یادگیری ماشین در تخمین سرمایه پوششی ریسکعملیاتی بانکها با رویکرد توزیع زیان
نویسندگان
1 کارشناسی ارشد ریاضیات مالی، دانشگاه خوارزمی، تهران، ایران.
2 استادیار، گروه ریاضیات مالی، دانشگاه خوارزمی، تهران، ایران
doi
10.48308/jfmp.2023.103948چکیده
ریسک عملیاتی یکی از مهمترین ریسکهای مؤسسات مالی است. توجه به آن پس از مصوبات کمیته بال، در سراسر دنیا آغاز شدهاست. افزایش روزافزون زیانهای عملیاتی در خطوط کسبوکار مختلف سبب شدهاست تا توجّه مدیران مؤسسات مالی معطوف به حوزه ریسک عملیاتی شود. در این پژوهش، روشی جهت تخمین آستانه مناسب برای دادههای شدت زیان عملیاتی و همچنین روشی جهت طبقهبندی دادههای شدت زیان عملیاتی ارائه شدهاست و سرمایه مورد نیاز برای پوشش ریسک عملیاتی با تجمیع تابع توزیع شدت و فرکانس دادههای زیان عملیاتی و شبیهسازی مونتکارلو بهدست آمدهاست. همچنین وابستگی بین سلولهای ماتریس خطوط کسبوکار و حوادث ضررساز نیز مورد بررسی قرار گرفتهاست. برای این پژوهش دادههای زیان عملیاتی مربوط بهیک مجموعه بانکداری شامل چند بانک آسیایی، اروپایی و آمریکایی بهکارگرفته شدهاست. نتایج پژوهش حاکی از آن است که رویکرد توزیع زیان با ترکیب تئوری مقدار بحرانی و الگوریتمهاییادگیری ماشین (خوشهبندی)، همچنین رویکرد توزیع زیان با ترکیب الگوریتمهاییادگیری ماشین (طبقهبندی)، نسبت به سایر روشها کارآمدتر است.