Robustno testiranje GEV in GPD distribucij za ekstremne škode

Zakaj so GEV in GPD distribucije ključne za zavarovalništvo?

V zavarovalništvu se pogosto srečujemo z dogodki, ki imajo nizko verjetnost, a lahko povzročijo izjemno visoke škode – govorimo o ekstremnih škodah ali t.i. 'repnih' dogodkih. Tradicionalne distribucije, kot so normalna ali eksponentna, pogosto ne uspejo ustrezno modelirati obnašanja teh ekstremnih vrednosti, saj se osredotočajo na povprečje in varianco, ne pa na repne dele distribucije.

Teorija ekstremnih vrednosti (EVT) ponuja rešitev v obliki GEV (Generalized Extreme Value) in GPD (Generalized Pareto Distribution) distribucij. GEV se uporablja za modeliranje maksimumov blokov podatkov (npr. letnih maksimumov škod), medtem ko GPD modelira vrednosti, ki presegajo določen visok prag. Njihova sposobnost natančnega opisa repov distribucij je ključna za določanje solventnosti zavarovalnic, izračun potrebnega kapitala, ocenjevanje tveganja in določanje premij za katastrofalne dogodke. Brez njihove uporabe bi bili izračuni tveganj bistveno podcenjeni ali precenjeni, kar bi lahko imelo resne finančne posledice za zavarovalnico in s tem tudi za zavarovance.

Pomen statističnega testiranja pred uporabo modelov

Sama sem se v svoji karieri večkrat prepričala, da je uporaba naprednih statističnih modelov brez predhodnega preverjanja primernosti podobna gradnji hiše na peščenih temeljih. Četudi so GEV in GPD distribucije teoretično odlične za modeliranje ekstremnih škod, se moramo prepričati, da se dejansko prilegajo našim specifičnim podatkom. Podatki o zavarovalnih škodah so namreč pogosto heterogeni, obremenjeni z napakami pri zbiranju, vplivi spremenjenih zavarovalnih pogojev ali celo s človeškimi dejavniki, ki lahko vplivajo na njihovo obliko.

Statistično testiranje primernosti modela nam omogoča objektivno oceno, ali se izbrana distribucija statistično značilno ujema z empirično distribucijo naših podatkov. To ni le akademska vaja, temveč nuja za praktično uporabo. Le z zaupanjem v primernost modela lahko izvedemo zanesljive napovedi, določimo primerne rezerve in sprejemamo informirane poslovne odločitve. Neuspešno testiranje modela nas opozori, da moramo bodisi prilagoditi izbiro distribucije, preveriti vhodne podatke ali poiskati alternativne pristope modeliranja. V nasprotnem primeru bi se zanašali na napačne izračune, kar bi lahko vodilo v podcenjevanje tveganj in morebitne finančne izgube.

Metodologija testa Kolmogorov-Smirnov (K-S)

Test Kolmogorov-Smirnov je neparametrični test, ki se uporablja za preverjanje, ali vzorec podatkov sledi določeni teoretični distribuciji, ali pa, ali sta dva vzorca podatkov potegnjena iz iste distribucije. V našem kontekstu ga uporabimo za primerjavo empirične kumulativne distribucijske funkcije (KDF) naših opazovanih zavarovalnih škod z teoretično KDF GEV ali GPD distribucije z ocenjenimi parametri. Testna statistika K-S, označena z D, je definirana kot maksimalna absolutna razlika med empirično KDF (Fn(x)) in teoretično KDF (F(x)): D = max |Fn(x) – F(x)|.

Višja kot je vrednost D, večje je odstopanje med empirično in teoretično distribucijo. Za izvedbo testa najprej uredimo podatke od najmanjše do največje vrednosti. Nato izračunamo empirično KDF za vsako opazovanje in primerjamo s teoretično KDF izbrane GEV ali GPD distribucije. Končno izračunamo p-vrednost, ki nam pove verjetnost opazovanja tako velike ali večje razlike, če bi bile distribucije v resnici enake. Če je p-vrednost manjša od izbranega nivoja značilnosti (npr. 0,05), zavrnemo ničelno hipotezo (da se podatki ujemajo z distribucijo) in zaključimo, da se izbrana distribucija ne prilega podatkom. Pri majhnih vzorcih je K-S test morda manj močan, vendar za večje nize podatkov, ki so značilni za zavarovalništvo, predstavlja robustno orodje.

Metodologija testa Andersen-Darling (A-D)

Test Andersen-Darling je še en test primernosti, ki je v primerjavi s K-S testom običajno močnejši, še posebej pri testiranju primernosti v repih distribucije, kar je izjemno pomembno za zavarovalne škode. Za razliko od K-S testa, ki obravnava vsa odstopanja enako, A-D test daje večjo težo odstopanjem v repih distribucije. Njegova testna statistika je kompleksnejša in upošteva uteženo kvadratno razliko med empirično in teoretično KDF: A² = -n - Σ [(2i - 1)/n * (ln F(Xi) + ln(1 - F(Xn-i+1)))], kjer je n število opazovanj in F(Xi) je teoretična KDF. Te uteži povečajo občutljivost testa za razlike v repnih delih distribucije, kjer se običajno nahajajo ekstremne škode, ki nas najbolj zanimajo.

Tako kot pri K-S testu, tudi pri A-D testu primerjamo izračunano testno statistiko z kritično vrednostjo ali pa izračunamo p-vrednost. Ničelna hipoteza je, da podatki sledijo določeni distribuciji. Nizka p-vrednost (npr. < 0,05) pomeni, da imamo dovolj dokazov za zavrnitev ničelne hipoteze in zaključek, da se izbrana distribucija ne prilega podatkom. Zaradi svoje občutljivosti na repne dele je Andersen-Darling test pogosto preferirana izbira pri modeliranju ekstremnih zavarovalnih dogodkov, saj nam omogoča boljše razumevanje, kako dobro se model ujema ravno s tistimi dogodki, ki predstavljajo največje tveganje.

Kvantilni grafi (Q-Q ploti) za vizualno oceno

Poleg formalnih statističnih testov so kvantilni grafi (Quantile-Quantile ploti ali Q-Q ploti) izjemno uporabno vizualno orodje za oceno primernosti distribucije. Q-Q plot primerja kvantile naših opazovanih podatkov z kvantili teoretične distribucije. Če se podatki resnično ujemajo z izbrano distribucijo, bi morale točke na grafu ležati blizu ravne črte, ki poteka pod kotom 45 stopinj skozi izhodišče. Odstopanja od te črte jasno kažejo na neskladja med empirično in teoretično distribucijo.

Q-Q ploti so še posebej dragoceni, ker omogočajo hitro identifikacijo, v katerih delih distribucije prihaja do neskladij – ali so to sredinski del, spodnji rep ali zgornji rep distribucije. Na primer, če se točke odmakajo od črte v zgornjem repu, to lahko pomeni, da izbrana distribucija podcenjuje verjetnost ekstremnih škod. Vizualna analiza dopolnjuje rezultate formalnih testov in nam pomaga razumeti naravo neskladij, kar je ključno pri izbiri in prilagajanju modela. Včasih nam Q-Q plot pokaže, da je model skoraj popoln, razen nekaj 'outlierjev', ki jih je morda potrebno obravnavati ločeno.

Praktični primer izračuna p-vrednosti in interpretacija

Predstavljajmo si, da smo zbrali podatke o 200 največjih škodnih dogodkih v zadnjih 10 letih pri zavarovanju premoženja zaradi poplav. Po ocenjevanju parametrov GPD distribucije (lokacije, skale in oblike) želimo preveriti njeno primernost. Izvedemo test Kolmogorov-Smirnov in Andersen-Darling. Za K-S test izračunamo D-statistiko, ki nam da npr. vrednost D = 0.085. S pomočjo tabel kritičnih vrednosti ali programskih paketov določimo p-vrednost. Recimo, da je p-vrednost = 0.12.

Interpretacija: Če izberemo nivo značilnosti α = 0.05, je naša p-vrednost (0.12) večja od α. To pomeni, da ne moremo zavrniti ničelne hipoteze, ki trdi, da se naši podatki ujemajo z ocenjeno GPD distribucijo. Statistično gledano imamo torej dovolj dokazov, da se GPD distribucija dobro prilega našim podatkom o poplavnih škodah. Pri testu Andersen-Darling pa je, denimo, p-vrednost = 0.03. Ker je 0.03 manjše od 0.05, v tem primeru zavrnemo ničelno hipotezo in ugotovimo, da GPD distribucija morda ni optimalna, še posebej v repih. Ta razlika v rezultatih testov lahko pomeni, da je GPD 'globalno' dobra, vendar v repnih predelih, ki so ključni za ekstremne škode, ne zadostuje. Takrat preidemo na vizualno analizo Q-Q plota in morda preizkusimo še drugo distribucijo ali prilagodimo vhodne podatke.

Pomembno je razumeti, da nizka p-vrednost ne pomeni nujno, da je model popolnoma napačen, ampak da so odstopanja statistično značilna. Visoka p-vrednost pa ne pomeni, da je model 'pravilen', temveč da nimamo dovolj dokazov za njegovo zavrnitev. Vedno stremimo k modelom z višjo p-vrednostjo, saj to kaže na boljšo skladnost med podatki in teoretično distribucijo. Ta analitičen pristop mi pomaga pri sklepanju, ali je določen model dovolj robusten za dejansko uporabo v mojih izračunih in nasvetih.

Izbira najboljše prilagoditve za različne vrste dogodkov

Izbira 'najboljše' prilagoditve ni vedno enostavna in pogosto zahteva kombinacijo statističnih testov, vizualne analize in strokovne presoje. Različne vrste zavarovalnih dogodkov, kot so prometne nesreče, požari, potresi ali izplačila življenjskih zavarovanj, se lahko obnašajo zelo različno v repnih delih distribucije. Medtem ko so lahko za nekatere dogodke GEV distribucije primernejše za modeliranje letnih maksimumov, so za druge GPD distribucije boljše za prekoračitve visokih pragov.

V praksi se pogosto srečujem s situacijami, ko en test 'sprejme' model, drugi pa ga 'zavrne'. V takih primerih je ključno preučiti Q-Q plote in natančno analizirati, kje se pojavljajo neskladja. Pomembno je tudi upoštevati specifične lastnosti podatkov: ali so cenzurirani, obrezani, ali vsebujejo izstopajoče vrednosti. Morda je potrebno preizkusiti tudi več alternativnih parametrizacij GEV ali GPD distribucij. Moj cilj je vedno najti robusten model, ki ne bo le statistično sprejemljiv, ampak bo tudi smiseln z ekonomskega in aktuarskega vidika. Uporaba več testov hkrati (npr. K-S, A-D in Cramer-von Mises) poveča zanesljivost naših zaključkov in nam pomaga pri izbiri najprimernejšega modela za specifične potrebe obravnavanega zavarovalnega portfelja ali tveganja.

Kaj je krito in kaj ni krito pri ekstremnih škodah v praksi?

Pri modeliranju ekstremnih škod je pomembno ločiti med statističnim modeliranjem in dejanskim kritjem zavarovalnih dogodkov. Moja praksa mi je pokazala, da je ključno razumeti, kaj zavarovalne police dejansko krijejo. Statistično modeliranje nam pomaga razumeti verjetnost in višino potencialnih škod, na podlagi katerih se nato oblikujejo pogoji in cene zavarovanj.

**Krito je (zavarovanje premoženja in odgovornosti):**

- Škoda, ki presega določen prag (franšizo) in je zajeta v zavarovalnih pogojih za specifično nevarnost (npr. poplava, potres, požar), pri čemer se upoštevajo omejitve kritja (npr. zavarovalna vsota).

- Izdatki za reševanje in preprečevanje škode v skladu s pogodbo.

- Stroški, nastali zaradi odgovornosti zavarovanca za škodo tretji osebi, v kolikor je odgovornost določena in krita s pogodbo (npr. zavarovanje splošne odgovornosti).

- V primeru življenjskih zavarovanj so krite visoke izplačane vsote ob določenih kritičnih dogodkih, ki so vnaprej določeni v polici.

**Ni krito (informativni primeri):**

- Škoda, ki ne presega pogodbeno določene franšize.

- Škoda, ki jo povzroči dogodek, ki ni izrecno naveden v zavarovalnih pogojih kot krita nevarnost (npr. škoda zaradi vojne, terorizma, jedrske nesreče, razen če je izrecno dogovorjeno kritje).

- Škoda, ki je posledica malomarnosti ali namernega dejanja zavarovanca, če tako določajo pogoji zavarovanja.

- Škoda, ki presega zavarovalno vsoto določeno v polici, kar pomeni, da je zavarovalnica odgovorna le do te vsote, preostali del pa je lastna škoda zavarovanca.

- Omejitve izplačil pri nezgodnem zavarovanju, kot so tiste določene v ZZVZZ ali pogojih zavarovalnice, ki niso splošno pravilo in se razlikujejo od zavarovalnice do zavarovalnice. Vedno je ključno prebrati pogoje konkretne police, saj se lahko razlike med zavarovalnicami pojavijo tudi pri osnovnih kritjih.

Praktični primer iz prakse: Modeliranje škod zaradi naravnih nesreč

Spominjam se primera iz svoje prakse, ko smo modelirali škode zaradi hudourniških poplav v določeni regiji Slovenije. Podatki so zajemali več kot 15 let in vključevali tako manjše kot tudi nekaj resnično katastrofalnih dogodkov. Najprej smo ocenili parametre GEV distribucije za letne maksimume škod. Pri tem je bila p-vrednost K-S testa 0.08, kar je bilo sprejemljivo pri α=0.05. Vendar pa je Q-Q plot pokazal, da je v zgornjem repu, torej pri največjih škodah, prihajalo do sistematičnega podcenjevanja, saj so se točke oddaljevale pod referenčno črto.

Odločili smo se, da preizkusimo GPD distribucijo na podatkih, ki presegajo določen prag (npr. 50.000 EUR škode). Po oceni parametrov smo ponovno izvedli teste. Za GPD distribucijo smo dobili p-vrednost K-S testa 0.15 in Andersen-Darling testa 0.09. Oba rezultata sta bila nad našim pragom značilnosti 0.05, kar je bil dober znak. Q-Q plot za GPD distribucijo pa je bistveno bolje prikazal ujemanje, saj so točke ležale precej bližje referenčni črti, tudi v zgornjem repu. Ta analiza nam je omogočila znatno bolj natančno določitev pričakovanih maksimalnih škod in pravilno dimenzioniranje rezeve za kritje morebitnih prihodnjih podobnih dogodkov, kar je bilo ključnega pomena za stabilnost zavarovalnice.

Zaključek: Pomen robustnega modeliranja za stabilnost zavarovalnice

Kot sem večkrat poudarila, je natančno in robustno modeliranje ekstremnih škod temelj za stabilno delovanje zavarovalnice. Uporaba GEV in GPD distribucij, skupaj z rigoroznim statističnim testiranjem primernosti modela z metodami, kot so Kolmogorov-Smirnov, Andersen-Darling in kvantilni grafi, ni zgolj strokovna nuja, temveč strateška odločitev, ki neposredno vpliva na finančno zdravje in zanesljivost zavarovalnih produktov. Le tako lahko zavarovalnice pravilno ocenijo tveganja, določijo ustrezne premije in zagotovijo, da bodo sposobne izpolniti svoje obveznosti tudi v primeru katastrofalnih dogodkov.

Verjamem, da transparenten in na podatkih temelječ pristop k zavarovalništvu ustvarja dolgoročno zaupanje. Zato je moj cilj vedno ponuditi strokovne rešitve, ki temeljijo na najnovejših spoznanjih in preverjenih metodologijah. Če imate vprašanja glede modeliranja tveganj, optimizacije zavarovalnih polic ali kakršnekoli druge dileme, povezane z zavarovalništvom, sem vam na voljo za pogovor. Z veseljem delim svoje znanje in izkušnje, da vam pomagam najti najboljše rešitve za vaše potrebe. Ne oklevajte, stopite v stik z mano in skupaj bomo poiskali pot do vaše večje varnosti in stabilnosti.

Pogosta vprašanja

Zakaj je pomembno testirati primernost GEV/GPD distribucij?

Nujno je, da se prepričamo, da se izbrana distribucija statistično ujema z našimi podatki. Neprimeren model vodi do napačnih ocen tveganj in finančnih odločitev, kar lahko ima resne posledice za zavarovalnico in zavarovance.

Kakšna je razlika med K-S in A-D testom?

Kolmogorov-Smirnov test meri največjo razliko med distribucijami. Andersen-Darling test je močnejši, saj daje večjo težo odstopanjem v repih distribucije, kar je ključno za modeliranje ekstremnih vrednosti.

Kaj nam pove p-vrednost pri testiranju primernosti?

P-vrednost nam pove verjetnost opazovanja določenih odstopanj, če bi bil model pravilen. Visoka p-vrednost (običajno > 0,05) pomeni, da model dobro ustreza podatkom, nizka pa, da model ni primeren.

Kako uporabim kvantilne grafe (Q-Q plote)?

Q-Q ploti vizualno primerjajo kvantile podatkov s kvantili teoretične distribucije. Točke blizu 45-stopinjske črte pomenijo dobro ujemanje, odstopanja pa kažejo, kje se model ne prilega.

Ali lahko uporabim samo en test za primernost modela?

Priporočam uporabo več testov (K-S, A-D) in vizualne analize (Q-Q ploti). Vsak test ima svoje prednosti in slabosti, kombinacija pa zagotavlja bolj zanesljivo oceno primernosti modela.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Agencija za zavarovalni nadzor (AZN) – smernice za aktuarsko funkcijo
• 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-Verlag London.

Nadaljujte branje o tej temi

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

• 
  Primer: Tehnični vpogledi

  Predčasna prekinitev naložbenega zavarovanja: kaj dejansko dobite nazaj

• 
  Primer: Tehnični vpogledi

  Kaj preveriti pred podpisom varčevalne pogodbe

• 
  Primer: Tehnični vpogledi

  Letni limiti in podlimiti: številka, ki odloča o vrednosti police

• 
  Primer: Tehnični vpogledi

  Ocenjevanje invalidnosti po poškodbi hrbtenice in zlomih vretenc

• 
  Primer: Tehnični vpogledi

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