AMA в России:перспективы применения «продвинутых» подходов в отечественной практике

Info Industries Group
Основана в Москве — апрель 2000
Основные клиенты — крупные российские банки (Top30)
Практика управления операционными рисками — ноябрь 2003
Первый продуктивный проект — апрель 2005
Система IIG ULTOR — ноябрь 2005:
IIG ULTOR 1 (v. 1.7 — июнь 2008)
IIG ULTOR 2 (v. 2.7 — июнь 2008)
IIG ULTOR 3 (v. 3.7 — ноябрь 2008)

Базель 2 для AMA
Неожиданные потери должны покрываться капиталом банка с уровнем доверия 99,9%
4 элемента оценки неожиданных потерь
внутренние данные;
внешние данные;
сценарный анализ;
деловая среда банка и методы внутреннего контроля
Можно ли (нужно ли) применять в России?

AMA: за и против
«ЗА»:
Избежание избыточного резервирования
Исчисление экономического капитала
Чувствительность к риску
…
«ПРОТИВ»:
«проблема 99,9%»
Выход: применение EVT

Peaks Over Threshold (POT)
Для выбранной величины порога оцениваются параметры обобщенного распределения Парето (GPD) для хвоста распределения потерь:
где nu – число превышений порога u.
На основе параметров GPD аналитически определяется подходящая мера риска для заданного уровня доверия

POT: два шага
Выбор порогового значения
Оценка параметров GPD
Проблемы:
обоснование выбора порогового значения
неустойчивость оценки параметров
Оценка параметра ξ (степени
«тяжести» хвоста) на основе
данных по операционным
потерям крупного российского
банка за 2007 г. (после
фильтрации оставлено
128 событий)

Решение 1
Параметры распределения, в том числе пороговое значение, рассматривать как случайные переменные, тогда оценку капитала под операционным риском можно будет получить на основе найденного апостериорного распределения параметров

Решение 2
Рассматривать распределение всех потерь, а не только превышающих порог.
Ниже порогового значения – «обычный» закон распределения (с «легким» хвостом), выше - GPD
Пороговое значение также включается в состав вектора параметров θ

Метод решения
Декомпозиция распределения в соответствии с теоремой Байеса:
как суперпозиция достоверности и априорного распределения
Получение выборки из искомого распределения с помощью алгоритма Метрополиса-Гастингса, вероятность принятия нового значения равна:

Распределение параметров

Функция распределения потерь

Полученные выводы
Оцененный CaR составляет порядка 4% собственного капитала банка, что более чем вдвое ниже капитала, оцененного по BIA
Главное преимущество байесовского подхода — возможность получать оценку капитала «нажатием одной кнопки»…
…разумеется, при наличии данных по операционным потерям

Проблема 1: «Capital Allocation»
Банк:
Организационная структура
Территориальная структура
Бизнес–линии и продукты
Финансовая структура
Подверженные риску активы
… (продолжите самостоятельно)
Риск:
Факторы (причины) риска
Виды операционных потерь
Финансовая классификация
… (продолжите самостоятельно)
Источники
риска
Бизнес–линии
Территориальная структура
Реализация
риска
Когда и в каком объеме будут данные по бизнес-линиям, факторам риска, подразделениям?

Проблема 2: «No Loss, No Risk?»
Далеко не все риски проявляются в виде потерь именно сегодня
Тем не менее, такие риски должны быть идентифицированы и измерены
Для таких рисков должны быть предусмотрены средства контроля и управления

Две проблемы, одно решение
Нужно привлечь к идентификации рисков тех, кто сталкивается с ними ежедневно:
функциональных экспертов
сотрудников банка
Self-Assessment: как его проводить? Кажется, нам удалось дать полный ответ на этот вопрос

Организация опросов
«Функциональная риск-матрица»:
Риск-менеджер, «отмечая» её ячейки, указывает, что влияние данного фактора на данный объект должно быть оценено в данном опросе.
Конкретные эксперты связываются с конкретными ячейками риск-матрицы. Если эксперт связан с ячейкой матрицы, это значит, что он должен оценить влияние данного риск-фактора на данный объект.

Заполнение опросного листа
1.
Объект
подвержен
такому риск-
фактору (Y/N)?
2.
Опишите типовой
сценарий риск-
фактора для
данного объекта
3.
Оцените тяжесть
и частоту для
данного сценария
(кач-венные показ.)
4.
Оцените тяжесть
и частоту для
данного сценария
(кол-венные показ.)
5.
Опишите стратегию
управления для
данного сценария
(выбор из списка)
6.
Опишите меры по
реализации
выбранной
стратегии
7.
Опишите меры по
минимизации
последствий
реализации риска
8.
Задать ещё один
типовой сценарий
для объекта
(Y/N)?

Важные отличия
Риск-менеджер может проводить опрос сам. Не требуется привлечение консультантов, не требуются дополнительные расходы
Можно проводить опросы в отношении любых объектов риска
Респондент может отвечать про риски «чужих» объектов риска
Сценарии формулирует сам эксперт. И сам же даёт оценку влияния риска при реализации описанных им сценариев

Проблемы экспертных оценок (1)
Влияние доступности информации
Частота или вероятность события могут быть переоценены, если событие случилось недавно или участники опроса знакомы с событием по своему опыту
Наоборот, вероятность может быть недооценена, если участники опроса предварительно не сталкивались с событием на своем опыте

Проблемы экспертных оценок (2)
Привязка
Использование внешних данных может сыграть роль привязки для оценок участников
Чтобы убедиться в том, что внешние данные не девальвируют собственные знания экспертов, следует предусмотреть запись экспертных оценок как до, так и после того, как внешние данные стали доступны экспертам.

Проблемы экспертных оценок (3)
Мотивационная предвзятость
Важно объяснить участникам опроса, что сценарный анализ — это не планирование!
Допущение, о том, что большие потери могут случаться, не является отражением неэффективности работы менеджмента
Оценка вероятности
Эксперт различает 0,001 и 0,0001?
Оценка тяжести
Среднее или мода?
Квантиль 90% или 99%?

Проблемы экспертных оценок (4)
Комбинирование оценок нескольких респондентов:
математический подход, при котором оценки сначала получаются индивидуально, а затем агрегируются с использованием весового подхода
поведенческий подход, при котором группу респондентов просят поделиться информацией друг с другом и достигнуть консенсуса в оценке

Количественное моделирование
CaR$
OLDB
Обогащение данных
Сценарный анализ
Стресс-тестирование