Ekstremna tveganja in SCO: Integracija EVT in Monte Carla

Zakaj je modeliranje ekstremnih tveganj ključno v neživljenjskih zavarovanjih?

V zavarovalništvu se pogosto srečujemo z dogodki, ki odstopajo od povprečja in imajo potencialno katastrofalne posledice. Neživljenjska zavarovanja, ki zajemajo širok spekter kritij od avtomobilskih škod do naravnih nesreč, so še posebej izpostavljena takšnim ekstremnim dogodkom, kot so potresi, poplave, orkani ali nenadne, obsežne nesreče z velikim številom žrtev in premoženjsko škodo. Klasične statistične metode, ki temeljijo na predpostavki normalne porazdelitve ali drugih lahkorepih porazdelitev, se izkažejo za neustrezne pri modeliranju dogodkov v repih porazdelitev, kjer so verjetnosti majhne, a potencialne škode ogromne. Napačna ocena teh tveganj lahko vodi do nezadostne rezervacije kapitala in s tem do ogrožanja solventnosti zavarovalnice.

Moja izkušnja kaže, da je sposobnost natančne kvantifikacije in obvladovanja ekstremnih tveganj neposredno povezana s konkurenčnostjo in dolgoročno stabilnostjo zavarovalnice. Regulativni okvir, kot je Solvency II, pa takšno sposobnost tudi izrecno zahteva. Zavarovalnice morajo imeti robustne interne modele, ki ustrezno zajemajo vsa pomembna tveganja, vključno z ekstremnimi. To ni le regulativna obveznost, temveč tudi strateška prednost, saj omogoča učinkovitejše upravljanje kapitala in s tem optimizacijo poslovanja. Zato je razumevanje in uporaba naprednih kvantitativnih metod, kot sta EVT in Monte Carlo simulacije, neizogibna za vsakega resnega tehničnega strokovnjaka v zavarovalništvu.

Ekstremna teorija vrednosti (EVT): temelji in uporaba

Ekstremna teorija vrednosti (EVT) je veja statistike, ki se osredotoča na modeliranje ekstremnih dogodkov, torej dogodkov, ki ležijo na koncih porazdelitve (repih). Namesto da bi poskušali modelirati celotno porazdelitev, se EVT osredotoča izključno na ekstreme. Ključni izrek v EVT je Fisher-Tippett-Gnedenko izrek, ki pravi, da porazdelitev največjih vrednosti iz določene serije neodvisnih in identično porazdeljenih slučajnih spremenljivk, po ustrezni normalizaciji, konvergira k eni od treh porazdelitev: Gumbelovi, Fréchetovi ali Weibullovi porazdelitvi. Te tri porazdelitve so združene v splošni ekstremni porazdelitvi vrednosti (GEV - Generalized Extreme Value distribution).

Dva glavna pristopa v EVT sta metoda blokovnih maksimumov (Block Maxima - BM) in metoda prekoračitve praga (Peaks Over Threshold - POT). Metoda BM vključuje razdelitev podatkov v bloke (npr. letne bloke) in modeliranje največjih vrednosti znotraj vsakega bloka z GEV porazdelitvijo. Metoda POT pa modelira vse vrednosti, ki presegajo določen visok prag, običajno z uporabo splošne porazdelitve Pareto (GPD - Generalized Pareto Distribution). Slednja je pogosto bolj učinkovita, saj izkorišča več podatkov kot BM, kar je kritično pri redkih ekstremnih dogodkih. S parametri teh porazdelitev – lokacijo, skalo in obliko – lahko kvantificiramo verjetnost in velikost ekstremnih škod, kar nam omogoča bolj realistično oceno tveganj. Primer: parametra oblike GEV ali GPD porazdelitve, ki določa 'težo repa', sta ključna za oceno kvantilov z visoko verjetnostjo, kot je 99,5 % kvantil za potrebe Solvency II.

Monte Carlo simulacije: orodje za generiranje scenarijev

Monte Carlo simulacije so široko uporabljene računske tehnike, ki se zanašajo na ponavljajoče naključno vzorčenje za pridobitev numeričnih rezultatov. V kontekstu zavarovalništva in ekstremnih tveganj so izjemno dragocene, saj omogočajo generiranje velikega števila možnih scenarijev prihodnjih škodnih dogodkov, vključno z zelo redkimi, ekstremnimi dogodki. Namesto da bi se zanašali na analitične rešitve, ki so pogosto zapletene ali nemogoče za kompleksne sisteme, Monte Carlo simulacije 'zaženejo' tisoče ali milijone scenarijev, pri čemer vsak scenarij predstavlja potencialno pot razvoja škodnih dogodkov. Končni rezultat je porazdelitev možnih izidov, iz katere lahko nato izračunamo različne kvantile tveganj, kot so Value at Risk (VaR) ali Tail Value at Risk (TVaR).

Integracija EVT in Monte Carlo simulacij je elegantna. Po določitvi parametrov porazdelitev ekstremnih škod (npr. GEV ali GPD) z EVT lahko te porazdelitve uporabimo v Monte Carlo simulaciji za generiranje vzorcev. Namesto da bi generirali vzorce iz celotne porazdelitve, kar bi zahtevalo ogromno število simulacij za zajemanje redkih ekstremnih dogodkov, se osredotočimo na generiranje vzorcev iz 'repnih' porazdelitev, definiranih z EVT. To dramatično izboljša učinkovitost in natančnost simulacij pri oceni ekstremnih tveganj. Algoritem bi bil sledeč: najprej ocenimo parametre GEV ali GPD porazdelitve iz zgodovinskih podatkov o ekstremnih škodah, nato pa generiramo $N$ naključnih števil iz ocenjene porazdelitve, kar predstavlja $N$ simuliranih ekstremnih škodnih dogodkov. Na podlagi teh simulacij lahko izračunamo agregate škod in določimo potrebni kapital.

Izračun porazdelitve škod in ocena Solventnostnega kapitala (SCO)

Po uspešnem modeliranju ekstremnih škod z EVT in generiranju simuliranih scenarijev z Monte Carlom, je naslednji korak izračun skupne porazdelitve škod. To vključuje agregacijo vseh simuliranih škod (tako 'običajnih' kot ekstremnih) v določenem časovnem obdobju, običajno eno leto, kar je standard za izračun SCR (Solvency Capital Requirement) po Solvency II. Iz agregirane porazdelitve škod nato izračunamo kvantile, ki predstavljajo zahtevani solventnostni kapital (SCO). Solvency II zahteva, da zavarovalnice izračunajo SCO na 99,5 % Value at Risk (VaR) na enoletnem horizontu. To pomeni, da mora zavarovalnica imeti dovolj kapitala, da z 99,5 % verjetnostjo pokrije svoje izgube v enem letu. Če je verjetnost izgube v danem letu 0,5 % ali manj, mora biti zavarovalnica še vedno solventna.

Recimo, da naša Monte Carlo simulacija generira 100.000 scenarijev skupnih letnih škod. Če želimo izračunati 99,5 % VaR, bomo po rastočem vrstnem redu uredili vse simulirane skupne škode in izbrali tisto, ki se nahaja na 99,5-odstotni poziciji (v tem primeru 99.500-ta po velikosti). Ta vrednost predstavlja SCO. S tem robustnim pristopom, ki združuje moč EVT pri modeliranju repov in prožnost Monte Carla pri generiranju scenarijev, lahko dosežemo veliko natančnejšo in zanesljivejšo oceno potrebnega kapitala, kot bi jo dosegli zgolj s klasičnimi pristopi, ki ne obravnavajo ekstremnih dogodkov ustrezno.

Optimizacija SCO in razporeditev kapitala v luči Solvency II

Natančna ocena SCO ni le cilj sam po sebi, temveč tudi osnova za optimizacijo razporeditve kapitala in upravljanje tveganj. Solvency II od zavarovalnic zahteva, da vzdržujejo raven kapitala, ki je sorazmerna z njihovim profilom tveganja. To pomeni, da morajo zavarovalnice aktivno upravljati svoj kapital in ga razporediti na način, ki maksimizira donosnost ob upoštevanju omejitev tveganja in regulativnih zahtev. Z uporabo rezultatov EVT in Monte Carlo simulacij lahko zavarovalnice analizirajo prispevke posameznih vrst tveganj (npr. tržno tveganje, kreditno tveganje, operativno tveganje in seveda zavarovalno tveganje) k skupnemu SCO. To jim omogoča, da identificirajo glavne gonilnike tveganja in sprejmejo ustrezne ukrepe za njihovo zmanjšanje ali prenos.

Optimizacija SCO vključuje iskanje ravnotežja med potrebo po zadostnem kapitalu za pokrivanje tveganj in željo po učinkoviti uporabi kapitala za ustvarjanje donosov. Prekomerno držanje kapitala zmanjšuje donosnost lastniškega kapitala, medtem ko nezadostno držanje kapitala ogroža solventnost. Modeli EVT-Monte Carlo omogočajo 'what-if' analize, kjer lahko zavarovalnice simulirajo vpliv različnih strategij (npr. spremembe v portfelju zavarovanj, reosiguranje, spremembe pri zavarovalnih pogojih) na SCO in optimizirajo svojo kapitalsko strukturo. Primeri optimizacije: zmanjšanje koncentracije tveganj v določenih segmentih ali geografskih območjih, prenos repnega tveganja na reosiguratelje, prilagoditev višine franšiz in maksimalnih kritij. Namen je zmanjšati SCO, ne da bi pri tem prekomerno povečali izpostavljenost tveganjem ali zmanjšali konkurenčnost ponudbe. To je kompleksna naloga, ki zahteva visoko raven analitičnega znanja in uporabo naprednih kvantitativnih orodij.

Kaj je krito in kaj ni krito v kontekstu ekstremnih škod (splošno)

Ko govorimo o ekstremnih škodah, je pomembno razumeti, da zavarovalnice običajno krijejo širok spekter dogodkov, ki lahko povzročijo hude finančne izgube. V neživljenjskih zavarovanjih so običajno krita tveganja, kot so premoženjske škode zaradi naravnih nesreč (npr. potres, poplava, vihar), požara, eksplozije, izliva vode, udarca strele. V avtomobilskih zavarovanjih kritja zajemajo škodo na vozilih zaradi prometnih nesreč, kraje, vandalizma. Odgovornostna zavarovanja krijejo škodo, ki jo zavarovanec povzroči tretjim osebam. Bistveno je, da so ti dogodki nenadni in nepredvideni, oziroma da so posledica dogodkov, ki so eksplicitno navedeni v zavarovalni polici. Moje stranke vedno opozorim, da je ključno natančno prebrati in razumeti splošne pogoje zavarovanja, saj ti določajo obseg kritja.

Po drugi strani pa obstajajo določeni dogodki in okoliščine, ki običajno niso kriti oziroma so izključeni iz kritja. To so pogosto škode, ki nastanejo kot posledica vojn, terorističnih dejanj, jedrskih eksplozij ali sevanj, namernega delovanja zavarovanca, škode zaradi malomarnosti ali neupoštevanja varnostnih predpisov (razen če ni drugače dogovorjeno), ali pa dogodki, ki so predvidljivi ali so nastali postopoma. Nekatere police imajo tudi izključitve za določene vrste naravnih nesreč ali škod, če se nahajate na izjemno tveganem območju, ali pa so kritja omejena z visokimi franšizami za ekstremne dogodke. Pomembno je tudi razlikovati med zakonodajnimi določili (npr. Zakon o zavarovalništvu (ZZavar-1), ki določa splošne okvirje), in splošnimi pogoji posamezne zavarovalnice, ki so specificirani za vsak produkt posebej. Zavarovalni pogoji ene zavarovalnice niso nujno enaki pogojem druge in nikoli ne predstavljajo univerzalnega pravila. Pred sklenitvijo je vedno priporočljiv pogovor s strokovnjakom, ki vam bo pomagal razumeti vse podrobnosti.

Primer iz prakse: Modeliranje potresnih škod za portfelj nepremičnin

Predstavljajte si zavarovalnico z obsežnim portfeljem zavarovanih nepremičnin v regiji, ki je podvržena potresom. Klasični modeli pogosto podcenjujejo verjetnost in obseg ekstremnih potresnih dogodkov, kar lahko vodi do neustrezne kapitalizacije. Za robustno oceno tveganja in SCO sem v preteklosti uporabila integriran pristop EVT in Monte Carlo. Najprej smo zbrali zgodovinske podatke o potresnih dogodkih in z njimi povezanih škodah v regiji. Ti podatki so vključevali magnitudo potresov in ocenjene finančne izgube. Ker so ekstremni potresi redki, je bila uporaba EVT (konkretno metoda POT z GPD) ključna za natančno modeliranje repa porazdelitve škod.

Z ocenjenimi parametri GPD (recimo, da smo dobili parameter oblike $\xi = 0.25$ in parameter skale $\beta = 1.5 \times 10^6$ EUR po določenem pragu) smo nato izvedli Monte Carlo simulacije. Generirali smo 500.000 scenarijev potresnih dogodkov za naslednje enoletno obdobje. Za vsak scenarij smo simulirali magnitudo potresa in posledično škodo na celotnem portfelju nepremičnin, pri čemer smo upoštevali tudi korelacijo med škodami na različnih nepremičninah. Nekateri scenariji so vključevali večje, ekstremne potrese, ki so povzročili škode v milijardah evrov, medtem ko so drugi simulirali manjše, pogostejše dogodke. Na koncu smo agregirali vse škode za vsak simulirani scenarij in iz tako dobljene porazdelitve izračunali 99,5 % VaR, kar je določilo potreben SCO za potresno tveganje. V enem takšnem primeru je bil izračunan SCO približno 150 milijonov EUR, kar je bistveno preseglo ocene klasičnih modelov, a je hkrati zagotovilo realistično sliko tveganja in omogočilo ustrezno rezervacijo kapitala ter strategije reosiguranja.

Robustnost modelov ekstremnih škod in backtesting

Robustnost modelov ekstremnih škod je ključnega pomena za njihovo zanesljivost in kredibilnost, še posebej v regulativnem kontekstu Solvency II. Model je robusten, če so njegovi rezultati stabilni in se ne spreminjajo dramatično ob majhnih spremembah vhodnih podatkov ali predpostavk. Pri EVT modelih to pomeni, da je potrebno skrbno izbrati prag za metodo POT, saj ima lahko napačna izbira praga velik vpliv na oceno parametrov in s tem na repne kvantile. Pogosto se uporabljajo diagnostični grafi (npr. Mean Excess Plot) in statistični testi za določitev optimalnega praga. Poleg tega je pomembno preveriti, ali izbrana porazdelitev (npr. GPD) resnično dobro ustreza podatkom v repu, kar se stori z uporabo Q-Q grafov in Kolmogorov-Smirnov testov.

Backtesting oziroma povratno testiranje je nepogrešljiv proces za validacijo modelov tveganja. Gre za primerjavo napovedi modela z dejanskimi izidi v preteklosti. V kontekstu Solvency II je backtesting obvezen in se izvaja redno. Pri EVT modelih je backtesting nekoliko zahtevnejši zaradi redkosti ekstremnih dogodkov. Ena od metod je preverjanje pogostosti prekoračitev praga v določenem obdobju (kupovanje backtestinga), kar se primerja z napovedano pogostostjo iz modela. Druga metoda vključuje uporabo Christoffersenovega testa pogojnega kritja ali kupovanje backtestinga, ki ocenjuje, ali je delež dejanskih škod, ki presegajo VaR, skladen z modelno določeno stopnjo zaupanja. Če na primer model napoveduje 0,5 % VaR (za 99,5 % zaupanje) in se v dejanskosti pojavi preveč dogodkov, ki presegajo to raven, to kaže na podcenjevanje tveganja in potrebo po recalibraciji ali izboljšanju modela. Natančen backtesting zagotavlja, da so naši modeli realistični in zanesljivi pri oceni resničnih tveganj.

Multivariatne EVT in kopule za kompleksna tveganja

V realnem svetu se tveganja redko pojavljajo izolirano; pogosto so medsebojno odvisna. Zavarovalni dogodki, kot so potresi, lahko na primer povzročijo sočasne škode na premoženju, prekinitve poslovanja in odgovornostne škode. Modeliranje teh odvisnosti, še posebej v ekstremnih repih porazdelitve, je ključnega pomena za natančno oceno skupnega tveganja in potrebnega kapitala. Standardna multivariatna statistika pogosto predpostavlja linearno korelacijo ali normalno porazdelitev, kar je neustrezno za repne dogodke. Tukaj vstopijo multivariatne EVT in kopule.

Multivariatna EVT razširja principe EVT na več dimenzij in omogoča modeliranje sočasnih ekstremnih dogodkov. Namesto posameznih porazdelitev ekstremov, modeliramo njihovo skupno porazdelitev. Kopule so še posebej močno orodje, saj omogočajo ločitev modeliranja robnih porazdelitev (ki jih lahko modeliramo z EVT za ekstreme) od modeliranja strukture odvisnosti med spremenljivkami. To pomeni, da lahko najprej z EVT natančno modeliramo posamezne vrste ekstremnih škod, nato pa s kopulami 'zlepljemo' te robne porazdelitve v skupno porazdelitev, pri čemer kopula določa, kako se repi teh porazdelitev gibljejo skupaj. To nam omogoča, da zajamemo 'repno odvisnost', torej, kako se ekstremni dogodki ene vrste tveganja sočasno pojavljajo z ekstremnimi dogodki druge vrste tveganja. Primeri kopul, ki so primerne za repno odvisnost, so t-kopule, Gumbelova kopula ali Claytonova kopula. S tovrstnim pristopom lahko bistveno izboljšamo natančnost ocene SCR za kompleksne portfelje, kjer so med tveganji pomembne korelacije, in se izognemo podcenjevanju tveganja, ki bi izhajalo iz predpostavke neodvisnosti ali le šibke linearne odvisnosti.

Agregatno tveganje in konvolucijski pristop za robusten SCR

Agregatno tveganje v zavarovalništvu predstavlja skupno tveganje, ki izhaja iz kombinacije vseh posameznih tveganj (npr. premoženjskih, odgovornostnih, avtomobilskih) znotraj zavarovalnega portfelja za določeno časovno obdobje. Izračun porazdelitve agregatnega tveganja je izjemno kompleksen, saj zahteva kombiniranje številnih porazdelitev posameznih škod, vključno z ekstremnimi dogodki. Eden od robustnih pristopov je konvolucijski pristop, ki se uporablja za izračun porazdelitve skupnih škod, ko imamo porazdelitve posameznih škod in informacijo o njihovi pogostosti. Klasična konvolucija, ki temelji na diskretni Fourierovi transformaciji, je učinkovita, vendar ima svoje omejitve pri zelo kompleksnih porazdelitvah z dolgimi repi.

Pri modeliranju agregatnega tveganja, še posebej s poudarkom na ekstremnih škodah, se lahko poslužujemo konvolucijskih pristopov, ki vključujejo rezultate EVT in Monte Carlo simulacij. Namesto direktne numerične konvolucije, ki je računsko intenzivna in pogosto neustrezna za repne dogodke, lahko uporabimo Monte Carlo simulacije za generiranje velikega števila vzorcev posameznih škod, nato pa te vzorce agregiramo. To je 'simulacijska konvolucija'. Predstavljajte si, da imamo EVT modele za potresne škode, poplavne škode in viharne škode. Z Monte Carlom generiramo vzorce iz teh porazdelitev, jih kombiniramo (ob upoštevanju morebitnih odvisnosti prek kopul), in tako dobimo simulirano porazdelitev agregatnih škod. Iz te porazdelitve lahko nato izračunamo robusten SCR, ki zajema vpliv vseh posameznih in medsebojno odvisnih ekstremnih tveganj. Ta metoda je prožna in omogoča upoštevanje kompleksnih struktur tveganj, ki jih tradicionalni analitični pristopi težko zajamejo.

Prihodnji trendi: Umetna inteligenca in strojno učenje v EVT modelih

Področje aktuarske znanosti in kvantitativnega modeliranja tveganj je v nenehnem razvoju. Čeprav so EVT in Monte Carlo simulacije izjemno močna orodja, se pojavljajo novi pristopi, ki obetajo še večjo natančnost in učinkovitost, še posebej z integracijo umetne inteligence (UI) in strojnega učenja (ML). UI in ML algoritmi, kot so nevronske mreže ali naključni gozdovi, se lahko uporabijo za izboljšanje napovedi škod, identifikacijo pomembnih dejavnikov tveganja in celo za avtomatizacijo izbire optimalnega praga v EVT modelih ali parametrizacijo kopul. Ti algoritmi lahko obdelujejo ogromne količine podatkov, vključno z nestrukturiranimi podatki (npr. besedilna analiza poročil o škodah), kar tradicionalnim statističnim modelom pogosto dela težave.

Trenutno so v razvoju in testiranju hibridni modeli, ki združujejo robustnost EVT pri modeliranju repov z napovednimi sposobnostmi strojnega učenja. Na primer, ML model bi lahko napovedal povprečno škodo, EVT pa bi se uporabila za modeliranje repnih odklonov od te napovedi. To bi omogočilo bolj dinamično in prilagodljivo oceno tveganj. Poleg tega se razvijajo tehnike strojnega učenja za izboljšanje učinkovitosti Monte Carlo simulacij, npr. z 'variance reduction' tehnikami, kot je 'importance sampling', ki jo lahko optimiziramo z ML. Ti prihodnji trendi obetajo še natančnejše in učinkovitejše upravljanje ekstremnih tveganj, kar bo zavarovalnicam omogočilo še bolj robustno poslovanje in optimizacijo zahtevanega solventnostnega kapitala.

Moj nasvet za tehnične strokovnjake in vodstvo

Kot strokovnjakinja z 20 leti izkušenj v zavarovalništvu in kot SEO urednica, ki razume pomen jasne in uporabne komunikacije, želim poudariti, da je razumevanje in implementacija naprednih kvantitativnih metod, kot so EVT in Monte Carlo simulacije, nujna za vsako zavarovalnico, ki želi ostati konkurenčna in solventna v kompleksnem regulativnem okolju. Ni dovolj le izpolnjevati minimalne regulativne zahteve; cilj mora biti preseganje teh zahtev z robustnimi in inovativnimi pristopi k upravljanju tveganj.

Moj nasvet tako tehničnim strokovnjakom kot tudi vodstvu je, da se nenehno izobražujete in vlagate v razvoj tehničnih znanj in orodij. Ekstremna tveganja niso 'črne labode', ki jih ne moremo napovedati; so dogodki z majhno verjetnostjo, a velikim vplivom, ki jih lahko z ustreznimi metodami modeliramo in obvladujemo. Naložba v napredno analitiko se bo povrnila z večjo finančno stabilnostjo, optimizirano razporeditvijo kapitala in izboljšano strateško odločanje. Bodite proaktivni in ne čakajte, da vas ekstremni dogodek prisili v spremembo. Pravi čas za optimizacijo je vedno zdaj.

Pogosta vprašanja

Kaj je glavna prednost EVT pri oceni tveganj?

Glavna prednost EVT je sposobnost natančnega modeliranja redkih, a potencialno katastrofalnih dogodkov v repih porazdelitve, kjer klasične statistične metode odpovejo. Omogoča realistično kvantifikacijo verjetnosti in obsega ekstremnih škod.

Zakaj potrebujemo Monte Carlo simulacije poleg EVT?

Monte Carlo simulacije so ključne za generiranje velikega števila realističnih scenarijev, ki vključujejo ekstremne dogodke, modelirane z EVT. To omogoča izračun porazdelitve agregatnih škod in določitev SCO z visoko stopnjo zanesljivosti in prožnosti.

Kaj je SCO in kako je povezan s Solvency II?

SCO (Solventnostni Kapitalni Obveznosti) ali SCR (Solvency Capital Requirement) je višina kapitala, ki jo mora zavarovalnica imeti za pokritje tveganj z določeno verjetnostjo (po Solvency II 99,5% VaR na enoletnem horizontu). Je ključni element regulative Solvency II za zagotavljanje finančne stabilnosti.

Ali so EVT in Monte Carlo simulacije primerne samo za velike zavarovalnice?

Ne, čeprav so kompleksne, so te metode uporabne tudi za manjše zavarovalnice, saj so ekstremna tveganja univerzalna. Pomembno je, da so modeli prilagojeni velikosti in kompleksnosti portfelja ter da so na voljo ustrezni podatki in strokovno znanje.

Kaj so kopule in zakaj so pomembne pri modeliranju tveganj?

Kopule so matematične funkcije, ki modelirajo odvisnost med več slučajnostnimi spremenljivkami. Pomembne so, ker omogočajo modeliranje repne odvisnosti med različnimi vrstami tveganj, kar je ključno za natančno oceno skupnega tveganja in SCR, saj se ekstremni dogodki pogosto pojavijo sočasno.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Agencija za zavarovalni nadzor (AZN) – Smernice za Solvency II
• Embrechts, P., Klüppelberg, C., & Mikosch, T. (1997). Modelling extremal events for insurance and finance. Springer Science & Business Media.
• McNeil, A. J., Frey, R., & Embrechts, P. (2015). Quantitative risk management: Concepts, techniques and tools. Princeton University Press.

Nadaljujte branje o tej temi

Povezave so izbrane samodejno glede na steber zaščite in ključne besede te objave.

• 
  Primer: Tehnični vpogledi

  Enkratno izplačilo ali renta ob hudi bolezni: Kaj izbrati

• 
  Primer: Tehnični vpogledi

  Predpogodbena obvestila: Kateri dokumenti morajo biti na mizi pred podpisom

• 
  Primer: Tehnični vpogledi

  Anamneza in zdravstveni vprašalnik: Zakaj je iskrenost pogoj za izplačilo

• 
  Primer: Tehnični vpogledi

  Določitev upravičencev in izključitve kritja pri življenjskem zavarovanju

• 
  Primer: Tehnični vpogledi

  Doživljenjsko življenjsko zavarovanje in upravljanje sprememb na polici