کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6855141 1437608 2018 28 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
An integrated inverse adaptive neural fuzzy system with Monte-Carlo sampling method for operational risk management
ترجمه فارسی عنوان
یک سیستم فازی عاملی سازگار با یکپارچه با روش نمونه گیری مونت کارلو برای مدیریت ریسک عملیاتی
کلمات کلیدی
نمونه برداری مونت کارلو، یکپارچه سیستم فازی عصبی تطبیقی، رویکرد توزیع زیان، ارزش عملیاتی در معرض خطر، مشخصات ریسک، کمیته بازل در نظارت بانکی،
ترجمه چکیده
ریسک عملیاتی به کمبود در فرایندها، سیستم ها، افراد یا رویدادهای خارجی اشاره دارد که ممکن است برای یک سازمان زیان آور باشد. کمیته بازل در نظارت بانکی گزینه های مختلفی را برای اندازه گیری ریسک عملیاتی تعریف کرده است، هرچند موسسات مالی مجازند مدل های خود را برای اندازه گیری ریسک عملیاتی توسعه دهند. رویکرد اندازه گیری پیشرفته که یک روش حساس به ریسک برای اندازه گیری ریسک عملیاتی است، موسسات مالی ترجیح داده است که از میان امکانات در دسترس باشند، انتظار دارند که سرمایه گذاری کمتر برای پوشش ریسک عملیاتی با این رویکرد نسبت به روش های جایگزین . رویکرد اندازه گیری پیشرفته شامل رویکرد توزیع تلفات به عنوان یک راه برای ارزیابی ریسک عملیاتی است. رویکرد توزیع تلفات توزیع های تلفات را برای ترکیب های خطرات تجاری خطی طراحی می کند، با این که سرمایه تنظیم شده به عنوان 99.9٪ عملیاتی ارزش در معرض خطر است، درصد صدور توزیع برای سالیانه سالیانه از دست رفته. یکی از مهمترین مسائل هنگام ارزیابی ارزش عملیاتی در معرض خطر، مربوط به ساختار (نوع توزیع) و شکل (دم طولی) توزیع تلفات است. برآورد توزیع تلفات، در بسیاری از موارد، اجازه نمی دهد که مدیریت ریسک و تکامل ریسک را ادغام کنیم. در نتیجه، ارزیابی اثرات مدیریت تاثیر ریسک در توزیع تلفات می تواند مدت زیادی طول بکشد. به همین دلیل، در این مقاله یک مدل استنتاج فازی تطبیقی ​​انعطاف پذیر یکپارچه انعطاف پذیر ارائه شده است که با رفتار مونت کارلو مشخص می شود که برآورد توزیع تلفات و پروفایل های مختلف ریسک را دربر می گیرد. این مدل جدید اجازه می دهد تا ببینید که چگونه مدیریت ریسک یک سازمان می تواند در طول زمان تکامل یابد و بر توزیع تلفات استفاده شده برای ارزیابی ارزش عملیاتی در معرض خطر اثر می گذارد. نتایج مطالعات تجربی که در این مقاله ارائه شده، نشان دهنده انعطاف پذیری مدل در شناسایی (1) ساختار و شکل مجموعه های ورودی فازی است که نشان دهنده فرکانس و شدت خطر است. و (2) مشخصات ریسک یک سازمان. بنابراین، مدل پیشنهادی به سازمانها و یا موسسات مالی اجازه می دهد تا به تکامل مدیریت تاثیر ریسک خود و تأثیر آن بر توزیع تلفات و ارزش عملیاتی در معرض خطر در زمان واقعی ارزیابی شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک سیستم فازی عاملی سازگار با یکپارچه با روش نمونه گیری مونت کارلو برای مدیریت ریسک عملیاتی
چکیده انگلیسی
Operational risk refers to deficiencies in processes, systems, people or external events, which may generate losses for an organization. The Basel Committee on Banking Supervision has defined different possibilities for the measurement of operational risk, although financial institutions are allowed to develop their own models to quantify operational risk. The advanced measurement approach, which is a risk-sensitive method for measuring operational risk, is the financial institutions preferred approach, among the available ones, in the expectation of having to hold less regulatory capital for covering operational risk with this approach than with alternative approaches. The advanced measurement approach includes the loss distribution approach as one way to assess operational risk. The loss distribution approach models loss distributions for business-line-risk combinations, with the regulatory capital being calculated as the 99,9% operational value at risk, a percentile of the distribution for the next year annual loss. One of the most important issues when estimating operational value at risk is related to the structure (type of distribution) and shape (long tail) of the loss distribution. The estimation of the loss distribution, in many cases, does not allow to integrate risk management and the evolution of risk; consequently, the assessment of the effects of risk impact management on loss distribution can take a long time. For this reason, this paper proposes a flexible integrated inverse adaptive fuzzy inference model, which is characterized by a Monte-Carlo behavior, that integrates the estimation of loss distribution and different risk profiles. This new model allows to see how the management of risk of an organization can evolve over time and it effects on the loss distribution used to estimate the operational value at risk. The experimental study results, reported in this paper, show the flexibility of the model in identifying (1) the structure and shape of the fuzzy input sets that represent the frequency and severity of risk; and (2) the risk profile of an organization. Therefore, the proposed model allows organizations or financial entities to assess the evolution of their risk impact management and its effect on loss distribution and operational value at risk in real time.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 98, 15 May 2018, Pages 11-26
نویسندگان
, , , , ,