A Note on the Generalized Cape Cod Reserving Method

1. Declaração do Problema

A constituição de provisões para sinistros é uma tarefa crítica no seguro não vida, envolvendo a estimativa de sinistros finais e a quantificação da incerteza de previsão. Embora existam estruturas estocásticas e fórmulas de Erro Quadrático Médio de Previsão (MSEP) para o método Chain-Ladder (CL) (por exemplo, o modelo de Mack) e para o método Bornhuetter–Ferguson (BF), uma fórmula analítica rigorosa de MSEP para o método Generalizado Cape Cod (GCC) vinha faltando.

• A Lacuna: O método GCC (e seu predecessor, Cape Cod de Bühlmann) é amplamente utilizado na prática porque oferece um meio-termo entre o CL, totalmente baseado em observações, e os métodos BF, baseados em informações prévias. No entanto, os tratamentos estocásticos existentes (por exemplo, Saluz, 2017) ou não se alinham com a estimativa de parâmetros padrão da indústria (usando padrões de desenvolvimento implícitos pelo CL) ou carecem de um estimador de MSEP de forma fechada que espelhe o processo real de registro de provisões.
• O Desafio: Os profissionais frequentemente registram provisões usando métodos GCC ou BF, mas reportam a incerteza utilizando a fórmula de CL de Mack ou bootstrapping. Isso cria uma incompatibilidade: a quantificação da incerteza aplica-se a um preditor diferente daquele efetivamente registrado. Além disso, os estimadores de MSEP do BF frequentemente exigem especificações probabilísticas explícitas de taxas de sinistralidade prévias, que raramente são formalizadas nos processos de planejamento da indústria.

2. Metodologia

Os autores desenvolvem uma estrutura estocástica unificada para o método GCC utilizando a técnica de propagação de erros (originalmente aplicada por Röhr, 2018, ao método CL).

A. A Estrutura do Generalizado Cape Cod (GCC)

O artigo define o preditor GCC como uma função dos fatores de desenvolvimento Chain-Ladder ($f_j$) e de um parâmetro de tendência $\lambda \in [0, 1]$.

• Cape Cod (CC): Utiliza uma média ponderada das taxas de sinistralidade observadas em todos os anos de ocorrência para estimar uma única taxa de sinistralidade ($\kappa$), assumindo estacionariedade.
• Extensão GCC: Introduz um fator de ponderação exponencial $\lambda^{|i-l|}$ para permitir tendências. Isso permite que a estimativa da taxa de sinistralidade para o ano de ocorrência $i$ dependa mais fortemente dos anos vizinhos, corrigindo erros de especificação de exposição ou tendências na frequência/severidade.
• Casos Limite:
  • $\lambda = 0$: O método GCC colapsa para o método Chain-Ladder.
  • $\lambda = 1$: O método GCC colapsa para o método Cape Cod de Bühlmann.

B. Derivação da Incerteza de Previsão (MSEP)

A contribuição técnica central é a derivação do MSEP utilizando expansão de Taylor de primeira ordem (propagação de erros) na escala logarítmica.

1. Decomposição: O MSEP total é decomposto em Incerteza do Processo ($\Psi^2$) e Erro de Estimação de Parâmetros ($\Delta^2$).
2. Análise de Sensibilidade: Os autores tratam o preditor GCC como uma função dos fatores de desenvolvimento CL ($f_j$). Eles calculam a sensibilidade do preditor GCC a perturbações nesses fatores.
3. Solução de Forma Fechada: Ao aplicar o método de propagação de erros, eles derivam uma fórmula analítica de forma fechada para o erro de estimação de parâmetros ($\hat{\Delta}^2_{GCC}$) que é consistente com a prática padrão da indústria de estimar padrões de desenvolvimento usando fatores CL.

3. Principais Contribuições

1. Primeiro MSEP Analítico para GCC: O artigo fornece a primeira fórmula analítica de forma fechada para a incerteza de previsão do método Generalizado Cape Cod.
2. Consistência Metodológica: O estimador de MSEP derivado é totalmente consistente com as estimativas de parâmetros implícitas pelo Chain-Ladder utilizadas na indústria. Diferentemente de tentativas anteriores (por exemplo, Saluz), que utilizaram estimativas baseadas em verossimilhança que se desviavam da prática padrão, esta abordagem garante que a medida de incerteza corresponda exatamente às provisões registradas pelos profissionais.
3. Unificação de CL e CC: A estrutura demonstra que o método GCC interpola continuamente entre os métodos CL e CC. Consequentemente, a fórmula de MSEP derivada converge naturalmente para:
   • MSEP de CL de Mack quando $\lambda \to 0$.
   • Um novo MSEP Cape Cod consistente quando $\lambda \to 1$.
4. Interpretação de Credibilidade: O artigo oferece uma reformulação de credibilidade do preditor GCC, mostrando-o como uma média ponderada de preditores CL entre os anos de ocorrência, ajustada para níveis de prêmio e proximidade temporal.

4. Resultados e Exemplo Numérico

Os autores validam sua teoria usando um exemplo numérico baseado em dados padrão de sinistros (Wüthrich–Merz).

• Sensibilidade da Provisão: À medida que $\lambda$ aumenta de 0 (CL) para 1 (CC), as provisões estimadas aumentam. Isso ocorre porque os dados exibem uma tendência temporal onde as taxas de sinistralidade individuais diminuem ao longo do tempo, o que o método CL padrão captura, mas o método CC (assumindo estacionariedade) superestima ao fazer uma média sobre a tendência.
• Componentes de Incerteza:
  • Erro de Estimação de Parâmetros ($\Delta^2$): Diminui à medida que $\lambda$ aumenta. Isso ocorre porque um $\lambda$ mais alto depende mais da estrutura "prévia" (baseada em prêmios), reduzindo a sensibilidade do modelo ao ruído nas observações individuais de anos de ocorrência.
  • Incerteza do Processo ($\Psi^2$): Aumenta ligeiramente com $\lambda$ porque o montante total da provisão (o denominador no cálculo da variância) cresce.
• $\lambda$ Ótimo: No exemplo, o MSEP total mínimo ocorre em torno de $\lambda = 0,55$. No entanto, os autores alertam que minimizar o MSEP não garante o modelo "verdadeiramente" ótimo, pois o MSEP é sensível às suposições do modelo.
• Comparação com Saluz (2017): O artigo destaca que as provisões CC de Saluz são mais altas e seu MSEP é diferente porque ela utiliza um método de estimação diferente para o padrão de desenvolvimento. A abordagem dos autores alinha-se com o padrão da indústria (padrões implícitos pelo CL), resultando em estimativas de provisões mais baixas e mais realistas para este conjunto de dados específico.

5. Significado e Implicações Práticas

• Preenchendo a Lacuna: Este trabalho fecha uma lacuna significativa na literatura ao fornecer um modelo estocástico para o GCC que corresponde ao algoritmo determinístico utilizado na prática.
• Proxy para Bornhuetter–Ferguson: Como o método GCC é frequentemente usado como um proxy algorítmico robusto para o método BF (substituindo o prévio subjetivo por uma média ponderada de taxas implícitas pelo CL), este estimador de MSEP fornece efetivamente uma medida de incerteza rigorosa para a constituição de provisões ao estilo BF, sem exigir a especificação probabilística difícil de definir de uma taxa de sinistralidade prévia.
• Utilidade Regulatória e Gerencial: O MSEP derivado permite que as seguradoras reportem incerteza de previsão que seja matematicamente consistente com suas provisões registradas. Isso é crucial para relatórios de solvência (por exemplo, IFRS 17, Solvência II) e tomada de decisão gerencial, substituindo a prática atual de usar a incerteza de CL de Mack (que se aplica a um preditor diferente) ou fatores de escala ad hoc.

Em resumo, Richman e Wüthrich estendem com sucesso a estrutura de constituição de provisões estocástica para o método Generalizado Cape Cod, fornecendo uma ferramenta robusta e de forma fechada para quantificar a incerteza de previsão que é diretamente aplicável às práticas reais de constituição de provisões no seguro.