文件名称：截断数据的贝叶斯估计与操作风险测量的应用-研究论文
文件大小：483KB
文件格式：PDF
更新时间：2024-06-29 14:01:49
Bayesian estimation Operational
数据不足和报告门槛是操作风险建模中的两个主要问题。 当这些条件存在时，最大似然估计 (MLE) 可能会产生非常差的参数估计。 在这项研究中，我们首先研究了四种估计小样本截断分布参数的方法——MLE、期望最大化算法、惩罚似然估计器和贝叶斯方法。 如果没有任何适当的先验信息，则使用 Jeffreys 对截断分布的先验。 基于对数正态分布的模拟研究，我们发现贝叶斯方法比 MLE 方法提供更可信和可靠的估计。 最后，使用截断的对数正态分布和对数伽马分布对使用真实数据的操作损失严重性估计进行了应用。 使用贝叶斯方法，可以针对内部和外部数据分别估计具有损失数据的每个单元格的损失分布参数和风险价值度量。 此外，贝叶斯估计的置信区间是通过自举方法获得的。