Pelnas:
- Gebėjimas sukurti deterministinį scenarijų, stochastinį modeliavimą (Monte Carlo) ir testavimo nepalankiausiomis sąlygomis koncepcijas, pasitelkiant dirbtinį intelektą ir interpretuoti rezultatus rizikos kalba
- Gebėjimas dirbtinio intelekto pagalba sukurti šoko scenarijus, tokius kaip infliacija, palūkanos, katastrofinė žala ir pandemija, ir įvertinti atsakomybę bei poveikį kapitalui
- Galimybė atskirti, kad dirbtinio intelekto sukurti scenarijai yra pagrįsti istoriniais duomenimis ir kad aktuarinis sprendimas išryškėja uodegos rizikos ir struktūrinių lūžių atveju.
Aktuarizmas yra ateities numatymo profesija; Tačiau ateitis – tai ne vienas skaičius, tai galimybių spektras. Neužtenka pasakyti „Mūsų laukiama žala – 50 mln.“; Tikrasis klausimas yra toks: „Jei ateis blogi metai, kiek milijonų tai kainuos, ar įmonė gali su tuo susitvarkyti? Priemonės, atsakančios į šį klausimą, yra scenarijų analizė ir testavimas nepalankiausiomis sąlygomis. Iš anksto įvertinti žemės drebėjimo, didelės infliacijos, palūkanų normų šoko ar pandemijos poveikį įmonės įsipareigojimams ir kapitalui yra esminis tiek vidaus rizikos valdymo, tiek teisės aktų, tokių kaip „Mokumas II“, reikalavimas. Šiame skyriuje apžvelgsime deterministinį scenarijų, stochastinį modeliavimą (Monte Karlas) ir testavimą nepalankiausiomis sąlygomis bei pamatysime, kaip šiose analizėse panaudoti dirbtinį intelektą.
Priminsime nuo pat pradžių: scenarijai paremti istoriniais duomenimis ir prielaidomis. AI kuria scenarijus, rašo modeliavimo kodą ir interpretuoja rezultatus; Bet kokie sukrėtimai yra realūs, kaip valdyti uodegos riziką ir kaip įtraukti struktūrinius lūžius (praeityje niekada neįvykusius įvykius), paliekama aktuariniam sprendimui.
Deterministinis scenarijus, stochastinis modeliavimas ir testavimas nepalankiausiomis sąlygomis
Svarbu išskirti tris sąvokas. Deterministinis scenarijus yra pasirinkti vieną prielaidų rinkinį ir apskaičiuoti rezultatą: „Kiek kainuotų mūsų ieškiniai, jei infliacija būtų 40 procentų? Paprasta, aišku ir lengva bendrauti; Bet tai rodo tik vieną būdą, o ne galimybę. Stochastinis modeliavimas (Monte Carlo) išveda rezultato tikimybių pasiskirstymą pakartotinai generuodamas tūkstančius atsitiktinių scenarijų. Taigi gaunama tokia uodegos informacija kaip „50 vidutiniškai, bet 78 mln. 99,5 procentų lygyje“. Testavimas nepalankiausiomis sąlygomis yra specialus scenarijaus tipas, kuriuo matuojamas tam tikrų sunkių, bet tikėtinų įvykių (žemės drebėjimo, rinkos žlugimo) poveikis; paprastai nustato reguliatorius.
Monte Karlas yra vienas iš galingiausių aktuarinių priemonių. Logika yra tokia: jūs ištraukiate atsitiktines reikšmes iš dažnio ir intensyvumo skirstinių ir apskaičiuojate bendrą žalą; kartojate tai 10 000 kartų; Jūsų rankoje sukaupia 10 000 galimų žalos. Iš šios sankaupos galite perskaityti vidurkį, procentilius, tokius kaip 75 procentai, 99,5 procentai ir blogiausio atvejo scenarijus. Būtent taip randamas 99,5 procentų lygis, kurio reikalauja „Mokumas II“ (blogi metai, kurie pasitaikys kartą per 200 metų). AI greitai sukuria šio modeliavimo kodą.
Toliau pateiktoje lentelėje palyginami trys metodai:
Prieiga
ką duoda
stiprioji vieta
riba
Deterministinis scenarijus
vienas rezultatas
Paprasta, lengva bendrauti
Tikimybių nesuteikia
Monte Karlas
Tikimybių skirstinys
Nurodo uodegos riziką
Priklauso nuo prielaidos ir duomenų
testavimas nepalankiausiomis sąlygomis
Rezultatas šoko metu
Testuoja ilgaamžiškumą
Šoko pasirinkimas yra teisminis
Uodegos rizika: svarbiausia ir pavojingiausia sritis
Aktuarinėje teorijoje tikrasis pavojus slypi ne vidutinėje, o uodegoje (kraštutinėje, mažos tikimybės, bet didelio poveikio skirstinio srityje). Įmones nuskandina ne vidutiniai metai, o retas, bet pražūtingas įvykis: stiprus žemės drebėjimas, daug didelių nuostolių tuo pačiu metu, staigus palūkanų normos šokas. Šiam regionui matuoti naudojamas VaR (Value at Risk – didžiausias nuostolis esant tam tikram pasikliovimo lygiui) ir TVaR/CTE (vidutinis nuostolis už uodegos ribų). Monte Karlas yra natūralus šių matavimų skaičiavimo būdas.
Tačiau uodegoje slypi dar vienas pavojus: istoriniai duomenys netinkamai atspindi uodegą. Reti įvykiai, pagal apibrėžimą, praeityje buvo reti; todėl modelis linkęs juos nuvertinti. AI nesunkiai pritaiko paskirstymą, pagrįstą istoriniais duomenimis, tačiau spontaniškai nesvarsto „o jei įvyktų pandemija ar 100 metų trukęs žemės drebėjimas, kurio šis portfelis niekada nepatyrė? Aktuaro darbas yra įtraukti į modelį struktūrinius lūžius, koreliacijos padidėjimą (viskas blogėja tuo pačiu metu krizės metu) ir tokias tendencijas kaip klimato kaita.
Atsargiai: sakinys „Mūsų modelis tvarko 99,9 proc. scenarijus“ yra paguodžiantis, tačiau atminkite, kad modelis mokosi iš duomenų, kurių uodega yra praeityje. Niekada neįvykęs įvykis yra net geriausio modelio akloji dėmė. Čia atsiranda ekspertų sprendimas.
Kaip naudoti AI scenarijų ir testavimo nepalankiausiomis sąlygomis metu
1) Monte Karlo modeliavimo kodas:
Parašykite sudėtinės žalos Monte Karlo modeliavimą su Python (su komentarais). Prielaidos (teikiu): žalos skaičius ~ Puasonas(lambda=1600), žalos dydis ~ Gama(forma=k, skalė=teta) [duosiu k ir teta].1) 10 000 kartų: paimkite kiekį, ištraukite tą sumą, sumuokite.2) Bendros žalos vidurkis, 75%, 99%, apskaičiuokite 9 procentais. VaR(99.5%) ir TVaR(99.5%).PRITAIKIMO parametrai; duosiu. Biblioteka: numpyta.
2) Deterministinio streso scenarijus:
Jūsų vaidmuo: rizikos asistentas. Mano bazinis numatomas nuostolis yra 50 mln. TL. Sukurkite šiuos 3 deterministinius scenarijus: A) Infliacijos šokas: sunkumas +30%. B) Dažnis šokas: pažeidimų skaičius +15%. C) abu kartu. Apskaičiuokite naują tikėtiną žalą kiekviename scenarijuje, nurodykite procentinį poveikį pagal bazę ir pakomentuokite, kuris iš jų yra kritiškiausias. Tiesiog naudokite bazinį numerį, kurį jums daviau.
3) Scenarijų projektavimo konsultacijos:
Kuriu sveikatos draudimo portfelio testavimo nepalankiausiomis sąlygomis scenarijus. - Pasiūlykite „sunkaus, bet tikėtino“ scenarijaus projektą dėl pandemijos, didelės infliacijos, naujos brangios gydymo technologijos ir reguliavimo pokyčių. - Nurodykite, ar kiekvienas scenarijus turi įtakos dažnumui, sunkumui ar abiem. - Nurodykite uodegos riziką, kurios negalima užfiksuoti naudojant istorinius duomenis. Aš priimsiu sprendimą; Jūs pateikiate pagrindą ir pagrindimą.
4) Rezultato pavertimas valdymu:
Mano Monte Karlo rezultatas: numatoma žala 50M, VaR(99.5%) 78M, TVaR(99.5%) 89M. Paaiškinkite tai direktorių tarybai 5 sakiniais: - Ką reiškia 99,5% ir TVaR, paprasta kalba. - Kodėl "planavimas pagal vidurkį" yra neadekvatus? - Į kokį skaičių jie turėtų atsižvelgti kalbant apie kapitalą?
Silpnas raginimas / Stiprus raginimas
Silpnas raginimas:
Atlikite mano portfelio testą nepalankiausiomis sąlygomis.
Nėra bazinės vertės, šoko apibrėžimo, paskirstymo. AI sukuria bendrą tekstą, o ne įmanomą skaičių.
Galingas raginimas:
Jūsų vaidmuo: aktuarinės rizikos asistentas. Pagrindinės prielaidos (anoniminės): numatomas dažnis 0,12, vidutinis sunkumas 30 000 TL, ekspozicija 20 000 draudimo metų. Techninės palūkanos yra 4%.Užduotis:1) Apskaičiuokite bazinį tikėtiną bendrą nuostolį.2) Taikykite šiuos įtempius ir parodykite kiekvieno jų įtaką procentais: - Infliacija: sunkumas +25% - Bloga žiema: dažnis +10% - Palūkanų normos mažėjimas: 4% -> 3% (poveikis dabartinei įsipareigojimo vertei)3) Komentuokite 2 labiausiai rizikuojančius Carlo scenarijus. naudokite mano duotus skaičius; Jei trūksta, klauskite.
trys mini dėklai
1 atvejis – vidurkio apgaulė. Įmonė planavo savo kapitalą pagal numatomą žalą (50 mln.). Kai buvo atliktas Monte Karlas, buvo matyti, kad 99,5 procentų lygis yra 82 milijonai: blogais metais atsirado papildomas 32 milijonų poreikis ir įmonė jo nepajėgs patenkinti. Kapitalo planas buvo patikslintas. AI per kelias sekundes paleido 10 000 scenarijų modeliavimą; Aktuaras įvertino aiškinimą ir paskirstymą.
2 atvejis – koreliacinis aklumas. Atskirai žemės drebėjimo ir verslo pertrūkių aprėptis portfelyje pasirodė nedidelė. Tačiau žemės drebėjimas sukelia abu tuo pačiu metu; Nepriklausomumo darantis modelis perpus neįvertino uodegos rizikos. Kai aktuarijus prie scenarijaus pridėjo koreliaciją, realusis kapitalo poreikis žymiai padidėjo. Pamoka: krizės metu rizika nėra nepriklausoma; Suabejokite, ar AI pripažįsta nepriklausomybę.
3 atvejis – neįvykęs įvykis. Remiantis pastarųjų 10 metų duomenimis, sveikatos priežiūros portfelis atrodė labai „tvirtas“. Kai atėjo pandemija, ir dažnis, ir sunkumas išaugo vienu metu; Modelis niekada to nenumatė, nes duomenyse nieko panašaus nebuvo. Kitu laikotarpiu buvo pridėtas deterministinės pandemijos scenarijus. AI sukūrė scenarijaus projektą; Aktuaras nusprendė sukrėtimo mastą. Pamoka: istorinių duomenų eilė neužbaigta.
Dažnos klaidos
- Planavimas apie vidurkį. Tai yra uodega, o ne vidurkis, kuris skandina įmonę; Pažvelkite į ekstremalias metrikas, pvz., VaR / TVaR.
- Darant prielaidą, kad rizika yra nepriklausoma. Krizės metu koreliacijos didėja; Nepriklausomybės priėmimas nušviečia uodegą.
- Visiškas pasitikėjimas istoriniais duomenimis. Duomenyje nėra retų ir struktūrinių įvykių; Pridėkite scenarijų su eksperto nuomone.
- Deterministinio ir stochastikos maišymas. Vienas scenarijus nesuteikia tikimybės; Tikimybei reikia Monte Karlo.
- Modeliavimo rezultato pateikimas jo nepatikrinus. Tikrinti procentus ir VaR nepriklausomai; Parametrų klaida iškreipia visą paskirstymą.
Patarimas: prieš pateikdami Monte Karlo rezultatus, atlikite paprastą nuoseklumo patikrinimą: ar modeliavimo vidurkis yra artimas laukiamai vertei (dažnis × intensyvumas × ekspozicija), kurią apskaičiavote ranka? Jei ne, yra parametro arba kodo klaida.
Apibendrinant
Ateitis – tai ne vienas skaičius, o galimybių spektras. Deterministiniai scenarijai rodo vieną „kas būtų, jei“ kelią, Monte Karlas rodo visą pasiskirstymą ir uodegos riziką, testavimas nepalankiausiomis sąlygomis rodo sunkių įvykių poveikį. Tikrasis pavojus yra uodegoje, o ne vidurkis, o istoriniai duomenys netinkamai atspindi uodegą; Padidėjusi koreliacija ir neįvykę įvykiai reikalauja aktuarinio sprendimo. AI kuria scenarijų, koduoja modeliavimą ir interpretuoja rezultatą; bet šoko pasirinkimas, koreliacijos prielaida, uodegos sprendimas ir galutinis sprendimas dėl rizikos priklauso aktuatoriui. Visada patikrinkite rezultatus paprastu nuoseklumo patikrinimu.
Taikymo užduotis
Nustatykite anonimines bazines prielaidas (dažnis, intensyvumas, ekspozicija, susidomėjimas). Paprašykite AI (a) pagrįsti tikėtiną žalą, (b) 3 deterministinius scenarijus, įskaitant infliacijos, dažnumo ir palūkanų normos sukrėtimus, (c) apskaičiuoti VaR ir TVaR (99,5 %) Monte Karlo modeliavimu. Patikrinkite, ar modeliavimo vidurkis yra artimas laukiamai vertei, kurią apskaičiavote rankiniu būdu. Tada aptarkite su AI, kaip darant prielaidą, kad du užstatai yra priklausomi (koreliuojami), pasikeis uodega.
kontrolinis sąrašas
- [ ] Ar aš taip pat žiūrėjau į uodegos matmenis (VaR, TVaR), o ne į vidurkį?
- [ ] Ar atsižvelgiau į rizikos koreliaciją krizės metu?
- [ ] Ar pridėjau struktūrinius / retus scenarijus, kurių nėra istoriniuose duomenyse, remiantis ekspertų nuomone?
- [ ] Ar aš sąmoningai atskyriau deterministinį ir stochastinį požiūrį?
- [ ] Ar rankiniu būdu patikrinau, ar Monte Karlo vidurkis atitinka numatomą vertę?
- [ ] Ar parašiau scenarijų pasirinkimo pagrindimą ir smūgio mastą?