Κέρδη:
- Ικανότητα δημιουργίας ντετερμινιστικού σεναρίου, στοχαστικής προσομοίωσης (Monte Carlo) και προσομοίωσης ακραίων καταστάσεων με την υποστήριξη της τεχνητής νοημοσύνης και ερμηνείας των αποτελεσμάτων στη γλώσσα κινδύνου
- Δυνατότητα σχεδιασμού σεναρίων σοκ όπως πληθωρισμός, τόκοι, καταστροφικές ζημιές και πανδημία με τεχνητή νοημοσύνη και εκτίμηση της ευθύνης και του κεφαλαίου
- Να είναι σε θέση να διακρίνει ότι τα σενάρια που παράγονται από την τεχνητή νοημοσύνη βασίζονται σε ιστορικά δεδομένα και ότι η αναλογιστική κρίση έρχεται στο προσκήνιο σε κινδύνους ουράς και δομικές διακοπές.
Η αναλογιστική είναι το επάγγελμα της πρόβλεψης του μέλλοντος. Όμως το μέλλον δεν είναι ένας ενιαίος αριθμός, είναι ένα φάσμα πιθανοτήτων. Δεν αρκεί να πούμε «Η αναμενόμενη ζημιά μας είναι 50 εκατομμύρια». Το πραγματικό ερώτημα είναι: "Αν έρθει μια κακή χρονιά, πόσα εκατομμύρια θα κοστίσει, μπορεί η εταιρεία να το διαχειριστεί;" Τα εργαλεία που απαντούν σε αυτό το ερώτημα είναι η ανάλυση σεναρίων και το stress test. Η εκ των προτέρων μέτρηση του αντίκτυπου ενός σεισμού, του υψηλού πληθωρισμού, του σοκ επιτοκίου ή της πανδημίας στις υποχρεώσεις και τα κεφάλαια της εταιρείας αποτελεί θεμελιώδη απαίτηση τόσο της εσωτερικής διαχείρισης κινδύνου όσο και της νομοθεσίας όπως το Solvency II. Σε αυτή την ενότητα, θα καλύψουμε το ντετερμινιστικό σενάριο, τη στοχαστική προσομοίωση (Monte Carlo) και τις δοκιμές ακραίων καταστάσεων, και θα δούμε πώς να χρησιμοποιήσουμε την τεχνητή νοημοσύνη σε αυτές τις αναλύσεις.
Να σας θυμίσουμε από την αρχή: τα σενάρια βασίζονται σε ιστορικά δεδομένα και υποθέσεις. Η τεχνητή νοημοσύνη σχεδιάζει σενάρια, γράφει κώδικα προσομοίωσης και ερμηνεύει τα αποτελέσματα. Αλλά ποια σοκ είναι ρεαλιστικά, πώς να χειριστείτε τον κίνδυνο ουράς και πώς να συμπεριλάβετε δομικές διακοπές (γεγονότα που δεν έχουν συμβεί ποτέ στο παρελθόν) αφήνονται στην αναλογιστική κρίση.
Ντετερμινιστικό σενάριο, στοχαστική προσομοίωση και stress test
Είναι σημαντικό να διακρίνουμε τρεις έννοιες. Το ντετερμινιστικό σενάριο είναι να επιλέξουμε ένα ενιαίο σύνολο υποθέσεων και να υπολογίσουμε το αποτέλεσμα: «Ποιο θα ήταν το κόστος των απαιτήσεών μας αν ο πληθωρισμός ήταν 40 τοις εκατό;» Απλό, σαφές και εύκολο στην επικοινωνία. Αλλά δείχνει μόνο έναν τρόπο, όχι μια πιθανότητα. Η Στοχαστική προσομοίωση (Monte Carlo) εξάγει μια κατανομή πιθανότητας του αποτελέσματος δημιουργώντας επανειλημμένα χιλιάδες τυχαία σενάρια. Έτσι, λαμβάνονται ουρά πληροφορίες όπως "50 κατά μέσο όρο, αλλά 78 εκατομμύρια σε επίπεδο 99,5 τοις εκατό". Το stress test είναι ένας ειδικός τύπος σεναρίου που μετρά τον αντίκτυπο ορισμένων σοβαρών αλλά εύλογων γεγονότων (σεισμός, κραχ της αγοράς). συνήθως ορίζεται από τον ρυθμιστή.
Το Μόντε Κάρλο είναι ένα από τα πιο ισχυρά εργαλεία της αναλογιστικής. Η λογική είναι η εξής: εξάγετε τυχαίες τιμές από τις κατανομές συχνότητας και έντασης και υπολογίζετε τη συνολική ζημιά. το επαναλαμβάνετε 10.000 φορές. Συσσωρεύει 10.000 πιθανές συνολικές ζημιές στο χέρι σας. Από αυτή τη συσσώρευση, μπορείτε να διαβάσετε τον μέσο όρο, εκατοστιαίες μονάδες όπως το 75 τοις εκατό, το 99,5 τοις εκατό και τα χειρότερα σενάρια. Αυτός είναι ακριβώς ο τρόπος με τον οποίο βρίσκεται το επίπεδο 99,5 τοις εκατό που απαιτείται από το Solvency II (ένα κακό έτος που θα συμβεί μία φορά στα 200 χρόνια). Το AI παράγει γρήγορα τον κώδικα για αυτήν την προσομοίωση.
Ο παρακάτω πίνακας συγκρίνει τις τρεις προσεγγίσεις:
Προσέγγιση
τι δίνει
δυνατό σημείο
όριο
Ντετερμινιστικό σενάριο
ενιαίο αποτέλεσμα
Απλό, εύκολο στην επικοινωνία
Δεν δίνει πιθανότητα
Μόντε Κάρλο
Κατανομή πιθανοτήτων
Υποδεικνύει κίνδυνο ουράς
Εξαρτάται από την υπόθεση και τα δεδομένα
τεστ αντοχής
Αποτέλεσμα υπό σοκ
Δοκιμάζει την αντοχή
Η επιλογή σοκ είναι δικαστική
Κίνδυνος ουράς: η πιο σημαντική και πιο επικίνδυνη περιοχή
Στην αναλογιστική θεωρία, ο πραγματικός κίνδυνος δεν βρίσκεται στη μέση τιμή, αλλά στην ουρά (η ακραία, χαμηλής πιθανότητας αλλά υψηλού αντίκτυπου περιοχή της κατανομής). Αυτό που βυθίζει τις εταιρείες δεν είναι μια μέση χρονιά, αλλά ένα σπάνιο αλλά καταστροφικό γεγονός: ένας μεγάλος σεισμός, πολλές μεγάλες ζημιές που έρχονται ταυτόχρονα, ένα ξαφνικό σοκ επιτοκίων. Για τη μέτρηση αυτής της περιοχής, χρησιμοποιούνται VaR (Value at Risk — η μέγιστη απώλεια σε ένα δεδομένο επίπεδο εμπιστοσύνης) και TVaR/CTE (μέση απώλεια πέρα από την ουρά). Το Μόντε Κάρλο είναι ο φυσικός τρόπος υπολογισμού αυτών των μετρήσεων.
Αλλά υπάρχει ένας άλλος κίνδυνος στην ουρά: τα ιστορικά δεδομένα δεν αντιπροσωπεύουν καλά την ουρά. Σπάνια γεγονότα, εξ ορισμού, ήταν σπάνια στο παρελθόν. οπότε το μοντέλο τείνει να τα υποτιμά. Η τεχνητή νοημοσύνη ταιριάζει εύκολα σε μια διανομή που βασίζεται σε ιστορικά δεδομένα, αλλά δεν εξετάζει αυθόρμητα "τι γίνεται αν υπάρξει μια πανδημία ή ένας σεισμός 100 ετών που αυτό το χαρτοφυλάκιο δεν έχει βιώσει ποτέ;" Είναι δουλειά του αναλογιστή να συμπεριλάβει στο μοντέλο δομικές διακοπές, αυξήσεις συσχέτισης (όλα χειροτερεύουν ταυτόχρονα κατά τη διάρκεια μιας κρίσης) και τάσεις όπως η κλιματική αλλαγή.
Προσοχή: Η πρόταση "Το μοντέλο μας χειρίζεται σενάρια κατά 99,9 τοις εκατό" είναι παρήγορη, αλλά να θυμάστε ότι το μοντέλο μαθαίνει από δεδομένα των οποίων η ουρά είναι παρελθόν. Ένα γεγονός που δεν έγινε ποτέ είναι το τυφλό σημείο και του καλύτερου μοντέλου. Εδώ παίζει ρόλο η κρίση των ειδικών.
Πώς να χρησιμοποιήσετε την τεχνητή νοημοσύνη σε σενάρια και δοκιμές ακραίων καταστάσεων
1) Κώδικας προσομοίωσης Monte Carlo:
Γράψτε μια προσομοίωση σύνθετης ζημιάς Monte Carlo με Python (με σχόλια). Υποθέσεις (δίνω): αριθμός ζημιάς ~ Poisson(λάμδα=1600), ποσό ζημιάς ~ Γάμμα(σχήμα=k, κλίμακα=θήτα) [Θα δώσω k και θήτα].1) 10.000 φορές: τραβήξτε την ποσότητα, τραβήξτε αυτό το ποσό, αθροίστε.2) Μέσος όρος συνολικών ζημιών, 75%, εκτυπώστε τοις εκατό. 99% VaR(99,5%) και TVaR(99,5%). Παράμετροι FITTING; θα το δώσω. Βιβλιοθήκη: numpy.
2) Ντετερμινιστικό σενάριο άγχους:
Ο ρόλος σας: βοηθός κινδύνου. Η βασική μου αναμενόμενη απώλεια είναι 50 εκατομμύρια TL. Ρυθμίστε τα ακόλουθα 3 ντετερμινιστικά σενάρια: Α) Σοκ πληθωρισμού: σοβαρότητα +30%. Β) Σοκ συχνότητας: αριθμός ζημιών +15%. Γ) Και τα δύο μαζί. Υπολογίστε τη νέα αναμενόμενη ζημιά σε κάθε σενάριο, δείξτε το ποσοστό επίπτωσης με βάση τη βάση και σχολιάστε ποιο είναι το πιο κρίσιμο. Απλώς χρησιμοποιήστε τον βασικό αριθμό που σας έδωσα.
3) Σύμβουλος σχεδιασμού σεναρίων:
Σχεδιάζω σενάρια stress test για χαρτοφυλάκιο ασφάλισης υγείας. - Προτείνετε ένα προσχέδιο «σοβαρό αλλά εύλογο» σενάριο το καθένα για την πανδημία, τον υψηλό πληθωρισμό, τη νέα ακριβή τεχνολογία θεραπείας και τις ρυθμιστικές αλλαγές. - Δηλώστε εάν κάθε σενάριο επηρεάζει τη συχνότητα, τη σοβαρότητα ή και τα δύο. - Επισημάνετε τους κινδύνους ουράς που δεν μπορούν να αποτυπωθούν με ιστορικά δεδομένα. Θα πάρω την απόφαση. Παρέχετε το πλαίσιο και την αιτιολόγηση.
4) Μετατροπή του αποτελέσματος σε διαχείριση:
Το αποτέλεσμα στο Monte Carlo μου: αναμενόμενη ζημιά 50M, VaR(99,5%) 78M, TVaR(99,5%) 89M. Εξηγήστε το σε ένα διοικητικό συμβούλιο με 5 προτάσεις:- Τι σημαίνει 99,5% και TVaR, σε απλή γλώσσα.- Γιατί είναι ανεπαρκής ο «σχεδιασμός κατά μέσο όρο»;- Ποιο ποσοστό πρέπει να εξετάσουν από την άποψη του κεφαλαίου;
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Κάντε ένα stress test για το χαρτοφυλάκιό μου.
Δεν υπάρχει βασική τιμή, δεν υπάρχει ορισμός κραδασμών, καμία κατανομή. Η τεχνητή νοημοσύνη παράγει ένα γενικό κείμενο, όχι έναν εφικτό αριθμό.
Ισχυρή προτροπή:
Ο ρόλος σας: αναλογιστικός βοηθός κινδύνου. Βασικές παραδοχές (ανώνυμες): αναμενόμενη συχνότητα 0,12, μέση βαρύτητα 30.000 TL, έκθεση 20.000 έτη πολιτικής. Το τεχνικό ενδιαφέρον είναι 4%.Εργασία:1) Υπολογίστε τη βασική αναμενόμενη συνολική απώλεια.2) Εφαρμόστε τις ακόλουθες πιέσεις και δείξτε την ποσοστιαία επίπτωση του καθενός: - Πληθωρισμός: σοβαρότητα +25% - Κακός χειμώνας: συχνότητα +10% - Μείωση επιτοκίου: 4% -> 3% (επίπτωση στην παρούσα αξία της υποχρέωσης)3) Σχόλιο για τους περισσότερους από τον Monte. κίνδυνος ουράς, γιατί; Απλώς χρησιμοποιήστε τους αριθμούς που έδωσα. Αν λείπει, ρωτήστε.
τρεις μίνι θήκες
Περίπτωση 1 — Η απάτη του μέσου όρου. Μια εταιρεία είχε προγραμματίσει το κεφάλαιό της με βάση την αναμενόμενη ζημιά (50 εκατ.). Όταν ολοκληρώθηκε το Monte Carlo, φάνηκε ότι το επίπεδο του 99,5 τοις εκατό ήταν 82 εκατομμύρια: σε μια κακή χρονιά, υπήρχε μια επιπλέον ανάγκη 32 εκατομμυρίων και η εταιρεία δεν θα μπορούσε να την καλύψει. Το σχέδιο κεφαλαίου αναθεωρήθηκε. Το AI έτρεξε προσομοίωση 10.000 σεναρίων σε δευτερόλεπτα. Ο αναλογιστής αξιολόγησε την ερμηνεία και τη διανομή.
Περίπτωση 2 — Τύφλωση συσχέτισης. Η κάλυψη σεισμών και διακοπής εργασιών ξεχωριστά εμφανίστηκε χαμηλού κινδύνου σε ένα χαρτοφυλάκιο. Αλλά ένας σεισμός προκαλεί και τα δύο ταυτόχρονα. Το μοντέλο που υποθέτει την ανεξαρτησία υποτίμησε τον κίνδυνο ουράς κατά το ήμισυ. Όταν ο αναλογιστής πρόσθεσε συσχέτιση στο σενάριο, η πραγματική ανάγκη κεφαλαίου αυξήθηκε σημαντικά. Μάθημα: σε μια κρίση, οι κίνδυνοι δεν είναι ανεξάρτητοι. Ερώτηση υποτίθεται ότι η AI αποδέχεται την ανεξαρτησία.
Περίπτωση 3 — Ένα γεγονός που δεν συνέβη. Ένα χαρτοφυλάκιο υγειονομικής περίθαλψης φαινόταν πολύ «στιβαρό» με βάση τα δεδομένα των τελευταίων 10 ετών. Όταν έφτασε μια πανδημία, τόσο η συχνότητα όσο και η σοβαρότητα εκτοξεύτηκαν ταυτόχρονα. Το μοντέλο δεν το προέβλεψε ποτέ γιατί δεν υπήρχε κάτι παρόμοιο στα δεδομένα. Το επόμενο διάστημα προστέθηκε το ντετερμινιστικό σενάριο πανδημίας. Το AI παρήγαγε το προσχέδιο σεναρίου. Ο αναλογιστής αποφάσισε το μέγεθος του σοκ. Μάθημα: Η ουρά ιστορικών δεδομένων δεν έχει ολοκληρωθεί.
Συνήθη λάθη
- Σχεδιασμός γύρω από τον μέσο όρο. Είναι η ουρά, όχι ο μέσος όρος, που βυθίζει την εταιρεία. Δείτε ακραίες μετρήσεις όπως το VaR/TVaR.
- Υποθέτοντας ότι οι κίνδυνοι είναι ανεξάρτητοι. Κατά τη διάρκεια μιας κρίσης, οι συσχετισμοί αυξάνονται. Η αποδοχή της ανεξαρτησίας κάνει ελαφριά την ουρά.
- Πλήρης εμπιστοσύνη στα ιστορικά δεδομένα. Σπάνια και δομικά συμβάντα απουσιάζουν από τα δεδομένα. Προσθέστε σενάριο με την κρίση των ειδικών.
- Ανάμειξη ντετερμινιστικής και στοχαστικής. Ένα μόνο σενάριο δεν δίνει πιθανότητα. Η πιθανότητα απαιτεί Μόντε Κάρλο.
- Παρουσίαση του αποτελέσματος της προσομοίωσης χωρίς επαλήθευση. Ελέγξτε τα ποσοστά και το VaR ανεξάρτητα. Το σφάλμα παραμέτρου παραμορφώνει ολόκληρη την κατανομή.
Συμβουλή: Πριν παρουσιάσετε τα αποτελέσματα του Monte Carlo, κάντε έναν απλό έλεγχο συνέπειας: είναι ο μέσος όρος της προσομοίωσης κοντά στην αναμενόμενη τιμή (συχνότητα × ένταση × έκθεση) που υπολογίσατε με το χέρι; Εάν όχι, υπάρχει σφάλμα παραμέτρου ή κώδικα.
Συνοπτικά
Το μέλλον δεν είναι ένας ενιαίος αριθμός, αλλά ένα φάσμα πιθανοτήτων. Τα ντετερμινιστικά σενάρια δείχνουν ένα μόνο μονοπάτι «τι θα γινόταν αν», το Μόντε Κάρλο δείχνει ολόκληρη την κατανομή και τον κίνδυνο ουράς, τα stress test δείχνουν τον αντίκτυπο των σοβαρών γεγονότων. Ο πραγματικός κίνδυνος βρίσκεται στην ουρά, όχι στον μέσο όρο, και τα ιστορικά δεδομένα δεν αντιπροσωπεύουν καλά την ουρά. Η αυξημένη συσχέτιση και τα γεγονότα που δεν έχουν συμβεί απαιτούν αναλογιστική κρίση. Η τεχνητή νοημοσύνη σχεδιάζει το σενάριο, κωδικοποιεί την προσομοίωση και ερμηνεύει το αποτέλεσμα. αλλά η επιλογή σοκ, η υπόθεση συσχέτισης, η κρίση και η τελική απόφαση κινδύνου ανήκουν στον αναλογιστή. Πάντα να επαληθεύετε τα αποτελέσματα με έναν απλό έλεγχο συνέπειας.
Εργασία εφαρμογής
Ορίστε ανώνυμες βασικές υποθέσεις (συχνότητα, ένταση, έκθεση, ενδιαφέρον). Ζητήστε από την τεχνητή νοημοσύνη (α) να βασίσει την αναμενόμενη ζημιά, (β) 3 ντετερμινιστικά σενάρια, συμπεριλαμβανομένων των κραδασμών πληθωρισμού, συχνότητας και επιτοκίων, (γ) να υπολογίσει το VaR και το TVaR (99,5%) με προσομοίωση Monte Carlo. Βεβαιωθείτε ότι ο μέσος όρος της προσομοίωσης είναι κοντά στην αναμενόμενη τιμή που υπολογίσατε με μη αυτόματο τρόπο. Στη συνέχεια, συζητήστε με το AI πώς αν υποθέσουμε ότι οι δύο εξασφαλίσεις είναι εξαρτημένες (συσχετισμένες) θα άλλαζε την ουρά.
λίστα ελέγχου
- [ ] Έχω επίσης εξετάσει τα μέτρα ουράς (VaR, TVaR) και όχι τον μέσο όρο;
- [ ] Έχω λάβει υπόψη τη συσχέτιση των κινδύνων την εποχή της κρίσης;
- [ ] Έχω προσθέσει δομικά/σπάνια σενάρια που δεν βρέθηκαν σε ιστορικά δεδομένα με την κρίση των ειδικών;
- [ ] Έχω συνειδητά διαχωρίσει την ντετερμινιστική και τη στοχαστική προσέγγιση;
- [ ] Έχω ελέγξει χειροκίνητα τη μέση τιμή του Monte Carlo για συνέπεια με την αναμενόμενη τιμή;
- [ ] Έχω γράψει την αιτιολόγηση για επιλογές σεναρίων και μεγέθη σοκ;