Analysis of an aggregate loss model in a Markov renewal regime

Abstract

In this article we consider an aggregate loss model with dependent losses. The loss occurrence process is governed by a two-state Markovian arrival process ( MAP 2 ), a Markov renewal process that allows for (1) correlated inter-loss times, (2) non-exponentially distributed inter-loss times and, (3) overdisperse loss counts. Some quantities of interest to measure persistence in the loss occurrence process are obtained. Given a real OpRisk database, the aggregate loss model is estimated by fitting separately the inter-loss times and severities. The MAP 2 is estimated via direct maximization of the likelihood function, and severities are modeled by the heavy-tailed, double-Pareto Lognormal distribution. In comparison with the fit provided by the Poisson process, the results point out that taking into account the dependence and overdispersion in the inter-loss times distribution leads to higher capital charges.

Medición del riesgo operacional para entidades promotoras de salud en tiempos de la Covid-19

“…Los resultados muestran como potenciales factores de riesgo: prácticas inadecuadas relacionadas con clientes, productos y servicios, fraudes externos, mala seguridad del lugar de trabajo y demandas laborales. Por otro lado, Ramírez, et al (2021) consideran un modelo de pérdida agregada con pérdidas dependientes, donde a partir de una base de datos reales de riesgo operacional y a través de procesos de Markov, el modelo de pérdida agregada se ajusta por máxima verosimilitud y la severidad mediante la distribución lognormal Pareto con dos colas pesadas. Los resultados muestran que al considerar la dependencia y la sobredispersión en la distribución de tiempos entre pérdidas se generaran mayores cargas de capital.…”