Dado que las catástrofes rara vez suceden, no hay suficientes puntos de datos para un análisis estadístico significativo. Entonces, ¿cómo hacen los actuarios para calcular la prima de este tipo de seguros dada la falta de puntos de datos?
Respuesta
¿Demasiados anuncios?
Mi respuesta es desde la perspectiva de un actuario de reaseguros no vida con sede en EE. UU. Claramente tienes razón en que la mayoría de nuestras estimaciones son simplemente eso: estimaciones. No es como fijar precios para automóviles de pasajeros privados, o motor como dirían nuestros colegas al otro lado del charco. Tienen millones de conductores, cientos de miles en cada estado, por lo que el Teorema del Límite Central es tu amigo y los modelos de clasificación/regresión funcionan de maravilla. Para los casos de baja frecuencia/gran severidad es diferente.
Tal vez el punto más importante a tener en cuenta es que al tratar la situación que describes, todos están de acuerdo en que el trabajo del actuario no es encontrar un gran modelo con alta capacidad predictiva. Como dices, a veces eso es imposible. Más bien, nuestro trabajo es reducir la incertidumbre del principal. Y por principal, me refiero a la persona para la cual estamos trabajando: un cliente, un tomador de pólizas, nuestro jefe. Nuestro trabajo apunta a establecer límites razonables alrededor de la incertidumbre para que se puedan tomar mejores decisiones financieras. Por ejemplo, técnicamente, una aseguradora puede verse obligada a pagar el límite máximo de póliza por cada póliza que emitieron en un año determinado. La probabilidad de que eso suceda es tan remota que es probable que el sol colapse en una enana marrón primero. Al proporcionar estimaciones sólidas y rangos, aunque sabemos que nuestra estimación puntual tiene una probabilidad del 100% de estar equivocada (después de todo, es una distribución continua), suministramos al principal el conocimiento para estimar mejor el capital necesario para respaldar el riesgo. Todas las técnicas que utilizamos requieren un cierto juicio, por eso—especialmente en reaseguros—hay una tendencia para que los actuarios y otros analistas de riesgos sean "pesados en la parte superior", lo que significa que tienden a ser practicantes experimentados y acreditados con décadas de experiencia de la cual pueden sacar conclusiones. Ese probablemente es el elemento más importante: extraer conclusiones de situaciones similares.
Hablando específicamente de catástrofes naturales, se ha realizado mucho trabajo en la última década para refinar modelos de viento, terremotos, inundaciones, incendios forestales, atentados con armas de destrucción masiva, y atentados sin armas de destrucción masiva en todo el mundo. A menudo trabajamos con meteorólogos, sismólogos, hidrólogos y otros en la mejora de estos modelos que luego pueden ser utilizados para la predicción.
Para aquellos eventos para los cuales ni siquiera hay modelos incipientes, aquí hay algunas técnicas que se pueden utilizar:
-
Consolidación con riesgos suficientemente similares
- Mientras que ciertas catástrofes como la explosión en el almacén de Beirut de hace unos años son únicas, comparten similitudes con otros eventos similares. Tal vez no fue una explosión a base de nitrato, sino una explosión de gas. En este caso en particular, aunque la frecuencia puede ser diferente, la severidad sería similar. Podemos consolidar riesgos suficientemente similares y hacer deducciones basadas en un grupo más grande. Sacrificar homogeneidad por credibilidad, que es el acto de equilibrio constante del actuario.
-
Ajuste de Curvas y Extrapolación
- Como dice @Alex en su comentario, hay métodos estadísticos para extrapolar a partir de datos conocidos. Ajustar una distribución a los riesgos similares mayores vistos y usar la cola de esa distribución para predecir la severidad de los riesgos no vistos es un método estándar. EVT es otro, pero aún requiere un conjunto de datos del cual ajustar y básicamente ajusta una GPD en la cola de otra distribución por debajo del umbral.
-
Pruebas o Simulaciones Basadas en Escenarios
- A veces no hay forma de generar una distribución paramétrica creíble para su uso en modelización. Sin embargo, podemos sugerir de manera juiciosa eventos como la pérdida máxima probable (PML) o la pérdida máxima previsible (MFL), que generalmente son estimaciones de lo mal que pueden ponerse las cosas en varios puntos de la distribución. Así que podemos construir modelos que incluyan eventos particulares el 10% del tiempo o el 1% del tiempo e incorporarlos en los elementos más analíticamente tratables de la exposición del cliente a pérdidas para tener una representación mejor de lo mal que pueden ser las cosas cuando las cosas salen mal, en comparación con lo que habría tenido el principal sin estas sugerencias juiciosas.
-
Sugerencias Cualitativas
- A veces ni siquiera podemos hacer lo anterior. Entonces nuestro trabajo no es necesariamente modelar los eventos, sino proporcionar información sobre cómo mitigar mejor esos eventos en caso de que ocurran. Ayudar a un principal a comprender su propia propensión al riesgo y tolerancia al riesgo es un elemento clave de cómo proporcionamos valor.
