Диссертация (1138126), страница 43

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 43)

Целью проверки качества данных являетсяобеспечение гарантии полноты, точности и правильности данных, используемых дляработы с моделью. Проверки могут включать в себя следующие методы: качественныйобзор (например, процессовсбораихраненияданных),очисткаданныхивыявление ошибок, изучение любых процессов, которые должны быть выполнены дляпреобразования исходных данных в соответствующие входы модели (например,масштабирование), а также верификацию данных о транзакциях (например, для уточнениявеличины подверженности риску).Экспертиза предпосылок и анализ чувствительности (Examination of assumptions –sensitivity testing).

Модели могут опираться на предположения различного характера, какочевидные, так и неочевидные. Некоторые предпосылки «встроены» в модель и не могутбыть изменены без изменения модели, например, предположения о фиксированныхпараметрах модели, таких как: корреляции, нормы восстановления потерь при дефолте,предположения о форме хвоста функциираспределенияпотерьипр.Некоторыебанки инициируют процесс подробного тестирования предпосылок, лежащих в основесвоихмоделей, которыймоделирования,атакжевключаетвсебяограничений,изучение их влияния на результатыкоторыеиспользование модели.214предпосылкинакладываютнаКоличественная валидацияПроверка исходных данных и параметров модели (validation of inputs and parameters).Полная валидация модели предполагаетпроверкуисходныхданных(переменныхмодели). Методы их валидации включают в себя сравнение параметров модели систорическими данными, сравнение параметров с результатами в течение длительногопериода времени, сравнение параметров модели с параметрами, вычисляемыми на основерыночных данных (например, вмененная волатильность или вмененная корреляция);оценка существенности результатов модели на основе тестов чувствительности кисходным данным и параметрам.Репликация модели (model replication).

Данный количественный метод заключается впопытке воспроизвести результатыиспользованиесамостоятельномодели.Независимая репликацияразработанныхалгоритмовипредполагаетальтернативныхисточников данных. Например, в целях репликации собственные алгоритмы банка могутбыть применены по отношению к другому набору исходных данных, или же независимополученные алгоритмы могут быть применены к внутренней базе данных банка.Подобный метод позволяет определить, насколько модель понятна сотрудникам банка,которые её разрабатывают, поддерживают, используют и валидируют, действительно лиона применяется ими на практике.Бенчмаркинг и тестированиегипотетическогопортфеля (Benchmarking andhypothetical portfolio testing).

Данный метод позволяет установить, дает ли модельрезультаты, сравнимые с эталонной моделью, а также сравнить модели на набореэталонных портфелей. Примеры бенчмаркинга включают в себя: сравнение ранжированиярисков, определенных на основе системы внутренних рейтингов, с данными рейтинговыхагентств; сравнение внутренней модели кредитного портфеля на основе других широкоизвестных моделей с учетом стандартизации параметров.

Тестирование гипотетическогопортфеля подразумевает тестирование моделей на основе эталонного портфеля. Длярегулятора метод бэнчмаркинга позволяет сравнивать модели нескольких банков междусобой, а также с эталонной моделью, и идентифицировать на основе данного сравнениямодели, дающие значительные выбросы результатов. Наличие выбросов усложняетинтерпретацию результатов модели. Одной из причин выбросов являетсяразница вусловиях, в которых модель работает корректно: в одних и тех же условиях одна модельработает корректно, в то время какдругая дает резкие выбросы. Другой причинойвыбросов может служить разные параметры, заложенные в модели, например, излишнеконсервативные параметры. Наконец, разные модели могут быть основаны на разных215экономических предпосылках, что также является препятствием для сопоставлениярезультатов различных моделей.Бенчмаркингявляетсяширокораспространеннойформойколичественной проверки.

Объектами сравнения являются отраслевые обзоры, результатыальтернативных моделей, используемых рейтинговыми агентствами, широко известные иприменяемые в отрасли модели, обзоры консалтинговых фирм, академические издания имодели экономического капитала, применяемые регуляторами. Однако данный методимеет и ограничения. В частности, бенчмаркинг позволяет сравнить только одну модель сдругой,ноприэтомнельзягарантировать,что какая-либомодель точноотражает действительность. Таким образом, бенчмаркинг позволяет откалиброватьсобственную модель под результаты других моделей, но это не означает калибровку подреальные факты.Бэк-тестинг (backtesting). Бэк-тестинг позволяет определить, насколько хорошо модельпрогнозирует распределение фактических данных.

По итогам бэк-тестинга предполагаетсясравнение фактических данных с ожидаемым значениями распределений результатовмодели. Наиболее сильные результаты дают следующие модели бэк-тестинга: проведениеболее регулярного бэк-тестинга на меньшем временном горизонте (например, бэк-тестингкредитного риска не на 10-дневном временном интервале, рекомендованном регулятором,а на ежедневных данных); использование кросс-данных (данных из смежных сектороврынка) при тестированиис использованием несколькихэталонных портфелей;использование информации при построении полного распределения, тестированиеисключительно ожидаемых потерь.Бэк-тестинг применим главным образом для моделей, результатам которых могут бытьсопоставлены количественные метрики.

С данными метриками проводится сравнениефактических данных. В то же время ряд измерений в системах риск-менеджмента неимеютколичественнойхарактеристики,например,рейтинговыесистемы,тестычувствительности, модели агрегированные стресс-потерь. Тем не менее подобные моделиявляются ценными инструментами для банков. Необходимость и механизмы бэк-тестингадля них является дискуссионным вопросом. Стоит отметить, что бэк-тестинг неиспользуется в широкой практике для валидации моделей экономического капитала.Анализ прибылей и потерь (profit and loss attribution). Предполагает анализ прибылей иубытков на регулярной (ежегодной) основе и сравнение причин отклонений фактическойприбыли от плановой, а также выделение драйверов риска.

Данный метод редкоиспользуется для моделей экономического капитала, за исключением моделей рыночногориска.216Стресс-тестирование (Stress testing). Предполагает как стресс-тестрование модели, такисравнениерезультатовсостресс-потерями.Результатымоделимогутбытьпроанализированы в стресс-условиях, предполагающих резкие отрицательные колебанияисходных данных и параметров модели. Стресс-тестирование позволяет выделитьограничения модели, а также недостаток экономического капитала банка, которыйпроявляется только в условиях стресса. Стресс-тестирование моделей регулятивногокапитала, в частности, модели IRB, широко распространено в банках, однако стресстестирование моделей экономического капитала встречается в практике гораздо реже.Стресс-тестирование позволяет дать количественную оценку вероятных потерь, которыебанк может понести в условиях стрессовых событий.

Некоторые банки используютполученные величины стрессовых потерь как ориентир для моделей экономическогокапитала.Внутренний аудит(internal audit). Внутренний аудит нерассматривается какотдельный метод валидации. В то же время проверки процессов внедрения моделей, атакже процессов их валидации должны проводиться на регулярной и независимой основе.Роль независимого «валидатора» процессов валидации моделей может выполнять службавнутреннего аудита. Внутренний аудит может также участвовать в управленческомнадзоре (данный метод валидации рассмотрен выше).Что касается стандартизации процессов валидации моделей экономического капитала, токонкретных рекомендаций пока не существует.

Банки могут разработать собственныевнутренние стандарты с описанием основных целей валидации, решаемых задач,результатов, которые необходимо достичь от применения моделей экономическогокапитала,рядпороговыхзначений,которымдолжнасоответствоватьмодель,предупреждающие индикаторы для наблюдаемых метрик модели и др.В процессе разработки модели необходимо определить множество параметров и наборисходных данных. В числе параметров – набор статистических распределений,экономические процессы, ведущие к убыткам или дефолту, взаимозависимости междупотерями и дефолтами, вероятное поведение менеджмента и других экономическихагентов, а также степень колебания данных параметров в заданном временной интервале.Кроме того, некоторые модели экономического капитала являются агрегированнымимоделями рисков, в которых оценки отдельных рисков (кредитного, рыночногооперационного) агрегируются для построения единой оценки экономического капитала.При этом методы агрегации также базируются на перечисленных выше параметрах ипредпосылках, которые также требуют валидации.217Рассмотрим более подробно применения подхода к бэктестингу модели оценкиVaR.

Характеристики

Список файлов диссертации