[论文解读] The Quantification of Operational Risk using Internal Data, Relevant External Data and Expert Opinions

Dominik D. Lambrigger, Pavel V. Shevchenko+1 more|ArXiv.org|Apr 8, 2009

Credit Risk and Financial Regulations被引用 5

一句话总结

本文提出了一种贝叶斯推断框架，整合内部损失数据、相关外部数据及专家意见，以在巴塞尔协议II的高级计量法下量化操作风险。通过使用广义逆高斯（GIG）分布和共轭先验来建模频率与严重程度分布，该方法即使在内部数据稀疏的情况下，也能实现稳健、数据驱动的资本计提估算，显著提升了风险建模的准确性与各风险单元间的一致性。

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.

研究动机与目标

• 解决在巴塞尔协议II下，将稀疏的内部数据、有限的外部数据以及主观的专家意见整合到操作风险建模中的挑战。
• 开发一种统计上严谨、统一的框架，同时整合三种数据源，克服行业中既存的非系统性与不一致做法。
• 提升操作风险资本计提估算的稳健性与可靠性，尤其针对内部损失历史不足的风险单元。
• 通过引入广义逆高斯（GIG）分布，扩展经典贝叶斯模型，实现对频率与严重程度的灵活建模。
• 为银行提供一种实用、可实施的方法，以一致的概率方式利用所有可用信息源量化操作风险。

提出的方法

• 作者采用贝叶斯推断与共轭先验，将内部数据、外部数据及专家意见整合到单一的概率模型中，用于操作风险建模。
• 频率与严重程度分布采用广义逆高斯（GIG）分布建模，该分布支持灵活且解析可处理的推断。
• 该方法使用层次先验，将专家意见作为超参数纳入，确保其影响得到校准且不占主导地位。
• 推导出频率与严重程度分布参数的联合后验分布，结合内部与外部数据的似然函数以及专家提供的先验信息。
• 通过层次可信度结构平衡数据驱动证据与专家判断，尤其在低数据情境下表现更优。
• 模型通过马尔可夫链蒙特卡洛（MCMC）或解析近似方法实现，辅以生成GIG分布随机变量的算法支持。

实验结果

研究问题

• RQ1 如何以统计上一致的方式系统性地整合内部数据、外部数据与专家意见，用于操作风险建模？
• RQ2 当内部数据稀疏或缺失时，专家意见对参数估计的影响如何？
• RQ3 基于GIG分布的贝叶斯框架是否能提供比非系统方法更稳健、更准确的资本计提估算？
• RQ4 该模型如何处理数据源之间的异质性，特别是在外部数据与内部流程不可直接比较的情况下？
• RQ5 该模型在估计尾部风险与极端损失事件方面的理论与实证表现如何？

主要发现

• 所提出的贝叶斯框架成功地将三种数据源——内部数据、外部数据与专家意见——整合为一个统一、一致的操作风险量化模型。
• 采用广义逆高斯（GIG）分布，使频率与严重程度分布的建模更加灵活且解析可处理。
• 模型对专家意见具有鲁棒性，通过适当的先验校准与数据加权，有效降低了其不当影响。
• 在低数据场景下，模型通过以统计上合理的方式整合外部数据与专家判断，显著提升了估计精度。
• 该框架为多个风险单元提供了稳定且可扩展的资本计提估算方法，即使在内部数据有限的情况下亦能保持一致性。
• 渐近结果证实了基于GIG的推断在理论上的合理性，尤其在大数据量或高可信度条件下的极限情形下。