I februari 2007 beslutade Finansinspektionen att implementera Basel II:s rekommendationer och regleringar som resulterade i införandet av ett kapitalkrav för operativ risk. Internmätningsmetoden är den mest sofistikerade metoden för att beräkna ett kapitalkrav och utgår ifrån faktiska operativa förluster och ämnar att, utifrån dessa, modellera de risker som uppstår i samband med den operativa verksamheten. För att Finansinspektionen ska godkänna en internmätningsmetod kräver de att den inkluderar både intern och extern förlustdata. Vid användande av extern förlustdata är det viktigt att inse att en extern förlust inte är direkt representativ för en annan bank än den där den inträffade. Banker försöker därför ta fram metoder för att kunna skala externa förluster i ett försök att göra dem representativa för sin egen verksamhet. Syftet med denna studie är att utveckla och testa en metod för skalning av extern förlustdata. Teorierna kring skalning bygger idag till stor del på att låta bankspecifika variabler så som omsättning, antal anställda och geografisk placering vara förklarande för storleken av förluster hos olika banker. Med linjär regression är förhoppningen att sedan förstå hur de olika förklarande variablerna påverkar en förlust och därigenom kunna skala förlusterna. Befintliga metoder bygger idag på att göra en regression över en hel databas. Vår metod bygger på att de förklarande variablerna kan få större inverkan och signifikans vid uppdelande av databasen i olika händelsekategorier innan regressionen utförs. För att utvärdera detta använder vi två metoder. Dels den befintliga metoden där regression används över en hel databas och dels vår metod där regression görs inom varje händelsekategori för förluster. Våra resultat visar att olika förklarande variabler har olika stor inverkan inom olika händelsekategorier och därför inte bör inkluderas i en generell modell för skalning. Efter skalning enligt den gamla metoden och vår nya metod är skillnaderna för medelvärdesförluster inom olika händelsekategorier stora. Vår slutsats är att den nya metoden på ett rimligare sätt kan modellera operativa förluster då den endast inkluderar signifikanta variabler för vardera händelsekategorin. Dock har den nya metoden problem med uttunning av datapunkter inom händelsekategorierna. Detta skulle kunna hanteras genom att kombinera metoden med scenarioanalys eller att falla tillbaka på den gamla metoden för de händelsekategorier som inte ger robusta resultat. / In February 2007 Finansinspektionen decided to implement the Basel II regulatory requirements resulting in a capital requirement for operational losses. The Advanced Measurement Approach (AMA) is the most sophisticated method for capital requirement calculations and it is based upon actual operational losses from which it models the risks associated with a bank’s possible operational errors. To get approval from Finansinspektionen to use an AMA method it is required to incorporate both internal and external loss data in the model. When using external data it is important to be aware of that an operational loss is only representative for the bank where it occurred. Based on this, banks are in need of methods to scale external losses to make them more representative for their own environments. The purpose of this paper is to develop and evaluate a method for scaling of external loss data. Today the theories of scaling are based upon the idea to let bank specific variables, such as revenue, number of employees and geographical region be explanatory for the size of operational losses within banks. With linear regression it is possible to estimate how much these explanatory variables effects a loss and then use the results to scale external losses. Today’s theories are designed and used to perform the regression over the whole dataset. Our method is based on the idea that the explanatory variables will have a greater impact and significance if the dataset is divided into different risk types before the regression is performed. To evaluate our approach we perform a test simulation on both the old method, where the regression is performed over the whole dataset and the new method where one regression is performed for each risk type. Our results show that different explanatory variables have different impact for different risk types and therefore should not always be included in an overall method for scaling. After scaling of the losses with both the old and our new method, we notice that the results for average loss size differ a lot within the different risk types. Our conclusion is that the new method is able to scale external losses in a more reasonable and accurate way since it only includes significant variables for each risk type. But, the new method has a problem with lacking of data points within the risk types. This could be handled by combining the method with scenario analysis or using the old method for the risk types that does not generate robust results.