Awọn anfani:
- Agbara lati ṣe agbekalẹ oju iṣẹlẹ ipinnu, simulation stochastic (Monte Carlo) ati awọn imọran idanwo wahala pẹlu atilẹyin ti oye atọwọda ati tumọ awọn abajade ni ede eewu.
- Agbara lati ṣe apẹrẹ awọn oju iṣẹlẹ iyalẹnu bii afikun, iwulo, ibajẹ ajalu ati ajakaye-arun pẹlu oye atọwọda ati iṣiro iṣiro ati ipa olu
- Ni anfani lati ṣe iyatọ pe awọn oju iṣẹlẹ ti a ṣe nipasẹ itetisi atọwọda da lori data itan ati pe idajọ adaṣe wa si iwaju ni awọn eewu iru ati awọn isinmi igbekalẹ.
Actualism jẹ oojọ ti asọtẹlẹ ọjọ iwaju; Ṣugbọn awọn ojo iwaju ni ko kan nikan nọmba, o jẹ kan julọ.Oniranran ti o ṣeeṣe. Ko ti to lati sọ "Awọn ibajẹ ti a reti jẹ 50 milionu"; Ibeere gidi ni: "Ti ọdun buburu ba de, miliọnu melo ni yoo jẹ, ṣe ile-iṣẹ le mu u?” Awọn irinṣẹ ti o dahun ibeere yii jẹ itupalẹ oju iṣẹlẹ ati idanwo wahala. Wiwọn ilosiwaju ikolu ti ìṣẹlẹ kan, afikun giga, mọnamọna oṣuwọn iwulo tabi ajakaye-arun lori awọn gbese ile-iṣẹ ati olu jẹ ibeere ipilẹ ti iṣakoso eewu inu ati ofin bii Solvency II. Ninu ẹyọ yii, a yoo bo oju iṣẹlẹ ipinnu, simulation stochastic (Monte Carlo) ati idanwo wahala, ati rii bii o ṣe le lo AI ninu awọn itupalẹ wọnyi.
Jẹ ki a leti ọ lati ibẹrẹ: awọn oju iṣẹlẹ da lori data itan ati awọn arosinu. AI ṣe apẹrẹ awọn oju iṣẹlẹ, kọ koodu kikopa, ati tumọ awọn abajade; Ṣugbọn awọn iyalẹnu wo ni o daju, bii o ṣe le mu eewu iru, ati bii o ṣe le pẹlu awọn isinmi igbekale (awọn iṣẹlẹ ti ko tii ṣẹlẹ tẹlẹ) ni a fi silẹ si idajọ iṣe.
Oju iṣẹlẹ ipinnu, simulation sitokasitik ati idanwo wahala
O ṣe pataki lati ṣe iyatọ awọn ero mẹta. Oju iṣẹlẹ ipinnu ni lati yan eto kan ti awọn arosinu ati ṣe iṣiro abajade: “Kini iye owo awọn ẹtọ wa ti afikun ba jẹ 40 ogorun?” Rọrun, ko o ati rọrun lati ṣe ibaraẹnisọrọ; Ṣugbọn o fihan ọna kan nikan, kii ṣe ṣeeṣe. Simulation sitokasitik (Monte Carlo) n gba pinpin iṣeeṣe ti abajade nipasẹ ṣiṣẹda leralera ẹgbẹẹgbẹrun awọn oju iṣẹlẹ lairotẹlẹ. Nitorinaa, alaye iru bii “50 ni apapọ, ṣugbọn 78 million ni ipele 99.5 ogorun” ni a gba. Idanwo wahala jẹ iru oju iṣẹlẹ pataki kan ti o ṣe iwọn ipa ti awọn iṣẹlẹ ti o lagbara ṣugbọn awọn iṣẹlẹ ti o ṣeeṣe (iwariri ilẹ, jamba ọja); maa asọye nipa awọn eleto.
Monte Carlo jẹ ọkan ninu awọn irinṣẹ agbara julọ ti actuarial. Imọye naa ni eyi: o jade awọn iye laileto lati igbohunsafẹfẹ ati awọn pinpin kikankikan ati ṣe iṣiro ibajẹ lapapọ; o tun yi 10,000 igba; Accumulates 10,000 ṣee ṣe lapapọ bibajẹ ni ọwọ rẹ. Lati ikojọpọ yii, o le ka apapọ, awọn ipin ogorun bii 75 ogorun, 99.5 ogorun ati awọn oju iṣẹlẹ ti o buruju. Eyi ni deede bi ipele 99.5 ogorun ti o nilo nipasẹ Solvency II (odun buburu ti yoo waye ni ẹẹkan ni ọdun 200) ni a rii. AI yarayara gbe koodu fun kikopa yii.
Tabili ti o tẹle yii ṣe afiwe awọn ọna mẹta:
Ona
ohun ti yoo fun
lagbara ojuami
ifilelẹ lọ
Oju iṣẹlẹ ipinnu
nikan esi
Rọrun, rọrun lati baraẹnisọrọ
Ko fun iṣeeṣe
Monte Carlo
Pipin iṣeeṣe
Tọkasi ewu iru
Da lori arosinu ati data
wahala igbeyewo
Abajade labẹ mọnamọna
Awọn idanwo agbara
Yiyan mọnamọna jẹ idajọ
Ewu iru: agbegbe ti o ṣe pataki julọ ati ti o lewu julọ
Ni ẹkọ iṣe iṣe, ewu gidi ko wa ni itumọ ṣugbọn ni iru (iwọn, iṣeeṣe kekere ṣugbọn agbegbe ipa-giga ti pinpin). Ohun ti awọn ile-iṣẹ rì kii ṣe ọdun apapọ, ṣugbọn iṣẹlẹ ti o ṣọwọn ṣugbọn apanirun: ìṣẹlẹ nla kan, ọpọlọpọ awọn ibajẹ nla ti n bọ ni akoko kanna, mọnamọna oṣuwọn iwulo lojiji. Lati wiwọn agbegbe yii, VaR (Iye ni Ewu - pipadanu ti o pọju ni ipele igbẹkẹle ti a fun) ati TVaR / CTE (ipadanu apapọ ju iru) lo. Monte Carlo jẹ ọna adayeba lati ṣe iṣiro awọn wiwọn wọnyi.
Ṣugbọn ewu miiran wa ninu iru: data itan ko ṣe aṣoju iru daradara. Awọn iṣẹlẹ toje, nipa asọye, ti ṣọwọn ni igba atijọ; ki awọn awoṣe duro lati underestimate wọn. AI ni irọrun ni ibamu si pinpin ti o da lori data itan, ṣugbọn ko ronu lẹẹkọkan “kini ti ajakaye-arun kan ba wa tabi iwariri ọdun 100 ti portfolio yii ko ti ni iriri rara?” O jẹ iṣẹ oṣere lati pẹlu awọn isinmi igbekalẹ, awọn imudara ibamu (ohun gbogbo n buru si ni akoko kanna lakoko aawọ) ati awọn aṣa bii iyipada oju-ọjọ sinu awoṣe.
Išọra: Awọn gbolohun ọrọ "Awoṣe wa n ṣe awọn oju iṣẹlẹ 99.9 fun ogorun" jẹ itunu, ṣugbọn ranti pe awoṣe naa kọ ẹkọ lati inu data ti iru rẹ ti kọja. Iṣẹlẹ ti ko ṣẹlẹ rara ni aaye afọju ti paapaa awoṣe ti o dara julọ. Eyi ni ibi ti idajọ amoye wa sinu ere.
Bii o ṣe le lo AI ni oju iṣẹlẹ ati idanwo wahala
1) koodu kikopa Monte Carlo:
Kọ a yellow ibaje Monte Carlo kikopa pẹlu Python (pẹlu comments). Awọn ero (Mo fun): nọmba ti ibajẹ ~ Poisson (lambda = 1600), iye ibajẹ ~ Gamma (apẹrẹ = k, iwọn = theta) [Emi yoo fun k ati theta].1) Awọn akoko 10,000: fa opoiye, fa iye yẹn, ṣafikun VaR (99.5%) ati TVaR (99.5%) .FITTING paramita; Emi yoo fun. Library: numpy.
2) Oju iṣẹlẹ wahala ipinnu:
Rẹ ipa: ewu Iranlọwọ. Ipilẹ mi ti o nireti pipadanu jẹ 50 million TL. Ṣeto awọn oju iṣẹlẹ ipinnu ipinnu 3 atẹle wọnyi: A) mọnamọna afikun: iwuwo + 30%. B) Iyalẹnu igbohunsafẹfẹ: nọmba awọn bibajẹ + 15%. C) Mejeeji papọ. Ṣe iṣiro ibajẹ tuntun ti a nireti ni oju iṣẹlẹ kọọkan, ṣafihan ipa ogorun ti o da lori ipilẹ ati asọye eyiti o ṣe pataki julọ. Kan lo nọmba ipilẹ ti Mo fun ọ.
3) Ijumọsọrọ apẹrẹ oju iṣẹlẹ:
Mo n ṣe apẹrẹ awọn oju iṣẹlẹ idanwo wahala fun portfolio iṣeduro ilera kan. - Ṣe agbero oju iṣẹlẹ kan 'ti o lewu ṣugbọn o ṣeeṣe' ọkọọkan fun ajakaye-arun, afikun giga, imọ-ẹrọ itọju gbowolori tuntun ati iyipada ilana. - Sọ boya oju iṣẹlẹ kọọkan yoo ni ipa lori igbohunsafẹfẹ, iwuwo tabi mejeeji. - Tọkasi awọn ewu iru ti a ko le mu pẹlu data itan. Emi yoo ṣe ipinnu; O pese ilana ati idalare.
4) Itumọ abajade si iṣakoso:
Mi Monte Carlo esi: o ti ṣe yẹ bibajẹ 50M, VaR (99,5%) 78M, TVaR (99,5%) 89M. Ṣe alaye eyi si igbimọ awọn oludari ni awọn gbolohun 5: - Kini 99.5% ati TVaR tumọ si, ni ede ti o rọrun.- Kini idi ti 'igbero nipasẹ apapọ' ko to? - Nọmba wo ni o yẹ ki wọn wo ni awọn ofin ti olu?
Ailagbara kiakia / Alagbara kiakia
Ibere ailagbara:
Ṣe idanwo wahala fun portfolio mi.
Ko si iye ipilẹ, ko si asọye mọnamọna, ko si pinpin. AI ṣe agbejade ọrọ gbogbogbo, kii ṣe nọmba ti o ṣeeṣe.
Ibere ti o lagbara:
Rẹ ipa: actuarial ewu Iranlọwọ. Awọn igbero mimọ (ailorukọ): igbohunsafẹfẹ ti a nireti 0.12, aropin bibi 30,000 TL, ifihan 20,000 eto imulo-ọdun. Imọ anfani jẹ 4% . Iṣẹ-ṣiṣe: 1) Iṣiro ipilẹ ti o ti ṣe yẹ lapapọ pipadanu .2) Waye awọn iṣoro wọnyi ati ki o ṣe afihan ipa ogorun ti ọkọọkan: - Idagbasoke: idibajẹ + 25% - Igba otutu buburu: igbohunsafẹfẹ + 10% - Idinku oṣuwọn iwulo: 4% -> 3% (ikolu lori iye bayi ti idiyele) 3) Ọrọìwòye lori 2 julọ lominu ni s layabiliti . idi? O kan lo awọn nọmba ti mo fi fun; Ti o ba sonu, beere.
mẹta mini igba
Ọran 1 - Awọn ẹtan ti apapọ. Ile-iṣẹ kan ti gbero olu-ilu rẹ ti o da lori ibajẹ ti a nireti (50 million). Nigbati Monte Carlo ti ṣe, a rii pe ipele 99.5 ogorun jẹ 82 million: ni ọdun buburu, iwulo afikun ti 32 million wa ati pe ile-iṣẹ kii yoo ni anfani lati pade rẹ. Eto olu ti tunwo. AI ran iṣeṣiro ti awọn oju iṣẹlẹ 10,000 ni iṣẹju-aaya; Awọn actuary akojopo awọn itumọ ati pinpin.
Ọran 2 - ifọju ibamu. Iwariri ati agbegbe idalọwọduro iṣowo ni lọtọ han eewu kekere ninu portfolio kan. Ṣugbọn ìṣẹlẹ nfa awọn mejeeji ni akoko kanna; Awọn awoṣe ro ominira underestimated ewu iru nipa idaji. Nigbati oṣere naa ṣafikun ibamu si oju iṣẹlẹ naa, iwulo olu gidi pọ si ni pataki. Ẹkọ: ni aawọ, awọn ewu ko ni ominira; Ibeere AI ti ro pe gbigba ti ominira.
Ọran 3 - Iṣẹlẹ ti ko ṣẹlẹ. Pọtụfoli ilera kan dabi “lile” ti o da lori data lati ọdun 10 sẹhin. Nigbati ajakaye-arun kan de, igbohunsafẹfẹ mejeeji ati iwuwo pọ si ni nigbakannaa; Awoṣe naa ko sọ asọtẹlẹ eyi nitori pe ko si nkankan bi o ninu data naa. Ni akoko to nbọ, oju iṣẹlẹ ajakaye-ipinnu ti a ṣafikun. AI ṣe agbejade iwe afọwọkọ; Awọn actuary pinnu awọn titobi ti awọn mọnamọna. Ẹkọ: isinyi data itan ko pari.
Awọn aṣiṣe ti o wọpọ
- Gbimọ ni ayika apapọ. O jẹ iru, kii ṣe apapọ, ti o rì ile-iṣẹ naa; Wo awọn metiriki to gaju bii VaR/TVaR.
- A ro pe awọn ewu jẹ ominira. Lakoko aawọ kan, awọn ibatan pọ si; Gbigba ominira jẹ imọlẹ ti iru.
- Igbẹkẹle kikun ni data itan. Awọn iṣẹlẹ toje ati igbekale ko si ninu data naa; Ṣafikun oju iṣẹlẹ pẹlu idajọ amoye.
- Dapọ deterministic ati sitokasitik. A nikan ohn ko ni fun iṣeeṣe; Iṣeeṣe nilo Monte Carlo.
- Fifihan abajade kikopa laisi ijẹrisi rẹ. Ṣayẹwo awọn ipin ati VaR ni ominira; Aṣiṣe paramita daru gbogbo pinpin.
Imọran: Ṣaaju ki o to ṣafihan awọn abajade Monte Carlo, ṣe ayẹwo aitasera ti o rọrun: ṣe simulation tumọ si sunmọ iye ti a reti (igbohunsafẹfẹ × kikankikan × ifihan) ti o ṣe iṣiro pẹlu ọwọ? Ti kii ba ṣe bẹ, paramita kan wa tabi aṣiṣe koodu.
Ni soki
Ọjọ iwaju kii ṣe nọmba ẹyọkan, ṣugbọn irisi ti o ṣeeṣe. Awọn oju iṣẹlẹ ipinnu ṣe afihan ọna kan “kini ti o ba”, Monte Carlo fihan gbogbo pinpin ati eewu iru, awọn idanwo aapọn ṣe afihan ipa ti awọn iṣẹlẹ to lagbara. Ewu gidi wa ni iru, kii ṣe apapọ, ati data itan ko ṣe aṣoju iru daradara; Ibaṣepọ ti o pọ si ati awọn iṣẹlẹ ti ko waye nilo idajọ iṣe. AI ṣe apẹrẹ oju iṣẹlẹ, ṣe koodu kikopa ati tumọ abajade; ṣugbọn yiyan mọnamọna, arosinu ibamu, idajọ iru, ati ipinnu eewu ikẹhin sinmi pẹlu adaṣe. Jẹrisi awọn abajade nigbagbogbo pẹlu ayẹwo aitasera ti o rọrun.
Ohun elo iṣẹ-ṣiṣe
Ṣeto awọn arosọ ipilẹ ailorukọ (igbohunsafẹfẹ, kikankikan, ifihan, iwulo). Beere lọwọ AI si (a) ipilẹ ibajẹ ti a nireti, (b) Awọn oju iṣẹlẹ ipinnu ipinnu 3 pẹlu afikun, igbohunsafẹfẹ ati awọn iyalẹnu oṣuwọn iwulo, (c) ṣe iṣiro VaR ati TVaR (99.5%) pẹlu kikopa Monte Carlo kan. Daju pe itumọ simulation sunmọ iye ti a reti ti o ṣe iṣiro pẹlu ọwọ. Lẹhinna jiroro pẹlu AI bawo ni a ro pe awọn ifọwọsowọpọ meji ti o gbẹkẹle (ti o ni ibatan) yoo yi iru naa pada.
akojọ ayẹwo
- [] Njẹ Mo tun wo awọn iwọn iru (VaR, TVaR) ju apapọ lọ?
- [] Njẹ Mo ti ṣe akiyesi ibaramu awọn eewu ni akoko aawọ naa?
- [] Njẹ Mo ti ṣafikun igbekale / awọn oju iṣẹlẹ toje ti a ko rii ni data itan pẹlu idajọ amoye?
- [] Njẹ Mo ti ya sọtọ ni mimọ si ọna ipinnu ati sitokasitik?
- [] Njẹ Mo ti ṣayẹwo pẹlu ọwọ tumọ Monte Carlo fun ibamu pẹlu iye ti a nireti?
- [] Njẹ Mo ti kọ idalare fun awọn yiyan oju iṣẹlẹ ati awọn iwọn iyalẹnu bi?