Pelnas:
- Gebėjimas apibendrinti ir interpretuoti tris „Mokumas II“ ramsčius, SCR/MCR (kapitalo reikalavimas) ir techninio aprūpinimo sąvokas, pasitelkiant dirbtinį intelektą.
- Galimybė konfigūruoti modelio patvirtinimą, atgalinį testavimą, jautrumo analizę ir nepriklausomus peržiūros veiksmus naudojant dirbtinį intelektą
- Gebėjimas suprasti, kad pats dirbtinis intelektas yra modelis, kurį reikia patikrinti, ir kad galutinė atsakomybė už kapitalo sąskaitą tenka paskirtam aktuarui ir vadovybei.
Draudimo bendrovė žada dešimtmečius su kiekvienu parduodamu polisu. Siekdama tesėti šiuos pažadus, ji turi ne tik skirti pakankamai atidėjinių, bet ir išlaikyti pakankamai kapitalo, kad būtų išvengta blogų scenarijų. Kapitalas yra įmonės buferis, kuris sugeria netikėtus nuostolius, jos finansinio atsparumo matas. Šį atsparumą Europoje ir daugiausia Turkijoje reguliuojanti sistema yra „Mokumas II“. Šiame skyriuje apžvelgsime „Mokumas II“ logiką, kapitalo reikalavimą (SCR/MCR) ir modelio patvirtinimą – vieną brandžiausių aktuaro disciplinų; Pažiūrėsime, kaip naudoti AI šioje srityje ir kodėl pats AI yra modelis, kurį reikia patvirtinti.
Priminsime nuo pat pradžių: kapitalo pakankamumo skaičiavimas lemia, ar įmonė išliks, ar ne; Nuo to priklauso reguliavimo institucijos, kredito reitingų agentūrų ir draudėjų pasitikėjimas. Šioje srityje AI gamina trumpus, kodus ir juodraščius; tačiau galutinė atsakomybė už kapitalo dydį tenka paskirtam aktuarijui ir vadovybei, o kiekvienas modelis, įskaitant AI, turi būti patikrintas nepriklausomai.
Trys „Mokumas II“ ramsčiai
„Mokumas II“ remiasi trimis „ramsčiais“. 1 skiltis – Kiekybiniai reikalavimai: apibrėžiama, kaip bus apskaičiuojami techniniai atidėjiniai ir kapitalo reikalavimai. Čia yra du slenksčiai. SCR (mokumo kapitalo reikalavimas): tai kapitalas, kurį įmonė turi pasilikti, kad galėtų įvykdyti savo įsipareigojimus per metus 99,5 procento patikimumo lygiu, net esant blogam scenarijui, kuris įvyks maždaug kartą per 200 metų. MCR (minimalus kapitalo reikalavimas) yra absoliuti apatinė riba, kurią žemiau licencijos gali kilti pavojus. 2 ramstis. Valdymas ir rizikos valdymas: apima vidaus kontrolę, rizikos valdymo sistemą ir savo rizikos vertinimą (ORSA). 3 ramstis. Skaidrumas ir ataskaitų teikimas: įpareigojimai atskleisti informaciją visuomenei ir reguliavimo institucijai.
SCR galima apskaičiuoti dviem būdais. Standartinė formulė: su paruoštais rizikos moduliais ir reguliatoriaus apibrėžtais parametrais. Vidinis modelis: pačios įmonės sukurtas, reguliuotojų patvirtintas modelis (dažniausiai pagrįstas Monte Karlo). Vidiniai modeliai yra tikslesni, bet reikalauja daug sudėtingesnio tikrinimo ir patvirtinimo proceso. Reguliavimo institucija Turkijoje yra SEDDK (Draudimo ir privačių pensijų reguliavimo ir priežiūros agentūra), o teisės aktai palaipsniui artėja prie „Mokumas II“ principų.
Šioje lentelėje apibendrinamos pagrindinės sąvokos:
koncepcija
Reikšmė
kritinis taškas
Techninis atsakas
Dabartinė įsipareigojimų vertė
Geriausias spėjimas + rizikos marža
SCR
1 metų nuostolio kapitalas su 99,5% pasitikėjimu
Pagrindinis kvalifikacijos kriterijus
MCR
Absoliutus minimalus kapitalas
Šeši = licencijos rizika
ORSA
Pačios įmonės rizikos vertinimas
2 ramstis, valdymo atsakomybė
Mokumo koeficientas
Akcinis kapitalas / SCR
Virš 100 % = pakankamai
Techninis atsakas: geriausias įvertinimas ir rizikos marža
„Mokumas II“ techninis atidėjinys susideda iš dviejų dalių. Geriausias įvertinimas: numatoma visų būsimų pinigų srautų vertė, įvertinta pagal tikimybę ir diskontuota – nešališkas įvertinimas, kuris nėra nei konservatyvus, nei optimistiškas. Rizikos marža: papildomas rezervas, kurio pareikalaus kita įmonė, jei ji paveldės neapibrėžtumą; pridėta prie jūsų geriausio spėjimo. Šis skirtumas tiesiogiai susijęs su pašalpos skaičiavimu 3 bloke: prie geriausio įvertinimo, kurį radote naudodami grandinines kopėčias arba BF, pridedama rizikos marža, gauta iš neapibrėžtumo, kurį išmatuojate naudodami Mack/bootstrap. AI padeda paaiškinti šiuos komponentus ir sugeneruoti apskaitos kodą.
Patarimas: neskaitykite tokio skaičiaus kaip „Mokumo rodiklis 160 procentų“. Paklauskite, kokiomis prielaidomis (palūkanos, mirtingumas, katastrofos scenarijus) skaičiuojamas šis rodiklis ir kokiu stresu ji pagrįsta; Gerai atrodantis santykis gali būti prastų prielaidų rezultatas.
Modelio patikra: kiekvienas modelis, įskaitant AI, yra patikrintas
Viena brandžiausių aktuarinių disciplinų yra modelio patvirtinimas. Jokiu modeliu – nei GLM, nei Monte Karlo, nei AI įrankiu – negalima pasitikėti be patvirtinimo. Patikrinimas susideda iš kelių komponentų. Atgalinis patikrinimas: modelio praeities prognozių palyginimas su faktiniais rezultatais; Jei modelis nuolat nuvertina arba pervertina (šališkumas), yra problema. Jautrumo analizė: įvesties prielaidų keitimas ir matymas, kiek keičiasi produkcija; Pernelyg jautrus modelis yra trapus. Lyginamoji analizė: rezultato palyginimas su alternatyviu metodu arba pramonės duomenimis. Nepriklausoma peržiūra: kvalifikuoto aktuaro, kuris nėra modelį sukūręs asmuo, atlieka auditas. „Mokumas II“ aiškiai reikalauja tokio nepriklausomumo.
Čia yra kritinis taškas: pats AI yra modelis ir turi būti patvirtintas. Kodas, skaičiavimas ar pasiūlymas, kurį sukuria kalbos modelis, turi būti tikrinami atgaline tvarka, vertinami ir nepriklausoma peržiūra, kaip ir GLM. Be to, tai, kaip AI pateikia atsakymą, dažnai nėra skaidrus (juodoji dėžutė); Tai reikalauja kruopštesnio patikrinimo. Galite naudoti dirbtinį intelektą, kad susistemintumėte patvirtinimo procesą, bet negalite perduoti paties patvirtinimo AI – tai būtų interesų konfliktas.
Atsargiai: priversti AI pasakyti „patvirtinti ir patvirtinti mano modelį“ yra tas pats, kas priversti studentą skaityti savo egzaminą. Patikrinimą atlieka nepriklausomas ir kompetentingas asmuo, naudodamas dokumentus. AI gali padėti tik generuojant kontrolinius sąrašus ir bandomąjį kodą.
Kaip naudoti dirbtinį intelektą mokumo ir tikrinimo srityse
1) Koncepcijos santrauka ir vertimas į verslo kalbą:
Jūsų vaidmuo: aktuarinio mokymo asistentas. Paaiškinkite „Mokumas II“ generalinio direktoriaus padėjėjui 6 klausimais: SCR, MCR, techninis atsakas (geriausias įvertinimas + rizikos marža), mokumo koeficientas, standartinė formulė ir vidinis modelis, ORSA. Kiekvieną elementą parašykite vienu sakiniu, paprasta kalba. Nesugalvokite skaičių; tiesiog paaiškinkite sąvokas.
2) Patvirtinimo kontrolinis sąrašas:
Patvirtinsiu rezervavimo modelį pagal „Mokumas II“. Pateikite man modelio patvirtinimo kontrolinį sąrašą: - Atgalinio patikrinimo žingsniai - Prielaidos, kurias reikia keisti jautrumo analizei - Lyginimo parinktys - Klausimai, kuriuos reikia užduoti nepriklausomai peržiūrai Tebūnie tai sistema; Priimsiu sprendimą ir įvertinimą.
3) Atgalinio patikrinimo kodas:
Parašykite atgalinio patikrinimo kodą Python (su komentarais): Įvestis: numatomas atsakymas kiekvienam periodui ir vėliau realizuota reikšmė. 1) Prognozė – apskaičiuokite kiekvieno laikotarpio faktinį paklaidą. 2) Nurodykite vidutinį nuokrypį ir jo kryptį (ar jis nuolat mažas/didelis). 3) Pasiūlykite paprastą statistinių ženklų testą. Aš interpretuosiu rezultatą; Duomenis pateiksiu.
4) Mokumo lygio scenarijus:
Mano nuosavas kapitalas yra 320 mln., SCR yra 200 mln. Apskaičiuokite mano mokumo koeficientą. Tada, jei SCR padidės iki 250M esant įtampai, apskaičiuokite naują santykį. Abiem atvejais pakomentuokite, ar santykis yra pakankamas (100 % riba). Tiesiog naudokite mano duotus skaičius.
Silpnas raginimas / Stiprus raginimas
Silpnas raginimas:
Apskaičiuokite mano kapitalo poreikį ir patvirtinkite, kad mano modelis yra teisingas.
Dvi klaidos: nėra duomenų ir nėra metodo; Be to, jei AI pasakys „patvirtinti“, patvirtinimas negalioja.
Galingas raginimas:
Jūsų vaidmuo: aktuarinio patikrinimo asistentas. A užduotis: mokumo koeficiento skaičiavimas – nuosavas kapitalas 320M, MKR 200M; raskite santykį ir interpretuokite jį pagal 100 % slenkstį.B užduotis: pateikite kontrolinį sąrašą ir atgalinio patikrinimo kodo juodraštį, kad nepriklausomai patvirtintumėte šį rezervavimo modelį.Pastaba: modelio nepatvirtinsite; Patikrinimą atliks nepriklausomas aktuaras. Jums tereikia sukurti sistemą, kodą ir užduoti klausimus. Negalvok skaičių.
trys mini dėklai
1 atvejis – geras rodiklis su silpna prielaida. Atrodė, kad vienos įmonės mokumo lygis siekė 180 proc., o vadovybė buvo atsipalaidavusi. Nepriklausoma peržiūra parodė, kad palūkanų norma buvo apskaičiuota remiantis labai optimistine palūkanų norma ir mažu katastrofos scenariju; Turint realistines prielaidas, rodiklis sumažėjo iki 115 proc. Pamoka: šansai yra tokie pat geri, kaip ir prielaidos. AI greitai perskaičiavo prielaidos pasikeitimo poveikį; Įvertinimą atliko nepriklausomas aktuaras.
2 atvejis – sisteminis nukrypimas. Atgalinis modelio patikrinimas parodė, kad jis trejus metus iš eilės numatė atidėjimą vidutiniškai 8 procentais. Atskiri metai atrodė „priimtini“, tačiau nuolatinis nukrypimas ta pačia kryptimi buvo šališkumo ženklas. Pataisytas modelio evoliucijos faktoriaus pasirinkimas. AI sukūrė atgalinio patikrinimo kodą ir nuokrypių grafiką; Aktuaras interpretavo modelį.
3 atvejis – AI patikros užsakomųjų paslaugų spąstai. Asistentas liepė AI „patvirtinti, kad šis vidinis modelis atitinka „Mokumas II“; AI sukūrė sklandų tekstą „yra prieinamas“. Tačiau AI iš tikrųjų nepatikrino modelio duomenų ar prielaidų; Tai buvo fasado patvirtinimas, o ne tikrasis patvirtinimas. Kai įsikišo nepriklausomas aktuaras, buvo rastos dvi rimtos prielaidos klaidos. Pamoka: tikrinimas yra žmogaus pareiga; AI negali to perimti.
Dažnos klaidos
- Mokumo koeficiento skaitymas be prielaidų. Geras santykis gali būti prastų prielaidų rezultatas; Suabejokite toliau pateiktomis prielaidomis.
- Žvelgiant į atskirus metus ir trūksta sisteminio šališkumo. Nuolatinis mažas nukrypimas ta pačia kryptimi yra rimto šališkumo požymis.
- Atlikus patikrinimą ir patvirtinus AI. Tai yra interesų konfliktas ir išvaizdos patvirtinimas; Patikrinimą atlieka nepriklausomas žmogus.
- Painiojamas geriausias spėjimas su rizikos marža. Abu yra atskiri komponentai; Rizikos marža yra neapibrėžtumo rezervas ir nėra įtraukta į prognozę.
- AI išvestis naudojama taip, lyg ji būtų tikra, o ne kaip nepatvirtintas modelis. AI taip pat yra modelis; turi būti atliktas atgalinis patikrinimas, jautrumas ir nepriklausoma kontrolė.
Apibendrinant
„Mokumas II“ reguliuoja draudimo įmonių finansinį atsparumą; Trys jos ramsčiai yra kiekybiniai reikalavimai, valdymas ir skaidrumas. SCR yra kapitalas, skirtas padengti metų nuostolį su 99,5 procento pasitikėjimu, MCR yra absoliutus minimumas; Techninį atidėjinį sudaro geriausias įvertinimas ir rizikos marža. Modelio patvirtinimas – grįžtamasis patikrinimas, nuotaikos, lyginamoji analizė, nepriklausoma peržiūra – yra disciplina, kurią turi atlikti kiekvienas modelis, įskaitant dirbtinį intelektą, kad juo būtų galima pasitikėti. AI gamina sąvokų trumpus, kodus ir kontrolinius sąrašus; Tačiau atsakomybė už kapitalo dydį tenka paskirtam aktuarui ir vadovybei, tikrinimas priklauso nepriklausomam žmogui, o AI pasakymas „patvirtinti“ nepakeičia tikrojo patikrinimo.
Taikymo užduotis
Sukurkite mokumo koeficiento scenarijų su anoniminiais skaičiais (nuosavas kapitalas ir SCR). Paprašykite dirbtinio intelekto (a) apskaičiuoti tarifą ir perskaičiuoti jį esant įtampai, (b) sudaryti rezervavimo modelio patvirtinimo kontrolinį sąrašą ir atgalinio patikrinimo kodo projektą. Rankiniu būdu patikrinkite santykį. Tada sąmoningai paprašykite AI „patvirtinti mano modelį“ ir kritiškai įvertinkite jo atsakymą: ką jis iš tikrųjų valdė, ko nekontroliavo?
kontrolinis sąrašas
- [ ] Ar perskaičiau mokumo koeficientą abejodamas pagrindinėmis prielaidomis?
- [ ] Ar aš ieškojau sistemingo šališkumo ir atskirų metų atgalinio testo?
- [ ] Ar patikrą palikau nepriklausomam ir kompetentingam žmogui, ar neperdaviau to dirbtiniam intelektui?
- [ ] Ar teisingai paskyriau geriausią įvertinimą ir rizikos maržą?
- [ ] Ar AI išvestį traktavau kaip modelį, kurį reikia patvirtinti?
- [ ] Ar teigiau, kad galutinė atsakomybė už kapitalo dydį tenka paskirtam aktuarui?