1995年，巴林银行因未经授权的交易活动造成14亿美元的损失而破产。十年后，摩根大通在安然丑闻后同意支付22亿美元的和解金。最近，由于多次违规交易活动，Société Générale遭受了49亿欧元的损失。
像这样的事件凸显了巨大的经济影响操作风险- 在新的巴塞尔协议（巴塞尔II）中被定义为“因内部流程，人员和系统或外部事件不足而导致的损失风险”。巴塞尔二世要求金融机构持有资本，以防止业务风险产生的意外损失。
在联合圣保罗银行(Intesa Sanpaolo)，我们使用MATLAB建立了完全符合巴塞尔协议II要求的全新情景分析模型。情景分析是先进计量方法(AMA)的一个关键组成部分，以估计资本费用的经营风险。介绍了巴塞尔协议二、AMA对操作风险的度量有严格的定量要求。例如，它要求在一年的持有期内计算99.9%的信心水平的资本度量。
MATLAB为我们节省了大量的原型设计和开发时间。它也给了我们灵活性——特别是在项目的早期试验和错误阶段，当我们经常做出实质性的更改来测试新想法时，这是非常有用的。
实施方案分析
与传统技术不同，场景分析使用专家意见作为输入，而不是历史数据。鉴于联合圣保罗银行(Intesa Sanpaolo)情景分析的范围之广(它涵盖了银行的所有部门)，通过面对面采访收集专家意见简直是不可能的。因此，为了提高效率，我们采用了问卷调查。
开发情景分析框架和工具的主要技术挑战是确定受访者能够报告对极端损失结果的哪种敏感性。我们需要一个过程和模型，可以“指导”专家，但留给他们最终的责任，他们的评估。这在模型开发过程中转化为巨大的数值校准工作，例如，为估计创建有意义的范围。
认识到，Intesa Sanpaolo通常与非凡的事件有关的运营风险，采用了一个有价值的风险（VAR）方法来运行风险测量。采用VAR要求我们找到合适的分布，并使用鲁棒校准分析进行数据建模和推断。需要彻底校准，因为var是尾部风险措施，这些风险措施经常处理“未观察到”的风险场景。例如，估计金融丑闻（如SENR）需要推断的风险，因为最终结果远远超出了观察到的数据范围。因此，建模选择可以产生巨大不同的结果。
场景分析模型的设计和微调需要MATLAB支持的两个功能：复杂的灵敏度分析和分析结果的收集和图形探索。万博1manbetx鉴于问题的范围和复杂性 - 数百个损耗分布必须共同考虑 - 分析可能是一个重大挑战。
我们将模型开发过程分为四个步骤:开发基本算法、校准模型输入、在风险评估问卷中设置范围和评估风险资本。
开发基本算法
我们的情景分析(SA)算法是基于损失分布方法(LDA)。LDA是保险领域的标准，它处理与操作风险固有的相同类型的挑战。因为我们是根据频率和严重程度来计算年度损失分布的，所以关键信息是损失事件的预期年度频率(用于校准频率分布)和每个事件的经济影响(用于校准严重程度分布)。我们分别输入频率和严重程度组件。这使得专家评估人员能够回答问卷的频率和严重程度，并产生定性和定量信息。
SA算法输入问卷响应，我们用于校准频率和严重性分布。Poisson和负二进制发行版适用于建模运算损失的频率分布。我们选择Poisson来模拟频率分布，因为它是一个用于保险和汇总风险建模的单参数离散分布。对于严重性分布，我们选择了LogNormal。
我们使用matlab和lognrnd（）从统计和机器学习工具箱™验证总损耗分布的99.9％VAR。我们的MATLAB代码使用蒙特卡罗方法，如下：
% %数据模糊= 1 e6;%场景数mu=9;sigma=2;% severity (lognormal) % parameters lambda=100;%频率参数%(平均频率)%% Monte Carlo using cellfun N=num2cell(poisrnd (lambda,dim,1));损失= cellfun(@(x) sum(lognrnd…(1)μ、σ,x), N,…“UniformOutput”,假);= cell2mat损失(损失);VaR=prctile(loss,99.9);请注意,Cellfun.使我们能够避免循环并写出非常紧凑的代码。
校准模型输入
场景分析的一个关键问题是模型输入的质量。每个风险类别所需的关键信息是损失事件的预期年频率(λ)和每个事件的经济影响，根据典型损失(M)和最坏情况(WC)情景进行评估。我们用λ标定频率分布，用M和WC标定严重程度分布。
由于WC是用于确定资本的最重要参数，因此我们确保对此参数进行了正确的解释。图1显示了我们对WC校准的灵敏度分析的结果。
例如，假设红色实线代表98%的概率水平，红色虚线代表99%。如果评估员的回答是典型的损失1，最坏情况是30 (M=1, WC=30)，那么WC/M将是30，我们将得到一个VaR为300在第一种情况下和100在第二种情况下。换句话说，如果模型将WC解释为严重程度分布的98%分位数，而不是99%，我们得到的VaR值是原来的三倍。
有很多方法可以解释WC，包括固定(高)严重程度分布的分位数、固定时期内最严重的单次损失，以及取决于平均频率的概率水平的严重程度分位数分布。后一种方法结合了概率分析和情景分析方法。我们对典型损失M的解释进行了类似的分析。
风险评估问卷范围的设置
因为我们的专家必须估算一些指标，我们要求他们将答案表达为范围而不是点估计。我们的目标是确保保持一致性和效率，同时保留特定于业务单位的功能（例如，大小和商业活动）。
线性系统的同质性。使我们能够通过在一个“标准化”的世界中操作来简化我们的推理:我们可以只计算一次(并且提前)一个“标准化的VaR”——也就是说，一个典型的损失为1。为了节省时间，我们只计算了WC/M比率和频率的归一化VaR。
图2显示了在三种不同严重程度分布上进行的模拟结果。图3显示了VaR作为M和WC的函数。
我们发现，我们可以通过简单地乘以相关的典型损失m来衡量结果，一旦我们设置了估计的标准化范围，我们就可以使用这个特定业务单位的指标来衡量它们。通过检查和平衡每个类的结果差异，我们优化了范围的设置。
评估风险资本
为了汇总问卷答案来估计群体水平的VaR，我们对每个答案应用基本的LDA算法，然后汇总所有答案，考虑到多样化的影响。
为了诱导目标，线性或秩相关，我们使用了一种受限配对算法，类似于高斯耦合。我们实现的方法是对Iman-Conover方法(1982)的改进，允许目标和结果相关矩阵之间更接近的匹配。
将模型工作到工作
将所有这些步骤放在一起，我们开发了一个自动工具，可以执行必要的统计计算，并在Excel和PowerPoint中自动生成报告。我们现在正在敲定用于资本监管目的的AMA模型的第一版。
操作风险管理器目前正在使用该工具来管理整个方案分析计算过程，从设置答案范围估计组级别var。
我们开发的模型可以用于任何应用，包括收集专家意见并将其转化为数字估计——例如，它可以用于保险行业，以衡量保险的偿付能力风险，并在能源行业预测天然气消费或进行与石油勘探和生产有关的风险分析。该模型易于将保险范围纳入模型，并采用蒙特卡罗模拟方法估计其缓解效果。通过这种方式，情景分析可以成为一个有用的工具，用于评估保单的有效性，并在成本效益分析中优化保单限额和免赔额。
我们的情景分析模式满足巴塞尔二世的要求II，因为它估计在一年的持有期的99.9％的置信水平上的资本措施。实施该模型不会自动满足巴塞尔II要求;在它可以用于官方工作之前，它受到金融监管机构的彻底审查。这是您设计和开发方案分析框架时要记住的关键点。
本文中的陈述旨在作为作者的独家意见，不一定代表Intesa Sanpaolo集团。这篇文章竣工，而Andrea Colombo是与Intesa Sanpaolo的。
