Контрольный список типовых рисков, связанных с CRPR

В эпоху изменения климата специалисты по обработке и анализу данных могут сыграть важную роль в принятии обоснованных решений, основанных на данных, для обеспечения устойчивости: для надежного моделирования рисков, связанных с климатом (CRR), и предоставления полезной информации лицам, принимающим решения, для смягчения негативных последствий, возникающих в результате риски. Таким образом, CRR очень важны для специалистов по данным. Существует широкий спектр рисков, связанных с моделированием CRR. В этом контексте специалисты по науке о данных, участвующие в моделировании рисков, связанных с климатом, должны иметь четкое представление об этих рисках. В свете этого я решил скомпилировать свои прошлые исследовательские работы (например, Suginoo, 2022) по теме, чтобы представить свое личное мнение на TDS. Я надеюсь, что этот пост даст специалистам по науке о данных основу для контрольного списка для устранения модельных рисков, связанных с CRR.

ВВЕДЕНИЕ

Риски, связанные с климатом (CRR), зависят от пути и весьма неопределенны. CRR возникают из-за очень сложной климатической системы, и поэтому их трудно моделировать.

Риски модели и хвостовой риск

Как правило, существует два типа риска, связанного с использованием модели: модельный риск и хвостовой риск.

  • Риск модели — это «риск ошибки оценки из-за неправильного использования модели. Этот риск возникает, когда организация использует неправильную модель или неправильно использует правильную модель». (Шанс и Эдлесон, 2019, стр. 21)
  • Риск хвоста присутствует, когда мы находим больше событий в хвосте фактического распределения, чем можно было бы ожидать с помощью используемых моделей вероятности. (Шанс и Эдлесон, 2019, стр. 21)

В значительной степени финансовый кризис 2007–2008 годов может служить примером этих двух рисков. Широко используя продвинутые модели портфельных рисков, такие как Value at Risk, финансовая система расширила обязательства (как зарегистрированные, так и не зарегистрированные) сверх их возможностей. Эти сложные модели скорее побуждали финансовую индустрию оправдывать чрезмерный риск. Использование этих моделей привело к возникновению иллюзии знания и иллюзии контроля. Он подпитывал причины системного финансового кризиса и с треском не смог защитить систему от события с толстым хвостом. (Ночера, 2009)

CRR, если его не смягчить, могут проявлять прогрессивно увеличивающиеся корреляции и беспрецедентные нелинейные изменения между переменными риска. (Рабочая группа по изменению климата, 2020 г., стр. 9). Они могут вызвать необратимый системный сдвиг парадигмы в равновесии климатической системы. (Шнайдер С.Х., удостоверение личности, Аннотация)

CRR могут представлять пагубный риск для жизни человека. Учитывая исторический урок финансового кризиса, специалистам по науке о данных было бы крайне важно учитывать риски моделей и хвостовые риски (Schneider, 2003, p5) и надежно моделировать CRR с точки зрения управления рисками на основе данных.

Физический риск и переходный риск рисков, связанных с климатом

Целевая группа по раскрытию финансовой информации, связанной с климатом (TCFD) — возглавляемая отраслью целевая группа, задачей которой является разработка руководящих принципов добровольного раскрытия финансовой информации, связанной с климатом, — делит CRR на два класса рисков: переходные риски и физические риски.

  1. Риски перехода могут возникнуть во время перехода к экономике с более низким уровнем выбросов углерода. И это риски, связанные с «политическими, правовыми, технологическими и рыночными изменениями для выполнения требований по смягчению последствий и адаптации, связанных с изменением климата».
  2. Физические риски можно разделить на острые (событийные) и хронические риски.
  • Острые риски «обусловлены событиями, включая повышенную серьезность экстремальных погодных явлений, таких как циклоны, ураганы или наводнения. например, враждебный климат».
  • Хронические риски «относятся к долгосрочным изменениям климатических моделей»: например, повышенный уровень моря или хроническая волна тепла, возникающая из-за устойчивого повышения температуры.

(ТКФД, 2017, стр. 5–6)

Ниже, на основе классификации TCFD, этот пост будет посвящен случаю физических рисков CRR — назовем это физическими рисками, связанными с климатом, CRPR — и изучению потенциальных рисков, связанных с моделированием CRPR. И я надеюсь, что этот пост даст специалистам по науке о данных основу контрольного списка для устранения широкого спектра модельных рисков, связанных с CRR.

ОБСУЖДЕНИЕ

В прошлом индустрия страхования имущества и от несчастных случаев — страховщики имущества и от несчастных случаев и перестраховщики — разработали свои собственные модели катастроф/опасностей для оценки страховых рисков, связанных с рисками катастроф. На этом фоне их структура обычно применяется для моделирования физических рисков, связанных с климатом. (Финансовая инициатива ЮНЕП, 2019, стр. 8)

Во-первых, в разделе A исследуются потенциальные источники неопределенностей, связанные с моделями катастроф страховщиков имущества и несчастных случаев. Затем в разделе B будут рассмотрены потенциальные риски, связанные с применением модели катастроф, разработанной страховщиками имущества и несчастных случаев, для снижения физических рисков, связанных с климатом.

A. Источники неопределенностей, связанные с моделями катастроф страховщика

a) 2 систематических источника неопределенностей

В дополнение к модельному риску и хвостовому риску в документе, опубликованном Lloyd’s of London, рассматриваются следующие два систематических источника неопределенностей с физическими рисками, связанными с климатом. (Туми и Рестелл, 2014)

  • внутренняя изменчивость самой климатической системы и
  • влияние антропогенно-индуцированных изменений.

Помимо антропогенно-индуцированных изменений, таких как экспоненциальный рост выбросов парниковых газов, вызванных деятельностью человека, сама климатическая система уже имеет внутреннюю изменчивость. Мы часто наблюдаем засухи в одних районах и наводнения в других одновременно. Присущая климатической системе внутренняя изменчивость, называемая естественной изменчивостью, затрудняет для ученых обобщение последствий рисков, связанных с климатом, с антропогенными изменениями или без них. .

б) Тенденции

Кроме того, сочетание естественной изменчивости и антропогенных изменений свидетельствует о появлении новых тенденций. (Toumi & Restell, 2014, стр. 32) В документе Ллойда сформулирована необходимость включения наблюдаемых тенденций в модель следующим образом:

Там, где модель катастрофы дает количественную оценку потерь для региона/угрозы, процесс является сложным и зависит от многих допущений, что, естественно, приводит к некоторой степени неопределенности в отношении этих потерь. Эта неопределенность возрастает для более экстремальных событий, когда имеется мало эмпирического опыта, и в случаях, когда данные о воздействии, импортированные клиентом в модель катастрофы, имеют низкое качество. Крайне важно, чтобы ограничения модели и неопределенность, присущая ее результатам, эффективно передавались в процессе принятия решений. Чтобы модели катастроф могли помочь в прогнозировании подверженности риску, они должны учитывать наблюдаемые тенденции. (Toumi & Restell, 2014, стр. 9)

В целом, сочетание этих двух вариаций затруднит ученым моделирование воздействия CRPR.

Другими словами, ни одна модель сегодня не может устранить эти две неотъемлемые неопределенности из климатической системы просто потому, что они носят систематический характер. Таким образом, любые выходные данные модели будут отражать эти неопределенности. Проще говоря, мы не можем сделать какой-либо точный прогноз относительно CRPR, используя модели с одним единственным значением, скажем, точечной оценкой. Любая одноточечная оценка была бы обманчивой, когда мы имеем дело с CRR.

Тем не менее, мы все еще можем изучить ряд потенциальных гипотетических сценариев, чтобы подготовиться к будущим неопределенностям. Нам необходимо зафиксировать риск путей сценария с вероятностным диапазоном (например, доверительными интервалами), чтобы проверить устойчивость текущей стратегии.

c) Предвзятость, связанная с поставщиком

Кроме того, документ Lloyds включает еще один источник неопределенностей, которые могут возникнуть при использовании модели поставщика: предубеждения, связанные с поставщиком. Проще говоря, любая модель поставщика основывается на определенном наборе допущений, позволяющих анализировать сложность CRPR. Эти допущения неизбежно являются источником предвзятости модели и определяют масштаб и ограничения используемой модели.

В целом, в статье Lloyds Toumi & Restell определяет несколько источников неопределенностей при оценке моделей катастроф/опасности страховщиков имущества и несчастных случаев (Toumi & Restell, 2014, стр. 9):

  1. модельный риск и хвостовой риск
  2. систематические источники неопределенностей CRPR:
  • естественная/внутренняя изменчивость климатической системы
  • влияние антропогенно-индуцированных изменений

3. Предубеждения, связанные с поставщиком

До сих пор мы обсуждали источники неопределенностей, встроенные в модели катастроф страховщиков имущества и несчастных случаев, в контексте системы управления рисками страховщиков имущества и несчастных случаев.

Неизбежно, что структура модели страховщиков имущества и несчастных случаев по своей сути страдает от их бизнес-предубеждений.

Другими словами, существуют некоторые потенциальные ограничения в применении рамок их моделей катастроф/опасностей для облегчения CRPR в более широком контексте.

B. Потенциальные риски при использовании модели катастроф страховщика для моделирования физических рисков, связанных с климатом

Деловые предубеждения страховщиков имущества и несчастных случаев объясняют несоответствие профиля с CRPR по следующим трем факторам: а именно:

  • Несоответствие профиля риска,
  • Несоответствие временного горизонта и
  • Несоответствие базы сценария.

Мы рассмотрим эти несоответствия одно за другим в этом разделе.

a) Несоответствие профиля риска:

Вообще говоря, обычный страховой бизнес работает по принципу закона больших чисел. (Smith & Kane, 1994) Концептуально, допуская диверсифицируемый несистемный риск, который, как ожидается, материализуется при стабильной известной вероятности (парадигма стационарности), страховщик имущества и несчастных случаев может объединить риск и диверсифицировать его между крупными количество страхователей.

Вот упрощенное объяснение того, как работает закон больших чисел в обычном страховом бизнесе.

  • Во-первых, страховщик имущества и несчастных случаев делает достаточно большой сценарий целевого объема продаж для страхового продукта; затем применяет ожидаемую вероятность частоты страховых случаев к целевым страхователям, чтобы оценить ожидаемые общие страховые убытки (возмещения) среди гипотетических целевых страхователей.
  • После этого, помимо ожидаемых общих страховых убытков (убытков), они устанавливают общие операционные расходы и маржу прибыли, чтобы оценить общий доход, необходимый для конкретного страхового продукта.
  • Наконец, они делят общий требуемый доход на целевых страхователей, чтобы оценить страховую премию для страхового продукта.

Это упрощенная версия ценообразования страховых премий (актуарное ценообразование).

Проще говоря, страховщики имущества и несчастных случаев получают прибыль, диверсифицируя несистемные риски среди данных страхователей. В основе этого механизма лежит критическое предположение о стационарности. Стационарность — это состояние, при котором статистические свойства, такие как среднее значение и дисперсия, не меняются с течением времени. Страховщики имущества и несчастных случаев могут рассчитывать на получение прибыли, поскольку они предполагают, что страховые риски находятся в парадигме стационарности.

Напротив, CRPR демонстрируют необратимый отход от прошлого равновесия. Поскольку мы находимся в необратимом переходном состоянии, статистические свойства CRPR изменятся. Таким образом, было бы неправильно оценивать CRPR в парадигме стационарности для начала. Следующая цитата подчеркивает важность различия между стационарным и нестационарным поведением при работе с климатической системой.

Кроме того, поскольку CRPR усиливаются во всех географических точках, будет становиться все более системным, поэтому географически диверсифицировать охват их CRPR в будущем будет сложно.

Чтобы справиться с этим конкретным ограничением традиционных систем управления страховыми рисками, появился новый класс продуктов под названием Альтернативный перенос риска (АРТ). Идея ИСКУССТВА по своей сути является игрой с нулевой суммой. Катастрофические облигации (облигации CAT) являются примером АРТ. Страховщики имущества и несчастных случаев могут продавать облигации CAT, чтобы переложить системные риски на покупателей в обмен на серию купонных платежей в рассрочку. Неизбежно, что в эпоху изменения климата, по мере того, как ожидания CRPR растут, облигации CAT станут все труднее продавать.

В целом, эти допущения о несистемности и стационарности, встроенные в обычную структуру управления страховыми рисками, несовместимы с системным и нестационарным профилем риска CRPR. В этом смысле наивное копирование основ системы управления рисками катастроф/опасностей страховщиков имущества и несчастных случаев для оценки CRPR может страдать от несоответствий профилей рисков: системных и несистемных; стационарность против нестационарности.

b) Несоответствие временного горизонта

CRPR беспрецедентны и неопределенны как в разработке, так и во времени. Следовательно, они являются многовременными: краткосрочными, среднесрочными и долгосрочными.

Наоборот, во многих случаях сроки программ страхования имущества обычно рассчитаны на один год. Неизбежно, эта деловая практика сформировала их тенденцию устанавливать короткий временной горизонт своей системы управления рисками катастроф/опасностей.

В следующей выдержке из раскрытия финансовой информации, связанной с климатом, AIG, одной из крупнейших общих страховых компаний, мы можем увидеть пример системы управления рисками общих страховщиков:

Значительная часть наших общих страховых полисов продлевается ежегодно, что дает нам возможность регулярно переподписывать и переоценивать риск. Среднесрочные и долгосрочные последствия учитываются при разработке стратегии и принятии решений по управлению активами и пассивами как в сфере общего страхования, так и в сфере страхования жизни и пенсионного обеспечения. Фундаментальные тенденции и значительные изменения в долгосрочной перспективе представляют собой более сложную задачу, поскольку трудно делать точные прогнозы. (АИГ2, 2020, стр. 8–9)

Их краткосрочные предубеждения в отношении бизнеса страховщиков имущества и несчастных случаев не соответствовали бы многовременному поведению CRPR. Это вполне может объяснить источник неопределенности в простом копировании рамок управления рисками катастроф страховщиков имущества и несчастных случаев с целью смягчения последствий CRPR. Другими словами, при применении модели риска катастроф страховщиков имущества и несчастных случаев для управления CRPR пользователям необходимо соответствующим образом скорректировать временные горизонты.

Кроме того, существует дополнительное несоответствие, возникающее из-за их краткосрочного смещения, как обсуждается ниже.

c) Базовое несоответствие сценария (предвзятость набора данных)

Основываясь на предположении, что краткосрочное будущее можно спрогнозировать на основе исторических данных, страховая отрасль использует исторические данные и вносит ряд корректировок для оценки риска катастрофы в краткосрочной перспективе.

Тавтологически прошлое не имеет информации о беспрецедентном будущем, которое проявят CRPR.

«Метод исторического моделирования имеет то преимущество, что включает события, которые действительно произошли, и не требует спецификации распределения или оценки параметров, но он полезен только в той мере, в какой будущее похоже на прошлое». (Ченс и Маккарти Бек, 2021 г., стр. 49)

Любая модель, использующая исторические наборы данных, должна быть тщательно проверена пользователями на предмет пригодности встроенных допущений для использования.

В частности, наивное применение алгоритмов машинного обучения на основе данных, таких как глубокое обучение, к историческим данным может обманчиво приблизить модель к прошлому шаблону и объяснить нестабильность модели (дисперсию). В результате мы можем недооценить будущий риск. Хотя они хорошо обнаруживают историческую закономерность из набора данных, они не предназначены для прогнозирования беспрецедентных нестационарных изменений в будущей закономерности среди переменных риска.

CRPR зависят от пути и крайне неопределенны. Таким образом, перед нами открывается множество потенциальных будущих путей для CRPR. Конечно, никто не знает, какой путь откроется. В этом контексте TCFD рекомендует исследовательский анализ сценариев для прогнозирования CRPR, поскольку мы можем включить в модель несколько путей гипотетических сценариев в разных временных горизонтах.

Тем не менее, анализ сценариев страдает от присущих ему ограничений по замыслу. Он опирается на субъективные гипотетические сценарии. Недавно к.т.н. Тони Хьюз сделал пост на LinkedIn, чтобы сформулировать неотъемлемую неопределенность, связанную с анализом сценариев: нет никакой гарантии правильности предположений; неверные спецификации статистических моделей могут привести к вводящим в заблуждение результатам. (Хьюз, 2022)

ЗАКЛЮЧЕНИЕ

Мы обсудили несколько источников неопределенностей, связанных с моделью катастроф страховщиков имущества и несчастных случаев.

  1. Модельный риск и хвостовой риск
  2. Систематические источники неопределенностей CRPR:
  • Естественная/внутренняя изменчивость климатической системы
  • Влияние антропогенно-индуцированных изменений

3. Риски, связанные с поставщиком

Другими словами, при выборе модели для оценки физических рисков, связанных с климатом, необходимо тщательно изучить следующий контрольный список.

  • Включены ли хвостовые риски в используемую модель поставщика: как модель поставщика учитывает повышенную сложность и неопределенность при моделировании беспрецедентного экстремального события.
  • Как модель позволяет пользователям учитывать наблюдаемые тенденции при оценке CRPR
  • Как спецификации модели передают ограничения модели и неопределенность, присущую ее результатам, для процесса принятия решений.

Кроме того, я сформулировал свою личную точку зрения о том, что обычная практика применения модели катастроф страховщиков имущества и несчастных случаев для оценки CRPR может страдать от модельных рисков из-за следующих 3 типов несоответствий:

  • Несоответствие профиля риска: системный и несистемный риск; нестационарное и стационарное поведение
  • Несоответствие временного горизонта: многогоризонтный и краткосрочный
  • Несоответствие базы сценариев (предвзятость базы данных): будущие сценарии и исторические данные

При всем при этом у меня нет намерения осуждать модели риска катастроф/опасности страховщиков имущества и несчастных случаев. Вместо этого я хочу привлечь внимание пользователей к потенциальным рискам, связанным с применением структуры управления рисками страховщиков имущества и несчастных случаев для облегчения CRPR в более широком смысле.

В целом, если пользователь решит использовать модели страховщиков имущества и несчастных случаев, он может настроить системы управления рисками страховщиков имущества и несчастных случаев, включив в свой анализ следующие три характеристики CRPR для их использования в управлении CRPR:

  • Недиверсифицируемый системный и нестационарный профиль риска
  • Многократный горизонт
  • Потенциальные несколько будущих сценариев

Вероятно, это не исчерпывающий список, чтобы охватить все риски, связанные с использованием моделей катастроф, разработанных страховщиками имущества и несчастных случаев, для смягчения последствий CRPR в более широком контексте.

Помимо всех этих рисков, потенциально некоторые политически ангажированные конечные пользователи могут использовать субъективный/предвзятый сценарий для создания заниженного прогноза, чтобы манипулировать общественным мнением о влиянии CRPR. Сценарный анализ может служить всем, что вы можете разыграть типа — как и все, что вы можете съесть в буфете — о злоупотреблении моделями.

Какие бы модели мы ни использовали, мы все являемся пленниками нашей испорченной и/или ненадежной человеческой природы. Никакая модель не освободит нас от самообмана и политических манипуляций.

В целом, специалистам по науке о данных необходимо повысить самосознание этих человеческих дефектов и уязвимости любой модели игры/злоупотребления, а также хорошо донести до аудитории информацию об ограниченных возможностях любой используемой модели: особенно о ее предположениях и последствиях выходы модели. (Рабочая группа по изменению климата, 2020 г., стр. 10)

Наконец, я хотел бы закончить статью проницательным замечанием британского статистика Джорджа Бокса:

Все модели ошибочны, но некоторые из них полезны (Википедия, 2022 г.)

Я надеюсь, что этот пост даст профессионалам в области науки о данных основу контрольного списка для устранения модельных рисков, связанных с CRR.

Спасибо за прочтение.

ССЫЛКА