Talouden, vakuutuksen ja rahoituksen mallinnusseminaari, 2.12.2015 Tilastokeskus

1. Talouden, vakuutuksen ja rahoituksen mallinnusseminaari
2.12.2015 Tilastokeskus
Vakuutustoiminnan mallinnuksen
trendejä
Lasse Koskinen
Tampereen yliopisto

2. Mistä puhtaan?
• Vakuutus
• Vakuutustoiminta
• Mallinnus
• Trendi

3. Jukka Rantala (ETK):
Työuran ja eläkeajan
kultainen leikkaus?
Eläkeaika suhteessa
työntekoaikaan on eri maissa
hämmästyttävän lähellä
kultaista leikkausta,
desimaalilukuna 0,61803…

4. I Vakuutustoiminta

5. Vakuutuksen käsite
• Käytännössä vakuutus (1) on menettely, jolla tietyn riskin
alaiset henkilöt tai yritykset sopivat (sopimus) vahinkojen
tasaamiseen erikoistuneen laitoksen (vakuutuslaitos)
kanssa siitä, että laitos riskin toteutuessa korvaa
aiheutuneen vahingon
• Liiketaloudellisesti vakuutus (2) voidaan määritellä
keinoksi, jolla sattumanvaraisesti toteutuvasta
vahingosta aiheutuvat kustannukset voidaan muuntaa
tasaisesti jatkuvaksi (pieneksi) kustannukseksi
• Teoreettisesti vakuutus (3) on talousteorian
optio/johdannainen
• Vakuutus (4) on tapa suojautua riskin toteutumisen
taloudellisilta seurauksilta.

6. Vakuutustoiminta
• Tuottaa abstraktin turvan => vastuuvelka
• Hallitaan riskiteorian, vakuutustalouden/
matematiikan ja rahoituksen välinein
vallitsevan lainsäädännön määrittäessä
toimintaympäristön.
• Kategorioita joiden välillä suuria eroja
– Vahinkovakuutus
– Henkivakuutus
– Eläkevakuutus

7. Mallinnuksen kohteita
• Riskit
• Tuotteet
• Vastuuvelka
• Sijoitukset
• ALM
• Vastuunkantokyky
• jne

8. Data – mallinnuksen raaka-aine
• Vakuutusalalla huikeat tietovarastot
Abstrakti tuote => tehdas on suuri
tietojärjestelmä
• Kattavat kansalliset
– Kela
– ETK
• Tarkkaa asiakasdataa ja sijoitustoiminnan
dataa
– Vakuutusyhtiöt ja laitokset

9. Balance Sheet Modeling
Priced with current*
yield curve
Modeled as a basket of
ESG indices
Sum of current* unit
link policy savings
* Current = current simulation path and current time step
Technical
reserves
Equity
SCR
MCR
LiabilitiesAssets
Unit Link
investments
Equity and
other
investments
Fixed
income
investments
Expected value of
future cash flows
• For policies still
active in current*
simulation
• Discounted with
current* yield curve
Based on policy-level
SCR attribution and
current* investment
risk
9

10. Kehityksen ajureita
• Lainsäädäntö => mallinnus korostuu
– EU:n SII (Henki- ja vahinkovakuutus)
– TYEL (Työeläkevakuutus)
• Liiketoiminta
– Tehokkuuden lisääminen
– Uusien tuotteiden kehittäminen
• Tekniikka
– Informaation kerääminen ja hyödyntäminen
paranevat (+ digitalisaatio)

11. Teoriakehikko
Kritiikki
• N. Taleb (Kirjailija): ”Finanssimalleilla oltu neljän
merkitsevän numeron tarkkuudella väärässä.”
• A. Lo (MIT): “In physics it takes three laws to explain
99% of the data; in finance it takes more than 99
laws to explain about 3%.”
Toisaalta
• Black-Scholesin kaavasta alkanut johdannaisten
mallinnus toimii hienosti käytännössä ja on
teoreettisesti syvällinen.
• Vakuutusmatemaatiikka toimii.

12. ERM
• Enterprise (Wide) Risk Management
Risk also an opportunity! (Sorry for Finnish words –
I explain in English)
12

13. Spectrum of Methods
• An example
13

14. II Vakuutusregulaatio

15. Regulaation tarpeesta
• Mihin regulaatiota tarvitaan finanssisektorilla?
Tehtävät mm.:
– Finanssisektorin vakauden ja luottamuksen säilyttäminen,
– Asiakkaiden suojelu,
– Kilpailun ylläpito;
– Riittävän tarjonnan takaaminen kansalaisille,
– Talouden stabiiliuden ylläpito.
• Ydinvaatimuksia
– Läpinäkyvyys / tietojen julkaiseminen
– Riskinoton sääntely (ml. Insentiivit, sis. valvonta)
– Tuote- ja markkinaohjeistus

16. Finanssikriisi 1/2
Johtopäätökset Yhdysvalloissa ja vähän muuallakin:
• Kriisillä kohtuuttomia seuraamuksia syyttömille osapuolille.
Näkemys ”Markkinat korjaavat normaaliin tapaansa
ylilyöntejään”, on erityisen outo, koska tämän mittaluokan
ongelma olisi ollut ennalta estettävissä.
• Fundamentaali ongelma arvomaailmassa:
1) Harhaiset palkitsemisjärjestelmät
Mahdollisti mm. pyramidipelin, jossa ketjun osat
luottivat siihen, että onnistuvat siirtämään ongelmat
hyvällä tuotolla seuraavalle portaalle.
2) Väärä asenne viranomaisilla (vrt. Greenspan)
Mielenkiintoiset lähteet: Stiglitz (2008) ja Bogle (2005).

17. Finanssikriisi 2/2
Johtopäätökset matemaattisesta mallinnuksesta:
• Käytettiin tahallisesti väärin
– Pyrittiin riskien peittämiseen => ylisuuri voitto
• Epäonnistuttiin tahattomasti
– Mutkikkaiden johdannaisten loppukäyttäjät eivät
varoneet riittävästi suurta mutkikkuutta
– Eräiden pankkien / vakuutusyhtiöiden riskienhallinta
• Vakuutusala ei ollut yleisesti syypää
– AIG:n sijoitustoiminta kaatoi yhtiön valtion syliin

18. III Big or large data

19. Big Data
• The age of Big Data
– Not generally accepted definition
– Important phenomena
– But also hype
– “N = All” ?
19

20. Big Data Creates Value
• The use of big data offers tremendous potential
for creating value
• McKinsey Global Institute: “Big Data: The next
frontier for innovation, competition and
productivity”, June 2011:
– Our research suggests that we are on the cusp of a
tremendous wave of innovation, productivity, and
growth, as well as new modes of competition and
value capture — all driven by big data as consumers,
companies, and economic sectors exploit its potential.
– Many pioneering companies are already using big
data to create value, and others need to explore how
they can do the same if they are to compete.
20

21. Data-driven Decisions (1/2)
• McKinsey Global Institute: “Big Data: The next
frontier for innovation, competition and
productivity,” June 2011:
– Visualization, a key tool for understanding very
large-scale data and complex analyses in order to
make better decisions.
– Presenting information in such a way that people
can consume it effectively is a key challenge that
needs to be met if analyzing data is to lead to
concrete action.
21

22. Data-driven Decisions (2/2)
• A data-driven organization makes decisions on
the basis of the empirical results, and the
benefits of such an approach toward data have
been demonstrated by academic research
– Erik Brynjolfsson etc.: “Strength in Numbers: How
Does Data-Driven Decision making Affect Firm
Performance? 2011:
“Case literature and economic theory suggest a potential
connection between data driven decision making and
productivity. By analyzing a larger sample of firms, we find that
data driven decision making is indeed associated with higher
productivity.”
22

23. Two faces of Big Data in Insurance
Large data source:
• Individual customers / contracts (up to millions)
• Financial market data (depends on application)
Large simulated data:
• ESG (Economic Scenario Generator)
– Real World or risk neutral
• Long and large scale liability simulation (e.g. 60 years)
• Risk management (nested simulations!)
23

24. Finnish traditionally good at utilizing
new technology - Many papers!
Research on individual actuarial modelling. Examples:
• Antonio K. and Plat R.: “Micro-level stochastic loss
reserving”, SAJ, 2013 (Non-life real case study)
• Arjas, E., : “The claims reserving problem in non-life
insurance: Some structural ideas”, ASTIN BULLETIN 1989.
• Rantala, J.: ”Estimation of IBRN claims”, 1983 (Early ideas)
• Leppisaari, M.: “Modeling catastrophic deaths using EVT
with a micro-simulation approach to reinsurance pricing”,
SAJ, 2014
24

25. Observations on the use of models in Insurance
• When making experiments
– Take sample and run model in 2 minutes
• How to do this properly? Ans: Statistics
– Not 1 hour full scale simulation
• Population:
– You may have full population now
– You need to forecast next year
=> you have not that population Ans: Statistics
• Philosophy of modelling:
– Model transforms insight into numbers and vice versa.
25

26. Insurance modelling & Big Data & statistics
The role of statistics:
Statisticians have spent the past 200 years figuring
out what traps lie. The data are bigger, faster and
cheaper these days – but we must not pretend that
the traps have all been made safe. They have not.
• Nobody wants ‘data’. Everybody wants the
answers. To use big data to produce such answers
will require large strides in statistical methods:
– Regression, regression and regression (in many forms)
– Principal component analysis
– Simulation methods
– Many other
26

27. Insurance modelling (1/3)
• Background
– Quoting England and Verrall, 2002: “With the continuing increase in
computer power, it has to be questioned whether it would not be better to
examine individual claims rather than use aggregate data.”
– Here we utilize micro-level insurance data for better informed
decisions by performing large simulations
• Example: Standard PC + Graphic Cards => Tens of
Billions (109) Black Scholes per Second
• Now it is 2013! Individual simulation is feasible,
but fast computers, large memories and efficient
algorithms are still crucial
• Fast development each year: Both algorithms and
hardware. Future looks even better!
27

28. Insurance modelling (2/3)
Micro-level information
• When micro-level information leads to better decisions?
– Causal information is available
– Causal information is correct
– Information can be communicated
• A heavy computational application that actuaries encounter
nowadays is the use of economic scenario generator (ESG).
A key element of :
– Market consistent valuation for insurance businesses
– Business modeling and ORSA (Own Risk and Solvency Analysis)
• Available computational power can be used several
purposes: ESG, Individual Simulation, Extreme Value
estimation etc.
28

29. Insurance modelling (3/3)
Big data analysis:
• Familiarizing oneself with data is rather difficult
=> good graphical tools needed; Data
visualization central
• Aim may be to detect peculiarities, anomalies, or
unusual patterns with repeat.
• Often the entire population is stored in the
database
=> description instead of inference is the aim.
• Data quality (as always) is central
• Used dataset is often originally collected for
other purposes
29

30. Yhteenveto - Trendit
• Vakuutustoiminta
– Regulaatio muutoksessa => mallinnus korostuu
– Tietointensiivinen ala => tietotekniikan kehitys vaikuttaa heti
– Globaalit muutokset => Näkyvät heti
• Mallinnus
– Deterministinen => Stokastinen simulointi
– Keskiarvot => yksilöt
– Suuret linjat => tärkeät yksityiskohdat
Vaikea kohde on riippuvuuksien mallinnus.
Tärkeä ongelma, koska suuret vaikutukset riski-,
vakavaraisuus- ja kannattavuuslaskelmiin.

31. Thank You!
Teivo Pentikäinen (1975):
• The strategy of 'practical men' can be a random
product of old traditions, more or less reliable
institutions.
• A discussion on theoretical aspects and on the
theoretical point of view, even if the direct numerical
results are of little value, may anyway direct attention
to the statement and restatement of problems and to a
conscious analysis of the facts and possibilities.
31