ajeb@ajeb.edu.vn (+84) 28 3821 0238
logo ajeb vi
Đăng nhậpSign in Đăng kýSign up

Giỏ hàngCart

    MUACheckout
    Gửi bài viết Submit Article
    Asian Journal of Economics and Banking

    Asian Journal of Economics and Banking Asian Journal of Economics and Banking

    ISSN 2615-9821ISSN (Previous) 2588-1396ISSN (Previous) 2588-1396

    Tạp chí phiên bản tiếng Anh hợp tác với Emerald Publishing, xuất bản các nghiên cứu khoa học chất lượng cao theo chuẩn quốc tế. English-language journal in partnership with Emerald Publishing, publishing high-quality international research.

    Số mới nhấtCurrent Xem chi tiếtView more
    Asian Journal of Applied Financial Econometrics

    Asian Journal of Applied Financial Econometrics Asian Journal of Applied Financial Econometrics

    ISSN 3126-3208

    Ấn phẩm tiếng Anh chuyên về kinh tế lượng tài chính ứng dụng, phục vụ cộng đồng nghiên cứu định lượng quốc tế. English publication on applied financial econometrics, serving the international quantitative research community.

    Số mới nhấtCurrent Xem chi tiếtView more
    Tạp chí Kinh tế và Ngân hàng châu Á

    Tạp chí Kinh tế và Ngân hàng châu Á Asian journal of Economics and banking

    ISSN 2615-9813ISSN (số cũ) 1859-3682ISSN (Previous) 1859-3682

    Tạp chí khoa học phản biện kín, xuất bản các nghiên cứu chuyên sâu về kinh tế, tài chính, ngân hàng và chính sách kinh tế tại Việt Nam và khu vực châu Á. Double-blind peer-reviewed journal in economics, finance, banking and economic policy across Vietnam and Asia.

    Số mới nhấtCurrent Xem chi tiếtView more
    Khoa học Dữ liệu và Trí tuệ Nhân tạo châu Á

    Khoa học Dữ liệu và Trí tuệ Nhân tạo châu Á Asian Journal of Data Science and Artificial Intelligence (AJDSAI)

    ISSN 3126-3186

    Ấn phẩm chuyên về khoa học dữ liệu, học máy và trí tuệ nhân tạo, đáp ứng xu hướng nghiên cứu công nghệ mới của khu vực. Specialized publication in data science, machine learning and AI, addressing emerging technology research trends in the region.

    Số mới nhấtCurrent Xem chi tiếtView more
    Khoa học Xã hội, Nhân văn và Chính sách châu Á

    Khoa học Xã hội, Nhân văn và Chính sách châu Á Asian Journal of Policy, Humanities and Social Sciences (AJPHSS)

    ISSN 3126-3496

    Ấn phẩm chuyên đề về khoa học xã hội, nhân văn và chính sách công, mở rộng phạm vi nghiên cứu liên ngành tại châu Á. Specialized publication in social sciences, humanities and public policy, expanding interdisciplinary research scope in Asia.

    Số mới nhấtCurrent Xem chi tiếtView more

    Hội thảo Events

    Xem tất cả sự kiện View all events
    Tin tức · Thông báo · Sự kiện
    News · Announcements · Events

    Tin tức Latest News

    Xem tất cả View all

    SỐ MỚI NHẤT LATEST ISSUE

    Economics & Banking
    Xem tất cả các số View current issue
    AJEB
    Xem tất cả các số View current issue
    Social Sciences
    Xem tất cả các số View current issue
    Data Science & AI
    Xem tất cả các số View current issue

    • Mô hình học máy dự báo khả năng vỡ nợ của khách hàng vay tín dụng tại ngân hàng thương mại Mô hình học máy dự báo khả năng vỡ nợ của khách hàng vay tín dụng tại ngân hàng thương mại

      Phan Ngọc Mai Anh, Nguyễn Huỳnh Anh Vũ

      DOI: https://doi.org/10.63065/ajdsai.vn.2026.02.001

      Tóm tắt Abstract | Bài viết Article | PDF | Mua ngay Buy now
      Tóm tắt Abstract

      Mục tiêu nghiên cứu: Nghiên cứu này nhằm xây dựng và đánh giá các mô hình học máy để dự báo khả năng vỡ nợ của khách hàng vay tín dụng cá nhân tại ngân hàng thương mại, đồng thời phát hiện và khắc phục hiện tượng rò rỉ dữ liệu (RRDL) khi áp dụng kỹ thuật xử lý dữ liệu mất cân bằng. Mục tiêu cụ thể bao gồm so sánh hiệu suất của ba mô hình học máy (Hồi quy Logistic, Random Forest và XGBoost), xác định tác động của RRDL và tối ưu hóa ngưỡng phân loại nhằm nâng cao khả năng phát hiện rủi ro tín dụng.
      Thiết kế/phương pháp/tiếp cận: Nghiên cứu sử dụng dữ liệu tín dụng thực tế từ 18.805 hồ sơ khách hàng với 27 biến đặc trưng thuộc ba nhóm thông tin: (i) Nhân khẩu xã hội; (ii) Năng lực tài chính và khoản vay; và (iii) Các chỉ số kinh tế vĩ mô. Quy trình thực nghiệm gồm hai giai đoạn nhằm phát hiện và khắc phục RRDL phát sinh khi áp dụng kỹ thuật tạo mẫu tổng hợp SMOTE không đúng cách. Tối ưu hóa siêu tham số bằng GridSearchCV kết hợp kiểm định chéo năm lớp (5-fold cross-validation). Việc phân tích SHAP được sử dụng để giải thích các yếu tố có ảnh hưởng đến dự báo.
      Kết quả nghiên cứu chính: Nghiên cứu phát hiện RRDL nghiêm trọng khi SMOTE áp dụng không đúng quy trình, dẫn đến Random Forest và XGBoost đạt hiệu suất hoàn hảo không thực tế (AUC-ROC = 1,0000). Sau khắc phục, mô hình XGBoost đạt AUC-ROC = 0,9973 và F1 = 0,9900 sau tối ưu hóa ngưỡng phân loại từ 0,5 xuống 0,4303.
      Giá trị đóng góp mới: Nghiên cứu cung cấp bằng chứng thực nghiệm về mức độ nghiêm trọng của RRDL trong dự báo vỡ nợ, đề xuất quy trình chuẩn để phát hiện và khắc phục vấn đề này, đồng thời cung cấp giải pháp tối ưu hóa ngưỡng phân loại phù hợp với mục tiêu quản trị rủi ro ngân hàng.

    • Xử lý dữ liệu lớn cho bài toán phân loại ảnh đa miền với CLIP và Conformal Prediction trên nền tảng Hadoop MapReduce Xử lý dữ liệu lớn cho bài toán phân loại ảnh đa miền với CLIP và Conformal Prediction trên nền tảng Hadoop MapReduce

      Lê Quang Thiện, Nguyễn Phương Nam, Nguyễn Quốc Binh, Vũ Lê Quỳnh Phương

      DOI: https://doi.org/10.63065/ajdsai.vn.2026.02.002

      Tóm tắt Abstract | Bài viết Article | PDF | Mua ngay Buy now
      Tóm tắt Abstract

      Mục tiêu nghiên cứu: Nghiên cứu đánh giá hiệu năng và khả năng định lượng độ bất định của mô hình CLIP (Contrastive Language-Image Pretraining) kết hợp với Conformal Prediction (CP) trong phân loại ảnh đa miền theo hướng zero-shot.
      Thiết kế nghiên cứu/phương pháp tiếp cận: CLIP thiếu cơ chế định lượng độ bất định, hạn chế áp dụng trong hệ thống yêu cầu cao về độ tin cậy. Nghiên cứu triển khai và so sánh ba chiến lược CP: LAC (Least Ambiguous Classifier), APS (Adaptive Prediction Sets) và RAPS (Regularized Adaptive Prediction Sets), tạo tập dự đoán có đảm bảo thống kê thay vì một nhãn duy nhất. Hệ thống tích hợp Hadoop MapReduce để trích xuất đặc trưng phân tán và xử lý dữ liệu lớn.
      Kết quả nghiên cứu chính: Thực nghiệm trên DTD (Describable Textures Dataset) và Oxford Flowers 102 cho thấy cả ba phương pháp duy trì độ phủ xấp xỉ hoặc đạt mức mục tiêu 90% (α = 0,1). APS đạt kích thước tập dự đoán nhỏ nhất; RAPS cung cấp cơ chế điều chuẩn phù hợp hơn với không gian nhãn lớn. Hadoop MapReduce với 8 node đạt tốc độ nhanh hơn 1,56 lần so với thực thi tuần tự.
      Giá trị đóng góp mới: Bài báo đề xuất khung CLIP–CP–Hadoop MapReduce cho phân loại ảnh đa miền zero-shot, gồm: (i) kiến trúc ba thành phần; (ii) so sánh LAC, APS và RAPS; và (iii) đánh giá trên DTD và Oxford Flowers 102, minh chứng khả năng kiểm soát độ phủ thống kê và hiệu quả xử lý phân tán.

    • Tác động hai mặt của sử dụng AI tạo sinh đến ý định khởi nghiệp số của sinh viên Thành phố Hồ Chí Minh Tác động hai mặt của sử dụng AI tạo sinh đến ý định khởi nghiệp số của sinh viên Thành phố Hồ Chí Minh

      Nguyễn Văn Thọ, Lê Thị Thanh Huyền

      DOI: https://doi.org/10.63065/ajdsai.vn.2026.02.003

      Tóm tắt Abstract | Bài viết Article | PDF | Mua ngay Buy now
      Tóm tắt Abstract

      Mục tiêu nghiên cứu: Kiểm định giả thuyết "con dao hai lưỡi" về tác động của việc sử dụng trí tuệ nhân tạo tạo sinh (GenAI) đến ý định khởi nghiệp số (YĐKNS) của sinh viên kinh tế tại TP. Hồ Chí Minh, cùng vai trò điều tiết của năng lực AI.
      Thiết kế nghiên cứu/phương pháp/tiếp cận: Dữ liệu từ 455 sinh viên kinh tế tại TP. HCM được phân tích bằng SPSS 28 (Cronbach's alpha, EFA), AMOS 28 (CFA, SEM) và PROCESS, dựa trên khung Kích thích-Chủ thể-Phản ứng và lý thuyết Định hướng điều chỉnh (RFT).
      Kết quả nghiên cứu chính: GenAI làm gia tăng cả ba trạng thái tâm lý vốn đều tác động dương đến YĐKNS (R² = 48,8%); lệ thuộc vào AI là kênh mạnh nhất (H5 được chấp nhận). Trái với giả thuyết, lo âu AI thúc đẩy nhẹ thay vì kìm hãm ý định (H6 bị bác bỏ). Năng lực AI khuếch đại con đường tự tin khởi nghiệp, không làm dịu con đường lo âu.
      Giá trị đóng góp mới: Bằng chứng thực nghiệm đầu tiên tại Việt Nam phản biện giả thuyết con dao hai lưỡi trong khởi nghiệp số: ở thị trường mới nổi lạc quan công nghệ, lệ thuộc vào AI là sự cộng sinh thúc đẩy khởi nghiệp và lo âu AI là cảm xúc kích hoạt hơn là rào cản, qua đó tinh chỉnh lý thuyết cho bối cảnh Việt Nam.

    • ESG và đổi mới công nghệ trong ngành bảo hiểm ESG và đổi mới công nghệ trong ngành bảo hiểm

      Lưu Thu Quang, Lê Thị Hân, Trần Hoàng Vũ

      DOI: https://doi.org/10.63065/ajdsai.vn.2026.02.004

      Tóm tắt Abstract | Bài viết Article | PDF | Mua ngay Buy now
      Tóm tắt Abstract

      Mục tiêu nghiên cứu: Nghiên cứu này phân tích tác động của môi trường, xã hội và quản trị (ESG) đến đổi mới công nghệ (ĐMCN) trong ngành bảo hiểm (NBH). Đồng thời, bài viết xem xét vai trò điều tiết của bất ổn chính sách kinh tế (EPU), trong mối quan hệ giữa ESG và ĐMCN.
      Thiết kế nghiên cứu/phương pháp/tiếp cận: Nghiên cứu sử dụng bộ dữ liệu bảng của 287 công ty bảo hiểm niêm yết tại nhiều quốc gia trong giai đoạn 2015–2024 và sử dụng mô hình hồi quy hiệu ứng cố định kết hợp 2SLS. 
      Kết quả nghiên cứu chính: ESG thúc đẩy đáng kể ĐMCN. Tuy nhiên, tác động này phụ thuộc vào bối cảnh chính sách: bất định tiền tệ và tài khóa làm suy yếu mối quan hệ giữa ESG và ĐMCN, trong khi bất định thương mại lại khuếch đại tác động tích cực này.
      Giá trị đóng góp mới: Nghiên cứu mở rộng các tài liệu hiện có bằng cách kết hợp lý thuyết ESG, ĐMCN và EPU trong một khung phân tích thống nhất đối với NBH. Bài báo cung cấp bằng chứng thực nghiệm về vai trò điều tiết của các thành phần EPU trong mối quan hệ giữa ESG và ĐMCN, đồng thời đưa ra hàm ý quản trị cho doanh nghiệp bảo hiểm.

    • Ứng dụng mô hình học máy tổ hợp có khả năng giải thích trong phát hiện và cảnh báo gian lận giao dịch thẻ Ứng dụng mô hình học máy tổ hợp có khả năng giải thích trong phát hiện và cảnh báo gian lận giao dịch thẻ

      Trương Thị Ngọc Yến, Nguyễn Duy Thanh

      DOI: https://doi.org/10.63065/ajdsai.vn.2026.02.005

      Tóm tắt Abstract | Bài viết Article | PDF | Mua ngay Buy now
      Tóm tắt Abstract

      Mục tiêu nghiên cứu: Đề xuất khung phát hiện và cảnh báo gian lận giao dịch thẻ bằng học máy tổ hợp có khả năng giải thích, nhằm nâng cao hiệu năng, khả năng giải trình và quản trị mô hình.
      Thiết kế nghiên cứu/phương pháp/tiếp cận: Nghiên cứu sử dụng bộ dữ liệu IEEE-CIS gồm 590.540 giao dịch có nhãn, sắp xếp theo thời gian và chia tuần tự thành tập huấn luyện, xác thực và kiểm định. XGBoost, LightGBM và CatBoost được kết hợp bằng kiến trúc xếp chồng và phối trộn xác suất. Hiệu năng được đánh giá bằng ROC-AUC, AP, F1, Precision, Recall và Top-K; độ vững được kiểm tra bằng DeLong, bootstrap theo cụm thời gian và phân tích độ nhạy. Cơ chế trí tuệ nhân tạo có khả năng giải thích (XAI) hai tầng làm rõ quá trình kết hợp mô hình và ảnh hưởng của các đặc trưng giao dịch.
      Kết quả nghiên cứu chính: Trên tập xác thực, mô hình tổ hợp đạt ROC-AUC 0,9286, AP 0,6271, F1 0,6089 và Recall 0,5446. Trên tập kiểm định theo thời gian, ROC-AUC và AP đạt cao nhất, lần lượt 0,8953 và 0,5097; Precision đạt 0,5515, Recall 0,4493 và Precision@500 đạt 0,944. Chênh lệch ROC-AUC so với LightGBM có ý nghĩa thống kê và ổn định theo thời gian. 
      Giá trị đóng góp mới: Khung đề xuất tích hợp học máy tổ hợp, đánh giá theo thời gian, kiểm tra độ vững và XAI hai tầng, hỗ trợ ưu tiên điều tra, giám sát và truy vết quyết định.

    AJAFE
    Xem tất cả các số View current issue

    • Beyond p-values: A comparative framework for estimation-based inference using the a priori procedure and gain–probability analysis Beyond p-values: A comparative framework for estimation-based inference using the a priori procedure and gain–probability analysis

      Tonghui Wang, S.T. Boris Choy, David Trafimow, Xiangfei Chen, Ziyuan Wang

      DOI: 10.63065/ajafe.2026.1.2.001

      Tóm tắt Abstract | Bài viết Article | PDF
      Tóm tắt Abstract

      Purpose - This paper compares three inferential paradigms, Null Hypothesis Significance Testing (NHST), the A Priori Procedure (APP) and Gain–Probability (G–P) analysis, and advocates a conceptual shift away from binary hypothesis testing toward inference frameworks grounded in estimation and probability.
      Design/methodology/approach - NHST, which relies on p-values and dichotomous decision rules, is contrasted with APP, which emphasizes pre-data estimation reliability, and with G–P analysis, which quantifies the probability that one outcome exceeds another and the extent to which it does. APP is derived for parameter estimation in linear regression models under skew-normal error structures, including results on the distribution of regression estimators. The G–P framework is examined for gamma-distributed variables in both independent and dependent settings. Both are supported by simulation studies and real-world applications.
      Findings - Beyond their conceptual advantages, the APP and G–P paradigms are highly applicable in practice, as shown by the simulation studies and empirical illustrations. The shift they represent aligns with broader methodological reforms that prioritize estimation, transparency and interpretability.
      Originality/value - The paper extends APP to linear regression with skew-normal errors and G–P analysis to gamma-distributed variables under independence and dependence. Together, these frameworks offer a rigorous and interpretable alternative to conventional significance testing by prioritizing estimation accuracy, probabilistic interpretation and practical relevance.

    • A tutorial on chaotic dynamics for economists A tutorial on chaotic dynamics for economists

      Hung T. Nguyen

      DOI: 10.63065/ajafe.2026.1.2.002

      Tóm tắt Abstract | Bài viết Article | PDF
      Tóm tắt Abstract

      Purpose – Presenting a simplest tutorial for new comers to the field of chaotic dynamics in economics and finance. 
      Design/methodology/approach – To attract economists, the paper is “written in a way that doesn’t kill it”. 
      Findings – Elaborating in simplest terms the complex notion of chaotic dynamics. 
      Originality/value – Aiming at attracting economists to chaotic dynamical approach to economics and finance. 

    • Short-term predictions for country-level energy demand with top-down and bottom-up stacking Short-term predictions for country-level energy demand with top-down and bottom-up stacking

      Haoyang Li, Erkal Ersoy, Boulis Ibrahim, Mark E. Schaffer

      DOI: 10.63065/ajafe.2026.1.2.003

      Tóm tắt Abstract | Bài viết Article | PDF
      Tóm tắt Abstract

      Purpose - This paper examines whether stacking (Wolpert, 1992) improves short-term forecasts of global oil consumption and electricity demand during periods of major shocks, including COVID-19, geopolitical conflicts, and trade disruptions. Given diverging trends between OECD and non-OECD economies, we evaluate forecast performance separately across these regions.
      Design/methodology/approach - We combine XGBoost, random forest, elastic net, multi-layer perceptron, and a unit fixed-effects model within a stacking framework using a non-negative OLS meta-learner. We implement both a top-down approach, which models aggregate demand directly, and a bottom-up approach, which models disaggregated components and aggregates predictions, to assess the value of decomposition.
      Findings - We find that stacking provides a robust benchmark, consistently matching or outperforming the best individual learner across most specifications. In the top-down setting, stacking generally delivers the strongest performance, particularly for global and non-OECD oil demand and global electricity demand. Bottom-up stacking improves accuracy for most oil sub-aggregates and performs comparably to the best base learner for electricity demand by source. Comparing strategies, bottom-up stacking performs better for electricity demand, while both approaches perform similarly for oil demand. Results by demand size suggest that retransformation bias from the log scale (Duan, 1983) and cross-country heterogeneity are particularly important for large economies. Overall, while no single model dominates across all settings, stacking provides a simple and reliable approach to improving forecast accuracy.
      Originality/value - Our contribution is threefold. First, we provide a systematic comparison of stacking methods for forecasting global energy demand across OECD and non-OECD economies. Second, we evaluate the relative performance of top-down and bottom-up strategies within a common framework. Third, we examine how forecast performance varies with the scale of energy demand, highlighting the role of retransformation bias (Duan, 1983) and cross-country heterogeneity.

    • Nonlinear associations between esg uncertainty and financial performance: Explainable machine learning evidence from listed real estate firms in Vietnam Nonlinear associations between esg uncertainty and financial performance: Explainable machine learning evidence from listed real estate firms in Vietnam

      Pham Thuy Tu, Mai Ngoc Dung, Duong Hong Thin, Tran Thi Huong Thao, Tran Huu Thuan

      DOI: 10.63065/ajafe.2026.1.2.004

      Tóm tắt Abstract | Bài viết Article | PDF
      Tóm tắt Abstract

      Purpose – This study investigates how ESG-related informational uncertainty is associated with the financial performance of listed real estate firms in Vietnam. It examines whether this relationship is nonlinear and heterogeneous while evaluating the usefulness of explainable machine learning in an emerging market.
      Design/methodology/approach – A balanced monthly panel of 28 listed real estate firms covering 2013-2024 is analyzed. Eight machine-learning algorithms are compared, with Particle Swarm Optimization used for hyperparameter tuning. Model interpretability is achieved using SHAP, complemented by partial dependence plots and accumulated local effects to identify nonlinear and heterogeneous associations between ESG uncertainty and return on equity (ROE).
      Findings – XGBoost delivers the strongest out-of-sample predictive performance, indicating that the ESG uncertainty-performance relationship is inherently nonlinear. Explainable AI reveals a state-dependent pattern: ESG uncertainty is negatively associated with ROE at low levels, becomes broadly neutral as firms adapt, and is associated with more favorable outcomes only among firms with stronger adaptive capacity under high uncertainty. Large firms are more sensitive to ESG uncertainty, medium-sized firms display more stable adaptive responses, and small firms exhibit weaker responses. These findings represent model-implied associations rather than causal effects.
      Originality/value – This study shifts the ESG-performance literature from static ESG levels to ESG-related informational uncertainty and integrates explainable machine learning with SHAP to uncover nonlinear and heterogeneous effects, providing new evidence from Vietnam's listed real estate sector.

    • Does monetary policy still affect consumption? Time-varying transmission of credit and interest rates in Vietnam Does monetary policy still affect consumption? Time-varying transmission of credit and interest rates in Vietnam

      Chiu Meng-Hsiang, Vu Tuan Anh

      DOI: 10.63065/ajafe.2026.1.2.005

      Tóm tắt Abstract | Bài viết Article | PDF
      Tóm tắt Abstract

      Purpose – This study assesses whether monetary policy still affects household consumption in Vietnam; it also assesses the relative contribution of credit and interest-rate shocks (in reduced form) and quantifies how the volatility of consumption’s own shocks evolves over time.
      Design/methodology/approach – The study estimates a Bayesian time-varying parameter vector autoregression with stochastic volatility (TVP-VAR-SV) using monthly data from 2013M4 to 2025M12 with four endogenous variables. Dynamic effects are analysed through impulse response functions (IRF), forecast error variance decomposition (FEVD), and the stochastic volatility (SV) of the consumption shock, together with robustness checks. The dataset comprises 153 monthly observations (2013M4–2025M12); retail sales and credit are drawn from FiinPro-X, the refinancing rate from the State Bank of Vietnam, and the CPI from the IMF's IFS.
      Findings – The transmission of monetary policy to consumption is weak: consumption responses to both credit and interest-rate shocks are largely statistically insignificant, and neither channel dominates persistently. The most robust finding is that the magnitude of consumption shocks varies markedly over time, with a high-volatility cluster persisting throughout 2020–2023, peaking in September 2022 at roughly eight to eleven times the normal-period level. These findings are consistent across alternative specifications.
      Originality/value – This study is the first to assess the time-varying response of Vietnamese household consumption to monetary shocks using monthly retail-sales data. It traces how the relative importance of the credit and interest-rate channels shifts across different states of the economy; through the stochastic-volatility component, it separately quantifies the volatility of consumption’s own shocks, distinct from changes in the transmission mechanism; and it extends the TVP-VAR-SV framework – so far applied in Vietnam mainly to financial variables – to the transmission of monetary policy to consumption.

    • Rounding-free differential privacy for discrete count data: A field-wrapped discrete-Laplace mechanism Rounding-free differential privacy for discrete count data: A field-wrapped discrete-Laplace mechanism

      Thanh-Phong Lam

      DOI: 10.63065/ajafe.2026.1.2.006

      Tóm tắt Abstract | Bài viết Article | PDF
      Tóm tắt Abstract

      Purpose – This paper develops a differentially private mechanism for releasing discrete banking aggregates that stays in the data’s native modular domain and avoids the rounding bias of continuous-noise mechanisms.
      Design/methodology/approach – The mechanism adds two-sided geometric (discrete Laplace) integer noise to each cell count and reduces modulo the field order q. Pure ε-differential privacy follows from post-processing immunity of the modular map, and a closed-form per-cell error 1/sinh (ε) is derived. We evaluate it against uniform, continuous Laplace, and Gaussian baselines on synthetic State Bank of Vietnam frequency tables. The Python and R pipeline is reproducible.
      Findings – The mechanism is provably pure ε-DP and unbiased, with per-cell error governed by ε alone, independent of the field order. It matches the utility-optimal discrete Laplace and stays below the rounded continuous Laplace at every budget. The uniform alternative is worse by up to two orders of magnitude and ignores ε.
      Originality/value – The paper contributes a discrete, modular-closed differential privacy mechanism for banking disclosure. Releases reconcile exactly under modular addition, and the guarantee needs no computational-hardness assumption, giving regulators a provable, reproducible tool for confidential aggregate reporting.