收益：
- 能够在人工智能的支持下建立确定性场景、随机模拟（蒙特卡罗）和压力测试概念，并用风险语言解释结果
- 能够利用人工智能设计通货膨胀、利息、灾难性损害和流行病等冲击情景，并估计责任和资本影响
- 能够区分人工智能产生的情景是基于历史数据，而精算判断在尾部风险和结构性断裂中脱颖而出。
精算师是预测未来的职业；但未来不是一个单一的数字，而是一系列可能性。仅仅说“我们的预期损失是 5000 万”是不够的；真正的问题是：“如果糟糕的一年到来，需要花费多少百万，公司能承受吗？”回答这个问题的工具是场景分析和压力测试。提前衡量地震、高通胀、利率冲击或流行病对公司负债和资本的影响是内部风险管理和偿付能力II等立法的基本要求。在本单元中，我们将介绍确定性场景、随机模拟（蒙特卡罗）和压力测试，并了解如何在这些分析中使用人工智能。
让我们从一开始就提醒您：情景基于历史数据和假设。 AI设计场景、编写模拟代码、解释结果；但哪些冲击是现实的，如何处理尾部风险，以及如何纳入结构性断裂（过去从未发生过的事件），都留给精算判断。
确定性场景、随机模拟和压力测试
区分三个概念很重要。确定性场景是选择一组假设并计算结果：“如果通货膨胀率为 40%，我们的索赔成本是多少？”简单、清晰、易于沟通；但它只展示了一种方式，而不是一种可能性。随机模拟（蒙特卡罗）通过重复生成数千个随机场景来得出结果的概率分布。由此，得到“平均50，但99.5%水平7800万”等尾部信息。压力测试是一种特殊类型的场景，用于衡量某些严重但可能发生的事件（地震、市场崩盘）的影响；通常由监管机构定义。
蒙特卡罗是精算师最强大的工具之一。逻辑是这样的：你从频率和强度分布中提取随机值并计算总伤害；你重复这10,000次；在你的手中累积 10,000 点可能的总伤害。从这个累积中，您可以读取平均值、百分位数（例如 75%、99.5%）和最坏情况。这正是 Solvency II（200 年一遇的糟糕年份）所要求的 99.5% 水平的实现方式。人工智能快速生成此模拟的代码。
下表对这三种方法进行了比较：
方法
什么给了
强项
限制
确定性场景
单一结果
简单、易于沟通
没有给出概率
蒙特卡罗
概率分布
表明尾部风险
取决于假设和数据
压力测试
冲击下的结果
测试耐用性
冲击选择是公正的
尾部风险：最重要、最危险的区域
在精算理论中，真正的危险不在于平均值，而在于尾部（分布的极端、低概率但影响大的区域）。让企业沉没的不是平常的一年，而是罕见但具有毁灭性的事件：一场大地震、同时发生的大量重大损失、突然的利率冲击。为了衡量该区域，使用了 VaR（风险价值 - 给定置信水平下的最大损失）和 TVaR/CTE（尾部以外的平均损失）。蒙特卡罗是计算这些测量值的自然方法。
但尾巴还有另一个危险：历史数据不能很好地代表尾巴。罕见事件，顾名思义，在过去是罕见的。所以模型往往会低估它们。人工智能很容易根据历史数据拟合分布，但它不会自发地考虑“如果发生该组合从未经历过的流行病或 100 年地震怎么办？”精算师的工作是将结构性破坏、相关性增加（危机期间一切都同时变得更糟）以及气候变化等趋势纳入模型中。
注意：“我们的模型可以处理 99.9% 的场景”这句话令人感到安慰，但请记住，模型是从尾部已过去的数据中学习的。即使是最好的模型，从未发生过的事件也是盲点。这就是专家判断发挥作用的地方。
如何在场景和压力测试中使用AI
1）蒙特卡罗模拟代码：
使用 Python 编写复合损伤蒙特卡罗模拟（带注释）。假设（我给出）：损坏次数〜泊松（lambda = 1600），损坏量〜Gamma（形状= k，比例= theta）[我将给出k和theta]。1）10,000次：绘制数量，绘制该数量，相加。2）总损坏的平均值，75％，99％，99.5％打印百分比。3）计算并解释VaR（99.5％）和TVaR(99.5%).拟合参数；我会给。库：numpy.
2）确定性压力场景：
您的角色：风险助理。我的基本预期损失是 5000 万里拉。设置以下 3 个确定性情景： A) 通货膨胀冲击：严重程度 +30%。 B) 频率冲击：伤害次数+15%。 C) 两者一起。计算每种情况下的新预期损害，显示基于基础的影响百分比，并评论哪一个是最关键的。只需使用我给你的基数即可。
3）场景设计咨询：
我正在为健康保险组合设计压力测试场景。 - 针对大流行、高通胀、昂贵的新治疗技术和监管变革分别提出一个“严峻但合理”的情景草案。 - 说明每种情况是否影响频率、严重性或两者。 - 指出历史数据无法捕获的尾部风险。我会做出决定；您提供框架和理由。
4）将结果转化为管理：
我的蒙特卡罗结果：预期损失 50M，VaR(99.5%) 78M，TVaR(99.5%) 89M。用 5 句话向董事会解释这一点：- 用通俗易懂的语言，99.5% 和 TVaR 意味着什么。- 为什么“平均规划”不够充分？- 在资本方面，他们应该考虑什么数字？
弱提示/强提示
弱提示：
对我的投资组合进行压力测试。
没有基值，没有冲击定义，没有分布。人工智能产生的是一般文本，而不是可行的数字。
强力提示：
您的角色：精算风险助理。基本假设（匿名）：预期频率 0.12，平均严重程度 30,000 TL，风险敞口 20,000 个保单年。技术兴趣为 4%。任务：1) 计算基本预期总损失。2) 应用以下压力并显示每个压力的百分比影响： - 通货膨胀：严重程度 +25% - 严冬：频率 +10% - 利率下降：4% -> 3%（对负债现值的影响）3) 评论 2 个最关键的情景及其原因。4) 您推荐蒙特卡罗用于尾部风险吗？为什么？只需使用我给出的数字即可；如果丢失，请询问。
三个迷你箱子
案例 1——平均值的欺骗性。一家公司根据预期损失（5000 万）规划了资本。当蒙特卡洛完成后，发现 99.5% 的水平是 8200 万：在糟糕的年份，额外需要 3200 万，公司将无法满足。资本计划已修订。 AI 在几秒钟内模拟 10,000 个场景；精算师评估了解释和分配。
案例 2 — 相关性失明。地震和业务中断保险在投资组合中分别呈现低风险。但地震会同时触发这两种情况；假设独立性的模型将尾部风险低估了一半。当精算师在情景中添加相关性时，实际资本需求显着增加。教训：在危机中，风险不是独立的；质疑人工智能对独立性的假设。
案例 3——未发生的事件。根据过去 10 年的数据，医疗保健投资组合看起来非常“可靠”。当大流行到来时，频率和严重程度同时飙升；该模型从未预测到这一点，因为数据中没有类似的内容。在下一个时期，增加了确定性大流行场景。 AI制作剧本草稿；精算师决定了冲击的幅度。教训：历史数据队列不完整。
常见错误
- 围绕平均水平进行规划。导致公司沉没的是尾部，而不是平均值；查看 VaR/TVaR 等极端指标。
- 假设风险是独立的。在危机期间，相关性会增加；接受独立可以减轻尾巴的负担。
- 对历史数据充满信心。数据中不存在罕见的结构性事件；添加具有专家判断的场景。
- 混合确定性和随机性。单一场景并不能给出概率；概率需要蒙特卡罗。
- 呈现模拟结果而不进行验证。独立检查百分比和VaR；参数错误会扭曲整个分布。
提示：在呈现蒙特卡罗结果之前，请进行简单的一致性检查：模拟平均值是否接近您手工计算的预期值（频率×强度×曝光）？如果不是，则存在参数或代码错误。
总之
未来不是一个单一的数字，而是一系列可能性。确定性场景显示单个“假设”路径，蒙特卡罗显示整个分布和尾部风险，压力测试显示严重事件的影响。真正的危险在尾部，而不是平均值，历史数据并不能很好地代表尾部；相关性的增加和未发生的事件需要精算判断。 AI设计场景、编码模拟并解释结果；但冲击选择、相关性假设、尾部判断以及最终的风险决策则由精算师负责。始终通过简单的一致性检查来验证结果。
应用任务
设置匿名基本假设（频率、强度、曝光度、兴趣）。要求 AI (a) 基本预期损失，(b) 3 个确定性场景，包括通货膨胀、频率和利率冲击，(c) 通过蒙特卡罗模拟计算 VaR 和 TVaR(99.5%)。验证模拟平均值是否接近您手动计算的预期值。然后与 AI 讨论假设两个抵押品是相关的（相关）将如何改变尾部。
清单
- [ ] 我是否还查看了尾部指标（VaR、TVaR）而不是平均值？
- [ ] 我是否考虑了危机发生时风险的相关性？
- [ ] 我是否添加了历史数据中未通过专家判断发现的结构性/罕见场景？
- [ ] 我是否有意识地将确定性方法和随机方法分开？
- [ ] 我是否手动检查了蒙特卡罗平均值与预期值的一致性？
- [ ] 我是否已写出情景选择和冲击强度的理由？