - Chuyên môn (CHI TIẾT) #### A. Câu hỏi về Mô hình PD (BẮT BUỘC phải trả lời tốt) **Q1: Trình bày quy trình xây dựng mô hình PD (Probability of Default)?** → Trả lời theo framework: ``` 1. Định nghĩa biến mục tiêu (Default = Nợ quá hạn ≥ 90 ngày) 2. Thu thập & làm sạch dữ liệu (3-5 năm lịch sử) 3. Phân tích khám phá (EDA): phân phối, missing values, outliers 4. Xây dựng WOE (Weight of Evidence) & IV (Information Value) 5. Phát triển mô hình: Logistic Regression / Scorecard / ML 6. Kiểm định (Validation): AUC, Gini, KS statistic 7. Phân tích độ nhạy (Sensitivity analysis) 8. Backtesting: so sánh PD ước tính vs. tỷ lệ default thực tế 9. Triển khai & giám sát (Monitoring reports) ``` **Q2: Phân biệt PD, LGD, EAD? Cách tính Expected Loss?** → PD (Probability of Default): Xác suất khách hàng vỡ nợ trong 1 năm → LGD (Loss Given Default): Tỷ lệ tổn thất khi vỡ nợ (thường 40-60%) → EAD (Exposure at Default): Dư nợ tại thời điểm vỡ nợ → **EL = PD × LGD × EAD** (Công thức cốt lõi!) → Unexpected Loss (UL) = f(PD, LGD, EAD, correlation) → Economic Capital = UL + UL Buffer **Q3: Basel II IRB khác gì Standardized Approach?** → Standardized: Sử dụng rating agency, RWA phụ thuộc vào loại tài sản cố định → IRB: VCB tự ước tính PD, NHNN quy định LGD/EAD (Foundation) hoặc VCB tự ước tính cả 3 (Advanced) → IRB cho phép sử dụng internal data → phản ánh rủi ro chính xác hơn → RWA có thể thấp hơn **Q4: Bạn đã sử dụng công cụ nào? Code mẫu bằng Python/SAS?** → Chuẩn bị 1-2 ví dụ cụ thể: ```python # Ví dụ Python: Logistic Regression cho PD import pandas as pd from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import roc_auc_score, classification_report # Đọc dữ liệu, WOE transformation, split train/test # Huấn luyện model # Đánh giá bằng AUC, KS model = LogisticRegression() model.fit(X_train, y_train) y_pred_proba = model.predict_proba(X_test)[:,1] auc = roc_auc_score(y_test, y_pred_proba) ``` #### B. Câu hỏi về Kiến thức Ngân hàng **Q5: Mô hình 5C trong thẩm định tín dụng?** → Character (Tính cách), Capacity (Năng lực trả nợ), Capital (Vốn tự có), Collateral (Tài sản đảm bảo), Conditions (Điều kiện kinh tế) **Q6: Thông tư 13/2023/TT-NHNN về phân loại nợ có điểm gì đáng chú ý?** → 5 bucket: Nợ đủ tiêu chuẩn, Nợ cần chú ý, Nợ dưới tiêu chuẩn, Nợ nghi ngờ, Nợ có khả năng mất vốn #### C. Câu hỏi hành vi tình huống **Q7: Mô hình của bạn bị phát hiện có vấn đề (overfitting/underfitting). Bạn xử lý thế nào?** → Kiểm tra train vs. test performance gap → Cross-validation, regularization (L1/L2) → Feature selection, simplify model → Xem xét lại data quality **Q8: Căng thẳng deadline mà kết quả mô hình chưa như mong đợi?** → Trình bày cân bằng giữa quality và timeline → Communication với quản lý về realistic expectations ### 3. Tips chuẩn bị đặc biệt cho VCB ``` ✅ Đọc Báo cáo thường niên VCB (latest annual report) ✅ Nắm chiến lược digital transformation của VCB ✅ Tìm hiểu cấu trúc Phòng QUANT - Trung tâm QLRR ✅ Biết VCB đang triển khai Basel III mức nào ✅ Ôn kỹ SAS/SQL - VCB dùng nhiều hệ thống SAS ✅ Chuẩn bị câu hỏi cho người phỏng vấn (thể hiện nghiêm túc) ❌ Không nói "tôi sẽ học nhanh" khi hỏi về công cụ chưa biết ❌ Không đánh giá thấp mức độ phức tạp của mô hình PD ngân hàng ❌ Không quên chuẩn bị bằng gốc + bảng điểm photo công chứng ``` ### 4. Dress Code & Thời gian | Yếu tố | Khuyến nghị | |--------|-------------| | **Trang phục** | Âu ty chỉnh tề (nam: vest, nữ: áo vest/costume) - VCB rất formal | | **Thời gian** | Đến sớm 15-20 phút tại Trụ sở chính VCB (198 Trần Quang Khải, Hoàn Kiếm) | | **Tài liệu** | Mang đủ: CV (nhiều bản), bằng cấp gốc, bảng điểm, chứng chỉ, CCCD | | **Lý lịch tư pháp** | Chuẩn bị sẵn (thủ tục xin trước 5-7 ngày) |

Lộ trình ôn thi

## Lộ trình Ôn thi & Chuẩn bị (2-4 tuần) ### Tuần 1-2: Củng cố nền tảng #### A. Kiến thức Mô hình Rủi ro Tín dụng **Tài liệu bắt buộc:** 1. **"Credit Risk Scorecards" - Siddiqi** ( Sách gốc về scorecard development) - Đọc chương 1-7: từ EDA đến model deployment 2. **Basel II/III Framework** - [Link: bis.org/basel_framework](https://www.bis.org/basel_framework) - Đọc phần Credit Risk: Standardized và IRB 3. **Thông tư 13/2023/TT-NHNN** (Quản lý rủi ro tín dụng) - Download từ sbv.gov.vn - Đặc biệt: Chương về phân loại nợ, giám sát rủi ro #### B. Ôn Toán & Thống kê ``` Refresh checklist: ☐ Xác suất có điều kiện, Bayes theorem ☐ Phân phối: Normal, Logistic, Poisson ☐ Hồi quy logistic: odds ratio, coefficients, Wald test ☐ Confusion matrix: Accuracy, Precision, Recall, F1 ☐ ROC curve, AUC, Gini, KS statistic ☐ WOE (Weight of Evidence) và Information Value (IV) ☐ Cross-validation, train/test split ``` **Tài liệu:** Khan Academy Statistics (miễn phí) hoặc "Think Stats" - Allen Downey ### Tuần 3: Luyện kỹ năng Công cụ #### Python - Cấp tốc 7 ngày ```python # Ngày 1-2: Pandas & Data manipulation import pandas as pd df = pd.read_csv('credit_data.csv') df.isnull().sum() # Check missing df.describe() # Summary stats df.groupby('target').mean() # Bivariate analysis # Ngày 3-4: WOE & IV calculation def calc_woe_iv(df, feature, target): grouped = df.groupby(feature)[target].agg(['sum', 'count']) # Tính WOE, IV cho từng bin ... return woe_df, total_iv # Ngày 5-6: Logistic Regression & Validation from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_auc_score, roc_curve model = LogisticRegression() model.fit(X_train, y_train) auc_test = roc_auc_score(y_test, model.predict_proba(X_test)[:,1]) # Ngày 7: Scorecard transformation # Bin continuous variables, assign points ``` **Dataset thực hành miễn phí:** - Kaggle: "Give Me Some Credit" (UCI) - Githu`b: "credit-risk-modeling" repository #### SAS - Nếu chưa biết ```sas /* Đọc dữ liệu */ PROC IMPORT DATAFILE='/path/credit.csv' OUT=work.credit DBMS=csv REPLACE; RUN; /* EDA */ PROC MEANS DATA=work.credit; PROC FREQ DATA=work.credit; RUN; /* Hồi quy logistic */ PROC LOGISTIC DATA=work.credit; MODEL default(event='1') = age income debt_ratio; ODDSRATIO 'Impact of Age' / AT(age=30 40 50); RUN; /* AUC/KS */ PROC LOGISTIC DATA=work.credit; MODEL default(event='1') = age income debt_ratio; SCORE DATA=work.credit OUT=work.scored; RUN; ``` ### Tuần 4: Mock Interview & Review | Ngày | Hoạt động | Thời lượng | |------|-----------|------------| | Thứ 2 | Ôn Basel + Thông tư NHNN | 3h | | Thứ 3 | Luyện Python code mẫu (tự code lại 1 scorecard) | 4h | | Thứ 4 | Ôn SQL (30 câu truy vấn) | 3h | | Thứ 5 | Mock interview với bạn bè (Q1-Q8) | 2h | | Thứ 6 | Review feedback + điều chỉnh | 2h | | Thứ 7 | Chuẩn bị CV, đơn ứng tuyển, tài liệu | 2h | ### Tài liệu tham khảo bổ sung | Nguồn | Link | Mức độ | |-------|------|--------| | FRM Part I - Credit Risk | bionicbunny.com (torrent) | ★★★★★ | | Khan Academy - Statistics | khanacademy.org | ★★★★ | | Towards Data Science - Credit Risk | towardsdatascience.com | ★★★★ | | VCB Investor Relations | vcb.com.vn | ★★★★ | | BIS Basel Framework | bis.org | ★★★★★ | | NHNN Circular 13/2023 | sbv.gov.vn | ★★★★★ | | "An Introduction to Statistical Learning" | Gareth James et al. (free PDF) | ★★★★ |

Tư vấn nghề nghiệp

## Lời khuyên Sự nghiệp - VCB QUANT ### 1. Bức tranh Lương & Thăng tiến #### Mức lương dự kiến (Hà Nội, 2024-2025) | Cấp bậc | Kinh nghiệm | Lương tháng (VND) | Ghi chú | |---------|-------------|-------------------|---------| | **Chuyên viên (Junior)** | 0-3 năm | 15 - 25 triệu | Nếu chưa đủ 3 năm PD | | **Chuyên viên (Senior)** | 3-5 năm | 25 - 45 triệu | Đủ điều kiện JD - mức phổ biến | | **Chuyên viên chính** | 5-8 năm | 40 - 70 triệu | Sau khi thăng cấp trong VCB | | **Trưởng nhóm** | 7-10 năm | 60 - 100 triệu | Lương cứng + thưởng KPI | **Lưu ý:** VCB là ngân hàng thương mại Nhà nước lớn nhất → Lương cứng có thể thấp hơn ngân hàng tư nhân (VPBank, TPBank, OCB), nhưng **phúc lợi tổng thể tốt**: BHXH đầy đủ, thưởng Tết 2-4 tháng, bảo hiểm cao cấp, đào tạo chuyên sâu. #### Lộ trình Thăng tiến trong VCB QUANT ``` Chuyên viên (hiring level) ↓ 2-3 năm Chuyên viên chính (VC) ↓ 3-5 năm Trưởng nhóm QUANT ↓ 5-7 năm Phó trưởng phòng / Trưởng phòng QUANT ↓ Trưởng phòng QLRR / Giám đốc Trung tâm QLRR ↓ Phó TGĐ phụ trách rủi ro / Chief Risk Officer ``` ### 2. Giá trị của vị trí này trên CV **Tại sao VCB QUANT là "bậc thang" quan trọng?** ``` ✅ Thương hiệu: VCB = ngân hàng số 1 VN → Tên tuổi trên CV rất mạnh ✅ Dữ liệu phong phú: 20+ triệu KH, portfolio khổng lồ → Học hỏi nhiều ✅ Chuẩn Basel: VCB áp dụng Basel II/III nghiêm ngặt → Kiến thức quốc tế ✅ Độ ổn định: Ngân hàng Nhà nước → ít rủi ro bị sa thải, học hỏi lâu dài ✅ Network: Kết nối với NHNN, các tổ chức quốc tế (World Bank, BIS) ⚠️ Nhược điểm: Hệ thống cũ (legacy system), thủ tục hành chính nhiều ⚠️ Thăng tiến: Có thể chậm hơn ngân hàng tư nhân ``` ### 3. Kỹ năng cần phát triển thêm (Sau khi vào VCB) ``` Ngắn hạn (1-2 năm đầu): ├── Chuyên sâu hơn về PD model (stress testing, PD term structure) ├── Thành thạo SAS Enterprise Guide / SAS Miner ├── Hiểu hệ thống core banking VCB (T24?) └── Học cách viết documentation cho mô hình Trung hạn (3-5 năm): ├── IFRS 9 / CECL (Expected Credit Loss) ├── Machine Learning cho credit risk (XGBoost, Neural Nets) ├── Data engineering (xây dựng data pipeline) ├── FRM certification (nếu chưa có) └── Quản lý dự án ( PMP, Agile) Dài hạn (5+ năm): ├── AI/Generative AI cho risk management ├── Real-time scoring & decision engine ├── Economic capital modeling (VaR, CVaR) └── Chiến lược QLRR cấp ngân hàng ``` ### 4. Lời khuyên thực tế từ người trong ngành > **"VCB QUANT là nơi tốt nhất để học credit risk modeling chuyên nghiệp ở Việt Nam. Đừng kỳ vọng lương cao ngay, nhưng 2-3 năm ở đây sẽ mở cửa sang ngân hàng nước ngoài, quỹ đầu tư, hoặc fintech với mức lương gấp 2-3 lần."** **Di chuyển nghề nghiệp tiếp theo phổ biến:** - Senior Quant Analyst → Credit Risk Director tại VPBank, SeABank - Model Validator → Kiểm toán nội bộ Big4 (EY, Deloitte) - Credit Risk Manager → Investment Bank (UBS, Credit Suisse Asia) - FRM + 5 năm VCB → Risk Manager tại World Bank, IMF ### 5. Điều kiện để "nhảy việc" sau 3 năm | Yếu tố | Mức độ quan trọng | Ghi chú | |--------|-------------------|---------| | Chứng chỉ FRM/PRM | ★★★★★ | Gần như bắt buộc để nhảy sang quốc tế | | Thành thạo Python/SAS + SQL | ★★★★★ | Phải có portfolio code mẫu | | Hoàn thành 1-2 model từ A-Z | ★★★★ | Thể hiện trong CV rõ ràng | | IELTS 7.0+ (nếu muốn ra nước ngoài) | ★★★★ | Quan trọng hơn với Singapore/HK | | Network (referral) | ★★★ | 30-40% jobs đến từ referral |

Câu hỏi thường gặp

Em mới tốt nghiệp Toán kinh tế, chưa có kinh nghiệm xây dựng mô hình PD, có nên ứng tuyển không?

Theo JD, điều kiện BẮT BUỘC là 'tối thiểu 03 năm kinh nghiệm làm việc trực tiếp về xây dựng mô hình PD'. Hồ sơ không có kinh nghiệm PD sẽ bị loại ở vòng sàng lọc. Tuy nhiên, bạn có thể: 1. Ứng tuyển vị trí PD model tại các ngân hàng nhỏ hơn (TPBank, OCB, SeABank) để tích lũy 3 năm kinh nghiệm 2. Thực tập tại VCB QUANT (nếu có chương trình) để học hỏi trước 3. Tự học và làm project cá nhân để sẵn sàng sau 2-3 năm Lời khuyên: Đừng nản lòng, nhưng cần realistic. 3 năm PD experience là threshold cứng, không có ngoại lệ trong quy trình tuyển dụng ngân hàng Nhà nước.

Lương của vị trí này là bao nhiêu? Thỏa thuận có nghĩa là gì?

JD ghi 'Thỏa thuận' tức là không công khai mức lương. Thực tế VCB có lương chia theo bậc (theo hệ thống bậc lương Nhà nước). Với 3 năm kinh nghiệm PD, mức lương thường rơi vào khoảng 20-35 triệu/tháng (lương cứng). Ngoài ra còn có: - Thưởng KPI hàng quý/ cuối năm (2-4 tháng lương) - Phụ cấp điện thoại, xăng xe (nếu có) - BHXH, BHYT, BHTN đầy đủ 'Thỏa thuận' cũng có nghĩa: nếu bạn giỏi, có chứng chỉ FRM/CQF, mức lương có thể cao hơn bậc thông thường. Hãy đi phỏng vấn và thương lượng dựa trên portfolio + chứng chỉ của bạn.

Mình có 4 năm kinh nghiệm xây dựng mô hình PD cho KHCN, chưa làm KHDN. Có ứng tuyển được không?

Có thể ứng tuyển được! JD yêu cầu 'xây dựng mô hình PD (Xác suất vỡ nợ) Khách hàng cá nhân/Khách hàng doanh nghiệp' - dấu '/' cho thấy chấp nhận một trong hai. Kinh nghiệm PD KHCN 4 năm hoàn toàn đáp ứng. Tuy nhiên, chuẩn bị giải thích rõ: - Sự khác biệt giữa PD KHCN và KHDN (behavioral data, bureau data, segmentation) - Tại sao chuyển sang KHDN (muốn mở rộng scope, học hỏi thêm) - Cam kết học hỏi nhanh về mô hình KHDN nếu cần Tip: Nhấn mạnh kiến thức chuyên sâu về KHCN - đây là thế mạnh riêng, không phải điểm yếu.

Mình có FRM nhưng không có chứng chỉ tiếng Anh. Có được ưu tiên không?

FRM nằm trong mục 'tiêu chí ưu tiên' (không bắt buộc), còn B1 tiếng Anh là tiêu chuẩn BẮT BUỘC (trình độ). Bạn cần đáp ứng yêu cầu BẮT BUỘC trước. Thực tế: Nếu không có B1, hồ sơ có thể bị loại sớm dù có FRM. Cách xử lý: 1. Lấy chứng chỉ tiếng Anh càng sớm càng tốt (IELTS 5.5+ hoặc B1 Cambridge) 2. Chuẩn bị evidence: bằng tốt nghiệp chuyên ngành học bằng tiếng Anh cũng được chấp nhận 3. Nếu đang ở VCB, nộp hồ sơ và trình bày trung thực về trình độ tiếng Anh thực tế Kết hợp FRM + B1 đủ điều kiện. FRM cao hơn bậc sẽ là điểm cộng mạnh khi xét tuyển.

Vị trí này làm việc dưới áp lực như thế nào? Giờ làm việc ra sao?

QUANT thuộc khối rủi ro → Áp lục tập trung vào: - **Deadline báo cáo định kỳ**: Báo cáo CAR (Capital Adequacy Ratio), stress test theo quý - **Audit Basel**: Khi kiểm toán hoặc internal audit, phải giải trình chi tiết mô hình - **Regulatory changes**: Khi NHNN ban hành thông tư mới, phải điều chỉnh mô hình nhanh - **Model issues**: Phát hiện mô hình không perform đúng → phải debug và fix gấp Giờ làm việc: Thông thường 8h-17h30, nhưng gần deadline có thể OT 1-2h. VCB làm việc thứ 7 linh hoạt (ít). Đợt audit/stress test: cuối tuần có thể làm việc. So sánh: Ngân hàng tư nhân (VPBank, TPBank) áp lực cao hơn về KPI kinh doanh; VCB QUANT áp lực cao về độ chính xác và tuân thủ pháp lý.

Quy trình tuyển dụng VCB mất bao lâu? Và có test tiếng Anh không?

Quy trình VCB thường kéo dài 1-3 tháng từ lúc nộp hồ sơ đến khi nhận việc: 1. Nộp hồ sơ online/qua email → đến hết ngày 30/03/2026 2. Sàng lọc hồ sơ: 1-2 tuần sau deadline 3. Phỏng vấn: 2-4 tuần sau khi qua vòng hồ sơ 4. Xác minh lý lịch + hoàn tất thủ tục: 2-4 tuần 5. Nhận việc: Thường bắt đầu sau 1 tháng kể từ khi có kết quả Về test tiếng Anh: Không có test tiếng Anh chuẩn hóa (TOIEC) như một số ngân hàng tư nhân. VCB kiểm tra tiếng Anh qua: - Phỏng vấn bằng tiếng Anh (ít nhất 1 vòng) - Kiểm tra đọc hiểu tài liệu chuyên ngành Mức độ: Đọc hiểu tài liệu tiếng Anh về credit risk modeling là yêu cầu thực tế hàng ngày, nên được kiểm tra kỹ.

Sau 3-5 năm ở VCB QUANT, mình có thể nhảy sang đâu với mức lương bao nhiêu?

Hướng đi phổ biến và mức lương tham khảo: **Trong nước:** - VPBank Credit Risk Modeling: 50-80 triệu/tháng (lương cao nhất thị trường) - TPBank/OCB/SeABank Risk Manager: 35-60 triệu/tháng - Big4 Risk Advisory (EY, Deloitte, PwC, KPMG): 40-70 triệu/tháng + OT pay - Fintech (VNPay, MoMo, ZaloPay): 40-70 triệu + equity **Quốc tế:** - Bank of Singapore/Hong Kong - Quant Risk: $8,000-15,000/tháng - World Bank/IMF - Financial Analyst: $5,000-10,000/tháng - International Banks (HSBC, Citi, Standard Chartered Asia): $10,000-20,000/tháng Key để nhảy được: ✅ FRM certification (bắt buộc để ra quốc tế) ✅ Hoàn thành end-to-end 1-2 model projects ✅ IELTS 6.5+ (hoặc tương đương) ✅ Referral từ người trong ngành 3 năm VCB QUANT + FRM = hồ sơ rất mạnh để nhảy việc với mức lương gấp 1.5-2.5 lần.

Mình có kinh nghiệm 5 năm làm PD model tại ngân hàng nước ngoài (HSBC), có cần phải đào tạo lại không?

Kinh nghiệm từ HSBC là lợi thế rất lớn! Basel framework tại HSBC gần như tương đương VCB, nên kiến thức chuyên môn chuyển đổi dễ dàng. Tuy nhiên, cần chuẩn bị: - **Khác biệt về dữ liệu**: VCB có đặc thù thị trường Việt Nam (NOI% cao hơn, collateral framework khác, NHNN regulation riêng) - **Công cụ**: HSBC có thể dùng Python/SAS enterprise; VCB cũng dùng SAS nhưng legacy system nặng hơn - **Văn hóa**: Ngân hàng Nhà nước có thủ tục nhiều hơn, quy trình ra quyết định chậm hơn HSBC Lời khuyên: Ứng tuyển ở mức 'Senior' hoặc 'Trưởng nhóm' thay vì 'Chuyên viên' với 5 năm kinh nghiệm quốc tế. Thương lượng lương cao hơn bậc thông thường. Đây là ứng viên ideal theo JD!

[QUANT]_Chuyên viên Phân tích định lượng - Nhóm Quản lý rủi ro tín dụng