Faida:
- Uwezo wa kuanzisha hali ya kuamua, simulation ya stochastic (Monte Carlo) na dhana za mtihani wa mkazo kwa msaada wa akili ya bandia na kutafsiri matokeo katika lugha ya hatari.
- Uwezo wa kubuni hali za mshtuko kama vile mfumuko wa bei, riba, uharibifu wa janga na janga na akili ya bandia na dhima ya makadirio na athari ya mtaji.
- Kuwa na uwezo wa kutofautisha kwamba matukio yanayotolewa na akili ya bandia yanatokana na data ya kihistoria na kwamba hukumu ya kihalisi huja mbele katika hatari za mkia na mapumziko ya miundo.
Actuarialism ni taaluma ya kutabiri yajayo; Lakini siku zijazo sio nambari moja, ni wigo wa uwezekano. Haitoshi kusema "Uharibifu wetu unaotarajiwa ni milioni 50"; Swali la kweli ni: "Ikiwa mwaka mbaya unakuja, ni milioni ngapi itagharimu, kampuni inaweza kushughulikia?" Zana zinazojibu swali hili ni uchanganuzi wa hali na upimaji wa mafadhaiko. Kupima mapema athari za tetemeko la ardhi, mfumuko mkubwa wa bei, mshtuko wa kiwango cha riba au janga kwenye dhima na mtaji wa kampuni ni hitaji la kimsingi la udhibiti wa hatari wa ndani na sheria kama vile Solvency II. Katika kitengo hiki, tutashughulikia hali ya kubainisha, uigaji wa stochastic (Monte Carlo) na majaribio ya mfadhaiko, na kuona jinsi ya kutumia AI katika uchanganuzi huu.
Hebu tukumbushe tangu mwanzo: matukio yanategemea data ya kihistoria na mawazo. AI hutengeneza hali, huandika msimbo wa kuiga, na kutafsiri matokeo; Lakini ni mishtuko ipi ambayo ni ya kweli, jinsi ya kushughulikia hatari ya mkia, na jinsi ya kujumuisha mapumziko ya kimuundo (matukio ambayo hayajawahi kutokea hapo awali) yameachwa kwa uamuzi wa kisayansi.
Hali dhabiti, uigaji wa stochastic na upimaji wa mafadhaiko
Ni muhimu kutofautisha dhana tatu. Hali ya kuamua ni kuchagua seti moja ya mawazo na kukokotoa matokeo: "Madai yetu yangegharimu nini ikiwa mfumuko wa bei ungekuwa asilimia 40?" Rahisi, wazi na rahisi kuwasiliana; Lakini inaonyesha njia moja tu, sio uwezekano. Uigaji wa Stochastic (Monte Carlo) hupata uwezekano wa usambazaji wa matokeo kwa kuzalisha maelfu ya matukio nasibu mara kwa mara. Kwa hivyo, habari ya mkia kama "50 kwa wastani, lakini milioni 78 kwa kiwango cha asilimia 99.5" hupatikana. Jaribio la mfadhaiko ni aina maalum ya hali ambayo hupima athari za matukio fulani kali lakini yenye kusadikika (tetemeko la ardhi, ajali ya soko); kawaida hufafanuliwa na mdhibiti.
Monte Carlo ni mojawapo ya zana zenye nguvu zaidi za actuarial. Mantiki ni hii: unatoa maadili ya nasibu kutoka kwa usambazaji wa mzunguko na ukubwa na kuhesabu jumla ya uharibifu; unarudia hii mara 10,000; Hukusanya jumla ya uharibifu unaowezekana 10,000 mkononi mwako. Kutoka kwa mkusanyiko huu, unaweza kusoma wastani, asilimia kama vile asilimia 75, asilimia 99.5 na hali mbaya zaidi. Hivi ndivyo kiwango cha asilimia 99.5 kinachohitajika na Solvency II (mwaka mbaya ambao utatokea mara moja katika miaka 200) hupatikana. AI hutoa haraka nambari ya simulation hii.
Jedwali lifuatalo linalinganisha njia tatu:
Mbinu
inatoa nini
hatua kali
kikomo
Hali ya kuamua
matokeo moja
Rahisi, rahisi kuwasiliana
Hutoa uwezekano
Monte Carlo
Usambazaji wa uwezekano
Inaonyesha hatari ya mkia
Inategemea dhana na data
mtihani wa dhiki
Matokeo chini ya mshtuko
Hujaribu uimara
Uchaguzi wa mshtuko ni wa mahakama
Hatari ya mkia: eneo muhimu zaidi na la hatari zaidi
Katika nadharia ya uhalisia, hatari halisi haipo katika maana bali katika mkia (eneo uliokithiri, uwezekano mdogo lakini wenye athari kubwa ya usambazaji). Kinachozama makampuni sio mwaka wa wastani, lakini tukio la nadra lakini la uharibifu: tetemeko kubwa la ardhi, uharibifu mkubwa unaokuja kwa wakati mmoja, mshtuko wa ghafla wa kiwango cha riba. Ili kupima eneo hili, VaR (Thamani iliyoko kwenye Hatari - hasara ya juu zaidi katika kiwango fulani cha uaminifu) na TVaR/CTE (hasara ya wastani zaidi ya mkia) hutumiwa. Monte Carlo ni njia ya asili ya kuhesabu vipimo hivi.
Lakini kuna hatari nyingine katika mkia: data ya kihistoria haiwakilishi mkia vizuri. Matukio ya nadra, kwa ufafanuzi, yamekuwa nadra katika siku za nyuma; hivyo mfano huwa unazidharau. AI inafaa kwa urahisi usambazaji kulingana na data ya kihistoria, lakini haizingatii moja kwa moja "vipi ikiwa kuna janga au tetemeko la ardhi la miaka 100 ambalo kwingineko hii haijawahi kupata?" Ni kazi ya mtaalam kujumuisha mapumziko ya muundo, ongezeko la uunganisho (kila kitu kinazidi kuwa mbaya kwa wakati mmoja wakati wa shida) na mienendo kama vile mabadiliko ya hali ya hewa katika muundo.
Tahadhari: Sentensi "Mtindo wetu hushughulikia matukio ya asilimia 99.9" inafariji, lakini kumbuka kwamba kielelezo hujifunza kutokana na data ambayo mkia wake umepita. Tukio ambalo halijawahi kutokea ni kipofu hata cha mfano bora zaidi. Hapa ndipo uamuzi wa kitaalam unapoingia.
Jinsi ya kutumia AI katika hali na upimaji wa mafadhaiko
1) nambari ya simu ya Monte Carlo:
Andika uharibifu wa kiwanja uigaji wa Monte Carlo na Python (na maoni). Mawazo (ninatoa): idadi ya uharibifu ~ Poisson(lambda=1600), kiasi cha uharibifu ~ Gamma(umbo=k, mizani=theta) [Nitatoa k na theta].1) Mara 10,000: chora kiasi, chora kiasi hicho, ongeza.2) Wastani wa uharibifu wote, 75%, 999% fafanua, 99%, 99% na 3% eleza. VaR(99.5%) na TVaR(99.5%).Vigezo vya FITTING; Nitatoa. Maktaba: numpy.
2) Hali ya dhiki ya kuamua:
Jukumu lako: msaidizi wa hatari. Hasara yangu inayotarajiwa ni TL milioni 50. Weka matukio 3 yafuatayo ya kuamua: A) Mshtuko wa mfumuko wa bei: ukali + 30%. B) Mshtuko wa mara kwa mara: idadi ya uharibifu + 15%. C) Wote kwa pamoja. Kokotoa uharibifu mpya unaotarajiwa katika kila hali, onyesha asilimia ya athari kulingana na msingi na utoe maoni ni ipi iliyo muhimu zaidi. Tumia tu nambari ya msingi niliyokupa.
3) Ushauri wa muundo wa mazingira:
Ninaunda hali za majaribio ya mafadhaiko kwa kwingineko ya bima ya afya. - Pendekeza rasimu ya hali 'kali lakini inayokubalika' kwa kila janga, mfumuko wa bei wa juu, teknolojia mpya ya matibabu ya gharama kubwa na mabadiliko ya udhibiti. - Taja ikiwa kila kisa huathiri mara kwa mara, ukali au zote mbili. - Onyesha hatari za mkia ambazo haziwezi kunaswa na data ya kihistoria. Nitafanya uamuzi; Unatoa mfumo na uhalalishaji.
4) Kutafsiri matokeo katika usimamizi:
Matokeo yangu ya Monte Carlo: uharibifu unaotarajiwa 50M, VaR(99.5%) 78M, TVaR(99.5%) 89M. Eleza hili kwa bodi ya wakurugenzi katika sentensi 5:- 99.5% na TVaR inamaanisha nini, kwa lugha nyepesi.- Kwa nini 'kupanga kwa wastani' haitoshi?- Je, ni takwimu gani wanapaswa kuangalia katika suala la mtaji?
Mwongozo dhaifu / Mwongozo thabiti
Agizo dhaifu:
Fanya mtihani wa mafadhaiko kwa kwingineko yangu.
Hakuna thamani ya msingi, hakuna ufafanuzi wa mshtuko, hakuna usambazaji. AI hutoa maandishi ya jumla, sio nambari inayowezekana.
Agizo lenye nguvu:
Jukumu lako: msaidizi wa hatari ya actuarial. Mawazo ya msingi (bila jina): marudio yanayotarajiwa 0.12, wastani wa ukali 30,000 TL, kufichua miaka 20,000 ya sera. Masilahi ya kiufundi ni 4%.Jukumu:1) Kokotoa jumla ya hasara inayotarajiwa.2) Tumia mikazo ifuatayo na uonyeshe athari ya asilimia ya kila moja: - Mfumuko wa bei: ukali +25% - Majira ya baridi mbaya: marudio +10% - Kupungua kwa kiwango cha riba: 4% -> 3% (athari kwa thamani ya sasa ya dhima)3) Toa maoni kuhusu 2 muhimu zaidi na unapendekeza Carcenario kwa nini unapendekeza hatari. kwa nini?Tumia tu namba nilizotoa; Ikiwa haipo, uliza.
kesi tatu ndogo
Kesi ya 1 - Udanganyifu wa wastani. Kampuni ilikuwa imepanga mtaji wake kulingana na uharibifu uliotarajiwa (milioni 50). Monte Carlo ilipofanywa, ilionekana kuwa kiwango cha asilimia 99.5 kilikuwa milioni 82: katika mwaka mbaya, kulikuwa na haja ya ziada ya milioni 32 na kampuni haitaweza kukidhi. Mpango mkuu umefanyiwa marekebisho. AI iliendesha uigaji wa matukio 10,000 kwa sekunde; Mtaalamu alitathmini tafsiri na usambazaji.
Kesi ya 2 - upofu wa uhusiano. Chanjo ya tetemeko la ardhi na usumbufu wa biashara kando ilionekana hatari ndogo katika kwingineko. Lakini tetemeko la ardhi huchochea zote mbili kwa wakati mmoja; Muundo wa kuchukua uhuru ulipuuza hatari ya mkia kwa nusu. Wakati mtaalam aliongeza uwiano na mazingira, haja halisi ya mtaji iliongezeka kwa kiasi kikubwa. Somo: katika shida, hatari hazijitegemea; Swali kuhusu kukubalika kwa AI kwa uhuru.
Kesi ya 3 - Tukio ambalo halikutokea. Jalada la huduma ya afya lilionekana "imara" sana kulingana na data ya miaka 10 iliyopita. Wakati janga lilipowasili, frequency na ukali uliongezeka kwa wakati mmoja; Mfano haukuwahi kutabiri hii kwa sababu hakukuwa na kitu kama hicho kwenye data. Katika kipindi kilichofuata, hali ya janga la kuamua iliongezwa. AI ilitoa hati ya rasimu; Mtaalam aliamua ukubwa wa mshtuko. Somo: foleni ya data ya kihistoria haijakamilika.
Makosa ya kawaida
- Kupanga karibu wastani. Ni mkia, sio wastani, unaozama kampuni; Angalia metriki kali kama vile VaR/TVaR.
- Kudhani hatari ni huru. Wakati wa shida, uhusiano huongezeka; Kukubali uhuru hufanya mwanga wa mkia.
- Uaminifu kamili katika data ya kihistoria. Matukio adimu na ya kimuundo hayapo kwenye data; Ongeza hali kwa uamuzi wa kitaalam.
- Kuchanganya deterministic na stochastic. Hali moja haitoi uwezekano; Uwezekano unahitaji Monte Carlo.
- Kuwasilisha matokeo ya uigaji bila kuyathibitisha. Angalia asilimia na VaR kwa kujitegemea; Hitilafu ya kigezo hupotosha usambazaji mzima.
Kidokezo: Kabla ya kuwasilisha matokeo ya Monte Carlo, fanya ukaguzi rahisi wa uthabiti: je, simulizi ina maana karibu na thamani inayotarajiwa (frequency × intensity × exposure) ambayo ulikokotoa kwa mkono? Ikiwa sivyo, kuna kigezo au hitilafu ya msimbo.
Kwa muhtasari
Wakati ujao sio nambari moja, lakini wigo wa uwezekano. Matukio madhubuti yanaonyesha njia moja ya "vipi ikiwa", Monte Carlo inaonyesha usambaaji mzima na hatari ya mkia, vipimo vya mkazo vinaonyesha athari ya matukio makali. Hatari halisi iko kwenye mkia, sio wastani, na data ya kihistoria haiwakilishi mkia vizuri; Kuongezeka kwa uwiano na matukio ambayo hayajatokea yanahitaji hukumu ya kitaalam. AI huunda mazingira, huweka nambari za simulizi na kutafsiri matokeo; lakini uteuzi wa mshtuko, dhana ya uunganisho, uamuzi wa mwisho, na uamuzi wa mwisho wa hatari unabaki kwa mtaalamu. Thibitisha matokeo kila wakati kwa ukaguzi rahisi wa uthabiti.
Jukumu la maombi
Weka dhana za msingi zisizojulikana (marudio, ukubwa, mfiduo, maslahi). Uliza AI (a) msingi wa uharibifu unaotarajiwa, (b) matukio 3 bainifu ikijumuisha mfumuko wa bei, marudio na majanga ya viwango vya riba, (c) kukokotoa VaR na TVaR(99.5%) kwa uigaji wa Monte Carlo. Thibitisha kuwa wastani wa uigaji unakaribia thamani inayotarajiwa uliyokokotoa wewe mwenyewe. Kisha jadili na AI jinsi kudhani kuwa dhamana mbili zinategemea (zinazohusiana) zinaweza kubadilisha mkia.
orodha ya ukaguzi
- [ ] Je, nimeangalia pia vipimo vya mkia (VaR, TVaR) badala ya wastani?
- [ ] Je, nimezingatia uwiano wa hatari wakati wa mgogoro?
- [ ] Je, nimeongeza matukio ya kimuundo/adimu ambayo hayapatikani katika data ya kihistoria kwa uamuzi wa kitaalamu?
- [ ] Je, kwa uangalifu nimetenganisha mkabala wa kuamua na wa kistokasi?
- [ ] Je, nimeangalia mwenyewe wastani wa Monte Carlo kwa uthabiti na thamani inayotarajiwa?
- [ ] Je, nimeandika uhalalishaji wa chaguzi za matukio na ukubwa wa mshtuko?