Versión de HTML Básico
Cuantificación del riesgo operacional mediante modelos de pérdidas agregadas. . .
Analíti a
k
5
Revista de Análisis Estadístico
Journal of Statistical Analysis
Figura 7.
Histograma de la estimación de la distribución de pérdidas, (a) caso Geométrica-LogNormal, (b) caso Geométrica-Weibull.
Tabla 6.
Estimación del OpVar al 99.9 % y al 99.99 %, con va-
rias distribuciones para la frecuencia y la severidad, sobre datos
reales.
Simulaciones
(N)
Frecuencia
Severidad
Op Var
(UM)
1000
Geométrica
LogNormal
671259
(99.9%)
Weibull
107165
10000
Geométrica
LogNormal
1459830
(99.99 %)
Weibull
139994
1000
Poisson
LogNormal
216143
(99.9%)
Weibull
18716
10000
Poisson
LogNormal
573897
(99.99 %)
Weibull
25669
5 Conclusiones
En este artículo se ha presentado un sistema automático
diseñado para estimar el OpVar utilizando técnicas Monte
Carlo bajo el concepto de pérdidas agregadas. Para ello, se
han construido varios módulos para analizar los datos pro-
venientes de los eventos de frecuencia y severidad, para
posteriormente, estimar la distribución de pérdidas.
En esta primera fase se han utilizado técnicas clásicas
de la estadística paramétrica para modelar los eventos de
frecuencia y severidad. Una ventaja de este sistema es la
automatización en el cálculo de todos los estadísticos nece-
sarios para elegir el mejor modelo en frecuencia y en seve-
ridad; además genera a la par todas las simulaciones para
calcular el OpVar. Adicionalmente, el sistema presenta un
conjunto de gráficos para visualizar todas las distribucio-
nes involucradas en el análisis.
Finalmente, se puede concluir que la interpretación de
los resultados depende de la experiencia del analista, y es
un tema abierto de investigación que se espera superar en
las próximas versiones del software, incorporando una me-
todología que ayude en la toma de decisiones.
6 Trabajos a futuro
En el futuro se incorporarán nuevos módulos para am-
pliar las prestaciones del software. Uno de ellos servirá pa-
ra estimar los eventos de severidad, utilizando Teoría de
Valores Extremos. Asimismo, se incorporará la informa-
ción interna y externa sobre una estructura bayesiana para
mejorar las estimaciones de la frecuencia y la severidad,
donde se podrá incorporar, al modelo, la experiencia del
analista de riesgos.
Referencias
[1] Chernobai A., Menn C., Rachev T., and Truck S. (2005):
Estimation of Operational Value-at-Risk in the Presence of
Minimum Collection Thresholds,
Analysis, pp. 1- 62.
[2] O.B. Basel Committee Supervision (2001):
Operational
Risk,
Distribution.
[3] Klugman A., Panjer H. and Willmot G. (1998): Loss
Models From Data to Decisions. Wiley Series in Pro-
bability and Statistics, John Wiley & Sons, Ltd.
[4] Cruz, M. G. (2002): Modeling, Measuring and Hed-
ging Operational Risk. John Wiley & Sons, Ltd.
[5] Casella G., Verger T. (2002):
Statistical Inference.
Thom-
son Learning.
[6] Mukhopadhyay N.
Probability and Statistical Inference.
Marcel Dekker, Inc. 2000.
[7] Dutta K. and Perry J. (2006): A Tale of Tails :
An em-
pirical analysis of Loss Distribution Models for estimating
Analítika,
Revista de análisis estadístico
, 3 (2013), Vol. 5(1): 39-48
47