یادگیری ماشین در تخمین سرمایه پوششی ریسک عملیاتی بانک ها با رویکرد توزیع زیان (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
ریسک عملیاتی یکی از مهم ترین ریسک های مؤسسات مالی است. توجه به آن پس از مصوبات کمیته بال، در سراسر دنیا آغاز شده است. افزایش روزافزون زیان های عملیاتی در خطوط کسب و کار مختلف سبب شده است تا توجّه مدیران مؤسسات مالی معطوف به حوزه ریسک عملیاتی شود. در این پژوهش، روشی جهت تخمین آستانه مناسب برای داده های شدت زیان عملیاتی و همچنین روشی جهت طبقه بندی داده های شدت زیان عملیاتی ارائه شده است و سرمایه مورد نیاز برای پوشش ریسک عملیاتی با تجمیع تابع توزیع شدت و فرکانس داده های زیان عملیاتی و شبیه سازی مونتکارلو به دست آمده است. همچنین وابستگی بین سلول های ماتریس خطوط کسب و کار و حوادث ضررساز نیز مورد بررسی قرار گرفته است. برای این پژوهش داده های زیان عملیاتی مربوط به یک مجموعه بانکداری شامل چند بانک آسیایی، اروپایی و آمریکایی به کارگرفته شده است. نتایج پژوهش حاکی از آن است که رویکرد توزیع زیان با ترکیب تئوری مقدار بحرانی و الگوریتم های یادگیری ماشین (خوشه بندی)، همچنین رویکرد توزیع زیان با ترکیب الگوریتم های یادگیری ماشین (طبقه بندی)، نسبت به سایر روش ها کارآمدتر است.Machine learning in estimating operational risk coverage capital of banks with a loss distribution Approach
Operational risk is one of the most important risks of financial institutions. After the approval of the Basel committee, it has started to be noticed all over the world. The increasing increase in operating losses in various business lines has caused the attention of financial institution managers to be directed to the area of operational risk. In this research, a method for estimating the appropriate threshold for operational loss data and also a method for classifying operational loss data is presented, and the capital required to cover operational risk by combining the intensity distribution function and frequency of operating loss data and Monte Carlo simulation are obtained. Also, the dependence between matrix cells of business lines and loss making events has also been investigated. For this research, operational loss data related to a banking group including several Asian, European and American banks have been used. The research results indicate that the loss distribution approach with the combination of critical value theory and machine learning algorithms (clustering), as well as the loss distribution approach with the combination of machine learning algorithms (classification), is more efficient than other methods.
تبلیغات
