Stokastik modelleme (sigorta) - Stochastic modelling (insurance) - Wikipedia

Bu sayfa şu konularla ilgilidir: stokastik modelleme sigorta endüstrisine uygulandığı gibi. Diğer stokastik modelleme uygulamaları için lütfen bakınız Monte Carlo yöntemi ve Stokastik varlık modelleri. Matematiksel tanım için lütfen bakınız Stokastik süreç.

"Stokastik "olmak veya sahip olmak anlamına gelir rastgele değişken. Bir stokastik model tahmin etmek için bir araçtır olasılık dağılımları Zaman içinde bir veya daha fazla girdide rastgele değişime izin vererek potansiyel sonuçların belirlenmesi. Rastgele varyasyon genellikle standart kullanılarak seçilen bir dönem için geçmiş verilerde gözlemlenen dalgalanmalara dayanır. Zaman serisi teknikleri. Potansiyel sonuçların dağılımları, çok sayıda simülasyonlar girdilerdeki rastgele değişimi yansıtan (stokastik projeksiyonlar).

Uygulaması başlangıçta fizik. Şimdi uygulanıyor mühendislik, yaşam Bilimleri, sosyal Bilimler, ve finans. Ayrıca bakınız Ekonomi başkenti.

Değerleme

Diğer herhangi bir şirket gibi, bir sigortacı göstermek zorunda varlıklar aşıyor borçlar çözücü olmak. Ancak sigorta sektöründe varlıklar ve borçlar bilinen varlıklar değildir. Kaç politikanın taleple sonuçlandığına, şu andan hak talebine kadar enflasyona, o dönemdeki yatırım getirilerine vb. Bağlıdırlar.

Dolayısıyla, bir sigortacının değerlemesi bir dizi projeksiyonu içerir, ne olması beklenildiğine bakar ve böylece varlıklar ve borçlar ve dolayısıyla şirketin ödeme gücü seviyesi için en iyi tahmini ortaya çıkarır.

Deterministik yaklaşım

Bunu yapmanın en basit yolu ve aslında kullanılan birincil yöntem, en iyi tahminlere bakmaktır.

Finansal analizdeki projeksiyonlar genellikle en olası hasar oranını, en olası yatırım getirisini, en olası enflasyon oranını vb. Kullanır. Mühendislik analizindeki tahminler genellikle hem en olası oranı hem de en kritik oranı kullanır. Sonuç, bir nokta tahmini sağlar - şirketin mevcut ödeme gücü pozisyonunun ne olduğuna dair en iyi tek tahmin veya birden fazla tahmin noktası - problem tanımına bağlıdır. Parametre değerlerinin seçimi ve tanımlanması genellikle daha az deneyimli analistler için bir zorluktur.

Bu yaklaşımın dezavantajı, bir dizi olası sonuç olduğu ve bazılarının daha olası ve bazılarının daha az olduğu gerçeğini tam olarak kapsamamasıdır.

Stokastik modelleme

Stokastik bir model, tek bir politikaya, tüm bir portföye veya tüm bir şirkete bakan bir projeksiyon modeli kurmak olacaktır. Ancak, örneğin, en olası tahminlerine göre yatırım getirilerini belirlemek yerine, model, yatırım koşullarının nasıl olabileceğine bakmak için rastgele varyasyonlar kullanır.

Bir dizi rastgele değişkene dayalı olarak, politika / portföy / şirketin deneyimi tahmin edilir ve sonuç not edilir. Daha sonra bu, yeni bir rastgele değişkenler kümesiyle tekrar yapılır. Aslında bu süreç binlerce kez tekrarlanır.

Sonunda, yalnızca en olası tahmini değil, aynı zamanda hangi aralıkların da makul olduğunu gösteren bir sonuç dağılımı mevcuttur. En olası tahmin dağılım eğrisiyle verilir (resmi olarak Olasılık yoğunluk işlevi ) tipik olarak aynı zamanda eğrinin zirvesi (modu) olan, ancak farklı olabilen kütle merkezi, ör. asimetrik dağılımlar için.

Bu, bir politika veya fon bir garanti sağladığında yararlıdır, örn. asgari% 5 yatırım getirisi. Gelecekteki yatırım getirisi için değişen senaryolar içeren deterministik bir simülasyon, bu garantiyi sağlamanın maliyetini tahmin etmenin iyi bir yolunu sağlamaz. Bunun nedeni, gelecekteki her zaman diliminde yatırım getirilerinin oynaklığına veya belirli bir zaman dilimindeki aşırı bir olayın garantiden daha az bir yatırım getirisine yol açma ihtimaline izin vermemesidir. Stokastik modelleme, simülasyona oynaklık ve değişkenlik (rastgelelik) ekler ve bu nedenle gerçek hayatın daha fazla açıdan daha iyi bir temsilini sağlar.

Miktarların sayısal değerlendirmeleri

Stokastik modeller, değişkenler arasındaki etkileşimleri değerlendirmeye yardımcı olur ve genellikle Monte Carlo simülasyon teknikleri kullanılarak uygulandıkları için nicelikleri sayısal olarak değerlendirmek için yararlı araçlardır (bkz. Monte Carlo yöntemi ). Burada bir avantaj olsa da, aksi takdirde analitik yöntemler kullanılarak elde edilmesi zor olacak miktarların tahmin edilmesinde bir dezavantaj, bu tür yöntemlerin hesaplama kaynakları ve simülasyon hatasıyla sınırlandırılmasıdır. Aşağıda bazı örnekler verilmiştir:

Anlamına geliyor

İstatistiksel gösterim kullanıldığında, iyi bilinen bir sonuçtur: anlamına gelmek bir fonksiyonun, f, bir rastgele değişken X, X ortalamasının fonksiyonu olmak zorunda değildir.

Örneğin, uygulamada, bir dizi nakit akışını iskonto etmek için yatırım getirilerinin en iyi tahmininin (ortalama olarak tanımlanır) uygulanması, en iyi tahmininin indirgenmiş nakit akışları.

Stokastik bir model, bu ikinci miktarı simülasyonlarla değerlendirebilir.

Yüzdelikler

Yüzdelik dilimlere bakıldığında bu fikir tekrar görülür (bkz. yüzdelik ). Belirli yüzdeliklerde riskleri değerlendirirken, bu seviyelere katkıda bulunan faktörler nadiren bu yüzdelik dilimlerdedir. Birleştirilmiş dağılımların yüzdeliklerini değerlendirmek için stokastik modeller simüle edilebilir.

Kesmeler ve sansürler

Verilerin kesilmesi ve sansürlenmesi de stokastik modeller kullanılarak tahmin edilebilir. Örneğin, orantısız bir reasürans en iyi tahmini kayıplar katmanı, reasürans katmanından sonraki kayıpların en iyi tahminini vermeyecektir. Simüle edilmiş bir stokastik modelde, simüle edilmiş kayıplar katmandan "geçmek" için yapılabilir ve ortaya çıkan kayıplar uygun şekilde değerlendirilebilir.

Varlık modeli

Yukarıdaki metnin "rastgele varyasyonlara" atıfta bulunmasına rağmen, stokastik model sadece herhangi bir rasgele değer setini kullanmaz. Varlık modeli, ortalamalara, varyasyonlara, korelasyonlara ve daha fazlasına bakarak piyasaların nasıl davrandığına dair ayrıntılı çalışmalara dayanmaktadır.

Modeller ve altta yatan parametreler, tarihsel ekonomik verilere uyacak şekilde seçilir ve anlamlı gelecek tahminleri üretmeleri beklenir.

Çok var modeller, I dahil ederek Wilkie Modeli, Thompson Modeli ve Falcon Modeli.

Talep modeli

Şirketin yazmış olduğu poliçe veya portföylerden kaynaklanan iddialar da stokastik yöntemler kullanılarak modellenebilir. Bu, özellikle hasar şiddetlerinin yüksek belirsizliklere sahip olabileceği genel sigorta sektöründe önemlidir.

Frekans-Önem modelleri

İncelenen portföylere bağlı olarak, bir model aşağıdaki faktörlerin tamamını veya bir kısmını stokastik olarak simüle edebilir:

  • Talep sayısı
  • Talep şiddetleri
  • Taleplerin zamanlaması

Varlık modelinin çıktıları ile tutarlı olan enflasyon simülasyonları ve farklı portföylerin zararları arasındaki bağımlılıklar temel alınarak hasar enflasyonu uygulanabilir.

Genel sigorta sektöründe bir şirket tarafından yazılan poliçe portföylerinin göreceli benzersizliği, hasar modellerinin tipik olarak özel olarak yapıldığı anlamına gelir.

Stokastik rezerv modelleri

Gelecekteki hasar yükümlülüklerinin tahmin edilmesi, hasar rezervlerinin tahminleri etrafındaki belirsizliğin tahmin edilmesini de içerebilir.

J Li'nin "Stokastik Rezerv Modellerinin Karşılaştırması" makalesine bakın ( Avustralya Aktüerya Dergisi, cilt 12 sayı 4) bu konuyla ilgili yeni bir makale için.

Referanslar