1995年,巴林银行破产后亏损14亿美元,由于未经授权的交易活动。十年后,摩根大通(JP Morgan)同意支付22亿美元和解在安然丑闻之后。最近,法国兴业银行(Societe Generale)亏损49亿€多个违反控制后的交易活动。
这些事件突出的巨大的经济影响操作风险定义在新巴塞尔协议(Basel II)”不足或失败所带来的损失风险内部流程,人,和系统或外部事件。“新巴塞尔协议要求金融机构持有的资本,以应对意外操作风险引起的损失。
在意大利联合圣保罗,我们使用MATLAB构建全新的场景分析模式,使符合新巴塞尔协议的要求。情景分析是一个关键组成部分先进的测量方法(AMA)评估操作风险的资本支出。介绍了巴塞尔协议二世,AMA强加严格的定量度量操作风险的要求。例如,它需要资本衡量的计算99.9%置信水平超过一年的持有期。
MATLAB救了我们大量的原型和开发时间。也给了我们在项目的早期试错阶段flexibility-particularly有用,当我们经常上作了重大变动测试新的想法。
实施情况分析
与传统技术、场景分析使用专家意见作为输入而不是历史数据。考虑到巨大的范围的场景分析Intesa Sanpaolo(它包含所有部门的银行),通过面对面的访谈收集专家意见,是不可能的。为了提高效率,因此,我们使用了调查问卷。
的主要技术挑战发展中一个场景的分析框架和工具,是决定哪一种对极端损失结果受访者能够报告。我们需要一个过程和一个模型,可以“指南”专家但最终让他们负责他们的估计。这翻译成一个巨大的数字校准工作在模型开发,包括例如,创建有意义的估计范围。
认识到操作风险通常与非凡的事件,有关Intesa Sanpaolo采取了风险价值(VaR)操作风险度量方法。采用VaR要求我们找到合适的分布和使用一个健壮的校准分析数据建模和推断。全面的校准是必需的,因为VaR是尾部风险的措施,处理经常“未被注意的”风险场景。例如,评估的风险等金融丑闻安然需要外推,因为最终的结果超出了范围的观测数据。因此,建模的选择可以产生截然不同的结果。
情景分析模型的设计和调整所需的两个功能由MATLAB支持:复杂的灵敏度分析,收集和分析结果的图形化的探索。金宝app鉴于问题的损失分布的范围和complexity-hundreds必须考虑联合分析可能是一个很大的挑战。
我们模型开发过程分为四个步骤:开发的基本算法,校准模型的输入,在风险评估问卷设置范围,估算资本风险。
发展的基本算法
我们的场景分析(SA)算法是基于损失分布方法(LDA)。LDA在保险领域标准,处理相同类型的操作风险中固有的挑战。因为我们计算每年损失分布的频率和严重程度,关键信息的预期年度频率损失事件(用于校准频率分布)和每个事件对经济的影响(用于校准严重性分布)。我们分别输入频率和严重程度的组件。这使得专家评估员回答调查问卷的频率和严重程度和生产两个定性和定量的信息。
SA算法输入问卷反应,我们用来校准的频率和严重程度分布。泊松和负二项分布都是适合的频率分布进行建模操作损失。我们选择了泊松模型频率分布,因为它是一个单个参数离散分布常用的保险和总风险建模。严重程度的分布,我们选择对数正态。
我们使用MATLAB和lognrnd ()函数从统计和机器学习工具箱™VaR估计99.9%的总损失分布。我们的MATLAB代码使用蒙特卡罗方法,如下:
% %数据模糊= 1 e6;%的场景μ= 9;σ= 2;%的严重性(对数正态)%参数λ= 100;%(平均频率)% % %频率参数使用cellfun N = num2cell蒙特卡罗(poissrnd(λ,昏暗,1));损失= cellfun (@ (x)和(lognrnd……(1)μ、σ,x), N,…“UniformOutput”,假);= cell2mat损失(损失);%总损耗%分布(实证)VaR = prctile(损失,99.9);请注意,cellfun使我们避免循环和编写非常紧凑的代码。
校准模型的输入
情景分析的一个关键问题是模型输入的质量。每个风险类所需的关键信息的预期年度频率(λ)损失事件,每个事件对经济的影响,评估的典型的损失(M)和坏的情况下(WC)的场景。我们校准频率分布利用λ和校准使用M和WC严重程度分布。
因为厕所是最重要的参数来确定资本风险,我们确保我们有正确的解释为这个参数。图1显示了我们对WC的灵敏度分析校准的结果。
例如,假设固体红线代表一个概率水平的98%,虚线红线代表99%。如果一个评估员回答与典型的亏损1和坏的情况下30 (M = 1, WC = 30),然后WC / M 30,我们将获得一个VaR等于300在第一种情况下,100在第二。换句话说,如果模型解释WC的98%分位数严重程度分布而不是99%,我们获得一个VaR高出三倍。
有很多方法来解释WC,包括一个固定的(高)分位数的严重性分布,在一个固定的时期,跌幅最大的单一和分位数的严重性分布概率水平取决于平均频率。后一种方法结合了概率和情景分析的方法。我们进行了一个类似的分析解释的典型损失,M。
在风险评估问卷设置范围
因为我们的专家必须估计一些指标,我们要求他们表达他们的答案范围而不是点估计。我们的目标是确保一致性和效率,同时保留特定于业务单元的特性(例如,大小和业务活动)。
线性系统的同质性属性。让我们简化我们的推理操作在一个“规范化”的世界:我们可以只计算一次(提前)“规范化VaR”- - -也就是说,1计算的一个典型的损失之一。为了节省时间,我们计算一个规范化VaR的函数只有WC / M比和频率。
图2显示了模拟的结果进行三种不同严重程度分布。图3显示了VaR M和WC的函数。
我们发现我们可以规模结果只需乘以相关典型损失,m .一旦我们有设定标准化的范围的估计,我们可以扩展他们使用这个business-unit-specific指标。通过检查和平衡每个类的结果差异,我们优化的设置范围。
估计资本风险
聚合组级别的调查问卷的答案估计VaR,我们基本LDA算法应用于每一个答案,然后聚合所有的答案,考虑多样化的影响。
诱导目标、线性或等级相关,我们使用限制配对算法,这是类似于高斯相关。我们实现的方法,细化Iman-Conover方法(1982),允许之间的紧密匹配的目标和产生的相关矩阵。
将模型的工作
一起把所有这些步骤,我们开发了一个自动化工具,执行必要的统计计算和自动生成Excel和PowerPoint的报道。我们现在确定的第一个版本AMA模型用于监管资本的目的。
操作风险经理目前使用该工具来管理整个场景分析计算过程从设置的答案范围估计组级别VaR。
模型,我们开发了可用于任何应用程序,包括收集专家意见,并将其转化为数值估计的例子,它可以用在保险行业衡量偿债能力风险保险、能源产业和预测天然气消费或进行风险分析与石油勘探和生产。很容易将保险纳入模型,利用蒙特卡罗模拟法估计其减排效果。以这种方式使用,场景分析可以是一个有用的工具估计保险政策的有效性和成本效益分析优化政策限制和免赔额。
我们的场景分析模型满足新巴塞尔协议的要求,因为它估计资本衡量的99.9%置信水平超过一年的持有期。实现模型并不会自动满足巴塞尔协议II的需求;它可以用于正式工作之前,必须彻底的金融监管机构的审查。你要记住这是关键问题,设计并开发一个场景分析框架。
语句在这篇文章的目的是作为作者的独家观点,不一定代表Intesa Sanpaolo集团。这篇文章是Andrea科伦坡与Intesa Sanpaolo时完成。
