Ganancias:
- Capacidad para establecer conceptos de escenarios deterministas, simulación estocástica (Monte Carlo) y pruebas de estrés con el apoyo de inteligencia artificial e interpretar los resultados en lenguaje de riesgo.
- Capacidad para diseñar escenarios de shock como inflación, intereses, daños catastróficos y pandemia con inteligencia artificial y estimar la responsabilidad y el impacto del capital.
- Pudiendo distinguir que los escenarios producidos por la inteligencia artificial se basan en datos históricos y que el juicio actuarial prima en riesgos de cola y rupturas estructurales.
El actuarialismo es la profesión de predecir el futuro; Pero el futuro no es un número único, es un espectro de posibilidades. No basta con decir "Nuestros daños previstos son de 50 millones"; La verdadera pregunta es: "Si llega un mal año, ¿cuántos millones costará? ¿Podrá la empresa afrontarlo?". Las herramientas que responden a esta pregunta son el análisis de escenarios y las pruebas de tensión. Medir con antelación el impacto de un terremoto, una alta inflación, un shock de tipos de interés o una pandemia sobre los pasivos y el capital de la empresa es un requisito fundamental tanto de la gestión interna de riesgos como de legislación como Solvencia II. En esta unidad, cubriremos escenarios deterministas, simulación estocástica (Monte Carlo) y pruebas de estrés, y veremos cómo utilizar la IA en estos análisis.
Recordémoslo desde el principio: los escenarios se basan en datos y suposiciones históricas. La IA diseña escenarios, escribe código de simulación e interpreta resultados; Pero qué shocks son realistas, cómo manejar el riesgo de cola y cómo incluir rupturas estructurales (acontecimientos que nunca han ocurrido en el pasado) se dejan al criterio actuarial.
Escenario determinista, simulación estocástica y pruebas de estrés.
Es importante distinguir tres conceptos. El escenario determinista consiste en elegir un único conjunto de supuestos y calcular el resultado: "¿Cuál sería el costo de nuestros siniestros si la inflación fuera del 40 por ciento?" Sencillo, claro y fácil de comunicar; Pero sólo muestra una manera, no una posibilidad. La simulación estocástica (Monte Carlo) deriva una distribución de probabilidad del resultado generando repetidamente miles de escenarios aleatorios. De este modo, se obtiene información de cola como "50 en promedio, pero 78 millones al nivel del 99,5 por ciento". Una prueba de estrés es un tipo especial de escenario que mide el impacto de ciertos eventos severos pero plausibles (terremoto, caída del mercado); generalmente definido por el regulador.
Monte Carlo es una de las herramientas actuariales más poderosas. La lógica es la siguiente: extraes valores aleatorios de las distribuciones de frecuencia e intensidad y calculas el daño total; repites esto 10.000 veces; Acumula 10.000 posibles daños totales en tu mano. De esta acumulación se puede leer el promedio, percentiles como 75 por ciento, 99,5 por ciento y los peores escenarios. Así es exactamente como se alcanza el nivel del 99,5 por ciento requerido por Solvencia II (un mal año que ocurrirá una vez cada 200 años). La IA produce rápidamente el código para esta simulación.
La siguiente tabla compara los tres enfoques:
Enfoque
que da
punto fuerte
límite
Escenario determinista
único resultado
Sencillo, fácil de comunicar.
No da probabilidad
Montecarlo
Distribución de probabilidad
Indica riesgo de cola
Depende de suposiciones y datos.
prueba de estrés
Resultado bajo shock
Durabilidad de las pruebas
La selección de choque es judicial.
Riesgo de cola: el área más importante y peligrosa
En la teoría actuarial, el peligro real no reside en la media sino en la cola (la región extrema de la distribución, de baja probabilidad pero de alto impacto). Lo que hunde a las empresas no es un año cualquiera, sino un evento raro pero devastador: un gran terremoto, muchos daños importantes que se producen al mismo tiempo, un shock repentino en las tasas de interés. Para medir esta región, se utilizan VaR (valor en riesgo: la pérdida máxima en un nivel de confianza determinado) y TVaR/CTE (pérdida promedio más allá de la cola). Monte Carlo es la forma natural de calcular estas medidas.
Pero hay otro peligro en la cola: los datos históricos no representan bien la cola. Los acontecimientos raros, por definición, han sido raros en el pasado; por lo que el modelo tiende a subestimarlos. La IA se ajusta fácilmente a una distribución basada en datos históricos, pero no considera espontáneamente "¿qué pasa si hay una pandemia o un terremoto de 100 años que esta cartera nunca ha experimentado?" Es trabajo del actuario incluir rupturas estructurales, aumentos de correlación (todo empeora al mismo tiempo durante una crisis) y tendencias como el cambio climático en el modelo.
Precaución: La frase "Nuestro modelo maneja el 99,9 por ciento de escenarios" es reconfortante, pero recuerde que el modelo aprende de los datos cuya cola ya pasó. Un evento que nunca sucedió es el punto ciego incluso del mejor modelo. Aquí es donde entra en juego el juicio de los expertos.
Cómo utilizar la IA en escenarios y pruebas de estrés
1) Código de simulación de Monte Carlo:
Escriba una simulación Monte Carlo de daño compuesto con Python (con comentarios). Supuestos (doy): número de daño ~ Poisson(lambda=1600), cantidad de daño ~ Gamma(forma=k, escala=theta) [Daré k y theta].1) 10.000 veces: extraer cantidad, extraer esa cantidad, sumar.2) Promedio de daños totales, 75%, 99%, 99,5% porcentajes impresos.3) Calcular y explicar VaR(99,5%) y TVaR(99,5%).Parámetros de MONTAJE; Yo lo daré. Biblioteca: numerosa.
2) Escenario de estrés determinista:
Su función: asistente de riesgos. Mi pérdida base esperada es de 50 millones de TL. Plantee los siguientes 3 escenarios deterministas: A) Choque de inflación: gravedad +30%. B) Choque de frecuencia: número de daños +15%. C) Ambos juntos. Calcula los nuevos daños esperados en cada escenario, muestra el porcentaje de impacto en función de la base y comenta cuál es el más crítico. Solo usa el número base que te di.
3) Consultoría en diseño de escenarios:
Estoy diseñando escenarios de pruebas de estrés para una cartera de seguros de salud. - Proponer un borrador de escenario "severo pero plausible" para la pandemia, la alta inflación, la nueva tecnología de tratamiento costosa y el cambio regulatorio. - Indique si cada escenario afecta a la frecuencia, a la gravedad o a ambas. - Señalar los riesgos de cola que no se pueden capturar con datos históricos. Yo tomaré la decisión; Usted proporciona el marco y la justificación.
4) Traducir el resultado en gestión:
Mi resultado de Monte Carlo: daño esperado 50 millones, VaR(99,5%) 78 millones, TVaR(99,5%) 89 millones. Explique esto a un consejo de administración en 5 frases:- ¿Qué significan 99,5% y TVaR, en lenguaje sencillo?- ¿Por qué la "planificación por promedio" es inadecuada?- ¿Qué cifra deberían considerar en términos de capital?
Aviso débil / Aviso fuerte
Aviso débil:
Hacer una prueba de estrés para mi cartera.
No existe un valor base, ni una definición de shock, ni una distribución. La IA produce un texto general, no un número factible.
Potente mensaje:
Su función: asistente de riesgos actuariales. Supuestos básicos (anónimos): frecuencia esperada 0,12, gravedad media 30.000 TL, exposición 20.000 años-póliza. El interés técnico es del 4%.Tarea:1) Calcule la pérdida total esperada base.2) Aplique las siguientes tensiones y muestre el impacto porcentual de cada una: - Inflación: severidad +25% - Mal invierno: frecuencia +10% - Disminución de la tasa de interés: 4% -> 3% (impacto en el valor presente del pasivo)3) Comente sobre los 2 escenarios más críticos y por qué.4) ¿Recomienda Monte Carlo para el riesgo de cola, por qué? Simplemente use los números que le di; Si falta, pregunte.
tres mini casos
Caso 1: El engaño del promedio. Una empresa había planificado su capital en función de los daños previstos (50 millones). Cuando se acabó Montecarlo, se vio que el nivel del 99,5 por ciento era de 82 millones: en un mal año, se necesitaban 32 millones adicionales y la empresa no podría cubrirlos. El plan de capital ha sido revisado. La IA ejecutó una simulación de 10.000 escenarios en segundos; El actuario evaluó la interpretación y distribución.
Caso 2: ceguera a la correlación. La cobertura contra terremotos e interrupción de negocios por separado parecía de bajo riesgo en una cartera. Pero un terremoto desencadena ambas cosas al mismo tiempo; El modelo que asume la independencia subestimó el riesgo de cola a la mitad. Cuando el actuario añadió correlación al escenario, la necesidad de capital real aumentó significativamente. Lección: en una crisis, los riesgos no son independientes; Cuestionar la supuesta aceptación de la independencia por parte de AI.
Caso 3: Un evento que no sucedió. Una cartera de servicios de salud parecía muy "sólida" según los datos de los últimos 10 años. Cuando llegó una pandemia, tanto la frecuencia como la gravedad se dispararon simultáneamente; El modelo nunca predijo esto porque no había nada parecido en los datos. En el siguiente período se añadió el escenario determinista de pandemia. AI produjo el borrador del guión; El actuario decidió la magnitud del shock. Lección: la cola de datos históricos no está completa.
Errores comunes
- Planificación en torno al promedio. Es la cola, no el promedio, la que hunde a la empresa; Mire métricas extremas como VaR/TVaR.
- La asunción de riesgos es independiente. Durante una crisis, las correlaciones aumentan; La aceptación de la independencia resta importancia a la cola.
- Confianza total en los datos históricos. Los eventos raros y estructurales están ausentes de los datos; Agregue escenario con criterio de expertos.
- Mezclando determinista y estocástico. Un único escenario no da probabilidad; La probabilidad requiere Montecarlo.
- Presentar el resultado de la simulación sin verificarlo. Consulta porcentajes y VaR de forma independiente; El error de parámetro distorsiona toda la distribución.
Consejo: antes de presentar los resultados de Monte Carlo, haga una simple verificación de coherencia: ¿la media de la simulación está cerca del valor esperado (frecuencia × intensidad × exposición) que calculó manualmente? Si no, hay un error de parámetro o código.
En resumen
El futuro no es un número único, sino un espectro de posibilidades. Los escenarios deterministas muestran un único camino hipotético, Monte Carlo muestra la distribución completa y el riesgo de cola, las pruebas de estrés muestran el impacto de eventos severos. El verdadero peligro está en la cola, no en el promedio, y los datos históricos no representan bien la cola; Una mayor correlación y eventos que no han ocurrido requieren juicio actuarial. La IA diseña el escenario, codifica la simulación e interpreta el resultado; pero la selección de shocks, el supuesto de correlación, el juicio de cola y la decisión final sobre el riesgo recaen en el actuario. Verifique siempre los resultados con una simple comprobación de coherencia.
Tarea de aplicación
Establecer supuestos básicos anónimos (frecuencia, intensidad, exposición, interés). Pídale a la IA que (a) base el daño esperado, (b) 3 escenarios deterministas que incluyen inflación, frecuencia y shocks de tasas de interés, (c) calcule VaR y TVaR (99,5%) con una simulación de Monte Carlo. Verifique que la media de la simulación esté cerca del valor esperado que calculó manualmente. Luego, analice con la IA cómo asumir que las dos garantías son dependientes (correlacionadas) cambiaría la cola.
lista de verificación
- [] ¿He mirado también las medidas de cola (VaR, TVaR) en lugar del promedio?
- [ ] ¿He tenido en cuenta la correlación de riesgos en el momento de la crisis?
- [ ] ¿He agregado escenarios estructurales/raros que no se encuentran en los datos históricos con el juicio de expertos?
- [ ] ¿He separado conscientemente el enfoque determinista y estocástico?
- [] ¿He verificado manualmente la coherencia de la media de Monte Carlo con el valor esperado?
- [ ] ¿He escrito la justificación de los escenarios elegidos y las magnitudes de las perturbaciones?