Professional Documents
Culture Documents
ndice de Contenido.
Introduccin.
Captulo 1: El Sector Asegurador.
1.1
1.2
Captulo
Seguros.
2:
Provisiones
Tcnicas
de
Conclusiones.
Bibliografa.
ndice de Figuras.
Figura 1: Evolucin del Sector Asegurador Espaol I.
Figura 2: Evolucin del Sector Asegurador Espaol II.
Figura 3: Evolucin del Sector Asegurador Espaol III.
Figura 4: Evolucin del Sector Asegurador Espaol IV.
Figura 5: Evolucin del Sector Asegurador Espaol V.
Figura 6: Evolucin del Sector Asegurador Espaol VI.
Figura 7: Evolucin del Sector Asegurador Espaol VII.
Figura 8: Cronologa Directivas Solvencia Europea.
Figura 9: Ciclo de Vida Reclamaciones Siniestros.
Figura 10: Presentacin de los Datos: el tringulo de
siniestros I.
Figura 11: Presentacin de los Datos: el tringulo de
siniestros II.
Figura 12: Clasificacin Mtodos Estimacin Provisiones
Tcnicas de Seguros de No Vida.
Introduccin.
Histricamente, el origen del seguro moderno lo encontramos en
el seguro martimo, con el prstamo a la gruesa, que se dio en la
Europa de la Edad Media, coincidiendo con la expansin del
comercio por el Mediterrneo y la necesidad de proteger a los
transportistas.
Hoy en da, la figura del seguro ha evolucionado y tiene un
alcance mucho mayor. El seguro no solo tiene una funcin
protectora frente el riesgo; sino que la actividad aseguradora
tiene tambin importantes implicaciones para el conjunto de las
economas de mercado. As, el seguro, al reducir la
incertidumbre, va a estimular la inversin empresarial, el
empleo, el ahorro, reduccin de desigualdades sociales; etc.
El seguro es una de las principales instituciones financieras y de
previsin. El sector asegurador es un sector con un peso notable
en la economa internacional. Las primas de seguros,
actualmente, representan entre el 7-8 % del PIB mundial. En
Espaa, este porcentaje se sita, aproximadamente, en el 5%
del PIB.
El primer apartado del Captulo 1 de este trabajo est dedicado
a analizar el sector asegurador espaol, recogiendo un resumen
acerca de las caractersticas y de la evolucin reciente del
mismo.
Las empresas aseguradoras en el ejercicio de su actividad estn
sujetas a toda una serie de normas nacionales e internacionales.
En este sentido, en Europa tenemos que destacar el marco
regulador que suponen las directivas sobre solvencia.
Actualmente, nos encontramos en un proceso de reforma con la
Directiva Solvencia II. Esta Directiva persigue lograr una
armonizacin jurdica en el sector, que elimine las desigualdades
entre las empresas aseguradoras, fomente su rentabilidad, la
Captulo 1:
El Sector Asegurador.
1.1 El Sector Asegurador: caso espaol.
El sector asegurador se puede definir como el conjunto de
medios, entidades y organismos, as como sus prcticas, cuya
finalidad ltima consiste en trasladar los riesgos a que estn
sometidos los particulares a una organizacin empresarial con
capacidad econmica suficiente para soportarlos.
A nivel nacional, la regulacin jurdica bsica del sector est
conformada por las siguientes normas:
- Ley 50/1980, de 8 de octubre, de Contrato de Seguro.
(comprendida
la
asistencia
sanitaria
la
11
12
13
14
15
Ramo Vida.
En la recuperacin experimentada en el conjunto del sector
asegurador, el ramo de vida fue el que ms influencia tuvo en la
misma. As, en el 2014 se alcanz un 3,7% de primas
devengadas. La evolucin para 2015 y 2016 se espera positiva,
siendo los seguros de Vida Riesgo los que ms importancia
tengan en el crecimiento del ramo.
Ramo No Vida.
El crecimiento del ramo de no vida se situ en el 2,3% de primas
en el 2014. Dentro del ramo, la mayora de las modalidades
mejoraron a excepcin de Responsabilidad Civil y Resto de
Ramos No Vida. En el 2015 y 2016, se espera tambin que
contine la senda creciente, sin descensos en ninguna
modalidad; siendo Automvil la que tenga una mayor
importancia.
16
17
20
Solvencia 0.
En 1957, con la constitucin de la Comunidad Econmica
Europea (CCE), se inicia la cooperacin entre las autoridades
supervisoras del sector asegurador. As, desde del Insurance
Supervisory Authorities de la CEE se comienza a discutir acerca
de los pasos que habra que dar para alcanzar la liberalizacin
del mercado del seguro. Los principales temas de debate se
centraron en el tratamiento de las reservas tcnicas, los activos
que deberan cubrir estas reservas y las medidas de control
sobre estos activos. Las conversaciones mantenidas entre los
organismos supervisores y la industria del seguro, con la
colaboracin de la OCDE (Organizacin para la Cooperacin y
Desarrollo Econmicos), concluyeron con un plan basado en el
Modelo de Campagne.
La Comisin de Estudio de este proyecto propuso un criterio
para hallar el margen mnimo de solvencia, basndose en tres
ratios:
1. Activos disponibles sobre las primas recaudadas durante el
ltimo ejercicio.
21
22
Ramo No Vida.
Ramo
Vida.
1 Directiva
1 Directiva
(1973)
(1979)
2 Directiva
2 Directiva
(1985)
(1990)
24
3 Directiva
Solvencia I
3 Directiva
(1992)
(2002)
(1992)
Solvencia I.
Ya durante le elaboracin de la Tercera Directiva en 1992, se
discute la posibilidad de revisar aquellas disposiciones que
afectaban al margen de solvencia, pero para no retrasar la
implantacin de un mercado nico del seguro, se decidi dejarlo
para ms adelante. Sin embargo, s se incluyeron algunos
artculos que obligaban a la Comisin a presentar un informe al
Insurance Committe (IC) con el objetivo de homogeneizar el
margen de solvencia. En el congreso celebrado por el IC, en abril
de 1994, se retoma la cuestin de la revisin de la solvencia de
las compaas de seguros, crendose un grupo de trabajo
dirigido por HELMUT MLLER, cuyas conclusiones se recogieron
en 1997 en un informe bajo el nombre de Informe Mller.
Al respecto, el Informe Mller concluy: Se demuestra que
aunque las normas de solvencia se hubieran observado y
aplicado de forma ms estricta, y aunque estas contaran con
requerimientos mucho ms exigentes, algunos de los colapsos
econmicos sufridos por algunas compaas no podan haberse
prevenido. Como regla bsica, el margen de solvencia cumple
con las funciones de alarma y seguridad, pero no remplaza por
completo a lo que pueda ser un anlisis exhaustivo de cada
empresa, y aunque en menor medida, establece el principio de
prudencia en la cobertura de las provisiones tcnicas.
A pesar de todo esto, la Comisin consider que debera
mantener los principios operacionales en vigor, lo que
significaba que determinadas cuestiones pendientes no
pudieran ajustarse o ser mejoradas. Adems, la Comisin
tambin estableci que: todos los esfuerzos deberan
encaminarse a evitar cualquier coste adicional para la industria
25
28
Solvencia II.
Las desventajas del marco de Solvencia I junto con otros
aspectos como la globalizacin del mercado financiero, la
aparicin de nuevos productos aseguradores o, en general, la
exposicin a un entorno continuamente cambiante pusieron de
manifiesto la necesidad de un nuevo marco regulador para el
sector asegurador europeo. As pues, surge el proyecto
Solvencia II.
El proyecto de Solvencia II se configurara en dos fases. La
primera, desarrollada entre los aos 2001 y 2003, tuvo como
principal objetivo analizar caractersticas generales a que deba
obedecer el futuro sistema de solvencia en la UE.
En este sentido, las fuentes del diseo fueron varias:
- Estudios generales como el encargado por la Comisin a la
compaa KPMG (Informe KPMG).
- Informe del grupo de trabajo de la Conferencia de la Insurance
Supervisory Authorities de los estados miembros de la UE
(Informe Sharma).
- Sistemas de control y evaluacin de otros sectores econmicos
(Basilea II).
- Estudios de otros sistemas de solvencia como los sistemas
Risk-Based Capital (RBC); los estudios previos al modelo ingls
de requisitos de capital ampliado (ECR) y estndares de
evaluacin del capital ampliado (ICA); el test de solvencia suizo
(SST); o el modelo estndar alemn de la GDV para el clculo de
las necesidades de capital.
29
32
Captulo 2:
Provisiones Tcnicas de
Seguros.
34
- De seguros de vida.
- De participacin en beneficios y para extornos.
- De prestaciones.
- La reserva de estabilizacin.
1. Provisin para primas no consumidas (artculo 30 ROSSP).
Tiene por objeto la periodificacin de las primas devengadas y
comprender la parte de prima destinada al cumplimiento de
obligaciones futuras no extinguidas al cierre del ejercicio
corriente. Su determinacin es individual o por pliza.
2. Provisin tcnica para riesgos en curso (artculo 31 ROSSP).
Es una provisin complementaria a la anterior y surgir cuando
las primas se hayan demostrado insuficientes para cubrir la
siniestralidad de los contratos de seguro. Pretende corregir la
insuficiencia de las primas que a su vez dara lugar a una
insuficiencia de la provisin para primas no consumidas.
3. Provisin tcnica de seguros de vida (artculo 32 ROSSP). Si la
prima cobrada siguiese la evolucin del riesgo a lo largo de los
aos, en los ltimos aos de vida del asegurado la prima
alcanzara niveles prohibitivos. Por ello, se cobra a lo largo de
todos los aos una prima constante cuya diferencia con la
prima de riesgo constituye la prima de ahorro que,
capitalizada, permite formar la provisin matemtica.
4. Provisin de participacin en beneficios y para extornos
(artculo 38 ROSSP). Obedece a razones de armonizacin
comunitaria. Recoge el importe estimado de una parte de los
posibles beneficios futuros que pueda obtener la entidad y que,
de acuerdo con los contratos, correspondan a los asegurados o
beneficiarios, y el de las primas que proceda restituir a los
tomadores o asegurados, en su caso, en virtud del
comportamiento experimentado por el riesgo asegurado, en
tanto no hayan sido asignados individualmente a cada uno de
ellos.
36
37
Captulo 3:
Mtodos
para
la
Estimacin de Provisiones
Tcnicas de Seguros de No
Vida.
3.1 Los Datos.
En el estudio de los mtodos de estimacin de las provisiones
tcnicas de seguros de no vida, los datos objeto de anlisis se
corresponden con los siniestros.
Siniestro es la manifestacin concreta del riesgo asegurado, que
produce unos daos garantizados en la pliza hasta
determinada cuanta. Se trata, pues, de un acontecimiento que,
por causar unos daos concretos previstos en la pliza, motiva
la aparicin del principio indemnizatorio, obligando a la entidad
aseguradora a satisfacer, total o parcialmente, al asegurado o a
sus beneficiarios, el capital garantizado en el contrato.
El ciclo de vida de un siniestro se puede resumir en las
siguientes fases:
1. Ocurrencia: el siniestro tiene lugar pero se encuentra
pendiente de notificacin a la aseguradora.
38
Ocurrenci
a
Notificaci
n
IBNR
Liquidaci
n
Pago
RBNS
39
3.2 La Estructura de
tringulo de siniestros.
los
Datos:
el
Ao de origen
Ao de desarrollo
Pasado
Futuro
40
I +1
o con
J +1
1 ,
respectivamente.
- De manera general, el tringulo de siniestros suele recoger
datos referentes a nmero de reclamaciones de siniestros o
cantidades de pagos de siniestros; ya sea de forma incremental
o acumulada:
ni , j : nmero de reclamaciones de siniestros que han ocurrido
N i , j= n i, h ; i=0, , I
h=0
Ci , j= c i ,h ; i=0, , I
h=0
3.3
Mtodos
Estadsticos
para
la
Estimacin de Provisiones Tcnicas de
Seguros de No Vida.
El artculo 16.1 LOSSP, con respecto a las provisiones tcnicas,
estipula que: [] debern estar adecuadamente calculadas,
contabilizadas e invertidas en activos aptos para su cobertura.
Por su parte, el artculo 16.2 aade: La cuanta de dichas
provisiones se determinar con arreglo a hiptesis prudentes y
razonables. Reglamentariamente se fijarn los mtodos y
procedimientos de clculo de las provisiones tcnicas, as como
el importe de stas que debe cubrir la entidad aseguradora.
La determinacin de las provisiones tcnicas resulta
fundamental para las empresas aseguradoras, ya que, su
incorrecta estimacin puede acarrear problemas como:
43
Individuales
Clsico
s
Globales
Estocsti
cos
- Mtodo caso a
caso.
- Mtodo del coste
medio del
siniestro.
- Mtodo del
-
Grossing Up.
Link Ratio.
Chain Ladder.
Loss Ratio.
Bornhuetter-Ferguson.
Benktander-Hovinen.
Cap Cod.
- Modelo de Mack.
- Munich Chain Ladder.
- Modelo Lineal Generalizado.
- Bootstrap Chain Ladder.
- Double Chain Ladder.
- Micro-Level Stochastic Loss
Reserving
- Continuous Chain Ladder
46
47
mtodos de una
analizaremos:
forma
ms
detallada.
Concretamente,
- Chain Ladder.
- Link Ratio.
- Grossing Up.
- Modelo de Mack.
- Bootstrap Chain Ladder.
- Modelo Lineal Generalizado.
- Munich Chain Ladder.
- Double Chain Ladder.
fj
f j=
Ci , j+ 1
i=0
I j 1
; j=0, , J 1
Ci, j
i=0
F k = f j ; k =0, , J 1
j=k
^
^i
R= R
i =1
50
{C i , j :i=0, , I ; j =0, , J }
, los pasos
Ri , j=
Ri , j
) se calculan como:
Ci , j+1
; i=0, , I j1 ; j=0, , J 1
Ci, j
fj
), se distinguen
51
I j1
i=0
f j=
Ri , j
I j
; j=0, , J 1
I j1
f j=
C R i , j
i, j
i=0
I j1
; j=0, , J 1
Ci, j
i =0
f j=
I j1
C R i , j
i, j
i=0
I j1
i =0
i=0
C i , jC i , j+1
Ci, j
I j1
Ci, j
i=0
Ci, j
I j1
Ci , j +1
i=0
I j1
i=0
; j=0, , J1
Ci, j
J1
F k = f j ; k =0, , J 1
j=k
Las
^ i ,J C i, Ji ; i=1, , I
^
R i=C
^
^i
R= R
i =1
53
pj =
C0, j
; j=0, , J1
C 0,J
1
pj =
p ; j=0, , J 1
n+ 1 t=0 t
desarrollo (
Ci , J
) se calculan como:
^ i , J = C i ,J i ; i=1, , I
C
p Ji
^
Las reservas por ao de origen ( Ri ) se calculan como:
^ i ,J C i, Ji ; i=1, , I
^
R i=C
^
^i
R= R
i =1
55
{C i , j :i , j=1, , I }
f 1 , , f I1 >0
que
verifican:
E [ Ci , j+1 /C i 1 , , Ci , k ] =C i ,k f k ; 1 i I ; 1 k I 1
{ C i ,1 , C i ,2 , ,C i , I } , {C j , 1 , C j ,2 , , C j , I } ; i j , son independientes.
expresar como:
2
Var [ C i ,k +1 /C i ,1 , , Ci , k ] =Ci , k k ; 1 i I ; 1 k I 1
Ci , j+1
f^ k = i=1
I j
; 1 k I 1
Ci, j
i=1
Ik
C
1
^ k =
C i ,k i ,k+ 1 f^ k ; 1 k I 2
I k 1 i=1
Ci , k
f^ I1=1
finalice tras
^2
periodos; entonces, se sugiera que I1=0 .
{^ 1 , , ^ I3 , ^ I2 }
; que implica:
^ 2 I1=exp { ^ + ^ (I 1)}
57
^ 2 I1=min
^ 4I 2
; min {^ 2 I3 ; ^ 2I2 }
2
^ I3
clsico; es decir:
^ i , I C i ,I i ; 1 i I
^
Ri =C
; donde:
^ i , I =Ci , IiF I i ; 2 i I
C
I1
F k = f j ; 1 j I 1
j=k
^
^i
R= R
i =2
58
^
^ i ) =C
^ iI2
MSE ( R
I 1
k=I +1i
2
^ k
1
1
+
; i=1, , I
^f k 2 C
^ i , k Ik
C^ j , k
j=1
2
^
^i,I
MSE ( ^
R ) = ( s . e . ( ^
Ri ) ) + C
i=2
I1
( )
j=i+1
^ j,I
C
k= I+1i
2
^ k
2 2
f^ k
I k
C n ,k
n=1
; donde:
s . e .( ^
Ri )= ^
MSE ( ^
Ri )
59
Sea
X 1 , X 2 , , X n
) el vector de datos y
X=
T n(x )
el estadstico de
un nmero B grande
X 1 , X 2 , , X n
X
( 1 , X 2 , , X B )
60
Tn
, error de muestreo de
Tn
: esperanza de
^
F
por un estimador
I{ X x }
i
= 1, si
Xi x
1
^
F ( x )= I { X x}
n i=1
es estimada por
Si representamos
por
T n(.)
la
media arimtica
de las
T n ( . )=
1
b
T n (x )
B b=1
61
T
B
2
1
( n ( x b )T n ( . ) )
B b=1
s^e boot =
62
^ i , j ; j=1
C
^ C
^
C
i, j
i , j 1 ; 1< j ; j=N i
; donde
mi , j
r^ i , j
).
r^ i , j=
Ci , jmi , j
mi , j
63
64
Xi, j
densidad de probabilidad
exponencial; tal que:
X i , j f ( x ; i , j , )
; donde
2. La esperanza y varianza de
Xi, j
se definen como:
E [ X i , j ]=i , j
Var [ X i , j ]=Var [i , j ]
; con >1 .
3. Funcin de enlace
i , j
, a travs de la relacin:
i , j=g( i , j )
65
{c i , j :i=0, , k ; j=0, , k }
siniestros, supuestas
siguientes valores:
estas
E [ c i , j ] =ij
Var [ ci , j ] =
del tringulo de
independientes,
Var [ ij ] ij
=
wij
wij
>1
considera
los
w ij=1
; donde:
c 0 : es el trmino que se corresponde al ao de ocurrencia y
desarrollo 0.
i : factor correspondiente a los aos de ocurrencia
i=1, , k .
66
c ij
j=1, , k .
se obtienen
como:
c^ i , j=exp { c 0+ i + j }
^
En cuanto a las reservas, las reservas por ao de origen ( Ri )
se calculan como:
k
^
R i=
j=ki+1
c^ i , j ; i=1, , k
^
La reserva total ( R ) se calcula como:
k
^
R=
i =1 j=ki+1
c^ i , j
c i , j ^c i , j
c^ i , j
67
c i , j=r i , j c^ i , j+ c^ i , j
^
^
). Este para las reservas de origen ( Ri ) y total ( R ) se
calcula como:
n
2
PEboot ( Ri ) ^ P Ri +
SE boot ( Ri ) ) ; i=1, , k
(
n p
n
2
PE boot ( R ) ^ P R+
( SEboot ( R ) )
n p
;donde, el parmetro
^ P
bootstrap.
Para la estimacin del error estndar se utiliza una estimacin
corregida por sesgo, siendo
libertad, con
p=2 k +1
np
el nmero de grados de
68
1.
Tringulo
P={C
P
i,j
paid
claims:
que
se
puede
notar
como
de reclamaciones ocurridas en el ao
periodo
y resueltas en el
j .
C I i , j+1
R i, j = I
C i, j
I
Qi , j=
C i,j
I
C i,j
C Ii , j
Q i,j= P
C i, j
1
hasta un periodo
Pi ( k )={C pi , j : j k } ,
70
siniestros
pagados,
respectivamente.
siniestros
incurridos
ambos;
f P j ; tal
que:
E[ R
P
i,j
/ Pi ( j)]=f
P
j
; tal
que:
E[ R
I
i,j
/ I i ( j)]=f
I
j
tal
qj;
tal
que:
E[Q1i , j /Pi ( j)]=q1 j
que:
E[Qi , j /I i ( j)]=q j
71
Bloque B: varianzas.
P j ; tal
I j ; tal
P j ; tal
I j ; tal
que:
Var [R Pi , j / Pi ( j)]=
( P j )2
C pi , j
Var [R I i , j / I i ( j)]=
( j)
I
C i, j
( P j )2
C pi , j
( )
Var [Qi , j /I i ( j)]= I j
C i, j
72
Bloque C: independencia.
- Hiptesis C1:
Las variables aleatorias correspondientes a los diferentes aos
de ocurrencia para los siniestros pagados:
- Hiptesis C2:
Las variables aleatorias correspondientes a los diferentes aos
de ocurrencia para los siniestros incurridos:
{C I 1, j : j=1,2, n } , , {C I n , j : j=1,2, n }
son estocsticamente independientes.
- Hiptesis C1:
73
P
i,j
rI i , j =
i, j
R Pi , jE [R Pi , j /Pi ( j)]
Var [ R
i, j
i, j
E[ R
Var [R
r Qi , j =
/ Pi ( j)]
I
i, j
I
i, j
/I i ( j)]
/ I i ( j)]
Var [Q
1
i, j
/P i( j )]
Qi , jE[Q i , j / I i ( j)]
Var [Qi , j / I i ( j)]
Bloque D: correlaciones.
74
I ; tal
; tal
que:
E[r Pi , j /Bi ( j)]=P r Q
i, j
i,j
/ Bi ( j)]= r
Q
i, j
( ^ P j )2
( ^ I j )2
^P
f^ I j
q^ j
1
q^ j
( ^ j )
planteadas en el modelo:
n j
C Pi , j +1
f^ P j= i=1
n j
C Pi , j
i=1
n j
C Ii , j +1
f^ I j = i=1
n j
C Ii , j
i=1
75
n j +1
C Pi , j
C Ii , j
q^ j= ni=1j +1
i=1
n j+1
C Ii, j
C Pi , j
q^ 1 j= ni=1
j+1
i=1
n j
1
P
P
P 2
( ^ j ) =
C i , j ( R i , j ^f j )
n j1 i =1
P
n j
1
P
I
I 2
( ^ j ) =
C i , j ( R i , j ^f j )
n j1 i=1
I
1
(^ j ) =
n j
n j +1
1
(^ j ) =
n j
n j +1
^P =
rQ
i,j
^ I =
i =1
i =1
i, j
(r Q
i, j
i, j
I
i, j
( Q1i , j q^ 1 j )
( Qi , j q^ j )
r Pi , j
i, j
)2
r Qi , j r I i , j
i,j
(r Qi , j)2
i, j
76
P
i, j
C Pi , j+1=C Pi , j ^ Pi , j ; 1 i n ; ni +1 j n1
C I i , j+1=C I i , j ^ I i , j
; 1 i n ; ni+1 j n1
; donde:
^P
^ Pi , j= ^f P j+ ^P j (Q1i , j q^ 1 j )
^ P j
^I
^ I i , j=f^ I j+ ^I j (Q i , j ^q j)
^ I j
P
P
^
R = ^
R i
i=2
^
RI = ^
R Ii
i=2
77
rP i , j =
rI i , j =
R Pi , j ^f P j
C Pi , j
^ P j
I
i, j
^f
I
i,j
Q1i , j q^ 1 j
r i , j=
C Ii , j
P
^ j
Q
r Qi , j =
Qi , j^q j
^
I
i, j
U i , j= ( r
) , ( r Q i , j ) , ( r I i , j ) , ( r Qi , j ) }
1
P
i, j
Ui, j
; obtenindose muestras
U i , jB :
U i , jB = ( r P i , j ) , ( r Q
i, j
) , ( r I i , j) , ( r Q i , j )
siniestros
pagados
B
(
P
i, j) )
(
siniestros
incurridos
B
( I i , j) ); as como, sobre la proporcin bootstrap entre
Q
B
siniestros pagados e incurridos ( ( i , j) ) y su inversa (
(1 i , j) B ):
79
B P
( P i, j ) ^ j ^ P
+f j
C Pi , j
( P i , j) B=
( I i , j) B ^ I j ^ I
+f j
C I i , j
B
( I i, j) =
( i , j)B =
Q
Q
B I
(r i , j ) ^ j
+ q^ j
i, j
(r Q
(1 i , j) =
)B ^ P j
i, j
I
+ q^1 j
i, j
q^ j
f^ P j
q^ 1 j :
80
( P i , j)B
C Pi , j
n j
P
C i,j
i=1
n j
( f^ P j)B =
i=1
( I i , j )B
C Ii , j
n j
I
C i,j
i=1
n j
( f^ I j)B =
i=1
q^
Q
C Ii , j
( i, j)B
n j+1
CIi , j
i=1
n j+1
( j) B=
i=1
q^
(1i , j)B
C Pi , j
n j +1
P
C i, j
i =1
(1 j) =
n j+1
i=1
^
r
B
1
( Q i , j)
2
i, j
( Q1 i , j)
( P i, j)B
i, j
( P)B =
^
r
( Qi ,)B
2
i,j
( Q i, j)B (r I i , j )B
i,j
( I )B =
82
( ^ j)
R
f^
( P j)B
B
2
( P i , j)
C Pi , j
n j
1
B
( 2) =
n j1 i=1
( ^ I j)
R
^f I
( j)B
( I i , j) B
2
P
C i, j
n j
1
B
( 2) =
n j1
i=1
( ^ j )
Q
q^
B
(1 j)
(1 i , j)B 2
C Pi , j
( 2)B=
1
n j
n j+1
i=1
83
( ^ j )
Q
q^
( j)B
( i , j) B
I
C i,j
n j+1
1
B
( 2) =
n j i=1
f^ P
^
^
q^
(1 j)B
(1 i , j) B
( P j)B
( P j) B
( P) B
( j)B +
( P i , j)B =
84
f^
^
^
Q
q^
( j )B
( i, j)B
( I j) B
B
( ^ I j )
( I )B
( I j)B +
B
( I i , j) =
( P ni +1)
( 2)B X P i ,ni+1
; 2 i n
B
( ^ Pi , ni+1 ) X Pi , ni+1 ,
X Pi , ni+2 Normal
85
( I ni +1)
( 2)B X I i, ni+1
; 2 i n
B
( ^ I i , ni+1 ) X I i , ni +1 ,
X I i , ni+2 Normal
( P l1)
( 2)B X Pk ,l1
B
P
( ^ i , l1) X Pk ,l1 ,
X Pk , l Normal
3 k n ; nk +3 j n
( I l1)
( 2)B X I k ,l1
B
I
^
( i , l1 ) X I k ,l1 ,
X I k ,l Normal
3 k n ; nk +3 j n
Ni, j
siniestros ocurridos en un ao
un ao
i ;
m ={N i , j :(i , j) T } ;
i+ j ; es decir, con
m={ X i , j :( i, j) T } ; donde
siniestros ocurridos en un ao
y pagados con
periodos
de retraso desde el ao i .
Los tringulos (
88
i+ j . As pues,
y pagados en el ao
d m1 , entonces:
min{ j ,d }
paid
i, j
N paidi , jl ,l
l=0
; donde
N paidi , j , l
ocurridos en el ao
i , notificados en el ao
resueltos y pagados en el ao
i+ j
Ni. j
siniestros
y finalmente
i+ j+l .
Y i, j
y pagados en el ao
paid
i, j
i+ j
paid
i ,j
X i , j= Y i , j(k)
k =1
Hiptesis.
Con las definiciones anteriores, se asumen las siguientes
hiptesis:
89
Hiptesis 1: independencia.
- Las variables con diferente ao de origen son independientes.
- La variable
Ni, j
(que
en las reservas
Hiptesis 2: retardo
RBNS .
; donde
p=( p 0 , , pd )
0< pl <1
pl =1
l=0
(k)
Hiptesis 3: sobre la distribucin de Y i , j .
Y i , j(k)
2
y varianzas i
E [ Y i , j(k ) ]= i=i
Var [ Y i , j( k ) ] = 2 2i= 2i
; donde
es un parmetro de inflacin
Hiptesis 4: retardo
Las variables
Ni, j
IBNR .
j=1
j=0
, { i :i=1, ,m } .
^l
:
^ = 1
0
m1
^ l
l=1
ni
m 1
j=0
j=mi+l
^ i= N i , j
{^ i , ^ j }
^
^ j= j 1 ; j=1, , m1
m 1
^l
l=1
^ j ; i=1, , m
~
^
estimadores { i , j } .
92
E [ X i , j ]= i i jl l
l =0
j l l=~ j
l=0
~
jl l , obtenemos el
3. Usando la primera ecuacin, j =
l=0
siguiente sistema:
~
^
^ 0
0
~
^
^
1
= 1
~
^
^
m 1
m1
( )(
0
^ 0
^m 2
0
0
)( )
0
1
^0 m1
^ ={ ^ l :l=0, , m1 }
.
93
obtenido en el paso 3
como:
^ i=
~
^i
; i=1, , m
^ i ^
i i=~
i
y se estima
^ 1=1
, y se obtiene:
~
^1
^ 1
siguen
aproximadamente
un
modelo
de
Poisson
; donde
i= i
+
=
94
^i2= ^ 2 ^ i2
las reservas
IBNR
Xi, j
l=0
l=0
E [ X ij /m ]= N i , jl ~
l ~
l i= N i , jl l i
m 1
; donde
= ~
l ~
l
l=0
~~
y l= l l / .
^
X i , jRBNS =
l=im+ j
N i , jl ^pl ^ ^ i ; (i, j) I 1 I 2
95
^
X i , jIBNR =
l =0
N i , j l ^pl ^ ^ i ;(i , j) I 1 I 2 I 3
; donde:
Captulo 4:
Aplicacin Prctica en la
Estimacin de Provisiones
Tcnicas de Seguros de No
Vida mediante R Project.
4.1 R Project.
R Project se trata de una aplicacin informtica para la
realizacin de anlisis estadsticos y grficos, creado por ROSS
IHAKA y ROBERT GENTLEMAN en el ao 1993. R tiene una doble
naturaleza
de
programa
informtico
y
lenguaje
de
97
caracterstica
destacan
tambin
las
99
100
http://cran.rproject.org/web/packages/ChainLadder/ChainLadder.pdf
Ejemplos y demostraciones.
El paquete ChainLadder incluye toda una serie de ejemplos a los
que se puede acceder mediante la orden:
example(ChainLadder)
Tambin est dotado de una serie de demostraciones
interactivas para facilitar el aprendizaje sobre el paquete. Se
accede a las demostraciones mediante rdenes como:
demo(ChainLadder)
demo(MackChainLadder)
demo(DatabaseExamples)
demo(MSOffice)
Cita bibliogrfica.
Para citar el paquete ChainLadder en publicaciones se procede
de la forma:
citation(ChainLadder)
Markus Gesmann, Daniel Murphy, Wayne Zhang, Alessandro
Carrato, Giuseppe Crupi and Mario Wthrich (2015).
ChainLadder: Statistical methods and models for the calculation
of outstanding claims reserves in general insurance. R package
version 0.2.0.
Licencia.
ChainLadder funciona con licencia GPL. La documentacin de
ChainLadder, por su parte, opera con licencia Creative Commons
Attribution-ShareAlike 4.0 International License.
101
102
Datos.
Los datos han sido obtenidos del artculo: Individual loss
reserving using paid-incurred de PIGEON et al. (2014) [13]. Se
tratan de datos sobre pagos de siniestros (acumulados),
104
plot(paid)
105
plot(incurred)
106
plot(num)
107
de
la
funcin
predict(object,)
Cdigo R Project.
108
#Linear Models
chldr<-chainladder(paid)
#Estimation of triangle
triangle_chldr<-predict(chldr)
#Reserves
reserves<-function(prediction=NA){
row=nrow(prediction)
col=ncol(prediction)
reserves<-numeric(row)
j=0
for(i in 1:row){
reserves[i]=prediction[i,col]-prediction[i,col-j]
j=j+1
}
total_reserve=sum(reserves)
return(total_reserve)
}
reserves(triangle_chldr)
Resultados.
La estimacin puntual de la provisin tcnica por el mtodo
Chain Ladder ofrece una cifra de 15.261.478 unidades
monetarias (u.m.).
109
for(j in 1:col-1){
individual_links[,j]=paid[,j+1]/paid[,j]
}
#Development factors
development_factors=numeric(col-1)
if(criterium==1){
for(j in 1:col-1){
development_factors[j]=suppressWarnings(max(individual_links[,j],na.rm=T))
}
}
110
else if(criterium==2){
for(j in 1:col-1){
development_factors[j]=suppressWarnings(min(individual_links[,j],na.rm=T))
}
}
else if(criterium==3){
for(j in 1:col-1){
development_factors[j]=mean(individual_links[,j],na.rm=T)
}
}
else{
print("Error: Select criterium: 1=Pessimistic , 2=Optimist , 3=Average")
break()
}
#Proyection factors
development_factors2=rev(development_factors)
proyection_factors=rev(cumprod(development_factors2))
#Ultimates
prediction_ultimate=numeric(col)
prediction_ultimate[1]=paid[1,col]
k=1
for(i in 2:row){
prediction_ultimate[i]=paid[i,col-k]*proyection_factors[col-k]
k=k+1
111
}
#Reserves
reserves=numeric(row)
k=0
for(i in 1:row){
reserves[i]=prediction_ultimate[i]-paid[i,col-k]
k=k+1
}
total_reserve=sum(reserves)
return(total_reserve)
}
link_ratio(paid,1)
link_ratio(paid,2)
link_ratio(paid,3)
Resultados.
La estimacin puntual de la provisin tcnica de seguros por el
mtodo de Link Ratio ofrece un resultado de 24.919.975 u.m.,
8.670.711 u.m. y 15.140.056 u.m. segn el criterio pesimista,
optimista y medias simples; respectivamente.
112
113
reserves=numeric(row)
k=0
for(i in 1:row){
reserves[i]=prediction_ultimate[i]-paid[i,col-k]
k=k+1
}
total_reserve=sum(reserves)
return(total_reserve)
}
grossing_up(paid)
Resultados.
La estimacin puntual de la provisin tcnica de seguros por el
mtodo de Grossing Up ofrece un resultado de 16.069.110 u.m.
114
Cdigo R Project.
mack<-MackChainLadder(paid,est.sigma="Mack")
mack
plot(mack)
116
Resultados.
La estimacin puntual de la provisin tcnica de seguros por el
mtodo de Mack Chain Ladder ofrece un resultado de
15.261.478,48 u.m., con un error tpico de 2.285.810,23 u.m.
117
118
quantile(bootstrap_chldr,c(0.05,0.95,0.025,0.975,0.005,0.995))
119
plot(bootstrap_chldr)
120
Resultados.
La estimacin puntual de la provisin tcnica de seguros por el
mtodo de Bootstrap Chain Ladder ofrece un resultado de
15.395.776 u.m., con un error tpico de 2.029.690 u.m.
Por intervalo de confianza al 90%, la estimacin se corresponde
con [12.190.007 - 18.952.967] u.m., al 95% con [11.626.213
19.735.570] u.m. y al 99% con [10.703.338- 21.219.403] u.m.
Por su parte,
4.3.6
Ejemplo
Generalizado.
5:
Modelo
Lineal
Procedimiento.
Para la estimacin de la provisin tcnica mediante el Modelo
Lineal
Generalizado
se
emplea
la
funcin
glmReserve{ChainLadder}.
glmReserve(triangle, var.power = 1, link.power = 0, cum = TRUE, mse.method = c("formula",
"bootstrap"), nsim = 1000, ...)
122
#Gamma
mlg2<-glmReserve(paid,var.power=2)
mlg2
#Bootstrap
mlg3<-glmReserve(paid,mse.method="boot")
mlg3
ic1_glm<t(apply(reserves_glm_bootstrap$sims.reserve.pred,2,quantile,c(0.05,0.95,0.025,0.975,0.005,0.9
95)))
total<-apply(ic1_glm,2,sum)
ic_glm<-rbind(ic1_glm,total)
ic_glm
Resultados.
La estimacin puntual de la provisin tcnica de seguros
mediante el Modelo Lineal Generalizado y distribucin Poisson
123
emplea
la
funcin
Cdigo R Project.
mcl<-MunichChainLadder(paid,incurred,est.sigmaP=0.1,est.sigmaI=0.1)
mcl
plot(mcl)
reserves<-function(prediction){
row=nrow(prediction)
col=ncol(prediction)
reserves<-numeric(row)
j=0
for(i in 1:row){
reserves[i]=prediction[i,col]-prediction[i,col-j]
j=j+1
126
}
total_reserve=sum(reserves)
return(total_reserve)
}
paid_triangle<-mcl$MCLPaid
incurred_triangle<-mcl$MCLIncurred
reserves(paid_triangle)
reserves(incurred_triangle)
bootMunich<-function(PAID=NA,INC=NA,MCL=NA,Mack=NA,MackInc=NA){
nr=nrow(PAID);nc=ncol(PAID)
#1-period factors, Q and Qinverse
FP<-matrix(NA,nrow=nr,ncol=nc)
for(j in 1:nc) FP[,(j-1)]=PAID[,j]/PAID[,(j-1)]
FI<-matrix(NA,nrow=nr,ncol=nc)
for(j in 1:nc) FI[,(j-1)]=INC[,j]/INC[,(j-1)]
Q<-PAID/INC
QInv<-1/Q
############## Bootstrap ####################
##### 0. Obtaining the 4 residuals #####
PRes<-t(matrix(MCL$PaidResiduals,ncol=ncol(PAID),byrow=TRUE))
IRes<-t(matrix(MCL$IncurredResiduals,ncol=ncol(PAID),byrow=TRUE))
QRes<-t(matrix(MCL$QResiduals,ncol=ncol(PAID),byrow=TRUE))
QInvRes<-t(matrix(MCL$QinverseResiduals,ncol=ncol(PAID),byrow=TRUE))
##### 1. Adjust the Pearson Residuals #####
#Calculating the adjustmet factors
Adjust <- matrix(0,ncol=nr, nrow=nc)
for( j in 1:(nr-2) ) Adjust[,j] <- sqrt((nc-j)/(nc-j-1))
#Obtaining the adjusted residuals
AdjPRes <- PRes*Adjust
AdjIRes <- IRes*Adjust
AdjQRes <- QRes*Adjust
AdjQInvRes <- QInvRes*Adjust
for (i in 1:nr){AdjQRes[i,(nr-i+1)]<-NA ;AdjQInvRes[i,(nr-i+1)]<-NA}
127
128
i<-i+1
}
}
#obtaining bootstrap development factors
BootfP<-rep(0,nc);BootfI<-rep(0,nc);BootfQ<-rep(0,nc); BootfQInv<-rep(0,nc)
sumP<-rep(NA,nc);sumI<-rep(NA,nc)
for(j in 1:(nc-1)){
sumP[j]<-colSums(PAID,na.rm=TRUE)[j]-PAID[nc-j+1,j]
sumI[j]<-colSums(INC,na.rm=TRUE)[j]-INC[nc-j+1,j]
i<-1
while(i<=nc-j){
BootfP[j]<- BootfP[j]+(PAID[i,j]/sumP[j])*MatRatiosP[i,j]
BootfI[j]<- BootfI[j]+(INC[i,j]/sumI[j])*MatRatiosI[i,j]
BootfQ[j]<- BootfQ[j]+(INC[i,j]/sumI[j])*MatRatiosQ[i,j]
BootfQInv[j]<- BootfQInv[j] + (PAID[i,j]/sumP[j])*MatRatiosQInv[i,j]
i<-i+1
}
}
#obtaining the bootstrap CORRELATION COEFFICIENTS
LambdaP<- sum(MatResQInv*MatResP,na.rm=TRUE)/sum(MatResQInv^2,na.rm=TRUE)
LambdaI<-sum(MatResQ*MatResI,na.rm=TRUE)/sum(MatResQ^2,na.rm=TRUE)
#Obtaining the VARIANCES
VarP<-rep(0,nc); VarI<-rep(0,nc);
for(j in 1:(nc-2)){
i<-1
while(i<=nc-j){
VarP[j]<-VarP[j]+(PAID[i,j]*(MatRatiosP[i,j]-BootfP[j])^2)/(nc-j-1)
VarI[j]<-VarI[j]+(INC[i,j]*(MatRatiosI[i,j]-BootfI[j])^2)/(nc-j-1)
i<-i+1
}
}
VarQ<-rep(0,nc); VarQInv<-rep(0,nc)
for(j in 1:(nc-1)){
i<-1
while(i<=nc-j){
VarQ[j]<-VarQ[j]+(INC[i,j]*(MatRatiosQ[i,j]-BootfQ[j])^2)/(nc-j)
VarQInv[j]<-VarQInv[j]+(PAID[i,j]*(MatRatiosQInv[i,j]-BootfQInv[j])^2)/(nc-j)
i<-i+1
}
}
sigmaP<-sqrt(VarP)
sigmaI<-sqrt(VarI)
tauI<-sqrt(VarQ)
tauP<-sqrt(VarQInv)
#estimating the last ratio sigma/tau
sigtauP<-sigmaP/tauP
sigtauI<-sigmaI/tauI
period<-c(1:nc)
129
fitP<-lm(log(sigtauP) ~ period,na.action=na.exclude)
fitI<-lm(log(sigtauI) ~ period,na.action=na.exclude)
sigtauP[nc-1]<-exp((nc-1)*fitP$coefficients[2]+fitP$coefficients[1])
sigtauI[nc-1]<-exp((nc-1)*fitI$coefficients[2]+fitI$coefficients[1])
alphaP<-pmax(0,pmin(LambdaP*(sigtauP),0.99))
alphaI<-pmax(0,pmin(LambdaI*(sigtauI),0.99))
#Obtaining the bootstrap ADJUSTED DEVELOPMENT FACTORS
BlambdaP<-matrix(NA, nrow=nr, ncol=nc)
BlambdaI<-matrix(NA, nrow=nr, ncol=nc)
BPAID<-PAID; BINC<-INC; BRatiosQ<-MatRatiosQ; BRatiosQInv<-MatRatiosQInv
for(k in 1:(nc-1)){
j<-k
while(j<=(nc-1)){
BlambdaP[nr-j+k,j]<-BootfP[j]+alphaP[j]*(BINC[nr-j+k,j]/BPAID[nr-j+k,j]-BootfQInv[j])
BlambdaI[nr-j+k,j]<-BootfI[j]+alphaI[j]*(BPAID[nr-j+k,j]/BINC[nr-j+k,j]-BootfQ[j])
BPAID[nr-j+k,j+1]<-BlambdaP[nr-j+k,j]*BPAID[nr-j+k,j]
BINC[nr-j+k,j+1]<-BlambdaI[nr-j+k,j]*BINC[nr-j+k,j]
j<-j+1
}
}
#Obtaining normal distributed observations
BPAIDfinal<-PAID; BINCfinal<-INC
for(k in 1:(nc-1)){
j<-k
while(j<=(nc-1)){
meanP<-BlambdaP[nr-j+k,j]*BPAIDfinal[nr-j+k,j]
sdP<-sqrt(VarP[j]*BPAIDfinal[nr-j+k,j])
meanI<-BlambdaI[nr-j+k,j]*BINCfinal[nr-j+k,j]
sdI<-sqrt(VarI[j]*BINCfinal[nr-j+k,j])
BPAIDfinal[nr-j+k,j+1]<-rnorm(1,mean=meanP,sd=sdP)
BINCfinal[nr-j+k,j+1]<-rnorm(1,mean=meanI,sd=sdI)
j<-j+1
}
}
#Obtaining the origin year and the total amounts
originP[N,]<-BPAIDfinal[,nc]
originI[N,]<-BINCfinal[,nc]
totalP[N] <- colSums(BPAIDfinal)[nc]
totalI[N] <- colSums(BINCfinal)[nc]
}
#averages
averP<-colMeans(originP)
averI<-colMeans(originI)
taverP<-mean(totalP)
taverI<-mean(totalI)
#diagonal
130
diagonalP=numeric(nc)
k=nr
for(j in 1:nc){
diagonalP[j]=PAID[k,j]
k=k-1
}
revdiagonalP<-rev(diagonalP)
diagonalI=numeric(nc)
k=nr
for(j in 1:nc){
diagonalI[j]=INC[k,j]
k=k-1
}
revdiagonalI<-rev(diagonalI)
#reserves
reservesP<-averP-revdiagonalP
reservesI<-averI-revdiagonalI
totreserveP<-sum(reservesP)
totreserveI<-sum(reservesI)
#standard deviations
stdP<-rep(NA,nrow=1,ncol=(nc-1))
for(j in 1:nc-1)stdP[j]=sd(originP[,j+1])
stdI<-rep(NA,nrow=1,ncol=(nc-1))
for(j in 1:nc-1)stdI[j]=sd(originI[,j+1])
totstdP<-sd(totalP)
totstdI<-sd(totalI)
list(IBNR_paid=totreserveP,se_IBNR_paid=totstdP,IBNR_incurred=totreserveI,se_IBNR_incurr
ed=totstdI)
}
bootstrap_MunichChainLadder<-bootMunich(paid,incurred,mcl,mack,mack_inc)
131
Resultados.
El importe de la estimacin puntual de la provisin tcnica de
los pagos de siniestros es de 15.201.962 u.m. Por su parte, el
importe de la estimacin puntual de la provisin tcnica de los
siniestros incurridos es de 2.966.146 u.m.
Mediante bootstrap, la estimacin puntual de la provisin
tcnica de los pagos de siniestros es de 14.814.451 u.m., con un
error tpico de 2.121.466 u.m. La estimacin puntual de la
provisin tcnica de los siniestros incurridos es de 3.673.243
u.m., con un error tpico de 2.888.999 u.m.
132
134
Cdigo R Project.
paid<-get.incremental(paid)
dcl<-dcl.estimation(paid,num)
bootstrap_dcl<-dcl.boot(dcl, Ntriangle=num, boot.type=1,B=200)
#IBNR
ibnr_dcl<-bootstrap_dcl$summ.ibnr
ibnr_dcl
135
#RBNS
rbns_dcl<-bootstrap_dcl$summ.rbns
rbns_dcl
136
#Total
total_dcl<-bootstrap_dcl$summ.total
total_dcl
137
Plot.cashflow(bootstrap_dcl)
Resultados.
La estimacin puntual de la provisin tcnica IBNR por el
mtodo de Double Chain Ladder ofrece un resultado de
836.431,54.u.m., con un error tpico de 160.291,48 u.m. La
estimacin puntual de la provisin tcnica RBNS es de
14.422.836,9 u.m., con un error tpico de 626.807 u.m. La
estimacin puntual de la provisin tcnica total (IBNR+RBNS) es
de 15.259.268,44 u.m., con un error tpico de 653.032,48 u.m.
138
4.3.9 Comparativa.
En este apartado se realiza una comparativa entre los mtodos
de estimacin de provisiones tcnicas de seguros que se han
empleado en la seccin 4.3 Ejemplos prcticos en R Project.
Mtodos Clsicos.
Cdigo R Project.
chldr<-chainladder(paid)
triangle_chldr<-predict(chldr)
reserves_chainladder<-reserves(triangle_chldr)
reserves_linkratio1<-link_ratio(paid,1)
reserves_linkratio2<-link_ratio(paid,2)
reserves_linkratio3<-link_ratio(paid,3)
reserves_grossing_up<-grossing_up(paid)
clasicos<c(reserves_chainladder,reserves_linkratio1,reserves_linkratio2,reserves_linkratio3,reserves_gro
ssing_up)
names(clasicos)<-c("ChainLadder","LinkRatio1", "LinkRatio2", "LinkRatio3", "GrossingUp")
clasicos
barplot(clasicos,ylim=c(0,25000000),main="Mtodos Clsicos")
139
Resultados.
Entre los mtodos clsicos analizados y para los datos que se
han utilizado, la estimacin ms elevada de provisin tcnica de
seguros se alcanza en LinkRatio1 (criterio pesimista), con una
cifra de 24.919.975 u.m. Este mayor importe viene justificado en
este mtodo por el hecho de considerar tambin una mayor
aversin al riesgo y, por tanto, actuar con mayor prudencia en
su estimacin; es decir, se prefiere dar una cantidad ms
elevada como provisin que quedarse corto y no poder hacer
frente a siniestros previstos. Este criterio est en consonancia
con el principio exigido en Contabilidad de prudencia valorativa.
Por su parte, la estimacin ms baja del importe de provisin
tcnica de seguros se alcanza en LinkRatio2 (criterio optimista),
con una cifra de 8.670.711 u.m. En este mtodo se presenta una
menor aversin al riesgo y, por tanto, se estima una cifra menor
de provisin. Quizs, este criterio resulte el ms desaconsejable;
ya que, es preferible realizar una estimacin por exceso que por
defecto para evitar no poder hacer frente a las obligaciones
derivadas de los siniestros. No obstante, tampoco es
recomendable una sobrestimacin muy excesiva de la provisin,
por la posible prdida de rentabilidad derivada del coste de
oportunidad, como parece que ocurre en LinkRatio1.
En cuanto a los otros mtodos, estos ofrecen las siguientes
estimaciones: 15.261.478 u.m. en Chain Ladder, 15.140.056
u.m. en LinkRatio3 (criterio medias simples) y 16.069.110 u.m.
en Grossing Up.
Al tratarse de mtodos clsicos, en estos no se va a poder
determinar el error tpico como criterio estadstico en la eleccin
del mtodo de estimacin. As pues, se tendra que hacer uso de
otros criterios como, por ejemplo, la experiencia del empresario
asegurador para decidir que cifra resulta la ms adecuada como
provisin tcnica de seguros. No obstante, todo parece indicar
140
Mtodos estocsticos.
Cdigo R Project.
bootstrap_chldr<-BootChainLadder(paid,process.distr=c("od.pois"))
reserves1<-summary(bootstrap_chldr)$Totals[3,]
reserves_se1<-summary(bootstrap_chldr)$Totals[4,]
reserves2<- glmReserve(paid)$summary$IBNR[9]
reserves_se2<- glmReserve(paid)$summary$S.E[9]
reserves3<- glmReserve(paid,var.power=2)$summary$IBNR[9]
reserves_se3<- glmReserve(paid,var.power=2)$summary$S.E[9]
reserves4<- glmReserve(paid,mse.method="boot")$summary$IBNR[9]
reserves_se4<- glmReserve(paid,mse.method="boot")$summary$S.E[9]
mack<-MackChainLadder(paid,est.sigma="Mack")
reserves5<-summary(mack)$Totals[4,]
reserves_se5<-summary(reserves_Mack)$Totals[5,]
mcl<-MunichChainLadder(paid,incurred,est.sigmaP=0.1,est.sigmaI=0.1)
paid_triangle<-mcl$MCLPaid
reserves6<-reserves(paid_triangle)
reserves_se6<- bootMunich(paid,incurred,mcl,mack,mack_inc) $se_IBNR_paid
paid<-get.incremental(paid)
dcl<-dcl.estimation(paid,num)
bootstrap_dcl<-dcl.boot(dcl, Ntriangle=num, boot.type=1,B=200)
total_dcl<-bootstrap_dcl$summ.total
reserves7<- total_dcl$mean.total[17]
reserves_se7<-total_dcl$sd.total[17]
stochastic<-c(reserves1,reserves2,reserves3,reserves4,reserves5,reserves6,reserves7)
names(stochastic)<-c("boots_chl", "glm_odp","glm_g","glm_boots","mack","munich","dcl")
stochastic
141
barplot(stochastic,ylim=c(0,20000000),main="Stochastic Methods")
stochastic_se<c(reserves_se1,reserves_se2,reserves_se3,reserves_se4,reserves_se5,reserves_se6,
reserves_se7)
names(stochastic_se)<-c("boots_clm",
"glm_odp","glm_g","glm_boots","mack","boots_munich",dcl)
stochastic_se
142
barplot(stochastic_se,ylim=c(0,3000000),main="Stochastic S.E.")
Resultados.
La estimacin que presenta un menor error tpico es la
correspondiente al mtodo DCL, con un error de 653.032,5 u.m.
y un importe de provisin tcnica de seguros de 15.259.268
u.m. As pues, desde el punto de vista de la eficiencia
estadstica, la estimacin proporcionada por este modelo sera la
ms adecuada.
143
4.3.10
Ejemplos
Chain Ladder.
Adicionales:
Double
Ejemplo 1.
Datos.
Se hace uso de datos de ejemplo recogidos en la librera DCL.
Concretamente, se emplean los datos BDCL, correspondientes
a pagos de siniestros (XtriangleBDCL) y nmero de siniestros
(NtriangleBDCL) de seguros de no vida.
library(DCL)
# Paid claims
data(XtriangleBDCL)
Xtriangle<-XtriangleBDCL
Xtriangle
144
Plot.triangle(Xtriangle,Histogram=TRUE,tit=expression(paste('Paid: ',X[ij])))
#Number of claims
145
data(NtriangleBDCL)
Ntriangle<-NtriangleBDCL
Ntriangle
Plot.triangle(Ntriangle,Histogram=TRUE,tit=expression(paste('Counts: ',N[ij])))
146
148
149
150
151
152
154
boots_dcl<-dcl.boot(parameters,Ntriangle=Ntriangle)
ibnr_dcl<-boots_dcl$summ.ibnr
ibnr_dcl
155
rbns_dcl<-boots_dcl$summ.rbns
rbns_dcl
156
total_dcl<-boots_dcl$summ.total
total_dcl
157
Plot.cashflow(boots_dcl)
Resultados.
La estimacin puntual de las provisiones tcnicas IBNR ofrece un
resultado de 27.804.645,13 u.m., con un error tpico de
12.597.958,04 u.m. La estimacin puntual de la provisin
tcnica RBNS es de 163.615.846,85 u.m., con un error tpico de
36.616.127,91 u.m. La estimacin puntual de la provisin
tcnica total (IBNR+RBNS) es de 191.420.491,98 u.m., con un
error tpico de 46.416.165,63 u.m.
158
Ejemplo 2.
Datos.
En este caso, se emplean los datos de ejemplo Prior, incluidos
en la librera DCL. Se trata de datos correspondientes al nmero
de siniestros (NtrianglePrior), nmero de pagos de siniestros
(NpaidPrior) y cantidades monetarias de pagos de siniestros
(XtrianglePrior) de seguros de no vida. Esto datos tienen la
particularidad de que contienen informacin a priori, basada en
la experiencia y el conocimiento especializado del empresario
asegurador acerca de aspectos como los niveles esperados de
inflacin y la proporcin de zero-claims (reclamaciones de
siniestros que son recurridas y que finalmente no son pagadas
por el asegurador); informacin til para realizar estimaciones
ms adecuadas del importe de las provisiones tcnicas de
seguros.
library(DCL)
data(NtrianglePrior)
data(NpaidPrior)
data(XtrianglePrior)
Ntriangle_prior<-NtrianglePrior
Ntriangle_prior
159
Plot.triangle(Ntriangle_prior)
Npaid_prior<-NpaidPrior
Npaid_prior
160
Plot.triangle(Npaid_prior)
Xtriangle_prior<-XtrianglePrior
Xtriangle_prior
161
Plot.triangle(Xtriangle_prior)
162
informacin
sobre
la
163
Cdigo en R Project.
priors<-extract.prior(XtrianglePrior,NpaidPrior,NtrianglePrior)
priors
y la funcin dcl.boot.prior{DCL}.
dcl.boot.prior( Xtriangle , Ntriangle , sigma2 , mu , inflat.i , inflat.j , Qi , Model = 2 , adj = 1 ,
boot.type = 2, B = 999 , Tail = TRUE , summ.by = "diag", Tables = TRUE, num.dec = 2 , n.cal =
NA ,Fj.X = NA , Fj.N = NA )
164
165
Plot.cashflow(prior_boots)
166
boots<-dcl.boot.prior(Ntriangle_prior,Xtriangle_prior,adj=2,Tail=FALSE,boot.type=1)
167
Plot.cashflow(boots)
168
Resultados.
La estimacin puntual de las provisiones tcnicas IBNR con
informacin a priori ofrece un resultado de 254.503,70 u.m., con
un error tpico de 140.905,30 u.m.; mientras que sin informacin
a priori, el importe de IBNR es de 13.841,56 u.m., con un error
tpico de 4.713,07 u.m.
La estimacin puntual de la provisin tcnica RBNS con
informacin a priori es de 56.224,70 u.m., con un error tpico de
42.650,09 u.m.; mientras que sin informacin a priori, el importe
de RBNS es de 5.470,58 u.m., con un error tpico de 2.876,13
u.m.
La estimacin puntual de la provisin tcnica total (IBNR+RBNS)
con informacin a priori es de 310.728,40 u.m., con un error
tpico de 147.801,51 u.m.; mientras que sin informacin a priori,
el importe total es de 19.312,14 u.m., con un error tpico de
5.417,27 u.m.
Las estimaciones con informacin a priori proporcionan importes
ms elevados de provisiones tcnicas que sin informacin a
priori. El contar con informacin adicional hace que las
estimaciones a priori sean ms fidedignas con la realidad y
169
Conclusiones.
Como se sealaba en la Introduccin, con este trabajo se ha
pretendido elaborar un documento que sirviese de gua de los
principales mtodos de estimacin de las provisiones tcnicas o
reservas de seguros de no vida, segn el marco jurdico europeo
de Solvencia II.
Los mtodos analizados se han clasificado bsicamente en
mtodos clsicos y estocsticos.
Los mtodos clsicos han ofrecido, en los ejemplos practicados,
resultados similares en el caso de Chain Ladder y Grossing Up; y
dispares en el mtodo Link Ratio, segn el criterio dentro del
mismo que se considerase. No obstante, el principal
inconveniente de estas tcnicas lo encontramos en que las
estimaciones no van acompaadas de sus correspondientes
errores tpicos, lo cual, dificulta la comparativa y eleccin
estadstica del mtodo ms adecuado para estimar las reservas
de seguros.
170
171
Bibliografa.
[1] ALBARN, I. y ALONSO P. (2010). Mtodos estocsticos de
estimacin de las provisiones tcnicas en el marco de Solvencia
II. Fundacin MAPFRE.
[2] LVAREZ, J.A. y COLL, V. (2012). Estimacin de reservas en
una compaa aseguradora. Una aplicacin en Excel del mtodo
Chain-Ladder y Bootstrap. Revista de Mtodos Cuantitativos
para la Economa y la Empresa, 14, 124-136.
[3] ARIZA, F. (2013). Incidencia de los riesgos tcnicos en la
solvencia de las compaas de seguros de vida (concrecin en el
172
[15] PULIDO, A., PREZ, J., DONES, M., MORAL, J et al. (2014).
Informe de prediccin de la actividad aseguradora en Espaa.
Fundacin MAPFRE.
[16] QUARG, G. y MACK, T. (2004). Munich Chain Ladder: a
reserving method that reduces the gap between IBNR
projections based on paid losses and IBNR projections bases on
incurred losses. Bltter der Deutschen Gesellschaft fr
Versicherungs-und Finanz-mathematik, 26, 4, 597-630.
[17] RAMOS, V. (2013). Reserve risk- An application to ORSA.
Final work of Master of Science in Actuarial Science.
[18] SOL, F. (2013). El proyecto Solvencia II: marco
conceptual, normativo e institucional. IE Law School. AJ8-198.
174