ЙМОВІРНІСНЕ МОДЕЛЮВАННЯ ОПЕРАЦІЙНИХ РИЗИКІВ

Людмила Борисівна Левенчук; Віра Геннадіївна Гуськова; Петро Іванович Бідюк

doi:10.20535/kpisn.2021.3.251681

Т. · № 3 · 2021 гру 15, 2021 статті

ЙМОВІРНІСНЕ МОДЕЛЮВАННЯ ОПЕРАЦІЙНИХ РИЗИКІВ

ЛЛ

Людмила Борисівна Левенчук Відповідальний Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна

ВГ

Віра Геннадіївна Гуськова Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна

ПБ

Петро Іванович Бідюк Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна

Опублікованогру 15, 2021

PDF

НВКПІ 3 ТОМ · 3

ТОМ · № 3 · 2021 Переглянути випуск

Анотація

Проблематика . Операційні ризики (ОР) притаманні всім видам людської діяльності, включно з промисловістю, транспортом, фінансовими послугами та ін. Ризики такого типу характеризуються множиною невизначеностей, неповнотою та низькою якістю даних, що ускладнює прогнозування й оцінювання. Для моделювання процесів, пов’язаних з ОР, необхідно виконати коректну обробку даних, а також ідентифікацію та врахування можливих невизначеностей. Для розв’язання таких задач придатний ймовірнісний підхід. Мета дослідження . Зробити короткий огляд методів ймовірнісного аналізу даних, призначених для побудови математичних моделей ОР. Розробити нову ймовірнісну модель у вигляді мережі Баєса для формального опису операційного ризику шахрайства, пов’язаного з актуарними процесами. Методика реалізації . Для обробки даних й експертних оцінок використовуються методи баєсового аналізу даних, призначені для побудови ймовірнісних моделей у формі баєсових мереж. Результати дослідження . Описано методи дослідження ОР і їх модифікації. Запропонований метод моделювання застосовано для побудови моделі ОР страхового шахрайства. Для побудови моделі проаналізовано задачу, вибрано множину змінних й оцінено необхідні апріорні умовні ймовірності. Остаточна модель побудована з використанням інструментарію моделювання GeNIe. Функціонування моделі продемонстровано на прикладі. Висновки . Показано, що задача моделювання, оцінювання та прогнозування ОР може бути розв’язана за допомогою ймовірнісного підходу, зокрема баєсової методології, яка дає змогу ідентифікувати та врахувати можливі невизначеності даних й експертних оцінок.

Ключові слова

#операційний ризик #ймовірнісне моделювання #баєсова методологія #експертні оцінки #актуарні процеси

Посилання

Basel Committee on Banking Supervision. International Convergence of Capital Measurement and Capital Standards. A Revised Framework. Comprehensive Version, Basel, Switzerland: Bank for International Settlements, 2006.
M. G. Cruz, Modeling, Measuring and Hedging Operational Risk, London: Wiley, 2002.
C. Alexander, Operational Risk: Regulation, Analysis and Management, Harlow, England: Pearson Education Ltd, 2003.
P. V. Shevchenkо, Modeling Operational Risk Using Bayesian Inference, New York: Springer, 2011.
S. O. Dmytrov, Modeling of operational risk assessment of a commercial bank, Sumy, Ukraine: SHEI “Ukrainian Academy of Banking”, 2010.
A. Frachot, P. Georges, and T. Roncalli, “Loss distribution approach for operational risk,” SSRN Electron. J., pp. 56–99, 2001. doi: 10.2139/ssrn.1032523.
С. Alexander, “Bayesian methods for measuring operational risk,” SSRN Electron. J., pp. 45–65, 2000. doi: 10.2139/ssrn.248148.
Х. Hao, “Operational risk control of commercial banks based on Bayesian network,” Proc. 2013 ICETIS, 2013, pp. 913–918. doi: 10.2991/icetis-13.2013.209.
Yongqi Yang, Wanlei Xue, Chaoyuan Li, Xin Zhao, and Nan Xu, “An AHP-Bayesian model for operational risk evaluation of integrated energy systems,” IOP Conf. Ser. Materials Sci. Eng., vol. 484, pp. 1–8, 2019. doi: 10.1088/1757-899X/484/1/012052.
Y. K. Yoon, “Modeling operational risk in financial institutions using Bayesian networks”, J. Risk Insur., UK, №74(4), pp. 795–827, 2007.
M. Neil, N. Fenton, and M. Tailor, “Using Bayesian networks to model expected and unexpected operational losses,” Risk Analysis, vol. 25, no. 4, pp. 963–972, Aug. 2005. doi: 10.1111/j.1539-6924.2005.00641.x.
A. Stuart and K. Ord, Kendalls Advanced Theory of Statistics, vol. 1, Wiley, 1994.
S. Figini, L. Gao and P. Giudici, “Bayesian operational risk models,” J. Oper. Risk, vol. 10, no. 2, pp. 45–60, 2015. doi: 10.21314/JOP.2015.155
C. K. Chow and C. N. Liu, “Approximating discrete probability distributions with dependence trees,” IEE Trans. Inf. Theory, vol. 14, pp. 462–467, 1968.
T. Minka et al. (2014). Infer.NET 2.6 Microsoft Research Cambridge [Online]. Available: http://research.microsoft.com/infernet
M. Neil, D. Hager and L. B. Andersen, “Modeling operational risk in financial institutions using hybrid,” J. Oper. Risk, vol. 4, no. 1, pp. 1–28, 2009.

Попередня у випуску ОПТИМІЗАЦІЯ LSTM-МЕРЕЖ ДЛЯ ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ Наступна у випуску ГЕНЕРУВАННЯ КОРПУСІВ ТЕКСТОВИХ ДАНИХ НА ОСНОВІ ДЕТЕРМІНОВАНОГО МЕТОДУ

§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.

Усі випуски

РОЗРОБКА МЕТОДУ ФОРМАЛІЗАЦІЇ ДИНАМІЧНИХ ТЕПЛОВИХ ПОРТРЕТІВ ДЛЯ НАДІЙНОГО ВИЯВЛЕННЯ ЦІЛЕЙ

Степан Лис, Оксана Оборська

Проблематика. Автоматизовані системи спостереження з БпЛА стикаються з подвійним викликом: виявленням теплоконтрастних об'єктів у реальному часі та їх ідентифікацією в…

#тепловізійні системи #ідентифікація цілей #локалізація зони інтересу #динамічний тепловий портрет

10.20535/kpisn.2026.3.359114

МЕТОДИКА ФОРМУВАННЯ ІНФОРМАТИВНОГО ПРОСТОРУ ОЗНАК ТЕХНІЧНИХ ІНДИКАТОРІВ ФІНАНСОВИХ ПРОЦЕСІВ НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ

Роман Тертичний, Денис Чупрін, Петро Бідюк

Проблематика. Фінансові часові ряди характеризуються нелінійністю, нестаціонарністю та високим рівнем шуму, що суттєво ускладнює їх моделювання та прогнозування.…

#методика формування інформативного простору ознак #технічні індикатори #волатильність Паркінсона #нейронні мережі

10.20535/kpisn.2026.3.359610

МЕТОДИ ЗАБЕЗПЕЧЕННЯ ЦІЛІСНОСТІ ОБРОБКИ ТА ПЕРЕДАЧІ ДАНИХ У ПРОМИСЛОВИХ СИСТЕМАХ АВТОМАТИЗАЦІЇ

Ярослав Корпань, Євген Федоров, Ольга Нечипоренко

Проблематика. Сучасні промислові системи контролю характеризуються високим рівнем інтеграції інформаційних і фізичних процесів та використанням розподілених…

#промислові системи автоматизації #SCADA-системи #цілісність даних #кібербезпека ICS

10.20535/kpisn.2026.3.361520

Статті цього автора (цих авторів), які найбільше читають

Андрій Олегович Белас, Петро Іванович Бідюк, ВИБІР КРИТЕРІЮ ЯКОСТІ ДЛЯ ОЦІНЮВАННЯ ПРОГНОЗІВ НЕЛІНІЙНИХ НЕСТАЦІОНАРНИХ ПРОЦЕСІВ , Наукові вісті КПІ: № 2 (2021)
Роман Леонідович Пантєєв, Оксана Леонідівна Тимощук, Віра Геннадіївна Гуськова, Петро Іванович Бідюк, МЕТОДИ ФІЛЬТРАЦІЇ ДАНИХ У СИСТЕМАХ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ , Наукові вісті КПІ: № 1 (2021)

Схожі статті

Костянтин Бровко, Павло Буданов, Олег Великогорський, Юлія Олійник, Наталія Винокурова, Сергій Войтенко, ІМІТАЦІЙНА МОДЕЛЬ ЦИФРОВОГО ДВІЙНИКА ТЕХНОЛОГІЧНОГО ПРОЦЕСУ ЕНЕРГОБЛОКУ АЕС , Наукові вісті КПІ: Том 143 № 2 (2026)
Євген Панкратов, Григорій Тимчик, МІКРОСЕРВІСНА АРХІТЕКТУРА ТА АЛГОРИТМИ МОДУЛЬНОЇ СИСТЕМИ АВТОМАТИЗАЦІЇ ТЕХНОЛОГІЧНИХ ПРОЦЕСІВ МАЛОГО БІЗНЕСУ , Наукові вісті КПІ: Том 143 № 2 (2026)
Костянтин Д. Грішин, Nadezhda Nedashkovskaya, МОДЕЛЬ МАШИННОГО НАВЧАННЯ ДЛЯ РОЗПІЗНАВАННЯ КОНФІГУРАЦІЙ РУК УКРАЇНСЬКОЇ ЖЕСТОВОЇ МОВИ , Наукові вісті КПІ: Том 143 № 2 (2026)
Павло Кость, Лариса Гліненко, МЕТОДИКА ВИБОРУ СТРУКТУРИ ПЕРЕДАВАЛЬНОГО ТРАКТУ ДЛЯ ТЕРМОЯДЕРНИХ УСТАНОВОК , Наукові вісті КПІ: Том 143 № 2 (2026)
Дмитро Петренко, Анатолій Протасов, АЛГОРИТМ БЕЗКАРТОГРАФІЧНОЇ НАВІГАЦІЇ РОБОТА HUSKY НА ОСНОВІ МОДЕЛЕЙ ГЛИБОКОГО НАВЧАННЯ З ПІДКРІПЛЕННЯМ ТА АДАПТИВНОГО НАВЧАЛЬНОГО ПЛАНУ , Наукові вісті КПІ: Том 143 № 2 (2026)
Nataliia V. Kuznietsova, Petro I. Bidyuk, УЗАГАЛЬНЕННЯ СТРУКТУРИ ІНФОРМАЦІЙНОЇ ТЕХНОЛОГІЇ ФІНАНСОВОГО РИЗИК-МЕНЕДЖМЕНТУ , Наукові вісті КПІ: № 3 (2019)
Mariia V. Kontseva, Hryhorii V. Krimets, Serhii A. Kontsevoi, 3D-МОДЕЛЮВАННЯ ВИРОБНИЦТВА НІТРАТНОЇ КИСЛОТИ , Наукові вісті КПІ: № 3 (2019)
Oksana O. Suprunenko, КОМБІНОВАНИЙ ПІДХІД ДО ІМІТАЦІЙНОГО МОДЕЛЮВАННЯ ДИНАМІКИ ПРОГРАМНИХ СИСТЕМ НА ОСНОВІ ІНТЕРПРЕТАЦІЙ МЕРЕЖ ПЕТРІ , Наукові вісті КПІ: № 5-6 (2019)
Anatolii Yu. Kravchenko, Mykola F. Tereshchenko, Sergiy P. Vysloukh, Gregory S. Tymchik, МОДЕЛЮВАННЯ ТЕМПЕРАТУРНОГО ПОЛЯ НА РОБОЧІЙ ПОВЕРХНІ УЛЬТРАЗВУКОВОГО ВИПРОМІНЮВАЧА , Наукові вісті КПІ: № 2 (2019)
Роман Тертичний, Денис Чупрін, Петро Бідюк, МЕТОДИКА ФОРМУВАННЯ ІНФОРМАТИВНОГО ПРОСТОРУ ОЗНАК ТЕХНІЧНИХ ІНДИКАТОРІВ ФІНАНСОВИХ ПРОЦЕСІВ НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ , Наукові вісті КПІ: Том 144 № 3 (2026)

1-10 з 32 Наступне

Ви також можете розпочати розширений пошук схожих статей для цієї статті.

[1] Basel Committee on Banking Supervision. International Convergence of Capital Measurement and Capital Standards. A Revised Framework. Comprehensive Version, Basel, Switzerland: Bank for International Settlements, 2006.

[2] M. G. Cruz, Modeling, Measuring and Hedging Operational Risk, London: Wiley, 2002.

[3] C. Alexander, Operational Risk: Regulation, Analysis and Management, Harlow, England: Pearson Education Ltd, 2003.

[4] P. V. Shevchenkо, Modeling Operational Risk Using Bayesian Inference, New York: Springer, 2011.

[5] S. O. Dmytrov, Modeling of operational risk assessment of a commercial bank, Sumy, Ukraine: SHEI “Ukrainian Academy of Banking”, 2010.

[6] A. Frachot, P. Georges, and T. Roncalli, “Loss distribution approach for operational risk,” SSRN Electron. J., pp. 56–99, 2001. doi: 10.2139/ssrn.1032523.

[7] С. Alexander, “Bayesian methods for measuring operational risk,” SSRN Electron. J., pp. 45–65, 2000. doi: 10.2139/ssrn.248148.

[8] Х. Hao, “Operational risk control of commercial banks based on Bayesian network,” Proc. 2013 ICETIS, 2013, pp. 913–918. doi: 10.2991/icetis-13.2013.209.

[9] Yongqi Yang, Wanlei Xue, Chaoyuan Li, Xin Zhao, and Nan Xu, “An AHP-Bayesian model for operational risk evaluation of integrated energy systems,” IOP Conf. Ser. Materials Sci. Eng., vol. 484, pp. 1–8, 2019. doi: 10.1088/1757-899X/484/1/012052.

[10] Y. K. Yoon, “Modeling operational risk in financial institutions using Bayesian networks”, J. Risk Insur., UK, №74(4), pp. 795–827, 2007.

[11] M. Neil, N. Fenton, and M. Tailor, “Using Bayesian networks to model expected and unexpected operational losses,” Risk Analysis, vol. 25, no. 4, pp. 963–972, Aug. 2005. doi: 10.1111/j.1539-6924.2005.00641.x.

[12] A. Stuart and K. Ord, Kendalls Advanced Theory of Statistics, vol. 1, Wiley, 1994.

[13] S. Figini, L. Gao and P. Giudici, “Bayesian operational risk models,” J. Oper. Risk, vol. 10, no. 2, pp. 45–60, 2015. doi: 10.21314/JOP.2015.155

[14] C. K. Chow and C. N. Liu, “Approximating discrete probability distributions with dependence trees,” IEE Trans. Inf. Theory, vol. 14, pp. 462–467, 1968.

[15] T. Minka et al. (2014). Infer.NET 2.6 Microsoft Research Cambridge [Online]. Available: http://research.microsoft.com/infernet

[16] M. Neil, D. Hager and L. B. Andersen, “Modeling operational risk in financial institutions using hybrid,” J. Oper. Risk, vol. 4, no. 1, pp. 1–28, 2009.