İhtiyatlılık payı · MoC
Tahmin düzeltmesi ile kalan belirsizlik nasıl ayrılır?
Önce tanımlanmış eksikliğin tahmin üzerindeki etkisi uygun biçimde düzeltilir; ardından kalan belirsizlik ihtiyatlılık payıyla karşılanır. MoC, veri veya yöntem eksikliğini giderme sorumluluğunun yerine geçmez.
Nereye bakılır
| Katman | Kaynak | Ne söyler |
|---|---|---|
| Tüzük | CRR Md. 179(1)(f) | MoC'nin hukuki dayanağı: tahminlere, beklenen tahmin hatası aralığıyla ilişkili bir ihtiyatlılık payı eklenir; veri ve yöntem kötüleştikçe pay büyür |
| Tüzük | CRR Md. 179(1)(a) | Veri azaldıkça ihtiyatlılık artar — MoC'nin genel prensibi |
| Tüzük | CRR Md. 180(1)(e) | Underwriting veya rating sistemi değiştiyse PD tahmininde MoC artırılır |
| Tüzük | CRR Md. 171(2) | Bilgi azaldıkça atama daha ihtiyatlı — uygulama düzeyindeki karşılığı |
| GL | EBA/GL/2017/16 · Bölüm 4 | Kategoriler A, B, C; düzeltme ile MoC ayrımı; toplama yöntemi; izleme |
Her eksiklik tek bir kategoriye girer
A ve B kategorilerindeki tanımlı eksiklikler örtüşmeyecek biçimde sınıflandırılır. Böylece aynı eksikliğin birden fazla kategoride tekrar sayılması önlenir.
Tahminde yanlılığa veya genel tahmin hatasıyla tam karşılanamayan belirsizliğe yol açabilecek veri ve yöntem sorunları.
- Eksik veri; geçmiş gözlemlerde belirli risk sürücülerine ilişkin bilgi eksikliği
- Temerrüt tanımına ilişkin veri eksiklikleri
- İçsel modellerde kullanılan yöntemlerdeki zayıflıklar
İlgili süreçlerdeki veya dış çevredeki değişikliklerin yarattığı ek belirsizlik.
- Kredi verme standartlarındaki değişiklik nedeniyle uygulama portföyünün risk özellik dağılımındaki değişim
- Hukuki çevre değişiklikleri: iflas hukuku, yasal tahsilat süreçlerine ilişkin düzenlemeler
- Dahil değil: içsel modellere veya temerrüt tanımına ilişkin düzenleme değişiklikleri — bunlar A'ya girer
İstatistiksel tahmin edicinin dağılımının yayılımını yansıtır.
- Ayrı bir kategori olarak sunulur
- İstatistiksel varyansa referans bilinçli olarak verilmemiştir — sabit bir yöntem dayatmamak için
- Gerekçe: düşük temerrütlü portföylerde orantısız MoC'ye yol açabilirdi
Sık yapılan sınıflama hatası. Temsil edicilik eksiklikleri otomatik olarak tek bir kategoriye gitmez; sınıflama eksikliğin niteliğine bağlıdır. Eksik veri veya eksik risk sürücüsü bilgisi A'dır. Kredi verme standartları değiştiği için uygulama portföyünün dağılımının değişmesi B'dir. Aynı başlık altındaki iki eksiklik farklı kategorilere düşebilir.
Önce düzeltme, sonra MoC
Yanlılığa veya ek belirsizliğe yol açabilecek her eksiklik tespit edilir
A veya B — örtüşmeyecek biçimde, tek kategoriye
Hedef: mümkün olan en doğru tahmin. Eksik veri doldurma, hata düzeltme, parametre kaydırma
Düzeltmeyle giderilemeyen eksiklikler için; en iyi tahminin üzerine
A + B + C basit toplam; yöntemler dokümante edilir ve düzenli izlenir
Düzeltmenin amacı ihtiyatlılık değil, doğruluktur. "Uygun düzeltme"nin hedefi mümkün olan en doğru tahmini elde etmektir. Aşırı düzeltme kullanımını önlemek için kurumun, belirli bir düzeltmenin bu amaca fiilen ulaştığını gösterebilmesi beklenir. Yani düzeltme de bir iddiadır ve kanıt gerektirir.
MoC ise düzeltme sonrası kalan belirsizliği karşılar. Düzeltme uygulanmış olsa bile, düzeltmenin kendisinin olası yanlışlığından doğan ek belirsizlik devam eder ve MoC gerektirir.
Toplama kuralı. Nihai MoC, A, B ve C kategorilerinin basit toplamıdır. Kategoriler genel olarak örtüşmediği varsayımına dayanır. Kategoriler arasında bağımsızlık varsayımı doğru olmasa da — A ve B için yapılan düzeltmeler genel tahmin hatasını etkileyebilir — uyumlaştırma ve aşırı karmaşıklıktan kaçınma amacıyla basit toplam benimsenmiştir. Kategori içinde farklı toplama teknikleri kullanılabilir.
Test: MoC bileşenleri ayrı ayrı görülebiliyor mu, yoksa tek bir toplam mı raporlanıyor? Ayrıştırılamıyorsa hangi eksikliğin karşılandığı da gösterilemiyor demektir.
Koşul, taraf, eylem ve kapsam
Açıklayıcı özet üzerinde bir rol seçip ilgili parçayı işaretleyin. Cümle resmî alıntı değildir.
Kavram kontrolü
Kategori ayrım drilli
Test zinciri
| Gereklilik | Validasyon testi | Beklenen kanıt |
|---|---|---|
| Eksiklikler tanımlanmalı ve kategorilendirilmeli | Veri kalitesi kayıtları, validasyon bulguları ve model geliştirme notlarındaki eksiklik evrenini MoC issue register ile uzlaştır; kayıtta olmayan eksiklikleri listele | Eksiklik kaydı; kategori ataması ve gerekçesi |
| A ve B örtüşmemeli | Aynı eksikliğin iki kategoride sayılıp sayılmadığını kontrol et | Kategori bazında eksiklik listesi |
| Düzeltme doğruluk amacına ulaştığı gösterilmeli | Uygulanan düzeltmelerin etkisini ve doğruluk iddiasının kanıtını incele | Düzeltme öncesi/sonrası karşılaştırma; doğrulama analizi |
| MoC en iyi tahminin üzerine uygulanmalı | Hesaplama akışında MoC'nin eklendiği noktayı sistemden çıkar; master skala kullanılıyorsa MoC skala parametrelerinin üzerine mi ekleniyor | Hesaplama akışı; ara çıktılar |
| MoC kategori bazında nicelleştirilmeli ve toplanmalı | A, B, C bileşenleri ayrı ayrı görülebiliyor mu; nihai MoC basit toplam mı | Kategori bazında MoC tutarları; toplama yöntemi dokümantasyonu |
| Yöntemler dokümante edilmeli ve düzenli izlenmeli | Nicelleştirme ve toplama yöntemleri yazılı mı; ne sıklıkla gözden geçiriliyor; eksiklik giderildiğinde MoC kaldırma kriteri var mı | Yöntem dokümanı; izleme kayıtları; kaldırma kriterleri |
| Sermaye hesabında MoC dahil parametreler kullanılmalı | İç amaçlar için en iyi tahmin kullanılıyorsa, sermaye hesabında MoC dahil nihai parametrenin kullanıldığını doğrula | İki parametre setinin ayrımı ve kullanım yerleri |
Bir uygulama sorusu
Aşağıdaki senaryo açıklama amacıyla kurgulanmıştır.
Eksik veri için yapılan düzeltme PD’yi %1’den %1,2’ye çıkarıyor olsun. Bundan sonra ölçülen MoC 0,15 yüzde puansa taban öncesi tahmin %1,35 olur. Düzeltmenin tamamını yeniden MoC olarak eklemek, aynı etkinin iki kez sayılması anlamına gelebilir.