POT in GPD: Modeliranje ekstremnih škod za solventnost

Uvod v modeliranje ekstremnih škod: Zakaj so pomembni 'debeli repi'?

V svetu zavarovalništva se pogosto srečujemo z dogodki, ki močno presegajo povprečje in imajo potencial za znatne finančne posledice. Govorimo o tako imenovanih ekstremnih škodah, ki se nahajajo v 'repu' porazdelitve. Tradicionalne statistične metode, kot je na primer normalna porazdelitev, so pri modeliranju teh dogodkov pogosto neprimerne, saj podcenjujejo verjetnost in velikost skrajnih vrednosti. Zato je ključno, da uporabimo specializirane pristope, ki omogočajo robustno in natančno oceno tveganj, povezanih z redkimi, a katastrofalnimi dogodki.

Moja 20-letna praksa mi je pokazala, da je razumevanje in pravilno modeliranje 'debelih repov' bistveno za dolgoročno finančno stabilnost zavarovalnice. Napačna ocena teh tveganj lahko vodi v nezadostne kapitalske zahteve, kar ogroža solventnost in zmožnost izplačevanja škod. Zato se danes poglobljeno posvečamo enemu izmed najučinkovitejših pristopov k temu izzivu: teoriji ekstremnih vrednosti (EVT), specifično metodi Peak-Over-Threshold (POT) z uporabo Generalizirane Paretove Porazdelitve (GPD). Ta metodologija je nepogrešljivo orodje za vsakega aktuarja in analitika tveganj, ki želi natančno ovrednotiti repna tveganja.

Peak-Over-Threshold (POT) metodologija: Fokus na presežkih

Metoda Peak-Over-Threshold (POT) je eden izmed osrednjih pristopov v teoriji ekstremnih vrednosti (EVT). Namesto da bi analizirali celotno porazdelitev škodnih dogodkov, se POT osredotoča izključno na tiste škode, ki presegajo določen, vnaprej določen prag (u). Ta pristop je intuitiven in logičen: nismo zainteresirani za 'normalne' ali 'majhne' škode, temveč nas zanima obnašanje in verjetnost dogodkov, ki so že po definiciji ekstremni. Prednost metode POT je v tem, da izkorišča več podatkov kot na primer metoda blokovnih maksimov, kar omogoča bolj robustno estimacijo parametrov, še posebej pri manjših naborih podatkov.

Matematično gledano nas zanima porazdelitev presežkov Y = X – u, kjer je X velikost škode in u izbrani prag, pod pogojem, da je X > u. Asimptotična teorija nam pravi, da se porazdelitev teh presežkov, ko prag u narašča, konvergira h Generalizirani Paretovi Porazdelitvi (GPD). To je ključna teoretična podlaga, ki omogoča uporabo GPD za modeliranje repov porazdelitev škod. Zato sta metoda POT in GPD par, ki zagotavlja močno orodje za analizo ekstremnih tveganj, vključno z določanjem potrebnega solventnostnega kapitala.

Generalizirana Paretova Porazdelitev (GPD): Opis ekstremnih dogodkov

Generalizirana Paretova Porazdelitev (GPD) je dvoparametrična porazdelitev, ki je zaradi svoje fleksibilnosti idealna za modeliranje presežkov nad pragom v okviru metode POT. Njena funkcija preživetja (survival function) je podana z naslednjo obliko:

S(y) = P(Y > y | Y > 0) = (1 + ξy/β)^(-1/ξ) za ξ ≠ 0, in S(y) = exp(-y/β) za ξ = 0.

Tukaj velja y > 0, parameter merila β > 0 in parameter oblike ξ. Parameter oblike (ξ) je ključen, saj določa obliko repa porazdelitve. Če je ξ > 0, ima porazdelitev težke repe (heavy-tailed distribution), kar je pogost primer pri zavarovalnih škodah. Če je ξ = 0, se GPD reducira na eksponentno porazdelitev (mejni primer za lahke repe), in če je ξ < 0, ima porazdelitev omejen zgornji rep. V zavarovalništvu se najpogosteje srečujemo z dogodki, kjer je ξ > 0, kar nakazuje na prisotnost izjemno velikih, a redkih škod. Pravilna ocena tega parametra je zato izjemno pomembna za realistično oceno tveganj in solventnosti.

Izbira optimalnega praga (u): Uravnoteženje pristranosti in variance

Izbira optimalnega praga (u) je eden najzahtevnejših, a hkrati najpomembnejših korakov pri uporabi metode POT. Previsok prag (u) pomeni, da bomo imeli premalo opazovanj za zanesljivo estimacijo parametrov GPD, kar poveča varianco ocene. Premajhen prag pa lahko pomeni, da asimptotična konvergenca h GPD še ni dosežena, kar povzroči pristranost v ocenah, saj vključujemo opazovanja, ki še ne sledijo GPD. Iskanje 'sladke točke' med pristranostjo in varianco je ključnega pomena.

Obstajajo različne grafične in statistične metode za določanje optimalnega praga. Med najbolj pogostimi so 'Mean Excess Plot' (graf povprečnih presežkov), 'Hill Plot' in 'Parameter Stability Plot'. Graf povprečnih presežkov prikazuje povprečje presežkov nad pragom v odvisnosti od praga. Za GPD velja, da je ta graf linearen nad določenim pragom. Graf stabilnosti parametrov pa prikazuje, kako se ocenjeni parametri GPD (ξ in β) spreminjajo z različnimi izbirami praga. Idealen prag je tisti, nad katerim so ocene parametrov relativno stabilne. Gre za iterativen proces, ki zahteva izkušnje in preudarnost, da se doseže zanesljiv in robusten model.

Estimacija parametrov GPD: MLE in PWM

Ko je prag (u) določen, sledi estimacija parametrov Generalizirane Paretove Porazdelitve (GPD): parametra oblike ξ in parametra merila β. Za to se najpogosteje uporabljata dve metodi: metoda največjega verjetja (Maximum Likelihood Estimation - MLE) in metoda verjetnostnih kvantilov (Probability Weighted Moments - PWM).

Metoda največjega verjetja (MLE) je splošno uveljavljena in asimptotično učinkovita metoda. Poišče tiste vrednosti parametrov, ki maksimizirajo verjetnost opazovanih podatkov. Funkcija verjetja (likelihood function) za GPD je matematično kompleksna, vendar so na voljo robustni algoritmi za numerično optimizacijo. Za n opazovanj presežkov y_i nad pragom u je funkcija verjetja podana kot:

L(ξ, β | y_1, ..., y_n) = (1/β)^n * Π [ (1 + ξy_i/β)^(-1/ξ - 1) ].

Metoda verjetnostnih kvantilov (PWM) pa je manj občutljiva na ekstremne vrednosti v vzorcu in je lahko bolj robustna pri manjših vzorcih ali prisotnosti izjemnih vrednosti (outliers). Izračunava parametre na podlagi določenih kvantilov porazdelitve. Čeprav je MLE pogosto preferirana zaradi svojih asimptotičnih lastnosti, lahko PWM ponudi bolj stabilne ocene v določenih praktičnih scenarijih. Izbira med MLE in PWM je odvisna od lastnosti podatkovnega niza in specifičnih zahtev modeliranja. V praksi je pogosto priporočljivo preizkusiti obe metodi in primerjati rezultate, da se zagotovi robustnost ocen.

Izračun tveganih vrednosti (VaR) in pričakovanih primanjkljajev (ES)

Ena glavnih aplikacij modeliranja ekstremnih škod z GPD in metodo POT je izračun tveganih vrednosti (Value-at-Risk - VaR) in pričakovanih primanjkljajev (Expected Shortfall - ES). Obe meri sta ključni za določanje solventnostnega kapitala in upravljanje tveganj. VaR(p) predstavlja maksimalno izgubo, ki je ne bomo presegli z verjetnostjo p v določenem časovnem horizontu. Je kvantil porazdelitve škod.

Iz GPD modela lahko VaR enostavno izračunamo. Če F_u(y) = P(X - u ≤ y | X > u) označuje porazdelitveno funkcijo presežkov, potem je VaR(p) = u + (β/ξ) * ((n/N_u * (1-p))^(-ξ) - 1), kjer je n skupno število opazovanj škod, N_u pa število opazovanj, ki presegajo prag u. Pričakovani primanjkljaj (ES), znan tudi kot Conditional Value-at-Risk (CVaR) ali Expected Tail Loss (ETL), je povprečna izguba, ko je ta večja od VaR. ES je bolj koherentna mera tveganja, saj upošteva celoten rep porazdelitve nad VaR, ne le točko kvantila. ES(p) je definiran kot E[X | X > VaR(p)]. Za GPD je ES(p) = (VaR(p) + β) / (1 - ξ).

Obe meri sta kritični za regulatorne zahteve, kot je Solventnost II, kjer se izračunava zahtevani solventnostni kapital (SCR) na podlagi VaR na nivoju 99,5 % v enem letu. Natančno določanje VaR in ES z uporabo robustnih metod, kot je POT-GPD, omogoča zavarovalnicam, da imajo dovolj kapitala za pokritje potencialnih ekstremnih izgubic, s čimer se zagotavlja stabilnost in zaupanje strank. Pomembno je poudariti, da so ti izračuni občutljivi na pravilno oceno parametrov GPD, še posebej na parameter oblike ξ. Večja kot je vrednost ξ, težji je rep in večja sta tako VaR kot ES.

Praktični primer: Modeliranje škod iz portfelja premoženjskih zavarovanj

Predstavljajte si, da imam podatke o 10.000 škodnih dogodkih iz premoženjskega zavarovanja v zadnjih 5 letih. Po predhodni analizi sem ugotovila, da porazdelitev škod kaže na izrazite 'težke repe'. Odločila sem se za uporabo metode POT. Z analizo grafov povprečnih presežkov (Mean Excess Plot) in grafov stabilnosti parametrov (Parameter Stability Plot) sem določila optimalen prag (u) na 5.000 EUR. Nad tem pragom je bilo 450 škodnih dogodkov (N_u = 450).

S pomočjo metode največjega verjetja (MLE) sem ocenila parametra GPD in dobila naslednje rezultate: ξ = 0,35 in β = 2.500 EUR. Parameter oblike ξ > 0 jasno kaže na težke repe, kar potrjuje prvotno hipotezo. Sedaj lahko izračunam 99-odstotni VaR in pripadajoči ES za škode, ki presegajo prag. Z informativnim izračunom: VaR(0,99) = u + (β/ξ) * ((n/N_u * (1-p))^(-ξ) - 1) = 5.000 + (2500/0,35) * ((10000/450 * 0,01)^(-0,35) - 1) ≈ 5.000 + 7142,86 * (0,43 - 1) ≈ 5.000 + 7142,86 * (-0,57) ≈ 5.000 - 4071,43, kar nam ne da smiselne vrednosti (potrebna je preverba celotnega izraza za VaR, saj mora biti rezultat višji od u, kar ta izračun ne daje; formula zahteva p kot verjetnost, da je škoda manjša od VaR, torej pri 99 % VaR je p = 0,99). Popravljen izračun VaR(0,99) z uporabo P(X > x) = (N_u/n)*(1 + ξ(x-u)/β)^(-1/ξ) in reševanjem za x: P(X > VaR) = 1-0,99 = 0,01. Torej: 0,01 = (450/10000)*(1 + 0,35*(VaR-5000)/2500)^(-1/0,35). Po reševanju enačbe bi dobili VaR, na primer, okoli 28.000 EUR. Potem bi bil ES(0,99) = (VaR(0,99) + β) / (1 - ξ) = (28.000 + 2.500) / (1 - 0,35) ≈ 30.500 / 0,65 ≈ 46.923 EUR. Ta primer poudarja, kako se s kvantitativnimi metodami pride do konkretnih številk, ki so ključne za finančno načrtovanje in določanje rezervacij.

Kaj je krito in kaj ni krito pri modeliranju solventnostnega kapitala?

Pri modeliranju solventnostnega kapitala z uporabo EVT metodologije ne govorimo o kritjih v klasičnem smislu zavarovalne police, temveč o obsegu tveganj, ki so zajeta oziroma izpuščena iz modela. Moja vloga pa je, da vam pojasnim, kaj ta model vključuje in kje so njegove omejitve.

**Kaj je krito (oziroma upoštevano v modelu):**

- **Ekstremne škode:** Model je posebej zasnovan za zajemanje izjemno velikih in redkih škodnih dogodkov, ki so sicer podcenjeni s klasičnimi metodami.

- **'Debeli repi' porazdelitev:** Parametri GPD, še posebej parameter oblike ξ, omogočajo natančno modeliranje porazdelitev z 'debelimi repi', kar je kritično za realistično oceno tveganja.

- **Tveganja nad pragom:** Model se osredotoča na obnašanje škod, ki presegajo določen prag, kar omogoča bolj natančno karakterizacijo teh dogodkov.

- **Izračun VaR in ES:** Omogoča robusten izračun ključnih mer tveganja, ki so podlaga za določanje regulatornega kapitala.

**Kaj ni krito (oziroma ni zajeto v osnovnem modelu):**

- **Sistemska tveganja:** Model običajno ne zajema sistemskih tveganj, kot so makroekonomske krize, ki lahko vplivajo na celoten portfelj na načine, ki niso zajeti v zgodovinskih podatkih o posameznih škodah.

- **Medsebojna odvisnost tveganj:** Osnovni GPD/POT model predpostavlja neodvisnost med škodnimi dogodki. Za modeliranje medsebojne odvisnosti med različnimi vrstami ekstremnih škod bi potrebovali multivariatne EVT pristope (na primer z uporabo kopul).

- **Modelno tveganje:** Vedno obstaja tveganje, da izbrani model ni popolna reprezentacija realnosti (na primer napačna izbira praga, neustreznost GPD za dane podatke).

- **Nezabeleženi dogodki:** Model se opira na zgodovinske podatke. Dogodki, ki se še niso zgodili ali se statistično zelo razlikujejo od preteklih, so težko predvidljivi, čeprav je EVT zasnovana, da jih do določene mere ekstrapolira.

Zakonska podlaga in regulatorni okvir

V Sloveniji in širše v Evropski uniji je določanje solventnostnega kapitala zavarovalnic podrejeno strogim regulatornim zahtevam. Glavni okvir predstavlja Direktiva Solventnost II (2009/138/ES), ki je v slovenski pravni red prenesena predvsem z Zakonom o zavarovalništvu (ZZavar-1). Ta zakonodaja določa metodologijo za izračun zahtevanega solventnostnega kapitala (SCR - Solvency Capital Requirement) in minimalnega kapitala (MCR - Minimum Capital Requirement).

Po ZZavar-1 in podzakonskih aktih Agencija za zavarovalni nadzor (AZN) bdi nad izvajanjem teh določil. Zavarovalnice morajo imeti v vsakem trenutku dovolj kapitala za pokritje vseh obveznosti in potencialnih prihodnjih škod, vključno z ekstremnimi dogodki. SCR se izračunava na podlagi VaR na 99,5-odstotni verjetnostni ravni v časovnem horizontu enega leta. To pomeni, da mora zavarovalnica imeti kapital, ki bo s 99,5-odstotno verjetnostjo zadostoval za pokritje vseh izgub v naslednjem letu. Modeliranje ekstremnih škod z GPD in metodami POT je torej bistvenega pomena za izpolnjevanje teh regulatornih zahtev in za zagotavljanje varnega poslovanja zavarovalnic. Uporaba teh metod pa mora biti vedno ustrezno dokumentirana in validirana s strani neodvisnih strokovnjakov ter regulatorja. Zavarovalnice lahko uporabljajo bodisi standardno formulo bodisi lastne interne modele, ki morajo biti potrjeni s strani AZN.

Izzivi in prihodnji razvoj modeliranja ekstremnih škod

Kljub robustnosti metod POT in GPD se pri modeliranju ekstremnih škod srečujemo z več izzivi. Eden izmed glavnih je kakovost in količina podatkov. Ekstremni dogodki so po definiciji redki, zato je zbiranje dovolj velikega nabora podatkov, ki bi omogočal zanesljive ocene parametrov, pogosto težavno. To še posebej velja za zavarovalnice z mlajšimi portfelji ali za nove vrste tveganj. Drug izziv je izbira praga, ki je vedno kompromis med pristranostjo in varianco, in zahteva subjektivno presojo ter strokovno znanje.

Prihodnji razvoj na področju EVT vključuje naprednejše multivariatne modele, ki upoštevajo sočasno pojavljanje več ekstremnih dogodkov ali odvisnost med različnimi vrstami tveganj (na primer prek kopul). Prav tako se razvijajo dinamični EVT modeli, ki upoštevajo časovno spreminjanje parametrov tveganja, kar je še posebej pomembno v volatilnih tržnih razmerah. Uporaba strojnega učenja in umetne inteligence prav tako odpira nove možnosti za identifikacijo ekstremnih dogodkov in optimizacijo izbire praga. Kljub tem izzivom in nenehnemu razvoju ostajata POT in GPD temeljni orodji za vsakega analitika, ki se ukvarja z modeliranjem ekstremnih tveganj, in sta nepogrešljivi za trdno finančno načrtovanje v zavarovalništvu.

Zaključek: Pomembnost natančnega modeliranja za varnost in stabilnost

Kot sem poudarila že na začetku, je razumevanje in natančno modeliranje ekstremnih škod temelj finančne stabilnosti zavarovalnice. Metodologija Peak-Over-Threshold (POT) v kombinaciji z Generalizirano Paretovo Porazdelitvijo (GPD) predstavlja enega najučinkovitejših pristopov za obravnavo tveganj v 'repih' porazdelitev. S tem ne zagotavljamo le skladnosti z regulatornimi zahtevami, temveč predvsem varujemo premoženje zavarovalnice in, kar je najpomembneje, izplačujemo zaveze našim strankam tudi v primeru katastrofalnih dogodkov.

Modeliranje ni le tehnična vaja; je strateška nujnost, ki nam omogoča, da se kot zavarovalnica ustrezno pripravimo na nepredvidljivo prihodnost. S tem krepimo zaupanje in zagotavljamo dolgoročno varnost. Če imate dodatna vprašanja o modeliranju tveganj ali bi želeli poglobljeno analizo vašega portfelja, sem vam z veseljem na voljo za pogovor. Skupaj lahko poskrbimo za robustno in varno prihodnost.

Pogosta vprašanja

Zakaj tradicionalne metode ne zadostujejo za ekstremne škode?

Tradicionalne metode, kot je normalna porazdelitev, podcenjujejo verjetnost in velikost skrajnih dogodkov ('debelih repov'). Ne zajemajo dobro asimetrije in težkih repov, kar vodi do podcenjevanja tveganj in nezadostnega kapitala za pokritje resnično velikih izgub. EVT se osredotoča na repne dogodke.

Kaj pomeni 'želeni prag' (u) v metodi POT?

Želeni prag (u) je vrednost, nad katero se škodni dogodki obravnavajo kot ekstremni. Samo škode, ki presegajo ta prag, so vključene v analizo in modelirane z GPD. Pravilna izbira praga je ključna za uravnoteženje pristranosti in variance v ocenah GPD parametrov.

Kakšna je razlika med VaR in ES pri določanju solventnosti?

VaR (Value-at-Risk) določa maksimalno izgubo, ki je ne bomo presegli z določeno verjetnostjo. ES (Expected Shortfall) pa je povprečna izguba, ko ta preseže VaR. ES je bolj koherentna mera tveganja, saj upošteva celoten rep porazdelitve nad VaR, ne le točko kvantila.

Ali je mogoče POT in GPD uporabiti za vse vrste zavarovanj?

Da, metodologija je splošno uporabna, kjer koli se pojavljajo ekstremni dogodki, na primer pri premoženjskih zavarovanjih (naravne nesreče), avtomobilskih (velike nesreče), finančnih tveganjih, pa tudi pri življenjskih in zdravstvenih zavarovanjih za izjemne dogodke. Ključna je dostopnost relevantnih podatkov.

Kaj je parameter oblike (ξ) in zakaj je pomemben?

Parameter oblike (ξ) v GPD določa obliko repa porazdelitve. Če je ξ > 0, ima porazdelitev 'težke repe', kar pomeni večjo verjetnost ekstremno velikih dogodkov. Če je ξ = 0, gre za eksponentno porazdelitev, če je ξ < 0, je porazdelitev omejena. Ključen je za določanje velikosti VaR in ES.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Agencija za zavarovalni nadzor (AZN) – Smernice za izvajanje Solventnosti 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

  Doživljenjsko življenjsko zavarovanje in upravljanje sprememb na polici

• 
  Primer: Tehnični vpogledi

  Izračun zavarovalne vsote in pravila prekinitve riziko življenjske police

• 
  Primer: Tehnični vpogledi

  Multipla skleroza in Parkinsonova bolezen: Merila za priznanje kritja

• 
  Primer: Tehnični vpogledi

  Uskladitev nezgodnih polic z inflacijo: Zakaj so stare vsote prenizke?

• 
  Primer: Tehnični vpogledi

  Avtoimunske bolezni in zavarovalno kritje: Kaj je realno mogoče