Операционный риск: моделирование экстремальных потерь

Согласно результатам исследования компании Chartis, финансовому сообществу во время рецессии следует ожидать увеличения числа случаев внутреннего мошенничества, нарушений в системах безопасности и случаев фальсификации отчетности.

Розничное кредитование в России пережило бум. Объем кредитов, выданных населению, увеличился с 538 млрд руб. в начале 2005 г. до 4 трлн руб. осенью 2008 г. Одновременно росла и просроченная задолженность. За первые 7 месяцев 2008 г. ее объем увеличился на 26,9%, составив 122,3 млрд руб. Осенью 2008 г. кризис приостановил темпы кредитования, однако в IV кв. 2009 г. банки стали реанимировать розничные программы.

Недостаток внутренних данных об операционных потерях следует восполнять статистикой других организаций и использованием сценарного анализа. Основными источниками внешней статистики являются покупные базы данных (71%), консорциумы (48%) и собственные базы данных для сбора информации из СМИ (33%).

Согласно исследованию, проведенному Базельским комитетом в 2008 г., около 30% AMA-банков используют для моделирования severity два распределения (для «тела» и «хвоста» потерь), при этом большинство (порядка 31%) из них применяют для моделирования «хвоста» обобщенное распределение Парето (GPD).

В отличие от моделирования размера потерь при выборе распределения для частоты событий банки проявляют большее единодушие. В среднем 93% АМА-банков используют распределение Пуассона, 19% применяют отрицательное биномиальное распределение. Их параметры, как правило, оцениваются по внутренним данным.

По данным Базельского комитета, в 2008 г. 119 организаций из 17 стран мира представили накопленные данные об операционных потерях. Почти у половины банков (53 из 119) размер выборки не превышал 2,5 тыс. событий по всем видам риска.

Внедряемый Банком России подход, описываемый в Положении Банка России от 03.11.2009 № 346-П «О порядке расчета размера операционного риска», а фактически Business Intelligence (BI), дает верхнюю оценку операционного риска (ОР) и малоприменим к конкретной практике управления бизнес-процессами внутри банка. Продвинутые подходы, в том числе и LDA, упираются в массу проблем: нет репрезентативной ретроспективной статистической базы внутри банка и методик сведения данных из внешних баз, нет общепринятого решения для аппроксимации распределения частот и значимости событий ОР, нет корректной агрегации оценок ОР в целом по банку и т.д.
В этом контексте статья представляет большой интерес для практикующих риск-менеджеров. В ней предложены пути решения и получены конкретные результаты для одной из ячеек реализации ОР в карте рисков. Статья иллюстрирует, насколько сложна и трудоемка реализация метода LDA в российской практике, какое количество допущений приходится принимать, чтобы оценить риски только в одной ячейке карты ОР, насколько свободно автор владеет материалом в данной предметной области. В связи с этим значительный интерес представляют применение и развитие описанного подхода к другим элементам карты рисков универсального банка.

В результате расчетов методом Монте-Карло была сформирована выборка, отражающая распределение величины совокупных потерь в результате реализации риска внутреннего мошенничества в розничном кредитовании (рис. 5). Величина 95,5% VaR, равная сумме ожидаемых и непредвиденных потерь, составляет 497,2 млн руб., то есть с вероятностью 95,5% можно утверждать, что совокупные потери, понесенные банком в течение квартала, не превысят указанной суммы. Напомним, что в настоящей статье речь идет о некоторой абстрактной кредитной организации, выдающей в течение квартала примерно 21 млрд руб. розничных кредитов, при этом чистый процентный доход от операций физических лиц за такой же период составляет около 6,4 млрд руб. Среднее количество событий l было установлено пропорционально этому доходу.