‘Finance & Insurance’: Wiskunde  (heel) veel soorten wiskunde bij F&I  hier: concentreren op  wiskundige statistiek  verzekeren  studie bij onze.

Presentatie over: "‘Finance & Insurance’: Wiskunde  (heel) veel soorten wiskunde bij F&I  hier: concentreren op  wiskundige statistiek  verzekeren  studie bij onze."— Transcript van de presentatie:

1

2 ‘Finance & Insurance’: Wiskunde  (heel) veel soorten wiskunde bij F&I  hier: concentreren op  wiskundige statistiek  verzekeren  studie bij onze leerstoel:  kansrekening, statistiek (basis + vervolg),  toepassingsvakken (‘risk analysis’, ‘life insurance’),  stage + afstudeeropdracht (bij bedrijven als Achmea, NN, CB, Univé)

3 Basis idee bij verzekeren  héél simpel; als eerste begin: ‘onderlinge’  veel boerderijen, per jaar een paar branden  allemaal elk jaar een klein bedrag in de pot  schade betalen uit deze pot  wat ‘preciezer’ maken in (groter) voorbeeld:  n = 10 6 klanten, p = 10 -3 kans op schade per jaar  gemiddeld np= 10 3 gevallen per jaar  ‘voor het gemak’ alle schades even groot: s  ‘benodigde’ premie pr = 10 -3 s

4 Waarom/hoe werkt dit idee?  tot nu toe alleen gemiddeld  wat te doen bij ‘pech’: (te) veel schades?  basisstap: verhoog premie: bijv. tot 2pr  maar dan: concurrent probeert (3/2)pr  gaat die failliet of wordt hij marktleider?  -> waar ligt de juiste grens?  toeval in de hand houden: statistiek!  BUT: θ not large  low detection power (known)  Wait till r th (r>1) defective; too quick  signal  More formally: X r,p ≦ n where X r,p neg.bin.(r,p) and n lower limit  Question: “which r?” Idea: θ large  r small

5 Beetje ‘echte’ wiskunde erbij…  X = aantal schades is bin(n,p)  we ‘wisten’ al: EX=np  nu erbij: de ‘schaal’ (std.afw.) σ X ={np(1-p)} 1/2  in ons voorbeeld: EX=10 3, σ X = {10 6 10 -3 (1-10 -3 )} 1/2 ≈10 3/2 ≈32  vragen:  hoeveel schaal-stappen 32 boven 10 3 is redelijk ?  wat bedoelen we met redelijk?

6 Nóg wat wiskunde erbij…  ‘beroemdste’ verdeling: de normale  waarom? Centrale Limietstelling: som van o.o.(!) gelijksoortige termen ≈ normaal  is hier dus te gebruiken!  eigenschap: X N(μ,σ 2 ), dan ligt boven: (i) μ nog 50%, (ii) μ+σ nog 16%, (iii) μ+2σ nog 2.5% en (iv) μ+3σ nog 0.1%

7 Plaatje

8 Toepassen!  EX=np = 10 3, σ X ={np(1-p)} 1/2 ≈32, dus: P (X>1100) ≈ 10 -3  conclusie: 1.1pr als ‘kale’ premie is hier al behoorlijk veilig (dus niet ‘2’ of ‘3/2’)  verder natuurlijk nog opslag voor kosten!  vervolgens ‘minder simpel’ maken: bijv. ook schadegrootte toevalsafhankelijk  in principe nu opgelost!!! KLAAR?

9 MAAR….. NRC van 25 juni 2003: Weinig winst voor verzekeringssector DEN HAAG, 25 juni. Het veiligstellen van verzekeringsrisico’s heeft een wissel getrokken op de resultaten van de schadeverzekeraars in Nederland. De kosten voor herverzekering verdubbelden vorig jaar tot 4 procent van de premies. Hierdoor wisten de schadeverzekeraars geen winst te maken, zo heeft het Verbond van Verzekeraars vanochtend bekend gemaakt. Het jaar ervoor behaalden de verzekeraars nog een resultaat van 1 procent. Vooral de inkomsten uit de particuliere verzekeringen drukten het resultaat. De levensverzekeraars kwamen uit op een bedrijfsresultaat van 4 procent, een halvering tegenover 2001.(ANP)

10 Ongelukje?  zo’n krantenbericht staat niet op zich zelf  méér signalen dat zaken fout gaan!  vraag: zoek eens uit wat er aan de hand is!  gevolg: overal veel onderzoek laatste jaren  bij ons: aantal stages/afstudeeropdrachten + promotieonderzoek (STW: ook ‘nut’)  nadruk op afhankelijkheden (dus NIET o.o.)

11 Idee  ‘een ongeluk komt zelden alleen…’  eerst maar eens een extreem voorbeeld: The following sequence of 23 numbers gives for each of the years 1971 to 1993 the total earthquake claim amount that was paid out in California, as a percentage of the premiums received: 17 0 1 3 0 0 1 2 2 9 1 0 3 5 1 9 23 12 130 47 17 13 3 On average this is 13 %, which looks very nice of course (at least from the insurer’s point of view).

12 Tja….

13 Vervolg…… However, in 1994, on January 17, the Northridge earthquake struck. It scored 6.6 on Richter’s scale and caused a damage of 30 billion dollars, 10.4 billion of which were insured. As a result, the 24 th figure in our sequence became…….. 2273, bringing up the average from 13 % to 107 %……..  extreem voorbeeld, maar ook enorm effect!  dus (?) ‘gewoon’ voorbeeld: ‘groot’ effect

14 Uit STW-aanvraag:  To give a more moderate, but equally real, example as well, we mention a problem presented to us by ‘Nationale Nederlanden’. Since 1996 Dutch employers are required by law to continue paying 70% of the wages for the period of 1 year for their employees who have fallen ill. Especially for larger companies it is attractive to only insure themselves against the risk that the total amount required for these payments in a given year exceeds a certain threshold. ‘Nationale Nederlanden’ has a large share of this market, and therefore they are definitely interested in setting the stop-loss premiums involved as realistically as possible. A complication their actuaries come up with is the fact that for example contagious diseases introduce dependencies, and they are worried about the impact on the premiums.

15 Griep….

16 Illustratie  laat ons eerdere voorbeeld eens ‘klonteren’:  we hebben nu groepjes van steeds 10 2 klanten: ‘ allemaal schade òf geen van allen’  nu is dus n = 10 4 i.p.v. 10 6 ; nog wel p = 10 -3  X = aantal groepjes met schade weer bin(n,p)  EX=np = 10, σ X ={np(1-p)} 1/2 ≈3.2  Y = aantal schades = 10 2 X  EY=10 2 EX =10 3, dus net als eerst  maar…. σ Y =10 2 σ X =320 is 10 keer zo groot!!! Use approximation result for binomial rather than Poisson probabilities: ñ τ =λ̃ τ /p, λ̃ τ = α rτ (1 + ζ rτ ), e.g. α rτ = v{r α /( v+r r )} 1/r, v= 1+ τ -1  α rτ, ζ rτ, and thus ñ τ,decrease in τ  O.K.: overdispersion -> widening 1. works fine (again) 2. considerable effect of positive τ

17 Effect  nu is 1.1pr echt niet veilig meer!  in feite is nu die 2pr nodig als kale premie, om ook weer maar 0.1% risico te lopen  conclusie: afhankelijkheden zijn ramp op zich!  herverzekeren (‘stop-loss premie’) lastig(er)  ‘in het echt’ sowieso veel ingewikkelder

18 Idee  mengsel van ‘losse’ schades en groepjes  bij gewone totaalschades: weinig effect, maar bij extreme gevallen: véél effect  in feite: kleine fractie groepjes (bijv. 5%)  grote impact op stop-loss premie (bijv. 5 x)  ’het venijn zit in de staart….’

19 Uitwerking  bekijk opnieuw het voorbeeld:  n = 10 6,p = 10 -3 ; nu 10% in groepjes van 10 2  X 1 = # gewone schades: bin(9.10 5,10 -3 ) EX 1 = 9.10 2, σ X1 ≈ {9.10 2 } 1/2 =30  X 2 = # groepsschades: 10 2 Y, Y bin(10 3,10 -3 ) EX 2 = 10 2, σ X2 ≈10 2 {1} 1/2 =100 !  EX= E(X 1 +X 2 )=10 3, ook nu weer; MAAR:

20 vervolg  bekijk Y nog wat beter: Y bin(10 3,10 -3 ) ≈ Poisson(1)  P(Y=0)=0.37,P(Y=k)=P(Y=k-1)/k: P(Y=1)=0.37, P(Y=2)=0.18, P(Y=3)=0.06, P(Y=4)=0.015,….  dus zelfs P(X 2 =5.10 2 )=P(Y=5) nog 0.3%  met EX 1 = 9.10 2 haalt de totale schade X= X 1 +X 2 dus ‘makkelijk’ 1400!

21  In 2008 onderzoek afgerond  promotie heeft plaatsgevonden  ex-student (nu ‘dr.ir’ ) werkt als risico-analist bij AEGON  nog veel van dit soort problemen over: pech voor verzekeraars, maar geluk voor ons! Afronding

22 Utilisatierapport STW 2007 “Pas op voor de staarten van de verdeling” Prof.dr. Wim Albers - project: 05422 Wiskunde abstract en puur theoretisch? Wie de toepassingen ziet waaraan prof.dr. Wim Albers van de Universiteit Twente heeft meegewerkt, zal zich niet zo snel meer aan dat vooroordeel bezondigen....