📊 statistics

Penalized Copula Mixed Models for Intercompany Loss Reserving and Risk Capital

Este artigo propõe um modelo de cópula mista generalizada penalizado que integra modelos marginais de efeitos mistos com estruturas de dependência específicas de cada empresa para melhorar a estabilidade das reservas de perdas intercompanhias, reduzir a variabilidade preditiva e reduzir os requisitos de capital de risco ao emprestar informações entre seguradoras de forma eficaz, ao mesmo tempo em que considera a heterogeneidade.

Autores originais: Pengfei Cai, Anas Abdallah, Pratheepa Jeganathan

Publicado 2026-07-17

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Pengfei Cai, Anas Abdallah, Pratheepa Jeganathan

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Grande Enigma do Seguro

Imagine que você está tentando adivinhar quanto dinheiro um grupo de amigos gastará em uma viagem de carro massiva e caótica. Você tem um mapa de suas viagens passadas, mas os dados estão bagunçados: alguns amigos são péssimos com orçamento, outros são meticulosos, e o clima (que afeta os preços da gasolina) muda de forma imprevisível. Este é o mundo da reserva de sinistros (loss reserving). Na indústria de seguros, as empresas devem reservar enormes pilhas de dinheiro hoje para pagar por acidentes que aconteceram no passado, mas que ainda não foram totalmente liquidados. É como tentar adivinhar a conta final de um jantar enquanto os convidados ainda estão pedindo a sobremesa.

A parte complicada é que o seguro não se trata de apenas uma coisa; trata-se de muitos diferentes "ramos de negócio" acontecendo ao mesmo tempo. Uma seguradora de automóveis, por exemplo, lida com carros particulares e caminhões comerciais. Esses dois não são independentes; um ano econômico ruim pode prejudicar ambos, ou uma nova lei pode consertar um enquanto quebra o outro. Para acertar a conta final, você precisa entender como esses diferentes ramos de negócio dançam juntos. É aqui que os cópulas entram. Pense em uma cópula como um instrutor de dança especial que ensina você a prever os passos de um dançarino (como carros particulares) com base nos passos de outro (como caminhões comerciais), sem se confundir com suas peculiaridades individuais.

Agora, imagine que você tem dados de trinta diferentes companhias de seguros. Algumas são enormes, outras são pequenas, e todas têm seus próprios estilos únicos. A grande questão é: podemos aprender com todas elas ao mesmo tempo para fazer previsões melhores para cada uma individualmente, sem perder suas personalidades únicas? Esse é o enigma que este artigo resolve.

A Grande Ideia do Artigo: Uma Equipe de Detetives com um Filtro Mágico

Neste artigo, os autores, Pengfei Cai, Anas Abdallah e Pratheepa Jeganathan, introduzem uma nova ferramenta estatística chamada Modelo Misto de Cópula Generalizada Penalizado (pGCMM). É um nome complicado, então vamos decompor isso em uma história sobre uma equipe de detetives tentando resolver um mistério.

O Mistério: O Dinheiro Desaparecido
Cada seguradora possui um "triângulo de sinistros", que é apenas uma grade sofisticada mostrando quanto dinheiro eles pagaram ao longo do tempo. O topo do triângulo está cheio de dados, mas o canto inferior direito — os pagamentos futuros que eles ainda não fizeram — está vazio. O objetivo é preencher esse espaço vazio com precisão. Se eles adivinharem muito baixo, a empresa vai à falência; se adivinharem muito alto, desperdiçam dinheiro que poderia ser usado em outro lugar.

O Jeito Antigo: Silos vs. A Multidão
Anteriormente, as empresas muitas vezes trabalhavam em "silos". Elas olhavam apenas para seus próprios dados, ignorando todos os outros. Isso é como tentar resolver um quebra-cabeça com apenas três peças. Outros métodos tentaram olhar para os dados de todos, mas tratavam cada empresa exatamente da mesma forma, assumindo que todas tinham os mesmos hábitos. Isso é como assumir que todo detetive em uma delegacia tem exatamente o mesmo cérebro. Ambas as abordagens tinham falhas: a primeira era muito solitária e a segunda era muito genérica.

A Nova Solução: O pGCMM
Os autores propõem um modelo que atua como uma equipe de detetives superinteligentes que compartilham notas, mas mantêm seus próprios cadernos.

A Parte "Mista" (A Equipe): O modelo observa dados de 30 diferentes companhias de seguros ao mesmo tempo. Ele aprende os padrões gerais de todo o grupo (os "efeitos fixos"), mas também dá a cada empresa seu próprio "efeito aleatório" para contabilizar suas peculiaridades únicas. É como um treinador que conhece as regras gerais do futebol, mas ajusta a estratégia para cada jogador específico.
A Parte "Cópula" (A Dança): Este é o instrutor de dança mágico. Ele descobre como os diferentes ramos de negócio (como automóvel particular e comercial) se movem juntos depois que a equipe já contabilizou as regras gerais e as peculiaridades individuais. Isso permite que o modelo veja as conexções ocultas entre diferentes tipos de seguros.
A Parte "Penalizada" (O Filtro Mágico): Esta é a arma secreta do artigo. Nos cantos vazios do triângulo de dados (o futuro), não há muita informação. Se você tentar adivinhar com muita força, pode inventar padrões que não existem. Os autores usam uma técnica chamada LASSO (Least Absolute Shrinkage and Selection Operator), que atua como um filtro mágico. Ele observa os dados e diz: "Este padrão é tão fraco e instável que provavelmente é apenas ruído", e o reduz a zero. Isso mantém o modelo simples e evita que ele se confunda com flutuações aleatórias.

O Que Eles Descobriram
Os autores testaram este novo modelo usando dados reais da National Association of Insurance Commissioners, analisando 30 empresas com os ramos de automóvel particular e comercial.

Melhor Estabilidade: Quando compararam seu modelo com os antigos métodos de "silos", o novo modelo foi muito mais estável. Ele não oscilava violentamente ao prever o futuro.
Menos Capital de Risco: Como o modelo entendeu como os diferentes ramos de negócio estão conectados (a dança), ele percebeu que os riscos não eram tão assustadores quanto pareciam quando vistos separadamente. Isso significou que as empresas precisavam manter menos "capital de risco" (dinheiro de segurança) em reserva. Especificamente, em um nível de segurança de 99%, o modelo deles reduziu o capital extra necessário em cerca de 32,1% em comparação ao antigo método de silos.
O Compromisso (Trade-off): Curiosamente, embora o novo modelo tenha sido melhor em prever o valor total de dinheiro necessário, ele às vezes deslocou o dinheiro de forma ligeiramente diferente entre os dois tipos de seguro (particular vs. comercial) em comparação com modelos mais antigos. No entanto, os autores argumentam que isso é algo positivo, pois evita que um ramo seja excessivamente financiado ou subfinanciado devido a um palpite ruim.

O Teste de Simulação
Para garantir que seu modelo não era apenas sortudo com dados reais, eles realizaram uma simulação massiva. Eles criaram 100 mundos fictícios com respostas conhecidas e testaram se o modelo conseguia encontrá-las.

Esparsidade: O modelo foi excelente em encontrar os padrões de "zero". Se um determinado ano ou evento não importava de fato, o modelo corretamente o ignorou.
Robustez: Mesmo quando eles "estragaram" a simulação tornando os dados "caudais pesados" (heavy-tailed — significando que eventos extremos e raros aconteciam com mais frequência do que o normal), o modelo ainda se saiu razoavelmente bem, embora tenha ficado um pouco mais incerto. Isso sugere que o modelo é resistente o suficiente para lidar com o caos do mundo real.

A Conclusão
O artigo sugere que, ao combinar dados de muitas empresas, entender como seus diferentes ramos de seguro dançam juntos e usar um filtro para ignorar padrões instáveis, as seguradoras podem fazer previsões mais inteligentes e seguras. Não é uma varinha mágica que resolve tudo, mas é um passo significativo para transformar uma pilha caótica de números em uma imagem clara e confiável do futuro. Os autores concluem que este framework oferece uma maneira flexível e interpretável de gerenciar riscos, ajudando as empresas a manterem suas promessas aos segurados sem acumular dinheiro excessivo.

Resumo Técnico: Modelos Mistos de Cópula Penalizados para Reservas de Sinistros Intercompany e Capital de Risco

Declaração do Problema

A reserva de sinistros intercompany visa melhorar a estimativa de reservas aproveitando dados de múltiplas seguradoras, ao mesmo tempo em que contabiliza a heterogeneidade ao nível da empresa. Um desafio crítico neste domínio é modelar a dependência entre linhas de negócio (LoBs) para avaliar com precisão o capital de risco e os benefícios de diversificação. A literatura existente frequentemente trata os efeitos da empresa como fixos ou assume parâmetros de dependência homogêneos para todas as seguradoras, o que falha em capturar variações na composição do portfólio e nas práticas de subscrição. Além disso, modelos paramétricos padrão enfrentam dificuldades com a esparsidade na cauda dos triângulos de perdas (anos de ocorrência e desenvolvimento recentes), onde as observações são limitadas e os efeitos fixos podem ser fracamente identificados. Embora abordagens de redes neurais (ex: Deep Triangle) ofereçam poder preditivo, elas frequentemente carecem de interpretabilidade em relação às estruturas de dependência e efeitos de diversificação. Há uma necessidade de um framework que lide simultaneamente com dados hierárquicos de múltiplas empresas, modele a dependência residual entre as LoBs com parâmetros específicos por empresa e estabilize a estimativa em regiões de dados esparsos através de regularização.

Metodologia

Os autores propõem um Modelo Misto de Cópula Generalizada Penalizado (pGCMM) para reservas de sinistros multivariadas intercompany.

Especificação do Modelo

O modelo decompõe os pagamentos incrementais padronizados $Y_{ijc}^{(\ell)}$ para a LoB $\ell$ , ano de ocorrência $i$ , ano de desenvolvimento $j$ e empresa $c$ em três componentes:

Efeitos Sistemáticos: Efeitos fixos para padrões de ano de ocorrência e ano de desenvolvimento ( $\beta^{(\ell)}$ ) comuns à indústria.
Heterogeneidade do Segurador: Efeitos aleatórios específicos da empresa ( $b_c^{(\ell)}$ ) extraídos de uma distribuição normal, capturando a variação não observada ao nível da seguradora.
Dependência Residual: Um componente de cópula que modela a dependência entre as LoBs após condicionar aos efeitos sistemáticos e aleatórios. Crucialmente, o parâmetro da cópula $\theta_c$ é permitido variar por empresa, capturando padrões de diversificação específicos de cada seguradora.

As distribuições marginais para cada LoB são escolhidas a partir da família exponencial (ex: Gamma ou Log-normal) com base em critérios de ajuste (goodness-of-fit).

Procedimento de Estimativa

Devido à complexidade computacional da maximização da verossimilhança conjunta (que envolve a integração do termo da cópula sobre os efeitos aleatórios), os autores utilizam um procedimento de estimativa iterativo de dois estágios:

Etapa 1 (Estimativa Marginal): Estima os parâmetros marginais do modelo misto ( $\beta, \sigma, \tau$ ) condicionais aos parâmetros atuais da cópula. Na versão penalizada (pGCMM), uma penalidade $L_1$ (LASSO) é aplicada aos efeitos fixos $\beta$ para induzir esparsidade e estabilizar a estimativa na cauda dos triângulos. A otimização é realizada via descida de coordenadas (coordinate descent).
Etapa 2 (Estimativa da Cópula): Com os parâmetros marginais fixos, computam-se os pseudo-resíduos e transformam-nos em pseudo-observações baseadas em postos (rank-based). Atualizam-se os parâmetros da cópula específicos da empresa $\theta_c$ maximizando uma pseudo-verossimilhança baseada em postos.
O algoritmo itera até a convergência.

Distribuição Preditiva e Capital de Risco

Para gerar distribuições de reservas preditivas e avaliar o capital de risco (ex: TVaR), os autores adaptam um procedimento de bootstrap modificado (Chatterjee e Lahiri, 2011). Esta abordagem:

Zera coeficientes pequenos para lidar com a não diferenciabilidade da penalidade $L_1$ .
Reamostra os resíduos com base em seus postos empíricos para preservar a estrutura de dependência.
Reajusta o modelo penalizado nas amostras de bootstrap para gerar uma distribuição de reservas totais.

Principais Contribuições

O artigo delineia cinco contribuições primárias:

Extensão de Framework: Introdução de um Modelo Misto de Cópula Generalizada (GCMM) para reservas multivariadas intercompany que acomoda a heterogeneidade entre seguradoras e a dependência entre LoBs.
Dependência Específica por Empresa: Permite que os parâmetros de dependência da cópula variem por empresa, capturando padrões de diversificação que seriam obscurecidos por um parâmetro comum.
Estimativa Iterativa: Desenvolvimento de um procedimento de dois estágios combinando a estimativa de modelo misto marginal com a estimativa de cópula baseada em postos usando pseudo-observações de resíduos.
Penalização: Incorporação de uma penalidade $L_1$ nos efeitos fixos para estabilizar parâmetros fracamente identificados nas caudas esparsas dos triângulos e gerar um modelo parcimonioso.
Quantificação de Incerteza: Adaptação do bootstrap de resíduos para gerar distribuições de reservas preditivas e avaliar o capital de risco sob o framework penalizado.

Resultados Empíricos

O modelo foi aplicado a dados do Schedule P da National Association of Insurance Commissioners (NAIC), compreendendo 30 pares de triângulos de perdas para as linhas de automóvel pessoal e comercial.

Precisão de Reserva: O pGCMM e o GCMM não penalizado produziram estimativas de linha específicas estáveis. Embora o benchmark de efeito fixo da cópula (Copula-FE) tenha fornecido a estimativa pontual agregada mais próxima para uma empresa específica, ele exibiu uma superestimação maior em linhas específicas. Os modelos de efeito aleatório forneceram alocações mais equilibradas.
Estabilidade e Variabilidade: A análise de bootstrap revelou que o Silo-GLMM (modelando as LoBs separadamente) produziu a maior variabilidade. Os modelos de cópula de efeito aleatório (GCMM e pGCMM) produziram os menores coeficientes de variação, demonstrando que o empréstimo de força entre empresas e a modelagem da dependência reduzem a incerteza preditiva.
Capital de Risco: A modelagem da dependência entre LoBs reduziu significativamente o capital de risco necessário em comparação com o benchmark de silo. O pGCMM e o GCMM alcançaram os maiores ganhos, reduzindo o capital de cauda incremental (relativo ao Silo-GLMM) em aproximadamente 32% no nível de 99% de TVaR.
Recuperação de Parâmetros: Estudos de simulação confirmaram que o estimador recupera corretamente coeficientes não nulos e reduz coeficientes verdadeiramente nulos em direção a zero. O framework permaneceu robusto à especificação incorreta da distribuição do efeito aleatório (ex: distribuições t de cauda pesada), embora a variabilidade tenha aumentado ligeiramente.

Significância e Alegações

Os autores posicionam o pGCMM como um framework interpretável e flexível que serve como uma extensão do tipo "credibilidade" para regressão de cópula. Sua significância reside em:

Decomposição: Ele separa claramente a heterogeneidade ao nível do segurador da dependência residual entre as LoBs, permitindo uma quantificação direta dos efeitos de diversificação.
Estabilidade: A penalidade $L_1$ estabiliza a estimativa em regiões de dados esparsos sem sacrificar a capacidade de modelar estruturas de dependência complexas.
Avaliação de Capital: Ao contabilizar tanto a heterogeneidade quanto a dependência, o modelo fornece uma base mais estável para a avaliação de capital de risco do que as abordagens tradicionais de silo ou de efeito fixo.

O artigo conclui que, embora o framework tenha sido demonstrado em duas LoBs, ele se estende naturalmente para dimensões mais altas usando cópulas elípticas ou de vinha (vine copulas). Os autores reconhecem limitações, como o foco em duas LoBs e o potencial de necessidade de arquiteturas híbridas (ex: integração de redes neurais recorrentes) para melhor capturar a dinâmica sequencial de desenvolvimento de sinistros em trabalhos futuros.