Lợi nhuận:
- Khả năng thiết lập kịch bản xác định, mô phỏng ngẫu nhiên (Monte Carlo) và các khái niệm kiểm tra sức chịu đựng với sự hỗ trợ của trí tuệ nhân tạo và diễn giải kết quả bằng ngôn ngữ rủi ro
- Khả năng thiết kế các kịch bản sốc như lạm phát, lãi suất, thiệt hại thảm khốc và đại dịch bằng trí tuệ nhân tạo và ước tính trách nhiệm pháp lý cũng như tác động vốn
- Có thể phân biệt rằng các kịch bản do trí tuệ nhân tạo tạo ra đều dựa trên dữ liệu lịch sử và phán đoán của chuyên gia tính toán sẽ xuất hiện trong các rủi ro đuôi và sự phá vỡ cấu trúc.
Chủ nghĩa thống kê bảo hiểm là nghề dự đoán tương lai; Nhưng tương lai không phải là một con số duy nhất, nó là một loạt các khả năng. Nói “Chúng tôi dự kiến thiệt hại 50 triệu” là chưa đủ; Câu hỏi thực sự là: “Nếu năm xấu đến thì tốn bao nhiêu triệu, công ty có chịu nổi không?” Các công cụ trả lời câu hỏi này là phân tích kịch bản và kiểm tra sức chịu đựng. Đo lường trước tác động của động đất, lạm phát cao, cú sốc lãi suất hoặc đại dịch đối với nợ và vốn của công ty là yêu cầu cơ bản của cả quản lý rủi ro nội bộ và pháp luật như Solvency II. Trong phần này, chúng ta sẽ đề cập đến kịch bản xác định, mô phỏng ngẫu nhiên (Monte Carlo) và kiểm tra sức chịu đựng, đồng thời xem cách sử dụng AI trong các phân tích này.
Hãy nhắc bạn ngay từ đầu: các kịch bản dựa trên dữ liệu và giả định lịch sử. AI thiết kế kịch bản, viết mã mô phỏng và diễn giải kết quả; Nhưng những cú sốc nào là thực tế, cách xử lý rủi ro đuôi và cách bao gồm những phá vỡ cấu trúc (những sự kiện chưa từng xảy ra trong quá khứ) đều thuộc về đánh giá của chuyên gia tính toán.
Kịch bản xác định, mô phỏng ngẫu nhiên và kiểm tra sức chịu đựng
Điều quan trọng là phải phân biệt ba khái niệm. Kịch bản xác định là chọn một tập hợp giả định duy nhất và tính toán kết quả: “Chi phí yêu cầu bồi thường của chúng ta sẽ là bao nhiêu nếu lạm phát là 40%?” Đơn giản, rõ ràng và dễ giao tiếp; Nhưng nó chỉ cho thấy một cách chứ không phải một khả năng. Mô phỏng ngẫu nhiên (Monte Carlo) rút ra phân bố xác suất của kết quả bằng cách liên tục tạo ra hàng nghìn kịch bản ngẫu nhiên. Do đó, thu được thông tin đuôi như "trung bình 50, nhưng 78 triệu ở mức 99,5 phần trăm". Kiểm tra sức chịu đựng là một loại tình huống đặc biệt nhằm đo lường tác động của một số sự kiện nghiêm trọng nhưng có thể xảy ra (động đất, thị trường sụp đổ); thường được xác định bởi cơ quan quản lý.
Monte Carlo là một trong những công cụ mạnh mẽ nhất của chuyên gia tính toán. Logic là thế này: bạn trích xuất các giá trị ngẫu nhiên từ phân bố tần số và cường độ rồi tính toán tổng thiệt hại; bạn lặp lại điều này 10.000 lần; Tích lũy tổng cộng 10.000 sát thương có thể có trong tay bạn. Từ sự tích lũy này, bạn có thể đọc mức trung bình, phân vị như 75 phần trăm, 99,5 phần trăm và các trường hợp xấu nhất. Đây chính xác là cách tìm ra mức 99,5 phần trăm theo yêu cầu của Solvency II (một năm tồi tệ sẽ xảy ra 200 năm một lần). AI nhanh chóng tạo ra mã cho mô phỏng này.
Bảng sau so sánh ba cách tiếp cận:
Cách tiếp cận
những gì mang lại
điểm mạnh
giới hạn
Kịch bản xác định
kết quả duy nhất
Đơn giản, dễ giao tiếp
Không đưa ra xác suất
Monte Carlo
Phân bố xác suất
Cho biết rủi ro đuôi
Phụ thuộc vào giả định và dữ liệu
kiểm tra căng thẳng
Kết quả bị sốc
Kiểm tra độ bền
Lựa chọn sốc là tư pháp
Rủi ro đuôi: khu vực quan trọng nhất và nguy hiểm nhất
Trong lý thuyết chuyên gia tính toán, mối nguy hiểm thực sự không nằm ở mức trung bình mà ở phần đuôi (vùng cực đoan, xác suất thấp nhưng có tác động cao của phân phối). Điều nhấn chìm các công ty không phải là một năm bình thường mà là một sự kiện hiếm gặp nhưng có sức tàn phá lớn: một trận động đất lớn, nhiều thiệt hại lớn xảy ra cùng lúc, một cú sốc lãi suất bất ngờ. Để đo lường vùng này, VaR (Giá trị rủi ro - tổn thất tối đa ở mức độ tin cậy nhất định) và TVaR/CTE (tổn thất trung bình vượt quá đuôi) được sử dụng. Monte Carlo là cách tự nhiên để tính toán các phép đo này.
Nhưng có một mối nguy hiểm khác ở phần đuôi: dữ liệu lịch sử không thể hiện rõ ràng phần đuôi. Các sự kiện hiếm, theo định nghĩa, đã từng hiếm trong quá khứ; vì vậy mô hình có xu hướng đánh giá thấp chúng. AI dễ dàng điều chỉnh sự phân bổ dựa trên dữ liệu lịch sử, nhưng nó không tự động xem xét "điều gì sẽ xảy ra nếu có một đại dịch hoặc một trận động đất kéo dài 100 năm mà danh mục đầu tư này chưa từng trải qua?" Công việc của chuyên gia tính toán là đưa các sự phá vỡ cấu trúc, sự gia tăng mối tương quan (mọi thứ trở nên tồi tệ hơn cùng lúc trong thời kỳ khủng hoảng) và các xu hướng như biến đổi khí hậu vào mô hình.
Thận trọng: Câu "Mô hình của chúng tôi xử lý 99,9% kịch bản" có vẻ dễ chịu, nhưng hãy nhớ rằng mô hình học từ dữ liệu có phần đuôi ở quá khứ. Một sự kiện chưa từng xảy ra là điểm mù của ngay cả mô hình tốt nhất. Đây là lúc sự phán xét của chuyên gia phát huy tác dụng.
Cách sử dụng AI trong kịch bản và thử nghiệm căng thẳng
1) Mã mô phỏng Monte Carlo:
Viết mô phỏng thiệt hại kép Monte Carlo bằng Python (có nhận xét). Giả định (tôi đưa ra): số lượng thiệt hại ~ Poisson(lambda=1600), lượng thiệt hại ~ Gamma(shape=k,scale=theta) [Tôi sẽ cho k và theta].1) 10.000 lần: rút số lượng, rút số tiền đó, cộng lại.2) Trung bình của tổng thiệt hại, 75%, 99%, 99,5% phần trăm in.3) Tính toán và giải thích VaR(99,5%) và Thông số TVaR(99,5%).FITTING; Tôi sẽ cho nó. Thư viện: numpy.
2) Kịch bản căng thẳng xác định:
Vai trò của bạn: trợ lý rủi ro. Khoản lỗ dự kiến cơ bản của tôi là 50 triệu TL. Thiết lập 3 kịch bản tất định sau: A) Cú sốc lạm phát: mức độ nghiêm trọng +30%. B) Sốc tần số: số lần hư hỏng +15%. C) Cả hai cùng nhau. Tính toán thiệt hại dự kiến mới trong mỗi kịch bản, hiển thị phần trăm tác động dựa trên cơ sở và nhận xét xem tác động nào là nghiêm trọng nhất. Chỉ cần sử dụng số cơ sở tôi đã cung cấp cho bạn.
3) Tư vấn thiết kế kịch bản:
Tôi đang thiết kế các kịch bản kiểm tra sức chịu đựng cho danh mục bảo hiểm y tế. - Đề xuất từng kịch bản dự thảo ‘nghiêm trọng nhưng hợp lý’ đối với đại dịch, lạm phát cao, công nghệ xử lý mới đắt tiền và thay đổi quy định. - Nêu rõ mỗi kịch bản có ảnh hưởng đến tần suất, mức độ nghiêm trọng hay cả hai. - Chỉ ra những rủi ro đuôi mà dữ liệu lịch sử không thể nắm bắt được. Tôi sẽ đưa ra quyết định; Bạn cung cấp khuôn khổ và sự biện minh.
4) Chuyển kết quả sang quản lý:
Kết quả Monte Carlo của tôi: thiệt hại dự kiến 50 triệu, VaR(99,5%) 78 triệu, TVaR(99,5%) 89 triệu. Giải thích điều này với ban giám đốc trong 5 câu:- 99,5% và TVaR có nghĩa là gì, nói một cách dễ hiểu.- Tại sao 'lập kế hoạch theo mức trung bình' là không thỏa đáng?- Họ nên xem xét con số nào về mặt vốn?
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Làm một bài kiểm tra căng thẳng cho danh mục đầu tư của tôi.
Không có giá trị cơ bản, không có định nghĩa sốc, không có phân phối. AI tạo ra một văn bản chung chung chứ không phải một con số khả thi.
Lời nhắc mạnh mẽ:
Vai trò của bạn: trợ lý rủi ro tính toán bảo hiểm. Giả định cơ sở (ẩn danh): tần suất dự kiến 0,12, mức độ nghiêm trọng trung bình 30.000 TL, rủi ro 20.000 năm hợp đồng. Lãi suất kỹ thuật là 4%. Nhiệm vụ:1) Tính toán tổng tổn thất dự kiến cơ bản.2) Áp dụng các áp lực sau và cho thấy phần trăm tác động của từng áp lực: - Lạm phát: mức độ nghiêm trọng +25% - Mùa đông tồi tệ: tần suất +10% - Lãi suất giảm: 4% -> 3% (tác động đến giá trị hiện tại của khoản nợ)3) Nhận xét về 2 kịch bản quan trọng nhất và lý do.4) Bạn có đề xuất Monte Carlo cho rủi ro đuôi không, tại sao?Chỉ cần sử dụng những con số tôi đưa ra; Nếu thiếu thì hỏi.
ba trường hợp nhỏ
Trường hợp 1 - Sự lừa dối của mức trung bình. Một công ty đã lên kế hoạch vốn dựa trên thiệt hại dự kiến (50 triệu). Khi Monte Carlo làm xong, người ta thấy mức 99,5% là 82 triệu: trong một năm tồi tệ, có nhu cầu bổ sung là 32 triệu và công ty sẽ không thể đáp ứng được. Kế hoạch vốn đã được điều chỉnh. AI chạy mô phỏng 10.000 kịch bản trong vài giây; Chuyên gia tính toán đã đánh giá việc giải thích và phân phối.
Trường hợp 2 - Mù tương quan. Riêng việc bảo hiểm động đất và gián đoạn kinh doanh có vẻ rủi ro thấp trong danh mục đầu tư. Nhưng một trận động đất gây ra cả hai cùng một lúc; Mô hình giả định tính độc lập đã đánh giá thấp rủi ro đuôi xuống một nửa. Khi chuyên gia tính toán thêm mối tương quan vào kịch bản, nhu cầu vốn thực tế tăng lên đáng kể. Bài học: trong khủng hoảng, rủi ro không tồn tại độc lập; Câu hỏi về sự chấp nhận độc lập của AI.
Trường hợp 3 - Một sự kiện đã không xảy ra. Danh mục chăm sóc sức khỏe trông rất "vững chắc" dựa trên dữ liệu từ 10 năm qua. Khi một đại dịch ập đến, cả tần suất và mức độ nghiêm trọng đều đồng thời tăng vọt; Mô hình chưa bao giờ dự đoán điều này vì không có dữ liệu nào giống như vậy trong dữ liệu. Trong giai đoạn tiếp theo, kịch bản đại dịch xác định đã được bổ sung. AI tạo ra kịch bản nháp; Chuyên gia tính toán đã quyết định mức độ của cú sốc. Bài học: hàng đợi dữ liệu lịch sử chưa đầy đủ.
Những lỗi thường gặp
- Lập kế hoạch xung quanh mức trung bình. Chính cái đuôi chứ không phải phần trung bình đã nhấn chìm công ty; Nhìn vào các số liệu cực đoan như VaR/TVaR.
- Giả sử rủi ro là độc lập. Trong thời kỳ khủng hoảng, mối tương quan tăng lên; Chấp nhận độc lập coi nhẹ cái đuôi.
- Hoàn toàn tin tưởng vào dữ liệu lịch sử. Các sự kiện hiếm gặp và mang tính cấu trúc không có trong dữ liệu; Thêm kịch bản với sự đánh giá của chuyên gia.
- Trộn xác định và ngẫu nhiên. Một kịch bản duy nhất không đưa ra xác suất; Xác suất yêu cầu Monte Carlo.
- Trình bày kết quả mô phỏng mà không xác minh nó. Kiểm tra tỷ lệ phần trăm và VaR một cách độc lập; Lỗi tham số làm biến dạng toàn bộ phân phối.
Mẹo: Trước khi trình bày kết quả Monte Carlo, hãy thực hiện kiểm tra tính nhất quán đơn giản: giá trị trung bình mô phỏng có gần với giá trị mong đợi (tần số × cường độ × độ phơi sáng) mà bạn đã tính toán bằng tay không? Nếu không thì có lỗi tham số hoặc mã.
Tóm lại
Tương lai không phải là một con số duy nhất mà là một loạt các khả năng. Các kịch bản xác định hiển thị một đường dẫn "điều gì xảy ra nếu", Monte Carlo hiển thị toàn bộ phân phối và rủi ro đuôi, các bài kiểm tra căng thẳng cho thấy tác động của các sự kiện nghiêm trọng. Mối nguy hiểm thực sự nằm ở phần đuôi, không phải ở mức trung bình, và dữ liệu lịch sử không thể hiện rõ phần đuôi; Mối tương quan gia tăng và các sự kiện chưa xảy ra đòi hỏi phải có sự đánh giá của chuyên gia tính toán. AI thiết kế kịch bản, mã hóa mô phỏng và diễn giải kết quả; nhưng việc lựa chọn cú sốc, giả định tương quan, phán đoán cuối cùng và quyết định rủi ro cuối cùng đều thuộc về chuyên gia tính toán. Luôn xác minh kết quả bằng cách kiểm tra tính nhất quán đơn giản.
Nhiệm vụ ứng dụng
Đặt các giả định cơ sở ẩn danh (tần suất, cường độ, mức độ hiển thị, mức độ quan tâm). Yêu cầu AI căn cứ vào (a) thiệt hại dự kiến, (b) 3 kịch bản xác định bao gồm các cú sốc lạm phát, tần suất và lãi suất, (c) tính toán VaR và TVaR(99,5%) bằng mô phỏng Monte Carlo. Xác minh rằng giá trị trung bình mô phỏng gần với giá trị mong đợi mà bạn đã tính toán thủ công. Sau đó thảo luận với AI rằng giả sử hai tài sản thế chấp phụ thuộc (tương quan) sẽ thay đổi phần đuôi như thế nào.
danh sách kiểm tra
- [ ] Tôi cũng đã xem xét các thước đo đuôi (VaR, TVaR) thay vì mức trung bình chưa?
- [ ] Tôi đã tính đến mối tương quan giữa các rủi ro tại thời điểm khủng hoảng chưa?
- [ ] Tôi đã thêm các kịch bản mang tính cấu trúc/hiếm không có trong dữ liệu lịch sử với sự đánh giá của chuyên gia chưa?
- [ ] Tôi đã có ý thức tách biệt cách tiếp cận tất định và ngẫu nhiên chưa?
- [ ] Tôi đã kiểm tra thủ công giá trị trung bình Monte Carlo để đảm bảo tính nhất quán với giá trị mong đợi chưa?
- [ ] Tôi đã viết lời biện minh cho các lựa chọn kịch bản và cường độ sốc chưa?