1995年，巴林银行因未经授权的交易活动损失14亿美元，随后破产。10年后，摩根大通同意支付22亿美元来解决安然丑闻。最近，Société Générale在其交易活动多次违反控制之后遭受了49亿欧元的损失。
这样的事件凸显了巨大的经济影响操作风险- 在新的巴塞尔协议（巴塞尔II）中被定义为“因内部流程，人员和系统或外部事件不足而导致的损失风险”。巴塞尔二世要求金融机构持有资本，以防止业务风险产生的意外损失。
在联合圣保罗银行(Intesa Sanpaolo)，我们使用MATLAB构建了全新的场景分析模型，使其符合巴塞尔协议II的要求。情景分析是预估操作风险资本费用的高级度量方法(AMA)的一个关键组成部分。介绍了巴塞尔协议二、AMA对操作风险的度量有严格的量化要求。例如，它要求在一年的持有期内，将资本测量值计算到99.9%的置信水平。
MATLAB为我们节省了大量的原型设计和开发时间。它也给了我们灵活性——在项目的早期试错阶段特别有用，那时我们经常做出实质性的改变来测试新想法。
实施方案分析
与传统技术不同，场景分析使用专家意见作为输入，而不是历史数据。考虑到联合圣保罗银行(Intesa Sanpaolo)的情景分析范围之广(它涵盖该行的所有部门)，通过面对面访谈收集专家意见根本不可能。因此，为了提高效率，我们采用了问卷调查。
开发情景分析框架和工具的主要技术挑战是确定受访者能够报告的极端损失结果的敏感性。我们需要一个过程和模型，可以“指导”专家，但让他们对自己的评估承担最终责任。这在模型开发期间转化为巨大的数值校准工作，例如，为估计创建有意义的范围。
认识到，Intesa Sanpaolo通常与非凡的事件有关的运营风险，采用了一个有价值的风险（VAR）方法来运行风险测量。采用VAR要求我们找到合适的分布，并使用鲁棒校准分析进行数据建模和推断。需要彻底校准，因为var是尾部风险措施，这些风险措施经常处理“未观察到”的风险场景。例如，估计金融丑闻（如SENR）需要推断的风险，因为最终结果远远超出了观察到的数据范围。因此，建模选择可以产生巨大不同的结果。
场景分析模型的设计和微调需要MATLAB支持的两个功能：复杂的灵敏度分析和分析结果的收集和图形探索。金宝app鉴于问题的范围和复杂性 - 数百个损耗分布必须共同考虑 - 分析可能是一个重大挑战。
我们将模型开发过程分为四个步骤:开发基本算法，校准模型输入，设置风险评估问卷的范围，估计风险资本。
开发基本算法
我们的情景分析(SA)算法是基于损失分布方法(LDA)。LDA是保险领域的标准，它处理与操作风险固有挑战相同类型的挑战。由于我们根据其频率和严重程度计算年度损失分布，关键信息是损失事件的预期年度频率(用于校准频率分布)和每个事件的经济影响(用于校准严重程度分布)。我们分别输入频率和严重性分量。这使得专家评估人员可以根据频率和严重性回答问卷，并产生定性和定量的信息。
SA算法输入问卷响应，我们用于校准频率和严重性分布。Poisson和负二进制发行版适用于建模运算损失的频率分布。我们选择Poisson来模拟频率分布，因为它是一个用于保险和汇总风险建模的单参数离散分布。对于严重性分布，我们选择了LogNormal。
我们使用matlab和lognrnd（）从统计和机器学习工具箱™验证总损耗分布的99.9％VAR。我们的MATLAB代码使用蒙特卡罗方法，如下：
% %数据模糊= 1 e6;%场景数量mu=9;sigma=2;% severity (lognormal) % parameters lambda=100;%频率参数%(平均频率)%%蒙特卡罗使用cellfun N=num2cell(poissrnd(lambda,dim,1));Loss = cellfun(@(x) sum(logrnd…(1)μ、σ,x), N,…“UniformOutput”,假);= cell2mat损失(损失);VaR=prctile(loss,99.9);请注意,Cellfun.使我们能够避免循环并写出非常紧凑的代码。
校准模型输入
场景分析的一个关键问题是模型输入的质量。每个风险类别所需的关键信息是损失事件的预期年度频率(λ)和每个事件的经济影响，根据典型损失(M)和最坏情况(WC)情景进行评估。我们用λ校准频率分布，用M和WC校准严重性分布。
由于WC是用于确定资本的最重要参数，因此我们确保对此参数进行了正确的解释。图1显示了我们对WC校准的灵敏度分析的结果。
例如，假设实红线代表98%的概率水平，虚线代表99%。如果评估人员回答典型损失为1，最坏情况为30 (M=1, WC=30)，那么WC/M将为30，我们将在第一个情况下获得VaR等于300，在第二个情况下获得VaR等于100。换句话说，如果模型将WC解释为严重程度分布的98%分位数，而不是99%，我们得到的VaR要高出三倍。
有很多方法可以解释WC，包括严重程度分布的固定(高)分位数、固定时期内最糟糕的单次损失以及严重程度分布的概率分位数(取决于平均频率)。后一种方法结合了概率分析和场景分析方法。我们对典型损失M进行了类似的分析。
建立风险评估问卷范围
因为我们的专家必须估算一些指标，我们要求他们将答案表达为范围而不是点估计。我们的目标是确保保持一致性和效率，同时保留特定于业务单位的功能（例如，大小和商业活动）。
线性系统的齐性。使我们能够通过在一个“规范化”的世界中操作来简化我们的推理:我们可以只计算一次(并且提前)“规范化VaR”——也就是说，计算一个典型损失为1的VaR。为了节省时间，我们计算了一个归一化VaR，它仅仅是WC/M比率和频率的函数。
图2显示了对三种不同严重性分布的模拟结果。图3显示了VaR作为M和WC的函数。
我们发现，我们可以通过简单地乘以相关的典型损失m来缩放结果。一旦我们设置了估计的归一化范围，我们可以使用这个业务单位特定的指标来缩放它们。通过检查和平衡每个类的结果方差，我们优化了范围的设置。
估算风险资本
为了汇总问卷答案以估计群体层面的VaR，我们对每个答案应用基本LDA算法，然后考虑多元化的影响，汇总所有答案。
为了诱导目标、线性或秩相关，我们使用了一种限制配对算法，它类似于高斯关联。我们采用的方法是对Iman-Conover方法(1982)的改进，可以使目标和得到的相关矩阵更接近匹配。
将模型工作到工作
把所有这些步骤放在一起，我们开发了一个自动工具，可以执行必要的统计计算，并自动生成Excel和PowerPoint报表。我们现在正在完成AMA模型的第一个版本，用于监管资本的目的。
操作风险管理器目前正在使用该工具来管理整个方案分析计算过程，从设置答案范围估计组级别var。
我们开发的模型可以用于任何涉及收集专家意见并将其转化为数字估计的应用程序，例如，它可以用于保险业中衡量保险偿付能力风险，在能源行业预测天然气消耗或进行与石油勘探和生产有关的风险分析。将保险覆盖范围纳入模型并利用蒙特卡罗模拟估计其缓解效果是很容易的。以这种方式使用，情景分析可以是一个有用的工具，用于评估保险政策的有效性，并在成本效益分析中优化政策限额和免赔额。
我们的情景分析模式满足巴塞尔二世的要求II，因为它估计在一年的持有期的99.9％的置信水平上的资本措施。实施该模型不会自动满足巴塞尔II要求;在它可以用于官方工作之前，它受到金融监管机构的彻底审查。这是您设计和开发方案分析框架时要记住的关键点。
本文中的陈述旨在作为作者的独家意见，不一定代表Intesa Sanpaolo集团。这篇文章竣工，而Andrea Colombo是与Intesa Sanpaolo的。
