Analiza scenarija i testiranje otpornosti na stres: Upravljanje neizvjesnošću

Dobici:

• Sposobnost uspostavljanja determinističkog scenarija, stohastičke simulacije (Monte Carlo) i koncepta testiranja otpornosti na stres uz potporu umjetne inteligencije i interpretacije rezultata u jeziku rizika
• Sposobnost dizajniranja scenarija šoka kao što su inflacija, kamata, katastrofalna šteta i pandemija s umjetnom inteligencijom i procjena odgovornosti i utjecaja na kapital
• Biti u stanju razlikovati da se scenariji koje proizvodi umjetna inteligencija temelje na povijesnim podacima i da aktuarska prosudba dolazi do izražaja u manjim rizicima i strukturalnim prijelomima.

Aktuarizam je profesija predviđanja budućnosti; Ali budućnost nije jedan broj, to je spektar mogućnosti. Nije dovoljno reći "Naša očekivana šteta je 50 milijuna"; Pravo pitanje je: "Ako dođe loša godina, koliko će to milijuna koštati, može li tvrtka to podnijeti?" Alati koji daju odgovor na ovo pitanje su analiza scenarija i testiranje otpornosti na stres. Mjerenje unaprijed utjecaja potresa, visoke inflacije, šoka kamatnih stopa ili pandemije na obveze i kapital tvrtke temeljni je zahtjev kako internog upravljanja rizikom tako i zakonodavstva kao što je Solventnost II. U ovoj jedinici pokrit ćemo deterministički scenarij, stohastičku simulaciju (Monte Carlo) i testiranje otpornosti na stres te vidjeti kako koristiti AI u tim analizama.

Podsjetimo od početka: scenariji se temelje na povijesnim podacima i pretpostavkama. AI dizajnira scenarije, piše simulacijski kod i tumači rezultate; Ali koji su šokovi realni, kako se nositi s rizikom repa i kako uključiti strukturne lomove (događaje koji se nikada nisu dogodili u prošlosti) prepušteno je aktuarskoj prosudbi.

Deterministički scenarij, stohastička simulacija i testiranje otpornosti na stres

Važno je razlikovati tri pojma. Deterministički scenarij je odabrati jedan skup pretpostavki i izračunati ishod: "Kolika bi bila cijena naših potraživanja da je inflacija 40 posto?" Jednostavan, jasan i lak za komunikaciju; Ali pokazuje samo jedan način, a ne mogućnost. Stohastička simulacija (Monte Carlo) izvodi distribuciju vjerojatnosti ishoda opetovanim generiranjem tisuća slučajnih scenarija. Tako se dobivaju rep informacije poput "50 u prosjeku, ali 78 milijuna na razini od 99,5 posto". Test otpornosti na stres posebna je vrsta scenarija koji mjeri utjecaj određenih teških, ali vjerojatnih događaja (potres, slom tržišta); obično definira regulator.

Monte Carlo je jedan od najmoćnijih aktuarskih alata. Logika je sljedeća: izdvojite nasumične vrijednosti iz distribucije učestalosti i intenziteta i izračunate ukupnu štetu; ponovite ovo 10 000 puta; Akumulira 10 000 moguće ukupne štete u vašoj ruci. Iz ove akumulacije možete pročitati prosjek, percentile poput 75 posto, 99,5 posto i najgore moguće scenarije. Upravo je tako pronađena razina od 99,5 posto koju zahtijeva Solventnost II (loša godina koja se događa jednom u 200 godina). AI brzo proizvodi kôd za ovu simulaciju.

Sljedeća tablica uspoređuje tri pristupa:

pristup

što daje

jaka točka

granica

Deterministički scenarij

pojedinačni rezultat

Jednostavan, lak za komunikaciju

Ne daje vjerojatnost

Monte Carlo

Distribucija vjerojatnosti

Označava opasnost od repa

Ovisno o pretpostavci i podacima

stres test

Rezultat pod šokom

Testira trajnost

Šok selekcija je sudska

Rizik repa: najvažnije i najopasnije područje

U aktuarskoj teoriji, stvarna opasnost ne leži u srednjoj, već u repu (ekstremno područje distribucije s malom vjerojatnošću, ali s velikim utjecajem). Ono što potapa tvrtke nije prosječna godina, već rijedak, ali razoran događaj: veliki potres, mnogo velikih šteta koje dolaze u isto vrijeme, iznenadni šok kamatnih stopa. Za mjerenje ove regije koriste se VaR (Value at Risk — maksimalni gubitak na određenoj razini pouzdanosti) i TVaR/CTE (prosječni gubitak iza repa). Monte Carlo je prirodan način za izračunavanje ovih mjerenja.

Ali postoji još jedna opasnost u repu: povijesni podaci ne predstavljaju dobro rep. Rijetki su događaji, po definiciji, bili rijetki u prošlosti; pa ih je model sklon podcijeniti. AI lako uklapa distribuciju temeljenu na povijesnim podacima, ali ne razmatra spontano "što ako dođe do pandemije ili 100-godišnjeg potresa koji ovaj portfelj nikada nije doživio?" Posao aktuara je da u model uključi strukturne lomove, poraste korelacije (sve se pogoršava u isto vrijeme tijekom krize) i trendove kao što su klimatske promjene.

Oprez: rečenica "Naš model obrađuje 99,9 posto scenarija" je utješna, ali zapamtite da model uči iz podataka čiji je rep prošlost. Događaj koji se nikada nije dogodio slijepa je točka i najboljeg modela. Ovdje dolazi do izražaja stručna procjena.

Kako koristiti AI u scenariju i testiranju otpornosti na stres

1) Kod Monte Carlo simulacije:

Napišite Monte Carlo simulaciju složene štete s Pythonom (s komentarima). Pretpostavke (ja dajem): broj štete ~ Poisson(lambda=1600), iznos štete ~ Gama(oblik=k, skala=theta) [ja ću dati k i theta].1) 10 000 puta: izvući količinu, izvući taj iznos, zbrojiti.2) Prosjek ukupnih šteta, 75%, 99%, 99,5% ispisati postotke.3) Izračunaj i objasni VaR(99,5%) i TVaR(99,5%).FITING parametri; Ja ću ga dati. Knjižnica: numpy.

2) Deterministički scenarij stresa:

Vaša uloga: pomoćnik u riziku. Moj osnovni očekivani gubitak je 50 milijuna TL. Postavite sljedeća 3 deterministička scenarija: A) Inflacijski šok: ozbiljnost +30%. B) Frekvencijski šok: broj oštećenja +15%. C) Oboje zajedno. Izračunajte novu očekivanu štetu u svakom scenariju, prikažite postotak utjecaja na temelju baze i komentirajte koji je najkritičniji. Samo upotrijebite osnovni broj koji sam vam dao.

3) Savjetovanje o dizajnu scenarija:

Dizajniram scenarije testiranja otpornosti na stres za portfelj zdravstvenog osiguranja. - Predložite nacrt 'ozbiljnog, ali vjerojatnog' scenarija za pandemiju, visoku inflaciju, novu skupu tehnologiju liječenja i regulatornu promjenu. - Navedite utječe li svaki scenarij na učestalost, ozbiljnost ili oboje. - Ukažite na rizike koji se ne mogu obuhvatiti povijesnim podacima. Ja ću donijeti odluku; Vi dajete okvir i opravdanje.

4) Prevođenje rezultata u upravljanje:

Moj Monte Carlo rezultat: očekivana šteta 50M, VaR(99,5%) 78M, TVaR(99,5%) 89M. Objasnite to upravnom odboru u 5 rečenica: - Što znači 99,5% i TVaR, jednostavnim jezikom. - Zašto je 'prosječno planiranje' neadekvatno? - Na koju bi brojku trebali gledati u smislu kapitala?

Slab upit / Jak upit

Slab upit:

Napravite stres test za moj portfelj.

Nema osnovne vrijednosti, nema definicije šoka, nema distribucije. AI proizvodi opći tekst, a ne izvediv broj.

Snažan upit:

Vaša uloga: asistent za aktuarski rizik. Osnovne pretpostavke (anonimne): očekivana učestalost 0,12, prosječna ozbiljnost 30 000 TL, izloženost 20 000 polica-godina. Tehnički interes je 4%. Zadatak:1) Izračunajte osnovni očekivani ukupni gubitak.2) Primijenite sljedeća stresa i pokažite postotak utjecaja svakog: - Inflacija: ozbiljnost +25% - Loša zima: učestalost +10% - Pad kamatne stope: 4% -> 3% (utjecaj na sadašnju vrijednost obveze)3) Komentirajte 2 najkritičnija scenarija i zašto.4) Preporučate li Monte Carlo za rep rizik, zašto? Samo upotrijebite brojeve koje sam dao; Ako nedostaje, pitajte.

tri mini kućišta

Slučaj 1 — Varljivost prosjeka. Tvrtka je planirala kapital na temelju očekivane štete (50 milijuna). Kad je Monte Carlo gotov, vidjelo se da je razina od 99,5 posto 82 milijuna: u lošoj godini postojala je dodatna potreba od 32 milijuna i tvrtka to ne bi mogla zadovoljiti. Plan kapitalnog ulaganja je revidiran. AI je pokrenuo simulaciju 10 000 scenarija u sekundi; Aktuar je procijenio tumačenje i distribuciju.

Slučaj 2 — Korelacijska sljepoća. Pokriće od potresa i prekida poslovanja zasebno se činilo niskim rizikom u portfelju. Ali potres pokreće oboje u isto vrijeme; Model koji pretpostavlja neovisnost upola je podcijenio rizik repa. Kada je aktuar dodao korelaciju scenariju, stvarna potreba za kapitalom značajno se povećala. Pouka: u krizi rizici nisu neovisni; Pitanje AI-jeva pretpostavljenog prihvaćanja neovisnosti.

Slučaj 3 — Događaj koji se nije dogodio. Portfelj zdravstvenih usluga izgledao je vrlo "solidno" na temelju podataka iz posljednjih 10 godina. Kad je stigla pandemija, i učestalost i ozbiljnost su istodobno naglo porasle; Model to nikada nije predvidio jer ništa slično nije bilo u podacima. U sljedećem razdoblju dodan je deterministički pandemijski scenarij. AI je napravio nacrt scenarija; Aktuar je odlučio o veličini šoka. Lekcija: red povijesnih podataka nije dovršen.

Uobičajene greške

• Planiranje oko prosjeka. Rep je ono što potapa tvrtku, a ne prosjek; Pogledajte ekstremne metrike poput VaR/TVaR.
• Pretpostavka da su rizici neovisni. Tijekom krize korelacije se povećavaju; Prihvaćanje neovisnosti zanemaruje rep.
• Potpuno povjerenje u povijesne podatke. Rijetki i strukturni događaji nedostaju u podacima; Dodajte scenarij sa stručnom prosudbom.
• Miješanje determinističkog i stohastičkog. Jedan scenarij ne daje vjerojatnost; Vjerojatnost zahtijeva Monte Carlo.
• Predstavljanje rezultata simulacije bez njegove provjere. Neovisno provjerite postotke i VaR; Pogreška parametra iskrivljuje cijelu distribuciju.

Savjet: Prije predstavljanja Monte Carlo rezultata, napravite jednostavnu provjeru dosljednosti: je li srednja vrijednost simulacije blizu očekivane vrijednosti (učestalost × intenzitet × izloženost) koju ste ručno izračunali? Ako nije, postoji pogreška parametra ili koda.

Ukratko

Budućnost nije jedan broj, već spektar mogućnosti. Deterministički scenariji pokazuju jedan "što ako" put, Monte Carlo prikazuje cjelokupnu distribuciju i rep rizika, testovi otpornosti na stres pokazuju utjecaj teških događaja. Prava opasnost je u repu, a ne u prosjeku, a povijesni podaci ne predstavljaju dobro rep; Povećana korelacija i događaji koji se nisu dogodili zahtijevaju aktuarsku prosudbu. AI dizajnira scenarij, kodira simulaciju i tumači rezultat; ali izbor šoka, pretpostavka korelacije, krajnja prosudba i konačna odluka o riziku ostaju na aktuaru. Uvijek provjerite rezultate jednostavnom provjerom dosljednosti.

Zadatak aplikacije

Postavite anonimne osnovne pretpostavke (učestalost, intenzitet, izloženost, interes). Zatražite od umjetne inteligencije da (a) utvrdi očekivanu štetu, (b) 3 deterministička scenarija uključujući inflaciju, učestalost i šokove kamatnih stopa, (c) izračuna VaR i TVaR (99,5%) pomoću Monte Carlo simulacije. Provjerite je li srednja vrijednost simulacije blizu očekivane vrijednosti koju ste ručno izračunali. Zatim raspravite s umjetnom inteligencijom kako bi pretpostavka da su dva kolaterala ovisna (korelirana) promijenila rep.

popis za provjeru

• [ ] Jesam li također gledao rep mjere (VaR, TVaR) umjesto prosjeka?
• [ ] Jesam li uzeo u obzir korelaciju rizika u vrijeme krize?
• [ ] Jesam li dodao strukturne/rijetke scenarije koji nisu pronađeni u povijesnim podacima sa stručnom procjenom?
• [ ] Jesam li svjesno razdvojio deterministički i stohastički pristup?
• [ ] Jesam li ručno provjerio dosljednost Monte Carlo srednje vrijednosti s očekivanom vrijednošću?
• [ ] Jesam li napisao obrazloženje izbora scenarija i magnitude šoka?