「グループリスク」という用語は、ストレステストに関する FSA 文書 08/24 で、企業が他のグループ企業で発生した事象 (財務的または非財務的) またはグループ全体に影響を及ぼす事象によって悪影響を受けるリスクとして定義されています。これらのリスクは、次の原因で発生する可能性があります。
- 評判の伝染、
- 金融伝染、
- 活用、
- ダブルギアまたはマルチギア、
- 集中と大規模な暴露（特にグループ内）。
したがって、保険業界はグループとしてみなされ、グループ内の別の会社が損失や評判の問題を抱えているという理由だけで、ある会社が損害を被る可能性があります。
FSA の声明では、グループリスクのいくつかの要素を次のように特定しています。
- グループ内エクスポージャー（アウトソーシングやサービス契約による信用または業務上のエクスポージャー、およびより標準的なビジネスエクスポージャー）
- 集中リスク（信用リスク、市場リスク、保険リスクにより、複数の事業体の資本資源に同時に負担がかかる可能性がある）
- 伝染（評判の失墜、業務上または財務上の圧力）
- 複雑なグループ構造（依存関係、責任と説明責任の複雑な分割を含む）。
したがって、選択肢「a」が正解であり、残りの選択肢は誤りです。

市場リスク資本に対する基本的な VaR ベースの賦課に関する現在のバーゼル規則では、市場リスク資本要件を次の 2 つの金額の最大値に設定しています。
1. 99%/10 日 VaR、
2. 規制乗数 x 過去60日間の平均99%/10日間VaR
「規制乗数」は、バックテストによって決定された過去 250 日間の 1% VaR 超過数に基づいて計算される 3 から 4 までの数値です。
- 超過数が 4 以下の場合、規制乗数は 3 になります。
- 超過数が 5 ～ 9 の場合、乗数 = 3 + 0.2*(N-4) となります。ここで、N は超過数です。
- 超過数が 10 以上の場合、乗数は 4 になります。
したがって、ほとんどの通常の状況では、リスク資本要件は乗数と過去 60 日間の平均 VaR によって決定されることがわかります。これは、これら 2 つの積が現在の 99% VaR よりも大きくなることがほとんどだからです。
したがって、正解は = max(200mm, 3*250mm) = $750mm です。
興味深いことに、統計的には 99% VaR は 1%*250 日 = 2.5 回超過するはずであることにも注意してください。つまり、銀行の VaR モデルが正常に機能している場合でも、reg 乗数として 3 を使用する必要があるということです。

信用リスクとは、借り手が貸付金を返済しなくなるリスクです。一方、カウンターパーティ リスクとは、デリバティブ取引の相手方が、取引がインザマネーの時点で支払いができなくなるリスクです。
したがって、信用リスクは銀行勘定に関係し、取引相手リスクはトレーディング勘定に関係します。
信用リスクとカウンターパーティ リスクの違いは、カウンターパーティ リスクの場合、リスク額が基礎となるデリバティブの価値に応じて変動することです。カウンターパーティ リスクは通常ゼロから始まります。ほとんどのスワップやその他のデリバティブは、開始時にほぼゼロの価値です。時間が経つにつれて、基礎となる商品の価格が変動し、一方の当事者が他方の当事者に金銭を負うことになります。金銭を負っている当事者の財務状況が悪化すると、他方の当事者に損失が生じ、カウンターパーティ リスクが発生します。
カウンターパーティリスクは、株式貸借取引やレポ取引からも発生する可能性があります。
一方、信用リスクは、借り手、またはローンを借りた、または当座貸越やその他の信用枠を持つ銀行の顧客による債務不履行の従来のリスクです。
したがって、信用リスクと取引相手リスクは異なるため、ステートメント I は誤りです。
ステートメント II は、カウンターパーティ リスクは、カウンターパーティとの取引が最終的にインザマネーとなり、カウンターパーティがデフォルトした場合にのみ発生するという意味で「偶発的」であるため、正しいです。
ステートメント III は誤りです。このステートメントは信用リスクについて説明しています。
ステートメント IV は、エクスポージャーが貸付金に対するものであるため、正しくありません。将来のデリバティブ エクスポージャーは予測が難しく、原資産の価値が変化すると、負債から支払期日へと変わることもあります。

運用リスクのモデリングでは、頻度分布と重大度分布の両方をモデル化する必要があります。重大度をモデル化するには、対数正規分布などの分析分布を見つけ、既知のデータ (内部損失データベース、外部損失データベース、シナリオ データなど) によって最もよく表される分布を近似する必要があります。「リスク関数」は、リスクの実際の重大度分布からのモデル分布の偏差の尺度です。KS 距離 (コルモゴロフ-スミルノフ距離) などの統計的尺度を使用して、偏差にペナルティ値を割り当てます。
適切な分布を見つける問題は、リスク関数を最適化する問題になります。たとえば、F がモデル分布、G が実際のまたは経験的な重大度分布で、KS テストを使用している場合、リスク関数 R は次のように定義されます。
関数の図 中程度の信頼性で自動的に生成された説明

supx は「supremum」の略で、より専門的な言い方で「最大」を意味します。言い換えると、2 つの分布間の最大絶対 KS 距離を計算しています。(KS 距離は、2 つの分布の CDF を使用して、2 つの分布の同一パーセンタイル間の距離の最大値であることに注意してください。) リスク関数が特定されると、それを最小化して、重大度に最も適合する分布を決定できます。

最終的に、運用リスクの重大度推定演習の目的は、1 年間の 99.9 パーセンタイル損失を計算することです。データ、損失情報の収集、モデリング、曲線フィッティングなど、その他のすべての作業はこの目的を中心に行われます。99.9 パーセンタイル損失を正確に推定できない場合、他のことはあまり重要ではありません。したがって、選択肢「a」が正解です。
フィッティングと近似誤差の組み合わせを最小限に抑えることは、運用上の損失分布をより正確に推定するために私たちが行っていることの 1 つです。同様に、企業は従業員にしきい値未満の損失を記録することを要求しておらず、高額の損失は通常まれであるため、経験的損失データは一般に範囲が限定されています。この問題は、大規模な損失と小規模な損失の両方を外挿することで対処されますが、これはモデルのパフォーマンスに影響します。同様に、シナリオ分析の目的の 1 つは、妥当なシナリオを生成することでデータのギャップを埋めることです。これらはすべて対処すべき実際の問題ですが、私たちが解決しようとしている主な問題は、0.999 番目の四分位数を推定することです。