Сценарный анализ. 
Разработка системы управления рисками и капиталом (вподк)

Известны следующие подходы к использованию сценарного анализа при количественной оценке операционного риска.

Историческая симуляция. При моделировании потерь от операционного риска с заданной вероятностью (как правило, очень маленькой) симулируется реализация одного или нескольких сценариев из имеющегося множества сценариев вместо моделирования потери по распределению.

Использование в качестве корректирующей настройки к внешним данным. Позволяет отбирать события из внешних данных, соответствующих построенным сценариям, которые имеют ненулевую вероятность реализации, а также используются для масштабирования внешних данных по потерям.

Построение распределения по данным сценарного анализа, определение диапазона для одной потери для построения распределения. Подгонка теоретического распределения на основе данных сценарного анализа содержит слишком много субъективизма в оценках и в большей степени подходит для страховых компаний, чем для банков.

Бизнес-среда и факторы внутреннего контроля:

• — масштабирование;
• — инфляция — некоторые банки используют индексы, характеризующие инфляцию для корректировки суммы потерь более ранних событий;
• — КИРы;
• — контрольные процедуры и функции.

Оптимальное соотношение между внешними и внутренними данными при моделировании потерь определяется исходя из целей оценки потерь. Для управленческих целей большее значение имеют внутренние данные. Для целей оценки капитала под операционный риск могут использоваться как внутренние, так и внешние данные (для тех ячеек матрицы потерь, по которым внутренних данных о потерях недостаточно). Результат модели очень сильно зависит от потерь с наибольшими суммами и редкой частотой возникновения.

Необходимое минимальное число наблюдений для построения модели по одной группе однородных событий зависит от используемого распределения (распределения с большим числом параметров требуют большего числа наблюдений), а также от того, насколько данные охватывают диапазон возможных потерь. Большинство банков определяют минимальное количество наблюдений для подгонки распределения в диапазоне 50—80 наблюдений. В случае недостатка данных допускается построение распределения на количестве 30 наблюдений, но при строгом выполнении статистических критериев значимости.

Базель II требует при оценке операционного риска использовать данные по Gross Losses (валовые потери от операционного риска) или Net Losses (чистые потери от операционного риска, очищенные от различных возмещений, за исключением страховых возмещений).

Базель II не делает ограничений но использованию тех или иных дат, присущих событию, наиболее благоразумным выбором признавая дату реализации, дату признания и дату отражения в бухгалтерском балансе. Мы рекомендуем использовать дату выявления события. Мотивацией для этого является тот факт, что некоторые события операционного риска с большими потерями (например, внутреннее мошенничество) могут выявляться спустя некоторый период времени (один-два года). Поэтому если брать события по дате реализации за последние пять лет, то в них не попадут события, которые пока еще не выявлены, и не попадут события, которые выявлены в период последних пяти лет, но имеют более раннюю дату реализации. Таким образом, возможна недооценка риска.

Сформированная выборка данных о внешних и внутренних потерях от операционных рисков разбивается на группы однородных событий в соответствии с типом рисковых событий и Базельских бизнес-линий. При недостаточном количестве данных по отдельным бизнес-линиям допускаются свертка бизнес-линий и формирование групп однородных событий только по типам риска. Получается матрица распределения убытков от ОР (LDA). Для каждой ячейки матрицы (для данного типа рисковых событий, для определенной бизнес-линии) VaR вычисляется в несколько шагов.

Целью является оценить не только средние вероятные потери, но и наибольшие с заданным уровнем достоверности: уровень потерь за один год, который с выбранной вероятностью не будет превзойден. Банк самостоятельно определяет квантиль для оценки VaR, хотя Базель II рекомендует 99,9%. Для этого необходимо моделирование распределения вероятности потерь.

Предположим, что имеются данные, накопленные за некоторый период и содержащие сумму потери и се дату (как указано выше, рекомендуется дата выявления). Для того чтобы извлечь максимум информации из имеющихся данных, применяется подход раздельного моделирования частоты и тяжести событий реализации риска. Для суммы за период (например, один год) потерь в случайном количестве, каждая из которых имеет случайный размер, получается затем результирующее, так называемое агрегированное распределение (compound distribution), по которому и находится затем для заданного уровня вероятности (например, 99,9%) максимальный размер риска как значение обратной функции к полученной функции распределения (называемой иногда функцией квантилей).

Таким образом, план действий таков:

• • вычисление распределения для частоты;
• • вычисление распределения для тяжести;
• • вычисление агрегированного распределения и обратной к нему функции.