Modellpont-csoportosítás lehetőségei az életbiztosításban a VIPitech használatával

Abstract

Számos olyan eset adódik, amikor az életbiztosítók kalkulációs modelljeinek futtatásához szükség van a szerződések csoportosítására, csökkentve ezzel az – amúgy a végletekig elhúzódható – futási időt. A folyamat megbízható lezajlásához szükséges, hogy a tömörített adatokon futtatott modellek eredményei az eredeti szerződésadatokkal történő használathoz képest ne mutassanak túl jelentős eltérést. A gyakorlatban több módszer is létezik a csoportosítás végrehajtására, a dolgozatomban az ING lengyel modelljeiben jelenleg használt véletlen-alapú csoportosítás helyett igyekszem olyan csoportosítási szabályokat létrehozni, melyek segítségével az illeszkedés jelentősen javítható és/vagy a tömörítési arány csökkenthető. Míg jelenleg a csoportosítás az aktuáriusi szoftveren kívül történik, addig a bemutatott módszer nagy előnye, hogy az teljesen egészében a szoftveren belülre helyezhető, biztonságos és auditálható környezet teremtve így a használathoz. Több csoportosítási módszer és megvalósítási lehetőség is bemutatásra kerül a VIPitech használatával, az érdemi eredményt viszont az egylépcsős és külön modell segítségével csoportosító workspace segítségével értem el. (Kétlépcsősnek azt a csoportosítást nevezem, ahol legalább egy olyan változó is részt vesz a csoportosításban, amely a szoftver outputjából, annak lefuttatása után származik.) A legtökéletesebb illeszkedést a belépéskori kor, a szerződés időtartama, a díj nagysága, illetve a szerződésből eltelt idő kombinációjával értem el mind a vegyes biztosítás, mind pedig a kockázati biztosítás esetében. Az eredményeket egy Excel-adatbázisban kezeltem és hasonlítottam össze. A végeredményül kapott csoportosítás esetében az összes előre felállított hibakritérium teljesülése mellett igen jelentős, 28% illetve 42%-os tömörítés-javulást sikerült elérni a vegyes, valamint a kockázati életbiztosítás esetében, így elmondható hogy a feltételezésem igaz volt, egy szcenárión szignifikánsan jobban illeszkedő és tömörítő csoportosítást sikerült létrehozni, mint a véletlen alapú Monte Carlo módszer esetében, amelyet ellenőrzésképpen szintén szimuláltam.