Valor en Riesgo Operacional con Simulación Monte Carlo Excel

En la hoja Modelo, al seleccionar la celda A2 y A5, el usuario puede seleccionar subconjuntos de todos los datos que cumplen condiciones en cuanto al riesgo de que se trata y de la unidad de negocios respectiva. Esto funciona como un filtro. Observa que al escoger “Todas las categorías de riesgo” y “Todas las unidades”, el archivo ejemplo contabiliza 1,117 eventos (en celda B9) registrados desde el 09/marzo/2015 hasta el 05/marzo/2020. Esto genera 223 eventos anuales en promedio.

Si no conocemos la cantidad de elementos sujetos a cierto riesgo, pero en cambio, poseemos información sobre la cantidad promedio de eventos que suceden por unidad de tiempo, podríamos usar una distribución de POISSON para contar la cantidad de elementos que probabilísticamente podría ocurrir. Una distribución de Poisson solo requiere un parámetro, la frecuencia media de ocurrencia.

Podríamos referirnos por horas a la selección de la mejor distribución continua para modelizar la severidad o impacto de los riesgos operacionales. La práctica general es que se debería buscar la distribución que mejor se ajuste a los datos históricos y aplicar algún criterio de máxima verosimilitud u otro para seleccionar la mejor distribución entre varias. En el 2001, el Comité de Basilea sugirió la utilización de la distribución Lognormal, si bien existe un conjunto de distribuciones paramétricas que pueden ser válidas para tal aproximación. Algunas de ellas pueden ser la Weibull, Gamma, Pareto, Gumbel y Burr. Existen tests estadísticos que permiten validar pruebas de hipótesis en cuanto a estas distribuciones. Este es un campo al cual no nos referiremos aquí y que luego expandiremos en cursos más avanzados

Ahora bien. Ya tenemos los dos elementos para construir una cuantificación del riesgo operacional. Con base en los números aleatorios que a su vez genera las distribuciones de frecuencia y severidad y repetir el proceso muchas veces por medio de la metodología de simulación de Monte Carlo logramos construir una valoración cuantitativa del riesgo operacional.

DTSimulator ha incorporado la función de convolución para lograr esta poderosa operación en una sola celda. A diferencia del modelo anterior en donde se mostraban individualmente todas las funciones LogNormales que había que escribir para un número suficiente de celdas de acuerdo a la frecuencia del evento; en este caso, todo se puede lograr en una sola celda.

En estadística, un histograma es una representación gráfica de una variable en forma de barras, donde la superficie de cada barra es proporcional a la frecuencia de los valores representados. Sirven para obtener una "primera vista" general, o panorama, de la distribución de la población, o de la muestra, en este caso de los números simulados, respecto a una característica, cuantitativa y continua (la magnitud del riesgo). De esta manera ofrece una visión integral permitiendo observar una preferencia, o tendencia, por parte de los datos simulados por ubicarse hacia una determinada región de valores dentro del espectro de valores posibles (sean infinitos o no) que pueda adquirir la característica evaluada.

Si hubiéramos simplemente multiplicado frecuencia por severidad hubiésemos obtenido resultados distintos. Vamos a comprobarlo.

Los usuarios de simulación Monte Carlo suelen tener una pregunta en común: ¿cuántas iteraciones debo ejecutar en una simulación? Como casi todo en la vida, ¡todo depende! En este caso, depende de varios factores como la complejidad del modelo (número de variables y sus relaciones, correlaciones, formas de las distribuciones, etc.), la disponibilidad de tiempo y la precisión requerida en las respuestas (técnicamente conocido como la convergencia de su modelo).

Me voy a referir al razonamiento tautológico que planteé al principio: “Como no tenemos datos entonces no construimos el modelo; y no construimos el modelo porque no tenemos datos”.

Como decía al inicio. Los datos están, simplemente que no se encuentran en un registro formal de riesgos. Los mismos se encuentran dentro de la mente de gente de mucha experiencia en tu institución (expertos en la materia) que son perfectamente capaces de generar, al menos como punto de partida, los parámetros que nos permitan empezar a definir ciertas distribuciones de probabilidad.

Espero que hayan quedado claros algunos conceptos fundamentales.

1. Estructurar, ejecutar, simular e interpretar un modelo de valor en riesgo operacional con simulación Monte Carlo no es tan difícil o complicado como te lo quieren vender algunos.

2. Las matrices de riesgo o mapas de calor son apenas pobres aproximaciones a una verdadera y científica gestión seria y profesional de los riesgos.

3. Acceder a una herramienta de software sencilla, intuitiva, fácil de usar y económica sobre Excel permite ejecutar modelos de simulación Monte Carlo sobre este modelo o cualquier otro.

4. No hace falta contar con bases de datos históricas para iniciar la cuantificación de riesgos operacionales. El criterio de los expertos puede utilizarse como puntos de partida para ir incrementando la calidad de las bases de datos.

5. En DTSimulator podemos asesorarte en adaptar este modelo a las particularidades de tu entidad financiera o bancaria. Construimos modelos a la medida y brindamos entrenamiento y consultoría para poner a funcionarlos. Contáctame. Muchas gracias!