Professional Documents
Culture Documents
elvont
A működési kockázatszabályozó tőke meghatározására szolgáló fejlett mérési megközelítés
egyik fő problémája a veszteségek eloszlásának kiszámítása, amikor az adatok a különböző
típusú kockázati események által különböző üzletágakban okozott összesített veszteségekből
állnak. Hasonló probléma jelenik meg a biztosítási ágazatokban, amikor különböző típusú
veszteségek összesítésére van szükség. Ha az adatokat jól gyűjtik, azaz amikor a veszteségeket
közös vektorként gyűjtik, a maxentropikus technikák alkalmasak az összesített veszteség
valószínűségi sűrűségének megállapítására. Ha az adatok nem jól gyűjtött, a maxentropikus
eljárás biztosítja számunkra a marginális sűrűségek, amelyek aztán párosítható néhány
megfelelő copula, majd folytassa az egyik a két eljárás, hogy alkalmazzuk. Mindenesetre a két
lehetőség alapvetően függ a maxentropikus technikától, hogy meghatározza a valószínűségi
sűrűséget a Laplace transzformációból. Ez annak a ténynek köszönhető, hogy az ilyen technikák
a sűrűségek analitikus kifejezéseit biztosítják számunkra, ami számos numerikus eljárást
könnyebbé tesz.
E megjegyzés célja, hogy megvizsgálja és összehasonlítsa az aggregált veszteségek
sűrűségének meghatározásával kapcsolatos probléma megoldásának ezen alternatív módjait.
Kulcsszavak: Veszteségadatok elemzése, veszteség összesítés, maximális entrópia módszer,
sűrűség rekonstrukció.
1. Bevezetés és előkészületek
Ennek a megjegyzésnek nem annyira implicit célja egy hatékony és hatékony módszer
alkalmazása az aggregált veszteségek valószínűségi sűrűségének elérésére, amikor a
rendelkezésre álló adatok a több időintervallumban gyűjtött aggregált veszteségből állnak. Egy
korábbi feljegyzésben, Gzyl és mtsai. (2013) egy maximális entrópia-alapú módszer
teljesítményét teszteltük, hogy egy összetett véletlenszerű változó sűrűségét két másik
lehetséges módszerrel szemben kapjuk meg. A vizsgálatot azzal a feltételezéssel végezték, hogy
a veszteségek Poisson-frekvenciával és Gamma-egyéni sűrűséggel rendelkeztek. Ezt a modellt
azért vették figyelembe, mert ennek a modellnek a teljes veszteségsűrűsége analitikusan
kiszámítható. A teszthez szimuláltunk egy adathalmazt ebből az eloszlásból, kiszámítottuk az
aggregált veszteség Laplace-transzformációját a paraméter 8 értékén, és a Laplace inverziós
problémát pillanatproblémává alakítottuk. Összehasonlítottuk a maxentropikus módszer
eredményét egy egész pillanat alapú technikával és egy Fourier inverzió-alapú technikával, és
a maxentropikus technika számos módon felülmúlta őket.
Ezután Gomes-Gongalves és mtsai (2014a,b) és (2015a,b) és az abban található
hivatkozásokban a probléma számos kiegészítő aspektusát vizsgáltuk. A Gomes-Goncalves et
al (2014a) című szakkönyvben bemutattuk, hogyan lehet kiterjeszteni a standard maxentropikus
technikákat az adatok hibáinak figyelembevétele érdekében. A Gomes-Goncalves et al (2015a)
és a Gomes-Goncalves et al (2014b) eredményeinek felhasználásával megmutattuk, hogyan
lehet helyreállítani az egyéni veszteségeloszlásra vonatkozó információkat, amikor az egyetlen
rendelkezésre álló információ a teljes összesített veszteségből áll. Végül a Gomes-Goncalves
et al (2015b) című művében egy fontos gyakorlati problémával foglalkoztunk, nevezetesen az
adatok méretének a sűrűségrekonstrukció minőségére és a szabályozó tőke kiszámítására
gyakorolt hatásával, amelyet VaR-ként vagy TVaR-ként számítottak ki. Ezekben a
dolgozatokban a veszteségek gyakoriságának és az egyes veszteségeloszlásoknak a különböző
lehetséges eloszlásait vettük figyelembe, és a rekonstrukció minőségének különböző
mérőműszereit alkalmaztuk a kapott végső sűrűség vizsgálatára. Ezen tanulmányok alapján
magabiztosan mondhatjuk, hogy a maximális entrópia-alapú technikák megbízható és hatékony
eszközt kínálnak a teljes veszteség valószínűségi sűrűségének eléréséhez az összesített adatok
felhasználásával.
A Bázeli Bizottság által javasolt normatíva fontos hozzájárulása volt a veszteségadatok
elemzésének a fejlett mérési megközelítésen belüli végrehajtására vonatkozó eljárás
kidolgozása. Az üzletágakra jutó kockázati típusok meghatározása és az üzletágak
specifikációja fogalmilag egyszerűbbé teszi az életet. Matematikai modellezési szempontból
három aggregációs szintet hoz létre. Az alapnál van egy összesítés egy adott típusú kockázat
teljes veszteségének kiszámításához, majd van egy összesítés az adott üzletágon belüli teljes
veszteség kiszámításához, és végül ott van a kockázat összesítése a különböző üzletágakon
keresztül.
A tárgy standard "klasszikus" irodalmának nagy része az összesítés első szintjére vonatkozik.
Lásd például Panjer (2006) vagy Schevchenko és mtsai (2014) köteteit, vagy tekintsük Aue és
Kalkbrener (2006), Brockmann és Kalbrener (2010) köteteit és az azokban szereplő
hivatkozásokat, hogy felsoroljuk, de nagyon kevés. Megemlítjük Shen és Jia munkáját is
(2012), amelyben a maximális entrópia módszerét használják a veszteségeloszlások becslésére
a megközelítésünktől független módon. Ezen a ponton megemlítjük, hogy az összesítés
kifejezést arra a fontos problémára is használják, amely a különböző forrásokból származó
adatok összevonásából áll. Ezzel itt nem foglalkozunk.
A jelenlegi munka általános motivációja az, hogy hatékony technikát fejlesszenek ki a pozitív
véletlenszerű változók összegének numerikus meghatározására, amikor a summandokat
közösen mérik.
Az alábbiakban ismertetett munka konkrét motivációja abból ered, hogy a Bázeli Bizottság
irányelvei szerint ki kell számítani a működési kockázati veszteségekre vonatkozó szabályozói
tőkét. A szabályok betartása érdekében a kockázatelemzőnek adatokat kell gyűjtenie, és a
modellezési folyamat kimenete a becsült működési kockázat szabályozó tőke. A feladat
elvégzésének szisztematikus módja a teljes veszteségsűrűség kiszámítása, majd a VaR vagy a
TVaR nagy megbízhatósági szintű meghatározása.
Egy másik eset, amikor a teljes veszteséget leíró véletlenszerű változó eloszlása érdekes, a
biztosítási ágazatból származik, ahol a sűrűséget a kockázati díjak árára használják a veszteség
biztosításához.
Visszatérve a problémára a működési kockázat szempontjából, a legtöbb módszernél két
probléma közös a bankok által gyűjtött adatokból származó veszteségek sűrűségének
meghatározására: Egyrészt, ha a bank által gyűjtött adatok mennyisége nem nagy,
számszerűsíteni kell a variabilitást vagy a mintafüggőséget , a rekonstruált sűrűség. A
maxentropikus technika segíthet ebben a feladatban, amint azt a kísérő megjegyzés (Gomes-
Goncalves és mtsai (2015b)) mutatja. Másrészről, még akkor is, ha az adatok mennyisége
magas, előfordulhat, hogy nem ismerjük az adatok közötti statisztikai függőség jellegét.
Kiderül, hogy az adatok megfelelő gyűjtése esetén ez a modellezési szempont nem feltétlenül
szükséges a maxentropikus technikához.
A jegyzet többi része az alábbiak szerint van rendszerve. A rész további részében
meghatározzuk a megoldandó matematikai problémát. A 2. szakaszban röviden felidézzük a
maximális entrópia módszert, a 3. és 4. szakaszban pedig az adatgenerálási eljárást, majd a
numerikus példákat. Az 5. szakasz néhány megjegyzésével zárjuk.
1.1. Probléma beállítása
Mint mondta, célunk egy S változó valószínűségi sűrűségének meghatározása, amelyet több
aggregáció után kapunk. Jelöljünk B-vel egy egész számot, amelyet úgy kell értelmezni, mint
egy pénzügyi intézmény üzletágainak számát. Az összesítés utolsó szintjén
ahol Sb,h a b üzleti vonal teljes veszteségét jelöli a h kockázati típus miatt. Most elértünk a
legalapvetőbb szintre, az Sb,h összetett véletlenszerű változóként való leírására. Követjük a
fejlett módszertanban alkalmazott standard, aktuáriusi modellezést a működési kockázatban, és
ahol az Nb,h egész számban értékelt véletlen változók, amelyek a kiválasztott modellezési
időintervallum eseményeinek gyakoriságát jelölik, és az {Xb,h,k,| k≥1} véletlenszerű változók,
amelyek a b üzletág htípusú egyedi kockázati eseményének veszteségeit jelzik. Ez az
összesítés legalapvetőbb szintje. A szokásos modellezési feltételezés az, hogy az Xb,h,k
egymástól és az Nb,h- függetlenek egymástól. De az Nb,h függőséget mutathat egymás között.
A teljes aggregált veszteség fS sűrűségének eloszlásának meghatározására javasolt módszer két
alapvető lépésből áll: először becsüljük meg a Laplace transzformáció E[E−αiS] értékét néhány
(M=8) transzformációs paraméter valós értékeire α, majd alakosítsuk át a Laplace
transzformáció inverziójának problémáját frakcionált pillanat problémává. A második szakasz
a frakcionált pillanat problémájának megoldásából áll a maximális entrópia módszerrel. A
veszteségek valószínűségi sűrűségének meghatározásához megjegyezzük, hogy
ahol P(S=0)=P(N=0)=e−l, ahol l-t az adatokból kell megbecsülni, vagy az elemzőnek kell
megadnia. Beállítás
Az (1) bekezdés szerinti teljes veszteség eléréséhez az intézménynek össze kellett volna
gyűjtenie/nyilván kellett volna tartania a veszteségek együttes értékét (S1(t), S2(t), S3(t)), ahol
t=1,2,...,T, ahol T az adatgyűjtés hosszú időtartamát jelöli, majd becslést ψ(α)
adja
Az összeg többi részében az 1. és a 2. lépést ismételjük meg, L123=S1+S2+S3=L12+S3, amíg az
S összegsűrűségét ki nem számítjuk. Valójában, mi teszi ezt érdekessé a jelenlegi beállítás, az
a tény, hogy a copulas általában egyszerű funkciók kezelésére, és a maximális entrópia módszer
biztosítja analitikus kifejezés a marginális sűrűségek fSb. Az ilyen analitikai kifejezések
rendelkezésre állása a marginális sűrűségek számára sokkal könnyebbé teszi a copulákkal való
számításokat.
3.3. Maxentropikus sűrűségrekonstrukciók
Mint mondtuk, a teljes veszteség valószínűségi sűrűségének eléréséhez két útvonalat követünk.
Az elsőnél megkapjuk az intézmény minden tevékenységi vonalában a veszteségek
(marginális) valószínűségi sűrűségét, majd a kopulából a . segítségével közös sűrűséget
hozunk létre, amelyet ezután a teljes veszteség de Laplace transzformációjának kiszámítására
használunk, amelyet a teljes veszteségsűrűség kap. A Laplace-transzformáció számítása a (s 1
,s 2,s3) tér nagy finom diszkrétítésével történik:
Egy másik összehasonlítást a 15. és 16. táblázat nyújt, amelyben az empirikus VaR és TVaR a
maxentropikus és konvolúciós eljárások által meghatározott sűrűségekből nyert értékek mellett
szerepel.
Úgy tűnik, hogy a kkv-k általában jobb eredményeket mutatnak, mint a konvolúciós
megközelítés.
5. Záró megjegyzések
Az általunk bemutatott példákból egyértelmű, hogy a maxentropikus eljárás fogalmilag
egyszerű, gyors és hatékony módszer az aggregált veszteségek valószínűségi sűrűségének
meghatározására a kockázatmérés, a szabályozási vagy gazdasági tőke meghatározása és a
kockázati felírás céljából.
Elemzésünk fontos morálja, hogy érdemes olyan adatgyűjtési eljárásokat kidolgozni, amelyek
kifejezetten beépítik a veszteségekbe a közös empirikus eljárást. Láttuk, hogy amikor ez
megtörténik, a maxentropikus eljárás alkalmazása rutinügy lesz.
És még akkor is, ha a veszteségek nincsenek jól rögzítve, a copulák használata a maxentropikus
technikával együtt hatékony módszert biztosít az LDA sűrűségmeghatározási problémájának
kezelésére az AMA megközelítésben a működési kockázat szabályozó tőkéjének
meghatározására.
Hivatkozások
[1] Sándor, C. (2003). Működési kockázat összesítése, Működési kockázat-technikai
cikkek.
[2] Aue, F. and Kalkbrener, M. (2006) LDA at work: Deutsche Bank approach to
quanting operational risk, Journal of Operational Risk, 1, 49-93.
[3] Borwein, J.M. és Lewis, A.S., Domború analízis és nemlineáris optimalizálás CMS-
Springer, Berlin, (2000).
[4] Brockman, M. és Kalkbrener, M. A kockázat összesítéséről, The Journal of Risk, 12,
45-68.
[5] Gomes-Gongalves, E. Gzyl, H., Mayoral, S. (2014a). Két maxentropikus megközelítés
az összetett kockázati veszteségek valószínűségi sűrűségének meghatározására.
Biztosítás: Matematika és közgazdaságtan, 62, 42-53.
[6] Gomes-Goncalves, E., és Gzyl, H. (2014b). Disentangling frekvencia modellek, Journal
of Operational Risk, 9(2), 3-21.
[7] Gomes-Goncalves, E. Gzyl, H., Mayoral, S. (2015a). Maxentropikus megközelítés az
aggregált kockázati veszteségek lebontására, Biztosítás: Matematika és közgazdaságtan
65,526-536.
[8] Gomes-Gongalves, E. Gzyl, H., Mayoral, S. (2015b) LDA: A
sűrűségrekonstrukció mintafüggésének elemzése maxentropikus módszerekkel (Beküldve).
[9] Gzyl, H. A módszer a maximális entrópia, WorldScient. Pubs., Szingapúr, (1995)
[10] Gzyl, H. and Recht, L. (2006) Geometria a valószínűségek terében II. Vetítőterek és
exponenciális családok, Revista Matemtica Iberoamericana. MA/MTNSA,... 3, 833-
849
[11] Jaynes, E.T. (1957) Információelmélet és statisztikai fizika. MAGYAR KÖZ. A
Phys. Rev., 106, 620-630.
[12] McNeil, A., Frey, R. és Embrechts, P. Quantitative Risk Management, Princeton
Univ. Press, Princeton, NJ, (2005).
[13] Panjer, H. Működési kockázat: Modeling Analytics, John Wiley & Sons, Inc.,
Hoboken, NJ (2006).
[14] Shen, P. and Jia, W. (2012) Maximum entrópia based működési kockázat
distribution becslése commertial bankok, in Management Science and Engineering
(ICMSE), 2012 International ConferenceIEEE, 1398-1403.
[15] Sevcsenko, P.V. Modellezés Működési kockázat, Springer Verlag, Berlin, (2011).