Contexto empresarial
Un banco internacional está realizando pruebas de estrés (CCAR) para riesgos operativos. Necesitan no solo la pérdida esperada, sino entender qué tan sensible es su modelo a pequeños errores en la estimación de los parámetros de entrada. Se requiere simular un alto volumen de escenarios con 'Perturbación de Parámetros' para cuantificar la incertidumbre del modelo.
Sobre el conjunto : cdm
Herramientas para el modelo de datos común.
Descubrir todas las acciones de cdm Preparación de datos
Definición de distribución Gamma para severidad con matriz de covarianza simulada para permitir perturbación.
¡Copiado!
| 1 | |
| 2 | DATA casuser.oprisk_defs; |
| 3 | LENGTH model $20 distribution $20; |
| 4 | model='oprisk'; |
| 5 | distribution='Gamma'; |
| 6 | OUTPUT; |
| 7 | |
| 8 | RUN; |
| 9 | |
| 10 | DATA casuser.oprisk_est; |
| 11 | LENGTH _model_ $20 _name_ $20; |
| 12 | _model_='oprisk'; |
| 13 | _name_='alpha'; |
| 14 | estimate=2.5; |
| 15 | stderr=0.1; |
| 16 | OUTPUT; |
| 17 | _model_='oprisk'; |
| 18 | _name_='theta'; |
| 19 | estimate=1000; |
| 20 | stderr=50; |
| 21 | OUTPUT; |
| 22 | |
| 23 | RUN; |
| 24 |
Étapes de réalisation
1
Carga de definiciones de riesgo operativo.
¡Copiado!
| 1 | |
| 2 | PROC CAS; |
| 3 | loadTable path='oprisk_defs.sashdat' caslib='casuser'; |
| 4 | |
| 5 | RUN; |
| 6 |
2
Simulación masiva (Performance) con 500 muestras perturbadas.
¡Copiado!
| 1 | |
| 2 | PROC CAS; |
| 3 | cdm.cdm nReplicates=1000000, nPerturbedSamples=500, ignoreParmCovariance=FALSE, countDistributions={{name='NegativeBinomial', parmValues={{value=10}, {value=0.6}}}}, severityDefinitions={name='oprisk_defs', caslib='casuser'}, severityEst={name='oprisk_est', caslib='casuser'}, OUTPUT={outSample={name='stress_results', caslib='casuser'}, perturbOut=TRUE}, seed=999; |
| 4 | |
| 5 | RUN; |
| 6 |
Resultado esperado
El sistema debe manejar el alto volumen (1 millón de réplicas x 500 perturbaciones). La tabla de salida 'stress_results' debe contener las simulaciones base y las variaciones inducidas por la incertidumbre de los parámetros (error estándar), validando la estabilidad del modelo bajo estrés.