Robustna validacija: Backtesting konvolucijskih SCR modelov

Zakaj je backtesting internih modelov SCR nujen?

V kompleksnem svetu zavarovalništva, kjer se srečujemo z nepredvidljivimi tveganji in neprestano spreminjajočimi se regulativnimi zahtevami, postaja zanesljivost internih modelov ključna za uspešno poslovanje in ustrezno upravljanje kapitala. Splošno znano je, da je izračun kapitalske zahteve solventnosti (SCR – Solvency Capital Requirement) eden izmed osrednjih stebrov regulative Solvency II. Ta zahteva od zavarovalnic, da imajo na voljo dovolj kapitala za pokrivanje nepričakovanih izgub v določenem časovnem horizontu in na določeni stopnji zaupanja, običajno 99,5 % v enem letu.

Interni modeli, ki jih zavarovalnice uporabljajo za izračun SCR, so pogosto izjemno sofisticirani in vključujejo kompleksne matematične in statistične tehnike. Vendar pa sofisticiranost sama po sebi ne zagotavlja natančnosti ali zanesljivosti. Ravno nasprotno, kompleksnost lahko skriva določene pomanjkljivosti, ki se pokažejo šele ob soočenju z realnostjo. Tukaj nastopi backtesting – proces, ki preverja, kako dobro se modelirane napovedi ujemajo z dejanskimi izidi. Gre za nujen korak v življenjskem ciklu vsakega modela, ki mi omogoča, da kot strokovnjakinja potrdim njegovo ustreznost in se prepričam o njegovi sposobnosti učinkovitega upravljanja tveganj. Brez sistematičnega in robustnega backtestinga, interna modela ne moremo zares zaupati, saj nimamo kvantitativne potrditve njegove prediktivne moči.

Moj cilj pri tem delu ni zgolj izpolnjevanje regulativnih zahtev, ampak predvsem zagotavljanje, da imamo na voljo najboljše možno orodje za ocenjevanje tveganj in sprejemanje strateških odločitev. Dobro testiran in validiran model prispeva k stabilnosti zavarovalnice, kar posredno koristi tudi zavarovancem. Zato je razumevanje in implementacija učinkovitih metod backtestinga imperativ v sodobnem zavarovalništvu. Ne gre zgolj za številke, gre za zaupanje in odgovornost, ki jo nosimo do vseh deležnikov.

V kontekstu konvolucijskih modelov, ki jih bomo obravnavali v nadaljevanju, je backtesting še toliko bolj pomemben. Konvolucija, kot metoda za združevanje porazdelitev tveganj, ima svoje specifične prednosti in omejitve. Njena sposobnost združevanja različnih virov tveganja v eno samo agregatno porazdelitev zahteva skrbno preverjanje, da se zagotovi, da proces konvolucije pravilno odraža interakcije med posameznimi tveganji in da končna porazdelitev natančno predstavlja celotno tveganje zavarovalnice. Zato moramo biti pri tem delu izjemno natančni in analitični.

Konvolucijski modeli v izračunu SCR: Kvantitativni pristop

Konvolucijski modeli predstavljajo pomemben del arzenala kvantitativnih metod, ki se uporabljajo za izračun SCR, še posebej ko govorimo o agregaciji različnih kategorij tveganj. Njen pomen je predvsem v tem, da omogoča združevanje porazdelitev posameznih tveganj (npr. tveganje podjetja, tveganje smrti, tveganje naravnih katastrof) v enotno porazdelitev skupnih izgub. To je ključnega pomena, saj nam omogoča, da ocenimo skupno tveganje in določimo potreben kapital za pokritje nepričakovanih dogodkov na nivoju celotnega portfelja ali celo zavarovalnice.

Matematično gledano, konvolucija dveh diskretnih porazdelitev verjetnosti (npr. pogostost in intenzivnost škodnih dogodkov) se lahko izvede s pomočjo diskretne Fourierjeve transformacije (DFT) ali pa z direktnim izračunom. Za zvezne porazdelitve se pogosto uporablja Laplaceova transformacija. Vendar pa se v praksi, zaradi kompleksnosti analitičnih rešitev, pogosto zatečemo k numeričnim metodam, kot so Fourierjevi integralni algoritmi (FIA) ali Monte Carlo simulacije. Na primer, za združevanje tveganj za življenjska zavarovanja, kjer imamo tveganje smrtnosti in tveganje invalidnosti, konvolucija omogoča, da izračunamo agregatno porazdelitev teh tveganj in iz nje izluščimo 99,5-percentil za SCR. Pomembno je poudariti, da je natančnost teh metod odvisna od granularnosti diskretizacije porazdelitev in števila simulacij v primeru Monte Carlo pristopa.

Pomen konvolucije v izračunu SCR je neizpodbiten, saj nam omogoča bolj realistično sliko tveganj kot preprosto seštevanje posameznih kapitalskih zahtev. Ob tem pa je ključnega pomena, da se pri uporabi konvolucijskih modelov zavedamo predpostavk, ki so vgrajene v model, še posebej glede neodvisnosti ali odvisnosti med različnimi kategorijami tveganj. Nepravilna ocena korelacij med tveganji lahko vodi do podcenjevanja ali precenjevanja skupnega tveganja, kar neposredno vpliva na višino SCR in s tem na finančno stabilnost zavarovalnice. Zato je nujno, da so te predpostavke transparentno dokumentirane in redno preverjane z backtestingom.

Natančno določanje teh porazdelitev in uporaba robustnih algoritmov za konvolucijo so temelj za zanesljiv izračun SCR. Moja vloga kot strokovnjakinje je zagotoviti, da so ti procesi pravilno izvedeni in da so vsi vplivni dejavniki ustrezno upoštevani. Zavedanje o teh tehničnih podrobnostih je ključno za interpretacijo in validacijo rezultatov modela.

Metodologije backtestinga za konvolucijske modele

Učinkovit backtesting konvolucijskih modelov zahteva premišljen in strukturiran pristop, ki presega zgolj opazovanje posameznih dogodkov. Za razliko od, recimo, backtestinga modelov za tržno tveganje (npr. Value at Risk - VaR), kjer pogosto primerjamo napovedani VaR z dejanskimi dnevnimi izgubami, pri SCR modelih, ki se osredotočajo na enoletni horizont in izjemne dogodke (99,5-percentil), potrebujemo bolj kompleksne metodologije. Tu se osredotočamo na primerjavo celotne modelirane porazdelitve izgub z dejansko porazdelitvijo izgub v daljšem časovnem obdobju, običajno več let.

Ena izmed ključnih metodologij je primerjava modelirane porazdelitve s historično porazdelitvijo dejanskih izgub. To vključuje zbiranje dovolj velikega vzorca dejanskih izgub skozi čas (npr. letne agregatne škode za določeno vrsto zavarovanja) in primerjavo te empirične porazdelitve z izhodno porazdelitvijo, ki jo generira konvolucijski model. Uporabimo lahko različne statistične teste, kot so Kolmogorov-Smirnov test, Anderson-Darling test ali chi-kvadrat test, za ocenjevanje 'dobrote prileganja' (goodness-of-fit). Na primer, če model napoveduje določeno obliko repa porazdelitve (npr. težki rep), moramo preveriti, ali se dejanske izgube v tem repnem delu skladajo z napovedmi. Odstopanja so lahko opazna, če model podcenjuje pogostost ali intenzivnost ekstremnih dogodkov. Seveda, za doseganje statistično zanesljivih zaključkov potrebujemo dolgo vrsto podatkov, kar je v zavarovalništvu pogosto izziv, saj so ekstremni dogodki po definiciji redki.

Druga pomembna metodologija je 'stresno testiranje' in scenarijska analiza. Čeprav to ni čisti backtesting v smislu primerjave s preteklimi dejanskimi izidi, dopolnjuje oceno robustnosti modela. Z izvajanjem scenarijev, ki simulirajo ekstremne, a verodostojne dogodke (npr. potres z določeno magnitudo, pandemija s specifično stopnjo smrtnosti), lahko preverimo, ali se model obnaša pričakovano in ali so izračunane SCR vrednosti še vedno ustrezne. To nam omogoča tudi oceno občutljivosti modela na spremembe ključnih vhodnih parametrov. Pri tem je pomembno upoštevati tudi korelacije med različnimi tveganji, saj se v stresnih scenarijih pogosto poveča medsebojna odvisnost med tveganji.

Nadalje, redno spremljanje 'out-of-sample' učinkovitosti modela je ključno. To pomeni, da model, ki je bil razvit in kalibriran na določenem naboru podatkov ('in-sample'), redno testiramo na novih, neodvisnih podatkih. To pomaga preprečiti pretirano prileganje modela ('overfitting') in zagotavlja, da model ohranja svojo prediktivno moč tudi v prihodnosti. V moji praksi vedno poudarjam, da mora biti proces backtestinga cikličen in iterativen, ne zgolj enkratna vaja. Samo nenehno preverjanje in prilagajanje zagotavlja dolgoročno zanesljivost modela.

Kvantitativne meritve za oceno prediktivne moči

Ocena prediktivne moči konvolucijskih modelov za SCR ni subjektivna, temveč temelji na strogih kvantitativnih meritvah. Ko govorimo o modelih, ki ocenjujejo redke in ekstremne dogodke, moramo biti še posebej natančni. Ena najpreprostejših, a kljub temu pomembnih meritev, je analiza odstopanj med modeliranimi in dejanskimi agregatnimi izgubami. To lahko storimo na letni ravni. Recimo, če je model za dano leto predvidel agregatne izgube v višini 100 milijonov EUR (na določeni stopnji zaupanja), dejanske pa so bile 120 milijonov EUR, imamo odstopanje. Vendar posamezno odstopanje ni dovolj; potrebujemo sistematično analizo skozi daljše časovno obdobje.

Za bolj robustno oceno uporabljamo statistične metrike, kot so srednja absolutna napaka (MAE), srednja kvadratna napaka (MSE) ali koren srednje kvadratne napake (RMSE). Te meritve nam kvantitativno povedo, kako velika so povprečna odstopanja. Vendar pa moramo biti pozorni, saj so te metrike bolj občutljive na napake v osrednjem delu porazdelitve. Pri SCR modelih, kjer nas zanimajo predvsem repi porazdelitve (npr. 99,5 percentil), so pomembnejše druge metrike. Tukaj se osredotočimo na merjenje natančnosti percentilov. Na primer, preverjamo, kolikokrat so dejanske izgube presegle modelirani 99,5 percentil. Če se to zgodi pogosteje kot v 0,5 % primerov, model podcenjuje tveganje.

Poleg teh splošnih metrik so ključni tudi bolj specifični testi, kot je Binomialni test (Kupiecov test), ki preverja, ali je število preseganj kapitalske zahteve statistično v skladu z nivojem zaupanja. Na primer, če imamo 10 let podatkov in naš model za SCR temelji na 99,5 % stopnji zaupanja, pričakujemo, da bo v povprečju v 10 letih prišlo do 0,05 preseganja (10 let * 0,005). Če jih je bilo bistveno več, to pomeni, da je model premalo konzervativen. Vendar pa je pomembno poudariti, da zaradi majhnega števila opazovanj in nizke verjetnosti ekstremnih dogodkov, Binomialni test ni vedno dovolj močan, zato ga dopolnjujemo z drugimi testi, kot je test neodvisnosti preseganj (Christoffersenov test), ki preverja, ali so preseganja med seboj neodvisna. Ponavadi so preseganja skupaj (clustering) bolj zaskrbljujoča kot posamezna naključna preseganja.

Nadalje, kot del kvantitativne ocene, vključujem tudi analizo občutljivosti izhodnih SCR vrednosti na spremembe ključnih vhodnih parametrov in predpostavk modela. To mi omogoča, da ocenim, kako robusten je model in ali so njegove napovedi stabilne. To vključuje testiranje različnih scenarijev za korelacije med tveganji, parametre porazdelitev (npr. indeks repa pri porazdelitvah težkih repov) in morebitne sistemske šoke. Meritev prediktivne moči je torej večplastna in zahteva celovito razumevanje tako statističnih kot tudi zavarovalno-akturarskih principov.

Analiza odstopanj med modeliranimi in dejanskimi izgubami

Jedro backtestinga leži v podrobni analizi odstopanj. Ne gre zgolj za ugotavljanje prisotnosti razlik, ampak za razumevanje njihovih vzrokov in vpliva na zanesljivost modela. Ko primerjam modelirane agregatne izgube, ki so rezultat konvolucijskega procesa, z dejanskimi izidi v določenem obdobju (recimo, na letni ravni), iščem vzorce in trende. Na primer, konstantno podcenjevanje izgub v modeliranju, tudi če so odstopanja majhna, lahko nakazuje na sistemsko pristranost modela ali na neustrezne predpostavke glede vhodnih parametrov. Obratno, tudi konstantno precenjevanje izgub ni idealno, saj to lahko pomeni, da zavarovalnica drži preveč kapitala, kar zmanjšuje njeno učinkovitost in donosnost.

Kvantitativna analiza odstopanj se začne z vizualizacijo. Grafični prikazi, kot so kumulativni diagrami izgub ali 'p-p' (probability-probability) in 'q-q' (quantile-quantile) ploti, so izjemno koristni za primerjavo modelirane in empirične porazdelitve izgub. Če se krivulji močno odmikata, zlasti v repih, je to jasen znak, da model ne odraža realnosti dovolj natančno. Na primer, p-p plot nam omogoča, da primerjamo kumulativne verjetnosti modela z empiričnimi verjetnostmi, q-q plot pa primerja kvantile. Odstopanja od 45-stopinjske črte na teh grafih so indikatorji slabega prileganja modela.

Poleg grafične analize, natančno preučujem tudi specifične vrste odstopanj. Ali so odstopanja bolj pogosta pri določenih kategorijah tveganj? So morda povezana z določenimi tržnimi ali makroekonomskimi pogoji? Na primer, če model dosledno podcenjuje tveganja, povezana z ekstremnimi vremenskimi dogodki, to lahko pomeni, da so v vhodnih podatkih uporabljeni neustrezni parametri za te dogodke ali da so korelacije med različnimi viri tveganja napačno ocenjene. Moj cilj ni zgolj ugotoviti, da obstaja odstopanje, ampak razumeti, zakaj do njega prihaja in kakšne so njegove implikacije za model. To je nujno za nadaljnje prilagoditve modela.

Nadaljnja analiza vključuje tudi razčlenitev odstopanj na posamezne komponente tveganja, ki so bile združene s konvolucijo. Če je na primer konvolucijski model združil tveganje podjetja in tveganje smrtnosti, in ugotovimo, da so odstopanja predvsem posledica podcenjevanja tveganja podjetja, potem vemo, kje moramo iskati rešitve. S tem se izognemo 'črni skrinjici' pristopu in zagotovimo, da so korekcijski ukrepi usmerjeni in učinkoviti. Transparentnost procesa in jasna dokumentacija vsakega odstopanja sta ključni za proces nenehnega izboljševanja modela.

Prilagoditev in rekalibracija modelov na podlagi backtestinga

Ko so odstopanja in pomanjkljivosti modela identificirane in kvantificirane, je naslednji ključni korak prilagoditev in rekalibracija. To ni preprosto 'popravljanje' številk, ampak gre za poglobljeno analizo in, če je potrebno, strukturno spremembo modela. Na podlagi rezultatov backtestinga lahko ugotovim, ali je potrebno prilagoditi vhodne parametre (npr. parametre porazdelitev, korelacije med tveganji), spremeniti metodologijo konvolucije ali celo preoblikovati celoten model tveganja.

Primeri prilagoditev vključujejo rekalibracijo parametrov porazdelitev. Če na primer ugotovimo, da model dosledno podcenjuje intenzivnost škodnih dogodkov, lahko prilagodimo parametre, kot so povprečna vrednost ali varianca porazdelitve intenzivnosti škod. Če so odstopanja predvsem v repih porazdelitve, to pogosto pomeni, da je treba uporabiti porazdelitve s težjimi repi (npr. Pareto, splošna posplošena ekstremna vrednost – GEV) ali pa prilagoditi parametre obstoječih porazdelitev tako, da bolje zajamejo ekstremne dogodke. Pomembno je, da so vse te prilagoditve podprte s statistično analizo in utemeljene z aktuarističnim znanjem.

V primeru, da backtesting pokaže, da je osnovna predpostavka modela napačna – na primer, če so bile predpostavljene neodvisne kategorije tveganj, dejansko pa obstajajo močne korelacije – bo potrebna bistvena strukturna sprememba. To lahko vključuje implementacijo kopul ali drugih metod za modeliranje odvisnosti tveganj, ki so sposobne zajeti nelinearne in asimetrične odvisnosti. Takšne spremembe so kompleksne in zahtevajo temeljito preučitev, saj lahko močno vplivajo na izračunano SCR in zahtevajo ponovno validacijo celotnega modela.

Pomembno je poudariti, da rekalibracija ni enkratni dogodek. Gre za iterativen proces, ki se ponavlja ob vsakem ciklu backtestinga. Vsaka prilagoditev mora biti dokumentirana, njen vpliv na SCR pa kvantificiran. Po vsaki pomembni prilagoditvi je nujen ponoven backtesting, da se prepričamo, da so spremembe resnično izboljšale prediktivno moč modela in da niso uvedle novih, nepredvidenih pomanjkljivosti. Samo tako lahko zagotovim, da je model nenehno optimiziran in zanesljiv, kar je bistveno za robustno upravljanje tveganj v zavarovalništvu.

Regulativni okvir in pričakovanja glede validacije modelov

Regulativni okvir, še posebej Solvency II, postavlja jasne in stroge zahteve glede uporabe internih modelov za izračun SCR. Agencija za zavarovalni nadzor (AZN) v Sloveniji, skladno z usmeritvami EIOPA, pričakuje, da imajo zavarovalnice vzpostavljene robustne procese za validacijo in backtesting svojih internih modelov. To ni zgolj formalnost, temveč bistveni element sistema upravljanja tveganj. ZZavar-1 (Zakon o zavarovalništvu) določa splošna načela, specifične smernice pa so pogosto podrobno opredeljene v podzakonskih aktih in smernicah AZN, ki se nanašajo na upravljanje tveganj in uporabo internih modelov.

Ključna pričakovanja vključujejo redno izvajanje backtestinga, dokumentacijo metodologij in rezultatov, kvantifikacijo odstopanj ter načrt za odpravljanje ugotovljenih pomanjkljivosti. AZN zahteva, da zavarovalnice ne le izvedejo backtesting, temveč tudi aktivno uporabljajo rezultate za izboljšanje modelov in procesov upravljanja tveganj. To pomeni, da proces backtestinga ne sme biti le 'kljukica' na seznamu, ampak integralni del nenehnega izboljševanja modelov. Pomembno je tudi, da se backtesting izvaja neodvisno od tistih, ki so model razvili, kar zagotavlja objektivnost ocenjevanja.

Poudarek je tudi na 'uporabni presoji' (use test) modela, kar pomeni, da mora biti model aktivno vključen v procese odločanja zavarovalnice, ne le za izračun SCR, ampak tudi za strateško načrtovanje, določanje cen in sprejemanje investicijskih odločitev. To zahteva globoko razumevanje modela s strani vodstva in ostalih ključnih deležnikov. Regulatorji preverjajo, ali zavarovalnica dejansko razume omejitve in prednosti svojega modela ter ali ustrezno reagira na ugotovitve backtestinga.

Moja vloga kot zavarovalne strokovnjakinje v tem kontekstu presega zgolj tehnično znanje. Vključuje tudi svetovanje strankam in podjetjem o tem, kako ustrezno interpretirati regulativne zahteve in jih prenesti v praktične rešitve. Zagotavljanje skladnosti z regulativnim okvirom ni zgolj izogibanje kaznim, ampak gradnja trdnih temeljev za dolgoročno finančno stabilnost in zaupanje deležnikov.

Kaj je krito in kaj ni krito v kontekstu robustnega SCR modela

V kontekstu robustnega SCR modela, ki uporablja konvolucijske metode, je ključno jasno definirati, kaj model zajema (krito) in česa ne (ni krito). To mi omogoča, da se zavedam meja modela in morebitnih vrzeli v pokritosti tveganj. Dobro zasnovan model, ki je bil podvržen temeljitemu backtestingu, bi moral 'kriti' širok spekter tveganj, ki so pomembna za poslovanje zavarovalnice, kot določa ZZavar-1 in podrobnejši akti AZN.

**Krito:**

1. **Tržna tveganja:** Nihanje obrestnih mer, kapitalskih trgov, nepremičninskih cen, valutnih tečajev. Model zajema vpliv teh sprememb na vrednost sredstev in obveznosti zavarovalnice. Primer: Padec delniških tečajev za 20 % vpliva na naložbeni portfelj in posledično na potreben kapital.

2. **Tveganja podjetja:** Nenavadni dogodki, povezani z zavarovalnimi pogodbami, kot so povečanje pogostosti ali intenzivnosti škodnih dogodkov, odstopanja pri pričakovanih stopnjah smrtnosti/invalidnosti, spremembe pri odhodkih (npr. inflacija stroškov sanacije). Primer: Nepričakovano visoko število invalidnosti po prometnih nesrečah, kar poveča odškodninske zahtevke.

3. **Operativna tveganja:** Napake v procesih, sistemih, človeške napake, zunanje prevare. Model poskuša kvantificirati morebitne izgube, ki izhajajo iz teh virov. Primer: Kibernetski napad, ki povzroči izgubo podatkov in zaustavitev poslovanja.

4. **Tveganja neplačilne sposobnosti nasprotne stranke:** Tveganje, da nasprotna stranka (npr. pozavarovatelj, dolžnik) ne bo izpolnila svojih obveznosti. Primer: Bankrot pozavarovalnice, kar pomeni, da zavarovalnica prevzame celotno škodo.

5. **Tveganja katastrofalnih dogodkov:** Modeliranje izjemnih dogodkov, kot so naravne katastrofe (potresi, poplave), pandemije, teroristični napadi, ki imajo lahko ogromne finančne posledice. Konvolucija je tukaj ključna za združevanje teh redkih, a uničujočih tveganj.

**Ni krito (ali krito le delno in s posebnimi omejitvami):**

1. **Reputacijsko tveganje:** Izguba ugleda ali zaupanja strank zaradi škandalov, slabega obvladovanja škod, ipd. To tveganje je težko kvantificirati in ga modeli SCR običajno ne zajemajo neposredno, čeprav posredno lahko vpliva na poslovanje. Primer: Objava slabih praks v medijih, kar povzroči odliv strank.

2. **Strateško tveganje:** Napačne strateške odločitve vodstva, kot so vstop na neprimerne trge, neuspešne akvizicije, ki jih model ne more vnaprej predvideti. Primer: Zavarovalnica ne uspe slediti digitalizaciji in izgubi konkurenčno prednost.

3. **Moralno tveganje in antivoluntarizem:** Sprememba vedenja zavarovancev, ki lahko vpliva na pogostost ali intenzivnost škod. Na primer, zavarovanec prevzame večje tveganje, ker je zavarovan, ali namerno povzroči škodo. Težko je vključiti v kvantitativne modele, čeprav se poskuša s prilagoditvami cen in odbitnimi franšizami.

4. **Novi tipi tveganj:** Tveganja, ki se pojavijo šele v prihodnosti in zanje še nimamo zgodovinskih podatkov ali pa so naravani tako, da jih obstoječi modeli ne zajamejo (npr. tveganja, povezana z umetno inteligenco, novi regulativni šoki). Model je vedno odraz preteklosti in sedanjosti, ne pa popolna prerokba prihodnosti. Zato je stalno spremljanje in revizija modela nujna.

Praktični primer: Backtesting konvolucijskega modela za združeno tveganje nezgod

Predstavljam vam praktičen primer, ki ponazarja pomen backtestinga konvolucijskega modela pri ocenjevanju tveganja. Predpostavimo, da je ena izmed večjih slovenskih zavarovalnic razvila interni konvolucijski model za izračun SCR za združeno tveganje nezgodnega zavarovanja, ki vključuje tveganje smrti, trajne invalidnosti in stroškov zdravljenja. Model uporablja posamezne porazdelitve za vsako komponento tveganja (npr. Poissonovo porazdelitev za pogostost, log-normalno porazdelitev za intenzivnost stroškov zdravljenja) in jih s pomočjo Fourierjevih integralnih algoritmov združi v agregatno porazdelitev letnih izgub. Cilj je bil izračunati 99,5-percentil te agregatne porazdelitve kot SCR za to poslovno linijo.

Zavarovalnica je model razvila na podatkih med letoma 2010 in 2017. Po validaciji modela in pridobitvi odobritve regulatorja je model začela uporabljati za izračun SCR od leta 2018 dalje. Moja naloga je bila izvesti neodvisen backtesting za obdobje 2018-2022. Podatki za to obdobje so pokazali, da je model v prvih dveh letih (2018, 2019) dokaj natančno napovedal agregatne izgube – dejanske izgube so bile v povprečju le 5 % višje od modeliranih vrednosti. SCR na podlagi 99,5-percentila je bil presežen le enkrat v petih letih, kar je v statističnih pričakovanjih (1/5 = 0,2 ali 20% verjetnosti preseganja vsako leto, kar je v povprečju vsakih 200 let, torej 0,5% na leto). To je bil dober začetek.

Vendar pa sta leti 2020 in 2021 prinesli nepričakovane spremembe. Med pandemijo COVID-19 je prišlo do zmanjšanja števila prometnih nesreč in splošnih nezgod zaradi omejitve gibanja. Hkrati pa se je v letu 2021 pojavil trend povečane intenzivnosti škod pri določenih vrstah invalidnosti, ki ni bil v celoti zajet v modelih. Agregatne izgube v letu 2020 so bile znatno nižje od modeliranih (približno 15 % nižje), v letu 2021 pa so bile kljub splošnemu zmanjšanju števila dogodkov zaradi višje povprečne intenzivnosti škod, dejanske izgube zgolj 2 % pod modeliranimi, kar je še vedno v sprejemljivih tolerancah, a že kaže na določene premike.

Moj backtesting je pokazal, da je v letu 2022, ko so se družba in gospodarstvo vračali v normalo, model podcenil agregatne izgube za kar 18 %. To je povzročilo, da je bil SCR presežen. Natančna analiza je razkrila, da je glavni vzrok ležal v spremenjenih korelacijah med tveganji in v podcenjevanju porasta stroškov zdravljenja. Medtem ko je model dobro zajel posamezna tveganja v običajnih okoliščinah, ni bil dovolj robusten za hitre in nepričakovane spremembe v korelirani naravi tveganj (npr. med stroški zdravljenja in splošno inflacijo). Zavarovalnici sem svetovala rekalibracijo modela z upoštevanjem novega vpliva inflacije na stroške zdravljenja in z implementacijo dinamičnejšega modeliranja korelacij med komponentami tveganj, namesto statičnih vrednosti, ki so bile uporabljene prej. S tem so izboljšali prediktivno moč modela za prihodnja obdobja.

Prihodnost backtestinga in napredne analitične tehnike

Prihodnost backtestinga konvolucijskih modelov, in nasploh vseh internih modelov za SCR, je tesno povezana z razvojem naprednih analitičnih tehnik, kot so strojno učenje in umetna inteligenca. Medtem ko tradicionalne metode backtestinga ostajajo temelj, se pojavljajo nove priložnosti za izboljšanje natančnosti in učinkovitosti. Na primer, uporaba tehnik strojnega učenja za identifikacijo skritih vzorcev in nelinearnih odvisnosti v podatkih o izgubah, lahko bistveno izboljša zmožnost modelov, da predvidijo ekstremne dogodke. To vključuje uporabo algoritmov, kot so podporni vektorski stroji (SVM) ali nevronske mreže za analizo 'outlierjev' in identifikacijo dejavnikov, ki prispevajo k repnim dogodkom.

Ena izmed obetavnih smeri je tudi razvoj dinamičnih backtesting metod, ki ne preverjajo le splošne točnosti modela, ampak tudi njegovo odzivnost na spreminjajoče se tržne in gospodarske pogoje. To vključuje razvoj adaptivnih modelov, ki se lahko samodejno rekalibrirajo na podlagi novih podatkov in rezultatov backtestinga. S tem bi se izognili potrebi po ročnih prilagoditvah in bistveno povečali agilnost modela. Seveda, implementacija takšnih sistemov zahteva visoko raven strokovnega znanja in robustno IT infrastrukturo, vendar so dolgoročne koristi (izboljšana natančnost, hitrejše odzivanje na spremembe) znatne.

Poleg tega se pričakuje, da se bo povečala uporaba stohastičnih metod backtestinga, ki omogočajo kvantifikacijo negotovosti pri ocenjevanju prediktivne moči modela. Namesto zgolj binarnega odgovora 'model je dober/slab', nam stohastične metode omogočajo, da določimo stopnjo zaupanja v rezultate backtestinga. To je še posebej pomembno pri ocenjevanju redkih dogodkov, kjer je statistična moč tradicionalnih testov omejena. Na primer, uporaba bootstrap metod za ustvarjanje večkratnih vzorcev in s tem ocenjevanje robustnosti rezultatov backtestinga.

V zavarovalništvu se bo tudi povečal poudarek na transparentnosti in razložljivosti (explainability) modelov, tudi tistih, ki uporabljajo napredne tehnike. Regulatorji in interna revizija ne bodo sprejeli 'črne skrinjice', temveč bodo zahtevali jasno razlago, kako model deluje in zakaj daje določene rezultate. Zato bomo morali kot strokovnjaki razviti orodja in metodologije, ki omogočajo 'razpakiranje' kompleksnih modelov in interpretacijo njihovih notranjih mehanizmov, tudi po izvedenem backtestingu.

Zaključek: Neprestano izboljševanje za trdne temelje

Kot sem poudarila skozi celotno objavo, backtesting konvolucijskih modelov za SCR ni zgolj regulativna obveznost, temveč ključen proces za zagotavljanje finančne stabilnosti in učinkovitega upravljanja tveganj v zavarovalnici. Moja 20-letna praksa mi je pokazala, da so modeli živi organizmi, ki potrebujejo nenehno spremljanje, preverjanje in prilagajanje. Zavedanje o njihovih prednostih in omejitvah, kot tudi zmožnost kvantitativne ocene njihove prediktivne moči, so temeljne veščine vsakega zavarovalnega strokovnjaka.

Z vlaganjem v robustne metodologije backtestinga, skrbno analizo odstopanj in proaktivno prilagajanje modelov, zavarovalnice ne le izpolnjujejo regulativne zahteve, temveč si ustvarjajo tudi konkurenčno prednost. Zaupanje v interni model, ki je temeljito preverjen in validiran, omogoča boljše odločanje, optimizacijo alokacije kapitala in s tem dolgoročno rast in stabilnost. To pa je nekaj, kar koristi tako zavarovalnici kot tudi njenim zavarovancem.

Moje poslanstvo je pomagati zavarovalnicam in podjetjem pri razumevanju in implementaciji teh kompleksnih procesov. Verjamem, da le s skupnimi močmi in nenehnim izpopolnjevanjem lahko gradimo trdne temelje za prihodnost slovenskega zavarovalništva. Bodimo proaktivni, analitični in vedno stremimo k odličnosti.

Če imate dodatna vprašanja o backtestingu konvolucijskih modelov, validaciji SCR modelov ali drugih aspektih upravljanja tveganj, vas vabim k pogovoru. Z veseljem delim svoje izkušnje in vam pomagam najti najboljše rešitve za vaše specifične potrebe. Moje znanje in izkušnje so vam na voljo.

Pogosta vprašanja

Kaj je glaven namen backtestinga SCR modelov?

Glavni namen je preveriti, kako dobro se modelirane napovedi o kapitalskih zahtevah skladajo z dejanskimi izidi. S tem se potrjuje zanesljivost modela, ocenjuje se njegova prediktivna moč in se zagotavlja, da je zavarovalnica ustrezno kapitalizirana za pokrivanje tveganj. To je ključno za finančno stabilnost in skladnost z regulativo.

Zakaj je konvolucija pomembna v SCR modelih?

Konvolucija omogoča združevanje porazdelitev posameznih tveganj (npr. tveganje smrti, tveganje invalidnosti) v enotno agregatno porazdelitev skupnih izgub. To je ključno za realistično oceno skupnega tveganja zavarovalnice in določitev potrebnega kapitala na ravni celotnega portfelja, saj upošteva interakcije med tveganji.

Katere so ključne kvantitativne meritve za oceno prediktivne moči?

Med ključne meritve spadajo analiza odstopanj med modeliranimi in dejanskimi izgubami, statistične metrike, kot so MAE, MSE in RMSE, ter specializirani testi, kot sta Binomialni (Kupiecov) test in Christoffersenov test neodvisnosti preseganj. Ti pomagajo oceniti, ali se modelirani percentili ujemajo z dejanskimi preseganji.

Kako pogosto je treba izvajati backtesting?

Backtesting je cikličen in iterativen proces, ki bi se moral izvajati redno, običajno letno, ali ob vsaki pomembni spremembi v tržnem okolju, portfelju zavarovalnice ali regulativnih zahtevah. Nenehno preverjanje in prilagajanje zagotavljata dolgoročno zanesljivost in ustreznost modela.

Kakšen je vpliv regulative na backtesting SCR modelov?

Regulativa Solvency II in ZZavar-1 zahtevata, da zavarovalnice vzpostavijo robustne procese za validacijo in backtesting internih modelov. AZN pričakuje, da zavarovalnice aktivno uporabljajo rezultate backtestinga za izboljšanje modelov in upravljanja tveganj. Cilj je zagotoviti zanesljivost modelov in skladnost z nadzornimi zahtevami.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Agencija za zavarovalni nadzor (AZN) – Smernice za uporabo internih modelov
• EIOPA – Smernice za interne modele
• Basel Committee on Banking Supervision – Principles for the Sound Management of Operational Risk (čeprav za bančništvo, principi backtestinga so prenosljivi)

Nadaljujte branje o tej temi

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

• 
  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

• 
  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

  Družinska pokojnina in zasebna polica: kako se dopolnjujeta