GuillermoLeon AriasPineda 2010
GuillermoLeon AriasPineda 2010
GuillermoLeon AriasPineda 2010
Director:
JUAN GUILLERMO MURILLO GÓMEZ
Magister en Ingeniería Administrativa
Universidad Nacional de Colombia
Los jurados abajo firmantes certifican que han leído y que aprueban la tesis titu-
lada “MODELOS DE PÉRDIDAS AGREGADAS (LDA) Y DE LA TEORÍA DEL
VALOR EXTREMO PARA CUANTIFICAR EL RIESGO OPERATIVO, TEORÍA
Y APLICACIONES”, presentada por GUILLERMO LEÓN ARIAS PINEDA.
Director:
Juan Guillermo Murillo Gómez
Jurado:
Jurado:
AGRADECIMIENTOS
Muchas gracias.
RESUMEN
Una vez abordada la teoría se pasa a un tercer capítulo donde se hace el análisis
de una línea de negocios la Banca minorista y de un evento de riesgo Fraude
Externo de los datos de la frecuencia que se obtuvieron de la superintendencia
Financiera y de la Severidad de una institución financiera.
Dentro del análisis de los datos primero se aplican pruebas de bondad de ajuste
a los eventos de riesgo (frecuencia y severidad), se estiman los parámetros de los
1
La Teoría del Valor Extremo, EVT por sus siglas en inglés es una teoría que ha sido aplicada
a la medición del riesgo. Análogo al teorema central del Límite provee resultados que se pueden
aplicar en el límite, es decir en forma asintótica. La teoría permite analizar de una mejor manera
una medida tan universal como el VaR.
12 Resumen
INTRODUCCIÓN 21
2.1.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.3.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
CAPÍTULO 4 APLICACIÓN 97
4.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
CONCLUSIONES 117
BIBLIOGRAFÍA 129
ÍNDICE DE TABLAS
CAPÍTULO 4 APLICACIÓN 97
4.2 Pérdidas económicas por eventos de riesgo en los últimos cinco años 99
4.13 Calculo de las Pérdidas Agregadas promedio y del VaR Operacional 106
4.14 Parámetros de los valores por encima del umbral seleccionado . . . 109
4.17 Medidas OpVaR y Expected Shortfall, ESα para cuantificar el riesgo 111
4.18 Valores muestrales que están por encima del umbral . . . . . . . . . 113
C.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
ÍNDICE DE FIGURAS
CAPÍTULO 4 APLICACIÓN 97
4.11 Ajuste de las pérdidas económicas en los valores extremos a la Beta 110
B.1 Gráfico Q–Q para la pérdida para fraude externo con severidad nor-
mal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
LISTA DE ABREVIATURAS Y SIMBOLOS
=d : Igualdad de distribución
→d : Converge en distribución
→ρ : Converge en probabilidad
a(t)
a(t) ∼ b(t) : lı́m b(t) = 1
t →0
α : Índice de cola
ξ : Índice de valor extremo
Γ : Función Gamma
1 − Fn : Función de distribución empírica continua a la izquierda
AMA : Modelos de medición avanzada
a+ : máx(a, 0)
a− : mı́n(a, 0)
a∨b : máx(a, b)
a∧b : mı́n(a, b)
JaK : El entero más grande menor o igual a a
VaW : El entero más pequeño menor o igual a a
a.s. : Casi seguro
an : Constante para centrar
bn : Constante para centrar
β( x ) : Función positiva que depende del umbral
D ( Gξ ) : Dominio de atracción de Gz
E(X ) : Valor esperado de X
f− : Versión de la función f continua a la izquierda
F : Función de distribución acumulada
Fn : Función de distribución empírica continúa a la derecha
FX′n (X ) : n–ésima convulción de la distribución de severidad
Fu (y) : Función de distribución de los excesos
Gξ : Función de distribución de valor extremo
Gs ( X ) : Función de distribución de pérdidas agregadas
20 Lista de abreviaturas y simbolos
GP : Generalizada de Pareto
G1 : Distribución tipo Gumbel
G2 : Distribución tipo Frechet
G3 : Distribución tipo Weibull
G : Distribución de la cola superior
GS−1 : Cuantil de las pérdidas agregadas
i.i.d. : Independiente e idénticamente distribuida
L : Pérdida total
LDA : (Loss Distribution Approach) Distribución de pérdidas
máx(X1 , . . . , Xn ) : Máximo de una muestra
mı́n(X1 , . . . , Xn ) : Mínimo de una muestra
n : Tamaño de la muestra
Nij : Variable aleatoria que representa el número de eventos
de riesgo en la celda i, j (Frecuencia de los eventos)
Nu : Número de excesos u
OpVaR(α) : Carga de capital por riesgo operacional
R+ : [0, ∞]
RVα : Variación regular con índice α
S : Pérdidas agregadas
Sn : Suma de las n variables aleatorias de la muestra
Sij : Pérdida total de la celda i, j de la matriz de pérdidas
VaR(var) : Value at risk (valor de riesgo)
u : Umbral
U : Inversa de 1−1 F (usualmente continua a la izquierda)
x∗ : sup { x : F( x ) < 1} = U (∞)
∗x : ı́nf { x : F( x ) > 0}
x̂ p : Cuantil estimado
Yi : Exceso sobre un umbral
µ : Media de la población
σ : Desviación estándar de la población
INTRODUCCIÓN
A partir del 2004 el Nuevo Acuerdo de Basilea emitido por el Banco de Pagos
Internacionales obliga a las instituciones financieras a identificar, cuantificar y
controlar el riesgo operacional con el fin de controlar los procesos, estimar los
requerimientos de capital, satisfacer las exigencias de las entidades regulatorias,
disminuir las pérdidas potenciales y aumentar el valor de la empresa.
Los desarrollos teóricos de 1920 a mitad de 1930 fue seguidos al final del 1930
y 1940 por una gran cantidad de de artículos concentrados en las aplicaciones
prácticas de los estadísticos de valor extremo en las distribuciones del tiempo de
vida humana, emisiones radiactivas (Gumbel (1937 a,b ) resistencia de materiales
(Weibull 1939) análisis de flujo (Gumbel, 1941, 1944, 1945 1949 a), Rantz y Riggs
(1949)) análisis sísmico (Nordquist (1945) , análisis de lluvias (Potter (1949) para
mencionar unos pocos ejemplos. Desde el punto de vista de la aplicación Gumbel,
hizo varias contribuciones significativas al análisis de valor extremo; muchas de
ellas están detalladas en su largo libro de los estadísticos de extremos (Gumbel
(1958).
Guillermo León Arias Pineda 23
Existen varias maneras de medir el riesgo operativo: a través del ajuste de una
función de distribución probabilidad a las pérdidas agregadas y luego estimar
los cuantiles (q1−α ) o los parámetros de la distribución tal como la desviación
estándar (σ ).
Las medidas más modernas del riesgo son cantidades estadísticas que describen
las distribuciones de pérdida condicionales o incondicionales sobre un horizonte
determinado de tiempo: El valor en riesgo, el Expected Shortfall y la varianza.
Siempre que se habla del VaR se asume sobre un periodo de tiempo ∆ que para
riesgo de crédito y operativo es usualmente de un año.
De una manera más general el VaR puede ser calculado a través de la función
de distribución acumulada inversa, la cual identifica el cuantil asociado a una
probabilidad dada una distribución:
VaR1−α = FX−1 (1 − α)
FX−1 (1 − α) = ı́nf { X ∈ R : FX (X ) ≥ 1 − α}
Guillermo León Arias Pineda 27
Definición 1.2 (Expected shorfall). Para una pérdida L con E(| L|) < ∞ y una fun-
ción de distribución acumulada FL el Expected Shortfall a un nivel de confianza
1 − α con α ∈ (0, 1) está definido como
Z 1
1
ES1−α = qu ( FL ) du
α 1− α
En caso de varias líneas de negocio y eventos para cada una se calcula la varianza
y covarianza y se puede obtener el valor esperado y la varianza de las pérdidas
agregadas:
E ( L) = w′ µ
V ( L) = w′ Σw
Donde w′ = [w1 , w2 , . . . , wk ] son las pérdidas de cada una de las líneas de negocio
o de cada uno de los eventos de pérdidas operacionales, y µ′ = [µ1 , µ2 , . . . , µk ] es
el vector de las pérdidas esperadas y Σ es la matriz de varianza y covarianza de
las pérdidas agregadas de cada uno de los eventos o líneas de negocio.
σ2 σ12 . . . σ1k
1
σ21 σ22 . . . σ2k
Σ=
.. ..
..
. . .
σk1 σk2 . . . σk2
La desviación estándar de todas las pérdidas agregadas de la línea de negocios o
de los eventos de riesgo operativo es:
28 Riesgo y riesgo operativo
p
σ= V ( L)
Método estándar: Asigna capital mínimo por línea de negocio en base a los
ingresos brutos de cada una de las líneas.
Hay otros dos aspectos fundamentales en los modelos del riesgo operativo que se
deben tener en cuenta: los eventos y las pérdidas que ocasionan los eventos.
Evento:
Incidente o situación que ocurre en un lugar particular durante un intervalo de
tiempo determinado.
Pérdidas:
Cuantificación económica de la ocurrencia de un evento de riesgo operativo, así
como los gastos derivados de su atención.
Evento de pérdida:
Son aquellos incidentes que generan pérdidas de riesgo operativo a las entidades.
30 Riesgo y riesgo operativo
Fraude interno:
Actos que de forma intencionada buscan defraudar o apropiarse indebidamente
de activos de la entidad o incumplir normas o leyes, en los está implicado, al
menos, un empleado o administrador de la entidad.
Fraude externo:
Actos, realizados por una persona externa a la entidad, que buscan defraudar,
apropiarse indebidamente de activos de la misma o incumplir normas o leyes.
Relaciones laborales:
Actos que son incompatibles con la legislación laboral, con los acuerdos internos
de trabajo, y en general, la legislación vigente sobre la materia.
Clientes:
Fallas negligentes o involuntarias de las obligaciones frente a los clientes y que
impiden satisfacer una obligación.
Fallas tecnológicas:
Pérdidas derivadas por fallas tecnológicas.
Líneas de negocio
L1 L2 ··· L8 Total
Fraude interno
Fraude externo
Eventos Relaciones laborales
de Clientes VaR(i, j) ∑ VaR(Ei )
Riesgo Daños a activos físicos
Fallas tecnológicas
Ejecución y administración de procesos
7 8
Total ∑ VaR( L j ) ∑ ∑ VaR(i, j)
i =1 j =1
Guillermo León Arias Pineda 31
La matriz anterior muestra en las filas los 7 tipos de riesgo y en las columnas las 8
líneas de negocio (Finanzas Corporativas, Negociación y Ventas, Banca Minoris-
ta, Banca Comercial, Pagos y Liquidación, Servicios de Agencia, Administración
de Activos e Intermediación Minorista)2 en la última columna se obtiene la suma
de todos los VaR del tipo de riesgo o evento Ei y por columna la sumatoria del
VaR de la línea de negocio j y la última celda la sumatoria de todas las celdas
dándonos el VaR total para las 56 celdas.
La suma total debe incluir las pérdidas esperadas y las pérdidas inesperadas
debidas al riego operativo.
DISTRIBUCIÓN DE
PÉRDIDAS
Probabilidad
Pérdida Pérdida
esperada inesperada
2
Esta es la matriz propuesta por Basilea pero cada firma tiene la libertad de considerar sus
propias líneas y eventos de tal forma de adecuarla a a la estructura y necesidad de la organización.
CAPÍTULO 2
2.1.1 Introducción
Los teoremas de Von Mises que da luego condiciones suficientes para el proceso
anterior y el cómo se calculan las constantes que estabilizan las distribuciones a
una distribución de valor extremo que no son únicas pero que se requieren para
que la distribución en el límite no se degenere.
La teoría sobre valor extremo descrita en esta tesis es bastante reciente: Sola-
mente en 1980s los contornos de la teoría estadística tomaron forma. La teoría
de valor extremo probabilística en una dimensión fue desarrollada por M Frechet
(1927), R. Fisher y L. Tippet (1928) y R von Mises (1936) y culmino en el traba-
jo de B. Genedenko (1943). La teoría estadística fue iniciada por J. Pickands III
(1975).
3
Para el caso del teorema central del límite con respecto a X , an = √σn y bn = µ
Guillermo León Arias Pineda 35
Tippet (1928) de manera heurística y luego desde un punto de vista más riguroso
por Genedenko (1943) establecieron que hay solamente tres tipos de distribucio-
nes (Distribución tipo Gumbel, Tipo Frechet y tipo Weibull) que se alcanzan como
distribuciones límite de los máximos y mínimos de algún proceso aleatorio sobre
intervalos de tiempo fijos.
Durante los años cincuenta Von Misses (1954) y Jenkisson (1955) unificaron las
tres distribuciones en una sola denominada distribución generalizada de valores
extremos (GEV) la cual depende de tres parámetros. Esta unificación de las tres
distribuciones en una sola permitió simplificar los procedimientos de modelaje.
Otro desarrollo que se inició a partir de la década del setenta por Pickands (1975)
y que se continuo en las décadas de los ochenta y noventa se basó en los métodos
basados en los excesos por encima de un umbral en lugar del máximo o el mínimo
de un periodo pero acá se origina otro tipo de distribución conocida como la
distribución generalizada de Pareto la cual fue introducida por Pickands (1975),
su aplicación se hace en el análisis de eventos extremos en el modelamiento de
grandes derechos en seguros, en distribuciones de tiempos de falla en estudios de
confiabilidad y en cualquier situación en la cual se requiera debido a la presencia
de colas pesadas o colas ligeras.
Otro de los avances en teoría de Valor Extremo que se ha producido en los últimos
años es extender esta teoría a procesos no estacionarios y dependientes además
de desarrollar la inferencia para extremos multivariados.
P
en probabilidad se denota por Xn −→ X .
p x j ( x ) = f ( x ), j = 1, 2, . . . , n
P( Mn ≤ x ) = P(X1 ≤ x, X2 ≤ x, . . . , Xn ≤ x )
= [ P(Xi ≤ x )]n = Fn ( x ) (2.3)
Z x
Donde F( x ) = f (t) dt
−∞
Pero hay que tener en cuenta que se puede tener el siguiente caso: en el límite la
distribución puede ser degenerada.
1. ∀ x ∈ G ( x ) lı́m Fn (an x + bn ) = G ( x )
n→∞
U (tx ) − U (t)
D ( x ) = lı́m
t→∞ a(t)
U (tx ) − U (t)
D (1) = lı́m =0
t→∞ a(t)
Sea E( x ) = D ( x ) − D (1) entonces para los puntos donde hay continuidad x > 0
U (tx ) − U (t)
lı́m = D ( x ) − D (1 ) = : E ( x ) (2.11)
t→∞ a(t)
y>0
U (txy) − U (t) U (txy) − U (ty) a(ty) U (ty) − U (t)
= + (2.12)
a(t) a(ty) at a(t)
U (ty)−U (t) a(ty)
Afirmamos que lı́m a(t)
y lı́m a(t) existen.
n→∞ n→∞
E( xy) = E( x ) Ai + Bi i = 1, 2 (2.13)
Para i = 1 E( xy) = E( x ) A1 + B1
Para i = 2 E( xy) = E( x ) A2 + B2
E( x )( A1 − A2 ) = B1 − B2 ∀x > 0
a(ty)
A(y) := lı́m
t→∞ a(t)
H (t + s ) − H (t) H ( s ) − H (0 )
= A(e t ) (2.15)
s s
Hay ciertamente una t en la cual H es diferenciable (ya que H es monótona) por
lo tanto (2.15) H es diferenciable en todo valor y
H (t + s ) − H (t) H ( s ) − H (0 )
lı́m = lı́m A(e t )
s→∞ s s→∞ s
H ′ ( t ) = H ′ (0 ) A ( e t ) (2.16)
H ′ (0 ) = H ′ (0 ) A ( e 0 ) → 1 = A (1 )
Q (0 ) = 0 , Q ′ (0 ) = 1 , Q ( t + s ) − Q ( t ) = Q ( s ) A ( e t ),
Por lo tanto
Q ′ (s ) − 1 Q (s )
lı́m Q(t) = lı́m (Q′ (t) − 1) ⇒ Q(t)Q′′ (0) = Q′ (t) − 1
s →0 s s →0 s
ya que
Q (s ) Q ( s ) − Q (0 )
lı́m = lı́m = Q ′ (0 ) = 0
s →0 s s →0 s
ya que
H (t) ′ [ H ′ (t)]2 − H (t) H ′′ (t)
Q (t) = ⇒ Q ( t ) = ⇒ Q ′ (0 ) = 1
H ′ (t) [ H ′ (t)]2
Derivando nuevamente se obtiene:
Q′ (t)Q′′ (0) + Q(t)Q′′′ (0) = Q′′ (t) ⇒ Q′′ (0)Q(t) = Q′′ (t)
Pero como (log Q′ )′ (t) = Q′′ (0) = ξ ∈ R para todo t. Se sigue que
Z t
Q (t) = etξ ds ya que Q(0) = 1
0
′ e ξt − 1 tξ − 1
′
H ( t ) = H (0 ) y D ( t ) = D (1 ) + H (0 )
ξ ξ
Por lo tanto
1
x − D (1 ) ξ
D← (x) = 1+ξ (2.18)
H ′ (0 )
1
Ahora D ( x ) = G← e− x , y por lo tanto
1
D← (x) = (2.19)
− log G( x )
Combinando (2.18) y (2.19) se obtiene la prueba del teorema.
1
1 x − D (1 ) ξ
= 1+ξ
− log G( x ) H ′ (0 )
1!
x − D (1 ) − ξ
G ( x, ξ ) = exp − 1 + ξ
H ′ (0 )
c. Para ξ < 0 el punto final de la distribución es − 1ξ así que tiene una cola
− 1ξ
corta que verifica 1 − Gξ −ξ −1 − x ∼ (−ξx ) , cuando x → 0.
x −1
a. Para ξ > 0 usando Gξ ξ y con α = 1ξ > 0
1!
x−1 x − 1 −ξ
G ,ξ = exp − 1 + ξ
xi ξ
− 1ξ
= exp −(1 + x − 1) = exp −( x )−α
(
0 x≤0
G2 ( x ) : = − α
exp(− x ), x > 0
G1 ( x ) = exp(−e − x ),
U (tx ) − U (t) xξ − 1
lı́m = Dξ ( x ) = (2.21)
t→∞ a(t) ξ
Donde para ξ = 0 el lado derecho es interpretado como log x
44 Teoría y modelos de valores extremos
− 1ξ
lı́m t(1 − F(a(t) x + U (t))) = (1 + ξx ) (2.22)
t→∞
1 − F(t + x f (t)) 1
lı́m = (1 + ξx )− ξ (2.23)
t→ x′ 1 − F (t)
Así que es suficiente probar que la relación anterior implica 3. Sea x un punto de
continuidad de
U (tx ) − U (t) xξ − 1
Dξ ( x ) = lı́m = .
t→∞ a(t) ξ
Para t ≥ 1,
1
U (JtKx − bJtK ) U (tx ) − bJtK U JtKx 1 + JtK − bJtK
≤ ≤
aJtK aJtK aJtK
U (tx ) − bJtK
lı́m = D(x)
t→∞ aJtK
g ( h ← (t) − ε) ≤ t ≤ g (h ← + ε) ,
t → x ∗ Luego,
1
t−U
1 − F (t)
lı́m =0
t→ x∗ 1
a
1 − F (t)
Por lo tanto por 2 para todo x > 0
1
t−U
1 − F (t) xξ − 1
lı́m∗ =
t→ x 1 ξ
a
1 − F (t)
El rango completo de posibles distribuciones límite para Mn∗ esta dado por el
teorema de los tipos de Extremos (Fisher y Tipper (1928) Gnedenko, (1943)).
Demostración.
Mn − bn Mnk − bnk
lı́m P ≤x = G( x ) ⇔ lı́m P ≤ x = G(x) (2.24)
n→∞ an n→∞ ank
k
Mnk − bnk Mn − bn
⇔P ≤x = P ≤x
ank an
(2.25)
Von Mises (1954) y Jenkinson (1955) derivaron cada uno por su lado, la distri-
bución generalizada de extremos que unificó las tres distribuciones limites de
valores extremos establecidas en el teorema 2.2.
• −∞ < µ < ∞
• σ>0
• −∞ < ξ < ∞
El siguiente teorema unifica en una sola distribución las tres distribuciones ante-
riores.
Teorema 2.5 (Distribución unificada de Valor Extremo4 )
Sean { an } y {bn } sucesiones de números reales, M = { X1 , X2 , . . . , Xn } y si
Mn − bn Mn − bn
P ≤x −−−→ G( x ) ⇔ lı́m P ≤x = G(x) (2.27)
an n→∞ n→∞ an
Definida en el conjunto
x−µ
x : 1+ξ >0 (2.29)
σ
donde −∞ < µ < ∞, σ > 0 y −∞ < ξ < ∞
x−µ
log{− log(1 − p)} = ⇒ σ log{− log(1 − p)} = x − µ
σ
⇒ x p = µ + σ log{− log(1 − p)}
50 Teoría y modelos de valores extremos
entonces
lı́m P( Mn < an x + bn ) = exp(−µ( x ))
n→∞
A partir del corolario 2.5.1 se puede establecer los teoremas que determinan que
condiciones debe cumplir F para que existan sucesiones normalizadoras { an },
an > 0 y {bn } que garanticen que Mn∗ converge débilmente a una función de
distribución no degenerada G.
1 − F( x)
lı́m = x−α (2.38)
n→∞+ 1 − F (t)
entonces existe una sucesión { an } tal que
F∗ ( x ) = F(wF( x ) − 1),
bn = w ( F )
1
an = w( F) − ı́nf x : 1 − F( x ) ≤
n
Donde
1 1 1
a∗n x ∗
= ı́nf x : 1 − F ( x ) ≤ = ı́nf x : 1 − F w( F) − ≤
n x n
−1
1
= w( F) − ı́nf x : 1 − F( x ) ≤
n
si para ∀ x ∈ R
1 − F(t + xR(t))
lı́m = exp(− x ) (2.48)
t→w( F ) 1 − F (t)
entonces existen sucesiones { an } y {bn } tal que
lı́m ( Mn < an x + bn ) = G1 ( x )
n→∞+
lı́m bn = w( F)
n→∞
1 − F ( bn + a n x )
lı́m = exp(− x ) ∀ x (2.51)
n→∞+ 1 − F ( bn )
Por lo tanto para un x arbitrario
Así que bajo las condiciones de uno de estos teoremas, la función de distribución
F pertenece al dominio de atracción de la función de distribución Frechet o de la
función de distribución Weibull o de la función de distribución Gumbel respecti-
vamente. Además, estos resultados destacan el hecho de que la escogencia de las
constantes normalizadoras no son únicas. También es importante destacar que
las condiciones necesarias y suficientes dadas por los teoremas 2.6, 2.7 y 2.8 son
equivalentes a las condiciones originales usadas por Gnedenko (1943).
lı́m Fn (an x + bn ) = Gξ ( x )
n→∞
o equivalentemente
(1 − F(t)) F′′ (t)
lı́m∗ = −ξ − 1 (2.54)
t→ x ( F′ (t))2
Entonces F esta en el dominio de atracción de Gξ .
[1 − F(U (t))]2
U ′ (t) =
F′ (U (t))
Luego
U ′′ (t) F′ (U (t))[1 − F(U (t))]2
= − 2 [ 1 − F (U ( t ))] −
U ′ (t) [ F′ (U (t))]2
de modo de
tU ′′ (t) F′ (U (t))[1 − F(U (t))]2
= −2 −
U ′ (t) [ F′ (U (t))]2
La relación probada es equivalente a
U (tx ) − U (t) xξ − 1
lı́m = (2.55)
t→∞ a(t) ξ
tU ′′ (t)
lı́m = ξ−1
t→∞ U ′ (t)
Por lo tanto también, ya que |e s − et | < c|s − t| en un intervalo compacto para una
constante positiva c,
U ′(tx)
lı́m sup ′t − x ξ −1 = 0
t→∞ U
Esto implica que
Z x ′
U (tx ) − U (t) x ξ − 1 U (ts) ξ −1
− = −s ds
tU (t) ξ 1 U ′ (t)
Converge a cero. Por lo tanto por la parte b del teorema 2.3 se concluye que F
pertenece al dominio de atracción de Gξ ( F ∈ D ( Gξ )).
Corolario 2.9.1
La condición (2.53) es equivalente a:
tU ′′ (t)
lı́m = ξ −1
t→∞ U ′ (t)
Lo cual implica
U ′ (tx )
lı́m = x ξ −1
t→∞ U ′ (t)
U (tx ) − U (t) xξ − 1
lı́m =
t→∞ tU ′ (t) ξ
Además Z x
tsU ′ (ts) ds
log U (tx ) − log U (t) =
1 U (ts) s
por lo tanto (2.57) para x > 0
U (tx )
lı́m = xξ (2.58)
t→∞ U (t)
o
U (tx ) − U (t) xξ − 1
lı́m =
t→∞ ξU (t) ξ
El cuál es la condición (2.20) del teorema 2.3.
Corolario 2.10.1
(ξ > 0) Condición (2.56) es equivalente a
tU ′ (t)
lı́m =ξ
t→∞ U (t)
| G( x )| n = G(an x + bn )
Esta ecuación fue obtenida por Frechet (1927) y también por Fisher y Tippet
(1928). Es algunas veces llamado el postulado de estabilidad.
(
exp(− x −∞ ) x>0
1. Si G = G2 ( x; α) =
0 x≤0
(
exp(−(− x ∞ )) x<0
2. Si G = G3 ( x; α) =
0 x≥0
Tesis:
Se escoge
1. bn = 0 y an = F−1 1 − n1 para la distribuciíon tipo 2 (Distribución tipo
Frechet).
2. bn = F−1 (1) y an = F−1 (1) − F−1 1 − n1 para una distribución tipo 3 (Dis-
tribución tipo weibull).
3. an = F−1 1 − n1e − F−1 1 − n1 , bn = F−1 1 − n1 Para una distribución
tipo 1 (Distribución tipo Gumbel).
Demostración.
x = a n x + bn ⇒ x − a n x = bn ⇒ (1 − a n ) x = bn
bn
⇒x= ⇒ x = bn (1 − a n ) − 1
1 − an
Por lo tanto G ( x ) = G bn (1 − an )−1
[ G( x )]nm = [ G( x + bn )] m = G( x + bn + bm ) = G( x + bnm )
Guillermo León Arias Pineda 61
[ G( x )] n = G( x + bn )
n log G ( x ) = log G ( x + bn )
h( x ) = log [− log G ( x )]
x σh(0) − x
h ( x ) = h (0 ) ⇒ h( x ) =
σ σ
x − σh(0)
− = − log{− log G( x )}
σ
x − σh (0) x − σh (0)
e− σ = − log G( x ) ⇒ −e− σ = log G( x )
n x −µ
o
G ( x ) = exp −e − σ
2.2.1 Introducción
1 − F (u + x )
Fu ( x ) = P(X > u + x/X > u) = x>0 (2.61)
1 − F (u)
Si la distribución F fuera conocida, se podría determinar la función de distribu-
ción de (2.61) de los excesos sobre un umbral; pero en la práctica no se cono-
ce, de tal manera que se aplican aproximaciones y en este punto se preserva el
paralelismo con la aproximación que se realiza en el modelo de la función de
distribución generalizada de los extremos (GEV).
Nu = card{i : i = 1, . . . , n, Xi > u}
F (u + y ) = F (u) F u (y )
La función del promedio de los excesos juega un papel muy importante en muchos
campos. Diferentes nombres surgen de aplicaciones específicas. Por ejemplo, Fu
es conocida como la distribución de probabilidad del exceso de vida o tiempo
de vida residual en la teoría de la confiabilidad y en estadísticas médicas. En el
contexto de seguros, Fu es usualmente referida como la función de distribución
del exceso de pérdida.
Demostración.
" −r # Z ∞ −r − 1 −1
ξ ξ 1 ξ ξ
E 1+ x = 1+ x 1+ x dx
β 0 β β β
Z b −r − 1 −1
1 ξ ξ
= lı́m 1+ x dx
β b→∞ 0 β
ξ β
Haciendo la siguiente sustitución: u = 1 + β x ⇒ ξ du = dx
b
−r − ξ1
Z u1 1+ ξ
1 1 βx
= lı́m u
−r − 1ξ −1
du = lı́m = 1 ,
ξ b→∞ ξ b→∞ −r − 1 1 + ξr
1 ξ
0
βr Γ ( ξ − 1 − r )
E(X r ) = r! (2.66)
ξ r + 1 Γ (1 + ξ − 1 )
64 Teoría y modelos de valores extremos
G ( x1 + x2 ; ξ, β)
= G ( x2 ; ξ, β + ξx1 )
G ( x1 , β, β)
Demostración.
− 1 !− 1β !− 1
1 + ξ x1 +β x2
ξ
G ( x1 + x2 ; ξ, β) 1 + ξ x1 +β x2 1 + ξ xβ1 + ξ xβ2 ξ
= = =
G ( x1 ; ξ, β) 1 + ξ xβ1 1 + ξ xβ1 1 + ξ xβ1
!− 1 − 1 − 1
ξ xβ2 ξ
ξx2 ξ ξ ξ
= 1+ = 1+ = 1+ x2
1 + ξ xβ1 β + ξx1 β + ξx1
= G ( x2 ; ξ, β + ξx1 )
Demostración.
∞
λn
P ( Mn ≤ x ) = ∑ e−λ n! Gn (x; ξ, β) = exp{−λG(x; ξ, β)}
n =0
( 1)
x −ξ
= exp −λ 1 + ξ
β
− 1 ξ
!− ξ1
x−ξ β λ −1
= exp − 1 + ξ , ξ 6= 0
βλξ
x − β ln λ
−
Para el caso ξ = 0 se reduce a P( Mn ≤ x ) = exp −e β
Guillermo León Arias Pineda 65
La propiedad (2) anterior sugiere una GPD como una aproximación apropiada de
los excesos Fu para u grandes. Este resultado se remota a Pickands y es a menudo
formulado como sigue. Para alguna función β que sea estimada de los datos,
En ambos casos u debe ser tomado lo suficientemente grande. Juntos (2) y (5) dan
una técnica gráfica maravillosa para seleccionar u tan alto que una aproximación
de la función de los excesos a una GPD está justificada: dada una muestra alea-
toria X1 , . . . , Xn i. i. d. construir la función del promedio de los excesos empírica
e ( u ). De (5) se sabe que la función del promedio de los excesos de una GPD es
lineal, por lo tanto chequear para una región u donde el gráfico de en (u) llegue
a ser rigurosamente lineal. Para tal u una aproximación de Fu por GPD parece
razonable.
• Los excesos sobre un umbral alto pueden ser modelados por una Distribu-
ción Generalizada de Pareto (GPD).
La propiedad (2) del teorema (2.14) da un resultado límite para F (y; u) como
Si P( Mn ≤ x ) ≈ G ( x; ξ, µ, σ ), n → ∞ donde
( − 1 )
x−µ ξ
G ( x; ξ, µ, σ) = exp − 1+ξ
σ
σ̂ = σ + ξ (u − µ) (2.70)
es
− 1
ξy ξ
H (y) = 1 − 1 + (2.71)
σ
5
Para un desarrollo de la estimación de parámetros y cuantiles ver el artículo Parameter and
Quantile Estimation for the Generalized Pareto Distribution escrito por los autores J. R. M Hosking
and J. R. Wallis.
68 Teoría y modelos de valores extremos
− 1
x−µ ξ
n log( F) ≈ − 1 + ξ (2.72)
σ
log F( x ) ≈ −{1 − F( x )}
1
1 u − µ −ξ
1 − F (u) ≈ 1+ξ (2.73)
n σ
1
1 u + y − µ −ξ
1 − F (u + y) ≈ 1+ξ
n σ
por lo tanto,
− 1 − ξ1
− 1 ξ ( u + y − µ ) ξ
ξ ( u + y − µ )
n 1+
y σ σ
P X > u+ > u ≈ 1
= 1 +
X ξ ( u − µ ) − ξ ξ (u − µ)
n−1 1 + 1+
σ σ
1
ξy − ξ
= 1+ (2.74)
σ
Donde σ̂ = σ + ξ (u − µ)
2.3.1 Introducción
Hay varios métodos para estimar el índice de valor extremo: Hill (ξ̂ H ) Bajo con-
diciones apropiadas, el estimador de Hill es consistente solamente para valores
positivos de ξ , Pickands (ξ̂ P ), Máximo Verosimilitud (ξˆMV ), Momentos pondera-
dos por probabilidad6 (ξ̂ MPP ), y Hill Negativo (ξˆF ), el de Máxima Verosimilitud
(MV) está definido para ξ > − 12 , el de Pickands y el de momentos están definidos
y son consistentes para todos los valores reales de ξ , el Momentos Ponderados
por probabilidad (MPP) es consistente para ξ < 1, y el Hill Negativo para ξ < − 12 .
Para el cálculo del parámetro de forma existen diferentes métodos para estimar-
lo el estimador de Hill del cual hay dos posibilidades según el valor que tenga
mayor que cero o menor de − 12 y el estimador de Pickands que sirve para el caso
general su valor es posiblemente cualquier valor real, Un estimador de momen-
tos para un valor dentro de los reales, un estimador de momentos ponderados
según una probabilidad cuando el valor es menor de 1 en nuestro caso se elegirá
el estimador de Hill.
6
Para un desarrollo amplio del Método de estimación de parámetros de Momentos pondera-
dos por probabilidad en el artículo Estimation of Generalized Extreme–Value Distribution by the
Method of probability–Weighted Moments. Revista American Society for Quality.
70 Teoría y modelos de valores extremos
Las dos propiedades en las que se concentrará este trabajo son la consistencia y
la distribución asintótica de los estimadores.
La condición alternativa al teorema 2.3 sirve como una base para las aplicaciones
de la teoría del valor extremo.
Considere la relación 2.22; existe una función no decreciente positiva f tal que
1 − F(t + x f (t)) 1
lı́m∗ = (1 − ξx )− ξ (2.75)
t→ x 1 − F (t)
Esto es, la distribución condicional de xf (−t)t dado X > t tiene una distribución
límite cuando t → x ∗ .
1
Hξ ( x ) := 1 − (1 + ξx )− x , 0 < x < (0 ∨ (−ξ ))−1 (2.77)
k
K = K (n) → ∞ , →0 , n→∞
n
entonces ( !)
x − Xn−k,n
1 − F( x ) ≈ (1 − F(Xn−k,n )) 1 − Hξ
f nk
Y, ya que 1 − F( Xn−k,n ) ≈ 1 − Fn ( Xn−k,n ) = nk
( !)
k x − Xn−k,n
1 − F( x) ≈ 1 − Hξ (2.78)
n f nk
Esta aproximación es válida para cualquier x más grande que Xn−k,n y puede ser
usada siempre que x > Xn−k,n y puede ser usada siempre que x > Xn,n , esto es,
fuera del rango de observaciones y este es en efecto la base para aplicaciones de
valores extremos.
U (tx ) − U (t) xξ − 1
lı́m = (2.79)
t→∞ a(t) ξ
La relación (2.77) se convierte en la siguiente aproximación
x
t −1
U ( x ) ≈ U (t) + a(t) , x>t (2.80)
ξ
72 Teoría y modelos de valores extremos
Si ξ > 0 y F ∈ D ( G ) sí y solo si
1 − F(tx ) 1
lı́m = x− ξ , ξ>0
t→∞ 1 − F (t)
o
1 k−1
k i∑
bH =
γ log Xn−i,n − log Xn−k,n (2.83)
=0
P
ξ̂ H −−−−−−→ ξ
′ U (tx ) ′
(1 − ξ ) x ξ − ξ < < (1 + ξ ) x ξ + ξ
U (t)
O equivalentemente
log(1 − ξ ) + (ξ − ε′ ) log x < log U (tx ) − log U (t) < log(1 + ξ ) + (ξ + ε′ ) log x
(2.84)
1
Sea Y1 , Y2 , . . . v. a. i. i. d. con distribución común 1 − y, y≥1
Note que
U (Yi ) =d X1 , i = 1, 2
k−1
ξbH = k−1 ∑ log U (Yn−i,n ) − log U (Yn−k,n )
i =1
74 Teoría y modelos de valores extremos
Y
Aplicar (2.84) con t ∼
= Yn−k,n x − Ynn−−k,n
i,n
ya que por el lema 1 (ver Haan y Ferreira
(2006)) Yn−k,n → ∞ a. s. n → ∞ eventualmente
Yn−i,n
log(1 − ε) + (ξ − ε′ ) log < log U (Yn−i,n ) − log U (Yn−k,n )
Yn−k,n
′ Yn−i,n
< log(1 + ε) + (ξ − ε ) log
Yn−k,n
Para i = 0, 1, 2, 3, . . . , k − 1, por lo tanto
1 n
′ Yn−i,n
log(1 − ε) + (ξ − ε ) ∑ log < ξbH
k i =1 Yn−k,n
1 n ′ Yn−i,n
< log(1 + ε) + (ξ − ε ) ∑ log
k i =1 Yn−k,n
P
ξ̂ H −−−−−−→ ξ
entonces F ∈ D (Gξ )
e 1
P(ı́nf s(1 − Gn (s)) < b) = e− a para 0<a<1
a
(Ver Shoroack y Wellner (1986), pp. 345 y 415)
Yn−[ns ],n
2. ı́nf s(1 − Gn (s)) = ı́nf ks
n Yn −[ ks],n = ı́nf s Yn−k,n
k
n Yn − k,n donde los dos facto-
res son independientes.
k
ı́nf sYk∗−[ks],n Y
n n−k,n
con los Y ∗ independientes e iguales en distribución a los Y esto
k
(ı́nf s(1 − Gn (s))) Yn−k,n
n
n(t) n(t) + 1
≤t≤
k(n(t)) k ( n ( t ) + 1)
Considere
Z ∞ Z ∞
1−ε d log U (s) n d log U (s)
P t (1 + ε ) ≤ (1 − ε )
(1 + ε )2 t (1+ ε ) s k n (1+ ε )
k
s
Z ∞
d log U (s)
≤ Yn−k,n
Yn−k,n s
Z ∞
n s(1 − Gn (s)) d log U (s)
≤
k Yn−k,n 1−ε ds
ξ+ε
≤
1−ε
x −ξ U (tx )
−1
U (t) xρ − 1
lı́m =
t→∞ A(t) ρ
Por hipótesis lı́m A(t) = 0, esto es equivalente a
t→∞
1 k−1
k i∑
ξ̂ H = log U (Yn−1,n ) − log U (Yn−k,n ),
=0
1 k−1
k i∑
ξ̂ H = log U (Yn−i,n ) − log U (Yn−k,n )
=0
Yn−i,n
k−1 −1
ξ Yn−i,n 1 k−1 Yn−k,n
=
k ∑ log Yn−k,n
+ A0 (Yn−k,n ) ∑
k i =0 ρ
i =0
ρ+ ε
1 Yn−i,n
k∑
Oρ (1) | A0 (Yn−k,n )|
Yn−k,n
por lo tanto
!
√ √
1 k−1 Yn−i,n
k i∑
k ξ̂ H − ξ = ξ k log −1
=0
Yn−k,n
ρ
Yn−i,n
−1
√ 1 k−1 Yn−k,n √ 1 k−1 Yn−i,n ρ+ε
+ kA0 (Yn−k,n ) ∑ + Oρ (1) k | A0 (Yn−k,n )| ∑
k i =0 ρ k i =0 Yn−k,n
78 Teoría y modelos de valores extremos
Similarmente,
ρ+ ε
1 Yn−i,n P ρ+ ε 1
k∑
−−−−−−→ EY1 =
Yn−k,n 1−ρ−ε
Resta probar que
A0 (Yn−k,n ) P
n −−−−−−→ 1
A0
k
Esto sigue del lema 2.2.3 (ver en Haan y Ferreira (2006)) el hecho que la función
| A0 | varía regularmente y las desigualdades de Protter´s (Proposición B.1.9 ver
en Haan y Ferreira (2006)).
ρ−1 ρ
Y por lo tanto (2.85) A(t) = ρξ −1 c2 c1 t . Además, si (2.87) se cumple con λ 6= 0
entonces un simple cálculo muestra que esto es verdad si y solo si
2
λξ 1−ρ 1−2ρ 2ρ
− 1−2ρ
k(n) ∼ c η (2.90)
ρc2 1
ρ
Entonces la tasa de convergencia en el teorema 2.17 es del orden η 1−2ρ .
ξbH − ξ P 1
n −−−−−−→
A 1−ρ
k
2ρ
− 1−2ρ
Ya que para n, k grande debe ser mucho más grande que n , se tiene para n
grande, nk mucho más pequeño que
1+2ρ 1
n 1−2ρ = n 1−2ρ
ρ
por lo tanto la tasa de convergencia A nk es más suave que la tasa n 1−2ρ encon-
trada después de (2.90).
√ n
2ρ
− 1−2ρ
2. Supongamos que kA k → ∞. Entonces k(n) = O n , y la tasa de
ρ
convergencia √1 es otra vez más baja que η 1−2ρ
k
√ n
3. Supongamos kA → λ 6= 0, ∞ luego por (2.90) la tasa de convergencia √1
k k
ρ
es del orden η 1−2ρ . Esta es la situación óptima.
√ n
¿Cuál es la mejor selección de λ? El teorema (2.17) dice que si kA k → λ,
entonces
√
d ξ
b
k ξ H − ξ −−−−−−→ ξN + (2.91)
1+ρ
Con N la normal estándar y por lo tanto
n
ξN ξ ξN A
ξbH − ξ ≈d √ + √ ≈d √ + k (2.92)
k (1 − ρ ) k k 1−ρ
80 Teoría y modelos de valores extremos
Para que valor de k = k(n) esta aproximación es la mejor, es decir para que k su
error cuadrado medio n
ξ2 A2
+ k (2.93)
k (1 − ρ )2
Es mínimo. Para que el tiempo sea continuo se considera el caso especial
A(t) = ctρ .
2ρ1−1
ξ2 −2ρc2 t2ρ−1 ξ 2 (1 − ρ )2 1
= , o t= n 1− ρ
n (1 − ρ )2 −2ρc2
Equivalentemente, colocando t = r = nk
u }
1
ξ 2 (1 − ρ)2 2ρ−1 2ρ
− 1−2ρ
r=v n ~
−2ρc2
Y k0 (n) es la selección óptima para la secuencia k(n) bajo las condiciones dadas.
2
Ahora se considerara el mínimo de la siguiente expresión E ξbH − ξ o sustitu-
yéndola por la siguiente
n 2
ξN A
E √ + k (2.95)
k 1−ρ
Guillermo León Arias Pineda 81
p
n 1 sign(c)ξ (1 − ρ)
lı́m k0 A = lı́m cnρ k 2−ρ = p (2.96)
n→∞ k0 n→∞ −2ρ
Por (2.93)
A2 (tx ) − A2 (t)
lı́m = − log x , x>0
t→∞ q(t)
Con q una función deseablemente positiva, Entonces para cada ρ ≤ 0 existe una
función decreciente positiva s ∈ RV2ρ−1 tal que n → ∞
Z ∞
A2 ( t ) s(u) du (2.98)
1
El ínfimo sobre t > 0 para los lados derecho e izquierdo puede calcularse la
derivada igualando a cero. Para el lado derecho se tiene
ξ 2 (1 − ρ )2
= s (t)
cn
lo cual es equivalente a
← ξ (1 − ρ )2
t=s
cn
y el ínfimo es
Z ∞ 2 2
ξ2 ← ξ 2 (1 − ρ ) c ← ξ (1 − ρ )
s + s(u) du p=s
n cn (1 − ρ )2 ρ cn
2 Z
c ξ (1 − ρ )2 ← ξ 2 (1 − ρ )2 c ∞
= s + s(u) du
(1 − ρ )2 cn cn (1 − ρ )2 ρ
Z r
c
= s(u) du}
(1 − ρ )2 0
donde em la última etapa se usó
Z ∞ Z v
←
vs (v) + s(u) du = s← (u) du (2.100)
s← (v) 0
Y se alcanza cuando
← ξ 2 (1 − ρ )2
t∼s
n
Es decir, (ya que t se reemplaza por nk )
n
k(n) ∼
ξ 2 (1− ρ )2
s← n
Z 1 Z ∞ ←
x 1 du
s← (u) du (u)
0 x s u2 1 − 2ρ
lı́m = lı́m ← = (2.101)
t→∞ 1 ← 1 t→∞ 1 1 −2ρ
s x (x)
x x s
84 Teoría y modelos de valores extremos
←
Se debe notar que s← 1
x = 1
s ( x ). Por lo tanto para ρ < 0
2 n 2 2 1 − 2ρ ξ 2 (1 − ρ )2
lı́m k0 A = ξ (1 − ρ ) −1 =
n→∞ k0 −2ρ −2ρ
Y !
p sign( A)ξ 2
k0 (ξbH − ξ ) −→ N p ,ξ
−2ρ
Para ρ = 0 el límite en (2.101) debe ser interpretado como infinito. Esto significa
que para ρ = 0 minimizando el error cuadrado medio conseguimos una secuencia
optima k0 para el cual
p
b d 2
k0 (ξ H − ξ ) + bn −−−−−−→ N 0, ξ
Donde bn es una sucesión que varia suavemente tendiendo a más o menos infinito.
Esta afirmación no es común para obtener intervalo de confianza para ξ . Todo lo
que se puede decir es que √
k0 b
(ξ H − ξ ) −→ 1
bn
Si ρ = 0 se toma la sucesión k(n) a bit más pequeño, no se logra una normalidad
asintótica. Tomamos k λ := k λ (n) tal que
2 n
lı́m kλ A = λ2 > 0 (2.102)
n→∞ kλ
Si escribimos
λ2 t
f (t) = Z ∞
s(u) du
t
con s como en (2.98). Entonces la expresión anterior es creciente y es RV1 además
se tiene
n
n∼ f
kλ
En contraste con el caso ρ < 0 se tiene para la selección óptima
ξ 2 (1 − ρ )2
n∼
n
s
k0
Ahora, las funciones
λ2 t 1
f (t) = Z ∞ y
s (t)
s(u) du
t
Guillermo León Arias Pineda 85
son ambos RV1 pero por el teorema B.1.5. (ver en Haan y Ferreira (2006))
Propiedades Asintóticas
El estimador de Hill es asintóticamente normal. Esto es, para una muestra in-
dependiente e idénticamente distribuida de tamaño n y con un k = K (n) una
sucesión intermedia
√ √
k (ξb − ξ ) ≈ varξ N + λbξ,ρ
Con N normal estándar, donde las constantes λ, varξ y bξ,ρ son conocidos (ver
teorema 2.17) para el estimador de Hill.
√ N λbξ,ρ √ N n
ξb − ξ ≈ varξ √ + √ ≈ varξ √ + bξ,ρ A
k k k k
√
Con k = k(n) una sucesión intermedia tal que kA nk → λ ∈ R normal están-
dar. Por simplicidad se supone A(t) = ctρ para alguna constante c real y ρ < 0
buscamos una secuencia k para la cual
varξ n 2
+ b2ξ,ρ c2 es mínimo
k k
Se obtiene
! 1
1−2ρ
varξ 2ρ
− 1−2ρ
k0 (n) = n
−2ρc2 b2ξ,ρ
Y n 2
A
varξ N k 1
lı́m k0 mı́n E √ + = varξ 1 −
n→∞ k 1−ρ 2ρ
Se observa que con los supuestos datos una comparación de la calidad de los
diferentes estimadores se reduce a una comparación de la varianza asintótica.
H0 : ξ ≥ 0 versus Ha : ξ < 0
−2.96
ξbP < √
k
para el estimador de Pickands.
CAPÍTULO 3
3.1 Introducción
El objetivo central del método LDA8 es hallar una función de las pérdidas agre-
gadas, S( x ) para cada línea de negocio y tipo de riesgo combinando dos modelos:
El modelo de la distribución de probabilidad de la frecuencia de las pérdidas y
el modelo de la distribución de probabilidad de la severidad a través de métodos
entre otros como el algoritmo de Recursión de Panjer, la aproximación Analítica
de Bocker y Kluppelberg, o la simulación de Montecarlo.
En estas definiciones se está asumiendo un percentil del 99, 9 % pero podría cal-
cularse teniendo en cuenta otro percentil en algunos de los métodos que se han
reportado en la literatura. En nuestro caso se usará el método de Hill y la gráfica
de los excesos promedio según los datos que se tengan9 .
En resumen, las pérdidas operacionales agregadas pueden ser vistas como una
suma (S) de un número aleatorio ( N ) de pérdidas operacionales individuales
(X1 , . . . , X N ) Esta suma se puede presentar por:
N
S = X1 + X2 + · · · + X N = ∑ Xi ; N = 1, 2, . . . (3.3)
i =1
El modelo de riesgo colectivo asume que las pérdidas Xi son variables aleatorias
independientes e igualmente distribuidas representan las pérdidas individuales.
En este modelo la distribución de N (Frecuencia) es independiente de los valores
de Xi (severidad).
Severidad Frecuencia
Donde Sij es la pérdida de la celda i, j de las matriz de pérdidas. Cada una de las
celdas i, j se calculan de la siguiente manera:
n
Sij = ∑ X Nij
N =1
Una etapa importante en la aplicación del método LDA es saber cuál es la dis-
tribución de probabilidad de la severidad o pérdidas económicas de los eventos
operacionales durante un determinado periodo según datos históricos, es decir
tratar de ajustar una distribución de probabilidad continua a los datos y además
estimar sus parámetros.
Las distribuciones más comunes para ajustar a la severidad son: La normal, Log-
normal, normal inversa, Exponencial, Weibull, Pareto, Gamma, Cauchy, Rayleigh,
Logística, Loglogística.
Los modelos VaR (del término en inglés Value at Risk) comenzaron a desarrollarse
a inicios de la década del 90, son actualmente considerados la medida estándar
para el riesgo de mercado y son usados ampliamente en la administración del
riesgo. En 1994, el banco estadounidense JP Morgan propuso, en su documento
técnico denominado RiskMetrics11 , el concepto de valor en riesgo como modelo
para medir cuantitativamente los riesgos de mercado en instrumentos financieros
o portafolios con varios tipos de instrumentos. El valor en riesgo (VaR) es un
modelo estadístico basado en la teoría de la probabilidad.
11
Una descripción completa de esta metodología se encuentra en J.P. Morgan.
Guillermo León Arias Pineda 93
Desde un punto de vista del riesgo de mercado el VaR mide la pérdida espera-
da máxima a precios de mercado de un portafolio, dado que puede esperarse
que ocurra hasta que la posición pueda ser neutralizada. En otras palabras, en
el riesgo de mercado, el VaR calcula una pérdida extrema eventual resultado
de mantener un portafolio por un periodo determinado usando como medida de
riesgo la volatilidad de los precios de un activo en los n últimos días. Más preci-
samente, pérdida extrema es el cuantil X p para un porcentaje 100(1 − α) % de la
distribución12 . Como una consecuencia, el VaR estima el cuantil X p para valores
de α suficientemente pequeños.
Pérdida Pérdida
esperada inesperada
OpVaR
12
Bajo en este contexto indican la máxima pérdida posible.
13
Algunas comparaciones entre la simulación histórica y otros métodos para calcular el VaR se
pueden encontrar en Mahoney (1996) y Danielsson y de Vries (2000).
94 Método de distribución de pérdida agregada (LDA)
Una aproximación más simple establece que las reclamos totales esperados =
frecuencia de los eventos x severidad de la pérdida (o desde un punto de vista
del riesgo reclamos totales inesperadas = frecuencia de los eventos que están
por encima de un umbral x severidad de la pérdida).
Una de las más grandes ventajas del VaR es que trata de poner dentro de una
sola cifra, fácil de comprender el riesgo de un banco basado en las variables de
mercado financiero. En pocas palabras el VaR resume la pérdida máxima espe-
rada sobre un horizonte objetivo de tiempo dentro de un intervalo de confianza
dado.
En el mercado financiero que los precios sean continuos significa que se puede
tener una cotización del precio continuamente en la medida que el mercado esté
abierto. En términos probabilísticos los eventos en general seguirán un proceso
14
Existen otras formas de calcular el VaR usando métodos de simulación de Montecarlo, una
descripción sobre estas metodologías se puede encontrar en McNeil et al. (2004).
Guillermo León Arias Pineda 95
Por otro lado, en el riesgo operativo los eventos siguen un patrón discreto. Los
procesos estocásticos en los cuales el riesgo operativo está basado son un proceso
de Poisson, procesos Cox, etc. Se va a medir que tan grande es el riesgo agregado
para un horizonte de tiempo y un cierto nivel de confianza.
Otra diferencia notable es que en el VaR de mercado se puede saber cómo cambia
eventualmente el precio de los factores del riesgo que podrían cambiar completa-
mente el VaR. En el riesgo operativo como los factores que cambian son exógenos
al sistema se necesita un modelo auxiliar para hacer pruebas de valores extremos.
En la ciencia actuarial hay dos modelos básicos de riesgo para estimar la pérdida
total para un periodo: Los modelos de riesgo individual y colectivo. El esquema
puede ser valido también para riesgo operacional con unas pocas adaptaciones.
Los detalles de tales modelos pueden ser revisados en Klugman et. Al. (1997).
CAPÍTULO 4
APLICACIÓN
4.1 Introducción
15
La empresa de la cual se ha extraído la información no se publica para respetar la confiden-
cialidad de los datos.
98 Aplicación
Una vez recopilados los datos se realiza el análisis exploratorio para calcular las
medidas de localización, de variabilidad, de asimetría y curtosis y aquellos grá-
ficos que nos permitan identificar los aspectos más fundamentales del proceso
generador de datos asociado a las variables estudiadas, y así poder tomar las
decisiones para la implementación de los dos métodos: Pérdidas Agregadas, y
Teoría Básica del Valor Extremo. En la Teoría Básica del Valor Extremo las me-
didas de asimetría y curtosis son más importantes que las medidas de tendencia
central por lo tanto se le darán más importancia a estas ya que a través de ellas
es que se detecta distribuciones con colas pesadas.
Frecuencia Absoluta
Riesgos Operacionales Frecuencia relativa ( %)
(Eventos de riesgo)
Fraude interno 2662 6.95
Fraude externo 1102 2.88
Relaciones laborales 3586 9.36
Clientes 7853 20.49
Daños a activos fijos 157 0.41
Fallas tecnológicas 7378 19.25
Administración y
15587 40.67
ejecución de procesos
Total 38325 100.00
Figura 4.1. Distribución frecuencia de los diferentes eventos del riesgo operativo
Fraude externo
Fraude interno
6,95 %
40,67 % Ejecución y administración
de procesos
2,88 %
Fallas tecnológicas
Clientes
19,25 %
Relaciones laborales
20,49 %
0,41 %
Tabla 4.2. Pérdidas económicas por eventos de riesgo en los últimos cinco años
Pérdidas económicas
Riesgos Operacionales Frecuencia relativa ( %)
(severidad)
Fraude interno 182.062.136 7,98
Fraude externo 1.164.038.293 51,02
Relaciones laborales 163.858.258 7,18
Clientes 119.499.527 5,24
Daños a activos fijos 229.047.558 10,04
Fallas tecnológicas 274.332.722 12,02
Administración y
148.565.252 6,51
ejecución de procesos
Total 2.281407746 100,00
100 Aplicación
Figura 4.2. Distribución del impacto económico de cada uno de los eventos de Riesgo operativo
10,04 % 12,02 %
Fraude interno
Ejecución y administración
5,24 % 6,51 % de procesos
Fallas tecnológicas
7,18 %
7,98 %
Daños a activos fijos
clientes
Fraude externo
Mean = 18,37
Std. Dev = 19,518
30 N = 60
Frecuencia
20
10
0
0 20 40 60 80
Frecuencia fraude externo
Guillermo León Arias Pineda 101
3.0
Entrada
2.5 Mínimo 345148,0000
Máximo 100223663,0000
Valores ×10−8
Media 20900638,3833
Desv Est 16453235,6276
2.0
Valores 60
Logistic
1.5 Mínimo −∞
Máximo +∞
Media 209000638,0000
1.0 Desv Est 16453235,0000
0.5
0.0
100
120
-20
20
40
60
80
0
Valores en millones
−50 300
−5 m 40 m
Tabla 4.9. Parámetros de las distribuciones utilizadas para hallar la distribución de pérdida
Tabla 4.10. Distribuciones de mejor ajuste de las pérdidas económicas causadas por el Fraude
Externo
Distribución de Distribución de
Riesgo
probabilidad Logística probabilidad Loglogística
operativo
p–value p–value
Fraude
0,292336 0,296346
Externo
Tabla 4.11. Parámetros de las Distribuciones que mejor ajustan a las Pérdidas Económicas
95 % 344287400,0000
0.8
99 % 348246500,0000
99,5 % 349321600,0000
Valores 10698
0.6
Logistic
Mínimo −∞
0.4 Máximo +∞
Media 337219456,0000
Desv Est 4190603,8649
Indece de sesgo 0,0000
0.2
Curtosis 4,2000
95 % 344022290,7619
99 % 347836025,4969
0.0 99,5 % 349449112,7603
320
325
330
335
340
345
350
355
360
Valores en millones
Guillermo León Arias Pineda 105
Pérdidas Pérdidas
Fraude
esperadas OpVar inesperadas
Externo
(E(S)) (OpVaR-E(S))
Tabla 4.13. Calculo de las Pérdidas Agregadas promedio y del VaR Operacional
Pérdidas Pérdidas
Dato iteraciones OpVar 99,9 % Dato iteraciones OpVar 99,9 %
promedio promedio
1 1000 343060000 367900000 15 60000 337010000 346010000
2 2000 343820000 362820000 16 70000 338030000 345940000
3 3000 340030000 357570000 17 80000 337650000 345890000
4 4000 339630000 352310000 18 90000 337700000 345830000
5 5000 336000000 350270000 19 100000 337410000 345760000
6 6000 337790000 349130000 20 200000 337040000 344930000
7 7000 338920000 348840000 21 300000 336610000 344500000
8 8000 336260000 348500000 22 400000 337080000 344170000
9 9000 336490000 348110000 23 500000 337060000 343760000
10 10000 337090000 347840000 24 600000 337030000 343420000
11 20000 337590000 346420000 25 700000 336950000 343030000
12 30000 337080000 346240000 26 800000 336780000 342710000
13 40000 336580000 346140000 27 900000 336640000 342380000
14 50000 336800000 346070000 28 1000000 336690000 342190000
3.44×108 rs
rs
3.43×108
3.42×108
Pérdida promedio
3.41×108
rs
3.40×108
rs
3.39×108 rs
rs
3.38×108 rs
rs rs rs
rs
rs rs rs rs rs rs rs
3.37×108 rs
rs
rs
rs rs rs
rs rs
rs
rs
3.36×108
0 1 2 3 4 5 6 7 8 9 10
Número de iteraciones
Guillermo León Arias Pineda 107
3.70×108
rs
3.65×108
rs
OpVaR (99,9 %)
3.60×108
rs
3.55×108
rs
rs
3.50×108 rs rs
rs
rs rs
rs rs rs rs
rs rs rs rs rs
3.45×108 rs
rs rs
rs rs
rs rs rs rs
3.40×108
0 1 2 3 4 5 6 7
Número de iteraciones
Con 1000000 de iteraciones los resultados indican, por ejemplo que OpVaR esti-
mado con un nivel de confianza del 99,9 % es $ 342.190.000. La interpretación
es la siguiente: Con un nivel de confianza del 99,9 % se estima que las pérdidas
operacionales por mes, ocasionadas por fraude externo en la Banca Comercial,
no serán superiores a $ 342.190.000
Uno de los objetivos centrales del presente trabajo al aplicar la Teoría Básica del
Valor Extremo es advertir que para una institución financiera lograr la solvencia
es decir, hacerle frente a los compromisos que la entidad asume es fundamental.
El comportamiento inusual de la variable aleatoria de las pérdidas agregadas es
lo más común en oposición al comportamiento normal que es más propio de la
Teoría Clásica del Riesgo. Se debe tener en cuenta que se cuenta con una muestra
pequeña lo cual limita la posibilidad de unos resultados de mayor alcance.
El otro objetivo es llegar a un ajuste que modele los valores de la muestra que
excedan un determinado umbral o prioridad y ajustar la distribución generalizada
de Pareto que es la más adecuada para modelar los excesos sobre un umbral
cuando este es elevado.
El gráfico muestra la ubicación de las pérdidas extremas que se dan con baja
frecuencia pero con alta severidad y allí el cuerpo de la distribución no aporta
mucho.
108 Aplicación
deducción
Capital de riesgo para la exposición al
de capital
riesgo operacional
hasta el 20 % VaRα=0.1 %
al 99 % cuantil
Media de la (probabilidad límite)
distribución
Lo primero es la selección del umbral óptimo por encima del cual la distribución
de Pareto generalizada puede ser ajustada a los excesos sobre dicho valor. Deter-
minar el umbral u. La segunda es determinar a qué tipo de distribución ajustan
dichos excesos y la tercera es hallar la función de supervivencia, complementaria
de la función de distribución.
Una vez obtenido el umbral se estimó el parámetro de forma con base a los dos
métodos siguientes:
Guillermo León Arias Pineda 109
Método I: !
1 k−1
k − 1 i∑
ξ̂ k = ln ( xi ) − ln ( xk ) (4.1)
=1
Método II: !
1 k
k i∑
ξ̂ k = ln ( xi ) − ln ( xk ) (4.2)
=1
n
Método II: ξ̂ k = n1 ∑ θi donde,
i =1
!
k
1
k i∑
θk = ln ( xi ) − ln ( xk ) para k = 1, 2, . . . , n (4.4)
=1
Tabla 4.14. Parámetros de los valores por encima del umbral seleccionado
El cálculo del parámetro de Hill por los dos métodos solo difiere en 0, 00002741
lo cual corresponde a un porcentaje de menos del 1 % (0, 4466 %) lo cual hace
que el uso del uno o el otro parámetro para hacer cálculos sea indiferente. La
disminución del parámetro de forma es también uno de los objetivos del control
del riesgo operativo ya que este parámetro mientras más grande es indicativo de
colas más pesadas y por lo tanto pérdidas económicas mayores por lo tanto el
objetivo es disminuir este valor lo más posible.
Si una muestra tiene una gran curtosis tendera a tener un pico distintivo cerca
a la media declina rápidamente y tendrá colas pesadas. Las distribuciones con
110 Aplicación
curtosis relativa positiva tienen colas pesadas y son llamadas leptocurticas. Los
valores de la curtosis y la asimetría dan a entender que la distribución tiene colas
pesadas, según la gráfica que aparece a continuación la distribución más acorde
a estos parámetros es la distribución Beta General.
Figura 4.11. Ajuste de las pérdidas económicas en los valores extremos a la Beta
3.5
Entrada
Mínimo 342461800,0000
0.5
0.0
342
344
346
348
350
352
354
356
Valores en millones
Límite Límite
ξ
inferior superior
Fraude Método I Método II 0,0057894 0,0065274
Externo 0,00613629 0,00610887 0,00576353 0,00649823
Tabla 4.17. Medidas OpVaR y Expected Shortfall, ESα para cuantificar el riesgo
Para resolver este problema nos valemos de la siguiente gráfica: para representar
esta gráfica la función de exceso medio empírica se tomo como variable depen-
diente y como variable independiente los valores del umbral o prioridad u = Xk+1 .
112 Aplicación
20×105
rs
18×105
16×105
14×105
rs
12×105 rs rs rs
rs
10×105 rs
rs
rs
rs
rs rs rs
rs rs
8×105 rs
rs
6×105
y = 0.2674x − 9E + 0.7
4×105
R2 = 0.8953
2×105
0×105
351×106 352×106 353×106 354×106 355×106 356×106
Por lo tanto se tomará como umbral este valor y a partir del cual se consigue una
muestra de 14 observaciones.
353.5
353.0
LogLogistic
352.5
352.0
351.5
351.0
351.5
352.0
352.5
353.0
353.5
354.0
354.5
355.0
355.5
Cuantil de entrada (valores en millones)
La curva es lineal lo cual sugiere un buen ajuste a una Distribución Beta gene-
ralizada que cuando tiene dos parámetros es una la Distribuciones Generalizada
Pareto.
Tabla 4.18. Valores muestrales que están por encima del umbral
β = σ + ξ (u − µ) (4.5)
µ = 337.242.010 ; σ = 4.177.520, 628 ; ξ = 0, 36500137 ; u = 351.610.800
β = 4.177.520.628 + ξ (351.610.800 − 337.242.010)
β = 9.422.148, 77
Grafico cuantil–cuantil
( −ξ )
β n
Gξ,β,µ ( p) = u + (1 − p ) −1
ξ Nu
( −0,36500137 )
9.422.148, 177 10698
= 351.610.800 + (1 − p ) − 1 = xp
0, 36500137 14
n o
−0,36500137
x p = 351.610.800 + 25.814.009 [764, 142857(1 − p)] −1
r
Con p = n+ 1
n : Tamaño de la muestra
p : Percentil
Guillermo León Arias Pineda 115
3610×105
rs
rs rs
rs
3605×105 rs
rs rs
rs
3600×105 rs
rs
3595×105 rs
3590×105 rs
3585×105 rs
3580×105
3575×105
3570×105 rs
3565×105
351×106 352×106 353×106 354×106 355×106 356×106
Inferencia y Predicción
Tabla 4.19. Algunos posibles resultados obtenidos a partir de la función de Distribución y función
de supervivencia teórica
X G(x) 1 − G(x)
360.000.000 0,9994 0,0006
355.000.000 0,9991 0,0009
352.000.000 0,9987 0,0013
352.500.000 0,9988 0,0012
Frecuencia de Pérdida (X p ) en
P ( %) 1
pérdida 1− p miles de pesos
90,0 10 331.099.455
95,0 20 332.626.002
99,0 100 338.085.196
99,9 1000 354.273.966
Por ejemplo se espera con una probabilidad del 99, 9 %, una vez que una pérdida
supere el umbral de $ 351.610.800 el valor de ella será inferior a $ 354.273.966.
Por el contrario, con una probabilidad del 0, 1 % (esto es 1 de cada 1000 eventos
superan el umbral) la pérdida será superior a $ 354.273.966.
Estimación de las pérdidas por encima del percentil 99, 9 % por los métodos Valor
116 Aplicación
en riesgo y EVT
El modelo LDA incluye las pérdidas esperadas (EL) y las pérdidas inesperadas
(UL) para un nivel de confianza del 99, 5 % para un valor del parámetro de forma
ξ = 0, 36500137 las pérdidas para este modelo son mayores que para el modelo
POT en $ 15.513.662. Cuando ξ = 0, 00613629 sucede todo lo contrario las perdi-
das según el modelo POT son mayores que las del modelo LDA y la diferencia es
de $ 2.633.772.
EL ES
Fraude 344.928.510 359.504.038
Externo 352.354.042 350.719.721
CONCLUSIONES
Cuando se aplica el método Picos sobre un umbral se observa que mientras menor
sea el parámetro de escala menor es la carga de capital que se debe reservar. Se
presentan dos casos dependiendo del valor del parámetro de forma (ξ ),
si ξ = 0, 00613629 el requerimiento de capital es de $ 355.189.911 y
si ξ = 0, 36500137 es de $ 341.622.818.
Los valores menores de carga de capital cuando se mide el riesgo a través del
VaR se están logrando con el método Pérdidas Agregadas cuando el parámetro
de forma es ξ = 0, 36500137 y cuando el parámetro de forma es ξ = 0, 00613629 el
método más eficiente es el Picos sobre un umbral.
Una sugerencia que se hace a partir del presente estudio es que se calcule y es-
tandarice el parámetro de forma para diferentes empresas según sus objetivos y
tamaño ya que este parámetro es el más sensible para la obtención del capital
118 Conclusiones
Una recomendación que se hace para próximos trabajos es que se modele el VaR
y el ES con metodologías que modelen la dependencia de la varianza condicio-
nal es decir, que se implementen modelos como RiskMetrics, ARMA–GARCH y
ARMA–GARCH–EVT hasta este trabajo se supuso que las pérdidas económicas
debidas al riesgo operativo son una variable aleatoria independiente e idéntica-
mente distribuida acá se ha tenido en cuenta la Teoría del Valor Extremo sin
modelar dependencia existente en el primer y segundo momento de la serie con-
dicional de la serie. Y los modelos que se mencionan antes modelan los dos tipos
de dependencia.
ANEXO A
Figura A.1. Función de distribución Acumulada para las pérdidas de Fraude Externo
0.8
25 % 3344759000,0000
75 % 339664300,0000
99,5 % 349321600,0000
0.6 Valores 10698
Logistic
0.4 Mínimo −∞
Máximo +∞
Media 337219456,0000
Desv Est 4190603,8649
0.2 25 % 334681221,0696
75 % 339757690,9304
99,5 % 349449112,7603
0.0 98 % 346211121,5086
320
325
330
335
340
345
350
355
360
Valores en millones
ANEXO B
Figura B.1. Gráfico Q–Q para la pérdida para fraude externo con severidad normal
360
355
350
345
340
Logistic
335
330
325
320
315
310
320
325
330
335
340
345
350
355
360
Tabla C.1
Estadístico Distribución a la
Percentil VaR
Smirnov–Kolmogorov cual mejor se ajusta
90,0 0,0142 349.321.600 BETA GENERAL
90,5 0,0163 349.438.300 BETA GENERAL
91,0 0,0159 349.460.700 BETA GENERAL
91,5 0,0152 349.587.300 BETA GENERAL
92,0 0,0166 349.640.597 BETA GENERAL
92,5 0,0170 349.761.219 BETA GENERAL
93,0 0,0180 349.876.824 BETA GENERAL
93,5 0,0209 350.015.699 BETA GENERAL
94,0 0,0214 350.133.081 BETA GENERAL
94,5 0,0326 350.323.047 BETA GENERAL
95,0 0,0285 350.372.647 BETA GENERAL
95,5 0,0277 350.574.540 BETA GENERAL
96,0 0,0286 350.832.689 BETA GENERAL
96,5 0,0311 351.058.164 BETA GENERAL
97,0 0,0367 351.342.423 BETA GENERAL
97,5 0,0443 351.528.079 BETA GENERAL
98,0 0,0622 351.864.389 BETA GENERAL
98,5 0,0471 352.213.400 LOGNORMAL
99,0 0,0396 352.535.861 BETA GENERAL
99,5 0,0758 353.341.678 BETA GENERAL
ANEXO D
DD5(1,k)=prctile(PROM,99.9);
Datos=[DD1’ DD4’ DD5’];
save Datos;
save PROM;
k=k+1
else
if ((i > 10000) & (i <= 100000) & (rem(i,10000) == 0))
DD1(1,k)=i;
DD4(1,k)=PROM(1,i);
DD5(1,k)=prctile(PROM,99.9);
Datos=[DD1’ DD4’ DD5’];
save Datos;
save PROM;
k=k+1
else
if ((i > 100000) & (i <= 1000000) & (rem(i,100000) == 0))
DD1(1,k)=i;
DD4(1,k)=PROM(1,i);
DD5(1,k)=prctile(PROM,99.9);
Datos=[DD1’ DD4’ DD5’];
save Dato;
save PROM;
k=k+1
end
end
end
end
figure
plot(DD1,DD4,’-xb’)
set(gca,’FontSize’,12);
xlabel(’Numero de Iteraciones’,’FontSize’,12);
ylabel(’Perdida Promedio’,’FontSize’,12);
X(1,1)=DD1(1,1);
X(1,2)=DD1(1,k-1);
Y(1,1)=DD5(1,k-1);
Y(1,2)=DD5(1,k-1);
figure
plot(DD1,DD5,’-xb’)
set(gca,’FontSize’,12);
xlabel(’Numero de Iteraciones’,’FontSize’,12);
Guillermo León Arias Pineda 127
ylabel(’OpVaR(99.9%)’,’FontSize’,12);
format bank;
[DD1; DD4; DD5]’
BIBLIOGRAFÍA
CONNELL, P., DAVIES, M,.(2006), Safety First–Scenario Analysis under Basel II.
April p. 18.
CROUHY, M. y Otros. (2001) Risk Management. Ed. McGraw Hill. pp. 709
CRUZ, M. (2002), Modeling, Measuring and Hedging Operational Risk, John Wi-
ley & Sons LTD, Reprinted August 2005.
DA COSTA , N. (2004), Operational Risk with excel an VBA, John Wiley & Sons,
New Jersey, p. 203–207.
FRACHOT, A., RONCALLI T., SALOMON, E., (2004), The Correlation Problem in
Operational Risk.
Guillermo León Arias Pineda 131
GARCIA, A., (2006), Una aportación al análisis de solvencia: La teoría del valor
extremo, Tesis Doctoral Alcalá de Henares, pág. 43–238.
HOSKING, J. R. M., WALLIS J. R., & WOOD E.F., Estimation of the Generali-
zed Extreme–Value Distribution by the Method of Probability–Weighed Mo-
ments, American Society for Quality, Vo. 27, No. 3, pág. 251–261.
JOBST A. A. (2007), Operational Risk–the sting is still in the tail but the Poisson
Depends on the Dose. Journal of Operatioanal Risk Vol. 2, No. 2.
JORIAN, P. (2002), Valor en Riesgo. Nuevo paradigma para control de riegos con
derivados, Editorial Limusa, México 2002, pp. 357.
McNEIL A., FERY R. (2005), Quantitative Risk Menagement, New Yersey, Prin-
ceton University Press, pág. 264–322.
TRIPP M. H., BREDLEY H. l., DEVITT R., OVERTON G. L., PRYOR L. M., & SHAW
R. A. (2004), Quantifyng Operational Risk in General Insurance Compaines,
pp. 96.