vakuutustoiminnan mallinnuksen trendejä, lasse koskinen

Talouden, vakuutuksen ja rahoituksen mallinnusseminaari 2.12.2015 Tilastokeskus

Vakuutustoiminnan mallinnuksen trendejä

Lasse Koskinen

Tampereen yliopisto

Mistä puhtaan?

• Vakuutus

• Vakuutustoiminta

• Mallinnus

• Trendi

Jukka Rantala (ETK):Työuran ja eläkeajan kultainen leikkaus?Eläkeaika suhteessa

työntekoaikaan on eri maissa

hämmästyttävän lähellä

kultaista leikkausta,

desimaalilukuna 0,61803…

I Vakuutustoiminta

Vakuutuksen käsite

• Käytännössä vakuutus (1) on menettely, jolla tietyn riskinalaiset henkilöt tai yritykset sopivat (sopimus) vahinkojen tasaamiseen erikoistuneen laitoksen (vakuutuslaitos) kanssa siitä, että laitos riskin toteutuessa korvaa aiheutuneen vahingon

• Liiketaloudellisesti vakuutus (2) voidaan määritellä keinoksi, jolla sattumanvaraisesti toteutuvasta vahingosta aiheutuvat kustannukset voidaan muuntaa tasaisesti jatkuvaksi (pieneksi) kustannukseksi

• Teoreettisesti vakuutus (3) on talousteorianoptio/johdannainen

• Vakuutus (4) on tapa suojautua riskin toteutumisentaloudellisilta seurauksilta.

Vakuutustoiminta

• Tuottaa abstraktin turvan => vastuuvelka

• Hallitaan riskiteorian, vakuutustalouden/ matematiikan ja rahoituksen välinein vallitsevan lainsäädännön määrittäessä toimintaympäristön.

• Kategorioita joiden välillä suuria eroja

– Vahinkovakuutus

– Henkivakuutus

– Eläkevakuutus

Mallinnuksen kohteita

• Riskit

• Tuotteet

• Vastuuvelka

• Sijoitukset

• ALM

• Vastuunkantokyky

• jne

Data – mallinnuksen raaka-aine

• Vakuutusalalla huikeat tietovarastot

Abstrakti tuote => tehdas on suuri

tietojärjestelmä

• Kattavat kansalliset – Kela

– ETK

• Tarkkaa asiakasdataa ja sijoitustoiminnan

dataa– Vakuutusyhtiöt ja laitokset

Balance Sheet Modeling

Priced with current* yield curve

Modeled as a basket of ESG indices

Sum of current* unit link policy savings

* Current = current simulation path and current time step

Technical reserves

Equity

SCR

MCR

LiabilitiesAssets

Unit Link investments

Equity and other

investments

Fixed income

investments

Expected value of future cash flows• For policies still

active in current* simulation

• Discounted with current* yield curve

Based on policy-level SCR attribution and current* investment risk

9

Kehityksen ajureita• Lainsäädäntö => mallinnus korostuu

– EU:n SII (Henki- ja vahinkovakuutus)

– TYEL (Työeläkevakuutus)

• Liiketoiminta

– Tehokkuuden lisääminen

– Uusien tuotteiden kehittäminen

• Tekniikka

– Informaation kerääminen ja hyödyntäminen

paranevat (+ digitalisaatio)

TeoriakehikkoKritiikki• N. Taleb (Kirjailija): ”Finanssimalleilla oltu neljän

merkitsevän numeron tarkkuudella väärässä.”

• A. Lo (MIT): “In physics it takes three laws to explain 99% of the data; in finance it takes more than 99 laws to explain about 3%.”

Toisaalta

• Black-Scholesin kaavasta alkanut johdannaistenmallinnus toimii hienosti käytännössä ja on teoreettisesti syvällinen.

• Vakuutusmatemaatiikka toimii.

ERM

• Enterprise (Wide) Risk Management

Risk also an opportunity! (Sorry for Finnish words –

I explain in English)

12

Spectrum of Methods

• An example

13

II Vakuutusregulaatio

Regulaation tarpeesta

• Mihin regulaatiota tarvitaan finanssisektorilla? Tehtävät mm.:

– Finanssisektorin vakauden ja luottamuksen säilyttäminen,

– Asiakkaiden suojelu,

– Kilpailun ylläpito;

– Riittävän tarjonnan takaaminen kansalaisille,

– Talouden stabiiliuden ylläpito.

• Ydinvaatimuksia– Läpinäkyvyys / tietojen julkaiseminen

– Riskinoton sääntely (ml. Insentiivit, sis. valvonta)

– Tuote- ja markkinaohjeistus

Finanssikriisi 1/2

Johtopäätökset Yhdysvalloissa ja vähän muuallakin:

• Kriisillä kohtuuttomia seuraamuksia syyttömille osapuolille. Näkemys ”Markkinat korjaavat normaaliin tapaansa ylilyöntejään”, on erityisen outo, koska tämän mittaluokan ongelma olisi ollut ennalta estettävissä.

• Fundamentaali ongelma arvomaailmassa:

1) Harhaiset palkitsemisjärjestelmät

Mahdollisti mm. pyramidipelin, jossa ketjun osat luottivat siihen, että onnistuvat siirtämään ongelmat

hyvällä tuotolla seuraavalle portaalle.

2) Väärä asenne viranomaisilla (vrt. Greenspan)

Mielenkiintoiset lähteet: Stiglitz (2008) ja Bogle (2005).

Finanssikriisi 2/2

Johtopäätökset matemaattisesta mallinnuksesta:

• Käytettiin tahallisesti väärin

– Pyrittiin riskien peittämiseen => ylisuuri voitto

• Epäonnistuttiin tahattomasti

– Mutkikkaiden johdannaisten loppukäyttäjät eivät

varoneet riittävästi suurta mutkikkuutta

– Eräiden pankkien / vakuutusyhtiöiden riskienhallinta

• Vakuutusala ei ollut yleisesti syypää

– AIG:n sijoitustoiminta kaatoi yhtiön valtion syliin

III Big or large data

Big Data

• The age of Big Data

– Not generally accepted definition

– Important phenomena

– But also hype

– “N = All” ?

19

Big Data Creates Value

• The use of big data offers tremendous potential for creating value

• McKinsey Global Institute: “Big Data: The next frontier for innovation, competition and productivity”, June 2011:– Our research suggests that we are on the cusp of a

tremendous wave of innovation, productivity, and growth, as well as new modes of competition and value capture — all driven by big data as consumers, companies, and economic sectors exploit its potential.

– Many pioneering companies are already using big data to create value, and others need to explore how they can do the same if they are to compete.

20

Data-driven Decisions (1/2)

• McKinsey Global Institute: “Big Data: The next frontier for innovation, competition and productivity,” June 2011:

– Visualization, a key tool for understanding very large-scale data and complex analyses in order to make better decisions.

– Presenting information in such a way that people can consume it effectively is a key challenge that needs to be met if analyzing data is to lead to concrete action.

21

Data-driven Decisions (2/2)

• A data-driven organization makes decisions on the basis of the empirical results, and the benefits of such an approach toward data have been demonstrated by academic research

– Erik Brynjolfsson etc.: “Strength in Numbers: How Does Data-Driven Decision making Affect Firm Performance? 2011:

“Case literature and economic theory suggest a potential connection between data driven decision making and productivity. By analyzing a larger sample of firms, we find that data driven decision making is indeed associated with higher productivity.”

22

Two faces of Big Data in Insurance

Large data source:

• Individual customers / contracts (up to millions)

• Financial market data (depends on application)

Large simulated data:

• ESG (Economic Scenario Generator)

– Real World or risk neutral

• Long and large scale liability simulation (e.g. 60 years)

• Risk management (nested simulations!)

23

Finnish traditionally good at utilizing

new technology - Many papers!

Research on individual actuarial modelling. Examples:

• Antonio K. and Plat R.: “Micro-level stochastic loss reserving”, SAJ, 2013 (Non-life real case study)

• Arjas, E., : “The claims reserving problem in non-life insurance: Some structural ideas”, ASTIN BULLETIN 1989.

• Rantala, J.: ”Estimation of IBRN claims”, 1983 (Early ideas)

• Leppisaari, M.: “Modeling catastrophic deaths using EVT with a micro-simulation approach to reinsurance pricing”, SAJ, 2014

24

Observations on the use of models in Insurance

• When making experiments – Take sample and run model in 2 minutes

• How to do this properly? Ans: Statistics– Not 1 hour full scale simulation

• Population:– You may have full population now– You need to forecast next year => you have not that population Ans: Statistics

• Philosophy of modelling:– Model transforms insight into numbers and vice versa.

25

Insurance modelling & Big Data & statistics

The role of statistics: Statisticians have spent the past 200 years figuring out what traps lie. The data are bigger, faster and cheaper these days – but we must not pretend that the traps have all been made safe. They have not.

• Nobody wants ‘data’. Everybody wants the answers. To use big data to produce such answers will require large strides in statistical methods: – Regression, regression and regression (in many forms)– Principal component analysis– Simulation methods– Many other

26

Insurance modelling (1/3)

• Background– Quoting England and Verrall, 2002: “With the continuing increase in

computer power, it has to be questioned whether it would not be better to examine individual claims rather than use aggregate data.”

– Here we utilize micro-level insurance data for better informed decisions by performing large simulations

• Example: Standard PC + Graphic Cards => Tens of Billions (109) Black Scholes per Second

• Now it is 2013! Individual simulation is feasible, but fast computers, large memories and efficient algorithms are still crucial

• Fast development each year: Both algorithms and hardware. Future looks even better!

27

Insurance modelling (2/3)Micro-level information• When micro-level information leads to better decisions?

– Causal information is available

– Causal information is correct

– Information can be communicated

• A heavy computational application that actuaries encounter nowadays is the use of economic scenario generator (ESG). A key element of :

– Market consistent valuation for insurance businesses

– Business modeling and ORSA (Own Risk and Solvency Analysis)

• Available computational power can be used several purposes: ESG, Individual Simulation, Extreme Value estimation etc.

28

Insurance modelling (3/3)

Big data analysis:• Familiarizing oneself with data is rather difficult

=> good graphical tools needed; Data visualization central

• Aim may be to detect peculiarities, anomalies, or unusual patterns with repeat.

• Often the entire population is stored in the database => description instead of inference is the aim.

• Data quality (as always) is central• Used dataset is often originally collected for

other purposes

29

Yhteenveto - Trendit

• Vakuutustoiminta– Regulaatio muutoksessa => mallinnus korostuu

– Tietointensiivinen ala => tietotekniikan kehitys vaikuttaa heti

– Globaalit muutokset => Näkyvät heti

• Mallinnus– Deterministinen => Stokastinen simulointi

– Keskiarvot => yksilöt

– Suuret linjat => tärkeät yksityiskohdat

Vaikea kohde on riippuvuuksien mallinnus.

Tärkeä ongelma, koska suuret vaikutukset riski-, vakavaraisuus- ja kannattavuuslaskelmiin.

Thank You!

Teivo Pentikäinen (1975):

• The strategy of 'practical men' can be a random product of old traditions, more or less reliable institutions.

• A discussion on theoretical aspects and on the theoretical point of view, even if the direct numerical results are of little value, may anyway direct attention to the statement and restatement of problems and to a conscious analysis of the facts and possibilities.

31