Dobički:
- Sposobnost vzpostavitve konceptov determinističnega scenarija, stohastične simulacije (Monte Carlo) in stresnih testov s podporo umetne inteligence ter interpretacije rezultatov v jeziku tveganja
- Sposobnost oblikovanja šok scenarijev, kot so inflacija, obresti, katastrofalna škoda in pandemija z umetno inteligenco ter ocena odgovornosti in kapitalskega vpliva
- Biti sposoben razlikovati, da scenariji, ki jih ustvari umetna inteligenca, temeljijo na zgodovinskih podatkih in da je aktuarska presoja v ospredju pri tveganjih na repu in strukturnih zlomih.
Aktuarizem je poklic napovedovanja prihodnosti; Toda prihodnost ni ena sama številka, je spekter možnosti. Ni dovolj reči "Naša pričakovana škoda je 50 milijonov"; Pravo vprašanje je: "Če pride slabo leto, koliko milijonov bo to stalo, ali bo podjetje to zdržalo?" Orodja, ki odgovarjata na to vprašanje, sta analiza scenarijev in stresno testiranje. Vnaprejšnje merjenje vpliva potresa, visoke inflacije, obrestnega šoka ali pandemije na obveznosti in kapital podjetja je temeljna zahteva tako notranjega upravljanja tveganj kot zakonodaje, kot je Solventnost II. V tej enoti bomo obravnavali deterministični scenarij, stohastično simulacijo (Monte Carlo) in stresno testiranje ter videli, kako uporabiti AI v teh analizah.
Naj vas spomnimo že na začetku: scenariji temeljijo na zgodovinskih podatkih in predpostavkah. AI načrtuje scenarije, piše simulacijsko kodo in interpretira rezultate; Toda kateri pretresi so realistični, kako ravnati s tveganjem repa in kako vključiti strukturne prelome (dogodke, ki se nikoli niso zgodili v preteklosti), je prepuščeno aktuarski presoji.
Deterministični scenarij, stohastična simulacija in stresno testiranje
Pomembno je razlikovati med tremi pojmi. Deterministični scenarij je, da izberemo en niz predpostavk in izračunamo rezultat: "Koliko bi stali naši zahtevki, če bi bila inflacija 40 odstotkov?" Preprost, jasen in enostaven za komuniciranje; Vendar kaže le eno pot, ne pa možnosti. Stohastična simulacija (Monte Carlo) izpelje porazdelitev verjetnosti izida z večkratnim ustvarjanjem na tisoče naključnih scenarijev. Tako se pridobijo informacije o repu, kot je "povprečno 50, vendar 78 milijonov na ravni 99,5 odstotka". Stresni test je posebna vrsta scenarija, ki meri vpliv določenih hudih, a verjetnih dogodkov (potres, zlom trga); običajno določi regulator.
Monte Carlo je eno najmočnejših aktuarskih orodij. Logika je naslednja: iz porazdelitve frekvence in intenzivnosti izvlečete naključne vrednosti in izračunate celotno škodo; to ponovite 10.000-krat; Zbere 10.000 možne skupne škode v vaši roki. Iz tega zbiranja lahko razberete povprečje, percentile, kot so 75 odstotkov, 99,5 odstotka in najslabše možne scenarije. Točno tako se najde 99,5-odstotna raven, ki jo zahteva Solventnost II (slabo leto, ki se zgodi enkrat v 200 letih). AI hitro izdela kodo za to simulacijo.
Naslednja tabela primerja tri pristope:
Pristop
kar daje
močna točka
omejitev
Deterministični scenarij
en rezultat
Preprosto, enostavno za komuniciranje
Ne daje verjetnosti
Monte Carlo
Porazdelitev verjetnosti
Označuje tveganje za rep
Odvisno od predpostavk in podatkov
stresni test
Rezultat pod šokom
Preizkuša vzdržljivost
Šok selekcija je sodna
Tveganje za rep: najpomembnejše in najnevarnejše območje
V aktuarski teoriji resnična nevarnost ni v povprečju, temveč v repu (ekstremno območje porazdelitve z nizko verjetnostjo, vendar z velikim vplivom). Kar potopi podjetja, ni povprečno leto, ampak redek, a uničujoč dogodek: močan potres, veliko velike škode, ki prihaja hkrati, nenaden šok obrestne mere. Za merjenje te regije se uporabljata VaR (tvegana vrednost – največja izguba pri določeni stopnji zaupanja) in TVaR/CTE (povprečna izguba za repom). Monte Carlo je naraven način za izračun teh meritev.
Toda v repu obstaja še ena nevarnost: zgodovinski podatki ne predstavljajo dobro repa. Redki dogodki so bili po definiciji v preteklosti redki; zato jih model ponavadi podcenjuje. Umetna inteligenca se zlahka prilega porazdelitvi, ki temelji na zgodovinskih podatkih, vendar ne razmišlja spontano o tem, "kaj če pride do pandemije ali 100-letnega potresa, ki ga ta portfelj še ni doživel?" Naloga aktuarja je, da v model vključi strukturne prelome, povečanja korelacije (med krizo se vse poslabša hkrati) in trende, kot so podnebne spremembe.
Pozor: stavek "Naš model obravnava 99,9 odstotkov scenarijev" je tolažilen, vendar ne pozabite, da se model uči iz podatkov, katerih rep je mimo. Dogodek, ki se nikoli ni zgodil, je slepa pega tudi najboljšega modela. Tu nastopi strokovna presoja.
Kako uporabljati AI v scenarijih in testiranju izjemnih situacij
1) Koda simulacije Monte Carlo:
Napišite simulacijo sestavljene škode Monte Carlo s Pythonom (s komentarji). Predpostavke (dajem): število škode ~ Poisson(lambda=1600), znesek škode ~ Gama(oblika=k, lestvica=theta) [podal bom k in theta].1) 10.000-krat: izžrebajte količino, izžrebajte ta znesek, seštejte.2) Povprečje skupne škode, 75 %, 99 %, 99,5 % odstotki natisnite.3) Izračunajte in pojasnite VaR(99,5%) in TVaR(99,5%). FITTING parametri; dal ga bom. Knjižnica: numpy.
2) Deterministični stresni scenarij:
Vaša vloga: pomočnik pri tveganjih. Moja osnovna pričakovana izguba je 50 milijonov TL. Nastavite naslednje 3 deterministične scenarije: A) Inflacijski šok: resnost +30 %. B) Frekvenčni šok: število poškodb +15%. C) Oboje skupaj. Izračunajte novo pričakovano škodo v vsakem scenariju, prikažite odstotek vpliva glede na osnovo in komentirajte, kateri je najbolj kritičen. Samo uporabite osnovno številko, ki sem vam jo dal.
3) Svetovanje pri oblikovanju scenarija:
Načrtujem scenarije stresnih testov za portfelj zdravstvenega zavarovanja. - Predlagati osnutek 'hudih, a verjetnih' scenarijev za pandemijo, visoko inflacijo, novo drago tehnologijo zdravljenja in regulativne spremembe. - Navedite, ali vsak scenarij vpliva na pogostost, resnost ali oboje. - Poudarite tveganja, ki jih ni mogoče zajeti s preteklimi podatki. Jaz se bom odločil; Zagotavljate okvir in utemeljitev.
4) Prenos rezultata v upravljanje:
Moj rezultat Monte Carla: pričakovana škoda 50M, VaR(99,5%) 78M, TVaR(99,5%) 89M. Pojasnite to upravnemu odboru v 5 stavkih: - Kaj pomeni 99,5 % in TVaR v preprostem jeziku. - Zakaj je 'načrtovanje po povprečju' neustrezno? - Kakšno številko naj upoštevajo v smislu kapitala?
Šibek poziv/močan poziv
Šibek poziv:
Naredi stresni test za moj portfelj.
Ni osnovne vrednosti, ni definicije šoka, ni porazdelitve. AI ustvari splošno besedilo, ne izvedljivo število.
Močan poziv:
Vaša vloga: asistent za aktuarska tveganja. Osnovne predpostavke (anonimne): pričakovana frekvenca 0,12, povprečna resnost 30.000 TL, izpostavljenost 20.000 političnih let. Tehnični obresti so 4 %. Naloga:1) Izračunajte osnovno pričakovano skupno izgubo.2) Uporabite naslednje obremenitve in pokažite odstotek vpliva vsakega: - Inflacija: resnost +25 % - Slaba zima: pogostost +10 % - Padec obrestne mere: 4 % -> 3 % (vpliv na sedanjo vrednost obveznosti)3) Komentirajte 2 najbolj kritična scenarija in zakaj.4) Ali priporočate Monte Carlo za rep tveganje, zakaj? Samo uporabite številke, ki sem jih dal; Če manjka, vprašajte.
trije mini kovčki
1. primer – Prevarljivost povprečja. Podjetje je svoj kapital načrtovalo na podlagi pričakovane škode (50 mio). Ko je bil Monte Carlo narejen, se je videlo, da je 99,5-odstotna raven 82 milijonov: v slabem letu je bila dodatna potreba 32 milijonov in podjetje je ne bi moglo pokriti. Investicijski načrt je revidiran. AI je v nekaj sekundah izvedel simulacijo 10.000 scenarijev; Tolmačenje in distribucijo je ovrednotil aktuar.
Primer 2 – korelacijska slepota. Kritje za potres in prekinitev poslovanja se je v portfelju posebej zdelo nizko tveganje. Toda potres sproži oboje hkrati; Model, ki predpostavlja neodvisnost, je tveganje repa podcenil za polovico. Ko je aktuar scenariju dodal korelacijo, se je potreba po realnem kapitalu znatno povečala. Nauk: v krizi tveganja niso neodvisna; Vprašajte domnevno sprejemanje neodvisnosti s strani AI.
Primer 3 — dogodek, ki se ni zgodil. Portfelj zdravstvenega varstva je bil glede na podatke iz zadnjih 10 let videti zelo "soliden". Ko je prišla pandemija, sta pogostost in resnost hkrati skokovito narasli; Model tega ni nikoli predvidel, ker v podatkih ni bilo nič podobnega. V naslednjem obdobju je bil dodan deterministični pandemični scenarij. AI je izdelal osnutek scenarija; Aktuar je odločil o razsežnosti šoka. Lekcija: čakalna vrsta zgodovinskih podatkov ni popolna.
Pogoste napake
- Načrtovanje okoli povprečja. Rep je tisti, ki potopi podjetje, ne povprečje; Poglejte ekstremne meritve, kot je VaR/TVaR.
- Ob predpostavki, da so tveganja neodvisna. Med krizo se korelacije povečajo; Sprejemanje neodvisnosti se otepa.
- Popolno zaupanje v zgodovinske podatke. V podatkih ni redkih in strukturnih dogodkov; Dodajte scenarij s strokovno presojo.
- Mešanje determinističnega in stohastičnega. En sam scenarij ne daje verjetnosti; Verjetnost zahteva Monte Carlo.
- Predstavitev rezultata simulacije brez njegovega preverjanja. Neodvisno preverite odstotke in VaR; Napaka parametra popači celotno porazdelitev.
Namig: Pred predstavitvijo rezultatov Monte Carlo izvedite preprosto preverjanje doslednosti: ali je povprečje simulacije blizu pričakovane vrednosti (frekvenca × intenzivnost × izpostavljenost), ki ste jo izračunali ročno? Če ni, je prišlo do napake parametra ali kode.
Če povzamem
Prihodnost ni ena številka, ampak spekter možnosti. Deterministični scenariji prikazujejo eno samo "kaj če" pot, Monte Carlo prikazuje celotno porazdelitev in rep tveganja, stresni testi kažejo vpliv resnih dogodkov. Resnična nevarnost je v repu, ne v povprečju, in zgodovinski podatki ne predstavljajo dobro repa; Povečana korelacija in dogodki, ki se niso zgodili, zahtevajo aktuarsko presojo. AI oblikuje scenarij, kodira simulacijo in interpretira rezultat; toda izbira šoka, predpostavka o korelaciji, zaključna presoja in končna odločitev o tveganju so v pristojnosti aktuarja. Rezultate vedno preverite s preprostim preverjanjem doslednosti.
Aplikacijska naloga
Nastavite anonimne osnovne predpostavke (pogostost, intenzivnost, izpostavljenost, zanimanje). Prosite AI, da (a) določi pričakovano škodo, (b) 3 deterministične scenarije, vključno z inflacijo, frekvenco in šoki obrestne mere, (c) izračuna VaR in TVaR (99,5 %) s simulacijo Monte Carlo. Preverite, ali je povprečje simulacije blizu pričakovane vrednosti, ki ste jo izračunali ročno. Nato se z umetno inteligenco pogovorite o tem, kako bi ob predpostavki, da sta zavarovanja odvisna (korelirana), spremenil rep.
kontrolni seznam
- [ ] Ali sem pogledal tudi repne mere (VaR, TVaR) namesto povprečja?
- [ ] Ali sem upošteval korelacijo tveganj v času krize?
- [ ] Ali sem s strokovno presojo dodal strukturne/redke scenarije, ki jih v preteklih podatkih ni bilo mogoče najti?
- [ ] Ali sem zavestno ločil deterministični in stohastični pristop?
- [ ] Ali sem ročno preveril skladnost srednje vrednosti Monte Carlo s pričakovano vrednostjo?
- [ ] Ali sem napisal utemeljitev izbire scenarijev in magnitude šoka?