Medición Del Riesgo Modelos IMA LDA

1
Modelos AMA para medición de RO
Presentador por
Elkin Mauricio Sanchez Laguado
Presentado a
Gloria Inés Macías
Facultada de Ingeniería
Ingeniería financiera
Universidad autónoma de Bucaramanga
2020
2
Contenido
Modelo De Medición Interna (IMA).....................................................................................3
Aplicación del modelo IMA con un Modelo Binomial............................................................4
Modelo de Distribución de Pérdidas LDA............................................................................7
Características y supuestos.............................................................................................8
Convolución..................................................................................................................... 9
Métodos para encontrar la distribución de pérdidas agregadas, LDA............................11
Aplicación del modelo LDA............................................................................................13
Referencias....................................................................................................................... 23
3
Modelo De Medición Interna (IMA)
En el desarrollo del enfoque IMA (Internal Measurement Approach), el Comité (2001b) se
basó en la experiencia previa de los modelos internos de medición del riesgo de crédito. De
esta forma, el modelo IMA establece una relación lineal entre la pérdida esperada (expected
loss, EL) y la pérdida no esperada (unexpected loss, UL). El procedimiento común, para
determinar la carga de capital por riesgo operacional mediante este enfoque, es el siguiente:
 El primer paso es combinar las ocho líneas de negocio establecidas por el Comité
con los siete tipos de riesgo operacional a través de la matriz de combinaciones
“línea de negocio (i) / tipo de riesgo (j)”.
 Dentro de cada combinación, el supervisor determina un Indicador de Exposición
(Exposure Indicator, EI ij ): aproximación al tamaño (cantidad) de la exposición al
riesgo operacional de cada línea de negocio con respecto a cada tipo de riesgo.
 Para cada celda –además del Indicador de Exposición– los bancos deben
determinar, sobre la base de datos internos de pérdidas, los siguientes parámetros:
(i) (Probability of Loss Event), representa la probabilidad de un evento de pérdida
en una línea i por un tipo de riesgo j; (ii) (Loss Given that Event), severidad media
cuando se produce el evento; (iii) (Risk Profile Index), índice del perfil de riesgo;
determina el perfil de riesgo específico del banco en comparación con la industria. -
El producto de EI, PE, LGE y RPI ofrece como resultados la pérdida esperada (EL),
esto es:
4
 El capital requerido para cada combinación (K IMAij ) se obtiene como el producto
de un parámetro denominado gamma (γ ij ) y EL ij . Por tanto, y asumiendo que la
pérdida no esperada es directamente proporcional a la pérdida esperada, el factor
gamma convierte la pérdida esperada en una carga de capital:
 Finalmente, el capital regulatorio (K IMAij ) por riesgo operacional de una entidad
financiera, en su conjunto sería igual a la suma de los productos resultantes:
Aplicación del modelo IMA con un Modelo Binomial
Parámetros:
 EL ij = N: Indicador de Exposición, se materializa en el modelo por el número de
eventos susceptibles de generar pérdidas operacionales, durante un intervalo de
tiempo establecido; el Comité (2006a: 151) propone un horizonte temporal de un
año.
 PE ij = p: Probabilidad de que acontezca una pérdida operacional. Por lo que (1-p)
representará la probabilidad de que la pérdida sea igual a 0.
 LGE ij = L: Denota la cuantía esperada de la pérdida una vez ocurrido el evento. L
es una variable aleatoria de media, µ L , y desviación típica, σ L
 EL ij = µ: Pérdida esperada.
Si suponemos L constante y asumimos la independencia entre los eventos de
pérdidas, los parámetros N y p y la variable aleatoria L corresponderán a una

5
distribución Binomial B(N, p) bajo el supuesto (0, L). La pérdida esperada (EL)
durante 1 año, se expresaría de la siguiente forma:
Recordemos que, en la modelización del riesgo de mercado, es frecuente la
utilización del enfoque paramétrico basado en la asunción de normalidad. Bajo esta
hipótesis, el capital puede estimarse como un múltiplo de la desviación típica. Así,
por ejemplo, para un nivel de confianza estadística del 95%, existe un 5% de
probabilidad de incurrir en una pérdida superior a 1,65 veces la desviación típica de
la cartera o para un intervalo de confianza del 99,9%, un 0,1% de probabilidad de
que la pérdida sea superior a 3,1 veces la desviación típica. Sin embargo, al igual
que ocurre con el riesgo de crédito, la distribución de pérdidas operacionales no
sigue una ley Normal; ya que, existe una mayor concentración de eventos a la
izquierda de la media. Este aspecto se puede resolver incrementando el
multiplicador, en función del grado de asimetría positiva que tenga la distribución
(véase Trujillo, 2002). En el caso del riesgo operacional, autores como Alexander y
Pézier (2001), estiman k en un valor aproximado2 a 7. En consecuencia, el capital
requerido se determinaría así:
El multiplicador k lo podemos formular como:

6
Conocido L y para una p relativamente pequeña3 , la desviación típica de las
pérdidas será, aproximadamente:
Operando, esto nos llevaría a poder obtener gamma en función del multiplicador k:
En consecuencia, si (N·p) representa el número medio de eventos que provocan
pérdidas operacionales y suponemos k constante, podemos afirmar que: para
sucesos de alta frecuencia (p grande) gamma resultará pequeña y, por el contrario,
para riesgos de baja frecuencia (p pequeña) gamma será mayor. Para una mejor
comprensión de esta metodología, en la tabla 1 reflejamos los datos y parámetros

7
correspondientes a dos casillas de la matriz: Banca Minorista/Ejecución y Entrega
de Procesos y Banca Corporativa/Fraude Interno. En la primera celda podrían
encuadrarse las “diferencias de caja”, esto es un tipo de pérdida de alta frecuencia y
bajo impacto. En sentido amplio, para esta tipología de eventos la gamma estimada
será bastante inferior a 1; por lo que, el valor de KIMA obtenido –(γ·EL)– será
menor que la pérdida esperada, como podemos observar en la tabla 1. En cambio, la
segunda combinación – por ejemplo, aquella asociada a las “actividades no
autorizadas” (caso Barings o Sumitomo)– se asocia a pérdidas de baja frecuencia y
alta severidad. Ahora en cambio, gamma tendrá un valor superior a la unidad, lo
cual conduce a un nivel de KIMA mayor que la pérdida esperada (EL).
Modelo de Distribución de Pérdidas LDA
Los orígenes del LDA se ubican en las aplicaciones actuariales, desarrolladas por la
industria de seguros durante muchos años (Bühlmann, 1970). Es una de las ideas más
naturales importadas de técnicas actuariales, para ser aplicadas en situaciones específicas
que caracterizan el riesgo operacional, y en particular cuando hay escasez de datos.
Diversos estudios que se han hecho acerca de datos empíricos convergen en que esa escasez
de datos tiene un impacto dramático en la carga de capital, por lo que, en metodologías
diferentes al LDA, se impone la necesidad de usar, para el tratamiento de ellos,
procedimientos muy sofisticados.
El principal objetivo del modelo LDA es proveer un estimado del riesgo operacional para
una entidad y sus unidades de negocio, basado en una distribución de pérdida que refleja
8
los datos de pérdidas subyacentes. El LDA se basa en la recopilación de los datos de
pérdidas históricas (frecuencia y severidad), que se registran internamente en las
organizaciones, los cuales son complementados con datos externos. Estas pérdidas son
clasificadas en una matriz que relaciona las líneas de negocio de la organización y los
eventos operacionales de pérdida. Aunque Basilea propone ocho líneas de negocio y siete
tipos de eventos estándar para la construcción de esa matriz, cada firma tiene la libertad de
considerar sus propias líneas y eventos, de tal forma que se adecuen a la estructura y
necesidades de la organización, como es el caso particular de una firma comisionista. Esta
asignación debe hacerse en un número pequeño pero suficiente, de tal forma que la matriz
resultante se pueda manejar adecuadamente.
Características y supuestos
En el LDA la pérdida total se define como una suma aleatoria de las distintas pérdidas:
donde es la pérdida total en la celda de la matriz de pérdidas. Las se calculan
como:
Con variable aleatoria que representa el número de eventos de riesgo en la celda
(frecuencia de los eventos) y es el monto de la pérdida en la celda (severidad del evento).
En consecuencia, las pérdidas son resultado de dos diferentes fuentes de aleatoriedad; la
frecuencia y la severidad.
9
En esencia el modelo LDA tal como se utiliza en el riesgo operativo o en ciencias
actuariales asume los siguientes supuestos dentro de cada clase de riesgo:
a) y la variable frecuencia es una variable aleatoria independiente de la variable
aleatoria severidad.
b) las observaciones de tamaño de pérdidas (severidad) dentro de una misma clase se
distribuyen idénticamente.
c) las observaciones de tamaño de pérdidas (severidad) dentro de una misma clase
son independientes.
El primer supuesto admite que la frecuencia y la severidad son dos fuentes independientes
de aleatoriedad. Los supuestos 2 y 3 significan que dos diferentes pérdidas dentro de la
misma clase son homogéneas, independientes e idénticamente distribuidas (Frachot et al.,
2004).
Convolución
Se denomina convolución a una función, que, de forma lineal y continua, transforma una
señal de entrada en una nueva señal de salida. La función de convolución se expresa por el
símbolo.
En el caso del modelo LDA La primera etapa consiste en ajustar distintos modelos de
distribución probabilística a una serie datos históricos de pérdidas operacionales
desglosadas por su tipología para una determinada línea de negocio y evento de pérdida. En
definitiva, se trata de encontrar la distribución de probabilidad que mejor se ajuste a los
datos observados y estimar sus parámetros. Lee, 2001; Cruz, 2002; González, 2004;
10
Shevchenko y Donnelly, 2005 y Carrillo y Suárez, 2006, proponen la distribución
Lognormal o la de Weibull como las más recomendables a la hora de modelar la severidad,
aunque en la práctica ninguna distribución simple se ajusta a los datos satisfactoriamente;
de ahí la necesidad de recurrir a una mixtura de distribuciones para variables aleatorias
continuas.
Sea el monto de la pérdida en la celda de la matriz de pérdidas (severidad del
evento). Variable que sigue una distribución de probabilidad la cual se define como:
Ahora la modelación de la frecuencia es una variable aleatoria discreta que representa el
número de eventos observados durante un período de tiempo establecido, con una
determinada probabilidad de ocurrencia. Lee, 2001; Cruz, 2002; González, 2004 y
Shevchenko, 2005, proponen la distribución de Poisson como una candidata con muchas
ventajas a la hora de modelar dicha variable; también recomiendan contemplar otras
alternativas como la binomial o la binomial negativa.
Sea una variable aleatoria que representa el número de eventos de riesgo en la celda
de la matriz de eventos (frecuencia de los eventos). Variable que sigue una distribución de
probabilidad la cual se define como:

11
La combinación de las distribuciones de frecuencia y severidad es lo que genera la
distribución de pérdidas agregadas y se realiza mediante una convolución con simulaciones
de Montecarlo, por ejemplo. La convolución se da por el proceso que se genera al mezclar
la distribución de frecuencia, que es una variable aleatoria discreta, con la distribución de
severidad, que es una variable aleatoria continua.
Métodos para encontrar la distribución de pérdidas agregadas, LDA
para la obtención de la distribución de pérdidas agregadas, se proponen cuatro posibles
técnicas:
 La transformada rápida de Fourier (Klugman, Panjer y Willmot, 2004).
La Transformada rápida de Fourier, conocida por la abreviatura FFT (del inglés Fast
Fourier Transform) es un algoritmo eficiente que permite calcular la transformada
de Fourier discreta (DFT) y su inversa. La FFT es de gran importancia en una
amplia variedad de aplicaciones, desde el tratamiento digital de señales y filtrado
digital en general a la resolución de ecuaciones en derivadas parciales o los
algoritmos de multiplicación rápida de grandes enteros. Cuando se habla del
tratamiento digital de señales, el algoritmo FFT impone algunas limitaciones en la
señal y en el espectro resultante ya que la señal muestreada y que se va a
transformar debe consistir de un número de muestras igual a una potencia de dos.
La mayoría de los analizadores de FFT permiten la transformación de 512, 1024,
2048 o 4096 muestras. El rango de frecuencias cubierto por el análisis FFT depende
de la cantidad de muestras recogidas y de la proporción de muestreo.

12
La transformada rápida de Fourier es de importancia fundamental en el análisis
matemático y ha sido objeto de numerosos estudios. La aparición de un algoritmo
eficaz para esta operación fue un hito en la historia de la informática.
 El algoritmo recursivo de Panjer (Panjer, 1981).
Entre los años 1983 y 1992, Panjer y Willmot estudiaron las propiedades de la v.a.
definida en:
Este estudio suministró como resultado el algoritmo de Panjer y la solución analítica
para la función de distribución de S, denotada como gk.
Teorema 2. Si la distribución primaria es un miembro de la clase (a, b), entonces g0
= PN (f0) y
donde fk denota la distribución secundaria.
 El enfoque de simulación por Montecarlo (Klugman, Pan-jer y Willmot, 2004).
El método de Montecarlo permite resolver problemas matemáticos mediante la
simulación de variables aleatorias. John Von Neumann, en los años 40 y con los
primeros ordenadores, aplica la simulación para resolver problemas complejos que
no podían ser resueltos de forma analítica. Montecarlo y su casino están
relacionados con la simulación. La ruleta, juego estrella de los casinos, es uno de los
13
aparatos mecánicos más sencillos que nos permiten obtener números aleatorios para
simular variables aleatorias.
 La aproximación de la pérdida simple (Böcker y Klüp-pelberg, 2005).
Aplicación del modelo LDA
Uno de los objetivos desarrollados en la investigación fue la implementación del modelo
LDA para una entidad financiera. La principal dificultad encontrada en una exploración
inicial de la información disponible fue la carencia de datos, ya que éstos en su momento
debieron haber sido producto del registro de unos eventos de frecuencia y severidad de
pérdidas. Pero tal escasez ha sido una característica muy generalizada en las entidades
financieras, inclusive a escala mundial, cuando se ha intentado implementar la
cuantificación del riesgo operacional. Para superar ese inconveniente se recurrió a un panel
de expertos, a partir de los cuales se generó información acerca de la frecuencia y severidad
de eventos de pérdida, haciendo é nfasis en lo relacionado con una línea específica de
negocios. Esa etapa inicial fue desarrollada en el año 2005. Aunque posteriormente se ha
avanzado significativamente tanto en la modelación, como en la estructuración de bases de
datos, también se ha complicado la obtención de ese tipo de información, dado que esto se
ha convertido en ventaja competitiva para las entidades financieras.
Estimación de la distribución de probabilidad para la severidad
Como ocurre en muchas aplicaciones de riesgo operacional, para estimar la distribución de
probabilidad para la severidad, se tienen dos posibilidades básicas:

14
a. Dados , representando la severidad del evento de riesgo en la línea de negocio ,
registrados históricamente por la entidad(al menos durante 5 años), se trata de ajustar a esos
datos una distribución de probabilidad , que pueda ser utilizada como modelo
probabilístico explicativo de la severidad para el siguiente año.
b. A partir de la información obtenida de los expertos, asumir que dichos datos siguen un
modelo probabilístico determinado, dependiendo de características específicas, tales
cantidad y calidad de los mismos.
Dada las características de los datos obtenidos, que se presentan en la tabla 1, se decidió
implementar la segunda opción planteada. En la tabla se observa que los expertos
determinaron mínimos y máximos para la severidad, lo cual conduce a establecer rangos
para cada evento de riesgo en la línea considerada. Para estos datos, y siguiendo las
recomendaciones de autores como Lee, 2001; Cruz, 2002; González, 2004; Shevchenko y
Donnelly, 2005 y Carrillo y Suárez, 2006, se asumen las distribuciones uniforme y
triangular como potenciales distribuciones para la severidad del siguiente período.
Tabla 1. Fuente: Elaboración de los autores

15
Fuente: elaboración propia
En la tabla 2, se presentan los valores esperados para cada una de las distribuciones que se
definieron en @Risk. Dichas esperanzas corresponden a la severidad promedio.
Tabla 2.
16
Utilizando @Risk se generó una simulación con 1000 iteraciones. A partir de los datos
obtenidos se obtuvo la distribución de probabilidad que representa el perfil de riesgo para la
severidad del siguiente año. Esta distribución se muestra en la gráfica 1.
Estimación de la distribución de probabilidad para la frecuencia
Para la distribución de probabilidad para la frecuencia se tiene una situación análoga a la
presentada en la tabla 1, para la severidad. Pero a diferencia de lo anterior, en este caso, la
gama de distribuciones potenciales, que deben ser discretas, es mucho más reducida.
Específicamente, y según la experiencia en el campo actuarial, y en concordancia con los
autores citados en el apartado anterior, se ha encontrado que la distribución de Poisson es la
que mejor explica el fenómeno en la línea bajo estudio. En la tabla 3 se tienen las
frecuencias promedio planteadas por los expertos. A partir de esos datos se obtuvo la
17
distribución de probabilidad que representa el perfil de riesgo para la frecuencia del
siguiente año. Esta distribución se muestra en la gráfica 2.
Gráfica 1. Fraude externo /

18
Tabla 3.
Estimación de la distribución de pérdidas
A diferencia de los modelos utilizados para evaluar riesgo de mercado y riesgo de crédito,
los modelos para la estimación del riesgo operacional tienen unas características muy
específicas: Se deben combinar variables aleatorias continuas y discretas; la pérdida
agregada es una variable incierta, y la relación entre variables es no lineal. Estas
características complican la estimación de la distribución de pérdidas por métodos
analíticos, y por lo tanto se recurre a simulación Montecarlo, porque se considera, entre los
métodos no analíticos, como el más simple y flexible, cuando se dispone de una plataforma
adecuada. Dicha metodología implica la convolución de las distribuciones de frecuencia y
severidad para luego generara la distribución de pérdidas.

19
Los resultados obtenidos aplicando SMC se muestran en la tabla 4. En ella se tienen,
respectivamente, los valores esperados de 1000 iteraciones de las convoluciones entre las
distribuciones de frecuencia y severidad, inicialmente tomando una combinación Poisson-
Triangular; y luego una combinación Poisson-Uniforme, para cada evento de riesgo.
Por ejemplo, el 18. Significa que para el siguiente año, la pérdida esperada por fraude
externo es 18.000.000 de pesos. En forma análoga se interpretan los otros datos.
Esta información sería esencial para la entidad, no sólo porque las provisiones requeridas
por la normativa, expresadas en términos de activos ponderados por riesgo, están en
función de esas pérdidas, sino también para tener menor incertidumbre en su capital de
trabajo.
Tabla 4.

20
Los totales en las columnas de la tabla anterior indican, respectivamente, la pérdida
operacional total esperada para el siguiente año en la línea de negocio, según cada modelo.
En la figura 3. Se muestra la correspondiente función de distribución de pérdidas para el
evento fraude externo.
Cálculo de la carga de capital
Después de estimar las distribuciones de probabilidad de la frecuencia y de la severidad, el
proceso de la carga de capital se hace con una de las dos definiciones planteadas
anteriormente. Los resultados respectivos se muestran en la tabla 4. En las columnas cinco
y seis se muestra la carga de capital aplicando la definición dos. Siempre será preferible
para cada entidad disponer del modelo que genere la mínima pérdida operacional total, ya
que los supervisores aceptarán este cálculo siempre que la entidad demuestre claramente
21
que su modelo de cálculo satisface los criterios de solidez para modelos de medición
avanzada, establecidos por Basilea II.
Intervalos de confianza
El procedimiento anterior proporciona una cuantificación de la carga de capital que por
naturaleza es incierta. Se puede conjeturar que los reguladores esperarán que la estimación
no esté lejos de su valor real. Esto es un punto crucial en la modelación del riesgo
operacional debido a que la falta de datos normalmente puede traducirse en cierta
inexactitud en la cuantificación de la carga de capital. Como consecuencia de lo anterior, el
intervalo de confianza es la herramienta básica para justificar la estimación de la carga de
capital, dado que se deben hacer numerosas simulaciones cuando se carece de datos.
La inexactitud de la carga de capital se asocia directamente a la inexactitud de los
estimadores de los tres parámetros subyacentes de las distribuciones de probabilidad. Esto
implica que para la construcción de un intervalo de confianza para la carga de capital se
puede realizar de la siguiente forma:
Primero, obtener (en algunos casos, aproximada) la distribución de los estimadores
subyacentes; luego, correr un número suficientemente de simulaciones de estas
distribuciones y finalmente, para cada simulación, obtener su distribución empírica para
calcular la carga de capital.
En las tablas cuatro y cinco se presenta la normalización para la pérdida esperada en el
evento y línea considerados; y en la tabla cinco se muestra las correspondientes pruebas de
normalidad.
22
Gráfica 4. Histogramfor MEAN
Gráfico 5. Quantile-Quantile Plot
Tabla 5. Tests for Normality for MEAN

23
Fuente: Resultados de @Risk

24
Referencias
(2008). Jiménez R, Enrique., Feria D, José M., Martín M, José L. Enfoque de Medición de
Riesgo Operacional en la Banca. Tomado de:
https://www.researchgate.net/publication/28263258_Enfoques_de_Medicion_de_Riesgo_
Operacional
(2019). Retrieved 4 September 2019, from
https://www.researchgate.net/profile/Luis_Masmela2/publication/304232124_Distribu
cion_Poisson-
Pascal_generalizada_utilizando_el_algoritmo_de_Panjer/links/5ca148e592851cf0aea5
6795/Distribucion-Poisson-Pascal-generalizada-utilizando-el-algoritmo-de-Panjer.pdf
(2019). Retrieved 4 September 2019, from
https://previa.uclm.es/profesorado/licesio/Docencia/mcoi/Tema4_guion.pdf
Franco Arbeláez, L., & Murillo Gómez, J. (2019). Loss Distribution Approach (LDA):
actuarial methodology apply to operational risk. Retrieved 4 September 2019, from
http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S1692-
33242008000200011
Sugrades, L. (2019). Convolución. Retrieved 4 September 2019, from
http://www.dimages.es/Tutorial%20A.I/definitions/convolucion.htm
Transformada rápida de Fourier. (2019). Retrieved 4 September 2019, from
https://es.wikipedia.org/wiki/Transformada_rápida_de_Fourier
Villalba, G., Hormiga, S., & Herrera, L. (2019). Modelo LDA para medición avanzada de
riesgo operacional*. Retrieved 4 September 2019, from
http://www.redalyc.org/jatsRepo/818/81855411002/html/index.html

Medición Del Riesgo Modelos IMA LDA

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Medición Del Riesgo Modelos IMA LDA

Cargado por

Copyright:

Formatos disponibles

1

Modelos AMA para medición de RO

Modelo De Medición Interna (IMA).....................................................................................3

Aplicación del modelo IMA con un Modelo Binomial............................................................4

Modelo de Distribución de Pérdidas LDA............................................................................7

Métodos para encontrar la distribución de pérdidas agregadas, LDA............................11

Aplicación del modelo LDA............................................................................................13

Modelo De Medición Interna (IMA)

En el desarrollo del enfoque IMA (Internal Measurement Approach), el Comité (2001b) se

con los siete tipos de riesgo operacional a través de la matriz de combinaciones

“línea de negocio (i) / tipo de riesgo (j)”.

 Dentro de cada combinación, el supervisor determina un Indicador de Exposición

(Exposure Indicator, EI ij ): aproximación al tamaño (cantidad) de la exposición al

determinar, sobre la base de datos internos de pérdidas, los siguientes parámetros:

(i) (Probability of Loss Event), representa la probabilidad de un evento de pérdida

determina el perfil de riesgo específico del banco en comparación con la industria. -

 El capital requerido para cada combinación (K IMAij ) se obtiene como el producto

de un parámetro denominado gamma (γ ij ) y EL ij . Por tanto, y asumiendo que la

pérdida no esperada es directamente proporcional a la pérdida esperada, el factor

gamma convierte la pérdida esperada en una carga de capital:

 Finalmente, el capital regulatorio (K IMAij ) por riesgo operacional de una entidad

financiera, en su conjunto sería igual a la suma de los productos resultantes:

Aplicación del modelo IMA con un Modelo Binomial

 EL ij = N: Indicador de Exposición, se materializa en el modelo por el número de

eventos susceptibles de generar pérdidas operacionales, durante un intervalo de

tiempo establecido; el Comité (2006a: 151) propone un horizonte temporal de un

 PE ij = p: Probabilidad de que acontezca una pérdida operacional. Por lo que (1-p)

representará la probabilidad de que la pérdida sea igual a 0.

 LGE ij = L: Denota la cuantía esperada de la pérdida una vez ocurrido el evento. L

es una variable aleatoria de media, µ L , y desviación típica, σ L

Si suponemos L constante y asumimos la independencia entre los eventos de

pérdidas, los parámetros N y p y la variable aleatoria L corresponderán a una

durante 1 año, se expresaría de la siguiente forma:

Recordemos que, en la modelización del riesgo de mercado, es frecuente la

utilización del enfoque paramétrico basado en la asunción de normalidad. Bajo esta

hipótesis, el capital puede estimarse como un múltiplo de la desviación típica. Así,

por ejemplo, para un nivel de confianza estadística del 95%, existe un 5% de

probabilidad de incurrir en una pérdida superior a 1,65 veces la desviación típica de

la cartera o para un intervalo de confianza del 99,9%, un 0,1% de probabilidad de

que ocurre con el riesgo de crédito, la distribución de pérdidas operacionales no

izquierda de la media. Este aspecto se puede resolver incrementando el

multiplicador, en función del grado de asimetría positiva que tenga la distribución

Pézier (2001), estiman k en un valor aproximado2 a 7. En consecuencia, el capital

requerido se determinaría así:

El multiplicador k lo podemos formular como:

Conocido L y para una p relativamente pequeña3 , la desviación típica de las

pérdidas será, aproximadamente:

En consecuencia, si (N·p) representa el número medio de eventos que provocan

pérdidas operacionales y suponemos k constante, podemos afirmar que: para

sucesos de alta frecuencia (p grande) gamma resultará pequeña y, por el contrario,

comprensión de esta metodología, en la tabla 1 reflejamos los datos y parámetros

correspondientes a dos casillas de la matriz: Banca Minorista/Ejecución y Entrega

de Procesos y Banca Corporativa/Fraude Interno. En la primera celda podrían

encuadrarse las “diferencias de caja”, esto es un tipo de pérdida de alta frecuencia y

menor que la pérdida esperada, como podemos observar en la tabla 1. En cambio, la

segunda combinación – por ejemplo, aquella asociada a las “actividades no

autorizadas” (caso Barings o Sumitomo)– se asocia a pérdidas de baja frecuencia y

alta severidad. Ahora en cambio, gamma tendrá un valor superior a la unidad, lo

cual conduce a un nivel de KIMA mayor que la pérdida esperada (EL).

Modelo de Distribución de Pérdidas LDA

naturales importadas de técnicas actuariales, para ser aplicadas en situaciones específicas

que caracterizan el riesgo operacional, y en particular cuando hay escasez de datos.

de datos tiene un impacto dramático en la carga de capital, por lo que, en metodologías