[논문 리뷰] The Structural Modelling of Operational Risk via Bayesian inference: Combining Loss Data with Expert Opinions

Pavel V. Shevchenko, Mario V. Wüthrich|ArXiv.org|2009. 04. 07.

Financial Risk and Volatility Modeling참고 문헌 5인용 수 15

한 줄 요약

이 논문은 내부 및 외부 손실 데이터와 전문가 기반 시나리오 분석을 통합함으로써 운영 위험 정량화를 위한 베이지안 구조 모델링 접근법을 제안한다. 베이지안 추론를 통해 주관적인 전문가 의견과 역사를 기반으로 한 데이터를 결합함으로써, 저빈도이지만 고영향을 미치는 사고의 추정을 향상시키고 베이살 II 기준에 따른 자본 모델링을 강화하며, 리스크 관리 향상을 위한 실질적인 통찰을 제공한다.

ABSTRACT

To meet the Basel II regulatory requirements for the Advanced Measurement Approaches, the bank's internal model must include the use of internal data, relevant external data, scenario analysis and factors reflecting the business environment and internal control systems. Quantification of operational risk cannot be based only on historical data but should involve scenario analysis. Historical internal operational risk loss data have limited ability to predict future behaviour moreover, banks do not have enough internal data to estimate low frequency high impact events adequately. Historical external data are difficult to use due to different volumes and other factors. In addition, internal and external data have a survival bias, since typically one does not have data of all collapsed companies. The idea of scenario analysis is to estimate frequency and severity of risk events via expert opinions taking into account bank environment factors with reference to events that have occurred (or may have occurred) in other banks. Scenario analysis is forward looking and can reflect changes in the banking environment. It is important to not only quantify the operational risk capital but also provide incentives to business units to improve their risk management policies, which can be accomplished through scenario analysis. By itself, scenario analysis is very subjective but combined with loss data it is a powerful tool to estimate operational risk losses. Bayesian inference is a statistical technique well suited for combining expert opinions and historical data. In this paper, we present examples of the Bayesian inference methods for operational risk quantification.

연구 동기 및 목표

• 운영 위험 추정에 있어 역사적 내부 또는 외부 손실 데이터에만 의존하는 데서 기인하는 한계를 해결하기 위해.
• 저빈도이지만 고영향을 미치는 사고를 더 잘 포착하기 위해 전문가 시나리오 분석을 정량적 리스크 모델링에 통합하기 위해.
• 주관적인 전문가 판단과 객관적인 손실 데이터를 베이지안 추론을 통해 통합하는 통계적으로 강건한 방법을 개발하기 위해.
• 앞서 볼 수 있는, 인센티브에 맞는 리스크 모델링을 가능하게 하여 베이살 II 고도화 측정 방법(AMA) 요구사항을 충족시키기 위해.
• 내부 통제 및 사업 환경 요인의 개선과 연결된 자본 추정을 통해 리스크 관리 향상을 강화하기 위해.

제안 방법

• 저자들은 내부 손실 데이터, 외부 데이터, 그리고 운영 위험 사고의 빈도와 심각도에 대한 전문가 의견을 결합하기 위해 베이지안 계층 모델을 활용한다.
• 사업 환경 요인과 통제 효과성은 리스크 모델링 과정의 공변량으로 명시적으로 통합된 구조 모델을 개발한다.
• 빈도 및 심각도 파라미터의 사전 분포는 전문가 의견에 기반하고, 우도는 관측된 손실 데이터에서 유도된다.
• 베이즈 정리에 따라 후행 분포를 갱신함으로써 일관된 불확실성 정량화와 자본 요금 추정이 가능해진다.
• 최종 리스크 추정에 대한 전문가 판단과 데이터 부족의 영향을 평가하기 위해 민감도 분석이 가능하다.
• 실제 은행 데이터와 금융 산업의 전문가 평가를 활용한 사례 연구를 통해 모델의 유효성을 검증한다.

실험 결과

연구 질문

• RQ1 제한된 역사를 기반으로 한 역사적 손실 데이터와 전문가 의견을 체계적으로 통합하여 운영 위험 추정을 어떻게 향상시킬 수 있는가?
• RQ2 시나리오 분석을 통합할 경우, 특히 희귀하고 고영향을 미치는 사고에 대해 자본 요금 추정의 정확도가 어느 정도 향상되는가?
• RQ3 데이터가 부족하거나 편향되어 있을 경우, 베이지안 추론을 어떻게 활용하여 운영 위험 모델의 불확실성을 정량화할 수 있는가?
• RQ4 사업 환경 및 내부 통제 요인이 운영 손실의 빈도와 심각도에 미치는 영향은 무엇인가?
• RQ5 제안된 모델은 규제 자본 계산과 동시에 능동적인 리스크 관리 향상에도 기여할 수 있는가?

주요 결과

• 역사적 데이터가 부족한 상황에서 전문가 시나리오 데이터를 통합함으로써, 저빈도이지만 고영향을 미치는 운영 위험 사고의 추정이 크게 향상된다.
• 손실 데이터와 전문가 의견을 통합함으로써 추정 불확실성이 감소하고, 더 강건하고 신뢰할 수 있는 자본 요금 예측이 가능해진다.
• 모델은 사업 환경 및 통제 요인이 운영 위험의 빈도와 심각도에 측정 가능하고 정량화 가능한 영향을 미친다는 점을 입증한다.
• 베이지안 업데이트를 통해 시나리오 분석과 데이터를 통합하면, 미래 지향적이고 인센티브에 맞는 리스크 관리 도구가 제공된다.
• 실패한 기관의 누락된 데이터를 전문가 판단을 통해 통합함으로써, 내부 및 외부 데이터의 생존 편향 문제를 성공적으로 해결한다.
• 사례 연구 결과, 전통적인 방법이 역사적 데이터에만 의존하는 것에 비해, 베이지안 접근법은 더 안정적이고 현실적인 자본 추정을 도출한다.