દૃશ્ય વિશ્લેષણ અને તણાવ પરીક્ષણ: અનિશ્ચિતતાનું સંચાલન

નફો:

• કૃત્રિમ બુદ્ધિમત્તાના સમર્થન સાથે નિર્ણાયક દૃશ્ય, સ્ટોકેસ્ટિક સિમ્યુલેશન (મોન્ટે કાર્લો) અને તણાવ પરીક્ષણ ખ્યાલો સ્થાપિત કરવાની ક્ષમતા અને જોખમની ભાષામાં પરિણામોનું અર્થઘટન
• ફુગાવા, વ્યાજ, આપત્તિજનક નુકસાન અને કૃત્રિમ બુદ્ધિ સાથે રોગચાળા જેવા આંચકાના દૃશ્યોને ડિઝાઇન કરવાની ક્ષમતા અને જવાબદારી અને મૂડીની અસરનો અંદાજ
• કૃત્રિમ બુદ્ધિમત્તા દ્વારા ઉત્પાદિત દૃશ્યો ઐતિહાસિક માહિતી પર આધારિત છે અને તે એક્ચ્યુરિયલ ચુકાદો પૂંછડીના જોખમો અને માળખાકીય વિરામમાં આગળ આવે છે તે પારખવામાં સક્ષમ બનવું.

એક્ચ્યુરિયલિઝમ એ ભવિષ્યની આગાહી કરવાનો વ્યવસાય છે; પરંતુ ભવિષ્ય એ એક સંખ્યા નથી, તે શક્યતાઓનો સ્પેક્ટ્રમ છે. "અમારું અપેક્ષિત નુકસાન 50 મિલિયન છે" એમ કહેવું પૂરતું નથી; વાસ્તવિક પ્રશ્ન એ છે: "જો ખરાબ વર્ષ આવે છે, તો કેટલા લાખો ખર્ચ થશે, શું કંપની તેને સંભાળી શકશે?" સાધનો કે જે આ પ્રશ્નનો જવાબ આપે છે તે છે દૃશ્ય વિશ્લેષણ અને તણાવ પરીક્ષણ. કંપનીની જવાબદારીઓ અને મૂડી પર ધરતીકંપ, ઊંચો ફુગાવો, વ્યાજ દરના આંચકા અથવા રોગચાળાની અસરને અગાઉથી માપવી એ આંતરિક જોખમ સંચાલન અને સોલ્વન્સી II જેવા કાયદા બંનેની મૂળભૂત જરૂરિયાત છે. આ એકમમાં, અમે નિર્ણાયક દૃશ્ય, સ્ટોકેસ્ટિક સિમ્યુલેશન (મોન્ટે કાર્લો) અને તણાવ પરીક્ષણને આવરી લઈશું અને આ વિશ્લેષણોમાં AI નો ઉપયોગ કેવી રીતે કરવો તે જોઈશું.

ચાલો તમને શરૂઆતથી યાદ અપાવીએ: દૃશ્યો ઐતિહાસિક ડેટા અને ધારણાઓ પર આધારિત છે. AI દૃશ્યો ડિઝાઇન કરે છે, સિમ્યુલેશન કોડ લખે છે અને પરિણામોનું અર્થઘટન કરે છે; પરંતુ કયા આંચકા વાસ્તવિક છે, પૂંછડીના જોખમને કેવી રીતે હેન્ડલ કરવું, અને માળખાકીય વિરામ (ભૂતકાળમાં ક્યારેય ન બની હોય તેવી ઘટનાઓ)નો સમાવેશ કેવી રીતે કરવો તે એક્ચ્યુરિયલ ચુકાદા પર છોડી દેવામાં આવે છે.

નિર્ણાયક દૃશ્ય, સ્ટોકેસ્ટિક સિમ્યુલેશન અને તણાવ પરીક્ષણ

ત્રણ વિભાવનાઓને અલગ પાડવી મહત્વપૂર્ણ છે. નિર્ધારિત દૃશ્ય એ ધારણાઓનો એક સમૂહ પસંદ કરવાનો છે અને પરિણામની ગણતરી કરવાનો છે: "જો ફુગાવો 40 ટકા હોત તો અમારા દાવાની કિંમત શું હશે?" સરળ, સ્પષ્ટ અને વાતચીત કરવા માટે સરળ; પરંતુ તે માત્ર એક જ રસ્તો બતાવે છે, શક્યતા નહીં. સ્ટોકેસ્ટિક સિમ્યુલેશન (મોન્ટે કાર્લો) વારંવાર હજારો રેન્ડમ દૃશ્યો જનરેટ કરીને પરિણામનું સંભવિત વિતરણ મેળવે છે. આમ, પૂંછડીની માહિતી જેમ કે "સરેરાશ 50, પરંતુ 99.5 ટકા સ્તરે 78 મિલિયન" પ્રાપ્ત થાય છે. તણાવ પરીક્ષણ એ એક વિશિષ્ટ પ્રકારનું દૃશ્ય છે જે અમુક ગંભીર પરંતુ બુદ્ધિગમ્ય ઘટનાઓ (ભૂકંપ, માર્કેટ ક્રેશ) ની અસરને માપે છે; સામાન્ય રીતે નિયમનકાર દ્વારા વ્યાખ્યાયિત કરવામાં આવે છે.

મોન્ટે કાર્લો એ એક્ચ્યુરિયલના સૌથી શક્તિશાળી સાધનોમાંનું એક છે. તર્ક આ છે: તમે આવર્તન અને તીવ્રતાના વિતરણમાંથી રેન્ડમ મૂલ્યો કાઢો અને કુલ નુકસાનની ગણતરી કરો; તમે આ 10,000 વખત પુનરાવર્તન કરો; તમારા હાથમાં 10,000 સંભવિત કુલ નુકસાન એકઠા કરે છે. આ સંચયમાંથી, તમે સરેરાશ, ટકાવારી જેમ કે 75 ટકા, 99.5 ટકા અને સૌથી ખરાબ પરિસ્થિતિ વાંચી શકો છો. આ રીતે સોલ્વન્સી II (એક ખરાબ વર્ષ જે 200 વર્ષમાં એકવાર આવશે) દ્વારા જરૂરી 99.5 ટકા સ્તર જોવા મળે છે. AI ઝડપથી આ સિમ્યુલેશન માટે કોડ બનાવે છે.

નીચેનું કોષ્ટક ત્રણ અભિગમોની તુલના કરે છે:

અભિગમ

શું આપે છે

મજબૂત બિંદુ

મર્યાદા

નિર્ણાયક દૃશ્ય

એક પરિણામ

સરળ, વાતચીત કરવા માટે સરળ

સંભાવના આપતું નથી

મોન્ટે કાર્લો

સંભાવના વિતરણ

પૂંછડીનું જોખમ સૂચવે છે

ધારણા અને ડેટા પર નિર્ભર

તણાવ પરીક્ષણ

આઘાત હેઠળ પરિણામ

ટકાઉપણું પરીક્ષણ કરે છે

શોક સિલેક્શન ન્યાયિક છે

પૂંછડીનું જોખમ: સૌથી મહત્વપૂર્ણ અને સૌથી ખતરનાક વિસ્તાર

એક્ચ્યુરિયલ થિયરીમાં, વાસ્તવિક ખતરો સરેરાશમાં નહીં પરંતુ પૂંછડીમાં રહેલો છે (વિતરણનો આત્યંતિક, ઓછી-સંભવિત પરંતુ ઉચ્ચ-અસરનો પ્રદેશ). જે કંપનીઓને ડૂબી જાય છે તે સરેરાશ વર્ષ નથી, પરંતુ એક દુર્લભ પરંતુ વિનાશક ઘટના છે: એક મોટો ધરતીકંપ, એક જ સમયે ઘણું મોટું નુકસાન, અચાનક વ્યાજ દરનો આંચકો. આ પ્રદેશને માપવા માટે, VaR (વેલ્યુ એટ રિસ્ક — આપેલ આત્મવિશ્વાસના સ્તરે મહત્તમ નુકસાન) અને TVaR/CTE (પૂંછડીની બહાર સરેરાશ નુકસાન) નો ઉપયોગ કરવામાં આવે છે. મોન્ટે કાર્લો એ આ માપની ગણતરી કરવાની કુદરતી રીત છે.

પરંતુ પૂંછડીમાં બીજો ભય છે: ઐતિહાસિક માહિતી પૂંછડીને સારી રીતે રજૂ કરતી નથી. દુર્લભ ઘટનાઓ, વ્યાખ્યા દ્વારા, ભૂતકાળમાં દુર્લભ છે; તેથી મોડેલ તેમને ઓછો અંદાજ આપે છે. AI સરળતાથી ઐતિહાસિક ડેટાના આધારે વિતરણમાં બંધબેસે છે, પરંતુ તે "જો આ પોર્ટફોલિયોએ ક્યારેય અનુભવ્યો ન હોય એવો રોગચાળો અથવા 100 વર્ષનો ધરતીકંપ આવે તો શું?" માળખાકીય વિરામ, સહસંબંધ વધે છે (કટોકટી દરમિયાન બધું જ બગડતું હોય છે) અને આબોહવા પરિવર્તન જેવા વલણોને મોડેલમાં સામેલ કરવાનું કામ એક્ચ્યુરીનું છે.

સાવધાન: "અમારું મોડેલ 99.9 ટકા દૃશ્યો સંભાળે છે" એ વાક્ય દિલાસો આપનારું છે, પરંતુ યાદ રાખો કે મોડેલ એવા ડેટામાંથી શીખે છે જેની પૂંછડી ભૂતકાળ છે. એક ઘટના જે ક્યારેય બની નથી તે શ્રેષ્ઠ મોડેલ માટે પણ અંધ સ્થળ છે. આ તે છે જ્યાં નિષ્ણાત ચુકાદો રમતમાં આવે છે.

પરિસ્થિતિ અને તણાવ પરીક્ષણમાં AI નો ઉપયોગ કેવી રીતે કરવો

1) મોન્ટે કાર્લો સિમ્યુલેશન કોડ:

Python (ટિપ્પણીઓ સાથે) સાથે સંયોજન નુકસાન મોન્ટે કાર્લો સિમ્યુલેશન લખો. ધારણાઓ (હું આપું છું): નુકસાનની સંખ્યા ~ પોઈસન(લેમ્બડા=1600), નુકસાનની માત્રા ~ ગામા(આકાર=કે, સ્કેલ=થીટા) [હું k અને થીટા આપીશ].1) 10,000 વખત: જથ્થો દોરો, તે રકમ દોરો, ઉમેરો.2) કુલ નુકસાનની સરેરાશ, 75%, 95%, 95% કેલન અને 93% પ્રિન્ટ કરો. VaR(99.5%) અને TVaR(99.5%).ફિટિંગ પરિમાણો; હું આપીશ. પુસ્તકાલય: નમ્પી.

2) નિર્ણાયક તણાવ દૃશ્ય:

તમારી ભૂમિકા: જોખમ સહાયક. મારી બેઝ અપેક્ષિત નુકસાન 50 મિલિયન TL છે. નીચેના 3 નિર્ણાયક દૃશ્યો સેટ કરો: A) ફુગાવાનો આંચકો: તીવ્રતા +30%. બી) આવર્તન આંચકો: નુકસાનની સંખ્યા +15%. સી) બંને એકસાથે. દરેક દૃશ્યમાં નવા અપેક્ષિત નુકસાનની ગણતરી કરો, આધારના આધારે ટકાવારીની અસર દર્શાવો અને ટિપ્પણી કરો કે કયું સૌથી મહત્વપૂર્ણ છે. ફક્ત મેં આપેલા આધાર નંબરનો ઉપયોગ કરો.

3) દૃશ્ય ડિઝાઇન કન્સલ્ટન્સી:

હું હેલ્થ ઈન્સ્યોરન્સ પોર્ટફોલિયો માટે સ્ટ્રેસ ટેસ્ટ સિનારીયો ડિઝાઇન કરી રહ્યો છું. - રોગચાળા, ઉચ્ચ ફુગાવો, નવી ખર્ચાળ સારવાર તકનીક અને નિયમનકારી પરિવર્તન માટે પ્રત્યેક ડ્રાફ્ટ 'ગંભીર પરંતુ બુદ્ધિગમ્ય' દૃશ્યની દરખાસ્ત કરો. - દરેક દૃશ્ય આવર્તન, તીવ્રતા અથવા બંનેને અસર કરે છે કે કેમ તે જણાવો. - ઐતિહાસિક માહિતી સાથે કેપ્ચર ન કરી શકાય તેવા પૂંછડીના જોખમો દર્શાવો. હું નિર્ણય કરીશ; તમે ફ્રેમવર્ક અને વાજબીપણું પ્રદાન કરો છો.

4) પરિણામનું સંચાલનમાં અનુવાદ:

મારું મોન્ટે કાર્લો પરિણામ: અપેક્ષિત નુકસાન 50M, VaR(99.5%) 78M, TVaR(99.5%) 89M. આને 5 વાક્યોમાં બોર્ડ ઓફ ડિરેક્ટર્સને સમજાવો:- સાદી ભાષામાં 99.5% અને TVaR નો અર્થ શું થાય છે.- 'સરેરાશ દ્વારા આયોજન' શા માટે અપૂરતું છે?- મૂડીના સંદર્ભમાં તેઓએ કયો આંકડો જોવો જોઈએ?

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

મારા પોર્ટફોલિયો માટે સ્ટ્રેસ ટેસ્ટ કરો.

ત્યાં કોઈ આધાર મૂલ્ય નથી, કોઈ આઘાતની વ્યાખ્યા નથી, કોઈ વિતરણ નથી. AI એક સામાન્ય ટેક્સ્ટ બનાવે છે, શક્ય નંબર નહીં.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: એક્ચ્યુરિયલ રિસ્ક આસિસ્ટન્ટ. બેઝ ધારણાઓ (અનામી): અપેક્ષિત આવર્તન 0.12, સરેરાશ ગંભીરતા 30,000 TL, એક્સપોઝર 20,000 પોલિસી-વર્ષ. ટેકનિકલ વ્યાજ 4% છે. કાર્ય:1) બેઝ અપેક્ષિત કુલ નુકસાનની ગણતરી કરો.2) નીચે આપેલા તાણ લાગુ કરો અને દરેકની ટકાવારીની અસર બતાવો: - ફુગાવો: તીવ્રતા +25% - ખરાબ શિયાળો: આવર્તન +10% - વ્યાજ દરમાં ઘટાડો: 4% -> 3% (જવાબદારીના વર્તમાન મૂલ્ય પર અસર) 3) 2) સૌથી વધુ શા માટે ભલામણ કરો છો અને 4 ટીકા કરો છો. પૂંછડીના જોખમ માટે મોન્ટે કાર્લો, શા માટે?ફક્ત મેં આપેલા નંબરોનો ઉપયોગ કરો; જો તે ખૂટે છે, તો પૂછો.

ત્રણ નાના કેસો

કેસ 1 - સરેરાશની છેતરપિંડી. કંપનીએ અપેક્ષિત નુકસાન (50 મિલિયન)ના આધારે તેની મૂડીનું આયોજન કર્યું હતું. જ્યારે મોન્ટે કાર્લો કરવામાં આવ્યું હતું, ત્યારે એવું જોવામાં આવ્યું હતું કે 99.5 ટકાનું સ્તર 82 મિલિયન હતું: ખરાબ વર્ષમાં, 32 મિલિયનની વધારાની જરૂરિયાત હતી અને કંપની તેને પૂરી કરી શકશે નહીં. મૂડી યોજનામાં સુધારો કરવામાં આવ્યો છે. AI એ સેકન્ડોમાં 10,000 દૃશ્યોનું સિમ્યુલેશન ચલાવ્યું; એક્ચ્યુરીએ અર્થઘટન અને વિતરણનું મૂલ્યાંકન કર્યું.

કેસ 2 - સહસંબંધ અંધત્વ. પોર્ટફોલિયોમાં ધરતીકંપ અને વ્યાપાર વિક્ષેપ કવરેજ અલગથી ઓછું જોખમ દેખાય છે. પરંતુ ધરતીકંપ એક જ સમયે બંનેને ટ્રિગર કરે છે; સ્વતંત્રતા ધારણ કરતા મોડેલે પૂંછડીના જોખમને અડધાથી ઓછું આંક્યું હતું. જ્યારે એક્ચ્યુરીએ દૃશ્યમાં સહસંબંધ ઉમેર્યો, ત્યારે વાસ્તવિક મૂડીની જરૂરિયાત નોંધપાત્ર રીતે વધી. પાઠ: કટોકટીમાં, જોખમો સ્વતંત્ર નથી; પ્રશ્ન AI ની સ્વતંત્રતાની સ્વીકૃતિ.

કેસ 3 - એક ઘટના જે બની નથી. છેલ્લા 10 વર્ષના ડેટાના આધારે હેલ્થકેર પોર્ટફોલિયો ખૂબ જ "નક્કર" દેખાતો હતો. જ્યારે રોગચાળો આવ્યો, ત્યારે આવર્તન અને તીવ્રતા બંને એકસાથે આસમાને પહોંચી ગયા; મોડેલે ક્યારેય આની આગાહી કરી ન હતી કારણ કે ડેટામાં તેના જેવું કંઈ નહોતું. પછીના સમયગાળામાં, નિર્ણાયક રોગચાળાનું દૃશ્ય ઉમેરવામાં આવ્યું હતું. AI એ ડ્રાફ્ટ સ્ક્રિપ્ટનું નિર્માણ કર્યું; એક્ચ્યુરીએ આંચકાની તીવ્રતા નક્કી કરી. પાઠ: ઐતિહાસિક ડેટા કતાર પૂર્ણ નથી.

સામાન્ય ભૂલો

• સરેરાશ આસપાસ આયોજન. તે પૂંછડી છે, સરેરાશ નહીં, જે કંપનીને ડૂબી જાય છે; VaR/TVaR જેવા આત્યંતિક મેટ્રિક્સ જુઓ.
• ધારો કે જોખમો સ્વતંત્ર છે. કટોકટી દરમિયાન, સહસંબંધ વધે છે; સ્વતંત્રતાનો સ્વીકાર પૂંછડીનો પ્રકાશ બનાવે છે.
• ઐતિહાસિક માહિતીમાં સંપૂર્ણ વિશ્વાસ. દુર્લભ અને માળખાકીય ઘટનાઓ ડેટામાંથી ગેરહાજર છે; નિષ્ણાતના ચુકાદા સાથે દૃશ્ય ઉમેરો.
• નિર્ધારિત અને સ્ટોકેસ્ટિક મિશ્રણ. એક જ દૃશ્ય સંભાવના આપતું નથી; સંભાવનાને મોન્ટે કાર્લોની જરૂર છે.
• તેની ચકાસણી કર્યા વિના સિમ્યુલેશન પરિણામ રજૂ કરવું. ટકાવારી અને VaR સ્વતંત્ર રીતે તપાસો; પરિમાણ ભૂલ સમગ્ર વિતરણને વિકૃત કરે છે.

ટીપ: મોન્ટે કાર્લો પરિણામો રજૂ કરતા પહેલા, એક સરળ સુસંગતતા તપાસો: શું સિમ્યુલેશનનો અર્થ તમે હાથ દ્વારા ગણતરી કરેલ અપેક્ષિત મૂલ્ય (આવર્તન × તીવ્રતા × એક્સપોઝર) ની નજીક છે? જો નહિં, તો પરિમાણ અથવા કોડ ભૂલ છે.

સારાંશમાં

ભવિષ્ય એ એક સંખ્યા નથી, પરંતુ શક્યતાઓનું સ્પેક્ટ્રમ છે. નિર્ણાયક દૃશ્યો એક "શું હોય તો" પાથ દર્શાવે છે, મોન્ટે કાર્લો સમગ્ર વિતરણ અને પૂંછડીનું જોખમ દર્શાવે છે, તણાવ પરીક્ષણો ગંભીર ઘટનાઓની અસર દર્શાવે છે. વાસ્તવિક ખતરો પૂંછડીમાં છે, સરેરાશ નહીં, અને ઐતિહાસિક માહિતી પૂંછડીને સારી રીતે રજૂ કરતી નથી; વધતો સહસંબંધ અને જે ઘટનાઓ બની નથી તેને એક્ચ્યુરિયલ ચુકાદાની જરૂર છે. AI દૃશ્યને ડિઝાઇન કરે છે, સિમ્યુલેશનને કોડ કરે છે અને પરિણામનું અર્થઘટન કરે છે; પરંતુ આઘાતની પસંદગી, સહસંબંધ ધારણા, પૂંછડીનો નિર્ણય અને અંતિમ જોખમનો નિર્ણય એક્ચ્યુરી સાથે રહે છે. હંમેશા સરળ સુસંગતતા તપાસ સાથે પરિણામો ચકાસો.

એપ્લિકેશન કાર્ય

અનામી આધાર ધારણાઓ સેટ કરો (આવર્તન, તીવ્રતા, એક્સપોઝર, રસ). AI ને પૂછો કે (a) આધાર અપેક્ષિત નુકસાન, (b) ફુગાવો, આવર્તન અને વ્યાજ દરના આંચકા સહિત 3 નિર્ણાયક દૃશ્યો, (c) મોન્ટે કાર્લો સિમ્યુલેશન સાથે VaR અને TVaR(99.5%) ની ગણતરી કરો. ચકાસો કે સિમ્યુલેશન સરેરાશ તમે મેન્યુઅલી ગણતરી કરેલ અપેક્ષિત મૂલ્યની નજીક છે. પછી એઆઈ સાથે ચર્ચા કરો કે કેવી રીતે બે કોલેટરલ આશ્રિત છે (સંબંધિત) પૂંછડી બદલશે.

ચેકલિસ્ટ

• [ ] શું મેં સરેરાશને બદલે પૂંછડીના માપદંડો (VaR, TVaR) પણ જોયા છે?
• [ ] શું મેં કટોકટીના સમયે જોખમોના સહસંબંધને ધ્યાનમાં લીધું છે?
• [ ] શું મેં નિષ્ણાતના ચુકાદા સાથે ઐતિહાસિક ડેટામાં ન મળતા માળખાકીય/દુર્લભ દૃશ્યો ઉમેર્યા છે?
• [ ] શું મેં સભાનપણે નિર્ણાયક અને સ્ટોકેસ્ટિક અભિગમને અલગ કર્યો છે?
• [ ] શું મેં અપેક્ષિત મૂલ્ય સાથે સુસંગતતા માટે મોન્ટે કાર્લો મીન મેન્યુઅલી તપાસ્યું છે?
• [ ] શું મેં દૃશ્ય પસંદગીઓ અને આઘાતની તીવ્રતા માટેનું સમર્થન લખ્યું છે?