Metody zaawansowane AMA

Transkrypt

1 Metody zaawansowane AMA Konferencja Ryzyko operacyjne - jak przeciwdziałać mu w praktyce? Dominika Gadowska-Kaczmarczyk Wydział ł Nauk Ekonomicznych UW 23 listopada 200

2 Pomiar ryzyka operacyjnego kontrola alokacja zasobów ustalanie limitów ocena osiągnięć obowiązek nadzorczy ograniczanie ryzyka zapobieganie ryzyku PO CO MIERZYMY? CO MIERZYMY? dotkliwość strat częstotliwość strat kontekst zależności przyczynowoskutkowe współzależności ż ś analiza indywidualna vs. portfelowa JAK MIERZYMY?

3 Bazylejskie metody pomiaru OR Metoda wskaźnika bazowego (Basic Indicator Approach, BIA) Metoda standardowa (The Standardised Approach, TSA) Alternatywna metoda standardowa (Alternative Standardised Approach, ASA) Metoda pomiaru zaawansowanego (Advanced Measurement Approach,, AMA)

4 Zaawansowana metoda pomiaru (Advanced Measurement Approach, AMA) w pomiarze wymogu kapitałowego stosuje się model opracowany przez bank lub zajmujących się tym specjalistów model ten precyzyjnie mierzy ekspozycję na ryzyko operacyjne kapitał obliczany jest na podstawie operacyjnej wartości narażonej na ryzyko (OpVaR) informacja o maksymalnej stracie, jakiej może doświadczyć bank w określonym czasie przy zadanym poziomie i ufności ś pomiar odbywa się w ramach 8 linii biznesowych oraz 7 kategorii zdarzeń, czyli dla 56 obszarów ryzyka

5 Obszary ryzyka operacyjnego business line event type Business Disruption and System Failures Clients, Products and Business Practices Damage to Physical Assets Employment Practices and Workplace Safety Execution, Delivery and Process Management External Fraud Internal Fraud Agency Services Commercial Banking Payment and Settlement Retail Banking Corporate Finance Trading and Sales Asset Management Retail Brokerage F F F F F F F HS HS S HS S S S F F F HF F F HF HS S S HS S S S F HF F HF HF F HF HS S S HS S S S F HF F HF F F HF HS HS S HS S S S F F F F F F HF HS S S S S S S F F F F F F HF HS S S HS S S S F F F F F F HF HS S S HS S S S F F F F F HF HF HS HS S HS S S S F niska częstotliwość występowania zdarzenia, HF wysoka częstotliwość występowania zdarzenia, S niska szkodliwość zdarzenia, HS wysoka szkodliwość zdarzenia

6 Problemy z danymi dostępność adekwatność przejrzystość spójność garbage in, wiarygodność garbage out progi raportowania dyscyplina zanieczyszczenia aktualizacje benchmarking umiejętność filtrowania opóźnienia w raportowaniu Dziesięć skrzynek danych i jedna mała koperta informacji. Proszę pokwitować...

7 Problemy z modelowaniem jaka wielkość wewnętrznej bazy strat jest niezbędna do modelowania? jak łączyć dane wewnętrzne i zewnętrzne? co robić jeśli są zbierane jedynie dane o stratach powyżej ustalonego progu? jak estymować ć częstość strat jeśli korzystamy z różnych rodzajów danych? jak uwzględnić powiązania między czynnikami ryzyka? na ile model jest wiarygodny i jak przeprowadzić jego testowanie?

8 Czym tak naprawdę jest AMA? jakie techniki funkcjonują pod szyldem AMA? czy techniki te są całkowicie różne, czy też są jedynie wariantami tej samej procedury? czy techniki te są względem siebie substytucyjne, czy też może komplementarne?

9 Techniki AMA stosowane podejścia Metoda rozkładu strat (oss Distribution Approach, DA) Metoda wewnętrznych pomiarów (Internal Measurement Approach, IMA) Metoda czynników ryzyka i kontroli / Metoda kart wyników (ScoreCard Approach, SCA) Metoda scenariuszowa (Scenario Based Approach, SBA)

10 Metoda rozkładu strat (DA) polega na oszacowaniu rozkładu strat z tytułu ryzyka operacyjnego dla każdego obszaru na podstawie założeń co do częstości ś i rozmiaru strat t parametry rozkładów wyznaczane na podstawie historii strat traktowanych jako najlepszy (obiektywny) miernik profilu ryzyka kapitał obliczany np. przy wykorzystaniu symulacji Monte Carlo na podstawie operacyjnej wartości narażonej na ryzyko (OpVaR) gdy dane okazują się niewystarczające wykorzystuje się analizy scenariuszowe i testy wrażliwości

11 Częstość i dotkliwość strat operacyjnych B6 200 B7 iczba strat B5 G6 B8 G4 B4 F2 G2 B2 G7 F4 G3 B3 G8 G5 E3 D6 D8 F3 E6 E5 A3 A A2 A5 A8 A6 B C C2 C5 C7 C8 D C4 D2 F6 D4 D3 D5 E D7 E2 E7 E8 F5 E4 F8 G F A7 F7 A4 C3 C Średnia wartość strat

12 Zagregowany rozkład strat straty HFS 000 Czę ęstość krzywa normalna straty FHS ( gruby ogon ) strata

13 DA stosowane miary ryzyka operacyjnego strata oczekiwana strata nieoczekiwana OpVaR Expected Shortfall P [ > OpVaR ( α ) ] = α ES ( α ) = E > OpVaR ( α ) [ ] straty oczekiwane finansowane z bieżącej działalności straty nieoczekiwane finansowane z kapitału bankructwo wynikające z niemożności pokrycia strat

14 Rozkłady dotkliwości ś i (severity) logarytmiczno-normalny: Credit yonnais, Dresdner Bank ( x ) f = xσ ( ln( x / μ) ) 2 2σ e 2π 2 x 0 μ > 0 σ > 0

15 Rozkłady dotkliwości ś i (severity) wykładniczy f ( β x ) x = β e x 0 β > 0

16 Rozkłady dotkliwości ś i (severity) gamma: Fortis, Dresdner Bank f ( x) = α β x Γ α ( ) x 0 α > 0 β > 0 α e x β

17 Rozkłady dotkliwości ś i (severity) Weibulla: Banca Intesa, Halifax Bank of Scotland f x α α β = x e ( x ) = αβ α x 0 α > 0 β > 0

18 Rozkłady dotkliwości ś i (severity) Gumbela: Banca Intesa, Halifax Bank of Scotland f ( x) = e e x α β β x α + β α R β > 0

19 Rozkłady dotkliwości ś i (severity) Pareto f ( ) x = x β α β β α > 0 β > 0

20 Rozkłady dotkliwości ś i (severity) evy ego f ( x) = e β 2( x α ) β ( x ) 3 2 2π α α R β > 0

21 Rozkłady dotkliwości ś i (severity) Extreme Value Distribution f ( x) = e e x+ α β β + x+ α β α R β > 0

22 Rozkłady dotkliwości ś i (severity) Generalized Extreme Value Distribution (GEV) f t σ ξ + t( x) ( x) = ( x) e x x x [ μ σ ξ, + ) dla ξ > 0 (, + ) dla ξ = 0 (, μ σ ξ ] dla ξ < 0 t( x ) = ξ x μ + ξ dla ξ σ ( x μ ) σ e dla ξ = 0 0

23 Rozkłady częstości ś (frequency) Poissona: Banca Intesa, Credit yonnais, Dresdner Bank ( x ) = f = e β x β x! β > 0

24 Rozkłady częstości ś (frequency) ujemny dwumianowy: Fortis, Dresdner Bank f x + k k k ( x ) = p ( p ) x

25 Kryteria wyboru rozkładów wykresy Q-Q test Kołmogorova-Smirnova test Anderson-Darling ikelihood Ratio Test kryterium informacyjne Akaike kryterium Schwarza ocena na podstawie (absolutnego, kwadratowego, ważonego) dystansu między prawdziwym lub empirycznym rozkładem a rozkładem kandydatem (Gustafsson & Thuringb)

26 Wyznaczanie zagregowanego rozkładu strat p stwo p stwo rozkład dotkliwości strat p stwo symulacja Monte Carlo nieoczekiwana strata A oczekiwana strata 99,9-ty kwantyl rozkład częstości strat N zagregowany rozkład strat

27 Algorytm symulacyjny Monte Carlo kolejne iteracje częstość (f) 2 n f f 2 f n dotkliwość (s) s, s,2 s,f s 2, s 2,2 s 2,f2 s n, s n,2 s n,fn całkowita strata () =Σs,i 2 =Σs 2,i n =Σs n,i zagregowany rozkład strat

28 Wymóg kapitałowy (zał. perfect correlation) dotkliwość strat (,) częstość strat (,) rozkład strat (,) dotkliwość strat (,2) częstość strat (,2) rozkład strat (,2) suma wymogów kapitałowych dla każdego obszaru dotkliwość strat (7,8) częstość strat (7,8) rozkład strat (7,8)

29 Wymóg kapitałowy (zał. zero correlation) dotkliwość strat (,) częstość strat (,) dotkliwość strat (,2) częstość strat (,2) łączny rozkład strat wymóg kapitałowy odczytywany z łącznego rozkładu dotkliwość strat (7,8) częstość strat (7,8)

30 Wymóg kapitałowy (zał. zero correlation, dwie kategorie) kolejne iteracje 2 częstość (f) f A f B f 2 A f 2 B dotkliwość (s) s A, s A,2 s A,f s B, s B,2 s B,f s A 2, s A 2,2 s A 2,f2 s B 2, s B 2,2 s B 2,f2 całkowita strata () =Σs,iA +Σs,i B 2 =Σs 2,iA +Σs 2,i B zagregowany rozkład strat

31 Wymóg kapitałowy (zał. zero vs perfect correlation) dotkliwość strat (A) częstość strat (A) dotkliwość strat (B) częstość strat (B) średnia odchylenie standardowe A (dotkliwość) A (częstość) B (dotkliwość) B (częstość) OpVaR A (zagregowany rozkład) B (zagregowany rozkład) A+B (perfect correlation).025 A+B (zero correlation) ,3%

32 Wymóg kapitałowy (zał. non-zero correlation) rozkład strat (,) rozkład strat (,2) rozkład strat (,3) rozkład strat (7,8) copula copula copula (,) + (,2) (,) + + (7,8) (,) ) + (,2) + (,3) wymóg kapitałowy

33 Zalety DA rezultaty są osiągane w oparciu o unikalne charakterystyki każdego podmiotu wykorzystujemy metody i techniki podobne do tych stosowanych dla ryzyka rynkowego czy kredytowego istnieje możliwość uwzględnienia mechanizmów ograniczających ryzyko takich jak np. ubezpieczenie koszty i korzyści związane ze zmianą częstości i dotkliwości mogą być analizowane na bieżąco rezultaty zmieniają się w miarę upływu czasu

34 Wady DA straty to historia! często niewystarczająca ilość danych wewnętrznych heterogeniczność OR występowanie zdarzeń o nieznanych wysokościach strat założenie niezmienności profilu ryzyka w horyzoncie analizy trudności z walidacją modelu brak danych o zdarzeniach z ogona rozkładu obcięcie danych paradoks danych nietypowych y (tzw. outlierów) konieczność uwzględnienia danych zewnętrznych skalowanie? kontekst?

35 Modelowanie ogona rozkładu metody oparte na teorii wartości ekstremalnych (EVT) metoda Peaks Over Threshold (POT) metoda Block Maxima piecewise severity distribution body + tail body + torso + tail body + tail + extreme tail metoda delta EVT model delta dla strat o względnie dużej częstości i małych wartościach model EVT dla strat t o małej ł częstości ś występowania i dużych wartościach

36 Łączenie różnych rodzajów danych wnioskowanie bayesowskie wnioskowanie bayesowskie reguła Bayesa dla parametrów rozkładów ( ) ( ) ( ) parameters prob parameters data prob parameters data prob parametry: ( ) ( ) ( ) p p p p p p "hard data" h h h h data" "soft s s s s hard data,,, 3 2 n data soft,,, 3 2 m n m n 2 m 2 = = j h j h n = = j s j s m ( ) ( ) = = j h h j h n 2 2 σ ( ) ( ) = = j s s j s m 2 2 σ ( ) ( ) ( ) ( ) s h s s h h σ σ σ σ + + = ( ) ( ) ( ) s h σ σ σ + =

37 Łączenie różnych rodzajów danych wpływ na rozkład: soft data Bayesian hard data

38 Łączenie danych pochodzących z różnych źródeł ME ME założenie o identycznej postaci rozkładów danych wewnętrznych i zewnętrznych ę y ę y zewnętrzne dane o stratach wpływają na postać rozkładu dotkliwości parametry: "hard data",,, 3 2 h n h h h data" "soft,,, 3 2 s m s s s addata,,, 3 2 n data so t,,, 3 2 m = n j h j h n = m j s j s m ( ) ( ) = n j h h j h n 2 2 σ ( ) ( ) = = m j s s j s m 2 2 σ + + = n m s j h j n m ( ) ( ) ( ) + + = n m s j h j n m σ j= n = j m j= n = j m + = = j j n m + = = j j n m

39 Łączenie różnych rodzajów danych Przykład hard data : 30 obserwacji z rozkładu lognormalnego soft data : 50 obserwacji z rozkładu lognormalnego Średnia Odchylenie standardowe Hard Soft Hard Soft ME Bayesian

40 Łączenie danych pochodzących z różnych źródeł Stratified tifi Sampling dane zewnętrzne i wewnętrzne pochodzą z identycznych rozkładów dane wewnętrzne gromadzone są bez minimalnego progu raportowania dla danych zewnętrznych próg raportowania jest znany Okunev: ważenie danych wewnętrznych, które są poniżej progu: literatura: waga = + liczebnosc_danych_zewnetrznych h liczebnosc_danych_wewnetrznych_powyzej_progu Okunev P., A Simple Approach to Combining Internal and External Operational oss Data, awrence Berkeley National aboratory, UC Berkeley and Bank of America, 2005

41 Metoda wewnętrznych pomiarów (IMA) K IMA = n ( γ ij E ij ) = ( γ ij EI ij PE ij GE ij ) i= j= i= j= K IMA γ ij - wielkość wymaganego kapitału w metodzie IMA - wskaźnik procentowy kapitału na pokrycie strat z tytułu OR E - oczekiwana strata w j-tej linii biznesowej na skutek działania i-tego czynnika ryzyka E ij EI ij PE ij GE ij - wskaźnik opisujący wrażliwość j-tej linii biznesowej na i-ty czynnik ryzyka - prawdopodobieństwo zaistnienia straty w j-tej linii biznesowej na skutek i-tego czynnika ryzyka - wartość straty w j-tej linii biznesowej na skutek i-tego czynnika ryzyka

42 Metoda scenariuszowa (SBA) proaktywne podejście oparte na informacjach pochodzących z wielu źródeł: wewnętrzne i zewnętrzne informacje o stratach, dane eksperckie, kluczowe wskaźniki ryzyka, jakość środowiska kontrolnego scenariuszem nazywamy potencjalne zdarzenie z zakresu OR analiza typu co-jeśli jakie jest ryzyko, że dany scenariusz się ziści? jak dotkliwe będzie ziszczenie się danego scenariusza? analizowany zakres scenariuszy powinien objąć wszystkie czynniki ryzyka instytucji

43 Typy scenariuszy wg Ducot & ubbena ukierunkowanie wyjaśniające antycypacyjne atrakcyjność opisowe normatywne trend trend zgodne z trendem peryferyjne

44 Cechy scenariusza hipotetyczny > opisuje jakiś potencjalny rozwój wydarzeń selektywny > reprezentuje jeden możliwy przyszły stan natury dla skomplikowanej sieci stanów ograniczony > składa się ze skończonej liczby stanów, zdarzeń, ń działań ł ń i ich konsekwencjik powiązany > jego elementy są ze sobą powiązane warunkowo lub przyczynowo-skutkowo poddający się ocenie > można go ocenić pod względem prawdopodobieństwa zaistnienia

45 Cechy scenariusza spójność każda jednostka organizacyjna powinna poddać analizie każdą klasę scenariuszy wykorzystanie warsztatów, jak i weryfikacji audytorskiej adekwatność wszystkie jednostki, których dotyczy scenariusz oceniają jego stosowność uwzględnienie ę wszystkich ryzyk y wykorzystanie różnych technik generowania scenariuszy wykorzystanie wiedzy zgromadzonej na różnych poziomach organizacji

46 Etapy SBA dane wewnętrzne dane zewnętrzne subiektywne oceny ekspertów identyfikacja zdarzeń czynniki wewnętrzne czynniki zewnętrzne wpływ innych zdarzeń możliwe skutki możliwe skutki 2 możliwe skutki 3 możliwe skutki p-stwo skala p-stwo skala p-stwo skala p-stwo skala symulacje Źródło: Opracowanie własne.

47 SBA - przykład Scenariusz Obszar A Obszar B Łączna strata Prawdopodobieństwo Statystyki % % % % % % % % % Wartość oczekiwana Odchylenie standardowe 208,7 65,3

48 SBA - przykład Źródło: Opracowanie własne w programie AgenaRisk

49 Zalety SBA metoda ukierunkowana na przyszłość bierze pod uwagę dane wewnętrzne i zewnętrzne o stratach, KRI, a także near-misses pozwala na uwzględnienie specyfiki organizacji pozwala na natychmiastowe uwzględnienie zmian w organizacji reaguje na zmiany otoczenia koncentruje uwagę na kluczowych ekspozycjach powiązanie wymogu kapitałowego z profilem ryzyka organizacji bezpośrednie powiązanie z metodami zarządzania wspiera kulturę ryzyka generuje pozytywne bodźce dla menedżerów silny związek ryzyka i mechanizmów kontrolnych pozwala na uchwycenie skutków kontroli w układzie kosztów-korzyści metoda względnie przejrzysta

50 Wady SBA subiektywizm i systematyczne obciążenia ludzkich subiektywnych prób oceny prawdopodobieństwa brak wystarczającej wiedzy o zdarzeniach FHS by wygenerować wiarygodne scenariusze scenariusz to tylko łata ad-hoc dla metody DA (Peccia) uwzględnienie danych jakościowych nie daje spójnych i wiarygodnych oszacowań o ń

51 Metoda scenariuszowa a inne metody SBA a DA korzystają z modelu statystycznego biorą pod uwagę to, że same dane historyczne mogą niewiele mówić o przyszłości korzystają ze scenariuszy tam, gdzie jest ograniczony dostęp do danych SBA a SCA wykorzystują scenariusze oceniane w ramach kwestionariusza samooceny są wrażliwe na zmiany profilu ryzyka organizacji wykorzystują dane eksperckie

52 Metoda czynników ryzyka i kontroli (SCA) system ekspercki, ki który jednocześnie ś ocenia poziom ekspozycji banku na określone czynniki ryzyka, jak i zakres oraz jakość wewnętrznego środowiska kontrolnego, jego procesów operacyjnych i mechanizmów kontroli ryzyka głównym elementem jest kwestionariusz i oceny zagrożeńż ń koncentracja na potencjalnych zagrożeniach bezpośrednio ś łączy pomiar ryzyka operacyjnego z procesem zarządzania umożliwia identyfikację i zrozumienie głównych czynników ryzyka powala na stworzenie wytycznych dla procesu ograniczania i ryzyka dostarcza jednoznacznych zachęt skłaniających instytucje finansowe do ponoszenia kosztów związanych z ograniczaniem ryzyka

53 Proces samooszacowania ryzyka powtórnie prześledź cele, oceń system kontroli i transferu ryzyka: przygotuj plan działania określ docelową jakość procesu nie zdefiniuj zagrożenia przygotuj system kontroli oceń sposoby ograniczenia i transferu ryzyka nie optymalne? tak akceptowalne? oszacuj ryzyko rezydualne tak monitoruj i systematycznie oceniaj

54 Przykład kwestionariusza Departament: Podpis osoby odpowiedzialnej: p KWESTIONARIUSZ OCENY ZAGROŻEŃ Data przygotowania: Data weryfikacji: Ryzyko Identyfikacja ryzyka Pomiar ryzyka Kontrola Testy systemu kontroli rezydualne KRDs KRIs KCDs. produkt / linia biznesowa 2. proces biznesowy 3. opis ryzyka 4. kategoria zdarzeń operacyjnych 5. prawdopodobieństwo wystąpienia ryzyka (wysokie/niskie; w skali od do 5, itp.) 6. szacowana wielkość straty w przypadku zaistnienia zdarzenia (wysokie/niskie; w skali od do 5, itp.) 7. czy znajduje odzwierciedlenie w sprawozdaniach finansowych tak/nie 8. czy kluczowy czynnik ryzyka (KRI) tak/nie 9. apetyt na ryzyko akceptowalny poziom ryzyka 0. opis stosowanych sposobów kontroli. osoba/departament odpowiedzialny 2. ocena jakości i skuteczności systemu kontroli 3. częstotliwość testowania kontroli 4. metodologia testu 5. wielkość próby 6. osoba testująca 7. streszczenie wyników testu 8. ryzyko rezydualne 9. potencjalne inne sposoby ograniczania ryzyka 20. uwagi

55 Procedura symulacyjna SCA symulacja ryzyk oraz wad systemu kontroli w celu analizy wynikowego rozkładu najpierw symulacja kontroli i jeśli ta zawiedzie i symulacja ryzyka najpierw symulacja ryzyka, a potem symulacja kontroli jednoczesna symulacja kontroli i ryzyka uwaga na korelację! Sobehart (2006) pokazał, że wadliwy system kontroli prowadzi do grubych ogonów a dla skutecznie działającego systemu kontroli model prowadzi do normalnego rozkładu strat

56 Metodologia ScoreCard Working Group (2003) wyznaczenie początkowej wielkości kapitału wymaganego na pokrycie OR, np. przez ustalenie proporcji wymogu w stosunku do całości kapitału do innych rodzajów ryzyka, przez odniesienie do średnich wartości wymogu w instytucjach o podobnym profilu, czy wykorzystanie podejścia standardowego określonego w NUK podział kapitału między poszczególne rodzaje ryzyka z wykorzystaniem informacji o stratach historycznych oraz wyników badania kwestionariuszowego dystrybucje kapitału do poszczególnych jednostek organizacyjnych realokacja kapitału w następstwie zmiany czynników ryzyka i kontroli wymóg dla całości organizacji wyznaczany y przez zsumowanie kapitału dla poszczególnych linii biznesowych

57 Metodologia ScoreCard Working Group (2003) ryzyko kredytowe początkowa ą wielkość kapitału Departament A Departament B ryzyko operacyjne Departament C inne ryzyka ryzyko rynkowe analiza statystyczna ocena czynników ryzyka i wielkości skalujących alokacja kapitału (top-down) Źródło: Oprac. na podst. Scorecard Working Group, Risk Drivers and Controls Approaches: inking Operational Risk Measurement and Management, 2003

58 Metodologia ScoreCard Working Group (2003) Przykład (wyznaczenie początkowej wartości kapitału): Założenie : kapitał na poziomie banku oszacowano na 2 mld PN Założenie 2: Przyjęto, że ryzyko nadużyć wewnętrznych stanowi 0% całkowitego kapitału (200 mln PN) Założenie 3: Założono, że czynnik skalujący odpowiadający skali ryzyka w danym obszarze to liczba pracowników pełnoetatowych i ma wagę 0%, co odpowiada d kwocie 20 mln PN Założenie 4 (wyniki badania kwestionariuszowego): jednostka A: ocena,5, czynnik skalujący 000 jednostka B: ocena 2,0, czynnik skalujący 500 jednostka C: ocena,0, czynnik skalujący 5000

59 Metodologia ScoreCard Working Group (2003) Obliczenia: Skorygowana ocena ryzyka = ocena * czynnik skalujący Suma skorygowanych ocen =,5*000+2,0*500+,0*5000 = = =7500 Kapitał przypisany skorygowanej jednostce ryzyka R = 20 mln / 7500 = 2667 Kapitał ł przypisany tej kategorii ryzyka w danej jednostce = = (Skorygowana ocena ryzyka w danej jednostce) * R Kapitał A =,5 * 000 * 2667 = 4,00 mln Kapitał B = 2,0 * 500 * 2667 = 2,67 mln Kapitał C =,0 * 5000 * 2667 = 3,3333 mln 20,00 mln

60 Metodologia ScoreCard Working Group (2003) Departament A Departament B ryzyko kredytowe całkowita wielkość kapitału ryzyko operacyjne Departament C ocena czynników ryzyka i wielkości skalujących alokacja kapitału dla każdej jednostki agregacja w zakresie poszczególnych kategorii ryzyka inne ryzyka ryzyko rynkowe Źródło: Oprac. na podst. Scorecard Working Group, Risk Drivers and Controls Approaches: inking Operational Risk Measurement and Management, 2003

61 Metodologia ScoreCard Working Group (2003) Przykład (realokacja kapitału): Założenie : utrzymujemy na tym samym poziomie wielkość kapitału przypisanego skorygowanej jednostce ryzyka R Założenie 2 (wyniki badania kwestionariuszowego): jednostka A: ocena,25, czynnik skalujący 000 jednostka B: ocena 2,0, czynnik skalujący 500 jednostka C: ocena 0,8, czynnik skalujący 5500 Obliczenia: Kapitał A =,25 * 000 * 2667 = 3,33 mln Kapitał B = 2,0 * 500 * 2667 = 2,67 mln Kapitał C = 0,8 * 5500 * 2667 = 3,33 mln

62 Zalety SCA metoda elastyczna ukierunkowana na przyszłość koncentruje się na wewnętrznych czynnikach ryzyka przyczynia się do zwiększenia wiedzy i umiejętności kadry pozwala na określenie ryzyka y netto umożliwia analizę własnych zasobów pod kątem wyznaczenia najbardziej korzystnych strategii

63 Wady SCA brak wypracowanych standardów dotyczących KRIs subiektywizm często sprowadza się do wyznaczenia miary ilościowej z danych o charakterze czysto jakościowym poddaje się w wątpliwość wiarygodność uzyskiwanych wyników utrudnione porównania w czasie utrudnione porównania z innymi podmiotami

64 Techniki AMA substytucyjne czy komplementarne? tylko DA cechuje się odpowiednim poziomem obiektywizmu i zaawansowania by móc je nazywać AMA (Alexander, Peccia) DA jest głównym podejściem AMA, pozostałe ł techniki służą ł ż jedynie uzupełnieniu ograniczonych historycznych danych (Haubenstock, Hardin) DA, SBA i SCA są niezależnymi, alternatywnymi technikami, z których każda może ż być ć oddzielnie i wykorzystywana do szacowania kapitału ł regulacyjnego (Fujii, Kuhn, Neu, Adreas, van der Brink, Reynolds, Syer, Kaiser, Kohne) wszystkie techniki powinny być traktowane jako komplementarne i łącznie służyć wyznaczaniu wymogu kapitąłowego (Alderweield, Kalyvas, Nash, Rao, Dev)

65 DA & SBA & SCA czyli proces zarządzania OR w UFJ Holdings, Inc. wewnętrzne dane o stratach ocena przepływy systemy... ocena jakościowa - samooszacowanie identyfikacja słabości generacja scenariuszy dla poszczególnych ryzyka modelowanie wyznaczenie OpVaR działania kontrolne i zmniejszające ryzyko aktywne zarządzanie ryzykiem określenie wymogu kapitałowego Źródło: Kenji Fujii Combining Internal oss Data Źródło: Kenji Fujii, Combining Internal oss Data, Scorecards and Scenario Analysis, 2003

66 Zalety AMA redukcja lub wyeliminowanie i i skłonności ś do arbitrażu ż regulacyjnego elastyczne podejście do innowacji finansowych zapewnia bodźce do poprawiania i jakości ś procesów zarządzania ryzykiem redukcja kosztów compliance zmniejszenie wymogu kapitałowego możliwość uwzględnienia ę ubezpieczenia w procesie wyznaczania wymogu

67 Wady AMA wymaga wielu założeń (Herring, 2002) OpVaR jest mylącą miarą ryzyka wówczas gdy rozkład nie jest normalny (Danielsson, 200) problemy z interpretacją wyników OpVaR wskazuje na rozmiary ryzyka ale nie określa jego źródeł (Hubner, 2003) wysokie koszty wdrożenia

68 Not every thing that can be counted, counts. And not every thing that t counts, can be counted. /Albert Einstein/ Dziękuję za uwagę Dominika Gadowska-Kaczmarczyk Wydział Nauk Ekonomicznych UW dgadowska@wne.uw.edu.pl