تجزیه و تحلیل سناریو و تست استرس: مدیریت عدم قطعیت

سود:

• توانایی ایجاد سناریوی قطعی، شبیه سازی تصادفی (مونته کارلو) و مفاهیم تست استرس با پشتیبانی از هوش مصنوعی و تفسیر نتایج به زبان ریسک
• امکان طراحی سناریوهای شوک مانند تورم، بهره، خسارت فاجعه بار و بیماری همه گیر با هوش مصنوعی و برآورد مسئولیت و تاثیر سرمایه
• توانایی تشخیص اینکه سناریوهای تولید شده توسط هوش مصنوعی مبتنی بر داده‌های تاریخی هستند و قضاوت اکچوئری در خطرات دنباله‌دار و شکست‌های ساختاری مطرح می‌شود.

اکچوئریالیسم حرفه پیش بینی آینده است. اما آینده یک عدد واحد نیست، بلکه طیفی از احتمالات است. گفتن «خسارات مورد انتظار ما 50 میلیون است» کافی نیست. سوال واقعی این است: "اگر سال بدی بیاید، چند میلیون هزینه دارد، آیا شرکت می تواند آن را مدیریت کند؟" ابزارهایی که به این سوال پاسخ می دهند، تحلیل سناریو و تست استرس هستند. اندازه‌گیری از قبل تأثیر زلزله، تورم بالا، شوک نرخ بهره یا بیماری همه‌گیر بر بدهی‌ها و سرمایه شرکت یک الزام اساسی برای مدیریت ریسک داخلی و قوانینی مانند Solvency II است. در این بخش، سناریوی قطعی، شبیه‌سازی تصادفی (مونته کارلو) و تست استرس را پوشش خواهیم داد و نحوه استفاده از هوش مصنوعی را در این تحلیل‌ها خواهیم دید.

بیایید از ابتدا به شما یادآوری کنیم: سناریوها بر اساس داده ها و فرضیات تاریخی هستند. هوش مصنوعی سناریوها را طراحی می کند، کدهای شبیه سازی را می نویسد و نتایج را تفسیر می کند. اما اینکه کدام شوک ها واقع بینانه هستند، نحوه مدیریت ریسک دنباله، و نحوه گنجاندن شکست های ساختاری (رویدادهایی که هرگز در گذشته رخ نداده اند) به قضاوت اکچوئری واگذار می شود.

سناریوی قطعی، شبیه سازی تصادفی و تست استرس

تفکیک سه مفهوم مهم است. سناریوی قطعی این است که مجموعه ای از مفروضات را انتخاب کنیم و نتیجه را محاسبه کنیم: "اگر تورم 40 درصد بود، هزینه مطالبات ما چقدر خواهد بود؟" ساده، واضح و آسان برای برقراری ارتباط؛ اما فقط یک راه را نشان می دهد، نه یک احتمال. شبیه‌سازی تصادفی (مونته کارلو) با تولید مکرر هزاران سناریو تصادفی، توزیع احتمالی نتیجه را به دست می‌آورد. بدین ترتیب اطلاعات دنباله ای مانند «به طور متوسط ​​50، اما 78 میلیون در سطح 99.5 درصد» به دست می آید. تست استرس نوع خاصی از سناریو است که تاثیر برخی رویدادهای شدید اما قابل قبول (زلزله، سقوط بازار) را اندازه گیری می کند. معمولا توسط تنظیم کننده تعریف می شود.

مونت کارلو یکی از قدرتمندترین ابزارهای اکچوئری است. منطق این است: شما مقادیر تصادفی را از توزیع های فرکانس و شدت استخراج می کنید و کل خسارت را محاسبه می کنید. شما این را 10000 بار تکرار می کنید. 10000 آسیب کلی ممکن را در دست شما جمع می کند. از این انباشت، می توانید میانگین، صدک هایی مانند 75 درصد، 99.5 درصد و بدترین سناریوها را بخوانید. دقیقاً سطح 99.5 درصدی مورد نیاز Solvency II (سال بدی که هر 200 سال یک بار اتفاق می افتد) پیدا می شود. هوش مصنوعی به سرعت کد این شبیه سازی را تولید می کند.

جدول زیر سه رویکرد را با هم مقایسه می کند:

رویکرد

آنچه می دهد

نقطه قوت

محدود کردن

سناریوی قطعی

نتیجه واحد

ساده، آسان برای برقراری ارتباط

احتمال نمی دهد

مونت کارلو

توزیع احتمال

خطر دم را نشان می دهد

وابسته به فرض و داده است

تست استرس

نتیجه تحت شوک

دوام را آزمایش می کند

انتخاب شوک قضایی است

خطر دم: مهم ترین و خطرناک ترین منطقه

در تئوری اکچوئری، خطر واقعی نه در میانگین، بلکه در دم (منطقه شدید، کم احتمال اما با تأثیر زیاد توزیع) نهفته است. چیزی که شرکت‌ها را غرق می‌کند یک سال متوسط ​​نیست، بلکه یک رویداد نادر اما ویرانگر است: یک زلزله بزرگ، خسارات بزرگ زیادی که همزمان می‌آیند، یک شوک ناگهانی نرخ بهره. برای اندازه‌گیری این ناحیه، از VaR (ارزش در معرض خطر - حداکثر ضرر در سطح اطمینان معین) و TVaR/CTE (متوسط ​​تلفات فراتر از دم) استفاده می‌شود. مونت کارلو روشی طبیعی برای محاسبه این اندازه گیری ها است.

اما خطر دیگری در دم وجود دارد: داده های تاریخی دم را به خوبی نشان نمی دهند. رویدادهای نادر، بنا به تعریف، در گذشته نادر بوده اند. بنابراین مدل تمایل به دست کم گرفتن آنها دارد. هوش مصنوعی به راحتی بر اساس داده‌های تاریخی توزیع می‌کند، اما به‌طور خودبه‌خودی در نظر نمی‌گیرد که «اگر یک بیماری همه‌گیر یا زلزله‌ای 100 ساله رخ دهد که این مجموعه هرگز تجربه نکرده است، چه؟» این وظیفه اکچوئر است که گسست های ساختاری، افزایش همبستگی (همه چیز در زمان بحران همزمان بدتر می شود) و روندهایی مانند تغییرات آب و هوایی را در مدل لحاظ کند.

احتیاط: جمله «مدل ما 99.9 درصد سناریوها را مدیریت می‌کند» آرامش‌بخش است، اما به یاد داشته باشید که مدل از داده‌هایی یاد می‌گیرد که دنباله آنها گذشته است. اتفاقی که هرگز رخ نداده است، نقطه کور بهترین مدل است. اینجاست که قضاوت کارشناسی مطرح می شود.

نحوه استفاده از هوش مصنوعی در سناریو و تست استرس

1) کد شبیه سازی مونت کارلو:

یک شبیه سازی آسیب مرکب مونت کارلو با پایتون (با نظرات) بنویسید. مفروضات (من می دهم): تعداد آسیب ~ پواسون(لامبدا=1600)، میزان خسارت ~ گاما(شکل=k، مقیاس=تتا) [من k و تتا را می دهم].1) 10000 بار: مقدار را بکشید، آن مقدار را بکشید، جمع کنید. پارامترهای VaR (99.5%) و TVaR (99.5%). من آن را خواهم داد. کتابخانه: ناتوان.

2) سناریوی استرس قطعی:

نقش شما: دستیار ریسک. ضرر مورد انتظار من 50 میلیون لیره است. 3 سناریوی قطعی زیر را تنظیم کنید: الف) شوک تورمی: شدت +30%. ب) شوک فرکانس: تعداد صدمات +15%. ج) هر دو با هم. خسارات مورد انتظار جدید را در هر سناریو محاسبه کنید، درصد تأثیر را بر اساس پایه نشان دهید و نظر دهید که کدام یک مهم‌ترین است. فقط از شماره پایه ای که به شما دادم استفاده کنید.

3) مشاوره طراحی سناریو:

من در حال طراحی سناریوهای تست استرس برای سبد بیمه سلامت هستم. - پیش نویس سناریوی «شدید اما قابل قبول» را برای همه گیری، تورم بالا، فناوری جدید درمان گران قیمت و تغییرات نظارتی پیشنهاد کنید. - بیان کنید که آیا هر سناریو بر فرکانس، شدت یا هر دو اثر می گذارد. - به خطرات دنباله‌ای اشاره کنید که با داده‌های تاریخی قابل شناسایی نیستند. من تصمیم خواهم گرفت؛ شما چارچوب و توجیه را ارائه می دهید.

4) تبدیل نتیجه به مدیریت:

نتیجه مونت کارلو من: خسارت مورد انتظار 50M، VaR(99.5%) 78M، TVaR(99.5%) 89M. این را در 5 جمله برای هیئت مدیره توضیح دهید: - 99.5٪ و TVaR به زبان ساده به چه معناست. - چرا "برنامه ریزی بر اساس میانگین" ناکافی است؟ - آنها باید از نظر سرمایه به چه رقمی نگاه کنند؟

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

یک تست استرس برای نمونه کارها من انجام دهید.

هیچ مقدار پایه، هیچ تعریف شوک، هیچ توزیعی وجود ندارد. هوش مصنوعی یک متن کلی تولید می کند، نه یک عدد قابل اجرا.

اعلان قدرتمند:

نقش شما: دستیار ریسک اکچوئری. مفروضات پایه (ناشناس): فراوانی مورد انتظار 0.12، میانگین شدت 30000 TL، قرار گرفتن در معرض 20000 سال سیاست. بهره فنی 4٪ است. وظیفه: 1) محاسبه زیان کل مورد انتظار پایه. 2) تنش های زیر را اعمال کنید و درصد تأثیر هر یک را نشان دهید: - تورم: شدت +25٪ - زمستان بد: فراوانی +10٪ - کاهش نرخ بهره: 4٪ -> 3٪ (تأثیر بر ارزش فعلی بدهی) خطر دم، چرا؟ فقط از اعدادی که دادم استفاده کنید. اگر گم شد، بپرسید.

سه کیف کوچک

مورد 1 - فریبکاری میانگین. یک شرکت سرمایه خود را بر اساس خسارت مورد انتظار (50 میلیون) برنامه ریزی کرده بود. وقتی مونت کارلو تمام شد، مشاهده شد که سطح 99.5 درصدی 82 میلیون است: در سال بد، 32 میلیون نیاز اضافی وجود داشت و شرکت نمی توانست آن را برآورده کند. طرح سرمایه مورد بازنگری قرار گرفت. هوش مصنوعی 10000 سناریو را در ثانیه شبیه سازی کرد. آکچوئر تفسیر و توزیع را ارزیابی کرد.

مورد 2 - کوری همبستگی. پوشش زلزله و وقفه کسب و کار به طور جداگانه در یک سبد دارای ریسک کم به نظر می رسد. اما زلزله هر دو را همزمان ایجاد می کند. مدلی که استقلال را فرض می‌کند، ریسک دم را به نصف دست کم می‌گیرد. هنگامی که اکچوئر همبستگی را به سناریو اضافه کرد، نیاز سرمایه واقعی به طور قابل توجهی افزایش یافت. درس: در یک بحران، خطرات مستقل نیستند. قبول فرض استقلال توسط هوش مصنوعی را سؤال کنید.

مورد 3 - رویدادی که اتفاق نیفتاده است. بر اساس داده‌های 10 سال گذشته، یک مجموعه مراقبت‌های بهداشتی بسیار «جامد» به نظر می‌رسید. هنگامی که یک بیماری همه گیر فرا رسید، هم فرکانس و هم شدت آن به طور همزمان افزایش یافت. مدل هرگز این را پیش‌بینی نکرد زیرا چیزی شبیه به آن در داده‌ها وجود نداشت. در دوره بعدی سناریوی همه گیر قطعی اضافه شد. هوش مصنوعی پیش نویس اسکریپت را تولید کرد. اکچوئر بزرگی شوک را تعیین کرد. درس: صف داده های تاریخی کامل نیست.

اشتباهات رایج

• برنامه ریزی حول میانگین این دم است، نه میانگین، که شرکت را غرق می کند. به معیارهای شدید مانند VaR/TVaR نگاه کنید.
• با فرض مستقل بودن ریسک ها. در طول یک بحران، همبستگی افزایش می یابد. پذیرش استقلال دم را سبک می کند.
• اطمینان کامل به داده های تاریخی رویدادهای نادر و ساختاری در داده ها وجود ندارد. سناریو را با قضاوت متخصص اضافه کنید.
• اختلاط قطعی و تصادفی. یک سناریوی واحد احتمال نمی دهد. احتمال نیاز به مونت کارلو دارد.
• ارائه نتیجه شبیه سازی بدون تایید آن. درصدها و VaR را به طور مستقل بررسی کنید. خطای پارامتر کل توزیع را مخدوش می کند.

نکته: قبل از ارائه نتایج مونت کارلو، یک بررسی سازگاری ساده انجام دهید: آیا میانگین شبیه سازی به مقدار مورد انتظار (فرکانس × شدت × نوردهی) که با دست محاسبه کرده اید نزدیک است؟ اگر نه، یک خطای پارامتر یا کد وجود دارد.

به طور خلاصه

آینده یک عدد واحد نیست، بلکه طیفی از احتمالات است. سناریوهای قطعی یک مسیر واحد "چه می‌شد اگر" را نشان می‌دهند، مونت کارلو کل توزیع و ریسک دنباله را نشان می‌دهد، تست‌های استرس تاثیر رویدادهای شدید را نشان می‌دهند. خطر واقعی در دم است، نه میانگین، و داده های تاریخی دم را به خوبی نشان نمی دهند. افزایش همبستگی و رویدادهایی که رخ نداده اند نیاز به قضاوت اکچوئری دارند. هوش مصنوعی سناریو را طراحی می کند، شبیه سازی را کدگذاری می کند و نتیجه را تفسیر می کند. اما انتخاب شوک، فرض همبستگی، قضاوت دنباله، و تصمیم نهایی ریسک بر عهده اکچوئر است. همیشه نتایج را با یک بررسی سازگاری ساده تأیید کنید.

وظیفه کاربردی

فرضیات پایه ناشناس (فرکانس، شدت، قرار گرفتن در معرض، علاقه) را تنظیم کنید. از هوش مصنوعی بخواهید (الف) خسارت مورد انتظار را پایه گذاری کند، (ب) 3 سناریوی قطعی شامل شوک های تورم، فرکانس و نرخ بهره، (ج) محاسبه VaR و TVaR (99.5%) با شبیه سازی مونت کارلو. بررسی کنید که میانگین شبیه سازی نزدیک به مقدار مورد انتظاری است که به صورت دستی محاسبه کرده اید. سپس با هوش مصنوعی صحبت کنید که با فرض اینکه دو وثیقه وابسته (همبسته) باشند چگونه دم را تغییر می دهد.

چک لیست

• [ ] آیا من به اندازه گیری های دم (VaR، TVaR) نیز به جای میانگین نگاه کرده ام؟
• [ ] آیا من همبستگی ریسک ها را در زمان بحران در نظر گرفته ام؟
• [ ] آیا سناریوهای ساختاری/نادری را که در داده های تاریخی یافت نمی شوند با قضاوت کارشناسان اضافه کرده ام؟
• [ ] آیا من آگاهانه رویکرد قطعی و تصادفی را از هم جدا کرده ام؟
• [ ] آیا میانگین مونت کارلو را برای سازگاری با مقدار مورد انتظار به صورت دستی بررسی کرده ام؟
• [ ] آیا من توجیهی برای انتخاب سناریو و بزرگی شوک نوشته ام؟