المكاسب:
- القدرة على إنشاء السيناريو الحتمي والمحاكاة العشوائية (مونت كارلو) ومفاهيم اختبار التحمل بدعم من الذكاء الاصطناعي وتفسير النتائج بلغة المخاطر
- القدرة على تصميم سيناريوهات الصدمات مثل التضخم والفائدة والأضرار الكارثية والأوبئة باستخدام الذكاء الاصطناعي وتقدير المسؤولية وتأثير رأس المال
- القدرة على التمييز بين أن السيناريوهات التي ينتجها الذكاء الاصطناعي تستند إلى بيانات تاريخية وأن الحكم الاكتواري يأتي في المقدمة في المخاطر الخلفية والانهيارات الهيكلية.
الاكتوارية هي مهنة التنبؤ بالمستقبل. لكن المستقبل ليس رقما واحدا، بل هو مجموعة من الاحتمالات. ولا يكفي أن نقول "أضرارنا المتوقعة 50 مليوناً"؛ والسؤال الحقيقي هو: "إذا جاءت سنة سيئة، فكم من الملايين ستكلفها، فهل تستطيع الشركة التعامل معها؟" الأدوات التي تجيب على هذا السؤال هي تحليل السيناريو واختبار التحمل. يعد القياس المسبق لتأثير الزلزال أو التضخم المرتفع أو صدمة أسعار الفائدة أو الوباء على التزامات الشركة ورأس المال مطلبًا أساسيًا لكل من إدارة المخاطر الداخلية والتشريعات مثل الملاءة المالية II. في هذه الوحدة، سنغطي السيناريو الحتمي والمحاكاة العشوائية (مونت كارلو) واختبار الإجهاد، ونرى كيفية استخدام الذكاء الاصطناعي في هذه التحليلات.
لنذكرك منذ البداية: السيناريوهات مبنية على بيانات وافتراضات تاريخية. يصمم الذكاء الاصطناعي السيناريوهات، ويكتب كود المحاكاة، ويفسر النتائج؛ ولكن تحديد الصدمات الواقعية، وكيفية التعامل مع المخاطر المتطرفة، وكيفية إدراج الفواصل البنيوية (الأحداث التي لم تحدث قط في الماضي) متروكة للحكم الاكتواري.
السيناريو الحتمي والمحاكاة العشوائية واختبار الإجهاد
ومن المهم التمييز بين ثلاثة مفاهيم. ويتلخص السيناريو الحتمي في اختيار مجموعة واحدة من الافتراضات وحساب النتيجة: "كم ستكون تكلفة مطالباتنا إذا بلغ معدل التضخم 40%؟" بسيطة وواضحة وسهلة التواصل؛ لكنه يظهر فقط طريقة واحدة، وليس احتمالا. تستمد المحاكاة العشوائية (مونت كارلو) توزيعًا احتماليًا للنتيجة من خلال إنشاء آلاف السيناريوهات العشوائية بشكل متكرر. وبالتالي، يتم الحصول على معلومات ذيلية مثل "50 في المتوسط، ولكن 78 مليونًا عند مستوى 99.5 بالمائة". اختبار التحمل هو نوع خاص من السيناريوهات التي تقيس تأثير بعض الأحداث الخطيرة ولكن المعقولة (الزلزال، انهيار السوق)؛ عادة ما يتم تحديدها من قبل الجهة المنظمة.
تعد مونت كارلو واحدة من أقوى الأدوات الاكتوارية. المنطق هو كما يلي: تستخرج قيمًا عشوائية من توزيعات التردد والكثافة وتحسب إجمالي الضرر؛ تكرر ذلك 10.000 مرة؛ يتراكم 10000 ضرر إجمالي محتمل في يدك. ومن هذا التراكم، يمكنك قراءة المتوسطات والنسب المئوية مثل 75 بالمائة و99.5 بالمائة وسيناريوهات أسوأ الحالات. وهذه هي بالضبط الطريقة التي تم بها العثور على مستوى 99.5 في المائة الذي يتطلبه الملاءة المالية الثانية (السنة السيئة التي تحدث مرة واحدة كل 200 عام). يقوم الذكاء الاصطناعي بإنتاج الكود الخاص بهذه المحاكاة بسرعة.
ويقارن الجدول التالي بين الأساليب الثلاثة:
النهج
ما يعطي
نقطة قوية
الحد
السيناريو الحتمي
نتيجة واحدة
بسيطة وسهلة التواصل
لا يعطي الاحتمال
مونت كارلو
التوزيع الاحتمالي
يشير إلى خطر الذيل
يعتمد على الافتراضات والبيانات
اختبار الإجهاد
النتيجة تحت الصدمة
اختبارات المتانة
اختيار الصدمة قضائي
خطر الذيل: المنطقة الأهم والأخطر
في النظرية الاكتوارية، لا يكمن الخطر الحقيقي في الوسط بل في الذيل (منطقة التوزيع المتطرفة ذات الاحتمالية المنخفضة ولكنها عالية التأثير). ما يغرق الشركات ليس سنة عادية، بل حدث نادر ولكنه مدمر: زلزال كبير، والكثير من الأضرار الجسيمة القادمة في نفس الوقت، وصدمة مفاجئة في أسعار الفائدة. لقياس هذه المنطقة، يتم استخدام VaR (القيمة المعرضة للخطر - الحد الأقصى للخسارة عند مستوى ثقة معين) وTVaR/CTE (متوسط الخسارة بعد الذيل). مونت كارلو هي الطريقة الطبيعية لحساب هذه القياسات.
ولكن هناك خطراً آخر يكمن في الذيل: فالبيانات التاريخية لا تمثل الذيل بشكل جيد. الأحداث النادرة، بحكم تعريفها، كانت نادرة في الماضي؛ لذلك يميل النموذج إلى التقليل من شأنها. يتناسب الذكاء الاصطناعي بسهولة مع التوزيع القائم على البيانات التاريخية، لكنه لا يأخذ في الاعتبار تلقائيًا "ماذا لو كان هناك جائحة أو زلزال دام 100 عام لم تشهده هذه المحفظة من قبل؟" إن مهمة الخبير الاكتواري هي تضمين الفواصل الهيكلية، وزيادات الارتباط (كل شيء يزداد سوءًا في نفس الوقت أثناء الأزمة) والاتجاهات مثل تغير المناخ في النموذج.
تنبيه: الجملة "يتعامل نموذجنا مع سيناريوهات بنسبة 99.9 بالمائة" مريحة، ولكن تذكر أن النموذج يتعلم من البيانات التي تجاوزت ذيلها. الحدث الذي لم يحدث أبدًا هو النقطة العمياء حتى لأفضل النماذج. وهنا يأتي دور حكم الخبراء.
كيفية استخدام الذكاء الاصطناعي في السيناريو واختبار الضغط
1) كود محاكاة مونت كارلو:
اكتب محاكاة الضرر المركب لمونت كارلو باستخدام بايثون (مع التعليقات). الافتراضات (أعطيها): عدد الضرر ~ بواسون (لامدا = 1600)، مقدار الضرر ~ جاما (الشكل = ك، المقياس = ثيتا) [سأعطي ك وثيتا]. 1) 10000 مرة: ارسم الكمية، ارسم هذا المبلغ، أضف ما يصل. 2) متوسط إجمالي الأضرار، 75٪، 99٪، 99.5٪ نسب مئوية مطبوعة. 3) احسب وشرح VaR (99.5٪) و TVaR (99.5%). معلمات التركيب؛ سأعطيه. المكتبة: numpy.
2) سيناريو الإجهاد الحتمي:
دورك: مساعد المخاطر. خسارتي الأساسية المتوقعة هي 50 مليون ليرة تركية. قم بإعداد السيناريوهات الحتمية الثلاثة التالية: أ) صدمة التضخم: الشدة +30%. ب) الصدمة الترددية: عدد الأضرار +15%. ج) كلاهما معًا. احسب الضرر المتوقع الجديد في كل سيناريو، واعرض النسبة المئوية للتأثير بناءً على القاعدة وقم بالتعليق على أي منها هو الأكثر أهمية. فقط استخدم الرقم الأساسي الذي أعطيتك إياه.
3) استشارات تصميم السيناريو:
أقوم بتصميم سيناريوهات اختبار التحمل لمحفظة التأمين الصحي. - اقتراح مسودة سيناريو "شديد ولكن معقول" لكل من الوباء والتضخم المرتفع وتكنولوجيا العلاج الجديدة باهظة الثمن والتغيير التنظيمي. - اذكر ما إذا كان كل سيناريو يؤثر على التكرار أو الشدة أو كليهما. - الإشارة إلى المخاطر التي لا يمكن تسجيلها بالبيانات التاريخية. سأتخذ القرار؛ أنت توفر الإطار والمبرر.
4) ترجمة النتيجة إلى إدارة:
نتيجة My Monte Carlo: الضرر المتوقع 50 مليون، VaR(99.5%) 78 مليون، TVaR(99.5%) 89 مليون. اشرح ذلك لمجلس الإدارة في 5 جمل: - ماذا يعني 99.5% وTVaR، بلغة واضحة. - لماذا يعتبر "التخطيط بالمتوسط" غير كافٍ؟ - ما هو الرقم الذي ينبغي عليهم النظر إليه من حيث رأس المال؟
موجه ضعيف / موجه قوي
حث ضعيف:
قم بإجراء اختبار التحمل لمحفظتي.
لا توجد قيمة أساسية، ولا تعريف للصدمة، ولا توزيع. ينتج الذكاء الاصطناعي نصًا عامًا، وليس رقمًا ممكنًا.
مطالبة قوية:
دورك: مساعد المخاطر الاكتوارية. الافتراضات الأساسية (مجهولة): التكرار المتوقع 0.12، متوسط الخطورة 30.000 ليرة تركية، التعرض 20.000 سنة سياسية. الفائدة الفنية هي 4%. المهمة: 1) حساب أساس الخسارة الإجمالية المتوقعة. 2) تطبيق الضغوط التالية وإظهار نسبة تأثير كل منها: - التضخم: الشدة +25% - الشتاء السيئ: التكرار +10% - انخفاض سعر الفائدة: 4% -> 3% (التأثير على القيمة الحالية للالتزام) 3) التعليق على السيناريوهين الأكثر أهمية ولماذا. 4) هل توصي بمونت كارلو للمخاطر الخلفية، لماذا؟ استخدم فقط الأرقام التي قدمتها؛ إذا كان مفقودا، اسأل.
ثلاث حالات صغيرة
الحالة الأولى – خداع المتوسط. قامت إحدى الشركات بتخطيط رأسمالها على أساس الأضرار المتوقعة (50 مليون). وعندما انتهت عملية مونت كارلو، تبين أن مستوى 99.5 في المائة كان 82 مليونًا: في عام سيئ، كانت هناك حاجة إضافية قدرها 32 مليونًا ولن تتمكن الشركة من تلبيتها. تمت مراجعة خطة رأس المال. أجرى الذكاء الاصطناعي محاكاة لـ 10000 سيناريو في ثوانٍ؛ وقام الخبير الاكتواري بتقييم التفسير والتوزيع.
الحالة 2 – عمى الارتباط. يبدو أن تغطية الزلازل وانقطاع الأعمال بشكل منفصل منخفضة المخاطر في المحفظة. لكن الزلزال يثير الأمرين في نفس الوقت؛ النموذج الذي يفترض الاستقلال قلل من تقدير مخاطر الذيل بمقدار النصف. وعندما أضاف الخبير الاكتواري ارتباطا بالسيناريو، زادت الحاجة إلى رأس المال الحقيقي بشكل كبير. الدرس المستفاد: في الأزمات، المخاطر ليست مستقلة؛ سؤال حول قبول الذكاء الاصطناعي المفترض للاستقلال.
الحالة 3 - حدث لم يحدث. بدت محفظة الرعاية الصحية "قوية" للغاية بناءً على بيانات من السنوات العشر الماضية. وعندما وصل الوباء، ارتفعت وتيرة حدوثه وشدته بشكل كبير في وقت واحد؛ لم يتنبأ النموذج بهذا أبدًا لأنه لم يكن هناك شيء مثل ذلك في البيانات. وفي الفترة التالية أضيف سيناريو الوباء الحتمي. أنتجت منظمة العفو الدولية مسودة النص. وقرر الخبير الاكتواري حجم الصدمة. الدرس: قائمة انتظار البيانات التاريخية غير كاملة.
الأخطاء الشائعة
- التخطيط حول المتوسط. إن الذيل، وليس المتوسط، هو الذي يغرق الشركة؛ انظر إلى المقاييس المتطرفة مثل VaR/TVaR.
- على افتراض أن المخاطر مستقلة. خلال الأزمة، تزداد الارتباطات. قبول الاستقلال يخفف الذيل.
- الثقة الكاملة في البيانات التاريخية. الأحداث النادرة والهيكلية غائبة عن البيانات؛ أضف سيناريو مع حكم الخبراء.
- خلط الحتمية والعشوائية. السيناريو الواحد لا يعطي الاحتمالية؛ الاحتمال يتطلب مونت كارلو.
- عرض نتيجة المحاكاة دون التحقق منها. التحقق من النسب المئوية وVaR بشكل مستقل؛ خطأ في المعلمة يشوه التوزيع بأكمله.
نصيحة: قبل تقديم نتائج مونت كارلو، قم بإجراء فحص بسيط للتناسق: هل متوسط المحاكاة قريب من القيمة المتوقعة (التكرار × الشدة × التعرض) التي قمت بحسابها يدويًا؟ إذا لم يكن الأمر كذلك، فهناك خطأ في المعلمة أو الرمز.
في ملخص
المستقبل ليس رقما واحدا، بل مجموعة من الاحتمالات. تُظهر السيناريوهات الحتمية مسارًا واحدًا لـ "ماذا لو"، وتُظهر مونت كارلو التوزيع الكامل ومخاطر الذيل، وتُظهر اختبارات الإجهاد تأثير الأحداث الخطيرة. الخطر الحقيقي يكمن في الذيل، وليس المتوسط، والبيانات التاريخية لا تمثل الذيل بشكل جيد؛ تتطلب زيادة الارتباط والأحداث التي لم تحدث حكمًا اكتواريًا. يصمم الذكاء الاصطناعي السيناريو، وترميز المحاكاة، ويفسر النتيجة؛ لكن اختيار الصدمة، وافتراض الارتباط، والحكم الخلفي، وقرار المخاطر النهائي يقع على عاتق الخبير الاكتواري. تحقق دائمًا من النتائج من خلال فحص بسيط للاتساق.
مهمة التطبيق
قم بتعيين افتراضات أساسية مجهولة المصدر (التكرار، الشدة، التعرض، الاهتمام). اطلب من الذكاء الاصطناعي (أ) تحديد الضرر المتوقع، (ب) 3 سيناريوهات حتمية بما في ذلك صدمات التضخم والتكرار وأسعار الفائدة، (ج) حساب VaR وTVaR (99.5٪) باستخدام محاكاة مونت كارلو. تأكد من أن متوسط المحاكاة قريب من القيمة المتوقعة التي قمت بحسابها يدويًا. ثم ناقش مع الذكاء الاصطناعي كيف أن افتراض أن الضمانتين معتمدتان (مترابطتان) من شأنه أن يغير الذيل.
قائمة مرجعية
- [ ] هل نظرت أيضًا إلى المقاييس الخلفية (VaR، TVaR) بدلاً من المتوسط؟
- [ ] هل راعيت ترابط المخاطر وقت الأزمة؟
- [ ] هل أضفت سيناريوهات هيكلية/نادرة غير موجودة في البيانات التاريخية بناءً على حكم الخبراء؟
- [ ] هل قمت بوعي بالفصل بين النهج الحتمي والعشوائي؟
- [ ] هل قمت بفحص متوسط مونت كارلو يدويًا للتأكد من اتساقه مع القيمة المتوقعة؟
- [ ] هل كتبت مبرر اختيارات السيناريو وحجم الصدمة؟