Lợi nhuận:
- Khả năng tóm tắt và giải thích ba trụ cột của Solvency II, SCR/MCR (nhu cầu vốn) và các khái niệm cung cấp kỹ thuật với sự hỗ trợ của trí tuệ nhân tạo
- Khả năng định cấu hình xác thực mô hình, kiểm tra lại, phân tích độ nhạy và các bước đánh giá độc lập bằng trí tuệ nhân tạo
- Khả năng hiểu rằng bản thân trí tuệ nhân tạo là một mô hình cần được xác minh và trách nhiệm cuối cùng đối với tài khoản vốn vẫn thuộc về người quản lý và chuyên gia tính toán được chỉ định.
Một công ty bảo hiểm đưa ra những lời hứa kéo dài hàng thập kỷ với mọi hợp đồng bảo hiểm mà họ bán. Để giữ được những lời hứa này, không những phải bố trí đủ dự phòng mà còn phải duy trì đủ vốn để đề phòng các tình huống xấu. Vốn là tấm đệm của công ty giúp hấp thụ những khoản lỗ bất ngờ, thước đo khả năng phục hồi tài chính của công ty. Khuôn khổ điều chỉnh khả năng phục hồi này ở Châu Âu và phần lớn ở Türkiye là Khả năng thanh toán II. Trong phần này, chúng ta sẽ đề cập đến logic của Khả năng thanh toán II, yêu cầu về vốn (SCR/MCR) và xác thực mô hình, một trong những nguyên tắc hoàn thiện nhất của chuyên gia tính toán; Chúng ta sẽ xem cách sử dụng AI trong lĩnh vực này - và tại sao bản thân AI là một mô hình cần được xác nhận.
Hãy để chúng tôi nhắc bạn ngay từ đầu: việc tính toán mức đủ vốn quyết định liệu một công ty có tồn tại được hay không; Niềm tin của cơ quan quản lý, cơ quan xếp hạng tín dụng và chủ hợp đồng phụ thuộc vào nó. Trong lĩnh vực này, AI tạo ra các bản tóm tắt, mã và bản nháp; nhưng trách nhiệm cuối cùng về số vốn thuộc về cơ quan tính toán và quản lý được chỉ định, đồng thời mỗi mô hình - bao gồm cả AI - phải trải qua quá trình xác minh độc lập.
Ba trụ cột của Khả năng thanh toán II
Khả năng thanh toán II được xây dựng trên ba “trụ cột”. Cột 1 - Yêu cầu về mặt định lượng: xác định cách tính toán các điều khoản kỹ thuật và yêu cầu về vốn. Có hai ngưỡng ở đây. SCR (Yêu cầu về vốn khả năng thanh toán): Là số vốn mà công ty phải giữ để đáp ứng các nghĩa vụ của mình trong vòng một năm với độ tin cậy 99,5%, ngay cả trong trường hợp xấu xảy ra khoảng 200 năm một lần. MCR (Yêu cầu vốn tối thiểu) là giới hạn thấp hơn tuyệt đối mà dưới đó giấy phép sẽ gặp nguy hiểm. Trụ cột 2 - Quản trị và quản lý rủi ro: bao gồm kiểm soát nội bộ, hệ thống quản lý rủi ro và đánh giá rủi ro của chính mình (ORSA). Trụ cột 3 — Minh bạch và báo cáo: nghĩa vụ công bố thông tin cho công chúng và cơ quan quản lý.
SCR có thể được tính theo hai cách. Công thức tiêu chuẩn: với các mô-đun và thông số rủi ro được tạo sẵn do cơ quan quản lý xác định. Mô hình nội bộ: mô hình do chính công ty phát triển và được cơ quan quản lý phê duyệt (thường có trụ sở tại Monte Carlo). Các mô hình nội bộ chính xác hơn nhưng yêu cầu quá trình xác minh và xác nhận phức tạp hơn nhiều. Cơ quan quản lý ở Türkiye là SEDDK (Cơ quan giám sát và quản lý bảo hiểm và lương hưu tư nhân) và luật pháp đang dần hội tụ các nguyên tắc về Khả năng thanh toán II.
Bảng sau đây tóm tắt các khái niệm chính:
khái niệm
Ý nghĩa
điểm tới hạn
Phản hồi kỹ thuật
Giá trị hiện tại của nợ phải trả
Dự đoán tốt nhất + tỷ lệ rủi ro
SCR
Vốn thua lỗ 1 năm với độ tin cậy 99,5%
Tiêu chí năng lực chính
MCR
Vốn tối thiểu tuyệt đối
Sáu = rủi ro giấy phép
ORSA
Đánh giá rủi ro của chính công ty
Trụ cột 2, trách nhiệm quản lý
Tỷ lệ khả năng thanh toán
Vốn chủ sở hữu / SCR
Trên 100% = đủ
Phản hồi kỹ thuật: ước tính tốt nhất và tỷ lệ rủi ro
Trong Solvency II, điều khoản kỹ thuật bao gồm hai phần. Ước tính tốt nhất: giá trị kỳ vọng của tất cả các dòng tiền trong tương lai, tính theo xác suất và chiết khấu—một ước tính không thiên vị, không thận trọng cũng không lạc quan. Biên độ rủi ro: khoảng đệm bổ sung mà công ty khác sẽ yêu cầu nếu thừa hưởng sự không chắc chắn; thêm vào dự đoán tốt nhất của bạn. Sự khác biệt này liên quan trực tiếp đến việc tính toán trợ cấp trong đơn vị 3: ước tính tốt nhất mà bạn tìm thấy với bậc thang chuỗi hoặc BF được thêm vào biên độ rủi ro bắt nguồn từ độ không đảm bảo mà bạn đo được bằng Mack/bootstrap. AI giúp giải thích các thành phần này và tạo ra mã kế toán.
Mẹo: Đừng đọc riêng những con số như "Tỷ lệ khả năng thanh toán 160 phần trăm". Hỏi với những giả định nào (lãi suất, tỷ lệ tử vong, kịch bản thảm họa) tỷ lệ này được tính toán và mức độ căng thẳng của nó; Một tỷ lệ có vẻ tốt có thể là sản phẩm của những giả định tồi.
Xác minh mô hình: Mọi mô hình bao gồm AI đều được xác minh
Một trong những nguyên tắc trưởng thành nhất của chuyên gia tính toán là xác nhận mô hình. Không có mô hình nào—không phải GLM, không phải Monte Carlo, không phải công cụ AI—có thể đáng tin cậy nếu không được xác thực. Việc xác minh bao gồm một số thành phần. Kiểm tra ngược: so sánh các dự đoán trong quá khứ của mô hình với kết quả thực tế; Nếu mô hình liên tục đánh giá thấp hoặc đánh giá quá cao (sai lệch) thì có vấn đề. Phân tích độ nhạy: thay đổi các giả định đầu vào và xem đầu ra thay đổi bao nhiêu; Một mô hình quá nhạy cảm sẽ dễ vỡ. Đo điểm chuẩn: so sánh kết quả với một phương pháp thay thế hoặc dữ liệu ngành. Đánh giá độc lập: cuộc kiểm toán được thực hiện bởi một chuyên gia tính toán có trình độ không phải là người xây dựng mô hình. Solvency II kêu gọi rõ ràng sự độc lập này.
Có một điểm quan trọng ở đây: bản thân AI là một mô hình và phải được xác nhận. Mã, tính toán hoặc đề xuất mà mô hình ngôn ngữ tạo ra phải trải qua quá trình kiểm tra ngược, cảm tính và đánh giá độc lập, giống như GLM. Hơn nữa, cách AI đưa ra câu trả lời thường không minh bạch (hộp đen); Điều này đòi hỏi phải xử lý tỉ mỉ hơn về mặt xác minh. Bạn có thể sử dụng AI để cấu trúc quy trình xác minh, nhưng bạn không thể ủy quyền việc xác minh cho AI - điều đó sẽ gây xung đột lợi ích.
Thận trọng: Bắt AI nói "xác thực và xác thực mô hình của tôi" cũng giống như bắt học sinh đọc bài kiểm tra của chính mình. Việc xác minh được thực hiện bởi một người độc lập và có thẩm quyền, thông qua tài liệu. AI chỉ có thể giúp tạo danh sách kiểm tra và mã kiểm tra.
Cách sử dụng AI trong Khả năng thanh toán và xác minh
1) Tóm tắt khái niệm và dịch sang ngôn ngữ kinh doanh:
Vai trò của bạn: trợ lý đào tạo chuyên gia tính toán. Giải thích Solvency II cho trợ lý tổng giám đốc về 6 mục: SCR, MCR, phản hồi kỹ thuật (ước tính tốt nhất + tỷ lệ rủi ro), tỷ lệ khả năng thanh toán, công thức chuẩn so với mô hình nội bộ, ORSA. Viết mỗi mục trong một câu duy nhất, bằng ngôn ngữ đơn giản. Đừng tạo nên những con số; chỉ giải thích các khái niệm.
2) Danh sách kiểm tra xác minh:
Tôi sẽ xác nhận mô hình đặt trước theo Solvency II. Cung cấp cho tôi danh sách kiểm tra xác thực mô hình: - Các bước kiểm tra lại - Các giả định cần thay đổi để phân tích độ nhạy - Các tùy chọn so sánh điểm chuẩn - Các câu hỏi cần yêu cầu đánh giá độc lập Hãy coi đây là một khuôn khổ; Tôi sẽ đưa ra quyết định và đánh giá.
3) Mã kiểm tra lại:
Viết mã kiểm tra lại bằng Python (có nhận xét): Đầu vào: phản hồi được dự đoán cho từng giai đoạn và giá trị nhận ra sau đó. 1) Dự báo - tính toán độ lệch thực tế cho từng thời kỳ. 2) Báo cáo độ lệch trung bình và hướng của nó (thấp/cao nhất quán). 3) Đề xuất một bài kiểm tra dấu hiệu thống kê đơn giản. Tôi sẽ giải thích kết quả; Tôi sẽ cung cấp dữ liệu.
4) Kịch bản về tỷ lệ khả năng thanh toán:
Vốn chủ sở hữu của tôi là 320M, SCR của tôi là 200M. Tính tỷ lệ khả năng thanh toán của tôi. Sau đó, nếu SCR tăng lên 250M khi bị căng thẳng, hãy tính tỷ lệ mới. Trong cả hai trường hợp, hãy nhận xét xem tỷ lệ này có đủ hay không (ngưỡng 100%). Chỉ cần sử dụng những con số tôi đã đưa ra.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Tính toán yêu cầu về vốn của tôi và xác nhận mô hình của tôi là chính xác.
Hai lỗi: không có dữ liệu và không có phương pháp; Ngoài ra, việc bắt AI nói "xác nhận" sẽ làm mất hiệu lực xác minh.
Lời nhắc mạnh mẽ:
Vai trò của bạn: trợ lý xác minh chuyên gia tính toán. Nhiệm vụ A: Tính toán tỷ lệ khả năng thanh toán - vốn chủ sở hữu 320M, SCR 200M; tìm tỷ lệ và diễn giải nó dựa trên ngưỡng 100%. Nhiệm vụ B: Cung cấp danh sách kiểm tra và bản nháp mã backtest để xác thực độc lập mô hình đặt chỗ này. Lưu ý: Bạn sẽ không xác thực mô hình; Một chuyên gia tính toán độc lập sẽ thực hiện việc xác minh. Bạn chỉ cần tạo khuôn khổ, mã và các câu hỏi để hỏi. Đừng tạo nên những con số.
ba trường hợp nhỏ
Trường hợp 1 - Tỷ lệ tốt với giả định yếu. Tỷ lệ khả năng thanh toán của một công ty dường như là 180% và việc quản lý được nới lỏng. Đánh giá độc lập cho thấy tỷ lệ này được tính toán với giả định lãi suất rất lạc quan và kịch bản thảm họa thấp; Với những giả định thực tế, tỷ lệ này giảm xuống còn 115%. Bài học: tỷ lệ cược chỉ tốt khi có những giả định cơ bản về chúng. AI nhanh chóng tính toán lại tác động của sự thay đổi giả định; Một chuyên gia tính toán độc lập đã thực hiện đánh giá.
Trường hợp 2 - Độ lệch hệ thống. Một thử nghiệm ngược của một mô hình cho thấy nó dự đoán thấp hơn mức cung cấp trung bình là 8% trong ba năm liên tiếp. Các năm riêng lẻ dường như "có thể chấp nhận được", nhưng việc liên tục đi chệch hướng theo cùng một hướng là một dấu hiệu của sự thiên vị. Đã sửa lỗi lựa chọn yếu tố tiến hóa mô hình. AI đã tạo ra mã backtest và biểu đồ độ lệch; Chuyên gia tính toán đã giải thích mô hình này.
Trường hợp 3 - Cái bẫy của việc thuê ngoài xác minh AI. Một trợ lý yêu cầu AI "xác nhận mô hình nội bộ này xem nó có tuân thủ Solvency II không"; AI tạo ra một văn bản “có sẵn” trôi chảy. Nhưng AI chưa thực sự kiểm tra dữ liệu hoặc giả định của mô hình; Đây chỉ là xác nhận bề ngoài chứ không phải xác nhận thực tế. Khi chuyên gia tính toán độc lập vào cuộc, người ta phát hiện ra hai lỗi giả định nghiêm trọng. Bài học: xác minh là trách nhiệm của con người; AI không thể tiếp quản nó.
Những lỗi thường gặp
- Đọc tỷ lệ khả năng thanh toán mà không cần giả định. Một tỷ lệ tốt có thể là sản phẩm của những giả định sai lầm; Đặt câu hỏi về các giả định dưới đây.
- Nhìn vào từng năm riêng lẻ và thiếu sự thiên vị mang tính hệ thống. Độ lệch nhỏ nhất quán theo cùng một hướng là dấu hiệu của sự thiên vị nghiêm trọng.
- Đã thực hiện xác minh và phê duyệt bởi AI. Đây là xung đột lợi ích và sự chứng thực bề ngoài; Việc xác minh được thực hiện bởi con người độc lập.
- Nhầm lẫn giữa dự đoán tốt nhất với tỷ lệ rủi ro. Hai cái này là thành phần riêng biệt; Biên độ rủi ro là vùng đệm không chắc chắn và không được đưa vào dự báo.
- Sử dụng đầu ra AI như thể nó là thật chứ không phải là mô hình chưa được xác thực. AI cũng là một hình mẫu; phải trải qua quá trình kiểm tra ngược, độ nhạy và kiểm soát độc lập.
Tóm lại
Khả năng thanh toán II quy định khả năng phục hồi tài chính của các công ty bảo hiểm; Ba trụ cột của nó là các yêu cầu về số lượng, quản trị và tính minh bạch. SCR là vốn bù lỗ một năm với độ tin cậy 99,5%, MCR là mức tối thiểu tuyệt đối; Việc cung cấp kỹ thuật bao gồm ước tính tốt nhất và tỷ lệ rủi ro. Xác thực mô hình - kiểm tra ngược, đánh giá cảm tính, đo điểm chuẩn, đánh giá độc lập - là quy tắc mà mọi mô hình, bao gồm cả AI, đều phải trải qua trước khi có thể tin cậy được. AI tạo ra các bản tóm tắt khái niệm, mã và danh sách kiểm tra; Nhưng trách nhiệm về số vốn thuộc về chuyên gia tính toán được chỉ định và ban quản lý, việc xác minh thuộc về con người độc lập và việc AI nói "phê duyệt" không phải là sự thay thế cho việc xác minh thực tế.
Nhiệm vụ ứng dụng
Thiết lập kịch bản tỷ lệ khả năng thanh toán với các số liệu ẩn danh (vốn chủ sở hữu và SCR). Yêu cầu AI (a) tính toán tỷ lệ và tính toán lại tỷ lệ đó khi có áp lực, (b) tạo danh sách kiểm tra xác thực và kiểm tra lại bản nháp mã cho mô hình đặt trước. Xác minh tỷ lệ bằng tay. Sau đó, yêu cầu AI “xác thực mô hình của tôi” một cách có ý thức và đánh giá phản hồi của nó một cách nghiêm túc: nó thực sự kiểm soát được điều gì, điều gì không kiểm soát?
danh sách kiểm tra
- [ ] Tôi đã đọc tỷ lệ khả năng thanh toán và đặt câu hỏi về các giả định cơ bản chưa?
- [ ] Tôi đã tìm kiếm độ lệch hệ thống cũng như từng năm riêng lẻ trong backtest chưa?
- [ ] Tôi đã giao việc xác minh cho một người độc lập và có năng lực hay tôi không ủy quyền việc đó cho AI?
- [ ] Tôi đã phân bổ ước tính tốt nhất và tỷ lệ rủi ro một cách chính xác chưa?
- [ ] Tôi đã coi đầu ra AI là một mô hình cần được xác thực chưa?
- [ ] Tôi có khẳng định rằng trách nhiệm cuối cùng về số liệu vốn thuộc về chuyên gia tính toán được chỉ định không?