Töwekgelçilikleri modellemek

Töwekgelçilikleri modellemek

Töwekgelçilikleri modellemek - bu karar kabul etmek üçin ýitgileriň ähtimallygyna we mukdaryna yzygiderli baha bermekdir: çäkler, ätiýaçlyklar, hedjler, awtomatiki syýasatlar we çäreleri ileri tutmak. Aşakda - howp kartasyndan modelleriň ulanylmagyna çenli end-to-end çarçuwasy.

1) Töwekgelçilik kartasy we KRI

Domenler: operasiýa (hadysalar/SLA), maliýe (FX, likwidlik), önüm (hil/konwersiýa), özüni alyp baryş (frod/RG), kadalaşdyryjy (jerimeler, blokirlemeler), hyzmatdaş (affiliatlar/üpjün edijiler), IB (syzmak/döwmek), model töwekgelçiligi.

KRI (Key Risk Indicators): hadysalaryň ýygylygy, p95/99 gijikdirmeler, çarjbekleriň paýy, antifrod FPR, şikaýatlaryň paýy, negatiw ses paýy, gözegçilik coverage, "irki duýduryş signallary" (leading) vs netijeleri (lagging).
Ähli KRI - eýesi, ýygylygy, bosagalary, histerezisi we eskalasiýa kanaly bilen.

2) Ýygylyk × Agyrlyk: ýitgileriň esasy matematikasy

[
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
]

Ýygylyk (N): Poisson (seýrek garaşsyz wakalar), NegBin (aşa dispersiýa/klaster).
Agyrlyk (X): Lognormal (orta guýruklar), Gamma, Pareto/Log-Pareto (galyň guýruklar), garyşyk modeller (mixture).
Zero-inflation: köp nol bilen.
Senzura/franşiza: de aktabllary/ätiýaçlandyryş çäklerini hasaba almak.

Loss Distribution Approach (LDA): (\lambda) we agyrlyk parametrlerini, soňra Monte Karlo ýa-da bukja (FFT) → guýruk metriklerini saýlaň.

3) Guýruk töwekgelçiligi we EVT

• Block Maxima → GEV, Peaks-Over-Threshold → GPD, bosagany saýlamak (u) + stasionar barlagy.
• Guýruk durnuklylygy boýunça kalibrläň (QQ-plot, Hill estimator).
• Maksat - seýrek ýitgilere dogry baha bermek (1/100-1/1000).

4) Garaşlylyk: korrelýasiýa we kopula

• Gaussian (ýönekeý, ýöne gowşak guýruk tutmak), Student-t (tail-dependence), Clayton/Gumbel (asimmetrik guýruklar).
• Ilki bilen marginallary (severity/ýygylyk), soňra töwekgelçilik bukjasyny we konsentrasiýasyny bilelikde modellemek üçin kopula sazlaň.

5) Töwekgelçiligiň ölçegleri we ykdysady görkezijiler

VaR (_\alpha): ýitgileriň kwantili (mysal üçin 99%).
CVaR/Expected Shortfall (_\alpha): WeR-den daşary ortaça ýitgi - guýruklar üçin has gowudyr.
EL/UL: garaşylýan/garaşylmadyk ýitgi.
RAROC: (\text{Risk-Adjusted Return on Capital}=\frac{\text{Доход} - \text{Ож. ýitgiler}} {\text {Risk Capital}}).
Töwekgelçilikli maýa: örtügiň derejesi (mysal üçin, CVaR 99. 5%) + buferler.

6) Ssenariler we stres-synag

Ssenariýa = giriş zarbasy + korrelýasiýa + iş düzgünleri.
Görnüşleri: taryhy (2020 kowid pikleri), gipotetiki (düzgünleşdiriji blokirleme, PSP), ters ("haýsy zarbalar ýitgi berýär ≥ X? »).
Netijeler - ýitgileriň diapazony, nokat däl. Çaklamalary we karar beriş kanallaryny dokumentleşdiriň (çäklendirmeler/gaplar/arakesmeler).

7) Baýes we bilimleri täzelemek

Baýes ýygylygy/agyrlygy: Maglumat giper parametrleri bilen Gamma-Poisson, Lognormal) → Maglumatlar alnanda onlaýn täzelenme.
Kiçi nusgalarda/täze bazarlarda peýdaly (partial pooling, iýerarhiki modeller).

8) Maglumatlar we hil (Point-in-Time!)

Maglumat şertnamalary: shemalar, açarlar, taýmzonlar, wakalaryň wersiýasy, düzedişleriň baýdaklary.
Nokat-in-Time dogrulygy: okuwda geljekdäki signallarsyz (esasanam frod/operasiýa şowsuzlyklary üçin).
Syýasaty üýtgetmek. Ölçeg: wakalaryň senenamasyna.
Durgunlyk we süýşmeler: Esasy aýratynlyklar boýunça sürüşme (PSI/KL) profilini düzüň.

9) Modellemegiň tertibi (ädimler)

1. Iş we gözýetimi kesgitläň: "ýitgi" näme, döwür, birlik (marka × ýurt × kanal).
2. Sene dörediň: ýygylyklar, agyrlyklar, kowariatlar (möwsümlilik, mahabat, FX, üpjün edijiler).
3. Maşgalany saýlamak: Poisson/NegBin × Lognormal/Pareto (QQ-plotlary/KS/AD-synaglary barlaň).
4. Garaşlylygy: portfelleri jemlemek üçin gazylan/faktor modeli.
5. Kalibrlemek: MLE/Baýesian; senzurany, de aktabllary, outliers hasaba almak.
6. Walidasiýa/bektest: guýruklaryň örtügi, parametrleriň durnuklylygy, stres duýgurlygy.
7. Monte Karlo: (10 ^ 5) - (10 ^ 6) geçişler; WeR/CVaR, ssenariý ýitgilerine baha beriň.
8. Çözgütler: çäklendirmeler, gaplar, arakesmeler, ätiýaçlyk allokasiýasy, RAROC-çäreleri ileri tutmak.
9. Resminamalar: model kartasy, ssenariniň pasporty, runbook.

10) Syýasatlar we awtomatlaşdyryş bilen integrasiýa

Triggerler: KRI/VaR/CVaR çäklerinden ýokary → ädimler (KYC güýçlendirmek, 3DS-enforce, çäklendirmeleri azaltmak, töleg kanalyny açmak, mahabaty ýapmak).
Gisterezis/kuldaun: "ýalpyldawuk" bolmazlygy üçin dürli giriş/çykyş bosagalary.
Töwekgelçilik nobatlary: sortlamak (\mathbb {E} [EV]) = öňüni alnan zyýan − çäreleriň bahasy − zyýan.

11) Kompound modeliniň mysaly (psevdo-Python)

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()

Iýerarhiýa/portfel: her segment boýunça sanaň, soňra kopula/faktor ýa-da empirik bilelikdäki nusga arkaly jemläň.

12) Çäkleri we maýany dolandyrmak

Çäklendirmeler/gaplar: kanallar/ýurtlar/üpjün edijiler boýunça, rugsat berilýän CVaR-a birikdirildi.
Ätiýaçlyklar: örtük derejesi (mysal üçin, CVaR 99% aýlyk) + dolandyryş buferi.
Töwekgelçilik geçirimleri: gaýtadan ätiýaçlandyrmak/ätiýaçlandyryş, FX haýyşy, üpjün edijileriň diwersifikasiýasy.

13) Model töwekgelçiligi we gowernans

Model Card (şablon)

Ulanyş maksady we zolagy; VaR/CVaR/coverage metrikleri; maglumatlar we döwür; çaklamalar; çäklendirmeler; duýgurlyk; fairness/etika; eýeler; wersiýasy; barlagyň senesi.

MLOps/ModelOps: modelleriň sanawy, wersiýalara gözegçilik, şadow/kanareýanyň işe girizilmegi, aýratynlyk parity online/offline, hil we dreýf gözegçiligi, awto-alertler, "dur-krany".

Tassyklama/bektest

Gämi duralgasy: guýruk örtügi (Kupiec/Christoffersen), parametrleriň durnuklylygy, stres garşylygy, alternatiw aýratynlyklar.

14) Önümdäki we runibukdaky gözegçilik

Metrikler

WeR örtügi (hakyky açyşlar/garaşylýan), CVaR-kalibrlemek, EL/UL dinamika.
Giriş süýşmesi (PSI), "täze" segmentleriň paýy, çäkleriň aşa ýüklenmegi.
Operasiýa otaglary: hasaplamanyň latency, fidleriň gijikdirilmegi, folbekleriň%.

Runbook ("çarjbekleriň köpelmegi" mysaly)

1. Maglumatlaryň täzeligini we bellikleriň dogrulygyny barlamak.
2. Ösüş segmentasiýasy (ýurt/töleg/enjam/hyzmatdaş).
3. Täsir eden segmentlerde step-up KYC/3DS açyň, çäkleri peseldiň.
4. "PSP ýitgisi" stres ssenarisini başla, CVaR sana.
5. Kanallaryň eýelerine aragatnaşyk, kompensasiýa meýilnamasy.
6. Modeliň/düzgünleriň parametrlerini täzeden gözden geçirmek we täzelemek.

15) Ssenariýa pasporty (template)

ID/wersiýasy, senesi, eýesi

Kyssa: näme boldy (düzgünleşdiriji ban × FX-şok × outage PSP)

Şoklar: (\Delta) ýygylyk, agyrlyk/korrelýasiýa üýtgemeleri, dowamlylygy

Ýitgilere baha bermek: EL/VaR/CVaR (gün/hepde/aý)

Garşylyklaýyn çäreler: üpjün edijileriň/aragatnaşyklaryň çäkleri/çalşylmagy/ätiýaçlandyryş

Çykyş nokatlary: çäreleri aýyrmagyň şertleri (gisterezis)

16) KRI pasportlary we çäkleri (gysgaça)

KRI: kod, kesgitleme, formula, penjire, bosagalar 'warn/critical', histerezis, eýesi, alert kanaly.
Çäk: obýekt (kanal/ýurt/üpjün ediji), metrika (CVaR99/EL), many, döwür, ileri tutulýan ugur, geçilende hereket etmek, kadadan çykmalar/wagtlaýyn penjireler.

17) Anti-patternler

Guýruklaryň ýerine ortaça bil baglamak; "owadan RMSE" we erbet CVaR.
tail-dependence bolmasa "bolşy ýaly" baglanyşyklary.
Nokat-in-Time → syzmak, "takyklygy" gaýtadan bahalandyrmak.
Ssenarileriň/stresleriň ignory; "hemme zada" bir model.
/ changelog wersiýasy bolmadyk parametrleri ýuwaşlyk bilen düzediň.
Syýasatda gisterezis ýok → ýapyşýan çäreler.

18) Töwekgelçilik-modellemegiň konturlaryny goýbermezden öň çek-sanawy

• Töwekgelçilik kartoçkasy we KRI resmileşdirildi, eýeleri bellendi
• PIT maglumatlary, çeşme şertnamalary, wakalar/syýasatlar senenamasy
• Ýygylygy we agyrlygy kalibrlendi, guýruklary barlandy (EVT)
• Garaşlylyk modelleşdirildi (kopula/faktor), portfel jemlendi
• Bektest VaR/CVaR, örtük we parametrleriň durnuklylygy kadaly
• Ssenariler we stres synaglary taýýar, pasport we runbook düzüldi
• Çäklendirmeler/kaplar/syýasatlar bilen integrasiýa, histerezis goşulýar
• Model Card, wersiýa, eýeler, gözegçilik we töwekgelçilikler sazlandy

Jemi

Töwekgelçilikleri modellemek "ortaça ýitgä baha bermek" däl-de, guýruklary dolandyrmakdyr: dogry ýygylyk we agyrlyk, ekstremumlar üçin EVT, kopulalar, ssenariler we stres synaglary, VaR/CVaR we ykdysady metrikler (RAROC), üstesine-de ModelOps düzgün-nyzam. Şeýle konturlar töwekgelçilikleri "gara guşlardan" çäkleri, ätiýaçlyklary we anyk hereketleri bolan kwantifikasiýa çözgütlerine öwürýär.