Operational Risk in the Health Sector in Colombia

Fuente: Munich Personal RePEc Archive

Título: Operational Risk in the Health Sector in Colombia

Fecha: Marzo 2015

Autor: Luis Ceferino Franco-Arbeláez, Luis Eduardo Franco-Ceballos, Juan Guillermo Murillo-Gómez, Francisco Venegas-Martínez

En el 2008 el Ministerio de Protección Social de Colombia, emitió la Resolución 1740, la cual reglamenta la implementación del Sistema de Administración de Riesgos (SAR) para las Entidades Promotoras de Salud (EPS) del Régimen Contributivo.

En esa resolución también se definen las áreas de análisis en el marco de la implementación del Sistema de Administración de Riesgos,

• Administración de riesgos en salud
• Administración del riesgo operativo
• Administración de riesgos generales del negocio, de mercado y de crédito

El objetivo fundamental en el ámbito de la salud, además de las consideraciones financieras propias de toda organización, es que las decisiones sobre riesgo estén en función de otros factores políticos/regulatorios, incluyendo lo que en el lenguaje médico se conoce como “eventos adversos”.

Para el proceso de modelación y cuantificación del riesgo operativo, la diversidad de métodos refleja diferentes niveles de sofisticación y sensibilidad al riesgo. Los métodos AMA (Advanced Measurement Approaches), admiten flexibilidad en la cuantificación del riesgo operativo, y permiten a las entidades elaborar su propio sistema de modelación y medición del riesgo operativo. Entre los métodos de medición avanzada AMA, la técnica más utilizada es el método de distribución de pérdidas, conocido como Loss Distribution Approach (LDA). Este método se soporta en la recopilación de datos de pérdidas históricas internas que pueden ser complementados con datos externos.

El método LDA incluye la modelación separada de la distribución de probabilidad de la severidad y la distribución de probabilidad de la frecuencia de las pérdidas, y luego las combina mediante alguna técnica estadística para generar una distribución de pérdidas agregadas.  Los autores presentan dos de las alternativas más usuales para la medición del riesgo operativo asociadas a la metodología LDA: método de simulación Monte Carlo y el algoritmo de recursión de Panjer. 

Source: Munich Personal RePEc Archive

Title:: Operational Risk in the Health Sector in Colombia

Date: March 2015

Author: Luis Ceferino Franco-Arbeláez, Luis Eduardo Franco-Ceballos, Juan Guillermo Murillo-Gómez, Francisco Venegas-Martínez

In 2008, the Colombian Social Security Ministry launched a Resolution that implement a Risk Management System called “SAR” (Sistema de Administración de Riesgos) for the Health Care Service Providers.

This Resolution defines the areas for analysis:

• Health risk management
• Operational risk management
• Business, market and credit risk management

The main objective in the health arena is, beside every business financial considerations, that risk decisions are based on political/regulation factors, including what in medical language is named as “side effects”.

There range for operational risk methods for modeling, based on different levels of sophistications and risk sensitivity, is big. The Advanced Measurement Approaches, AMA, methods are flexible when quantifying operational risks, and allow organizations to build their own operational risk management model. Among these methods, one stands out: Loss Distribution Approach, LDA. This method is supported by internal loss data bases complemented by external loss data bases.

The LDA method included a distinct modellization for severity and frequency probability distribution, that later combines through some statistic technique in order to build an aggregated loss distribution. The authors present two alternatives to do so: the Monte Carlo simulation and the Panjer recursion.

Using Bayesian Networks to Model Expected and Unexpected Operational Losses

Fuente: Risk Analysis, Vol. 25, No. 4, 2005 (Society for Risk Analysis)

Título: Using Bayesian Networks to Model Expected and Unexpected Operational Losses

Fecha: 2005

Autor: Martin Neil, Norman Fenton and Manesh Tailor

Este documento describe el empleo de las redes bayesianos  para modelizar la distribución de pérdidas de los escenarios de riesgos operacionales.

Su punto de atención es a modelización de las colas largas o pérdidas inesperadas usando el mix adecuado de las distribuciones de pérdida y severidad cuando dicho mix está condicionado por variables causales que modelan la capacidad o efectividad de los controles de procesos subyacentes.

El empleo de modelos causales es discutido desde la perspectiva del aprovechamiento de la experiencia local de la confiabilidad de los procesos y su conexión con los fenómenos hipotéticos o actuales resultantes del proceso.

Esto conlleva el beneficio de añadir a los datos escasos el juicio experto, transformando el conocimiento cualitativo de los procesos en predicciones cuantitativas.

Se concluye que las redes bayesianos pueden ayudar a combinar los datos cualitativos de los expertos y los cuantitativos de las bases históricas de datos de una manera adecuada y de esta manera poder cumplir con los requerimientos de los modelos avanzados exigidos por Basilea II.

Para calcular el capital regulatorio por riesgo operacional es tentador hacerlo mediante modelos estadísticos basados en datos históricos.

Sin embargo, la insuficiencia de datos para la confección de modelos estadísticos tradicionales hace improbables que de lugar a predicciones útiles de pérdidas operacionales.

Una mezcla de los métodos cuantitativos y cualitativos es quizás el modelo que requieren los riesgos operacionales.

Los accidentes no sólo son el resultado de fallos humanos sino también de las características organizacionales que fallan en su protección frente a todo tipo de errores humanos, involuntarios o fraudulentos.

Existe una tendencia a ver los desastres financieros como súper pérdidas individuales en vez de la agregación de pérdidas pequeñas devengadas durante un período de tiempo.

Es precisamente esta atención rutinaria a las buenas prácticas, al igual que ocurre en los sectores críticos,  lo que previene la aparición de desastres. Por lo tanto, cualquier estrategia de riesgo operacional debería centrarse en la detección de las cuasi-pérdidas y las pequeñas pérdidas.

En el artículo los autores argumentan cómo las redes bayesianas proporcionan una atractiva solución a los problemas arriba mencionados ya que permite  combinar los datos estadísticos disponibles con los juicios subjetivos y los datos cualitativos de los procesos.

Por lo tanto, las redes bayesianas proporcionan un método de modelización de las pérdidas operacionales y la medición de la efectividad de los procesos operacional del negocio, como parte del enfoque de las autoevaluaciones, denominado “Bayesian Scorecard”.

Mediante las redes bayesianas se puede:

1. Combinar  los indicadores proactivos de pérdidas, relacionados con los procesos de negocio, con las mediciones reactivas de los resultados tales como los datos de cuasi-pérdidas y pérdidas.
2. Incorporara la opinión de los expertos acerca de la contribución que las estimaciones cualitativas pueden tener sobre la valoración de riesgos total.
3. Incorporar evidencias incompletas y, sin embargo, obtener predicciones
4. Llevar a cabo análisis “y-si” para comprobar la sensibilidad de las conclusiones.
5. Obtener una herramienta de inferencia visual y una mayor documentación de ayuda.
6. Obtener resultados en forma de predicciones verificables frente al desempeño actual de las mediciones y ratios de eventos de pérdida.

Source: Risk Analysis, Vol. 25, No. 4, 2005 (Society for Risk Analysis)

Title: Using Bayesian Networks to Model Expected and Unexpected Operational Losses

Date: 2005

Author: Martin Neil, Norman Fenton and Manesh Tailor

This report describes the use of Bayesian networks to model statistical loss distributions in financial operational risk scenarios.

Its focus is on modeling “long” tail, or unexpected, loss events using mixtures of appropriate loss frequency and severity distributions where these mixtures are conditioned on causal variables that model the capability or effectiveness of the underlying controls process.

The use of causal modeling is discussed from the perspective of exploiting local expertise about process reliability and formally connecting this knowledge to actual or hypothetical statistical phenomena resulting from the process. 

This brings the benefit of supplementing sparse data with expert judgment and transforming qualitative knowledge about the process into quantitative predictions. 

We conclude that Bayesian networks can help combine qualitative data from experts and quantitative data from historical loss databases in a principled way and as such they go some way in meeting the requirements of the draft Basel II Accord for an advanced measurement approach (AMA).

To calculate such a charge it is tempting to predict operational risk by building a statistical model based on historical data.

However, this general paucity of loss data means that traditional statistical approaches are unlikely to provide useful predictions of operational losses.

A mixture of qualitative and quantitative methods is perhaps needed to model operational risks.

Accidents are not solely the result of human fallibility but are supported by organizational features that fail to defend against all-too-human mistakes, slips, and (in the case of fraud) malicious acts.

There is a tendency to see financial disasters as single “ultra high loss” events rather than aggregations of smaller losses accrued over a period of time.

It is precisely this routine attention to good practice that, just as in safety critical industries, prevents disasters from occurring. Any OpRisk scheme should, therefore, focus on detecting near misses and small losses.

In this article we argue that Bayesian networks provide an attractive solution to the problems identified above. BNs enable us to combine any statistical data that are available with qualitative data and subjective judgments about the process.

Hence Bayesian networks provide a method of modeling operational losses and measuring the effectiveness of a business’s operational processes, as part of a self-assessment-oriented “Bayesian Scorecard” approach.

Using Bayesian networks we can:

1. Combine proactive loss indicators, related to the business process, with reactive outcome measures such as near miss and loss data;
2. Incorporate expert judgments about the contribution qualitative estimates can make to the overall risk assessment;
3. Enter incomplete evidence and still obtain predictions;
4. Perform powerful “what-if?” analysis to test sensitivity of conclusions;
5. Obtain a visual reasoning tool and a major documentation aid;
6. Obtain output in the form of verifiable predictions against actual performance measures and loss event rates.

UK Cyber security. The role of insurance in managing and mitigating the risk

Fuente: Gobierno inglés

Título: Ciberseguridad en Reino Unido. El papel del seguro en la gestión y mitigación del riesgo

Fecha: Marzo 2015

Autor: Gobierno inglés

La amenaza cibernética es una de las más importantes y crecientes riesgos a los que se enfrentan las empresas inglesas: el 81% de las grandes empresas y el 50% de las pymes han sufrido una brecha de ciber seguridad en el pasado año, y el coste de dicha brecha ha supuesto aproximadamente el doble que desde el año 2103.

Este informe es el resultado de un grupo de trabajo entre el gobierno inglés y el sector asegurador. Pone de manifiesto el papel que las aseguradoras y el seguro pueden jugar en la reducción del ciber riesgo.

Mediante cuestionarios con las preguntas adecuadas para valorar los ciber riesgos, las aseguradoras y los corredores de Seguros pueden colaborar en la adopción de buenas prácticas, incluyendo el denominado “Cyber Essentials Scheme” del gobierno inglés, el cual reducirá la frecuencia y coste de las brechas.

Existe la necesidad de valorar adecuadamente el riesgo de ciber ataques.

Muchas empresas están sobreestimando el papel de sus seguros en la cobertura del ciber riesgo.

Algunas empresas aún sienten que no entienden adecuadamente el ciber riesgo. Este informe proporciona una horquilla de consejos y guías para las empresas que pueden servir de inspiración para establecer criterios básicos para todas las organizaciones a través del “Cyber Essentials Scheme”.

***************************************************************

Source: UK Government

Title: UK Cyber security. The role of insurance in managing and mitigating the risk

Date: March 2015

Author: UK Government

The cyber threat remains one of the most significant and growing risks facing UK business: 81% of large businesses and 60% of small businesses suffered a cyber security breach in the last year, and the average cost of breaches to business has nearly doubled since 2013.

This report is the result of close working between the Government and the insurance sector. It highlights the role insurers and insurance can play in reducing cyber risk.

By asking the right questions in addressing cyber risks, insurers and insurance brokers can help promote the adoption of good practice, including the Government’s Cyber Essentials scheme, which will reduce the frequency and cost of breaches.

There is the need to value the risk of cyber attack properly.

Many businesses are overestimating the extent to which their existing insurance provides cover for cyber risk.

Some businesses still feel they do not fully understand cyber risk. We have provided a range of advice and guidance to business, which it can draw on, and a set of basic criteria for all organizations through the Cyber Essentials Scheme.

Operational Risk Management for Insurers

Source: Canadian Center of Science and Education

Title: Operational Risk Management for Insurers

Date: 2013

Author: M.I. Martínez Torre-Enciso and R. Hernandez Barros

  

Definition

Operational risk is increasingly important in the management and corporate governance of insurance companies, especially to the light of the new European regulation, Solvency II.

This new regulation defines Operational risk as the risk of loss arising from inadequate or failed internal processes, personnel or systems or from external events.

Solvency II definition focuses on the source of losses, but that does not express the major risk factors operating in most companies. The events that trigger losses may have been caused by several factors.

The event types are as follows:

1. Internal fraud.
2. External fraud.
3. Employment practices and workplace safety.
4. Clients, products and business practices.
5. Damage to physical assets.
6. Business disruptions and system failures.
7. Execution, delivery and process management.

The operational risk management mission is to identify, analyze and mitigate the different risks business operations are exposed to. We can identify in the organizations two main risks business operations are exposed to:

1. The existence and integrity of management and operational controls of the company.
2. The ability to fulfill the promise made to customers. Management has always paid more attention to this risk.

The internal control

COSO defines the internal control as the process carried out by a company in order to assess, with reasonable assurance, the activities into three main categories:

1. Effectiveness and operational efficiency.
2. Reliability of financial reporting.
3. Compliance with policies, laws and regulations.

Internal control has five components:

1. Environment of control.
2. Risk assessment.
3. Control activities (policies and procedures).
4. Information and communication.
5. Supervision.

Nevertheless, the focus of risk management on internal controls is not the right path towards a long term solution to these problems that risk raises. Internal control should be regarded as a tool for making informed decisions about risk.

Quantification of the Operational Risks

Quantification and measurement of operational risk is only a tool among others.

The internal models propose a definition and measurement of capital requirements according to the characteristics of the activity of the company. The economic capital solvency is estimated based on the risk profile of each entity, taking into account the particular techniques of risk mitigation and diversification of the company.

For operational risks the models most used are the probabilistic ones; and among these, the Operational Value at Risk (OpVaR).

++++++++++++++++++++++++++++++++++++++++++

Fuente: Canadian Center of Science and Education

Título:  Operational Risk Management for Insurers

Fecha: 2013

Autor: M.I. Martínez Torre-Enciso and R. Hernandez Barros

Definición

El riesgo operacional ha adquirido una importancia creciente en la gestión y gobierno corporativo de las compañías de seguros, especialmente a la luz de la nueva regulación europea denominada Solvencia II.

Esta nueva regulación define el riesgo operacional como el riesgo de pérdida derivado de la inadecuación o de la disfunción de procesos internos, del personal o de los sistemas, o de sucesos externos.

Por tanto, Solvencia II se centra en la fuente de las pérdidas, pero no se refiere a los factores de riesgos que afectan a las compañías. Los eventos que dan lugar a pérdidas pueden traer causa de diferentes factores.

Los tipos de eventos de pérdida son:

1. Fraude interno.
2. Fraude externo.
3. Relaciones laborales y seguridad en el puesto de trabajo.
4. Prácticas con clientes, productos o negocios.
5. Daños a los activos físicos.
6. Fallos de sistemas.
7. Ejecución y gestión de los procesos.

La misión de la gestión del riesgo operacional es identificar y mitigar los diferentes riesgos a los que la operativa de negocio se encuentra expuesta. Dentro de las organizaciones, se pueden diferencias dos grandes grupos de riesgos en la operativa de negocio:

1. Existencia e integridad de controles de gestión y operativos.
2. La habilidad para cumplir la promesa adquirida con los clientes. La Dirección tradicionalmente ha prestado más atención a este riesgo.

El control interno

COSO define el control interno como el aquel proceso por el cual una compañía valora con un nivel razonable de seguridad las siguientes tres actividades:

1. Efectividad y eficiencia de las operaciones.
2. Fiabilidad de los informes financieros.
3. Cumplimiento de las políticas y requlación.

El control interno presenta cinco componentes:

1. Ambiente de control.
2. Evaluación del riesgo.
3. Actividades de control.
4. Información y comunicación.
5. Actividades de supervisión.

En cualquier caso,fijar la atención de la gestión del riesgo en los controles internos nos es el camino adecuado para dar solución a los problemas que los riesgos hacen surgir. El control interno debe ser una herramienta para tomar decisiones informadas sobre los riesgos. 

La cuantificacion del riesgo operacional

La cuantificación y medición de los riesgos operacionales sólo son una herramienta entre otras. 

Los modelos internos proponen una definición y medición de los requerimientos de capital de acuerdo a las características de la actividad de la compañía. La solvencia del capital económico es una estimación basada en el perfil de riesgo de cada organización, teniendo en cuenta sus técnicas de mitigación del riesgo y a diversificación de la compañía.

Para los riesgos operacionales los modelos más frecuentemente empleado son los probabilísticos, y entre estos, el Operational Value at Risk (OpVaR).

Modeling Operational Risk Based on Multiple Experts’ Opinions

Fuente: Libro: “Operational Risk Towards Basel III”
Título: Modeling Operational Risk Based on Multiple Experts’ Opinions
Fecha: 2009
Autor: Jean-Philippe Peters and Georges Hübner

A pesar de que la gestión del riesgo operacional no es una materia nueva para las entidades financieras, estas se encuentran todavía definiendo la forma más adecuada de llevar a cabo el cálculo del capital por riesgo operacional.

Las opciones que se plantean a las entidades financieras pueden resumirse en:

• Métodos basados, básicamente, en la aplicación de uno o varios porcentajes sobre los ingresos;


• Métodos basados en la gestión del riesgo de la propia compañía.

En el caso de la gestión basada en riesgos, es habitual subrayar que un modelo adecuado debe combinar diversas fuentes de información; a saber: bases de datos internas de pérdidas operacionales; bases de datos externas de pérdidas operacionales; opiniones de expertos basados en el análisis de escenarios; el propio entorno de control de la entidad.

En cuanto a la forma en que se decida ponderar las mencionadas fuentes de información, no es un criterio determinado a priori sin que dependerá de la realidad de cada entidad.

Lo que se defiende en el presente documento es un método científico para poder agregar las opiniones de los expertos que posteriormente son empleadas en el análisis de escenarios de riesgo operacional.

Revisión de los enfoques de modelos internos.

Con carácter general la mayoría de loes enfoques presentados por las compañías en cuanto a los modelos internos, se pueden resumir en dos: el modelo de distribución de pérdidas (LDA, según sus siglas inglesas); y el modelo basado en el análisis de escenarios.

El modelo LDA.

El modelo LDA es una técnica paramétrica que está basada fundamentalmente en la observación de los datos de pérdidas internas de la compañía, si bien, puede ser enriquecido con la incorporación de pérdidas provenientes de bases de datos externas del sector.

Este modelo considera de manera separada, por un lado, la distribución de severidad y, por otro lado, la distribución de frecuencia. Posteriormente ambas distribuciones son combinadas.

Sin embargo, uno de los problemas para el empleo de esta metodología es precisamente la necesidad de que exista una base datos interna de pérdidas operacionales, cosa que no siempre existe o, aún existiendo, los datos no cumplen con la requerida calidad.

En tales casos es cuando las entidades deciden acudir al análisis basado en escenarios.

Análisis de escenarios.

El análisis basado en escenarios comparte con el modelo LDA la idea de combinar las distribuciones de frecuencia y severidad para calcular una distribución agregada de pérdidas.

Sin embargo, difiere en el sentido de que la estimación de ambas distribuciones está basada en la opinión de expertos sobre determinados escenarios hipotéticos. Sobre la base de estos escenarios, los expertos valoran la frecuencia e impacto con que se podrían producir los eventos de pérdida descritos.

El desafío de este modelo consiste precisamente en la obtención de estimaciones que sean ajustadas a la realidad.

Para poder combinar el resultado de este análisis con el obtenido a través del modelo LDA, aquel deberá ser estadísticamente compatible., siendo la denominada inferencia bayesiana la técnica de combinación más adecuada.

La inferencia bayesiana presenta grandes ventajas que hacen que sea especial óptima para la modelización del riesgo operacional:

• En primer lugar, es una técnica estadística robusta para combinar los datos derivados de las opiniones subjetivas de las personas y los datos de las bases de pérdidas operacionales.


• Además, dota de transparencia al proceso de forma que puedan ser analizados las dos fuentes de información por parte tanto de auditoría interna como del regulador.


• Finalmente, se basa en las hipótesis que encajan bien con el riesgo operacional, ya que ambo casos, observaciones y parámetros de las distribuciones son consideradas aleatorias.

El proceso para llevar a cabo el análisis de escenarios debe plantearse a través de un conjunto estructurado de actividades.

Este conjunto de actividades comienza con la selección de los expertos que posteriormente van a llevar a cabo la valoración de los escenarios. Para ello, cada responsable de área será el encargado de seleccionar a los expertos de sus respectivas áreas.

El siguiente paso es preparar las diferentes sesiones con los grupos de trabajo. En este sentido se puede optar, básicamente, por dos criterios: plantear las reuniones individualmente con cada experto; o juntar a todos los expertos y responsables en una misma reunión. Ambas posibilidades entrañan ventajas e inconvenientes.

A continuación se debe decidir el modo más adecuado para exponer las preguntas a los expertos, en función de los diferentes perfiles, con el objetivo de obtener respuestas que puedan ser finalmente cuantificadas.

Por último, se debe definir el mejor método de agregar las opiniones de los expertos. Sea cual fuere el modelo seguido, deberá cumplirse con los siguientes requisitos:
#1: Poder combinar varias opiniones en un único parámetro.
#2: Tener en cuenta la evaluación del responsable.
#3: Estar basado en una metodología estadísticamente robusta.
#4: El resultado del método debe ser capaz de poder emplearse junto con los resultados obtenidos por el modelo de LDA.

El autor resume cuatro formas prototípicas de combinación de las opiniones de los expertos.

• En primer lugar considera la opción de dotar de una misma ponderación a todas las opiniones obtenidas durante las entrevistas con los expertos.


• Una segunda opción es establecer una diferente ponderación a las opiniones realizadas por los expertos. Esta diferente ponderación sería determinada por el responsable.


• Un tercer método sería aquel que seguiría el denominado modelo de Cooke, mediante el cual se otorga diferente peso a las opiniones de los expertos en función de los resultados de un cuestionario referente a conocimiento sobre el negocio, preparado por el gestor de riesgo operacional.


• Finalmente, el denominado método supra-bayesiano, mediante el cual el responsable define en primera instancia la probabilidad de ocurrencia de un determinado evento. Posteriormente, los diferentes expertos procederán a emitir sus opiniones las cuales se tendrán en consideración por el responsable para actualizar su opinión previa.

El resultado del análisis llevado a cabo por el autor en relación al cumplimiento con los cuatro requisitos arriba mencionados queda reflejado en el siguiente cuadro:

A Simple Formula for Operational Risk Capital

Fuente: Japanese Financial Services Agency
Título: “A Simple Formula for Operational Risk Capital”
Fecha: Mayo 2011
Autor: Tsuyoshi Nagafuji, Takayuki Nakata, Yugo Kanzaki

Desde la introducción del Basilea II los modelos de cálculo de riesgo operacional han ido adquiriendo más y más sofisticación, creando al mismo tiempo problemas no fáciles de resolver.

Uno de estos problemas es el de la incapacidad del sector para una forma estandarizada para medir el capital de riesgo operacional ya que, como ocurre, entidades con perfiles de riesgo similares pero diferentes métodos de cálculo llegan a determinar diferentes resultados de capital económico.

Otra realidad del sector es la que ha llevado a las pequeñas y medianas entidades a desistir en el desarrollo de modelos internos al no disponer de bases de datos internas adecuadas o personal suficientemente cualificado.

Mediante el presente artículo, el equipo de riesgo operacional de la Agencia de Servicios Financieros japonesa (Japanese Financial Services Agency) ha desarrollado una sencilla fórmula para calcular el capital de riesgo operacional y que puede servir para comparar las diferentes entidades financieras. Esta fórmula puede calcular el capital por riesgo operacional sin necesidad de acudir a la simulación del Monte Carlo, siempre y cuando la frecuencia anual de pérdidas sea igual o superior a un determinado importe.

La fórmula propuesta no descansa sobre ciertas aproximaciones como pueden ser los ingresos de la compañía, sino que se basa en la hipótesis (sustentada sobre el estudio de datos de pérdida reales en 18 entidades bancarias japonesas) de que las pérdidas por riesgo operacional siguen una distribución de severidad común.

La fórmula establece las pérdidas operacionales empleando dos distribuciones (frecuencia de pérdidas y frecuencia de severidad). Posteriormente, en vez de usar la manida simulación de Monte Carlo, las combina y calcula el capital de riesgo operacional usando la aproximación propuesta en el año 2005 por Klaus Böcker y Claudia Klüppelberg.

Una característica de la fórmula propuesta es que parte de la hipótesis de que existe una distribución de severidad de pérdidas operacionales común a todas las entidades observadas. Los autores reconocen que esta aproximación no está suponiendo que todas las distribuciones de las entidades sean exactamente la misma, pero permite a cada una de las entidades emplearla sin necesidad de estimar su propia distribución de severidad de pérdidas operacionales.

Durante el año 2008, el Comité de Basilea dirigió el ejercicio de recolección de datos de pérdida de 18 bancos japoneses, pudiendo concluir que seguían una distribución de severidad de pérdidas similar.

La conclusión a la que llega el estudio es que las dos terceras partes de las entidades financieras seguían de manera cercana este patrón; la otra tercera parte parece no seguir este esquema de manera tan clara, aunque su tendencia parece indicar que no está tan apartada del modelo y la opinión de los autores es que conforme se vaya acumulando más experiencia en pérdidas operacionales y recogiéndola en la base de datos de pérdida, las diferencias se reducirán. Sin embargo, se establece como umbral mínimo la cantidad de ¥10,000 (alrededor de €63,000).

El siguiente paso lógico del estudio es suponer que la distribución de severidad de pérdidas operacionales es del tipo Pareto. Los autores reconocen que es difícil determinar si dicha distribución de pérdidas proporciona una aproximación ajustada para todas las entidades financieras.

Para sustentar esta idea, se desarrolló un test no-paramétrico así como una serie de estudios de bondad entre las 18 entidades financieras para examinar en qué medida se diferenciaban una de las otras.

El resultado de este test no-paramétrico sugiere que todas las entidades siguen una distribución de severidad de pérdidas operacionales similar.

Sin embargo, los test de bondad arrojaron un resultado un tanto desalentador; en el caso de los test que se hicieron dando más peso al cuerpo de la distribución, se podía observar que las 18 entidades financieras se ajustaba a la distribución de Pareto; sin embargo, en los test que se hicieron dando más peso a la cola, sólo para la mitad de ellos parece que se ajustaban. En opinión de los autores, a pesar de estos resultados, hay que tener en cuenta que la disponibilidad de datos extremos es bastante limitada.

Por último, los autores desarrollan la fórmula de cálculo de capital económico mediante la aplicación de la distribución de severidad común a todas las entidades (Pareto) a la aproximación propuesta por Böcker y Klüppelberg, de forma que se elimina la necesidad de la simulación de Monte Carlo.


Donde,

C: nivel de confianza (p.e. 0.999 = 99,9%)
R: umbral de pérdidas;
: Número anual de pérdidas;
ξ: parámetro de forma de la Distribución Generalizada de Pareto (sus siglas en inglés, GPD)
β: parámetro de escala la Distribución Generalizada de Pareto
u: umbral de pérdidas empleados en la estimación de la (¥10.000)

Para su mejor entendimiento, veamos el siguiente ejemplo:

Supongamos que la entidad financiera “A” incurre anualmente en una media de 10 pérdidas iguales o superiores a €100,000. El capital económico por pérdida operacional, con un nivel de confianza del 99,9% sería el siguiente:

Integración de los métodos cuantitativos y cualitativos

Fuente: Libro: “La gestión del riesgo operacional. De la teoría a su aplicación”, Ed. Universidad de Cantabria.

Título: Integración de los métodos cuantitativo y cualitativo

Fecha: 2007

Autor: Xavier Gimeno

El autor parte de la reflexión siguiente: el objetivo principal en un modelo de riesgo operacional es llegar a conocer el perfil de riesgo de la entidad, ya que a partir de ahí, es posible gestionar su exposición y calcular el consumo de capital.

Por eso, el autor propone pasar de los datos al conocimiento.

· Obtención de datos, es decir, registros. Dentro del ámbito de riesgo operacional se trabajan con diferentes bases de datos: bases de pérdidas, sean internas o externas, evaluaciones cualitativas, etc.

· Este conjunto de datos constituyen la base para la creación de la información. A diferencia de los datos, la información tiene significado en sí misma. Esto requiere un proceso de transformación de los datos en información, que se logra de diferentes formas: contextualizando, categorizando, calculando, corrigiendo, etc.

· Finalmente, se requiere verdadero conocimiento. Este proviene del conjunto de experiencias, valores, información y “saber hacer”.

En este sentido, el autor plantea una posible solución para integrar todo lo anterior y obtener así un adecuado perfil de riesgo de la compañía.

Dos visiones de una misma realidad

El riesgo operacional se halla latente en todas las áreas de actividad de la compañía y potencialmente se puede materializar de muchas maneras. Sin embargo, sea debido a una correcta gestión o sea debido a la fortuna, no todos los riesgos se materializan y se convierten en sucesos o eventos.

Así, el conjunto de los riesgos conforman el mapa de riesgos operacionales de la compañía, mientras el conjunto de los sucesos o eventos se corresponde con la base de datos de pérdidas.

El autor plantea un sistema de análisis de los riesgos potenciales y de los sucesos o eventos, siguiendo el ciclo de gestión del riesgo operacional: identificación; evaluación y cuantificación; y mitigación y seguimiento.

Análisis de los riesgos potenciales (mapa de riesgos)

· Identificación: el primer paso es identificar de forma exhaustiva los diferentes riesgos operacionales que pueden llegar a materializarse en la compañía. Al mismo tiempo, se deberán identificar los controles establecidos para mitigar esos riesgos. Para asegurarnos que se han recogido todos los riesgos significativos, es conveniente hacer un análisis sistemático de los procesos de la entidad, apoyándose en los diferentes especialistas de la organización.

· Evaluación y cuantificación: Los diferentes especialistas de la organización tendrán dos funciones claves: a) valorar la exposición al riesgo de cada uno de los riesgos identificados; b) evaluar la fortaleza del sistema de controles.

· Mitigación y seguimiento: como resultado de lo anterior, la compañía deberá instrumentar los planes de acción necesarios para la mitigación preventiva de las posibles materializaciones de riesgos.

Análisis de sucesos o eventos (bases de datos de pérdidas)

· Identificación: en primer lugar, se identifican los sucesos operacionales que están produciendo pérdidas en la compañía. Se trata de riesgos materializados que se han convertido en hechos contables. Esto requiere hacer un análisis sistemático de las cuentas contables de los balances de todos los centros de la compañía.

· Evaluación y cuantificación: los apuntes contables dan de manera directa la cuantificación de las pérdidas operacionales, si bien, los diferentes especialistas de la organización son los encargados de analizar los motivos que han hecho que se materialicen los riesgos.

· Mitigación y seguimiento: en aquellos casos en que se detectasen fallos de control significativos se propondrán planes de acción para evitar futuras materializaciones, siempre con previo análisis coste/beneficio.

La integración

Una vez efectuado los análisis de los riesgos potenciales (cualitativo) y de los sucesos o eventos (cuantitativo), se deben establecer las relaciones que existen entre estas dos visiones.

Para obtener una visión integrada y completa del riesgo operacional es necesario conocer cuáles son los riesgos operacionales que se materializan y además con qué frecuencia e impacto (relaciones entre riesgos operacionales y sucesos).

La opción que propone el autor para obtener dicha información es la automatización de sucesos.
Para ello, cuando un usuario trate de registrar una pérdida por riesgo operacional y en función de la cuenta contable que seleccione, la transacción correspondiente le muestre un desplegable con los posibles riesgos que pueden ser contabilizados en esa cuenta contable. Así, mediante la relación cuenta contable/identificador de riesgo/suceso o evento, se realiza la integración de la información cuantitativa y cualitativa.

Ventajas de la integración

Algunas de las ventajas de la integración señaladas por el autor son:
· Permitir analizar la coherencia de la evaluaciones de los Coordinadores
· Potencia de realimentación del mapa de riesgos
· Mejora la integridad de la base de datos de pérdidas
· Facilita y da calidad a la automatización de la captura de sucesosPermite la realización de análisis coste/beneficio más depurados