General Bounds on Functionals of the Lifetime under Life Table Constraints

Dieses Papier entwickelt robuste obere und untere Schranken für funktionale der Lebensdauer unter Berücksichtigung von Lebenstabellenbeschränkungen, um die Unsicherheit bei der Bewertung von Lebensversicherungsverträgen infolge fehlender Informationen über die Sterblichkeit zwischen ganzen Altersstufen zu quantifizieren.

Das Wesentliche

Hier ist eine einfache, bildhafte Erklärung der Forschungspapiere von Dupret und Motte, die sich mit einem sehr spezifischen Problem in der Lebensversicherung beschäftigt.

Das große Rätsel: Der Tod zwischen den Jahren

Stellen Sie sich vor, Sie sind ein Versicherer. Sie haben eine riesige Tabelle (ein sogenanntes Lebensalter), die Ihnen sagt:

• Wie viele Menschen mit 40 Jahren noch leben.
• Wie viele mit 41 Jahren noch leben.
• Wie viele mit 42 Jahren noch leben.

Die Tabelle ist wie ein Fotobuch, das nur alle ganzen Jahre ein Foto macht. Sie wissen also genau, wie viele Leute am Geburtstag noch da sind. Aber die Tabelle sagt Ihnen nichts darüber, was zwischen zwei Geburtstagen passiert.

Das Problem:
Wenn Sie eine Versicherung verkaufen, die Geld zahlt, sobald jemand stirbt (z. B. eine Todesfallversicherung) oder Geld zahlt, solange jemand lebt (z. B. eine lebenslange Rente), ist der genaue Zeitpunkt des Todes entscheidend.

• Stirbt jemand am 1. Januar oder am 31. Dezember? Das macht einen riesigen Unterschied für den Geldwert der Versicherung, auch wenn beide im selben Jahr gestorben sind.

Bisher mussten Versicherer raten. Sie haben sich Modelle ausgedacht (wie „UDD" oder „Balducci"), die einfach annehmen: „Todesfälle verteilen sich gleichmäßig im Jahr" oder „Die Sterblichkeit steigt exponentiell". Das ist wie ein Schätzwert. Aber was, wenn die Realität anders ist? Wenn die Menschen in diesem Jahr plötzlich früher oder später sterben als gedacht? Dann könnte die Versicherung viel mehr oder viel weniger Geld verlieren, als geplant.

Die Lösung: Ein Sicherheitsnetz aus „Worst-Case" und „Best-Case"

Die Autoren dieses Papiers sagen: „Warum raten wir? Warum bauen wir nicht ein Sicherheitsnetz?"

Statt sich auf ein einzelnes Modell zu verlassen, berechnen sie die absoluten Grenzen (die oberen und unteren Schranken). Sie fragen sich:

1. Was ist der schlimmstmögliche Preis für die Versicherung, der noch mit unserer Tabelle vereinbar ist?
2. Was ist der bestmögliche Preis, der noch mit der Tabelle vereinbar ist?

Stellen Sie sich vor, Sie bauen eine Brücke. Anstatt zu raten, wie stark der Wind weht, bauen Sie die Brücke so, dass sie sowohl dem stärksten denkbaren Sturm als auch der absoluten Windstille standhält. Das ist genau das, was diese Forscher tun.

Die zwei Ansätze: Der strenge und der entspannte Weg

Die Autoren testen zwei verschiedene Methoden, um diese Grenzen zu finden:

1. Der strenge Weg (Das „Fast-Forward"-Spiel)

Hier nehmen sie an, dass die Sterblichkeit in jedem einzelnen Jahr exakt so passiert, wie es die Tabelle vorgibt.

• Die Analogie: Stellen Sie sich vor, Sie haben ein Puzzle. Die Tabelle gibt Ihnen die Ränder vor. In diesem Szenario müssen die Puzzleteile (die Todesfälle) so gelegt werden, dass sie exakt an den Rändern kleben.
• Das Ergebnis: Sie finden heraus, dass die „schlimmsten" und „besten" Szenarien oft extrem sind. Zum Beispiel: Wenn die Versicherung zahlt, solange man lebt, ist das schlimmste Szenario, wenn alle Menschen sofort nach ihrem Geburtstag sterben (oder alle erst kurz vor dem nächsten).
• Erkenntnis: Bei jungen Menschen ist der Unterschied zwischen den Modellen klein. Bei sehr alten Menschen (z. B. 80+) wird der Unterschied riesig. Die Wahl des falschen Modells kann hier zu massiven Fehlkalkulationen führen.

2. Der entspannte Weg (Das „Durchschnitts"-Spiel)

In der echten Welt ist es unwahrscheinlich, dass die Sterblichkeit jedes Jahr exakt der Tabelle folgt. Manchmal sterben etwas mehr, manchmal etwas weniger.

• Die Analogie: Statt zu verlangen, dass jeder einzelne Würfelwurf exakt 6 ist (strenge Regel), erlauben wir, dass wir über viele Würfe hinweg im Durchschnitt 6 würfeln.
• Das Ergebnis: Dieser Ansatz ist realistischer. Er erlaubt Schwankungen, solange der Durchschnitt stimmt. Die berechneten Grenzen sind hier etwas weiter gefächert (breiter), aber sie decken die Realität besser ab.
• Die Methode: Die Autoren nutzen eine Art mathematisches „Zauberspiel" (Stochastische Optimierung), um herauszufinden, wie sich die Sterblichkeit bewegen muss, um den Versicherer am meisten zu schaden oder am meisten zu bereichern, ohne gegen die Tabelle zu verstoßen.

Warum ist das wichtig? (Die praktische Anwendung)

Stellen Sie sich vor, Sie sind ein Versicherer und verkaufen eine Variable Annuity (eine Art Altersvorsorge, die vom Aktienmarkt abhängt).

• Ohne diese Methode: Sie nutzen ein Modell und sagen: „Die Versicherung kostet 100 Euro."
• Mit dieser Methode: Sie sagen: „Basierend auf unserer Tabelle könnte die Versicherung zwischen 85 Euro (Best-Case) und 115 Euro (Worst-Case) kosten, je nachdem, wann genau die Leute im Jahr sterben."

Das gibt Ihnen eine Risikopuffer. Sie wissen jetzt: „Wenn die Menschen in diesem Jahr 10% früher sterben als unser Modell annimmt, verlieren wir maximal X Euro."

Zusammenfassung in einem Satz

Die Autoren haben eine neue Art entwickelt, Lebensversicherungen zu bewerten, die nicht auf dem „Glauben" an ein bestimmtes Sterblichkeitsmodell basiert, sondern auf der mathematischen Gewissheit der absoluten Worst- und Best-Case-Grenzen, die durch die vorhandenen Daten (die Lebensalter) vorgegeben sind.

Die Metapher:
Statt zu versuchen, das Wetter für die nächsten 50 Jahre vorherzusagen (was unmöglich ist), bauen sie ein Haus, das sowohl bei einem Hurrikan als auch bei einer Dürre nicht einstürzt. Sie wissen nicht genau, welches Wetter kommt, aber sie wissen genau, wie stark das Haus sein muss, um sicher zu sein.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papiers auf Deutsch:

Titel: Allgemeine Schranken für Funktionale der Lebensdauer unter Lebensmitteltabellen-Bedingungen

1. Problemstellung

In der Lebensversicherung werden Lebensmitteltabellen (Life Tables) verwendet, um die Überlebensverteilung von Individuen zu schätzen. Ein zentrales Problem besteht jedoch darin, dass diese Tabellen nur Überlebenswahrscheinlichkeiten für ganzzahlige Alter liefern, aber keine Informationen über die Verteilung der Todesfälle zwischen zwei aufeinanderfolgenden ganzen Zahlen enthalten.

Viele versicherungsmathematische Größen, insbesondere variable Renten (Variable Annuities), hängen jedoch von der vollständigen Verteilung der Lebensdauer ab. Um diese zu berechnen, müssen Versicherer traditionell entweder:

1. Annahmen für Bruchteile von Jahren treffen (z. B. UDD – Uniform Distribution of Deaths, CFM – Constant Force of Mortality, Balducci-Annäherung).
2. Parametrische Mortalitätsmodelle verwenden (z. B. Gompertz-Makeham, Lee-Carter, stochastische Modelle).

Beide Ansätze führen zu einem Modellrisiko, da die berechneten Werte stark von den gewählten Annahmen abhängen. Da die tatsächliche Verteilung der Todesfälle innerhalb eines Jahres unbekannt ist, fehlt es an einer robusten Methode, um den Einfluss dieser Unsicherheit auf die Preisgestaltung zu quantifizieren.

2. Methodik

Die Autoren entwickeln einen modellfreien Rahmen (im Sinne der Mortalitätskomponente), der keine spezifischen Annahmen über die Mortalitätsdynamik innerhalb eines Jahres trifft. Stattdessen leiten sie obere und untere Schranken für Funktionale der Lebensdauer ab, die mit den beobachteten Daten der Lebensmitteltabelle an den ganzzahligen Zeitpunkten konsistent sind.

Der Ansatz unterscheidet zwei Szenarien:

• Szenario A: Strenges (fast-sicheres) Matching (Abschnitt 4)

  • Annahme: Jeder Pfad der Mortalitätsrate muss fast sicher (almost surely) mit den gegebenen einjährigen Überlebenswahrscheinlichkeiten der Tabelle übereinstimmen.
  • Mathematische Formulierung: Dies führt zu einem stochastischen Kontrollproblem, bei dem die zulässigen Kontrollen $\mu$ eine Pfadbedingung erfüllen müssen:
    $$\exp\left(-\int_{\lceil t \rceil+j}^{\lceil t \rceil+j+1} \mu_{x,c}(s)ds\right) \prod_{i: \lceil t \rceil+j < \tau_i \le \lceil t \rceil+j+1} (1 - \mu_{x,i}) = \hat{p}_j \quad \text{fast sicher}$$
  • Ergebnis: Unter dieser strengen Bedingung erweisen sich die optimalen Mortalitätsraten als deterministisch. Die Lösung führt dazu, dass die gesamte Sterblichkeit innerhalb eines Jahres entweder am Anfang oder am Ende des Intervalls konzentriert wird, je nachdem, ob das Ziel die Maximierung oder Minimierung des Vertragswerts ist.

• Szenario B: Relaxiertes Matching im Erwartungswert (Abschnitt 5)

  • Annahme: Die Konsistenz mit der Lebensmitteltabelle gilt nur im Erwartungswert. Dies erlaubt realistischere Trajektorien, die von der Tabelle abweichen können, solange der Durchschnitt konsistent bleibt.
  • Problem: Das Kontrollproblem ist ohne weitere Einschränkungen schlecht gestellt (ill-posed).
  • Lösung: Die Autoren führen eine Regularisierung ein, indem sie die zulässigen Kontrollen durch zeitabhängige Funktionen nach oben und unten beschränken (mit einem Parameter $\delta$).
  • Lösungsmethode: Das Problem wird über einen Dual-Ansatz mit Lagrange-Multiplikatoren gelöst. Es wird eine Hamilton-Jacobi-Bellman (HJB) Gleichung hergeleitet, die ein nichtlineares partielles Differentialgleichungssystem darstellt. Die Lösung konvergiert für $\delta \to \infty$ gegen die Lösung des ursprünglichen unbeschränkten Problems.

3. Wichtige Beiträge und Ergebnisse

Die Studie analysiert drei Arten von variablen Rentenverträgen:

1. GMAB (Guaranteed Minimum Accumulation Benefits): Garantierter Mindestbetrag am Ende der Laufzeit bei Überleben.
2. GMIB (Guaranteed Minimum Income Benefits): Garantierte lebenslange Rente plus Bonus.
3. GMDB (Guaranteed Minimum Death Benefits): Garantierter Mindestbetrag bei Tod vor Fälligkeit.

Kernergebnisse:

• GMAB: Die Schranken sind trivial. Da der Auszahlungswert nur vom Überleben bis zum Endzeitpunkt abhängt und nicht vom genauen Todeszeitpunkt innerhalb der Jahre, ist der Preis unabhängig von der innerjährigen Mortalitätsverteilung, solange die jährlichen Überlebenswahrscheinlichkeiten eingehalten werden.
• GMIB und GMDB: Hier sind die Schranken signifikant.
  • Obere Schranke (Worst-Case für den Versicherer bei GMIB): Wird erreicht, wenn die Mortalität so spät wie möglich im Jahr eintritt (Tod am Ende des Jahres), um die Zahlungsdauer der Rente zu maximieren.
  • Untere Schranke (Best-Case für den Versicherer bei GMIB): Wird erreicht, wenn die Mortalität so früh wie möglich eintritt (Tod am Anfang des Jahres).
  • Asymmetrie: Die Schranken sind asymmetrisch. Bei überlebensabhängigen Produkten (GMIB) ist die untere Schranke oft weit vom Basiswert entfernt (höhere Mortalität senkt den Wert stark), während die obere Schranke näher liegt. Bei todesabhängigen Produkten (GMDB) ist das Gegenteil der Fall.
• Einfluss des Alters: Die Diskrepanz zwischen den Schranken und den herkömmlichen Annahmen (UDD, CFM, Balducci) ist bei älteren Versicherten (z. B. Alter 80) und längeren Laufzeiten deutlich größer als bei jüngeren Versicherten.
• Konvergenz: Die numerischen Experimente zeigen, dass die relaxierten Schranken (Erwartungswert) weiter sind als die strengen Schranken (fast sicher). Das Hinzufügen von Zwischenbedingungen (Constraints zu jedem Zeitpunkt $j$) verengt die Schranken erheblich.

4. Signifikanz und Anwendung

• Modellunabhängiges Risikomanagement: Das Papier bietet ein Werkzeug, um das Risiko der innerjährigen Mortalitätsunsicherheit zu quantifizieren, ohne sich auf ein spezifisches Mortalitätsmodell festzulegen.
• Preisspannen: Versicherer können damit einen realistischen Preisspielraum (Range) für variable Renten bestimmen. Jeder Preis außerhalb dieser Schranken ist entweder nicht mit der Lebensmitteltabelle vereinbar oder basiert auf unrealistischen Annahmen.
• Sensitivitätsanalyse: Es ermöglicht die direkte Quantifizierung des maximalen potenziellen Verlusts (Worst-Case) oder Gewinns (Best-Case), der aus Abweichungen der realisierten Mortalität von den angenommenen Modellen resultiert.
• Numerische Machbarkeit: Obwohl die HJB-Gleichungen hochdimensional sind, zeigen die Autoren, dass durch Reduktion des Zustandsraums oder den Einsatz moderner Deep-Learning-Methoden (im Ausblick erwähnt) eine Lösung möglich ist. Die strengen Schranken dienen zudem als schnelle, analytische "Sanity Checks".

Fazit:
Die Autoren liefern einen robusten Rahmen, der die Lücke zwischen diskreten Lebensmitteltabellen und kontinuierlichen Versicherungsprodukten schließt. Anstatt willkürliche Annahmen zu treffen, definieren sie die Grenzen des Möglichen basierend auf den beobachteten Daten und bieten so ein mächtiges Instrument für das Risikomanagement und die Preisgestaltung in der Lebensversicherung.