💰 quantitative finance

A Note on the Generalized Cape Cod Reserving Method

Dieser Beitrag schließt eine Lücke in der versicherungsmathematischen Literatur zur Schadenreservierung, indem er eine analytische Formel für den mittleren quadratischen Vorhersagefehler (MSEP) des verallgemeinerten Cape-Cod-Verfahrens (GCC) herleitet und es dadurch von einem deterministischen Algorithmus zu einem stochastischen Modell erweitert, das die Quantifizierung von Vorhersageunsicherheit ermöglicht.

Ursprüngliche Autoren: Ronald Richman, Mario V. Wüthrich

Veröffentlicht 2026-05-01

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Ronald Richman, Mario V. Wüthrich

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Die zukünftige Rechnung vorhersagen

Stellen Sie sich vor, Sie betreiben eine Kfz-Versicherung. Jedes Jahr müssen Sie einen Geldhaufen (Rückstellungen) zurücklegen, um für Unfälle zu zahlen, die in der Vergangenheit passiert sind, aber noch nicht vollständig abgewickelt wurden. Dies ist das Problem der „Schadenrückstellung".

Wenn Sie zu niedrig schätzen, könnten Ihnen die Gelder ausgehen. Wenn Sie zu hoch schätzen, halten Sie Geld fest, das Sie nicht benötigen, was Ihre Investoren unglücklich macht. Sie benötigen also eine Methode, um die endgültige Rechnung zu schätzen, und Sie müssen auch wissen, wie stark Sie danebenliegen könnten (die Unsicherheit).

Die drei Hauptwerkzeuge

Das Papier behandelt drei berühmte Werkzeuge, die Aktuare verwenden, um diese Schätzungen vorzunehmen:

Chain-Ladder (CL): Wie der Blick auf einen Tachometer. Wenn ein Auto in den letzten 10 Meilen schnell gefahren ist, gehen Sie davon aus, dass es weiter schnell fahren wird. Diese Methode betrachtet nur die Vergangenheitsdaten, um die Zukunft vorherzusagen.
Bornhuetter–Ferguson (BF): Wie eine Wettervorhersage. Sie schauen auf die Vergangenheitsdaten, haben aber auch einen „vorherigen Glauben" (z. B. „Im April regnet es normalerweise"). Sie vermischen beides. Dies ist großartig, wenn die Daten unordentlich oder neu sind.
Cape Cod (CC) & Generalized Cape Cod (GCC): Dies sind die „Goldlöckchen"-Methoden. Sie sitzen genau in der Mitte. Sie nutzen die Vergangenheitsdaten, glätten diese aber auch mithilfe eines „Schadenquotienten" (eine Standarderwartung darüber, wie hoch die Schadenkosten im Verhältnis zu den Prämien sind). Der Generalized Cape Cod (GCC) ist eine ausgefeilte Version, die Trends über die Zeit anpassen kann (z. B. wenn Autos jedes Jahr teurer zu reparieren sind).

Das Problem: Das fehlende Sicherheitsnetz

Für die Chain-Ladder- und Bornhuetter–Ferguson-Methoden haben Mathematiker bereits herausgefunden, wie man das „Sicherheitsnetz" berechnet – eine präzise Formel, die Ihnen genau sagt, wie stark Ihre Vorhersage abweichen könnte (der sogenannte mittlere quadratische Vorhersagefehler, oder MSEP).

Für die Generalized Cape Cod (GCC)-Methode fehlte dieses Sicherheitsnetz jedoch. Menschen nutzten die GCC-Methode, um ihre Vorhersagen zu treffen, hatten aber keine angemessene mathematische Möglichkeit, die Unsicherheit für diese spezifische Methode zu berechnen. Sie flogen im Hinblick auf das Risiko blind.

Die Lösung: Eine neue Formel

Die Autoren dieses Papiers (Richman und Wüthrich) haben dieses fehlende Sicherheitsnetz gebaut. Sie haben eine neue, analytische Formel hergeleitet, um die Unsicherheit für die GCC-Methode zu berechnen.

Wie haben sie das gemacht?
Sie verwendeten eine Technik namens „Fehlerfortpflanzung".

Die Analogie: Stellen Sie sich vor, Sie backen einen Kuchen. Sie haben ein Rezept (das Modell), das Mehl, Zucker und Eier verlangt. Aber Ihre Messbecher sind nicht perfekt; sie haben winzige Fehler.
- Wenn Sie 1 Tasse Mehl messen, sind es tatsächlich vielleicht 1,01 Tassen.
- Die „Fehlerfortpflanzung"-Methode ist wie ein Taschenrechner, der diese winzigen Messfehler nimmt und Ihnen genau sagt, wie stark sich der Geschmack des fertigen Kuchens beeinflussen wird.
Im Papier: Sie behandelten die „Chain-Ladder"-Zahlen als Zutaten. Sie zeigten, wie kleine Fehler in diesen Zutaten durch die GCC-Formel wandern, um einen endgültigen Fehler in der Vorhersage zu erzeugen.

Die Entdeckung der „gleitenden Skala"

Eines der coolsten Dinge, die das Papier fand, ist, dass die GCC-Methode tatsächlich eine gleitende Skala zwischen den beiden anderen Methoden ist.

Wenn Sie einen bestimmten Regler (genannt $\lambda$ ) auf 0 stellen, wird die GCC-Methode exakt zur Chain-Ladder-Methode.
Wenn Sie den Regler auf 1 stellen, wird sie zur Cape Cod-Methode.
Wenn Sie ihn irgendwo dazwischen einstellen, ist es eine glatte Mischung.

Da sie ihre Formel für die gesamte gleitende Skala entwickelt haben, funktioniert ihre neue Formel automatisch auch für die Chain-Ladder-Methode (was beweist, dass sie es richtig gemacht haben) und liefert eine brandneue Unsicherheitsformel für die Cape Cod-Methode.

Warum das in der realen Welt wichtig ist

Das Papier hebt ein großes Problem in der Versicherungsbranche hervor: Inkonsistenz.

Das aktuelle Durcheinander: Viele Versicherungsunternehmen nutzen die GCC-Methode (oder BF), um zu entscheiden, wie viel Geld sie in ihren Büchern buchen. Aber dann verwenden sie zur Berichterstattung über ihr Risiko die Chain-Ladder-Unsicherheitsformel.
Die Analogie: Es ist, als würde man einen Tesla fahren (GCC), aber das Kraftstoffverbrauchshandbuch für einen Ford F-150 (Chain-Ladder) verwenden, um die Reichweite zu berechnen. Das Auto, das man fährt, und das Handbuch, das man liest, passen nicht zusammen.
Die Lösung: Dieses Papier liefert ein Handbuch speziell für den Tesla. Jetzt kann ein Versicherungsunternehmen, das seine Rückstellungen mit GCC bucht, diese neue Formel verwenden, um die Unsicherheit für exakt dieselbe Methode zu berechnen.

Das Fazit

Das Papier schließt eine Lücke in der Aktuarienwissenschaft. Es gibt Versicherungsunternehmen einen mathematisch rigorosen Weg zu sagen: „Wir haben die Generalized Cape Cod-Methode verwendet, um unsere zukünftigen Rechnungen zu schätzen, und hier ist die genaue Zahl dafür, wie stark wir danebenliegen könnten." Dies macht die Finanzberichterstattung von Versicherungsunternehmen ehrlicher und konsistenter.

1. Problemstellung

Die Schadenrückstellung ist eine kritische Aufgabe in der Schadenversicherung, die die Schätzung der Endschäden und die Quantifizierung der Prognoseunsicherheit umfasst. Während stochastische Rahmenwerke und Formeln für den mittleren quadratischen Prognosefehler (MSEP) für die Chain-Ladder (CL)-Methode (z. B. Mack-Modell) und die Bornhuetter–Ferguson (BF)-Methode existieren, fehlte bisher eine rigorose analytische MSEP-Formel für die Generalized Cape Cod (GCC)-Methode.

Die Lücke: Die GCC-Methode (und ihr Vorgänger, Bühlmanns Cape Cod) wird in der Praxis weit verbreitet eingesetzt, da sie einen Mittelweg zwischen der rein beobachtungsorientierten CL- und der prior-basierten BF-Methode bietet. Die bestehenden stochastischen Behandlungen (z. B. Saluz, 2017) stimmen jedoch entweder nicht mit der branchenüblichen Parameterschätzung (unter Verwendung von CL-implizierten Entwicklungsmustern) überein oder fehlen ein geschlossener MSEP-Schätzer, der den tatsächlichen Buchungsvorgang widerspiegelt.
Die Herausforderung: Praktiker buchen Rückstellungen häufig unter Verwendung von GCC- oder BF-Methoden, geben die Unsicherheit jedoch mit Mack's CL-Formel oder Bootstrapping an. Dies erzeugt eine Diskrepanz: Die Quantifizierung der Unsicherheit gilt für einen anderen Prädiktor als den, der tatsächlich gebucht wurde. Darüber hinaus erfordern BF-MSEP-Schätzer oft explizite probabilistische Spezifikationen von vorläufigen Schadenquoten, die in der branchenüblichen Planungspraxis selten formalisiert sind.

2. Methodik

Die Autoren entwickeln ein einheitliches stochastisches Rahmenwerk für die GCC-Methode unter Verwendung der Fehlerfortpflanzungstechnik (ursprünglich von Röhr, 2018, auf die CL-Methode angewendet).

A. Das Generalized Cape Cod (GCC) Rahmenwerk

Das Papier definiert den GCC-Prädiktor als Funktion der Chain-Ladder-Entwicklungsfaktoren ( $f_j$ ) und eines Trendparameters $\lambda \in [0, 1]$ .

Cape Cod (CC): Verwendet einen gewichteten Durchschnitt der beobachteten Schadenquoten über alle Schadenjahre, um eine einzelne Schadenquote ( $\kappa$ ) zu schätzen, wobei Stationarität angenommen wird.
GCC-Erweiterung: Führt einen exponentiellen Gewichtungsfaktor $\lambda^{|i-l|}$ ein, um Trends zu ermöglichen. Dies erlaubt es, dass die Schätzung der Schadenquote für das Schadenjahr $i$ stärker von benachbarten Jahren abhängt und so Fehlspezifikationen der Exposition oder Trends in der Häufigkeit/Schwere korrigiert werden.
Grenzfälle:
- $\lambda = 0$ : Die GCC-Methode kollabiert zur Chain-Ladder-Methode.
- $\lambda = 1$ : Die GCC-Methode kollabiert zu Bühlmanns Cape Cod-Methode.

B. Herleitung der Prognoseunsicherheit (MSEP)

Der zentrale technische Beitrag ist die Herleitung des MSEP unter Verwendung einer Taylor-Entwicklung erster Ordnung (Fehlerfortpflanzung) auf der Logarithmusskala.

Zerlegung: Der gesamte MSEP wird in Prozessunsicherheit ( $\Psi^2$ ) und Parameterschätzfehler ( $\Delta^2$ ) zerlegt.
Sensitivitätsanalyse: Die Autoren behandeln den GCC-Prädiktor als Funktion der CL-Entwicklungsfaktoren ( $f_j$ ). Sie berechnen die Sensitivität des GCC-Prädiktors gegenüber Störungen dieser Faktoren.
Geschlossene Lösung: Durch Anwendung der Fehlerfortpflanzungsmethode leiten sie eine geschlossene analytische Formel für den Parameterschätzfehler ( $\hat{\Delta}^2_{GCC}$ ) ab, die mit der branchenüblichen Praxis der Schätzung von Entwicklungsmustern unter Verwendung von CL-Faktoren konsistent ist.

3. Hauptbeiträge

Erster analytischer MSEP für GCC: Das Papier liefert die erste geschlossene analytische Formel für die Prognoseunsicherheit der Generalized Cape Cod-Methode.
Methodische Konsistenz: Der abgeleitete MSEP-Schätzer ist vollständig konsistent mit den CL-implizierten Parameterschätzungen, die in der Branche verwendet werden. Im Gegensatz zu früheren Versuchen (z. B. Saluz), die likelihood-basierte Schätzungen verwendeten, die von der Standardpraxis abweichen, stellt dieser Ansatz sicher, dass das Unsicherheitsmaß genau den Rückstellungen entspricht, die von Praktikern gebucht werden.
Vereinheitlichung von CL und CC: Das Rahmenwerk zeigt, dass die GCC-Methode eine kontinuierliche Interpolation zwischen den CL- und CC-Methoden darstellt. Folglich konvergiert die abgeleitete MSEP-Formel natürlich zu:
- Macks CL-MSEP, wenn $\lambda \to 0$ .
- Einem neuen, konsistenten Cape Cod-MSEP, wenn $\lambda \to 1$ .
Credibility-Interpretation: Das Papier bietet eine Credibility-Neuformulierung des GCC-Prädiktors, die ihn als gewichteten Durchschnitt von CL-Prädiktoren über die Schadenjahre hinweg darstellt, angepasst an Prämienlevel und zeitliche Nähe.

4. Ergebnisse und numerisches Beispiel

Die Autoren validieren ihre Theorie anhand eines numerischen Beispiels auf Basis standardmäßiger Schadenversicherungsdaten (Wüthrich–Merz).

Rückstellungssensitivität: Wenn $\lambda$ von 0 (CL) auf 1 (CC) ansteigt, steigen die geschätzten Rückstellungen. Dies liegt daran, dass die Daten einen zeitlichen Trend aufweisen, bei dem die einzelnen Schadenquoten im Laufe der Zeit abnehmen. Die Standard-CL-Methode erfasst dies, während die CC-Methode (unter Annahme von Stationarität) durch Mittelung über den Trend eine Überschätzung vornimmt.
Unsicherheitskomponenten:
- Parameterschätzfehler ( $\Delta^2$ ): Nimmt mit steigendem $\lambda$ ab. Dies liegt daran, dass ein höheres $\lambda$ stärker auf die „prior"-Struktur (prämienbasiert) zurückgreift und die Empfindlichkeit des Modells gegenüber dem Rauschen in den Beobachtungen einzelner Schadenjahre verringert.
- Prozessunsicherheit ( $\Psi^2$ ): Steigt mit $\lambda$ leicht an, da der Gesamtbetrag der Rückstellungen (der Nenner in der Varianzberechnung) wächst.
Optimales $\lambda$ : Im Beispiel tritt das Minimum des gesamten MSEP bei etwa $\lambda = 0,55$ auf. Die Autoren warnen jedoch davor, dass die Minimierung des MSEP nicht garantiert, dass das „wahre" optimale Modell gefunden wird, da der MSEP empfindlich auf Modellannahmen reagiert.
Vergleich mit Saluz (2017): Das Papier hebt hervor, dass Saluz' CC-Rückstellungen höher sind und ihr MSEP anders ausfällt, da sie eine andere Schätzmethode für das Entwicklungsmuster verwendet. Der Ansatz der Autoren stimmt mit dem Industriestandard (CL-implizierte Muster) überein, was zu niedrigeren, realistischeren Rückstellungsschätzungen für diesen spezifischen Datensatz führt.

5. Bedeutung und praktische Implikationen

Schließen der Lücke: Diese Arbeit schließt eine signifikante Lücke in der Literatur, indem sie ein stochastisches Modell für GCC bereitstellt, das mit dem in der Praxis verwendeten deterministischen Algorithmus übereinstimmt.
Proxy für Bornhuetter–Ferguson: Da die GCC-Methode oft als robuster algorithmischer Proxy für die BF-Methode verwendet wird (die subjektive Priori durch einen gewichteten Durchschnitt von CL-implizierten Quoten ersetzt), liefert dieser MSEP-Schätzer effektiv ein rigoroses Unsicherheitsmaß für BF-artige Rückstellungen, ohne die schwer zu definierende probabilistische Spezifikation einer vorläufigen Schadenquote zu erfordern.
Regulatorische und Management-Nützlichkeit: Der abgeleitete MSEP ermöglicht es Versicherern, Prognoseunsicherheiten zu melden, die mathematisch konsistent mit ihren gebuchten Rückstellungen sind. Dies ist entscheidend für die Solvenzberichterstattung (z. B. IFRS 17, Solvenz II) und Entscheidungsfindung im Management und ersetzt die derzeitige Praxis, Mack's CL-Unsicherheit (die für einen anderen Prädiktor gilt) oder ad-hoc Skalierungsfaktoren zu verwenden.

Zusammenfassend erweitern Richman und Wüthrich das stochastische Rückstellungsrahmenwerk erfolgreich auf die Generalized Cape Cod-Methode und stellen ein robustes, geschlossenes Werkzeug zur Quantifizierung der Prognoseunsicherheit bereit, das direkt auf die Rückstellungspraxis in der realen Versicherungsbranche anwendbar ist.