A Note on the Generalized Cape Cod Reserving Method

A continuación se presenta un resumen técnico detallado del artículo "Una nota sobre el método Generalizado Cape Cod de provisión de reservas" de Ronald Richman y Mario V. Wüthrich.

1. Planteamiento del Problema

La provisión de reservas para siniestros es una tarea crítica en el seguro de daños, que implica la estimación de las pérdidas finales y la cuantificación de la incertidumbre de predicción. Si bien existen marcos estocásticos y fórmulas del Error Cuadrático Medio de Predicción (MSEP) para el método Chain-Ladder (CL) (por ejemplo, el modelo de Mack) y el método Bornhuetter–Ferguson (BF), ha faltado una fórmula analítica rigurosa de MSEP para el método Generalizado Cape Cod (GCC).

• La Brecha: El método GCC (y su predecesor, Cape Cod de Bühlmann) se utiliza ampliamente en la práctica porque ofrece un punto medio entre los métodos CL, basados totalmente en observaciones, y los métodos BF, basados en información previa. Sin embargo, los tratamientos estocásticos existentes (por ejemplo, Saluz, 2017) o no se alinean con la estimación de parámetros estándar en la industria (que utiliza patrones de desarrollo implícitos del CL) o carecen de un estimador MSEP de forma cerrada que refleje el proceso real de registro de reservas.
• El Desafío: Los profesionales suelen registrar reservas utilizando métodos GCC o BF, pero informan la incertidumbre utilizando la fórmula CL de Mack o métodos de remuestreo (bootstrapping). Esto genera una discrepancia: la cuantificación de la incertidumbre se aplica a un predictor diferente al que se registró realmente. Además, los estimadores MSEP del BF a menudo requieren especificaciones probabilísticas explícitas de las ratios de siniestralidad previas, las cuales rara vez se formalizan en los procesos de planificación de la industria.

2. Metodología

Los autores desarrollan un marco estocástico unificado para el método GCC utilizando la técnica de propagación de errores (aplicada originalmente por Röhr, 2018, al método CL).

A. El Marco Generalizado Cape Cod (GCC)

El artículo define el predictor GCC como una función de los factores de desarrollo Chain-Ladder ($f_j$) y un parámetro de tendencia $\lambda \in [0, 1]$.

• Cape Cod (CC): Utiliza un promedio ponderado de las ratios de siniestralidad observadas a través de todos los años de siniestro para estimar una única ratio de siniestralidad ($\kappa$), asumiendo estacionariedad.
• Extensión GCC: Introduce un factor de ponderación exponencial $\lambda^{|i-l|}$ para permitir la tendencia. Esto permite que la estimación de la ratio de siniestralidad para el año de siniestro $i$ dependa más pesadamente de los años vecinos, corrigiendo especificaciones erróneas de la exposición o tendencias en la frecuencia/severidad.
• Casos Límite:
  • $\lambda = 0$: El método GCC colapsa al método Chain-Ladder.
  • $\lambda = 1$: El método GCC colapsa al método Cape Cod de Bühlmann.

B. Derivación de la Incertidumbre de Predicción (MSEP)

La contribución técnica central es la derivación del MSEP utilizando una expansión de Taylor de primer orden (propagación de errores) en la escala logarítmica.

1. Descomposición: El MSEP total se descompone en Incertidumbre del Proceso ($\Psi^2$) y Error de Estimación de Parámetros ($\Delta^2$).
2. Análisis de Sensibilidad: Los autores tratan el predictor GCC como una función de los factores de desarrollo CL ($f_j$). Calculan la sensibilidad del predictor GCC a las perturbaciones en estos factores.
3. Solución de Forma Cerrada: Al aplicar el método de propagación de errores, derivan una fórmula analítica de forma cerrada para el error de estimación de parámetros ($\hat{\Delta}^2_{GCC}$) que es consistente con la práctica estándar de la industria de estimar patrones de desarrollo utilizando factores CL.

3. Contribuciones Clave

1. Primer MSEP Analítico para GCC: El artículo proporciona la primera fórmula analítica de forma cerrada para la incertidumbre de predicción del método Generalizado Cape Cod.
2. Consistencia Metodológica: El estimador MSEP derivado es totalmente consistente con las estimaciones de parámetros implícitas del Chain-Ladder utilizadas en la industria. A diferencia de intentos anteriores (por ejemplo, Saluz), que utilizaban estimaciones basadas en verosimilitud que se desviaban de la práctica estándar, este enfoque asegura que la medida de incertidumbre corresponda exactamente a las reservas registradas por los profesionales.
3. Unificación de CL y CC: El marco demuestra que el método GCC interpola continuamente entre los métodos CL y CC. En consecuencia, la fórmula MSEP derivada converge naturalmente a:
   • MSEP CL de Mack cuando $\lambda \to 0$.
   • Un nuevo MSEP Cape Cod consistente cuando $\lambda \to 1$.
4. Interpretación de Credibilidad: El artículo ofrece una reformulación de credibilidad del predictor GCC, mostrándolo como un promedio ponderado de predictores CL a través de los años de siniestro, ajustado por niveles de prima y proximidad temporal.

4. Resultados y Ejemplo Numérico

Los autores validan su teoría utilizando un ejemplo numérico basado en datos estándar de siniestros (Wüthrich–Merz).

• Sensibilidad de las Reservas: A medida que $\lambda$ aumenta de 0 (CL) a 1 (CC), las reservas estimadas aumentan. Esto se debe a que los datos exhiben una tendencia temporal donde las ratios de siniestralidad individuales disminuyen con el tiempo, lo cual el método CL estándar captura, pero el método CC (asumiendo estacionariedad) sobreestima al promediar sobre la tendencia.
• Componentes de Incertidumbre:
  • Error de Estimación de Parámetros ($\Delta^2$): Disminuye a medida que $\lambda$ aumenta. Esto se debe a que un $\lambda$ más alto depende más de la estructura "previa" (basada en primas), reduciendo la sensibilidad del modelo al ruido en las observaciones individuales de años de siniestro.
  • Incertidumbre del Proceso ($\Psi^2$): Aumenta ligeramente con $\lambda$ porque la cantidad total de reservas (el denominador en el cálculo de la varianza) crece.
• $\lambda$ Óptimo: En el ejemplo, el MSEP total mínimo ocurre alrededor de $\lambda = 0.55$. Sin embargo, los autores advierten que minimizar el MSEP no garantiza el modelo "verdaderamente" óptimo, ya que el MSEP es sensible a los supuestos del modelo.
• Comparación con Saluz (2017): El artículo destaca que las reservas CC de Saluz son más altas y su MSEP es diferente porque ella utiliza un método de estimación diferente para el patrón de desarrollo. El enfoque de los autores se alinea con el estándar de la industria (patrones implícitos del CL), resultando en estimaciones de reservas más bajas y realistas para este conjunto de datos específico.

5. Significado e Implicaciones Prácticas

• Cerrando la Brecha: Este trabajo cierra una brecha significativa en la literatura al proporcionar un modelo estocástico para GCC que coincide con el algoritmo determinista utilizado en la práctica.
• Proxy para Bornhuetter–Ferguson: Dado que el método GCC se utiliza a menudo como un proxy algorítmico robusto para el método BF (reemplazando el previo subjetivo con un promedio ponderado de ratios implícitas del CL), este estimador MSEP proporciona efectivamente una medida de incertidumbre rigurosa para la provisión de reservas al estilo BF, sin requerir la difícil definición probabilística de una ratio de siniestralidad previa.
• Utilidad Regulatoria y de Gestión: El MSEP derivado permite a las aseguradoras informar la incertidumbre de predicción que es matemáticamente consistente con sus reservas registradas. Esto es crucial para los informes de solvencia (por ejemplo, IFRS 17, Solvencia II) y la toma de decisiones gerenciales, reemplazando la práctica actual de utilizar la incertidumbre CL de Mack (que se aplica a un predictor diferente) o factores de escala ad hoc.

En resumen, Richman y Wüthrich extienden con éxito el marco de provisión de reservas estocástico al método Generalizado Cape Cod, proporcionando una herramienta robusta y de forma cerrada para cuantificar la incertidumbre de predicción que es directamente aplicable a las prácticas reales de provisión de reservas en seguros.