Modeliranje repov distribucij škod: EVT in GPD v aktuarstvu

Uvod v izzive ekstremnih zavarovalnih škod

V zavarovalništvu se pogosto srečujemo z dogodki, ki imajo majhno verjetnost nastopa, a ob nastopu povzročijo izjemno visoke stroške. Klasične statistične distribucije, kot sta normalna ali log-normalna, so pogosto neustrezne za modeliranje teh tako imenovanih 'ekstremnih repov' distribucij škod. Razlog za to je, da so te distribucije primarno zasnovane za modeliranje osrednjega dela podatkov, kjer se nahaja večina opazovanj, ekstremne vrednosti pa so običajno obravnavane kot 'odstranjene' ali izstopajoče, ne pa kot sestavni del modela tveganja.

Napačno modeliranje ekstremnih škod ima lahko resne posledice za solventnost zavarovalnic, določanje primerne višine premij in upravljanje s tveganji. Brez robustnega pristopa k analizi teh dogodkov so lahko kapitalske zahteve podcenjene, kar vodi v nestabilnost in potencialne izgube ob resnejših škodnih dogodkih. Zato je razumevanje in uporaba specializiranih statističnih orodij za modeliranje ekstremov postalo nepogrešljivo v moderni aktuarski praksi. Moja poklicna pot me je naučila, da je globoko razumevanje matematičnih modelov ključno za zanesljivo oceno tveganj in ustrezno zaščito naših strank.

Teorija ekstremnih vrednosti (EVT): Okvir za analizo repov

Teorija ekstremnih vrednosti (EVT – Extreme Value Theory) je veja statistike, ki se osredotoča na stohastično obnašanje maksimalnih ali minimalnih vrednosti procesa ali pa na obnašanje opazovanj, ki presegajo določen visok prag. Njeno poreklo sega v začetek 20. stoletja, a je v zavarovalništvu in finančni industriji dobila poseben pomen šele v zadnjih desetletjih, predvsem zaradi potrebe po natančnejšem obvladovanju tveganj 'črnih labodov'. EVT nam omogoča, da se osredotočimo na tisti del podatkovne distribucije, ki je za nas najbolj kritičen: njene skrajne repne vrednosti.

V kontekstu zavarovalnih škod se EVT osredotoča na dva glavna pristopa: modeliranje maksimalnih vrednosti v blokih (Block Maxima, BM) in modeliranje presežkov nad pragom (Peaks Over Threshold, POT). Medtem ko pristop BM analizira maksimalne škode znotraj določenih časovnih intervalov (npr. letne maksimume), je pristop POT pogosteje uporabljen v aktuarski praksi. Razlog za to je, da POT izkorišča več informacij iz podatkov, saj upošteva vse škode, ki presegajo določen prag, namesto zgolj ene maksimale v bloku. To zagotavlja robustnejšo in bolj informativno analizo repa distribucije. Kot sem se skozi leta prepričala, natančnost pri zbiranju in obdelavi podatkov o škodah predstavlja temelj vsake zanesljive aktuarske analize.

Generalizirana Paretova Distribucija (GPD): Model za presežke

Glavni izrek v okviru pristopa Peaks Over Threshold (POT) navaja, da za dovolj visok prag 'u' distribucija presežkov nad tem pragom asimptotično konvergira h Generalizirani Paretovi Distribuciji (GPD). Funkcija preživetja GPD, $P(X-u > y | X > u)$, je podana kot:

$$ S(y) = \left(1 + \xi \frac{y}{\sigma}\right)^{-1/\xi} \quad \text{za } \xi \neq 0 $$

ali

$$ S(y) = e^{-y/\sigma} \quad \text{za } \xi = 0 $$

kjer je $y = x - u > 0$ presežek nad pragom $u$. Parametra GPD sta $\xi$ (parameter oblike – shape parameter) in $\sigma$ (parameter merila – scale parameter). Parameter oblike $\xi$ določa obliko repa distribucije: če je $\xi > 0$, rep upada po potenčnem zakonu (heavy-tailed distribucije, npr. Paretova); če je $\xi = 0$, rep upada eksponentno (npr. eksponencialna distribucija); če je $\xi < 0$, rep ima zgornjo mejo. V zavarovalništvu se pogosto srečujemo z distribucijami z debelimi repi, kjer je $\xi > 0$, kar poudarja pomembnost GPD za modeliranje teh ekstremnih dogodkov.

Parameter merila $\sigma$ vpliva na razpršenost distribucije presežkov. Njegova vrednost je odvisna od izbire praga 'u'. Ključno za uspešno aplikacijo GPD je pravilna izbira praga 'u', kar je pogosto izziv. Previsok prag zmanjša število razpoložljivih podatkov, kar lahko vodi v visoko varianco ocen parametrov. Prenizek prag pa lahko privede do pristranskih ocen, saj asimptotična lastnost GPD še ni vzpostavljena. V praksi se za določanje optimalnega praga pogosto uporabljajo diagnostični grafi, kot sta graf povprečnih presežkov (Mean Excess Plot) ali Hillov graf, ki omogočajo vizualno oceno stabilnosti parametrov. Moja izkušnja kaže, da sta potrpežljivost in natančnost pri izbiri praga ključnega pomena za verodostojnost končnih rezultatov.

Ocenjevanje parametrov GPD: Metoda največjega verjetja

Najpogosteje uporabljena metoda za ocenjevanje parametrov $\xi$ in $\sigma$ Generalizirane Paretove Distribucije je metoda največjega verjetja (Maximum Likelihood Estimation, MLE). Ta metoda išče tiste vrednosti parametrov, ki maksimizirajo verjetnost opazovanja danega vzorca podatkov. Za dan vzorec presežkov nad pragom $y_1, y_2, \dots, y_k$ je funkcija verjetja podana z:

$$ L(\xi, \sigma | y) = \prod_{i=1}^k f_{GPD}(y_i; \xi, \sigma) $$

kjer je $f_{GPD}$ funkcija gostote verjetnosti GPD. Logaritemska funkcija verjetja, ki se običajno maksimizira zaradi lažjega dela z produkti in seštevanjem, je:

$$ \ln L(\xi, \sigma | y) = \sum_{i=1}^k \ln f_{GPD}(y_i; \xi, \sigma) $$

Optimizacija te funkcije običajno poteka numerično s pomočjo algoritmov, kot je Newton-Raphson. Pri tem je pomembno zagotoviti, da so numerične metode konvergirale k globalnemu maksimumu in da so ocene parametrov statistično značilne. Poleg MLE obstajajo tudi druge metode, kot sta metoda momentov ali metoda verjetnostnih uteži, vendar je MLE v splošnem preferirana zaradi svojih asimptotičnih lastnosti, kot sta konsistentnost in asimptotična normalnost ocen. Verjamem, da je temeljito razumevanje teh tehnik osnova za vsakega resnega aktuarskega strokovnjaka.

Izbira praga 'u' je kritična in jo je treba skrbno obravnavati. Eden od pogostih pristopov je analiza stabilnosti ocen parametrov, kjer se parametri GPD (predvsem $\xi$) ocenjujejo za različne pragove. Idealno je, da so ocene relativno stabilne nad določenim območjem pragov, kar kaže na ustreznost izbranega območja. Vizualni prikazi, kot so grafi povprečnih presežkov (Mean Excess Plot), so izjemno uporabni. Na ME plotu bi morali presežki nad pragom linearno naraščati za GPD distribucijo z $\xi > 0$, kar nam pomaga določiti primeren prag. Če graf ni približno linearne oblike, to lahko kaže, da izbrana distribucija GPD ni primerna ali da prag ni optimalen. Odločitev o pragu je vedno kompromis med varianco in pristranskostjo. Previsok prag ima malo podatkov, kar poveča varianco. Prenizek prag krši asimptotične predpostavke EVT, kar povzroči pristranskost. Moja praksa mi je pokazala, da je vsak nabor podatkov edinstven in zahteva individualen pristop k izbiri praga.

Kvantifikacija tveganj: VaR in ES z EVT modeli

Ko so parametri GPD ocenjeni, lahko model uporabimo za kvantifikacijo tveganj, kot sta Value-at-Risk (VaR) in Expected Shortfall (ES), zlasti za visoke kvantile. VaR na ravni $\alpha$ (npr. 99,5%) predstavlja maksimalno možno izgubo, ki je ne bomo presegli z verjetnostjo $\alpha$. Z drugimi besedami, $P(X > VaR_{\alpha}) = 1 - \alpha$. Pri uporabi EVT je $VaR_{\alpha}$ izpeljan iz inverzne funkcije preživetja GPD:

$$ VaR_{\alpha} = u + \frac{\sigma}{\xi} \left( \left( \frac{N_u}{N (1 - \alpha)} \right)^{\xi} - 1 \right) $$

kjer je $u$ prag, $\sigma$ in $\xi$ sta ocenjena parametra GPD, $N_u$ je število opazovanj nad pragom $u$, in $N$ je skupno število opazovanj. Pri tem je $N_u/N$ ocena verjetnosti, da je škoda presegla prag $u$. Ta formula nam omogoča ekstrapolacijo iz območja opazovanih podatkov v območje z zelo nizko verjetnostjo, kar je ključno za upravljanje ekstremnih tveganj.

Expected Shortfall (ES), znan tudi kot Conditional Value-at-Risk (CVaR), je bolj sofisticirana mera tveganja, ki predstavlja povprečno izgubo, ko je VaR presežen. ES je koherentna mera tveganja in je v mnogih pogledih bolj informativna kot VaR, saj upošteva celoten rep distribucije nad VaR. Formula za ES na ravni $\alpha$ je podana z:

$$ ES_{\alpha} = \frac{VaR_{\alpha}}{1 - \xi} + \frac{\sigma - \xi u}{1 - \xi} $$

(velja za $\xi < 1$). ES nam torej poda povprečno vrednost vseh izgub, ki so večje od VaR, kar zavarovalnicam omogoča boljšo oceno potencialnega kapitalskega primanjkljaja v primeru ekstremnih dogodkov. Aktuarji redno uporabljajo te metrike za določanje kapitalskih zahtev, kot so tiste, ki jih predpisuje Solventnost II. Moj cilj je vedno zagotoviti, da so naši modeli čim bolj robustni in zanesljivi, saj od tega je odvisna finančna varnost naših strank.

Praktični primer izračuna: Verjetnost in VaR za izredno škodo

Predpostavimo, da smo analizirali podatke o velikih nezgodnih škodah v zadnjih 10 letih za določeno vrsto zavarovanja. Izbrali smo prag $u = 50.000$ EUR, nad katerim je bilo zabeleženih 200 škodnih dogodkov ($N_u = 200$) iz skupnega vzorca $N = 10.000$ škod. Z uporabo metode MLE smo ocenili parametra GPD in dobili: $\hat{\xi} = 0.25$ in $\hat{\sigma} = 15.000$ EUR. To so seveda informativni primeri izračuna, ki temeljijo na hipotetičnih podatkih.

Izračunajmo verjetnost, da bo naslednja škoda presegla 100.000 EUR. To pomeni, da je presežek nad pragom $y = 100.000 - 50.000 = 50.000$ EUR. Verjetnost $P(X > 100.000)$ lahko izračunamo kot $P(X > u) \cdot P(X-u > y | X > u)$. Verjetnost $P(X > u)$ je $N_u/N = 200/10.000 = 0.02$. Verjetnost $P(Y > y)$ z uporabo funkcije preživetja GPD je:

$$ S(50.000) = \left(1 + 0.25 \frac{50.000}{15.000}\right)^{-1/0.25} = \left(1 + 0.25 \cdot 3.333\right)^{-4} \approx (1 + 0.833)^{-4} \approx 1.833^{-4} \approx 0.088 $$

Torej je $P(X > 100.000) \approx 0.02 \cdot 0.088 = 0.00176$. To pomeni, da je verjetnost, da bo škoda presegla 100.000 EUR, približno 0,176%.

Izračunajmo še 99,5% VaR. To pomeni, da iščemo vrednost, ki je presežena z verjetnostjo $1 - 0.995 = 0.005$. Po zgornji formuli za VaR:

$$ VaR_{0.995} = 50.000 + \frac{15.000}{0.25} \left( \left( \frac{200}{10.000 (1 - 0.995)} \right)^{0.25} - 1 \right) $$

$$ VaR_{0.995} = 50.000 + 60.000 \left( \left( \frac{200}{10.000 \cdot 0.005} \right)^{0.25} - 1 \right) $$

$$ VaR_{0.995} = 50.000 + 60.000 \left( \left( \frac{200}{50} \right)^{0.25} - 1 \right) = 50.000 + 60.000 \left( 4^{0.25} - 1 \right) $$

$$ VaR_{0.995} = 50.000 + 60.000 \left( 1.4142 - 1 \right) = 50.000 + 60.000 \cdot 0.4142 \approx 50.000 + 24.852 = 74.852 \text{ EUR} $$

To pomeni, da z 99,5% verjetnostjo škoda ne bo presegla 74.852 EUR. Za 99,5% ES pa izračunamo:

$$ ES_{0.995} = \frac{74.852}{1 - 0.25} + \frac{15.000 - 0.25 \cdot 50.000}{1 - 0.25} = \frac{74.852}{0.75} + \frac{15.000 - 12.500}{0.75} $$

$$ ES_{0.995} = 99.802.67 + \frac{2.500}{0.75} \approx 99.802.67 + 3.333.33 = 103.136 \text{ EUR} $$

To nam pove, da če škoda preseže VaR, je pričakovana povprečna škoda okoli 103.136 EUR. Ti izračuni so bistveni za določanje potrebnih rezervacij in primerne višine kritja, da zavarovalnica ostane solventna tudi ob izrednih dogodkih. Kot strokovnjakinja v zavarovalništvu vedno poudarjam, da so takšne analize ključne za odgovorno upravljanje tveganj, tako za zavarovalnice kot za moje stranke, ki se zanašajo na našo strokovnost.

Kaj je krito in kaj ni krito pri ekstremnih škodah v nezgodnem zavarovanju (splošno)

V kontekstu nezgodnega zavarovanja, ki ga pogosto modeliramo z EVT tehnikami zaradi potenciala za zelo visoke škode (npr. trajne invalidnosti z visokimi rentami ali visoke odškodnine za telesne poškodbe), je ključno razumeti splošne okvire kritja, ne glede na specifične pogoje posamezne zavarovalnice. Splošno gledano, nezgodno zavarovanje pokriva škode, ki nastanejo kot posledica nezgode. Definicija nezgode po zakonu (npr. Zakon o obveznih zavarovanjih v prometu – ZOZP-UPB7) in splošnih pogojih posamezne zavarovalnice vključuje nenaden, od zavarovančeve volje neodvisen dogodek, ki povzroči telesne poškodbe ali smrt. Vedno je pomembno, da se seznanite s podrobnimi pogoji vaše konkretne zavarovalne police, saj se ti lahko razlikujejo med ponudniki.

Krito je:

<ul><li><b>Smrt zaradi nezgode:</b> Izplačilo dogovorjene zavarovalne vsote upravičencem.</li><li><b>Trajna invalidnost zaradi nezgode:</b> Izplačilo dela ali celotne zavarovalne vsote glede na stopnjo invalidnosti, določeno po lestvici za določanje trajne invalidnosti.</li><li><b>Dnevna odškodnina zaradi začasne nezmožnosti za delo (bolniška po nezgodi):</b> Izplačilo dogovorjenega zneska za vsak dan bolniške odsotnosti zaradi nezgode po poteku določenega karenčnega časa.</li><li><b>Stroški zdravljenja zaradi nezgode:</b> Pokrivanje stroškov, ki niso kriti iz obveznega zdravstvenega zavarovanja (npr. doplačila, rehabilitacija, zdravila).</li><li><b>Zlomi kosti in opekline:</b> Izplačilo dogovorjene vsote po tabeli za posamezne poškodbe.</li><li><b>Hospitalizacija zaradi nezgode:</b> Dnevni znesek za vsak dan bivanja v bolnišnici.</li></ul>

Ni krito (splošne izključitve):

<ul><li><b>Škode, ki niso posledica nezgode:</b> Bolezni, naravna smrt ipd.</li><li><b>Nezgode pod vplivom alkohola, drog ali drugih psihoaktivnih snovi:</b> Zavarovalnice običajno določajo mejo (npr. 0,5 promila), nad katero kritje preneha.</li><li><b>Nezgode, ki so posledica namernega samopoškodovanja ali poskusa samomora.</b></li><li><b>Nezgode, ki so posledica sodelovanja pri kaznivih dejanjih.</b></li><li><b>Nezgode, ki so posledica vojne, terorizma ali jedrske energije.</b></li><li><b>Profesionalni športi ali ekstremne aktivnosti:</b> Rafting, padalstvo, plezanje ipd., razen če so posebej vključene v kritje (z višjo premijo).</li><li><b>Predhodna stanja:</b> Poslabšanja predhodnih bolezenskih stanj, ki niso posledica same nezgode.</li></ul>

Pri Petra-zavarovanja.si vedno svetujem, da se posvetujete o specifičnih pogojih, ki se nanašajo na vašo polico, saj splošni pogoji zavarovalnic določajo natančne definicije in izključitve. Moje stranke vedno opozorim, da je skrbno branje in razumevanje pogojev ključno, da ne pride do nepričakovanih presenečenj v primeru škodnega dogodka. Zavarovalnice določajo kritja v okviru ZZZS, ZPIZ-2 in ZZavar-1, vendar so konkretni pogoji znotraj teh okvirov podrobno opredeljeni v njihovih internih dokumentih.

Zaključek: Pomen EVT za odpornost zavarovalnic

V svetu, ki ga zaznamujejo vse pogostejši in intenzivnejši ekstremni dogodki, od naravnih katastrof do finančnih kriz, postaja zanesljivo modeliranje repov distribucij škod nujnost. Teorija ekstremnih vrednosti (EVT), s poudarkom na Generalizirani Paretovi Distribuciji (GPD), ponuja robusten in matematično utemeljen okvir za obvladovanje teh izzivov. Aktuarjem omogoča, da presegajo omejitve tradicionalnih statističnih modelov in zagotavljajo natančnejše ocene tveganj za dogodke z majhno verjetnostjo, a potencialno katastrofalnimi posledicami.

Sposobnost kvantificiranja VaR in ES na podlagi modelov EVT je ključnega pomena za določanje kapitalskih zahtev, oblikovanje ustreznih rezervacij in optimizacijo portfeljev zavarovanj. To ne zagotavlja le solventnosti zavarovalnic, temveč tudi povečuje zaupanje javnosti v zavarovalniško industrijo. Kot Petra Guštin, z 20-letnimi izkušnjami v zavarovalništvu, sem trdno prepričana, da je nenehno izpopolnjevanje tehničnega znanja in uporaba naprednih aktuarskih tehnik ključnega pomena za dolgoročno stabilnost in uspeh v tem dinamičnem sektorju. Le tako lahko zares zaščitimo naše stranke in jim zagotovimo mirno prihodnost. Če imate vprašanja glede modeliranja tveganj ali drugih zavarovalnih potreb, me kontaktirajte. Z veseljem vam bom pomagala s svojim strokovnim znanjem.

Pogosta vprašanja

Zakaj klasične distribucije niso dovolj za ekstremne škode?

Klasične distribucije, kot je normalna, so optimizirane za modeliranje povprečnih dogodkov. Ne zajamejo dobro 'debelih repov', kjer se skrivajo ekstremne vrednosti z majhno verjetnostjo, a velikim vplivom, kar vodi do podcenjevanja tveganj.

Kaj je glavna prednost GPD pri modeliranju škod?

GPD je idealna za modeliranje presežkov nad določenim pragom. To omogoča osredotočanje na rep distribucije in zanesljivo oceno verjetnosti ter obsega ekstremnih dogodkov, kar je ključno za upravljanje visokih tveganj v zavarovalništvu.

Kakšna je razlika med VaR in ES?

VaR (Value-at-Risk) pove največjo izgubo, ki je z določeno verjetnostjo ne bomo presegli. ES (Expected Shortfall) je bolj koherentna mera, ki pove povprečno izgubo, ko je VaR že presežen, kar ponuja globlji vpogled v rep distribucije.

Kako se določi optimalen prag 'u' za GPD?

Optimalen prag 'u' se določi z diagnostičnimi grafi, kot je graf povprečnih presežkov (Mean Excess Plot), in analizo stabilnosti ocen parametrov. Cilj je najti prag, kjer so ocene parametrov stabilne in asimptotične predpostavke GPD veljajo, hkrati pa se ohrani dovolj podatkov.

Ali se EVT uporablja samo v zavarovalništvu?

Ne, EVT se uporablja tudi v finančni industriji za modeliranje ekstremnih tržnih tveganj, v hidrologiji za napovedovanje ekstremnih poplav, v okoljskih znanostih za modeliranje ekstremnih podnebnih pojavov in v telekomunikacijah za analizo omrežnih zastojev.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Uradni list RS – Zakon o obveznih zavarovanjih v prometu (ZOZP-UPB7)
• Coles, S. (2001). An Introduction to Statistical Modeling of Extreme Values. Springer-Verlag.

Nadaljujte branje o tej temi

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

• 
  Primer: Tehnični vpogledi

  Ocenjevanje invalidnosti po poškodbi hrbtenice in zlomih vretenc

• 
  Primer: Tehnični vpogledi

  Avtoimunske bolezni in zavarovalno kritje: Kaj je realno mogoče

• 
  Primer: Tehnični vpogledi

  Davčni vidik varčevanja: na kaj biti pozoren pri izplačilu

• 
  Primer: Tehnični vpogledi

  Definicija diagnoze v pogojih: Zakaj ista bolezen ni vedno krita enako

• 
  Primer: Tehnični vpogledi

  Kako določiti višino mesečnega varčevanja, ki jo boste zdržali