一、引言
　　
　　操作风险、信用风险、市场风险是商业银行面临的三大风险。根据新资本协议的要求，商业银行需将操作风险管理纳入全面风险管理的范围，并需要计提操作风险资本。目前，商业银行可用来计算操作风险资本的方法包括基本指标法、标准法（替代标准法）、高级计量法等，这三种方法在复杂性和风险敏感性方面依次加强。其中高级计量法在资本计量方面更具风险敏感性和前瞻性。在采用高级计量法进行资本计量的过程中，内部损失数据、外部损失数据、情景分析、业务环境和内控因素是四个重要的输入要素。作者（2010）描述了外部损失数据在高级计量法建模流程中的重要作用，指出外部损失数据可以帮助我们理解那些没有足够的内部损失数据来直接量化的风险。
　　外部损失数据收集不只是银行进行操作风险资本计量的需求，也是满足监管当局操作风险管理的要求。银监会在《商业银行操作风险监管资本计量指引》中明确规定：商业银行的操作风险计量系统应使用相关的外部数据，包括公开数据、银行业共享数据等，并书面规定外部数据加工、调整的方法、程序和权限。巴塞尔委员会也在《操作风险-高级计量法指导意见征求意见稿》(Operational Risk–Supervisory Guidelines for the Advanced Measurement Approaches)中对外部损失数据的使用提出了指导意见：第一是当通货膨胀或紧缩影响显著时，银行应当进行调整；第二是外部损失数据主要应用于损失严重度的估计，也是情景分析的重要输入；第三是银行应制定外部损失数据的筛选方法和调整方法。
　　根据国际活跃银行高级计量法的实践，商业银行在高级计量法方面的最大挑战是历史损失数据的数量和质量，特别是低频高损的尾部数据。McNeil和Saladin（1997）研究发现，尾部数据至少25条以上才能满足模型稳定性的要求。由于一定时间内的内部损失数据大多是高频低损的数据，很难描述操作风险损失分布的尾部状况。而外部损失数据包括了一些低频高损的数据，比如巴林银行的越权交易事件、法国兴业银行的交易员巨额诈骗事件，这些都是内部损失数据的有益补充，为高级计量法的建模提供了基础数据。基于此，本文主要介绍了外部损失数据的来源，探讨了外部损失数据的调整方法以及内外部损失数据的整合方法，并对商业银行使用外部损失数据提出了相应的建议。
　　
　　二、外部损失数据来源
　　
　　外部损失数据是相对于银行内部损失数据来说的，是一系列其他机构经历的损失信息。外部损失数据的来源主要分为两类：数据共享协会的数据库和外部公开数据的数据库。这两类外部损失数据数据库的特点见表1。
　　在外部损失数据的来源中，数据共享协会的数据库是加入该协会内部的银行共享各自损失数据的数据库。这类数据库一般通过签订协定，在一定的保密原则下，银行将其内部损失数据提交给数据共享协会，协会将对数据进行整理和分析；作为回报，参与银行可利用该数据库补充自身内部数据，并得到相关分析报告。著名数据库包括英国银行家协会(British Bankers Association，BBA)构建的全球操作风险损失数据库(Global Operational Loss Database，GOLD)、操作风险损失数据交换协会(The Operational Riskdata eXchange Association)建立的ORX数据库、美国银行家协会(American Banker Association)建立的行业数据库和韩国操作风险数据交换协会（Korea Operational riskdata Exchange Committee，KOREC）所建立的数据库。
　　而外部公开数据则是由外部专业机构从媒体公开报道中筛选并整理分析后得到的数据，著名外部公开数据提供商包括SAS Global Data、Algo OpData和Algo FIRST。这些外部损失数据都是由外部专业公司从外部媒体公开报道中收集、整理得到的操作风险损失数据。这些损失数据收集的阈值较高（SAS Global Data的阈值设置为10万美元，Algo OpData和Algo FIRST的阈值设置为100万美元）；损失数据收集的行业覆盖了银行、保险、基金等；损失数据收集的区域也遍布全世界各大洲的各个国家；损失数据收集的字段除了损失数据基本的事件信息、损失信息等信息之外，还包括事件所属机构的总资产、总权益、总收入、总存款和员工人数等信息，方便进行数据的调整。其中Algo OpData数据库主要偏向于资本计量，而Algo FIRST数据库对于各条损失事件都有详细分析，除了满足资本计量的需要外，还可支持银行的操作风险管理工作。目前，SAS Global Data、Algo OpData和Algo FIRST数据库都已经收集到了1-2万条损失数据，并且每年还能新增1000条左右的数据。
　　
　　三、外部损失数据的调整方法
　　
　　外部损失数据是不同于银行自身的内部损失数据的。Giulio Mignola(2003)从统计的观点指出了在对外部损失数据调整时，需要区分三种不同的情况：第一种情况是外部损失数据和内部损失数据都来自同一总体，只不过是按照不同标准（比如不同阈值）获得的样本；第二种情况是外部损失数据和内部损失数据来自不同总体，但是具有一定的联系，比如两者之间具有相同的分布函数（不同的参数）；第三种情况是外部损失数据和内部损失数据完全来自不同的总体，是由于不同的机制产生的。
　　在第一种情况下，由于内外部损失数据来自于同一总体分布，只是收集的阈值不同，因此外部损失数据的调整过程相对来说是最简单的，可采用极大似然法。此时的最大似然函数为：
　　
　　Nicolas Baud(2002)等提出了在阈值H分别为已知常数，未知常数和随机变量等三种情况时，如何使用极大似然法对损失分布参数进行估计的方法。
　　在第二种情况下，由于内外部损失数据来自于不同总体的同一分布函数，因此两者之间存在一个尺度（scaling）因子。在频率分布中，尺度因子包括机构/业务条线的规模、控制情况、内部和业务的环境因素。在严重性分布中，尺度因子包括单一交易的大小、控制情况、保险覆盖范围、内部和业务的环境因素。
　　举例来说，在收集的外部损失数据中，我们要对零售银行业务中的抢劫事件进行调整。在频率分布中，可确定网点的数量作为尺度因子，即认为网点数量越多发生抢劫的数量也越多。由于我们一般假设频率分布服从泊松分布，因此有：
　　lB=lS*NB/NS
　　其中，lS和NS分别表示银行系统内发生抢动事件的平均数量和网点总数，lB和NB分别表示某一银行内发生抢劫事件的平均数量和网点数量。 (责任编辑：南粤论文中心)转贴于南粤论文中心: http://www.nylw.net(南粤论文中心__代写代发论文_毕业论文带写_广州职称论文代发_广州论文网）