یادگیری ماشین در تخمین سرمایه پوششی ریسک عملیاتی بانک ها با رویکرد توزیع زیان

ریسک عملیاتی یکی از مهم ترین ریسک های موسسات مالی است. توجه به آن پس از مصوبات کمیته بال، در سراسر دنیا آغاز شده است. افزایش روزافزون زیان های عملیاتی در خطوط کسب و کار مختلف سبب شده است تا توجه مدیران موسسات مالی معطوف به حوزه ریسک عملیاتی شود. در این پژوهش، روشی جهت تخمین آستانه مناسب برای داده های شدت زیان عملیاتی و همچنین روشی جهت طبقه بندی داده های شدت زیان عملیاتی ارایه شده است و سرمایه مورد نیاز برای پوشش ریسک عملیاتی با تجمیع تابع توزیع شدت و فرکانس داده های زیان عملیاتی و شبیه سازی مونتکارلو به دست آمده است. همچنین وابستگی بین سلول های ماتریس خطوط کسب و کار و حوادث ضررساز نیز مورد بررسی قرار گرفته است. برای این پژوهش داده های زیان عملیاتی مربوط به یک مجموعه بانکداری شامل چند بانک آسیایی، اروپایی و آمریکایی به کارگرفته شده است. نتایج پژوهش حاکی از آن است که رویکرد توزیع زیان با ترکیب تیوری مقدار بحرانی و الگوریتم های یادگیری ماشین (خوشه بندی)، همچنین رویکرد توزیع زیان با ترکیب الگوریتم های یادگیری ماشین (طبقه بندی)، نسبت به سایر روش ها کارآمدتر است.