[논문 리뷰] The Quantification of Operational Risk using Internal Data, Relevant External Data and Expert Opinions

Dominik D. Lambrigger, Pavel V. Shevchenko외 1명|ArXiv.org|2009. 04. 08.

Credit Risk and Financial Regulations인용 수 5

한 줄 요약

이 논문은 베이지안 추론 프레임워크를 제안하여 베를사 II의 고급 측정 방법론(Advanced Measurement Approach) 하에서 내부 손실 데이터, 관련 외부 데이터, 전문가 의견을 통합하여 운영 리스크를 정량화한다. 일반화된 역가우시안(GIG) 분포와 쌍대 사전확률을 사용하여 빈도 및 심각도 분포를 모델링함으로써, 희소한 내부 데이터 조건에서도 강력하고 데이터 기반의 자본 요금 산정이 가능해지며, 리스크 셀 간의 리스크 모델링 정확성과 일관성이 크게 향상된다.

ABSTRACT

To quantify an operational risk capital charge under Basel II, many banks adopt a Loss Distribution Approach. Under this approach, quantification of the frequency and severity distributions of operational risk involves the bank's internal data, expert opinions and relevant external data. In this paper we suggest a new approach, based on a Bayesian inference method, that allows for a combination of these three sources of information to estimate the parameters of the risk frequency and severity distributions.

연구 동기 및 목표

• 베를사 II 하에서 내부 데이터가 희소하고 외부 데이터가 제한적이며 전문가 의견이 주관적인 운영 리스크 모델링의 과제를 해결하기 위해.
• 세 가지 데이터 소스를 동시에 통합하는 통계적으로 타당한 통합 프레임워크를 개발하여 산업계에서 흔히 발생하는 비체계적이고 일관성 없는 관행을 극복하기 위해.
• 내부 손실 이력이 부족한 리스크 셀에 특히 초점을 맞춰 운영 리스크 자본 요금 산정의 강건성과 신뢰성을 향상시키기 위해.
• 일반화된 역가우시안(GIG) 분포를 도입하여 빈도 및 심각도 모델링의 유연성을 높여 전통적인 베이지안 모델을 확장하기 위해.
• 은행이 가용한 모든 정보 소스를 일관된 확률론적 방식으로 통합하여 운영 리스크를 정량화할 수 있는 실용적이고 구현 가능한 방법을 제공하기 위해.

제안 방법

• 저자는 내부 데이터, 외부 데이터, 전문가 의견을 단일 확률 모델로 통합하기 위해 쌍대 사전확률을 사용한 베이지안 추론을 적용한다.
• 빈도 및 심각도 분포는 일반화된 역가우시안(GIG) 분포를 사용하여 모델링하며, 이는 높은 유연성과 해석 가능한 추론을 가능하게 한다.
• 전문가 의견은 초모수로 통합된 계층적 사전확률을 통해 조정되며, 이는 전문가 의견의 영향력이 과도하게 강하지 않도록 보장한다.
• 빈도 및 심각도 분포의 모수에 대한 공동 사후분포가 유도되며, 이는 내부 및 외부 데이터의 우도와 전문가로부터의 사전 정보를 통합한다.
• 저희 프레임워크는 데이터 기반 증거와 전문가 판단을 균형 있게 조율하기 위해 계층적 신뢰도 구조를 사용하며, 특히 데이터가 적은 상황에서 유용하다.
• 모델은 마르코프 체인 몬테카를로(MCMC) 또는 해석적 근사법을 통해 구현되며, GIG 분포를 따르는 난수 생성을 위한 알고리즘적 지원이 제공된다.

실험 결과

연구 질문

• RQ1 내부 데이터, 외부 데이터, 전문가 의견을 운영 리스크 모델링에 통계적으로 일관된 방식으로 체계적으로 통합할 수 있는 방법은 무엇인가?
• RQ2 내부 데이터가 희소하거나 존재하지 않을 경우 전문가 의견이 모수 추정에 미치는 영향은 어떠한가?
• RQ3 GIG 분포를 사용한 베이지안 프레임워크가 비체계적인 방법보다 더 강력하고 정확한 자본 요금 추정을 제공할 수 있는가?
• RQ4 외부 데이터가 내부 프로세스와 직접 비교가 어려운 경우, 다양한 데이터 소스의 이질성은 어떻게 다루어지는가?
• RQ5 모델의 이론적 및 실증적 성능은 꼬리 리스크와 극단적 손실 사건을 추정할 때 어떻게 나타나는가?

주요 결과

• 제안된 베이지안 프레임워크는 내부 데이터, 외부 데이터, 전문가 의견이라는 세 가지 데이터 소스를 하나의 일관된 모델로 통합하여 운영 리스크 정량화에 성공적으로 활용한다.
• 일반화된 역가우시안(GIG) 분포의 사용은 빈도 및 심각도 분포에 대한 높은 유연성과 해석 가능한 추론을 가능하게 한다.
• 모델은 전문가 의견에 대한 강건성을 보이며, 적절한 사전확률 캘리브레이션과 데이터 가중치 조정을 통해 그들의 과도한 영향력을 감소시킨다.
• 희소 데이터 상황에서, 외부 데이터와 전문가 판단을 통계적으로 타당한 방식으로 활용함으로써 추정 정확도가 크게 향상된다.
• 내부 데이터가 제한된 경우에도, 여러 리스크 셀에 걸쳐 일관되고 확장 가능한 자본 요금 산정 접근법을 제공한다.
• 점근적 결과는 GIG 기반 추론의 이론적 타당성을 확인하며, 특히 대규모 데이터 또는 높은 신뢰도 조건에서 유의미하다.