رویکرد توزیع زیان

به منظور اندازه گیری 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 به منظور رفع این چالش می بایست از منابع داده ای دیگر ریسک عملیاتی استفاده نمود. بزرگ ترین چالش روبه روی مؤسسات مالی چگونگی ترکیب منابع داده ای مختلف ریسک عملیاتی می باشد. لذا در این پژوهش به بیان نحوه ترکیب انواع منابع داده ای پرداخته شده 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 داده ای ریسک عملیاتی یعنی نظرات کارشناسان و داده های زیان داخلی در نظر گرفته شده است. برای اعتبارسنجی مدل های برآورد شده برای توزیع پسین، از آزمون های نیکویی برازش عددی استفاده شده است. و برای محاسبه توزیع توأم بین منابع داده ای با فرض وابستگی از توابع کاپیولا خانواده گاوس استفاده شده است. نتایج پژوهش حاکی از آن است که با در نظر گرفتن فرض وابستگی بین دو منبع داده ای نظرات کارشناسان و داده های زیان داخلی، با افزایش تعداد دوره های پیش بینی پارامتر توزیع فراوانی، مقدار پارامتر توزیع کاهش می یابد که این امر نشان دهنده کاهش نمایه ریسک باگذشت زمان می باشد.

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.