Redes Bayesianas - Aplicação em Risco Operacional Rudini Sampaio DCC / UFLA.

Redes Bayesianas - Aplicaçãoem Risco Operacional

Rudini SampaioDCC / UFLA

Rudini Sampaio DCC-UFLA

Modelamento Causal

Problemas na utilização de métodos estatísticos para quantificar o risco operacional:

Insuficiência de dados internos e externos (a coleta de informações dos eventos de perda não é uma prática nas instituições financeiras)

Natureza histórica com informações passadas (ações de mitigação podem eliminar a relevância de eventos ocorridos no passado)

Difícil modelagem de eventos de baixa freqüência e alta severidade (incêndios, terremotos, furacões)

Medida de exposição a risco não é suficiente para decidir sobre ações de mitigação de risco (não é possível identificar os fatores de risco)


Modelamento Causal

Modelamento causal permite:

A inclusão de dados subjetivos de especialistas, no caso de insuficiência de informações passadas

A medição de forma sistemática da ocorrência de fatores de risco que possam levar a eventos de baixa frequência e alta severidade

A explicitação das relações de causa e efeito entre os fatores de risco e as perdas operacionais

Auxílio a tomada de decisões dos gestores, com a estimação do efeito de suas decisões


Modelamento Causal

Modelos Lineares

Regressão Linear, Correlação, Análise Multi-Fatorial

São menos complexos, mas necessitam de muitos dados históricos e são pouco flexíveis

Modelos Não-Lineares Redes Bayesianas, Redes Neurais, Lógica Fuzzy

São mais complexos, mas permite uso de informações subjetivas, raciocínio sobre incerteza e são bastante flexíveis


Modelamento Causal

Modelos Não Lineares

Redes Neurais não permitem massa reduzida de dados

Lógica Fuzzy não permite treinamento dos parâmetros nem da estrutura da rede

Redes Bayesianas vêm sendo bastante utilizadas em Risco Operacional (ex: Sistema BayesCredit) e possui vários softwares disponíveis (ex: Netica, Hugin)


Modelamento Causal

Modelos causais são utilizados para: medir o risco operacional identificar a influência dos fatores de risco calcular sensibilidades nos eventos de perda simular distribuição de perdas e cenários de perda excessiva

Vantagem das redes bayesianas sobre os demais modelos disponíveis (redes neurais, regressão):

fácil entendimento do modelo, cujas relações causais entre as variáveis são em grande parte intuitivas

eficiência computacional, visto que a maioria dos algoritmos de redes bayesianas são polinomiais

facilita a medida da incerteza associada aos processos provê informações sobre o efeito de possíveis intervenções


Redes Bayesianas em Risco Operacional

Em alto nível, a utilização de redes bayesianas em risco operacional:

Traz transparência às relações de causa e efeito entre as atividades do banco e a volatilidade dos diversos tipos de lucro do banco

Pode ser feita tanto por matemáticos (análise das complexas relações de negócios) como pelos gestores (tomada de decisões e estratégias)

Simplifica a manutenção do modelo pela visualização gráfica das relações, ao invés de equações matemáticas



Em baixo nível, o uso de redes bayesianas para gerência de risco operacional permite:

A inclusão de dados subjetivos de especialistas, no caso de insuficiência de informações passadas

A medição de forma sistemática da ocorrência de fatores de risco que possam levar a eventos de baixa frequência e alta severidade

A explicitação das relações de causa e efeito entre os fatores de risco e as perdas operacionais

Auxílio à tomada de decisões dos gestores, os quais poderão estimar o efeito de suas decisões.



A construção de modelos causais para RO: Identificação dos ICRs (indicadores chaves de risco) Identificação dos eventos de perda Obtenção de dados correlacionando ICRs e eventos de perda

Para isso, recomenda-se seguir o esquema: Identificar os riscos importantes da empresa Classificar os riscos em controláveis e não-controláveis Identificar causas para os riscos controláveis Associar riscos não-controláveis com ações de mitigação Prover dados numéricos de mudanças nos riscos relacionadas a

ações dos gestores



Estratégia geral

Comece pelo modelo e envolva os gestores: O processo de modelagem causal não começa coletando dados, mas desenvolvendo o modelo, já que dados de qualidade são caros, sendo importante a listagem dos possíveis ICRs antes da coleta de dados. Essa tarefa não é para matemáticos, mas para os gestores da empresa.

Utilize uma ferramenta computacional: Os algoritmos de redes bayesianas são complexos e já existem várias implementações, tanto de softwares comerciais, como acadêmicos.

Valide o modelo usando informação atual: A calibração do modelo é necessária e deve ser feita utilizando dados atuais. A comparação dos dados atuais com os dados fornecidos pela rede é fundamental para validação e calibração do modelo. As informações obtidas na fase estatística também podem ser utilizadas.



Sete passos para construção e utilização de Redes Bayesianas em Risco Operacional:

Construção e Treinamento (Passos 1, 2, 3 e 4) As informações obtidas são utilizadas para desenvolver um

modelo de negócios a fim de criar um modelo de estrutura causal que pode ser calibrada com dados empíricos e analíticos para obtenção de um modelo “treinado”.

Utilização e Simulação (Passos 5, 6 e 7 ) O modelo causal treinado pode ser utilizado para geração de

distribuições de perda operacional e cálculo do VaR causal, bem como pode ser simulado para medir os efeitos de intervenções e para avaliar os ICRs (sensibilidade).



Os Sete Passos

1. Identifique os ICRs: processos que agregam valor, atividades e fatores que afetam o desempenho

2. Construa a estrutura do modelo causal refletindo as dependências e a hierarquia dos processos, atividades e fatores

3. Colete dados numéricos para as variáveis do modelo causal de forma empírica ou analítica

4. Obtenha os parâmetros do modelo causal (tabelas de probabilidade condicional ou a priori) através de algoritmos de aprendizado de parâmetros ou por dados subjetivos de especialistas

5. Use o modelo causal para gerar uma distribuição de perdas operacionais. Calcule o VaR causal e a máxima perda esperada

6. Gere cenários para os ICRs e simule eventos de perda excessiva

7. Avalie a importância e relevância dos ICRs do modelo, através de técnicas de análise de sensibilidade



PASSOS 1 e 2 - Obtenção da Estrutura da Rede Bayesiana

Esse passo é para identificar o que está relacionado com o quê. Tome os ICRs e as perdas e coloque-os numa estrutura do modelo causal em níveis: Fatores de Risco, Atividades e Processos de Valor.



Alguns sistemas de redes bayesianas disponibilizam aprendizado de estrutura, como o Hugin com as funcionalidades Structure Learning e Learning Wizard



PASSOS 3 e 4 - Obtenção dos Parâmetros da Rede Bayesiana

Nesse passo, coleta-se dados e aplica-se aprendizado dos parâmetros da rede (treinamento), de forma empírica ou analítica.

Exemplo: Netica (Relation – Incorp Case File)



PASSO 5 – Geração de uma Distribuição de Perdas Operacionais Nesse passo, é gerada uma distribuição de perdas por simulação de

Monte Carlo. Com isso, podemos obter o VaR causal e a Máxima Perda Esperada.

Algoritmo Gibbs Sampling

Netica e Hugin: Simulate Cases

Recomenda-se construir uma rede para frequência e uma outra rede para severidade.

Assim, as distribuições geradas podem ser comparadas as geradas pela fase estatística.



PASSO 6 – Geração de Cenários de Perdas

Nesse passo, fazemos instanciação de algumas variáveis para testar pontos de stress na distribuição de perdas

Exemplo: Terremoto, Fusão de reator nuclear

PASSO 7 – Avaliação dos Fatores de Risco

Nesse passo, fazemos análise de sensibilidade para avaliar a importância e relevância dos fatores de risco nas perdas operacionais (informação mútua ou entropia cruzada).

Exemplo: Netica (Sensitivity to Findings)



Sete Passos



Exemplo – Redes Bayesianas separadas



Exemplo – Uso interno diverso

Redes Bayesianas - Aplicação em Risco Operacional Rudini Sampaio DCC / UFLA.

Documents

Transcript of Redes Bayesianas - Aplicação em Risco Operacional Rudini Sampaio DCC / UFLA.