Keuntungan:
- Keupayaan untuk mewujudkan senario deterministik, simulasi stokastik (Monte Carlo) dan konsep ujian tekanan dengan sokongan kecerdasan buatan dan mentafsir keputusan dalam bahasa risiko
- Keupayaan untuk mereka bentuk senario kejutan seperti inflasi, faedah, kerosakan bencana dan pandemik dengan kecerdasan buatan dan menganggarkan liabiliti dan kesan modal
- Dapat membezakan bahawa senario yang dihasilkan oleh kecerdasan buatan adalah berdasarkan data sejarah dan penghakiman aktuari muncul di hadapan dalam risiko ekor dan pecah struktur.
Aktuarialisme ialah profesion meramal masa depan; Tetapi masa depan bukanlah satu nombor, ia adalah spektrum kemungkinan. Tidak cukup untuk mengatakan "Kerosakan jangkaan kami ialah 50 juta"; Persoalan sebenar ialah: "Jika tahun yang buruk datang, berapa juta kosnya, bolehkah syarikat mengendalikannya?" Alat yang menjawab soalan ini ialah analisis senario dan ujian tekanan. Mengukur terlebih dahulu kesan gempa bumi, inflasi yang tinggi, kejutan kadar faedah atau wabak ke atas liabiliti dan modal syarikat adalah keperluan asas kedua-dua pengurusan risiko dalaman dan perundangan seperti Solvency II. Dalam unit ini, kami akan merangkumi senario deterministik, simulasi stokastik (Monte Carlo) dan ujian tekanan, dan melihat cara menggunakan AI dalam analisis ini.
Mari kita ingatkan anda dari awal: senario adalah berdasarkan data sejarah dan andaian. AI mereka bentuk senario, menulis kod simulasi dan mentafsir keputusan; Tetapi kejutan manakah yang realistik, cara mengendalikan risiko ekor, dan cara memasukkan pecahan struktur (peristiwa yang tidak pernah berlaku pada masa lalu) diserahkan kepada pertimbangan aktuari.
Senario deterministik, simulasi stokastik dan ujian tekanan
Adalah penting untuk membezakan tiga konsep. Senario deterministik adalah untuk memilih satu set andaian dan mengira hasilnya: "Berapa kos tuntutan kita jika inflasi ialah 40 peratus?" Mudah, jelas dan mudah untuk berkomunikasi; Tetapi ia hanya menunjukkan satu cara, bukan kemungkinan. Simulasi stokastik (Monte Carlo) memperoleh taburan kebarangkalian hasil dengan berulang kali menjana beribu-ribu senario rawak. Oleh itu, maklumat ekor seperti "50 secara purata, tetapi 78 juta pada tahap 99.5 peratus" diperolehi. Ujian tekanan ialah jenis senario khas yang mengukur kesan kejadian tertentu yang teruk tetapi munasabah (gempa bumi, kejatuhan pasaran); biasanya ditakrifkan oleh pengawal selia.
Monte Carlo ialah salah satu alat aktuari yang paling berkuasa. Logiknya adalah ini: anda mengekstrak nilai rawak daripada taburan kekerapan dan intensiti dan mengira jumlah kerosakan; anda ulangi ini 10,000 kali; Mengumpul 10,000 kemungkinan jumlah kerosakan di tangan anda. Daripada pengumpulan ini, anda boleh membaca purata, persentil seperti 75 peratus, 99.5 peratus dan senario terburuk. Ini betul-betul bagaimana tahap 99.5 peratus yang diperlukan oleh Solvency II (tahun buruk yang akan berlaku sekali dalam 200 tahun) ditemui. AI cepat menghasilkan kod untuk simulasi ini.
Jadual berikut membandingkan tiga pendekatan:
Pendekatan
apa yang memberi
titik kuat
had
Senario deterministik
hasil tunggal
Mudah, mudah untuk berkomunikasi
Tidak memberi kebarangkalian
Monte Carlo
Taburan kebarangkalian
Menunjukkan risiko ekor
Bergantung kepada andaian dan data
ujian tekanan
Keputusan di bawah kejutan
Menguji ketahanan
Pemilihan kejutan adalah kehakiman
Risiko ekor: kawasan yang paling penting dan paling berbahaya
Dalam teori aktuari, bahaya sebenar bukan terletak pada min tetapi pada ekor (kawasan pengedaran yang melampau, berkemungkinan rendah tetapi berimpak tinggi). Apa yang menenggelamkan syarikat bukanlah tahun biasa, tetapi peristiwa yang jarang berlaku tetapi dahsyat: gempa bumi besar, banyak kerosakan besar yang datang pada masa yang sama, kejutan kadar faedah secara tiba-tiba. Untuk mengukur rantau ini, VaR (Nilai Berisiko — kerugian maksimum pada tahap keyakinan tertentu) dan TVaR/CTE (purata kerugian melebihi ekor) digunakan. Monte Carlo ialah cara semula jadi untuk mengira ukuran ini.
Tetapi terdapat bahaya lain di ekor: data sejarah tidak mewakili ekor dengan baik. Peristiwa yang jarang berlaku, mengikut definisi, jarang berlaku pada masa lalu; jadi model cenderung untuk memandang rendah mereka. AI mudah menyesuaikan pengedaran berdasarkan data sejarah, tetapi ia tidak secara spontan mempertimbangkan "bagaimana jika terdapat pandemik atau gempa bumi 100 tahun yang portfolio ini tidak pernah alami?" Ia adalah tugas aktuari untuk memasukkan pecahan struktur, peningkatan korelasi (semuanya menjadi lebih buruk pada masa yang sama semasa krisis) dan trend seperti perubahan iklim ke dalam model.
Awas: Ayat "Model kami mengendalikan 99.9 peratus senario" adalah menghiburkan, tetapi ingat bahawa model itu belajar daripada data yang ekornya melepasi. Peristiwa yang tidak pernah berlaku adalah titik buta walaupun model terbaik. Di sinilah pertimbangan pakar memainkan peranan.
Cara menggunakan AI dalam senario dan ujian tekanan
1) Kod simulasi Monte Carlo:
Tulis simulasi kerosakan kompaun Monte Carlo dengan Python (dengan ulasan). Andaian (saya beri): bilangan kerosakan ~ Poisson(lambda=1600), jumlah kerosakan ~ Gamma(bentuk=k, skala=theta) [Saya akan berikan k dan theta].1) 10,000 kali: lukis kuantiti, lukis amaun itu, tambah.2) Purata jumlah kerosakan, 75%, 99%) hitungkan peratusan dan 99.3%, 99. VaR(99.5%) dan TVaR(99.5%).Parameter FITTING; Saya akan memberikannya. Perpustakaan: numpy.
2) Senario tekanan deterministik:
Peranan anda: pembantu risiko. Kerugian jangkaan asas saya ialah 50 juta TL. Sediakan 3 senario penentu berikut: A) Kejutan inflasi: keterukan +30%. B) Kejutan kekerapan: bilangan kerosakan +15%. C) Kedua-duanya bersama-sama. Kira kerosakan baharu yang dijangkakan dalam setiap senario, tunjukkan peratusan kesan berdasarkan asas dan ulas yang mana satu paling kritikal. Hanya gunakan nombor asas yang saya berikan kepada anda.
3) Perundingan reka bentuk senario:
Saya sedang mereka bentuk senario ujian tekanan untuk portfolio insurans kesihatan. - Cadangkan draf senario 'teruk tetapi munasabah' setiap satu untuk wabak, inflasi tinggi, teknologi rawatan baru yang mahal dan perubahan peraturan. - Nyatakan sama ada setiap senario mempengaruhi kekerapan, keterukan atau kedua-duanya. - Tunjukkan risiko ekor yang tidak boleh ditangkap dengan data sejarah. Saya akan membuat keputusan; Anda menyediakan rangka kerja dan justifikasi.
4) Menterjemahkan keputusan kepada pengurusan:
Hasil Monte Carlo saya: jangkaan kerosakan 50M, VaR(99.5%) 78M, TVaR(99.5%) 89M. Terangkan perkara ini kepada lembaga pengarah dalam 5 ayat:- Apakah maksud 99.5% dan TVaR, dalam bahasa mudah.- Mengapa 'perancangan mengikut purata' tidak mencukupi?- Apakah angka yang harus mereka lihat dari segi modal?
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Buat ujian tekanan untuk portfolio saya.
Tiada nilai asas, tiada definisi kejutan, tiada pengedaran. AI menghasilkan teks umum, bukan nombor yang boleh dilaksanakan.
Gesaan kuat:
Peranan anda: pembantu risiko aktuari. Andaian asas (tanpa nama): kekerapan dijangka 0.12, purata keterukan 30,000 TL, pendedahan 20,000 tahun polisi. Faedah teknikal ialah 4%.Tugas:1) Kira jumlah kerugian yang dijangkakan asas.2) Gunakan tegasan berikut dan tunjukkan kesan peratusan bagi setiap satu: - Inflasi: keterukan +25% - Musim sejuk yang teruk: kekerapan +10% - Penurunan kadar faedah: 4% -> 3% (kesan ke atas nilai semasa liabiliti)3) Komen pada 2 senario paling kritikal dan kritikal yang anda cadangkan. kenapa?Gunakan sahaja nombor yang saya berikan; Jika tiada, tanya.
tiga kes mini
Kes 1 — Penipuan rata-rata. Sebuah syarikat telah merancang modalnya berdasarkan jangkaan kerosakan (50 juta). Apabila Monte Carlo selesai, ia dilihat bahawa tahap 99.5 peratus ialah 82 juta: pada tahun yang buruk, terdapat keperluan tambahan sebanyak 32 juta dan syarikat tidak akan dapat memenuhinya. Pelan modal telah disemak semula. AI menjalankan simulasi 10,000 senario dalam beberapa saat; Aktuari menilai tafsiran dan pengedaran.
Kes 2 — Buta korelasi. Liputan gempa bumi dan gangguan perniagaan secara berasingan kelihatan berisiko rendah dalam portfolio. Tetapi gempa bumi mencetuskan kedua-duanya pada masa yang sama; Model yang menganggap kemerdekaan meremehkan risiko ekor sebanyak separuh. Apabila aktuari menambah korelasi kepada senario, keperluan modal sebenar meningkat dengan ketara. Pengajaran: dalam krisis, risiko tidak bebas; Soalan anggapan AI menerima kemerdekaan.
Kes 3 — Peristiwa yang tidak berlaku. Portfolio penjagaan kesihatan kelihatan sangat "pejal" berdasarkan data dari 10 tahun yang lalu. Apabila wabak tiba, kedua-dua kekerapan dan keterukan melonjak secara serentak; Model itu tidak pernah meramalkan ini kerana tiada apa-apa seperti itu dalam data. Dalam tempoh seterusnya, senario pandemik deterministik telah ditambah. AI menghasilkan skrip draf; Aktuari memutuskan magnitud kejutan. Pelajaran: baris gilir data sejarah tidak lengkap.
Kesilapan biasa
- Merancang sekitar purata. Ia adalah ekor, bukan purata, yang menenggelamkan syarikat; Lihat metrik melampau seperti VaR/TVaR.
- Dengan mengandaikan risiko adalah bebas. Semasa krisis, korelasi meningkat; Penerimaan kemerdekaan membuat ringan ekor.
- Keyakinan penuh terhadap data sejarah. Peristiwa yang jarang berlaku dan berstruktur tiada dalam data; Tambahkan senario dengan pertimbangan pakar.
- Mencampurkan deterministik dan stokastik. Satu senario tidak memberikan kebarangkalian; Kebarangkalian memerlukan Monte Carlo.
- Membentangkan hasil simulasi tanpa mengesahkannya. Semak peratusan dan VaR secara bebas; Ralat parameter memesongkan keseluruhan pengedaran.
Petua: Sebelum membentangkan hasil Monte Carlo, lakukan semakan konsistensi yang mudah: adakah simulasi min hampir dengan nilai yang dijangkakan (kekerapan × intensiti × pendedahan) yang anda kira dengan tangan? Jika tidak, terdapat parameter atau ralat kod.
Secara ringkasnya
Masa depan bukanlah satu nombor, tetapi spektrum kemungkinan. Senario deterministik menunjukkan satu laluan "bagaimana jika", Monte Carlo menunjukkan keseluruhan pengedaran dan risiko ekor, ujian tekanan menunjukkan kesan kejadian yang teruk. Bahaya sebenar adalah pada ekor, bukan purata, dan data sejarah tidak mewakili ekor dengan baik; Peningkatan korelasi dan peristiwa yang belum berlaku memerlukan pertimbangan aktuari. AI mereka bentuk senario, kod simulasi dan mentafsir hasilnya; tetapi pemilihan kejutan, andaian korelasi, pertimbangan ekor, dan keputusan risiko akhir terletak pada aktuari. Sentiasa sahkan keputusan dengan semakan konsistensi yang mudah.
Tugasan permohonan
Tetapkan andaian asas tanpa nama (kekerapan, intensiti, pendedahan, minat). Minta AI untuk (a) asas kerosakan yang dijangkakan, (b) 3 senario deterministik termasuk inflasi, kekerapan dan kejutan kadar faedah, (c) mengira VaR dan TVaR(99.5%) dengan simulasi Monte Carlo. Sahkan bahawa min simulasi adalah hampir dengan nilai jangkaan yang anda kira secara manual. Kemudian berbincang dengan AI bagaimana dengan mengandaikan kedua-dua cagaran bergantung (berkorelasi) akan mengubah ekor.
senarai semak
- [ ] Adakah saya juga melihat ukuran ekor (VaR, TVaR) dan bukannya purata?
- [ ] Adakah saya telah mengambil kira perkaitan risiko pada masa krisis?
- [ ] Adakah saya telah menambah senario struktur/jarang yang tidak ditemui dalam data sejarah dengan pertimbangan pakar?
- [ ] Adakah saya secara sedar telah memisahkan pendekatan deterministik dan stokastik?
- [ ] Adakah saya telah menyemak secara manual min Monte Carlo untuk konsistensi dengan nilai yang dijangkakan?
- [ ] Adakah saya telah menulis justifikasi untuk pilihan senario dan magnitud kejutan?