Probabilistyczny underwriting ryzyka tsunami: od determinizmu do kwantyfikacji niepewności

Tradycyjne modele ryzyka tsunami w ubezpieczeniach majątkowych opierają się na jednej, maksymalnej mapie zalania. Aktuariusze wyznaczają składki zakładając, że wszystko za tą linią jest bezpieczne, a wszystko przed nią zniszczone. Problem w tym, że rzeczywistość rzadko pokrywa się z tym uproszczeniem. Nowe podejście oparte na generatywnej AI dostarcza nie pojedynczy scenariusz, ale cały rozkład prawdopodobieństwa strat, co zmienia reguły gry w wycenie ryzyka katastroficznego.

Zespół map zamiast jednej prognozy

Model opracowany przez Oishiego, Furumurę i Imamurę wykorzystuje warunkowy model dyfuzyjny (rodzaj generatywnej AI) do generowania realistycznych map zalania lądu. Zamiast jednej deterministycznej linii, produkuje zestaw na przykład tysiąca map, z których każda reprezentuje możliwy scenariusz z określonym prawdopodobieństwem. Dla aktuariusza to oznacza koniec zgadywania, czy maksymalny zasięg z pojedynczej symulacji jest wiarygodny. Teraz może policzyć oczekiwaną stratę, Value-at-Risk i Tail-Value-at-Risk, opierając się na pełnym rozkładzie, a nie na najgorszym przypadku. Model został zweryfikowany na danych z trzęsienia Tohoku-oki w 2011 roku i dokładnie odtwarza zarówno głębokość zalania, jak i proces malejącej niepewności w miarę napływania danych z boi tsunami.

Scenariusz: szybka ocena ekspozycji po wstrząsie

Wyobraźmy sobie firmę ubezpieczeniową z portfelem nieruchomości na wybrzeżu Honsiu. Dochodzi do trzęsienia megathrust o magnitudzie 8.5. W ciągu kilku minut od wstrząsu, model generuje tysiąc map zalania, uwzględniając pierwsze odczyty z boi. Zespół underwritingu widzi, że z prawdopodobieństwem 70% straty nie przekroczą 200 milionów dolarów, a z prawdopodobieństwem 95% sięgną 450 milionów. Na tej podstawie podejmuje decyzję o uruchomieniu reasekuracji nadwyżkowej lub korekcie limitów. Bez modelu probabilistycznego opierałby się na jednej mapie, która mogłaby dać fałszywe poczucie bezpieczeństwa poza jej granicami. W przypadku tsunami generowanego blisko brzegu, gdzie czas reakcji jest krytyczny, takie narzędzie staje się nie tyle przewagą, co koniecznością.

Korzyści i zwrot z inwestycji

Wdrożenie probabilistycznego modelu może obniżyć wymogi kapitałowe o 15 do 20 procent w portfelu narażonym na tsunami, bo kapitał jest lepiej dopasowany do rzeczywistego ryzyka. Dla ubezpieczyciela z ekspozycją 500 milionów dolarów oznacza to oszczędność rzędu 2 do 3 milionów rocznie na kosztach kapitału. Dodatkowo, możliwość oferowania niższych składek w strefach o niskim prawdopodobieństwie zalania zwiększa konkurencyjność. Z moich rozmów z aktuariuszami wynika, że wielu wciąż używa modeli deterministycznych, bo probabilistyczne były zbyt kosztowne obliczeniowo. Generatywna AI zmienia ten rachunek: czas generowania tysiąca scenariuszy spada z godzin do minut, a koszt infrastruktury chmurowej jest akceptowalny nawet dla średnich graczy.

Podsumowanie: czas na pilotaż

Firmy, które pierwsze wdrożą probabilistyczny underwriting tsunami, zyskają przewagę w precyzji wyceny i zarządzaniu ryzykiem. Warto zacząć od pilotażu na jednym regionie, na przykład na wybrzeżu Japonii lub Chile, gdzie dane historyczne są bogate i łatwo zweryfikować model. Koszt wdrożenia to ułamek potencjalnych strat wynikających z niedoszacowania ryzyka, a korzyści szybko się materializują w postaci lepszych decyzji reasekuracyjnych i bardziej konkurencyjnych stawek.

• Precyzyjna wycena ryzyka oparta na rozkładzie prawdopodobieństwa, a nie na jednym scenariuszu maksymalnym

• Możliwość aktualizacji ekspozycji w czasie rzeczywistym po wstrząsie

• Redukcja wymogów kapitałowych dzięki lepszemu dopasowaniu kapitału do ryzyka

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.