ලාභ:
- කෘත්රිම බුද්ධියේ සහය ඇතිව අධිෂ්ඨානශීලී දර්ශනය, ස්ටෝචස්ටික් සමාකරණය (මොන්ටේ කාලෝ) සහ ආතති පරීක්ෂණ සංකල්ප පිහිටුවීමේ හැකියාව සහ ප්රතිඵල අවදානම් භාෂාවෙන් අර්ථකථනය කිරීමේ හැකියාව
- උද්ධමනය, පොලී, ව්යසනකාරී හානි සහ වසංගතය වැනි කම්පන අවස්ථා නිර්මාණය කිරීමේ හැකියාව කෘතිම බුද්ධිය සහ ඇස්තමේන්තු වගකීම් සහ ප්රාග්ධන බලපෑම
- කෘත්රිම බුද්ධිය මගින් නිපදවන අවස්ථා ඓතිහාසික දත්ත මත පදනම් වී ඇති බවත්, වලිග අවදානම් සහ ව්යුහාත්මක බිඳීම්වලදී සත්ය විනිශ්චය පෙරට එන බවත් වෙන්කර හඳුනා ගැනීමට හැකි වීම.
ක්රියාවලිවාදය යනු අනාගතය පුරෝකථනය කිරීමේ වෘත්තියයි; නමුත් අනාගතය තනි අංකයක් නොවේ, එය හැකියාවන්ගේ වර්ණාවලියකි. "අපේ අපේක්ෂිත හානිය මිලියන 50" කීවාට මදි; සැබෑ ප්රශ්නය වන්නේ: "නරක වසරක් පැමිණියහොත්, මිලියන කීයක් වැය වේද, සමාගමට එය හැසිරවිය හැකිද?" මෙම ප්රශ්නයට පිළිතුරු සපයන මෙවලම් වන්නේ අවස්ථා විශ්ලේෂණය සහ ආතතිය පරීක්ෂා කිරීමයි. භූමිකම්පාවක බලපෑම, ඉහළ උද්ධමනය, පොලී අනුපාත කම්පනය හෝ සමාගමේ වගකීම් සහ ප්රාග්ධනය මත වසංගතයක බලපෑම කල්තියා මැන බැලීම අභ්යන්තර අවදානම් කළමනාකරණය සහ Solvency II වැනි නීති සම්පාදනය යන දෙකෙහිම මූලික අවශ්යතාවයකි. මෙම ඒකකය තුළ, අපි අධිෂ්ඨානශීලී අවස්ථාව, ස්ටෝචස්ටික් සමාකරණය (මොන්ටේ කාලෝ) සහ ආතති පරීක්ෂාව ආවරණය කර, මෙම විශ්ලේෂණවලදී AI භාවිතා කරන්නේ කෙසේදැයි බලමු.
මුල සිටම ඔබට මතක් කරමු: සිද්ධීන් ඓතිහාසික දත්ත සහ උපකල්පන මත පදනම් වේ. AI විසින් අවස්ථා සැලසුම් කරයි, සමාකරණ කේතය ලියයි, සහ ප්රතිඵල අර්ථකථනය කරයි; නමුත් කුමන කම්පන යථාර්ථවාදීද, වලිග අවදානම හසුරුවන්නේ කෙසේද සහ ව්යුහාත්මක බිඳීම් (අතීතයේ කිසිදා සිදු නොවූ සිදුවීම්) ඇතුළත් කරන්නේ කෙසේද යන්න සත්ය විනිශ්චයට ඉතිරි වේ.
අධිෂ්ඨානශීලී අවස්ථාව, ස්ටෝචස්ටික් සමාකරණය සහ ආතති පරීක්ෂාව
සංකල්ප තුනක් වෙන්කර හඳුනා ගැනීම වැදගත්ය. තීරනාත්මක තත්ත්වය වන්නේ තනි උපකල්පන කට්ටලයක් තෝරා ගැනීම සහ ප්රතිඵලය ගණනය කිරීමයි: "උද්ධමනය සියයට 40ක් නම් අපගේ හිමිකම් පිරිවැය කොපමණද?" සරල, පැහැදිලි සහ සන්නිවේදනය කිරීමට පහසු; නමුත් එය පෙන්වන්නේ එක් මාර්ගයක් මිස හැකියාවක් නොවේ. ස්ටෝචස්ටික් සිමියුලේෂන් (මොන්ටේ කාලෝ) අහඹු අවස්ථා දහස් ගණනක් නැවත නැවතත් උත්පාදනය කිරීමෙන් ප්රතිඵලයේ සම්භාවිතා ව්යාප්තියක් ලබා ගනී. මේ අනුව, "සාමාන්යයෙන් 50, නමුත් සියයට 99.5 මට්ටමේ මිලියන 78" වැනි වලිග තොරතුරු ලබා ගනී. ආතති පරීක්ෂණයක් යනු ඇතැම් දරුණු නමුත් පිළිගත හැකි සිදුවීම් (භූමිකම්පාව, වෙලඳපොල කඩාවැටීම) වල බලපෑම මනින විශේෂ ආකාරයේ දර්ශනයකි; සාමාන්යයෙන් නියාමකයා විසින් අර්ථ දක්වා ඇත.
Monte Carlo යනු Actuarial හි බලවත්ම මෙවලම්වලින් එකකි. තර්කය මෙයයි: ඔබ සංඛ්යාත සහ තීව්රතා බෙදාහැරීම් වලින් අහඹු අගයන් උපුටා ගෙන සම්පූර්ණ හානිය ගණනය කරන්න; ඔබ මෙය 10,000 වාරයක් නැවත නැවත කරන්න; ඔබේ අතේ ඇති විය හැකි සම්පූර්ණ හානිය 10,000 රැස් කරයි. මෙම සමුච්චයෙන්, ඔබට සාමාන්ය, සියයට 75, සියයට 99.5 වැනි ප්රතිශත සහ නරකම අවස්ථා කියවිය හැක. Solvency II (අවුරුදු 200කට වරක් සිදුවන අයහපත් වසරක්) මගින් අවශ්ය සියයට 99.5 මට්ටම හරියටම සොයාගන්නේ මේ ආකාරයටයි. AI ඉක්මනින් මෙම සමාකරණය සඳහා කේතය නිපදවයි.
පහත වගුව ප්රවේශ තුන සංසන්දනය කරයි:
ප්රවේශය
දෙන දේ
ශක්තිමත් ලක්ෂ්යය
සීමාව
අධිෂ්ඨානශීලී දර්ශනය
තනි ප්රතිඵලය
සරල, සන්නිවේදනය කිරීමට පහසුය
සම්භාවිතාව දෙන්නේ නැහැ
මොන්ටේ කාලෝ
සම්භාවිතාව බෙදා හැරීම
වලිග අවදානම පෙන්නුම් කරයි
උපකල්පනය සහ දත්ත මත රඳා පවතී
ආතති පරීක්ෂණය
කම්පනය යටතේ ප්රතිඵලය
කල්පැවැත්ම පරීක්ෂා කරයි
කම්පන තේරීම අධිකරණමය වේ
වලිගය අවදානම: වඩාත්ම වැදගත් හා භයානක ප්රදේශය
ක්රියාකාරී න්යායේ දී, සැබෑ අන්තරාය පවතින්නේ මධ්යන්යයේ නොව වලිගයේය (බෙදාහැරීමේ අන්ත, අඩු සම්භාවිතාව නමුත් ඉහළ බලපෑම ඇති කලාපය). සමාගම් ගිල්වන දේ සාමාන්ය වසරක් නොව දුර්ලභ නමුත් විනාශකාරී සිදුවීමකි: විශාල භූමිකම්පාවක්, විශාල හානියක් එකවර පැමිණේ, හදිසි පොලී අනුපාත කම්පනයක්. මෙම කලාපය මැනීමට, VaR (අවදානම් සහිත අගය - දී ඇති විශ්වාසනීය මට්ටමකදී උපරිම අලාභය) සහ TVaR/CTE (වලිගයෙන් ඔබ්බට සාමාන්ය අලාභය) භාවිතා වේ. Monte Carlo යනු මෙම මිනුම් ගණනය කිරීමේ ස්වභාවික ක්රමයයි.
නමුත් වලිගය තුළ තවත් අනතුරක් තිබේ: ඓතිහාසික දත්ත වලිගය හොඳින් නියෝජනය නොවේ. දුර්ලභ සිදුවීම්, නිර්වචනය අනුව, අතීතයේ දුර්ලභ විය; එබැවින් ආකෘතිය ඔවුන් අවතක්සේරු කිරීමට නැඹුරු වේ. AI ඓතිහාසික දත්ත මත පදනම්ව බෙදා හැරීමකට පහසුවෙන් ගැලපේ, නමුත් එය ස්වයංසිද්ධව සලකා බලන්නේ නැත "මෙම කළඹ කිසිදා අත්විඳ නැති වසංගතයක් හෝ වසර 100 ක භූමිකම්පාවක් තිබේ නම් කුමක් කළ යුතුද?" ව්යුහාත්මක බිඳීම්, සහසම්බන්ධතා වැඩි වීම (අර්බුදකාරී අවස්ථාවකදී සියල්ල එකවර නරක අතට හැරේ) සහ දේශගුණික විපර්යාස වැනි ප්රවණතා ආකෘතියට ඇතුළත් කිරීම ක්රියාකරුගේ කාර්යයයි.
අවවාදයයි: "අපගේ ආකෘතිය සියයට 99.9 ක් අවස්ථා හසුරුවයි" යන වාක්යය සැනසිලිදායක ය, නමුත් ආකෘතිය ඉගෙන ගන්නේ වලිගය ඇති දත්ත වලින් බව මතක තබා ගන්න. කවදාවත් සිදු නොවූ සිදුවීමක් හොඳම නිරූපිකාවගේ පවා අන්ධ ස්ථානයයි. විශේෂඥ විනිශ්චය ක්රියාත්මක වන්නේ මෙහිදීය.
අවස්ථා සහ ආතතිය පරීක්ෂා කිරීමේදී AI භාවිතා කරන්නේ කෙසේද
1) Monte Carlo සමාකරණ කේතය:
Python සමග Monte Carlo සමාකරණ සංයෝග හානියක් ලියන්න (අදහස් සහිතව). උපකල්පන (මම දෙනවා): හානි ගණන ~ Poisson(lambda=1600), හානියේ ප්රමාණය ~ Gamma(shape=k, scale=theta) [මම k සහ theta දෙන්නම්].1) 10,000 වාරයක්: ප්රමාණය අඳින්න, එම මුදල අඳින්න, එකතු කරන්න.2) මුළු හානිවල සාමාන්යය, 75%, 9% .95%, 9 culate ප්රතිශතය VaR(99.5%) සහ TVaR(99.5%).FITTING පරාමිතීන්; මම ඒක දෙන්නම්. පුස්තකාලය: numpy.
2) අධිෂ්ඨානශීලී ආතති තත්ත්වය:
ඔබේ කාර්යභාරය: අවදානම් සහකාර. මගේ මූලික අලාභය TL මිලියන 50 කි. පහත තීරනාත්මක අවස්ථා 3 සකසන්න: A) උද්ධමන කම්පනය: බරපතලකම +30%. B) සංඛ්යාත කම්පනය: හානි ගණන +15%. C) දෙකම එකට. එක් එක් අවස්ථාවෙහි නව අපේක්ෂිත හානිය ගණනය කරන්න, පදනම මත පදනම්ව ප්රතිශත බලපෑම පෙන්වන්න සහ වඩාත්ම තීරණාත්මක එක කුමක්දැයි අදහස් දක්වන්න. මම ඔබට ලබා දුන් මූලික අංකය භාවිතා කරන්න.
3) අවස්ථා සැලසුම් උපදේශනය:
මම සෞඛ්ය රක්ෂණ කළඹක් සඳහා ආතති පරීක්ෂණ අවස්ථා සැලසුම් කරමි. - වසංගතය, ඉහළ උද්ධමනය, නව මිල අධික ප්රතිකාර තාක්ෂණය සහ නියාමන වෙනස්වීම් සඳහා 'දරුණු නමුත් පිළිගත හැකි' කෙටුම්පතක් යෝජනා කරන්න. - එක් එක් සිද්ධිය සංඛ්යාතය, බරපතලකම හෝ දෙකටම බලපාන්නේද යන්න සඳහන් කරන්න. - ඓතිහාසික දත්ත සමඟ ග්රහණය කර ගත නොහැකි වලිග අවදානම පෙන්වා දෙන්න. මම තීරණය කරන්නම්; ඔබ රාමුව සහ සාධාරණීකරණය සපයයි.
4) ප්රතිඵල කළමනාකරණයට පරිවර්තනය කිරීම:
My Monte Carlo ප්රතිඵලය: අපේක්ෂිත හානිය 50M, VaR(99.5%) 78M, TVaR(99.5%) 89M. වාක්ය 5 කින් අධ්යක්ෂ මණ්ඩලයකට මෙය පැහැදිලි කරන්න:- 99.5% සහ TVaR යන්නෙන් අදහස් කරන්නේ කුමක්ද, සරල භාෂාවෙන්.- 'සාමාන්යයෙන් සැලසුම් කිරීම' ප්රමාණවත් නොවන්නේ ඇයි?- ප්රාග්ධනය අනුව ඔවුන් බැලිය යුත්තේ කුමන අගයද?
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
මගේ කළඹ සඳහා ආතති පරීක්ෂණයක් කරන්න.
මූලික අගයක්, කම්පන නිර්වචනයක්, බෙදාහැරීමක් නැත. AI සාමාන්ය පෙළක් නිෂ්පාදනය කරයි, ශක්ය සංඛ්යාවක් නොවේ.
බලවත් විමසුම:
ඔබේ භූමිකාව: ක්රියාකාරී අවදානම් සහකාර. මූලික උපකල්පන (නිර්නාමික): අපේක්ෂිත සංඛ්යාතය 0.12, සාමාන්ය බරපතලකම 30,000 TL, නිරාවරණය 20,000 ප්රතිපත්ති-වසර. තාක්ෂණික උනන්දුව 4% වේ.කාර්යය:1) පාදක අපේක්ෂිත මුළු අලාභය ගණනය කරන්න.2) පහත ආතතීන් යොදන්න සහ එක් එක් ප්රතිශත බලපෑම පෙන්වන්න: - උද්ධමනය: බරපතලකම +25% - අයහපත් ශීත: සංඛ්යාත +10% - පොලී අනුපාත පහත වැටීම: 4% -> 3% (වගකීමේ වර්තමාන අගයට බලපෑම් කිරීම)2 ඔබ වඩාත් විවේචනාත්මක ලෙස අදහස් දක්වන්න. කාලෝ වලිග අවදානම සඳහා, ඇයි?මම දුන් අංක භාවිතා කරන්න; නැති නම් අහන්න.
කුඩා නඩු තුනක්
නඩුව 1 - සාමාන්යයේ වංචාව. සමාගමක් අපේක්ෂිත හානිය (මිලියන 50) මත පදනම්ව එහි ප්රාග්ධනය සැලසුම් කර ඇත. Monte Carlo කරන විට, සියයට 99.5 මට්ටම මිලියන 82 ක් බව පෙනුණි: නරක වසරක් තුළ, මිලියන 32 ක අතිරේක අවශ්යතාවයක් ඇති අතර එය සපුරාලීමට සමාගමට නොහැකි වනු ඇත. ප්රාග්ධන සැලැස්ම සංශෝධනය කර ඇත. AI තත්පර කිහිපයකින් අවස්ථා 10,000 ක අනුකරණයක් ධාවනය කළේය; පරිවර්ථනය සහ බෙදා හැරීම ඇගයීමට ලක් කරන ලදී.
නඩුව 2 - සහසම්බන්ධ අන්ධභාවය. භූමිකම්පාව සහ ව්යාපාර බාධා කිරීම් ආවරණය වෙන වෙනම කළඹක අඩු අවදානමක් පෙන්නුම් කළේය. නමුත් භූමිකම්පාවක් එකවරම දෙකම අවුලුවයි; ස්වාධීනත්වය උපකල්පනය කරන ආකෘතිය වලිග අවදානම අඩකින් අවතක්සේරු කළේය. ක්රියාකාරකය මෙම අවස්ථාවට සහසම්බන්ධයක් එක් කළ විට, සැබෑ ප්රාග්ධන අවශ්යතාවය සැලකිය යුතු ලෙස වැඩි විය. පාඩම: අර්බුදයකදී, අවදානම් ස්වාධීන නොවේ; ප්රශ්නය AI ස්වාධීනත්වය භාර ගැනීම උපකල්පනය කරයි.
නඩුව 3 - සිදු නොවූ සිදුවීමක්. පසුගිය වසර 10 ක දත්ත මත පදනම්ව සෞඛ්ය සේවා කළඹක් ඉතා "ඝන" ලෙස දිස් විය. වසංගතයක් පැමිණි විට, සංඛ්යාතය සහ බරපතලකම යන දෙකම එකවර ඉහළ ගියේය; දත්තවල එවැනි කිසිවක් නොතිබූ නිසා ආකෘතිය කිසි විටෙකත් මෙය පුරෝකථනය කළේ නැත. ඊළඟ කාල පරිච්ෙඡ්දය තුළ, අධිෂ්ඨානශීලී වසංගත තත්ත්වය එකතු විය. AI විසින් කෙටුම්පත් පිටපත නිෂ්පාදනය කරන ලදී; කම්පනයේ විශාලත්වය ක්රියාකරු තීරණය කළේය. පාඩම: ඓතිහාසික දත්ත පෝලිම සම්පූර්ණ නැත.
පොදු වැරදි
- සාමාන්යය වටා සැලසුම් කිරීම. සමාගම ගිල්වන්නේ වලිගය මිස සාමාන්යය නොවේ; VaR/TVaR වැනි ආන්තික මිනුම් බලන්න.
- අවදානම් ස්වාධීන යැයි උපකල්පනය කරයි. අර්බුදයකදී, සහසම්බන්ධතා වැඩි වේ; ස්වාධීනත්වය පිළිගැනීම වලිගය සැහැල්ලු කරයි.
- ඓතිහාසික දත්ත පිළිබඳ පූර්ණ විශ්වාසය. දුර්ලභ හා ව්යුහාත්මක සිදුවීම් දත්ත වලින් නොමැත; විශේෂඥ විනිශ්චය සමඟ සිද්ධිය එක් කරන්න.
- නියතිවාදී සහ ස්ටෝචස්ටික් මිශ්ර කිරීම. එක් අවස්ථාවක් සම්භාවිතාව ලබා නොදේ; සම්භාවිතාව සඳහා Monte Carlo අවශ්ය වේ.
- සමාකරණ ප්රතිඵලය සත්යාපනය නොකර ඉදිරිපත් කිරීම. ප්රතිශත සහ VaR ස්වාධීනව පරීක්ෂා කරන්න; පරාමිති දෝෂය සම්පූර්ණ බෙදා හැරීම විකෘති කරයි.
ඉඟිය: Monte Carlo ප්රතිඵල ඉදිරිපත් කිරීමට පෙර, සරල අනුකූලතා පරීක්ෂණයක් කරන්න: සමාකරණය ඔබ අතින් ගණනය කළ අපේක්ෂිත අගයට (සංඛ්යාත × තීව්රතාවය × නිරාවරණය) ආසන්නද? එසේ නොමැති නම්, පරාමිතියක් හෝ කේත දෝෂයක් ඇත.
සාරාංශයකින්
අනාගතය යනු තනි සංඛ්යාවක් නොව, විභවතා වර්ණාවලියකි. අධිෂ්ඨානශීලී අවස්ථා තනි "කුමක් නම්" මාර්ගයක් පෙන්වයි, මොන්ටේ කාලෝ සමස්ත බෙදා හැරීම සහ වලිග අවදානම පෙන්නුම් කරයි, ආතති පරීක්ෂණ දරුණු සිදුවීම්වල බලපෑම පෙන්නුම් කරයි. සැබෑ අන්තරාය වන්නේ වලිගය තුළ මිස සාමාන්යය නොවන අතර ඓතිහාසික දත්ත වලිගය හොඳින් නියෝජනය නොවේ; වැඩි වූ සහසම්බන්ධතාවය සහ සිදු නොවූ සිදුවීම් සඳහා ක්රියාකාරී විනිශ්චයක් අවශ්ය වේ. AI විසින් දර්ශනය සැලසුම් කරයි, අනුකරණය කේත කරයි සහ ප්රතිඵලය අර්ථකථනය කරයි; නමුත් කම්පන තේරීම, සහසම්බන්ධතා උපකල්පනය, වලිගය විනිශ්චය සහ අවසාන අවදානම් තීරණය ක්රියාකාරීත්වය මත රඳා පවතී. සෑම විටම සරල අනුකූලතා පරීක්ෂාවකින් ප්රතිඵල සත්යාපනය කරන්න.
යෙදුම් කාර්යය
නිර්නාමික පාදක උපකල්පන සකසන්න (සංඛ්යාතය, තීව්රතාවය, නිරාවරණය, උනන්දුව). (අ) පාදක අපේක්ෂිත හානිය, (ආ) උද්ධමනය, සංඛ්යාතය සහ පොලී අනුපාත කම්පන ඇතුළු තීරණාත්මක අවස්ථා 3 ක්, (ඇ) මොන්ටේ කාලෝ සමාකරණයක් සමඟ VaR සහ TVaR (99.5%) ගණනය කිරීමට AI වෙතින් අසන්න. සමාකරණ මධ්යන්යය ඔබ අතින් ගණනය කළ අපේක්ෂිත අගයට ආසන්න බව තහවුරු කරන්න. පසුව ඇපකර දෙක රඳා පවතින (සබඳතා) යැයි උපකල්පනය කිරීමෙන් වලිගය වෙනස් කරන්නේ කෙසේදැයි AI සමඟ සාකච්ඡා කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම සාමාන්යයට වඩා වලිග මිනුම් (VaR, TVaR) දෙස බැලුවද?
- [ ] අර්බුදකාරී අවස්ථාවේ අවදානම් වල සහසම්බන්ධතාවය මම සැලකිල්ලට ගෙන තිබේද?
- [ ] මම විශේෂඥ විනිශ්චය සමඟ ඓතිහාසික දත්තවල දක්නට නොලැබෙන ව්යුහාත්මක/දුර්ලභ අවස්ථා එකතු කර තිබේද?
- [ ] මම අධිෂ්ඨානවාදී සහ ස්ථාවර ප්රවේශය දැනුවත්ව වෙන් කර තිබේද?
- [ ] මම බලාපොරොත්තු වූ අගය සමඟ අනුකූලතාව සඳහා Monte Carlo මධ්යන්යය අතින් පරීක්ෂා කර තිබේද?
- [ ] මම සිද්ධි තේරීම් සහ කම්පන විශාලත්වය සඳහා සාධාරණීකරණය ලියා තිබේද?