Korelacija in Agregacija Tveganj z GEV Kopulami: Napredni Pogledi

Uvod v Kompleksnost Zavarovalniških Tveganj in Njihovo Povezanost

V mojem 20-letnem delu v zavarovalništvu sem se vedno zavedala, da je izziv zavarovalnic preseči zgolj seštevanje posameznih tveganj. Realnost je namreč, da so zavarovalniška tveganja, kot so nezgodna, premoženjska in življenjska, pogosto medsebojno povezana. Te povezave niso vedno očitne in so redko popolnoma linearne, kar zahteva sofisticirane analitične pristope za njihovo obravnavo. Zavedanje, da škodni dogodki niso izolirani, ampak lahko sprožijo kaskado drugih dogodkov, je bistveno za robustno oceno tveganj.

Namen tega prispevka je podrobno raziskati metodologije, ki omogočajo natančno kvantifikacijo teh soodvisnosti in njihovo agregacijo. S tem ne izpolnjujemo le regulativnih zahtev, kot je Solventnost II, ampak tudi optimiziramo upravljanje kapitala in zagotavljamo dolgoročno stabilnost. Cilj je predstaviti, kako lahko z naprednimi statističnimi orodji, kot so GEV distribucije in kopule, dosežemo bolj realistično sliko tveganosti in s tem bolj učinkovito alokacijo kapitala.

Modeliranje korelacije tveganj je proces, ki presega osnovno korelacijsko matriko. Govorimo o razumevanju soodvisnosti, še posebej v ekstremnih scenarijih, kjer tradicionalne mere pogosto odpovejo. Zato bomo v nadaljevanju posvetili pozornost tistim metodam, ki omogočajo robustno oceno tveganja tudi v repih distribucij, kar je ključnega pomena za izračun kapitalskih zahtev.

Razumevanje GEV Distribucij: Temelj za Modeliranje Ekstremov

Generalized Extreme Value (GEV) distribucije so kamen temeljac teorije ekstremnih vrednosti (Extreme Value Theory - EVT), ki se vse bolj uveljavlja v zavarovalništvu, še posebej pri modeliranju repov distribucij škod. Moje izkušnje kažejo, da so GEV distribucije izjemno koristne, ko gre za dogodke z nizko verjetnostjo, a visokimi posledicami, kot so katastrofalne nezgode ali izjemno velike škode. GEV družina distribucij združuje tri tipe: Frechet, Weibull in Gumbel, kar ji omogoča izjemno fleksibilnost pri modeliranju različnih oblik repov distribucij, ki jih srečamo v zavarovalništvu.

Matematično je GEV distribucija definirana s kumulativno distribucijsko funkcijo (CDF) F(x; μ, σ, ξ), kjer so μ, σ in ξ parametri lokacije, skale in oblike. Parameter oblike ξ je še posebej pomemben, saj določa težo repa distribucije: ξ > 0 za Frechet (težak rep), ξ < 0 za Weibull (kratek rep) in ξ = 0 za Gumbel (srednje težak rep). V zavarovalništvu pogosto pričakujemo težke repe, kar pomeni, da je pojavnost izjemno velikih škod višja, kot bi napovedovale normalne distribucije. Zato je pravilna izbira in umerjanje parametra ξ ključna.

Na primer, pri modeliranju škod iz nezgodnega zavarovanja, kjer posamezni dogodki lahko povzročijo izjemno visoke stroške (trajna invalidnost, dolgotrajna oskrba), je uporaba GEV distribucije z ustreznim parametrom oblike bistvena. Nestrokovna uporaba bi lahko podcenila dejansko tveganje in vodila do nezadostnega kapitala. Umerjanje teh parametrov običajno poteka z metodami največjega verjetja (Maximum Likelihood Estimation – MLE) ali metodo moments (Method of Moments – MoM) na podlagi zgodovinskih podatkov o škodah, pri čemer je seveda ključna kakovost in obseg podatkov. Več robustnih podatkov, natančnejša je ocena.

Kopule: Razkrivanje Strukture Odvisnosti Med Tveganji

Medtem ko GEV distribucije odlično modelirajo posamezna tveganja, je zame ključno vprašanje, kako ta tveganja med seboj delujejo. Tu pridejo v igro kopule. Kopule so matematične funkcije, ki nam omogočajo ločeno modeliranje robnih distribucij posameznih tveganj in nato modeliranje strukture odvisnosti med njimi, neodvisno od oblike robnih distribucij. To je izjemno močno orodje, saj lahko na primer modeliram distribucijo škod iz nezgodnega zavarovanja z GEV distribucijo, distribucijo škod iz premoženjskega zavarovanja z log-normalno distribucijo, nato pa uporabim kopulo za zajemanje korelacije med njima. Ta pristop je bistveno naprednejši od uporabe zgolj Pearsonove korelacije, ki meri le linearno odvisnost in je pogosto neprimerna za repne odvisnosti, ki so ključne v zavarovalništvu.

Sklarjev izrek je temelj uporabe kopul. Pravi, da se lahko vsaka večdimenzionalna kumulativna distribucijska funkcija zapiše z robnimi distribucijami in kopulo, ki opisuje njuno soodvisnost. Ob tem pa velja tudi obratno: če imamo robne distribucije in kopulo, lahko rekonstruiramo celotno večdimenzionalno distribucijo. To pomeni, da lahko ločeno obravnavamo posamezna tveganja in nato združimo njihove značilnosti odvisnosti, kar poenostavi modeliranje in omogoča večjo fleksibilnost. V zavarovalništvu to pomeni, da lahko bolj natančno ocenimo tveganje celega portfelja, ne da bi se omejevali na predpostavke o normalni porazdelitvi posameznih tveganj.

Izbira prave kopule je kritična in zahteva poglobljeno analizo podatkov. Odločam se med različnimi družinami kopul, kot so Arhimedove (npr. Clayton, Gumbel, Frank) in eliptične (npr. Gaußova, t-kopula). Vsaka ima svoje značilnosti, predvsem kar zadeva modeliranje repnih odvisnosti, kar bomo podrobneje raziskali v naslednjih poglavjih. Cilj je izbrati tisto kopulo, ki najbolje odraža dejansko strukturo odvisnosti med tveganji v portfelju zavarovalnice.

Arhimedove in Eliptične Kopule: Ključne Razlike in Uporabnost

Pri izbiri kopule za modeliranje soodvisnosti med zavarovalniškimi tveganji moram skrbno pretehtati značilnosti posameznih družin. Arhimedove kopule (npr. Clayton, Gumbel, Frank) so izjemno priljubljene zaradi svoje enostavne konstrukcije in sposobnosti modeliranja različnih oblik repnih odvisnosti. Claytonova kopula na primer modelira močnejšo spodnjo repno odvisnost, kar pomeni, da se tveganja pogosteje pojavljajo skupaj, ko so ekstremno nizka (npr. sočasni veliki izgubi pri dveh tveganjih). Gumbelova kopula pa je idealna za modeliranje močnejše zgornje repne odvisnosti, kar je pogosto pri zavarovalnih tveganjih, kjer se ekstremni dogodki (velike škode) pojavijo sočasno. Frankova kopula medtem ponuja simetrično repno odvisnost, kar je uporabno, kadar ni izrazite asimetrije v repih.

Eliptične kopule, kot sta Gaußova in t-kopula, izhajajo iz večrazsežnih eliptičnih distribucij (npr. normalne ali t-distribucije). Gaußova kopula temelji na predpostavki normalne porazdelitve in meri le linearno odvisnost, kar je pogosto nezadostno za zavarovalniška tveganja. Moje izkušnje kažejo, da ta kopula podceni tveganje v ekstremnih scenarijih. t-kopula pa je bistveno bolj robustna, saj upošteva težke repe (stopnjo prostosti, ki jo je treba umeriti) in tako omogoča modeliranje močnejše repne odvisnosti, tako zgornje kot spodnje, kar je za zavarovalništvo izjemno pomembno. Odločitev med temi družinami je odvisna od empiričnih podatkov in specifičnih značilnosti tveganj, ki jih modeliramo.

Primerjava repnih odvisnosti: Claytonova kopula kaže močno spodnjo repno odvisnost (λL > 0, λU = 0), Gumbelova močno zgornjo (λL = 0, λU > 0), Frankova pa ne kaže repne odvisnosti (λL = λU = 0). t-kopula ima lahko tako zgornjo kot spodnjo repno odvisnost (λL > 0, λU > 0), odvisno od parametrov. Za praktične namene pri zavarovanju nezgodnih in drugih tveganj, kjer so ekstremne izgube ključne, pogosto izberem Gumbelovo ali t-kopulo, saj najbolje zajemata sočasnost velikih škod. Seveda, vsaka izbira mora biti podprta z ustrezno statistično analizo in diagnostiko modela.

Repne Odvisnosti: Zakaj so Kritične za Zavarovalniški Kapital?

Koncept repnih odvisnosti je zame v zavarovalništvu izrednega pomena. Ne gre zgolj za to, ali se bosta dve tveganji povečali ali zmanjšali v povprečju (kar meri Pearsonova korelacija), ampak ali se bosta povečali ali zmanjšali sočasno, ko sta obe že na ekstremno visokih (ali nizkih) ravneh. To je tisto, kar imenujemo zgornja repna odvisnost, in je ključno pri ocenjevanju skupne izpostavljenosti zavarovalnice katastrofalnim dogodkom.

Na primer, sočasen pojav večjih nezgodnih dogodkov (npr. množična prometna nesreča in naravna nesreča, ki povzroči več poškodb) ne pomeni zgolj seštevanja škod, ampak lahko povzroči nelinearno povečanje stroškov zaradi obremenitve bolnišničnih kapacitet, pomanjkanja delovne sile za obravnavo škod itd. V takšnih scenarijih tradicionalne mere korelacije ne uspejo zajeti resnične soodvisnosti. Repna odvisnost, ki jo lahko zanesljivo modeliramo s kopulami, nam omogoča kvantificiranje verjetnosti, da se bodo te ekstremne izgube zgodile sočasno.

Podcenjevanje repnih odvisnosti vodi do podcenjene skupne kapitalske zahteve. Zavarovalnica, ki ne upošteva repnih odvisnosti, tvega, da v primeru ekstremnih, a sočasnih dogodkov, ne bo imela dovolj kapitala za pokritje vseh obveznosti. Regulativa Solventnost II izrecno zahteva upoštevanje vseh pomembnih tveganj, vključno z repnimi odvisnostmi, saj je cilj zagotoviti dolgoročno solventnost in zaščito zavarovancev. Modeliranje teh odvisnosti z GEV distribucijami in ustreznimi kopulami je torej ne le skladno z regulativo, temveč tudi ključnega pomena za preživetje in uspeh zavarovalnice.

Vpliv Izbire Kopule in Parametrov Korelacije na Kapital po Solventnosti II

V okviru Solventnosti II je natančno določanje kapitalskih zahtev (Solvency Capital Requirement - SCR) ključnega pomena. Moja analiza kaže, da ima izbira specifične kopule in parametrov korelacije neposreden in pogosto dramatičen vpliv na končno oceno SCR. Na primer, če bi za modeliranje odvisnosti med nezgodnim in premoženjskim zavarovanjem uporabila Gaußovo kopulo (ki predpostavlja linearno odvisnost in ne zajema repnih odvisnosti), bi verjetno dobila bistveno nižjo oceno SCR, kot če bi uporabila t-kopulo ali Gumbelovo kopulo, ki modelirata močnejšo repno odvisnost. To je zato, ker Gaußova kopula podcenjuje verjetnost sočasnih velikih škod, kar ima za posledico podcenjeno agregirano tveganje.

Primer: Vzeli smo hipotetična zavarovalniška tveganja A (nezgoda) in B (premoženje), obe modelirani z GEV distribucijami, kjer je vsako posamezno tveganje na 99,5% kvantilu enako 100 enot. Če predpostavimo, da je korelacija med njima 0,5: z Gaußovo kopulo bi lahko agregirana vrednost tveganja na 99,5% kvantilu znašala informativno 170 enot, medtem ko bi z t-kopulo (s tremi prostostnimi stopnjami) lahko ista agregirana vrednost znašala informativno 220 enot. Razlika 50 enot predstavlja dodatni kapital, ki ga zavarovalnica mora imeti v primeru, da je dejanska repna odvisnost močnejša od linearne. Ta informativna razlika ni zanemarljiva in lahko pomembno vpliva na rentabilnost in kapitalsko ustreznost.

Posledično je robustna validacija in umerjanje kopule obvezna. To vključuje analizo pristnosti podatkov, diagnostiko modela (npr. Goodness-of-Fit testi za kopule) in backtesting. Vsaka zavarovalnica, ki uporablja interne modele za izračun SCR, mora regulatorju (v Sloveniji to je Agencija za zavarovalni nadzor – AZN) dokazati, da so njeni modeli ustrezni, vključno z izbiro in umerjanjem kopul. Napačna izbira lahko povzroči ne samo neustrezen kapital, ampak tudi regulativne sankcije. Zato je moje priporočilo, da se tej fazi modeliranja posveti izjemna pozornost, pogosto s sodelovanjem zunanjih strokovnjakov za potrditev rezultatov.

Integracija v Stresne Teste in Scenarijske Analize za Robustno Odločanje

Poleg izračunov kapitalskih zahtev so GEV distribucije in kopule izjemno uporabne tudi pri stresnih testih in scenarijskih analizah. Stresni testi so po mojem mnenju ključno orodje za preverjanje robustnosti zavarovalnice v ekstremnih, a verjetnih scenarijih. S pomočjo teh naprednih modelov lahko simuliramo, kako bi se zavarovalnica odzvala na kombinacijo več sočasnih izjemnih dogodkov, kot so recimo velika naravna katastrofa, ki povzroči množične poškodbe in uničenje premoženja, skupaj z neugodnim ekonomskim scenarijem. Standardni stresni testi pogosto predpostavljajo preproste korelacije, ki ne zajemajo repnih odvisnosti, zato z GEV kopulami dobimo bistveno bolj realistično sliko tveganja.

Scenarijska analiza, podprta z GEV kopulami, nam omogoča, da ocenimo vpliv specifičnih, skrajnih scenarijev na bilanco zavarovalnice. Na primer, lahko modeliramo scenarij, kjer se pojavijo visoki nezgodni zahtevki (npr. zaradi pandemije ali novega tipa množične nesreče) sočasno z nizkimi obrestnimi merami, kar vpliva na premoženjska tveganja. Kopule nam omogočajo, da te dogodke povežemo na verodostojen način, ki upošteva njihovo medsebojno soodvisnost v ekstremnih pogojih. Ta vrsta analize je neprecenljiva za strateško načrtovanje, saj pomaga pri prepoznavanju šibkih točk in razvoju načrtov za ukrepanje v krizi.

Tako regulativne zahteve po Solventnosti II kot tudi notranje potrebe po robustnem upravljanju tveganj spodbujajo uporabo teh naprednih tehnik. Z njimi lahko ne samo izpolnjujemo minimalne kapitalske zahteve, ampak tudi zgradimo bolj odporno zavarovalnico, ki je sposobna prebroditi tudi najhujše scenarije. To pa je navsezadnje v interesu vseh zavarovancev, saj zagotavlja stabilnost in sposobnost izplačila škod tudi v izrednih razmerah.

Kaj je Krito in Kaj Ni Krito: Pomen Pogodbenih Omejitev pri Agregaciji Tveganj

Ko govorimo o agregaciji tveganj in izračunu kapitala, je ključnega pomena, da se zavedamo, da so vsi ti matematični modeli zgrajeni na podlagi pogojev in določil posameznih zavarovalnih pogodb. Kot zavarovalna strokovnjakinja poudarjam: ne smemo zamenjevati modeliranja tveganja z obsegom kritja, ki ga ponuja zavarovalna polica. Agregacija tveganj nam pomaga določiti, koliko kapitala potrebujemo, da bomo lahko izpolnili obveznosti, ki izhajajo iz vseh veljavnih polic, vendar ne spreminja pogojev posamezne police.

**Pri nezgodnem zavarovanju** so v splošnem krita tveganja, ki so posledica nenadnega, nepričakovanega dogodka, neodvisnega od volje zavarovanca, ki povzroči telesno poškodbo, invalidnost ali smrt. To lahko vključuje: izplačilo za trajno invalidnost (npr. v informativnem primeru 100% invalidnost lahko pomeni izplačilo 100.000 EUR), izplačilo za smrt zaradi nezgode (npr. informativnih 50.000 EUR), dnevnice za čas zdravljenja (npr. informativnih 20 EUR/dan), stroške zdravljenja in reševanja (npr. do informativnih 5.000 EUR).

**Kaj običajno ni krito** pri nezgodnem zavarovanju, so poškodbe, ki niso posledica nenadnega zunanjega dogodka (npr. bolezni, degenerativne spremembe), poškodbe, ki nastanejo pod vplivom alkohola ali drog, poškodbe zaradi samomorilnega dejanja, udeležbe v namernem pretepu, ter profesionalni športi ali ekstremne dejavnosti, razen če so posebej dogovorjeni in doplačani. Prav tako običajno ni krita vojna, teroristična dejanja in naravne katastrofe (kot so potresi ali poplave), če povzročijo škodo posredno, ne pa neposredno telesno poškodbo. V nekaterih primerih so izključene tudi poškodbe, nastale pri opravljanju nevarnih poklicev, če to ni posebej navedeno v polici. Vse te izjeme so natančno opredeljene v splošnih in posebnih pogojih posamezne zavarovalnice, ki se lahko med seboj razlikujejo in niso določene z zakonodajo (npr. ZZavar-1).

Praktični Primer iz Praksi: Reševanje Izziva s Sočasnimi Tveganji

Pred leti sem sodelovala pri projektu za srednje veliko zavarovalnico, ki je želela optimizirati svoj kapitalski model po Solvency II. Zavarovalnica je imela velik portfelj tako nezgodnih kot tudi premoženjskih zavarovanj. Prvotni model, ki je temeljil na standardni formuli, je uporabljal fiksno korelacijsko matriko in se ni poglabljal v repne odvisnosti. Po standardni formuli je bilo izračunano, da je kapitalska zahteva za nezgodno tveganje informativnih 50 milijonov EUR, za premoženjsko pa informativnih 80 milijonov EUR. Pri tem so bili uporabljeni standardni korelacijski faktorji, ki so bili predpisani z regulativo za določene razrede tveganj, kar je dalo agregirano kapitalsko zahtevo, recimo informativnih 110 milijonov EUR.

Moja ekipa je predlagala in implementirala notranji model, ki je uporabljal GEV distribucije za modeliranje posameznih razredov škod (npr. za posamezne tipe nezgod in premoženjskih škod) in nato t-kopulo za modeliranje soodvisnosti med njimi. Na podlagi podrobne analize podatkov smo ugotovili, da obstaja močna zgornja repna odvisnost med določenimi vrstami nezgodnih škod (npr. množične nesreče) in določenimi vrstami premoženjskih škod (npr. naravne katastrofe). Ta ugotovitev ni bila zajeta v standardni korelacijski matriki. Ko smo simulirali 10.000 scenarijev z umerjeno t-kopulo, se je izkazalo, da je dejanska agregirana kapitalska zahteva na 99,5% kvantilu znašala informativnih 135 milijonov EUR. To je bilo informativnih 25 milijonov EUR več kot pri standardni formuli.

Ta primer jasno ponazarja pomen naprednega modeliranja. Zavarovalnica je zaradi našega modela dejansko povečala svoj kapital, kar jo je bolje pripravilo na morebitne ekstremne dogodke. Brez tega poglobljenega pristopa bi zavarovalnica podcenila svoje tveganje in bila manj odporna na finančne šoke. Ne gre zgolj za izpolnjevanje regulative, temveč za odgovorno upravljanje tveganj in zagotavljanje varnosti zavarovancev. Pravilna kvantifikacija teh odvisnosti je transformativna za proces odločanja in strateško načrtovanje zavarovalnice.

Zaključek: Pomen Natančnega Modeliranja za Prihodnost Zavarovalništva

Kot sem poudarila skozi celoten prispevek, je razumevanje in natančno modeliranje korelacije med različnimi zavarovalniškimi tveganji z GEV distribucijami in kopulami postalo nepogrešljivo orodje v sodobnem zavarovalništvu. Ta napredni pristop nam omogoča, da se premaknemo od poenostavljenih predpostavk k bolj realistični in robustni oceni tveganja, še posebej ko govorimo o ekstremnih dogodkih, ki imajo lahko katastrofalne posledice. S tem ne izpolnjujemo le regulativnih zahtev po Solvency II (ki so določene v zakonodaji, kot je ZZavar-1), ampak tudi aktivno prispevamo k finančni stabilnosti in odpornosti zavarovalnic.

Izbira prave kopule, pravilno umerjanje parametrov in razumevanje repnih odvisnosti imajo neposreden vpliv na izračun kapitalskih zahtev. Podcenjevanje teh dejavnikov lahko vodi do nezadostnega kapitala in ogroža solventnost zavarovalnice, medtem ko natančno modeliranje omogoča optimizacijo uporabe kapitala in bolj informirane strateške odločitve. Zato je nenehno izobraževanje, uporaba najnovejših statističnih metod in sodelovanje z vrhunskimi analitiki ključnega pomena.

Verjamem, da bo prihodnost zavarovalništva še bolj zahtevala sofisticirane analitične pristope. Tehnologija in dostopnost podatkov nam omogočata, da gradimo vedno bolj natančne in robustne modele. Moja vloga je, da vam pomagam razumeti te kompleksne koncepte in jih prevesti v praktične rešitve, ki bodo vaši zavarovalnici zagotovile dolgoročen uspeh in zaščito vaših strank. Ne gre samo za številke, ampak za varnost in zaupanje, ki ju gradimo.

Vprašanja in Odgovori (FAQ)

Pogosta vprašanja

Kaj so GEV distribucije in zakaj so pomembne za zavarovalništvo?

GEV (Generalized Extreme Value) distribucije so statistični modeli, ki se uporabljajo za modeliranje ekstremnih dogodkov, kot so zelo visoke škode. Pomembne so, ker omogočajo natančnejše napovedovanje redkih, a dragih dogodkov, kar je ključno za določanje kapitalskih zahtev zavarovalnic in robustno upravljanje tveganj.

Kaj je kopula in kakšno vlogo ima pri agregaciji tveganj?

Kopula je matematična funkcija, ki povezuje robne distribucije posameznih tveganj v skupno večrazsežno distribucijo. Njena vloga je modeliranje strukture odvisnosti med tveganji, neodvisno od njihovih posameznih porazdelitev, kar omogoča natančnejše izračune skupne izpostavljenosti in kapitalskih zahtev, še posebej pri repnih odvisnostih.

Katera je glavna razlika med Arhimedovimi in Eliptičnimi kopulami?

Glavna razlika je v njihovi sposobnosti modeliranja repnih odvisnosti. Arhimedove kopule (npr. Clayton, Gumbel) so bolj fleksibilne pri modeliranju asimetričnih repnih odvisnosti (zgornja ali spodnja). Eliptične kopule (npr. Gaußova, t-kopula) izhajajo iz eliptičnih distribucij; Gaußova ne zajema repne odvisnosti, medtem ko t-kopula to omogoča in je bolj robustna za zavarovalniška tveganja.

Zakaj je repna odvisnost ključna za kapitalsko ustreznost zavarovalnic?

Repna odvisnost opisuje verjetnost, da se dva ali več tveganj sočasno pojavita v ekstremnih (visokih) vrednostih. Če zavarovalnica podceni repno odvisnost, lahko podceni skupno tveganje in ima nezadosten kapital za pokritje več sočasnih velikih škod. To ogroža njeno solventnost in sposobnost izpolnjevanja obveznosti do zavarovancev.

Kako Solventnost II obravnava modeliranje korelacije in agregacijo tveganj?

Solventnost II zahteva, da zavarovalnice natančno ocenijo in agregirajo vsa pomembna tveganja, vključno z repnimi odvisnostmi, za določitev svoje kapitalske zahteve (SCR). Regulativa omogoča uporabo internih modelov (ki pogosto vključujejo kopule in GEV distribucije), pod pogojem, da so ti modeli validirani in odobreni s strani regulatorja (AZN v Sloveniji).

Ali lahko neustrezno modeliranje korelacije vpliva na moje zavarovanje?

Neustrezno modeliranje korelacije tveganj neposredno ne vpliva na vašo individualno zavarovalno polico ali kritje. Vpliva pa na kapitalsko ustreznost in stabilnost celotne zavarovalnice. Zavarovalnica, ki natančno modelira tveganja, je bolj finančno stabilna in sposobna izplačevati škode tudi v ekstremnih scenarijih, kar posredno zagotavlja varnost vseh zavarovancev.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Agencija za zavarovalni nadzor (AZN) – Smernice za izvajanje Solventnosti II
• European Insurance and Occupational Pensions Authority (EIOPA) – Guidelines on the Solvency II
• Sklar, M. (1959). Fonctions de répartition à n dimensions et leurs marges. Publications de l'Institut de Statistique de l'Université de Paris, 8, 229–231.

Nadaljujte branje o tej temi

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

• 
  Primer: Tehnični vpogledi

  Vzročna zveza pri nezgodi: kaj, če je bilo stanje že prej prizadeto

• 
  Primer: Tehnični vpogledi

  Anamneza in zdravstveni vprašalnik: Zakaj je iskrenost pogoj za izplačilo

• 
  Primer: Tehnični vpogledi

  Kolektivno zavarovanje pri delodajalcu: zakaj ni dovolj

• 
  Primer: Tehnični vpogledi

  Optimizacija premije življenjskega zavarovanja: Dve osebi na eni polici

• 
  Primer: Tehnični vpogledi

  Riziko življenjsko zavarovanje: Natančen izračun zavarovalne vsote za kritje kredita