Story Transcript
La Cuantificación del Riesgo Operacional (más que un requerimiento del supervisor una necesidad para ser eficientes) Noviembre 2005
Octubre 2005
Introducción Es del conocimiento general que: • • • • •
significa riesgo operacional el supervisor evalúa la gestión integral de riesgos, pero… los bancos generan lucro cesante aun persiste un alto nivel de descontrol sobre el riesgo operacional en teoría se sabe como cuantificar el riesgo operacional
Lo que puede tener cabida a duda puede ser: • • • •
Octubre 2005
el método para cuantificar el riesgo operacional que entre más riesgo operacional se asume no incremento el rendimiento que los indicadores de gestión no indican nada concreto respecto al riesgo operacional que los factores críticos de éxito de la planificacíón estratégica son los componentes del riesgo operacional
2
Convertir lo abstracto en algo más objetivo…
Identificar para controlar: * Riesgo * Riesgo * Riesgo * Riesgo
Errores en el procesamiento de transacciones (Back office)
de procesamiento de transacciones Legal / Litigios de Cumplimiento de Seguridad
Inadecuada documentación
Cumplimiento de regulaciones Fraudes, crimenes, robos
Se excluye: * Riesgo de reputación * Riesgo de negocios * Riesgo estratégico
Octubre 2005
Fuente:
RMA Marcelo Cruz, Modeling Operational Risk Model
3
Origen de la gestión de riesgo operacional Requerimientos de Capital por Tipo de Riesgo Valor monetario
Crédito Crédito
+
Mercado Mercado
+
Valor monetario
Operacional Operacional
El principal fin es maximizar la rentabilidad, buscando mejorar la gestión en las operaciones relacionadas a las principales líneas de negocios de la institución. Complementado con el apoyo organizado de la función informática
Componentes de riesgo operacional
Octubre 2005
• Tecnología • Procesos • Personas • Eventos externos
=
Capital Capital Regulatorio Regulatorio
Mejorar Mejorar eficiencia eficiencia Reduciendo Reduciendo el el costo costo del capital del capital inmovilizado inmovilizado yy aprovisionado aprovisionado
Gestión de riesgo operacional
4
Los Modelos de Eficiencia
Octubre 2005
La gestión bancaria y los modelos de eficiencia
Procesos
Procesos de soporte
Procesos de negocios
Gente
Procedimientos
Procesos de control
Tecnología Tecnología
Elementos operacionales Infomación
Infraestructura de soporte
Octubre 2005
Infraestructura física
Infraestructura de negocios
Infraestructura de control
6
Indicadores de Desempeño y Riesgo
Institución Financiera
KPI1
Planificación
Misión Objetivos Limitantes Factores críticos de éxito
KRI1
KPI = Key Perfomance Indicator = Metas y objetivos KRI = Key Risk Indicator = Factores críticos de éxito
KPI2 KRI2
KPI3 KRI3
…
KPIn KRIn
Plan estratégico La Institución Financiera debe evaluar, además de los factores críticos de éxito (KRI), la recursividad de los mismos a los indicadores de rendimiento (KPI).
Octubre 2005
7
Modelos de eficiencia Valor Ecónomico Agregado (EVA)1 RENDIMIENTO NETO
= INGRESOS
RAROC3
CAPITAL ECONOMICO
MENOS
COSTOS RENDIMIENTO NETO
MENOS
PERDIDA ESPERADA
VALOR ENRIESGO RIESGO (VeR) =2 ELG2 VALOR EN (VeR) = ELG
CAPITAL ECONOMICO
IGUAL A
RENDIMIENTO BRUTO
MENOS
RENDIMIENTO BRUTO AJUSTADO POR RIESGOS
MULTIPLICADO POR TASA INTERNA DE RETORNO
MENOS IGUAL A
IMPUESTO EVA
IGUAL A
RENDIMIENTO NETO
RENDIMIENTO NETO AJUSTADO POR RIESGOS 1: Economic Value Added 2: ELG: Expectative Loss Given 3: RAROC: Risk Adjusted Return of Capital
Octubre 2005
8
El cuadro de mando gerencial (Balanced Scorecard) ¿Qué es el Cuadro de Mando Gerencial? Conocido como también como “tablas de control” o “cuadro de mando interno, proporcionan una medio para traducir las evaluaciones cualitativas en datos cuantitativos y fortalece el control de la gestión empresarial. “Es más que un conjunto de indicadores desordenados que informan la marcha de los aspectos más relevantes de la organización.” (Amat,1999) Características 1. 2. 3.
Alinea los objetivos de corto plazo con los objetivos de largo plazo Los indicadores se construyen con la participación de los directivos a partir de la estrategia de la organización Los indicadores se formulan en torno a cuatro perspectivas: • • • •
Octubre 2005
Mejora en los empleados Mejora de los procesos Satisfacción de los clientes Resultados económicos - financieros
Resultados Resultados económicos económicos -- financieros financieros
Satisfacción Satisfacción de de los los clientes clientes
Mejora Mejora de de los los procesos procesos
Mejora Mejora de de los los empleados empleados
9
Cuantificación sensible a los riesgos
Octubre 2005
El Enfoque Avanzado El mé método de medició medición avanzada, requiere que desarrolle un marco operativo robusto que permita construir los canales para: •
Desarrollar la base de datos de eventos de pérdida
•
La matriz de riesgos operacionales por líneas de negocios, servicios o productos
EL = EI x PE x LGE Probabilidad Probabilidad de de pérdida pérdida Indicador Indicador de de exposición exposición Severidad Severidad media media de de la la pérdida pérdida
Octubre 2005
11
El método de medición interna La matriz de riesgos debe tener calculado los tres componentes para para el tipo de eventos de pé pérdida por lí línea de negocios (El (Elij) Recordemos para cada celda se calcula la pé pérdida esperada:
ELij = IEij * PEij * LGEij Eventos de P•rdida L’nea de Negocio Finanzas Corporativas
Fraudes Internos
Fraudes Externos
É.
IE12 PE12 LGE12
Negociaci— n y Ventas
É
Octubre 2005
12
El método de medición avanzada El mé método de medició medición avanzada (AMA), estipula que el requerimiento de capital regulador será será igual a la medida de riesgo generada por el sistema interno de medició medición del riesgo operativo del banco, mediante los criterios cualitativos cualitativos y cuantitativos que tanto las mejores prá prácticas como el regulador dicten.
Cálculo Cálculo del del capital capital requerido requerido por por riesgo riesgo operacional operacional
Octubre 2005
Método Método Indicador Indicador Básico Básico Método Método Estándar Estándar
Orientado Orientado aa los los Ingresos Ingresos
Método Método Avanzado Avanzado
Orientado Orientado aa las las Pérdidas Pérdidas
13
Evaluación, medición y cálculo de capital
PERDIDA POR EVENTOS 31,005,200 30,950,520 30,760,900 30,350,850 30,333,110
155,315 125,112 116,520 115,400 30,650
DISTRIBUCION TOTAL DE PERDIDAS
FRECUENCIA FRECUENCIA DE DE LOS LOS EVENTOS EVENTOS
0
EVENTOS DE PERDIDA
1
2
3
4
SEVERIDAD SEVERIDAD DE DE LOS LOS EVENTOS EVENTOS
SIMULACION SIMULACION DE DE MONTE MONTE CARLO CARLO
Media Perc. 99vo PERDIDA AGREGADA ANUAL
0-10 11-20 21-40 41-70 >70
Fuente:
Octubre 2005
Marcelo Cruz Alí Samad Khan
14
Medición del Riesgo Operativo
R I E S G O O P E R A T I V O
Octubre 2005
Base de datos de eventos de riesgo operativo
Escoger Distribución
Estimación de parámetros
Ajuste del Modelo
Probar el Modelo
Rechazar
Aceptar Modelo
15
Modelo de Impacto - Distribuciones probabilisticas Distribuciones
Función de Densidad
Normal f( x)=
Lognormal
Normal Inversa
Exponencial
Octubre 2005
1 x − µ 2 exp − σ > 0 σ 2 2π 1
− z2 f(x)= exp 2 xσ 2 π 1
1/ 2
θ f(x)= 2πx 3
− θz 2 exp 2 x
z=
log x − µ σ
z=
x−µ µ
( x − θ f ( x ) = λ−1 exp − x > θ, λ > 0 λ
16
Modelo de Impacto - Distribuciones probabilisticas
Distribuciones
Función de Densidad
Weibull
α α −1 −( x / β )α f(x)= α x e β Pareto
f(x)=
Octubre 2005
αθ ( x + θ )α +1
17
Modelo de Frecuencia - Distribuciones probabilisticas Distribuciones
Función de Masa
Poisson
e − λ λk f(k )= k!
Binomial negativa
k + x − 1 1 p k = x 1 + β
Binomial
Octubre 2005
β 1 + β
k
m k p k = p ( 1 − p ) m − k k βk pk = ( 1 + β ) k +1
Geométrica Hipergeométrica
r
D M − D x n − x f(x)= M n
M representa el número de grupos de ítems individuales D es un número que representa un cierto número de una característica deseable en particular.
18
Modelo de Impacto - Parámetros Distribuciones
Parámetros a estimar
Normal
n
µ= Lognormal
j =1
n
n −1
n
∑x
∑ (z n
j =1
σˆ =
j =1
j
θˆ =
n λ=
2
j =1
σ=
− z)
2
j
n −1 n ∑xj j =1 n
n
µˆ =
n ∑xj j =1 n
3
n ∑xj j =1 − n
2
1 n
∑X j =1
Octubre 2005
∑ ( Xj − X )
j
µˆ = z
Normal Inversa
Exponencial
∑X
j
/n
19
Modelo de Impacto - Parámetros
Distribuciones
Weibull
Parámetros a estimar
c=
Pareto
n
2 ∑ xj j =1
n α= n
2 ∑ xj j =1
n
Octubre 2005
α=
c ln( a )* log( b ) β= c −1
ln(ln( 4 )) ln( b ) − ln( β )
ln(ln( 4 )) = −0.262167 4 ln(ln( )) 3
2
n ∑xj j =1 − n
n ∑ xj j =1 − 2 n
2
n n 2 ∑ xj ∑ xj j =1 − j =1 n n θ= n 2 n ∑xj ∑ xj j =1 − 2 j =1 n n
20
Modelo de Frecuencia - Parámetros Distribuciones
Parámetros a estimar
Poisson
∞
λ=
∑ kn i =0 ∞
∑n k =0
Binomial negativa
k
n k nk ∑ knk ∑ k =0 rβ( 1 + β ) = − k =0 n n
n
n
rβ =
k
∑ kn k =0
n
2
k
Binomial
2
m
p=
Nro.deeventosobservados 1 = Nro. max i mod eeventosposibles m
∑ Kn k
k =0 m
∑ nk
k =0
Geométrica
Octubre 2005
1 ∞ β = ∑ knk n k =1 21
Modelo de Impacto - Distribuciones probabilisticas
Se realiza un contraste de hipótesis para comprobar la bondad de ajuste, esto con el objeto de evaluar la calidad de la distribución ajustada. Para ello una de las pruebas recomendada es la de Kolmogorov Smirnov.
Pruebas de Kolmogorov Smirnov Esta prueba verifica básicamente la diferencia en ajuste entre la distribución empírica y la ajustada. En términos generales, la prueba Kolmogorov-Smirnov sirve para encontrar el grado de confianza con que se puede afirmar que un conjunto de datos sigue un comportamiento semejante al que se propone como representativo. Este comportamiento propuesto frecuentemente se representa por la ecuación que describe la distribución que, se presume, tienen los datos.
Octubre 2005
22
Modelo de Impacto - Distribuciones probabilisticas
Pruebas de Kolmogorov Smirnov Encuentre la máxima diferencia en valor absoluto entre la probabilidad acumulada observada y la esperada (Dmax). (Dmax (Fn(x)- F(x)) La Hipótesis nula que se plantea es: Ho: F(x)obs = F(x) teo
Si p-valor < α à Se rechaza Ho al nivel de significación α por lo tanto no se puede aceptar como representativo el comportamiento propuesto
Si p-valor > α à No se rechaza Ho, no se encuentra evidencia estadística para afirmar que los datos siguen otro comportamiento que el propuesto, dado el nivel de significación
Octubre 2005
23
Modelo de Impacto - Distribuciones probabilisticas
Pruebas de Kolmogorov Smirnov Ho: Distribuye Exponencialobs = Distribuye Exponencial teo Prueba de Kolmogorov-Smirnov para una muestra Monto reclamado N
113
Parámetro exponencial. Diferencias más extremas
a,b
Media
440243,97
Absoluta
,126
Positiva
,126
Negativa
Z de Kolmogorov-Smirnov Sig. asintót. (bilateral) a. La distribución de contraste es exponencial.
-,105 1,344 ,054
0.054>0.05 No se rechaza Ho
b. Se han calculado a partir de los datos.
Octubre 2005
24
Modelo de Frecuencia - Contraste de hipótesis Prueba Ji cuadrado
Los grados de libertad serían K-r-1 Donde: k es la muestra r el número de parámetros
Ahora bien:
En el ejemplo los grados de libertad serían:
Si el p-valor < α à Se rechaza Ho
K-r-1 = 20-1-1=18
Si el p-valor ≥ α à no se rechaza Ho
α: nivel de significación, estos pueden ser 1%,5% y 10% (usualmente se emplea el 5%) Haciendo referencia al ejemplo desarrollado se obtuvo lo siguientes resultados de la prueba de bondad de ajuste de la X2. Estadístico
Grados de libertad
p-valor
0.000
18
1.000
Por lo tanto no existe evidencia para rechazar Ho, lo que indica que efectivamente los datos se distribuyen como una Poisson.
1.000 > 0.05
Octubre 2005
25
Modelo de Impacto - Distribuciones probabilisticas
Gráficos de distribución de probabilidades o QQ Plot
Lognormal gráfico Q-Q de Monto reclamado 4 00 00 00
Valor Lognormal esperado
3 00 00 00
2 00 00 00
Exponencial gráfico Q-Q de
1 00 00 00
Monto reclamado 3000000
0
Normal gráfico Q-Q de -1 00 000 0
1 00 00 00
2 00 00 00
30 00 00 0
4 00 00 00
Valor observado
3 00 00 00
2 00 00 00
Valor Normal esperado
0
1 00 00 00
0
5 000 00 0
6 00 00 00
70 00 00 0
Valor Exponencial esperado
-1 00 00 00
Monto reclamado
2000000
1000000
0
-1000000 -1000000
0
1000000 2000000
3000000
4000000 5000000
6000000
7000000
Valor observado
-1 00 00 00
-2 00 00 00 -2 00 000 0
0
20 00 00 0
4 00 00 00
Valor observado
Octubre 2005
60 00 000
80 00 00 0
Mejor Ajuste 26
Valor en Riesgo Operacional
Severidad Prob
Prob
Tamaño de la pérdidas
∞
*n
∑pnFx(X)
n=0
Octubre 2005
Frecuencia
Prob
Número de pérdidas
Se requiere resolver por simulación
Agregación de pérdidas No hay solución análitica
27
Valor en Riesgo Operacional
N•meros aleatorios Severidad generados con distribuci—n Poisson (Lamda = 0,69) CORRIDA 1.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00 11.00 12.00 13.00 14.00 15.00 16.00 17.00 18.00 19.00 20.00 21.00 22.00 23.00 24.00
Octubre 2005
FRECUENCIA 0.00 3.00 1.00 0.00 0.00 0.00 1.00 1.00 1.00 3.00 0.00 3.00 1.00 0.00 1.00 2.00 0.00 0.00 4.00 2.00 2.00 3.00 0.00 1.00
Distribuci—n Log Normal
Par‡metros 7.20
3.90
Modelo de simulaci—n para la agregaci—n de pˇrdidas ·P n*Fn(x)
1.00
1er Evento
2.00
2do Evento
3.00
3er Evento
0.79 0.47
32897.53 968.57
0.29
149.51
0.67
7673.45
0.76 0.48 0.61 0.03
21547.60 1130.74 4111.20 0.66
0.64
5621.41
0.84
61547.48
0.45 0.63
856.72 4833.45
0.73
15141.83
0.81
39367.63
0.41 0.25
534.32 90.83
0.32
210.69
0.93 0.51 0.06 0.94
427746.83 1488.65 3.13 539569.70
0.35 0.81 0.55 0.17
304.69 41055.20 2146.31 33.01
0.65
6344.72
0.13
17.15
0.39
473.18
4.00
4do Evento
TOTAL 40,720.49 968.57 21,547.60 1,130.74 4,111.20 67,169.55 55,366.17 4,833.45
0.64
5450.25
534.32 301.52 433,518.91 42,543.85 2,149.44 540,075.90 6,344.72
TOTAL ORDENADO 36,819.44 32,175.09 25,158.55 23,805.24 10,402.69 3,559.74 3,348.99 2,413.68 2,286.17 665.79 444.31 421.89 208.10 138.84 93.79 -
CUANTILES 95.83% 91.67% 87.50% 83.33% 79.17% 75.00% 70.83% 66.67% 62.50% 58.33% 54.17% 50.00% 45.83% 41.67% 37.50% 33.33% 29.17% 25.00% 20.83% 16.67% 12.50% 8.33% 4.17%
28
Ordenamiento por cuantiles y los niveles de confianza
El nivel de confianza El nivel de confianza que debe tomarse estará definido por la unidad designada para administrar riesgos, sin embargo es muy importante el extremo conservador que se desee aceptar.
Nivel de Confianza Valor en Riesgo
Octubre 2005
99% 3,552,101.50
95% 1,600,890.75
29
La prueba del modelo El backtesting como su nombre lo sugiere, es una prueba secuencial de un modelo versus la realidad para comprobar la precisión de sus pronósticos. Las estimaciones del modelo son comparadas con los valores actuales en un cierto período. Los resultados del basktesting son usados para validar un modelo y la gestión de riesgo, los reguladores los usan para verificar el grado de precisión de un modelo. Fecha 01 Ene 2005 03 Ene 2005 04 Ene 2005 05 Ene 2005 07 Ene 2005 11 Ene 2005 12 Ene 2005 14 Ene 2005 16 Ene 2005 19 Ene 2005 18 Ene 2005 21 Ene 2005 26 Ene 2005 27 Ene 2005 29 Ene 2005
Octubre 2005
VaR 36,819.44 32,175.09 25,158.55 23,805.24 10,402.69 3,559.74 23,543.00 12,500.01 1,505.55 6,999.00 16,750.23 34,540.00 16,435.22 12,345.65 1,545.35
Pˇrdidas 32334.00 33001.20 20125.55 18850.55 12000.00 1500.00 20000.00 11000.00 200.00 5000.00 12500.00 31500.00 12345.25 100.00 1560.00
Diferencia 4485.44 -826.11 5033.00 4954.69 -1597.31 2059.74 3543.00 1500.01 1305.55 1999.00 4250.23 3040.00 4089.97 12245.65 -14.65
Indicador 0 1 0 0 1 0 0 0 0 0 0 0 0 0 1
Violaciones = ∑(I=1) Violaciones esperadas = α*periodo donde α = 1 - (Nivel de confianza)
30
El beneficio de manejar los aspectos cualitativos y cuantitativos
Octubre 2005
Práctica de Gestión de Riesgo Operacional ANALISIS ADECUACION/GESTION ASIGNACION DE INGRESOS * LN EVALUACION DE CONTROLES ANALISIS CUALITATIVO
DETERMINACION DE FRECUENCIA DETERMINACION DE SEVERIDAD MAPA DE RIESGOS
RIESGO OPERACIONAL
BASE DE DATOS DE EVENTOS DETERMINACION DE FRECUENCIA ANALISIS CUANTITATIVO
DETERMINACION DE SEVERIDAD VaR RIESGO OPERACIONAL
Fuente: Metodología D&A
Octubre 2005
32
El valor de combinar los dos aspectos… Capa Cualitativa
Analizar Analizar causas causas de de eventos eventos
Mencionar Mencionar eventos eventos
Identificar Identificar Eventos Eventos pasados pasados
Capa Cuantitativa
Mapa Mapa de de riesgos riesgos
Analizar Analizar causas causas de de eventos eventos materializados materializados
Identificar Identificar Eventos Eventos potenciales potenciales
Control Control de de riesgos riesgos
Análisis Análisis comparativo comparativo por por Scorign Scorign
Gestión Gestión de de Capital Capital
Medidas Medidas de de prevención prevención
Analizar Analizar causas causas de de eventos eventos potenciales potenciales
Medidas Medidas de de detección detección
La Gestión de Riesgo Operacional
BD Eventos y pérdidas
Escenarios Escenarios de de riesgo riesgo potenciales potenciales
Capa de auditoría e Inspección
Asignación Asignación de de Capital Capital
Medición de Riesgos (Líneas de negocios y tipos de riesgos)
Transferencia Transferencia de de Riesgos Riesgos
Método Método del del VaR VaR Análisis Análisis de de escenarios escenarios
Gerencia Gerencia Integral Integral del del RO RO
Revisión Revisión de de los los reguladores reguladores yy auditoría auditoría
Cuadro de mando gerencial (Balanced Scored Card) Octubre 2005
33
Lo bueno de la gestión de riesgo operacional…
Octubre 2005
Tomar más riesgo operacional no me genera beneficio alguno…
Riesgo
Riesgo
Crédito y/o Mercado
Beneficio
Beneficio
Operacional
Octubre 2005
35
Beneficios de la gestión de RO
• • • • • • • • •
Octubre 2005
Identifica las pérdidas contables y extra contables El capital regulatorio es sensible al perfil de riesgo de la organización Se fortalece la cultura corporativa (Estrategia) Se conocen los riesgos y su taxonomía Se desarrollan planes para su mitigación Se evalúa el costo beneficio de su mitigación Se crea un proceso continuo de mejora a través del monitoreo Se crean los indicadores de rendimiento y riesgo Conocemos que destruye el ROE y no contribuye al ROA
36
Pérdida del riesgo operacional EXPLICITAS EXPLICITAS CONTABLES CONTABLES IMPLICITAS IMPLICITAS PROBABILIDAD DISTRIBUCION DE PERDIDAS TOTALES PERDIDAS FRECUENTES
LUCRO LUCRO CESANTE CESANTE
PERDIDAS POCO FRECUENTES
ESPERADAS
INESPERADAS
Media
99vo percentil
PERDIDA AGREGADA ANUAL
Octubre 2005
NO NO CONTABLES CONTABLES
GARP 2003
37