Mga nadagdag:
- Kakayahang magtatag ng deterministic scenario, stochastic simulation (Monte Carlo) at stress test concepts na may suporta ng artificial intelligence at bigyang-kahulugan ang mga resulta sa risk language
- Kakayahang magdisenyo ng mga shock scenario tulad ng inflation, interes, sakuna na pinsala at pandemya na may artipisyal na katalinuhan at tantiyahin ang pananagutan at epekto sa kapital
- Ang kakayahang tukuyin na ang mga senaryo na ginawa ng artificial intelligence ay batay sa makasaysayang data at ang actuarial na paghuhusga ay nauuna sa mga tail risk at structural break.
Ang aktuarialismo ay ang propesyon ng paghula sa hinaharap; Ngunit ang hinaharap ay hindi isang solong numero, ito ay isang spectrum ng mga posibilidad. Hindi sapat na sabihing "Ang aming inaasahang pinsala ay 50 milyon"; Ang totoong tanong ay: "Kung dumating ang isang masamang taon, ilang milyon ang magagastos, kaya ba ng kumpanya?" Ang mga tool na sumasagot sa tanong na ito ay pagsusuri ng senaryo at pagsubok sa stress. Ang maagang pagsukat sa epekto ng lindol, mataas na inflation, pagkabigla sa rate ng interes o pandemya sa mga pananagutan at kapital ng kumpanya ay isang pangunahing kinakailangan ng parehong panloob na pamamahala sa peligro at batas tulad ng Solvency II. Sa unit na ito, sasakupin namin ang deterministic na senaryo, stochastic simulation (Monte Carlo) at stress testing, at tingnan kung paano gamitin ang AI sa mga pagsusuring ito.
Paalalahanan ka namin mula sa simula: ang mga sitwasyon ay batay sa makasaysayang data at mga pagpapalagay. Ang AI ay nagdidisenyo ng mga sitwasyon, nagsusulat ng simulation code, at binibigyang-kahulugan ang mga resulta; Ngunit kung aling mga pagkabigla ang makatotohanan, kung paano haharapin ang panganib sa buntot, at kung paano isama ang mga structural break (mga kaganapang hindi pa nangyari sa nakaraan) ay naiwan sa actuarial na paghatol.
Deterministic na senaryo, stochastic simulation at stress testing
Mahalagang makilala ang tatlong konsepto. Ang deterministikong senaryo ay ang pumili ng iisang hanay ng mga pagpapalagay at kalkulahin ang kinalabasan: "Ano ang magiging halaga ng aming mga paghahabol kung ang inflation ay 40 porsiyento?" Simple, malinaw at madaling makipag-usap; Ngunit ito ay nagpapakita lamang ng isang paraan, hindi isang posibilidad. Ang Stochastic simulation (Monte Carlo) ay nakakakuha ng probability distribution ng resulta sa pamamagitan ng paulit-ulit na pagbuo ng libu-libong random na mga sitwasyon. Kaya, ang impormasyon ng buntot tulad ng "50 sa karaniwan, ngunit 78 milyon sa antas ng 99.5 porsyento" ay nakuha. Ang stress test ay isang espesyal na uri ng scenario na sumusukat sa epekto ng ilang malala ngunit posible na mga kaganapan (lindol, pagbagsak ng merkado); karaniwang tinutukoy ng regulator.
Ang Monte Carlo ay isa sa pinakamakapangyarihang tool ng actuarial. Ang lohika ay ito: kinukuha mo ang mga random na halaga mula sa mga pamamahagi ng dalas at intensity at kinakalkula ang kabuuang pinsala; inuulit mo ito ng 10,000 beses; Nag-iipon ng 10,000 posibleng kabuuang pinsala sa iyong kamay. Mula sa akumulasyon na ito, mababasa mo ang average, mga percentile gaya ng 75 percent, 99.5 percent at worst-case scenario. Ito ay eksakto kung paano natagpuan ang 99.5 porsyento na antas na kinakailangan ng Solvency II (isang masamang taon na mangyayari minsan sa 200 taon). Mabilis na ginawa ng AI ang code para sa simulation na ito.
Ang sumusunod na talahanayan ay naghahambing sa tatlong paraan:
Diskarte
kung ano ang nagbibigay
malakas na punto
limitasyon
Deterministikong senaryo
iisang resulta
Simple, madaling kausap
Hindi nagbibigay ng posibilidad
Monte Carlo
Pamamahagi ng posibilidad
Nagsasaad ng panganib sa buntot
Depende sa pagpapalagay at data
pagsubok ng stress
Resulta sa ilalim ng pagkabigla
Sinusuri ang tibay
Ang pagpili ng shock ay panghukuman
Panganib sa buntot: ang pinakamahalaga at pinakamapanganib na lugar
Sa actuarial theory, ang tunay na panganib ay hindi nakasalalay sa mean kundi sa buntot (ang sukdulan, mababang posibilidad ngunit may mataas na epekto na rehiyon ng pamamahagi). Ang nagpapalubog sa mga kumpanya ay hindi isang karaniwang taon, ngunit isang bihirang ngunit mapangwasak na kaganapan: isang malaking lindol, maraming malalaking pinsala na dumarating sa parehong oras, isang biglaang pagkabigla sa rate ng interes. Para sukatin ang rehiyong ito, ginagamit ang VaR (Value at Risk — ang maximum na pagkawala sa isang partikular na antas ng kumpiyansa) at TVaR/CTE (average na pagkawala na lampas sa buntot) ang ginagamit. Ang Monte Carlo ay ang natural na paraan upang makalkula ang mga sukat na ito.
Ngunit may isa pang panganib sa buntot: ang makasaysayang data ay hindi kumakatawan sa buntot nang maayos. Ang mga bihirang kaganapan, sa pamamagitan ng kahulugan, ay bihira sa nakaraan; kaya ang modelo ay may posibilidad na maliitin ang mga ito. Ang AI ay madaling umaangkop sa isang pamamahagi batay sa makasaysayang data, ngunit hindi ito kusang isinasaalang-alang "paano kung mayroong isang pandemya o isang 100-taong lindol na hindi pa nararanasan ng portfolio na ito?" Trabaho ng actuary na isama ang mga structural break, pagtaas ng ugnayan (lahat ay lumalala nang sabay-sabay sa panahon ng krisis) at mga uso tulad ng pagbabago ng klima sa modelo.
Babala: Nakakaaliw ang pangungusap na "Ang aming modelo ay humahawak ng 99.9 porsiyentong mga sitwasyon," ngunit tandaan na ang modelo ay natututo mula sa data na ang buntot ay lumampas. Ang isang kaganapan na hindi nangyari ay ang blind spot ng kahit na ang pinakamahusay na modelo. Dito pumapasok ang ekspertong paghuhusga.
Paano gamitin ang AI sa scenario at stress testing
1) Monte Carlo simulation code:
Sumulat ng isang compound damage Monte Carlo simulation na may Python (na may mga komento). Assumptions (I give): number of damage ~ Poisson(lambda=1600), amount of damage ~ Gamma(shape=k, scale=theta) [Ibibigay ko ang k at theta].1) 10,000 times: draw quantity, draw that amount, add up.2) Average ng kabuuang damages, 75%, 99%) ipaliwanag ang 99.3%, 99. VaR(99.5%) at TVaR(99.5%).FITTING na mga parameter; ibibigay ko. Library: numpy.
2) Deterministic na senaryo ng stress:
Ang iyong tungkulin: katulong sa panganib. Ang aking base expected loss ay 50 million TL. I-set up ang sumusunod na 3 deterministic na sitwasyon: A) Inflation shock: kalubhaan +30%. B) Dalas ng pagkabigla: bilang ng mga pinsala +15%. C) Parehong magkasama. Kalkulahin ang bagong inaasahang pinsala sa bawat senaryo, ipakita ang porsyento ng epekto batay sa base at magkomento kung alin ang pinaka kritikal. Gamitin mo lang ang base number na binigay ko sayo.
3) Pagkonsulta sa disenyo ng sitwasyon:
Nagdidisenyo ako ng mga sitwasyon ng stress test para sa portfolio ng health insurance. - Magmungkahi ng draft na 'malubha ngunit makatwiran' na senaryo bawat isa para sa pandemya, mataas na inflation, bagong teknolohiya sa mamahaling paggamot at pagbabago sa regulasyon. - Sabihin kung ang bawat senaryo ay nakakaapekto sa dalas, kalubhaan o pareho. - Ituro ang mga panganib sa buntot na hindi makuha gamit ang makasaysayang data. Ako ang gagawa ng desisyon; Ibigay mo ang balangkas at katwiran.
4) Pagsasalin ng resulta sa pamamahala:
Aking resulta sa Monte Carlo: inaasahang pinsala 50M, VaR(99.5%) 78M, TVaR(99.5%) 89M. Ipaliwanag ito sa isang lupon ng mga direktor sa 5 pangungusap:- Ano ang ibig sabihin ng 99.5% at TVaR, sa simpleng wika.- Bakit hindi sapat ang 'pagpaplano ayon sa karaniwan'?- Anong figure ang dapat nilang tingnan sa mga tuntunin ng kapital?
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Gumawa ng stress test para sa aking portfolio.
Walang base value, walang shock definition, walang distribution. Gumagawa ang AI ng isang pangkalahatang teksto, hindi isang numerong magagawa.
Napakahusay na prompt:
Ang iyong tungkulin: actuarial risk assistant. Mga base na pagpapalagay (anonymous): inaasahang dalas 0.12, average na kalubhaan 30,000 TL, exposure 20,000 policy-taon. Ang teknikal na interes ay 4% bakit?Gamitin lang ang mga numerong binigay ko; Kung kulang, magtanong.
tatlong mini case
Case 1 — Ang panlilinlang ng karaniwan. Ang isang kumpanya ay nagplano ng kapital nito batay sa inaasahang pinsala (50 milyon). Nang matapos ang Monte Carlo, nakita na ang 99.5 percent na antas ay 82 milyon: sa isang masamang taon, mayroong karagdagang pangangailangan na 32 milyon at hindi ito matutugunan ng kumpanya. Ang plano ng kapital ay binago. Ang AI ay nagpatakbo ng simulation ng 10,000 mga sitwasyon sa loob ng ilang segundo; Sinuri ng actuary ang interpretasyon at pamamahagi.
Kaso 2 — Pagkabulag ng kaugnayan. Ang saklaw ng lindol at pagkagambala sa negosyo ay hiwalay na mukhang mababa ang panganib sa isang portfolio. Ngunit ang isang lindol ay nag-trigger pareho sa parehong oras; Ang modelo na nagpapalagay ng kalayaan ay minamaliit ng kalahati ang panganib sa buntot. Kapag ang actuary ay nagdagdag ng ugnayan sa senaryo, ang tunay na pangangailangan ng kapital ay tumaas nang malaki. Aral: sa isang krisis, ang mga panganib ay hindi independyente; Tanong sa ipinapalagay na pagtanggap ng AI ng kalayaan.
Case 3 — Isang pangyayari na hindi nangyari. Ang isang portfolio ng pangangalagang pangkalusugan ay mukhang napaka "solid" batay sa data mula sa nakaraang 10 taon. Nang dumating ang isang pandemya, ang dalas at kalubhaan ay sabay-sabay na tumaas; Hindi ito hinulaan ng modelo dahil walang katulad nito sa data. Sa susunod na panahon, idinagdag ang deterministikong senaryo ng pandemya. Ginawa ng AI ang draft na script; Ang actuary ang nagpasya sa laki ng shock. Aralin: hindi kumpleto ang queue ng historical data.
Mga karaniwang pagkakamali
- Pagpaplano sa paligid ng average. Ito ay ang buntot, hindi ang karaniwan, na lumulubog sa kumpanya; Tumingin sa mga matinding sukatan tulad ng VaR/TVaR.
- Ipagpalagay na ang mga panganib ay independyente. Sa panahon ng krisis, tumataas ang mga ugnayan; Ang pagtanggap ng kalayaan ay nagpapagaan sa buntot.
- Buong kumpiyansa sa makasaysayang data. Ang mga bihirang at istrukturang kaganapan ay wala sa data; Magdagdag ng senaryo na may ekspertong paghuhusga.
- Paghahalo ng deterministic at stochastic. Ang isang senaryo ay hindi nagbibigay ng posibilidad; Ang posibilidad ay nangangailangan ng Monte Carlo.
- Pagpapakita ng resulta ng simulation nang hindi ito bini-verify. Suriin ang mga porsyento at VaR nang nakapag-iisa; Pinapangit ng error ng parameter ang buong pamamahagi.
Tip: Bago ipakita ang mga resulta ng Monte Carlo, gawin ang isang simpleng pagsusuri sa consistency: ang ibig sabihin ba ng simulation ay malapit sa inaasahang halaga (frequency × intensity × exposure) na iyong nakalkula sa pamamagitan ng kamay? Kung hindi, mayroong parameter o error sa code.
Sa buod
Ang hinaharap ay hindi isang solong numero, ngunit isang spectrum ng mga posibilidad. Ang mga deterministikong sitwasyon ay nagpapakita ng isang solong "paano kung" na landas, ang Monte Carlo ay nagpapakita ng buong pamamahagi at buntot na panganib, ang mga pagsubok sa stress ay nagpapakita ng epekto ng mga malubhang kaganapan. Ang tunay na panganib ay nasa buntot, hindi ang karaniwan, at ang makasaysayang data ay hindi kumakatawan sa buntot nang maayos; Ang tumaas na ugnayan at mga kaganapang hindi naganap ay nangangailangan ng actuarial na paghatol. Idinisenyo ng AI ang senaryo, kino-code ang simulation at binibigyang-kahulugan ang resulta; ngunit ang shock selection, correlation assumption, tail judgment, at final risk decision ay nakasalalay sa actuary. Palaging i-verify ang mga resulta gamit ang isang simpleng pagsusuri sa pagkakapare-pareho.
Gawain ng aplikasyon
Magtakda ng mga anonymous na base assumption (dalas, intensity, exposure, interes). Hilingin sa AI na (a) ibase ang inaasahang pinsala, (b) 3 deterministikong mga senaryo kabilang ang inflation, dalas at mga pagkabigla sa rate ng interes, (c) kalkulahin ang VaR at TVaR(99.5%) gamit ang Monte Carlo simulation. I-verify na ang ibig sabihin ng simulation ay malapit sa inaasahang halaga na iyong kinakalkula nang manu-mano. Pagkatapos ay talakayin sa AI kung paano ipagpalagay na ang dalawang collateral ay umaasa (magkakaugnay) ay magbabago sa buntot.
checklist
- [ ] Tiningnan ko rin ba ang mga sukat ng buntot (VaR, TVaR) kaysa sa karaniwan?
- [ ] Isinasaalang-alang ko ba ang ugnayan ng mga panganib sa panahon ng krisis?
- [ ] Nagdagdag ba ako ng istruktura/bihirang mga sitwasyong hindi nakita sa makasaysayang data na may ekspertong paghuhusga?
- [ ] Sinasadya ko bang pinaghiwalay ang deterministic at stochastic na diskarte?
- [ ] Manu-mano ko bang sinuri ang ibig sabihin ng Monte Carlo para sa pagkakapare-pareho sa inaasahang halaga?
- [ ] Isinulat ko ba ang katwiran para sa mga pagpipilian sa senaryo at laki ng pagkabigla?