Continuous-time modeling and bootstrap for Schnieper's reserving

Dit paper presenteert een continu-tijd stochastisch model en een bijbehorende bootstrap-methode voor het schatten van de volledige predictieve verdeling van claimsreserves binnen het kader van Schnieper's model, waarbij asymmetrie en niet-negativiteit op natuurlijke wijze worden gewaarborgd.

De kern

De Kunst van het Voorspellen: Een Nieuwe Manier om Onbekende Schadekosten te Begrijpen

Stel je voor dat je de eigenaar bent van een groot verzekeringsbedrijf. Je hebt een enorme stapel dossiers met auto-ongevallen, branden en andere schadegevallen. Je weet hoeveel er al is gemeld en betaald, maar je weet niet alles. Er zijn twee soorten "geheime" kosten die je nog moet voorspellen:

1. De "Onbekenden" (True IBNR): Schade die al is gebeurd, maar waarvan je nog niets weet. Misschien is er gisteren een ongeluk gebeurd, maar heeft de bestuurder nog niet gebeld.
2. De "Veranderingen" (IBNER): Schade die je al kent, maar waarvan de prijsplaatje verandert. Een auto die je eerst op €5.000 inschatte, blijkt na nader onderzoek €8.000 te kosten. Of juist goedkoper uit te vallen.

Het oude verhaal: Schnieper's recept
In 1991 bedacht een man genaamd Schnieper een slimme manier om deze twee soorten kosten uit elkaar te halen en te voorspellen. Hij deed dit alsof hij een recept volgde: hij keek naar historische data en rekende gemiddelden uit. Het werkte goed, maar het had een groot nadeel: het was alsof je probeerde het weer te voorspellen door alleen naar het gemiddelde van de afgelopen 100 dagen te kijken. Het negeerde de chaos, de plotselinge stormen en de onvoorspelbaarheid van het echte leven. Het gaf ook soms rare uitkomsten, zoals negatieve schadekosten (wat natuurlijk onmogelijk is).

De nieuwe aanpak: Een levendige, continue film
Nicolas Baradel, de auteur van dit paper, zegt: "Laten we stoppen met kijken naar statische foto's en beginnen met het kijken naar een levende film."

Hij heeft een nieuw model bedacht dat de schadekosten ziet als een stroom die continu verandert, in plaats van als stapels cijfers die elke maand worden opgeteld.

Hier is hoe zijn model werkt, vertaald in alledaagse termen:

1. De Twee Krachten in de Stroom

Baradel ziet de toekomst als een rivier die wordt aangedreven door twee verschillende krachten:

• De Regenbuien (De Poisson-meet):
  Stel je voor dat nieuwe schadeclaims als regenbuien zijn die plotseling vallen. Je kunt niet precies zeggen wanneer een druppel valt, maar je weet wel hoe vaak het gemiddeld regent.
  • In het model: Nieuwe claims komen binnen als een willekeurige "regenbui" van gebeurtenissen. Dit is puur kans en toeval.
• De Golfbeweging (De Brownse Beweging):
  Nu de claims binnen zijn, verandert hun waarde. Soms stijgt de prijs, soms daalt hij. Dit is niet lineair; het is als een golf in de zee. Het kan omhoog en omlaag gaan, maar het blijft een vloeiende beweging.
  • In het model: De kosten van bekende claims bewegen als een golf, gestuurd door wiskundige "trillingen" (Brownse beweging).

2. Waarom is dit beter? (De "Niet-Negatieve" Regel)

In de oude methoden kon het gebeuren dat je berekende dat je minder dan nul euro aan reserves nodig had. Alsof je geld terugkreeg van een ongeluk dat nog niet is gebeurd. Dat is in de echte wereld onzin.

Het nieuwe model van Baradel is als een veiligheidsnet. Omdat het model de claims ziet als een stroom die nooit onder nul kan zakken (je kunt geen negatieve auto hebben), zijn de uitkomsten altijd logisch en realistisch. Het model "weet" dat schadekosten nooit negatief kunnen zijn, zonder dat je er extra regels voor hoeft te schrijven.

3. De "Boot" (De Bootstrap-methode)

Hoe weet je of je voorspelling goed is? Baradel gebruikt een techniek die hij "de boot" noemt (in het Engels: bootstrap).

• Het idee: Stel je voor dat je een boot hebt gevuld met duizenden kleine poppetjes, elk met een iets andere versie van de geschiedenis.
• De actie: Je laat deze boot duizenden keren over een rivier varen. Soms is het water rustig, soms stormachtig.
• Het resultaat: Door te kijken waar al die bootjes eindigen, zie je niet alleen één voorspelling, maar een wolk van mogelijke uitkomsten. Je ziet direct hoe groot de kans is dat de kosten heel hoog worden (een storm) of juist laag blijven.

Dit is cruciaal voor verzekeraars, omdat ze niet alleen het gemiddelde risico willen weten, maar vooral hoe groot het ergste scenario is.

4. Het Experiment: De Motorrijders

Baradel testte zijn idee met echte data van motorrijders die extra verzekeringen hadden. Hij vergeleek zijn nieuwe "levende film"-methode met de oude "statische foto"-methode.

• Het resultaat: Zijn nieuwe methode gaf een veel realistischer beeld van de risico's. De oude methoden gaven soms te optimistische of te pessimistische uitkomsten.
• De verrassing: Hij ontdekte dat de keuze van de "grootte" van de regenbuien (hoe groot een nieuwe claim is) de uitkomst enorm beïnvloedt. Als je denkt dat nieuwe claims klein zijn, voorspel je lage kosten. Als je denkt dat ze groot zijn, voorspel je hoge kosten. Zijn model laat zien hoe gevoelig deze voorspellingen zijn.

Conclusie: Van Schets naar Realiteit

Kortom, Nicolas Baradel heeft de wiskunde achter verzekeringsreserves vernieuwd. In plaats van te kijken naar statische tabellen en gemiddelden, kijkt hij nu naar een dynamisch, levend proces.

Het is het verschil tussen het proberen te voorspellen of het morgen regent door te kijken naar het gemiddelde van de afgelopen maand, en het kijken naar de lucht, de wind en de wolken in real-time om te zien of er een storm op komt.

Zijn nieuwe methode zorgt ervoor dat verzekeraars:

1. Nooit negatieve kosten voorspellen (wat onmogelijk is).
2. De onzekerheid (de "stormen") beter begrijpen.
3. Een realistischer beeld hebben van hoeveel geld ze moeten reserveren voor de toekomst.

Het is een stap van "wiskundig schetsen" naar "wiskundig leven".

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Continuous-time modeling and bootstrap for Schnieper's reserving" van Nicolas Baradel, geschreven in het Nederlands.

Probleemstelling

In de context van schadeverzekeringen, en specifiek bij excess-of-loss herverzekering, is het nauwkeurig schatten van de IBNR-reserves (Incurred But Not Reported) en IBNER-reserves (Incurred But Not Enough Reported) cruciaal. Schnieper's model (1991) deconstrueert deze reserves in twee componenten:

1. True IBNR: Schadegevallen die zijn ingetreden maar nog niet gemeld zijn.
2. IBNER: Wijzigingen in de geschatte uiteindelijke kosten van reeds gemelde schadegevallen.

Hoewel Schnieper's oorspronkelijke model een probabilistisch raamwerk biedt, zijn bestaande uitbreidingen (zoals die van Mack) vaak gebaseerd op discrete tijdstappen en kunnen ze problemen opleveren bij het simuleren van toekomstige reserves. Traditionele bootstrap-methoden kunnen leiden tot negatieve waarden voor cumulatieve schade of reserves, wat financieel onlogisch is. Daarnaast missen veel bestaande methoden de mogelijkheid om de asymmetrie en de intrinsieke ondergrens (nul) van reserves correct te modelleren zonder extra aannames of correcties.

Methodologie

De auteur introduceert een continu-tijd stochastisch model dat Schnieper's discrete decompositie integreert met moderne stochastische differentiaalvergelijkingen (SDE's).

1. Het Stochastisch Model:
Het model definieert het cumulatieve schadeproces $C_t^i$ voor een ongevaljaar $i$ als de oplossing van een SDE die twee processen combineert:

• Aankomst van nieuwe claims (True IBNR): Gemodelleerd door een Poisson-maat ($\Pi$). Dit vertegenwoordigt de aankomst van nieuwe claims met willekeurige grootte $Z$.
• Ontwikkeling van bestaande claims (IBNER): Gemodelleerd door een Brownse beweging ($W$) met een drift- en diffusiecomponent. Dit captureert de fluctuaties in de geschatte kosten van reeds gemelde claims.

De SDE luidt:
$$C_t^i = C_s^i + \int_s^t \int_{\mathbb{R}_+^*} z \Pi^i(du, dz) - \int_s^t \delta_u C_u^i du + \int_s^t \tau_u \sqrt{C_u^i} dW_u^i$$
Waarbij de drift en diffusie afhangen van de huidige schadehoeveelheid, wat zorgt voor een natuurlijk gedrag bij lage waarden.

2. Consistentie met Schnieper:
Het artikel bewijst dat dit continu-tijd model de aannames van Schnieper (onafhankelijkheid tussen jaren, lineaire verwachtingen en varianties afhankelijk van blootstelling en cumulatieve schade) exact reproduceert wanneer het proces wordt geprojecteerd op discrete tijdstappen (jaren).

3. Bootstrap-methode:
Er wordt een tweestaps bootstrap-procedure ontwikkeld om de volledige voorspellende verdeling van de reserves te schatten:

• Stap 1 (Parameteronduidelijkheid): De parameters van het model ($\Lambda, \Delta, T, \Sigma$) worden gesimuleerd op basis van de geschatte waarden en de residuen uit de data.
• Stap 2 (Procesonduidelijkheid): Met de gesimuleerde parameters worden toekomstige schadeprocessen gegenereerd via de SDE.
  • De auteur gebruikt een exacte simulatiemethode (gebaseerd op een vertakkings-eigenschap) om de trajecten tussen jumps te simuleren zonder discretisatiefouten.
  • De verdeling van de jump-groottes ($Z$) wordt geschat via een lineaire regressie op de momenten, waarbij vaak een Gamma-verdeling wordt aangenomen.

Belangrijkste Bijdragen

1. Unieke Stochastische Structuur: Het is het eerste model dat Schnieper's decompositie combineert met een continu-tijd SDE-framework dat zowel Poisson-aankomsten als Brownse beweging integreert.
2. Natuurlijke Beperkingen: Het model garandeert niet-negativiteit van de reserves en respecteert de intrinsieke bovengrens (dat de IBNER-component niet groter kan zijn dan de reeds gemelde schade), zonder dat er handmatige correcties nodig zijn.
3. Asymmetrie: Door het gebruik van jumps en een niet-lineaire diffusie, vangt het model de natuurlijke asymmetrie in schadeverdelingen op, wat vaak ontbreekt bij Gaussische benaderingen.
4. Flexibiliteit in Verdelingen: Het model maakt het mogelijk om de verdeling van de claimgrootte ($Z$) vrij te kiezen (binnen moment-beperkingen), wat belangrijk is voor zware staarten.

Resultaten

De methode wordt getest op een dataset van motoraansprakelijkheidsverzekeringen (excess-of-loss) uit de literatuur.

• Vergelijking met Alternatieven: De resultaten worden vergeleken met:
  • Schnieper's model met een Log-normale benadering.
  • Schnieper's model met een klassieke bootstrap (residu-based).
  • Een tijdreeks-model (Time series) met bootstrap.
• Kernbevindingen:
  • De Continuous-time Bootstrap levert een voorspellende verdeling die qua Mean Squared Error of Prediction (MSEP) vergelijkbaar is met de beste alternatieven, maar met een veel realistischere staartgedrag.
  • Negatieve Waarden: De klassieke Schnieper-bootstrap genereert in ongeveer 66% van de simulaties negatieve waarden voor nieuwe claims ($N_{i,j}$), wat fysisch onmogelijk is. Het tijdreeks-model genereert in 6% van de gevallen onmogelijke scenario's waar de IBNER-component groter is dan de totale schade. Het continu-tijd model genereert nooit negatieve waarden.
  • Sensitiviteit: De resultaten zijn gevoelig voor de keuze van de verwachte claimgrootte $E[Z]$. Een lagere $E[Z]$ (wat overeenkomt met een zwaardere staart in de Gamma-verdeling) leidt tot hogere MSEP en hogere 99,5%-quantielen.

Betekenis en Conclusie

Dit artikel biedt een robuust theoretisch en praktisch raamwerk voor het schatten van schade reserves. De belangrijkste waarde ligt in het vermijden van de "negatieve reserve"-problematiek die veel discrete bootstrap-methoden plagen.

Door de overgang naar een continu-tijd SDE-framework:

• Wordt de coherentie tussen het model en de fysieke realiteit (niet-negativiteit, asymmetrie) gewaarborgd.
• Wordt de voorspellende onzekerheid (vooral in de staart van de verdeling) nauwkeuriger ingeschat zonder kunstmatige aannames.
• Biedt het een brug tussen de klassieke actuariële modellen (Schnieper) en moderne stochastische proces-theorie, wat essentieel is voor risicogestuurd kapitaalmanagement en solvabiliteitsberekeningen (zoals Solvency II).

De auteur concludeert dat hoewel de keuze van de verdeling voor de claimgrootte ($Z$) invloed heeft op de uitkomsten, het continu-tijd model een superieure basis biedt voor bootstrap-simulaties omdat het de fundamentele eigenschappen van het schadeproces respecteert.