矩估计法是一种常用的简单有效的参数估计方法.矩估计法是用样本矩及满足样本矩的函数估计对应总体矩的一种方法,这种方法对总体分布的类型没有要求.在矩估计法的基础上,Hansen提出了对过度识别检验同样有效的广义矩估计法.这种方法要求待估计的参数满足一些矩条件即可,是经典矩估计方法的拓展.虽然广义矩估计法有诸多优点,不过与经典矩估计法类似,广义矩估计法适用于大样本情形.当样本数据较少时,广义矩估计法已经不能对参数进行有效的估计,此时可以使用改进的基于模拟的广义矩估计方法对参数进行估计.理论表明,在一定条件下,模拟广义矩估计量具有一致性和渐近正态性.模拟广义矩估计法能够解决数据不足导致的估计量有误差这一问题.操作风险损失事件的发生,给金融业带来很大的隐患.一般情况下,虽然操作风险损失事件发生频率较低,但带来的损失却很大,即操作风险具有“低频率高损失”特性.而操作风险损失事件的数据较少,各类操作风险的损失分布函数又不尽相同,很难直接用常见的分布函数对操作风险损失的联合分布函数进行拟合.Efron提出的Bootstrap重复抽样法为解决操作风险数据不足问题提供了帮助.使用Bootstrap重复抽样法抽取原始数据,作为新的样本数据,然后根据需要对新得到的样本数据进行处理和分析研究.Copula函数的出现和使用,解决了操作风险损失的联合分布函数拟合问题.在分析操作风险损失的联合分布函数时,可以选取各种合适的Copula函数及边缘分布函数,构建所需要的各种各样的联合分布函数.在使用Copula函数构造联合分布函数时,需要估计Copula函数的参数,此时可以根据模拟广义矩估计方法估计参数.在估计出Copula函数的参数后,利用蒙特卡罗模拟法计算操作风险的损失.实证分析表明,模拟广义矩估计法可以有效地估计Copula函数的参数;不考虑各类操作风险之间的相关性,仅仅通过简单加总各类操作风险的损失作为总损失估计操作风险,会高估风险;运用Copula函数估计操作风险的损失是有效的.