რისკის მოდელირება

რისკის მოდელირება

რისკების მოდელირება არის სისტემური შეფასება გადაწყვეტილების მისაღებად ზარალის ალბათობისა და ოდენობის შესახებ: ლიმიტები, რეზერვები, ჰეჯები, ავტომატური პოლიტიკოსი და პრიორიტეტული ზომები. ქვემოთ მოცემულია უახლესი ჩარჩო მუქარის ბარათიდან მოდელების ექსპლუატაციამდე.

1) რისკების რუკა და KRI

დომენები: ოპერაციული (ინციდენტები/SLA), ფინანსური (FX, ლიკვიდობა), სასურსათო (ხარისხი/კონვერტაცია), ქცევითი (ფროიდი/RG), მარეგულირებელი (ჯარიმები, დაბლოკვა), პარტნიორი (აფილიტები/პროვაიდერები), IB (გაჟონვა/ჰაკერი), მოდელის რისკი.

KRI

ყველა KRI - მფლობელთან, სიხშირესთან, რეიდებთან, ჰისტერეზისთან და ესკალაციის არხთან.

2) სიმძიმის სიხშირე: ზარალის ძირითადი მათემატიკა

[
N \sim \text{Poisson}(\lambda)\ \text{или}\ \text{NegBin}(r,p),
\quad X_i \sim F_{\text{severity}}(\theta),
\quad L=\sum_{i=1}^{N} X_i
]

სიხშირე (N): Poisson (იშვიათი დამოუკიდებელი მოვლენები), NegBin (სუპერ დიპერსია/საგანძური).
სიმძიმე (X): Lognormal (ზომიერი კუდები), Gamma, Pareto/Log-Pareto (სქელი კუდები), შერეული მოდელები (mixture).
Zero-inflation: მრავალი ნულოვანი.
ცენზურა/ფრენჩაიზია: დედაკტაბლების/სადაზღვევო ლიმიტების აღრიცხვა.

Loss Distribution Approach (LDA): შეარჩიეთ (\lambda) და სიმძიმის პარამეტრები, შემდეგ მონტე კარლო ან პაკეტი (FFT) - კუდის მეტრიკა.

3) კუდის რისკები და EVT

• Block Maxima - GEV, Peaks-Over-Threshold - GPD, ბარიერის არჩევანი (u) + სტაციონარული შემოწმება.
• კუდის სტაბილურობის კალიბრი (QQ-plot, Hill estimator).
• მიზანია სწორად შეაფასოს იშვიათი დიდი ზარალი (1/100-1/1000).

4) დამოკიდებულებები: კორელაციები და კოპულები

• გაუსიანი (მარტივი, მაგრამ სუსტი კუდი), Student-t (tail-dependence), Clayton/Gumbel (ასიმეტრიული კუდები).
• ჯერ მოათავსეთ მარგინალები (severity/სიხშირე), შემდეგ კოპულა რისკის პორტფელის და კონცენტრაციის ერთობლივი მოდელირებისთვის.

5) მრიცხველები და ეკონომიკური მაჩვენებლები

VaR (_\alpha): ზარალის ანაზღაურება (მაგალითად, 99%).
CVaR/Expected Shortfall (_\alpha): VaR- ის გარეთ საშუალო ზარალი სასურველია კუდებისთვის.
EL/UL: მოსალოდნელი/მოულოდნელი ზარალი.
RAROC: (\text{Risk-Adjusted Return on Capital}=\frac{\text{Доход} - \text{Ож. დანაკარგები} {{{text {კაპიტალი რისკის ქვეშ}).
რისკის ქვეშ მყოფი კაპიტალი: დაფარვის დონე (მაგალითად, CVaR 99. 5%) + ბუფერები.

6) სცენარები და სტრესის ტესტირება

სცენარი = შეყვანის შოკი + კორელაცია + ბიზნეს წესები.
ტიპები: ისტორიული (2020 ხალიჩის მწვერვალები), ჰიპოთეტური (მარეგულირებელი ბლოკირება, გარედან PSP), საპირისპირო ("რა შოკები იწვევს ზარალს X? »).
შედეგები - ზარალის დიაპაზონი, არა წერტილი. დოკუმენტაცია და გადაწყვეტილების მიღების არხები (ლიმიტები/ქუდები/პაუზები).

7) ბაიესი და ცოდნის განახლება

Bayesov სიხშირეები/სიმძიმე: apriors (Gamma-Poisson, Lognormal ინფორმაციული ჰიპერ პარამეტრებით) - ონლაინ განახლება მონაცემების მიღებისას.
სასარგებლოა მცირე ნიმუშების/ახალი ბაზრებისთვის (პირადობის მოწმობა, იერარქიული მოდელები).

8) მონაცემები და ხარისხი (Point-in-Time!)

მონაცემთა კონტრაქტები: სქემები, გასაღებები, ტაიმზონები, მოვლენების ვერსიები, კორექტირების დროშები.
Point-in-Time სისწორე: ტრენინგის მომავალი სიგნალების გარეშე (განსაკუთრებით from/ოპერაციული წარუმატებლობისთვის).
პოლიტიკის ცვლილებები/რედაქტირება. გაზომვები: მოვლენების კალენდარში.
სტაგნაცია და ძვრები: პროფილირებული დრიფტი (PSI/KL) მთავარ ფინიკებზე.

9) მოდელირების პროცედურა (ნაბიჯები)

1. დაადგინეთ საქმე და ჰორიზონტი: რა არის „დაკარგვა“, პერიოდი, ერთეული (ბრენდის × ქვეყანა × არხი).
2. ჩამოაყალიბეთ თარიღი: სიხშირეები, სიმძიმე, კოვარიატები (სეზონური, პრომო, FX, პროვაიდერები).
3. ოჯახის არჩევანი: Poisson/NegBin × Lognormal/Pareto (შეამოწმეთ QQ plots/KS/AD ტესტები).
4. დამოკიდებულება: კოპულა/ფაქტორის მოდელი პორტფელის აგრეგაციისთვის.
5. კალიბრაცია: MLE/Bayesian; ცენზურის, დედაქტაბლების, outliers- ის აღრიცხვა.
6. ვალიდაცია/ბექტესტი: კუდის დაფარვა, პარამეტრების სტაბილურობა, სტრესის მგრძნობელობა.
7. მონტე კარლო: (10 ^ 5) - (10 ^ 6) პროგონი; შეაფასეთ VaR/CVaR, სცენარის ზარალი.
8. გადაწყვეტილებები: ლიმიტები, ქუდები, პაუზები, სარეზერვო ალოკაცია, RAROC პრიორიტეტული ზომები.
9. დოკუმენტები: სამოდელო ბარათი, სცენარის პასპორტი, runbook.

10) ინტეგრაცია პოლიტიკოსებთან და ავტომატიზაცია

გამომწვევი: KRI/VaR/CVaR- ის რეიდების ჭარბი რაოდენობა (KYC გამაძლიერებელი, 3DS-enforce, ლიმიტების შემცირება, გადახდის არხის throtling, პრომო გამორთვა).
ჰისტერეზი/კულდუნი: სხვადასხვა შესასვლელი/გასასვლელი ბარიერი, რათა თავიდან იქნას აცილებული „მოციმციმე“.
რისკების ხაზები: დახარისხება (\mathbb {E} [EV]) = თავიდან აცილებული ზიანი - ზომების ღირებულება - ზიანი.

11) კომპოზიციური მოდელის მაგალითი (ფსევდო-პითონი)

python import numpy as np

1) frequency (week) and severity (EUR)
lam = 3. 2            # Poisson rate mu, sigma = 6. 0, 1. 1      # Lognormal params (ln-space)
S = 200000           # simulations

N = np. random. poisson (lam, S) # event rate sev = lambda n: np. exp(np. random. normal (mu, sigma, n)) # severity loss = np. array([sev(n). sum() if n>0 else 0. 0 for n in N])

VaR99 = np. quantile(loss, 0. 99)
CVaR99 = loss[loss >= VaR99].mean()
EL   = loss. mean()

იერარქია/პორტფელი: გამოთვალეთ თითოეული სეგმენტი, შემდეგ დააკავშიროთ კოპულა/ფაქტორი ან ემპირიული ერთობლივი ნიმუში.

12) ლიმიტების და კაპიტალის მართვა

ლიმიტები/ქუდები: არხებით/ქვეყნებით/პროვაიდერებით, დასაშვები CVaR- ით.
რეზერვები: დაფარვის დონე (მაგალითად, CVaR 99% თვეში) + კონტროლის ბუფერი.
რისკის ტრანსფერები: გადაზღვევა/დაზღვევა, FX ჰეჯი, პროვაიდერების დივერსიფიკაცია.

13) სამოდელო რისკი და ჰოვერნანსი

მოდელის ბარათი (შაბლონი)

მიზნის და გამოყენების არეალი; მეტრიკა VaR/CVaR/coverage; მონაცემები და პერიოდი; ნებართვები; შეზღუდვები; მგრძნობელობა; fairness/ეთიკა; მეპატრონეები; ვერსია; აუდიტის თარიღი.

MLOps/ModelOps: მოდელების რეესტრი, ვერსიების კონტროლი, shadow/კანარის გაშვება, feature paration online/offline, ხარისხის და დრიფტის მონიტორინგი, ავტო-ალერტები, გაჩერების ამწე.

ვალიდაცია/ბექტესტი

ვირთხა: კუდის საფარი (Kupiec/Christoffersen), პარამეტრების სტაბილურობა, სტრესის სტაბილურობა, ალტერნატიული სპეციფიკაციები.

14) მონიტორინგი გაყიდვასა და რუნიბუკში

მეტრიკი

VaR- ის დაფარვა (ფაქტობრივი მიღწევები/მოსალოდნელი), CVaR კალიბრაცია, EL/UL დინამიკა.
შესასვლელი დრიფტი (PSI), „ახალი“ სეგმენტების წილი, ლიმიტების გადატვირთვა.
ოპერაციული: გაანგარიშების ანალიზი, ფიდების შეფერხება, ფოლკლორის%.

Runbook (მაგალითი „Charjbacks- ის ზრდა“)

1. მონაცემთა სიახლის შემოწმება და ეტიკეტების სისწორე.
2. ადიდების სეგმენტი (ქვეყანა/გადახდა/მოწყობილობა/პარტნიორი).
3. ჩართეთ step-up KYC/3DS დაზარალებულ სეგმენტებში, შეამციროთ ლიმიტები.
4. დაიწყეთ სტრესის სცენარი „PSP დაკარგვა“, გადაანგარიშეთ CVaR.
5. კომუნიკაცია არხის მფლობელებისთვის, კომპენსაციის გეგმა.
6. მოდელის/წესების პარამეტრების რეტროსპექტივა და განახლება.

15) სცენარის პასპორტი

ID/ვერსია, თარიღი, მფლობელი

თხრობა: რა მოხდა (მარეგულირებელი ბანი × FX შოკი × outage PSP)

შოკები: (\დელტა) სიხშირე, სიმძიმის/კორელაციის ცვლილებები, ხანგრძლივობა

ზარალის შეფასება: EL/VaR/CVaR (დღე/კვირა/თვე)

საწინააღმდეგო ზომები: შეზღუდვები/პროვაიდერების/კომუნიკაციების გადართვა/დაზღვევა/დაზღვევა

გასვლის წერტილები: ზომების მოხსნის პირობები (ჰისტერეზი)

16) KRI პასპორტები და ლიმიტები (მოკლედ)

KRI: კოდი, განმარტება, ფორმულა, ფანჯარა, 'warn/critical' ბარიერები, ჰისტესეზი, მფლობელი, ალერტის არხი.
ლიმიტი: ობიექტი (არხი/ქვეყანა/პროვაიდერი), მეტრიკა (CVaR99/EL), მნიშვნელობა, პერიოდი, პრიორიტეტი, მოქმედებები ჭარბი რაოდენობით, გამონაკლისი/დროებითი ფანჯრები.

17) ანტი შაბლონები

საშუალოზე დაყრდნობით, კუდის ნაცვლად; „ლამაზი RMSE“ და ცუდი CVaR.
კორელაციები „როგორც არის“ tail-dependence გარეშე.
Point-in-Time- ის არარსებობა არის გაჟონვა, „სიზუსტის“ გადაფასება.
სცენარის/სტრესის უგულებელყოფა; ერთი მოდელი „ყველაფრისთვის“.
პარამეტრების მშვიდი რედაქტირება ვერსიის გარეშე/changelog.
პოლიტიკაში არ არსებობს ჰისტერეზია, ფუფუნების ზომები.

18) ჩეკის სია რისკის მოდელირების კონტურების გამოქვეყნებამდე

• რისკების რუკა და KRI შედგენილია, მფლობელები დაინიშნენ
• მონაცემები PIT, წყაროების კონტრაქტები, მოვლენების კალენდარი/პოლიტიკოსი
• კალიბრირებული სიხშირე და სიმძიმე, შემოწმებულია კუდები (EVT)
• მოდელირებულია დამოკიდებულებები (კოპულა/ფაქტორი), საერთო პორტფელი
• Baktest VaR/CVaR, პარამეტრების დაფარვა და სტაბილურობა ნორმაში
• სცენარები და სტრესული ტესტები მზად არის, პასპორტი და runbook გაიცემა
• ინტეგრაცია ლიმიტებთან/ქუდებთან/პოლიტიკოსებთან, ჰისტესესთან
• მოდელის ბარათი, ვერსია, მფლობელები, მონიტორინგი და ალერტები

შედეგი

რისკების მოდელირება არ არის „საშუალო ზარალის შეფასება“, არამედ კუდის მართვა: სწორი სიხშირე და სიმძიმე, ექსტრემალური EVT, კოპულას, სკრიპტებისა და სტრესის ტესტების საშუალებით, VaR/CVaR და ეკონომიკური მეტრიკა (RAROC), პლუს ModelOps დისციპლინა. ასეთი წრე რისკებს „შავი გედებისგან“ გადააქცევს კვანტიფიცირებულ გადაწყვეტილებებს ლიმიტებით, რეზერვებით და მკაფიო მოქმედებებით.