第6章操腾作风险.ppt

损失分布法 损失频率分布（损失次数分布）是关于在某个时间段内观察到的损失出现的次数的分布。 损失程度分布是指损失事件导致的损失的程度的分布。 通常假设损失频率分布与损失程度分布相互独立。 损失频率尽可能从银行自身数据中估计。 一种可行方法是假设其服从 Poisson 分布： 在这一分布中，假定损失在各个时间段随机出现，并且在任意△t的时间段内，损失出现的概率为? △t，则在时间T内，有n个损失出现的概率为： ?为单位时间内损失出现的平均次数（可根据实际数据估计得到） * 损失程度的估计可以基于内部和外部的历史数据。（一种可能是假设其服从对数正态分布，如此我们仅需要估计损失对数的期望值和方差） 对于某个业务类别及损失类型，损失频率分布和损失程度分布需结合在一起以产生整体损失分布，下文采用蒙特卡罗方法实现。 蒙特卡罗模拟抽样 对每次模拟抽样，进行以下计算： 在频率分布中进行抽样，以决定损失事件（=n）的数量 在损失程度中进行抽样n次以决定每次损失事件所对应的损失数量（L1，L2，…，Ln） 计算整体损失（=L1+L2+…+Ln） 进行多次抽样后，可得出整体损失分布。 损失频率分布和损失程度分布来计算损失分布 多数银行才开始内部操作损失数据的搜集，还未建立起内部操作损失数据库，已经建立起来的数据库中的损失事件多数为高频、低额的。内部操作数据的不足使得各银行难以精确计算操作风险资本要求，尤其是对于高额／低频的事件类型。 使用外部数据度量操作风险会产生内外数据的不同质、扩大规模问题和缺乏兼容性等一系列问题。 数据问题 数据属性 优势 劣势 内部数据 1.可直接反映银行的历史损失。 2.资料搜集较为容易且可节省搜集成本 1.银行过去的损失经验可能未涵盖尾部损失。 2.过于内部导向(inward focused) ，缺乏与外界的连结、互动。 外部数据 1.可提供内部损失数据库较难掌握之资讯，如发生机率低、损失严重的事件。 2.其它机构发生操作风险的成因与解决方式可供借鉴，避免重蹈覆辙。 1.外部损失数据未必与银行直接相关，因此须加以筛选。 2.资料搜集与管理困难度较高。 内、外部数据结合 内、外部数据结合时，可提高模型预测力。 数据管理难度提高 内、外损失数据比较 外部数据的来源有两个： 银行间数据共享 数据供应商系统采集的数据 无论是内部数据还是外部数据都需对通货膨胀进行调节 对外部数据还需进行规模调整 如，一家银行的销售额是100亿美元，其对应的操作风险损失为800万美元， 如何应用到销售额仅为50亿美元的银行呢？ 一个自然假设：按比例调整，操作风险损失为400亿美元，该估计可能低估操作风险。 * 规模调整 在使用外部数据时，Shih等人估计α=0.23 规模调整的适用性 * 规模调整适用于银行之间共享的数据，不适用于数据供应商提供的数据-----含一定偏差，如： 供应商一般只提供公开发表的大损失数据，损失量越大的事件被报道的可能性也越大 内部系统控制较弱的公司在数据库里出现的可能性更大，且遭受损失的次数较多，损失量也较大。 外部公开数据对于确定不同风险类别的相对损失程度非常有用。对于不同的风险类别可以估计期望损失与损失标准差 假如，一家银行对于自己本行融资部门发生的内部诈骗案所造成损失的期望值及标准差有很好的估计，但是对于该部门外部诈骗所造成的损失却没有太好的数据。 假定 融资部门内部诈骗的期望值= 50 000美元，标准差=30 000美元， 外部诈骗损失程度的期望值=2×该部门内部诈骗损失程度的期望值的2倍 融资部门外部诈骗损失程度的标准差=1.5 ×该部门内部诈骗损失程度的标准差 在没有其他更好的选择下，银行可以假定自身的融资部门因为外部诈骗所造成的损失程度的期望值为2 x 50 000 = 100 000(美元)，标准差为1. 5 x 30 000 =45 000(美元); 外部数据显示 得分卡法 有些银行采用得分卡方式来分配操作风险资本金。在得分卡方式中， 银行首先由专家来识别各种风险的主要来源， 然后再对各个业务类别进行提问， 通过这些提问银行可以决定各个业务类别的风险量大小， 我们应该考虑的业务类别可能会多于前面所列举的8个业务类别，这是因为对银行在世界不同地区的业务类别都要加以区分。 得分卡上的问题可能是如下形式: 有多少关键部门的职务是由临时雇员来代理? 监督人员与雇员的比例是多少? 公司业务中是否会涉及客户保密信息? 部门雇员离职率是多少? 有多少个雇佣机会仍属空缺? 雇员工资中有多大的比例与业务表现有关? 雇员中有多少人曾经连续休过10天的假期? 对于每个答案都要设定分数，每一个业务部门所得的分数都显示了这一业务部门的风险大小，由此我们可以设