Ìîíãîëáàíêíû Åðºíõèéëºã èéí 006 îíû -ð ñàðûí 7-íû ºäðèéí 537 äóãààð òóøààëûí õàâñðàëò ҮЙЛ АЖИЛЛАГААНЫ ЭРСДЭЛИЙГ ТООЦОХ ЗӨВЛӨМЖ НЭГ. НИЙТЛЭГ ҮНДЭСЛЭЛ Санхүүгийн байгууллагуудын үйл ажиллагааны эрсдэлийг тооцоход ашиглагддаг математик болон статистикийн загваруудын талаар банкны ажилтан болон хянан шалгагч нарт тодорхой мэдлэг олгоход энэхүү зөвлөмжийн гол зорилго оршино. ХОЁР. ЭРСДЭЛ ТООЦОХ ЗАРЧИМ Энэхүү зөвлөмжид тусгасан загварууд нь нөхцөлт (Bayesia болон нөхцөлт бус (Frequetists магадлалын тодорхойлолт/философи дээр суурилсан болно. Эдгээр зарчмын талаар сонголт хийхдээ банк, санхүүгийн байгууллага нь өөрийн үйл ажиллагааны онцлогийг харгалзан үзнэ. ГУРАВ. НӨХЦӨЛТ БУС МАГАДЛАЛЫН ЗАГВАР 3..Эрсдэлийг тооцох зарчим Үйл ажиллагааны эрсдэлийн тооцонд дискрет санамсаргүй хэмжигдэхүүнийг ашиглах нь түгээмэл байдаг. Иймд холбогдох эрсдэлийн тооцоонд хүлээж болзошгүй алдагдлын хэмжээ, мөн түүнчлэн ашиглагдаж буй тоо мэдээний давтамж зэргийг зайлшгүй анхаарах шаардлагатай. Үйл ажиллагааны эрсдэлийн тооцоонд нөхцөлт бус магадлалыг ашиглахад баримтлах үндсэн зарчим бол алдагдлын талаарх тоо мэдээнд нийцсэн санамсаргүй хэмжигдэхүүний тархалтыг олох явдал юм. Эрсдэлийн тооцонд ашиглагддаг түгээмэл тархалтуудын талаарх мэдээллийг энэнхүү зөвлөмжийн Хавсралт -д хураангүй байдлаар харуулав. Алдагдлын тоо мэдээ нь санамсаргүй хэмжигдэхүүний тархалтад хэрхэн нийцэж байгаа талаар 3.-д заасны дагуу дүгнэлт гаргана. 3..Эрсдэлийн тооцоонд ашиглах тархалтыг сонгох Алдагдлын талаарх тоо мэдээ нь түгээмэл тархалтуудтай хэрхэн нийцэж байгааг дараахь статистикийн тестээр тодорхойлно. Үүнд: Колмогоров-Смирновын тест: Энэхүү тестийн гол санаа нь эмпирик болон судлаачийн сонгосон тархалтуудыг хооронд нь харьцуулж, холбогдох функцуудын зөрүүг тооцоход оршино. Энэхүү тестийн гол үзүүлэлт нь KS (D бөгөөд түүнийг дараахь байдлаар тооцно:
max ( ( ( D = F x F x (. Үүнд: D нь тестийн үндсэн үзүүлэлт, нь ажиглалтын тоо, F(x=(-k+0.5/, k нь тоон өгөгдлийн ранг, F(x нь тархалтын функц болно. Тухайн тестийн хувьд төрөл бүрийн ач холбогдлын түвшинд хамаарах хязгаарын утгуудыг харуулбал: Хязгаарын утга АХ-ын түвшин,07*[ -/ ] 0%,*[ -/ ] 0%,36*[ -/ ] 5%,63*[ -/ ] % Колмогоров-Смирновын тест нь холбогдох функцуудын зөрүүнээс хамгийн их утгатайг нь онцлон үздэг тул статистикийн хувьд сул байдаг. Колмогоров- Смирновын тестийн энэхүү сул тал нь цөөн тооны ажиглалт бүхий түүвэр дээр илэрхий харагддаг. Андерсон-Дарлингийн тест: Энэ нь Колмогоров-Смирновын тестын боловсронгуй хувилбар нь юм. Энэхүү тестийн статистикийг дараахь байдлаар тооцно: ( ( ( ( (. A = F x F x Ψ x f x dx Үүнд Ψ= ( ( F( x F x (.3 бөгөөд нь ажиглалтын тоо, F(x нь судлаачийн сонгосон тархалтын функц, f(x судлаачийн сонгосон тархалтын нягтын функц, F(x =(-k+0.5/ болно. Тестийн статистикийн хувьд хязгаарын утгыг хүснэгтээр харуулбал: Хэмжээс АХ-ийн түвшин 5% АХ-ийн түвшин % +0,*[ -/ ] 0.757 0.05 +0,3*[ -/ ].3 0.0 Энэхүү тест нь босоо тэнхлэгийн дагуу тооцсон бүх зөрүүг харгалзан үздэг, Ψ функцийн тусламжтайгаар тархалтуудын вариацийг саармагжуулдаг, мөн түүнчлэн тархалтын нягтын тусламжтайгаар функцуудын хоорондын зөрүүг холбогдох магадлалын утгаар нь жигнэдэг тул Колмогоров-Смирновын тестээс илүү хүчтэй байдаг байна.
Крамер Фон Мизесийн тест: Энэ нь тархалтын функцуудын хоорондын зөрүүг тооцож, тэдгээрийн квадрат дундаж утгуудыг харьцуулах замаар дүгнэлт хийдэг статистикийн тест юм. Энэхүү тестийн үзүүлэлтийг дараахь байдлаар тооцно: ( ( W = F x F x + (.4 Крамер Фон Мизесын тест нь холбогдох статистикийг ажиглалтын тоогоор тохируулдагаараа онцлог юм. Уг тестийн хязгаарын утгуудыг хүснэгтээр харуулбал: Хэмжээс АХ-ийн түвшин 5% АХ-ийн түвшин % +0,*[ -/ ] 0.4 0.74 +0,6*[ -/ ] 0. 0.338 3.3.Экстремум хэлбэрийн тархалтаар эрсдэлийг тооцох Үйл ажиллагааны эрсдэлтэй холбоотой тоо мэдээ ихэнх тохиолдолд хязгаарлагдмал байдаг, мөн түүнчлэн нэгэнт алдагдал хүлээсэн бол алдагдлын хэмжээ харьцангуй өндөр байдаг тул хэвийн болон түүнтэй адилтгах бусад тархалтыг ашиглах нь үр дүн муутай юм. Иймд судлаачид тархалтыг бүхлээр нь бус харин экстремум утгын тархалтыг эрсдэлийн тооцоонд ашиглахыг илүүтэйд үздэг байна. Экстремум тархалтуудын бүлэгт Frechet, Gumbel болон Weibull - ын зэрэг тархалт тэргүүн ээлжинд хамаарна. Экстремум хэлбэрийн тархалт болон түүнд хамаарах онол нь харьцангуй өргөн цар хүрээтэй асуудал тул үндсэн санааг хураангуй байдлаар толилуулах нь зүйтэй. Онолын хэсэг: (l, u гэсэн интервал дээр тодорхойлогдсон F R тархалтын функцтэй R, R R санамсаргүй хэмжигдэхүүний хувьд Z гэх эстремум утгуудыг нь дараахь байдлаар тодорхойлно: (, ( Z = Mi R R R эсвэл Z = Max R, R R (.5 Хэрэв F R тархалтад хамаарах түүврийн утгууд нь хоорондоо хамааралгүй бол Z санамсаргүй хэмжигдэхүүний тархалтыг дараахь байдлаар илэрхийлж болно: Үүнд: ( R ( F ( z = F z (.6 Z (.6-д заасан томъёог эрсдэлийн тооцоонд шууд ашиглах тохиолдолд зарим нэг хүндрэл гардаг тул цар хүрээг харуулсан α, мөн түүнчлэн байршлыг харуулсан β зэрэг параметруудаар санамсаргүй хэмжигдэхүүнийг тохируулдаг ( Z β α. Тохируулга хийсний үр дүнд тархалтын функц дараахь хэлбэртэй болно: 3
Z ( ( exp ( τ F z = + z τ (.7 Үүнд τ параметрыг тархалтын сүүл -ийг илэрхийлсэн индекс гэж нэрлэдэг бөгөөд (τ >0 байх юм бол (.7 нь Weibull хэлбэрийн, (τ =0 байх юм бол Gumbel хэлбэрийн, (τ <0 байх юм бол Frechet хэлбэрийн тархалттай байх болно. Эрсдэл (VaR-ын тооцоо: Энэхүү зөвлөмжийн онолын хэсэг болон экстремум утгын теоремыг ашиглан үйл ажиллагааны эрсдэлтэй холбоотойгоор хүлээж болзошгүй алдагдал (VaR-ыг зохих магадлалын түвшинтэй нь дараахь байдлаар уялдуулна: ext asymp VaR + β p = FZ ( VaR = exp + τ α τ (.8 (.8-ийг хувиргах замаар хүлээж болзошгүй алдагдлын хэмжээг дараахь байдлаар тооцно: α VaR = β ( l( ext + p τ τ (.9 Параметрын тооцоо: (.9-ийн параметруудыг тооцох олон тооны арга байдаг бөгөөд томъёоллыг хялбар болгох үүднээс тархалтын (,, 3.-р эрэмбийн моментыг ашигладаг аргыг авч үзье. Хэрэв r -р эрэмбийн моментыг m r гэж тэмдэглэвэл ажиглалт бүхий Xj санамсаргүй хэмжигдэхүүний хувьд холбогдох моментыг нь дараахь байдлаар илэрхийлнэ: m r r X j = = ju j (.0 Үүнд Uj нь F(Xi-ын тархалтаас үл хамаарах тооцооллыг илэрхийлэх бөгөөд p j =(j+0.5/ гэсэн томъёогоор тодорхойлно. Хоскинг (Hoskig 985-ийн тооцоолсноор тархалтын моментуудыг холбогдох параметрын тусламжтайгаар дараахь байдлаар илэрхийлж болно: Γ ( + τ ( β mr = α + > r τ r τ τ, τ 0 (. + + (. дээр суурилан параметруудыг тооцохын тулд итерацийн аргуудыг ашиглах шаардлагатай байдаг бөгөөд энэ нь эргээд олон тооны хүндрэлтэй асуудлыг 4
дагуулдаг. Иймд тооцооллыг хялбарчлах үүднээс Хоскинг дараахь томъёогоор параметрын тооцоог хийхийг зөвлөсөн байдаг. Үүнд: ( m m τ α = (. Γ τ + τ ( ( α ( ( β = m + Γ τ (.3 τ τ = 7.859c+.9554c m m l( c = 3m 3 m l(3 (.4 (.5 Жишээ: A банкны салбар дээр гарсан хууль бус үйл ажиллагаа (ашиглан- тай холбоотой хөрөнгө, мөнгөний дутагдлын талаар дараахь мэдээлэл өгөгдсөн байв. Он Дутагдал 99 50,000.00 993 0,600.00 994 99,000.00 995 8,000.00 996 8,000.00 997 75,000.00 998 65,00.00 999 60,300.00 000 50,000.00 00 0,000.00 00 00,000.00 003 95,000.00 Энэхүү мэдээллийг үндэслэн параметруудыг болон үйл ажиллагааны эрсдэлийн тооцоог хийхэд дараахь байдалтай байна. Үүнд: c = 0.04873 τ = 0.385457 α = 44, 698.36 β =, 09.94 Параметрын тооцоог үндэслэн үйл ажиллагааны эрсдлээс хүлээж болзошгүй алдагдлыг тодорхойлбол VAR=04,6.9-тэй тэнцүү гарч байна. Алдагдлын тооцоог хийхдээ p ext =0.0 гэж үзсэн болно. 5
3.4.Эрсдэлийн загвар, тооцоог баталгаажуулах Эрсдэлийн тооцоонд ашиглагдаж байгаа загвар нь бодит байдалтай хэр зэрэг нийцэж байгааг баталгаажуулах олон арга байдаг. Үүнээс хамгийн энгийн бөгөөд түгээмэл хэрэглэгддэг нь бодит алдагдал тооцоолсон алдагдлаас хэдэн удаа давсан болохыг хувийн жингээр тогтоодог арга юм. Өөрөөр хэлбэл бодит амьдрал дээр хүлээсэн алдагдал нь математик, статистикийн загвараар тооцоолсон алдагдлаас давах тохиолдол олон байх нөхцөлд загварыг боловсронгуй болгох, аль эсвэл өөрчлөх асуудлыг зайлшгүй тавих ёстой болдог. Энгийн харьцаануудаас гадна статистикийн онол дээр суурилсан илүү боловсронгуй олон тооны аргууд байдаг болно. Жишээ болгох үүднээс энэхүү зөвлөмжинд Базелийн хорооны баримтад дурьдагдсан Купиекийн тестийн талаар танилцуулъя. Уг тестийн хувьд T тооны ажиглалтын хувьд V удаа бодит алдагдал нь тооцоолсон алдагдлаас давна гэж үзвэл уг үзэгдлийн магадлал нь ( T p V p V -тэй тэнцүү байх болно. Статистикийн анхны таамаглалыг Ho: p=p* (үүнд p* нь ач холбогдлын түвшин гэж томъёолбол тестийг дараахь үзүүлэлтээр тооцно: T V V * T V * V T V l l ( LRUC = p p + V T (.6 Үүнд LR UC нь χ( тархалттай байх бөгөөд LR UC >3.84 байвал анхны таамаглалыг няцааж болно. Өөрөөр хэлбэл LR UC <3.84 байх юм бол загварыг боловсронгуй болгох, аль эсвэл өөрчлөх асуудал тавигдана. ДӨРӨВ. НӨХЦӨЛТ МАГАДЛАЛЫН ЗАГВАР 4..Оршил Үйл ажиллагааны эрсдэлийн тооцооны хувьд тоон өгөгдөл хязгаарлагдмал ба огт байхгүй байх тохиолдол олонтаа гардаг. Энэ нөхцөлд ажиглалтын тоог симуляцийн аргаар гаргаж авахаас өөр аргагүй болдог. Байесын статистик тооцооллын хувьд нөхцөлт магадлал дээр суурилсан симуляцийн аргуудыг өргөнөөр ашигладаг тул үйл ажиллагааны эрсдэлийн тооцоонд нэн тохиромжтой байдаг. Гэхдээ нэг зүйлийг анхаарахад Байесын статистик тооцооллын хувьд субъектив хүчин зүйлсийг харгалзах тохиолдол олонтаа гардаг нь зарим нэг судлаачид болон эрдэмтдийн зүгээс эргэлзээ төрүүлэх үндэслэл болдог. Ийнхүү санал зөрөлдөх тохиолдол нь статистикийн нэр томъёог өөр өөр утгаар нь ашиглаж байгаагаас, мөн түүнчлэн шинжилгээ судалгааны үндсэн зорилгын талаар нэгдсэн ойлголттой болоогүй байгаа зэргээс ихээхэн шалтгаалдаг. Тухайлбал, параметрын 6
тархалт гэж ярих нь зүйтэй юу, аль эсвэл магадлалын тархалт гэж ярих нь зүйтэй юу гэдэг дээр одоо болтол олон хүн эргэлздэг бололтой. 4..Онолын хэсэг Статистик загвар нь p -ийн хэмжээстэй, санамсаргүй хэмжигдэхүүнүүдийг агуулсан y t векторуудын төлөв байдлыг тодорхойлдог гэж үзье. Үүнд t гэсэн тодотгол нь тухайн нөхцөл байдлаас хамаарч цаг хугацаа, орон t зай, ажиглалтын нэгж зэргийг илэрхийлж болно. Yt = { y s} s= нь түүврийн эхний t ажиглалтыг харуулж байгаа гэж үзье. Мөн түүнчлэн yt -ийн түүврийн олонлог нь ψ, харин Yt-ийн түүврийн олонлог нь Ψ бөгөөд ψ 0 = Ψ 0 = { } гэж үзье. Энэ тохиолдолд A статистик загвар нь тархалтын нягтын функцуудын дарааллыг дараахь байдлаар илэрхийлэх болно: (,, t t θ A A p y Y (.7 Үүнд θ A нь үл мэдэгдэх хувьсагчдыг агуулсан k A хэмжээстэй вектор A бөгөөд энэхүү векторын хувьд θ k A ΘA нөхцөл хангдах ёстой. θ A -д ямар тодорхойлолт өгөх нь ашиглаж буй загвараас шууд хамаарна. Жишээ нь, ихэнх эконометриксийн загварын хувьд θ A нь үл мэдэгдэх параметрууд, аль эсвэл нуугдмал хувьсагч зэргийг төлөөлж байдаг. p(. нь v(. хэмжээстэй тархалтын нягтын ерөнхий функц болно. Санамсаргүй хэмжигдэхүүн дискрет, тасралтгүй болон холимог эсэхийг нь v(. хэмжээсийн тусламжтайгаар тодорхойлно. Y t ийн тархалтын нягтыг A загвар болон θ A үл мэдэгдэгч векторын нөхцөлтэйгээр авч үзвэл: T ( T θa, = ( t t, A, py A p yy θ A (.8 t= Хэрэв тухайн загварын хувьд хамааралгүй бол y t векторууд нь хоорондоо ямар нэгэн (,, (, t t θa t θa p y Y A = p y A (.9 болох бөгөөд энэ нөхцөлд T ( T θa, = ( t A, py A p yθ A (.0 t= 7
(.8 болон (.0 нь загварын нэг хэсгийг илэрхийлэх бөгөөд нэгдсэн дүр зургийг харахын тулд анхдагч тархалтын нягт (prior desity-ын тухай ойлголтыг нэмж оруулах нь зүйтэй. Анхдагч тархалт буюу p(θ A A нь θ A векторд хамаарах, мөн түүнчлэн A загварт нийцэх тоон утгуудыг илэрхийлнэ. Өөрөөр хэлбэл p(θ A A нь y ийн утгуудыг мэдэгдэхээс өмнө θ A ийн талаар өгөгдсөн байсан мэдээллийг харуулах юм. Анхдагч тархалтын нягт болон (.8-ийг нэгтгэн y болон θ A ийн нэгдсэн тархалтын нягтыг гарган авч болно: (, θa ( θa ( θa p y A = p A p y, A (. Үүний зэрэгцээ нэгдсэн тархалтын нягтыг дараахь байдлаар илэрхийлж болно (, θ A = ( ( A, p y A p y A p θ y A (. Иймд (. болон (.-ийг нэгтгэн дараахь байдлаар бичиж болно: ( A y, A ( θa ( θa, p( y A p A p y A p θ = (.3 Амьдрал дээр ихэнх тохиолдолд p(y A-ийг тооцоолоход хүндрэлтэй байдаг бөгөөд p(θ A y,a-ийн ерөнхий хэлбэрийг мэдэж байхад л тодорхой дүгнэлт хийх бололцоо бүрддэг тул дараахь хялбаршуулсан томъёог ашиглах нь илүү тохиромжтой: ( θa, ( θa ( θ, p y A p A p y A A (.4 Үүнд p(θ A y,a-ийн дагалдан гарах тархалтын нягт (posterior desity юм. Дүгнэн хэлэхэд p(θ A y,a-г тооцох үндсэн зорилго нь тодорхой үл мэдэгдэх хувьсагчийн талаар өөрт өмнө байсан мэдээллийг тоон ажиглалттай нэгтгэх замаар хоёрдмол бус утга бүхий дүгнэлт гаргахад оршино. 4.3.Эрсдэлийн тооцоонд Байесын онолыг ашиглах нь Эрсдэлийн тооцоонд ашиглагддаг ихэнх загварын хувьд судалгаа, шинжилгээний үндсэн үзүүлэлтийн дундаж утга, хэлбэлзэл зэрэг нь чухал ач холбогдолтой байдаг. Гэтэл бодит амьдрал дээр төрөл бүрийн шалтгаанаас хамаарч эдгээр параметруудыг үндэс суурьтайгаар тооцох бололцоо хязгаарлагдмал байдаг. Жишээ нь ханшийн эрсдэлийг VaR -ын аргаар тооцох үед ханшийн хэлбэлзэл (үл мэдэгдэх параметр-ийг нарийн мэдсэн байх шаардлагатай. Гэтэл улс төрийн тогтворгүй байдал, эдийн засгийн өсөлт хөгжил, ханшны тогтолцоо, төлбөрийн тэнцэл, гадаад валютын нөөц зэрэг олон тооны хүчин зүйлсээс 8
шалтгаалан ханшийн хэлбэлзлийн талаар үүссэн хүлээлт/тооцоо нь хоорондоо ялгаатай байж болно. Өөрөөр хэлбэл алдагдлын эцсийн дүн хэд гарах вэ гэдэг нь ханшийн хэлбэлзлийн талаар сонгон авсан утгаас шууд хамаарч байгаа юм. Энэхүү тодорхой бус байдал нь банк, санхүүгийн байгууллагын удирдлагад эрсдэлийн талаар зохих шийдвэрийг гаргахад хүндрэл учруулдаг. Жишээ нь: жилийн эцэст банк нь үйл ажиллагааны эрсдэлийг хаахад өөрийн хөрөнгө байршуулах шаардлагатай байгаа бол параметрын тодорхой бус байдлаас шалтгаалж алдагдлын дүнг яг таг мэдэх бололцоогүй байж болно. Байесын онол дээр суурилсан статистикийн аргууд эдгээр хүндрэлийг даван туулах арга замыг олгодог байдлаараа онцлог юм. Энэ нь дараахь томъёоноос шууд илэрхий байх болов уу: (, ( A,, ( A, p ω y A = p ωθ y A p θ y A dv( θa (.5 ΘA Үүнд: бидний авсан жишээн дээр, ω нь ханшийн өөрчлөлтөөс хүлээж болзошгүй алдагдлыг, харин θ A нь ханшийн хэлбэлзлийг тус тус илэрхийлж байгаа болно. 4.4.Анхдагч тархалтын нягтыг сонгох талаар Байесын статистик тооцооллын аргуудын хувьд эцсийн үр дүн нь анхдагч тархалтын талаар хийсэн сонголтоос ихээхэн хамаарна. Иймд анхдагч тархалтын хэлбэрүүдийн талаар товч дурдах нь зүйтэй. Эрсдэлийн судалгаанд хамгийн түгээмэл ашиглагддаг анхдагч тархалтуудыг нэг бол elicited prior юм. Энэ нь ихэнх тохиолдолд тухайн салбарт олон жил ажилласан, мэргэжлийн хүнээс авсан мэдээлэл, таамаглалыг илэрхийлж байдаг. Үл мэдэгдэгч параметрын хүлээж болзошгүй утгуудыг илэрхийлэхэд uiformed prior чухал үүрэг гүйцэтгэдэг. Үүний тодорхой нэг жишээ бол (0, интервалд ижил магадлалтайгаар утга авах санамсаргүй хэмжигдэхүүний тархалт юм. Uiformed prior -той холбоотойгоор Jeffreys prior -г дурьдах нь зүйтэй болов уу, учир нь Jeffreys prior нь тодорхой хувиргалтын дараа өөрийн үндсэн шинж чанараа хадгалан үлдэх онцлогтой. (.8 болон (.0-д заасан функцтэй ижил хэлбэрийн функц бүхий анхдагч тархалт (тархалтын нягт-ыг cojugate prior гэж нэрлэдэг. Зарим нэг параметрын тодорхойлолтыг орхигдуулсан анхдагч тархалтыг hyperprior гэж нэрлэдэг. Hyperprior -уудыг хооронд нь давхардуулан ашиглаж болох бөгөөд энэ тохиолдолд загвартай холбоотой тодорхой бус байдал нэмэгдэхийг анхаарах нь зүйтэй. 9
4.5.Байесын түүврийн аргууд буюу параметрын тооцоо Сүүлийн жилүүдэд компьютер, мэдээллийн техник, технологи эрчимтэй хөгжсөний үр дүнд Байесын онол дээр суурилсан олон тооны аргыг бодитойгоор тооцох боломжтой болсон. Жишээ болгох үүднээс энэхүү зөвлөмжинд Markov Chai Mote Carlo буюу MCMC-ийн аргуудын талаар товч дурьдах болно. Байесын онол дээр суурилсан загваруудын хувьд дараахь илэрхийллийг үнэлэхийг эрмэлздэг: ( E f x = ( π ( π ( x dx f x x dx (.6 Үүнд π(x нь дагалдан гарах тархалт (posterior distributio юм. Монтэ Карлогийн аргачлалын хувьд π(x-ээс тодорхой тоон утгуудыг түүвэрлэн авах замаар E[f(x]- ийг ойролцоогоор бодохыг эрмэлздэг. T E f ( x f( Xt (.7 t = гэтэл бодит амьдрал дээр π(x нь стандарт бус хэлбэрийн байх тохиолдол олонтаа гардаг тул тоон утгуудыг түүвэрлэн авах бололцоо хязгаарлагдмал байдаг. Энэхүү хүндрэлийг давах түгээмэл аргуудын нэг бол Марковын цувааг ашиглах явдал юм. Гиббсын түүврийн арга (Gibbs Sampler: Энэхүү аргын хувьд θ A параметрыг дараахь байдлаар дэд бүлэг/олонлогт хуваана: Үүнд дурын θ b векторын хувьд Үүнтэй нэгэн адил зарчмаар ( ' ' ' (, (,..., ( B θ = θ θ θ (.8 (,..., { } θ = θ θ θ = (.9 ' ' ' ' < ( b ( ( b ба < ( (,..., ба { } θ = θ θ θ = (.30 ' ' ' ' ( b > ( b+ ( B ( B > (.9 ба (.30 зэргийг үндэслэн дараахь томъёоллыг оруулья: (, θ = θ θ > (.3 ' ' ' ( b < ( b ( b 0
Гиббсын аргын хувьд (.8-д заасан дэд олонлогийн тоог сонгохдоо p( θ ( b θ ( b, I гэсэн нөхцөлт магадлалын томъёогоор илэрхийлэгдсэн тархалтын нягтаас түүвэр авах бололцоог бүрдүүлсэн байх нь чухал юм. Энэхүү нөхцөл хангагдсан үед түүврийн эхний утга θ (0 ийг тархалтын нягт p(θ I-аас дараахь байдлаар сонгоно: ( (,..., ( B θ (0' = θ (0' θ (0' (.3 Дараагийн алхам нь ( < > θ = p θ θ, θ, I ( b=,..., B (.33 ( ( (0 ( b ( b ( b ( b үүнд θ ( ( θ (' (' (,..., θ( B = байх болно. Гэх мэтчилэн дээрх тооцоог m алхамтайгаар хийнэ гэж үзвэл ( < > θ = p θ θ, θ, I ( b=,..., B m=,,3... (.34 ( ( ( ( b ( b ( b ( b Эдгээр алхамууд нь {θ (m } гэсэн Марковын цувааг үүсгэж байгаа бөгөөд шилжих хөдөлгөөний магадлал (тухайн тохиолдолд тархалтын нягт нь дараахь байдлаар илэрхийлэгдэнэ: B (, ( p θ θ G p θ θ, θ,i = ( m ( m ( m ( m ( m ( b < ( b ( b > b= (.35 Метрополис-Хастингсын Алгоритм (Metropolis-Hastigs Algorithm: Энэхүү алгоритмын тусламжтайгаар загварын параметруудыг тодорхойлохын тулд шилжих хөдөлгөөний магадлалыг илэрхийлсэн тархалтын нягтын дурын функц q(θ* θ, H, тархалтын нягтыг илэрхийлсэн θ* аргумент болон тооцоог эхлүүлэхэд (0 шаардлагатай анхны тоон утга θ Θ зэрэг нь өгөгдсөн байх ёстой. Алгоритмын алхам бүрт ( * ( m q θ θ, H -ээс авсан түүврийн утга θ* нь θ (m -д тохирч байгаа эсэх талаар дүгнэлт хийх шаардлагатай байдаг. Үүнийг дараахь магадлалтайгаар тооцно: * ( m ( H α θ θ * * ( m p( θ I / q( θ θ, H ( m ( m * ( θ / ( θ θ,, = mi, p I q H Хэрэв түүврийн утга θ* нь θ (m -д тохирохгүй байгаа бол θ (m = θ (m- гэж үзнэ. (.36
Алгоритмыг тодорхой болгох үүднээс хүлээн зөвшөөрөгдсөн түүврийн утгуудын тархалтын нягтын кернел (өгөгдсөн тархалтын нягттай пропорциональ бөгөөд сөрөг бус дурын функц-ийг дараахь байдлаар илэрхийлье: * * * ( θ θ, ( θ θ, α( θ θ u H = q H, H (.37 Үүнээс зэрэгцээ, түүврийн утгыг хүлээн зөвшөөрөхгүй байх магадлалыг тодорхойлбол: * * ( θ ( θ θ, ( θ r H = u H dv (.38 Θ Өөрөөр хэлбэл (.38 нь θ өгөгдсөн байхад θ*-ийг хүлээн зөвшөөрөхгүй байх магадлалыг илэрхийлэх бөгөөд энэхүү магадлал нь θ*-г түүвэрлэн авахаас өмнө тооцогдож болохыг харуулж байна. Иймд энэхүү алгоритмтай холбоотой Марковын цувааг v хэмжээс бүхий A Θ олонлогууд дээр тодорхойлогдсон шилжих хөдөлгөөний магадлалаас дараахь байдлаар гарган авна: * * ( θ, = ( θ θ, ( θ + ( θ A ( θ P A H u H dv r H I (.39 A Үүнтэй холбоотой шилжих хөдөлгөөний тархалтын нягтыг тодорхойлохын тулд Диракийн дельта функц δθ ( θ* -ийг дараахь байдлаар ашиглана: ( * f ( * dv( * = f ( IA ( δ θ θ θ θ θ A θ (.40 Эдгээрийг үндэслэн θ (m- -ээр индексжүүлсэн Марковын цувааг тодорхойлно: ( ( m ( m ( ( m ( m ( ( m,, ( ( ( m θ θ θ θ θ δ m θ p H = u H + r H θ (.4
REFERENCE Arold Zeller Bayesia Ecoometrics Ecoometrica March 985 Arold Zeller Some Aspects of the History of Bayesia Iformatio Processig Coferece Paper Washigto D.C 003 Basel Committee o Bakig Supervisio Basel II: Iteratioal Covergece of Capital Measuremet ad Capital Stadards A Revised Framework - Comprehesive Versio, Jue 004 Basel Committee o Bakig Supervisio Operatioal risk trasfer across fiacial sectors Joit Forum Report, November 00 Basel Committee o Bakig Supervisio Regulatory Treatmet of Operatioal Risk Workig Paper, September 00 Basel Committee o Bakig Supervisio Soud Practices for the Maagemet ad Supervisio of Operatioal Risk Cosultative Documet, February 003 Edward I. Altma, Athoy Sauders A Aalysis ad Critique of the BIS Proposal o Capital Adequacy ad Ratigs NYU Salomo Ceter s Ster School of Busiess Forum, February 000 Edward T.Jayes Bayesia Methods, Geeral Backgroud Fourth Aual Workshop o Bayesia/Maximum Etropy Methods August 984 Fracois M.Logi From value-at-risk to stress testig: The extreme value approach Joural of Bakig ad Fiace 4 (000 097-30 Heie Va Greuig, Soja Brajovic Brataovic Aalyzig ad Maagig Bakig Risk: Framework for Assessig Corporate Goverace ad Fiacial Risk World Bak Publicatios; d editio, May 003 Joh Geweke Cotemporary Bayesia Ecoometrics ad Statistics Wiley Series i Probability ad Statistics 005 Kai Li, David Weibaum The Empirical Performace of Alterative Extreme Value Volatility Estimators December 0, 000 Karste T.Hase Itroductio to Bayesia Ecoometrics ad Decisio Jauary 00 3
Marcelo G. Cruz Modellig, measurig ad hedgig operatioal risk Wiley Fiace Series 00 Paul Embrechts Extreme Value Theory as a Risk Maagemet Tool April 999 Paul Embrechts Extreme Value Theory: Potetial ad Limitatios as a Itegrated Risk Maagemet Tool Jauary 000 Sue Karlsso Bayesia Methods i Ecoometrics: Numerical Methods November 004 Siddhartha Chib "Markov Chai Mote Carlo Methods: Computatio ad Iferece" Hadbook of Ecoometrics: volume 5 (eds J.J. Heckma ad E. Leamer North Hollad, Amsterdam, (00, 3569-3649. 4
Хавсралт СТАТИСТИКИЙН ТҮГЭЭМЭЛ ТАРХАЛТУУД ТАРХАЛТЫН НЭР Хэвийн тархалт (Normal Distributio Лог-нормаль тархалт (Logormal Distributio 3 Экспоненциаль тархалт (Expoetial Distributio 4 Вэйбуллын тархалт (Weibull Distributio 5 Парето тархалт (Pareto Distributio 6 Гамма тархалт (Gamma Distributio 7 Бета тархалт (Beta Distributio ( ТАРХАЛТ (НЯГТ-ЫН ФУНКЦ f ( x x μ = exp π σ ( z Φ f ( x = exp = z = xσ π σx z log ( x θ x μ σ f ( x = λ exp x> θ λ > 0 λ α f ( x = x e α β f f ( x ( α β ( Γ( ( β α x / αθ x α ( x = α + = α ( x/ θ e xγ ( α x / θ Γ + α β x f x = u ( u 0 < x< θ, u = Γ α β x θ α ПАРАМЕТРЫН ТООЦОО N X j j= j= μ = σ = N μ = Z σ = λ = N j= N j= X N ( X j μ j N ( Z j Z ( log ( l ( l ( 4 α c l( b l( β cl a b β = = c = 0.667, "a" болон "b" нь 5 ба 75 дахь квантиль N N α = xj xj θ j= j= θ = x j xj xj j= j= j= θδ δω θδ ω( θ δ α = β = θω δ θω θδ δ = x j ω = xj j= j=