Robustnost korelacijske matrike: stresni testi in obratne analize

Uvod v kompleksnost korelacijske matrike in nezgodna tveganja

V svetu zavarovalništva se nenehno soočamo z izzivom natančnega ocenjevanja in upravljanja tveganj. Pri nezgodnem zavarovanju, kjer je spekter možnih dogodkov izjemno širok in njihovi vplivi raznoliki, je ta izziv še toliko večji. Srce vsakega robustnega modela tveganja, še posebej v okviru Solventnosti II, predstavlja korelacijska matrika. Ta matrika nam omogoča kvantifikacijo medsebojne odvisnosti različnih vrst tveganj – na primer, kako se sprememba enega tveganja odraža v spremembi drugega. Vendar pa se v običajnih tržnih pogojih in statističnih vzorcih pogosto zanašamo na zgodovinske podatke, ki morda ne odražajo vseh potencialnih ekstremnih scenarijev. Prav tu nastopita ključni vlogi stresnih testov in obratnih analiz, saj nam omogočata pogled 'onkraj običajnega' in preverjanje robustnosti naših predpostavk.

Moj cilj je danes podrobno razčleniti, kako izvedemo te analize in zakaj so nujne za zagotavljanje dolgoročne stabilnosti in kapitalske ustreznosti zavarovalnic. Ne govorimo le o izpolnjevanju regulativnih zahtev, temveč o proaktivnem prepoznavanju in blaženju potencialnih katastrofalnih dogodkov, ki bi lahko resno ogrozili finančno stabilnost institucije in, kar je še pomembneje, sposobnost izpolnjevanja obveznosti do zavarovancev. Z razumevanjem dinamike korelacij v ekstremnih razmerah lahko zavarovalnice razvijejo učinkovitejše strategije za upravljanje portfelja, določanje premij in, nenazadnje, zaščito kapitala. Poudarek bo na kvantitativnih aspektih in na metodološkem pristopu, ki je nujen za tehnične strokovnjake na tem področju.

Razumevanje korelacijske matrike v kontekstu nezgodnega tveganja

Korelacijska matrika v nezgodnem zavarovanju je nabor koeficientov, ki merijo linearno odvisnost med različnimi kategorijami nezgodnih dogodkov ali, širše, med različnimi tveganji znotraj zavarovalnega portfelja. Na primer, lahko analiziramo korelacijo med pogostostjo poškodb pri delu v določeni industriji in pogostostjo prometnih nesreč. V normalnih razmerah so te korelacije lahko nizke ali celo negativne, kar pomeni, da dogodki niso močno povezani. Vendar pa je pomembno razumeti, da korelacije niso statične; so dinamične in se lahko drastično spremenijo v času kriz ali ekstremnih dogodkov. Na primer, pandemija lahko vpliva tako na pogostost določenih nezgod (npr. zmanjšanje prometnih nesreč zaradi dela od doma, a povečanje domačih nezgod) kot tudi na finančni položaj posameznikov, kar posredno vpliva na višino odškodnin.

Standardne metode za oceno korelacij, kot so Pearsonovi koeficienti, temeljijo na predpostavki normalne porazdelitve in linearnih odvisnosti, kar pogosto ne drži v primeru ekstremnih dogodkov (t. i. 'fat tails'). Bolj sofisticirane metode, kot so kopule, nam omogočajo modeliranje nelinearnih odvisnosti in asimetričnih korelacij, ki se pojavijo v obdobjih stresa. Za tehnične analitike to pomeni, da je kalibracija korelacijske matrike kompleksen proces, ki zahteva obsežne zgodovinske podatke, robustne statistične modele in poglobljeno razumevanje narave tveganj. Pri nezgodnem zavarovanju je ključnega pomena, da matrika odraža ne le povprečno medsebojno odvisnost tveganj, ampak tudi njihovo vedenje v skrajnih scenarijih, kjer se lahko 'običajne' korelacije povsem porušijo ali celo obrnejo.

Metodologija izvedbe stresnih testov za nezgodno tveganje

Izvedba stresnega testa za oceno robustnosti korelacijske matrike v nezgodnem zavarovanju sledi strukturiranemu pristopu, ki zajema več faz. Prva faza je definicija scenarija. Scenariji morajo biti verodostojni, a hkrati ekstremni, da preizkusijo meje obstoječih modelov. Primeri vključujejo: globalno pandemijo (npr. COVID-19 z dolgotrajnimi posledicami na delovna mesta in zdravje), potres velikih razsežnosti (npr. magnitude 7+ na območju z visoko gostoto prebivalstva), obsežen kibernetski napad na kritično infrastrukturo (ki bi povzročil motnje v poslovanju in širše družbene posledice) ali celo nenadno in dramatično spremembo zakonodaje, ki vpliva na obveznosti zavarovalnic. Za vsak scenarij je treba določiti specifične parametre, kot so obseg, trajanje in neposredni vplivi na zavarovalne dogodke.

Druga faza je kvantifikacija vplivov scenarija na posamezna tveganja in njihove korelacije. To vključuje oceno: a) sprememb v frekvenci škodnih dogodkov (npr. povečanje nezgod zaradi dela od doma med pandemijo), b) sprememb v povprečni višini škode (npr. višji stroški zdravljenja pri novih boleznih) in c) sprememb v korelacijski strukturi. Na primer, med potresom se lahko korelacija med poškodbami in prekinitvami poslovanja močno poveča. Za kvantifikacijo se uporabljajo tehnike, kot so scenarijska analiza, simulacije Monte Carlo in občutljivostna analiza. Cilj je ugotoviti, kako se bo obstoječa korelacijska matrika preoblikovala pod vplivom izbranega stresnega scenarija, in kakšne bodo posledične spremembe v celotni izpostavljenosti tveganju zavarovalnice. Kvantitativno, recimo, da imamo standardno korelacijsko matriko R, pod scenarijem S pa se ta spremeni v R'. Ključno je oceniti razliko in njen vpliv na celotno zahtevano raven kapitala.

Obratna analiza (Reverse Stress Testing): Iskanje kritičnih točk

Medtem ko se tradicionalni stresni testi osredotočajo na vpliv določenih, vnaprej definiranih scenarijev, obratna analiza (angl. reverse stress testing) zavzame drugačen pristop. Namesto da bi se vprašali 'Kaj se zgodi, če?', se vprašamo 'Kateri scenarij bi moral nastopiti, da bi prišlo do katastrofalnega izida?'. V kontekstu robustnosti korelacijske matrike obratna analiza išče kombinacije sprememb v tveganjih in njihovih korelacijah, ki bi zavarovalnico pahnile v stanje insolventnosti ali pod regulativno določeno raven kapitalske ustreznosti. To je izjemno dragoceno, saj lahko razkrije t. i. 'slepe pege' – scenarije, na katere morda nismo pomislili, a so kritični za preživetje.

Metodologija obratne analize vključuje določitev 'katastrofalnega izida' (npr. padec kapitalske ustreznosti pod 100 % Solvency Capital Requirement – SCR), nato pa se sistematično iščejo kombinacije sprememb parametrov (npr. pogostost škod, povprečna škoda, medsebojne korelacije med tveganji), ki bi pripeljale do tega izida. Tehnike, kot so optimizacija ali algoritmi za iskanje po prostoru parametrov, se uporabljajo za identificiranje najmanj verjetnega, a hkrati najbolj uničujočega scenarija, ki bi lahko sprožil določen izid. Na primer, morda bi se izkazalo, da kombinacija zmernega povečanja prometnih nesreč in simultanega povečanja duševnih motenj (povezanih s stresom po nesrečah), kjer se korelacija med tema tveganjema močno poveča (npr. iz 0,2 na 0,7), povzroči, da zavarovalnica ne more izpolnjevati svojih obveznosti. To zavarovalnici omogoča, da se pripravi na tveganja, ki so morda bila prej podcenjena ali celo nepoznana.

Scenariji ekstremnih dogodkov in njihov vpliv na korelacije

Razmislimo o nekaj konkretnih scenarijih, ki so lahko ključni za testiranje robustnosti korelacijske matrike v nezgodnem zavarovanju. Prvi, že omenjeni, je scenarij globalne pandemije, kot je bila COVID-19. Ta je pokazala, kako lahko zunanji šok poveča korelacijo med na videz nepovezanimi dogodki. Recimo, da se je pred pandemijo korelacija med domačimi nezgodami in izostanki z dela zaradi bolezni gibala okoli 0,1. Med pandemijo, ko je več ljudi delalo od doma in so bili izpostavljeni stresu, se je ta korelacija lahko povišala na 0,4 ali več, saj so se povečale tako domače nezgode kot tudi bolezni. Posledično to vpliva na pričakovano skupno izgubo in zahteva več kapitala.

Drugi scenarij je obsežen potres. Predstavljajmo si potres magnitude 7 v Ljubljani. Neposredni učinki so množične poškodbe in izguba življenj. Vendar pa so posredni učinki prav tako kritični: dolgotrajne motnje v prometu in infrastrukturi, povečan stres in duševne stiske prebivalstva. Korelacija med telesnimi poškodbami (npr. zlomom kosti) in duševnimi boleznimi (npr. posttravmatska stresna motnja) bi se lahko z nizke vrednosti (npr. 0,05) skokovito povečala na visoko (npr. 0,6), saj so posamezniki, ki so utrpeli fizične poškodbe, hkrati izpostavljeni velikemu psihološkemu stresu. Standardni modeli, ki temeljijo na preteklih podatkih brez takšnih ekstremnih dogodkov, bi te korelacije močno podcenili, kar bi vodilo do podcenjenosti skupnega tveganja in potrebnega kapitala.

Tretji scenarij je sofisticiran in obsežen kibernetski napad, ki prizadene kritično infrastrukturo, kot so zdravstveni sistemi ali finančne institucije. Posledice bi lahko vključevale izpad delovanja bolnišnic, motnje v oskrbi z energijo ali v komunikacijah. To bi lahko povzročilo povečanje nezgod zaradi okvar opreme, neprimerne oskrbe ali celo socialnih nemirov. Korelacija med napakami v sistemih (posledica kibernetskega napada) in poškodbami zaposlenih (zaradi kaosa) bi se lahko dramatično povečala. V takšnih scenarijih se korelacije pogosto spreminjajo na nelinearen način in so pogojene s specifičnim kontekstom dogodka, kar zahteva robustne statistične metode, kot so kopule, ki omogočajo modeliranje repnih odvisnosti (angl. tail dependence).

Vpliv na kapitalsko ustreznost in identificiranje kritičnih točk

Primarni cilj vseh teh analiz je oceniti vpliv spremenjenih korelacij in povečanih tveganj na kapitalsko ustreznost zavarovalnice. V skladu z direktivo Solventnost II je zavarovalnica dolžna vzdrževati zahtevo za solventnostni kapital (SCR) in minimalno kapitalsko zahtevo (MCR), ki sta izračunani na podlagi kompleksnih modelov tveganj. Standardni izračun SCR pogosto uporablja prednastavljene korelacijske matrike ali tiste, kalibrirane na podlagi zgodovinskih podatkov iz obdobij 'normalnega' delovanja. Ko pa se korelacije drastično spremenijo v stresnih scenarijih, se lahko celotna izpostavljenost zavarovalnice tveganju (in s tem SCR) bistveno poveča.

Na primer, če v stresnem scenariju korelacija med škodami iz naslova poškodb in škodami iz naslova bolezni skokovito naraste iz 0,2 na 0,7, se 'diversification benefit' (korist diverzifikacije) zmanjša. To pomeni, da se tveganja ne zmanjšujejo medsebojno toliko, kot bi se v normalnih razmerah, kar poveča skupno tveganje portfelja. Posledično se poveča zahtevani kapital, kar lahko potisne zavarovalnico pod želeno ali celo regulativno določeno raven kapitalske ustreznosti. Identifikacija kritičnih točk poteka z analizo scenarijev, kjer se ta 'diversification benefit' najbolj zmanjša. Kvantitativno, če je SCR običajno 120 % (kapitalska ustreznost), stresni test ali obratna analiza lahko pokaže, da bi se v določenem scenariju ta vrednost znižala na 90 % ali manj. To bi pomenilo takojšnje regulativne ukrepe. Zato je ključnega pomena, da zavarovalnice razumejo te mehanizme in so sposobne napovedati, kateri dogodki in katere spremembe korelacij predstavljajo največjo grožnjo njihovi kapitalski stabilnosti.

Kaj je krito in kaj ni krito v scenarijih ekstremnih tveganj?

V kontekstu nezgodnega zavarovanja je razumevanje kritja ključno, še posebej v luči ekstremnih dogodkov. Splošno gledano, nezgodno zavarovanje krije posledice nenadnih in nepričakovanih dogodkov, ki povzročijo telesne poškodbe ali smrt. To vključuje: a) trajno invalidnost, b) začasno nezmožnost za delo (v določenih obdobjih), c) stroške zdravljenja po nezgodi, d) nadomestilo za bolečine in e) smrt zaradi nezgode. Vendar pa pogoji zavarovanj niso enaki pri vseh zavarovalnicah, zato je nujno preveriti konkretne določbe police. Na primer, nekateri scenariji, kot so naravne katastrofe (potres, poplave), so pogosto vključeni v osnovna kritja, medtem ko drugi, kot so posledice vojne ali terorističnih dejanj, so skoraj vedno izključeni. V primeru pandemije se kritje za bolezni običajno obravnava v okviru zdravstvenih zavarovanj, ne pa nezgodnih, razen če pandemija posredno povzroči nezgodo (npr. padec zaradi panike v množici).

Kaj torej ni krito? Klasične izključitve v nezgodnih zavarovanjih vključujejo samopoškodbe, poškodbe pod vplivom alkohola ali drog, poškodbe pri izvajanju kaznivih dejanj, vojne dogodke in, kot že omenjeno, bolezni (razen če se pojavijo kot neposredna posledica zavarovane nezgode). V scenariju kibernetskega napada so posledice napada na IT-sisteme podjetij običajno krite s kibernetskim zavarovanjem, ne pa z nezgodnim zavarovanjem posameznikov, razen če je napad povzročil fizično nezgodo. Pomembno je poudariti, da v skrajnih scenarijih, kot so ti, lahko pride do interpretativnih dilem in potrebe po individualni obravnavi, vendar pa je temeljno pravilo, da zavarovanje krije le tisto, kar je izrecno navedeno v splošnih in posebnih pogojih zavarovanja. Zato je razumevanje teh izključitev ključno za realistično oceno tveganj in morebitne potrebe po dodatnih zavarovanjih ali dodatnih kritjih.

Regulativni okvir in priporočila: Solventnost II in slovenska zakonodaja

V Evropski uniji je okvir Solventnost II ključen za kapitalsko ustreznost zavarovalnic. Ta direktiva določa, da morajo zavarovalnice vzpostaviti robusten sistem upravljanja tveganj, vključno z rednim izvajanjem stresnih testov in obratnih analiz. Ne gre le za obveznost, temveč za dobro prakso, ki zagotavlja finančno stabilnost in varovanje interesov zavarovancev. Solventnost II izrecno zahteva, da zavarovalnice ocenjujejo tveganja, vključno z operativnimi, tržnimi, kreditnimi in zavarovalnimi tveganji, ter da upoštevajo njihove medsebojne korelacije. Pri tem se spodbuja uporaba notranjih modelov, ki omogočajo bolj natančno in prilagojeno oceno tveganj kot standardna formula. Prav znotraj teh notranjih modelov imata stresno testiranje in obratna analiza ključno vlogo pri validaciji in robustnosti modela.

V Sloveniji se regulativa AZN (Agencije za zavarovalni nadzor) tesno naslanja na principe Solventnosti II. Zakon o zavarovalništvu (ZZavar-1) določa splošne okvire, medtem ko podrobnejša pravila in smernice AZN specificirajo zahteve glede upravljanja tveganj, poročanja in izvedbe stresnih testov. AZN od zavarovalnic pričakuje, da bodo razvile in implementirale napredne metodologije za ocenjevanje vpliva ekstremnih dogodkov, vključno s testiranjem korelacij. Pomembno je razumeti, da regulacija ne predpisuje zgolj minimalnih standardov, temveč spodbuja nenehno izboljševanje in prilagajanje metodologij glede na spreminjajoče se tveganjsko okolje. To vključuje tudi prepoznavanje tveganj, ki morda niso izrecno navedena v standardnih direktivah, a so pomembna za posamezno zavarovalnico – kot so specifična nezgodna tveganja, povezana z demografskimi spremembami ali novimi tehnologijami.

Občutljivostna analiza korelacijske matrike

Občutljivostna analiza je komplementarna metoda stresnim testom in obratnim analizam. Njen namen je ugotoviti, kako se izhodni rezultati (npr. zahtevani kapital, verjetnost insolventnosti) spremenijo, če se vhodni parametri (v našem primeru koeficienti v korelacijski matriki) spremenijo znotraj določenih območij. Pri korelacijski matriki to pomeni sistematično spreminjanje posameznih korelacij ali skupin korelacij in opazovanje vpliva na celoten portfelj tveganj. Na primer, lahko analiziramo, kako se spremeni SCR, če se korelacija med 'nezgodami pri delu' in 'prometnimi nezgodami' poveča za 10 %, 20 % ali 50 %. Ta analiza nam pomaga identificirati, katere korelacije so najbolj kritične za stabilnost zavarovalnice in katere imajo relativno majhen vpliv.

Metodološko, občutljivostna analiza pogosto vključuje izvedbo številnih simulacij, kjer se parametri korelacijske matrike sistematično perturbirajo. Rezultati se nato prikažejo v obliki grafikonov ali tabel, ki jasno kažejo občutljivost na posamezne spremembe. Za kvantitativen pristop lahko uporabimo parcialne odvode ali elastičnosti. Na primer, izračunamo d(SCR) / d(ρ_ij), kjer je ρ_ij specifičen korelacijski koeficient. To nam pove, koliko se spremeni SCR za vsako enoto spremembe v določeni korelaciji. Identifikacija visoko občutljivih korelacij omogoča zavarovalnici, da se nanje osredotoči pri nadzoru in potencialnih ukrepih za zmanjšanje tveganja, še posebej v obdobjih povišane nestabilnosti ali nejasnosti glede prihodnjih razmer.

Praktični primer: Nezgoda v proizvodnem podjetju

Predstavljajte si srednje veliko proizvodno podjetje 'Kovinar d. o. o.' z 200 zaposlenimi, ki ima sklenjeno kolektivno nezgodno zavarovanje pri moji zastopnici Petri Guštin. V normalnih razmerah je bila korelacija med 'nezgodami pri delu' (npr. poškodbe s stroji) in 'nezgodami pri vožnji na delo/z dela' nizka, recimo 0,15. Vendar pa se je zgodil edinstven scenarij: zaradi izrednih vremenskih razmer (močno sneženje) je prišlo do prometnega kolapsa. Hkrati pa je izpad električne energije v tovarni povzročil okvaro varnostnih sistemov na določenih strojih. Posledično je prišlo do hkratnega povečanja prometnih nezgod med prihodom na delo (zaradi slabih razmer) in nezgod pri delu (zaradi okvarjenih varnostnih sistemov in stresa zaposlenih).

V tem scenariju se je korelacija med tema dvema vrstama nezgod skokovito povečala na 0,65. Standardni modeli zavarovalnice, ki so temeljili na zgodovinskih podatkih, so podcenili kumulativni učinek. Povečana korelacija je pomenila, da so se škodni dogodki pojavili bolj koncentrirano in z večjo pogostostjo, kar je vodilo do znatno višjega skupnega izplačila odškodnin, kot je bilo predvideno zgolj na podlagi seštevanja posameznih tveganj. Ta primer jasno kaže, kako se v ekstremnih razmerah 'običajne' korelacije porušijo in kako je ključnega pomena, da so zavarovalnice pripravljene na takšne spremembe skozi temeljito stresno testiranje in obratne analize. V primeru Kovinarja bi predhodna analiza pokazala, da je kombinacija izpada elektrike in sneženja kritičen scenarij, kar bi omogočilo prilagoditev rezervacij in, morda, vlaganje v sisteme za avtonomno napajanje varnostnih sistemov.

Prihodnost modeliranja korelacij in obvladovanja tveganj

Svet zavarovalništva se nenehno razvija, in z njim tudi orodja za obvladovanje tveganj. Prihodnost modeliranja korelacij v nezgodnem zavarovanju leži v integraciji še naprednejših statističnih tehnik, kot so strojno učenje in umetna inteligenca, za identifikacijo kompleksnih, nelinearnih odvisnosti med tveganji. Poleg tega bo vse pomembnejša uporaba 'real-time' podatkov, ki bodo omogočali bolj dinamično prilagajanje korelacijskih matrik glede na spreminjajoče se okolje. To pomeni, da se bomo od statičnih, letno kalibriranih matrik, premaknili k bolj dinamičnim modelom, ki se sproti prilagajajo novim informacijam in dogodkom.

Kljub vsem tehnološkim napredkom pa bo človeški element ostal nepogrešljiv. Izkušeni analitiki in strokovnjaki za tveganja so ključni za interpretacijo rezultatov, oblikovanje verodostojnih scenarijev in sprejemanje strateških odločitev. Moja naloga kot zavarovalne strokovnjakinje je, da vam pomagam krmariti skozi to kompleksno pokrajino tveganj, ne le z razumevanjem tehničnih podrobnosti, ampak tudi z zdravo presojo. Cilj ni le izpolnjevanje regulativnih zahtev, ampak zagotavljanje resnične robustnosti in odpornosti zavarovalnega sistema, kar na koncu koristi vsem – zavarovalnicam, zavarovancem in celotni družbi.

Zaključek: Pomen proaktivnega obvladovanja tveganj

Kot sem poudarila skozi to poglobljeno analizo, sta stresno testiranje in obratna analiza korelacijske matrike v kontekstu nezgodnega zavarovanja nepogrešljiva orodja za vsako zavarovalnico, ki želi zagotoviti svojo dolgoročno stabilnost. Z razumevanjem, kako se korelacije med tveganji spreminjajo v ekstremnih scenarijih, in z identifikacijo kritičnih točk, lahko zavarovalnice učinkoviteje upravljajo svoj kapital, določajo ustrezne rezervacije in, kar je najpomembneje, izpolnjujejo svoje obveznosti do zavarovancev tudi v najtežjih časih. Ne gre le za 'check-the-box' dejavnost, temveč za temeljni element proaktivnega obvladovanja tveganj, ki je ključen za ohranjanje zaupanja v zavarovalni sektor.

Moje poslanstvo je zagotoviti, da so moji partnerji in zavarovanci vedno varni in informirani. Razumevanje teh kompleksnih konceptov nam omogoča, da skupaj gradimo bolj robusten in odporen sistem. Če imate vprašanja ali bi želeli poglobiti razpravo o specifičnih scenarijih tveganj in njihovih vplivih na vaše zavarovalne potrebe, me prosim kontaktirajte. Z veseljem vam bom svetovala in pomagala pri iskanju optimalnih rešitev za vaše edinstvene izzive. Skupaj lahko premostimo tudi najkompleksnejše izzive, ki jih prinaša svet tveganj.

Pogosta vprašanja

Kaj je glavna razlika med stresnim testom in obratno analizo?

Stresni test preizkuša vpliv vnaprej določenih ekstremnih scenarijev ('Kaj se zgodi, če?'). Obratna analiza pa išče scenarije, ki bi povzročili določen katastrofalni izid ('Kaj bi se moralo zgoditi, da bi prišlo do te katastrofe?'). Oba sta ključna za celostno obvladovanje tveganj.

Zakaj je korelacijska matrika pomembna pri nezgodnem zavarovanju?

Korelacijska matrika kvantificira medsebojno odvisnost med različnimi nezgodnimi tveganji. Omogoča natančnejšo oceno skupnega tveganja zavarovalnega portfelja. V stresnih razmerah pa se korelacije lahko spremenijo, kar vpliva na skupno izpostavljenost in zahtevani kapital.

Kateri so primeri ekstremnih dogodkov, ki vplivajo na korelacije?

Primeri so globalne pandemije, potresi, obsežni kibernetski napadi, vojne in nenadne spremembe zakonodaje. Ti dogodki lahko povzročijo, da se na videz nepovezana tveganja začnejo obnašati usklajeno, kar poveča skupno tveganje in vpliva na potrebni kapital.

Kako Solventnost II obravnava stresne teste in obratne analize?

Solventnost II zahteva, da zavarovalnice redno izvajajo stresne teste in obratne analize kot del robustnega sistema upravljanja tveganj. Te analize so ključne za oceno kapitalske ustreznosti in validacijo internih modelov tveganj, s čimer se zagotavlja stabilnost sektorja.

Ali lahko posameznik uporabi te analize za svoje nezgodno zavarovanje?

Neposredno ne, saj gre za kompleksne analize na ravni zavarovalnice. Vendar pa z razumevanjem teh principov lahko kot posameznik bolje razumete, zakaj so določeni scenariji izključeni iz kritja, in se posvetujete z menoj o tem, kako pokriti specifična, potencialno korelirana tveganja.

Viri in reference

• Uradni list RS, Zakon o zavarovalništvu (ZZavar-1)
• Agencija za zavarovalni nadzor (AZN) – Smernice za upravljanje tveganj
• EIOPA – Guidelines on Own Risk and Solvency Assessment (ORSA)
• EIOPA – Guidelines on Stress Testing and Reverse Stress Testing

Nadaljujte branje o tej temi

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

• 
  Primer: Tehnični vpogledi

  Nevarnostne skupine pri nezgodnem zavarovanju: kako poklic vpliva na premijo

• 
  Primer: Tehnični vpogledi

  Določitev upravičencev in izključitve kritja pri življenjskem zavarovanju

• 
  Primer: Tehnični vpogledi

  Izključitve pri zavarovanju hudih bolezni: Kaj polica nikoli ne krije

• 
  Primer: Tehnični vpogledi

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

• 
  Primer: Tehnični vpogledi

  Anamneza in zdravstveni vprašalnik: Zakaj je iskrenost pogoj za izplačilo