يادگيري ماشين در تخمين سرمايه پوششي ريسك‌عملياتي بانك‌ها با رويكرد توزيع‌ زيان

ريسك عملياتي يكي از مهم‌ترين ريسك‌هاي مؤسسات مالي است. توجه به آن پس از مصوبات كميته بال، در سراسر دنيا آغاز شده‌است. افزايش روزافزون زيان‌هاي عملياتي در خطوط كسب‌و‌كار مختلف سبب شده‌است تا توجّه مديران مؤسسات مالي معطوف به حوزه ريسك عملياتي شود. در اين پژوهش، روشي جهت تخمين آستانه مناسب براي داده‌هاي شدت زيان عملياتي و همچنين روشي جهت طبقه‌بندي داده‌هاي شدت زيان عملياتي ارائه شده‌است و سرمايه مورد نياز براي پوشش ريسك عملياتي با تجميع تابع توزيع شدت و فركانس داده‌هاي زيان عملياتي و شبيه‌سازي مونتكارلو به‌دست آمده‌است. همچنين وابستگي بين سلول‌هاي ماتريس خطوط كسب‌و‌كار و حوادث ضررساز نيز مورد بررسي قرار گرفته‌است. براي اين پژوهش داده‌هاي زيان عملياتي مربوط به‌يك مجموعه بانكداري شامل چند بانك آسيايي، اروپايي و آمريكايي به‌كارگرفته شده‌است. نتايج پژوهش حاكي از آن است كه رويكرد توزيع زيان با تركيب تئوري مقدار بحراني و الگوريتم‌هاي‌يادگيري ماشين (خوشه‌بندي)، همچنين رويكرد توزيع زيان با تركيب الگوريتم‌هاي‌يادگيري ماشين (طبقه‌بندي)، نسبت به ساير روش‌ها كارآمدتر است.