چکیده:
به منظور اندازه گیری حداقل سرمایه پوششی ریسک عملیاتی تحت مستند بال 2 بسیاری از موسسات مالی تمایل دارند که از رویکرد توزیع زیان استفاده نمایند. اما رویکرد توزیع زیان نیاز به تعداد زیادی داده زیان داخلی دارد تا بتواند کارایی لازم را داشته باشد، بنابراین به منظور رفع این چالش می بایست از منابع داده ای دیگر ریسک عملیاتی استفاده نمود. بزرگ ترین چالش روبه روی موسسات مالی چگونگی ترکیب منابع داده ای مختلف ریسک عملیاتی می باشد. لذا در این پژوهش به بیان نحوه ترکیب انواع منابع داده ای پرداخته شده است. تمرکز این پژوهش تخمین پارامتر توزیع فراوانی در رویکرد توزیع زیان ریسک عملیاتی با استفاده از روش استنتاج بیزی بوده است. در این پژوهش فرض وابستگی بین منابع داده ای ریسک عملیاتی یعنی نظرات کارشناسان و داده های زیان داخلی در نظر گرفته شده است. برای اعتبارسنجی مدل های برآورد شده برای توزیع پسین، از آزمون های نیکویی برازش عددی استفاده شده است. و برای محاسبه توزیع توام بین منابع داده ای با فرض وابستگی از توابع کاپیولا خانواده گاوس استفاده شده است. نتایج پژوهش حاکی از آن است که با در نظر گرفتن فرض وابستگی بین دو منبع داده ای نظرات کارشناسان و داده های زیان داخلی، با افزایش تعداد دوره های پیش بینی پارامتر توزیع فراوانی، مقدار پارامتر توزیع کاهش می یابد که این امر نشان دهنده کاهش نمایه ریسک باگذشت زمان می باشد.
In order to measure hedge funds operating under the wings of two documented، many financial institutions tend to use the loss distribution approach. But a loss distribution approach requires a large number of internal loss data in order to have the necessary performance، so due to limitations in the database operating losses and the cost of internal loss data collection، in order to increase performance and reliability the operational risk capital should be calculated from other data sources used for operational risk. The biggest challenge facing financial institutions is how to combine different data sources of operational risk. In this regard، expressed in this research has been how to combine a variety of data source. So، in this paper the parameter estimation of frequency of operational risk loss distribution approach using Bayesian inference is explored. In this research، assuming dependencies between data sources، operational risk، the experts and internal loss data is intended. To validate the estimated models for the posterior distribution of numerical tests of goodness of fit is used. In addition، to calculate dependencies between data sources، detailed functions family of Gauss is used. The results indicate that with the assumption of experts dependence between the source data and internal data loss، by increasing the number of predictive parameters، frequency distribution، reduced the value of the parameter distribution، which represents a decrease of profile risk over time.