BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Gadowska-dos Santos Dominika (Uniwersytet Warszawski)
Tytuł
Sieć Bayesa jako narzędzie wspomagające zarządzanie ryzykiem operacyjnym w banku
Bayes Belief Network as an Operational Risk Management Tool for Banks
Źródło
Problemy Zarządzania, 2017, vol. 15, nr 1 (66), cz. 2, s. 125-144, rys., tab., bibliogr. 28 poz.
Tytuł własny numeru
Zarządzanie ryzykiem instytucji finansowych
Słowa kluczowe
Ryzyko operacyjne, Zarządzanie ryzykiem, Sieci bayesowskie, Analiza zależności
Operational risk, Risk management, Bayesian network, Dependency analysis
Uwagi
Klasyfikacja JEL: C11, D81, D83, G21, G31
summ., streszcz.
Abstrakt
W niniejszym artykule autor próbuje wykazać, że w procesie zarządzania ryzykiem operacyjnym w banku szczególnie istotne jest przeprowadzenie analizy źródeł ryzyka wraz z rozpoznaniem zależności przyczynowo-skutkowych. Jedynie gruntowna wiedza o powodach i konsekwencjach materializacji ryzyka daje bowiem szansę skutecznego prognozowania efektów podejmowanych działań zarządczych, planowania interwencji i poprzez to kształtowania rzeczywistości zgodnie z oczekiwaniami. Artykuł koncentruje się na zaprezentowaniu narzędzia badania łańcuchów przyczynowych - sieci Bayesa, które mogą pomóc bankom lepiej zrozumieć naturę ryzyka operacyjnego, zmniejszyć jego skalę i w efekcie zwiększyć efektywność działania instytucji. Zaprezentowana zostanie definicja, zasady konstrukcji, sposoby wykorzystania tej metody do analizy zależności przyczynowo-skutkowych pomiędzy czynnikami ryzyka operacyjnego, a także zalety i wady tego podejścia. (abstrakt oryginalny)

This paper shows that analysis of risk sources and identification of cause-effect relationships are crucial elements of the operational risk management process. Knowledge of the reasons and consequences of risk materialization is key for reliable forecasting of the effects of managerial actions and for planning interventions capable of shaping the reality according to expectations. The article concentrates on presenting one means of analyzing causal chains - Bayesian networks that can help banks understand the nature of operational risk, minimizing its scale, and, as a result, increasing the financial institutions' efficiency. The definition, design rules, ways of using the method to analyze cause-effect relationships between operational risk factors, as well as advantages and drawbacks of the approach, are discussed. (original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Alexander, C. (2003). Managing operational risks with Bayesian networks. W: C. Alexander (red.), Operational risk. Regulation, Analysis and Management, Prentice Hall.
  2. AON. (2015). Global Risk Management Survey. Pozyskano z: http://www.aon.com/2015Glo-balRisk (15.06.2016).
  3. COSO. (2004). Zarządzanie ryzykiem korporacyjnym - zintegrowana struktura ramowa. Streszczenie dla kierownictwa. Pozyskano z: https://www.coso.org/Documents/COSO- ERM-Executive-Summary-Polish.pdf (10.06.2016).
  4. Crouchy, M., Galai, D. i Mark, R. (2001). Risk Management. McGraw-Hill.
  5. Da Costa Lewis, N. (2004). Operational Risk with Excel and VBA. Applied Statistical Methods for Risk Management. Wiley.
  6. Darwiche, A. (2009). Modeling and Reasoning with Bayesian Networks. Cambridge: Cambridge University Press.
  7. Deloitte. (2015). Global Risk Management Survey. Pozyskano z: https://www2.deloitte.com/ content/dam/Deloitte/ru/Documents/financial-services/ru-global-risk-management-su- rvey-9th-edition.pdf, (15.06.2016).
  8. Fenton, N. i Neil, M. (2012). Risk Assessment and Decision Analysis with Bayesian Networks. CRC Press.
  9. Fenton, N. (2006). New Directions for Software Metrics. Referat wygłoszony na: CIO Symposium on Software Best Practices.
  10. Haubenstock, M. (2003). The operational risk management framework. W: C. Alexander (red.), Operational Risk. Regulation, Analysis and Management. Prentice Hall.
  11. Holling, C.S. (red.). (1978). Adaptive Environmental Assessment and Management. Wiley.
  12. Infosys Case Study (niedatowane). Operational Risk and Probabilistic Networks. An Application to Corporate Actions Processing. Pozyskano z: http://www.hugin.com/cases/Finance/ Infosys/oprisk.article (10.02.2010).
  13. King, J. (2001). Operational Risk. Measurement and Modelling. Wiley.
  14. Koller, D. i Friedman, N. (2009). Probabilistic Graphical Models: Principles and Techniques. Adaptive Computation and Machine Learning Series. The MIT Press.
  15. Komisja Nadzoru Bankowego. (2004). Rekomendacja M dotycząca zarządzania ryzykiem operacyjnym w bankach. Warszawa: Komisja Nadzoru Bankowego.
  16. Koski, T. i Noble, J. (2009). Bayesian Networks: An Introduction. Wiley.
  17. Krysicki, W., Bartos, J., Dyczka, W., Królikowska, K. i Wasilewski, M. (2002). Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach, cz. I. Warszawa: Wydawnictwo Naukowe PWN.
  18. MacKay, D. (2005). Information Theory, Inference, and Learning Algorithms. Cambridge: Cambridge University Press.
  19. Neil, M. (2000). Bayesian Belief Networks: Operational Risk and the Turnbull Guidelines. Referat wygłoszony na: Operational Risk Research Forum.
  20. Neil, M. i Fenton, N. (2007). Managing Risk in the Modern World: Bayesian Networks and the Applications. London: London Mathematical Society.
  21. Neil, M. i Fenton, N. (2011). The Use of Bayes and Causal Modelling in decision Making, Uncertainty and Risk. CEPIS Upgrade, 12(5) 10-21.
  22. Nyberg, J., Marcot, B. i Sulyma, R. (2006). Using Bayesian Belief Networks in Adaptive Management. Canadian Journal of Forest Research, 56(12).
  23. Oniśko, A., Druzdzel, M.J. i Wasyluk, H. (2002). Uczenie parametrów sieci bayesowskich z danych z wykorzystaniem bramek Noisy-OR. W: Z. Bubnicki, O. Hryniewicz, R. Kulikowski (red.), Badania operacyjne i systemowe wobec wyzwań XXI wieku, Problemy współczesnej nauki. Teoria i zastosowania. Akademicka Oficyna Wydawnicza EXIT.
  24. Paluszyński, W. (niedatowane). Przegląd pojęć z prawdopodobieństwa. Pozyskano z: http:// sequoia.ict.pwr.wroc.pl/~witold/aiuwr/beliefnet_s.pdf (13.07.2011).
  25. Vaughan, E. i Vaughan, T. (2003). Fundamentals of Risk and Insurance. Wiley.
  26. Wąsowski, A. (2000). Zdalna generacja sieci bayesowskich z baz danych. Niepublikowana praca dyplomowa. Politechnika Warszawska, Wydział Matematyki i Nauk Informacyjnych.
  27. Young, B.J. (2000). Bayesian Belief Networks: A Powerful New Tool with Which to Analyse and Quantify Operational Risk. Pozyskano z: http://www.orrf.org/papers/bayesian_ belief_networks.pdf (15.08.2006).
  28. Zawadzka, Z. (1998). Ryzyko bankowe - uwagi ogólne. W: W. Jaworski (red.), Współczesny bank. Poltext.
Cytowane przez
Pokaż
ISSN
1644-9584
Język
pol
URI / DOI
http://dx.doi.org/10.7172/1644-9584.66.8
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu