Nyereség:
- Képes mesterséges intelligencia segítségével determinisztikus forgatókönyv, sztochasztikus szimuláció (Monte Carlo) és stresszteszt koncepciók felállítására és az eredmények kockázati nyelven történő értelmezésére
- Képes sokk forgatókönyveket tervezni, mint például infláció, kamat, katasztrofális károk és világjárvány mesterséges intelligenciával, valamint megbecsülni a felelősséget és a tőkehatást
- Megkülönböztetni, hogy a mesterséges intelligencia által készített forgatókönyvek történeti adatokon alapulnak, és a biztosításmatematikai megítélés előtérbe kerül a farokkockázatokban és a szerkezeti töréseknél.
Az aktuarizmus a jövő megjóslásának szakma; De a jövő nem egyetlen szám, hanem lehetőségek spektruma. Nem elég azt mondani, hogy "50 milliós a várható kárunk"; Az igazi kérdés: "Ha rossz év jön, hány millióba kerül, bírja-e a cég?" Erre a kérdésre a forgatókönyvelemzés és a stressztesztek adnak választ. Egy földrengés, magas infláció, kamatsokk vagy világjárvány vállalat kötelezettségeire és tőkéjére gyakorolt hatásának előzetes mérése alapvető követelménye mind a belső kockázatkezelésnek, mind a jogszabályoknak, mint például a Szolvencia II. Ebben az egységben a determinisztikus forgatókönyvről, a sztochasztikus szimulációról (Monte Carlo) és a stressztesztről fogunk beszélni, és megnézzük, hogyan használhatjuk az AI-t ezekben az elemzésekben.
Emlékeztetjük a kezdetektől: a forgatókönyvek történeti adatokon és feltételezéseken alapulnak. Az AI forgatókönyveket tervez, szimulációs kódot ír és értelmezi az eredményeket; De hogy mely megrázkódtatások reálisak, hogyan kezeljük a végkockázatot, és hogyan vegyük figyelembe a strukturális töréseket (olyan eseményeket, amelyek a múltban soha nem történtek meg), az aktuáriusi megítélésre van bízva.
Determinisztikus forgatókönyv, sztochasztikus szimuláció és stresszteszt
Fontos megkülönböztetni három fogalmat. A determinisztikus forgatókönyv az, hogy egyetlen feltevést választunk, és kiszámoljuk az eredményt: „Mibe kerülne a követeléseink, ha az infláció 40 százalékos lenne?” Egyszerű, világos és könnyen kommunikálható; De ez csak egy utat mutat, nem egy lehetőséget. A sztochasztikus szimuláció (Monte Carlo) több ezer véletlenszerű forgatókönyv ismételt generálásával az eredmény valószínűségi eloszlását vezeti le. Így olyan farokinformációkat kapunk, mint "átlagosan 50, de 99,5 százalékos szinten 78 millió". A stresszteszt egy speciális forgatókönyv, amely bizonyos súlyos, de valószínű események (földrengés, piaci összeomlás) hatását méri; általában a szabályozó határozza meg.
A Monte Carlo az aktuáriusok egyik leghatékonyabb eszköze. A logika a következő: véletlenszerű értékeket von ki a gyakorisági és intenzitási eloszlásokból, és kiszámítja a teljes kárt; ezt megismétled 10 000-szer; 10 000 lehetséges teljes sebzést halmoz fel a kezedben. Ebből a halmozásból leolvashatók az átlagok, százalékok, például 75 százalék, 99,5 százalék és a legrosszabb forgatókönyvek. Pontosan így találják meg a Szolvencia II által megkövetelt 99,5 százalékos szintet (rossz év, ami 200 év alatt egyszer előfordul). Az AI gyorsan elkészíti a kódot ehhez a szimulációhoz.
Az alábbi táblázat összehasonlítja a három megközelítést:
Megközelítés
mit ad
erős pontja
határértéket
Determinisztikus forgatókönyv
egyetlen eredmény
Egyszerű, könnyen kommunikálható
Nem ad meg valószínűséget
Monte Carlo
Valószínűségi eloszlás
A farok kockázatát jelzi
Feltételezéstől és adatoktól függ
stressz teszt
Sokkhatás alatti eredmény
Tartósságot tesztel
A sokk kiválasztása bírósági
Farokkockázat: a legfontosabb és legveszélyesebb terület
Az aktuáriusi elméletben az igazi veszély nem az átlagban, hanem a farokban (az eloszlás szélsőséges, kis valószínűségű, de nagy hatású régiójában) rejlik. Nem egy átlagos év süllyeszti el a cégeket, hanem egy ritka, de pusztító esemény: egy nagy földrengés, egy időben érkező nagy károk, egy hirtelen kamatsokk. Ennek a régiónak a mérésére a VaR-t (kockázatokkal súlyozott érték – a maximális veszteség egy adott megbízhatósági szinten) és a TVaR/CTE-t (átlagos veszteség a farkon túl) használják. A Monte Carlo a természetes módja ezeknek a méréseknek.
De van egy másik veszély is a farokban: a történelmi adatok nem reprezentálják jól a farkat. A ritka események értelemszerűen ritkák voltak a múltban; így a modell hajlamos alábecsülni őket. A mesterséges intelligencia könnyen illeszkedik a korábbi adatokon alapuló eloszláshoz, de nem veszi spontán módon azt a kérdést, hogy "mi van, ha világjárvány vagy 100 éves földrengés történik, amelyet ez a portfólió még soha nem tapasztalt?" Az aktuárius feladata, hogy a modellbe belefoglalja a szerkezeti töréseket, a korrelációnövekedést (válság idején minden rosszabbodik) és az olyan trendeket, mint a klímaváltozás.
Vigyázat: A "Modellünk a forgatókönyvek 99,9 százalékát kezeli" mondat megnyugtató, de ne feledje, hogy a modell olyan adatokból tanul, amelyeknek a farka már elmúlt. Egy soha meg nem történt esemény még a legjobb modell vakfoltja is. Itt jön képbe a szakértői ítélet.
Az AI használata forgatókönyv- és stressztesztekben
1) Monte Carlo szimulációs kód:
Írjon egy összetett sérülés Monte Carlo szimulációt Pythonnal (kommentárokkal). Feltételezések (adom): sebzés száma ~ Poisson(lambda=1600), sebzés mértéke ~ Gamma(alak=k, skála=théta) [K-t és thétát fogok megadni].1) 10 000-szer: húzza ki a mennyiséget, húzza le azt az összeget, adja össze.2) A teljes károk átlaga, 75%, 99%, számolja ki a 9 százalékot. VaR(99,5%) és TVaR(99,5%).FITTING paraméterek; odaadom. Könyvtár: zsibbadt.
2) Determinisztikus stressz forgatókönyv:
Az Ön szerepe: kockázati asszisztens. Az alap várható veszteségem 50 millió TL. Állítsa be a következő 3 determinisztikus forgatókönyvet: A) Inflációs sokk: súlyosság +30%. B) Frekvenciasokk: a sérülések száma +15%. C) Mindkettő együtt. Számítsa ki az új várható károkat minden forgatókönyvben, mutassa meg a százalékos hatást az alap alapján, és írja meg, melyik a legkritikusabb. Csak használja az általam megadott alapszámot.
3) Forgatókönyv-tervezési tanácsadás:
Stresszteszt forgatókönyveket tervezek egy egészségbiztosítási portfólióhoz. - Javaslatot tegyen egy „súlyos, de valószínű” forgatókönyv tervezetére a világjárványra, a magas inflációra, az új drága kezelési technológiára és a szabályozási változásokra. - Adja meg, hogy az egyes forgatókönyvek befolyásolják-e a gyakoriságot, a súlyosságot vagy mindkettőt. - Mutasson rá olyan kockázatokra, amelyeket nem lehet megragadni a múltbeli adatokkal. Meghozom a döntést; Ön megadja a keretet és az indoklást.
4) Az eredmény lefordítása menedzsmentbe:
Monte Carlo eredményem: várható sebzés 50M, VaR(99.5%) 78M, TVaR(99.5%) 89M. Magyarázza el ezt az igazgatótanácsnak 5 mondatban:- Mit jelent közérthetően a 99,5% és a TVaR.- Miért nem megfelelő az „átlagos tervezés”?- Milyen tőkére kell tekinteni?
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Végezzen stressztesztet a portfóliómon.
Nincs alapérték, nincs sokkdefiníció, nincs eloszlás. Az AI általános szöveget állít elő, nem megvalósítható számot.
Erőteljes felszólítás:
Az Ön feladata: aktuáriusi kockázati asszisztens. Alapfeltevés (anonim): várható gyakoriság 0,12, átlagos súlyosság 30 000 TL, kitettség 20 000 biztosítási év. A technikai kamat 4%.Feladat:1) Számítsa ki az alap várható összveszteséget.2) Alkalmazza a következő feszültségeket, és mutassa be mindegyikük százalékos hatását: - Infláció: súlyosság +25% - Rossz tél: gyakoriság +10% - Kamatcsökkenés: 4% -> 3% (hatás a kötelezettség jelenértékére)3) Kommentálja a 2 legkritikusabb forgatókönyvet a Monte. használd az általam megadott számokat; Ha hiányzik, kérdezz.
három mini tok
1. eset – Az átlag csalása. Egy cég a várható kár (50 millió) alapján tervezte a tőkéjét. Amikor Monte Carlo elkészült, akkor látszott, hogy a 99,5 százalékos szint 82 millió: egy rossz évben 32 milliós pluszszükséglet volt, és ezt a cég nem fogja tudni teljesíteni. A tőketervet felülvizsgálták. Az AI 10 000 forgatókönyv szimulációját futtatta le másodpercek alatt; Az aktuárius értékelte az értelmezést és az elosztást.
2. eset – Korrelációs vakság. A földrengés és az üzemszünet fedezete külön-külön alacsony kockázatot jelentett egy portfólióban. De egy földrengés mindkettőt egyszerre váltja ki; A függetlenséget feltételező modell a felére alábecsülte a farokkockázatot. Amikor az aktus korrelációt adott a forgatókönyvhöz, a valós tőkeszükséglet jelentősen megnőtt. Tanulság: válságban a kockázatok nem függetlenek; Kérdezze meg az AI által feltételezett függetlenség elfogadását.
3. eset – Egy esemény, amely meg nem történt. Egy egészségügyi portfólió nagyon "szilárdnak" tűnt az elmúlt 10 év adatai alapján. Amikor egy világjárvány megérkezett, a gyakoriság és a súlyosság egyaránt az egekbe szökött; A modell ezt sosem jósolta meg, mert az adatokban semmi ilyesmi nem szerepelt. A következő időszakban hozzáadták a determinisztikus világjárvány forgatókönyvét. Az AI elkészítette a forgatókönyv-tervezetet; Az aktuárius döntött a sokk mértékéről. Tanulság: az előzményadatok sora nem teljes.
Gyakori hibák
- Az átlag körüli tervezés. Nem az átlag, hanem a farok süllyeszti el a társaságot; Tekintse meg az olyan szélsőséges mutatókat, mint a VaR/TVaR.
- Feltételezve, hogy a kockázatok függetlenek. Válság idején az összefüggések fokozódnak; A függetlenség elfogadása könnyűvé teszi a farkát.
- Teljes bizalom a történelmi adatokban. A ritka és strukturális események hiányoznak az adatokból; Adjon hozzá forgatókönyvet szakértői ítélettel.
- A determinisztikus és a sztochasztikus keveredés. Egyetlen forgatókönyv nem ad valószínűséget; A valószínűséghez Monte Carlo kell.
- A szimuláció eredményének bemutatása ellenőrzés nélkül. Ellenőrizze a százalékokat és a VaR-t függetlenül; A paraméterhiba a teljes eloszlást torzítja.
Tipp: A Monte Carlo eredmények bemutatása előtt végezzen egy egyszerű konzisztencia-ellenőrzést: a szimuláció átlaga közel van-e a kézzel számított várható értékhez (gyakoriság × intenzitás × expozíció)? Ha nem, akkor paraméter- vagy kódhiba van.
Összefoglalva
A jövő nem egyetlen szám, hanem a lehetőségek spektruma. A determinisztikus forgatókönyvek egyetlen "mi lenne, ha" utat mutatnak, Monte Carlo a teljes eloszlást és a végkockázatot, a stressztesztek pedig a súlyos események hatását mutatják. Az igazi veszély a farokban van, nem az átlagban, és a történelmi adatok nem mutatják jól a farkat; A megnövekedett korreláció és a meg nem történt események aktuáriusi megítélést igényelnek. Az AI megtervezi a forgatókönyvet, kódolja a szimulációt és értelmezi az eredményt; de a sokk kiválasztása, a korreláció feltételezése, a farok megítélése és a végső kockázati döntés a biztosításmatematikusra hárul. Mindig ellenőrizze az eredményeket egy egyszerű konzisztencia-ellenőrzéssel.
Pályázati feladat
Állítson be anonim alapfeltevéseket (gyakoriság, intenzitás, expozíció, érdeklődés). Kérje meg az AI-t, hogy (a) alapozza meg a várható károkat, (b) 3 determinisztikus forgatókönyvet, beleértve az inflációt, gyakoriságot és kamatláb sokkot, (c) számítsa ki a VaR-t és a TVaR-t (99,5%) Monte Carlo szimulációval. Ellenőrizze, hogy a szimulációs átlag közel van-e a manuálisan számított várható értékhez. Ezután beszélje meg az MI-vel, hogy a két biztosíték függő (korrelált) feltételezése hogyan változtatná meg a helyzetet.
ellenőrző lista
- [ ] Én is az átlagos mérték helyett az alsó mértékeket (VaR, TVaR) néztem?
- [ ] Figyelembe vettem-e a kockázatok korrelációját a válság idején?
- [ ] Hozzáadtam-e olyan szerkezeti/ritka forgatókönyveket, amelyek nem találhatók a történeti adatokban szakértői megítéléssel?
- [ ] Tudatosan választottam el egymástól a determinisztikus és a sztochasztikus megközelítést?
- [ ] Ellenőriztem manuálisan, hogy a Monte Carlo-i átlag összhangban van-e a várható értékkel?
- [ ] Megírtam a forgatókönyv-választások és a sokk nagyságrendjének indoklását?