സാഹചര്യ വിശകലനവും സമ്മർദ്ദ പരിശോധനയും: അനിശ്ചിതത്വം കൈകാര്യം ചെയ്യുന്നു

നേട്ടങ്ങൾ:

• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ പിന്തുണയോടെ ഡിറ്റർമിനിസ്റ്റിക് സാഹചര്യം, സ്റ്റോക്കാസ്റ്റിക് സിമുലേഷൻ (മോണ്ടെ കാർലോ), സ്ട്രെസ് ടെസ്റ്റ് ആശയങ്ങൾ എന്നിവ സ്ഥാപിക്കാനും റിസ്ക് ഭാഷയിൽ ഫലങ്ങൾ വ്യാഖ്യാനിക്കാനും ഉള്ള കഴിവ്
• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിച്ച് പണപ്പെരുപ്പം, പലിശ, വിനാശകരമായ നാശനഷ്ടങ്ങൾ, പാൻഡെമിക് തുടങ്ങിയ ഞെട്ടിക്കുന്ന സാഹചര്യങ്ങൾ രൂപകൽപ്പന ചെയ്യാനും ബാധ്യതയും മൂലധന ആഘാതവും കണക്കാക്കാനുമുള്ള കഴിവ്
• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് സൃഷ്ടിക്കുന്ന സാഹചര്യങ്ങൾ ചരിത്രപരമായ ഡാറ്റയെ അടിസ്ഥാനമാക്കിയുള്ളതാണെന്നും വാൽ അപകടങ്ങളിലും ഘടനാപരമായ ബ്രേക്കുകളിലും ആക്ച്വറിയൽ വിധി മുന്നിലെത്തുന്നുവെന്നും വേർതിരിച്ചറിയാൻ കഴിയും.

ഭാവി പ്രവചിക്കുന്ന തൊഴിലാണ് ആക്ച്വറിയലിസം; എന്നാൽ ഭാവി ഒരു സംഖ്യയല്ല, അത് സാധ്യതകളുടെ ഒരു സ്പെക്ട്രമാണ്. "നമ്മുടെ പ്രതീക്ഷിക്കുന്ന നാശനഷ്ടം 50 ദശലക്ഷം" എന്ന് പറഞ്ഞാൽ പോരാ; യഥാർത്ഥ ചോദ്യം ഇതാണ്: "ഒരു മോശം വർഷം വന്നാൽ, അതിന് എത്ര ദശലക്ഷങ്ങൾ ചിലവാകും, കമ്പനിക്ക് അത് കൈകാര്യം ചെയ്യാൻ കഴിയുമോ?" ഈ ചോദ്യത്തിന് ഉത്തരം നൽകുന്ന ഉപകരണങ്ങൾ സാഹചര്യ വിശകലനവും സമ്മർദ്ദ പരിശോധനയുമാണ്. കമ്പനിയുടെ ബാധ്യതകളിലും മൂലധനത്തിലും ഭൂകമ്പം, ഉയർന്ന പണപ്പെരുപ്പം, പലിശ നിരക്ക് ഷോക്ക് അല്ലെങ്കിൽ പാൻഡെമിക് എന്നിവയുടെ ആഘാതം മുൻകൂട്ടി അളക്കുന്നത് ആന്തരിക റിസ്ക് മാനേജ്മെൻ്റിൻ്റെയും സോൾവൻസി II പോലുള്ള നിയമനിർമ്മാണങ്ങളുടെയും അടിസ്ഥാന ആവശ്യകതയാണ്. ഈ യൂണിറ്റിൽ, ഞങ്ങൾ ഡിറ്റർമിനിസ്റ്റിക് സാഹചര്യം, സ്റ്റോക്കാസ്റ്റിക് സിമുലേഷൻ (മോണ്ടെ കാർലോ), സ്ട്രെസ് ടെസ്റ്റിംഗ് എന്നിവ ഉൾക്കൊള്ളുന്നു, കൂടാതെ ഈ വിശകലനങ്ങളിൽ AI എങ്ങനെ ഉപയോഗിക്കാമെന്ന് നോക്കാം.

ആദ്യം മുതൽ നിങ്ങളെ ഓർമ്മിപ്പിക്കാം: ചരിത്രപരമായ ഡാറ്റയെയും അനുമാനങ്ങളെയും അടിസ്ഥാനമാക്കിയുള്ളതാണ് സാഹചര്യങ്ങൾ. AI സാഹചര്യങ്ങൾ രൂപകൽപ്പന ചെയ്യുന്നു, സിമുലേഷൻ കോഡ് എഴുതുന്നു, ഫലങ്ങൾ വ്യാഖ്യാനിക്കുന്നു; എന്നാൽ ഏതൊക്കെ ഞെട്ടലുകളാണ് യാഥാർത്ഥ്യമുള്ളത്, ടെയിൽ റിസ്ക് എങ്ങനെ കൈകാര്യം ചെയ്യണം, ഘടനാപരമായ ഇടവേളകൾ (മുൻകാലങ്ങളിൽ ഒരിക്കലും സംഭവിച്ചിട്ടില്ലാത്ത ഇവൻ്റുകൾ) എങ്ങനെ ഉൾപ്പെടുത്തണം എന്നിവ യഥാർത്ഥ വിധിന്യായത്തിന് വിട്ടിരിക്കുന്നു.

ഡിറ്റർമിനിസ്റ്റിക് സാഹചര്യം, സ്റ്റോക്കാസ്റ്റിക് സിമുലേഷൻ, സ്ട്രെസ് ടെസ്റ്റിംഗ്

മൂന്ന് ആശയങ്ങൾ വേർതിരിച്ചറിയേണ്ടത് പ്രധാനമാണ്. ഒരു കൂട്ടം അനുമാനങ്ങൾ തിരഞ്ഞെടുത്ത് ഫലം കണക്കാക്കുക എന്നതാണ് നിർണ്ണായകമായ സാഹചര്യം: "നാണയപ്പെരുപ്പം 40 ശതമാനമാണെങ്കിൽ ഞങ്ങളുടെ ക്ലെയിമുകളുടെ വില എത്രയായിരിക്കും?" ലളിതവും വ്യക്തവും ആശയവിനിമയം നടത്താൻ എളുപ്പവുമാണ്; എന്നാൽ ഇത് ഒരു വഴി മാത്രമേ കാണിക്കുന്നുള്ളൂ, ഒരു സാധ്യതയല്ല. സ്റ്റോക്കാസ്റ്റിക് സിമുലേഷൻ (മോണ്ടെ കാർലോ) ആയിരക്കണക്കിന് ക്രമരഹിതമായ സാഹചര്യങ്ങൾ ആവർത്തിച്ച് സൃഷ്ടിച്ചുകൊണ്ട് ഫലത്തിൻ്റെ പ്രോബബിലിറ്റി ഡിസ്ട്രിബ്യൂഷൻ നേടുന്നു. അങ്ങനെ, "ശരാശരി 50, എന്നാൽ 99.5 ശതമാനം ലെവലിൽ 78 ദശലക്ഷം" പോലുള്ള വാൽ വിവരങ്ങൾ ലഭിക്കും. സ്ട്രെസ് ടെസ്റ്റ് എന്നത് ഒരു പ്രത്യേക തരം സാഹചര്യമാണ്, അത് ചില കഠിനവും എന്നാൽ വിശ്വസനീയവുമായ സംഭവങ്ങളുടെ (ഭൂകമ്പം, വിപണി തകർച്ച) ആഘാതം അളക്കുന്നു; സാധാരണയായി റെഗുലേറ്റർ നിർവചിച്ചിരിക്കുന്നത്.

ആക്ച്വറിയലിൻ്റെ ഏറ്റവും ശക്തമായ ഉപകരണങ്ങളിലൊന്നാണ് മോണ്ടെ കാർലോ. യുക്തി ഇതാണ്: നിങ്ങൾ ആവൃത്തിയിൽ നിന്നും തീവ്രത വിതരണങ്ങളിൽ നിന്നും ക്രമരഹിതമായ മൂല്യങ്ങൾ വേർതിരിച്ചെടുക്കുകയും മൊത്തം നാശനഷ്ടം കണക്കാക്കുകയും ചെയ്യുന്നു; നിങ്ങൾ ഇത് 10,000 തവണ ആവർത്തിക്കുക; സാധ്യമായ 10,000 നാശനഷ്ടങ്ങൾ നിങ്ങളുടെ കൈയ്യിൽ ശേഖരിക്കുന്നു. ഈ ശേഖരണത്തിൽ നിന്ന്, നിങ്ങൾക്ക് ശരാശരി, 75 ശതമാനം, 99.5 ശതമാനം, ഏറ്റവും മോശം സാഹചര്യങ്ങൾ എന്നിങ്ങനെയുള്ള ശതമാനങ്ങൾ വായിക്കാം. സോൾവൻസി II ആവശ്യപ്പെടുന്ന 99.5 ശതമാനം ലെവൽ (200 വർഷത്തിലൊരിക്കൽ സംഭവിക്കുന്ന ഒരു മോശം വർഷം) കണ്ടെത്തുന്നത് ഇങ്ങനെയാണ്. ഈ സിമുലേഷനുള്ള കോഡ് AI വേഗത്തിൽ നിർമ്മിക്കുന്നു.

ഇനിപ്പറയുന്ന പട്ടിക മൂന്ന് സമീപനങ്ങളെ താരതമ്യം ചെയ്യുന്നു:

സമീപിക്കുക

എന്ത് നൽകുന്നു

ശക്തമായ പോയിൻ്റ്

പരിധി

നിർണ്ണായക രംഗം

ഒരൊറ്റ ഫലം

ലളിതവും ആശയവിനിമയം നടത്താൻ എളുപ്പവുമാണ്

സാധ്യത നൽകുന്നില്ല

മോണ്ടെ കാർലോ

പ്രോബബിലിറ്റി ഡിസ്ട്രിബ്യൂഷൻ

വാൽ അപകടത്തെ സൂചിപ്പിക്കുന്നു

അനുമാനത്തെയും ഡാറ്റയെയും ആശ്രയിച്ചിരിക്കുന്നു

സമ്മർദ്ദ പരിശോധന

ഞെട്ടലിലാണ് ഫലം

ദൃഢത പരിശോധിക്കുന്നു

ഷോക്ക് സെലക്ഷൻ ജുഡീഷ്യൽ ആണ്

ടെയിൽ റിസ്ക്: ഏറ്റവും പ്രധാനപ്പെട്ടതും അപകടകരവുമായ പ്രദേശം

ആക്ച്വറിയൽ തിയറിയിൽ, യഥാർത്ഥ അപകടം മധ്യത്തിലല്ല, മറിച്ച് വാലിലാണ് (വിതരണത്തിൻ്റെ അങ്ങേയറ്റത്തെ, കുറഞ്ഞ-സാധ്യതയുള്ള എന്നാൽ ഉയർന്ന സ്വാധീനമുള്ള മേഖല). കമ്പനികളെ മുക്കിക്കളയുന്നത് ഒരു ശരാശരി വർഷമല്ല, മറിച്ച് അപൂർവവും എന്നാൽ വിനാശകരവുമായ ഒരു സംഭവമാണ്: ഒരു വലിയ ഭൂകമ്പം, ഒരേ സമയം വരുന്ന വലിയ നാശനഷ്ടങ്ങൾ, പെട്ടെന്നുള്ള പലിശ നിരക്ക് ഞെട്ടൽ. ഈ പ്രദേശം അളക്കാൻ, VaR (അപകടസാധ്യതയുള്ള മൂല്യം - തന്നിരിക്കുന്ന ആത്മവിശ്വാസ തലത്തിലെ പരമാവധി നഷ്ടം), TVaR/CTE (വാലിനപ്പുറം ശരാശരി നഷ്ടം) എന്നിവ ഉപയോഗിക്കുന്നു. ഈ അളവുകൾ കണക്കാക്കുന്നതിനുള്ള സ്വാഭാവിക മാർഗമാണ് മോണ്ടെ കാർലോ.

എന്നാൽ വാലിൽ മറ്റൊരു അപകടമുണ്ട്: ചരിത്രപരമായ ഡാറ്റ വാലിനെ നന്നായി പ്രതിനിധീകരിക്കുന്നില്ല. അപൂർവ സംഭവങ്ങൾ, നിർവചനം അനുസരിച്ച്, മുമ്പ് അപൂർവമായിരുന്നു; അതിനാൽ മോഡൽ അവരെ കുറച്ചുകാണുന്നു. ചരിത്രപരമായ ഡാറ്റയെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു വിതരണത്തിന് AI എളുപ്പത്തിൽ യോജിക്കുന്നു, എന്നാൽ "ഈ പോർട്ട്‌ഫോളിയോ ഒരിക്കലും അനുഭവിച്ചിട്ടില്ലാത്ത ഒരു പകർച്ചവ്യാധിയോ 100 വർഷത്തെ ഭൂകമ്പമോ ഉണ്ടായാൽ എന്ത് സംഭവിക്കും?" ഘടനാപരമായ ഇടവേളകൾ, പരസ്പര ബന്ധത്തിൻ്റെ വർദ്ധനവ് (പ്രതിസന്ധി സമയത്ത് എല്ലാം ഒരേ സമയം വഷളാകുന്നു), കാലാവസ്ഥാ വ്യതിയാനം പോലുള്ള പ്രവണതകൾ മോഡലിൽ ഉൾപ്പെടുത്തുന്നത് ആക്ച്വറിയുടെ ജോലിയാണ്.

മുന്നറിയിപ്പ്: "ഞങ്ങളുടെ മോഡൽ 99.9 ശതമാനം സാഹചര്യങ്ങൾ കൈകാര്യം ചെയ്യുന്നു" എന്ന വാചകം ആശ്വാസകരമാണ്, എന്നാൽ വാൽ കഴിഞ്ഞ ഡാറ്റയിൽ നിന്നാണ് മോഡൽ പഠിക്കുന്നതെന്ന് ഓർക്കുക. ഒരിക്കലും സംഭവിക്കാത്ത ഒരു സംഭവം മികച്ച മോഡലിൻ്റെ പോലും അന്ധതയാണ്. ഇവിടെയാണ് വിദഗ്‌ധമായ വിധി പ്രസ്‌താവിക്കുന്നത്.

സാഹചര്യത്തിലും സമ്മർദ്ദ പരിശോധനയിലും AI എങ്ങനെ ഉപയോഗിക്കാം

1) മോണ്ടെ കാർലോ സിമുലേഷൻ കോഡ്:

പൈത്തണിനൊപ്പം (അഭിപ്രായങ്ങളോടൊപ്പം) ഒരു സംയുക്ത നാശനഷ്ടം മോണ്ടെ കാർലോ സിമുലേഷൻ എഴുതുക. അനുമാനങ്ങൾ (ഞാൻ നൽകുന്നു): നാശനഷ്ടങ്ങളുടെ എണ്ണം ~ Poisson(lambda=1600), നാശത്തിൻ്റെ അളവ് ~ Gamma(ആകൃതി=k, സ്കെയിൽ=theta) [ഞാൻ k, theta എന്നിവ നൽകും].1) 10,000 തവണ: അളവ് വരയ്ക്കുക, ആ തുക വരയ്ക്കുക, കൂട്ടിച്ചേർക്കുക.2) മൊത്തം നാശനഷ്ടങ്ങളുടെ ശരാശരി, 95%, 95%, 9% പ്രിൻ്റ് നിരക്ക്. VaR(99.5%), TVaR(99.5%).ഫിറ്റിംഗ് പാരാമീറ്ററുകൾ; ഞാൻ തരാം. ലൈബ്രറി: നമ്പി.

2) ഡിറ്റർമിനിസ്റ്റിക് സ്ട്രെസ് സാഹചര്യം:

നിങ്ങളുടെ റോൾ: റിസ്ക് അസിസ്റ്റൻ്റ്. ഞാൻ പ്രതീക്ഷിക്കുന്ന അടിസ്ഥാന നഷ്ടം 50 ദശലക്ഷം TL ആണ്. ഇനിപ്പറയുന്ന 3 നിർണായക സാഹചര്യങ്ങൾ സജ്ജീകരിക്കുക: എ) പണപ്പെരുപ്പ ഞെട്ടൽ: തീവ്രത +30%. ബി) ഫ്രീക്വൻസി ഷോക്ക്: നാശനഷ്ടങ്ങളുടെ എണ്ണം +15%. സി) രണ്ടും ഒരുമിച്ച്. ഓരോ സാഹചര്യത്തിലും പ്രതീക്ഷിക്കുന്ന പുതിയ നാശനഷ്ടം കണക്കാക്കുക, അടിസ്ഥാനം അടിസ്ഥാനമാക്കിയുള്ള ശതമാനം സ്വാധീനം കാണിക്കുക, ഏതാണ് ഏറ്റവും നിർണായകമെന്ന് അഭിപ്രായമിടുക. ഞാൻ നിങ്ങൾക്ക് നൽകിയ അടിസ്ഥാന നമ്പർ മാത്രം ഉപയോഗിക്കുക.

3) സീനാരിയോ ഡിസൈൻ കൺസൾട്ടൻസി:

ഒരു ആരോഗ്യ ഇൻഷുറൻസ് പോർട്ട്‌ഫോളിയോയ്‌ക്കായി ഞാൻ സ്ട്രെസ് ടെസ്റ്റ് സാഹചര്യങ്ങൾ രൂപകൽപ്പന ചെയ്യുന്നു. - പാൻഡെമിക്, ഉയർന്ന പണപ്പെരുപ്പം, പുതിയ ചെലവേറിയ ചികിത്സാ സാങ്കേതികവിദ്യ, നിയന്ത്രണ മാറ്റം എന്നിവയ്‌ക്കായി 'കഠിനവും എന്നാൽ വിശ്വസനീയവുമായ' ഒരു കരട് ഓരോന്നും നിർദ്ദേശിക്കുക. - ഓരോ സാഹചര്യവും ആവൃത്തിയെയും തീവ്രതയെയും രണ്ടിനെയും ബാധിക്കുന്നുണ്ടോ എന്ന് പ്രസ്താവിക്കുക. - ചരിത്രപരമായ ഡാറ്റ ഉപയോഗിച്ച് പിടിച്ചെടുക്കാൻ കഴിയാത്ത അപകടസാധ്യതകൾ ചൂണ്ടിക്കാണിക്കുക. ഞാൻ തീരുമാനം എടുക്കും; നിങ്ങൾ ചട്ടക്കൂടും ന്യായീകരണവും നൽകുന്നു.

4) ഫലം മാനേജ്മെൻ്റിലേക്ക് വിവർത്തനം ചെയ്യുന്നു:

എൻ്റെ മോണ്ടെ കാർലോ ഫലം: പ്രതീക്ഷിച്ച നാശനഷ്ടം 50M, VaR(99.5%) 78M, TVaR(99.5%) 89M. ഇത് 5 വാക്യങ്ങളിൽ ഒരു ഡയറക്ടർ ബോർഡിനോട് വിശദീകരിക്കുക:- 99.5% ഉം TVaR ഉം എന്താണ് അർത്ഥമാക്കുന്നത്, ലളിതമായ ഭാഷയിൽ.- 'ശരാശരി ആസൂത്രണം ചെയ്യുന്നത്' എന്തുകൊണ്ട് അപര്യാപ്തമാണ്?- മൂലധനത്തിൻ്റെ കാര്യത്തിൽ അവർ എന്ത് കണക്കാണ് നോക്കേണ്ടത്?

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

എൻ്റെ പോർട്ട്‌ഫോളിയോയ്‌ക്കായി ഒരു സ്ട്രെസ് ടെസ്റ്റ് നടത്തുക.

അടിസ്ഥാന മൂല്യമോ ഷോക്ക് നിർവചനമോ വിതരണമോ ഇല്ല. AI ഒരു പൊതു വാചകം നിർമ്മിക്കുന്നു, സാധ്യമായ സംഖ്യയല്ല.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: ആക്ച്വറിയൽ റിസ്ക് അസിസ്റ്റൻ്റ്. അടിസ്ഥാന അനുമാനങ്ങൾ (അജ്ഞാതർ): പ്രതീക്ഷിക്കുന്ന ആവൃത്തി 0.12, ശരാശരി തീവ്രത 30,000 TL, എക്സ്പോഷർ 20,000 പോളിസി-വർഷങ്ങൾ. സാങ്കേതിക താൽപ്പര്യം 4% ആണ്. ടാസ്ക്:1) അടിസ്ഥാന പ്രതീക്ഷിക്കുന്ന മൊത്തം നഷ്ടം കണക്കാക്കുക.2) ഇനിപ്പറയുന്ന സമ്മർദ്ദങ്ങൾ പ്രയോഗിച്ച് ഓരോന്നിൻ്റെയും ശതമാനം ആഘാതം കാണിക്കുക: - പണപ്പെരുപ്പം: തീവ്രത +25% - മോശം ശീതകാലം: ഫ്രീക്വൻസി +10% - പലിശ നിരക്ക് കുറയ്‌ക്കൽ: 4% -> 3% (ബാധ്യതയുടെ ഇപ്പോഴത്തെ മൂല്യത്തെ ബാധിക്കുന്നത്) വാൽ അപകടത്തിന് കാർലോ, എന്തുകൊണ്ട്?ഞാൻ നൽകിയ നമ്പറുകൾ മാത്രം ഉപയോഗിക്കുക; അത് നഷ്ടപ്പെട്ടാൽ, ചോദിക്കുക.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - ശരാശരിയുടെ വഞ്ചന. പ്രതീക്ഷിച്ച നാശനഷ്ടം (50 ദശലക്ഷം) അടിസ്ഥാനമാക്കി ഒരു കമ്പനി അതിൻ്റെ മൂലധനം ആസൂത്രണം ചെയ്തു. മോണ്ടെ കാർലോ പൂർത്തിയാക്കിയപ്പോൾ, 99.5 ശതമാനം ലെവൽ 82 ദശലക്ഷമാണെന്ന് കണ്ടു: ഒരു മോശം വർഷത്തിൽ, 32 ദശലക്ഷം അധിക ആവശ്യമുണ്ടായി, കമ്പനിക്ക് അത് നിറവേറ്റാൻ കഴിയില്ല. മൂലധന പദ്ധതി പരിഷ്കരിച്ചു. AI സെക്കൻഡുകൾക്കുള്ളിൽ 10,000 രംഗങ്ങളുടെ സിമുലേഷൻ പ്രവർത്തിപ്പിച്ചു; വ്യാഖ്യാനവും വിതരണവും ആക്ച്വറി വിലയിരുത്തി.

കേസ് 2 - പരസ്പരബന്ധമുള്ള അന്ധത. ഒരു പോർട്ട്‌ഫോളിയോയിൽ ഭൂകമ്പവും ബിസിനസ്സ് തടസ്സങ്ങളും വെവ്വേറെ അപകടസാധ്യത കുറവാണ്. എന്നാൽ ഒരു ഭൂകമ്പം രണ്ടും ഒരേ സമയം ഉണർത്തുന്നു; സ്വാതന്ത്ര്യം അനുമാനിക്കുന്ന മോഡൽ വാൽ അപകടസാധ്യത പകുതിയായി കുറച്ചു. ആക്ച്വറി സാഹചര്യവുമായി പരസ്പരബന്ധം ചേർത്തപ്പോൾ, യഥാർത്ഥ മൂലധന ആവശ്യം ഗണ്യമായി വർദ്ധിച്ചു. പാഠം: ഒരു പ്രതിസന്ധിയിൽ, അപകടസാധ്യതകൾ സ്വതന്ത്രമല്ല; ചോദ്യം AI യുടെ സ്വാതന്ത്ര്യത്തെ അംഗീകരിക്കുന്നു.

കേസ് 3 - സംഭവിക്കാത്ത ഒരു സംഭവം. കഴിഞ്ഞ 10 വർഷത്തെ ഡാറ്റയെ അടിസ്ഥാനമാക്കി ഒരു ഹെൽത്ത്‌കെയർ പോർട്ട്‌ഫോളിയോ വളരെ "സോളിഡ്" ആയി കാണപ്പെട്ടു. ഒരു പകർച്ചവ്യാധി വന്നപ്പോൾ, ആവൃത്തിയും തീവ്രതയും ഒരേസമയം ഉയർന്നു; ഡാറ്റയിൽ അത്തരത്തിലുള്ള ഒന്നും ഇല്ലാത്തതിനാൽ മോഡൽ ഒരിക്കലും ഇത് പ്രവചിച്ചില്ല. അടുത്ത കാലഘട്ടത്തിൽ, ഡിറ്റർമിനിസ്റ്റിക് പാൻഡെമിക് സാഹചര്യം ചേർത്തു. AI ഡ്രാഫ്റ്റ് സ്ക്രിപ്റ്റ് നിർമ്മിച്ചു; ആക്ച്വറി ഷോക്കിൻ്റെ വ്യാപ്തി തീരുമാനിച്ചു. പാഠം: ചരിത്രപരമായ ഡാറ്റ ക്യൂ പൂർത്തിയായിട്ടില്ല.

സാധാരണ തെറ്റുകൾ

• ശരാശരിയിൽ ആസൂത്രണം ചെയ്യുന്നു. കമ്പനിയെ മുക്കിക്കളയുന്നത് ശരാശരിയല്ല, വാലാണ്; VaR/TVaR പോലുള്ള തീവ്രമായ അളവുകൾ നോക്കുക.
• അപകടസാധ്യതകൾ സ്വതന്ത്രമാണെന്ന് കരുതുക. ഒരു പ്രതിസന്ധി ഘട്ടത്തിൽ, പരസ്പര ബന്ധങ്ങൾ വർദ്ധിക്കുന്നു; സ്വാതന്ത്ര്യത്തിൻ്റെ സ്വീകാര്യത വാൽ വെളിച്ചം ഉണ്ടാക്കുന്നു.
• ചരിത്രപരമായ ഡാറ്റയിൽ പൂർണ്ണ ആത്മവിശ്വാസം. അപൂർവവും ഘടനാപരവുമായ സംഭവങ്ങൾ ഡാറ്റയിൽ ഇല്ല; വിദഗ്‌ദ്ധ വിധിയോടെ രംഗം ചേർക്കുക.
• നിർണ്ണായകവും യാഥാസ്ഥിതികവും മിശ്രണം ചെയ്യുന്നു. ഒരൊറ്റ രംഗം പ്രോബബിലിറ്റി നൽകുന്നില്ല; പ്രോബബിലിറ്റിക്ക് മോണ്ടെ കാർലോ ആവശ്യമാണ്.
• സ്ഥിരീകരിക്കാതെ തന്നെ സിമുലേഷൻ ഫലം അവതരിപ്പിക്കുന്നു. ശതമാനവും വിഎആറും സ്വതന്ത്രമായി പരിശോധിക്കുക; പാരാമീറ്റർ പിശക് മുഴുവൻ വിതരണത്തെയും വികലമാക്കുന്നു.

നുറുങ്ങ്: മോണ്ടെ കാർലോ ഫലങ്ങൾ അവതരിപ്പിക്കുന്നതിന് മുമ്പ്, ഒരു ലളിതമായ സ്ഥിരത പരിശോധന നടത്തുക: നിങ്ങൾ കൈകൊണ്ട് കണക്കാക്കിയ പ്രതീക്ഷിച്ച മൂല്യത്തിന് (ഫ്രീക്വൻസി × തീവ്രത × എക്സ്പോഷർ) അടുത്താണോ സിമുലേഷൻ അർത്ഥം? ഇല്ലെങ്കിൽ, ഒരു പാരാമീറ്റർ അല്ലെങ്കിൽ കോഡ് പിശക് ഉണ്ട്.

ചുരുക്കത്തിൽ

ഭാവി ഒരു സംഖ്യയല്ല, സാധ്യതകളുടെ ഒരു സ്പെക്ട്രമാണ്. നിർണ്ണായക സാഹചര്യങ്ങൾ ഒരൊറ്റ "എന്താണെങ്കിൽ" പാത കാണിക്കുന്നു, മോണ്ടെ കാർലോ മുഴുവൻ വിതരണവും ടെയിൽ അപകടസാധ്യതയും കാണിക്കുന്നു, സമ്മർദ്ദ പരിശോധനകൾ ഗുരുതരമായ സംഭവങ്ങളുടെ ആഘാതം കാണിക്കുന്നു. യഥാർത്ഥ അപകടം വാലിലാണ്, ശരാശരിയല്ല, ചരിത്രപരമായ ഡാറ്റ വാലിനെ നന്നായി പ്രതിനിധീകരിക്കുന്നില്ല; വർദ്ധിച്ച പരസ്പര ബന്ധത്തിനും സംഭവിച്ചിട്ടില്ലാത്ത സംഭവങ്ങൾക്കും ആക്ച്വറിയൽ വിധി ആവശ്യമാണ്. AI സാഹചര്യം രൂപകൽപന ചെയ്യുകയും സിമുലേഷൻ കോഡ് ചെയ്യുകയും ഫലത്തെ വ്യാഖ്യാനിക്കുകയും ചെയ്യുന്നു; എന്നാൽ ഷോക്ക് സെലക്ഷൻ, കോറിലേഷൻ അനുമാനം, ടെയിൽ ജഡ്ജ്മെൻ്റ്, അന്തിമ റിസ്ക് തീരുമാനം എന്നിവ ആക്ച്വറിയിൽ അവശേഷിക്കുന്നു. ലളിതമായ സ്ഥിരത പരിശോധന ഉപയോഗിച്ച് എല്ലായ്പ്പോഴും ഫലങ്ങൾ പരിശോധിക്കുക.

ആപ്ലിക്കേഷൻ ടാസ്ക്

അജ്ഞാത അടിസ്ഥാന അനുമാനങ്ങൾ (ആവൃത്തി, തീവ്രത, എക്സ്പോഷർ, താൽപ്പര്യം) സജ്ജമാക്കുക. (എ) ബേസ് പ്രതീക്ഷിക്കുന്ന നാശനഷ്ടം, (ബി) പണപ്പെരുപ്പം, ആവൃത്തി, പലിശ നിരക്ക് ഷോക്കുകൾ എന്നിവ ഉൾപ്പെടെയുള്ള 3 നിർണായക സാഹചര്യങ്ങൾ, (സി) മോണ്ടെ കാർലോ സിമുലേഷൻ ഉപയോഗിച്ച് VaR, TVaR (99.5%) എന്നിവ കണക്കാക്കാൻ AI-യോട് ആവശ്യപ്പെടുക. നിങ്ങൾ സ്വമേധയാ കണക്കാക്കിയ പ്രതീക്ഷിച്ച മൂല്യത്തിന് അടുത്താണ് സിമുലേഷൻ ശരാശരിയെന്ന് പരിശോധിക്കുക. രണ്ട് കൊളാറ്ററലുകളും ആശ്രിതമാണ് (പരസ്പരം ബന്ധപ്പെട്ടിരിക്കുന്നു) എങ്ങനെ വാൽ മാറ്റുമെന്ന് AI-യുമായി ചർച്ച ചെയ്യുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ശരാശരിയെക്കാൾ ടെയിൽ അളവുകളും (VaR, TVaR) നോക്കിയിട്ടുണ്ടോ?
• [ ] പ്രതിസന്ധി ഘട്ടത്തിലെ അപകടസാധ്യതകളുടെ പരസ്പരബന്ധം ഞാൻ കണക്കിലെടുത്തിട്ടുണ്ടോ?
• [ ] ചരിത്രപരമായ ഡാറ്റയിൽ കാണാത്ത ഘടനാപരമായ/അപൂർവ്വമായ സാഹചര്യങ്ങൾ ഞാൻ വിദഗ്ദ്ധ വിധിയോടെ ചേർത്തിട്ടുണ്ടോ?
• നിർണ്ണായകവും യാഥാസ്ഥിതികവുമായ സമീപനത്തെ ഞാൻ ബോധപൂർവ്വം വേർതിരിച്ചിട്ടുണ്ടോ?
• [ ] പ്രതീക്ഷിക്കുന്ന മൂല്യവുമായി സ്ഥിരതയ്ക്കായി മോണ്ടെ കാർലോ ശരാശരി ഞാൻ സ്വമേധയാ പരിശോധിച്ചിട്ടുണ്ടോ?
• [ ] സീനാരിയോ തിരഞ്ഞെടുപ്പുകൾക്കും ഷോക്ക് മാഗ്നിറ്റ്യൂഡുകൾക്കുമുള്ള ന്യായീകരണം ഞാൻ എഴുതിയിട്ടുണ്ടോ?