Continuous-time modeling and bootstrap for Schnieper's reserving

Il paper propone un modello stocastico in tempo continuo e un metodo di bootstrap per stimare la distribuzione predittiva delle riserve IBNR secondo l'approccio di Schnieper, garantendo coerenza con le sue ipotesi fondamentali e gestendo naturalmente asimmetrie e vincoli di non negatività.

L'essenziale

Immagina di essere un assicuratore che deve prevedere quanto denaro dovrà pagare in futuro per incidenti stradali che sono già accaduti, ma di cui non si conosce ancora l'intero costo. È come se avessi un mucchio di casseforti chiuse: sai che ci sono soldi dentro, ma non sai esattamente quanto.

Questo articolo scientifico, scritto da Nicolas Baradel, propone un nuovo modo molto intelligente per aprire queste casseforti e prevedere il futuro, migliorando un metodo classico chiamato "Modello di Schnieper".

Ecco la spiegazione semplice, passo dopo passo:

1. Il Problema: Due tipi di "Sorpresa"

Il modello di Schnieper divide il futuro in due categorie di sorprese:

• Le nuove casseforti (IBNR): Incidenti che sono già accaduti ma che nessuno ha ancora denunciato all'assicurazione. È come se arrivassero nuovi pacchi in un magazzino che non sapevi esistessero.
• Il cambio di prezzo delle casseforti note (IBNER): Incidenti che sono già stati denunciati, ma il cui costo finale cambia mentre si elaborano le pratiche. È come ordinare una pizza: all'inizio pensi che costi 10 euro, ma poi aggiungi ingredienti extra e il conto sale a 15, o magari ti rendi conto che era troppo e scende a 8.

2. La Soluzione: Un "Fiume" invece di un "Scala"

I metodi tradizionali guardano i dati come una scala a gradini (un anno dopo l'altro). Baradel propone invece di vedere il tempo come un fiume continuo.

Immagina il flusso delle richieste di risarcimento come un fiume che scorre:

• Le nuove richieste (IBNR) sono come pioggia improvvisa che cade sul fiume. Arrivano in modo casuale, a scatti (come un temporale). Il modello usa la matematica dei "Poisson" (che studia eventi casuali come fulmini o arrivi di clienti) per simulare questa pioggia.
• I cambiamenti di prezzo (IBNER) sono come le onde del fiume. Anche se la pioggia si ferma, il livello dell'acqua oscilla su e giù in modo fluido e continuo. Il modello usa il "moto browniano" (la matematica del movimento casuale delle particelle) per simulare queste onde.

3. Perché è meglio? (Il trucco della "Cassaforta Vuota")

I vecchi metodi a volte facevano un errore grave: simulando il futuro, potevano calcolare che il costo di un incidente sarebbe diventato negativo (es. "l'assicurazione guadagnerà 100 euro su questo incidente"). Nella realtà, un costo non può essere negativo: o paghi qualcosa, o non paghi nulla (zero), ma non puoi "guadagnare" su un sinistro.

Il nuovo modello a tempo continuo ha un vantaggio magico: è impossibile che il risultato sia negativo.
È come se il fiume avesse un fondo di cemento: l'acqua può salire (costi che aumentano) o scendere (costi che diminuiscono), ma non può mai andare sotto il livello del suolo. Questo rende le previsioni molto più realistiche e sicure.

4. La Simulazione (Il "Cristallo Magico")

Per capire quanto denaro servirà tra 10 anni, l'autore usa un metodo chiamato Bootstrap.
Immagina di avere un cristallo magico che ti mostra un solo futuro. Questo metodo, invece, crea migliaia di cristalli magici (simulazioni) che mostrano migliaia di futuri possibili.

• Alcuni cristalli mostrano un futuro con molte piogge (tanti nuovi incidenti) e onde alte (costi che salgono).
• Altri mostrano un futuro tranquillo.

Guardando tutti questi cristelli insieme, l'assicuratore non vede solo una media, ma capisce la forma del rischio: quanto è probabile una catastrofe? Quanto è probabile che i costi siano bassi?

5. Il Risultato Pratico

L'autore ha testato il suo metodo su dati reali di incidenti stradali.

• I metodi vecchi (come quello Log-Normale) tendevano a essere troppo ottimisti o pessimisti e a prevedere scenari impossibili (costi negativi).
• Il nuovo metodo "a tempo continuo" rispetta le regole della natura: i costi sono sempre positivi, le sorprese arrivano in modo realistico e la previsione tiene conto di tutte le incertezze.

In sintesi

Questo articolo dice: "Smettiamola di guardare il futuro a scatti rigidi. Guardiamolo come un fiume che scorre, dove la pioggia (nuovi incidenti) e le onde (cambiamenti di costo) si mescolano in modo naturale. In questo modo, possiamo proteggere meglio i soldi delle assicurazioni senza commettere errori matematici assurdi."

È un modo più fluido, naturale e sicuro per prevedere il futuro finanziario delle assicurazioni.

Sommario tecnico

Ecco una sintesi tecnica dettagliata del paper "Continuous-time modeling and bootstrap for Schnieper's reserving" di Nicolas Baradel, redatta in italiano.

1. Il Problema e il Contesto

Il paper affronta la sfida della riserva per sinistri non ancora segnalati (IBNR - Incurred But Not Reported) nel contesto della riassicurazione excess-of-loss.
Il modello classico di Schnieper (1991) scompone le riserve IBNR in due componenti distinte:

1. True IBNR: Sinistri già accaduti ma non ancora segnalati.
2. IBNER (Incurred But Not Enough Reported): Variazioni nel costo stimato dei sinistri già segnalati (sviluppo delle riserve).

Sebbene il modello di Schnieper sia concettualmente solido, le implementazioni successive (inclusi metodi di bootstrap non parametrici) presentano limitazioni:

• Possono generare valori negativi per le riserve cumulative durante le simulazioni.
• Spesso non rispettano i vincoli intrinseci del modello (es. la non negatività delle riserve o il fatto che le riduzioni stimate non possano superare il costo totale stimato).
• Le distribuzioni risultanti possono non catturare adeguatamente l'asimmetria e la natura discreta dell'arrivo dei nuovi sinistri.

L'obiettivo dell'autore è estendere la filosofia dei modelli stocastici a tempo continuo (già applicati con successo al modello di Mack) al framework di Schnieper, creando un modello coerente che risolva queste problematiche.

2. Metodologia Proposta

L'approccio proposto introduce un modello stocastico a tempo continuo per il processo aggregato dei sinistri, combinando due meccanismi distinti per le due componenti di Schnieper:

A. Modellazione Stocastica

Il modello definisce il processo cumulativo dei sinistri $C_t^i$ per l'anno di accadimento $i$ come soluzione di una Equazione Differenziale Stocastica (SDE):
$$C_t^i = C_s^i + \int_s^t \int_{\mathbb{R}_+^*} z \Pi^i(du, dz) - \int_s^t \delta_u C_u^i du + \int_s^t \tau_u \sqrt{C_u^i} dW_u^i$$

Dove:

• Componente True IBNR (Arrivo nuovi sinistri): Modellata tramite una misura di Poisson casuale $\Pi^i$. Questo cattura la natura discreta e non decrescente dell'arrivo di nuovi sinistri.
• Componente IBNER (Sviluppo costi): Modellata tramite un moto browniano $W^i$ con un termine di deriva e diffusione. Questo permette fluttuazioni continue nei costi stimati, consentendo sia aumenti che diminuzioni (ma vincolate).
• Vincoli: La struttura dell'SDE garantisce che il processo rimanga non negativo e rispetti i limiti intrinseci (es. le riduzioni non possono superare il totale esistente).

B. Coerenza con Schnieper

L'autore dimostra che questo modello continuo è consistente con le assunzioni discrete originali di Schnieper. Attraverso l'analisi dei momenti condizionali, vengono derivati i parametri continui ($\lambda, \delta, \tau$) che mappano direttamente sui parametri discreti di Schnieper ($\Lambda, \Delta, T, \Sigma$).
Un risultato chiave è la proprietà di ramificazione (branching property): il processo dopo un "salto" (nuovo sinistro) può essere visto come la somma di un processo continuo che evolve dal valore precedente e un nuovo processo indipendente che evolve dal valore del nuovo sinistro.

C. Metodo Bootstrap

Viene sviluppato un algoritmo di bootstrap parametrico in due fasi:

1. Stima dei parametri: Si simulano i parametri del modello ($\Lambda, \Delta, T, \Sigma$) basandosi sui residui o sulla distribuzione stimata della grandezza del salto $Z$.
2. Simulazione del processo: Si simulano i percorsi futuri (la parte inferiore del triangolo) utilizzando l'SDE con i parametri bootstrapped.
   • A differenza dei metodi precedenti, questo approccio non richiede aggiustamenti post-simulazione per correggere valori negativi, poiché il modello matematico li esclude per costruzione.
   • Permette di stimare l'intera distribuzione predittiva delle riserve, catturando asimmetrie e code grasse.

3. Contributi Chiave

1. Unificazione Tempo Continuo/Discreto: Estensione della modellazione a tempo continuo (già usata per Mack) al modello di Schnieper, mantenendo la decomposizione IBNR/IBNER.
2. Garanzia di Non-Negatività: Il modello stocastico proposto garantisce matematicamente che le riserve cumulative non diventino negative e che le riduzioni stimate rispettino i vincoli fisici, eliminando la necessità di troncamenti artificiali nelle simulazioni.
3. Gestione della Distribuzione dei Sinistri: Introduce una flessibilità nella distribuzione della grandezza dei sinistri ($Z$). L'autore mostra come stimare il rapporto tra i momenti $E[Z^2]/E[Z]$ dai dati aggregati e come assumere una distribuzione (es. Gamma) per $Z$ senza imporre vincoli eccessivi.
4. Metodologia Bootstrap Completa: Fornisce un framework per la simulazione che incorpora sia l'errore di stima dei parametri che l'errore di processo, fornendo una distribuzione predittiva robusta.

4. Risultati Numerici e Confronto

L'autore applica il metodo a un dataset reale di riassicurazione excess-of-loss (dati di Schnieper) e confronta il proprio approccio con:

• Modello di Schnieper con distribuzione Log-Normale (approssimazione classica).
• Bootstrap non parametrico di Schnieper (metodo di [6]).
• Modello Time-Series Bootstrap (basato su assunzioni di normalità).

Risultati principali:

• Stabilità: Il modello continuo produce distribuzioni di riserve che rispettano i vincoli fisici (nessun valore negativo per $N_{i,j}$ e $D_{i,j+1} \le C_{i,j}$). Al contrario, il bootstrap classico di Schnieper genera valori negativi per i nuovi sinistri nel 66% delle simulazioni.
• Precisione delle Code: Il modello continuo offre una stima della quantile al 99.5% (Q99.5) più conservativa e realistica rispetto all'approssimazione Log-Normale, che tende a sottostimare il rischio di coda in alcuni scenari.
• Sensibilità: L'analisi di sensibilità mostra che i risultati dipendono dalla scelta del valore atteso della grandezza del sinistro $E[Z]$. Tuttavia, il modello rimane robusto e permette di calibrare $E[Z]$ per allineare il MSEP (Mean Squared Error of Prediction) al modello originale.

5. Significato e Implicazioni

Questo lavoro è significativo per la pratica attuariale e la ricerca perché:

• Rafforza la teoria di Schnieper: Fornisce una base stocastica rigorosa che giustifica le assunzioni discrete originali, rendendo il modello più adatto a contesti moderni di calcolo del capitale (Solvency II).
• Risoluzione di problemi pratici: Risolve il problema ricorrente delle simulazioni che generano riserve negative, un difetto comune nei metodi di bootstrap tradizionali su dati aggregati.
• Flessibilità: Offre un framework parametrico che può essere adattato a diverse distribuzioni di sinistri e che si integra naturalmente con i dati a livello di singolo sinistro (se disponibili) o aggregati.

In sintesi, Baradel propone un'evoluzione moderna del modello di Schnieper, trasformandolo da un modello puramente discreto in un processo stocastico continuo che è matematicamente coerente, computazionalmente efficiente per il bootstrap e fisicamente realistico.