Continuous-time modeling and bootstrap for Schnieper's reserving

Este artículo propone un modelo estocástico en tiempo continuo y un método de bootstrap para estimar la distribución predictiva de las reservas de siniestros bajo el enfoque de Schnieper, garantizando la asimetría, la no negatividad y el respeto de los límites intrínsecos sin necesidad de supuestos adicionales.

Lo esencial

Imagina que eres el capitán de un gran barco de carga (una compañía de seguros) que acaba de cruzar un océano lleno de tormentas. Ahora estás en puerto, revisando el inventario. Sabes exactamente cuántas cajas (pólizas) se perdieron ayer, pero el problema es que el mar sigue moviéndose y hay dos tipos de "sorpresas" que aún no has contado en tu libro de cuentas:

1. Las cajas que se cayeron pero nadie las vio: Son accidentes que ya ocurrieron, pero aún no han llegado al puerto para ser reportados. (En el mundo de los seguros, esto se llama IBNR).
2. Las cajas que ya vimos, pero que pesaron más de lo pensado: Son accidentes que ya reportaste, pero al revisar los detalles, te das cuenta de que el costo de repararlos es más alto (o más bajo) de lo que estimaste al principio. (Esto es el IBNER).

El artículo que nos ocupa, escrito por Nicolas Baradel, trata sobre cómo predecir el costo total de estas "sorpresas" futuras con mucha más precisión que los métodos antiguos.

Aquí tienes la explicación sencilla, usando analogías:

1. El problema de los métodos antiguos (La foto estática)

Antes, los actuarios (los matemáticos de seguros) usaban métodos que eran como tomar una fotografía del pasado y asumir que el futuro se vería exactamente igual.

• Si ayer llovió mucho, asumían que hoy lloverá igual.
• Si calculaban un costo, a veces sus fórmulas matemáticas daban resultados extraños, como decir que una caja de seguros tiene un valor negativo (¡como si el seguro te pagara por tener un accidente!). Eso no tiene sentido en la vida real.

2. La nueva idea: El video en tiempo real (Modelo de tiempo continuo)

Nicolas propone dejar de usar fotos y empezar a usar un video en tiempo real. Imagina que el dinero de las reclamaciones no es un bloque estático, sino un río que fluye.

• El río de los nuevos accidentes (Poisson): Los nuevos accidentes llegan de forma aleatoria, como gotas de lluvia cayendo en un río. No sabes exactamente cuándo caerá la siguiente gota, pero sabes la intensidad de la lluvia. El autor usa una herramienta matemática llamada "medida de Poisson" para simular estas gotas aleatorias.
• El río de los cambios de costo (Browniano): Una vez que una gota cae (un accidente se reporta), su tamaño (costo) sigue cambiando, sube y baja como las olas del mar. Para esto, usa el "movimiento browniano" (el mismo concepto que explica cómo se mueve el polen en el agua).

La magia: Al combinar estas dos ideas, el modelo entiende que el dinero nunca puede ser negativo (no puedes tener una caja de peso menos 5 kg) y que los cambios no son lineales, sino que tienen "curvas" y sorpresas, tal como ocurre en la realidad.

3. La técnica del "Simulador de Realidades Alternativas" (Bootstrap)

¿Cómo sabemos si nuestro modelo es bueno? El autor usa una técnica llamada Bootstrap, que es como un videojuego de "¿Qué pasaría si...?".

Imagina que tienes un dado cargado. En lugar de tirarlo una vez, lo tiras 10.000 veces en una computadora:

1. Paso 1: Tomas tus datos reales (el pasado) y creas 10.000 versiones ligeramente diferentes de ellos, como si el universo hubiera sido un poco distinto en cada una.
2. Paso 2: Para cada una de esas 10.000 versiones, usas tu nuevo modelo de "río en tiempo real" para simular el futuro.
3. Resultado: Al final, tienes 10.000 escenarios posibles. Puedes ver cuál es el escenario más probable, cuál es el peor (la tormenta perfecta) y cuál es el mejor.

¿Por qué es mejor esto?

• Asimetría: En la vida real, los desastres suelen ser peores de lo esperado, no mejores. Los métodos antiguos a veces asumen que los errores son simétricos (igual probabilidad de estar muy por encima o muy por debajo). Este nuevo método entiende que el miedo a lo "peor" es real.
• Límites naturales: Garantiza que el resultado nunca sea negativo. Si el modelo dice "costo negativo", lo corrige automáticamente porque el modelo de río no permite que el agua fluya hacia atrás mágicamente.

4. El ejemplo práctico (El caso del coche)

El autor probó su teoría con datos reales de seguros de coches (responsabilidad civil).

• Comparó su método con los viejos métodos (como el de "Log-normal", que es como asumir que todo sigue una campana de Gauss perfecta).
• El hallazgo: Los métodos viejos a veces predecían que el costo sería muy bajo, pero con una probabilidad enorme de que fuera extremadamente alto (colas pesadas). El nuevo método de "tiempo continuo" captó mejor estos riesgos extremos y dio una estimación más realista de cuánto dinero deberían guardar en reserva para no quebrar.

En resumen

Este paper es como pasar de usar un mapa de papel (métodos antiguos) a usar un GPS en vivo con tráfico en tiempo real (modelo continuo).

• Reconoce que el tráfico (los accidentes) llega de forma aleatoria.
• Reconoce que la velocidad (el costo) cambia constantemente.
• Usa simulaciones masivas para prever no solo el camino promedio, sino también los atascos terribles y las rutas rápidas, asegurándose de que el coche (la reserva de dinero) nunca se quede sin combustible ni se vuelque por un cálculo matemático absurdo.

Es una herramienta más robusta, más realista y, sobre todo, más segura para las compañías de seguros que necesitan saber cuánto dinero guardar para el futuro.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Resumen Técnico: Modelado en Tiempo Continuo y Bootstrap para la Reserva de Schnieper

1. Planteamiento del Problema

El artículo aborda la estimación de reservas de seguros (específicamente en reaseguro de exceso de pérdidas), centrándose en el modelo de Schnieper. Este modelo descompone las reservas de IBNR (Incurred But Not Reported o siniestros ocurridos pero no reportados) en dos componentes distintos:

1. IBNR "verdadero": Siniestros que han ocurrido pero aún no se han notificado.
2. IBNER (Incurred But Not Enough Reported): Cambios en la estimación del costo final de los siniestros ya reportados (re-estimaciones).

El problema principal identificado en la literatura existente es que los métodos discretos tradicionales (como los basados en triángulos de desarrollo) a menudo requieren ajustes ad-hoc para garantizar la no negatividad de las reservas o asumen distribuciones simétricas (como la normal) que no capturan adecuadamente la asimetría inherente a los datos de siniestros. Además, la modelización en tiempo continuo aplicada específicamente a la descomposición de Schnieper ha sido limitada.

2. Metodología Propuesta

El autor, Nicolas Baradel, propone un modelo estocástico en tiempo continuo para el proceso agregado de siniestros que respeta fielmente las suposiciones originales de Schnieper, pero con una estructura matemática más robusta.

• Estructura del Modelo:

  • Componente IBNR (Nuevos Siniestros): Se modela mediante una medida de Poisson aleatoria. Esto captura la llegada discreta y aleatoria de nuevos siniestros. La intensidad de llegada depende de la exposición y de una función de intensidad temporal.
  • Componente IBNER (Re-estimación): Se modela mediante un movimiento browniano (difusión) que introduce fluctuaciones en el costo de los siniestros ya reportados.
  • Ecuación Diferencial Estocástica (EDE): El proceso de siniestros acumulados $C_t^i$ para el año de siniestro $i$ se define como la solución única de una EDE que combina saltos (Poisson) y difusión (Browniano):
    $$dC_t^i = z \Pi^i(dt, dz) - \delta_t C_t^i dt + \tau_t \sqrt{C_t^i} dW_t^i$$
    Donde el término de difusión tiene un coeficiente de volatilidad proporcional a $\sqrt{C_t^i}$, asegurando propiedades de no negatividad.

• Consistencia con Schnieper:

  • Se demuestra que los momentos condicionales (media y varianza) del modelo en tiempo continuo coinciden con las suposiciones de Schnieper (H1, H2, H3) al discretizar el tiempo en intervalos de un año.
  • Se establecen relaciones explícitas entre los parámetros continuos ($\lambda, \delta, \tau$) y los parámetros discretos de Schnieper ($\Lambda, \Delta, T, \Sigma$).

• Método de Bootstrap:

  • Se desarrolla un procedimiento de bootstrap paramétrico en dos etapas:
    1. Bootstrap de parámetros: Se simulan nuevos conjuntos de datos ($N, D$) condicionados a los observados para estimar la incertidumbre de los parámetros ($\hat{\Lambda}, \hat{\Delta}, \hat{T}, \hat{\Sigma}$).
    2. Bootstrap de error del proceso: Utilizando los parámetros re-muestreados, se simulan las trayectorias futuras del proceso estocástico (incluyendo saltos y difusión) para generar la distribución predictiva completa de las reservas.
  • Distribución de Saltos: La distribución del tamaño de los saltos ($Z$) no se fija a priori, sino que se estima mediante regresión lineal ponderada sobre la relación entre la segunda y primera momento ($E[Z^2]/E[Z]$). Se ilustra con una distribución Gamma.

3. Contribuciones Clave

• Unificación de Marcos: Extiende la filosofía de modelado en tiempo continuo (anteriormente aplicada al modelo de Mack) al modelo de Schnieper, proporcionando una estructura paramétrica coherente.
• Propiedades Naturales del Modelo:
  • No negatividad: El modelo garantiza intrínsecamente que las reservas y los costos acumulados no sean negativos, sin necesidad de truncamientos o ajustes posteriores.
  • Asimetría: La combinación de saltos de Poisson y difusión captura naturalmente la asimetría de la distribución de las reservas.
  • Límites Intrínsecos: Respeta los límites físicos del problema (ej. la reducción de un siniestro no puede exceder su valor acumulado actual).
• Distribución Predictiva Completa: A diferencia de métodos que solo estiman la media y la varianza (MSEP), el bootstrap propuesto genera la distribución completa de las reservas, permitiendo calcular cuantiles (VaR) de manera robusta.
• Identificabilidad: Proporciona un método para estimar la distribución de los tamaños de los saltos ($Z$) incluso cuando solo se dispone de datos agregados (triángulos), utilizando la estructura de momentos del modelo.

4. Resultados Empíricos

El método se valida utilizando un conjunto de datos real de reaseguro de responsabilidad civil de automóviles (de Schnieper, 1991).

• Comparación de Métodos: Se comparó el modelo propuesto (Bootstrap en Tiempo Continuo) con:
  1. Modelo de Schnieper con distribución Log-normal.
  2. Bootstrap no paramétrico sobre el modelo de Schnieper (basado en residuos de Pearson).
  3. Modelo de series temporales con Bootstrap.
• Hallazgos Cuantitativos:
  • El MSEP (Error Cuadrático Medio de Predicción) estimado por el modelo en tiempo continuo es comparable a los otros métodos (aprox. 43% del valor de la reserva), aunque ligeramente superior al bootstrap discreto de Schnieper.
  • Cuantiles de Cola (99.5%): El modelo en tiempo continuo produce cuantiles de cola más altos (136.7%) en comparación con el bootstrap discreto de Schnieper (103%), lo que sugiere una mejor captura del riesgo de cola debido a la asimetría.
  • Problemas de Métodos Alternativos: Se observó que el bootstrap discreto de Schnieper genera valores negativos para el componente de nuevos siniestros ($N_{i,j}$) en un 66% de las simulaciones, y el modelo de series temporales viola la restricción de que la reducción no puede superar el costo acumulado en un 6% de los casos. El modelo en tiempo continuo evita estos errores por construcción.
• Sensibilidad: Se analizó la sensibilidad a la elección del valor esperado del tamaño del salto $E[Z]$. Se encontró que la estimación del MSEP y los cuantiles son sensibles a este parámetro, especialmente para valores bajos, lo que subraya la importancia de estimar la distribución de $Z$ correctamente cuando se dispone de datos individuales.

5. Significado e Impacto

Este trabajo representa un avance significativo en la actuaria de seguros al ofrecer un marco matemático riguroso que supera las limitaciones de los modelos discretos tradicionales.

• Robustez: Elimina la necesidad de "parches" para evitar reservas negativas, un problema común en simulaciones bootstrap discretas.
• Precisión en Riesgo: Al capturar la asimetría y la naturaleza de los saltos de los siniestros, proporciona una evaluación más realista del riesgo de cola (necesario para la solvencia y la fijación de precios de reaseguro).
• Flexibilidad: El marco permite incorporar tanto datos agregados como individuales, ofreciendo una vía para estimar distribuciones de severidad de siniestros a partir de triángulos de desarrollo tradicionales.

En conclusión, el modelo propuesto de Baradel ofrece una alternativa teóricamente sólida y computacionalmente viable para la estimación de reservas bajo el esquema de Schnieper, alineando la práctica de la reserva con la teoría de procesos estocásticos modernos.