You are on page 1of 136

Instituto de Ciencias del Seguro

Avaliao das Provises de


Sinistro sob o Enfoque das Novas
Regras de Solvncia do Brasil
Helio dos Santos Migon
William Moreira Lima Neto

FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

FUNDACO MAPFRE no se faz responsvel do contedo desta obra,


nem o fato de public-la implica conformidade ou indentificaco com a opinio
do autor ou autores.
proibida a reproduco total ou parcial desta obra sem a autorizao expressa
do autor ou do editor.
2010, FUNDACIN MAPFRE
Paseo de Recoletos 23
28004 Madrid (Espaa)
www.fundacionmapfre.com/cienciasdelseguro
publicaciones.ics@mapfre.com
ISBN: 978-84-9844-192-5
Depsito Legal: 6(
Printed by Publidisa

FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

APRESENTAO

Desde 1992 a FUNDAO MAPFRE realiza anualmente uma seleo para conceder bolsas de pesquisa destinadas a promover estudos monogrficos em matria de Risco e Seguro, incluindo reas temticas relacionadas especificamente
com o seguro ibero-americano.
O objetivo prover apoio econmico para a realizao de trabalhos de pesquisa
nas reas antes mencionadas, dirigido a universitrios titulados e profissionais do
mundo do seguro, de qualquer nacionalidade, que desejam desenvolver programas de pesquisa.
Para a realizao deste trabalho, a FUNDAO MAPFRE concedeu seus autores uma Bolsa de Pesquisa Risco e Seguro em 2007.

FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Helio dos Santos Migon


Graduou-se em Estatstica pela Escola Nacional de Cincias Estatsticas (1970),
obteve o mestrado em Estatstica pela Universidade de So Paulo (1974) e doutorado em Estatstica pela University Of Warwick (1984). Atualmente professor
titular da Universidade Federal do Rio de Janeiro. Bolsista de pesquisa do CNPq
desde 1989. Orienta alunos de iniciao cientfica, mestrado e doutorado. Publicou
artigos em vrios peridicos de Estatstica como Journal of the American Statistical
Association, Journal of the Royal Statistical Society (Series B and D), Biometrika,
Computational Statistics and Data Analysis e outros. Autor do livro Statistical Inference: an Integrated Approach (com Dani Gamerman), publicado pela Arnold em
1999, alm de livros nacionais. Editor associado dos peridicos Applied Stochastic
Models in Business and Industry, Brazilian Journal of Probability and Statistics,
Revista Brasileira de Estatstica e Revista de Pesquisa Operacional. Ex-presidente
da ABE-Associao Brasileira de Estadstica e ex-membro do Comite Assessor da
rea de Matemtica do CNPq. Possui experincia na rea de Probabilidade e Estatstica, com nfase em Probabilidade e Estatstica Aplicadas, atuando principalmente nos seguintes temas: Inferncia Bayesiana, Modelos Dinmicos e Previses Bayesianas, Amostragem de Populaes Finitas, Econometria Aplicada a
Finanas e Atuaria.

William Moreira Lima Neto


Graduou-se em Aturia pela Universidade Federal do Rio de Janeiro (1997), obteve o mestrado em Engenharia de Produo pelo Programa de Engenharia de Produo da Coppe UFRJ (2004) e doutorando de Engenharia de Produo da
Coppe UFRJ. Participou como um dos representantes da Agncia Nacional de
Sade Suplementar (ANS) na Cmara Tcnica para a determinao das garantias
financeiras do mercado de sade suplementar, foi coordenador da Gerncia Tcnica de Risco de Subscrio da Superintendncia de Seguros Privados (SUSEP)
onde participou ativamente da elaborao do modelo de capital baseado nos riscos de subscrio. Publicou artigos sobre este tema no Second Brazilian Conference on Statistical Modelling in Insurance and Finance, 2005 e na Revista Cadernos de Seguros. Atualmente trabalha na Gerncia de Estatstica da SUSEP.

FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Para Mirna (Hlio)

Para Norma, Gabriel e Luza (William)

FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


SUMARIO

PREFACIO
...........................................................................................

BRASILEIRA .........................
CAPITULO 1. HISTORICO
DA REGULAC
AO

........................................................................................
1. Introducao

2. Marco Regulatorio
.............................................................................

Tecnicas

3. Regras de Provisoes
.............................................................

4. Capital Mnimo e Margem de Solvencia


.................................................

5. Novo Modelo Brasileiro de Solvencia


....................................................

DAS PROVISOES
CAPITULO 2. PROPOSTA DE AVALIAC
AO
DE SINISTRO

15

........................................................................................ 15
1. Introducao
do Valor de Mercado das Provisoes
de Sinistros . 16
2. Metodologia de Avaliacao

DAS PROVISOES
CAPITULO 3. MODELOS DE AVALIAC
AO
...................... 21
........................................................................................ 21
1. Introducao
2. Modelos para o Desenvolvimento dos Sinistros ......................................
2.1. Modelo do Montante de Sinistros ...................................................
2.2. Modelo Bivariado: Montante e Numero
de Sinistros ..........................

2.3. Modelo do Montante de Sinistros com Estrutura Dinamica


.................

2.4. Modelo Dinamico


(ocorrencia)
Bivariado: Montante e Frequencia
de
Sinistros .....................................................................................

2.5. Modelo Dinamico


(desenvolvimento) para o Montante de Sinistro .......

2.6. Modelo Dinamico


(desenvolvimento) Bivariado: Montante e Frequencia
de Sinistros ...............................................................................

2.7. Modelo Dinamico


(no desenvolvimento) Hierarquico
Generalizado do
Montante de Sinistros ..................................................................

22
24
24
25
26
26
27
27

FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Hierarquicos
Generalizados, no Desenvolvimento,
2.8. Modelos Dinamicos

Bivariado: Montante e Frequencia


de Sinistros ................................ 28
3. Modelo da Estrutura a Termo de Taxa de Juros ...................................... 29

CAPITULO 4. ANALISE
DOS RESULTADOS ............................................. 33
........................................................................................ 33
1. Introducao
do Desenvolvimento dos Pagamentos dos Sinistros Ocorridos .... 34
2. Avaliacao
da Estrutura a Termo da Taxa de Juros
3. Avaliacao

.................................. 36

da Estimativa Corrente e da Margem de Risco ......................... 38


4. Avaliacao
........................................................................................ 39
5. Conclusao

6. Tabelas e Graficos

............................................................................ 41

APENDICE
A. INFERENCIA
BAYESIANA ................................................. 55

DA ESTRUAPENDICE
B. INFERENCIA
NO MODELO PARA AVALIAC
AO
TURA A TERMO DA TAXA DE JUROS (ETTJ) ...................................... 61
........................................................................................ 61
1. Introducao
2. Amostrador de Gibbs .......................................................................... 63
3. Condicionais Completas ..................................................................... 63

3.1. Media
Incondicional dos Estados - .............................................. 64
2

3.2. Variancia
dos Erros Observacionais - j,j
........................................ 64
3.3.
3.4.
3.5.
3.6.

- W 1 ..........................................
Variancia
dos Erros de Evolucao
dos Estados - ..............................................
Matriz de Evolucao
de Lambda - ...........................................................
Distribuicao
Conjunta dos Estados - 1:T ........................................
Distribuicao

65
66
66
67

DO DESENAPENDICE
C. INFERENCIA
NOS MODELOS PARA AVALIAC
AO
PAGOS ........ 69
VOLVIMENTO DOS SINISTROS OCORRIDOS AINDA NAO
........................................................................................ 69
1. Introducao

no Desenvolvimento ..............
2. Inferencia
sobre os Modelos com Evolucao
do Bloco 1 , , 12 | D t , ............................................
2.1. Geracao
do Bloco 1 , , 12 | D t , .............................................
2.2. Geracao
dos hiperparametros

2.3. Distribuicao
t | D t e t | D t .........................

70
70
72
73

3. Programa do Winbuggs para os Modelos NtzDell1 a NtzDell4 ...................


3.1. Programa Modelo NtzDell1 ...........................................................
3.2. Programa Modelo NtzDell2 ...........................................................
3.3. Programa Modelo NtzDell3 ...........................................................
3.4. Programa Modelo NtzDell4 ...........................................................

75
75
77
78
80

FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

APENDICE
D. GRAFICOS
DO MODELO DE ESTRUTURA A TERMO .......... 83

APENDICE
E. GRAFICOS
- HISTORICO
DOS PARAMETROS
DO MODELO
DO MONTANTE DE SINISTRO ........................................................... 93

APENDICE
F. GRAFICOS
- HISTORICO
DOS PARAMETROS
DO MODELO

DO NUMERO
DE SINISTRO ............................................................... 101

DOS PARAMETROS

APENDICE
G. GRAFICOS
- AUTOCORRELAC
AO
DO
MODELO DO MONTANTE DE SINISTRO ............................................. 109

DOS PARAMETROS

APENDICE
H. GRAFICOS
- AUTOCORRELAC
AO
DO

MODELO DO NUMERO DE SINISTRO ................................................ 117

REFERENCIAS
BIBLIOGRAFICAS
.......................................................... 125

de Cuadernos de la Fundacion

Coleccion
Instituto de Ciencias del Seguro ............................................................... 129

FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


PREFACIO

Como consequ encia


das polticas regulatorias
adotadas nas ultimas
quatro deca

das, as questoes
de solvencia
no Brasil foram sendo desenvolvidas com algum
aos outros pases. Como exemplo, podemos citar a discussao

atraso em relacao
de capital baseado em riscos que so recentemente tem sido debatida no Brasil en
quanto, no mercado americano, essa ferramenta regulatoria
ja foi implementada
desde 1993.

Outra consequ encia


dessa inercia
e o fato do Brasil, como membro da International
Association Insurance Supervisor (IAIS), ter de implementar as propostas do novo

regime de solvencia
europeu, o projeto Solvencia
II, em paralelo ao processo de
abertura do mercado de seguro sem que o mercado brasileiro tenha consolidado

dos riscos.
um mecanismo de solvencia
que premie uma melhor gestao
da
A SUSEP, desde o ano de 2003, vem desenvolvendo novo modelo de regulacao

solvencia
que busca seguir os princpios firmados pela IAIS, promovendo o incentivo
dos riscos.
ao desenvolvimento de modelos internos de gestao

Essa proposta preve ainda criterio


de calculo
do capital mnimo para cada segu dos riscos assumidos pela mesma, adaptando os conceitos de
radora em funcao

margem de solvencia,
surgidos ainda na decada
de cinqu enta
na Europa, mas im
plementado no Brasil somente no final da decada
de oitenta, para uma nova realidade.

Este projeto e um primeiro passo para melhorar o regime de solvencia.


Contudo,
atinge todas as premissas do Solvencia

ainda nao
II. Um proximo
passo seria, por

das provisoes
tecnicas

exemplo, estabelecer novos criterios


de valoracao
com base
no seu valor justo.
discutindo metodologias
Esse trabalho pretende lancar uma luz sobre esta questao,

tanto do desenvolicom base na inferencia


bayesiana para estimar a distribuicao
mento dos montantes de pagamentos futuros dos sinistros ocorridos, a partir do

triangulo
de runoff, quanto da estrutura a termo da taxa de juros para estimar o valor presente estimado dos fluxos futuro de pagamentos dos sinistros ocorridos na
da provisao.

data de constituicao

1
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

CAPITULO 1

BRASILEIRA
HISTORICO DA REGULAC
AO

1. INTRODUC
AO
e possvel discutir sobre o tema de solvencia

Nao
sem avaliar as particularidades

historicas
sob as quais se desenvolveu o mercado segurador brasileiro. Seu incio

foi marcado por quase nenhuma barreira regulatoria,


passando por um processo de
devido tanto a polticas nacionalistas, quanto por questoes

incentivo a concentracao

de solvencia.
Por fim, uma fase que teve como marco a liberdade tarifaria,
a quebra
de resseguro e o novo sistema de controle de solvencia

do monopolio
baseado na
dos riscos das seguradoras.
gestao

Nos primeiros anos de atividade seguradora, ainda no seculo


XIX, praticamente
havia barreiras regulatorias

nao
no mercado segurador que seguia padroes
inter devido a grande quantidade de empresas estrangeiras que
nacionais de operacao
atuavam no Brasil.
mais concretas no sentido do estado assumir maior controle sobre a atividade
Acoes
foram feitas durante o primeiro governo de Getulio
Vargas que, sob uma ideologia
das seguradoras estrangeiras que operanacionalista, decretou a nacionalizacao
vam no Brasil, criou o Departamento Nacional de Seguros Privados (DNSP), extinto
do decreto-lei no 73/66, e o Instituto de Resseguro do Brasil (IRB),
com a publicacao
da evasao
de divisas.
que foi instrumento mais utilizado pela diminuicao
desenvolver a operacao
de seguros no pas. IniO IRB teve como principal funcao
cialmente, ele possua um papel de ressegurador monopolista e de regulador dessa

atividade. Posteriormente, foram-lhe imputadas novas atribuicoes


que permitiram
canalizar recursos financeiros para o mercado interno, mais especificamente para
de retrocessao.
A contrapartida dessas acoes
foi
as seguradoras nacionais, atraves
de um forte controle das operacoes
de seguro por esse ressegurador.
a instituicao
do decreto-lei no 73/66, nasce uma nova fase do mercado seguraCom a publicacao
que evitavam a evasao
de divisas,
dor. Apesar de manter os aspectos da regulacao
inseriu instrumentos que buscavam melhorar a solidez economico
a nova legislacao

financeira do mercado, visto que as praticas


de mercado desenvolvidas a partir da
do IRB aumentaram os riscos de uma crise sistemica.

criacao
Pode-se considerar

esse decreto como o marco regulatorio


das polticas de solvencia
no Brasil, e foi
fortemente influenciado pelo modelo que estava sendo discutido na Europa.

3
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

regulatorio

baseado no modelo bancario


que
O decreto manteve o novo padrao
tinha sido implementado dois anos antes. Nesse sentido, criou o Conselho Nacio ao
responsavel

nal de Seguros Privados(CNSP), org


pelas polticas de regulacao,

e a Superintendencia
de Seguros Privados (SUSEP) autarquia responsavel
pela
dessas polticas.
implementacao
desses dois org
ao
tambem
teve como objetivo reduzir algumas atribuicoes

A criacao

regulatorias
do IRB. Entretanto, segundo Ribeiro (2006), em termos praticos,
o IRB

continuou a funcionar como principal regulador do mercado, tendo em vista a inercia

do CNSP no cumprimento de suas funcoes


regulatorias.
Outras referencias
sobre
o papel do IRB no desenvolvimento do mercado segurador podem ser encontradas
(1997).
em Magalhaes

do Milagre Economico,

Durante a decada
de 70, em funcao
houve um crescimento

consideravel
do mercado segurador. Entretanto, na decada
seguinte, o Brasil pas

sou por uma crise economica


que culminou em um quadro inflacionario
gravssimo.
da economia, a regra de sobrevivencia

Nesse ambiente de retracao


das segu
da
radoras era captar mais negocio
para produzir ganhos financeiros em funcao
Desse modo, os resultados de subscricao
eram deixados para um segundo
inflacao.
plano, uma vez que os ganhos financeiros justificavam qualquer poltica agressiva

de comercializacao.

Com esse cenario


macroeconomico
desfavoravel,
aliado ao fato de que entre as

aos

decadas
de 70 e 80 houve, por parte dos org
reguladores, um controle rgido
no sentido de incentivar a padronizacao
das condicoes

das tarifas bem como acoes

do seguro, o final da decada


de 80 e incio da de 90 foram caracterizados por um

mercado concentrado e ineficiente do ponto de vista economico.


foram sendo implementadas, tais como
A medida que novas polticas de regulacao
das tarifas, regulamentacao
da margem de solvencia

liberacao
e melhoria nos pro era esperado que o mercado segurador brasileiro tivesse
cedimentos de provisao,
mais eficazes.
resultados operacionais melhores resultantes de polticas subscricao
do novo merContudo, uma melhora significativa ainda dependeria da configuracao
a quebra do monopolio,

que serao
implementacado de resseguro, apos
das acoes
aos
reguladores e pela iniciativa das empresas em desenvolver ferradas pelos org
dos riscos.
mentas modernas de gestao

serao
apresentados aspectos gerais definidos a partir do decreNa proxima
secao,
seguintes terao
como temas as regras de provisao,

to-lei no 73/66. As duas secoes

com a nova proposta


de capital mnimo e de margem de solvencia
que coexistirao
desse captulo.
de capital baseado nos riscos que sera o objeto da ultima
secao

4
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


2. MARCO REGULATORIO

A partir do decreto-lei n 73/66 dcl (1966), foi institudo o marco regulatorio


do mercado de seguros brasileiro. O inciso V, art. 5 deste decreto, determina como
da liquidez e da
um dos objetivos da poltica de seguros privados a preservacao

solvencia
das sociedades seguradoras. Sendo assim, foram criados o Conselho

Nacional de Seguros Privados (CNSP), com competencia


para delimitar as regras

de solvencia
das sociedades seguradoras e a Superintendencia
de Seguros Priva
dos (SUSEP), com competencia
para executar as polticas tracadas.

Para garantir todas as suas operacoes,


ficou determinado que as sociedades segu

radoras deveriam constituir reservas tecnicas,


fundos especiais, provisoes,
de con
de reservas e fundos determinaformidade com os criterios
fixados pelo CNSP, alem

dos em leis especiais. Outrossim, ficou como competencia


do CNSP a delimitacao
do capital das seguradoras.

do capital mnimo e de constiInicialmente, fixaram-se os criterios


para definicao
das reservas tecnicas

tuicao
e, somente no fim da decada
de oitenta e incio da

de noventa, regulamentou-se o criterio


de margem de solvencia
que esta em vigor
` novas regras de capital baseado em risco.
atualmente em paralelo as

3. REGRAS DE PROVISOES
TECNICAS
das provisoes

da
A regulamentacao
tecnicas
teve seu marco com a publicacao
CNSP (1968). Nesse instrumento, estavam previstas a constituicao
de
resolucao

ramos elementares ou vida.


reservas tecnicas
de acordo com o tipo de operacao:
As seguradoras que operavam ramos elementares deveriam constituir as seguintes
reservas:
expirados, para cobrir os riscos dos contratos em vigor;
1) riscos nao
por sinistros
2) sinistros a liquidar, para garantia dos pagamentos de indenizacoes
liquidados;
ja ocorridos e ainda nao
de ttulos, para cobrir a desvalorizacao
dos ttulos; e
3) oscilacao
para responder subsidiariamente pelas responsabilida4) garantia de retrocessao,
do IRB.
des decorrentes das retrocessoes
das reservas
As seguradoras que operavam o ramo vida deveriam constituir, alem
mencionadas, as seguintes:

1) matematica,
para cobrir o risco dos contratos de seguro de vida individual em
vigor;

2) seguros vencidos, para garantir o pagamento de importancias


devidas em con
sequ encia
de vencimentos de contratos de seguro;e

3) de contingencia
para suprir deficiencias
nas reservas de seguros vencidos.
5
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

so reforcar a existencia

seguinte, CNSP (1971), buscou nao


de alguA Resolucao

mas das reservas e definir mais claramente criterios


operacionais para constituicao
revogar a constituicao
de algumas como, por exemplo, a
das mesmas, mas tambem

reserva de contingencia.
do conceito de reservas comprometidas
Outra importante mudanca foi a criacao
comprometidas. Essa alteracao
criou dois grupos de reservas com carace nao
comtersticas distintas, mas que se complementavam: enquanto as reservas nao

prometidas foram definidas para cobrir riscos de eventos aleatorios


futuros, as comprometidas eram destinadas ao atendimento de eventos ja ocorridos.
que tiveram como obPosteriormente, foram publicadas diversas outras Resolucoes
CNSP (1971). Em geral, as alteracoes
ou atualizavam a
jetivo ajustar a Resolucao
das provisoes
em virtude de alguma peculiaridade operacional
forma de constituicao

da epoca
ou criavam algum criterio
de provisionamento para algum tipo de ramo.
CNSP
Um importante normativo publicado durante esse perodo foi a Resolucao
de prever atualizacao
monetaria

de riscos nao
expi(1987), que , alem
da provisao
rados para alguns ramos de seguros, tem um importante papel ate hoje, pois ins

da provisao
de riscos nao
expirados para
tituiu o criterio
pro-rata
para constituicao

os ramos cuja periodicidade de pagamento de premio


era superior a mensal, bem

como, para os ramos com pagamento mensal de premio


(vida em grupo, trans
porte, acidente pessoal, despesas medico-hospitalares),
definiu a obrigatoriedade

de constituir cinquenta
por cento dos premios
do mes.

Um fato curioso sobre tais criterios


e a existencia
de um fator de desconto do ca
rregamento que era considerado no calculo.
Com isso foi mantido o conceito de

eram calculadas com


garantir eventos aleatorios
futuros uma vez que as provisoes

da
base no premio
puro. Contudo, tal peculiaridade durou somente ate a publicacao
CNSP (1988), que extinguiu esse fator da conta.
Resolucao

Uma das mudancas mais relevantes para o tema da solvencia


foi a obrigatorie da provisao
de sinistros ocorridos e nao
avisados, mais conhedade de constituicao
da Resolucao
CNSP
cida como incurred but not reported (IBNR) com a publicacao
(1998). O normativo ainda determinou que o montante deveria ser estabelecido por

criterio
definido pela seguradora, previsto em nota tecnica
atuarial, e que deveria
ser constitudo em ate dois anos, com cinquenta
por cento constitudo no final do

exerccio de 1999 e o valor total no final do exerccio de 2000.


quase trinta anos da publicacao
da Resolucao
CNSP (1971), o CNSP revogou
Apos
a partacitamente os demais atos normativos que tratavam sobre regras de provisao
da Resolucao
CNSP (2000). Pode-se considerar essa Resolucao

tir da publicacao
das provisoes,

como um marco da constituicao


pois todos os atos regulatorios
sobre
esse tema existentes ate a presente data seguiram a sua estrutura.

6
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

dentre outras coisas, criou a obrigatoriedade de constituir as proEssa Resolucao,

ganhos (PPNG), antiga provisao


de riscos nao-expirados

visoes
de premios
nao

para ramos elementares, pro rata die do premio


comercial retido, assim como a de

da PPNG. Esta ultima


insuficiencia
de premios
(PIP) como complementacao
deveria

ser estimada com base em metodologia especfica que deveria ser aprovada pela
SUSEP.
CNSP (2000) foi revogada pela CNSP (2001) que inovou com a preA Resolucao
de constituicao
da provisao
de sinistros a liquidar (PSL) por meio de nota
visao

tecnica
atuarial. Na falta desta, seu valor deveria corresponder na data de sua
a` quantia total das indenizacoes
a pagar por sinistros avisados, deduzida
avaliacao
de resseguros e cosseguros cedidos, tomando-se
a parcela relativa a` recuperacao
por base:
1) o valor acordado entre o Segurado e a Seguradora;
2) o valor reclamado pelo Segurado, quando aceito pela Seguradora;
tenha o Segurado indicado a
3) o valor estimado pela Seguradora, quando nao
do sinistro;
avaliacao

4) o valor igual a` metade da soma da importancia


reclamada pelo Segurado e da

limitado a` imoferecida pela Seguradora, no caso de divergencia


de avaliacao,

portancia
segurada do risco coberto no sinistro;
5) o valor resultante de sentenca transitada em julgado; e

6) o valor maximo
de responsabilidade por vtima ou por evento e por tipo de dano,

nos seguros obrigatorios


de responsabilidade civil.
da Resolucao
CNSP (2002), surgiram algumas situacoes
imporCom a publicacao

tantes para que se entenda melhor o status-quo das provisoes:


de um montante a ser adicionado a PPNG relati1) obrigatoriedade de estimacao
emitidos; e
vos aos riscos vigentes e ainda nao
de metodologias proprias

2) estmulo a criacao
de calculo
das provisoes.
citada dizia respeito as
` emissoes
em atraso, ou melhor, apolices

A primeira situacao

Na maioria dos
emitidas com data de vigencia
retroagida por pelo menos um mes.
ocorriam devido ao atraso na negociacao
do resseguro que,
casos, essas situacoes

Como a
ao ser concretizada, mantinha a vigencia
a partir do incio da negociacao.
PPNG era calculada com base no incio e fim do risco, a retroatividade tornava a pro em um determinado mes
subestimada. Nesse sentido, o regulador entendeu
visao
que esse total remontaria uma melhor estimativa da PPNG.
previa que o valor a ser constitudo da priovisao
seria determinado
A outra alteracao
fosse encaminhada uma nota tecnica

pela SUSEP sempre que nao


atuarial. No

caso da PIP, ficou abolida a formula


padronizada bem como se determinou que essa

7
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


deveria ser estimada com base em metodos
prospectivos. O regulador
provisao
de metodologias proprias

da
teve por objetivo incentivar a utilizacao
de avaliacao

provisao.
CNSP (2004) inseriu alguns conceitos interessantes que ja estariam
A Resolucao

um pouco mais alinhados ao novo modelo de solvencia


europeu. A PPNG e a PIP,
por exemplo, sofisticaram seu conceito, uma vez que passaram a ser definidas como
para cobertura dos sinistros a ocorrer. Apesar de ainda conter resqucios
provisoes

da primeira, entendemos que


simplistas na formula
que determina a constituicao
de um modelo de solvencia

essa mudanca e um passo importante para a criacao


mais moderno.
que esta em vigor atualmente e a CNSP (2006e), alterada pela CNSP
A Resolucao
complementar de premio

(2007b) que inseriu o conceito da provisao


(PCP). Essa
procura corrigir uma distorcao
no calculo

provisao
da PPNG. No caso de segu

ros com vigencia


mensal, a metodologia de calculo
pro rata die, em alguns casos,

corrige essa
poderia levar a inexistencia
de PPNG. Neste sentido, essa provisao
considerando a diferenca positiva entre a media

distorcao,
do valor diario
da PPNG
e o valor efetivamente constitudo da mesma.

Consideramos louvavel
a tentativa do regulador em romper com paradigmas ultra
passados e inserir conceitos novos e mais voltados ao panorama das discussoes

mundiais de solvencia.
Contudo, para comecarmos a discutir criterios
de provisiona a mercado das provisoes
com margem
mento baseados em conceitos de valoracao

de risco baseada no criterio


do custo de oportunidade, ainda ha um caminho muito
longo a seguir. Espera-se que com esse trabalho haja a possibilidade de acrescen
tar um catalizador nessas discussoes,
uma vez que se busca um enfoque bastante
novo sobre esse assunto.

4. CAPITAL MINIMO E MARGEM DE SOLVENCIA


O capital mnimo representa uma quantia que a sociedade seguradora deve inte
gralizar para poder operar. Ja o conceito de margem de solvencia
data do incio

de seguros da
da decada
de 70 e foi introduzido pelas autoridades de regulacao

Europa. A margem de solvencia


representa um capital extra que a sociedade se com o objetivo de se resguardar contra
guradora devera manter como um colchao
eventos imprevistos que sejam superiores a suas perdas esperadas.
No Brasil, o capital mnimo exigido para uma seguradora possui uma parte fixa, que
da empresa por operar em ramos elementares, capitalizacao,

depende de opcao

em que a seguradora
vida e previdencia,
e outra variavel,
que depende das regioes
CNSP (2007a), a
queira operar. No caso das seguradoras, a partir da Resolucao
de capital mnimo passou a ser capital base, devendo ser integralizado
denominacao

8
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


Regiao
1a
2a
3a
4a
5a
6a
7a
8a

Unidades da Federacao
AM,PA,AC,RR,AP,RO
PI,MA,CE
PE,RN,PB,AL
SE,BA
GO,DF,TO,MT,MS
RJ ,ES, MG
SP
PR,SC,RS

Capital Mnimo (R$)


120.000,00
120.000,00
180.000,00
180.000,00
600.000,00
2.800.000,00
8.800.000,00
1.000.000,00

Tabela 1.1. Valores de Capital Mnimo por Regiao

para a parte fixa, conforme prazos estabelecidos, o valor de


e duzentos mil reais)
R$ 1.200.000,00 (um milhao

e para a parte variavel


valores conforme tabela 1.1.

Ja a margem de solvencia
(M S) e calculada nos termos da formula:
M S = M ax(0, 20 P R, 0, 33 SR)

onde M ax(X, Y ) e o maximo


entre X e Y . P R: total da receita lquida de premios
emitidos dos ultimos
doze meses; SR: total dos sinistros retidos dos ultimos
trinta e

seis meses.
garantir que uma seguradora manter-se-a solvente, uma
Apesar deste conceito nao

relevantes para sua operacao

vez que desconsidera uma serie


de fatores que sao

como, por exemplo, ativos que compoem


a carteira de investimentos, existiram

no Brasil, sendo o principal a simplicidade.


varios
motivos para sua adocao
teve, implicitamente, o intuito de prevenir insolvencia

Este modelo tambem


de em
presas que crescessem abruptamente, ja que fixa margem de solvencia
como valor

maximo
entre percentual do sinistro retido e outro do premio.
Ou seja, caso haja
muito elevado em curto espaco de tempo, a sinistralidade
crescimento de producao
da carteira sera baixa inicialmente, acarretando um valor de margem igual ao per
centual do premio.

apresentaremos o novo modelo de solvencia

Na proxima
secao,
brasileiro que preve

quantificar o montante de capital com base nos riscos que as seguradoras estao
expostas.

5. NOVO MODELO BRASILEIRO DE SOLVENCIA

Pode-se definir o novo modelo de solvencia


brasileiro como um projeto preliminar
de risco das seguradoras. Por tras
dessa estrategia,

que incentiva melhorar a gestao

9
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

com a abertura do mercado de resseguro, a estabilidade das


houve a preocupacao
taxas de juros que vem reduzindo os ganhos financeiros e, principalmente, a baixa
da subscricao
dos riscos no Brasil.
qualidade da gestao

Procurou-se alinhar as medidas aos princpios definidos no projeto Solvencia


2, bus dos riscos. As acoes
adotadas para
cando sempre melhorar a qualidade da gestao
cronologicamente foram:
catalizar essas discussoes
sobre os procedimentos tomados pelas
1) encaminhar ao mercado de questionario
expostas. Com a tipificacao
dos
seguradoras para gerir os riscos a que estao
riscos, a SUSEP procurou disseminar o debate sobre o tema bem como tentar
de riscos implementados pelas
identificar qualitativamente qual o nvel de gestao
seguradoras;
2) divulgar o tema por meio de palestras ao mercado;

3) elaborar modelo estatstico para ser debatido com o mercado em camara


tecnica;
com requisitos mnimos para balizar as discussoes
com o
4) definir nveis de acao
mercado;
(benchmark) de capital baseado nos riscos de subscri5) elaborar modelo padrao
que discrimine as carteiras;
cao,

6) reunir-se individualmente com as seguradoras para apresentar as acoes


toma
das e os objetivos de cada topico;
e
de notas tecnicas.

7) reformular os procedimentos de elaboracao


Os primeiros passos tiveram como objetivo difundir o conceito dos riscos. Inicial
mente foram publicados os questionarios
de risco, Circular SUSEP (2004a), para

a sociedade seguradora e, posteriormente, para entidades de previdencia


Circu
lar SUSEP (2004b). Nos questionarios,
as empresas foram argudas a responder

questoes
sobre procecimentos que veem sendo tomados para controle de riscos.

As respostas deveriam ser dadas levando em conta as definicoes


dos riscos dis de riscos de subscricao
foi:
ponveis na circular em que a definicao
economica

Risco oriundo de uma situacao


adversa que contraria tanto as
de sua poltica de
expectativas da sociedade no momento da elaboracao
quanto as incertezas existentes na estimacao
das provisoes.

subscricao
As primeiras palestras serviram para direcionar o mercado sobre os objetivos dos

questionarios.
Posteriormente, houve outras palestras para divulgar o resultado das
com alguns profissionais para verificar
respostas do mercado, bem como reunioes
dos mesmos sobre os temas propostos.
mais individualmente a impressao
foi muito animador, uma vez que quase a toO resultado dessa primeira fase nao
talidade das respostas encaminhadas demonstravam um completo desinteresse ou

10
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

desconhecimento sobre o assunto. Sendo assim, essa primeira fase serviu para
do mercado em desenvolver ferramentas de gestao

ratificar a baixa predisposicao


do risco ao longo dos anos.
Passada essa fase de reconhecimento, a segunda parte do projeto foi preparar pro bem como nveis
posta mais bem definida para quantificar os riscos de subscricao,
do regulador para discussao
em camara

de acao
tecnica
com membros do mercado.
dos riscos saiu a partir de dois trabalhos elaborados
A proposta de quantificacao
por Neto (2004) e Fraga and Neto (2005). Enquanto o primeiro avaliou o risco da

reserva, o segundo preocupou-se com o risco da precificacao.


da metodologia para avaliar quantitativamente os parametros

Alem
de capital, fo

de nveis
ram apreciados em camara
tecnica
normativos especficos para definicao

de acao do regulador, parametros mnimos que deveriam constar dos planos de


e do plano corretivo.
recuperacao
dos primeiros normativos
O resultado dessa trabalho serviu de base para a definicao

que estabeleciam parametros


de capital baseado nos riscos que serviriam de base
do regulador. Nesse sentido, em final de 2006, foram publicadas
para nveis de acao
CNSP (2006a), CNSP (2006b), CNSP (2006c) e CNSP (2006d) que
as Resolucoes
dispunham sobre os seguintes temas:
CNSP (2006a) criava os nveis de acao
de regulador com base no
1) a Resolucao

patrimonio
lquido ajustado e no capital mnimo requerido, regras de transicao
do alcance das acoes,

e de definicao
nova tabela de capital mnimo para as
sociedades seguradoras;
CNSP (2006b) criava itens mnimos que deveriam conter os planos
2) a Resolucao

corretivos de solvencia;
CNSP (2006c) criava itens mnimos que deveriam conter os planos
3) a Resolucao
de solvencia;

de recuperacao
e
CNSP (2006d) procedimento de calculo

4) a Resolucao
do capital adicional.
ao parametro

Em relacao
quantitativo, foi criado o capital mnimo requerido cujo va
lor deveria ser comparado ao patrimonio
lquido ajustado que serve de base para
do regulador em relacao
a sociedade seguradora (Liquidacao,

os nveis de acao
Fiscal, solicitacao
de Planos de Recuperacao
e corretivo). O capital mnimo
Direcao
requerido representa a soma do capital base, valor que substitui a figura do capital
mnimo, e os capitais adicionais, medidas que quantificam os riscos de uma seguradora.
aos nveis de intervencao,
as seguradoras possuam, ate a publicacao

Em relacao

e direcao
fiscal. Com esse novo arcabouco
destas resolucoes,
dois: liquidacao

11
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

O
normativo, outros dois foram criados: o plano corretivo e o plano de recuperacao.
objetivo dessa iniciativa era permitir tratar algum problema pontual sem que fosse

necessario
o regulador nomear um diretor fiscal ou mesmo liquidar a empresa.
desses nveis de acao
ficou a cargo da SUSEP que solicitaria
A implementacao

com periodicidade semestral planos corretivos sempre que a insuficiencia


do pa
ao capital mnimo requerido fosse de ate trinta
trimonio
lquido ajustado em relacao

por cento. Nestas situacoes,


devera ser detectada a carteira que tiver influenciando

essa insuficiencia
e a seguradora tera que propor um plano corretivo, contendo os
CNSP (2006b).
itens mnimos exigidos pela Resolucao
sera solicitado se for identificado insuficiencia

Ja o plano de recuperacao
(I) do seu

ao capital mnimo requerido (CM R)


patrimonio
lquido ajustado (P LA) em relacao
entre 30 % (trinta por cento) e 50 % (cinquenta
por cento). Neste caso, devido ao

nvel elevado de insuficiencia,


o plano deveria prever aporte de capital, bem como

de nova nota tecnica

todo seu plano de negocio


deveria ser revisto, com a insercao

de carteira. Essa insuficiencia


seria calculada por:
I=

P LA M ax(M S, CM R)
M ax(M S, CM R)

onde, CM R = f (CB, CARS , CARM , CARC , CARO , CARL ), em que CB, capital
base, e determinado pela tabela 1, CARS e o capital adicional relativo ao risco
CARM e o capital adicional relativo ao risco de mercado,CARC o
de subscricao,

capital adicional relativo ao risco de credito,CA


RO o capital adicional relativo ao
risco de operacional e CARL o capital adicional relativo ao risco legal.
forem definidos os criterios

dos capitais CARM ,


Enquanto nao
para a avaliacao
f que determinara o CMR sera:

CARC , CARO e CARL , a funcao


CM R = CB + CARS

CNSP (2006d) definiu os criterios

Ja a Resolucao
de calculos
do capital adicional
(CARS ). Esse normativo estabeleceu uma formula

relativo aos riscos de subscricao


que procurava medir o risco de um segmento de mercado, agregando o risco
padrao
RCprem , e o risco da provisao
de sinistros,RCprov . Os anexos dessa
de precificacao,
foram alterados pela Circular SUSEP (2007).
resolucao
identifiConforme as tabelas 1 e 2 do ANEXO IV da Circular SUSEP (2007), sao
cados cinquenta
e um segmentos de mercado que a sociedade seguradora pode

entre tres
regioes

e dezessete
operar, determinados pela combinacao
de atuacao

dos fatores fprem de cada segclasses de negocio.


Sendo assim, o RCprem e funcao
mento de mercado e RCprov e calculado a partir dos fatores fprov de cada classe de

negocio.
Sendo assim, o criterio
de calculo
do CARS que e descrito a seguir.

12
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

CARS =

p
RCprem + RCprov

onde,
RCprem =

51 X
51
X
(fprem (i) P Rm (i)) fprem (j) P Rm (j)) prem (i, j)
i=1 j=1

RCprov =

17 X
17
X

(fprov (k) SRm (k)) fprov (l) SRm (l)) prov (k, l)

k=1 l=1

do segmento de mer1) fprem (i) e o fator relativo ao risco de emissao/precificac


ao
cado i, conforme ANEXO I e IV da Circular SUSEP (2007).
de sinistro da classe de negocio

2) fprov (k) e o fator relativo ao risco de provisao


k,
do ANEXO II e V da Circular SUSEP (2007).

3) P Rm (i)) e o montante de premio


retido referente a riscos ja emitidos dos ultimos

12 meses anteriores a` data base m do segmento de mercado i.


4) SRm (k) e o montante de sinistro retido dos ultimos
12 meses anteriores a` data

base m da classe de negocio


k.
entre os segmentos de mercado i e j dos riscos
5) prem (i, j) e o fator de correlacao

do ANEXO III (Tabela 1) da Circular SUSEP (2007).


de emissao/precificac
ao
entre as classes de negocio

6) prov (k, l) e o fator de correlacao


k e l dos riscos de
de sinistro do ANEXO III (Tabela 2) da Circular SUSEP (2007).
provisao
dessa resolucao
com o Solvencia

Mas qual e a vinculacao


II? Ela cria um instru de modelos internos, uma vez que possibilita
mento incentivador da elaboracao
de tabelas menos agravadas para empresas que desenvolverem seus
a utilizacao

de riscos.
proprios
modelos de gestao
de reavaliacoes
periodicas

Outro aspecto relevante e a previsao


desse modelo. Com
isso, tanto os fatores como a estrutura da norma pode ser modificada para dar maior
a tendencias

agilidade de adaptacao
identificadas em algum segmento de mercado

para conduz-lo a um otimo


operacional e, por conseguinte, relaxar para aborda
gens mais apropriadas a um mercado maduro e tecnico.
Maiores detalhes sobre a
entre o projeto brasileiro e o Solvencia

comparacao
2 podem ser encontrados em
artigo do grupo de trabalho criado pela SUSEP para estudar as novas linhas de
baseada em risco, Simoes
et al. (2007).
regulacao
foram publicadas as Resolucoes
CNSP
Como parte desse processo de reavaliacao,
(2007a) e a Circular SUSEP (2007) que tiveram o intuito de alterar algumas das
transitorias,

CNSP (2006d), bem


disposicoes
atualizar os parametros
da Resolucao
como readequar alguns segmentos de mercados.

13
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


do desenvolvimento do moNesse trabalho, ha interesse em avaliar um dos topicos
do montante de provisoes
de sinisdelo interno de uma seguradora: a determinacao

tros. No proximo
captulo, sera desenvolvida metodologia para estabelecer o valor
nos termos propostos no projeto Europeu.
justo dessas provisoes

14
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

CAPITULO 2

DAS PROVISOES
PROPOSTA DE AVALIAC
AO
DE SINISTRO

1. INTRODUC
AO

O modelo de solvencia
que vem sendo desenvolvido no ambito
do Committee of European Insurance and Occupational Pensions Supervisors (CEIOPS) esta balizado
de uma seguradora.
em mecanismos que permitem a continuidade das operacoes
em que houver problemas pontuais de solvencia,

Neste sentido, nas situacoes


em
imediata da seguradora, as autoridades regulatorias

vez de proceder a liquidacao


a oportunidade de intervir e, a partir de mecanismos de transferencia

terao
de car a continuidade das operacoes

teiras, permitirao
sem prejudicar os direitos dos segurados previstos nos contratos em vigor.
desse novo regime, estao
sendo fixados novos padroes

Para a implementacao
de

e de requesolvencia,
com estabelecimento de requisitos quantitativos de provisoes

rimento de capital sensvel aos riscos expostos pelas seguradoras, e de padroes

de ativos e passivos consistente com o


contabeis
a partir de criterios
de valoracao
mercado.

Os requisitos quantitativos, desde os primeiros trabalhos iniciados na decada


de

cinquenta no ambito
europeu, sempre serviram de gatilho para o regulador intervir

nas empresas reguladas. Contudo, tais acoes


sempre foram muito questionadas

de mercado.
principalmente por sua ineficacia
do ponto de vista de regulacao

Sendo assim, houve a necessidade de estabelecer outros nveis de intervencao,


de provisoes
e de capital que
bem como desenvolver metodologias de quantificacao

voltados para a
convergissem padroes
de solvencia
com conceitos de regulacao

da
continuidade das operacoes
da seguradora sem a necessidade de liquidacao
mesma.

Sob essa nova otica,


o conceito interventivo que sempre acompanhou as regras

de medidas que ou propoem

de solvencia
vem sendo arrefecido com a criacao
a
de desvios de rotas que poderiam levar a insolvencia,

correcao
a partir de ajustes

pontuais em alguma linha de negocio


(LB), ou de transferencia
da carteira para al
guma outra entidade. Maiores detalhes sobre como o modelo europeu de regulacao

da solvencia
tem convergido para essa abordagem pode ser encontrado em Sand (2005).
strom
das provisoes

tera um papel fundamental, deixando de


A quantificacao
tambem
unicamente de solvencia

possuir um vies
para agregar um mecanismo catalisador

15
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

de carteiras. Contudo, e necessario


desenvolver procedimentos
das transferencias
(valoracao)
das provisoes

de estimacao
que sejam consistentes com o mercado.

Deste modo, os metodos


tradicionais utilizados para estimar esses montantes, tais
sofrer algumas modificacoes.

como chain leader, deverao


Para mais detalhes sobre

das provisoes

os modelos classicos
de avaliacao
de sinistros ver Goovaerts et al.
(1990), Taylor and Ashe (1983), England and Verrall (1999), De Alba and Mendoza
(1996) e De Alba (2002).

consistente com o mercado? Na ultima


Mas o que significa um criterio
de valoracao

decada,
tem sido discutida uma grande quantidade de projetos com o intuito de

de ativos e passivos de seguradoras.


desenvolver criterios
aceitaveis
de valoracao
ideal em que os ativos
A busca contnua desses projetos diz respeito a uma situacao
negociados em um mercado lquido.
e passivos sao
que o valor justo (Fair
A International Accounting Standard Board (IASB) propos
Value) do ativo e do passivo deveria ser conforme o valor de mercado dos mesmos.
contudo
Para os ativos, geralmente, ha um mercado possibilitando uma valoracao,

as provisoes
tecnicas
de uma seguradora, que representa a maior parte do seu
normalmente consideradas nao-hedgeaveis

passivo, sao
e, portanto, deveriam ser

valoradas a partir de metodos


estatsticos e consistente com o mercado (market
consistent).

A abordagem que tem se consolidado para esse calculo


e composta por uma esti conhecida como best estimate, que quantifica o risco
mativa corrente (EC), tambem

controlado, mais uma margem de risco sobre a estimativa corrente (M R), tambem

conhecida como market value margin ou risk margin, que representa um premio
de
risco a ser cobrado por outra seguradora para que possa assumir os contratos em

vigor no caso de uma transferencia


de carteira. Uma outra maneira de abordar esse
problema e considerar que a seguradora ao receber essa carteira deve ganhar um

valor a mais, MR, referente ao custo regulatorio


de assumi-la.

Nas proximas
secoes,
sera descrita a metodologia para modelar tanto o fluxo de
conhecidos como a estrutura a termo da taxa de juros
caixa dos sinistros ainda nao

a partir de modelos estocasticos


com uma estrutura dinamica
dos parametros
com
conforme as novas tendencias

o objetivo de estimar o valor das provisoes


do projeto

europeu de solvencia.

DO VALOR DE MERCADO DAS PROVISOES


2. METODOLOGIA DE AVALIAC
AO
DE SINISTROS

so determinam nveis de acao


da SUAs novas regras de solvencia
brasileira nao
da insuficiencia

SEP nas empresas reguladas em funcao


de patrimonio lquido em
ao capital mnimo requerido, mas tambem
cria mecanismos incentivadores
relacao
de modelos internos.
para elaboracao

16
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


Esse movimento esta diretamentamente relacionado ao novo projeto de solvencia

que esta sendo implementado no ambito


europeu, uma vez que o Brasil pretende
da IAIS para acompanhamento da solvencia

seguir as recomendacoes
de uma seguradora.
Esse trabalho tem o objetivo de propor metodologia que avalie o montante de pro de sinistros a partir das premissas previstas no quarto estudo de impacto de
visoes

eusolvencia
(QIS4 - Fourth Quantitative Impact Study) elaborado pela comissao
de assuntos de seguros. Maiores detalhes sobre essas premissas podem
ropeia
ser achados em European Commission Internal Market and Services DG (2004) e
Swiss Federal Office of Private Insurance (2008).
de sinistros (P S) sera considerado como:
Sendo assim, o montante de provisoes
P S = E(V P ) + M R

onde: E(V P ) e a EC das provisoes


de sinistro e representa o valor presente esperado de todos os potenciais fluxos de caixas futuros dos sinistros ocorridos ate
e M R e a margem de risco das provisoes

a data de sua constituicao


de sinistros
e sera estimada com base na abordagem do custo de capital que descreveremos
mais adiante.
de V P , cujo valor esPrimeiramente sera apresentado como estimar a distribuicao

perado representa o EC. O diagrama de influencia


da Figura 2.1 ilustra como mode do V P . Os eventos incertos sao
representados por crculos
laremos a distribuicao

e as consequ encias
por retangulos
com bordas abauladas.

Para formalizar o que esta indicado no diagrama, considere Yt, uma variavel
alea

toria
nao-negativa
que representa o montante de sinistros ocorridos no perodo t,
t = 1, , r e pagos perodos subsequentes,
= 1, , r, com o objetivo de

de contratos de seguro de responsabilidade civil de


indenizar terceiros na execucao

veculos automotores. Entao:


2r
X

VP =

k=r+2

S(k)
tx(r, k r)

(2.1)

onde,
S(k) =

X
k=t+

yt, =

r
X

yt,kt , k = r + 2 2r

(2.2)

t=kr

Cada fluxo, S(k), representa o montante de sinistros pagos k perodos subsequen


tes onde k = r + 2, ..., 2r.

17
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


Figura 2.1. Diagrama de Influencia

Perodo de

Ocorrencia

Perodo de Desenvolvimento
1
2
... r 1
r

1
2
..
.

Y11
Y21
..
.

Y12
Y22
..
.

r1
r

Yr1,1
Yr,1

Yr1,2

...
...

Y1,r1
Y2,r1

Y1,r

de Run-Off
Figura 2.2. Triangulo

baseados
Como alguns dos modelos investigados do montante de sinistros serao
utilizar informacoes
relativas ao
no valor do sinistro por pagamento, sera necessario
numero
de pagamentos ocorridos no perodo t e efetuados em perodos (Nt, ).

dos valores previstos, os dados relativos aos sinistros, Yt, e Nt, ,


Para estimacao
dispostos por perodo de ocorrencia,

estarao
t, e pelo tempo de desenvolvimento
tambem
e condos pagamentos, , conforme tabela da Figura 2.2. Esta disposicao

quantidades nao

hecida como triangulo


run-off. Os Yt, , tal que + t > r + 1 sao

observaveis.
de V P , alem
de Yt, , sera necessario

da
Para a distribuicao
avaliar a distribuicao
estrutura a termo de taxas de juros no perodo r, (r, ), para as maturidades .
das provisoes
de sinistros consiste em
A segunda parte do processo de avaliacao
calcular a M R com base na metodologia do custo de capital. De acordo com essa
abordagem, a M R deve ser calculada como sendo um valor descontado dos custos

futuros para manter um capital regulatorio


para gerenciar a carteira. Caso essa

carteira seja transferida para outra seguradora, a margem de risco devera tambem
ser transferida. Nesse estudo, a carteira estara em run-off, ou seja, nenhum novo
contrato sera emitido.

18
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


da M R com base nos valores dos S(k) sera da seguinte
Sendo assim, o calculo
forma:
2r
X
CC T V aR(S(k), p)
MR =
E[tx(r, k r)]
k=r+2

onde,
T V aR(X, p) =

1
1p

V aR[X; ]d, 0 < p < 1


p

1
(p)
V aR[X; p] = FX

CC: e o custo do capital que utilizaremos 6% conforme previsto em European Commission Internal Market and Services DG (2004) e Swiss Federal Office of Private
Insurance (2008).

sera estudar os modelos de avaliacao


tanto do monA estrategia
dessa investigacao

tante de sinistros quanto da estrutura a termo da taxa de juros usando inferencia


escolbayesiana. Os modelos utilizados para avaliar o montante de sinistros serao
propostas sobre a abordagem de Ntzoufras and Dellaportas
hidos dentre variacoes

(2002) e em metodologias baseadas em modelos dinamicos


hierarquicos
Gamerman and Migon (1993). Ja o modelo para avaliar a estrutura a termo da taxa de
juros sera baseado em estruturas propostas por Nelson and Siegel (1987) e Diebold

and Li (2006). Maiores detalhes sobre metodos


bayesianos de inferencia
podem ser
encontrados em Gamerman and Lopes (2006) e Migon and Gamerman (1993).

19
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

CAPITULO 3

DAS PROVISOES
MODELOS DE AVALIAC
AO

1. INTRODUC
AO

No captulo 1, ficou definido que, dentro do marco regulatorio,


as seguradoras deve tecnicas

riam constituir provisoes


para garantir o cumprimento de suas obrigacoes
que a SUSEP vem implementando novo
para com os segurados. Foi visto tambem

arcabouco regulatorio
que incentiva as seguradoras desenvolver seus proprios
mo
delos internos para gerir os riscos envolvidos na operacao, nos moldes propostos

pelo novo regime de solvencia


europeu.
sendo discutidos na Europa, a definicao

Dentre os novos procedimentos que vem


tem causado grande polemica,

do valor justo das provisoes


tendo em vista que os
projetos propostos pela International Association Insurance Supervisor (IAIS) e pela
International Accounting Standard Board (IASB), inicialmente, eram incompatveis.
Enquanto a IAIS propunha uma abordagem prudencial em que a margem de risco
deveria ser baseada num percentil de 75 % (setenta e cinco porcento)
das provisoes
das perdas, a IASB desejava que as provisoes
fossem determinadas
da distribuicao
pelo seu valor justo.

O quarto questionario
sobre o estudo do impacto de solvencia
solicitado pelo Co
mite Europeu dos Supervisores de Seguros e Pensoes
(CEIOPS) reforca mais a
segunda abordagem, pois preve que as seguradoras deveriam estimar o valor justo
com base no Modelo Suico que propoe
que esse valor deve ser consdas provisoes

titudo da melhor estimativa das provisoes


(best estimate) mais uma margem de
risco baseada na na abordagem do custo de oportunidade.
Conforme ja foi enunciado no captulo 2, nossa proposta permite utilizar ambas as

abordagens, mas estamos interessados em determinar os valores das provisoes


de sinistros considerando a abordagem do custo de oportunidade. Para tanto sera
do valor presente dos fluxos de caixas futuros dos sinisestimada a distribuicao
pagos, representado por V P [S(k), tx(r, k r)], onde
tros ocorridos e ainda nao

rPe o numero
de
per

odos
de ocorrencia,
k e o perodo de pagamento e S(k) =

Pr
y
=
y
o
total
de
sinistros
pagos no perodo k.
t,
t,kt
k=t+
t=kr

serao
identificados os modelos de avaliacao
do montante de
Na proxima
secao,

dinamica

sinistros adaptando o metodo


chain leader para prever uma evolucao
nos
sera apresentado um modelo
tempos de desenvolvimento. Por fim, na ultima
secao

da estrutura a termo das taxa de juro contendo tambem


um processo
para avaliacao
temporal dos parametros.

de evolucao

21
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

2. MODELOS PARA O DESENVOLVIMENTO DOS SINISTROS


do total de sinistros pagos nos anos calendarios

A estimacao
futuros S(k), k =

r + 2 2r consiste no problema que estamos buscando solucionar nessa secao.


sendo desenvolvidas ao longo
Metodologias para estimar essas quantidades vem

insumos essencias na determinacao

dos anos por varios


atuarios,
uma vez que sao
de sinistros.
das provisoes
Durante todos esses anos, o problema de provisionamento tem sido segmentado
de sinistros.
entre algumas fontes de incerteza surgidas do processo de liquidacao
de sinistros deveria ser
Wiser et al. (2001), por exemplo, considera que a provisao
composta das seguintes fontes:
1) sinistros avisados individualmente;
2) futuros desenvolvimentos em sinistros conhecidos;
terem sido liquidados;
3) sinistros que foram reabertos apos
ainda nao
foram avisados; e
4) sinistros que ocorreram, porem
ainda nao
foram registrados.
5) sinistros que ja foram avisados, porem
de sinistros das exiOutra abordagem dada por Taylor (2000) distingue a provisao
pagos Outstanding loss liability (OLL).
gibilidades relativas aos sinistros ainda nao
Enquanto o montante destas exigibilidades representa basicamente uma estimativa
do valor esperado dos cinco elementos citados anteriormente, a reserva de sinistro
deve ser constituda com uma margem prudencial.
Em nosso trabalho, estamos focados somente em avaliar o montante de sinistros
pagos, pois a nossa abordagem esta em propor modelos para determinar o valor
a partir dos fluxos de caixa.
justo das provisoes
tambem
poderiam ser utiliContudo, como as propostas apresentadas nessa secao
suger-se-ia, para estas situacoes,

zadas como ferramenta de gestao,


que os dados
fossem tratados a partir do conceito de sinistros incorridos, que seria mais completo,
dos sinistros pagos, uma quantidade associada aos sinistros
pois abrangeria, alem
ou seja, ainda nao
teria sido definido
que ainda estariam em processo de liquidacao,
o montante que seria pago pelo evento ocorrido.
Para ilustrar essa funcionalidade, considere uma carteira cujo processo de liquida dos sinistros e muito complexo. O montante de sinistros incorridos impacta
cao

bastante o valor das provisoes,


tendo em vista que as varias
estimativas feitas pelo
regulador alteram o valor avisado periodicamente e, por conseguinte, ajustam as

estimativas de pagamentos individuais ate a liquidacao.


Nesse caso, os modelos
poderiam dar boas estimativas dos ajustes ocorridos durante
propostos nessa secao
essa fase.

22
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Os primeiros modelos tinham como objetivo estabelecer estimativas pontuais para


Deste modo, as primeiras tecnicas

a provisao.
surgidas para esse fim eram determinsticas, conhecidas como chain ladder. De um modo geral, buscavam inferir fato do incremento do montante
res de desenvolvimento que resumissem a informacao

de sinistros pagos (ou incorrido) de um perodo para outro. Como estes modelos sao

mero caso particular dos modelos estocasticos,


inspirados em tecnicas
de analise

serao
abordados neste documento.
de variancia,
nao

natural dos modelos deAssim o primeiro modelo estocastico


surge como evolucao
terminstico e foi introduzido por Verrall (1989), que descreveu a parte estrutural do
de um modelo log-linear. Isto e:

chain ladder atraves


Xt = t, + t

(3.1)

de media

onde Xt = log(Yt ), log(t ) = t + e uma funcao


e t e um erro

independentes e identicamente
estocastico.
Assumiu-se que as observacoes
sao
desses modelos de acordo com o prodistribudas e que E[t ] = 0. A estimacao
posto na literatura de modelos lineares generalizados.
um modelo mais geral que (3.1), ao considerar, alem

Kaas et al. (2004) propos


dos efeitos multiplicativos de cada linha t e coluna , efeito relativo a` diagonal k =
t + 1, ou seja, dos pagamentos de sinistros e efetuados independentemente da

independentes e
data de ocorrencia
do mesmo k . Se assumirmos que Xt sao
esta restrita a` famlia exponencial, podemos definir o modelo linear
sua distribuicao
de ligacao
pode ser dada por:
generalizado, tal que sua funcao
log(t, ) = t + + k ,
onde E[Xt ] = t, .
de ligacao
log(t, ) = t + , entao
temos
Se Xt P oisson(t, ), k 1 e funcao

o metodo
chain ladder para a frequ encia
de sinistros ocorridos em t e pagos em
perodos subsequentes.

uma abordaSob o enfoque bayesiano, Ntzoufras and Dellaportas (2002) propos

gem com uma estrutura semelhante a (3.1) com algumas variacoes,


assim como
modelou o espaco de estados em alguns desses modelos.

Nesse trabalho, os autores avaliaram a experiencia


de uma grande seguradora

grega, testando alguns modelos que controlariam o numero


de sinistros, atraves

de uma estrutura hierarquica,


bem como definir-se-ia uma estrutura dinamica
nos

parametros,
observando as caractersticas do mercado segurador grego. A pro

posta deste trabalho consiste em contrapor as hipoteses


sobre a estrutura dinamica

dos parametros,
com base no mercado segurador brasileiro e observando as caractersticas dos dados estudados.

23
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


das propostas para estimar

sera realizada a apresentacao


Nas proximas
secoes,
os quatro modelos desenvolvidos por Ntzoufras
os S(k) dentre as quais estarao

propostas sobre eles bem


and Dellaportas (2002), algumas variacoes
que serao

como modelos hierarquicos


dinamicos
para curvas de crescimento de Migon and
Gamerman (1993).
2.1. Modelo do Montante de Sinistros
O mais simples modelo apresentado em Ntzoufras and Dellaportas (2002) e do tipo
e dada
ANOVA que trabalha com os dados em escala logartmica cuja formulacao
por:
Xt
t

N (t , 2 )
= + t +

(3.2)
(3.3)

1 = 1 = 0 para sua
onde Xt = log(Yt ). Esse modelo requer a restricao

especificacao.
Alternativamente os dados observados poderiam ter sido modelados diretamente e
de ligacao
logartmica como Verrall (1989).
se utilizado a funcao
O preditor linear (3.3) e composto de um valor esperado do montante de sinistros na

escala logartmica, , ocorrido e pago dentro do primeiro perodo de ocorrencia,


um
fator i que reflete um efeito no montante de pagamentos influenciado pelo perodo

de desenvolvide ocorrencia
i e um fator que consiste de efeito relativo ao padrao
bayesiana, incluem prioris independentes para
mento. Para completar a formulacao

os parametros do modelo, , t , , , t, > 1, com as seguintes especificacoes,


informativas: N (0, 1000), t N (0, 100), N (0, 100), t, = 2, 3, , 17,
nao
= 2 Ga(0.001, 0.001).
2.2. Modelo Bivariado: Montante e Numero

de Sinistros

Num outro modelo Ntzoufras and Dellaportas (2002) ET AL incorporam a informacao

da modelagem do montante de
sobre a frequencia
de sinistros. Isto e feito atraves

de
sinsitros condicionalmente a frequencia
de sinistros e modelando esta, atraves
uma componente Poisson.

Os autores partiram da hipotese


de que a frequencia
de sinistros teria uma distribui multinomial para cada perodo de ocorrencia,

cao
dado o numero
total de sinistros

grega permite, com


deste perodo (Tt ), uma vez que especificidades da legislacao
o conhecimento a priori do total de sinistros ocorridos em cada
uma boa precisao,
perodo t.

24
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

brasileira, optou-se por modelar a freAo considerar as peculiaridades da legislacao

da Poisson, o que esta relacionado com a suposicao

quencia
de sinistros atraves
de multinomias via um argumento condicional, conforme foi sugerido pelos autores.
Sendo assim, temos:
Xt
nt

N (t , 2 )
P oi(t )

(3.4)

estrutrais sao
dadas por:
As equacoes
t

log(t ) =

+ t + + log(nt )

(3.5)

+ t +

(3.6)

de especificacao
do modelo serao
as mesmas do anterior para o monAs restricoes

tante de sinistros e mais 1 = 1 = 0 para o numero


de sinistros. A interpretacao

do componente
dos parametros
deve ser repensada ligeiramente devido a insercao
(log(nt )). O preditor linear (3.5) e composto de um valor esperado do montante de
sinistros por sinistros liquidado na escala logartmica,, ocorrido e pago dentro do

primeiro perodo de ocorrencia,


um fator t que reflete um efeito no montante de

pagamentos individuais influenciado pelo perodo de ocorrencia


t e um fator que
de desenvolvimento destes pagamentos.
consiste de efeito relativo ao padrao
estrutural do segundo nvel hierarquico

seNa equacao
(3.6), temos interpretacoes
com peculiaridades relativas as
` frequencias.
melhantes ao primeiro, porem
Ou seja,

no lugar do montante de sinistros, interpretaremos numero


de sinistros na escala

logartmica ocorridos no perodo t pagos perodos depois.


as mesmas para os parametros

As prioris serao
do primeiro nvel hierarquico.
No
caso da modelagem do numero
de sinistro, temos as seguintes prioris:

N (0, 1000), t N (0, 100), N (0, 100), t, = 2, 3, , 17.

2.3. Modelo do Montante de Sinistros com Estrutura Dinamica


O terceiro modelo proposto por Ntzoufras and Dellaportas (2002) inclui tanto um
dos parametros

mecanismo de evolucao
nos perodos de ocorrencia
quanto um
efeito conjunto dos tempos de desenvolvimento dos pagamentos () e os perodos

de ocorrencia
(t) no preditor do montante de sinistros em escala logartimica (Xt )
(3.5).
As caractersticas descritas acima se diferenciam do primeiro modelo por sua equa estrutural que e dada por:
cao
t = + t + t

(3.7)

25
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

dos parametros
consiste em:
Ja a estrutura dinamica

t
t1

=
+
.
t,
t1,

(3.8)

de parametros

das equacoes

Tendo em vista a eliminacao


em funcao
de espaco

de estados em (3.8), necessitamos apenas inserir priori para o primeiro parametro,


1 N (0, 1 ) e N (0, ) com 1 e conhecidos, e para os erros,
N (0, 2 ) , N (0, 2 ),

e suas precisoes,
2 Ga(102 , 102 ) e 2 Ga(102 , 102 ).

2.4. Modelo Dinamico


(ocorrencia)
Bivariado: Montante e Frequencia
de Sinistros

O quarto modelo proposto por Ntzoufras and Dellaportas (2002) inclui a informacao
da numero
de pagamentos de sinistros no perodo dado que eles ocorreram no

perodo t (nt ). Portanto, analogamente


ao segundo modelo, somamos o log(nt )
ao preditor linear (3.7), resultando em uma nova estrutura:
t = + t + t + log(nt )

(3.9)

(3.8) para modelar o espaco de estados dos parametros

Sera utilizada a equacao


as mesmas definidas para o segundo e o
do montante de sinistro. As prioris sao
terceiro modelos.

2.5. Modelo Dinamico


(desenvolvimento) para o Montante de Sinistro
Dentre os quatro modelos desenvolvidos por Ntzoufras and Dellaportas (2002), dois
modelos log-normais com a incorporacao
ou nao
dos dados de quantideles sao
dade de pagamentos e os outros dois incluem modelagem para espaco de estados

dos parametros.
de evolucao
(3.8) para modelar
A primeira proposta deste estudo adapta a equacao

as curvas para cada perodo de ocorrencia


identificadas na figura - 3.1 - (a), ao
nos tempos de desenvolvimentos () em vez dos anos
considerarmos as evolucoes

de ocorrencia
(t). Deste modo, manteremos o modelo para o montante de sinistros
estrutural dada
em escala logartimica (Xt ) dado por (3.5), bem como a equacao
de evolucao
dos parametros

por (3.7), mas a equacao


(3.8) sera alterada para:

=
+
(3.10)
t,
t,1

1 = 0 and 1 = 0 , for = 1, . . . , r.
com as restricoes

26
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


(b) Frequ encia

(a) Montante

dos Desenvolvimentos dos Pagamentos


Figura 3.1. Evolucao
de Sinistros Ajustados pelo IPCA por Trimestre

2.6. Modelo Dinamico


(desenvolvimento) Bivariado: Montante e Frequencia
de Sinistros
Esse modelo possui o mesmo preditor linear (3.9) para o montante de sinistros e,
para o numero
de sinistros, estrutura similar a esta dada por:

log(t ) = + + t

(3.11)

de espaco de estados para =


Assumiremos (3.10) como a formulacao
e
t

para os parametros
e t
teremos:



1

+
(3.12)
=G

t,
t,1

1 0
de estados. Deste modo, propoe-se

e a matrix de evolucao
0 1
modelar as curvas identificadas na figura - 3.1 - (b).
onde, G =

2.7. Modelo Dinamico


(no desenvolvimento) Hierarquico
Generalizado do Montante de Sinistros

de modelos lineares dinamicos

A proxima
proposta e uma extensao
para observa na famlia exponencial introduzido por West et al. (1986) baseados em modecoes
da equacao
das observacoes,

los de Nelder and Wedderburn (1972). Alem


sera

includo um conjunto de equacoes


estruturais que reduzem progressivamente o

27
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

para nveis hierarquicos


mais elevados, com base em meespaco de parametros
todologia desenvolvida por Migon and Gamerman (1993).
das observacoes

A equacao
considera efeitos aleatorios
referentes ao perodo de

ocorrencia
e o modelo de espaco de estados para os parametros
leva em conta um
mecanismo markoviano no tempo de desenvolvimento.

Sendo assim, o modelo proposto para o montante de sinistros e um modelo hierarquico generalizado dado por:
Xt = t + et , et N (0, 2 ),

(3.13)

onde
Xt = log(Yt )
estrutural e
e a equacao
t = Ft t + v1,t , v1,t N (0, 2 ),

(3.14)

onde Ft = (1, 0)0 e = ( , )0 e o vetor de estados dos parametros.


A equacao
e aplicada para nveis hierarquicos

de evolucao
maiores definindo uma evolucao

temporal dos parametros


dada por:
= Gt ()1 + w1, , w1, N (0, 2 W ),
onde

G() =

1
0

(3.15)

Como resultado, os parametros

= ( , )0
e a matrix de evolucao.
de estado sao:

dados
para = 1, 2, ..., r. Definindo W = I2 , os vetores dos hiperparametros
sao
por = ( 2 , , , )0 .

2.8. Modelos Dinamicos


Hierarquicos
Generalizados, no Desenvolvimento, Bi
variado: Montante e Frequencia
de Sinistros
O ultimo
modelo proposto, assim como dois dos modelos de Ntzoufras and Della

portas (2002), controlara a frequ encia


de sinistros ocorridos em t e pagos em
de ligacao
(3.14) o log(nt ).
perodos ao inserir na funcao
um nvel hierarquico

de
Agregaremos tambem
ao modelo (3.13) e uma equacao

espaco de estados nos mesmos moldes de (3.15) para os parametros


do modelo

da frequ encia
de sinistros. Sendo assim, essa proposta consiste de um modelo

nveis hierarquicos

hierarquico
generalizado com tres
conforme segue:
Xt
nt

= t + et , et N (0, 2 )
P oi(t )

(3.16)
(3.17)

28
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

onde
Xt = log(Yt )
estrutural e
e a equacao
t = Ft t + log(nt ) + v1,t , v1,t N (0, 2 )

(3.18)

onde Ft = (1, 0)0 e = ( , )0 e o vetor de estados dos parametros.


A equacao
e aplicada para nveis hierarquicos

de evolucao
maiores definindo uma evolucao

temporal dos parametros


nos mesmos moldes de (3.15) para o montante de sinis

tros. Para o estagio


relativo ao modelo da frequ encia
de sinistros, teremos equacoes
semelhantes dadas por:
log(t ) = Ft + v2,t , v2,t N (0, )

+ w2, , w2, N (0, W )


= Gt ( )1

(3.19)
(3.20)

= ( , )0 e = ( , )0 para
Como resultado, os parametros
de estado sao:

= 1, 2, ..., r. Definindo W = I2 and W = I2 , os vetores dos hiperparametros


dados por = ( 2 , , , )0 e = ( , , )0 .
sao

3. MODELO DA ESTRUTURA A TERMO DE TAXA DE JUROS


do mercado de servicos financeiros, houve a necessidade de deCom a evolucao
senvolver ferramentas que permitisse precificar melhor esses produtos, bem como
gerenciar melhor a carteira dos investidores que negociavam nesse mercado.
Um dos problemas que tem sido posto para os gestores e como estabelecer uma
buscam-se
espectativa futura de taxa de juros. Para responder a essa proposicao,

metodologias teoricas
para modelar taxas futuras de juros de curto prazo, pois, a
partir destas e possvel determinar a taxa de longo prazo.
Para formalizar, considere Pt ( ) o preco na data t de um ttulo descontado perodos; rt ( ) a taxa de juros nominal composta continuamente sem pagamento de
cupom (taxa spot) na data t ate a maturidade ; e ft ( ) a taxa futura (nominal)

conceitos se relacionam mutuamente por:


instantanea
(taxa forward). Estes tres
1) Curva de desconto da taxa spot:
Pt ( ) = e rt ( )

(3.21)

2) Taxa futura (nominal) instantanea


da curva de desconto:
ft ( ) =

Pt0 ( )
Pt ( )

(3.22)

29
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

3) Taxa spot da taxa forward:


rt ( ) =

ft (u)du

(3.23)

geradas por equacao


de diferencas, entao
Nelson and
Como as taxas spots sao
que as taxas forward instantaneas

solucoes

Siegel (1987) propos


serao
de(3.23).
sugere que o modelo seria sobreparametrizado, os
Contudo, como essa solucao
para
autores propuseram um modelo mais parcimonioso, considerando que solucao
diferencial de segunda ordem possuiriam razes iguais, conforme segue:
a equacao
ft ( ) = b1t + b2t e t + b3t [ t e t ]

(3.24)

gera uma famlia de curvas de taxas forward que pode ser vista como
Esta equacao
de Leguerre, que e um polinomio

uma constante mais uma funcao


vezes um termo
de decaimento exponencial com b1t , b2t e b3t como fatores latentes.
da maturidade com razes iguais, basta resolver
Para obter a taxa spot em funcao
(3.23) com (3.24), obtendo:

1 e t
rt ( ) = b1t b2t e t + b3t
(3.25)
t
Diebold and Li (2005) reparametriza (3.25) com b1t = 1t , b2t = 2t + 3t e b3t = 3t ,
temporal para os fatores. Portanto, as novas equacoes

para prever uma evolucao


passam a ser:
ft ( ) = 1,t + 2,t exp(t ) + 3,t t exp(t )

1 exp(t )
1 exp(t )
+3,t
exp(t ) (3.26)
rt ( ) = 1,t +2,t
t
t
onde,
t controla o grau do decaimento exponencial
fatores latentes dinamicos.

i,t , i=1,2,3 sao

Portanto, para cada vertice


temos as cargas fatoriais dadas por:
L = (1,

1 exp(t ) 1 exp(t )
,
exp(t )), = 1, , r
t
t

dos parametros

A evolucao
sera dada pelo modelo vetorial auto-regressivo de ordem
1, descrito por:
t = ( t1 ) + t
30
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

onde, t = ( 1,t

2,t

3,t ) e

a11
= a21
a31

a12
a22
a32

a13
a23
a33

Sendo assim as cargas desse modelo podem ser interpretadas como:


decai a zero no limite, ou ainda, pode ser
1) Fator 1 : uma constante, 1, que nao
visto como um fator de longo prazo;

1e t

2) Para o fator 2 : uma funcao,


, que comeca em 1 e decai monotoni t
camente e rapidamente para zero, que pode ser visto como um fator de curto
prazo; e

1e t

3) Para o fator 3 : uma funcao,


e
, que comeca em zero, cresce
t
e depois decai para zero, que descareteriza um fator de curto e longo prazos, o
como um fator de medio prazo.
que nos leva a interpreta-lo
desse modelo, sera utilizada formulacao
bayesiana proposta por
Para a estimacao
Migon and Abanto-Valle (2007) a partir de um algoritmo MCMC hbrido que usa si
multaneamente o amostrador de Gibbs com passos de Metropolis.
Maiores detalhes
descritos no Apendice

sobre esse algortimo serao


B.
Com base nessa metodologia, sera estimada a curva livre de risco para valorar o
montante de sinistros a partir dos seus fluxos de pagamentos estimados por um dos
anterior. A modelagem mantem
a mesma evolucao

modelos apresentados na secao

temporal proposta por Diebold and Li (2005) nos parametros


do modelo de Nelson

and Siegel (1987) e agregaremos priores hirarquicas


para adapta-la
a abordagem
bayesiana.
atual da carteira, e suficiente estimarComo temos interesse em valorar a posicao
Entretanto, a metodologia
mos a estrutura a termo na data base dessa avaliacao.
para curvas de juros futuras o que viaque apresentaremos permite fazer previsao
futuras da carteira.
bilizaria marcar posicoes
utilizarmos toda potencialidade do modelo, e importante ressaltar
Apesar de nao
dos parametros

que o processo de aprendizado existente na estrutura de evolucao


Os detalhes dessa aplicacao
serao
dainsere na curva estimada mais informacao.
4.3.
dos na secao

31
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

CAPITULO 4

ANALISE DOS RESULTADOS

1. INTRODUC
AO
analisados os resultados dos modelos de previsao
tanto do
Neste captulo, serao
montante futuro de sinistros pagos quanto daa estrutura a termo da taxa de juros
3.2 e 3.3 do captulo 3. Tambem
sera feita
(ETTJ), que foram descritos nas secoes
do valor de mercado das provisoes

a avaliacao
com base na abordagem do custo
de capital descrita no captulo 2.

direta dos paA complexidade dos modelos utilizados torna inviavel


a estimacao

rametros.
Sendo assim, e necessario
buscar estas distribuicoes
por metodos
de

simulacao.
Neste sentido, os metodos
MCMC (Markov Chain Monte Carlo) supera estas adversidades simplesmente construindo uma cadeia de Markov cuja
de equilbrio sera dada pela distribuicao
de interesse.
distribuicao
destes metodos

Contudo, o grande problema para aplicacao


e ter certeza da con
vergencia
da cadeia, uma vez que se trata de procedimento imprescindvel para a
da amostra que servira de base para estimar a densidade marginal dos
formacao

parametros.
Existem algumas abordagens para realizar essa tarefa, contudo, para todos os mo
delos propostos, sera utilizados o metodo
proposto por Geweke et al. (1992) que

sugere que a diferenca padronizada entre as diferencas ergoticas


no comeco e no

deveriam ser grande. Sendo assim, os autores


fim do perodo de convergencia
nao
a uma N(0,1).
comprovam que essa diferenca (ZG ) converge em distribuicao
sera usado um metodo

Tambem
para verificar a convergencia
proposto por Raftery
so sugere o tamanho das amostras que devem ser geand Lewis (1992) que nao
o numero
que devem ser descartadas (burn-in) e
radas, mas tambem
de iteracoes

o numero
de iteracoes
que devem ser puladas entre os valores armazenados na

da amostra serao

cadeia (lag). Para confirmar a independencia


entre as iteracoes
na serie.

inspecionadas as autocorrelacoes
Para escolha do modelo bayesiano proposto mais ajustado aos dados de sinis adotados alguns metodos

tros, serao
de selecao:
modelo proposto por Gelfand
conhecido como EPD (Expected Predictive Deviance)
and Ghost (1998), tambem
e QQ-plot.

33
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

preditiva dos dados e em uma funcao


de perda deO EPD e baseado na distribuicao
dos dados replicados com
terminada, onde o objetivo e encontrar uma boa predicao

a mesma estrutura dos dados observados. O metodo


pode ser desenvolvido para

de perda, nesse trabalho utilizaremos a funcao


de perda quadratica.

varias
funcoes

O resultado deste metodo


e resumido na soma de dois termos, ou seja: D(m) =
G(m) + P (m) onde se pode considerar G(m) como a soma dos quadrados dos

resduos, uma tradicional media


de bondade de ajuste de um modelo, e P (m) como

entre os
a soma das variancias
preditas, um termo de penalidade. Na comparacao
modelos, iremos considerar como modelo mais ajustado o que tiver o menor valor
de D(m).

Todos os detalhes sobre as metodologia citadas, bem como referencias


sobre o

assunto podem ser achados no apendice


A.

serao
avaliados os modelos para estimar a distribuicao
dos monNa proxima
secao,
subsequente (k) a data-base de avaliacao

tantes de sinistros de cada ano-calendario


subsequente, sera feita analises

(31/12/2002). Na secao
sobre o modelo de ETTJ
proposto por Diebold and Li (2005), usando a metodologia de Migon and AbantoValle (2007) para inferir a curva de juros.
de posse do modelo que melhor se ajustou aos dados de sinisNa penultima
secao,

avaliadas a estimativa corrente da provisao

tros e da curva de juros esperada, serao


bem como a sua margem de risco, utilizando a metodologia do custo de oportunidade, conforme descrito no captulo 3.

DO DESENVOLVIMENTO DOS PAGAMENTOS DOS SINISTROS


2. AVALIAC
AO
OCORRIDOS
do montante de sinistros, foram utilizados dados dispostos com pePara estimacao
riodicidade trimestral, tanto do montante de pagamentos de sinistros quanto da sua

frequ encia
do ramo de seguros de responsabilidade civil facultativa de veculos de
uma grande seguradora ocorridos entre os anos de 2000 e 2002 e pagos ate 31 de
disponveis em Neto (2004).
dezembro de 2002. Esses dados estao
Os valores dos sinistros inicialmente foram ajustados pelo Indice Nacional de Preco
ao Consumidor Amplo (IPCA), divulgado mensalmente pelo Instituto Nacional de

Geografia Estatstica (IBGE), e, em seguida, foi montado o triangulo


de run-off trimestral conforme tabela 4.1.

Ja a tabela 4.2 apresenta a frequ encia


de pagamentos de sinistros dos eventos ocorridos entre os trimestres 01/2000 e 04/2002 e pagos com menos 1( = 1, , 12)
trimestres de atraso.

34
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

A figura 3.1 representam o padro de desenvolvimento dos sinistros em que cada

uma das linhas dos graficos


representa, respectivamente, o montante de sinistros
ocorridos em cada ocorridos entre os trimestres 01/2000 e 04/2002 e pagos com

menos um( = 1, , 12) trimestres de atraso e a frequ encia


de sinistros pagos para

cada trimestre de ocorrencia


do evento.
identificados por mnemonicos

Os modelos apresentados no captulo 3 serao


resumidos na tabela 4.3. A tabela foi elaborada respeitando a ordem dos modelos descrita
2 do captulo 3. Sendo assim, temos que o modelo NtzDell1 representa o
na secao
2.1 do captulo 3, NtzDell2 o da subsecao
2.2 do
modelo apresentado na subsecao
captulo 3 e assim por diante.
da amostra.
Na tabela 4.4, e possvel verificar os resultados dos testes de selecao
A primeira coluna da tabela apresenta o maior dos valores absolutos da diferenca

padronizada ZG , calculada pelo metodo


de geweke, entre todos os parametros
do
maximas

modelo. As demais colunas apresentam o burn-in, o lag e as iteracoes


en

tre todos os parametros


para o percentil de 2.5% sugeridos pelo metodo
de Raftery
and Lewis (1992).
Ja a tabela 4.5 da o resultado do EPD dos modelos. Donde se conclui que o modelo

que possui o menor EPD foi o NtzDellAlt4. Os graficos


que permitem as inspecoes

dos parametros

visuais das tragetorias


e as autocorrelacoes
podem ser observados

nos Apendices
E, F, G e H.
da frequencia

Com estes resultados, verifica-se que a inclusao


de pagamentos (nt )
somente melhora a medida de bondade de ajuste (G(m)), mas tambem
renao
em funcao
da variancia

duz a penalizacao
(P (m)). O resultado obtido pelo mo
possuem
delo MDHSFrq e um bom exemplo da ineficiencia
de modelos que nao

este nvel hierarquico,


uma vez que, apesar de possuir uma capacidade predi

tiva (G(m) = 9, 59) satisfatoria,


e fortemente penalizado pela elevada variancia
da
preditiva, o que acarretou no pior resultado associado dentre os modedistribuicao
los avaliados.
Outro aspecto observado diz respeito aos melhores resultados associados aos mo
delos que controlavam algum efeito do ano de ocorrencia
(t). Neste sentido, a
de alguma variavel

inclusao
associada ao trimestre de ocorrencia,
o numero
de

apolices
expostas no perodo, por exemplo, ocasionaria melhores resultados.

Sendo assim, ha indcios de que os bons resultados do modelo NtzDellAlt4 estao


so pela existencia

associados nao
do efeito associado ao numero
de pagamentos,

pelo efeito conjunto linha coluna, representado pelos fatores t e t


mas tambem
.
O qqplot dos valores preditos pelos valores observados em escala do log (figura
dos maio4.1) do modelo NtzDellAlt4 indica que um bom desempenho na previsao

35
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

res valores, que estavam associados a pagamentos efetuados com menos de nove

meses da ocorrencia
do sinistro.

A tabela 4.6 apresenta o resumo das estatsticas tanto dos parametros


relacionados

a media
geral do montante e da frequencia
de pagamentos de sinistros, respectivamente e , quanto aqueles associados ao tempo de desenvolvimento, e
.

Com estes novos resultados, ratifica-se a forte influencia


da variavel
frequencia
de
pagamentos (nt que, a princpio, parece ser pouco influenciada pelo tempo de desenvolvimento dos pagamentos ().
dos parametros

Contudo, ao observar o boxplot da distribuicao


associados aos

efeitos conjunto trimestre de ocorrencia(t)


desenvolvimento (), detecta-se uma
gradual no numero
reducao
de pagamentos a medida que t se aproxima dos ultimos

trimestres.
dos efeitos associados aos anos 2000 (2, a 4, figura
Por outro lado, com excecao
4.2 - a) ate meados de 2001 (6, figura 4.2 - b), os efeitos associados ao tempo de

desenvolvimento dos pagamentos parecem ja terem sido capturados no parametro


().
que ou essa carteira pode estar sendo afeDeste modo, chega-se a conclusao
no numero

tada por alguma diminuicao


de expostos, o que explicaria a reducao

na frequencia
de pagamentos, ou houve uma mudanca nos procedimentos de li dos sinistros que passaram a ser pagos com mais atrasos em relacao
a
quidacao

ocorrencia.
seria possvel que tenha ocorrido uma demora no processo de aviso/regisTambem
e uma caracterstica nas apolices

tro dos sinistros, contudo, isso nao


de RCFV em
muito rapidos

que os avisos sao


por parte do segurado e do terceiro principalmente.

DA ESTRUTURA A TERMO DA TAXA DE JUROS


3. AVALIAC
AO
da estrutura a termo, sera feito uso das estatsticas disponibilizadas
Para avaliacao

pela Bolsa de mercadorias & Futuros (BM&F) das operacoes


de SWAP DI x PRE

efetuadas entre 01/01/2001 a 30/12/2002 relativas aos vertices


definidos pelo Banco
temporal da estrutura a termo no
Central do Brasil. A figura 4.6 revela a evolucao
perodo utilizado.
3 do captulo 3, para estimar a curva proposta
Conforme ja foi introduzido na secao

por Nelson and Siegel (1987) com a dinamica


vista em Diebold and Li (2005) (B.1),

36
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


B.
foi utilizada a abordagem bayesiana descrita no apendice
estocastica,

Sob as amostra geradas pelo processo de simulacao


foi verificado o

resultado de convergencia
de todos os parametros
do modelo, conforme metodos
propostos por Raftery and Lewis (1992) e Geweke et al. (1992). Por fim, foi escolhido

o maior dos resultados tanto de burn-in quanto de lag dentre todos os parametros
do modelo.

para garanO parametro


foi o que necessitou de um maior numero
de iteracoes

tir a convergencia,
assim como o que possuiu o maior numero
de iteracoes
com

dependencia
entre elas.
Deste modo, foram descartadas as primeiras 120 iteracoes, bem como, para ga
a convergencia,

armazenados os
rantir a independencia
da amostra apos
serao

respectivamente o
elementos da amostra a cada 33 iteracoes.
Esses valores sao

visual da convergencia

burn-in e o lag do parametro


lambda. Uma inspecao
e da
dos elementos armazenados de cada parametro

autocorrelacao
do modelo pode
das figuras D.1 a D.8.
ser feita atraves

O proximo
passo sera descrever uma breve analise
das peculiaridades da ETTJ
da provisao.

brasileira no perodo anterior a` data de avaliacao

A figura 4.6 mostra o histograma do parametro


que controla a taxa de decaimento

exponencial e, portanto, maiores valores para acarreta um mais rapido


decaimento
na curva.
Considerando que o mercado americano trabalha com = 0.0604, que maximiza a
anos, e de se esperar que as
carga fatorial associada a curvatura em torno de tres

curvas brasileiras tenham decaimento mais rapido,


uma vez que os ttulos de longo
influenciam tanto a ETTJ como os do mercado americano.
prazo brasileiro nao

do parametro

Portanto, utilizando o valor medio


da distribuicao
(figura 4.6), obtemse uma carga fatorial que e maximizada em torno de seis meses o que confirma a
ao momento da queda do efeito de medio

expectativa brasileira em relacao


prazo
que esta fortemente relacionado com a carga fatorial do 3 .
dos fatores ao longo do tempo estao
representados na figura 4.7.
A distribuicao

as taxas de
Detectam-se varias
mudancas na espectativa de mercado em relacao

juros durante o bienio


2001-2002. Alguns episodios
que acompanham essas mu muito transparentes nos resultados dos modelos. No contexto mundial,
dancas sao

o evento do 11/09/2001 parece que se refletiu muito nas taxas instantaneas,


con
forme pode ser visto no grafico
da figura 4.8.

presidenciais
No ambito
regional, o fato mais marcante nesse perodo foi as eleicoes

37
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

de especulacoes
sobre mudancas nas polticas econoque encadeou uma serie
da expectativa
micas. Nesse contexto, o modelo apontou uma abrupta elevacao
as taxas de longo prazo, quanto fator que governa
de mercado tanto em relacao
da curva de juros (2 ). Contudo, as taxas instantaneas

inclinacao
(1 + 2 ), apesar
de dois perodos em junho e agosto de 2002 possurem anomalias, mantiveram-se
as definicoes
das
constantes ate quase a segunda quinzena de outubro, logo apos

eleicoes,
quando houve uma mudanca de patamar.

Os histogramas das amostras das variancias


dos resduos de cada um dos nove

apresentados na figura D.9 no apendice

vertices
sao
D.
dos parametros

O histograma dos componentes da matriz de evolucao


pode ser
visto na figura D.11. Com ele, e possvel concluir que os fatores possuem uma alta

persistencia
em media
na dinamica
diaria,
tendo em vista as estimativas, a1,1 =

sao
muito
0, 98, a2,2 = 0, 97 e a3,3 = 0, 91. Ja as influencias
entre os fatores nao

grandes. Contudo, e de se destacar que, em media,


o efeito do fator do dia anterior,
(2 ), a2,3 =
associado a curvatura (3 ), afeta mais o fator associado a inclinacao
0, 019, do que o de longo prazo (1 ), a1,3 = 0, 0021.

de evolucao
da estrutura a termo nos
Por fim, o grafico
4.5 apresenta o padrao
de dezembro de 2002. O grafico

ultimos
cinco dias uteis
do mes
em perspectiva de

todos os meses pode ser encontrado na figura D.13 do apendice


D.

DA ESTIMATIVA CORRENTE E DA MARGEM DE RISCO


4. AVALIAC
AO
com base no criterio

A ultima
parte deste captulo sera estimar o valor da provisao

dos Sk
consistente com o mercado descrito no captulo 2. Para tanto, a distribuicao
(2.2)) vira dos elementos armazenados da amostra do modelo NtzDellAlt4.
(equacao
sera calculada conforme segue:
Ja estrutura a termo na data de avaliacao
b

1
log(1+ r (m )/100)]
b r = e[m 12
tx

(4.1)

onde (m ) e um vetor das cargas fatoriais para maturidade as mensais m =


b = (b1,r , b2,r , b3,r )0 vetor da media

1.5, , 31.5,
dos parametros.
Deste modo,
r
estaremos considerando que os pagamentos estejam sendo feitos no meio de cada
trimestre (k).
A figura 4.9 apresenta o montante de pagamentos trimestrais de sinistros no hori
zonte de um ano. Ja o grafico
4.10 associa, para cada um destes trimestres, os
valores do custo de capital (CCm ) com os respectivos montantes de pagamentos
(S(m )).
O histograma do valor presente dos pagamentos de sinistros V P , calculado con-

38
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

forme 2.1, pode ser observado na figura 4.11 que indica ainda o valor da estimativa
de sinistro ja com a margem de
corrente (linha vermelha) e o montante de provisao
risco calculada com base em uma probabilidade crtica de 5%.

Sendo assim, calcula-se que a estimativa corrente (EC) deveria ser 10, 562 milhoes,

que, somada a margem de risco (M R) de R$1, 645 milhoes,


chega-se a P S =

sob uma
R$12, 208 milhoes,
calculada sob uma probabilidade crtica de 5%. Ja,

probabilidade crtica de 2,5%, a M R e de R$1, 943 milhoes,


totalizando uma P S =
12, 505.
Ao comparar esse resultado com o valor apresentado em Neto (2004) para o mon registrado a` epoca

tante de provisao
( R$21 milhoes),
verifica-se um valor muito

superior ao necessario.

Parte desse valor poderia ser revertido para o patrimonio


da seguradora como um
para eventos improvaveis,

conhecido com o capital de risco (CR).


colchao
tambem
fosse considerado o efeito da diversificacao,
o valor do requePor exemplo, se nao
(T V ar(V P, 5%)) e
rimento de capital deveria girar em torno de R$27, 425 milhoes
(T V ar(V P, 2.5%)).
R$32, 385 milhoes

Deste modo, considerando a P S = R$12, 208 milhoes,


seria possvel reverter aproxi ( 21 P S5% ) para capital e aportar aproximadamente
madamente R$8.79 milhoes

mais R$6.42 milhoes


para garantir o valor razovavel
de capital. O grafico
4.12 resume essas contas. A barra azul e o valor em risco total associado ao montante
de pagamentos dos sinistros ja ocorridos (V R), a barra amarela seria quanto deste
de sinistro (P S) e a barra verde e quanto
valor deve ser constituido como provisao
deve estar disponvel como capital.

Este calculo deveria levar em conta o nvel mnimo de capital regulatorio


previsto na
local. No caso do Brasil, os parametros

legislacao
para esse calculo
foram descritos
4 do captulo 1.
na secao

5. CONCLUSAO
do montante de
A proposta deste trabalho foi investigar metodologia de estimacao
que propicie ferramentas mais flexveis de regulacao
do mercado seguraprovisoes
dor.

Este tema tem sido bastante discutido tanto no ambito


de organismos internacio
nais de reguladores quanto de atuarios
e contadores. Inicialmente, havia um antagonismo nas propostas. Contudo, nos ultimos
anos, tem-se convergido para um

39
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

das provisoes
baseado na metodologia do custo do capital que
de valoracao
criterio
se entende ser consistente com o mercado.

Sendo assim, esse trabalho focou em desenvolver uma metodologia de valoracao

das provisoes
de sinistros que levasse em conta essa abordagem, possibilitando
so avaliar falhas na gestao
da carteira, mas tambem
quantificar um valor connao

sistente com o nvel de risco da mesma e permitir a transferencia


sempre que houver

uma necessidade, tanto regulatoria


quanto de realinhamento estrategico.
das distribuicoes
tanto dos sinistros quanto da estrutura a termo,
Para a estimacao

utilizou-se metodos
bayesianos que procuraram captar o processo de desenvolvi
mento dos sinistros ocorridos em cada um dos r trimestres pertencentes ao triangulo
foi utilizada uma estrutura proposta por Ntzoufras et al. (2005) para
run-off. Tambem
das curvas de juros (ETTJ).
estimar o processo de evolucao

baseadas em cadeias
Em todos os modelos, foi feito uso de tecnicas
de simulacoes
do
de markov, conhecidas como MCMCV para gerar amostras tanto da distribuicao

total de sinistros pagos em um trimestre calendario


(S(k)), como da curva de juros.

de algumas varia
Apesar dos resultados satisfatorios,
foi identificado que a inclusao
veis de controles melhorariam as estimativas. No que diz respeito ao montante de

sinistros, verificou-se a necessidade de incluir uma estrutura prevendo a evolucao

nos anos de ocorrencia.

Uma hipotese
possvel seria acrescentar um nvel hierarquico
com o numero
de ex

postos em cada trimestre de ocorrencia.


Neste caso, seria possvel projetar inclusive

novos negocios
e, por conseguinte, qual o impacto no desenvolvimento futuro.

Outra possibilidade seria incluir um efeito associado com o trimestre calendario


(k),
por exemplo,
conforme ja mencionado em Goovaerts et al. (2004) com a inclusao,

(IP CA). Deste modo,


de um nvel hierarquico
que controlasse o ndice de inflacao
os valores ja estariam em reais.
a ETTJ, a principal melhoria seria a inclusao
de variaveis

Ja em relacao
macro

economicas,
conforme proposto em Diebold et al. (2006). Uma hipotese
seria utili
zar uma estrutura mensal, mas para isso, seria necessario
estimar uma curva que

representasse melhor o mes.


Por fim, esse trabalho poderia ser agregado a um modelo interno que promovesse
entre os varios

a interacao
riscos de uma seguradora. Nesta linha, seria possvel
dos riscos a
determinar um valor de capital ja contendo os efeitos da diversificacao
expostos.
que estao

40
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


6. TABELAS E GRAFICOS
Trimestre de

Ocorrencia
2000 (I)
2000 (II)
2000 (III)
2000 (IV)
2001 (I)
2001 (II)
2001 (III)
2001 (IV)
2002 (I)
2002 (II)
2002 (III)
2002 (IV)

1
3.810
3.768
3.306
3.194
2.687
2.764
2.483
2.501
2.411
3.146
3.153
2.673

2
3.620
3.604
3.604
3.936
3.054
3.128
3.136
3.703
3.413
3.513
3.411

Trimestre de Desenvolvimento
3
4
5
6
7
8
9
7
9 17
445 122 72 76
98 72 63
4 20 28
282
410
67 28 55 44 83
8
330 137 53 40 25 54 14
8
332 108 56 41 17
97 92 23
5
341
394 135 38 25
467 145 25
312
87
214

10
16
7
10

11
2
40

12
2

Tabela 4.1. Triangulo


de run-off dos Montante de Sinistros Pagos do Ramo de
Responsabilidade Civil Facultativa de Veculos deflacionados pelo IPCA.
Data -base: 31/12/2002

Trimestre de

Ocorrencia
2000 (I)
2000 (II)
2000 (III)
2000 (IV)
2001 (I)
2001 (II)
2001 (III)
2001 (IV)
2002 (I)
2002 (II)
2002 (III)
2002 (IV)

1
3925
4086
3854
3528
3109
3512
3118
3157
3071
4041
4158
4039

2
2972
3163
3121
3488
2918
3131
3368
3806
3687
3679
3608

Trimestre de Desenvolvimento
4
5
6
7
8
9
3
212 51 24 12
7
7
7
176 61 30 27
5
7
8
261 63 27 16 15 15
6
209 67 32 24 10 15 13
8
255 70 25 26 12
257 74 44 25
4
271 80 37 20
367 93 37
254 71
182

10
9
5
8

11
3
5

12
1

Tabela 4.2. Triangulo


de run-off da Frequ encia
Pagamentos de Sinistros do Ramo de
Responsabilidade Civil Facultativa de Veculos. Data -base: 31/12/2002

41
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


Mnemonico
NtzDell1
NtzDell2
NtzDell3
NtzDell4
NtzDellAlt3
NtzDellAlt4
MDHSFrq
MDHCFrq

de Ligacao
Funcao
t = + t +
t = + t + + log(nt )
t = + t + t
log(t ) = + t +
t = + t + t + log(nt )
log(t ) = + t +
t = + t + t
t = + t + t + log(nt )
log(t ) = + t +
t = F + v1,t
v1,t N (0, 2 )
t = F + log(nt ) + v1,t
log(t ) = Ft + v2,t

Dinamica
dos Parametros

sem dinamica

sem dinamica

com dinamica
em t

sem dinamica

com dinamica
em t

sem dinamica

com dinamica
em

com dinamica
em

com dinamica
em
= G()1 + w1,
w1, N (0, 2 W )
idem a MDHSFrq

= G( )1
+ w2,

do Montante de Sinistros
Tabela 4.3. Resumo dos Modelos de Avaliacao

Modelo
NtzDell1
NtzDell2
NtzDell3
NtzDell4
NtzDellAlt3
NtzDellAlt4
MDHSFrq
MDHCFrq

Diagnostico
Geweke
M ax(ZG )
1,34
1,97
1,57
1,11
3,02
2,37
1,13
2,87

Criterio
de Selecao
Raftery and Lewis
Burn-in Lag Sample size
26
8
32760
44
13
49476
40
12
46625
32
9
34744
17
4
18013
20
5
22296
115
36
136574
136
37
106509

da Amostra
Tabela 4.4. Resumo dos Diagnosticos
para Selecao

Modelo
NtzDell1
NtzDell2
NtzDell3
NtzDell4
NtzDellAlt3
NtzDellAlt4
MDHSFrq
MDHCFrq

G(m)
53,57
34,57
48,88
30,91
12,55
3.67
9,59
10,01

EPD
P (m)
25,07
16,08
22,97
14,46
58,44
16.52
120,29
22,8

D(m)
78,64
50,65
71,86
45,36
70,99
20,19
129,89
32,9

do Modelo: Criterio

EPD
Tabela 4.5. Selecao

42
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


Parametro

+ [2]
+ [3]
+ [4]
+ [5]
+ [6]
+ [7]
+ [8]
+ [9]
+ [10]
+ [11]
+ [12]

+ [2]
+ [3]
+ [4]
+ [5]
+ [6]
+ [7]
+ [8]
+ [9]
+ [10]
+ [11]
+ [12]

Media
0.2339
0.2075
0.1044
0.0279
-0.0803
-0.1229
-0.1541
-0.194
-0.2078
-0.2209
-0.2385
-0.2615
8.2753
8.3139
8.2607
8.1727
8.0511
8.1588
8.0508
8.0609
8.0332
8.2948
8.3312
8.3044

Desvio
0.1577
0.124
0.1062
0.1058
0.1119
0.1166
0.1194
0.1257
0.1333
0.1438
0.1612
0.1949
0.0162
0.0152
0.0157
0.0161
0.018
0.0165
0.0173
0.0172
0.0177
0.0156
0.0152
0.0153

Mediana
0.2297
0.2
0.1023
0.0301
-0.0736
-0.1173
-0.1511
-0.1894
-0.2056
-0.216
-0.2364
-0.2527
8.2753
8.3137
8.2608
8.1725
8.0511
8.1588
8.0508
8.0608
8.0328
8.2952
8.3314
8.3041

Quartil 2,5%
-0.0666
-0.0211
-0.1056
-0.1872
-0.3143
-0.3683
-0.3974
-0.4535
-0.4748
-0.5078
-0.564
-0.6569
8.2435
8.2833
8.2298
8.1418
8.0155
8.1275
8.0161
8.0268
7.9992
8.2642
8.3012
8.2746

Quartil 97,5%
0.553
0.4641
0.3107
0.2364
0.1285
0.0956
0.0699
0.041
0.0501
0.0521
0.0727
0.1159
8.3068
8.3437
8.2911
8.204
8.0863
8.1906
8.0859
8.0938
8.068
8.3241
8.3607
8.3352

Tabela 4.6. Resumo Estatstico das Amostras Armazenadas

dos Parametros
do Modelo de Alternativo

43
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura 4.1. QQplot dos valores observados pelos


montante de sinistros em escala do log

44
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

(a) 2,
a 4,

(b) 5,
a 7,

(c) 8,
a 10,

(d) 11,
a 12,

Figura 4.2. Boxplot dos t,

45
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

(a) 2, a 4,

(b) 5, a 7,

(c) 8, a 10,

(d) 11, a 12,


Figura 4.3. Boxplot dos t,

46
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


(b) Ultimos
Sete Dias
de 2002
de Negociacao

(a) Primeros Cinco Dias


de 2001
de Negociacao

Temporal da Estrutura a Termo das Taxas Swap DI x PRE com


Figura 4.4. Evolucao

base nos 9(nove) Primeiros Vertices


do Banco Central

Figura 4.5. Estrutura a termo da taxa de juros dos ultimos

cinco dias uteis

de 2002 (a)
predita (
rt ( )) e (b)observada txt ( )

47
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura 4.6. Histograma da Amostra do .

A media
(0.2975) esta representada pela linha vertical

48
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura 4.7. serie


temporal da media
e intervalos de credibilidades de 5% e 95%

das distribuicoes
(a) da taxa de longo prazo (1 ) (b) do fator relativo
(- 2 ) (c) do fator relativo a curvatura (3 )
a inclinacao

49
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura 4.8. serie


temporal da media
e intervalos de credibilidades
da taxa de instantanea

de 5% e 95% da distribuicao
1 + 2 = rt (0)

50
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura 4.9. Serie


temporal da media
(linha preta) e intervalos de credibilidades de 5%
(linha vermelha tracejada) e 95% (linha verde tracejada) dos Pagamentos de Sinistros
Futuros em cada trimestre Futuro Sk

51
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


Figura 4.10. Comparativo em cada Trimestre Calendario
(k) do ano de 2003 entre o
Valor Esperado Sinistros Pagos (Sbk ) (azul), o custo do capital 97,5%(cck ) (verde) e o
custo do capital 95%(cck ) (amarelo)

52
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura 4.11. Histograma da Amostra do Valor Presente dos Pagamentos Futuros de


Sinistros em 31/12/2002 (V P )

53
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

do valor em Risco (V R), da provisao


de sinistro (P S), e do
Figura 4.12. Representacao
requerimento de capital (RC), considerando probabilidades crticas de 2.5% (barras a
direita) e de 5%(barras mais a esquerda)

54
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


APENDICE
A

INFERENCIA
BAYESIANA

A maioria dos problemas investigados em uma linha de pesquisa possui alguma


intrnseca que leva o pesquisador a comprovar a hipotese

intuicao
formulada. Ate o
emprica a
desenvolvimento da estatstica bayesiana, partia-se para a comprovacao
partir de experimentos sobre o problema investigado. Portanto, existia o paradigma
era admitida nenhuma forma de informacao
que nao
fosse observavel

que nao
e,
pudesse ser passvel de comprovacao
emprica.
por conseguinte, nao
A estatstica bayesiana surgiu como contraponto a esse paradigma, haja vista postu

lar ser possvel e ate recomendavel


que o conhecimento previo
a respeito do evento

investigado deveria ser incorporado a` analise.


O mecanismo que propiciou o desenvolvimento desse procedimento foi o Teorema de Bayes.

(y), pressuAssim como a estatstica classica,


a bayesiana utiliza as observacoes
de probabilidade com densidade ou funcao
de probabilidade
pondo uma distribuicao
f (y | q), que a partir de agora chamaremos apenas de densidade, em que os com
conhecidos como hiperparametros.

ponentes do vetor de parametros


q sao
Quando
como funcao
de q, obteremos a funcao
de verossimilhanca de q,
se ve essa funcao
`
l(q) = f (y | q), que fornece as chances de cada valor de q ter levado aquele
valor
observado para y.
existe na classica,

Outro ingrediente existente na estatstica bayesiana, que nao


a distribuicao
de q antes da
e chamado de densidade a` priori p(q), pois contem
do valor de x. A partir do Teorema de Bayes, essa distribuicao
a priori
observacao
a posteriori de q, p(q | y),
sera agregada a` verossimilhanca para obter a distribuicao
ou melhor
f (y | theta)p(
p( | y) =
f (y)
onde

Z
f (y) =

f (y | theta)p()d

Outro aspecto relevante para nosso estudo sera fazer as previsoes


para observa
coes
futuras. Se ha interesse em prever Y , deve-se derivar a densidade de Y , ou
seja,
Z
p(y | x) =
f (y | theta)p( | x)d

55
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


Portanto, conclui-se que a estatstica bayesiana trabalha sempre com a distribuicao

de probabilidade, permitindo o calculo


de qualquer intervalo de probabilidade.
Um dos motivos do desenvolvimento da estatstica bayesiana ter sido apenas re das integrais apresentadas nem sempre eram triviais.
cente foi porque a solucao

Apenas nos casos em que as distribuicoes


fazem parte de uma famlia de distri
verificados (Gamerman and Lopes
buicoes
conjugadas, resultados imediatos sao

sao

(2006) e Migon and Gamerman (1999)). Na maioria das situacoes,


as solucoes

derivadas a partir de metodos


numericos
e, quando o problema e de alta complexi depende de poderosas ferramentas computacionais.
dade, a solucao
Outro aspecto que impulsionou a estatstica bayesiana foi o desenvolvimento do
Amostrador de Gibbs, que e um esquema iterativo de amostragem de uma cadeia
e formado pelas distribuicoes
condicionais comde Markov cujo nucleo
de transicao

de distribuicoes

pletas. Ou seja, esse algoritmo e baseado em sucessivas geracoes

cuja posteriori condicional completa pertence a` mesma famlia de distribuicoes.


Ele
e descrito da seguinte forma:
da cadeia j = 1 e estipule valores iniciais
1) inicialize o contador de iteracoes
0 = (10 , , p0 );
de sucessi2) obtenha um novo valor para j = (1j , , pj ) a partir de j1 atraves
de valores
vas geracoes
1j

(1 | 2j1 , 3j1 , , pj1 )

2j

(2 | 1j , 3j1 , , pj1 )
..
.
j
(p | 1j , 2j , , p1
)

pj
e

3) mude o contador de j para j + 1 e retorne a (ii) ate a convergencia.

O objetivo desse algoritmo e identificar as distribuicoes


limites e, por conseguinte,
a convergencia

trabalhar com os valores gerados apos


ter sido verificada. Sera defi a partir da qual os valores gerados serao
considerados
nido como burn in a iteracao
para gerar os resultados.
da convergencia

Ou seja, a verificacao
e um aspecto bastante importante para
do burn in. Sendo assim, o metodo

identificacao
proposto por Geweke et al. (1992)

e considerado um procedimento formal para diagnosticar a convergencia


da serie.

Este metodo assume que foram geradas m + n amostras e foram calculadas as

seguintes medias:
m+n
1 Xb (j)

b =
nb j=m+1

1
a =
na

m+n
X

(j)

j=m+nna +1

onde nb + na < n.

56
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

a e b deveriam possuir comportamentos similares. Os


Se m por o burn-in, entao
concluram que quando n for grande e nna e nnb forem constante
autores tambem

entao:
a b
d
ZG = q
N(0, 1)
Vb ar(a ) + Vb ar(b )
deveria ser grande quando a conSendo assim, a diferenca padronizada ZG nao

vergencia
fosse encontrada.

Outra ferramenta utilizada para diagnosticar a convergencia


foi a proposta por Raf so estabelecem um valor para o burn-in m,
tery and Lewis (1992). Os autores nao
sugerem valores para o lag k e para o tamanho total armazenado da
mas tambem
amostra n.
de probabilidade q =
O procedimento estabelece que um quantil da distribuicao
do parametro

P (U u), onde U e uma funcao


que esta sendo avaliado, seja es raftery.diag do
timado dentro de um interevalo de r com probalidade s. A funcao
pacote CODA possui como defaut q = 0.025, r = 0.005 e s = 0.95.
t e formando
Primeiramente, define-se o valor de k, calculando Ut para cada iteracao

indicadora que recebe 1 se Ut u e


a serie
Zt = I(Ut u), onde I(.) e uma funcao

0 caso contrario.
Apesar desse processo ser derivado de uma cadeia de markov, ele
necessario
e uma cadeia de markov propriamente dita. E
ainda formar um novo
nao
(k)
processo Zt = Z1 + (t 1)k que, assintoticamente, aproxima-se de uma cadeia
de markov quando k e suficientemente grande. Um teste usando o BIC (Schwartz
(1978)) e aplicado para a escolha desse valor de k.
(k)

De posse de k, assume-se que Zt segue uma cadeia de markov de primeira or P e dada por:
dem. Sendo assim, a sua matriz de transicao

P =

1
de equilbrio dada por = (0 , 1 )0 = ( + )1 (, )0 e com
com sua distribuicao
em l passos conforme segue:
matriz de transicao

(1 )l

0 1
Pl =
+

0 1
+
da estimativa de Monte
Queremos achar o burn-in m que garanta uma dada precisao
(k)
(k)
Carlo (), ou seja, |P (Zm = i | Z0 = j) i | < . Sendo assim, temos que:

(+)
log max(,
m=
log(1 )
57
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

O tamanho total que sera armazenado (n = kn ) e calculado considerando que


Pn (k)
(k)
(k)
(k)
uma estimativa para P (Ut u | Z1 , , Zn ) e dada por Z n = n1 t=1 Zt .
(k)

Zt
Considerando a lei dos grande numeros,

N(q, n1 (2)
(+)3 ).

(k)

Sendo assim, para garantir que P (|Z n r| q) = s temos que:


1 (2 )

n
( + )3
n =
2
r
( 21 (1 + s))
adoPara escolha do modelo bayesiano proposto mais ajustado aos dados, serao

modelo proposto por Gelfand and Ghost (1998),


tados alguns metodos
de selecao:
DIC (Deviance Information Criterion), desenvolvido por Spiegelhalter et al. (2002),
qq-plot.

preditiva
Gelfand and Ghost (1998) propuseram um criterio
baseado na distribuicao

dos dados e em uma funcao de perda determinada, onde o objetivo e encontrar


dos dados replicados com a mesma estrutura dos dados obseruma boa predicao
de modelos propostos m, considere yobs o vetor de dados
vados. Seja uma colecao
de
observados, yrep o vetor de dados replicados a partir da mesma distribuicao

probabilidade utilizada nos dados originais, obtidos de uma amostra da distribuicao


dependente do modelo, sendo
preditiva p(yrep | yobs , m) e am e o vetor de acao,
uma tentativa estimada de conciliar yobs e yrep .
O modelo a ser escolhido sera o que possuir o menor valor para:
min Eyrep |yobs ,m L(yrep , a | yobs ),
a

onde L(yrep , a | yobs ) e definida como a perda por supor a quando yrep e obtido dado
yobs .

Para o l-esimo
componente de yrep e a, sera definido
L(y1,rep , a1 | y1,obs ) = L(y1,rep , al ) + kL(y1,obs , a1 ) (k 0),

tal que y1,rep e y1,obs tenham a mesma distribuicao.


de perda para todos os componentes, tem-se:
Ao agregar essa funcao
Dk (m) =

n
X
l=1

min Ey1,rep |y1,obs [L(y1,rep , al ) + kL(y1,obs , al )]


al

58
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


de perda, nesse trabalho sera

funcoes
O metodo
pode ser desenvolvido para varias
de perda quadratica.

de
utilizada a funcao
Os autores demonstraram que a Acao
de perda quadratica

Bayes, ou melhor, o valor que minimiza da esperanca da funcao


e dada por:
n
n
X
X
k
2(m)
(m)
Dk (m) =
l
+(
)
(1 y1,obs )2 ,
k+1
l=1

onde

2(m)

l=1

= V ar(y1,rep | y1,obs , m)

sendo
G(m) =

n
X

(m)

(1

y1,obs )2

l=1

(m)

1
e

= E(y1,rep | y1,obs , m)

P (m) =

n
X

2(m)

l=1

Este metodo
e conhecido por Expected Predictive Deviance (EPD).

59
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


APENDICE
B

DA ESTRUTURA A
INFERENCIA
NO MODELO PARA AVALIAC
AO
TERMO DA TAXA DE JUROS (ETTJ)

1. INTRODUC
AO
Com o grande desenvolvimento nos ultimos
trinta anos do mercado de produtos

tem
sido desenvolvidos e a taxa de juros
financeiros, varios
modelos de precificacao

entre instrumentos financeiros livre


livre do risco de credito,
ou melhor, a relacao
de riscos que diferem somente em seus prazos de maturiadade, conhecida como

estrutura a termo da taxa de juros (ETTJ), tem representado o parametro


balizador
destes modelos.
As primeiras teorias desenvolvidas sobre taxas de juros foram influenciadas pela
dos portfolios

teoria da otimizacao
desenvolvida por Markowitz (1952) e, poste
riormente, pelo argumento economico
da livre arbitragem, utilizado em Black and

Scholes (1973), cujo conceito parte de que dois portfolios


que possuem o mesmo
pagamento numa data futura devem possuir o mesmo preco hoje.
Sendo assim, os primeiros modelos da ETTJ foram sendo criados com a premissa

que a existencia
de uma medida de risco neutro iria implicar que o preco livre de
arbitragem num tempo t < de um ativo que paga H no tempo dado por:
R
Q
Ht ( ) = Et [H e t f (s)ds ]

Considerando que o preco no tempo t de um ttulo com desconto puro (cupom zero)
que paga a unidade na maturidade , ou seja, H = 1, e dado por
Q R
Pt ( ) = Et [e t f (s)ds ]
F t sob uma medida de
onde, E Q e o valor esperado condicional a uma filtracao
probabilidade Q. Maiores detalhes sobre estas medidas podem ser encontrados
em Korn and Korn (2001).
Sendo assim, os primeiros trabalhos buscaram satisfazer essas propriedades bem
de uma unica

como derivar toda curva de juros somente atraves


variavel
de estado,

conhecidos como de um fator, ou


a taxa de juros de curto prazo. Estes modelos sao
affine, e o precursor foi apresentado por Vasicek (1977), posteriormente,
tambem
possuem uma
generalizado por Cox and Ross (1985). Contudo, esses modelos nao
boa capacidade preditiva.

61
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Uma proposta que tem uma boa capacidade preditiva dentro da amostra foi apresentada em Nelson and Siegel (1987) e foi motivada pela teoria das expectativas
diferenciais, e, portanto, as taxas
em que as taxas spot eram geradas por equacoes
destas equacoes
seriam geradas por (3.24).
preditas, ou forward, como solucao
das taxas de juros
Diebold and Li (2005) procuraram enfocar o problema da previsao
e, para tanto, fizeram uso da estrutura desenvolvida por Nelson and Siegel (1987)
que se encaixava no comportamento das curvas de juros perodo por perodo. Este
parametros

modelo era baseado em tres


que os autores conseguiram mostrar que
poderiam ser interpretados como fatores que representariam o nvel, o crescimento
e a curvatura.

Por fim os autores propuseram modelar os fatores a partir de uma dinamica


de estados que segue um vetor auto-regressivo de primeira ordem (V AR(1)). O modelo
(3.) tem sua forma
proposto por Migon and Abanto-Valle (2007) resumido na secao
completa dada por:
rt ( ) = t t + t ( )
t = ( t1 ) + t ,

(B.1)

onde,
( ) = (1

1 exp( )
exp( ))

1 exp( )

t = (1

a11
= a21
a31

2
a12
a22
a32

3 )0t ,

a13
a23 ,
a33

2
2
t Nr (0, diag(1,1
, , r,r
)) e t N3 (0, W ).

para previsoes
dessas estruturas podem ser encontradas em DieOutras variacoes

bold et al. (2006), que utiliza fatores macroeconomicos


para melhorar a capacidade
poderao
ser tratadas em proximos

preditiva. Essas generalizacoes


trabalhos.
Para estimar esse modelo, diferentemente do que foi feito em Diebold and Li (2005),

sera utilizado o amostrador de Gibbs. Para tanto, sera necessario


complementar a
estrutura proposta com as prioris:
p(, W 1 )

2
j,j

| W |

1
2

+ S)W1 )1
exp(0.5tr(( )C(
)

N3 (0 , S )
aj bj
GI( , )
2 2
G(, ).

j = 1, , r.

62
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

indicadora que assume 1 se A possui as condicoes

de
onde, 1A e uma funcao

gama inversa
estacionariedade do modelo VAR(1) e 0 caso contrario,
GI e a funcao
e , W 1 N ormal W ishard. Sendo assim, temos a posteriori conjunta dos

parametros
dada por:
2
2
p(, , W 1 , , 1,1
, , r,r
, 0:T | r0:T ( ))
QT
2
2
t=1 p(rt ( ) | , 1,1
, , r,r
, t )
QT
[ t=1 p( t | , t1 )]r0:T ( ) p( 0 )
Qr
2
p() p(, W 1 ) p() j=1 p(j,j
)

(B.2)

2. AMOSTRADOR DE GIBBS

O algoritmo que sera utilizado para gerar as distribuicoes


dos parametros
tem o
seguinte procedimento:
(i)

2(i)

(i)

aveis

1) inicializa as vari
(i) , (i) , A(i) , W 1 , {j,j }rj=1 e 0:T ;
2) Amostrar:
(i+1)
2(i+1) r
}j=1

{j,j

W 1

(i+1)

(i)

(i)

p( | A(i) , W 1 , 0:T )
(i)

2
p({j,j
}rj=1 | (i) , 0:T )

p(W 1 | A(i) , (i+1) , 0:T )

(i)

A(i+1)

p(A | W 1

(i+1)

p( | {j,j

(i+1)

(i)

, (i+1) , 0:T )

(i)
2(i+1) r
}j=1 , 0:T )

3) Aplicar o forward filtering, backwards sampling (FFBS) para amostrar


(i+1)

0:T

(i+1)
2(i+1) r
}j=1 , (i+1) , W 1
, A(i+1) )

p( 0:T | (i+1) , {j,j

4) Fazer i=i+1 e retornar a 2.

As distribuicoes
condicionais completas para as simulacoes
do amostrador serao

dadas na proxima
secao.

3. CONDICIONAIS COMPLETAS
apresentaremos o desenvolvimento das condicionais completas para a
Nesta secao
do algoritmo de Gibbs.
implementacao

63
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


3.1. Media
Incondicional dos Estados -

Considere a variancia
Incondicional de t . Calculando a condicional completa de
a partir de (B.2), temos:

0
1
(

)
p( | .) exp ( 0 ) S 1
0

T
Y
0
1

exp ( t ( t1 ) ) W 1 (( t ( t1 ) ))
2
t=0

0
1
1
exp ( 0 ) ( 0 )
2
algum esforco algebrico

apos
temos que:
| . N (b , ),
onde,

0
1
1 1
= S 1
+ T (I ) W (I ) +
e
T
X
1

0
b = S 0 +
(I ) W 1 (t t1 ) + 0 1

(B.3)

t=1

3.2. Variancia
dos Erros Observacionais - j,j
2
A condicional completa de j,j
| . e dada por:

2
p(j,j

| .)

1
2
j,j

a2j +1

T
1/2

bj Y
1
1
2
exp 2
exp 2 (rt (j ) j t )
2
j,j t=1 j,j
2j,j
(B.4)

alguma algebra

Apos
temos que:
2
j,j
| . GI

aj bj
,
2 2

onde aj = aj + T ,
bj = bj +

T
X

(rt (j ) j t )2

t=1

e
j = (1

1 exp(j )
exp(j )).
j

1 exp(j )
j

64
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

- W 1

dos Erros de Evolucao


3.3. Variancia
A condicional completa de W 1 | . e dada por:
p(W 1 | .)

0
1
exp tr(( A)C( A) + S)W 1
2

T
Y
0
1
1
exp [ t ( t1 ) ] W 1 [ t ( t1 )]
| W | 2
2
t=1

0
1
1
21
exp ( 0 ) ( 0 )
||
2
| W |

1
2

Acomodando os termos entre as exponenciais temos que:

T +1
1
p(W 1 | .) | W | 2 exp tr(S 1 + S 2 + S)W 1 g(, W 1 ).
2
onde
S1
S2

= ( A)C( A) ,
=

T
X

(B.5)
0

[ t ( t1 ) ][ t ( t1 )]

(B.6)

t=1

e
g(, W

) =| |

21

0
1
1
exp ( 0 ) ( 0 ) .
2

sera utilizado metodo

Para amostrar essa distribuicao,


proposto por Chib and Green o valor da
berg (1994) baseado no algoritmo de Metropolis-Hasting que supoe
i 1, W 1(i1) , e amostra uma proposta W 1() de
iteracao
W3 (S 1 + S 2 + S, T + ),
Wishard tridimensional. Aceita-se W 1() com proonde W3 denota a distribuicao
babilidade
g(, W 1() )
g(, W 1(i1) )

65
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

dos Estados -
3.4. Matriz de Evolucao

sera utilizada a distribuicao

Da mesma forma que a variancia


dos erros de evolucao,
normal-wishard para a condicional completa de que, partindo da conjunta a posteriori (B.2), temos:

0
1
1
p( | .)
exp tr(( A)C( A) + S)W
2

T
Y
0
1
1

exp [ t ( t1 ) ] W [ t ( t1 )]
2
t=1

0
1
1
| | 2 exp ( 0 ) 1 ( 0 ) 1()
2

Acomodando os termos entre as exponenciais temos que:

1
p(W 1 | .) exp tr(S 1 + S 2 )W 1 g(, W 1 ).
2
onde S 1 e dada por (B.5) e S 2 por (B.6). Aceita-se () com probabilidade
g(() , W 1 )
g((i1) , W 1 )

de Lambda -
3.5. Distribuicao
A condicional completa de e dada por:
p( | .) 1 exp()

T Y
r
Y

exp

t=1 j=1

1
2
2 (rt (j ) j t )
2j,j

(B.7)

possui forma fechada, utiizaremos um passo


Como essa condicional completa nao

de Metropolis-Hastings,
usando uma proposta baseada em Geweke and Tanizaki
a proposta de densidade vai ser
(2001). Considere q(.) o log de (B.7). Entao
N ( , 2 ), onde
0

(i1)

00
q ((i1) )
00 (i1) e 2 = (q ((i1) ))1 ,
q (
)
0

00

anterior, q (.) e q (.) sao


a primeira e segunda
(i1) e o valor de da iteracao
derivadas respectivamente.

66
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Conjunta dos Estados - 1:T


3.6. Distribuicao
simplificar a notacao
de (B.2), a condicional completa de p( 0:T | r0:T ( ) e
Apos
dada por:
p( 0:T | r0:T ( )) =

T
Y

2
2
p(r0:T ( ) | 1,1
, , r,r
, t )

t=1

T
Y

p( t | , t1 )]p( 0 )

t=1

que e equivalente a:
p( 0:T | r0:T ( )) = p( T | r0:T ( ))

TY
1

p( t | t+1 , r0:T ( ))

(B.8)

t=0

Sendo assim sabemos que (B.8) pode ser gerada de p( T | r0:T ( )) Np (mT , CT ),
normal p-variada, e, para 0 t T 1, p( t | t+1 , r0:T ( )) Np (ht (1), Ht (1)), tal
que:

Aplicando o Linear Bayes em p( t | r0:T ( )), com 0 t T , mT e CT sao

estimados a partir de equacoes


recursivas, com ( 0 | r0:T ( )) Np (m0 , C0 ),
conforme segue:
1) Posteriori em t-1 ( t1 | r0:T ( )) Np (mt1 , Ct1 )
2) Priori em t-1 ( t | r0:T ( )) Np (at , Rt ) , com:
at = (Ip )0 + mt1
Rt = Ct1 0 + W

(B.9)
(B.10)

em t-1 (r0:T ( ) | r0:T ( )) Nr (ft , Qt ), com:


3) Previsao
ft = ( )0 at
2
2
Qt = ( )0 Rt ( ) + diag(1,1
, , r,r
)

(B.11)
(B.12)

4) Posteriori em t ( t | r0:T ( )) Np (mt , Ct )


mt = at + At et
0

Ct = Rt At Qt At
onde At =

Rt ( )Q1
t

(B.13)
(B.14)

e et = r0:T ( ) ft .

Aplicando o forward filtering, backwards sampling (FFBS) p( t | t+1 , r0:T ( ))


Np (ht (0), Ht (0)), com 0 t T 1, onde:
ht (0) = mt + Ct 0 R1
t+1 [ t+1 at+1 ]

(B.15)

R1
t+1 Ct

(B.16)

Ht (0) = Ct Ct

(B.8).
teremos cada um dos fatores que aparece no produtorio
da equacao

67
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


amostraremos p( 0:T | r0:T ( )), conforme segue:
De posse dessas distribuicoes,
amostrar Ti Np (mT , CT )
amostrar ti de t | t+1 , r0:T ( ) Np (ht (0), Ht (0)) para 0 t T 1

68
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


APENDICE
C

INFERENCIA NOS MODELOS PARA AVALIAC


AO
DO DESENVOLVIMENTO DOS SINISTROS
PAGOS
OCORRIDOS AINDA NAO

1. INTRODUC
AO
da solvencia

O novo modelo europeu de avaliacao


de uma seguradora tem um forte
possvel afirmar que os

apego aos projetos desenvolvidos no setor bancario.


E

princpios destinados ao setor bancario


tem sido historicamente um balisador do

modelo de solvencia
do mercado europeu. O Solvencia
II, por exemplo, segue uma
II, o segundo acordo da Basileia
que estabelece um
estrutura similar ao Basileia
de regulamentacao
do setor bancario.

padrao

Essa convergencia
possui o apoio de varios setores, preincipalmente porque ha

uma tendencia
mundial do mercado de servicos financeiros serem controlados por
conglomerados financeiros que possuem bancos, seguradoras, etc.

Contudo, ha de se observar as peculiaridades de cada uma dessas operacoes


e,
de seguro se distingue fundamentalmente da bancaria

nesse sentido, a operacao


quando se fala no passivo operacional que, no caso de uma seguradora, e composto
tecnicas,

de
em sua maioria por provisoes
dentre as quais fazem parte as provisoes
sinistros que e o objeto desse estudo.
desse passivo representa a principal tarefa existente no pilar II do
A valoracao

Solvencia
II e, conforme tem sido proposto pela IAA, deve partir da premissa que

a seguradora deve possuir a capacidade de cumprir suas obrigacoes


de pagar os
sinistros presentes e futuro.
Nesta linha, surgem os conceitos de estimativa corrente (EC) e margem de risco
sobre a estimativa corrente (M R), cujos conceitos ja foram introduzidos no captulo
3, assim como o capital que tem a finalidade de assegurar que as seguradoras

tenha recursos suficientes para cumprir suas obrigacoes


com o segurado no caso
adversas significantes.
de situacoes
Diferentemente do que tem sido proposto nesse trabalho, a literatura atuarial seg da provisao
dos sinistros em varias

menta o problema da estimacao


partes. Com

isso, surgem varias


nomenclaturas para delimitar os compartimentos que compoem
de sinistro, tais como IBNR (incurred but not report) que representa a proa provisao

69
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

nao
avisados, RBNS (Reported but not settled),
dos sinistros ocorridos porem
visao
conhecida como provisao
de sinistros a liquidar (PSL), entre outros.
tambem

NO DESENVOLVI2. INFERENCIA
SOBRE OS MODELOS COM EVOLUC
AO
MENTO

no tempo
Os procedimentos de inferencia
dos modelos dinamicos
com evolucao
2.5. a 2.8. do captulo 3, serao
feitos
de desenvolvimento, modelos das subsecoes
utilizando o MCMC em dois blocos:

Bloco relativo a frequ encia


pagamentos de sinistros ocorridos:
1 , , 12 | D t , t e t | D t .
Bloco relativo ao montante de pagamentos de sinistros ocorridos condicional a

frequ encia:
1 , , 12 | D t , t e t | D t .
Sendo assim, o MCMC sera feito com os seguintes passos:
conjunta 1 , , 12 | D t , t , utilizando o Linear Bayes para
gera a distribuicao

modelos lineares generalizados dinamicos,


ja que nt poi(t ) ;
dos hiperparametros

gera a distribuicao
t | D t , utilizando passos de metropolis;

conjunta 1 , , 12 | D t , t , utili condicional a frequ encia,


gera a distribuicao
zando o FFBS; e
dos hiperparametros

gera a distribuicao
t | D t , utilizando passos de metropolis.

das ditribuicoes
pontuadas anteA seguir sera desenvolvida os criterios
de geracao
riormente.
do Bloco 1 , , 12 | D t ,
2.1. Geracao
conjunta do bloco 1 , , 12 | D t , , e necessario

Para gerar a distribuicao


o

Linear Bayes para modelos lineares generalizados dinamicos,


metodologia desenvolvida em West et al. (1986). tal que:
das Observacoes

Equacao
0

g(t, ) = t,
= F ,

de Evolucao

Equacao
= G 1 + ,

[0, ]

2.5. a 2.8. do Captulo 3.


onde, , F e G e foram definidos nas subsecoes

70
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

de nt, na forma exponencial tal


Deste modo, considere inicialmente a distribuicao
que:

et, (t, )nt,


nt, !
1
exp([nt, log(t, ) t, ])
=
nt, !
1

exp([nt, t,
exp(t,
)])
=
nt, !

P (nt, | t, , D t1 )

dos da que para uma analise


Considere tambem
conjugada em que a distribuicao

dos e poisson, tem-se a priori t, Gama(rt,


, st, ) e, portanto:
r

p(t, | rt,
, st, )

t,t, e[st, t, ]

exp rt,
log(t, ) st, t,

rt,

exp(t,
)}
exp st, { t,
st,

(C.1)

logo pode-se concluir que (t,


| D t1 ) Gama(rt,
, st, ) e que, dadas as definicoes
iniciais, o Linear Bayes seguira os seguintes passos:

Passo 1: Priori para t,


| D t1 e parcialmente identificada por:

t,
t,

Dt1

ft,

at,

qt,

R F

F R
R

onde f = F at, e q = F R F .

de um passo - nt, | Dt1


Passo 2: Previsao

A preditiva sera calculada com base na priori (C.1) conforme segue:

p(nt, | Dt1
)=

c(rt,
, st, )b(nt, , Vt,
)

c(rt, + nt, , st, + 1)

, st, ) e a constante de proporcionalidade de (C.1) e os parametros


onde c(rt,

de ft,
rt, e st, se relacionam com ft,
e qt,
atraves
= E[log(t, ) | D t1 ] e

qt,
= V [log(t, ) | D t1 ]. Para esse calculo,
sera utilizado o metodo
delta, tal
que:

rt,
=

st, =

qt,

1
)q
exp(ft,
t,

71
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

do t, | Dt
Passo 3: Atualizacao
do parametro

A atualizacao
t, segue diretamente a analise
conjugada da famlia poisson-gama. Deste modo tem-se:

p(t, | Dt1
) = c(rt,
+ nt, , st, + 1)exp[(rt,
+ nt, )t, (st, + 1)exp(t, )]

Da mesma forma que na priori, a media


e a variancia
a posteriori e dada por
>
>
respectivamente por ft,
= E[log(t, ) | D t ] e qt,
= V [log(t, ) | D t ].
da estrutura condicional t, | D t
Passo 4: Atualizacao
( t, | Dt ) (mt , C t )
>

mt = at + R F (ft,
ft,
)/q
0

C t = R + R F F R (1

>
qt,

)/q

da conjunta, deve ser aplicado o FFBS.


Para a especificacao
do Bloco 1 , , 12 | D t ,
2.2. Geracao
conjunta do bloco 1 , , 12 | D t , W sera derivada de maneira
A distribuicao
sera necessario

distinta do bloco do numero


de sinistro, uma vez que nao
utili

zar a abordagem mais geral para modelos lineares generalizados dinamicos


para

distribuicoes.
Deste modo, o problema pode ser resumido por
das Observacoes

Equacao
0

t, = t, = F ,
de Evolucao

Equacao
= G 1 + ,

N [0, W ]

onde, , F , G e W foram definidos nas subsecoes


2.5. a 2.8. do Captulo 3. E
da parcela log(n ) fazem parte somente dos
importante ressaltar que a utilizacao
modelos NtzDellAlt4 e MDHCFrq. Nos demais casos, basta retirar essa parcela da
de ligacao.

funcao
Sendo assim, aplicando o Linear Bayes, temos:
Passo 1: Priori para t, | D t1 e identificada por:

ft,
t,
qt,
Dt1 N
, 2
at,
t,
Rt, F

F Rt,
Rt,

72
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

onde
ft,

F at,1 + log(nt,1 ) ,

qt,
at,

=
=

F Rt, F ,
G0 mt,1 ,

Rt,

GC t,1 G + W .

Z t, | D t1
Passo 2: Previsao
Lembrando que Z t, = log(Y t, )
Zt, N [ft, , 2 Qt, ]
0

onde, Qt, = F Rt, F + qt,


do t, | Dt
Passo 3: Atualizacao
novo
novo
t, | D t N [ft,
, 2 qt,
]
qt,
Qt, et, ,

novo
onde ft,
= ft, +

novo
et, = Z t, ft, e qt,
= qt, +

2
qt,
Qt,

do t, | Dt
Passo 4: Atualizacao
t, | D t N [mt, , 2 Ct, ]
onde mt, = at, + Rt, F

novo
ft,
ft,
qt,

e Ct, = Rt, + Rt, F F Rt,

novo
1qt, /qt,
qt,

dos hiperparametros

2.3. Distribuicao
t | D t e t | D t
Modelos NtzDellAlt3 e NtzDellAlt4 - t | D t = ( 2 , 2 , 2 )0
amostragem de (2 , 2 ) | Dr , 2 :
2(p)

Proposta: log(
2(p)

Aceita (

2(p)

2(k)

1/

2(p)
1/

Qr

t=1

Qr

t=1

2(k)

) N (log(

2(p)

), d21 ) e log(

2(k)

) N (log(

), d22 )

) com probabilidade:
2(k)

1/

2(p)
1/

Qrt
i=1

Qrt
i=1

2(p)

P (

2(p)

2(k)
2(k)
P ( , )
2(p)

P (zit | Dt1 , z1t , , z(i1)t , 2(k) ,


P (zit |

2(p)

2(k)
2(k)
Dt1 , z1t , , z(i1)t , 2(k) , , )

73
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

amostra ( 2 | Dr , 2 , 2 ) GInv(n1 /2, s1 /2), onde,


n1

s1

r(r + 1)/2 + 2n0 ,


r X
rt
X
(zit rit )2
(sit + 1)

t=1 i=1

rit
sit

+ 2s0 ,
2(k+1)

rit ( 2(k) , 2(k+1) ,

2(k+1)
sit ( 2(k) , 2(k+1) ,
).

),

ModelosNtzDellAlt4 - t | D t = (2 , 2 )0
amostragem de (2 , 2 ) | Dr2 :
2(p)

Proposta: log(
2(p)

Aceita (

2(p)

2(k)

) N (log(

2(k)

), d24 )

2(p)

) N (log(

) com probabilidade:
2(k)

1/

2(k)

1/

2(p)
1/

2(p)

), d23 ) e log(

2(p)
1/

Qrt

Qr

t=1
i=1
Qr Qrt
t=1 i=1

2(p)

P (

2(p)

2(k)
2(k)
P ( ,
)
2(p)

P (zit | Dt1 , z1t , , z(i1)t ,


P (zit |

2(k)
2(k)
Dt1 , z1t , , z(i1)t ,
, )

Modelos MDHSFrq e MDHCFrq - t | D t = ( 2 , , , )0


Amostra (, ) | D t , 2 , :
Proposta: (p) N T 0 ((k) , d21 ) e log( (p) ) N (log( (k) ), d22 )
Aceita ((p) , (p) ) com probabilidade:
(k)

1/ (k) (( L
d2

(k)

) ( 0
d2

L(p)

)) P ((p) , (p) )

0(p)

1/ (p) (( d2 ) ( d2 )) P ((k) , (k) )


Qr Qrt
t=1 i=1 P (zit | Dt1 , z1t , , z(i1)t , 2(k) , (p) , (k) , (p) )
Qr Qrt
t=1 i=1 P (zit | Dt1 , z1t , , z(i1)t , 2(k) , (k) , (k) , (k) )
Amostra | D t , 2 , , :
Proposta: log( (p) ) N (log( (k) ), d23 )
Aceita ( (p) ) com probabilidade:
1/ (k) P ( (p) )
1/ (p) P ( (k) )
Qr Qrt
t=1 i=1 P (zit | Dt1 , z1t , , z(i1)t , 2(k) , (k+1) , (p) , (k+1) )
Qr Qrt
t=1 i=1 P (zit | Dt1 , z1t , , z(i1)t , 2(k) , (k+1) , (k) , (k+1) )
74
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

amostra ( 2 | Dr , , , ) GInv(n1 /2, s1 /2), onde,


n1

s1

rit
sit

=
=

r(r + 1)/2 + 2n0 ,


r X
rt
X
(zit rit )2

+ 2s0 ,
(sit + 1)
t=1 i=1
rit ( 2(k) , (k+1) , (k+1) , (k+1) ) ,
sit ( 2(k) , (k+1) , (k+1) , (k+1) ) .

Modelos MDHCFrq - t | D t = ( , , )0
Amostra ( , ) | D t , :
Proposta: (p) N T 0 ((k) , d24 ) e log( (p) ) N (log( (k) ), d25 )
Aceita ((p) , (p) ) com probabilidade:
(k)

1/ (k) (( L
d5

(k)

) ( 0d5

)) P ((p) , (p) )

(p)

(p)

) ( 0d5 )) P ((k) , (k) )


1/ (p) (( L
d5
Qr Qrt
t=1 i=1 P (zit | Dt1 , z1t , , z(i1)t , (p) , (k) , (p) )
Qr Qrt
t=1 i=1 P (zit | Dt1 , z1t , , z(i1)t , (k) , (k) , (k) )
Amostra | D t , , :
Proposta: log( (p) ) N (log( (k) ), d26 )
Aceita ( (p) ) com probabilidade:
1/ (k) P ( (p) )
1/ (p) P ( (k) )
Qr Qrt
t=1 i=1 P (zit | Dt1 , z1t , , z(i1)t , (k+1) , (p) , (k+1) )
Qr Qrt
t=1 i=1 P (zit | Dt1 , z1t , , z(i1)t , (k+1) , (k) , (k+1) )

3. PROGRAMA DO WINBUGGS PARA OS MODELOS NTZDELL1 A NTZDELL4


3.1. Programa Modelo NtzDell1
model;
for( i in 1 : r )
for( j in 1 : r )
y[ i, j ] dlnorm( mu.y[ i, j ], tau )

75
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

mu.y[ i, j ] mu + alpha[ i ] + beta[ j ]


alpha[1] 0
beta[1] 0
for( i in 2 : r )
alpha[i] dnorm( 0.0, tau.alpha )
beta[i] dnorm( 0.0, tau.beta )
for( i in 1 : r )
for( j in 1 : (r-i+1) )
Ay.rep[ i, j ] dlnorm( mu.y[ i, j ], tau)
erro[ i, j ]pow(log(Ay.rep[ i, j ])-log(y[ i, j ]),2)
for( i in 2 : r )
for( j in 1 : (r-i+1) )
aux[i, j] y[(i+j-1),(r-j+1)]
outstand.cal[ i ] sum( aux[ i, 1:( r-i+1) ] )
mu dnorm( 0.0, tau.mu )
tau dgamma( 0.001, 0.001 )
sigma2 1 / tau
tau.mu 1 / 1000
tau.alpha 1 / 100
tau.beta 1 / 100

76
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

3.2. Programa Modelo NtzDell2


model;
for( i in 1 : r )
for( t in 1 : r )
y[ i, t ] dlnorm( mu.y[ i, t ], tau )
mu.y[ i, t ] mu + alpha[ i ] + beta[t ]+log(n[i,t])
n[i,t] dpois(lamb[i,t])
log(lamb[i,t]) mu1 + alpha1[ i ] + beta1[ t ]
beta[1] 0
alpha1[ 1 ] 0
beta1[1 ] 0
for( i in 2 : r )
alpha[i] dnorm( 0.0, tau.a )
beta[i] dnorm( 0.0, tau.b)
alpha1[i] dnorm( 0.0, tau.a )
beta1[i] dnorm( 0.0, tau.b)
mu dnorm( 0.0, tau.mu )
mu1 dnorm( 0.0, tau.mu1 )
tau dgamma( 0.01, 0.01 )
sigma2 1 / tau
tau.mu 1 / 1000

77
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

tau.mu1 1 / 1000
tau.a 1 / 1000
tau.b 1 / 1000
var.y 1/tau
for( i in 1 : r )
for( j in 1 : (r-i+1) )
Ay.rep[ i, j ] dlnorm( mu.y[ i, j ], tau)
erro[ i, j ]pow(log(Ay.rep[ i, j ])-log(y[ i, j ]),2)
for( i in 2 : r )
for( j in 1 : (r-i+1) )
aux[i, j] y[(i+j-1),(r-j+1)]
outstand.cal[ i ] sum( aux[ i, 1:( r-i+1) ] )/1000
3.3. Programa Modelo NtzDell3
model;
for( i in 1 : r )
for( j in 1 : r )
y[ i, j ] dlnorm( mu.y[ i, j ], tau )
mu.y[ i, j ] mu + alpha[ i ] + beta[ i, j ]
e.y[i,j] log(y[i,j]) - mu.y[ i, j ]
for( i in 2 : r )
for( j in 2 : r )

78
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

beta[ i, j ] beta[ i -1, j ] + v[ i ]


alpha[ i ] alpha[ i - 1 ] + h[ i ]
v[ i ] dnorm( 0.0, tau.v )
h[ i ] dnorm( 0.0, tau.h )
alpha[ 1 ] 0
for( i in 1 : r ) beta[ i, 1 ] 0
for( j in 2 : r )
beta[ 1, j ] dnorm( 0.0, 0.01 )
mu dnorm( 0.0, tau.mu )
tau dgamma( 0.01, 0.01 )
sigma2 1 / tau
tau.mu 1 / 1000
tau.h dgamma( 0.01, 0.01 )
sigma2.h 1 / tau.h
tau.v dgamma( 0.1, 0.1 )
sigma2.v 1 / tau.v
var.y 1/tau
for( i in 1 : r )
for( j in 1 : (r-i+1) )
Ay.rep[ i, j ] dlnorm( mu.y[ i, j ], tau)
erro[ i, j ]pow(log(Ay.rep[ i, j ])-log(y[ i, j ]),2)

79
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

for( i in 2 : r )
for( j in 1 : (r-i+1) )
aux[i, j] y[(i+j-1),(r-j+1)]
outstand.cal[ i ] sum( aux[ i, 1:( r-i+1) ] )
3.4. Programa Modelo NtzDell4
model
for( i in 1 : r )
for( t in 1 : r )
y[ i, t ] dlnorm( mu.y[ i, t ], tau )
mu.y[ i,t ] mu + alpha[ i ] + beta[ i,t] + log( n[ i,t ] )
n[i,t] dpois(lamb[i,t])
log(lamb[i,t]) mu1 + alpha1[ i ] + beta1[ t ]
for( i in 2 : r )
for( j in 2 : r )
beta[ i, j ] beta[ i -1, j ] + w1[ i ]
alpha[ i ] alpha[ i - 1 ] + w2[ i ]
w1[ i ] dnorm( 0.0, tau.w1 )
w2[ i ] dnorm( 0.0, tau.w2 )
alpha[ 1 ] 0
for( i in 1 : r ) beta[ i, 1 ] 0
alpha1[ 1 ] 0

80
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

beta1[1 ] 0
for( j in 2 : r )
beta[ 1, j ] dnorm( 0.0, tau.beta1j )
for( i in 2 : r )
alpha1[i] dnorm( 0.0, tau.a )
beta1[i] dnorm( 0.0, tau.b)
mu dnorm( 0.0, tau.mu )
mu1 dnorm( 0.0, tau.mu1 )
tau.mu 1 / 1000
tau.mu1 1 / 1000
tau dgamma( 0.001, 0.001 )
sigma2 1 / tau
tau.v dgamma( 0.01, 0.01 )
tau.w1 dgamma( 0.001, 0.001 )
sigma2.w1 1 / tau.w1
tau.w2 dgamma( 0.01, 0.01 )
sigma2.w2 1 / tau.w2
tau.beta1j 1 / 100
tau.a 1 / 1000
tau.b 1 / 1000
for( i in 1 : r )

81
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

for( t in 1 : (r-i+1) )
Ay.rep[ i, t ] dlnorm( mu.y[ i, t ], tau )
erro[ i, t ]pow(log(Ay.rep[ i, t ])-log(y[ i, t]),2)
for( i in 2 : 7 )
for( j in 1 : (r-i+1) )
aux[i, j] y[(i+j-1),(r-j+1)]
outstand.cal[ i ] sum( aux[ i, 1:( r-i+1) ] )

82
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


APENDICE
D

GRAFICOS DO MODELO DE ESTRUTURA A TERMO

das Variancias

Figura D.1. Historico


da Simulacao
2
dos Erros Observacionais - j,j
para j = 1, , 9

83
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

das Iteracoes

Figura D.2. Autocorrelacao


das Variancias
2
dos Erros Observacionais - j,j
para j = 1, , 9

do Vetor da Media

Figura D.3. Historico


da Simulacao
Incondicional -

84
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

das Iteracoes

Figura D.4. Autocorrelacao


do Vetor da Media
Incondicional -

da Matriz de Transicao
de Estados -
Figura D.5. Historico
da Simulacao

85
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

das Iteracoes

de Estados -
Figura D.6. Autocorrelacao
da Matriz de Transicao

- W 1
Figura D.7. Historico
das Variancias
e Covariancia
dos Erros de Evolucao

86
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

das Variancias

Figura D.8. Autocorrelacao


e Covariancia
- W 1
dos Erros de Evolucao

87
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura D.9. Histogramas das Variancias


dos Erros Observacionais - j,j
para

representadas pelas linhas verticais


j = 1, , 9. As medias
sao

88
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


Figura D.10. Histogramas do Vetor da Media
Incondicional - .

representadas pelas linhas verticais


As medias
sao

89
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

de Estados - .
Figura D.11. Histograma da Matriz de Transicao

representadas pelas linhas verticais


As medias
sao

90
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

- W 1 .
Figura D.12. Histograma das Variancias
e Covariancia
dos Erros de Evolucao

representadas pelas linhas verticais


As medias
sao

91
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


temporal de (a) taxas de juros
Figura D.13. Graficos
em perspectiva da evolucao
observadas e (b) valor esperado das estimativas de taxas de juros (ETTJ)

92
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


APENDICE
E

GRAFICOS - HISTORICO DOS PARAMETROS DO MODELO DO


MONTANTE DE SINISTRO

Figura E.1. Historicos


do Parametros
+ 1 a + 12

93
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura E.2. Historicos


do Parametros
2,1 a 2,12

Figura E.3. Historicos


do Parametros
3,1 a 3,12

94
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura E.4. Historicos


do Parametros
4,1 a 4,12

Figura E.5. Historicos


do Parametros
5,1 a 5,12

95
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura E.6. Historicos


do Parametros
6,1 a 6,12

Figura E.7. Historicos


do Parametros
7,1 a 7,12

96
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura E.8. Historicos


do Parametros
8,1 a 8,12

Figura E.9. Historicos


do Parametros
9,1 a 9,12

97
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura E.10. Historicos


do Parametros
10,1 a 10,12

Figura E.11. Historicos


do Parametros
11,1 a 11,12

98
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura E.12. Historicos


do Parametros
12,1 a 12,12

dos Hiperparametros

Figura E.13. Autocorrelacao


- , e

99
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


APENDICE
F

GRAFICOS - HISTORICO DOS PARAMETROS DO MODELO DO

NUMERO
DE SINISTRO

Figura F.1. Historicos


do Parametros
+ 1 a + 12

101
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura F.2. Historicos


do Parametros
2,1 a 2,12

Figura F.3. Historicos


do Parametros
3,1 a 3,12

102
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura F.4. Historicos


do Parametros
4,1 a 4,12

Figura F.5. Historicos


do Parametros
5,1 a 5,12

103
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura F.6. Historicos


do Parametros
6,1 a 6,12

Figura F.7. Historicos


do Parametros
7,1 a 7,12

104
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura F.8. Historicos


do Parametros
8,1 a 8,12

Figura F.9. Historicos


do Parametros
9,1 a 9,12

105
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura F.10. Historicos


do Parametros
10,1 a 10,12

Figura F.11. Historicos


do Parametros
11,1 a 11,12

106
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

Figura F.12. Historicos


do Parametros
12,1 a 12,12

Figura F.13. AHistoricos


do Hiperparametros

107
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


APENDICE
G

GRAFICOS - AUTOCORRELAC
AO DOS PARAMETROS
DO
MODELO DO MONTANTE DE SINISTRO

dos parametros

Figura G.1. Autocorrelacao


-

109
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

dos Parametros

Figura G.2. Autocorrelacao


2,1 a 2,12

dos Parametros

Figura G.3. Autocorrelacao


3,1 a 3,12

110
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

dos Parametros

Figura G.4. Autocorrelacao


4,1 a 4,12

dos Parametros

Figura G.5. Autocorrelacao


5,1 a 5,12

111
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

dos Parametros

Figura G.6. Autocorrelacao


6,1 a 6,12

dos Parametros

Figura G.7. Autocorrelacao


7,1 a 7,12

112
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

dos Parametros

Figura G.8. Autocorrelacao


8,1 a 8,12

dos Parametros

Figura G.9. Autocorrelacao


9,1 a 9,12

113
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

dos Parametros

Figura G.10. Autocorrelacao


10,1 a 10,12

dos Parametros

Figura G.11. Autocorrelacao


11,1 a 11,12

114
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

dos Parametros

Figura G.12. Autocorrelacao


12,1 a 12,12

dos Hiperparametros

Figura G.13. Autocorrelacao


, e

115
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE


APENDICE
H

GRAFICOS - AUTOCORRELAC
AO DOS PARAMETROS
DO

MODELO DO NUMERO
DE SINISTRO

dos parametros

Figura H.1. Autocorrelacao


-

117
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

dos Parametros

Figura H.2. Autocorrelacao


2,1
a 2,12

dos Parametros

Figura H.3. Autocorrelacao


3,1
a 3,12

118
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

dos Parametros

Figura H.4. Autocorrelacao


4,1
a 4,12

dos Parametros

Figura H.5. Autocorrelacao


5,1
a 5,12

119
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

dos Parametros

Figura H.6. Autocorrelacao


6,1
a 6,12

dos Parametros

Figura H.7. Autocorrelacao


7,1
a 7,12

120
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

dos Parametros

Figura H.8. Autocorrelacao


8,1
a 8,12

dos Parametros

Figura H.9. Autocorrelacao


9,1
a 9,12

121
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

dos Parametros

Figura H.10. Autocorrelacao


10,1
a 10,12

dos Parametros

Figura H.11. Autocorrelacao


11,1
a 11,12

122
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

dos Parametros

Figura H.12. Autocorrelacao


12,1
a 12,12

dos Hiperparametros

Figura H.13. Autocorrelacao

123
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

REFERENCIAS
BIBLIOGRAFICAS

(1966) Decreto-Lei N 73.


B LACK , F. and S CHOLES , M. (1973). The pricing of options and corporate liabilities.
Journal of Political Economics, 87, 637659.
C HIB , S. and G REENBERG , E. (1994). Bayes inference in regression models with
ARMA(p,q) errors. Journal of Econometrics, 64, 183206.
N 30.
CNSP (1968) Resolucao
N 5.
(1971) Resolucao
N 26. Disponvel em:
(1987) Resolucao
http://www.susep.gov.br/textos/resol02687.pdf
N 14. Disponvel em:
(1988) Resolucao
http://www.susep.gov.br/textos/resol01488.pdf
N 18. Disponvel em:
(1998) Resolucao
http://www.susep.gov.br/textos/resol01898.htm
N 36. Disponvel em:
(2000) Resolucao
http://www.susep.gov.br/textos/resol036 00.htm
N 59. Disponvel em:
(2001) Resolucao
http://www.susep.gov.br/textos/resol059 01.htm
N 89. Disponvel em:
(2002) Resolucao
http://www.susep.gov.br/textos/resol089.htm
N 120. Disponvel em:
(2004) Resolucao
http://www.susep.gov.br/textos/resol120.pdf
N 155. Disponvel em:
(2006a) Resolucao
http://www.susep.gov.br/textos/resol155.pdf
N 156. Disponvel em:
(2006b) Resolucao
http://www.susep.gov.br/textos/resol156.pdf
N 157. Disponvel em:
(2006c) Resolucao
http://www.susep.gov.br/textos/resol157.pdf
N 158. Disponvel em:
(2006d) Resolucao
http://www.susep.gov.br/textos/resol158.pdf
N 162. Disponvel em:
(2006e) Resolucao
http://www.susep.gov.br/textos/resol162.pdf

125
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

N 178. Disponvel em:


(2007a) Resolucao
http://www.susep.gov.br/textos/resol178.pdf
N 181. Disponvel em:
(2007b) Resolucao
http://www.susep.gov.br/textos/resol181.pdf
C OX , J. AND I NGERSOLL , J. E. and R OSS , S. A. (1985). A theory of the term structureof interest rate. Econometrica, 53, 385407.
D E A LBA , E. (2002). Bayesian estimation of outstanding claim reserves. North
American Acturial Journal, 6, 4.
D E A LBA , E. and M ENDOZA , M. (1996). Discrete Bayesian Models for Forecasting
with Stable Seasonal Patterns. Advances in Econometrics, 2, 267281.
D IEBOLD , F. and L I , C. (2005). Forecasting the term structure of government bond
yields. Journal of Econometrics, 75102.
(2006). Forecasting the term structure of government bond yields. Journal of
Econometrics, 2, 337-364.
D IEBOLD , F., RUDEBUSCH, G., and A RUOBA , S. (2006). The macroeconomy and
the yield curve: a dynamic latent factor approach. Journal of Econometrics, 131,
309338.
E NGLAND , P. and V ERRALL , R. (1999). Analytic and Bootstrap Estimates of Prediction Errors in Claims Reserving. Insurance: Mathematics and Economics, 25,
281-293.
E UROPEAN C OMMISSION I NTERNAL M ARKET AND S ERVICES DG (2004).

QIS4 Technical Specifications (MARKT/2005/08).


Estudo para avaliacao

do impacto quantitativo das regras de solvencia.


Disponvel em
http://www.ceiops.org/content/view/118/124/.
F RAGA , E. and N ETO , W. (2005). Bayesian Models for the Underwriting: Premium
Risk Valuation. In In Proceedings of the Second Brasilian Conference on Statistical Modelling in Insurance and Finance, 104-109. Fernandes, C., Schimidli, H. &
Kolev, N. eds.
G AMERMAN , D. and L OPES , H. (2006). Markov Chain Monte Carlo Stochastic Simulation for Bayesian Inference. 2nd ed. Chapman & Hall/CRC.
G AMERMAN , D. and M IGON , H. (1993). Dynamic Hierarchical Models. Journal of
Royal Statistical Society , 55, 629642.
G ELFAND , A. E. and G HOST , S. K. (1998). Model choice: a minimum posterior
precictive loss approach. Biometrika, 85, 111.
G EWEKE , J., B ERGER , J. O., DAWID, A. P., and S MITH , A. F. M. (1992). Evaluating the Accuracy of Sampling-Based Approaches to the Calculation of Posterior
Moments. In In Bayesian Statistics 4, 169193. University Press.

126
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

G EWEKE , J. and TANIZAKI , H. (2001). Bayesian estimation of state space models


using Metropolis-Hastings algorithm within Gibbs sampling. omputacional Statistics & Data Analysis, 37, 151170.
G OOVAERTS , M., K AAS , R., D HAENE , J., and TANG , Q. (2004). Some New Classes
of Consistent Risk Measures. Insurance: Mathematics and Economics, 34, 505
516.
G OOVAERTS , M., K AAS , R., VAN H EERWAARDEN , A., and B AUWELINCKX , T. (1990).
Effective Actuarial Methods. Amsterdam: North-Holland.
K AAS , R., G OOVAERTS , M., D HAENE , J., and D ENUIT , M. (2004). Modern Actuarial
Risk Theory . Kluwer Academic Publishers.
KORN , R. and KORN , E. (2001). Option Pricing and Portfolio Optimization Modern
Methods of Financial Mathematics GraduateStudiesinM athematics. 1st ed. American Mathematical Society.
, R. (1997). O Mercado de Seguros do Brasil. Funenseg.
M AGALH AES
M ARKOWITZ , H. (1952). Portfolio selection. Journal of Finance, 6, 7791.
M IGON , H. and A BANTO -VALLE , C. (2007). A Bayesian Term Structure Modelling.
In In Proceedings of Third Brazilian Conference on Statistical Modelling in Insurance and Finance, 200203. Fernandes, C., Schimidli, H. & Kolev, N. eds.
M IGON , H. S. and G AMERMAN , D. (1993). Generalized exponential growth models:
a Bayesian approach. Journal of Forecasting, 12, 573584.
(1999). Statistical Inference: an Integrated Approach. Arnold Publisher.
N ELDER , J. A. and W EDDERBURN , W. M. (1972). Generalized Linear Models.
Journal of the Royal Statistical Society. Series A General, 135, 370-384.
N ELSON , C. R. and S IEGEL , A. F. (1987). Parsimonious Modeling of Yield Curves.
Journal of American Statistic, 60, 7473-489.
N ETO , W. (2004). Underwriting Risk Based Capital Valuation to Loss Reserve.
Masters thesis, Universidade Federal do Rio de Janeiro.
N TZOUFRAS , I. and D ELLAPORTAS , P. (2002). Bayesian Modelling of Outstanding
Liabilities Incorporating Claim Count Uncertainty (with discussion). North American Actuarial Journal, 6, 113128.
N TZOUFRAS , I., K ATSIS , A., and K ARLIS , D. (2005). Bayesian assessment of the
distribution of insurance claim counts using reversible lump MCMC. North American Actuarial Journal, 9, 90108.
R AFTERY, A. E. and L EWIS , S. (1992). How many iterations in the Gibbs sampler.
In In Bayesian Statistics 4, 763773. Oxford University Press.
R IBEIRO , A. (2006). Direito de Seguros. Editora Atlas S.A.
, A. (2005). Solvency Models, Assessment and Regulation. Chapman
S ANDSTR OM
& Hall/CRC.

127
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

S CHWARTZ , G. (1978). Estimating the dimention of a model. Annals of Statistics,


6, 461465.
, R., J UNIOR

S IM OES
, C. M. A., K ELLY , C. C., M ARANH A O , L. M., G OUV E A , P. M.,
das Linhas de Acoes

C ABRAL , S. R. P. S., and N ETO , W. (2007). Regulacao


do Mercado Segurador Brasileiro. Cadernos
Preventivas e Capital de Subscricao
de seguros, 143, 4147.
S PIEGELHALTER , D. J., B EST , N. G., C ARLIN , B. P., and L INDE , A. V. D. (2002).
Bayesian Measures of Model Complexity and Fit. Journal of the Royal Statistical
Society. Series B (Statistical Methodology), 64, 4, 583639.
SUSEP (2004a) Circular N 253. Disponvel em:
http://www.susep.gov.br/textos/circ253.pdf
(2004b) Circular N 276. Disponvel em:
http://www.susep.gov.br/textos/circ276.pdf
(2007) Circular N 355. Disponvel em:
http://www.susep.gov.br/textos/circ355.pdf
S WISS F EDERAL O FFICE OF P RIVATE I NSURANCE (2008). White Paper of Swiss

Solvency Test. Novo sistema de solvencia


de seguradoras na suica, FOPI. Disponvel em www.versicherungsurteile.admin.ch/de/pdf/white paper sst.pdf.
TAYLOR , G. (2000). Loss Reserving An Actuarial Perspective. Kluwer Academic
Publisher.
TAYLOR , G. and A SHE , F. (1983). Second Moments of Estimates of Outstanding
Claims. Journal of econometrics, 23, 37-61.
VASICEK , O. (1977). An equilibrium characterization of the term struture. Journal
of Financial Economics, 5, 177188.
V ERRALL , R. (1989). State Space Representation of the Chain Ladder Linear Model. The Journal of the Institute of Actuaries, 116, 589-610.
W EST , M., H ARRISON , P., and M IGON ,H. S. (1986). Dynamic Generalised linear
models and Bayesian forecasting. Journal of American Statistic, 80, 73-97.
W ISER , R., C OCKLEY , J., and G ARDNER , A. (2001). Loss Reserving. Foundations
of Casualty Actuarial Science, 4o edition, 197-285.

128
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

COLECCIN CUADERNOS DE LA FUNDACIN


Instituto de Ciencias del Seguro
Para cualquier informacin o para adquirir nuestras publicaciones
puede encontrarnos en:
FUNDACIN MAPFRE
Publicaciones
Paseo de Recoletos 23, 4 planta 28004 Madrid (Espaa)
Telf.: +34 915 818 768
www.fundacionmapfre.com/cienciasdelseguro

148. Avaliao das Provises de Sinistro sob o Enfoque das Novas Regras
de Solvncia do Brasil. 2010
147. El principio de igualdad sexual en el Seguro de Salud. Anlisis actuarial de
su impacto y alcance. 2010
146. Investigaciones histricas sobre el Seguro espaol. 2010
145. Perspectivas y anlisis econmico de la futura reforma del sistema espaol
de valoracin del dao corporal. 2009
144. Contabilidad y Anlisis de Cuentas Anuales de Entidades Aseguradoras
(Plan contable 24 de julio de 2008). 2009
143. Mudanas Climticas e Anlise de Risco da Indstria de Petrleo no Litoral
Brasileiro. 2009
142. Bases tcnicas dinmicas del Seguro de Dependencia en Espaa. Una
aproximacin en campo discreto. 2009
141. Transferencia Alternativa de Riesgos en el seguro de Vida: Titulizacin de
Riesgos. 2009
140. Riesgo de negocio ante asegurados con mltiples contratos. 2009
139. Optimizacin econmica del Reaseguro cedido. Modelos de decisin. 2009
138. Inversiones en el Seguro de Vida en la actualidad y perspectivas de futuro.
2009
137. El Seguro de Vida en Espaa. Factores que influyen en su progreso. 2009

129
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

136. Investigaciones en Seguros y Gestin de Riesgos. RIESGO 2009.


135. Anlisis e interpretacin de la gestin del fondo de maniobra en entidades
aseguradoras de incendio y lucro cesante en grandes riesgos industriales.
2009
134. Gestin integral de Riesgos Corporativos como fuente de ventaja
competitiva: cultura positiva del riesgo y reorganizacin estructural. 2009
133. La designacin de la pareja de hecho como beneficiaria en los seguros de
vida. 2009
132. Optimizacin econmica del Reaseguro cedido. Modelos de decisin. 2009
131. La cobertura pblica en el seguro de crdito a la exportacin en Espaa:
cuestiones prcticas-jurdicas. 2009
130. La mediacin en seguros privados: anlisis de un complejo proceso de
cambio legislativo. 2009
129. Temas relevantes del Derecho de Seguros contemporneo. 2008
128. Cuestiones sobre la clusula cut through. Transferencia y reconstruccin. 2008
127. La responsabilidad derivada de la utilizacin de organismos genticamente
modificados y la redistribucin del riesgo a travs del seguro. 2008
126. Ponencias de las Jornadas Internacionales sobre Catstrofes Naturales.
2008
125. La seguridad jurdica de las tecnologas de la informacin en el sector
asegurador. 2008
124. Prediccin de tablas de mortalidad dinmicas mediante un procedimiento
bootstrap. 2008
123. Las compaas aseguradoras en los procesos penal y contenciosoadministrativo. 2008
122. Factores de riesgo y clculo de primas mediante tcnicas de aprendizaje.
2008
121. La solicitud de seguro en la Ley 50/1980, de 8 de octubre, de Contrato de
Seguro. 2008
120. Propuestas para un sistema de cobertura de enfermedades catastrficas en
Argentina. 2008

130
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

119. Anlisis del riesgo en seguros en el marco de Solvencia II: Tcnicas


estadsticas avanzadas Monte Carlo y Bootstrapping. 2008
118. Los planes de pensiones y los planes de previsin asegurados: su inclusin
en el caudal hereditario. 2007
117. Evoluo de resultados tecnicos e financeiros no mercado segurador
iberoamericano. 2007
116. Anlisis de la Ley 26/2006 de Mediacin de Seguros y Reaseguros Privados.
2007
115. Sistemas de cofinanciacin de la dependencia: seguro privado frente a
hipoteca inversa. 2007
114. El sector asegurador ante el cambio climtico: riesgos y oportunidades. 2007
113. Responsabilidade social empresarial no mercado de seguros brasileiro
influncias culturais e implicaes relacionais. 2007
112. Contabilidad y anlisis de cuentas anuales de entidades aseguradoras. 2007
111. Fundamentos actuariales de primas y reservas de fianzas. 2007
110. El Fair Value de las provisiones tcnicas de los seguros de Vida. 2007
109. El Seguro como instrumento de gestin de los M.E.R. (Materiales
Especficados de Riesgo). 2006
108. Mercados de absorcin de riesgos. 2006
107. La exteriorizacin de los compromisos por pensiones en la negociacin
colectiva. 2006
106. La utilizacin de datos mdicos y genticos en el mbito de las compaas
aseguradoras. 2006
105. Los seguros contra incendios forestales y su aplicacin en Galicia. 2006
104. Fiscalidad del seguro en Amrica Latina. 2006
103. Las NIC y su relacin con el Plan Contable de Entidades Aseguradoras.
2006
102. Naturaleza jurdica del Seguro de Asistencia en Viaje. 2006
101. El Seguro de Automviles en Iberoamrica. 2006

131
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

100. El nuevo perfil productivo y los seguros agropecuarios en Argentina. 2006


99.

Modelos alternativos de transferencia y financiacin de riesgos ART:


situacin actual y perspectivas futuras. 2005

98.

Disciplina de mercado en la industria de seguros en Amrica Latina. 2005

97.

Aplicacin de mtodos de inteligencia artificial para el anlisis de la solvencia


en entidades aseguradoras. 2005

96.

El Sistema ABC-ABM: su aplicacin en las entidades aseguradoras. 2005

95.

Papel del docente universitario: ensear o ayudar a aprender? 2005

94.

La renovacin del Pacto de Toledo y la reforma del sistema de pensiones:


es suficiente el pacto poltico? 2005

92.

Medicin de la esperanza de vida residual segn niveles de dependencia en


Espaa y costes de cuidados de larga duracin. 2005

91.

Problemtica de la reforma de la Ley de Contrato de Seguro. 2005

90.

Centros de atencin telefnica del sector asegurador. 2005

89.

Mercados aseguradores en el rea mediterrnea y cooperacin para su


desarrollo. 2005

88.

Anlisis multivariante aplicado a la seleccin de factores de riesgo en la


tarificacin. 2004

87.

Dependencia en el modelo individual, aplicacin al riesgo de crdito. 2004

86.

El margen de solvencia de las entidades aseguradoras en Iberoamrica.


2004

85.

La matriz valor-fidelidad en el anlisis de los asegurados en el ramo del


automvil. 2004

84.

Estudio de la estructura de una cartera de plizas y de la eficacia de un


Bonus-Malus. 2004

83.

La teora del valor extremo: fundamentos y aplicacin al seguro, ramo de


responsabilidad civil autos. 2004

81.

El Seguro de Dependencia: una visin general. 2004

132
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

80.

Los planes y fondos de pensiones en el contexto europeo: la necesidad de


una armonizacin. 2004

79.

La actividad de las compaas aseguradoras de vida en el marco de la


gestin integral de activos y pasivos. 2003

78.

Nuevas perspectivas de la educacin universitaria a distancia. 2003

77.

El coste de los riesgos en la empresa espaola: 2001

76.

La incorporacin de los sistemas privados de pensiones en las pequeas y


medianas empresas. 2003

75.

Incidencia de la nueva Ley de Enjuiciamiento Civil en los procesos de


responsabilidad civil derivada del uso de vehculos a motor. 2002

74.

Estructuras de propiedad, organizacin y canales de distribucin de las


empresas aseguradoras en el mercado espaol. 2002

73.

Financiacin del capital-riesgo mediante el seguro. 2002

72.

Anlisis del proceso de exteriorizacin de los compromisos por pensiones.


2002

71.

Gestin de activos y pasivos en la cartera de un fondo de pensiones. 2002

70.

El cuadro de mando integral para las entidades aseguradoras. 2002

69.

Provisiones para prestaciones a la luz del Reglamento de Ordenacin y


Supervisin de los Seguros Privados; mtodos estadsticos de clculo. 2002

68.

Los seguros de crdito y de caucin en Iberoamrica. 2001

67.

Gestin directiva en la internacionalizacin de la empresa. 2001

65.

tica empresarial y globalizacin. 2001

64.

Fundamentos tcnicos de la regulacin del margen de solvencia. 2001

63.

Anlisis de la repercusin fiscal del seguro de vida y los planes de


pensiones. Instrumentos de previsin social individual y empresarial. 2001

62.

Seguridad Social: temas generales y rgimen de clases pasivas del Estado.


2001

61.

Sistemas Bonus-Malus generalizados con inclusin de los costes de los


siniestros. 2001

133
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

60.

Anlisis tcnico y econmico del conjunto de las empresas aseguradoras de


la Unin Europea. 2001

59.

Estudio sobre el euro y el seguro. 2000

58.

Problemtica contable de las operaciones de reaseguro. 2000

56.

Anlisis econmico y estadstico de los factores determinantes de la


demanda de los seguros privados en Espaa. 2000

54.

El corredor de reaseguros y su legislacin especfica en Amrica y Europa.


2000

53.

Habilidades directivas: estudio de sesgo de gnero en instrumentos de


evaluacin. 2000

52.

La estructura financiera de las entidades de seguros, S.A. 2000

50.

Mixturas de distribuciones: aplicacin a las variables ms relevantes que


modelan la siniestralidad en la empresa aseguradora. 1999

49.

Solvencia y estabilidad financiera en la empresa de seguros: metodologa y


evaluacin emprica mediante anlisis multivariante. 1999

48.

Matemtica Actuarial no vida con MapleV. 1999

47.

El fraude en el Seguro de Automvil: cmo detectarlo. 1999

46.

Evolucin y prediccin de las tablas de mortalidad dinmicas para la


poblacin espaola. 1999

45.

Los Impuestos en una economa global. 1999

42.

La Responsabilidad Civil por contaminacin del entorno y su aseguramiento.


1998

41.

De Maastricht a Amsterdam: un paso ms en la integracin europea. 1998

N Especial Informe sobre el Mercado Espaol de Seguros 1997


Fundacin MAPFRE Estudios
39.

Perspectiva histrica de los documentos estadstico-contables del rgano de


control: aspectos jurdicos, formalizacin y explotacin. 1997

134
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

38.

Legislacin y estadsticas del mercado de seguros en la comunidad


iberoamericana. 1997

37.

La responsabilidad civil por accidente de circulacin. Puntual comparacin


de los derechos francs y espaol. 1997

36.

Clusulas limitativas de los derechos de los asegurados y clusulas


delimitadoras del riesgo cubierto: las clusulas de limitacin temporal de la
cobertura en el Seguro de Responsabilidad Civil. 1997

35.

El control de riesgos en fraudes informticos. 1997

34.

El coste de los riesgos en la empresa espaola: 1995

33.

La funcin del derecho en la economa. 1997

N Especial Informe sobre el Mercado Espaol de Seguros 1996


Fundacin MAPFRE Estudios
32.

Decisiones racionales en reaseguro. 1996

31.

Tipos estratgicos, orientacin al mercado y resultados econmicos: anlisis


emprico del sector asegurador espaol. 1996

30.

El tiempo del directivo. 1996

29.

Ruina y Seguro de Responsabilidad Civil Decenal. 1996

N Especial Informe sobre el Mercado Espaol de Seguros 1995


Fundacin MAPFRE Estudios
28.

La naturaleza jurdica del Seguro de Responsabilidad Civil. 1995

27.

La calidad total como factor para elevar la cuota de mercado en empresas de


seguros. 1995

26.

El coste de los riesgos en la empresa espaola: 1993

25.

El reaseguro financiero. 1995

24.

El seguro: expresin de solidaridad desde la perspectiva del derecho. 1995

23.

Anlisis de la demanda del seguro sanitario privado. 1993

135
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE

N Especial Informe sobre el Mercado Espaol de Seguros 1994


Fundacin MAPFRE Estudios
22.

Rentabilidad y productividad de entidades aseguradoras. 1994

21.

La nueva regulacin de las provisiones tcnicas en la Directiva de Cuentas


de la C.E.E. 1994

20.

El Reaseguro en los procesos de integracin econmica. 1994

19.

Una teora de la educacin. 1994

18.

El Seguro de Crdito a la exportacin en los pases de la OCDE (evaluacin


de los resultados de los aseguradores pblicos). 1994

N Especial Informe sobre el mercado espaol de seguros 1993


Fundacin MAPFRE Estudios
16.

La legislacin espaola de seguros y su adaptacin a la normativa


comunitaria. 1993

15.

El coste de los riesgos en la empresa espaola: 1991

14.

El Reaseguro de exceso de prdidas 1993

12.

Los seguros de salud y la sanidad privada. 1993

10.

Desarrollo directivo: una inversin estratgica. 1992

9.

Tcnicas de trabajo intelectual. 1992

8.

La implantacin de un sistema de controlling estratgico en la empresa. 1992

7.

Los seguros de responsabilidad civil y su obligatoriedad de aseguramiento.


1992

6.

Elementos de direccin estratgica de la empresa. 1992

5.

La distribucin comercial del seguro: sus estrategias y riesgos. 1991

4.

Los seguros en una Europa cambiante: 1990-95. 1991

2.

Resultados de la encuesta sobre la formacin superior para los profesionales


de entidades aseguradoras (A.P.S.). 1991

1.

Filosofa empresarial: seleccin de artculos y ejemplos prcticos. 1991

136
FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE