GBT 27921风控管理

GBT 27921风控管理
仅供个人学习
反馈
标准编号:GBT 27921
文件类型:.pdf
资源大小:3.3M
标准类别:其他标准
资源ID:202613
下载资源

GBT 27921标准规范下载简介

GBT 27921风控管理

输人包括: 相关初始事项清单; 关于应对、障碍和控制及其失效概率的信息; 了解最初故障加则的讨程,

B.20.6优点及局限

分析(Cause and consequenceanalysis,简称CCA)综合了故障树分析和3

图B.5说明了典型的因果分析过程

DBJT 15-169-2019 装配式市政桥梁工程技术规范图B.5固果分析示例

B.21.6优点及局网

B.22根原固分析(RCA

重大损失的再次发生,对重大损失进行的分析通常称作根原因分析(R0 成者损失分析(Lossanalysis)。RCA试图识别事故的根本或最初原因,而 面症状”

RCA的输出结果包括: 记录收集的数据及证据; 分析假设; 归纳有关最有可能造成故障或损失的原因 纠正行为的建议

RCA的输出结果包括: 记录收集的数据及证据; 分析假设; 归纳有关最有可能造成故障或损失的原因; 纠正行为的建议

B.22.6优点及易盟

不确定性结果,决策树(Decision tree)以序列方式表示决策的选择和结果

B.23.6优点及局圈

对于风险的原因和结果以及可能预防风险的障碍及控制措施的认识。 24.4过程 操形图的实施步骤如下: 识别需要分析的具体风险,并将其作为操形图的中心结; 列出造成结果的原因; 识别由风险源到事故的传导机制; 在蝶形图左手侧的每个原因与结果之闻划线,识别那些可能造成风险升级的因素并将这些因 索纳入图表中; 如果某些因索可有效控制风险原因的升级,用条形框列出这些“控制措施”; 在蝶形图右侧,识别风险不同的潜在结果,并以风险为中心向各潜在结果处绘制出放射状 线条: 如果某些因素可有效控制风险结果的升级,用条形框列出这些“控制措施”, 支持控制的营理职能(如培训和检充)应表示在蝶形图中,并与各自对应的控制措施相联系。 在路径独立、结果的可能性已知的情况下,可以对媒形图进行一定程度的量化,同时可以估算出控 效果的具体数字。然而,在很多情况下,路径和障碍并不独立,控制措施可能是程序性的,因此结果并 清晰。更合适的做法是运用FTA及ETA进行定量分析。

输出结果起 的故障路径以及预防或减缓不良结果或者刺激及促进其 望结果的现有障碍。一个燃形图示例如图及6所示

24.6优点及局限 媒形图分析的优点: 用图形流听表示问题,便于理解

图B.6不良结果的端形图

在进行社会、经济以及科学领域间题的系统分析中,常 成的复杂面往往缺少定量数据的系统,层次分析法(Analytichierarchyprocess,简称AHP)为这类间 题的决策和排序提供了一种新的、简洁雨实用的建模方法,它特别适用于那些难于完全定量分析的 问题

层次分析法以其系统性、灵活性、实用性等特点特别适合于多目标、多层次、多因索的复杂系统的 策,在目标因索结构复杂且缺乏必要数据的情况下使用更为方便,同时它也被广泛应用于社会、经济、有 技、规划等很多领城的评价、决策、预测、规划等, B.25.3输入 对任意两因索的相对重要性进行比较判断,给予量化。为保证输人的比较值真实可信,通常可以月 德尔菲法、头脑风录法等进行操作。 B.25.4过程 运用层次分析法建模,大体上可按下面四个步骤进行: 建立递阶层次结构模型; 构造出各层次中的所有判断矩阵; 层次单排序及一致性检验 层次总排序及一致性检验。 其中后二个步募在整个过程中雷要逐层地进行。 B.25.5输出 各种方案相对于总目标的重要排序。 B.25.6优点及局限 AHP法较好地体现了系统工程学定性与定量分析相结合的思想,在决策过程中,决策者直接参工 决策过程,并且其定性思维过程被数学化、模型化,而且还有助于保持思维过程的一致性。 层次分析法的局限性,主要表现在: 很大程度上依赖于人们的经验,主观因素的影响很大,它至多只能排除思维过程中的严重非 致性,却无法排除决策者个人可能存在的严重片面性 比较、判断过程较为粗糙,不能用于精度要求较高的决策问题。

B.26在险值法(VaF

式中: 资产组合的预期价值

B.26.6优点及局图

VaR法的优点包括: 过程简单,结果简洁,非专业背景的投资者和管理者也可以通过VaR值对风险进行评判; 可以事前计算风险,不像以往风险管理的方法都是在事后衡量风险大小; 不仅能计算单个金融工具的风险,还能计算由多个金融工具组成的投资组合风险。 局限包括: 过分依赖统计数据和模型,当统计数据不足时难以支持可信赖的VaR模型,比如一次性投资 决策的数据; VaR方法衡量的主要是市场风险,如单纯依靠VaR方法,可能会忽视其他风险; VaR值表明的是一定置信度内的最大损失,但并不能排除高于VaR的损失发生的可能性; VaR值摘述的是正常的市场条件下的情景。在极端情景下,VaR可能就会失去作用。因此, 在使用VaR值时,要结合其他的方法去进一步考虑这些极端的情形,例如使用情景分析和压 力测试的分析方法,

该方法常用于实际的证券投资和资产组合决策

预期收益率及各项目的风险概率

投资理论和投资实践的主流方法: 该模型的局限在于没有考虑到收益的非正态分布,而多数实证研究表明证券收益率不一定服从工 态分布:另一方面该方法计算复杂,特别是运用于多个项目的投资组合间题时,这种计算量更为虑大。

3.28资本资产定价模型

资本资产定价模型(Capitalassetpricingmodel,简称CAPM),是在投资组合理论和资本市场理论 基础上形成发展起来的,主要研究证券市场中资产的预期收益率与风险资产之间的关系,以及均衡价格 是如何形成的,该模型运用一般均衡模型刻划所有投资者的集体行为,揭示在均衡情况下证券风险与 收益之间关系的经济本质。日前,资本资产定价模型被公认为是金融市场现代价格理论的主干,使丰富 的金融统计数据可以得到系统而有效的利用。此模型亦披广泛用于实证研究并因而成为不同领域中决

资本资产定价模型(Capitalassetpricingmodel,简称CAPM),是在投资组合理论和资本市场理论 基础上形成发展起来的,主要研究证券市场中资产的预期收益率与风险资产之间的关系,以及均衡价格 是如何形成的,该模型运用一般均衡模型刻划所有投资者的集体行为,揭示在均衡情况下证券风险与 收益之间关系的经济本质。日前,资本资产定价模型被公认为是金融市场现代价格理论的主干,使丰高 的金融统计数据可以得到系统而有效的利用。此模型亦披广泛用于实证研究并因而成为不同领域中决

策的重要基础。 该理论的前提假设包括以下几点:市场是均衡的,并不存在摩擦;市场参与者都是理性的;不存在交 易费用税收不影响资产的选择和交易;投资总风险可以用方差或标准差表示,系统风险可用β系数表 示;非系统性风险可通过多元化投资分散掉,不发挥作用,只有系统性风险发挥作用。 B.28.2用途 CAPM理论广泛应用于投资决策及公司理财领域,一般用于评估已经上市的不同证券价格的合理 性;帮助确定准备上市证券的价格;能够估计各种宏观和宏观经济变化对证券价格的影明。 B.28.3输入 输入数据主要包括预期国报率和无风险利率等相关信息,以及当前市场背景的宽泛描述。 B.28.4过程 资本资产定价理论认为,一项投资所要求的必要报酬率取决于以下3个因素: 无风险报酬率,即将国债投资(或银行存款)视为无风险投资; b) 市场平均报酬率,即整个市场的平均报酬率,如果一项投资所承担的风险与市场平均风险程 度相同,该项报酬率与整个市场平均报酬率相同; c) 投资组合的系统风险系数即β系数,是某一投资组合的风险程度与市场证券组合的风险程度 之比。 CAPM见式(B.5); E(R,) =Rr + (R R:>β (B.5 ) E(R)表示投资组合i的期望收益率,R是无风险资产的报酬率,R。是市场均衡组合的报酬率, β是投资组合i的β系数。β越大,系统性风险越高,要求的报酬率越高;反之,β越小,要求的报酬率 越低。 CAPM是通过比较一项资本投资的回报率与投资于整个股票市场的回报率,来衡量该投资的风险 贴水。如果该资产是股票,其β通常可以用统计数据估算出来。但当资产是一家新工厂时,确立β比较 围难。许多公司因此利用公司的资本成本作为正常的贴现率,公司资本成本是公司股票的预期回报率 (取决于该股票的和它偿付债务的利息率的加权平均数。只要有关的资本投资对整个公司是有代表 性的,这一方法可以使用。 B.28.5输出 CAPM模型说明了单个证券投资组合的期望受益率与相对风险程度间的关系。 B.28.6优点及局限 CAPM模型是金融是市场价格理论的经典模型,作为第一个不确定性条件下的资产定价的均衡模 型,具有重大的历史意义。由于股票等资本资产未来收益的不确定性,CAPM的实质是讨论资本风险

CAPM模型说明了单个证券投贤组合的期望受益率与相对风险程度间的关系, B.28.6优点及局限 CAPM模型是金融是市场价格理论的经典模型,作为第一个不确定性条件下的资产定价的均衡模 型,具有重大的历史意义。由于股票等资本资产未来收益的不确定性,CAPM的实质是讨论资本风险 与收益的关系。该模型合理简明的表达了这一关系,即:高风险伴随着高收益。 CAPM模型由于其严格的理论假设和对现实环境的高度抽象,影响和限制了其应用范围和效果。

FN曲线(FNCurves)表示的是人群中有N个或更多的人受到影响的累积频率(F),FN曲线最初

曲线(FNCurves)表示的是人群中有N个或更多的人受到影响的累积频

GB/T 279212011

FN曲线可用于系统或过程设计,或是用于现有系统的管理。 FN曲线是表示风险分析结果的一种手段,很多风险都具有轻微结果高概率或是严重后果低概率 的特点,FN曲线用区坡块来表示风险,面不是用表示后果和概率组成的单点表示风险。FN曲线可用 来比较风险,例如将风险与FN曲线规定的标准相比,或是将风险与历史数据相比,或是与决策准则 相比。 B.29.3翰入 所需输入数据是: 特定时期内成套的可能性/后果对; 定量风险分析的数据结果,估算出一定数量伤亡的可能性; 历史记录及定量风险分析中得出的数据

作为纵坐标。由于数催范围大,两个轴通常都离不开对数比例尺。 FN曲线可以使用过去损失的“真实”数字进行统计上建构,或者通过模拟模型进行计算。使用的 籍及假定 曲线对于系统设计非常有用,面统计FN曲线对现有的特定系统的管理非常有用。 两种归纳法可能会很耗时,因此,将两种方法综合运用较为常见。接着,实证数据将形成已准确掌 屋的伤亡人数(在规定时间范圈内已知事故/事项中发生的伤亡人数),以及通过外播法或内插法提供其 观点的定量风险分析。对于低频率事故的分析工作,需要收集较长时间跨度范围内的数据。 29.5输出

可与现有风险决策准则进行比较的一个风险区域

FN曲线是一种有效措述风险信息的手段,能以便于理解的形式来表示频率及后果信息,管理人 员和系统设计师可通过FN曲线,更有效地做出风险及安全水平方面的决策, FN曲线适用于具有充分数据且背景类似的情况下的风险比较。 FN曲线的局限性是,它们无法说明影响范围或事项结果,而只能说明受影响人数,并且无法识别 引发伤害发生的方式。FN曲线并不是风险评估方法,而是一种表示风险评估结果的方法。作为一种 表示风险评估结果的明确方法,它们需要那些熟练的分析师进行准备,经常很难为专家以外的人士所理 解和使用。

元关,则称这种无后效性 的状态转移过程为马尔可夫过程

GB/T 27921201F

马尔可夫分析(Markov 通常用来分析那些存在时序关系的各类状况的发生抵率。该方法可用 于生产现场危险状态、市场变化情况的预测,但是不适宜于系统的中长期预测。 通过运用更高层次的马 尔可夫链,这种方法可拓展到更复杂的系统中。类似于Petri网分析,马尔可夫分析也能监督并观察系 状态,但是两者存在差异,因为前者能同时处于多重状态下, 马尔可夫分析是 页定量技术,可以是不连续的利用状态间变化的概率)或者连续的(利用各状态 依存于计算机程序

两尔可夫分析技术可用于客种系统结构(无论是否需要维够),包括 串联系统中相互独立的部件: 并联系统中相互独立的部件, 负荷分载系统; 备用系统,包括发生转换故障的情况; 一降级系统, 马尔可夫分析技术也可以用于计算设备可用度,包括考虑需要维修的备件

马尔可夫分析的关键输人数据如下所示: 系统、子系统或组件可能处于的各种状况的清单,例如,全运行、部分运行(降级状况》以及故障 状况等; 状态的可能转移,例如,如果是汽车轮胎故障,那就要考虑备胎的状况,还要考虑检查频率; 某种状况到另一种状况的变化率,通常由不连续事项之间的变化概率来表示,或者建续事项的 故障率(入)及/或维修率(μ)来表示。

马尔可夫分析的关键输人数据如下所示: 系统、子系统或组件可能处于的各种状况的清单,例如,全运行、部分运行(降级状况》以及故障 状况等; 状态的可能转移,例如,如果是汽车轮胎故降,那就要考虑备胎的状况,还要考虑检查频率; 某种状况到另一种状况的变化率,通常由不连续事项之间的变化概率来表示,或者连续事项的 放障率(入)及/或维修率(p)来表示

概率的状态 间的转移。随机转移概率矩阵可用来描述状态间的转移,以便计算各种输出结果。 别界定为状态S1、状态S2以及状态S3。每天,系统都会存在于这三种状态中的某一种。表B.4说明 了系统明天处于状态Si的概率(i可以是1、2或3)。 表B.4马尔可夫矩陈

今天状态 S1 S2 S3 S1 0, 95 0.3 0. 2 明天状态 S2 0. 04 0. 65 0. 6 S3 0. 01 0. 05 0. 2

可夫图来表示,见图B.7.其中,围圈代表状态,筛头代表相应概率的转秘

图B.7系统马尔可夫图

从某个状态返回自身的箭头通常并不绘出,但是为了完整性也显示在图B.7所示的例子中。 P.代表累统处于状态i(i可以是1、2或3)的概率,那么需要解决的联立方程包括: P: ~0. 95P; + 0. 30P, + 0, 20P, P; a=0. 04P; + 0. 65P + .0, 60P, (l) P, 0,01P 0, 05P,+0. 20P, 这3个方程并非独立的,无法解出3个未知数。因此、下列方程必须使用,面上述方程中有一个方 程可以弃用。 1 = P, + P, + P, .( iv ) 状态1、2和3的答案分别是0.85.0.13和0.02。该系统只在85%的时间里能充分发挥功效,13% 的时间内处于降级状态,面2%的时间存在故障。 再来考虑平行运行的两个组件。其中,系统要发挥功能,其中一组件必须正常运行。这些组件可能 是正常或故障的,系统的可用性依赖于组件的整体状态。 状态可以视为: 状态1:两个项目能发挥正常功能; 状态2:一个项目已出现故障并正在进行维修,而另一个项目运行正常; 状态3:两个项目都已出现故障且都在进行维修。 如果假设各项的故障率为入,维修率为,那么状态转移图如图B.8所示:

注意,从状态1到状态2的转移为2入,因为这两项中任一项的故障都会使*统进人状态2。 设定P,(t)为t时*统处于初始状态i的概率: 设定P.(t+8t)为1+&时**处于最终状态的概率

转移概率矩阵就变成表B.5的纳果

转移概率矩阵就变成表B.5的结果

B.30.6优点及局愿

表B.5最终马尔可夫矩陶

麦B.5最终马尔可夫短防

蒙特卡罗模拟通常用来评估各种可能结果的分布及值的频率,如成本、周期、吞吐量、需求及类似 的定量指标,其应用范围包括财务预测、投资效益、项目成本及进度预测、业务过程中断、人员需求等领 诚的风险评估, 蒙特卡罗模拟法可以用于两种不同用途: 传统解析模型的不确定性的分布; 解析技术不能解决间题时进行耗率计算,

进行蒙特卡罗模拟分析时,需要构建一个可以很好地描述*统特性的模型。模型中各变量的输 收据需要依据其分布随机产生,为此,均勾分布、三角分布、正态分布和对数正态分布经常被使用。

过程如下: 确定尽可能准确代表所研究*统特性的模型或算法; 用随机数将模型运行多次,产生模型(*统模拟)输出。模型以方程式的形式提供输入参数与 输出之间的关*; 在每一种情况下,计算机以不同的输人运行模型多次并产生多种输出。这些输出可以用传统 的统计方法进行处理,以提供均值、方差和置信区闻等信息 下面给出一个模拟例子。两组设备平行运行,而*统的正常运行只需婴一个设备即可。第一个项 的可靠性为0.9,而另一个项目的可靠性为0.8。现求整个*统的可靠性。 可以构建如表B.6所示的电子表格

随机数生成器生成了0到1之间的数字,用来与各项的概率进行比较,以便确定*统是否正常运 行。仅凭10次运行,0.9这个结果不会成为准确的结果。常见的方法是在计算器内建模,当模拟程度 达到了所需精度时,再比较总结果。在这个例子中,经过20000次送代,我们就得出了0.9799这个结

通过拓展模型本身(例如,只有在首项出现故障的情况下,才考虑第二项); 当概率无法准确确定时,通过改变某个变量的固定概拓展(三角分布是个很好的例子); 使用故障率外加一个随机函数生成器去推导出故障时间(指数分布、Weibull分布或其他合适 的分布)并建立维修时间:

输出结果可能是单个数值,例如上例确定的单个数值;它也可能是表述为概率或频率分布的结果, 一般来说,蒙特卡罗模拟可用来评估可能出现的结果的整体分布,或是以下分布的关键测评: 期望结果出现的概率; 在某个置信概率下的结果值。 对输人数据与输出结果之间关*的分析可以说明目前正发挥作用的因素的相对重要性,同时可识 别那些置在减少结果不确定性的工作的有用目标

B.31.6优点及局限

32贝叶斯统计及贝叶斯固络

B.32贝叶斯统计及贝叶斯网络

机变量。如果将贝叶斯概率视为某个人对某个事项的信任程度,那么贝叶斯概率就更易于理解了,相 比之下,古典概率取决于客观证据。由于贝叶斯方法是基于对概率的主观解释,因此它为决策思维和建 立贝叶斯网络(信念网、信念网络及贝叶斯网络)提供了现成的依据。 贝叶斯网络是基于概率推理的数学模型,它是基于概率推理的图形化网络,使用图形模式来表示一 *列变量及其概率关*,网络中节点表示随机变量的,节点间的结有向边代表了节点间的互相关*,这 型母节点是一个直接影响另一个(子节点》的变量,用条件概率进行表达关*强度,没有父节点的用先验 概率进行信息表达。贝叶斯网络对于解决复杂*统中不确定性和关联性引起的敏障有较大优势,由此 在多个领域中获得广泛应用

近年来,归功于目前越来越多现成的软件计算工其,贝叶期理 叶斯网已用于各种领域:医学诊断、图像仿真、基因学、语音识别、经济学、外层空间探索,以及今天使用 的强大的网络搜索引擎,对于任何需要利用结构关*和数据来了解末未知变量的领域,它们都被证明行 之有效。贝叶斯网可以用来认识固果关*,以便了解间题域并预测干预措施的结果

近年来,归功于自前越来越多 成的软件计算工其,贝叶期 非常普及。 叶斯网已用于各种领城:医学诊断、图像仿真、基因学、语音识别、经济学、外层空间探索,以及今天使用 的强大的网络搜索引擎,对于任何需要利用结构关*和数据来了解末知变量的领域,它们都被证明行 之有效。贝叶斯网可以用来认识因果关*,以便了解问题域并预测干预措施的结果

界定*统变量 界定变量间的固果联*; 确定条件及先验变量; 增加证据; 进行借念更新; 获取后验信念。

分析下列贝叶斯网络(图B.9)

图B.9贝叶斯网络样率

借助于确定的先验概率,计算结C、结D的条件概率,见表B. 负值

的先验概率,计算结C、结D的条件概率,见表B.7~表B9。其中Y表示

表B.7结A与结B的先验概率

GB/T 279212011

表B.8在明确结A与结B的情况下,结C的条件概率

B.9在明确结A与结B的情况下,结D的条件概激

确定P(AID=N,C=Y)的后验概率,首先要计算出P(A,BID=N,C= 使用贝叶斯规则,可以确定P(DIA,C)P(CIA,B)P(A)P(B)T/CECS579-2019 装配整体式钢筋焊接网叠合混凝土结构技术规程及条文说明,如表B,10所示。同时,最后一栏表

表B.10在明确结C与结D的情况下,结A与结B的后验概率

要得出P(AID=N,C=Y),B的所有值必须求和

表 B.11 在明确结 D 与 C 的情况下,结 A 的后验极

0.12,此变化较小。同理,通过计算可 以得知,P(B=N/D=N,C=Y)已由0.4增加到0.56,这个变化更明

贝叶斯方法与传统统计方法有着相同的应用范图 T/CECS10116-2021 湿气固化型缓粘结预应力筋用粘合剂.pdf,例如得出点估算结果 的数据分析以及置信区间。贝叶斯方法最近期为流行,而这与可以产生后验分布的贝叶斯网络密不可 分。图形结果提供了一种便于理解的模式,可以轻松修正数据来分析参数的相关性及敏感性

贝叶斯方法与传统统计方法有着相同的应用范围,并会产 的数据分析以及置信区间。贝叶斯方法最近额为流行,而这与可以产生后验分布的贝叶斯网络密不可 分。图形结果提供了一种便于理解的模式,可以轻松修正数据来分析参数的相关性及敏感性,

贝叶斯统计及贝叶斯网络的优点包括: 仅需有关先验的知识; 推导式证明易于理解; 确应考虑贝叶斯规则; 它提供了一种利用客观信念解决间题的机制。 高限包括: 对于复杂*统,确定贝叶斯网中所有节点之间的相互作用是相当困难的; 贝叶斯方法需要众多的条件概率知识,这通常需要专家判断提供。软件工具只能基于这些假 定米提供答案

©版权声明
相关文章