R语言再保险合同定价案例研究

拥有参数模型变得有趣,该模型应该比经验平均值更健壮。

再保险案例研究目的是为业务中断索赔定价一些非比例再保险合同。

考虑以下数据集,

>  db=read.xls(
+ "PE.xls",
+  sheet=1)
Content type 'application/vnd.ms-excel' length 183808 bytes (179 Kb)
open URL
==================================================
downloaded 179 Kb

至于任何(标准)保险合同,定价中有两个部分

  • 预期的索赔数量
  • 个人索赔的平均费用

在这里,我们没有协变量(但是可以使用某些变量,例如行业的种类,地理位置等)。

让我们从每年的预期索赔数开始。这是每天的频率


This image has an empty alt attribute; its file name is image.png

专栏

精算科学

关于结合数学、统计方法以及程序语言对经济活动来做风险分析、评估的见解。

探索专栏

是很久以前的数据,但是,这也是一件好事,因为十年后,我们可以预期大多数索赔已经解决。为了绘制上面的图,我们使用

> date=db$DSUR
> D=as.Date(as.character(date),format="%Y%m%d")
> vD=seq(min(D),max(D),by=1)
> sD=table(D)
> d1=as.Date(names(sD))
> d2=vD[-which(vD%in%d1)]
> vecteur.date=c(d1,d2)
> vecteur.cpte=c(as.numeric(sD),rep(0,length(d2)))
> base=data.frame(date=vecteur.date,cpte=vecteur.cpte)
> plot(vecteur.date,vecteur.cpte,type="h",xlim=as.Date(as.character(
+ c(19850101,20111231)),format="%Y%m%d"))

然后,我们可以使用(标准)Poisson回归来预测每日业务中断索赔的数量,例如,在2010年的任何一天(假设我们必须在几年前对再保险合同进行定价)


> pred2010 =predict(regdate,newdata=nd2010,type="response")
> sum(pred2010)
[1] 159.4757

观察使用旧数据有弊端,因为如果我们按时进行回归(包括一些可能的趋势),我们将面临更多不确定性。

假设我们在给定的一年中平均有160项声明。

> plot(D,db$COUTSIN,type="h")

现在让我们集中讨论这些索赔的费用。我们的数据集中有2,400个索赔要求适合模型(或至少估计了再保险合同可能给我们造成的损失)。假设我们想为我们的大额索赔购买再保险合同。在16年的时间里,该可执行文件的费用应接近1500万。

> quantile(db$COUTSIN,1-32/2400)/1e6
98.66667% 
 15.34579 
> abline(h=quantile(db$COUTSIN,1-32/2400),col="blue")

因此,考虑一些免赔额为1500万的再保险合同。让我们假设再保险公司同意这种免赔额,但承保范围为3500万。平均成本(为再保险公司)是E(g(X))

https://latex.codecogs.com/gif.latex?g(x)= \ min \ {35,\ max \ {x-15,0 \} \}

第一个想法是查看我们投资组合中的第一个成本,即该赔偿的经验平均值。

检查一些损失

> indemn(5)
[1] 0
> indemn(20)
[1] 5
> indemn(50)
[1] 35

现在,如果计算再保险公司在16年内的平均还款额,

> mean(indemn(db$COUTSIN/1e6))
[1] 0.1624292

因此,根据索赔,再保险公司将平均支付162,430。每年有160项索赔,纯保费应接近2600万

> mean(indemn(db$COUTSIN/1e6))*160
[1] 25.98867

(同样,对于3,500万份保险,平均每年应发生两次的某些索赔)。正如我们看到的,再保险的标准模型是帕累托分布(或更具体地说,是广义帕累托分布),

这里有三个参数

  • 阈值https://latex.codecogs.com/gif.latex?\mu​(我们将其视为固定阈值,但会看到其对再保险定价的影响)
  • 比例参数  https://latex.codecogs.com/gif.latex?\sigma
  • 尾部指数 https://latex.codecogs.com/gif.latex?\xi

策略是考虑一个低于我们免赔额的门槛,例如1200万。然后,假设损失超过1200万,我们就可以拟合广义Pareto分布,

> gpd.PL
          xi         beta 
7.004147e-01 4.400115e+06

计算

在这里,鉴于索赔超过1200万,平均还款额接近600万

> E(15e6,50e6,gpd.PL[1],gpd.PL[2],12e6)
[1] 6058125

现在,我们必须考虑达到1200万的概率

> mean(db$COUTSIN>12e6)
[1] 0.02639296

因此,如果总结一下,我们每年平均有160项索赔

> p
[1] 159.4757

只有2.6%将超过1200万

> mean(db$COUTSIN>12e6)
[1] 0.02639296

因此,每年发生1200万以上的频率为4.2

> p*mean(db$COUTSIN>12e6)
[1] 4.209036

对于超过1200万的索赔,平均还款额为

> E(15e6,50e6,gpd.PL[1],gpd.PL[2],12e6)
[1] 6058125

因此,纯溢价应接近

> p*mean(db$COUTSIN>12e6)*E(15e6,50e6,gpd.PL[1],gpd.PL[2],12e6)
[1] 25498867

接近我们获得的经验值。实际上,也可以查看阈值参数的影响,很明显,中间值可以更改。

我们可以将纯溢价绘制为该阈值的函数,

> seuils=seq(1e6,15e6,by=1e6)
> plot(seuils,Vectorize(esp)(seuils),type="b",col="red")

对于较大的阈值,该值在24到26之间。同样,这是第一步,我们可以为更高的再保险层定价,例如可抵扣额为5000万的再保险合同(我们之前有低于该门槛的索赔的再保险合同),而承保额为5000万。拥有参数模型变得有趣,该模型应该比经验平均值更健壮。


可下载资源

关于作者

Kaizong Ye拓端研究室(TRL)的研究员。在此对他对本文所作的贡献表示诚挚感谢,他在上海财经大学完成了统计学专业的硕士学位,专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

​非常感谢您阅读本文,如需帮助请联系我们!

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498

关注有关新文章的微信公众号


永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。

技术干货

最新洞察

This will close in 0 seconds