OPvar Como Medida de Riesgo Operacional

BOLETIN DE ESTUDIOS ECONOMICOS
Vol. LXIII - N.º 193 - Abril 2008

(Páginas 135-159)
EL OpVaR COMO MEDIDA DEL RIESGO

OPERACIONAL
José Manuel Feria Domínguez

Enrique José Jiménez Rodríguez
José Luis Martín Marín
Universidad Pablo de Olavide
1. Introducción
En los últimos años, las pérdidas operacionales han representado una

fuerte ponderación en la cuenta de resultados de las entidades financie-
ras, no sólo por el impacto económico de determinados sucesos aislados
–caso Barings o Daiwa (Insterfjord et al., 1998)–, sino también por el
aumento de la frecuencia de esta tipología de eventos. Así, la relevancia
de dichas pérdidas unidas a la globalización de los servicios bancarios y
a la creciente sofisticación tecnológica de los nuevos canales de distri-
bución, sugieren que, aparte de los riesgos de crédito y de mercado, sean
considerados, a efectos de supervisión y control bancarios, otros riesgos
como el operacional. En consecuencia, el Comité de Supervisión
Bancaria de Basilea1 (en adelante el Comité) publicó, en junio de 2004,
un Nuevo Acuerdo de Adecuación de Capital en el que incluía, por pri-
mera vez, requerimientos por riesgo operacional, uniéndose así a los
contemplados en el Acuerdo de Basilea I, de 1988, por riesgo de crédito
y de mercado. De esta forma, el nuevo coeficiente de solvencia del 8%,
véase Vargas (2001) y Álvarez (2001), incluye en su denominador el
riesgo operacional y se define como sigue:
1
Basel Committee on Banking Supervision: el Comité de Supervisión Bancaria de Basilea,
hasta 1990 Comité de Regulación y Prácticas Supervisoras Bancarias, es uno de los diversos comi-
tés adscritos al Banco Internacional de Pagos (BIS); fue creado, a finales de 1974, por los goberna-
dores de los bancos centrales del G-10. Es conocido como Comité de Basilea, por la ciudad suiza
donde se ubica, y tiene como objetivo garantizar una supervisión eficaz de las actividades bancarias
en todo el mundo.
136 J. M. FERIA DOMÍNGUEZ, E. J. JIMÉNEZ RODRÍGUEZ Y J. L. MARTÍN MARÍN
Capital Regulatorio
≥ 8% [1]
R. de Crédito (Activos Pondertados) + 12,5* (R. de Mercado + R. Operaciones)
El término riesgo operacional abarca eventos de muy diversa natura-

leza u origen. En este sentido, riesgos como el tecnológico, el de fraude,
el de ejecución y procesos, o los desastres naturales, estarían dentro del
universo de riesgos que pueden producir pérdidas operacionales. Esta
heterogeneidad de factores, potencialmente desencadenantes de dicho
riesgo, aumentan el grado de complejidad en el control y gestión del
mismo dentro de una entidad financiera. La inclusión de requisitos de
capital por riesgo operacional ha promovido que los bancos con sistemas
de control menos sofisticados comiencen a administrar más eficazmente
este riesgo y que aquellas entidades que ya aplicaban técnicas avanzadas
hayan alcanzado estadios superiores en sus metodologías de medición y
control internos. En esta línea, la industria financiera continúa realizan-
do sustanciales esfuerzos para llegar a tiempo a la entrada en vigor de la
nueva normativa, prevista para el año 2007 (2008 para los enfoques
avanzados). En este escenario, el concepto de Valor en Riesgo (Value-at-
Risk, VaR) vuelve a cobrar importancia, como ya lo hiciera en su día con
el riesgo de mercado, convirtiéndose ahora en un elemento crucial para
la medición del riesgo operacional y, por ende, para el cálculo del Capital
Económico (Capital-at-Risk, CaR). En este trabajo, abundamos en el
concepto de Valor en Riesgo Operacional (OpVaR), así como en el pro-
ceso metodológico para su cálculo, basándonos en el Modelo de
Distribución de Pérdidas Agregada (Loss Distribution Approach, LDA).
2. La identificación y control del riesgo operacional
Hasta la publicación de la nueva propuesta de requerimientos de capi-

tal (Basel, 2004), no existía una definición ampliamente consensuada del
riesgo operacional. Por éste se entendía: “todo aquello que no era ni ries-
go de crédito, ni riesgo de mercado” (Hoffman, 1998). En consecuencia,
el Comité, como punto de partida para su gestión y control, normaliza
dicho concepto definiéndolo explícitamente en el Nuevo Acuerdo como:
“el riesgo de pérdida resultante de una falta de adecuación o un fallo de
los procesos, el personal y los sistemas internos o bien de acontecimien-
tos externos”. Esta definición incluye el riesgo legal o jurídico, pero
excluye el riesgo estratégico y el riesgo de reputación.
EL OpVaR COMO MEDIDA DEL RIESGO OPERACIONAL 137
La Gestión del Riesgo Operacional
Aunque el riesgo operacional es inherente a todo tipo de negocios y

no puede ser eliminado totalmente, sí puede ser gestionado, controlado
y, en determinados casos, asegurado, véase Cea (2002). En este sentido,
la gestión del riesgo operacional no es una nueva práctica, siempre ha
sido primordial para la banca tratar de prevenir el fraude, mantener la
integridad de los controles internos y reducir los errores en el procesa-
miento de las transacciones. Para ello, áreas como la de Organización
elaboraban, para determinados procesos de la entidad, procedimientos de
actuación que, entre otros aspectos, contemplaban los controles y las
verificaciones oportunas encaminados a que el producto o servicio se
desarrollase con la menor cuota de riesgo posible; y todo ello con la
supervisión del área staff de Auditoria Interna. Sin embargo, sí es relati-
vamente novedosa la gestión del riesgo operacional como una disciplina
específica integrada en el control global de riesgos de la entidad, en
armonía con el tratamiento del riesgo de crédito y el de mercado. Esta
nueva visión de la gestión del riesgo operacional es enunciada por el
Comité de Basilea (2003) en su documento “Sound Practices for the
Management and Supervision of Operational Risk”. El texto recoge un
compendio de principios sobre las tendencias y prácticas actuales en la
gestión y supervisión del riesgo operacional, que, a modo de benchmark,
deben ser observados por los bancos y autoridades supervisoras. De
manera general, el Comité propone un proceso lógico a seguir en la ges-
tión del riesgo operacional fundamentado en una serie de fases (identifi-
cación, evaluación y medición, seguimiento, control y mitigación) y apo-
yado en un conjunto de elementos que componen la infraestructura de
dicha gestión (véase a este respecto la figura 1).
La Identificación de la Pérdida Operacional
Un elemento sine qua non en la gestión y control del riesgo opera-

cional es la elaboración y desarrollo de una base de datos interna de pér-
didas operacionales. Así pues, a la hora de identificar las pérdidas ope-
racionales habrá que determinar dos parámetros: por un lado, la severi-
dad, o cuantía monetaria de la pérdida; y, por otra parte, la frecuencia
con que se repite el suceso durante un período de tiempo establecido o,
dicho de otra manera, la probabilidad de que acontezca ese evento
(Fontnouvelle et al., 2003). En la medida en que ambas variables se
suponen estadísticamente independientes, son modelizadas de manera

separada. Asimismo, podríamos catalogar las pérdidas, en base al esque-
ma de la figura 2.
Figura 1
Marco de gestión del riesgo operacional
Unidad de Riesgo Operacional

Proceso de Gestión del Riesgo Operacional
Organización
Políticas Tecnología
Infraestructura
de Gestión
Sistema de Datos de
Información Pérdidas
Herramientas
y metodologías
Identificación Evaluación Seguimiento Control Reporting
Figura 2
Combinaciones de frecuencia y severidad para los eventos de riesgo operacional
Alta Frecuencia Alta Frecuencia

Baja Severidad Alta Severidad
MITIGAR EVITAR
FRECUENCIA
Baja Frecuencia Baja Frecuencia

Baja Severidad Alta Severidad
ASUMIR ASEGURAR
SEVERIDAD
Escasez de Datos Internos de Pérdidas
Los datos internos de pérdidas constituyen un elemento crucial en el

diseño de un modelo de medición interna, ya que son los que mejor
representan la estructura del negocio, los sistemas de control y la cultu-
ra de cada organización (Nieto, 2005). En este sentido, la principal difi-
cultad en el tratamiento del riesgo operacional radica en la ausencia de
un historial de pérdidas internas con las que aproximar las variables a
utilizar en el modelo, principalmente, datos de sucesos de baja frecuen-
cia y media o alta severidad, que posiblemente la entidad no haya expe-
rimentado, pero a los cuales sí está expuesta (véase figura 3).
Figura 3
Histograma de pérdidas operacionales
Número de
eventos
Necesidad de datos externos
Importe de la pérdida
El Acuerdo de Basilea II, bajo el cumplimiento de una serie de requi-

sitos (Basel, 2004; párrafo 674), permite completar los datos internos
con la utilización de bases externas para capturar aquellos sucesos no
contemplados en las bases internas. Asimismo, los datos externos deben
ser convenientemente escalados (Baud et al., 2002 y Gustafsson et al.,
2005) de cara a su inclusión en la modelización interna de la entidad. La
tabla 1 recoge los principales consorcios de bases de datos externas.
Tabla 1
Principales bases de datos externas de pérdidas operacionales
BASE DE DATOS GESTOR Y OBSERVACIONES

ORX (Operational Riskdata eXchange Association) PriceWaterhuose. Principales bancos internacionales.
CERO (Consorcio Español de Riesgo Operacional ) Grupo de bancos españoles dentro de ORX.
GOLD (Global Operational Loss Database) Bancos británicos.
MORE (Multinational Operational Risk Exchange) Gestionada por Netrisk.
DIPO (The Database Italiano Perdite Operative) Banco de Italia. Sólo bancos italianos.
Algo OpVantage FIRST Fictch Ratings. Sólo eventos públicos.
En esta línea, en junio de 2002, el Risk Management Group (RMG)

del Comité realizó una recopilación de datos –a nivel mundial– sobre las
pérdidas operacionales acaecidas durante el año 2001 en el sector ban-
cario. A este proceso de recopilación de pérdidas operacionales, incluido
en el Quantitative Impact Study (QIS), se le conoce como el Operational
Risk Loss Data Collection Exercise (LDCE). El estudio se realizó sobre
una muestra de 89 bancos con actividad internacional. La tabla 2 ilustra,
en términos porcentuales, las pérdidas clasificadas por tipo de riesgo
operacional y por línea de negocio. En valores absolutos, se registraron
alrededor de 50.000 eventos de fallos operacionales cuyo montante en
pérdidas ascendió a 7.800 millones de euros.
Las figuras 4 y 5 muestran, de manera relativa, el cómputo de pérdidas
por tipo de riesgo operacional y línea de negocio, respectivamente. De la
observación de ambas figuras y de la propia matriz, se desprende cifras
muy dispares en cuanto a frecuencia y cuantía de las pérdidas. Por resaltar
algunos datos, si observamos la figura 4, el “Fraude Externo” es el riesgo
con mayor frecuencia, es decir, con más eventos registrados, pero, por el
contrario, no arroja el mayor importe en pérdidas. Un ejemplo, que refle-
ja fielmente este tipo de riesgos y permite comprender estos datos, sería el
de los fraudes realizados con tarjetas de crédito: un individuo puede hacer
repetidos usos fraudulentos de una tarjeta, a lo largo de un día, pero por
importes pequeños, ya que los cajeros tienen limitada una disposición
máxima. En cambio, los “Daños a Activos Físicos”, que sólo alcanzan el
1% en frecuencia, se encuentran en segundo lugar en severidad de las pér-
didas. Por otra parte, si nos centramos en los datos que nos aportan las dis-
tintas líneas de negocio, reflejados en la figura 5, podemos señalar cómo
la “Banca de Empresas”, con un porcentaje de frecuencia muy por debajo
del número de sucesos registrados en la “Banca Minorista”, se encuentra
al mismo nivel en cuanto al importe monetario de las pérdidas ocasiona-
das. La explicación es sencilla, en la primera se realizan un menor núme-

ro de transacciones que en la segunda, pero los importes negociados en las
operaciones de “Banca de Empresas” suelen ser muy superiores a los
registrados en la “Banca Minorista”.
Tabla 2
Matriz de distribución de las pérdidas por línea de negocio y tipo de riesgo
operacional
Tipo de Prácticas Clientes, Interrupción Ejecución,

Daños a
Riesgo(j) Fraude Fraude de empleo productos de operac. entrega y
activos
Línea de interno externo y seguridad y prácticas y fallos de gestión de
físicos
Negocio(i) laboral comerciales sistemas procesos
Banca 0.04 0.04 0.19 0.19 0.04 0.02 0.47
Corporativa 0.85 0.01 0.03 0.74 0.14 0.01 0.57
Negociación 0.10 0.25 0.22 0.23 0.07 0.25 10.27
y Ventas 0.87 0.58 0.32 1.21 0.48 0.19 8.10
Banca 2.87 38.86 5.01 4.47 0.56 0.35 11.55
Minorista 4.03 10.82 3.61 3.16 1.14 0.19 5.61
Banca de 0.19 3.68 0.17 0.60 0.11 0.09 1.96
Empresas 0.34 4.20 0.33 2.09 18.19 0.20 9.23
Pagos y 0.05 0.81 0.13 0.03 0.01 0.14 2.91
Liquidaciones 0.31 0.29 0.18 0.01 0.16 0.05 1.39
Servicios a 0.01 0.03 0.01 0.02 0.00 0.03 2.43
Sucursales 0.01 0.06 0.01 0.01 0.00 0.01 1.98
Gestión de 0.07 0.09 0.10 0.20 0.01 0.01 1.65
Activos 0.07 0.07 0.17 1.09 0.03 0.02 1.19
Intermediación 0.15 0.04 2.14 1.35 0.02 0.11 4.06
Minorista 0.98 0.02 0.86 2.56 8.79 0.02 1.45
*La cifra superior de cada casilla representa la frecuencia y la cifra inferior la severidad ambas uni-
dades en términos porcentuales.
** En la tabla 2 no aparecen recogidos el porcentaje de eventos que debido a la falta de informa-
ción no pudieron ser catalogados por línea de negocio o tipo de riesgo.
Figura 4
Distribución de pérdidas por tipos de eventos
Ejecución, entrega y gestión de procesos
Interrupción de operaciones y fallos de sistemas
Daños a activos físicos

FRECUENCIA
Clientes, productos y prácticas comerciales
SEVERIDAD
Prácticas de Empleo
Fraude Externo
Fraude interno
0% 10% 20% 30% 40% 50%

Fuente: Banco Internacional de Pagos.
Figura 5
Distribución de pérdidas por línea de negocio
Intermediación Minorista
Gestión de Activos
Servicios a Sucursales
Pagos y Liquidaciones FRECUENCIA
Banca de Empresas SEVERIDAD
Banca Minorista
Negociación y Ventas
Banca Corporativa
0% 10% 20% 30% 40% 50% 60% 70%

Fuente: Banco Internacional de Pagos.
3. Metodologías de medición del riesgo operacional
La medición es, sin duda, el aspecto más complejo y a la vez más

trascendental en el tratamiento de este riesgo. Una correcta cuantifica-
ción del riesgo operacional permitirá, entre otras cuestiones, facilitar la
racionalización de las pólizas de seguros posibilitando, con ello, una
reducción de capital regulatorio para los enfoques más avanzados. Por
otra parte, desde un punto de vista práctico, la medición del riesgo ope-
racional permite su inclusión en el cálculo de la rentabilidad ajustada al
riesgo (RAROC) y, por tanto, acercar más a la realidad el modelo de
creación de valor de la compañía. El Comité propone tres enfoques
(véase figura 6) para calcular los requerimientos de capital por riesgo
operacional que presentamos a continuación, ordenados de menor a
mayor grado de sofisticación y sensibilidad al riesgo: el Método del
Indicador Básico (Basic Indicator Approach, BIA); el Método Estándar
(Standardized Approach, SA); y las Metodologías de Medición Avanzada
(Advanced Measurement Approach, AMA). Además de seguir las direc-
trices del Comité, los bancos que deseen utilizar el Método Estándar o
las metodologías AMA tendrán que cumplir una serie de requisitos míni-
mos en la gestión y control de este riesgo. En cambio, se pretende que el
modelo BIA sea aplicable a cualquier banco, independientemente de la
complejidad de sus negocios, convirtiéndose así en el punto de partida
del proceso de cálculo de capital regulatorio.
Figura 6
Metodologías de medición de riesgo operacional
Complejidad Mayor
{
Creciente Adecuación – Modelos de Medición Interna (IMA,
Internal Measurement Approach).
Metodologías avanzadas – Cuadros de Mando (Scorecards).

– Modelo de Distribución de Pérdidas
Método Estándar (LDA, Loss Distribution Approach).
Método del indicador básico
Las Metodologías Top-Down
Bajo este anglicismo (Pagett et al., 1999) se engloban el Método del

Indicador Básico y el Modelo Estándar; ambos cubren el riesgo opera-
cional con un capital equivalente a un porcentaje fijo de los ingresos bru-
tos. La principal diferencia entre uno y otro estriba en que, en el Método
Estándar, el total de capital requerido se calcula como la suma de las
necesidades de capital regulatorio de cada una de las líneas de negocio
descritas por el Comité. Por otro lado, el Acuerdo de Basilea II se basa
en la simplicidad de su concepto para convertir la variable ingresos bru-
tos en una aproximación al tamaño o nivel de la exposición al riesgo ope-
racional. Aunque habrá que estar en alerta ya que, según su definición,
el volumen de ingresos depende del marco normativo y contable de cada
país, dando lugar a posibles arbitrajes regulatorios. De otra parte, debe-
mos contemplar situaciones en las cuales una entidad con unos elevados
ingresos brutos, pero con mejores prácticas de gestión, podría estar
sometida a menores riesgos operacionales.
Las Metodologías Bottom-Up
Las metodologías AMA, más sensibles al riesgo pero a la vez más

costosas y complejas que las anteriores, adoptan un enfoque bottom-up,
siguiendo la notación anglosajona. En este caso, el requerimiento de
capital será igual a la medida generada por el sistema interno de medi-
ción de riesgo operacional del banco. El Comité propone tres enfoques
dentro de los AMA: el Modelo de Medición Interna (Internal
Measurement Approach, IMA); los Cuadros de Mando (Scorecards); y el
Modelo de Distribución de Pérdidas (Loss Distribution Approach, LDA).

En sus primeros documentos de consulta, el Comité parecía decantarse
por el Modelo de Medición Interna, propiamente dicho, el IMA, como
metodología más acorde para el cálculo de capital regulatorio por riesgo
operacional pero, según las últimas líneas marcadas, el enfoque que
parece mejor posicionado es el Modelo de Distribución de Pérdidas, más
conocido como LDA por sus siglas en inglés.
El enfoque LDA, sobre el que profundizaremos metodológicamente
en líneas posteriores, se fundamenta en la información de pérdidas his-
tóricas recopiladas internamente y complementadas con datos externos.
Las pérdidas registradas se clasifican en base a una matriz, como la
expuesta en la tabla 2, que relaciona las ocho líneas de negocio con los
siete tipos de pérdidas operacionales estandarizados por el Comité.
Dicha matriz contiene un total de 56 casillas para las cuales debemos
estimar la distribución de la frecuencia (N), por un lado, y la de la seve-
ridad (X), por otro. Una vez definidas éstas, el siguiente paso consiste en
obtener la distribución de pérdidas agregadas por riesgo operacional aso-
ciada a cada celda. Matemáticamente, ello se transcribe como:
N
S = ∑ Xi [2]
i=1
La pérdida agregada es el cómputo de un número aleatorio de valo-

res de pérdidas, también aleatorios, bajo el supuesto de que las severida-
des son independientes entre sí y también independientes de la frecuen-
cia (Carrillo, 2006). Para el cálculo del capital regulatorio, vinculado a
cada casilla, se introduce el concepto de Valor en Riesgo (VaR) aplica-
do, en este caso, al riesgo operacional y tomando la nomenclatura, ya
aceptada, de OpVaR. En sentido estricto, el capital económico debería
cubrir, a priori, la pérdida inesperada (Unexpected Loss, UL) ya que la
pérdida esperada (Expected Loss, EL) se suele provisionar. No obstante,
en sentido amplio y, a petición del propio Comité (Basel, 2005), el capi-
tal regulatorio debe contemplar ambas pérdidas para su estimación; de
ahí la identidad entre CaR (Capital-at-Risk) y OpVaR, a menos que la
entidad demuestre la cobertura de la pérdida esperada (Expected Loss,
EL) de forma conveniente.
OpVaR = CaR(i, j; α) = EL(i, j) + UL(i, j; α) [3]
Donde: CaR (i,j;α): Capital regulatorio para un tipo de riesgo (j) dentro de una
línea de negocio (i) dado un intervalo de confianza (α).
Finalmente, el capital regulatorio de la entidad por riesgo operacional

será la suma del capital de las 56 casillas, de donde se desprende la
siguiente expresión:
8 7
KLDA = CaR(α) =∑ ∑ CaRij(α) [4]
i=1 j=1
4. El concepto de valor en riesgo operacional: el OpVaR
En la actualidad, el Valor en Riesgo (VaR) constituye un patrón

comúnmente aceptado dentro de la industria bancaria como medida del
riesgo de mercado; basta analizar los Informes Anuales de las principa-
les entidades financieras españolas. Se trata de una estimación estadísti-
ca que nos indica la máxima pérdida (Jorion, 1997)2, medida en unida-
des monetarias, que cabría esperar por mantener una posición de merca-
do dentro de un horizonte temporal y para un nivel de confianza deter-
minados. Para clarificar, aún más, el concepto de VaR, supongamos que
una entidad financiera anuncia que el VaR a un día de su cartera de nego-
ciación es de 1 millón de euros, para un nivel de confianza estadística del
95%. Esto, en otras palabras, significa que:
– Existe un 5% de probabilidad de incurrir en una pérdida superior a
dicha cuantía, o dicho de otro modo, la pérdida en 5 de cada 100
días se estima superior a 1 millón de euros.
– De forma análoga, existe un 95% de probabilidad de que la pérdida
sea inferior a 1 millón de euros, o lo que es lo mismo, la pérdida de
la cartera se espera sea inferior a esta cuantía 95 de cada 100 días.
– En media, una vez al mes, considerando que un mes comprende 20
días de negociación, el valor de la cartera caerá más de 1 millón de
euros.
Como hemos señalado, el VaR es, ante todo, una medición de tipo
estadístico y, por consiguiente, requiere el establecimiento, a priori, de
una serie de parámetros:
– Un intervalo o nivel de confianza asociado al cálculo.
– Un plazo, o unidad de tiempo, al cual va referido la estimación.
– Una moneda de referencia.
2
Véanse las definiciones propuestas Marshall y Siegel (1997); y Garman y Blanco (1998).
– Una hipótesis sobre la distribución de la variable analizada. Para el

caso concreto de la severidad, las candidatas más firmes son la dis-
tribución Lognormal y la de Weibull, mientras que para la frecuen-
cia se suele optar por la distribución de Poisson.
– Una metodología de estimación: el enfoque de distribución de pér-
didas o LDA.
Gráficamente, el concepto estadístico VaR se ilustra, a continuación,
en la figura 7.
Figura 7
Ilustración del concepto de Valor en Riesgo (VaR) para un 95% de confianza
estadística
Probabilidad 95% de probabilidad de

ganancias ó pérdidas
inferiores al VaR
5%
5% de
de
probabilidad
de pérdidas
superiores al
VaR
VaR Pérdidas Ganancias
Pérdidas Ganancias
Valor
-C VaR 0 (posición)
El Valor en Riesgo Operacional (OpVaR)
El concepto de OpVaR surge precisamente de la aplicación del VaR

en el contexto del riesgo operacional. No obstante, la idea subyacente es
la misma pues, en última instancia, estamos ante un percentil de una dis-
tribución de pérdidas, ésta vez, originadas por fallos operacionales y no
por variaciones en los precios de activos financieros. En este sentido,
podemos definir el OpVaR como una cifra, expresada en unidades mone-
tarias, que nos informa sobre la máxima pérdida potencial en la que
podría incurrir una determinada línea de negocio (i) por tipología de ries-
go operacional (j), dentro de un plazo determinado y con un cierto nivel

de confianza estadístico (véase figura 8).
Figura 8
Ilustración del concepto OpVaR para un 99,9% de confianza estadística
Probabilidad
DISTRIBUCIÓN DE PÉRDIDAS
PÉRDIDA PÉRDIDA
ESPERADA INESPERADA
OpVaR
MEDIA PERCENTIL 99,9%

PÉRDIDAS AGREGADAS (EUROS)
Los Parámetros Básicos para la Medición del OpVaR
A continuación, presentamos las principales especificaciones que

determinan la correcta interpretación del OpVaR:
El Horizonte Temporal: El OpVaR es una estimación estadística que
hace referencia a un período de tiempo especificado. En relación al ries-
go de mercado, la determinación de dicho parámetro no es arbitraria,
sino que se encuentra vinculada a la naturaleza de la posición, así como
al período de tiempo necesario para su liquidación o cobertura. Así pues,
es frecuente reportar el VaR diario, semanal o mensual. En el caso del
riesgo operacional, el horizonte temporal al cual va referido la estima-
ción suele ser más dilatado; concretamente un año.
El Intervalo de Confianza: El intervalo de confianza es otro de los
factores determinantes de la medición OpVaR. En términos generales, se
utiliza una gama de intervalos comprendidos entre un 95% y un 99%,
pudiendo ser elegido cualquier valor dentro de dicha gama a efectos de
modelización interna del riesgo. Pero, en definitiva, la elección de un

determinado intervalo de confianza depende de la utilización que se haga
del OpVaR. En este sentido, es preciso diferenciar dos situaciones:
– Si lo que se pretende es calcular el capital económico de una enti-
dad, el Comité de Basilea (Basel, 2004) sugiere la utilización de un
nivel de confianza estadístico del 99,9% para el cálculo del OpVaR,
medida harto conservadora pues, en última instancia, ello se tradu-
ce en mayores requisitos de capital.
– Si el OpVaR sólo se utiliza como criterio interno para comparar la
exposición al riesgo de la entidad en distintas áreas, la elección del
nivel de confianza es más arbitraria.
La Unidad Monetaria de referencia: El Valor en Riesgo Operacional
de una línea de negocio siempre debe venir expresado en una unidad
monetaria que sirva de referencia, esto es, euros, dólares, etc. Este hecho
convierte a la medición OpVaR en una magnitud intuitiva y fácilmente
comprensible para sus usuarios potenciales, esto es, reguladores, super-
visores, gestores de riesgos, quienes podrán tomar decisiones en conse-
cuencia.
5. El modelo de distribución de pérdidas agregada (LDA)
Como hemos referido anteriormente, el Valor en Riesgo Operacional

requiere, para su correcta interpretación, la definición de la metodología
utilizada en su cálculo. Esta reflexión, tiene, de hecho, importantes con-
secuencias prácticas. Y es que, en función de la metodología empleada y
de los parámetros seleccionados, obtendremos, finalmente, una cifra
OpVaR distinta según el caso. Dicho de otro modo, dependiendo de lo
realistas, restrictivas o simplificadoras que sean las hipótesis subyacen-
tes, las estimaciones del OpVaR obtenidas, aplicando una determinada
metodología, serán más o menos fiables y precisas. En los últimos años,
el enfoque LDA parece erigirse como un estándar a la hora de estimar el
OpVaR. Se trata de una técnica estadística, heredada del ámbito actuarial
(ver Bühlmann, 1970), que tiene como objetivo la obtención de la fun-
ción de distribución agregada de pérdidas operacionales. A efectos prác-
ticos, el proceso metodológico para su obtención se ilustra a través de la
figura 9.
Figura 9
Proceso metodológico del enfoque LDA
Tipo de
Riesgo(j) Prácticas de Clientes, productos Interrupción de Ejecución, entrega
Fraude interno empleo y Daños activos
Fraude externo y prácticas físicos operaciones y fallos y gestión de
Línea de seguridad laboral comerciales de sistemas procesos
Negocio(i)
Banca
Corporativa
Negociación y
Ventas
Base de Datos 0,14
FRECUENCIA
0,25
SEVERIDAD
Banca 0,12
Minorista
Categorización de las Pérdidas 0,10
0,20
Banca de
Empresas
por 0,08
0,15
Pagos y
Liquidaciones Línea de Negocio 0,06
0,10
Servicios a
Sucursales y 0,04
0,05
Gestión de
Activos
Tipo de Riesgo Operacional 0,02
0,00 0,00
Intermediación
Minorista
Frecuencia Severidad
Probabilidad
Distribución de Pérdidas Agregadas
Tipo de Pérdidas Pérdidas Pérdidas
Riesgo(j)
Prácticas de Clientes, productos
Daños activos Interrupción de Ejecución, entrega Esperadas Inesperadas Extremas
Fraude interno Fraude externo empleo y y prácticas
comerciales físicos operaciones y fallos y gestión de
Línea de seguridad laboral de sistemas procesos
Negocio(i)
Banca
Corporativa OpVaR OpVaR OpVaR OpVaR OpVaR OpVaR OpVaR
Negociación y
Ventas OpVaR OpVaR OpVaR OpVaR OpVaR OpVaR OpVaR OpVaR
(99,9%)
Banca
Minorista OpVaR OpVaR OpVaR OpVaR OpVaR OpVaR OpVaR
0
Banca de
Empresas OpVaR OpVaR OpVaR OpVaR OpVaR OpVaR OpVaR
0 ,
8 7 Media
LDA = ∑ ∑ CaRij (α )
Pagos y
OpVaR OpVaR OpVaR Pérdidas Agregadas (unidades monetarias
Liquidaciones
KOpVaR OpVaR OpVaR OpVaR
Servicios a
Sucursales OpVaR OpVaR OpVaR OpVaR i = 1 j = 1OpVaR
OpVaR OpVaR
Gestión de
Activos OpVaR OpVaR OpVaR OpVaR Cómputo de OpVaR
OpVaR OpVaR
Intermediación
Minorista OpVaR OpVaR OpVaR OpVaR Capital
OpVaR por OpVaR
OpVaR
Riesgo
Operacional
Paso 1: Modelización de la Severidad (Loss Severity Distribution)
La primera etapa, en el proceso metodológico, consiste en ajustar dis-

tintos modelos de distribución probabilística a una serie histórica de pér-
didas operacionales desglosadas por su tipología para una determinada
línea de negocio. En definitiva, se trata de encontrar los parámetros de la
distribución de probabilidad que mejor encajen con los datos observa-
dos. Según Carrillo (2006), Mignola et al. (2006) o Fontnouvelle et al.
(2004), de manera general, distribuciones como la Lognormal, la de
Weibull (véase tabla 3 y figuras 10 y 11) son recomendables a la hora de
modelizar la severidad. Ambas funciones son adecuadas al objeto de
representar gráficamente la naturaleza del conjunto de pérdidas opera-
cionales en una entidad financiera, donde existirán, a priori, numerosos

eventos de baja y media severidad y escasos sucesos de alta severidad,
desprendiéndose distribuciones de largas colas. En este punto, hay que
destacar que la principal dificultad en la modelización del riesgo opera-
cional es el comportamiento extremo de las colas de distribución de la
severidad, lo que conduce a distribuciones del tipo Pareto, en particular,
la Pareto generalizada (Generalized Pareto Distribution, GPD) cuando
se utilizan umbrales de pérdidas elevados (Fontnouvelle et al., 2003). No
obstante, debemos apuntar que, en la práctica, ninguna distribución sim-
ple se ajusta a los datos satisfactoriamente; de ahí la necesidad de recu-
rrir a la mixtura de distribuciones (véase tabla 3).
Tabla 3
Distribuciones de probabilidad para la severidad
Distribución Función de Densidad Parámetros
– (In x–µ)
2
1 µ, σ > 0
Lognormal (LN) f (x) = ⎯ e 2σ
2
x √2πσ
α–1
f (x) = α xα α, β > 0
α
Weibull (W) e –(x/β)
β
α
Pareto (Pa) f (x) = x αα+1 α, λ > 0
(λ + x)
Figura 10 Figura 11
Distribución Lognormal para μ=5 y σ=2 Distribución Weibull para α=2 y β=4,5
0,25 0,20
0,20
0,15
0,15
0,10
0,10
0,05
0,05
0,00 0,00
0
2
4
6
8
10
12
14
16
0
2
4
6
8
10
12
14
16
Los valores específicos de los parámetros de cada distribución suelen

ser estimados por máxima verosimilitud. Además, se utilizan distintos
contrastes estadísticos para calibrar la bondad de tales ajustes como, por
ejemplo, los test de Kolmogorov–Smirnov, Anderson–Darling y
Smirnov–Cramér–VonMises, entre otros (véase D’Agostino y Stephens
(1986), Chernobai et al. (2005) y Schwarz (1978)). Para simplificar el
proceso, los datos se suponen completos y el umbral mínimo de pérdidas
(threshold) se sitúa en cero.
Paso 2: Modelización de la Frecuencia (Loss Frequency Distribution)
La frecuencia, a diferencia de la severidad, es una variable aleatoria

discreta que representa el número de eventos observados durante un
período de tiempo establecido, con una determinada probabilidad de
ocurrencia. Según Frachot et al. (2003), la distribución de Poisson, uti-
lizada con éxito en las técnicas actuariales de seguros, es una candidata
con muchas ventajas a la hora de su modelización, al quedar ésta carac-
terizada por un único parámetro (λ) que representa el número de sucesos
por año. No obstante, conviene contemplar otras alternativas como la
distribución Binomial o la Binomial Negativa (véase tabla 4).
Tabla 4
Distribuciones de probabilidad para la frecuencia
Distribución Función de Probabilidad Parámetros

λxe–λ
Poisson (P) f (x) = x! λ>0
(
Binomial (B) (n
f (x) = x px(1–p)n–x n>0
0 < p <1
(
Binomial Negativa (BN) f (x) = (s+i–1
x
p (1–p)
s i s>0
0<p<1
A priori, cualquier distribución de probabilidad discreta no-negativa

sería una potencial candidata para ajustar la frecuencia de las pérdidas
operacionales (véase Panjer, 2006: capítulo 5). Autores como Da Costa
(2004) sugieren seguir una regla útil que consiste en optar por: el mode-
lo Binomial cuando la varianza sea menor que la media aritmética (sub-
dispersión); por la de Poisson cuando ambos valores sean similares
(equidispersión); y por la Binomial Negativa cuando la varianza sea
mayor que la media (sobredispersión). Si bien, a efectos meramente

prácticos, parece que el debate probabilístico se limita a dos distribucio-
nes: a la Poisson, como función genérica o estándar de la frecuencia de
las pérdidas, y a la Binomial Negativa, en los casos que exista sobredis-
persión; véanse los trabajos de Moscadelli (2004), Fontnouevelle et al.
(2004) y Chapelle et al. (2006). A continuación, simulamos una distri-
bución de Poisson, con parámetro lambda igual a 1.000 y una Binomial
Negativa3, de media 1.000 y de varianza 20.000 (véanse figuras 12 y 13,
respectivamente).
Figura 12 Figura 13
Distribución Poisson (λ=1000) Distribución Binomial Negativa (p=0,05; s=52,63)
1,4 3,0
1,2
2,5
1,0
Valores x 10^-2
Valores x 10^-2
2,0
0,8
1,5
0,6
1,0
0,4
0,2 0,5
0,0 0,0
0,94
0,96
0,98
1,00
1,02
1,04
1,06
1,08
0,92
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
1,6
Valores en miles Valores en miles
Paso 3: Obtención de la distribución de pérdidas agregada: La

Convolución
Una vez caracterizadas las distribuciones de severidad y frecuencia,

el último paso del proceso metodológico consiste en obtener la distribu-
3
Los parámetros que caracterizan la distribución Negativa han sido estimados mediante el
Método de los Momentos (véase Panjer, 2006: capítulo 11).
ción de pérdidas agregada, a través del proceso matemático de convolu-

ción (Klugman et al. 2004), que transforma ambas distribuciones en una
tercera distribución (LDA) mediante la superposición de ambas.
La Función de Pérdidas Agregadas

Sea N una variable aleatoria que representa el número de eventos,
para un plazo comprendido entre t y t+δ, con una función de probabili-
dad p(N) y X otra variable aleatoria que expresa la cuantía de la pérdida
para un determinado evento con una función de densidad asociada f(x).
Si suponemos la independencia entre la frecuencia y la severidad, la pér-
dida total para un tipo de evento en el intervalo temporal (t, t+δ) adopta
la siguiente expresión:
S = X1 + X2 + ... + XN [5]
La función de distribución de la variable S se obtiene mediante:
{
∞
G(x) ∑ p(i) · Fi* (x) para x > 0

i=1 [6]
p(i) para x = 0
donde, F (x) es la probabilidad de que la cantidad agregada de i pérdidas

sea x.
El asterisco denota la convolución en la función F, y Fi* es i-veces la
convolución de F consigo misma. Para la obtención de la función agre-
gada G(x) se proponen tres técnicas, principalmente:
– La Transformada Rápida de Fourier (Fast Fourier Transforms,
FFT) ; ver Klugman et al. 2004, cap. 6.
– El Algoritmo Recursivo de Panjer (1981).
– Enfoque de Simulación por Montecarlo, (Klugman et al. 2004, cap.
17).
Una aproximación al OpVaR por Simulación de Montecarlo
Como corolario metodológico, y a modo de ejemplo, hemos genera-

do por Simulación de Montecarlo una distribución de pérdidas agrega-
das (LDA) para una celda de la matriz línea de negocio-tipo de evento
(véase tabla 2). Para ello, hemos simulado 5.000 escenarios aleatorios a
partir de una distribución de Weibull (α = 1,5 y β = 4,5) para la severi-
dad y una función de Poisson (λ=100) para la frecuencia. Para estimar el
OpVaR, hemos elegido un intervalo de confianza del 99,9% como reco-
mienda el Comité para el cálculo del capital regulatorio (véase figura

14). Los resultados obtenidos se presentan en la tabla 5:
Tabla 5
Resumen de datos de la simulación realizada
Severidad Weibull ( α = 1,5 ; β = 4,5 )

Distribuciones
Frecuencia Poisson ( λ = 100 )
Intervalo de Confianza 99,9%
Nº de Simulaciones 5.000
Pérdida Esperada (EL) 405 miles u.m.
OpVaR (99,9%) 690 miles u.m.
Figura 14
Distribución de pérdidas agregadas resultado de la simulación
0,008
0,006
0,004
Intervalo de
Confianza = 99,9%
OpVaR = 690
0,002
Pérdida
Esperada = 405
0,000
250
300
350
400
450
500
550
600
650
700
750
800
El OpVaR obtenido a partir de la simulación realizada, para un nivel

de confianza estadística del 99.9%, representaría el cómputo del capital
económico (CaR) imputable al riesgo operacional para una determinada
celda de la matriz línea de negocio/tipo de evento (véase tabla 2).
Asimismo dicho capital, por valor de 690 miles de u.m., cubriría
tanto la pérdida esperada (EL) como la inesperada (UL). No obstante,
como ya se advirtió en líneas anteriores, si la entidad financiera demues-

tra una adecuada provisión de la primera, el cargo de capital se reduciría
a la cobertura de la pérdida inesperada, obtenida como la diferencia entre
el OpVaR y la pérdida esperada, es decir, 285 miles de u.m.
Por último, el ratio “EL/OpVaR”, arroja una medida relativa que
pudiera ser interesante a la hora de reportar información financiera sobre
riesgo operacional. Se trata de una magnitud porcentual que indicaría la
importancia relativa de la pérdida esperada sobre el capital regulatorio;
en nuestro ejemplo dicha magnitud representa el 58,70%, lo cual impli-
ca el consumo de capital por este concepto, representando el 41,30% res-
tante el porcentaje destinado a cubrir la pérdida inesperada (UL).
8. Conclusiones
El Método Básico y el Estándar, propuestos por el Comité para el cál-

culo del capital regulatorio por riesgo operacional, presentan ciertas defi-
ciencias conceptuales, sobre todo en lo que se refiere a su indicador de
exposición, esto es, los ingresos brutos. Y es que, su cuantificación,
depende, en última instancia, del marco contable de cada país posibili-
tando, con ello, el arbitraje regulatorio. De la misma manera dichos
métodos, nos hacen plantearnos la cuestión de si una entidad con unos
elevados ingresos brutos pero con mejores prácticas de gestión, no
podría afrontar menores riesgos operacionales. Además, el enfoque bási-
co, ofrece un escaso incentivo en cuanto al desarrollo de los sistemas de
control de riesgos en la entidad, pues no contempla, por parte del regu-
lador, el cumplimiento de ningún requisito cualitativo para su imple-
mentación. Debido a lo anterior, ambos métodos son concebidos, a prio-
ri, como modelos de transición hacía estadios superiores –metodologías
avanzadas–, siendo utilizados en la actualidad como “vías de escape”
ante la inminente entrada en vigor del Nuevo Acuerdo.
En consecuencia, aquellas entidades que pretendan administrar efi-
cazmente su riesgo operacional deben aunar esfuerzos en el desarrollo y
aplicación de las técnicas avanzadas de medición. Asimismo, dentro de
las AMA el enfoque que parece mejor posicionado –según las últimas
directrices del Comité– es el Modelo de Distribución de Pérdidas o LDA
apoyado en el concepto de Valor en Riesgo Operacional u OpVaR para
el cálculo del capital regulatorio (CaR). En esta línea, nos gustaría reali-
zar algunas puntualizaciones respecto al proceso metodológico plantea-
do:
– A pesar de que el enfoque descrito no es perfecto, el proceso de

recogida de información sobre los fallos operacionales y su poste-
rior análisis nos ofrece una visión mucho más completa del riesgo
que estamos considerando. En este sentido, podemos considerar el
concepto OpVaR como un proceso, más que como un fin en sí
mismo.
– El Acuerdo de Basilea II, con respecto a los riesgos financieros en
general y al operacional en particular, no se encamina meramente
hacia la búsqueda del cumplimiento de una regla o unos estándares
de medición; implícitamente el Nuevo Acuerdo pretende un avance
y un mayor rigor en la gestión y control de riesgo y capital en las
entidades financieras. Por tanto, conviene hacer hincapié en la idea
de que, a la hora de medir niveles de riesgo, no es tan importante
llegar a una cuantificación exacta del mismo como sopesar si dicha
magnitud resulta o no adecuada para la entidad en cuestión. Y es
que, en muchas ocasiones, caemos en el error de prestar una exce-
siva atención al detalle metodológico en detrimento de una pers-
pectiva más global. En este aspecto, el OpVaR despliega toda su
versatilidad ya que, al tratarse de una cifra expresada en unidades
monetarias, permite la fijación de límites y el establecimiento de
comparaciones entre unidades estratégicas de negocio, favorece la
evaluación del grado de ejecución de cada rama de actividad sobre
una base ajustada al riesgo y proporciona un vehículo óptimo para
la información sobre el riesgo operacional.
– Para asegurar la correcta implantación del enfoque LDA es preciso
disponer de información histórica de pérdidas operacionales, des-
glosada por tipo de riesgo y línea de negocio, sobre las que mode-
lizar su frecuencia y severidad. Pero es justamente aquí donde la
banca encuentra el principal obstáculo a la hora de aplicar los méto-
dos avanzados pues, la ausencia de una base de datos interna de
pérdidas operacionales suficientemente amplia y representativa,
resta toda robustez a dicho enfoque. En este sentido, aunque el
Comité prevé la utilización de base de datos externas –bajo deter-
minadas circunstancias– éstas parecen no solventar el problema.
Por tanto, el análisis de escenarios y la simulación de pérdidas,
como las presentadas en este trabajo, se convierten en un recurso
eficaz ante la escasez de información, al menos de momento.
– A efectos de cómputo del capital regulatorio, se establece un per-
centil excesivamente alto, esto es, un 99,9%. En particular, para
aquéllas distribuciones de pérdidas que presentan colas anchas (fat

tails) –como la simulada en la figura 14– este hecho puede derivar
en cifras de OpVaR muy altas y, por consiguiente, en mayores con-
sumos de capital.
– En cuanto a la modelización de las variables, la distribución
Lognormal y la de Weibull son las más recomendables a la hora de
tratar la severidad, si bien los datos reales demuestran que, en la
práctica, ninguna distribución simple se ajusta fielmente; de ahí la
necesidad de recurrir a la denominada mixtura de distribuciones. En
lo que respecta a la modelización de la frecuencia, la distribución
de Poisson es la más recurrente, si bien es preciso contemplar alter-
nativas como la distribución Binomial o la Binomial Negativa.
En este trabajo hemos ilustrado las ventajas del binomio LDA-OpVar
en la medición y control del riesgo operacional. Sin embargo, para que
dicha combinación metodológica alcance el nivel de desarrollo de los
modelos de riesgo de crédito y de mercado, aún queda una ardua labor
por realizar en el seno de la industria bancaria y, sobre todo, años de his-
toria.
Bibliografía
ÁLVAREZ, P. (2001): “El Coeficiente de Solvencia de las Entidades de Crédito
Españolas”, Estabilidad Financiera, Nº. 1, pp. 171-191, Banco de España,
Septiembre.
BASEL COMMITTEE ON BANKING SUPERVISION (2001): “Working Paper on the
Regulatory Treatment of Operational Risk”, Nº. 8, Basilea, Septiembre.
—(2002): “Operational Risk Data Collection Exercise 2002”, Basilea, Junio.
—(2003): “Sound Practices for the Management and Supervision of Operational
Risk”, Nº. 96, Basilea, Febrero.
—(2004): “International Convergence of Capital Measurement and Capital
Standards: a Revised Framework”, Nº. 107, Basilea, Junio.
—(2005): “The Treatment of Expected Losses by Banks Using the AMA under
the Basel II Framework”, Nº. 7, Basilea, Noviembre.
—(2006): “Observed Range of Practice in Key Elements of Advanced
Measurement Approaches (AMA)”, Basilea, Octubre.
BAUD, N.; FRACHOT, A. y RONCALLI, T. (2002): Internal Data, External Data and
Consortium Data for Operational Risk Measurement: How to Pool Data
Properly?, Documento de trabajo, Credit Lyonnais.
BÜHLMANN, H. (1970): “Mathematical Methods in Risk Theory”, Grundlehren Der
Mathematischen Wissenschaften, Band 172, Springer-Verlag, Heidelberg.
CARRILLO, S. (2006): Riesgo Operacional: Medición y Control. Jornadas Técnicas

sobre Basilea II, UNIA, Sevilla, Septiembre.
CEA, J.M. (2002): Mitigación del Riesgo Operacional. II Jornadas de Riesgos
Financieros, Risklab, Madrid, Noviembre.
CHAPELLE (2006): Practical methods for measuring and managing operational risk
in the financial sector: A clinical study, Documento de trabajo nº 200611/13,
Ecole de Gestion de l’Univerite de Liege.
CHERNOBAI, A.; RACHEV, S. T. y FABOZZI, F. J. (2005): Composite goodness-of-fit
tests for left-truncated loss samples. Technical Report, University of California,
Santa Barbara.
DA COSTA, N. (2004): Operational Risk with Excel and VBA. John Wiley & Sons.
D’AGOSTINO, R. B. y STEPHENS, M. A. (1986): Goodness-of-fit Techniques. Dekker,
New York.
FERIA, J.M. (2005): El Riesgo de Mercado su Medición y Control. Delta
Publicaciones, Madrid.
FONTNOUVELLE, P.; DEJESUS-RUEFF, V.; ROSENGREN, E. y JORDAN, J. (2003): Using
Loss Data to Quantify Operational Risk. Working Paper. Federal Reserve Bank
of Boston.
FONTNOUVELLE, P.; ROSENGREN, E. y JORDAN, J. (2004): Implications of Alternative
Operational Risk Modeling Techniques. Working Paper. Federal Reserve Bank
of Boston.
FRACHOT, A.; GEORGES, P. y RONCALLI, T. (2001): Loss Distribution Approach for
Operational Risk. Documento de trabajo, Credit Lyonnais.
FRACHOT, A.; MOUDOULAUD, O. y RONCALLI, T. (2003): Loss Distribution Approach
in Practice. Documento de trabajo, Credit Lyonnais.
GARMAN, M. y BLANCO, C. (1998): “Nuevos Avances en la Metodología de Valor en
Riesgo: Conceptos de Verdelta y Verbeta”, Revista Análisis Financiero, nº 75.
GUSTAFSSON, J.; GUILLEN, M.; NIELSEN, J.P. y PRITCHARD, P. (2005): Using external data
in the calculation of operational risk capital requirements with particular reference
to under-reporting. Working Paper, Social Science Research Network (SSRN).
INSTEFJORD, N. y PERRAUDIN, W. (1998): Securities Fraud and Irregularities: Case
Studies and Issues for Senior Management. Operational Risk and Financial
Institutions, pp. 147-158, Arthur Andersen, Risk Books, London.
HOFFMAN, D.G. (1998): New Trends in Operational Risk Measurement and
Management. Operational Risk and Financial Institutions, pp. 29-42, Arthur
Andersen, Risk Books, London.
JORION, P. (1997): Value at Risk: the New Benchmark for Controlling Derivatives
Risk, McGraw-Hill.
KLUGMAN, S.; PANJER, H. y WILLMOT, G. (2004): Loss Models: from Data to
Decisions. 2ª ed. John Wiley & Sons, New York.
MARSHALL, C. y SIEGEL, M. (1997): “Value at Risk: Implementing a Risk
Measurement Standard”, The Journal of Derivatives, volumen 4, nº3, pág. 91-
110.
MIGNOLA, G. y UGOCCIONI, R. (2006): “Sources of uncertainty in modelling opera-

tional risk losses”, Journal of Operational Risk, Volumen 1, Número 2, pág.
33–50.
MOSCADELLI, M. (2004): The Modelling of Operational Risk: Experience with the
Analysis of the Data Collected by the Basel Committee”. Documento de Trabajo
del Banco de Italia.
NIETO, M.A. (2005): “El Tratamiento del Riesgo Operacional en Basilea II”,
Estabilidad Financiera, Nº. 8, pp. 164-185, Mayo.
PANJER, H. (1981): “Recursive evaluation of a family of coumpound distributions”,
Astin Bulletin 12.
—(2006): Operational Risk. Modelling Analytics, John Wiley & Sons.
SCHWARZ, G. (1978): “Estimating the dimension of a model”, Annals of Statistics,
nº 6, 461–464.
VARGAS, F. (2001): “Introducción al Pilar 1 de Basilea II”, Estabilidad Financiera,
Nº. 1, p. 59-92, Septiembre.
RESUMEN
En los últimos años, la industria bancaria ha sufrido importantes pérdidas por fallos operacio-
nales. Consciente de ello, el Comité de Basilea publicó, en 2004, un Nuevo Acuerdo de Capital en
el que instaba a las entidades financieras a medir, controlar y gestionar su Riesgo Operacional. En
este contexto, el concepto de Valor en Riesgo (VaR) vuelve a cobrar importancia, como ya lo hicie-
ra en su día con el riesgo de mercado, conviertiéndose ahora en un elemento crucial para la medi-
ción del riesgo operacional y, por ende, para el cálculo del Capital Económico (CaR).
En este trabajo, abundamos en el concepto de Valor en Riesgo Operacional (OpVaR), así como
en el proceso metodológico para su cálculo, basándonos en el Modelo de Distribución de Pérdidas
Agregada (LDA).
Palabras clave: Acuerdo de Basilea II, Riesgo operacional, Metodologías avanzadas de medi-
ción (AMA), Modelo de distribución de pérdidas agregada (LDA), Valor en riesgo operacional
(OpVaR).
SUMMARY
In the last few years, bank industry has suffered from important losses due to operational failu-
res. Being aware of that, in 2004 the Basel Committee published a New Capital Accord in which
financial institutions were encouraged to measure, control and manage operational risk. In this con-
text, Value at Risk (VaR) turns into essential for market risk measurement, this time applied to ope-
rational risk and, what is more important, for estimating capital requirements (Capital at Risk).
In this paper, we focused on the Operational Value at Risk (OpVaR) measure and the methodo-
logical process for its estimation by using the Aggregate Loss Distribution approach (LDA).
Key words: Basel II Accord, Operational risk, Advanced measurement approaches (AMA),
Aggregate loss distribution (LDA), Operational value at risk (OpVaR).
Reproduced with permission of the copyright owner. Further reproduction prohibited without
permission.

OPvar Como Medida de Riesgo Operacional

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

OPvar Como Medida de Riesgo Operacional

Încărcat de

Drepturi de autor:

Formate disponibile

BOLETIN DE ESTUDIOS ECONOMICOS

Vol. LXIII - N.º 193 - Abril 2008

EL OpVaR COMO MEDIDA DEL RIESGO

José Manuel Feria Domínguez

En los últimos años, las pérdidas operacionales han representado una

El término riesgo operacional abarca eventos de muy diversa natura-

2. La identificación y control del riesgo operacional

Hasta la publicación de la nueva propuesta de requerimientos de capi-

La Gestión del Riesgo Operacional

Aunque el riesgo operacional es inherente a todo tipo de negocios y

La Identificación de la Pérdida Operacional

Un elemento sine qua non en la gestión y control del riesgo opera-

suponen estadísticamente independientes, son modelizadas de manera

Unidad de Riesgo Operacional

Identificación Evaluación Seguimiento Control Reporting

Alta Frecuencia Alta Frecuencia

Baja Frecuencia Baja Frecuencia

Escasez de Datos Internos de Pérdidas

Los datos internos de pérdidas constituyen un elemento crucial en el

Necesidad de datos externos

El Acuerdo de Basilea II, bajo el cumplimiento de una serie de requi-

BASE DE DATOS GESTOR Y OBSERVACIONES

En esta línea, en junio de 2002, el Risk Management Group (RMG)

das. La explicación es sencilla, en la primera se realizan un menor núme-

Tipo de Prácticas Clientes, Interrupción Ejecución,

Interrupción de operaciones y fallos de sistemas

Daños a activos físicos

0% 10% 20% 30% 40% 50%

0% 10% 20% 30% 40% 50% 60% 70%

3. Metodologías de medición del riesgo operacional

La medición es, sin duda, el aspecto más complejo y a la vez más

Metodologías avanzadas – Cuadros de Mando (Scorecards).

Método del indicador básico

Las Metodologías Top-Down

Bajo este anglicismo (Pagett et al., 1999) se engloban el Método del

Las Metodologías Bottom-Up

Las metodologías AMA, más sensibles al riesgo pero a la vez más

Modelo de Distribución de Pérdidas (Loss Distribution Approach, LDA).

La pérdida agregada es el cómputo de un número aleatorio de valo-

Finalmente, el capital regulatorio de la entidad por riesgo operacional

4. El concepto de valor en riesgo operacional: el OpVaR

En la actualidad, el Valor en Riesgo (VaR) constituye un patrón

– Una hipótesis sobre la distribución de la variable analizada. Para el

Probabilidad 95% de probabilidad de

El Valor en Riesgo Operacional (OpVaR)

El concepto de OpVaR surge precisamente de la aplicación del VaR

go operacional (j), dentro de un plazo determinado y con un cierto nivel

MEDIA PERCENTIL 99,9%

Los Parámetros Básicos para la Medición del OpVaR

A continuación, presentamos las principales especificaciones que

modelización interna del riesgo. Pero, en definitiva, la elección de un

5. El modelo de distribución de pérdidas agregada (LDA)

Como hemos referido anteriormente, el Valor en Riesgo Operacional

Paso 1: Modelización de la Severidad (Loss Severity Distribution)

La primera etapa, en el proceso metodológico, consiste en ajustar dis-

cionales en una entidad financiera, donde existirán, a priori, numerosos

Distribución Función de Densidad Parámetros

Los valores específicos de los parámetros de cada distribución suelen

Paso 2: Modelización de la Frecuencia (Loss Frequency Distribution)

La frecuencia, a diferencia de la severidad, es una variable aleatoria

Distribución Función de Probabilidad Parámetros

A priori, cualquier distribución de probabilidad discreta no-negativa

mayor que la media (sobredispersión). Si bien, a efectos meramente