Phân tích cổ phiếu ngân hàng bằng AI: NPL, CASA, NII, CIR

Hướng dẫn dùng AI phân tích cổ phiếu ngân hàng Việt Nam qua ba công cụ FinLens MCP: chất lượng tài sản (NPL, bao phủ dự phòng), CASA và NII/CIR/PPOP.

⏱ Đọc 12 phút · 🟡 Trung cấp – Nâng cao · 🔧 Yêu cầu: FinLens Pro

Vì sao phân tích ngân hàng khác hẳn?

Áp các chỉ tiêu doanh nghiệp thông thường (biên LN gộp, vòng quay hàng tồn kho, EV/EBITDA) lên ngân hàng là sai về bản chất. AI của FinLens tự nhận diện mã ngân hàng và chuyển sang bộ công cụ chuyên ngành. Ba câu hỏi cốt lõi khi soi một cổ phiếu ngân hàng:

Trụ cột 1 · Chất lượng tài sản

Nợ xấu (NPL) đang ở đâu, dự phòng có đủ dày để hấp thụ?

Trụ cột 2 · Cơ cấu huy động

Vốn rẻ (CASA) chiếm bao nhiêu — lợi thế chi phí vốn?

Trụ cột 3 · Thu nhập & hiệu quả

Phụ thuộc thu nhập lãi hay đa dạng hóa? Chi phí có gọn?

Chất lượng tài sản — NPL & bao phủ dự phòng

fundamental_bank_asset_quality là chỉ tiêu rủi ro tín dụng quan trọng NHẤT. Nó bóc dư nợ theo 5 nhóm nợ và tính:

NPL = nợ nhóm 3 + 4 + 5 (dưới tiêu chuẩn / nghi ngờ / có khả năng mất vốn) ÷ tổng dư nợ. Ngưỡng quy định ~3%.
Nợ nhóm 2 (SML) — nợ cần chú ý, là cảnh báo SỚM cho nợ xấu hình thành.
Bao phủ nợ xấu (LLR coverage) = tổng dự phòng ÷ NPL. >100% = đệm dày, hấp thụ rủi ro tốt; <70% = đệm mỏng, có thể phải trích lập thêm (ăn vào lợi nhuận).

Ví dụ tương phản: một ngân hàng quốc doanh lớn có thể có NPL ~0.6% với bao phủ >250% (đệm cực dày, "của để dành"), trong khi một ngân hàng bán lẻ/tiêu dùng có NPL >3% với bao phủ ~55% (rủi ro cao hơn, đổi lại NIM cao hơn). Cùng là "ngân hàng" nhưng khẩu vị rủi ro khác hẳn.

💬 NPL & bao phủ

Chất lượng tài sản của VCB: NPL bao nhiêu, nợ nhóm 2 có đáng lo không, và bao phủ dự phòng có đủ dày? Xu hướng nợ xấu đang cải thiện hay xấu đi?

→ bank_asset_quality(VCB) — npl_ratio, sml_ratio, llr_coverage + signal & xu hướng

Cơ cấu huy động — CASA (vốn rẻ)

fundamental_bank_funding tính CASA = tiền gửi không kỳ hạn ÷ tổng tiền gửi. CASA càng cao → chi phí vốn càng thấp → đệm NIM (biên lãi ròng) càng bền. Đây là một trong những lợi thế cạnh tranh khó sao chép nhất của ngân hàng.

💬 Lợi thế chi phí vốn

CASA của TCB là bao nhiêu và đang tăng hay giảm? Lợi thế chi phí vốn này có bền không so với mặt bằng ngành?

→ bank_funding(TCB) — casa_ratio, term_ratio + xu hướng; so với peers qua fundamental_compare_peers

Cơ cấu thu nhập & hiệu quả — NII, CIR, PPOP

fundamental_bank_income dựng lại bức tranh lợi nhuận ngân hàng:

NII (thu nhập lãi thuần) = thu nhập lãi − chi phí lãi — xương sống lợi nhuận.
TOI (tổng thu nhập hoạt động) = NII + thu ngoài lãi (dịch vụ / ngoại hối / chứng khoán / khác).
Cơ cấu thu nhập: tỷ trọng NII vs thu ngoài lãi → mức đa dạng hóa (phụ thuộc tín dụng hay không).
CIR (cost-income ratio) = chi phí hoạt động ÷ TOI — thấp = hiệu quả chi phí tốt.
PPOP = lợi nhuận thuần TRƯỚC dự phòng = TOI − chi phí hoạt động — "công suất" lợi nhuận trước khi trừ chi phí rủi ro tín dụng.

PPOP + bao phủ dự phòng = bức tranh hoàn chỉnh

Ghép bank_income (PPOP — khả năng tạo lợi nhuận) với bank_asset_quality (NPL & dự phòng — chi phí rủi ro). Một ngân hàng PPOP mạnh + đệm dự phòng dày = có "của để dành" để vượt chu kỳ tín dụng xấu.

💬 Mô hình thu nhập

Cơ cấu thu nhập của ACB: NII chiếm bao nhiêu % TOI, thu ngoài lãi có đáng kể không, CIR có đang được tối ưu? Đọc cả PPOP để đánh giá công suất lợi nhuận

→ bank_income(ACB) — nii_ratio, non_nii_ratio, cir, ppop + signal

Bóc tách dư nợ & tiền gửi chi tiết

Ngoài 3 lăng kính chuyên ngành, dùng fundamental_get_notes để bóc các mục thuyết minh khác của ngân hàng: dư nợ theo ngành kinh tế (tập trung tín dụng), theo kỳ hạn, theo loại tiền tệ, hoặc tiền gửi theo nhóm khách hàng. Dùng fundamental_list_notes để xem mục nào có data.

💬 Tập trung tín dụng theo ngành

Dư nợ của CTG phân theo ngành kinh tế — tập trung vào ngành nào nhất? Có rủi ro tập trung tín dụng vào bất động sản không?

→ list_notes(CTG) → get_notes(CTG, loans_by_industry)

So sánh giữa các ngân hàng

Ghép các lăng kính chuyên ngành với fundamental_compare_peers (lọc nhóm Banking) để xếp hạng toàn ngành theo P/B, ROE, và đối chiếu NPL/CASA/CIR thủ công giữa các mã.

💬 Tìm ngân hàng tốt bị định giá thấp

Trong nhóm ngân hàng, mã nào có chất lượng tài sản tốt (NPL thấp, bao phủ cao) và CASA cao nhưng P/B lại thấp? Tìm giá trị bị bỏ qua

→ fundamental_compare_peers(Banking, theo P/B) + bank_asset_quality + bank_funding cho top mã

Prompt phân tích ngân hàng toàn diện

💬 Hồ sơ ngân hàng đầy đủ

Phân tích chuyên sâu cổ phiếu ngân hàng VCB: 1. Chất lượng tài sản — NPL, nợ nhóm 2, bao phủ dự phòng & xu hướng 2. Cơ cấu huy động — CASA & lợi thế chi phí vốn 3. Cơ cấu thu nhập — NII vs thu ngoài lãi, CIR, PPOP 4. Định giá P/B vs lịch sử & vs ngành ngân hàng 5. Kết luận: điểm mạnh/yếu & khẩu vị rủi ro

→ AI gọi bank_asset_quality + bank_funding + bank_income + valuation_history(pb) + fundamental_compare_peers, tổng hợp

Xem thêm Bài 12 — Công ty phi tài chính (thuyết minh + DCF) và Bài 14 — Chứng khoán (tự doanh, margin, tâm lý thị trường). Lưu ý: P/E·P/B áp dụng mọi loại hình, nhưng P/S và DCF/EV-EBITDA không dùng cho ngân hàng — AI sẽ tự chặn và chuyển sang định giá P/B·ROE.

Bài liên quan

Thuyết minh BCTC & DCF

Cơ cấu chi phí, nợ vay, vốn lưu động và định giá nội tại cho DN phi tài chính.

Tự doanh, margin, sentiment

Danh mục tự doanh, cơ cấu doanh thu CTCK và chỉ báo tâm lý toàn ngành.

KPI, DuPont, fundamental_quality_scan

Nền tảng — AI tự chọn bộ chỉ tiêu NIM/NPL/CAR cho ngân hàng.

Câu hỏi thường gặp

Phân tích cổ phiếu ngân hàng bằng AI như thế nào?

Ngân hàng không có mô hình doanh thu – giá vốn – tồn kho, nên phải soi theo ba trụ cột riêng. FinLens MCP cung cấp `fundamental_bank_asset_quality` cho chất lượng tài sản (NPL, nợ nhóm 2, bao phủ dự phòng), `fundamental_bank_funding` cho cơ cấu huy động (CASA) và `fundamental_bank_income` cho cơ cấu thu nhập & hiệu quả (NII, TOI, CIR, PPOP). Nhà đầu tư chỉ cần hỏi AI bằng ngôn ngữ tự nhiên, ví dụ "Chất lượng tài sản của VCB: NPL bao nhiêu, bao phủ dự phòng có đủ dày?", AI sẽ tự nhận diện mã ngân hàng và gọi đúng bộ công cụ chuyên ngành.

NPL và bao phủ nợ xấu bao nhiêu thì an toàn?

NPL (nợ xấu) là tổng nợ nhóm 3, 4, 5 — dưới tiêu chuẩn, nghi ngờ, có khả năng mất vốn — chia cho tổng dư nợ, với ngưỡng quy định khoảng 3%. Bao phủ nợ xấu (LLR coverage) bằng tổng dự phòng chia NPL: trên 100% là đệm dày hấp thụ rủi ro tốt, dưới 70% là đệm mỏng và ngân hàng có thể phải trích lập thêm, ăn vào lợi nhuận. Cần theo dõi thêm nợ nhóm 2 (SML — nợ cần chú ý) vì đây là cảnh báo sớm cho nợ xấu hình thành. Công cụ `fundamental_bank_asset_quality` trả về npl_ratio, sml_ratio, llr_coverage kèm tín hiệu và xu hướng.

CASA là gì và vì sao quan trọng với cổ phiếu ngân hàng?

CASA là tỷ lệ tiền gửi không kỳ hạn trên tổng tiền gửi. CASA càng cao thì chi phí vốn càng thấp, đệm NIM (biên lãi ròng) càng bền, và đây là một trong những lợi thế cạnh tranh khó sao chép nhất của ngân hàng. Công cụ `fundamental_bank_funding` của FinLens MCP tính casa_ratio và term_ratio kèm xu hướng, có thể đối chiếu với mặt bằng ngành qua `fundamental_compare_peers`.

Có dùng DCF hay EV/EBITDA để định giá cổ phiếu ngân hàng được không?

Không. P/S và DCF/EV-EBITDA không áp dụng cho ngân hàng do đặc thù bảng cân đối; FinLens MCP sẽ tự chặn và chuyển sang định giá theo P/B kết hợp ROE. P/E và P/B thì áp dụng được cho mọi loại hình doanh nghiệp. Có thể dùng `fundamental_valuation_history` với chỉ tiêu P/B để so với lịch sử, và `fundamental_compare_peers` lọc nhóm Banking để so với toàn ngành.