Continuous-time modeling and bootstrap for Schnieper's reserving

Die Autoren stellen ein kontinuierliches stochastisches Modell für Schnieper's Rückstellungsmethode vor, das auf einem Poisson-Maß und einer Brownschen Bewegung basiert, und entwickeln daraus eine Bootstrap-Methode zur Schätzung der vollständigen Vorhersageverteilung von Schadenrückstellungen, die Asymmetrie und Nicht-Negativität automatisch berücksichtigt.

Das Wesentliche

Hier ist eine einfache Erklärung der wissenschaftlichen Arbeit von Nicolas Baradel, übersetzt in eine Geschichte mit Alltagsanalogien.

Das große Rätsel der fehlenden Rechnungen

Stellen Sie sich vor, Sie betreiben eine große Versicherung. Jedes Jahr passieren Unfälle. Aber nicht alle Rechnungen liegen sofort auf Ihrem Schreibtisch. Manche Unfälle sind passiert, aber die Polizei oder die Geschädigten haben noch nicht gemeldet, dass sie einen Anspruch haben. Andere Rechnungen liegen schon da, aber die Kosten steigen oder fallen, weil sich die Schätzungen ändern.

In der Versicherungswelt nennt man das IBNR (Incurred But Not Reported – entstandene, aber noch nicht gemeldete Schäden) und IBNER (Incurred But Not Enough Reported – entstandene, aber noch nicht vollständig bewertete Schäden).

Der Autor Nicolas Baradel nimmt sich ein altes Modell von einem Mann namens Schnieper vor. Schnieper hatte eine clevere Idee: Man muss diese beiden Arten von "fehlenden Rechnungen" getrennt betrachten.

1. Die neuen Fälle: Unfälle, die noch gar nicht bekannt sind.
2. Die alten Fälle: Unfälle, die schon bekannt sind, deren Kosten aber noch schwanken.

Das Problem: Die bisherigen Methoden, um zu berechnen, wie viel Geld man für diese unsichtbaren Rechnungen zurücklegen muss, waren oft wie ein starrer Schachbrett-Zug. Sie funktionierten nur in diskreten Schritten (Jahr für Jahr) und hatten manchmal das Problem, dass sie mathematisch "negative Geldbeträge" vorhersagten – was in der realen Welt natürlich unmöglich ist (man kann nicht minus 100 Euro Schulden haben, wenn es um Rückstellungen geht).

Die neue Idee: Ein fließender Fluss statt eines Treppenstufen-Modells

Baradel schlägt vor, das Ganze nicht wie eine Treppe zu betrachten, bei der man von einer Stufe zur nächsten springt, sondern wie einen fließenden Fluss.

Er nutzt zwei Werkzeuge aus der Physik und Mathematik, um diesen Fluss zu modellieren:

1. Der Poisson-Prozess (Der Regenschauer):
   Stellen Sie sich vor, neue Unfälle sind wie Regentropfen, die zufällig in einen Eimer fallen. Man weiß nicht genau, wann der nächste Tropfen kommt, aber man kennt die durchschnittliche Häufigkeit. Baradel nutzt dieses Modell, um den Zufluss neuer Unfälle zu beschreiben. Es ist ein "Plop-Plop"-Effekt: Ein neuer Fall taucht plötzlich auf.

2. Die Brownsche Bewegung (Das Wackeln):
   Sobald ein Unfall bekannt ist, ändern sich die Kosten. Vielleicht wird das Auto teurer zu reparieren, oder die Anwälte verlangen mehr. Das ist wie ein Ballon, der im Wind wackelt. Er bewegt sich unvorhersehbar nach oben oder unten, aber er bleibt im Großen und Ganzen stabil. Baradel nutzt dieses Modell, um die Schwankungen der bereits bekannten Kosten zu beschreiben.

Warum ist das besser? (Die Vorteile)

Durch diese Kombination aus "Regentropfen" und "wackelndem Ballon" entsteht ein kontinuierliches Modell. Das hat drei große Vorteile:

• Keine negativen Zahlen: Da der Fluss immer fließt und die Kosten nicht einfach "unter Null" fallen können, sagt das Modell nie aus, dass man Geld zurückzahlen muss, das man gar nicht hat. Es ist physikalisch logisch.
• Asymmetrie: In der echten Welt sind Risiken oft nicht symmetrisch. Ein Unfall kann extrem teuer werden (ein riesiger Tropfen), aber selten extrem "negativ" werden. Das alte Modell war oft zu symmetrisch wie eine Glocke; das neue Modell erkennt, dass es nach oben hin mehr Spielraum gibt als nach unten.
• Der "Bootstrap"-Trick (Das Zeitreise-Spiel):
  Um zu testen, wie sicher das Modell ist, macht der Autor ein Spiel: Er nimmt die historischen Daten und simuliert Tausende von möglichen Zukünften.
  • Stellen Sie sich vor, Sie werfen einen Würfel 10.000 Mal, um zu sehen, wie oft Sie Sechs würfeln.
  • Hier würfelt er mit den Parametern des Modells, um 10.000 verschiedene Szenarien für die Zukunft zu erstellen.
  • Das Ergebnis ist keine einzelne Zahl, sondern eine ganze Wahrscheinlichkeitsverteilung. Man sieht nicht nur den "durchschnittlichen" Bedarf, sondern auch das Worst-Case-Szenario (z. B. "In 99,5 % der Fälle reichen diese Reserven").

Das Experiment

Der Autor testet sein neues Modell mit echten Daten aus der Versicherungswelt (Motor-Haftpflicht). Er vergleicht es mit den alten Methoden:

• Die alten Methoden sagten oft, dass die Unsicherheit (das Risiko) sehr hoch ist, oder sie sagten unrealistische Dinge voraus.
• Das neue Modell liefert eine realistischere Verteilung. Es zeigt, dass die Risiken zwar da sind, aber durch die kontinuierliche Betrachtung besser eingeschätzt werden können.

Fazit für den Alltag

Stellen Sie sich vor, Sie planen ein Festmahl.

• Die alte Methode sagt: "Wir brauchen genau 50 Portionen, plus 10% Puffer." Aber sie ignoriert, dass Gäste vielleicht später kommen oder plötzlich mehr essen wollen.
• Die neue Methode von Baradel sagt: "Wir beobachten den Strom der Gäste. Manche kommen plötzlich (Regentropfen), und manche essen mehr oder weniger, je nachdem, wie der Abend läuft (Wackeln). Wir simulieren 10.000 Abende und sehen: In fast allen Fällen reichen 60 Portionen, aber in den extremen Fällen brauchen wir vielleicht 80."

Zusammenfassend: Nicolas Baradel hat ein mathematisches Werkzeug entwickelt, das die Unsicherheit in Versicherungen nicht als starre Tabelle, sondern als lebendigen, fließenden Prozess betrachtet. Das macht die Berechnung von Rückstellungen sicherer, realistischer und verhindert, dass Versicherer in mathematische Sackgassen (wie negative Reserven) geraten.

Technische Zusammenfassung

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

Titel: Continuous-time modeling and bootstrap for Schnieper's reserving

Autor: Nicolas Baradel
Datum: 13. März 2026

---

1. Problemstellung und Motivation

Das Paper befasst sich mit der Schätzung von Schadenrückstellungen (Loss Reserving) im Kontext der Rückversicherung (insbesondere Excess-of-Loss). Der Fokus liegt auf der Weiterentwicklung des Schnieper-Modells (ursprünglich von [11] vorgeschlagen), welches die Incurred But Not Reported (IBNR) Reserven in zwei Komponenten zerlegt:

1. True IBNR: Schadenfälle, die eingetreten, aber noch nicht gemeldet wurden.
2. IBNER (Incurred But Not Enough Reported): Änderungen in der Kostenschätzung bereits gemeldeter Schäden über die Zeit (z. B. Nachschätzungen).

Herausforderungen bestehender Ansätze:

• Diskretzeit-Modelle (wie das ursprüngliche Schnieper-Modell oder Mack-Modelle) nutzen oft Bootstrap-Verfahren, die auf Residuen basieren. Diese können negative Werte für kumulierte Schäden oder Reserven erzeugen, was ökonomisch unsinnig ist.
• Viele kontinuierliche Zeitmodelle konzentrieren sich auf die Chain-Ladder-Methode, ignorieren aber die spezifische Zerlegung von Schnieper in True IBNR und IBNER.
• Es besteht ein Bedarf an einem parametrischen Rahmen, der Asymmetrien berücksichtigt, Nicht-Negativität erzwingt und die intrinsischen Grenzen der Reserven respektiert, ohne zusätzliche Annahmen treffen zu müssen.

2. Methodik: Das kontinuierliche stochastische Modell

Der Autor schlägt ein kontinuierliches stochastisches Modell vor, das die diskreten Schritte von Schnieper in einen stochastischen Differentialgleichungs-Rahmen (SDE) überführt.

Modellstruktur:
Der kumulierte Schadenprozess $C^i_t$ für Unfalljahr $i$ wird durch eine SDE beschrieben, die zwei Treiber kombiniert:

1. Poisson-Maß (für True IBNR): Ein zufälliges Poisson-Maß $\Pi^i$ steuert den Zufluss neuer, gemeldeter Schäden. Dies modelliert die diskontinuierliche Ankunft neuer Fälle.
2. Brownsche Bewegung (für IBNER): Eine Brownsche Bewegung $W^i$ modelliert die kontinuierlichen Schwankungen (Drift und Diffusion) der Kosten bereits gemeldeter Schäden.

Die stochastische Differentialgleichung (SDE):
$$C^i_t = C^i_s + \int_s^t \int_{\mathbb{R}^*_+} z \Pi^i(du, dz) - \int_s^t \delta_u C^i_u du + \int_s^t \tau_u \sqrt{C^i_u} dW^i_u$$

• Der Sprungterm repräsentiert neue Schäden ($N$).
• Der Drift- und Diffusionsterm repräsentieren die Entwicklung bestehender Schäden ($D$).
• Die Koeffizienten $\lambda, \delta, \tau$ sind zeitabhängige Funktionen, die in der Praxis als stückweise konstant angenommen werden, um mit diskreten Entwicklungsjahren kompatibel zu sein.

Verbindung zum diskreten Schnieper-Modell:
Durch die Definition der Inkremente $N_{i,j}$ (neue Schäden) und $D_{i,j}$ (Kostenänderungen) über die Intervalle $[j, j+1]$ wird gezeigt, dass das kontinuierliche Modell die Annahmen H1, H2 und H3 des diskreten Schnieper-Modells erfüllt. Die Parameter des diskreten Modells ($\Lambda, \Delta, \Sigma, T$) lassen sich explizit aus den Parametern der SDE ableiten.

Verteilungseigenschaften:

• Das Modell garantiert Nicht-Negativität der kumulierten Schäden ($C^i_t \ge 0$).
• Es nutzt die Branching-Eigenschaft (Verzweigungseigenschaft) der SDE: Der Prozess nach einem Sprung kann als Summe aus dem fortgesetzten Prozess vor dem Sprung und einem neuen, unabhängigen Prozess, der beim Sprungwert startet, dargestellt werden.
• Dies ermöglicht eine exakte Simulation (Proposition 3.12) ohne Diskretisierungsfehler, indem der Prozess als Summe unabhängiger Prozesse dargestellt wird, die jeweils einer SDE ohne Sprünge folgen.

3. Bootstrap-Verfahren

Das Paper entwickelt ein parametrisches Bootstrap-Verfahren zur Schätzung der gesamten prädiktiven Verteilung der Reserven.

Schritte des Verfahrens:

1. Parameterschätzung: Schätzung der SDE-Koeffizienten ($\lambda, \delta, \tau$) und der Sprungverteilung $Z$ aus den historischen Daten. Ein wichtiger Schritt ist die Schätzung des Verhältnisses $E[Z^2]/E[Z]$ mittels gewichteter linearer Regression (ohne Intercept), da bei aggregierten Daten die Verteilung von $Z$ nicht vollständig identifizierbar ist.
2. Parametrisches Bootstrapping: Simulation von neuen Daten $(N^m, D^m)$ basierend auf den geschätzten Parametern und der geschätzten Sprungverteilung $\hat{P}_Z$. Daraus werden neue Parameterschätzer für jede Bootstrap-Stichprobe $m$ berechnet.
3. Prozess-Bootstrapping: Simulation der zukünftigen Entwicklungswege (unteres Dreieck) iterativ unter Verwendung der gebootstrapteten Parameter und der exakten Simulationsmethode (Proposition 3.12).
4. Reservenschätzung: Berechnung der Reserve $R^m$ für jede Simulation. Die Verteilung von $(R^m)$ approximiert die prädiktive Verteilung der Reserven.

Vorteile:

• Keine negativen Reserven.
• Natürliche Berücksichtigung von Asymmetrie (durch die Sprungkomponente und die Gamma-Verteilung).
• Keine Notwendigkeit für Residuen-basierte Anpassungen.

4. Ergebnisse und Fallstudie

Die Methode wurde an einem realen Datensatz aus der Motor-Haftpflicht-Excess-of-Loss-Rückversicherung (ursprünglich von [11]) getestet.

Vergleichsmethoden:

1. Schnieper-Modell mit Log-normaler Approximation.
2. Schnieper-Modell mit klassischem Bootstrap (basierend auf Pearson-Residuen, wie in [6]).
3. Zeitreihen-Bootstrap (basierend auf [4]).
4. Vorgeschlagene Continuous-Time Bootstrap.

Ergebnisse (Tabelle 5):

• MSEP (Mean Squared Error of Prediction): Das Continuous-Time-Modell liefert ein MSEP von ca. 43,17 % des Punktschätzers, was vergleichbar mit den anderen Methoden ist.
• 99,5%-Quantil (Tail Risk): Das Continuous-Time-Modell zeigt ein Quantil von ca. 136,7 %.
• Vergleich mit Log-normal: Die Log-normal-Approximation unterschätzt das Tail-Risiko stark (165 % vs. 136 % im Vergleich, wobei die Log-normal hier als konservativere Schätzung des Quantils erscheint, aber die Verteilungsfamilie falsch ist).
• Negative Werte:
  • Der klassische Schnieper-Bootstrap erzeugt in ca. 66 % der Simulationen negative Werte für $N_{i,j}$ (neue Schäden), was physikalisch unmöglich ist.
  • Das Continuous-Time-Modell erzeugt niemals negative Werte und respektiert die Obergrenze $D_{i,j+1} \le C_{i,j}$.

Sensitivitätsanalyse:
Die Ergebnisse hängen von der Wahl des Erwartungswerts der Sprunggröße $E[Z]$ ab. Da $E[Z]$ bei rein aggregierten Daten nicht direkt beobachtbar ist, wird eine Gamma-Verteilung angenommen. Die Analyse zeigt, dass niedrigere Werte von $E[Z]$ zu schwereren Verteilungsenden (höheres MSEP und höheres Quantil) führen.

5. Wichtige Beiträge und Signifikanz

1. Theoretische Konsistenz: Das Paper schließt die Lücke zwischen dem diskreten Schnieper-Modell und kontinuierlichen stochastischen Modellen, indem es zeigt, dass Schnieper's Annahmen als Spezialfall einer SDE mit Sprüngen und Diffusion interpretiert werden können.
2. Robustheit: Die Methode löst das Problem der negativen Reserven, das bei vielen Bootstrap-Verfahren auftritt, indem sie die zugrunde liegende stochastische Struktur (SDE) direkt simuliert.
3. Flexibilität: Das Modell erlaubt die Integration von Asymmetrien und intrinsischen Grenzen ohne ad-hoc-Korrekturen.
4. Praktische Anwendbarkeit: Durch die exakte Simulationsmethode (Proposition 3.12) ist das Verfahren effizient und präzise, auch wenn die exakte Verteilung der Reserven analytisch nicht in geschlossener Form vorliegt.
5. Erweiterbarkeit: Der Ansatz bietet einen Rahmen, der bei Verfügbarkeit von Einzeldaten (Individual Claim Data) erweitert werden kann, um die Verteilung der Sprunggrößen $Z$ direkt zu schätzen.

Fazit:
Nicolas Baradel präsentiert einen rigorosen, kontinuierlichen stochastischen Rahmen für die Schadenrückstellung nach Schnieper. Der vorgeschlagene Bootstrap-Ansatz bietet eine überlegene Alternative zu diskreten Methoden, da er die physikalischen Grenzen der Daten (Nicht-Negativität) strikt einhält und gleichzeitig eine realistische Abbildung der Unsicherheit und Asymmetrie der Reserven ermöglicht.