Математическое моделирование операционного риска в коммерческом банке тема диссертации по экономике, полный текст автореферата
Автореферат
| Ученая степень | кандидат экономических наук |
| Автор | Золотарева, Екатерина Леоновна |
| Место защиты | Москва |
| Год | 2011 |
| Шифр ВАК РФ | 08.00.13 |
Диссертация
Автореферат диссертации по теме "Математическое моделирование операционного риска в коммерческом банке"
На правах рукописи
4842640
Золотарева Екатерина Леоновна
МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ ОПЕРАЦИОННОГО РИСКА В КОММЕРЧЕСКОМ БАНКЕ
08.00.13 - Математические и инструментальные методы экономики.
Автореферат диссертации на соискание ученой степени кандидата экономических наук
Москва-2011
1 4 АПР 2011
4842646
Работа выпонена на кафедре Математика ФГОБУВПО Финансовый университет при Правительстве Российской Федерации
Научный руководитель
Официальные оппоненты
кандидат физико-математических наук, доцент Гисин Владимир Борисович
доктор экономических наук, профессор Лихтенштейн Владимир Ефраимович
доктор технических наук, доцент Голембиовский Дмитрий Юрьевич
Ведущая организация
ФГУП Российский научно-технический центр информации по стандартизации, метрологии и оценке соответствия
Защита состоится л27 апреля 2011 г. в 10:00 часов на заседании диссертационного совета по защите докторских и кандидатских диссертаций Д 505.001.03 при ФГОБУВПО Финансовый университет при Правительстве Российской Федерации по адресу: 125993, Москва, Ленинградский просп., 55, ауд. 213.
С диссертацией можно ознакомиться в диссертационном зале Библиотечно-информационного комплекса ФГОБУВПО Финансовый университет при Правительстве Российской Федерации по адресу: 125993, Москва, Ленинградский просп., 49, комн. 203.
Автореферат разослан л25 марта 2011г. и размещен на официальном сайте ФГОБУВПО Финансовый университет при Правительстве Российской Федерации: Ссыка на домен более не работает
Ученый секретарь совета Д 505.001.03, ___________ ^
кандидат экономических наук, доцент ' Х Ч Городецкая О.Ю
1. ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы исследовании. Управление операционным риском является сравнительно новым направлением для банковского сообщества. В документах Базельского комитета по банковскому надзору оно впервые было выделено как самостоятельное направление в конце 90-х гг. В настоящее время, по данным компании Deloitte, управление операционными рисками является частью корпоративных программ риск-менеджмента в абсолютном большинстве банков (97%) и предусматривает четыре этапа: идентификацию, оценку, мониторинг, контроль и/или минимизацию. Тем не менее, многие методологические вопросы, в частности, связанные с количественной оценкой операционного риска, остаются открытыми.
В рамках усовершенствованных подходов (AMA) Базель II предоставляет банкам право самостоятельно разрабатывать экономико-математические модели для количественной оценки операционного риска и, соответственно, для расчета размера капитала, достаточного для покрытия потенциальных потерь. В отличие от более простых подходов (BIA и 7X4), также предлагаемых в Базель II, такие модели способны давать более обоснованные оценки операционного риска.
Операционному риску в той или иной мере подвержены все направления деятельности банка, причины его реализации могут быть различными, и, следовательно, моделирование неоднородных событий дожно осуществляться по отдельности. Основным препятствием для практического использования внутренних систем оценки является дефицит статистических данных. Кроме того, сведения об операционных потерях носят закрытый характер, поскольку их разглашение критично для деловой репутации банка. Однако по мере того как банки накапливают собственную статистику и анализируют сведения о потерях других организаций, возможности применения экономико-математических моделей расширяются. Одновременно возникает необходимость разработки способов решения ряда задач, обозначенных в Базель II: моделирования экстремальных потерь (тяжелых хвостов), комбинирования информации из различных источников в условиях дефицита данных и учета зависимостей при агрегировании совокупных потерь в нескольких однородных группах. Помимо этих факторов, для более точной оценки операционного риска необходимо принимать во внимание особенности работы конкретного банка, и, в том числе, страновые различия.
В отечественных коммерческих банках операционному риску в наибольшей степени подвержено направление кредитования физических лиц, что связано с бурным развитием розничного сегмента в России и странах СНГ в 2005-2010 гг. Стремление банков любой ценой нарастить портфель, появление ускоренных и
упрошенных схем кредитования, отсутствие опыта разработки розничных продуктов и управления риском - всё это создало возможности для злоупотреблений и получения кредита мошенническим путем как со стороны клиентов, так и сотрудников банков.
Внедрение Базель il в России намечено на 2011-2018 гг., однако для принятия взвешенных решений кредитным организациям уже сейчас необходим гибкий инструмент - модель, позволяющая анализировать возможные варианты событий и прогнозировать величину потенциальных потерь, в частности, в результате мошенничества в розничном кредитовании.
Степень разработанности темы. Вопросы управления операционным риском как составляющей процесса риск-менеджмента коммерческого банка представлены в работах Д.Г. Хоффмана, К. Маршала, Ф. Джориона, Ф. Фабоцци, М. Левин и др. и систематизированы Базельским комитетом по банковскому кадзору. В России вопросы управления операционными рисками нашли отражение в работах В.Б. Сазыкина, В.М. Золотарева, М. Натуриной, О. Громенко и др., а также в документах Банка России.
С учетом лучшей мировой практики Базельским комитетом были сформулированы основные требования к банкам, применяющим AMA, и, следовательно, к разрабатываемым ими внутренним системам оценки. В настоящее время большинство используемых моделей заимствованы из страховой отрасли и основываются на исследовании вероятностного распределения потерь. Теоретический анализ актуарных моделей проведен в работах М. Круза, К. Александр, A.C. Чернобай, С.Т. Рачева. Имеется также ряд прикладных исследований, посвященных той же тематике, например, работы Г. Миньолы, Р.Угочьони, Ф. Ave, М.Какбренера, А.Фрашо, Т. Ронкали, П.Джорждеса, Н. Боуда и др.
Несмотря на заметный прогресс в последние 2-3 года, единого мнения относительно оптимального способа построения модели сценки операционного риска банковским сообществом пока не выработано.
Значительные сложности связаны с оценкой экстремальных потерь - так называемых тяжелых хвостов. Проблема тяжелых хвостов при моделировании операционного риска исследовалась в работах К. Дуты, Дж. Пэрри, Дж. Неслеховой, Е. Медовой, М.Н. Куриаку и др. Одним из предлагаемых способов ее решения является использование теории экстремальных значений, основы которой были заложены учеными Р. Фишером, Д. Типпетом, Б.В. Гнеденко, Р.фон Мизесом и впоследствии развивались, в том числе, применительно к финансовой сфере, Дж. Пикандсом, Р.Л. Смитом, П. Эмбрехтсом, К. Клюпперберг,
Т. Микошсм, Л. Де Хаапом, А.Мак-Нейлом, С.Т. Рачевым, С. Менном, С. Коузом, А. Дэвисоном, А.С.Себрианом, М.Денуитом, Ф. Ламбертом и др.
Существенные трудности вызывает также комбинирование в модели информации о подверженности операционному риску, полученной из различных источников, в том числе экспертных оценок. В ряде исследований для преодоления этих трудностей использовася байесовский подход (работы Е.А. Медовой, М.Н. Куриаку, Р.Л. Смита, Дж. Годмана, Дж. Пстерса, С. Сиссопа, П.Шсвчснко, М.Вютриха, И. Журавлева и др.). Особенности применения байесовского подхода в финансовой сфере раскрыты в работах С. Рачева, Дж. Хсу, Л.В. Уткина и др. Решения сопутствующих байесовскому анализу проблем вычислительного характера предложены в работах в Н. Метрополией, К. Гастингса, Дж. Гиббса, А.Ф. М. Смита, А.Е. Гефанда, Д. Финка и др.
Между тем, отечественные исследования, посвященные решению указанных вопросов при моделировании операционного риска в коммерческом банке, практически отсутствуют.
Важной задачей является моделирование зависимостей при агрегировании совокупных потерь в нескольких однородных группах, в том числе при расчете требований к капиталу. Одним из инструментов, применяемых для решения этой задачи, является теория копул, основы которой были заложены А.Скляром, М.Фрсше и В. Хоффдингом. Математический аппарат теории копул и его применение в риск-менеджменте обсуждались в работах П. Эмбрехтса, Р. Б. Нельсона, А. МакНейла, К. Дженеста, Дж. Неслеховой, Дж. Пучетти, Д. Штрауманна, Л. де Хаана, А. Новоселова, Д. Карлиса и др.
Наличие известных математических и инструментальных методов, тем не менее, не гарантирует автоматического решения задачи моделирования операционного риска. Основная сложность связана именно с адаптацией указанных методов для анализа конкретных направлений деятельности банка и рисковых событий, что требует, как минимум, целенаправленного сбора и обработки данных об операционных потерях и апробации моделей в реальных условиях. Эта работа в основном концентрируется в крупных иностранных кредитных организациях {Deutsche Bank, LCL, Intesa, Mizuho, BBVA и др.), использующих собственные данные, однако они являются конфиденциальными. Информационной базой остальных прикладных исследований, также преимущественно зарубежных, служат суррогатные данные (например, данные страховых компаний, статистика убытков по операциям на финансовом рынке и т.п.) или же статистика консорциумов по операционному риску, которые в России пока отсутствуют. Ни в одной из проанализированных работ не рассматривались практическая реализация
всех этапов актуарного подхода, не исследовалась задача моделирования операционного риска мошенничества в розничном кредитовании коммерческого банка и не использовалась статистика, применимая для анализа этих рисковых событий б отечественных кредитных организациях.
Из приведенного рассмотрения следует, что тема моделирования операционного риска в коммерческом банке еще недостаточно разработана даже на мировом уровне, а в России это направление находится лишь на начальном этапе.
Цель исследования состоит в разработке экономико-математической модели, позволяющей получить оценки потенциальных потерь в результате реализации операционного риска мошенничества в розничном кредитовании.
Для достижения указанной цели в работе поставлены следующие задачи:
1. Формирование информационной базы исследования на основе реальных сведений о потерях, статистическая обработка данных и выделение однородных групп событий, относящихся к реализации риска мошенничества в розничном кредитовании;
2. Разработка способа математического моделирования частоты и размера потерь в однородных группах событий, обеспечивающего, в частности:
- учет экстремальных потерь (тяжелых хвостов);
- воспонение дефицита данных за счет комбинирования информации из нескольких источников;
3. Разработка способа математического моделирования зависимостей между однородными группами событий при агрегации оценок совокупных потерь;
4. Разработка способа моделирования ожидаемых и непредвиденных потерь в результате реализации риска мошенничества в розничном кредитовании с учетом ограничений, следующих из экономического смысла задачи, и возможностей применения инструментов минимизации риска (страхования);
5. Анализ результатов применения разработанной методики для оценки . потенциальных потерь абстрактного среднестатистического коммерческого банка и
исследование экономико-математической модели.
Объектом исследования является направление розничного кредитования в коммерческом банке, включающее в себя экспресс-кредитование, автокредитование, ипотеку и кредитование на неотложные нужды.
Предметом исследования является математическое моделирование операционного риска внешнего (совершенного третьими лицами) и внутреннего (совершенного при участии сотрудников банка) мошенничества.
Теоретической н методологической основой исследования послужили положения, содержащиеся в трудах российских и зарубежных авторов в таких
областях науки как теория вероятностей и математическая статистика, теория экстремальных значений, байесовский анализ, теория копул и имитационное моделирование. В исследования использовались научные положения в области банковского дела, анализа бизнес-процессов и управления операционными рисками.
В процессе написания работы были применены следующие методы исследования: методы теории вероятностей, математической статистики и объектно-ориентированного программирования. Сбор и обработка данных осуществлялись в MS Access, EasyFit 5.2 Professional, Simlools и MS Excel.
Информационной базой исследовании послужили:
- база данных, содержащая сведения о реализации операционного риска, в частности, риска мошенничества в розничном кредитовании, собранная в результате мониторинга открытых источников информации в течение 2005-2010 гг. Большая часть событий относится к потерям организаций в России и странах СНГ и отражает специфику этой бизнес-среды;
- результаты исследований Базельского комитета по банковскому надзору и консорциума ORX; аналитические обзоры и рэнкинги информационного агентства Росбизнесконсатинг, данные официальной отчетности российских кредитных организаций, предоставляемой Банку России; данные Росстата, аналитические материалы компаний Рг icewate г ho use Со opers, Ernst&Young, Deloitte, ASFE и рейтинговых агентств Fitch, Standard & Poors, Moody's.
Область исследования. Содержание диссертационного исследования соответствует специальности 08.00.13 Ч Математические и инструментальные методы экономики.
Научная новизна исследования заключается в построении актуарной модели количественной оценки операционного риска в условиях дефицита статистических данных, предусматривающей анализ экстремальных потерь, комбинирование информации из нескольких источников и учет зависимостей; обосновании се применимости для анализа подверженности отечественного коммерческого банка операционному риску мошенничества в розничном кредитовании.
Новыми являются следующие научные результаты: - Проведена классификация однородных рисковых событий в зависимости от вида операционного риска (внешнее или внутреннее мошенничество) и типа кредитного продукта.
- По статистическим данным найдены вероятностные распределения, описывающие размер потерь в результате одного события в каждой из однородных групп;
- На основе анализа бизнес-процесса розничного кредитования сделан вывод о применимости распределения Пуассона для моделирования частот событий в однородных группах; предложен способ определения его параметра X в условиях дефицита статистических данных.
- Повышено качество аппроксимации модели за счет применения метода РОТ для описания экстремальных (т.е. превышающих определенный порог отсечения) потерь в результате внутреннего мошенничества; разработан способ уточнения характеристик экстремального распределения GPD, основанный на применении байесовского подхода для комбинирования статистических данных и экспертного мнения;
- Уточнена агрегированная оценка совокупных потерь за счет включения в модель зависимостей между распределениями частот событий в разных однородных группах; с помощью аппарата копул показано преимущество самостоятельного моделирования банком зависимостей при агрегации оценок совокупных потерь;
- Разработан способ расчета мер риска Value-at-Risk и Shortfall с заданной точностью, учитывающий ограничения на сумму кредита, лимиты кредитования по видам продуктов и подразделениям, применение банком страхования с различными варишггами франшизы и лимитов ответственности, а также предусматривающий возможность стресс-тестирования;
- На основе результатов расчета и анализа чувствительности модели разработаны рекомендации для банков, направленные на снижение потерь в результате мошенничества при кредитовании физических лиц.
Теоретическая и практическая значимость исследования. Теоретическая значимость исследования состоит в адаптации известных математических и инструментальных методов для решения задачи моделирования операционного риска в коммерческом банке. Предложенная методика реализации актуарного подхода может быть использована для любых направлений деятельности и видов событий операционного риска, а также для агрегирования капитала под операционный риск для всего банка. С практической точки зрения, разработанная модель представляет собой готовый инструмент, который предусматривает гибкую настройку в зависимости от исходных данных или целей расчета и позволяет коммерческому банку самостоятельно производить анализ и количественную оценку операционного риска. Полученные в ходе имитационного эксперимента
оценки потенциальных потерь и разработанные на основе исследования рекомендации могут быть использованы при внедрении программ розничного кредитования, расчете тарифов и процентных ставок, а также позволят сформировать адекватную подушку безопасности на случай реализации риска (капитал под операционный риск). Варьируя параметры частоты событий, зависящие от конкретной организации, банк может спрогнозировать возможные потери, обусловленные изменением масштабов бизнеса и/или процедур внутреннего контроля. Найденные на основе выборки законы распределения могут использоваться организацией как допонение собствеш1ых исторических данных о потерях и/шш экспертных оценок.
Апробация и внедрение результатов исследования. Достоверность полученных результатов основывается на сочетании применения статистических методов и анализа бизнес-процессов розничного кредитования в коммерческом банке и подтверждается сопоставлением с реальными данными. Основные результаты исследования прошли апробацию в экспертном сообществе в рамках следующих научных и практических мероприятий:
- Международные конференции Международный опыт риск-менеджмента и особенности развивающихся рынков, г. Москва, 2007 и 2008 гг.;
- круглые столы по темам Российский финансовый рынок: проблемы повышения конкурентоспособности и роли в инновационном развитии экономики, "Роль финансовой, банковской и валютной систем в инновационном развитии экономики", "Мировой финансово-экономический кризис и перспективы инновационного развития экономики России: финансовый, кредитный, валютный аспекты", проведенные под научным руководством д.э.н., проф. JI.H. Красавиной, Финакадемия, 2008,2009,2010 гг.;
- Международная конференция Борьба с мошенничеством в финансовых институтах СНГ, г. Москва, 2008 г.;
- Вторая и четвертая ежегодные конференции "Современные подходы к исследованию и моделированию в экономике, финансах и бизнесе", г. Санкт-Петербург, 2008 и 2010 гг.;
- Seminar оп Actual Methods of Financial Risk Management - Российско-австрийский Семинар по актуальным методам финансового риск-менеджмента, Финакадемия, 2009 г.;
- 1-ая Международная научно-практическая Интернет-конференция "Анализ, моделирование и прогнозирование экономических процессов", г. Воронеж, 20092010 гг.;
- II Международная заочная научно-практическая конференция Инновационные процессы и корпоративное управление, г. Минск, 2010 г.
- VII Международная научная конференция молодых ученых, аспирантов и студентов Молодежь и экономика, г. Ярославль, 2010 г.;
- XVII Всероссийская школа-колоквиум по стохастическим методам, XI Всероссийский симпозиум по прикладной и промышленной математике (весенняя сессия), г. Кисловодск, 2010 г.
Работа выпонена в рамках направления исследования НИР кафедры Математика ФГОБУВПО Финансовый университет при Правительстве Российской Федерации по теме Развитие математических инструментов исследования финансово-экономических процессов в соответствии с Комплексной темой Пути развития финансово-экономического сектора России.
Результаты научного исследования используются в практической деятельности Департамента рыночных и операционных рисков ОАО Банк Москвы. Построенная в ходе исследования модель количественной оценки операционного риска и разработанные на ее основе рекомендации используются при оценке подверженности направлений деятельности банка (в частности -розничного кредитования) операционному риску, а также для повышения эффективности способов его контроля и минимизации. Результаты исследования служат методологической основой и способствуют совершенствованию системы управления операционным риском ОАО Банк Москвы.
Материалы исследования используются кафедрой Математика ФГОБУВПО Финансовый университет при Правительстве Российской Федерации в преподавании учебной дисциплины Количественные методы инвестиционного анализа.
Публикации. По теме диссертации опубликовано 10 печатных работ общим объемом 7,05 п.л. (авторский объем - 7,05 пл.), в том числе 3 работы опубликованы в изданиях, определенных ВАК.
Структура диссертации обусловлена целью, задачами и логикой исследования. Работа состоит из введения, трех глав, списка использованной литературы, содержащего 152 источника, заключения и 11 приложений. Диссертация включает 47 рисунков, 41 таблицу и 45 формул. Общий объем составляет 197 страниц.
2. ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ
2.1 Общее описание экономико-математической модели. Базель II определяет три подхода к оценке операционного риска: Базовый индикативный подход (BI), Стандартизированный подход (7X4) и Усовершенствованные подходы {AMA). Первые два подхода {BIA и TS) предполагают наличие линейной зависимости между уровнем валового дохода и величиной непредвиденных потерь и никак не используют накопленную банком информацию о событиях операционного риска для расчета требований к капиталу. В отличие от них, в рамках AMA размер регулятивного капитала устанавливается равным мере риска, определенной с помощью внутренней экономико-математической модели банка. Источниками информации для построения моделей служат внутренние (т.е. собственные) и внешние данные о потерях в результате реализации операционного риска, экспертные оценки, а также факторы, отражающие состояние бизнес-среды и уровень развития внутреннего контроля. AMA позволяет использовать набор факторов подверженности операционному риску, характерный для конкретного банка.
Настоящее исследование предполагает оценку операционного риска в разрезе двух видов рисковых событий (внешнее и внутреннее мошенничество) и нескольких направлений розничного кредитования. Ни BIA, ни TSA не позволяют получить количественную оценку риска по отдельным типам событий. BIA также не позволяет провести анализ для различных направлений деятельности банка, а 7X4, хотя и допускает такую возможность, не предусматривает выделения направления кредитования из базельской бизнес-линии розничный банковский бизнес. Таким образом, единственным подходом, отвечающим поставленной цели, является AMA и его наиболее распространенный вариант - актуарный подход (LDA).
Сущность LDA заключается в разделении оценки частоты и размера потерь. Частота потерь F - это случайная величина, которая описывает количество реализаций операционного риска за определенный период, а размер потерь S -убыток в каждом отдельном случае. Совокупные потери Т за период представляют собой сумму неизвестного заранее числа F независимых случайных величин Sb имеющих то же распределение, что и S:
Для оценки требований к экономическому капиталу рассчитывается Value-at-Risk (VAR) - достаточно высокая квантиль распределения Т (total loss), которая может быть найдена как аналитически, так и по методу Монте-Карло. Расчеты
производятся одновременно для нескольких однородных (имеющих общие распределения frequency и severity) групп рисковых событий, характеризующихся направлением деятельности и видом операционного риска с учетом их возможной зависимости.
2,2 Формирование информационной базы исследования производилось путем мониторинга открытых источников информации и консолидации сведений об операционных событиях в специальной аналитической базе данных в MS Access, разработанной в соответствии с рекомендациями Базель II и примерами best-practice. Предпочтение отдавалось сообщениям в крупных, известных изданиях, официальным данным правоохранительных органов и сведениям судебной практики. Для обеспечения качества модели все записи, включаемые в выборку, проверялись на предмет корректности классификации событий, отсутствия ошибок при запонении полей или дублирования. Все принимаемые допущения обосновывались и тщательно документировались. В собранной базе данных содержится более 6,5 тыс. записей о реализации операционного риска в коммерческих банках и, в частности, информация о более чем тысяче событий внешнего и внутреннего мошенничества в розничном кредитовании преимущественно в России и СНГ. Временной диапазон охватывает события за период с декабря 1999 г. по апрель 2010 г., хотя подавляющая их доля приходится на 2005-2010 гг.
Величины, выраженные в денежных единицах, автоматически конвертировались в рубли по курсу Банка России, действующему на дату окончания события, и переводились в сопоставимые цены с помощью индекса потребительских цен (данные Росстата). В качестве базового принят уровень цен мая 2010 года.
В зависимости от вида мошенничества и типа кредитного продукта выделено пять групп однородных рисковых событий.
Рисковым событием внешнего мошенничества (862 события) в розничном кредитовании является факт незаконного получения и/или намеренного невозврата кредита физическим лицом: получение кредита с использованием сфальсифицированных документов, на подставных лиц, а также случаи мошенничества с залогом и нецелевого использования средств банка. События внешнего мошенничества разделены на четыре группы, соответствующие экспресс-кредитованию, автокредитованию, ипотеке и кредитованию на неотложные нужды. Целесообразность выделения указанных групп определяется различиями между схемами кредитования и подтверждается статистическими тестами: попарной проверкой статистических гипотез об однородности
(непараметрический критерий Комогорова-Смирнова) и сравнением коэффициентов вариации. Величина потерь учитывается без восстановления и ограничена размером одного кредита, выданному мошеннику.
Рисковое событие внутреннего мошенничества (353 события) в розничном кредитовании заключается в злонамеренном поведении банковского сотрудника (или группы сотрудников), в результате которого невозвратным может оказаться не отдельный кредит, а целый пул кредитов. Массовые дефоты возможны также при недобросовестном поведении партнеров кредитной организации (торговых точек, автосалонов, ипотечных брокеров, кредитных посредников и т.п.), которым делегируется часть фронт-офисных функций по работе с клиентами, обычно выпоняемых сотрудниками банков. Характер подобных случаев позволяет рассматривать их в рамках модели как события внутреннего мошенничества. Сформированная выборка не разбивается по видам кредитования, поскольку при участии одних и тех же недобросовестных сотрудников (например, руководителей) могут быть незаконно получены любые виды розничных кредитов и, таким образом, цель кредитования не является решающим фактором для анализа событий внутреннего мошенничества.
2.3 Моделирование размера и частоты потерь производилось по отдельности для каждой из пяти грУпп однородных событий. Таблица с найденными распределениями приведена ниже.
Таблица 1. Распределения частоты и размера потерь в однородных группах.
ВИД '; риска:1 Направление,, деятельности Обозна ЧС1П1С ''И*i.'1'';: У Severity Frequency (!') ',
о Экспресс-кредитование 1.ЕХР lmGaussian(52914,0; 79420,0; -615,36) Poisson(36468,0)
S У Автокредетованис 2.AVT Frechet(l,9415; 6.0859E+5; -I.9902E+5) Poisson(l87,86)
я 5 а а Ипотека 3.IPT LogGamma(76,442; 0,1953) Poisson(0,42)
з 2 К О 03 2 Кредитование на неотложные нужды 4.NZD Frechet(l,35; 7J866E+5) Poissonfl562,17)
Внутреннее мошенничество Все виды розничного кредитования S.RLIF Для тела: Frechet(0,44263; 1.1755E+6;-7899,5), усеченное на (~oo;5,5E+7]; Дня хвост: GenPareto(I,1064; I.806E+8; 5.5Е+7) Poisson(4,06)
Внешнее мошенничество. Распределения severity найдены путем проверки статистических гипотез для выборочных данных по критериям Комогорова-Смирнова, Андерсона-Дарлинга и х2-критерию Пирсона (а=0,05). Также для оценки качества подгонки использован график Q-Qplot. Параметры распределений найдены с помощью метода максимального правдоподобия (MLE).
Статистический анализ произведен в ПО EasyFit 5.2 Professional одновременно для 65 законов распределений, известных системе. Ограниченный размер потерь в результате реализации одного события внешнего мошенничества позволяет избежать проблемы тяжелых хвостов.
В силу разных причин (непонота выборки, отсутствие сведений о пострадавшем банке и различия в работе кредитных организаций) сбор внешних данных о потерях из открытых источников информации не дает представления об истинной частоте событий. Нахождение распределений frequency требует иного подхода - на основе анализа бизнес-процесса.
Всех обратившихся в банк клиентов можно разделить на неблагонадежных (с вероятностью р0) и добросовестных (1-ро)- Заявка клиента проходит несколько этапов, прежде чем будет принято решение о предоставлении кредита (с вероятностью 1 -р,) или отказе (р,). Если в итоге кредит будет выдан, потери для банка наступят с вероятностью Р=.Ро"П(1 Ч Pi)- Таким образом, если в течение
прогнозного периода в банке рассматривается К независимых заявок, то частота реализации риска подчиняется биномиальному распределению с параметрами К и р. Этот способ расчета в большей степени применим для анализа риска на основе внутренних данных. Когда вероятности на каждом шаге неизвестны и нет возможности оценить их экспертно, к решению задачи можно подойти с другой стороны.
Пусть NЧ число кредитов, выданных за определенный период времени. Из них часть возвращается в срок, а другая часть составляет проблемную задоженность (qf). В структуре проблемной задоженности часть кредитов приходится на долю намеренного невозврата (д2). В таком случае вероятность наступления потерь в результате операционного риска равна q=qrqz. Закон распределения для величины frequency, как и в предыдущем случае, находится по схеме Бернули. Если вероятность наступления события мала (менее 0,1), а количество испытаний велико, то биномиальное распределение может быть аппроксимировано дискретным распределением Пуассона с параметром Х=Щ. В диссертации используется именно этот способ расчета.
Применение закона Пуассона для определения frequency в розничном кредитовании подтверждается статистикой крупных западных банков. Таким образом, есть теоретическое и практическое обоснование указанной гипотезы.
В диссертации значения N определены на основе среднегодовых показателей тридцати лидеров розничного кредитования в 2007 - последнем докризисном году (рэнкинг агентства Росбизнесконсатинг) и могут
интерпретироваться как целевые показатели работы некоторой абстрактной кредитной организации. Для определения д (доли мошеннических невозвратов) запрошено экспертное мнение одного из руководителей направления анализа розничных кредитных рисков в крупном российском банке. Полученные оценки (Таблица 2) отражают ситуацию в целом по рынку.
Таблица 2. Оценка параметра X для частоты событий внешнего мошенничества.
Вид кредитования Л'{в год) "..-", vP <7
Экспресс-кредитование 897 674 4,0625% 36468
Автокредитование 36 835 0,5100% 187,86
Ипотека 16 673 0,0025% 0,42
Кредиты на неотложные нужды 162 726 0,9600% 1562,17
Внутреннее мошенничество. Первоначально подбор теоретического распределения severity был произведен для всех событий внутреннего мошенничества в розничном кредитовании. Наилучшее качество подгонки было достигнуто при использовании распределения Frechel (0,44263; 1,1755Е+6;-7899,5). Однако было выявлено, что расхождение между теоретическим и эмпирическим распределением увеличивается по мере приближения к более высоким уровням квантилей, что связано с присутствием в выборке экстремальных значений (до 5-7 мрд. рублей). В связи с этим в диссертации хвост (потери, превышающие некоторое достаточно высокое пороговое значение и) и тело распределения моделируются по отдельности.
Для моделирования тяжелых хвостов рассмотрено два метода теории экстремальных значений, в основе которой лежат асимптотические закономерности поведения максимальных (или минимальных) значений случайных величин.
Классический метод блочных максимумов предполагает использование обобщенного экстремального распределения (Generalized Extreme Value, GEV) для моделирования максимальных за период значений некоторого временного ряда. Все остальные (не экстремальные) значения выборки при этом отбрасываются, что делает данный метод неприменимым для анализа операционных потерь в условиях дефицита данных.
В связи с этим для моделирования редких, но крупных потерь предложен альтернативный метод РОТ ("peaks over threshold"). Этот метод основывается на использовании двухпараметрического обобщенного распределению Парето (Generalized Pareto distribution, GPD), к которому при определенных условиях приближается асимптотическое распределение пиков - потерь, превышающих некоторое достаточно высокое пороговое значение и. А именно, условное распределение пиков
Рг(Г-и<л:|Г>и)
сходится к
при и Ч>хрих-и е Дс.Д)> где
[О,-/<?] при <0
Здесь является параметром формы распределения, который указывает на тяжесть хвоста, а /? > О Ч параметром масштаба, определяющим степень рассеянности распределения.
В диссертации пороговое значение установлено на уровне и-55 мн. рублей, что соответствует примерно 83%-ой квантили эмпирического распределения потерь - области резкого увеличения расхождений между выборочными и теоретическими значениями. Для моделирования потерь ниже порогового значения использовано исходное распределение Frec/гe (0,44263;1,1755Е+б;-7899,5), усеченное на (-<;л]. Применение обобщенного распределения Парето (вРО), являющегося естественным выбором для моделирования потерь выше 55 мн. рублей (60 событий), не отвергается ни одним из критериев согласия. Оценки параметров вРВ и1Е =1,16, 1и[=219,4х106 получены методом максимального правдоподобия. При замене исходного распределения на комбинированное получено удовлетворительное качество подгонки модели, что подтверждено графическими и статистическими тестами.
Следует отметить, что проблема дефицита статистических данных наиболее остро проявляется при моделировании экстремальных потерь. Статистики отдельно выбранного банка, даже накопленной за несколько лет, недостаточно для получения адекватного представления о подверженности операционному риску. В то же время включение напрямую в расчеты информации из других источников (сведений о потерях других организаций, результатов сценарного анализа) сопряжено с определенными сложностями. Слабость сценарного анализа, в основе которого лежат экспертные суждения, заключается в высокой степени субъективности оценок и трудностями их формализации. Более объективным представляется использование внешних данных. Однако внешние данные не отражают профиль конкретной кредитной организации, а также могут содержать неточности и искажения, обусловленные особенностями их сбора.
Для воспонения дефицита статистических данных н комбинирования в информации из различных источников в работе применяется байесовский подход.
Суть байесовского подхода состоит в уточнении первоначальных предположений по мере поступления новой достоверной информации. Применительно к исследуемой области первоначальными предположениями служат характеристики параметров, найденные на основе сценарного анализа или по внешним данным. С их помощью строится априорная функция распределения параметров тг(в). На следующем шаге формируется функция правдоподобия Ц0\х), в основе которой лежат уже проверенные данные - внутренняя статистика операционных потерь В случае нерепрезентативности внутренних данных в качестве выборочных значений х могут быть приняты сведения об операционных потерях других кредитных организаций. Тогда для построения априорного распределения ж(в) используется только экспертное суждение.
Апостериорное распределение параметров модели р{0\х), вычисляемое на основе соотношения
р(в\х)к Ц0\х)- п{0), (5)
позволяет наиболее эффективно использовать информацию, полученную из различных источников. Преимущество применения байесовского подхода заключается также в возможности варьировать степень доверия к первоначальным предположениям, используя так называемые информативные и неинформативные априорные распределения.
В диссертации байесовский подход применен для корректировки оценок параметров хвоста распределения, оцененных в условиях дефицита данных. В основу экспертного суждения легли два соображения. Во-первых, в ряде исследований отмечается, что использование данных из открытых источников может привести к завышению оценки потенциальных потерь в виду того, что события с большими потерями имеют большую вероятность попадания в прессу. Во-вторых, выборка содержит ряд наблюдений, которые не впоне применимы для среднестатистического российского банка - потери Сбербанка и иностранных организаций, что тоже увеличивает тяжесть хвоста. Учитывая эти обстоятельства, для параметра 4 выбрано распределение Гумбеля с более низкой, по сравнению с М1.Е-оценкой, модой 0,5817, однако с асимметрией в пользу более высоких значений. Для параметра /? используется неинформативное (рассеянное) равномерное распределение со средним значением порядка 103,9 мн.
Для генерации значений из апостериорного распределения и получения скорректированных точечных оценок параметров БРИ используется
имитационный агоритм "rejection sampling" (выборочный отсев) с некоторыми преобразованиями, позволяющими упростить расчет и сделать агоритм интуитивно более понятным. В качестве скорректированных точечных оценок параметров fc/j;M=l,1064 и рсрр(Ш= 180,6*106 взяты средние значения получившихся апостериорных распределений - такой выбор минимизирует среднеквадратичною ошибку оценки. Близость этих значений к Л/-оценкам говорит о сравнительно более высокой информативности исходной выборки.
Моделирование frequency, так же как и в предыдущем случае, осуществляется с помощью распределения Пуассона (его применяют 93% банков по всему миру). Для нахождения параметра X (Таблица 3) используются средние показатели деятельности тридцати лидеров розничного кредитования в 2007 году по данным Росбизнесконсатинг (GI, Vbimh Vbrmich), материалы Базельского комитета и консорциума ORX (>Д,Д,Noprisk, D^), а также сведения из собранной базы данных об операционных событиях(0/оДД).
Таблица 3. Оценка параметра X для частоты событий внутреннего мошенничества
Показатель Значение
Годовой валовый доход банка - G1 776,55 мн. евро
Доля валового дохода, приходящая на розничные банковские операции (Европа)->ДД,, 43,2%
Годовой валовый доход банка от розничных банковских операций Retail Gl 331,15 мла евро
Медианное количество случаев операционного риска (розничный бизнес), приходящееся на 1 мрд. евро Retail Gl - 550,1
Доля случаев внутреннего мошенничества в общем количество случаев операционного риска (розничный бизнес) -Dfiaud 4,95%
Доля кредитного мошенничества в общем количестве случаев внутреннего мошенничества (розничного бизнес) - Оы 45%
Среднегодовое количество событий внутреннего мошенничества в розничном кредитовании - X = G/x >Дw,x N^* D^ Diam 4,06
2.4 Моделирование зависимостей. В работе рассмотрены различные варианты возможных зависимостей между элементами стандартной 1Ш-модели. Анализ показывает, что наиболее реалистичным является предположение о наличии зависимостей на уровне случайных величин Б1,... характеризующих частоту возникновение рисковых событий в различных группах (вывод подтверждается и исследованиями зарубежных ученых). Эти зависимости, в свою очередь, приводят к возникновению взаимосвязей между совокупными потерями Т1,... 7Щ, моделирование которых предусмотрено в Базель II.
Внешнее и внутреннее мошенничество имеют, по крайней мере, два общих фактора. Во-первых, это ухудшение экономической ситуации, которое, как
правило, провоцирует увеличение незаконной активности (подтверждается исследованиями Chartis, ACFE и PricewaterhouseCoopers). Другим общим фактором является связь между качеством процедур контроля, установленных в банке, и количеством случаев мошенничества - ослабление указанных процедур приводит к появлению новых возможностей для недобросовестного сотрудника или клиента. Существует также третий общий фактор - объемы бизнеса, однако в данной модели он полагается фиксированным. В любом случае есть все основания полагать, что зависимость между распределениями frequency является положительной: при срабатывании того или иного фактора случайные величины возрастают и убывают одновременно. В то же время существенные причины счигать зависимыми случайные величины severity в различных группах отсутствуют.
В качестве инструмента моделирования зависимостей в работе использованы копулы. Этот выбор обусловлен большей гибкостью данного инструмента и отсутствием у него ряда недостатков, присущих традиционному коэффициенту линейной корреляции. Основная идея теории копул состоит в разделении описания совместного распределения H{xt,..., хД) = P(Xj<xi;... Хп<хп) случайного вектора (X/, Х2,...ХД) на две части: спецификацию маргинальных распределений F2(x2),.. FД(xД) и спецификацию структуры взаимосвязей с помощью особой функции - копулы С. Таким образом, справедливо представление:
И(х,.....хпу= С(Р(Х,<х,),... Р(ХД<хД))= C(Fj(xД (6)
Для моделирования зависимостей между величинами frequency выбрана копула copulaM, отвечающая верхней границе Фреше-Хоффдинга, то есть случаю максимальной взаимосвязи:
copulaM = min (FJcdf(-),Flcdf(-),...Fscdf(-)), (7)
где F'cdfi;) - функция распределения частоты событий в i-ой однородной группе F1, i=l.....5.
2.5 Моделирование распределения совокупных потерь для одной или нескольких групп однородных событий и нахождение числовых характеристик этого распределения осуществляется с помощью имитационного эксперимента.
Схема проведения имитационного эксперимента, предложенная в работе, состоит в следующем.
Рассматривается т групп однородных событий, каждая из которых характеризуется некоторыми распределениями частоты (F, frequency) и размера потерь (S, Severity). На каждом испытании из распределения frequency случайным образом выбирается число F, затем генерируется F случайных величин У,
имеющих распределение severity. Их сумма является выборочным значением величины совокупного риска Г для выбранной однородной группы, i~l,...m.
В целях оптимизации расчета вместо генерации выборки из F случайных величин Sk и сложения их значений можно генерировать одну интегральную величину ffi, распределенную как сумма из F* независимых величин, имеющих закон severity. При этом на каждом испытании параметры распределения случайной величины Т., будут изменяться в зависимости от значения, которое примет случайная величинаf на этом шаге имитационного эксперимента.
Выборочные значения I1 для других групп событий определяются аналогично. При проведении имитационного эксперимента с учетом зависимостей генерируемые на каждом шаге величины F1 представляют собой выборку из многомерного случайного распределения, задаваемого копулой.
На каждом шаге эксперимента найденные величины Т суммируются. По полученной достаточно большой выборке определяются числовые характеристики величины Т, в частности, математическое ожидание, VAR и Expected Shortfall (оценка катастрофических потерь, допоняющая VAR).
В диссертации также разработан агоритм включения в расчет страхового возмещения Rk по Полису комплексного банковского страхования (Полис ВВВ), которое уменьшает величину потерь Sk, понесенных банком в результате события внутреннего мошенничества:
Rk = mini max(St - ДО); LeviД,; Ltotal - R,]
К i-i J, (8)
где D Ч франшиза (безусловная), Lmn, -лимит ответственности по одному случаю, Lioiai- совокупный лимит ответственности за период.
При проведении имитационного эксперимента с учетом страхования размер совокупных потерь на каждом испытании уменьшается до
Щ =Г, - xV (9)
В результате помимо случайной величины Т = ^Т' находится также
случайная величина NT = NTJ ее числовые характеристики.
Предложенный в диссертации подход к определению необходимого количества испытаний эксперимента (объему искусственной выборки) и оценке погрешности расчета основывается на требованиях к ширине доверительного
интервала для VAR (выборочной квантили) и Expected Shortfall (выборочного среднего значений, превышающих VAR).
При проведении имитационного эксперимента для моделирования совокупных потерь в результате мошенничества в розничном кредитовании установлены следующие параметры:
Х Период модели -1 год;
Х Уровень доверия для расчета Value-at-Risk и Expected Shortfall - 95,5% (примерно соответствует кредитному рейтингу В по шкале Standard&Poor's)
Х Количество испытаний -100 тыс. (исходя из погрешности 0,3%).
На значения случайных величин S и Т на каждом шаге имитационного эксперимента накладываются ограничения в соответствии с экономическим смыслом задачи:
Х Ограничения на минимальный и максимальный размер одного кредита для событий внешнего мошенничества. Значения S'min и tfmax установлены в соответствии с российской практикой розничного кредитования (Таблица 4):
Таблица 4. Ограничения на минимальный и максимальный размер кредита
1 .-. Вид " Минимальный размер" кредита. Smin Максимальный, размер кредита, Зник
1 ЕХР 3 тыс.руб. 300 тыс. руб
2 A IT 90 тыс. руб. 3,5 мн. руб.
3 1РТ 300 тыс. руб. 35 мн. руб.
4 NZD 300 тыс. руб. 35 мн. руб.
Х Ограничение на максимальный объем кредитования в рамках одного подразделения: 5'< Уьгапск ~5, обусловленное тем, что случаи внутреннего мошенничества реализуются в рамках конкретных подразделений банка (отделений, филиалов), пономочия и ресурсы которых ограничены. Значение Уьгапс>1~\ 568,8 мк. руб. установлено на уровне среднего годового объема кредитования филиала/представительства в РФ для тридцати лидеров розничного кредитования (данные Росбизнесконсатинг);
Х Ограничения на размер совокупных потерь 7*, состоящие в том, что размер потерь в результате мошенничества не может превышать общего объема кредитов (данные Росбизнесконсатинг по лидерам 2007 года, Таблица 5):
Таблица 5. Ограничения на размер совокупных потерь в однородных группах
i "Вад", Ограничения на размер совокупных потерь в группе однородных событий '" -
1 ЕХР Гехг= 8 145,17 мн. руб.
2 АУТ У2=Уаут= 14 764,78 мн. руб.
3 IPT =23 971,9 мн. руб.
i Вид Ограничения на размер совокупных потерь Тht n i руине однородных собшйй
4 NZD ^=^л=43 143,3 мн. руб.
5 RLIF V5=Vbank'-= Vexp + Vait+ V!PT+ VK2D =90 025, 15 мн. руб.
Параметры страховой программы установлены исходя из российской практики страхования по Полису ВВВ (Таблица 6): Таблица 6. Параметры программы страхования по Полису ВВВ
В рублях
Франшиза, D 10 ООО 000,00р.
Лимит по одному случаю, Lewnl 500 000 000,00р.
Совокупный лимит, LДДai 1 000000 000,00р.
Для генерации случайных величин используется ПО EasyFit 5.2 Professional и надстройка Simtools. Реализация имитационного эксперимента по заданной схеме осуществляется с помощью специального программного кода, разработанного па языке VBA. Выпонение наложенных ограничений обеспечивается за счет использования усеченных распределений (для S) и настроек условного суммирования (для Т и R). Для создания комбинированного распределения (внутреннее мошенничество) используется вспомогательная бернулиевская случайная величина, определяющая тело или хвост случайной величины , i=5. Генерация значений F* из совместного распределения, задаваемого копулой copulaM, осуществляется с помощью вспомогательной равномерной случайной величины, обеспечивающей одновременное достижение величинами F1 квантилей уровня U (т.е. комонотонность). Для нахождения сумм 7 /7 в группах с высокой частотой событий (F430, =1,2,4), используется приближенный расчет на основе Центральной предельной теоремы.
2.6 Анализ результатов расчета и исследование модели. В результате имитационного эксперимента найдены следующие характеристики совокупных потерь в результате мошенничества в розничном кредитовании (Таблица 7).
Таблица 7. Результаты имитационного эксперимента, в мн. руб.
Ожидаемые потери Непредвиденные потери 1-усаг 95,5% VAR 1-уеаг 95,5% Sliortfall
Внешнее мошенничество 5 567,06 274,59 5 841,65 5 909,49
Экспресс-кредитование 2 361,34 28,56 2 389,9 2 396, 66
Автокредитование 135,71 22ДЗ 157,93 163,56
Ипотека 2,39 13,79 16,18 25,07
Кредиты на неотложные нужды 3 066,75 246,86 3 313,71 3 374,29
Внутреннее мошенничество 247,51 920,00 1 167,51 1 524,36
Ожидаемые потери Непредвиденные потерн 1-уеаг 95,5% VAR 1-уеаг 95,5% Shortfall
Совокупные потери 5 814,57 988,60 6 803,16 7 185,77
Большую часть совокупных потерь (более 85% от 1-уеаг 95,5% VAR) составляют ожидаемые потери, сформированные в основном за счет событий внешнего мошенничества. Следует отметить, что доля ожидаемых потерь от внешнего мошенничества напрямую зависит от тщательности проверки заемщика, предусмотренной той или иной программой кредитования: она максимальна в случае экспресс-кредитования (98,8%) и минимальна для ипотеки (14,1%). Между тем, сложившаяся конъюнктура рынка позволяет включать эти потери в стоимость кредита, и, следовательно, требования к капиталу могут быть снижены на 5 567,06 мн. руб. Из остающихся 1236,1 мн. руб. большую часть (74,4%) составляют непредвиденные потери в результате внутреннего мошенничества. Это подтверждает сложившееся в банковском сообществе представление о том, что подобные события, хотя и происходят относительно редко, могут нанести организации ощутимый ущерб. Отчасти он может быть компенсирован за счет использования Полиса ВВВ, однако необходимо понимать, что найденные оценки чистых потерь (509,04 мн. руб.), учитывая неопределенность получения страхового возмещения (бремя доказывания лежит на банке) и сроки выплат, отражают идеальную ситуацию, которая не всегда может быть достигнута на практике.
Несмотря на то, что расчет произведен в предположении о максимально возможных зависимостях, существование которых можно обосновать с экономической точки зрения, взаимосвязь между совокупными потерями в результате внешнего и внутреннего мошенничества мала (р^=0,3). Оценка 1-уеаг 95,5% VAR лежит значительно ближе к оценке, найденной при эксперименте без учета зависимостей (6 761,27 мн. руб.), нежели к оценке, полученной по принципу сложения требований к капиталу (7045,69 мн. руб.), предлагаемому в Базель II. Очевидно, что для банка более целесообразным будет использовать собственные оценки уровня зависимостей между однородными группами.
В допонение к VAR в работе рассчитана оценка катастрофических потерь Shortfall. Разность этих мер риска (382,6 мн. руб.) показывает средний размер дефицита капитала в случае превышения фактическими потерями значения, соответствующего выбранному 95,5%-му уровню доверия.
Анализ чувствительности свидетельствует о том, что наибольшее влияние на колебание размера совокупных потерь оказывают события внутреннего мошенничества (р=0,84) и события внешнего мошенничества при кредитовании на неотложные нужды (р=0,66), а точнее, колебания severity в этих группах. Снижение
потерь в первом случае может быть достигнуто за счет лимитирования пономочий и реализации комплекса мер по своевременному выявлению злонамеренных действий сотрудников, во втором - за счет уменьшения суммы нецелевого кредита. В других группах (внешнее мошенничество при экспресс-кредитовании и автокредитовании) меры по снижению риска дожны быть, в первую очередь, направлены на уменьшение frequency, то есть на предотвращение получения кредита недобросовестным заемщиком путем, например, автоматизации андеррайтинга и внедрения систем, позволяющих идентифицировать подозрительные заявки. В отношении ипотеки, где влияние изменения величин $ и F на Т примерно одинаково, хотя и относительно невелико (р=0,2-0,3%), баше может дифференцировать процедуры проверки документов заемщика и залогового имущества (недвижимости) в зависимости от запрашиваемой суммы кредита.
Допонительно в работе исследовано поведение модели в зависимости от изменения программ кредитования, а также в результате стресс-тестирования (95-100%-е квантили frequency). Исследование подтверждает адекватность модели и ее применимость для анализа и количественной оценки операционного риска в коммерческом банке.
3. СПИСОК РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ
1. Овчинникова E.JI. Применение актуарного подхода для оценки операционного риска в розничном кредитовании [текст] /Е. JI. Овчинникова// Математические методы анализа финансовых временных рядов: Сборник научных статей / Под ред. В.Б. Гисина и А.Б. Шаповала. - М.: Финакадемия, 2008. С.62-82. (1,35 п.л.)
2. Овчинникова E.JI. Моделирование операционного риска розничного кредитования на основе актуарного подхода [текст] /Е. Л. Овчинникова// Современные подходы к исследованию и моделированию в экономике, финансах и бизнесе. Материалы конференции Европейского университета в Санкт-Петербурге и Санкт-петербургского экономико-математического института РАН: - Спб, 2008. С.127-131. (0,25 пл.)
3. Zolotareva E.L. Modelling operational risk with the use of extreme value theory: retail banking (Математическое моделирование операционного риска с использованием теории экстремальных значений) [текст] /Е. Л. Золотарева// Анализ, моделирование и прогнозирование экономических процессов: Материалы 1-ой Международной научно-практической Интернет-конференции, 10 декабря 2009 г. - 10 февраля 2010. -Воронеж 2009. С.171-187. (1,1 п.л.)
4. Золотарева Е Л. Корпоративное управление и операционный риск-менеджмент в кредитной организации [текст] /Е. Л. Золотарева// Инновационные процессы и корпоративное управление: материалы II Международной заочной научно-практической конференции, 15-30 марта 2010 г. - Минск, 2010. С.154-157. (0,2 пл.)
5. Золотарева Е.Л. Операционный риск в розничном кредитовании: моделирование экстремальных потерь с применением байесовского подхода [текст] /Е. Л. Золотарева//Современные подходы к исследованию и моделированию в экономике, финансах и бизнесе: Материалы четвертой ежегодной конференции Европейского университета в Санкт-Петербурге и Санкт-петербургского экономико-математического института РАН,- Спб, 2010. С.46-48. (0,25 п.л.)
6. Золотарева Е.Л. Моделирование операционного риска в банке: экстремальные потери [текст] /Е. Л. Золотарева// Материалы VII Международной научной конференцнми молодых ученых, аспирантов и студентов Молодежь и экономика, том IV, 22 апреля 2010 г. - Ярославль.2010. С. 181-182. (0,1 п.л.)
7. Zolotareva E.L. Operational risk in retail banking: modeling extreme losses (Операционный риск в розничном кредитовании: моделирование экстремальных потерь) [текст] /Е. Л. Золотарева/./ Economic Computation and Economic Cybernetics Studies and Research*.- Bucharest, 2010 -№3. C.205-225. (1,5 п.л.)
8. Золотарева Е.Л. Операционный риск: моделирование экстремальных потерь [текст]/Е. Л. Золотарева'/ Управление кредитной организацией- М., 20J0ЧАг
9. Золотарева Е.Л. Оценка риска мошенничества с применением байесовского подхода [текст] IE. Л. Золотарева// Обозрение прикладной и промышленной математики*. - М., 2010. - Том 17, Выпуск 2. С. 265-266. (0,1 п.л.)
10. Золотарева Е.Л. Моделирование риска мошенничества персонала в розничном кредитовании [текст] /Е. Л. Золотарева// Экономика, статистика и информатика. Вестник УМО*.- М., 2010.-J&3. С.85-91. (1,2 п.л.)
* Журналы (издания), входящие в перечень ведущих рецензируемых тучных журнале я н гаданий, выпускаемых в Российской Федерации (см. Ссыка на домен более не работаетheip mat/)
Подписано в печать:
24.03.2011
Заказ № 5204 Тираж - 120 экз. Печать трафаретная. Объем: 1,4 усл.п.л. Типография л11-й ФОРМАТ ИНН 7726330900 115230, Москва, Варшавское ш., 36 (499) 788-78-56 www.autoreferat.ru
Диссертация: содержание автор диссертационного исследования: кандидат экономических наук , Золотарева, Екатерина Леоновна
ВВЕДЕНИЕ.
1. СОВРЕМЕНЫЕ ПОДХОДЫ К УПРАВЛЕНИЮ ОПЕРАЦИОННЫМ РИСКОМ.
1.1. Предпосыки развития операционного риск-менеджмента.
1.2. Классификация событий операционного риска и направлений деятельности.
1.3. Управление операционным риском в России.
1.4. Моделирование и оценка операционного риска.
1.4.1. Подход на основе базового индикатора.
1.4.2. Стандартизированный подход.
1.4.3. Усовершенствованные подходы к оценке операционных рисков.
1.4.4. Подходы, основанные на вероятностном распределении потерь.
2. АКТУАРНЫЙ ПОДХОД К КОЛИЧЕСТВЕННОЙ ОЦЕНКЕ ОПЕРАЦИОННОГО РИСКА.
2.1. Выбор рискового события и направления деятельности.
2.1.1. Внешнее мошенничество в розничном кредитовании.
2.1.2. Внутреннее мошенничество в розничном кредитовании.
2.2. Общее описание модели.
2.3. Формирование выборки.
2.3.1. Однородные группы.
2.3.2. Масштабирование.
2.4. Моделирование размера и частоты потерь.
2.4.1. Моделирование размера потерь {severity).
2.4.1.1. Традиционный подход к выбору закона распределения и оценке параметров.
2.4.1.2. Моделирование экстремальных потерь.
2.4.2. Внешние, внутренние данные и сценарный анализ.
2.4.2.1. Байесовский подход.
2.4.2.2. Априорные и апостериорные распределения.
2.4.3. Моделирование частоты событий {frequency).
2.5. Моделирование зависимостей.
2.5.1. Копулы как инструмент моделирования зависимостей.
2.5.2. Виды копул.
2.6. Имитационный эксперимент.
2.6.1. Операционный VAR (Value-at-Risk).
2.6.2. Необходимое количество испытаний для расчета VAR.
2.6.3. Оценка катастрофических потерь Shortfall.
2.6.4. Учет страховой программы банка.
2.7. Исследование модели.
2.7.1. Анализ чувствительности.
2.7.2. Стресс-тестирование.
2.8. Программное обеспечение.
3. АПРОБАЦИЯ МОДЕЛИ.
3.1. Сбор данных о реализации операционного риска.
3.2. Моделирование риска внешнего мошенничества.
3.2.1. Исходные предположения и допущения. Формирование выборки.
3.2.2. Моделирование размера потерь в результате внешнего мошенничества
3.2.2.1. Экспресс-кредитование.
3.2.2.2. Автокредитование.
3.2.2.3. Ипотека.:.
3.2.2.4. Кредитование на неотложные нужды.
3.2.2.5. Проверка целесообразности разделения выборок.
3.2.3. Моделирование частоты событий внешнего мошенничества.
3.2.3.1. Подбор распределения как результат анализа бизнес-процесса.
3.2.3.2. Нахождение параметров распределения частоты потерь.
3.3. Моделирование риска внутреннего мошенничества.
3.3.1. Формирование выборки.
3.3.2. Моделирование размера потерь в результате внутреннего мошенничества.
3.3.2.1. Потери ниже порогового значения.
3.3.2.2. Экстремальные потери.
3.3.2.3.Корректировка параметров экстремального распределения.
3.3.3. Моделирование частоты событий внутреннего мошенничества.
3.4. Моделирование совокупных потерь.
3.4.1. Схема генерации случайных значений.
3.4.1.1. Внешнее мошенничество.
3.4.1.2. Внутреннее мошенничество.
3.4.2. Проведение имитационного эксперимента. Расчет VAR.
3.4.3. Анализ результатов эксперимента, проведенного без учета зависимостей и страхования.
3.4.4. Моделирование зависимостей.
3.4.4.1. Особенности генерации зависимых случайных величин.
3.4.4.2. Анализ результатов эксперимента, проведенного с учетом зависимостей.
3.4.5. Учет страховой программы.
3.4.6. Расчет Expected Shortfall.
3.5. Исследование модели.
3.5.1. Стресс-тестирование.
3.5.2. Анализ чувствительности.
3.5.3. Изменение программы кредитования.
Диссертация: введение по экономике, на тему "Математическое моделирование операционного риска в коммерческом банке"
Актуальность темы исследования. Управление операционным риском является сравнительно новым направлением для банковского сообщества. В документах Базельского комитета по банковскому надзору [1] оно впервые было выделено как самостоятельное направление в конце 90-х гг. В настоящее время, по данным компании Эе1оШе [36], управление операционными рисками является частью корпоративных программ риск-менеджмента в абсолютном большинстве банков (97%) и предусматривает четыре этапа: идентификацию, оценку, мониторинг, контроль и/или минимизацию (см. Рисунок 1). Тем не менее, многие методологические вопросы, в частности, связанные с количественной оценкой операционного риска, остаются открытыми.
Управление какими рисками включено в Вашу ЕКМ-программу?
Операционный риск Кредитный рнск Рыночный риск Риск ликвидности Репутационный рнск Комплаенс-риск Рнск ИТ-безопасности Стратегический риск Модельный рнск Опрос проведен среди организаций, имеющих корпоративную программу управления рисками (ЕЯМ)
Рисунок 1. Результаты опроса, проведенного компанией Deloitte [36] В рамках усовершенствованных подходов (AMA) Базель II предоставляет банкам право самостоятельно разрабатывать экономико-математические модели для количественной оценки операционного риска и, соответственно, для расчета размера капитала, достаточного для покрытия потенциальных потерь. В отличие от более простых подходов (BIA и TSA), также предлагаемых в Базель II, такие модели способны давать более обоснованные оценки операционного риска.
Операционному риску в той или иной мере подвержены все направления деятельности банка, причины его реализации могут быть различными, и, следовательно, моделирование неоднородных событий дожно осуществляться по отдельности. Основным препятствием для практического использования внутренних систем оценки является дефицит статистических данных. Кроме того, сведения об операционных потерях носят закрытый характер, поскольку их разглашение критично для деловой репутации банка. Однако по мере того как банки накапливают собственную статистику и анализируют сведения о потерях других организаций, возможности применения экономико-математических моделей расширяются. Одновременно возникает необходимость разработки способов решения ряда задач, обозначенных в Базель II: моделирования экстремальных потерь (тяжелых хвостов), комбинирования информации из различных источников в условиях дефицита данных и учета зависимостей при агрегировании совокупных потерь в нескольких однородных группах. Помимо этих факторов, для более точной оценки операционного риска необходимо принимать во внимание особенности работы конкретного банка, и, в том числе, страновые различия.
В отечественных коммерческих банках операционному риску в наибольшей степени подвержено направление кредитования физических лиц, что связано с бурным развитием розничного сегмента в России и странах СНГ в 2005-2010 гг. Стремление банков любой ценой нарастить портфель, появление ускоренных и упрощенных схем кредитования, отсутствие опыта разработки розничных продуктов и управления риском - всё это создало возможности для злоупотреблений и получения кредита мошенническим путем как со стороны клиентов, так и сотрудников банков.
Внедрение Базель II в России намечено на 2011-2018 гг., однако для принятия взвешенных решений кредитным организациям уже сейчас необходим гибкий инструмент - модель, позволяющая анализировать возможные варианты событий и прогнозировать величину потенциальных потерь, в частности, в результате мошенничества в розничном кредитовании.
Степень разработанности темы. Вопросы управления операционным риском как составляющей процесса риск-менеджмента коммерческого банка представлены в работах Д.Г. Хоффмана, К. Маршала, Ф. Джориона, Ф. Фабоцци, М. Левгш и др. и систематизированы Базельским комитетом по банковскому надзору. В России вопросы управления операционными рисками нашли отражение в работах В.Б. Сазыкина, В.М. Золотарева, М. Натуриной, О. Громенко и др., а также в документах Банка России.
С учетом лучшей мировой практики Базельским комитетом были сформулированы основные требования к банкам, применяющим AMA, и, следовательно, к разрабатываемым ими внутренним системам оценки. В настоящее время большинство используемых моделей заимствованы из страховой отрасли и основываются на исследовании вероятностного распределения потерь. Теоретический анализ актуарных моделей проведен в работах М. Круза, К. Александр, A.C. Чернобай, С.Т. Рачева. Имеется также ряд прикладных исследований, посвященных той же тематике, например, работы Г. Миньолы, Р.Угочьони, Ф. Aye, М.Какбренера, А.Фрашо, Т. Ронкали, П.Джорждеса, Н. Боуда и др.
Несмотря на заметный прогресс в последние 2-3 года, единого мнения относительно оптимального способа построения модели оценки операционного риска банковским сообществом пока не выработано.
Значительные сложности связаны с оценкой экстремальных потерь - так называемых тяжелых хвостов. Проблема тяжелых хвостов при моделировании операционного риска исследовалась в работах К. Дуты, Дж. Пэрри, Дж. Неслеховой, Е. Медовой, М.Н. Куриаку и др. Одним из предлагаемых способов ее решения является использование теории экстремальных значений, основы которой были заложены учеными Р. Фишером, Д. Типпетом, Б.В. Гнеденко, Р.фон Мизесом и впоследствии развивались, в том числе, применительно к финансовой сфере, Дж. Пикандсом, Р.Л. Смитом, П. Эмбрехтсом, К. Клюпперберг, Т. Микошем, Л: Де Хааном, А.Мак-Нейлом, С.Т. Рачевым, С. Менном, С. Коузом, А. Дэвисоном, А.С.Себрианом, М.Денуитом, Ф. Ламбертом и др.
Существенные трудности вызывает также комбинирование в модели информации о подверженности операционному риску, полученной из различных источников, в том числе экспертных оценок. В ряде исследований для преодоления этих трудностей использовася байесовский подход (работы Е.А. Медовой;, М.Н. Куриаку, Р;Л. Смита, Дж. Годмана, Дж. Петерса, С. Сиссона, И.Шевченко, М.Вютриха, И. Журавлева и др.). Особенности применения байесовского подхода в финансовой сфере раскрыты в работах С. Рачева, Дж. Хсу, Л.В. Уткина и др. Решения сопутствующих байесовскому анализу проблем вычислительного характера предложены в работах в Н. Метрополиса, К. Гастингса, Дж. Гиббса; А.Ф. М: Смита, А.Е. Гефанда, Д. Финка и др.
Между тем, отечественные исследования, посвященные решению указанных вопросов при моделировании операционного риска в коммерческом банке, практически отсутствуют.
Важной задачей является моделирование зависимостей при агрегировании совокупных потерь в нескольких: однородных группах, в том числе при расчете требований: к капиталу. Одним из инструментов; применяемых для-решения этой задачщ, является теория копул, основы которой? были заложены А.Скляром, М.Фреше и В. Хоффдингом. Математический аппарат теории копул и его применение в риск-менеджменте обсуждались в работах И: Эмбрехтса, Р. Б. Нельсона, А. МакНейла, К. Дженеста, Дж. Неслеховой, Дж. Пучетти, Д. Штрауманна, Л. де Хаана, А. Новоселова, Д. Карлиса и др.
Наличие известных математических и инструментальных методов, тем не менее, не гарантирует автоматического решения задачи моделирования операционного риска. Основная сложность связана именно с адаптацией указанных- методов для анализа конкретных направлений деятельности банка и рисковых событий, что требует, как минимум, целенаправленного сбора и обработки данных об операционных потерях и апробации моделей в реальных условиях. Эта работа в основном концентрируется в крупных иностранных кредитных организациях {Deutsche Bank, LCL, Intesa, Mizuho, BBVA и др.), использующих собственные данные, однако они являются конфиденциальными. Информационной базой остальных прикладных исследований, также преимущественно зарубежных, служат суррогатные данные (например, данные страховых компаний, статистика убытков по операциям на финансовом рынке и т.п.) или же статистика консорциумов по операционному риску, которые в России пока отсутствуют. Ни в одной из проанализированных работ не рассматривались практическая реализация всех этапов актуарного подхода, не исследовалась задача моделирования операционного риска мошенничества в розничном кредитовании коммерческого банка и не использовалась статистика, применимая для анализа этих рисковых событий в отечественных кредитных организациях.
Из приведенного рассмотрения следует, что тема моделирования операционного риска в коммерческом банке еще недостаточно разработана даже на мировом уровне, а в России это направление находится лишь на начальном этапе.
Цель исследования состоит в разработке экономико-математической модели, позволяющей получить оценки потенциальных потерь в результате реализации операционного риска мошенничества в розничном кредитовании:
Для достижения указанной цели в работе поставлены следующие задачи:
1. Формирование информационной базы исследования на основе реальных сведений о потерях, статистическая обработка данных и выделение однородных групп событий, относящихся к реализации риска мошенничества в розничном кредитовании;
2. Разработка способа математического моделирования частоты и размера потерь в однородных группах событий, обеспечивающего, в частности:
- учет экстремальных потерь (тяжелых хвостов);
- воспонение дефицита данных за счет комбинирования информации из нескольких источников;
3. Разработка способа математического моделирования зависимостей между однородными группами событий при агрегации оценок совокупных потерь;
4. Разработка способа моделирования ожидаемых и непредвиденных потерь в результате реализации риска мошенничества в розничном кредитовании с учетом ограничений, следующих из экономического смысла задачи, и возможностей применения инструментов минимизации риска (страхования);
5. Анализ результатов применения разработанной методики для оценки потенциальных потерь абстрактного среднестатистического коммерческого банка и исследование экономико-математической модели.
Объектом исследования является направление розничного кредитования в коммерческом банке, включающее в себя экспресс-кредитование, автокредитование, ипотеку и кредитование на неотложные нужды.
Предметом исследования является математическое моделирование операционного риска внешнего (совершенного третьими лицами) и внутреннего (совершенного при<участии сотрудников банка) мошенничества.
Теоретической и методологической основой исследования послужили положения, содержащиеся в трудах российских и зарубежных авторов в таких областях науки как теория вероятностей и математическая статистика, теория экстремальных значений, байесовский анализ, теория копул и имитационное моделирование. В исследования использовались научные положения в области банковского дела, анализа бизнес-процессов и управления операционными рисками.
В процессе написания работы были применены следующие методы исследования: методы теории вероятностей, математической статистики и объектно-ориентированного программирования. Сбор и обработка данных осуществлялись в MS Access, EasyFit 5.2 Professional, Simtools и MS Excel.
Информационной базой исследования послужили:
- база данных, содержащая сведения о реализации операционного риска, в частности, риска мошенничества в розничном кредитовании, собранная в результате мониторинга открытых источников информации в течение 2005-2010 гг. Большая часть событий относится к потерям организаций в России и странах СНГ и отражает специфику этой бизнес-среды;
- результаты исследований Базельского комитета по банковскому надзору и консорциума ORX; аналитические обзоры и рэнкинги информационного агентства Росбизнесконсатинг; данные официальной отчетности российских кредитных организаций, предоставляемой Банку России; данные Росстата, аналитические материалы компаний PricewaterhouseCoopers, Ernst&Young, Deloitte, ASFE и рейтинговых агентств Fitch, Standard & Poors, Moody's.
Область исследования. Содержание диссертационного исследования соответствует специальности 08.00.13 - Математические и инструментальные методы экономики.
Научная новизна исследования заключается в построении актуарной модели количественной оценки операционного риска в условиях дефицита статистических данных, предусматривающей анализ экстремальных потерь, комбинирование информации из нескольких источников и учет зависимостей; обосновании ее применимости для анализа подверженности отечественного коммерческого банка операционному риску мошенничества в розничном кредитовании.
Новыми являются следующие научные результаты:
- Проведена классификация однородных рисковых событий в зависимости от вида операционного риска (внешнее или внутреннее мошенничество) и типа кредитного продукта.
По статистическим данным найдены вероятностные распределения, описывающие размер потерь в результате одного события в каждой из однородных групп;
- На основе анализа бизнес-процесса розничного кредитования сделан вывод о применимости распределения Пуассона для моделирования частот событий в однородных группах; предложен способ определения его параметра X в условиях дефицита статистических данных.
- Повышено качество аппроксимации модели за счет применения' метода РОТ для описания экстремальных (т.е. превышающих определенный порог отсечения) потерь в результате внутреннего мошенничества; разработан способ уточнения характеристик экстремального распределения GPD, основанный на применении байесовского подхода для комбинирования статистических данных и экспертного мнения;
- Уточнена агрегированная оценка совокупных потерь за счет включения в модель зависимостей между распределениями частот событий в разных однородных группах; с помощью аппарата копул показано преимущество самостоятельного моделирования банком зависимостей при агрегации оценок совокупных потерь;
- Разработан способ расчета мер риска Value-at-Risk и Shortfall с заданной точностью, учитывающий ограничения на сумму кредита, лимиты кредитования по видам продуктов и подразделениям, применение банком страхования с различными вариантами франшизы и лимитов ответственности, а также предусматривающий возможность стресс-тестирования;
- На основе результатов расчета и анализа чувствительности модели разработаны рекомендации для банков, направленные на снижение потерь в результате мошенничества при кредитовании физических лиц.
Теоретическая и практическая значимость исследования. Теоретическая значимость исследования состоит в адаптации известных математических и инструментальных методов для решения задачи моделирования' операционного риска в коммерческом банке. Предложенная методика реализации актуарного подхода может быть использована для любых направлений деятельности и видов событий операционного риска, а также для агрегирования капитала под операционный риск для всего банка. С практической точки зрения, разработанная модель представляет собой готовый инструмент, который предусматривает гибкую настройку в зависимости от исходных данных или целей расчета и позволяет коммерческому банку самостоятельно производить анализ и количественную оценку операционного риска. Полученные в ходе имитационного эксперимента оценки потенциальных потерь и разработанные на основе исследования рекомендации могут быть использованы при внедрении программ розничного кредитования, расчете тарифов и процентных ставок, а также позволят сформировать адекватную подушку безопасности на случай реализации риска (капитал под операционный риск). Варьируя параметры частоты событий, зависящие от конкретной организации, банк может спрогнозировать возможные потери, обусловленные изменением масштабов бизнеса и/или процедур внутреннего контроля. Найденные на основе выборки законы распределения могут использоваться организацией как допонение собственных исторических данных о потерях и/или экспертных оценок.
Апробация и внедрение результатов исследования. Достоверность полученных результатов основывается на сочетании применения статистических методов и анализа бизнес-процессов розничного кредитования в коммерческом банке и подтверждается сопоставлением с реальными данными. Основные результаты исследования прошли апробацию в экспертном сообществе в рамках следующих научных и практических мероприятий:
- Международные конференции Международный опыт риск-менеджмента и особенности развивающихся рынков, г. Москва, 2007 и 2008 гг.;
- круглые столы по темам Российский финансовый рынок: проблемы повышения конкурентоспособности и роли в инновационном развитии экономики, "Роль финансовой, банковской и валютной систем в инновационном развитии экономики", "Мировой финансово-экономический кризис и перспективы инновационного развития экономики- России: финансовый, кредитный, валютный аспекты", проведенные под научным руководством д.э.н., проф. JI.H. Красавиной, Финакадемия, 2008, 2009, 2010 гг.;
- Международная конференция Борьба* с мошенничеством? в. финансовых институтах СНГ, г. Москва, 2008 г.;
- Вторая и четвертая ежегодные конференции "Современные подходы к исследованию и моделированию в экономике, финансах и бизнесе", г. Санкт-Петербург, 2008 и 2010 гг.;
- Seminar оп Actual Methods of Financial Risk Management - Российско-австрийский Семинар по актуальным методам финансового риск-менеджмента, Финакадемия, 2009 г.;
- 1-ая Международная научно-практическая Интернет-конференция "Анализ, моделирование и прогнозирование экономических процессов", г. Воронеж, 2009-2010 гг.;
- II Международная заочная научно-практическая конференция Инновационные процессы и корпоративное управление, г. Минск, 2010 г.
- VII Международная научная конференция молодых ученых, аспирантов и студентов Молодежь и экономика, г. Ярославль, 2010 г.;
- XVII Всероссийская школа-колоквиум, по стохастическим методам, XI Всероссийский симпозиум1 по прикладной и промышленной математике (весенняя сессия), г. Кисловодск, 2010 г.
Работа выпонена в рамках направления исследования НИР кафедры Математика ФГОБУВПО Финансовый университет при Правительстве Российской Федерации по теме Развитие математических инструментов исследования финансово-экономических процессов в соответствии с Комплексной темой Пути развития финансово-экономического сектора России.
Результаты научного исследования используются в практической деятельности Департамента рыночных и операционных рисков ОАО Банк Москвы. Построенная, в ходе исследования модель количественной оценки операционного риска и разработанные на ее основе рекомендации используются при оценке подверженности направлений деятельности банка (в частности -розничного кредитования) операционному риску, а также для повышения эффективности способов его контроля и минимизации. Результаты исследования служат методологической основой и способствуют совершенствованию системы управления операционным риском ОАО Банк Москвы.
Материалы исследования используются кафедрой Математика ФГОБУВПО Финансовый университет при Правительстве Российской Федерации в преподавании учебной дисциплины Количественные методы инвестиционного анализа.
Публикации. По теме диссертации опубликовано 10 печатных работ общим объемом 7,05 п.л. (авторский объем - 7,05 п.л.), в том числе 3 работы опубликованы в изданиях, определенных ВАК.
Структура диссертации обусловлена целью, задачами и логикой исследования. Работа состоит из введения, трех глав, списка использованной литературы, содержащего 152 источника, заключения и 11 приложений. Диссертация включает 47 рисунков, 41 таблицу и 45 формул. Общий объем составляет 197 страниц.
Диссертация: заключение по теме "Математические и инструментальные методы экономики", Золотарева, Екатерина Леоновна
Диссертация: библиография по экономике, кандидат экономических наук , Золотарева, Екатерина Леоновна, Москва
1. A new capital adequacy framework - Consultative paper// Basel Committee on Banking Supervision, June 1999. URL: Ссыка на домен более не работаетpubl/bcbs50.pdf (дата обращения: 31.01.2010).
2. ACFE Report to the Nation on Occupational Fraud and Abuse, 2006 r. // Association of Certified Fraud Examiners (официальный сайт), URL: Ссыка на домен более не работаетdocuments/2006-rttn.pdf (дата обращения: 17.03.2011)
3. ACFE Report to the Nation on Occupational Fraud and Abuse, 2008 r. // Association of Certified Fraud Examiners (официальный сайт), URL: Ссыка на домен более не работаетdocuments/2008-rttn.pdf (дата обращения: 17.03.2011)
4. Alexander С. "Statistical models of operational loss". Глава 7 в книге Alexander С. (ed.). Operational Risk: Regulation, Analysis and Management. -Edinburgh, UK: Prentice Hall, 2003.- 369 c.
5. Algo OpData //Официальный сайт компании Algorithmics. URL: Ссыка на домен более не работаетEN/media/pdfs/Algo-FS0007-QpData.pdf (дата обращения 17.03.211)
6. Alvarez Gene. Operational Risk Event С1а88Шсайоп//Официальный сайт компании LogicManager. URL: Ссыка на домен более не работаетcontents/pdf/riskeventclassification.pdf (дата обращения: 17.03.2011)
7. Aue F., Kalkbrener M. LDA at Work. Deutsche bank white papers, February 2007. // Электронная библиотека GARP. URL: Ссыка на домен более не работаетdocs/fnn/AucKalkbrencrLDA.pdl' (дата обращения: 17.03.2010).
8. Bank Rating Analysis Methodology Profile, March 2004.// Standard & Poor's Financial Services LLC (официальный cafiT).URL:Ссыка на домен более не работаетprot/ratings/articles/en/us/?assetID= 124519946 5603 (дата обращения: 20.10.2010).
9. Basel II: The New Basel Capital Accord Second Consultative paper//Basel Committee on Banking Supervision, January 2001. URL: Ссыка на домен более не работаетpubl/bcbsca03.pdf (дата обращения: 31.01.2010).
10. Blum, P., Dias, A., Embrechts, P. The ART of dependence modelling: the latest advances in correlation analysis. Глава в книге Morton Lane (ed.). Alternative Risk Strategies.- London, UK: Risk Books, c. 339-356.
11. Cebrian A.C., Denuit M., Lambert P. Generalized Pareto Fit to the Society of Actuaries' Large Claims database// North American Actuarial Journal, 2003 Vol.7-No.3, c. 18-36
12. Chernobai A. S., Rachev S. Т., Fabozzi F.J. Operational Risk: A Guide to Basel II Capital Requirements, Models, and Analysis Hoboken, NJ, USA: John Wiley & Sons, Inc. ,2007.-323 c.
13. Coles S., Davison A. Statistical Modelling of Extreme Values// Competence Center Environment and Sustainability (официальный сайт). URL: Ссыка на домен более не работаетprojects/hazri/EXTREMES/talks/colesDavisonDavosJan08.pdf (дата обращения: 17.03.2010).
14. Confidence Interval for Population Quantile.//University of New England (официальный сайт). URL: Ссыка на домен более не работает~stat354/notes/node72.html, (дата обращения: 31.01.2007).
15. Cruz M. G. Modeling, Measuring and Hedging Operational Risk. Chichester, UK: John Wiley & Sons, 2002. 346 c.
16. De la Mora F., Mahieddine Y. Operational risk from measurement to management// PWC. The Journal. Special Risk Management Edition, January 2005. URL: Ссыка на домен более не работаетimages/gx/eng/fs/bcm/123004journal.pdf (дата обращения: 22.10.2006).
17. Default, Transition, and Recovery: 2008 Annual Global Corporate Default Study and Rating Transitions// Standard& Poor's (официальный сайт), April 2009. URL: Ссыка на домен более не работаетp>
18. Doering H.-U. Operational Risks in Financial Services//Credit Suisse (официальный сайт). URL: Ссыка на домен более не работаетgovernance/doc/operationalrisk.pdf (дата обращения:22.01.2007).
19. Dowd К. Measuring Market Risk. Chichester, UK: John Wiley and Sons, 2005, c.189-207
20. EasyFit Distribution Fitting Made Easy// Math Wave Technologies (официальный сайт). URL: Ссыка на домен более не работаетen/horne.html (дата обращения: 17.03.2011).
21. Embrechts P. Copulas: A personal view// Journal of Risk and Insurance.- 2009-No.76, c.639-650.
22. Embrechts P., Klppelberg C., Mikosch T. Modeling Extreme Events: for Insurance and Finance (Stochastic Modeling and Applied Probability). Berlin, Germany: Springer, 2004. 656 c.
23. Embrechts, P, Puccetti, G.: Aggregating risk capital, with an application to operational risk/// The Geneva Risk and Insurance Review.- 2006- 31(2), c. 71-90.
24. Embrechts, P., Lindskog, F., McNeil, A. Modelling Dependence with Copulas and Applications to Risk Management. Глава 8 в книге Rachev S. (ed.) Handbook of Heavy Tailed Distributions in Finance. Elsevier, 2003. c. 329-384
25. Embrechts, P., McNeil, A., Straumann, D. Correlation and dependence in risk management: properties and pitfalls. Глава в книге Dempster M. A. H.(ed). Risk Management: Value at Risk and Beyond.- New York, NY: Cambridge University Press, 2002, c. 176-223
26. Embrechts, P., McNeil, A., Straumann, D. Correlation: Pitfalls and alternatives: A short, non-technical article // RISK Magazine,1999.- May, c. 69-71. URL: Ссыка на домен более не работает~baltes/ftp/riskj3ittaltersl 999.pdf (дата обращения: 30.09.2008).
27. Financial crime risk management systems 2009 (Ref. No. RR0901) // Chartis Research, February 2009. URL: Ссыка на домен более не работаетresearch/reports/financial-criine-risk-management-systems-2009, (дата обращения: 31.01.2010).
28. Fink D. A Compendium of Conjugate Priors (MT 59717, May 1997)// Columbia university, Department of Statistics (официальный сайт), URL: Ссыка на домен более не работает~cook/movabletvpe/mlm/CONJINTRnew+TEX.pdf (дата обращения: 10.10.2010)
29. Frachot A., Georges P. & Roncalliy T. Loss Distribution Approach for operational risk (March 30, 2001)// Thierry Roncalli's Home Page. URL: Ссыка на домен более не работаетdownload/lda.pdf ("дата обращения: 10.10.2010)
30. Genest С., Favre, A.-C. Everything you always wanted to know about copula modeling but were afraid to ask. //Journal of Hydrologic Engineering, 2007. -Vol. 12, No. 4, c. 347-368
31. Genest, C., Neslehova J. A Primer on copula for count data. // Astin Bulletin, 2007. -№ 37(2), c. 475-515.
32. Global Operational Loss Database (GOLD) brochure, 2008//British Bankers' Association (официальный сайт). URL: Ссыка на домен более не работаетdownload/253 (дата обращения: 10.10.2010)
33. Global Risk Management Survey: Sixth Edition// Deloitte (официальный сайт), Июнь 2009. URL: Ссыка на домен более не работаетassets/Dcom-Singapore/Local%20Assets/Documents/GlobalRskMgmtSrvvJune09.pdf (дата обращения: 31.01.2010).
34. Hoffman D.G. Managing Operational Risk: 20 firmwide best practice strategies. -USA:Wiley &Sons, 2002,540 c.
35. Internal Fraud: Surveying the Current Landscape. A Financial Services Industry Briefing ' Paper. March 2007//The Santa Fe Group white papper. URL: Ссыка на домен более не работаетdocs/SFGInternalFraudFINAL.pdf (дата обращения: 08.04.2010).
36. International Convergence of Capital Management and Capital Standards// Basle Committee on Banking Supervision, July 1988. URL: Ссыка на домен более не работаетpubl/bcbs04a.pdf (дата обращения: 31.01.2010).
37. International Convergence of Capital Measurement and Capital Standards: A revised framework-comprehensive version // Basel Committee on Banking Supervision, June 2006. URL: Ссыка на домен более не работаетpubl/bcbsl28b.pdf (дата обращения: 10.10.2010).
38. Jorion P. Financial Risk Manager Handbook. -Wiley Finance, 2005, c. 533-553
39. Jorion P. Value at Risk: The New Benchmark for Managing Financial Risk. Second Edition. New York, NY: McGraw-Hill, 2000,544 c.
40. Karlis D. On modelling multivariate count data //Technische Universitt Berlin, Neural Information Processing Group (официальный сайт). URL: Ссыка на домен более не работаетproiects/nips2008pdfs/karlis slides.pdf (дата обращения: 10.10.2010)
41. Lee E.H. Copula Analysis of Correlated Counts //University of California, Department of Economics (официальный сайт), November 2009. URL: Ссыка на домен более не работает~hwlee/resources/JMKpaperEstherHeeLee.pdf (дата обращения: 10.12.2010).
42. Levine M., Hoffman D. G. Enriching the universe of operational risk data //In Bhattacharyya A. (ed) Operational risk, Risk Professional-Informa Business Publishing, 2000, c.25-40.
43. Marshall C., Measuring and managing operational risk in financial institution. First Edition- Wiley Finance, 2001,608 c.
44. McNeil A. J. Extreme value theory for risk managers". Глава в книге "Internal Modeling and CAD П". London, UK: Risk Books, 1999, c. 93-113.
45. Medova E.A. Capital Allocation for Extreme Operational risk.// Research Papers on Management Studies. Cambridge Judge Business School, 1999.- Working paper No. 27/99.
46. Medova E.A., Kuriacou. M.N. Extremes in Operational Risk Management. Глава в книге Dempster M. A. H.(ed). Risk Management: Value at Risk and Beyond.- New York, NY: Cambridge University Press, 2002, c. 247-274.
47. Mignola G., Ugoccioni R. Sources of uncertainty in modeling operational risk losses// Journal of Operational Risk, 2006-Volume 1/Number 2, c. 33-50.
48. Moody's Analytical Framework For Operational Risk Management Of Banks, January 2003// Moody's Investors Service, 1пс.(официапьный сайт). URL: Ссыка на домен более не работаетresearchdocumentcontentpage.aspx?docid=PBC77083 (дата обращения: 10.04.2007).
49. Observed range of practice in key elements of Advanced Measurement Approaches (AMA), Basel Committee on Banking Supervision, July 2009. URL: Ссыка на домен более не работаетpubl/bcbsl60b.pdf (дата обращения: 31.01.2010).
50. Observed range of practice in key elements of Advanced Measurement Approaches (AMA) //Basel Committee on Banking Supervision, October 2006. URL:Ссыка на домен более не работаетpubl/bcbsl 31 .pdf (дата обращения: 31.01.2010).
51. Operational risk Consultative Document Supporting Document to the New Basel Capital Accord// Basel Committee on Banking Supervision, January 2001. URL: Ссыка на домен более не работаетpubl/bcbsca07.pdf (дата обращения: 31.01.2010).
52. Operational risk management // Basel Committee on Banking Supervision, September 1998. URL: Ссыка на домен более не работаетpub1/bcbs42.pdf (дата обращения: 31.01.2010).
53. Operational Risk//The official cite of Fermat product line. URL: Ссыка на домен более не работаетbanking-solutions/operational-risk.asp (дата обращения: 12.10.2010).
54. ORX Operational Risk Report, June 2OIO//ORX Association (официальный сайт). URL: Ссыка на домен более не работаетrequest.report.php (дата обращения: 20.10.2010).
55. ORX Operational Risk Reporting Standards: An ORX Members' Guide to Operational Risk Event/Loss Reporting//ORX Association (официальный сайт). URL: Ссыка на домен более не работаетstandards (дата обращения: 20.10.2010).
56. Overview of The New Basel Capital Accord: Consultative Document//Basel Committee on Banking Supervision, April 2003. URL: Ссыка на домен более не работаетbcbs/cp3ov.pdf (дата обращения: 31.01.2010).
57. Panjer, H. H. Recursive evaluation of a family of compound distributions// ASTIN Bulletin, 1981.- No. 12, c.22-26.
58. Peters G., Sisson S. Bayesian Inference, Monte Carlo Sampling and Operational Risk// Journal of Operational Risk, 2006.-№ 1(3).
59. Rachev, S., Hsu, J., Bagasheva, В., Fabozzi F. Bayesian Methods in Finance. -Hoboken, New Jersey: John Wiley & Sons Inc., 2008, 329 c.
60. Rating Methodology. Bank's Credit Risk in Emerging Markets (an analytical framework)//Moody's Investors Service (официальный сайт), July 1999. URL:Ссыка на домен более не работаетdata/rating/emerging%20banks%20methodology.pdf (датаобращения: 30.10.2006).j
61. Results from the 2008 Loss Data Collection Exercise for Operational Risk // Basel Committee on Banking Supervision, July 2009. URL: Ссыка на домен более не работаетpubl/bcbsl60a.pdf (дата обращения: 10.10.2010).
62. Risk Management for Electronic Banking and Electronic Money Activities //Basle Committee on Banking Supervision, March 1998. URL: Ссыка на домен более не работаетpubl/bcbs35.pdf (дата обращения: 31.01.2010).
63. Risks in Computer and Telecommunication Systems // Basle Committee on Banking Supervision, July 1989. URL: Ссыка на домен более не работаетpubl/bcbscl36.pdf (дата обращения: 31.01.2010).
64. SAS Oprik Global Data//SAS Institute Inc. (официальный сайт). URL: Ссыка на домен более не работаетresources/product-brief/sas-oprisk-globaldata-brief.pdf (дата обращения:1703.2010).
65. Shevchenko P., Wthrich M. The Structural Modelling of Operational Risk via Bayesian inference: Combining Loss Data with Expert Opinions// Journal of Operational Risk, 2006-№ 1(3), c. 3-26.
66. Simulation Software Survey// OR/MS (Operational Research / Management Science Today website. URL: Ссыка на домен более не работаетorms/surveys/Simulation/Simulation.html (дата обращения:1703.2011).
67. Smith A.F.M, Gelfand A.E. Bayesian Statistics Without Tears:A Sampling-Resampling Perspective.//The American Statistician, 1992.-Vol.46.- No.2.
68. Smith R. L. Extreme value analysis of environmental time series: an application totrend detection in ground-level ozone // Statistical Science, 1989. Vol.4.- No.4, c. 367-393.
69. Smith R. L. Measuring risk with Extreme Value theory. Глава в книге Dempster M. A. H.(ed). Risk Management: Value at Risk and Beyond.- New York, NY: Cambridge University Press, 2002, c. 224-246
70. Smith R. L., Goodman DJ. Bayesian risk analysis. Глава в книге Embrechts P.(ed) .Extremes and Integrated Risk Management.-London, UK:Risk Books, 2000, c. 235-251.
71. Software Add-ins: About SIMTOOLS and FORMLIST// University of Chicago, Roger Myerson page (официальный сайт). URL: Ссыка на домен более не работает~rmyerson/addins.htm (дата обращения: 10.10.2010).
72. Sound Practices for the Management and Supervision of Operational Risk//Basel Committee on Banking Supervision, December 2010. URL: Ссыка на домен более не работаетpubl/bcbsl83.pdf (дата обращения: 31.01.2010).
73. The Quantitative Impact Study for Operational Risk: Overview of Individual Loss Data and Lessons Learned// Basel Committee on Banking Supervision, January 2002. URL: Ссыка на домен более не работаетbcbs/qis/qisopriskresponse.pdf (дата обращения: 31.01.2010).
74. Working Paper on the Regulatory Treatment of Operational Risk// Basel Committee on Banking Supervision, September 2001. URL: Ссыка на домен более не работаетpubl/bcbswp8.pdf (дата обращения: 31.01.2010).
75. Алешкина Т. Автокредиты снова в моде//Информационный портал Banki.ru, 07.04.2010. URL: Ссыка на домен более не работаетnews/davtheme/?id=l861060 (дата обращения: 10.10.2010)
76. Барсукова С. Кризис среднего возраста российских заемщиков//Информационный портал Banki.ru, 21.05.2008. URL: Ссыка на домен более не работаетnews/daytheme/?id=543369 (дата обращения: 21.05.2008).
77. Бекина Е. Регистрацией залогов займутся БКИ// Газета РБК daily от 23.11.2010. URL:Ссыка на домен более не работает2010/ll/23/finance/562949979202801 (дата обращения: 23.11.2010).
78. Буджи С. Рейтинги финансовых организаций, 15.12.2004// Standard&Poors Financial Services LLC. URL: Ссыка на домен более не работаетarticle.php?pubid=1630&sec=mt (дата обращения: 15.08.2010).
79. Гмурман В.Е. Теория вероятностей и математическая статистика: Учебное пособие для вузов-М.:Высшая школа, 2003. Издание 9-е, стер.
80. Гнеденко Б.В. Курс теории вероятностей: Учебник М.: Наука,1988.
81. Григорьева Е., Петров И. Мошенники полюбили кредиты// Газета РБК daily от 24.08.2009. URL: Ссыка на домен более не работает2009/08/24/finance/427765 (дата обращения:2408.2009).
82. Дементьева К. Банк Москвы укрепися в рисках//Газета Коммерсантъ, № 38 (4338) от 05.03.2010. URL: Ссыка на домен более не работаетnews/bankpress/7id:: 1781972 (дата обращения 05.03.2010)
83. Дементьева К. Бюро кредитных предысторий //Газета Коммерсантъ № 97 (4397) от 02.06.2010. URL: htlp://www.kommersant.ru/doc.aspx?DocsID=1379524&ThemesID=168 (дата обращения:0206.2010).
84. Дементьева С. Российские банки останутся при своих рисках// Газета "Коммерсантъ", №103 (4158), 10.06.2009. URL: Ссыка на домен более не работаетDoc/1185683 (дата обращения: 17.03.2011).
85. Журавлев И. Как взвесить тяжелый хвост?//Журнал "Risk Management.- М:2008, №7-8.
86. Журавлев И.Б. Байесовский анализ операционных потерь с выбором порогового значения для оценки капитала под операционным риском. Опыт применения для российского банка// Управление финансовыми рисками, М.:2008 №3(15).
87. Замулина И. Мошенники становятся изобретательнее// Информационный портал РБК. Кредит, 15.01.2007.URL: Ссыка на домен более не работаетrecommendation/potreb/2007/01/l 5/19722.shtml (дата обращения: 15.01.2007).
88. Золотарев В.М. Измерение банковских операционных рисков на основе усовершенствованных подходов// Управление финансовыми рисками, М.:2005.-№3.
89. Индексы потребительских цен на товары и услуги по Российской Федерации в 1991-2010гг. //Федеральная служба государственной статистики (официальный сайт). URL: Ссыка на домен более не работаетfreedoc/newsite/prices/potr/2010/I-ipc.htm (дата обращения: 17.03.2011).
90. Интервью с Вадимом Пантелеевым от З0.01.2007//Репутационный портал столицы УРФО. URL: Ссыка на домен более не работаетmonitoring/publication/2007-01-30/105826/187118/ (дата обращения: 30.01.2007)
91. Информационный портал Bank Fraud Forum: Insights, Opinion, and Collaboration. Available at Ссыка на домен более не работаетbankfraudforum/index.php
92. Информация по кредитным организациям (формы 101 и 102)// Банк России (официальный сайт). URL: Ссыка на домен более не работаетcredit/forms.asp (дата обращения: 01.02.2010).
93. Исследование по вопросам управления рисками мошенничества в европейских странах// Ernst& Young (официальный сайт), 2007. URL: Ссыка на домен более не работаетPublication/vwLU Assets/FIDSRUS/$FILE/FIDSRUS.pdf (дата обращения: 10.12.2008).
94. Казиев А. Программы комплексного страхования банков (BBB-Bankers Blanket Bond)// Интернет-журнал Фориншурер, 18.01.2010. URL: Ссыка на домен более не работаетpublic/10/01/18/4011 (дата обращения: 10.12.2010).
95. Ковалева Е. Чем счет не шутит// Экономический еженедельник Коммерсантъ ДЕНЬГИ №8(614) от 05.03.2007г. URL: Ссыка на домен более не работаетnews/davtheme/?id=271784Ссыка на домен более не работаетp>
96. Кочелягин Н. Возврата нет//Время новостей, №151 от 23.08.2006 URL: Ссыка на домен более не работает20Q6/151/8/159325.htrnl (дата обращения: 23.08.2006).
97. Кредитная петля // ЗАО Секвойя Кредит Консолидейшн (официальный сайт), публикация от 26.08.2009. URL: Ссыка на домен более не работаетpublication/591/ (дата обращения: 12.07.2010).
98. Кредитные мошенники ждут своего времени // Кредитный портал ProCredit.ru, 23.01.09. URL: Ссыка на домен более не работаетnews/creditnews/item5822 (дата обращения: 12.07.2010).
99. Кредитные мошенники// Интернет-журнал Point.ru, 17.08.2006. URL: Ссыка на домен более не работаетinvestments/2006/08/17/94 (дата обращения:08.02.2007)
100. Кремер Н. Ш. Теория вероятностей и математическая статистика. Учебник для вузов. М.: ЮНИТИ-ДАТА,2001;
101. Кудрявцев O.A. Банковское страхование: сотрудничество и конкуренция// Банковское дело.-М.: 2005г.- №8.
102. Лобанов A.A., Чугунов A.B. Энциклопедия финансового риск-менеджмента.-М.:, Альпина, 2006г., с. 439-483,668-689.
103. Локшина Ю. Банки возвращаются в розницу// Газета "Коммерсантъ", №72 (4127), 22.04.2009. URL: Ссыка на домен более не работаетDoc/1159141 (дата обращения:2204.2009).
104. Локшина Ю. Репресс-кредитование. //Газета "Коммерсантъ", №208 (4508), 11.11.2010. URL: Ссыка на домен более не работаетDoc/1536524 (дата обращения: 17.03.2011).
105. Луткова О. Удивительное расследование по ипотечным догам на Урале//Российское информационное агентство URA.ru. URL: Ссыка на домен более не работаетcontent/chel/24-03-2009/articles/lQ36253424.html (дата обращения:1407.2010).
106. Меры риска//Сайт Центра Статистических Исследований (ЦеСИ). URL: Ссыка на домен более не работаетmain (дата обращения:08.02.2007)
107. Методология оценки операционных рисков// Fitch Ratings (официальный сайт), Апрель 2008 г. URL: Ссыка на домен более не работаетmedia/methodologv/banks/Operational%20Risk%20Assessment% 20method%20170408%20RUS.pdf (дата обращения: 10.10.2010)
108. Методология присвоения рейтингов банкам. Ноябрь, 2008 г // Fitch Ratings (официальный сайт),URL: Ссыка на домен более не работаетmedia/methodo1ogy/banks/Bank%20Rating%20Mcthodolo^ v%20191108%20RUS.pdf (дата обращения: 10.10.2010).
109. Модели индивидуальных рисков на коротком интервале времени//Статистический портал StatSoft: URL: Ссыка на домен более не работаетhome/portal/applications/insurance/bayers.htm (дата обращения: 11.02.2007).
110. Мошенничество в автокредитовании//Информационный портал MoneyGuide. URL: Ссыка на домен более не работаетarticle.php?strid=174 (дата обращения: 15.12.2010).
111. Мошенничество в сфере ипотечного кредитования. Читать обязательно//Информационный портал Кредит-lines.ru. URL: Ссыка на домен более не работаетmoshennichestvo-v-sfere-ipotechnogo-kreditovaniya-chitat-obyazatelno (дата обращения: 15.12.2010).
112. Натурина М., Громенко О. Внешние данные по операционным потерям //Оперативное управление и стратегический менеджмент в коммерческом банке, 2005.-№3.
113. Натурина М., Громенко О. Управление операционными рисками: анализ данных по операционным потерям // Оперативное управление и стратегический менеджмент в коммерческом банке, 2004.- №6.
114. О порядке расчета размера операционного риска Электронный ресурс.: Положение Банка России от 03 ноября 2009 г. № 346-П. Доступ из справ.-правовой системы Консультант-Плюс.
115. Об организации внутреннего контроля Электронный ресурс.: Положение Банка России от 16 декабря 2003г. № 242-П (ред. от 05.03.2009). Доступ из справ.-правовой системы Консультант-Плюс.
116. Об организации управления операционным риском в кредитных организациях Электронный ресурс.: Письмо Банка России от 24 мая 2005 г. № 76-Т. Доступ из справ.-правовой системы Консультант-Плюс.
117. Пашутинская Е. Кредитование выросло в потребительском отношении// Газета Коммерсантъ № 16/П (4316) от 01.02.2010. URL: Ссыка на домен более не работаетDoc/1313960 (дата обращения: 17.03.2011).
118. Пашутинская Е., Дементьева К. Сбербанк сдаст заемщиков ГИБДД// Газета "Коммерсантъ", №72 (4127), 22.04.2009.URL: Ссыка на домен более не работаетDoc/l 159119 (дата обращения: 23.11.2010).
119. Петрова С. Генераторы дефота.// Журнал SmartMoney.-M.:2006г. -№ 26. URL: Ссыка на домен более не работаетsmartmoney/article/2006/09/ll/1296 (дата обращения:1407.2010).
120. Погорелова Ю. Ипотека до лучших времен//Журнал "Коммерсантъ Деньги", №45 (802), 15.11.2010. URL: Ссыка на домен более не работаетDoc/1538825 (дата обращения:1703.2011).
121. Потев К. Мошенники страшнее кризиса// Газета РБК daily от 21.10.2009. URL: Ссыка на домен более не работает2009/10/21/world/437456 (дата обращения: 21.10.2009).
122. Проект Методических рекомендаций по организации кредитными организациями внутренних процедур оценки достаточности капитала //Банк России (официальный сайт). URL Ссыка на домен более не работаетanalytics/standartacts/projects/rekKO.pdf (дата обращения:13.12.2010)
123. Противодействие мошенничеству в условиях экономического спада// PriceWaterhouseCoopers (официальный сайт), 2009. URL: Ссыка на домен более не работаетru/ru/forensic-services/assets/fraud-in-a-downturn-ru.pdf (дата обращения: 10.03.2010)
124. Размещенные средства, таб. 4.3.1 // Электронная версия Бюлетеня банковской статистики Банк России, №1 (2008), №1 (2009), №1 (2010). URL: Ссыка на домен более не работаетpubl/main.asp?Prtid=BBS (дата обращения: 01.02.2010).
125. Рейтинги банков// Информационного агентство Росбизнесконсатинг, Проект РБК. Рейтинги. URL: Ссыка на домен более не работаетcategory.shtml7banks (дата обращения: 06.04.2008).
126. Рейтингование финансовых организаций (глобальная методология), Август 2010. Fitch Ratings (официальный сайт),URL: htlp://www.fitchratings.ru/media/methodoIogv/banks/FinancialInstitutions Mcthodolo gy 16081Q RUS.pdf (дата обращения: 16.08.2010).
127. Crouhy M., Mark B. & Galai D. Risk Management. McGraw-Hill, 2000, p.475-529.
128. Специальное банковское страхование//ОАО Капитал Страхование (официальный сайт). URL: Ссыка на домен более не работаетcontent/articles/specialnoe-bankovskoe-straxovanie/ (дата обращения: 10.10.2010).
129. Схемы мошенничества с кредитами: данные колекторов//Информационное агентство ЛЮШзнес1нформ. URL: Ссыка на домен более не работаетnews/E0903469.html (дата обращения: 14.07.2010).
130. Уткин JI.B. Анализ риска и принятие решений при непоной информации. -СПб.:Наукгц 2007 г.
131. Фалин Г.И. Математический анализ рисков в страховании. М.: Российский издательский дом, 1994. -стр. 5-34,49-64;
132. Форма 0409807 (Отчет о прибылях и убытках (публикуемая форма))// Банк России (официальный сайт), Справочник по кредитным организациям. URL: Ссыка на домен более не работаетcredit/main.asp (дата обращения: 01.02.2010).
133. Чернова Н. И. Математическая статистика: Учеб. пособие / Новосиб.гос. ун-т. Новосибирск, 2007. 148 с.
134. Четверть потребительских кредитов проблемные. Банковские новости, 19.04.2006// Информационное агентство Банкир.ру. URL: Ссыка на домен более не работаетnews/newsline/19.04.2006/51016 (дата обращения: 19.04.2006).
135. Чистюхин В. IRB. Что это такое? Где мы находимся.//Доклад на семинаре ВНЕДРЕНИЕ IRB-ПОДХОДА БАЗЕЛЯ II В РОССИИ. 11 ноября 2010 года, Москва. Программа сотрудничества между Банком России и Евросистемой по банковскому надзору и внутреннему аудиту.
136. Not MaxV = "" Then Max = CDbl(MaxV) Else Max = 10 Л 307SumFirst = 0 n = FirstNRows1. n > SumRange.Rows.Count Then n = SumRange.Rows.Count For i = 1 To n
Похожие диссертации
- Управление процентным риском в коммерческом банке
- Управление портфельным риском в коммерческом банке
- Организационно-методические основы регулирования операционных рисков в региональном банке
- Трансформация стандартов управления кредитными рисками в коммерческих банках в условиях финансовой глобализации
- Совершенствование организации управления кредитным риском в системе риск - менеджмента коммерческого банка