ارزیابی ریسک عملیاتی با استفاده از روش استنتاج بیزی و با در نظر گرفتن ترکیب منابع داده ای و فرض وابستگی بین نظرات کارشناسان و داده های زیان داخلی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس، ایران

2 فارغ التحصیل رشته کارشناسی ارشد مهندسی صنایع گرایش مهندسی مالی، دانشگاه تربیت مدرس، ایران

3 استادیار دانشکده مهندسی صنایع و سیستم‌ها دانشگاه تربیت مدرس، ایران

چکیده

به‌منظور اندازه­گیری حداقل سرمایه پوششی ریسک عملیاتی تحت مستند بال 2 بسیاری از مؤسسات مالی تمایل دارند که از رویکرد توزیع زیان استفاده نمایند. اما رویکرد توزیع زیان نیاز به تعداد زیادی داده زیان داخلی دارد تا بتواند کارایی لازم را داشته باشد، بنابراین به‌منظور رفع این چالش می­بایست از منابع­ داده­ای دیگر ریسک عملیاتی استفاده نمود. بزرگ‌ترین چالش روبه­روی مؤسسات مالی چگونگی ترکیب منابع داده­ای مختلف ریسک عملیاتی می­باشد. لذا در این پژوهش به بیان نحوه ترکیب انواع منابع داده­ای پرداخته‌شده است. تمرکز این پژوهش تخمین پارامتر توزیع­ فراوانی در رویکرد توزیع زیان ریسک عملیاتی با استفاده از روش استنتاج بیزی بوده است. در این پژوهش فرض وابستگی بین منابع داده­ای ریسک عملیاتی یعنی نظرات کارشناسان و داده­های زیان داخلی در نظر گرفته‌شده است. برای اعتبارسنجی مدل­های برآورد شده برای توزیع پسین، از آزمون­های نیکویی برازش عددی استفاده‌شده است. و برای محاسبه توزیع توأم بین منابع داده­ای با فرض وابستگی از توابع کاپیولا خانواده گاوس استفاده‌شده است. نتایج پژوهش حاکی از آن است که با در نظر گرفتن فرض وابستگی بین دو منبع داده­ای نظرات کارشناسان و داده­های زیان داخلی، با افزایش تعداد دوره­های پیش­بینی پارامتر توزیع فراوانی، مقدار پارامتر توزیع کاهش می­یابد که این امر نشان­دهنده کاهش نمایه ریسک باگذشت زمان می­باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Operational Risk Assessment Using Bayesian Inference with Regard to the Composition of Data Sources and the Assumption of Dependence between Experts and Internal Loss Data

نویسندگان [English]

  • Bakhtiar Ostadi 1
  • Sajad Khazayi 2
  • Ali Husseinzadeh Kashan 3
1 Assistant Professor of Industrial Engineering, Faculty of Industrial and Systems Engineering, Tarbiat Modares University, Tehran, Iran,
2 MSc student of Financial Engineering, Tarbiat Modares University
3 Assistant Professor of Industrial Engineering, Faculty of Industrial and Systems Engineering, Tarbiat Modares University
چکیده [English]

In order to measure hedge funds operating under the wings of two documented, many financial institutions tend to use the loss distribution approach. But a loss distribution approach requires a large number of internal loss data in order to have the necessary performance, so due to limitations in the database operating losses and the cost of internal loss data collection, in order to increase performance and reliability the operational risk capital should be calculated from other data sources used for operational risk. The biggest challenge facing financial institutions is how to combine different data sources of operational risk. In this regard, expressed in this research has been how to combine a variety of data source. So, in this paper the parameter estimation of frequency of operational risk loss distribution approach using Bayesian inference is explored. In this research, assuming dependencies between data sources, operational risk, the experts and internal loss data is intended. To validate the estimated models for the posterior distribution of numerical tests of goodness of fit is used. In addition,  to calculate dependencies between data sources, detailed functions family of Gauss is used. The results indicate that with the assumption of experts dependence between the source data and internal data loss, by increasing the number of predictive parameters, frequency distribution, reduced the value of the parameter distribution, which represents a decrease of profile risk over time.

کلیدواژه‌ها [English]

  • Operational Risk
  • Bayesian Inference
  • Loss Distribution Approach
  • Copula
-     هاشم نصرتی، کامران پاکیزه، (1393)، تخمین ذخیره سرمایه ریسک عملیاتی در صنعت بانکداری، فصلنامه مهندسی مالی و مدیریت اوراق بهادار،1، صص. 5-26

-      Hashem Nosrati, Kamran Pakize (1393), estimated operational risk capital in the banking industry, Quarterly journal of financial engineering and securities management, in Persian.

-      Anna Chernobai, Christian Menn and Svetlozar T. Rachev, (2006), Empirical Examination of Operational Loss Distributions, http://myweb.whitman.syr.edu, 23(8), pp.1-23.

-      Anna Chernobai, Marida Bertocchi, Giorgio Consigli, Svetlozar Rachev and Rosella Giacometti, (2007), Heavy-Tailed Distributional Model for Operational Losses, http://myweb.whitman.syr.edu,28(4), pp.1-28.

-      Basel Committee on Banking Supervision (2006), International Convergence of Capital Measurement and Capital Standards,

-      Basel Committee on Banking Supervision, (2011), Operational Risk Supervisory Guidelines for the Advanced Measurement Approaches, Bank for International Settlements, 63, pp.1-63.

-      Basel Committee on Banking Supervision (2001b), Working Paper on the Regulatory Treatment of Operational Risk, Bank for International Settlements.39, pp.1-39.

-      Berger, J.O. (1985), Statistical Decision Theory and Bayesian Analysis, 2nd edn. Springer, NewYork, NY.

-      Bretthorst G. (1989), An introduction to parameter estimation using Bayesian probability theory,In Maximum Entropy And Bayesian Methods, Dartmouth, 27(1). pp.53-79.

-      Bühlmann, H., Gisler, A. (2005), A Course in Credibility Theory and its Applications. Springer, Berlin.

-      Bühlmann, H., Shevchenko, P.V., Wüthrich, M.V. (2007), A “toy” model for operational risk quantification using credibility theory. The Journal of Operational Risk 2(1), pp.3–19

-      Erik Dahlberg (2015), Bayesian Inference Methods in Operational Risk, KTH ROYAL INSTITUTE OF TECHNOLOGY SCI SCHOOL OF ENGINEERING SCIENCES,74(1), pp.1-74

-      Frchet, M., (1958), Remarques au Sujet de la Note Prcdente, C. R. Acad Sci Paris Ser I Math., 246, pp.2719-2720.

-      Figueiredo, M. (2004), Lecture Notes on Bayesian Estimation and Classification, Instituto de Telecomunica¸c˜oes, and Instituto Superior T´ecnico

-      Frachot, A., Roncalli, T. (2002), Mixing internal and external data for managing operational risk. Groupe de Recherche Opérationnelle, Crédit Lyonnais, France

-      Galambos, J., (1978), The Asymptotic Theory of Extreme Order Statistics. Wiley, New York.

-      Ivana Manic, (2007), Mathematical Models for Estimation of Operational Risk and Risk Management,Univerzitet U Novom Sadu Prirodno-Matemati Cki Fakultet Departman Za Matematiku I Informatiku,123, pp.1-123

-      Nortes A, (2007), Bayesian inference in dynamic discrete choice models, The University of lowa’s institutional Repository,156(1), pp.1-156

-      Peters, G.W., Shevchenko, P.V., Wüthrich, M.V. (2009), Dynamic operational risk: modeling dependence and combining different data sources of information. The Journal of Operational Risk 4(2), pp.69–104

-      Robert, C.P. (2001), The Bayesian Choice. Springer, New York, NY

-      Shevchenko, P.V., Wüthrich, M.V. (2006), The structural modeling of operational risk via Bayesian inference: combining loss data with expert opinions. The Journal of Operational Risk 1(3), pp.3–26.

-      Shevchenko, P.V., Lambrigger, D.D., Wüthrich, M.V. (2007), The quantification of operational risk using internal data, relevant external data and expert opinions. The Journal of Operational Risk 2(3), pp.3–27

-      Skaler, A., (1959), Fonctions de Repartition an Dimensions et Leurs Marges, Publications de l Indtitut de Statistique de l Universite de Paris, 8, pp.229-231.