会员登录
会员注册摘要：本文在梳理国内外理论研究和实践经验的基础上，比较了内部损失数据、外部数据、情 景分析、业务环境和内部控制因子（BEICFs）等四类数据元素的特点，研究了四类数据元素在操作风险高级计量法中的整合和应用方法，为我国商业银行在实施操作风险高级法过程中更合理地利用各类数据元素进行资本计量和风险管理提供建议。
关键词：操作风险，高级计量法，损失数据，情景分析
商业银行实施操作风险高级计量法（AMA）的基础，就是要获得在数量、质量、期限、结构等方面都满足要求的，并符合银行风险暴露特征的操作风险损失数据。不同的数据元素分别体现了操作风险不同侧面的特征，可以相互补充形成完整的银行操作风险轮廓，并共同作为高级计量法模型的输入内容，同时也都是银行操作风险管理的重要工具。
国际上先行实施操作风险高级计量法的银行，对高级法所要求的数据元素的特征、获取途径、使用方法等进行了探索。德意志银行强调在操作风险建模之前损失数据准备的重要性，认为在通过损失分布法（LDA）建模时需要输入的数据包括内部损失数据、行业协会数据（ORX）、商业损失数据库和情景分析数据（Falko Aue and Michael Kalkbrener，2007）。澳大利亚审慎监管局（APRA）总结了本国银行应用各类数据元素的实践经验，针对内部损失数据、外部数据、情景分析、业务环境和内部控制因子（BEICFs）四类数据，提出了应用整合方法和具体监管要求（Harvey Crapp，2008；APRA，2008）。美国货币监理署与联邦储备系统等于2011年6月发布《操作风险高级计量法联合指引》，对美国大型跨国活跃银行应用四类操作风险数据元素进行高级计量法资本计量和风险管理的过程，进行了规范（OCC，2011）。巴塞尔银行业监管委员会综合各国实践经验，于2011年7月正式发布了《操作风险高级计量法监管指引》，对商业银行实施操作风险高级计量法的全球最佳实践进行了总结，其中对内部损失数据、外部损失数据、情景分析、BEICFs等四类数据的应用提出了明确的监管要求（BCBS，2011）。
我国无论是理论研究还是银行的风险管理实践，对操作风险高级法及其四类数据元素的应用都还处于初步探索阶段。罗猛，綦相，邵长毅（2009）总结比较了操作风险高级计量法中的内部度量法和损失分布法的国际实践，介绍了高级计量法建模和验证的方法。范洪波，刘培国（2010）指出损失数据影响着操作风险高级法模型计量的资本要求水平，而情景分析可以弥补银行内部损失数据不足的问题。文海燕，屈华（201 1）认为损失数据的数量和质量影响着高级计量模型结果的准确性，并系统介绍了对外部数据的加工、调整和整合方法。吴博，刘堃，胡丹（2012）从操作风险管理框架和治理、四类数据元素及应用、高级法建模等方面总结了国际监管规则的最新进展，比较了美国、澳大利亚各国和巴塞尔银行监管委员会等的最新监管要求。
本文试图在梳理国内外理论研究和实践经验的基础上，比较四类操作风险数据元素各自的特征，为我国商业银行在实施操作风险高级法过程中更合理有效地利用各类数据元素进行资本计量和风险管理提供建议。
一、内部损失数据
内部损失数据（ILD）最能体现特定银行的业务特征和风险轮廓，是将银行的风险计量与实际的损失经历连接起来的主要纽带。巴塞尔协议Ⅱ要求实施AMA的银行应有至少5年的损失数据，首次实施的可缩至3年。内部损失数据收集要符合AMA的相关标准（BCBS，2011），具体要求包括如下方面。
（一）总损失和损失回收
BCBS在《操作风险高级法监管指引》中明确，一个操作风险损失只能产生于一个操作风险事件，总损失（gross loss）是在扣除任何形式的损失回收之前的损失，净损失（net loss）被定义为考虑了损失回收影响之后的损失，而损失回收（recovery）是指与初始损失事件相关但在时间上分开的、并可获得来自第三方的资金或经济收益流入的独立发生事件。
建议银行使用“总损失金额”或“扣除所有损失回收（不包括保险）之后的总损失金额”作为其AMA模型的输入。但是银行不能使用扣除保险回收之后的损失，因为巴塞尔协议Ⅱ允许银行通过保险缓释减少最高20%的资本要求，如果采用扣除保险之后的净损失，则在计算这一潜在的资本缓释程度时，无法衡量保险缓释的资本比例是否在20%之内。
（二）损失数据阀值
银行必须为内部损失数据收集设立一个合适的最低阀值。一般而言，较高的阀值能避免数据库中充斥过多不重要的损失事件，而且可以在数据收集过程中节省人力等成本；而使用较低的阀值，银行能够从其损失事件中得到更多信息，对总体损失分布会有更加全面的了解。
具体操作中，银行需要对每一种操作风险分类（ORC）定义适当的阀值。银行还可对数据收集和建模设置不同的阀值。比如为了风险管理的需要，在内部数据收集时可设置较低的“收集阀值”甚或不设阀值，以获取更多的操作风险事件信息；但对以资本计量为目的的测算数据集应设置适当较高的“建模阀值”，以便使每一操作风险分类中的损失频率分布和严重度分布与阀值以上的数据相适应。损失数据阀值设定的基本原则是：对收集阀值的选择，不应遗漏对风险暴露和有效的风险管理有重要影响的操作损失事件；对建模阀值的选择，不应该对风险计量的可信度和精确性有不利的影响。
（三）参考日期
单个操作风险损失事件往往对应着几个参考日期：发生日期、发现日期、或有负债日期、会计日期（首次财务影响）和清算日期。银行选择参考日期的原则之一，是不能遗漏可能对操作风险资本计提有明显影响的大额损失。
在具体收集损失数据时，银行通常会通过至少三个日期来收集信息：发生日期、发现日期和会计日期；而在为计量操作风险资本要求而建立测算数据集时，发现日期或会计日期是最为审慎的选择。然而，如果没有约束或限制观测区间（如5年），银行也可为建立测算数据集而使用发生日期。
二、外部数据
外部数据（ED）能提供银行“虽不常发生但影响严重的”潜在操作风险损失事件。因而在运用高级法计量操作风险资本时，外部数据是对内部损失数据不可或缺的重要补充。
（一）三类主要来源
一是公开数据，由特定的商业机构收集，一般是来自媒体公开报道的、损失金额在较高阀值之上的操作风险损失事件。国际上常见的公开外部数据库有SAS公司的OpRisk Global data，IBM旗下Algorithms公司的FIRST和OpData等。
二是行业协会数据，包含来自协会会员金融机构的、非公开的操作风险损失数据，而且一般是隐去发生银行具体信息的“匿名”数据。这类数据库包括操作风险损失数据交换协会建立的ORX数据库，英国银行家协会（BBA）的全球操作风险损失数据库（GOLD），美国银行家协会（ABA）建立的行业数据库，以及韩国操作风险数据交换协会（KOREC）的共享数据库等。
三是保险数据，由保险公司提供的、来自于和操作风险相关的保险索赔的数据。这依赖于银行对保险的应用程度，以及保险产品和保险政策条款等。表1比较了不同来源的外部数据的优点和缺点。
（二）固有偏差及其调整
所有外部数据库都不可避免地面临着各种固有偏差。除非经过适当的修正，这些固有偏差会转移到操作风险的分布中，进而影响资本计量结果。因而外部数据只有在经过适当调整后才能在高级法模型中间接应用（Harvey Crapp，2008）。
1.报告偏差（report bias）。指外部损失数据并不是损失数据整体的一个随机抽样。如对公开数据，由于媒体报道的损失时间都倾向于过度强调较大金额的损失，这会导致巨额损失的比例被高估；对行业协会数据，每家银行所使用的数据阀值可能和同业联盟的阀值并不一致，因而在对各家银行数据进行匿名整合过程中，会扭曲损失数据整体的分布；对保险数据，由于其仅代表了导致保险理赔的损失事件，银行机构的保险政策条款、理赔条件以及可扣除的金额都会产生报告偏差。
2.控制偏差。由于外部损失数据来自于不同的银行，而不同银行有着不同的控制机制，由此可能产生控制偏差（control bias）。这会影响外部数据的同质性以及损失数据与单个银行的相关性。在外部数据匿名的情况下，控制偏差会更加严重。为了估计控制偏差，银行需要识别哪类机构的哪种业务和自己有着相同的控制结构，通过过滤数据得到一个与自身业务运行和控制结构相关的数据子集，并排除掉其他不符合标准的数据。
3.规模偏差。规模偏差（scale bias）产生的原因是由于数据库中的损失数据都来自于不同规模的银行，规模的差异表现在业务规模、资产规模、员工数量、年度收入等方面。显然银行规模和损失严重度之间存在一定相关性，因此使用外部数据的银行需要通过“缩放机制”（scaling）来调整外部数据的损失额度大小。但缩放的难点在于，银行很难找到一个理想的“代理变量”来充分地描述银行规模和损失严重度两者之间的关系。为了将发生于B银行的外部损失，缩放成和A银行规模因素相匹配的损失大小，可运用如下公式：
三、情景分析
情景分析（SA）是对一家银行虽然很罕见但却可能发生的重大损失事件的推测和模拟，经过业务专家的主观判断，得出特定情景下可能产生的操作风险损失，并对各种可能的结果赋予一定的概率。基于情景分析得出的情景数据（ED），可为银行潜在操作风险暴露提供一个“前视性”的观察，因而是对内部损失数据和外部数据这两类后视性数据的重要补充，而且业务专家的主观判断能进一步补充完善银行可能面临的操作风险损失。
（一）开展方法
情景分析可分为“情景假设”和“风险评估”两个主要步骤。其中“情景假设”有两种方式：一种是利用历史上内部或外部损失数据，从中筛选出可能面临的情景并假设在该银行再次发生。第二种是银行历史上从未发生过、但在理论上有可能出现的情景，此时可以根据银行业务性质及所处的宏观环境，在理论上假设这些情景在该银行出现。而“风险评估”主要是对特定情景下该银行操作风险发生频率和损失严重度的评估，这主要依赖有经验的业务专家的主观判断。
由于操作风险涉及到银行各个业务和管理部门，情景分析需由风险管理部动员全行各个相关部门以研讨会的形式进行。情景分析研讨会的开展离不开两类主要的参与者：银行业务专家和概率统计专家。主观的业务专家具有必要的业务知识和经验，但这些主观判断结果会产生标准化程度较差、标准不一致的情况，这时就需要概率统计专家的协助。情景分析的频率可根据银行实施高级法的需要而确定，如澳大利亚AMA银行的情景分析讨论会每年进行一次，每半年对情景分析流程更新一次（APRA，2008）。
（二）偏差及其调整
由于人工处理数据和信息能力的局限性，情景评估经常会因评估方法的标准化程度低或者内部不一致而导致各类偏差。为了减少情景分析的主观性并帮助专家精确地量化其评估意见，可采用以下两种方法对情景评估进行检验和确认。
数学方法：即让业务专家针对不同情形分别进行评估，然后采用加权求和的方法进行整合，权重可基于每一位专家的专业技能确定。这一方法虽然容易操作，但也存在缺陷：一是由于不同专家之间可能对情景具有某种共识从而导致独立性判断的缺失，二是各个专家的权重难以合理确定，三是得到的最终结果并非一个真正的专家意见。
行为方法：也即由一组业务专家共享他们之间的信息，并共同讨论达成一个一致的评估结果。这一方法经过专家之间的交流，能促进基于业务管理目的的讨论，深化专家对风险暴露的认识，因而有助于评估结果更符合真实情况。因而，所有的澳大利亚AMA银行都采用这种行为方法（APRA，2008）。
四、业务环境和内部控制因子
业务环境和内部控制因子（BEICFs）是一系列操作风险指标，对能够影响银行操作风险轮廓的业务环境和内部控制因素提供前视性的评价。其中“业务环境因子”是指能产生操作风险暴露的银行内部和外部的业务运行环境的特征。“内部控制因子”反映了银行用于缓释风险暴露的内部控制系统的元素。
在高级法模型中考虑BEICFs，能保证获取银行业务环境和内部控制方面的操作风险驱动因子，使得银行的操作风险资本计量结果对操作风险轮廓的改变更加敏感。但BEICFs不仅有很强的主观性，而且也难以科学地进行定量聚合。在AMA模型中应用BEICFs，一般有以下几种可能的情形。
一在情景分析中考虑：将BEICFs作为参考变量输入到情景分析中，以帮助情景评估者调整估计值以反映真实的风险轮廓。对频率和严重度的情景评估的调整都要反映BEI CFs的变化，而且要有支持性文档来解释变化的合理性。
二对资本计量结果的间接调整：BEICFs常被用作定量资本计量的间接输入，作为对资本的事后调整，以反映在年度的资本测算之间风险轮廓的改变。通常银行关注异常变化或超过一定阀值的BEICFs指标，根据其变化有限地动态调整资本计量结果，如在半年度时根据BEICFs来调整年度资本计量的结果，但这种调整应是有限的，如限制在20%以内。
三用于资本配置机制：银行也可将BEICFs用于银行在不同业务单元之间分配操作风险资本，以使业务单元的资本占用与其残余风险轮廓相一致。
四直接建模：一些银行直接使用BEICFs来量化其风险暴露，对操作风险资本测算时的统计分布参数进行估计。但由于指标本身的主观性和定量聚合的难度，应用BEICFs指标进行直接建模的可行性和可靠性都值得怀疑。
五、四类数据元素的整合
（一）四类数据元素的特点比较
为了最大可能地保证操作风险资本计量与其风险暴露程度相符，银行应该仔细考虑这四类数据元素如何在AMA模型中应用和整合。其前提是银行应对每一元素在资本计量模型中的影响有清晰的了解，并根据每一数据元素的特点有针对性地应用。如内部损失数据主要用于估计损失频率分布，而外部数据则和内部损失数据一起用来估计损失严重度分布，两者都可作为情景分析的输入等。表2对四类数据元素各自的特点和在AMA模型中的主要应用进行了总结。
BCBS在2008年LDCE调查中发现，对所调查的42家AMA银行而言，四类数据元素按对资本计量的贡献度排序如下：情景分析，对资本计量的直接贡献度大小为55%；外部数据，贡献度37%；内部损失数据，贡献度31%；BEICFs，贡献度11%。其中日本和欧洲的AMA银行尤其依赖情景分析，分别达到84%和64%。
（二）四类数据元素的整合方法
1.混合法。将多类数据元素进行混合得到一个新的数据集，并当作单一数据来源进行建模（图1）。理论上，如果数据能够真实反映银行的损失特征、并能给出与其风险暴露相匹配的监管资本数值，则这一方法有效。而实际上数据不完美，因而这一方法的问题在于可能将属于不同来源、具有不同分布的数据混合在一起，而对由此而来的不确定性难以度量和缓释。
2.分割法。对总体损失分布的高频低损（HFLI）和低频高损（LFHI）部分，基于不同的数据元素分别进行建模，得到两部分独立的监管资本，再将两部分资本加权相加得到最终的资本要求（图2）。采用分割法要注意两点，一是要合理确定两部分数据的分割值，这需要观察选择不同的分割值对最终资本估计的敏感性。二是为了得到一个可靠的资本估计，两部分数据源都要有较为充足、有代表性的数据量。
3.加权法。对四种数据元素分别建模并得到各自的总体损失分布，最终的资本就是每个分布在特定置信水平下（如99.9%）风险价值（VaR）的加权平均值。实际使用中，对采用加权法的银行的一个挑战是，要对不同数据元素选择合理的权重（下式中a、b、c、d）来测算最终的操作风险资本（ORCapital）。
ORCapital=a×CILD＋b×CED＋c×CSA＋d×CBEICFs
4.定性调整法。首先应用内部损失数据、外部数据、情景分析等数据分别对分布主体（body）和尾部（tail）进行建模，在此基础上应用BEICFs的动态变化对资本计量模型进行有限的事后调整，以反映银行业务环境因子和内部控制因子对资本计量的动态影响（图3）。但这种事后的定性调整是要有充分依据的，且调整幅度应是有限制的，如20%之内。
在国际上AMA银行的实践中，如何选择对各类数据元素理想的整合方法仍是一个演进中的课题。对具体银行而言，可以根据对各类数据元素的准备情况，综合应用以上整合方法，得到适合银行自身需求的高级法计量模型。
六、结论和启示
首先，商业银行实施操作风险高级法要以四类数据元素为基础。如果说建模方法是高级计量法的难点和关键，那么操作风险损失数据的数量和质量是决定高级法实施成败的关键。如果没有合格的数据输入，再完美的建模方法都得不出满意的资本计量结果。因而银行实施操作风险高级法的基础性工作之一，就是充分准备各类操作风险数据。
其次，四类数据元素在操作风险高级法中的作用各不相同、相互补充。内部损失数据是主体，是一家银行特有的业务、规模和风险特征等信息的主要来源；外部数据是补充，是对单个银行大额尾部损失不足的重要补充，对完整刻画银行的潜在风险暴露轮廓非常重要；情景分析是前瞻，是对银行本身虽未曾发生但有可能发生的风险的预测和模拟；BEICFs是参考，可用来动态监测影响操作风险的重要指标的变化，并作为对资本计量结果定性调整的依据。
再次，商业银行要建立科学持续的数据积累机制。如银行要建立内部损失数据的实时动态收集积累机制，一方面动态收集增量损失数据，另一方面可以通过对历史数据的追溯来挖掘存量损失数据；而外部数据要在购买外部数据库的基础上，及时更新外部数据信息，同时我国也需建立国内银行业操作风险损失共享交流机制；情景分析要在全行的相关业务部门定期开展；BEICFs则需建立合理的指标体系，并进行动态监测报告。
同时，商业银行要根据四类数据元素的特征进行整合和应用。既要发挥内部数据的适用特点，又要借助外部数据的补充作用；既要吸收客观性数据的科学成分，又要借鉴主观性数据的有用经验；既要挖掘后视性历史数据的参考价值，又要结合前视性数据的预测作用。只有对四类数据元素充分积累、科学整合，才能尽可能真实地反映该银行的风险特征及其资本要求。
最后，不仅要发挥数据元素的计量作用，更要发挥其管理价值。如内部损失数据能体现出损失发生频率和金额在全行各业务线、各分支机构的分布情况；外部数据和情景分析都可为本行损失事件的预防和分析提供参考；BEICFs提供了相关业务领域的风险暴露预警指标，等等。可见，各类数据元素作为高级法资本计量的输入元素固然是其基础作用，但还可以在操作风险管理中发挥更大的作用。事实上，尽管操作风险高级计量法的初始目的是精确计量监管资本，但其最终目的在于全面提高操作风险管理的精细度和有效性。
参考文献：
1. APRA，Capital Adequacy Advanced Measurement Approaches to Operational Risk[R]，Prudential Standard APS 115，January 2008.
2. BCBS，Operational Risk SupervisOry Guidelines for the Advanced Measurement Approaches[R]，June 201 1.
3. BCBS，Results from the 2008 Loss Data Collection Exercise for Operational Risk[R]，July 2009.
4.范洪波，刘培国，情景分析在商业银行风险管理中的应用[J]，金融论坛，2010年第5期
5.罗猛，綦相，邵长毅，操作风险高级计量法及其验证：国际经验与启示[J]，国际金融研究，2009年第5期
6.文海燕，屈华，外部损失数据在高级计量法中的应用[J]，新金融，2011年8月
7.吴博，刘堃，胡丹，操作风险高级计量法国际监管规则最新进展及启示[J]，国际金融研究，2012年第5期
作者简介： 吴博 交通银行风险管理部