A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

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

Apresentações semelhantes


Apresentação em tema: "Redes Bayesianas - Aplicação em Risco Operacional Rudini Sampaio DCC / UFLA."— Transcrição da apresentação:

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

2 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)

3 Rudini Sampaio DCC-UFLA 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

4 Rudini Sampaio DCC-UFLA 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

5 Rudini Sampaio DCC-UFLA 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)

6 Rudini Sampaio DCC-UFLA 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

7 Rudini Sampaio DCC-UFLA 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

8 Rudini Sampaio DCC-UFLA Redes Bayesianas em Risco Operacional 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.

9 Rudini Sampaio DCC-UFLA Redes Bayesianas em Risco Operacional 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

10 Rudini Sampaio DCC-UFLA Redes Bayesianas em Risco Operacional 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.

11 Rudini Sampaio DCC-UFLA Redes Bayesianas em Risco Operacional 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).

12 Rudini Sampaio DCC-UFLA Redes Bayesianas em Risco Operacional  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

13 Rudini Sampaio DCC-UFLA Redes Bayesianas em Risco Operacional 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.

14 Rudini Sampaio DCC-UFLA Redes Bayesianas em Risco Operacional  Alguns sistemas de redes bayesianas disponibilizam aprendizado de estrutura, como o Hugin com as funcionalidades Structure Learning e Learning Wizard

15 Rudini Sampaio DCC-UFLA Redes Bayesianas em Risco Operacional 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)

16 Rudini Sampaio DCC-UFLA Redes Bayesianas em Risco Operacional 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.

17 Rudini Sampaio DCC-UFLA Redes Bayesianas em Risco Operacional 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)

18 Rudini Sampaio DCC-UFLA Redes Bayesianas em Risco Operacional  Sete Passos

19 Rudini Sampaio DCC-UFLA Redes Bayesianas em Risco Operacional  Exemplo – Redes Bayesianas separadas

20 Rudini Sampaio DCC-UFLA Redes Bayesianas em Risco Operacional  Exemplo – Uso interno diverso


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

Apresentações semelhantes


Anúncios Google