Modeliranje ekstremnih škod: GPD, EVT in optimalne rezervacije

Uvod v teorijo ekstremnih vrednosti (EVT) in njen pomen

Kot Petra, zavarovalna strokovnjakinja z dvema desetletjema izkušenj, sem se vedno zavedala, da so v zavarovalništvu najpomembnejši dogodki tisti, ki so redki, a imajo katastrofalne posledice. Ne govorim zgolj o pogostih nezgodah, temveč o tistih, ki presegajo običajne okvire in lahko ogrozijo celotno finančno stabilnost zavarovalnice. Prav v teh scenarijih se pokaže izjemna vrednost teorije ekstremnih vrednosti (EVT – Extreme Value Theory), specializiranega področja statistike, ki je zasnovano posebej za analizo ekstremnih dogodkov.

EVT nam omogoča, da se osredotočimo na 'repe' porazdelitev, torej na zgornjih (ali spodnjih) 5–10 % podatkov, kjer ležijo največje škode. Standardne statistične metode, ki so optimizirane za modeliranje osrednjega dela porazdelitve, pogosto neuspešno zajamejo kompleksno strukturo ekstremnih vrednosti. Napačno ocenjeni repi lahko vodijo v podcenjene rezervacije, kar posledično ogroža solventnost zavarovalnice in sposobnost izpolnjevanja obveznosti do zavarovancev. Zato je razumevanje in aplikacija EVT nujna za vsako resno zavarovalnico, ki želi delovati odgovorno in stabilno.

Osnovna pristopa EVT: Block Maxima in Peaks Over Threshold (POT)

EVT ponuja dva glavna pristopa za modeliranje ekstremnih vrednosti. Prvi je metoda 'blokovnih maksimumov' (angl. Block Maxima), kjer porazdelitev delimo na enako dolge bloke (npr. leta) in nato analiziramo maksimume znotraj vsakega bloka. Čeprav je ta pristop teoretično eleganten, ima v praksi pomanjkljivost, saj uporablja le eno opazovanje iz vsakega bloka, kar pomeni izgubo dragocenih podatkov. S tem pristopom so maksimume porazdeljene po posplošeni porazdelitvi ekstremnih vrednosti (GEV – Generalized Extreme Value).

Drugi in v zavarovalništvu precej bolj razširjen pristop je 'Peaks Over Threshold' (POT), ki se osredotoča na vse vrednosti, ki presegajo določen visok prag. Ta metoda je učinkovitejša, saj izkorišča več podatkov in s tem omogoča robustnejše ocene. Temeljni rezultat pristopa POT je Fisher-Tippettov izrek, ki navaja, da so ekscesi nad dovolj visokim pragom asimptotično porazdeljeni po posplošeni Paretovi porazdelitvi (GPD – Generalized Pareto Distribution). GPD je torej srce našega modeliranja in se osredotočamo nanjo v nadaljevanju.

Posplošena Paretova porazdelitev (GPD): teorija in parametri

GPD je ključna za modeliranje ekstremnih škod v zavarovalništvu, saj opisuje porazdelitev 'presežkov' nad določenim pragom. Predstavljamo jo s kumulativno porazdelitveno funkcijo (CDF) F(x; ξ, σ) za x > u, kjer je u izbrani prag. GPD ima tri ključne parametre: prag (u – angl. threshold), parameter oblike (ξ – angl. shape parameter) in parameter skale (σ – angl. scale parameter).

Parameter oblike (ξ) je še posebej pomemben, saj določa obliko repa. Če je ξ > 0, je rep 'težak' (angl. heavy-tailed), kar pomeni, da so ekstremne vrednosti pogostejše, kot bi pričakovali pri običajnih porazdelitvah (npr. normalni). Takšne porazdelitve so značilne za mnoge zavarovalne škode. Če je ξ = 0, je GPD enaka eksponentni porazdelitvi, če pa je ξ < 0, je rep 'lahek' (angl. light-tailed) in ima zgornjo mejo. Parameter skale (σ) pa določa razpršenost presežkov. Pravilna ocena teh parametrov je temelj za zanesljive napovedi in izračune rezervacij.

Izbira praga (angl. threshold): kritična odločitev

Izbira praga (u) je verjetno najbolj kritična in hkrati najzahtevnejša odločitev pri aplikaciji GPD. Preveč nizek prag vključi preveč neekstremnih podatkov, kar lahko popači ocene parametrov in povzroči, da GPD ne ustreza dobro repu porazdelitve. Preveč visok prag pa pomeni, da imamo premalo podatkov za zanesljivo oceno parametrov GPD, kar vodi v veliko varianco ocen. Cilj je najti optimalen prag, ki je dovolj visok, da GPD resnično modelira asimptotično porazdelitev presežkov, hkrati pa dovolj nizek, da zagotavlja zadostno število opazovanj za robustno oceno.

Obstaja več pristopov za izbiro praga. Eden najpogostejših je uporaba 'grafa povprečnih presežkov' (angl. mean excess plot ali MEP). MEP prikazuje povprečno vrednost presežkov nad pragom kot funkcijo praga. Če so podatki porazdeljeni po GPD, mora biti ta graf linearen nad določenim pragom. Druga metoda vključuje analizo stabilnosti parametrov oblike in skale glede na različne pragove. Iskanje območja, kjer so ocene parametrov stabilne, nam pomaga določiti ustrezen prag. Ta postopek je pogosto iterativen in zahteva strokovno presojo.

Evaluacija primernosti modela: diagnostični grafi

Po oceni parametrov GPD je ključno preveriti, ali model dejansko dobro ustreza opazovanim podatkom. Za to uporabljamo diagnostične grafe. Poleg že omenjenega grafa povprečnih presežkov so še posebej uporabni Q-Q graf (kvantil-kvantilni graf) in P-P graf (verjetnost-verjetnostni graf). Q-Q graf primerja teoretične kvantile GPD z empiričnimi kvantili presežkov. Če se točke na grafu približno nahajajo na diagonali, to kaže na dobro ujemanje med modelom in podatki. Odstopanja od diagonale nakazujejo neskladja, ki lahko pomenijo napačno izbiro praga ali neprimernost GPD modela.

P-P graf podobno primerja kumulativne verjetnosti. Pomembna je tudi analiza ostankov, ki preverja neodvisnost in enakost porazdelitve preostalih vrednosti. Vizualna analiza teh grafov, skupaj z numeričnimi testi dobrega prileganja (npr. Kolmogorov-Smirnov test), omogoča celovito evalvacijo modela. Kot strokovnjakinja poudarjam, da je vizualna ocena grafov pogosto bolj intuitivna in razkrivajoča kot zgolj numerični rezultati, saj lahko opazimo specifične vzorce odstopanj, ki jih testi morda ne zaznajo takoj.

Izpeljava visokih kvantilov: Value at Risk (VaR) in Tail Value at Risk (TVaR)

Ko imamo robusten model GPD, lahko z njegovo pomočjo izračunamo visoke kvantile, ki so izjemnega pomena za upravljanje tveganj in izračun rezervacij. Dva najpomembnejša ukrepa tveganja sta Value at Risk (VaR) in Tail Value at Risk (TVaR).

**Value at Risk (VaR)** na določeni stopnji zaupanja (npr. 99 %) predstavlja maksimalno pričakovano škodo, ki je ne bomo presegli v 99 % primerov. Izračunamo ga kot kvantil modelirane porazdelitve. Formalno, za nivo zaupanja p, je VaR_p = u + (σ/ξ) * ( (N/N_u * (1-p))^(-ξ) - 1 ), kjer je N skupno število opazovanj in N_u število opazovanj nad pragom u. VaR je intuitiven in široko uporabljen, vendar ima pomanjkljivost: ne pove nam ničesar o velikosti škod, ki presežejo VaR. Skladno z ZZavar-1 je ustreznost rezervacij izjemnega pomena za solventnost zavarovalnic, in VaR predstavlja eno izmed ključnih metrik tveganja, ki jo lahko izpeljemo iz modelov repov porazdelitev.

**Tail Value at Risk (TVaR)**, znan tudi kot Conditional Tail Expectation (CTE), odpravlja pomanjkljivost VaR. Predstavlja pričakovano škodo, *pod pogojem, da je ta škoda presegla VaR*. Z drugimi besedami, TVaR je povprečna vrednost vseh škod, ki se nahajajo v najvišjem repu porazdelitve, nad določeno mejo (npr. 99 % VaR). TVaR je bolj konservativen ukrep tveganja kot VaR in je pogosto preferiran v regulativnih okvirjih, kot je Solvency II, saj bolje zajame tveganje katastrofalnih dogodkov. Izračuna se kot TVaR_p = VaR_p * (1/(1-ξ)) + ( (σ + ξ*u) / (1-ξ) ). Njegova uporaba zagotavlja robustnejšo podlago za določanje optimalnih rezervacij.

Aplikacija pri izračunih optimalnih rezervacij

Zavarovalnice so po Zakonu o zavarovalništvu (ZZavar-1) dolžne vzpostaviti zadostne tehnične rezervacije za izpolnjevanje vseh svojih obveznosti. To vključuje tudi redke, a visoke škodne dogodke. Modeliranje repov porazdelitev z GPD in izpeljava VaR ter TVaR omogočata aktuarjem in finančnim analitikom bolj natančno in robustno določanje višine teh rezervacij.

Recimo, da zavarovalnica želi držati rezervacije na ravni 99 % VaR, kar pomeni, da je le 1 % verjetnosti, da bodo dejanske škode presegle to višino. Če pa želi biti zavarovalnica bolj konservativna in upoštevati tudi povprečno višino škod, ki presegajo to mejo, bo uporabila 99 % TVaR. To je še posebej relevantno pri nezgodnih zavarovanjih, kjer se lahko soočamo z izjemno visokimi invalidninami ali doživljenjskimi rentami. Pravilna določitev teh rezervacij ni zgolj regulatorna zahteva, temveč bistvena za dolgoročno finančno stabilnost zavarovalnice in zaupanje zavarovancev. Modeliranje repov nam pomaga tudi pri določanju cene produktov, kjer je tveganje ekstremnih dogodkov pravilno ovrednoteno.

Kaj je krito in kaj ni krito: pomen natančnih rezervacij

Pri nezgodnem zavarovanju so optimalne rezervacije ključne za zagotovitev, da bodo obveznosti zavarovalnice izpolnjene. Na splošno nezgodno zavarovanje krije finančne posledice poškodb, invalidnosti ali smrti, ki so nastale kot posledica nenadnega in od zunaj delujočega dogodka – nezgode. Vendar pa je pomembno razumeti, da so kritja specifično definirana v splošnih in posebnih pogojih posamezne zavarovalne police in se lahko med zavarovalnicami razlikujejo. Zakonodaja (npr. ZZavar-1) določa splošne okvire, specifična kritja pa so domena zavarovalnih pogojev.

**Krito je lahko (informativni primeri):**

- Trajna invalidnost zaradi nezgode (npr. izguba dela telesa, zmanjšanje sposobnosti za delo),

- Smrt zaradi nezgode (izplačilo upravičencem),

- Dnevna odškodnina za čas zdravljenja po nezgodi,

- Stroški zdravljenja po nezgodi (ki jih ne krije ZZZS v celoti),

- Zlomi, opekline, izpahi.

**Ni krito (informativni primeri):**

- Poškodbe, nastale zaradi bolezni (npr. spontani padec zaradi srčnega napada),

- Poškodbe, ki si jih je zavarovanec namenoma povzročil (samopoškodovanje),

- Poškodbe, nastale pod vplivom alkohola ali drog (če je tako določeno v pogojih),

- Poškodbe pri nevarnih športih, če niso dodatno dogovorjene in krite,

- Vojni dogodki, terorizem, elementarne nesreče (lahko so izključitve, razen če so posebej vključene v kritje).

Natančne rezervacije, ki temeljijo na modeliranju ekstremnih škod, zagotavljajo, da bo zavarovalnica imela dovolj sredstev tudi za izplačilo najvišjih kritih škodnih dogodkov, s čimer ohranja svoje obveznosti in zaupanje zavarovancev. V nasprotnem primeru bi se lahko zavarovalnica soočala s težavami pri izplačilih, kar je nesprejemljivo. Zato je razumevanje, kaj je in kaj ni krito, ključno za obe strani – zavarovanca in zavarovalnico – pri določanju ustreznosti zavarovalnih vsot in višine premije ter hkrati za aktuarski oddelek pri oblikovanju optimalnih rezervacij.

Praktični primer iz prakse: modeliranje odškodnin za trajno invalidnost

Vzemimo primer zavarovalnice, ki se sooča z visokimi odškodninami za trajno invalidnost, ki so nastale po prometnih nesrečah. Standardne statistične metode so kazale, da so povprečne odškodnine obvladljive, a občasno so se pojavile izjemno visoke odškodnine, ki so močno presegale napovedi in povzročale izpade v rezervacijah. Analitski tim se je odločil za implementacijo EVT in GPD modela.

Najprej so zbrali podatke o odškodninah za trajno invalidnost za obdobje zadnjih 10 let. Po začetni analizi so ugotovili, da podatki kažejo močan 'težak rep'. Uporabili so graf povprečnih presežkov za določitev optimalnega praga za GPD. Ugotovili so, da prag pri 10.000 EUR ustrezno loči ekstremne škode od ostalih. Nad tem pragom so podatki začeli kazati linearen trend na MEP, kar je nakazovalo primernost GPD modela. Z uporabo metode največjega verjetja so ocenili parametra oblike (ξ) in skale (σ). Ugotovili so, da je ξ = 0,35, kar potrjuje težak rep porazdelitve, σ pa je bil ocenjen na 4.500 EUR. Z diagnostičnimi grafi, kot so Q-Q graf in P-P graf, so potrdili dobro ujemanje modela z opazovanimi presežki.

Nato so izračunali 99 % VaR in 99 % TVaR za posamezno škodo. Na podlagi teh izračunov so ugotovili, da je njihova dosedanja metoda določanja rezervacij podcenjevala tveganje ekstremnih dogodkov. Na primer, prejšnja metoda je določala rezervacijo za posamezen ekstremni dogodek na 35.000 EUR, medtem ko je novi model pokazal 99 % VaR pri 52.000 EUR in 99 % TVaR pri 68.000 EUR. Na podlagi teh bolj realističnih in robustnih ocen so prilagodili svoje rezervacije za bodoče škode, kar je bistveno izboljšalo finančno stabilnost oddelka za neživljenjska zavarovanja in skladnost z regulativnimi zahtevami Solvency II. Ta primer jasno kaže, kako pomembna je uporaba naprednih tehnik za natančno oceno tveganj in posledično za stabilnost poslovanja.

Strokovno priporočilo Petre Guštin: zakonodajni okvir in optimizacija

Kot strokovnjakinja v zavarovalništvu želim poudariti, da sta modeliranje repov in ustrezne rezervacije osnova za stabilno poslovanje zavarovalnice in varovanje interesov zavarovancev. Zakon o zavarovalništvu (ZZavar-1) določa splošne smernice in zahteve glede kapitala in rezervacij, vendar se specifične metodologije določanja prepuščajo strokovnim standardom in praksam, ki so usklajene z najboljšimi mednarodnimi praksami. Implementacija EVT in GPD modelov ni zgolj 'lepo imeti', temveč 'nujno imeti' za zavarovalnice, ki se želijo učinkovito spopasti z nepredvidljivostjo ekstremnih dogodkov. Tudi Zakon o pokojninskem in invalidskem zavarovanju (ZPIZ-2) posredno vpliva na ocene dolgoročnih obveznosti, saj so določene invalidnine in rente lahko dopolnilo k pokojninskim prejemkom, kar dodatno poudarja potrebo po natančnih rezervacijah v širšem kontekstu socialne varnosti.

Moje priporočilo je, da zavarovalnice in strokovnjaki v aktuariatu nenehno nadgrajujejo svoje znanje in orodja na področju EVT. Redna revizija in kalibracija modelov, skupaj z 'nazaj testiranjem' (angl. back-testing) – preverjanjem modela na zgodovinskih podatkih – in stresnim testiranjem, sta ključni za ohranjanje robustnosti modela. Poleg tega je pomembna transparentnost pri uporabi teh metodologij, tako navznoter znotraj zavarovalnice kot tudi navzven do regulatorjev, kot je Agencija za zavarovalni nadzor (AZN), ki bdi nad finančno stabilnostjo trga. Zavarovalniška praksa se nenehno razvija in le z uporabo najsodobnejših kvantitativnih metod lahko zagotovimo, da bodo rezervacije resnično optimalne in bodo zavarovancem ponujale obljubljeno varnost. Moja vloga je, da vam pomagam razumeti te kompleksne mehanizme in najti rešitve, ki bodo vaše zavarovanje še bolj trdno in zanesljivo.

Zaključek: varna prihodnost s pravilnim modeliranjem

Modeliranje repov porazdelitev pri ekstremnih škodnih dogodkih z uporabo GPD in EVT ni zgolj akademska vaja, temveč vitalna praktična aplikacija v zavarovalništvu. Omogoča nam, da presežemo omejitve standardnih statističnih metod in se osredotočimo na tiste redke, a potencialno katastrofalne dogodke, ki lahko bistveno vplivajo na finančno stabilnost zavarovalnice.

S pravilno izbiro praga, natančno oceno parametrov in temeljito diagnostično evalvacijo modela lahko zanesljivo izračunamo visoke kvantile, kot sta VaR in TVaR. Ti ukrepi tveganja pa so nepogrešljivi za določanje optimalnih rezervacij, ki zavarovalnici omogočajo, da izpolnjuje svoje obveznosti do zavarovancev tudi v najtežjih scenarijih. Moje poslanstvo je, da vam pomagam razumeti in implementirati takšne napredne rešitve, da bo vaša zavarovalna varnost vedno na prvem mestu. Vedno sem vam na voljo za pogovor in pomoč pri kompleksnih vprašanjih zavarovanja. Znanje je moč, še posebej, ko gre za zaščito vaše prihodnosti.

Pogosta vprašanja

Zakaj standardne statistične metode niso dovolj za ekstremne škode?

Standardne metode so optimizirane za osrednji del porazdelitve in pogosto podcenjujejo verjetnost ter velikost ekstremnih dogodkov. Ne zajamejo kompleksnosti 'težkih repov', kar vodi do napačnih ocen tveganja in neustreznih rezervacij, zlasti v zavarovalništvu.

Kaj pomenijo parametra oblike (ξ) in skale (σ) pri GPD?

Parameter oblike (ξ) določa 'težo' repa porazdelitve; pozitivna vrednost (ξ > 0) kaže na težak rep, kar je pogosto pri zavarovalnih škodah. Parameter skale (σ) pa določa razpršenost oziroma disperzijo presežkov nad izbranim pragom, kar vpliva na velikost pričakovanih škod.

Kako izberemo optimalen prag (angl. threshold) pri GPD modelu?

Optimalen prag se izbere s pomočjo diagnostičnih grafov, kot je 'graf povprečnih presežkov' (angl. mean excess plot), kjer iščemo območje linearnega trenda. Pomembna je tudi analiza stabilnosti ocenjenih parametrov GPD modela pri različnih pragovih. Je ključna, a subjektivna odločitev.

Kakšna je razlika med VaR in TVaR?

VaR (Value at Risk) predstavlja največjo pričakovano izgubo pri določeni stopnji zaupanja, ki je ne bomo presegli. TVaR (Tail Value at Risk) pa je povprečna vrednost vseh izgub, ki presegajo VaR. TVaR je bolj konservativen in informativen, saj zajame tudi obseg škod v repu porazdelitve nad VaR.

Kako EVT in GPD prispevajo k solventnosti zavarovalnice?

Z natančnim modeliranjem ekstremnih škod in izračunom robustnih mer tveganja (VaR, TVaR) EVT in GPD omogočata zavarovalnicam določanje optimalnih tehničnih rezervacij. To zagotavlja, da ima zavarovalnica dovolj sredstev za izpolnjevanje obveznosti tudi ob redkih, a katastrofalnih dogodkih, s čimer se ohranja njena solventnost in skladnost z zakonodajo.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Uradni list RS – Zakon o pokojninskem in invalidskem zavarovanju (ZPIZ-2)
• Agencija za zavarovalni nadzor (AZN) – Smernice za solventnost in aktuarske prakse
• Embrechts, P., Klüppelberg, C., & Mikosch, T. (1997). Modelling extremal events for insurance and finance. Springer Science & Business Media.
• Coles, S. (2001). An introduction to statistical modeling of extreme values. Springer Science & Business Media.

Nadaljujte branje o tej temi

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

• 
  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

• 
  Primer: Tehnični vpogledi

  Druga diagnoza po izplačilu: Ali polica po prvem izplačilu sploh še živi