General Bounds on Functionals of the Lifetime under Life Table Constraints

Este artigo desenvolve um novo quadro robusto para a gestão de riscos de mortalidade em seguros de vida ao derivar limites superiores e inferiores para funcionais da duração da vida que são compatíveis com tabelas de vida observadas, permitindo quantificar o impacto de desvios nas taxas de mortalidade sobre os valores dos contratos sem depender de suposições específicas sobre a distribuição de óbitos entre idades inteiras.

O essencial

Imagine que você é o dono de uma grande seguradora de vida. Você precisa calcular quanto deve cobrar pelos seus planos e quanto dinheiro deve guardar de reserva para pagar benefícios no futuro. Para fazer isso, você usa tabelas de mortalidade, que são como "mapas de sobrevivência" baseados em dados históricos.

O Problema: O Mapa é Incompleto
O problema é que esses mapas só dizem quantas pessoas vivem até os 40, 41, 42 anos (idades inteiras). Eles não dizem quando, exatamente, dentro daquele ano, as pessoas morrem.

• Será que a maioria morre logo no dia 1º de janeiro?
• Será que morrem todos no dia 31 de dezembro?
• Ou será que morrem uniformemente espalhados pelo ano todo?

Na vida real, isso importa muito para certos produtos, como Anuidades Variáveis (planos de aposentadoria onde o dinheiro cresce com a bolsa de valores). Se o segurado morre no início do ano, o dinheiro é pago de uma forma. Se morre no final, é pago de outra.

Tradicionalmente, os atuários (os matemáticos das seguradoras) inventam regras para preencher essa lacuna. Eles dizem: "Vamos assumir que as mortes são distribuídas uniformemente" ou "Vamos assumir que o risco de morte é constante". O problema é que a escolha dessa regra muda drasticamente o preço do seguro. É como calcular o preço de um bolo sem saber se o açúcar está no fundo ou no topo; o resultado final depende totalmente da sua suposição.

A Solução do Artigo: O "Pior e o Melhor Cenário"
Os autores deste artigo, Jean-Loup Dupret e Edouard Motte, propõem uma abordagem diferente. Em vez de escolher uma regra arbitrária, eles decidiram calcular os limites extremos.

Eles perguntam: "Dado que sabemos exatamente quantas pessoas sobrevivem até os 40, 41, 42 anos, qual é o preço mais caro possível e qual é o preço mais barato possível para este seguro, considerando qualquer distribuição de mortes que seja compatível com esses dados?"

Eles criaram dois métodos para fazer isso:

1. O Cenário Rígido (A "Regra do Jogo Perfeito")

Imagine que você tem um grupo de pessoas e sabe exatamente quantas sobreviveram ao ano. No cenário rígido, eles assumem que, em cada ano específico, o número de mortes segue exatamente a tabela, sem exceções.

• A Analogia: É como se você tivesse um relógio que só pode bater em horários exatos. Você descobre que, para maximizar o lucro da seguradora, o "melhor" momento para as pessoas morrerem seria sempre no último segundo do ano. Para o pior cenário, seria no primeiro segundo.
• Resultado: Eles conseguem calcular o preço máximo e mínimo exatos para produtos que pagam se a pessoa morrer (como um seguro de vida) ou se ela sobreviver (como uma aposentadoria).

2. O Cenário Relaxado (A "Regra da Média")

O cenário rígido é muito estrito. Na vida real, as mortes podem variar um pouco de um ano para o outro, desde que a média ao longo do tempo bata com a tabela.

• A Analogia: Imagine que você tem um orçamento mensal. No cenário rígido, você só pode gastar exatamente R$100 no dia 15. No cenário relaxado, você pode gastar R$ 50 no dia 10 e R$150 no dia 20, desde que a média mensal seja R$ 100.
• Resultado: Isso cria uma faixa de preços um pouco mais ampla (mais incerteza), mas é mais realista. Eles usam matemática avançada (controle estocástico) para encontrar os limites dentro dessa "faixa de liberdade".

Por que isso é importante? (A Metáfora do "Seguro contra o Desconhecido")

Pense na seguradora como um capitão de navio navegando em um mar com neblina (a incerteza sobre quando as pessoas morrem dentro do ano).

• O método antigo: O capitão escolhe um mapa que diz "a neblina é assim". Se ele errar o mapa, o navio pode afundar (prejuízo) ou ele pode ter carregado suprimentos demais (preço alto demais).
• O método deste artigo: O capitão não escolhe um mapa. Ele calcula: "Se a neblina estiver no pior cenário possível, meu navio aguenta? E se estiver no melhor cenário, quanto lucro terei?"

Isso permite que a seguradora saiba:

1. Qual é o pior prejuízo possível se a realidade for diferente do que eles imaginaram.
2. Qual é o melhor ganho possível.
3. Quanto vale a incerteza. Eles podem ver que, para pessoas mais velhas, a escolha de como as mortes são distribuídas no ano faz uma diferença enorme no preço.

Conclusão Simples

Este artigo não diz "como é que as pessoas morrem". Ele diz: "Não importa como as pessoas morrem, desde que o total anual bata com a tabela. Aqui está o preço mais alto e o mais baixo que você pode cobrar para não ter surpresas."

É uma ferramenta de gestão de risco que tira a "adivinhação" da equação e substitui por limites matemáticos seguros, permitindo que as seguradoras cobrem preços justos e se protejam contra o pior cenário possível, sem precisar inventar modelos complexos que podem estar errados.

Resumo técnico

Resumo Técnico: Limites Gerais para Funcionais da Vida Sob Restrições de Tabelas de Mortalidade

1. O Problema

No setor de seguros de vida, as tabelas de mortalidade fornecem probabilidades de sobrevivência apenas em idades inteiras. No entanto, muitos produtos atuariais (como anuidades variáveis, garantias de renda e benefícios por morte) dependem da distribuição completa do tempo de vida, incluindo o momento exato das mortes entre idades inteiras consecutivas.

Atualmente, para preencher essa lacuna de informação, os atuários utilizam duas abordagens principais, ambas com limitações estruturais de risco de modelo:

1. Suposições de Idade Fracionária: Assumem distribuições específicas para mortes dentro do ano (ex: Distribuição Uniforme de Mortes - UDD, Força de Mortalidade Constante - CFM, Balducci). O problema é que os resultados financeiros variam drasticamente dependendo da suposição escolhida, introduzindo um risco de modelo não quantificado.
2. Modelos de Taxa de Mortalidade: Utilizam modelos paramétricos (ex: Gompertz-Makeham, Lee-Carter) ou estocásticos. Estes também dependem de suposições estruturais sobre a dinâmica da mortalidade, cujas escolhas afetam significativamente a avaliação de passivos.

O objetivo deste trabalho é eliminar a dependência de suposições arbitrárias sobre a distribuição intra-anual da mortalidade, derivando limites superiores e inferiores (bounds) para funcionais da vida que sejam compatíveis apenas com os dados observados na tabela de mortalidade (probabilidades de sobrevivência anuais), sem impor um modelo específico de mortalidade.

2. Metodologia

Os autores propõem um framework baseado em controle estocástico ótimo e otimização robusta, caracterizando o conjunto de todas as trajetórias de mortalidade possíveis que são consistentes com os dados discretos da tabela.

O estudo é dividido em duas formulações distintas e complementares:

A. Cenário Restrito (Matching "Almost Surely" - Seção 4)

• Premissa: Assume-se que cada trajetória de mortalidade deve satisfazer quase certamente (com probabilidade 1) as probabilidades de sobrevivência de um ano fornecidas pela tabela para cada intervalo inteiro.
• Abordagem: Trata-se de um problema de controle onde o controle (força de mortalidade) deve respeitar restrições de caminho estritas.
• Resultado: Devido à restrição estrita, os controles ótimos tornam-se determinísticos. A mortalidade é concentrada nos extremos dos intervalos de tempo (início ou fim do ano) para maximizar ou minimizar o valor do contrato.
• Aplicação: Derivação de limites exatos para GMAB (Garantia de Acumulação Mínima), GMIB (Garantia de Renda Mínima) e GMDB (Garantia de Morte Mínima).

B. Cenário Relaxado (Matching em Expectativa - Seção 5)

• Premissa: Reconhecendo que a restrição estrita é empiricamente muito rígida, os autores propõem uma formulação onde as restrições da tabela de mortalidade devem ser satisfeitas apenas em expectativa. Isso permite que as trajetórias de mortalidade se desviem da tabela, desde que a média seja consistente.
• Desafio: O problema de controle resultante é mal-posto (ill-posed) sem restrições adicionais.
• Solução: Introduz-se um conjunto de controles admissíveis limitados (bounded controls) por funções dependentes do tempo, centradas em uma taxa de mortalidade de referência. Utiliza-se uma abordagem dual com multiplicadores de Lagrange para resolver o problema de controle robusto.
• Convergência: Demonstra-se que, à medida que a amplitude dos limites de controle aumenta, as soluções do problema regularizado convergem para a solução do problema irrestrito original.

Contexto Financeiro:
O modelo considera um mercado financeiro completo com taxas de juros estocásticas (modelo de Vasicek/Hull-White) e ações. As taxas de mortalidade podem ser correlacionadas com os ativos financeiros. O preço é calculado sob a Medida de Martingal Mínima (MMM) para garantir consistência com estratégias de hedge de risco local.

3. Contribuições Principais

1. Framework Livre de Modelo (Model-Free) para Mortalidade: A metodologia não impõe nenhuma distribuição paramétrica ou não paramétrica específica para a mortalidade intra-anual. Os limites são derivados puramente da consistência com os dados observados.
2. Quantificação do Risco de Modelo: Permite que seguradoras quantifiquem o impacto financeiro (preço pior caso vs. melhor caso) de desvios nas taxas de mortalidade observadas em relação às suas suposições atuais (ex: UDD vs. Balducci).
3. Caracterização de Controles Ótimos:
   • No cenário estrito, provou-se que os limites são atingidos quando a mortalidade é concentrada nos pontos extremos dos intervalos anuais (início ou fim), tornando as trajetórias ótimas determinísticas.
   • No cenário relaxado, fornece-se uma estrutura numérica robusta via equações de Hamilton-Jacobi-Bellman (HJB) e dualidade.
4. Análise de Assimetria: O trabalho revela que a assimetria dos limites depende da natureza do produto:
   • Produtos dependentes de sobrevivência (GMIB, GMAB) têm limites inferiores muito mais baixos (sensíveis ao aumento da mortalidade).
   • Produtos dependentes de morte (GMDB) têm limites superiores muito mais altos (sensíveis ao aumento da mortalidade).

4. Resultados Numéricos

Os experimentos numéricos, baseados na tabela de mortalidade feminina belga, ilustram:

• Impacto da Idade e Prazo: Para segurados mais jovens e prazos curtos, a escolha da suposição de idade fracionária tem pouco impacto. Para idosos e prazos longos, a incerteza intra-anual gera uma faixa de preços (entre os limites superior e inferior) significativamente ampla.
• Comparação de Limites: Os limites baseados em expectativa (cenário relaxado) são mais amplos que os limites quase certos (cenário estrito), refletindo a maior incerteza permitida.
• Restrições Intermediárias: Adicionar restrições de expectativa em intervalos intermediários (não apenas no vencimento final) reduz substancialmente a amplitude dos limites, especialmente para GMIB e GMDB, ao restringir trajetórias de mortalidade extremas que seriam válidas apenas no final do período.
• Convergência: Os resultados numéricos confirmam a convergência teórica dos limites relaxados à medida que o parâmetro de restrição ($\delta$) aumenta.

5. Significado e Implicações

Este trabalho oferece uma ferramenta robusta de gestão de risco para o setor de seguros de vida:

• Gestão de Passivos: Permite que as seguradoras estabeleçam uma faixa de preços "justa" para seus produtos, independentemente do modelo de mortalidade escolhido, garantindo que os preços estejam dentro de limites compatíveis com os dados observados.
• Regulação e Solvência: Auxilia na quantificação de capital necessário para cobrir o risco de modelo associado à incerteza da mortalidade intra-anual.
• Flexibilidade: O framework é aplicável a qualquer dinâmica financeira complexa, sendo o componente de mortalidade tratado de forma agnóstica ao modelo.

Em suma, o artigo substitui a incerteza arbitrária de "qual suposição usar" por limites matemáticos rigorosos de "qual é o pior e o melhor cenário possível dado o que sabemos", fornecendo uma base sólida para precificação e gestão de risco em um ambiente de incerteza de mortalidade.