Keuntungan:
- Kemampuan untuk menetapkan skenario deterministik, simulasi stokastik (Monte Carlo) dan konsep stress test dengan dukungan kecerdasan buatan dan menafsirkan hasilnya dalam bahasa risiko
- Kemampuan untuk merancang skenario kejutan seperti inflasi, suku bunga, kerusakan besar dan pandemi dengan kecerdasan buatan dan memperkirakan dampak tanggung jawab dan modal
- Mampu membedakan bahwa skenario yang dihasilkan oleh kecerdasan buatan didasarkan pada data historis dan bahwa penilaian aktuaria lebih diutamakan dalam risiko ekor dan kerusakan struktural.
Aktuaria adalah profesi yang meramalkan masa depan; Namun masa depan bukanlah sebuah angka tunggal, melainkan sebuah spektrum kemungkinan. Tidaklah cukup hanya mengatakan, “Kerusakan yang kami perkirakan mencapai 50 juta”; Pertanyaan sebenarnya adalah: “Jika tahun buruk datang, berapa juta biaya yang harus dikeluarkan, mampukah perusahaan mengatasinya?” Alat yang menjawab pertanyaan ini adalah analisis skenario dan stress test. Mengukur terlebih dahulu dampak gempa bumi, inflasi yang tinggi, guncangan suku bunga, atau pandemi terhadap kewajiban dan modal perusahaan merupakan persyaratan mendasar baik dari manajemen risiko internal maupun peraturan perundang-undangan seperti Solvabilitas II. Dalam unit ini, kita akan membahas skenario deterministik, simulasi stokastik (Monte Carlo) dan pengujian stres, serta melihat cara menggunakan AI dalam analisis ini.
Mari kita ingatkan Anda dari awal: skenario didasarkan pada data dan asumsi historis. AI merancang skenario, menulis kode simulasi, dan menafsirkan hasil; Namun guncangan mana yang realistis, bagaimana menangani tail risk, dan bagaimana memasukkan jeda struktural (peristiwa yang belum pernah terjadi di masa lalu) diserahkan kepada penilaian aktuaria.
Skenario deterministik, simulasi stokastik dan stress test
Penting untuk membedakan tiga konsep. Skenario deterministiknya adalah dengan memilih serangkaian asumsi dan menghitung hasilnya: “Berapa biaya klaim kami jika inflasi mencapai 40 persen?” Sederhana, jelas dan mudah untuk berkomunikasi; Tapi itu hanya menunjukkan satu cara, bukan kemungkinan. Simulasi stokastik (Monte Carlo) memperoleh distribusi probabilitas hasil dengan berulang kali menghasilkan ribuan skenario acak. Dengan demikian, diperoleh informasi ekor seperti "rata-rata 50, tetapi 78 juta pada tingkat 99,5 persen". Stress test adalah jenis skenario khusus yang mengukur dampak peristiwa tertentu yang parah namun masuk akal (gempa bumi, jatuhnya pasar); biasanya ditentukan oleh regulator.
Monte Carlo adalah salah satu alat aktuaria yang paling ampuh. Logikanya begini: Anda mengekstrak nilai acak dari distribusi frekuensi dan intensitas dan menghitung total kerusakan; Anda mengulanginya 10.000 kali; Mengumpulkan 10.000 kemungkinan kerusakan total di tangan Anda. Dari akumulasi tersebut, Anda bisa membaca rata-rata, persentil seperti 75 persen, 99,5 persen, dan skenario terburuk. Ini adalah bagaimana tingkat 99,5 persen yang disyaratkan oleh Solvabilitas II (tahun buruk yang akan terjadi sekali dalam 200 tahun) ditemukan. AI dengan cepat menghasilkan kode untuk simulasi ini.
Tabel berikut membandingkan ketiga pendekatan tersebut:
Pendekatan
apa yang memberi
titik kuat
batas
Skenario deterministik
hasil tunggal
Sederhana, mudah untuk berkomunikasi
Tidak memberikan kemungkinan
Monte Carlo
Distribusi probabilitas
Menunjukkan risiko ekor
Tergantung pada asumsi dan data
tes stres
Hasil di bawah kejutan
Menguji daya tahan
Pemilihan kejutan bersifat yudisial
Resiko ekor: area yang paling penting dan paling berbahaya
Dalam teori aktuaria, bahaya sebenarnya bukan terletak pada mean, melainkan pada bagian ekor (daerah distribusi yang ekstrim, probabilitasnya rendah, namun berdampak tinggi). Apa yang menenggelamkan perusahaan bukanlah kejadian yang terjadi setiap tahunnya, tapi peristiwa yang jarang terjadi namun menghancurkan: gempa bumi besar, banyak kerusakan besar yang terjadi pada saat yang bersamaan, guncangan suku bunga yang tiba-tiba. Untuk mengukur wilayah ini, digunakan VaR (Value at Risk — kerugian maksimum pada tingkat kepercayaan tertentu) dan TVaR/CTE (kerugian rata-rata di luar ekor). Monte Carlo adalah cara alami untuk menghitung pengukuran ini.
Namun ada bahaya lain di bagian ekor: data historis tidak mewakili bagian ekor dengan baik. Peristiwa langka, menurut definisi, jarang terjadi di masa lalu; jadi modelnya cenderung meremehkan mereka. AI dengan mudah menyesuaikan distribusi berdasarkan data historis, namun AI tidak secara spontan mempertimbangkan “bagaimana jika ada pandemi atau gempa bumi 100 tahun yang belum pernah dialami portofolio ini?” Tugas aktuaris adalah memasukkan jeda struktural, peningkatan korelasi (semuanya menjadi lebih buruk pada saat yang sama selama krisis) dan tren seperti perubahan iklim ke dalam model.
Perhatian: Kalimat "Model kami menangani 99,9 persen skenario" memang menenangkan, namun perlu diingat bahwa model belajar dari data yang ekornya sudah lewat. Suatu peristiwa yang tidak pernah terjadi adalah titik buta bahkan bagi model terbaik sekalipun. Di sinilah penilaian ahli berperan.
Cara menggunakan AI dalam skenario dan pengujian stres
1) Kode simulasi Monte Carlo:
Tulis simulasi kerusakan gabungan Monte Carlo dengan Python (dengan komentar). Asumsi (saya berikan): jumlah kerusakan ~ Poisson(lambda=1600), jumlah kerusakan ~ Gamma(bentuk=k, skala=theta) [Saya akan memberikan k dan theta].1) 10,000 kali: menarik kuantitas, menarik jumlah itu, menjumlahkan.2) Rata-rata total kerusakan, 75%, 99%, 99.5% persentase cetak.3) Hitung dan jelaskan VaR(99.5%) dan TVaR(99,5%).Parameter PAS; Saya akan memberikannya. Perpustakaan: numpy.
2) Skenario stres deterministik:
Peran Anda: asisten risiko. Perkiraan kerugian dasar saya adalah 50 juta TL. Siapkan 3 skenario deterministik berikut: A) Guncangan inflasi: tingkat keparahan +30%. B) Frekuensi guncangan: jumlah kerusakan +15%. C) Keduanya bersama-sama. Hitung perkiraan kerusakan baru di setiap skenario, tunjukkan persentase dampak berdasarkan dasar dan beri komentar mana yang paling kritis. Gunakan saja nomor dasar yang saya berikan kepada Anda.
3) Konsultasi desain skenario:
Saya sedang merancang skenario stress test untuk portofolio asuransi kesehatan. - Mengusulkan rancangan skenario yang 'parah namun masuk akal' untuk masing-masing pandemi, inflasi tinggi, teknologi pengobatan baru yang mahal, dan perubahan peraturan. - Nyatakan apakah setiap skenario mempengaruhi frekuensi, tingkat keparahan, atau keduanya. - Tunjukkan risiko-risiko tambahan yang tidak dapat ditangkap dengan data historis. Saya akan mengambil keputusan; Anda memberikan kerangka dan pembenaran.
4) Menerjemahkan hasilnya ke dalam manajemen:
Hasil Monte Carlo saya: perkiraan kerusakan 50M, VaR(99,5%) 78M, TVaR(99,5%) 89M. Jelaskan hal ini kepada dewan direksi dalam 5 kalimat:- Apa arti 99.5% dan TVaR, dalam bahasa sederhana.- Mengapa 'perencanaan berdasarkan rata-rata' tidak memadai?- Berapa angka yang harus mereka pertimbangkan dalam kaitannya dengan modal?
Perintah lemah / Perintah kuat
Perintah yang lemah:
Lakukan stress test untuk portofolio saya.
Tidak ada nilai dasar, tidak ada definisi kejutan, tidak ada distribusi. AI menghasilkan teks umum, bukan angka yang layak.
Perintah yang kuat:
Peran Anda: asisten risiko aktuaria. Asumsi dasar (anonim): frekuensi yang diharapkan 0,12, tingkat keparahan rata-rata 30,000 TL, paparan 20,000 tahun kebijakan. Minat teknisnya adalah 4%.Tugas:1) Hitung perkiraan kerugian total dasar.2) Terapkan tekanan berikut dan tunjukkan persentase dampak masing-masing: - Inflasi: tingkat keparahan +25% - Musim dingin yang buruk: frekuensi +10% - Penurunan suku bunga: 4% -> 3% (dampak pada nilai kewajiban sekarang)3) Beri komentar pada 2 skenario paling kritis dan alasannya.4) Apakah Anda merekomendasikan Monte Carlo untuk risiko ekor, mengapa?Gunakan saja angka yang saya berikan; Jika hilang, tanyakan.
tiga kasus mini
Kasus 1 - Kecurangan rata-rata. Sebuah perusahaan telah merencanakan modalnya berdasarkan perkiraan kerusakan (50 juta). Ketika Monte Carlo selesai, terlihat level 99,5 persen adalah 82 juta: pada tahun buruk, ada tambahan kebutuhan sebesar 32 juta dan perusahaan tidak akan mampu memenuhinya. Rencana ibu kota telah direvisi. AI menjalankan simulasi 10.000 skenario dalam hitungan detik; Aktuaris melakukan evaluasi interpretasi dan pendistribusiannya.
Kasus 2 — Kebutaan korelasi. Cakupan gempa bumi dan gangguan bisnis secara terpisah menunjukkan risiko rendah dalam suatu portofolio. Namun gempa bumi memicu keduanya pada saat yang bersamaan; Model yang mengasumsikan independensi meremehkan risiko ekor hingga setengahnya. Ketika aktuaris menambahkan korelasi pada skenario tersebut, kebutuhan modal riil meningkat secara signifikan. Pelajaran: dalam suatu krisis, risiko tidak berdiri sendiri; Pertanyaan tentang asumsi penerimaan independensi AI.
Kasus 3 — Peristiwa yang tidak terjadi. Portofolio layanan kesehatan terlihat sangat "solid" berdasarkan data 10 tahun terakhir. Ketika pandemi tiba, frekuensi dan tingkat keparahannya melonjak secara bersamaan; Model tersebut tidak pernah memperkirakan hal ini karena tidak ada data yang serupa. Pada periode berikutnya, skenario pandemi deterministik ditambahkan. AI membuat rancangan naskah; Aktuaris memutuskan besarnya guncangan. Pelajaran: antrian data historis belum lengkap.
Kesalahan umum
- Perencanaannya berkisar pada rata-rata. Yang menenggelamkan perusahaan adalah ekornya, bukan rata-ratanya; Lihatlah metrik ekstrim seperti VaR/TVaR.
- Dengan asumsi risiko bersifat independen. Selama krisis, korelasi meningkat; Penerimaan kemerdekaan tidak berarti apa-apa.
- Keyakinan penuh pada data historis. Peristiwa langka dan struktural tidak ada dalam data; Tambahkan skenario dengan penilaian ahli.
- Mencampur deterministik dan stokastik. Skenario tunggal tidak memberikan kemungkinan; Probabilitas membutuhkan Monte Carlo.
- Menyajikan hasil simulasi tanpa memverifikasinya. Periksa persentase dan VaR secara mandiri; Kesalahan parameter mendistorsi seluruh distribusi.
Tip: Sebelum menyajikan hasil Monte Carlo, lakukan pemeriksaan konsistensi sederhana: apakah rata-rata simulasi mendekati nilai yang diharapkan (frekuensi × intensitas × paparan) yang Anda hitung dengan tangan? Jika tidak, ada kesalahan parameter atau kode.
Singkatnya
Masa depan bukanlah sebuah angka tunggal, namun sebuah spektrum kemungkinan. Skenario deterministik menunjukkan satu jalur "bagaimana jika", Monte Carlo menunjukkan seluruh distribusi dan risiko ekor, uji stres menunjukkan dampak kejadian parah. Bahaya sebenarnya ada di bagian ekor, bukan rata-rata, dan data historis tidak mewakili bagian ekor dengan baik; Meningkatnya korelasi dan kejadian yang belum terjadi memerlukan pertimbangan aktuaria. AI merancang skenario, mengkodekan simulasi, dan menafsirkan hasilnya; namun pemilihan kejutan, asumsi korelasi, penilaian akhir, dan keputusan risiko akhir berada di tangan aktuaris. Selalu verifikasi hasil dengan pemeriksaan konsistensi sederhana.
Tugas aplikasi
Tetapkan asumsi dasar anonim (frekuensi, intensitas, keterpaparan, minat). Minta AI untuk (a) mendasarkan perkiraan kerusakan, (b) 3 skenario deterministik termasuk guncangan inflasi, frekuensi dan suku bunga, (c) menghitung VaR dan TVaR (99,5%) dengan simulasi Monte Carlo. Verifikasi bahwa rata-rata simulasi mendekati nilai yang diharapkan yang Anda hitung secara manual. Kemudian diskusikan dengan AI bagaimana asumsi kedua agunan tersebut saling bergantung (berkorelasi) akan mengubah ekornya.
daftar periksa
- [ ] Apakah saya juga telah melihat ukuran ekornya (VaR, TVaR) dan bukan rata-ratanya?
- [ ] Sudahkah saya memperhitungkan korelasi risiko pada saat krisis?
- [ ] Apakah saya sudah menambahkan skenario struktural/langka yang tidak ditemukan dalam data historis dengan penilaian ahli?
- [ ] Sudahkah saya secara sadar memisahkan pendekatan deterministik dan stokastik?
- [ ] Sudahkah saya memeriksa secara manual mean Monte Carlo untuk konsistensi dengan nilai yang diharapkan?
- [ ] Sudahkah saya menulis justifikasi atas pilihan skenario dan besaran guncangan?