Bayesian inference methods in operational risk

• Main Author: Dahlberg, Erik Axel
• Format: Others
• Language: English
• Published: KTH, Matematisk statistik 2015
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-168628

Under the Advanced Measurement Approach (AMA), banks must use four different sources of information to assess their operational risk capital requirement. The three main quantitative sources available to build the future loss distribution are internal loss data, external loss data and scenario analysis. The fourth source, business environment and internal control factors, is treated as an ex-post update to capital calculations and is not a subject of this thesis. Ap- proaches from Extreme Value Theory (EVT) have gained popularity in the area of operational risk in recent years, with its focus on the behaviour of processes at extreme levels making it a natural candidate for operational risk modelling. However, the adoption of EVT in operational risk modelling has encountered several obstacles with the main one being the scarcity of data leading to substantial statistical uncertainty for both parameter and capital estimates. This Master thesis evaluates Bayesian Inference approaches to extreme value estimation and implements a method to reduce these uncertainties. The results indicate that the Bayesian Inference approaches gives a significant reduction of the statistical uncertainties compared to more traditional estimators and also performs well when applied on real-world data sets.  === När Advanced Measurement Approach skall implementeras krävs det att banker använder fyra olika informationskällor för att bedöma sitt kapitalkrav för operationell risk. De tre kvantitativa källorna som används för att bygga den framtida förlustdistributionen är intern förlustdata, extern förlustdata och scenarioanalys. Den fjärde källan, affärsmiljö och interna kontrollfaktorer, behandlas som en ex-post-uppdatering till kapitalberäkningen och är inte ett föremål för denna uppsats. Extremvärdesmetoder har ökat i popularitet inom operationell risk de senaste åren där deras fokus på processers beteende på extremnivåer är väl lämpat för operationell riskmodellering. Likväl har införandet av extremvärdesmetoder i operationell riskmodellering stött på flera hinder varav bristen på lämplig data är den största. Denna brist leder till väsentlig statistisk osäkerhet för både parameter- och kapitalestimat. Detta examensarbete utvärderar Bayesianska Inferensmetoder för extremvärde- sestimering och implementerar en metod för att reducera nämnda osäkerheter. Resultaten indikerar at de Bayesianska metoderna ger en signifikant reduktion av de statistiska osäkerheterna jämfört med mer traditionella metoder. Också när metoden används på verklig förlustdata uppnås låg osäkerhet.