Continuous-time modeling and bootstrap for Schnieper's reserving

Este artigo propõe um modelo estocástico em tempo contínuo e um método de *bootstrap* para o modelo de Schnieper de provisionamento de sinistros, permitindo estimar a distribuição preditiva completa das reservas com garantia de não negatividade e respeito às assimetrias dos dados.

O essencial

Imagine que você é o gerente de uma grande seguradora de carros. Todo mês, você precisa responder a uma pergunta difícil: "Quanto dinheiro precisamos guardar no cofre hoje para pagar todos os acidentes que já aconteceram, mas que ainda não sabemos o valor final?"

Esse dinheiro guardado é chamado de Reserva. O problema é que o futuro é incerto. Alguns acidentes novos aparecem todo dia (como chuvas repentinas), e o custo dos acidentes antigos pode mudar (como um carro que parecia apenas arranhado, mas na verdade precisa de uma troca completa de motor).

O artigo que você pediu para explicar é como um "manual de instruções" para prever esse dinheiro de forma mais inteligente, usando uma mistura de matemática avançada e simulação de computador. Vamos descomplicar isso usando analogias do dia a dia.

1. O Problema: Duas Fontes de Incerteza

O autor, Nicolas Baradel, foca em um modelo antigo chamado Modelo de Schnieper. Ele diz que a sua reserva tem duas partes distintas, como se fossem dois baldes vazando água:

1. O Balde dos "Novos" (IBNR): São os acidentes que já aconteceram, mas a seguradora ainda não foi avisada. É como se você soubesse que vai chover, mas não sabe exatamente quando a primeira gota vai cair no seu telhado.
2. O Balde dos "Reajustes" (IBNER): São os acidentes que você já conhece, mas o preço de conserto está mudando. Imagine que você orçou um conserto de R$1.000, mas depois descobre que precisa de peças mais caras, e o custo sobe para R$ 1.500. Ou, às vezes, o custo cai.

2. A Solução Antiga vs. A Nova Solução

Antes, os matemáticos tentavam prever esses valores usando "passos" discretos, como se o tempo fosse um filme em stop-motion (quadro a quadro). Eles olhavam para o mês passado, calculavam, olhavam para o mês atual, calculavam de novo.

O que este artigo faz de diferente?
O autor propõe tratar o tempo como um rio contínuo, não como uma escada.

• A Chegada de Novos Acidentes: Ele usa um modelo matemático chamado "Medida de Poisson". Pense nisso como um contador de gotas de chuva. As gotas (acidentes) caem aleatoriamente, mas sabemos a média de quantas caem por hora.
• A Flutuação de Custos: Para os custos que mudam, ele usa o "Movimento Browniano". Imagine uma bolsa de valores ou uma fumaça subindo. Ela sobe e desce de forma imprevisível, mas segue um padrão de oscilação natural.

Ao misturar "gotas de chuva aleatórias" com "oscilações de fumaça", ele cria um modelo que flui suavemente no tempo, em vez de pular de mês em mês.

3. O Grande Truque: O "Simulador de Realidades" (Bootstrap)

A parte mais legal do artigo é como ele testa se essa previsão é boa. Em vez de confiar em uma única resposta ("A reserva é R$ 1 milhão"), ele usa um método chamado Bootstrap.

Imagine que você tem um dado viciado e quer saber se ele é justo. Você não joga uma vez; você joga 10.000 vezes.

• O autor cria um simulador de realidade paralela.
• Ele roda o computador milhares de vezes. Em cada simulação, ele inventa um futuro ligeiramente diferente: "E se choverem 5 acidentes a mais?", "E se o custo do conserto subir 10%?".
• Ao final, ele não tem apenas um número, mas uma nuvem de possibilidades. Ele sabe que, em 99% dos casos, a reserva estará entre X e Y.

Por que isso é importante?
Métodos antigos às vezes diziam que a reserva poderia ser negativa (o que é impossível, você não pode ter um saldo negativo de dívidas a pagar). O modelo do autor, por ser contínuo e usar essas simulações, garante que a reserva nunca seja negativa e respeita os limites naturais da realidade.

4. O Estudo de Caso: O Exemplo Real

O autor pegou dados reais de uma seguradora de carros (dados de acidentes e custos de 7 anos).

• Ele aplicou o modelo dele.
• Comparou com métodos antigos (como o "Log-normal", que assume que os dados seguem uma curva perfeita de sino).
• Resultado: O modelo dele mostrou que os métodos antigos podiam estar subestimando o risco de "caudas longas" (eventos raros e catastróficos). O modelo dele foi mais conservador e realista, mostrando que a reserva necessária para cobrir o pior cenário (99,5% de segurança) era maior do que os métodos antigos diziam.

5. A Lição Final: A Importância do "Tamanho da Gota"

O artigo termina com uma observação interessante sobre o tamanho das "gotas" (o valor médio de cada novo acidente).

• Se você assumir que os acidentes são pequenos e frequentes, a reserva é uma coisa.
• Se você assumir que podem haver acidentes grandes e raros, a reserva precisa ser muito maior para se proteger.

O autor mostra que, sem dados detalhados de cada acidente individual, é difícil saber exatamente qual é o "tamanho da gota". Mas o modelo dele é flexível o suficiente para testar diferentes cenários e dizer: "Se os acidentes forem grandes, prepare-se para guardar mais dinheiro".

Resumo em uma frase

Este artigo é como trocar um mapa de papel antigo e estático por um GPS em tempo real com previsão do tempo: ele usa matemática avançada para simular milhares de futuros possíveis, garantindo que a seguradora tenha dinheiro suficiente para pagar qualquer surpresa, sem nunca sugerir números impossíveis (como reservas negativas).

Resumo técnico

Resumo Técnico: Modelagem Contínua e Bootstrap para Reservas de Schnieper

1. O Problema

No contexto de seguros de responsabilidade civil (especialmente em excesso de perda), a estimação de reservas para sinistros ocorridos mas não reportados (IBNR - Incurred But Not Reported) é um desafio central. O modelo clássico de Schnieper (1991) decompõe as reservas IBNR em dois componentes distintos:

1. IBNR Verdadeiro: Sinistros que já ocorreram, mas ainda não foram notificados à seguradora.
2. IBNER (Incurred But Not Enough Reported): Sinistros já reportados, mas cujo custo final estimado ainda está sendo ajustado (reavaliação de custos).

Embora o modelo de Schnieper seja conceitualmente robusto, a literatura existente sobre sua aplicação prática e métodos de simulação estocástica (como bootstrap) apresenta limitações. Métodos discretos tradicionais muitas vezes:

• Não garantem a não-negatividade das reservas simuladas.
• Ignoram a assimetria inerente à distribuição de sinistros.
• Requerem ajustes ad-hoc para respeitar limites intrínsecos (ex: o custo de um sinistro reportado não pode exceder o total acumulado de forma irrealista em certas simulações).
• Falham em capturar a dinâmica temporal contínua das flutuações de custos.

O objetivo deste trabalho é preencher essa lacuna propondo uma modelagem estocástica em tempo contínuo que seja consistente com as premissas de Schnieper, mas que permita uma simulação de bootstrap mais fiel à realidade física dos dados.

2. Metodologia

O autor desenvolve um modelo estocástico contínuo para o processo agregado de sinistros, combinando dois tipos de processos estocásticos para representar os dois componentes de Schnieper:

• Componente de Novos Sinistros (IBNR Verdadeiro): Modelado através de uma medida aleatória de Poisson. Isso captura a chegada discreta e aleatória de novos sinistros ao longo do tempo, proporcional à exposição ($E_i$).
• Componente de Reavaliação (IBNER): Modelado através de um Movimento Browniano (equação diferencial estocástica - EDE). Isso captura as flutuações contínuas nos custos estimados dos sinistros já reportados.

A Equação Diferencial Estocástica (EDE):
Para cada ano de acidente $i$, o processo de sinistros acumulados $C^i_t$ é definido como a solução única de uma EDE que inclui:

1. Um termo de salto (jump) baseado na medida de Poisson (novos sinistros).
2. Um termo de deriva (drift) e um termo de difusão (Browniano) que atuam sobre o valor acumulado atual (reavaliação).

Propriedades Chave do Modelo:

• Consistência: O modelo contínuo é provado ser consistente com as premissas de Schnieper (independência entre anos de acidente, expectativas condicionais lineares e variâncias proporcionais).
• Não-negatividade: A estrutura da EDE garante que o processo de sinistros acumulados permaneça não-negativo, evitando valores absurdos comuns em métodos de bootstrap baseados em resíduos normais.
• Decomposição: O autor define formalmente como os incrementos discretos $N_{i,j}$ (novos) e $D_{i,j}$ (reavaliação) emergem da trajetória contínua, permitindo a estimativa dos parâmetros do modelo contínuo a partir de dados triangulares agregados.
• Distribuição de Saltos: A distribuição do tamanho dos saltos ($Z$) não é fixada a priori, mas suas primeiras duas momentos são estimáveis via regressão linear ponderada a partir dos dados. O autor sugere o uso de uma distribuição Gama para $Z$.

Método de Bootstrap Proposto:
O procedimento de bootstrap segue dois passos principais:

1. Bootstrap de Parâmetros: Simulação dos parâmetros do modelo ($\Lambda, \Delta, T, \Sigma$) e da distribuição de saltos $Z$, incorporando o erro de estimação.
2. Bootstrap de Processo: Simulação das trajetórias futuras do processo estocástico (o triângulo inferior não observado) utilizando os parâmetros reamostrados. Isso gera uma distribuição preditiva completa das reservas.

3. Principais Contribuições

• Ponte entre Tempo Discreto e Contínuo: Estabelece uma conexão rigorosa entre o modelo discreto de Schnieper e um framework de tempo contínuo, utilizando EDEs e medidas de Poisson.
• Garantia de Propriedades Físicas: O método proposto naturalmente garante a não-negatividade das reservas e respeita os limites intrínsecos (ex: o custo de um sinistro não reportado não pode ser negativo; a reavaliação não pode exceder o total acumulado de forma impossível).
• Assimetria e Caudas Pesadas: Ao utilizar um processo de salto (Poisson) e uma distribuição de saltos (como Gama), o modelo captura a assimetria e as caudas pesadas típicas de dados de seguros, superando as limitações de aproximações Gaussianas.
• Flexibilidade na Estimativa de $E[Z]$: O autor demonstra como estimar a razão entre o segundo e o primeiro momento do tamanho do salto ($E[Z^2]/E[Z]$) a partir de dados agregados, permitindo a calibração da distribuição de saltos mesmo sem dados individuais de sinistros.

4. Resultados (Estudo de Caso)

O método foi aplicado a um conjunto de dados reais de responsabilidade civil de terceiros (excesso de perda) utilizado na literatura original de Schnieper.

• Comparação de Métodos: O modelo de bootstrap em tempo contínuo foi comparado com:
  1. Modelo de Schnieper com distribuição Log-normal.
  2. Bootstrap de Schnieper baseado em resíduos (método não-paramétrico clássico).
  3. Modelo de séries temporais com bootstrap.
• Métricas de Desempenho:
  • O Erro Quadrático Médio de Previsão Condicional (MSEP) do modelo contínuo foi comparável aos outros métodos (cerca de 43% do valor da reserva, contra 38-42% dos outros).
  • No entanto, o modelo contínuo produziu quantis superiores (99.5%) mais realistas. O método de bootstrap clássico de Schnieper tendia a gerar valores negativos para novos sinistros em ~66% das simulações, enquanto o modelo de séries temporais gerava reavaliações impossíveis em 6% dos casos.
  • O modelo contínuo nunca gerou valores negativos para o processo acumulado, mantendo a integridade física dos dados.
• Sensibilidade: A análise de sensibilidade mostrou que os resultados (MSEP e quantis) dependem da escolha da média do tamanho do salto ($E[Z]$). Valores menores de $E[Z]$ resultam em distribuições com caudas mais pesadas (maior risco), enquanto valores maiores aproximam a distribuição de uma Normal.

5. Significância e Conclusão

Este trabalho representa um avanço significativo na modelagem de reservas de seguros ao oferecer um framework estocástico que é matematicamente rigoroso e fisicamente coerente.

A principal vantagem é a capacidade de realizar simulações de Monte Carlo que respeitam as restrições naturais do problema (não-negatividade e limites de reavaliação) sem a necessidade de truncamentos ou correções artificiais pós-simulação. Isso é crucial para a gestão de risco e cálculo de capital regulatório (como Solvência II), onde a precisão na cauda da distribuição (quantis extremos) é vital.

O modelo oferece uma alternativa superior aos métodos baseados em resíduos normais, especialmente em cenários onde a assimetria e a natureza de "saltos" dos sinistros são predominantes, mantendo ao mesmo tempo a estrutura de decomposição intuitiva proposta por Schnieper.