Il calcolo del SCR in Solvency II, da effettuare sulla base di valutazioni “market-consistent” delle poste di bilancio, richiede l’utilizzo di metodologie complesse e “time consuming”. Al fine di superare tali criticità, gli Autori applicano metodologie consolidate di “machine learning” per gestire i problemi di calcolo derivanti dall’utilizzo di approcci “Monte Carlo” nel settore dei prodotti vita con partecipazione agli utili.
Gilberto CASTELLANI, Ugo FIORE, Zelda MARINO, Luca PASSALACQUA, Francesca PERLA, Salvatore SCOGNAMIGLIO, Paolo ZANETTI
“An Investigation of Machine Learning Approaches in the Solvency II Valuation Framework”
Solvency II è un regime di solvibilità che si pone l’obiettivo di salvaguardare i diritti degli assicurati e dei beneficiari richiedendo alle imprese di assicurazione di detenere un ammontare di capitale in grado di coprire perdite inattese con un livello di confidenza del 99,5% su un orizzonte temporale annuale.

Per valutare l’esposizione ai rischi e determinare il requisito patrimoniale di solvibilità (SCR), le imprese devono calcolare la distribuzione di probabilità del Net Asset Value (NAV) – ossia il valore delle attività al netto di quello delle passività – su un periodo di un anno, con un approccio di tipo “market-consistent”.

Nell’assicurazione vita, date le peculiarità dei contratti, la valutazione della distribuzione del NAV richiede una simulazione di tipo Monte Carlo annidata (“nested”), che risulta in genere estremamente laboriosa.

Al riguardo, le tecniche di apprendimento automatico (“machine learning”) sono ritenute uno strumento promettente per ridurre l’onere dei calcoli delle simulazioni annidate.

Il lavoro analizza il potenziale di alcune metodologie già diffuse, come quelle dei “Deep Learning Networks” e dei “Support Vector Regressors”, quando applicate nella valutazione del Solvency Capital Requirement delle polizze vita con partecipazioni agli utili. L’analisi viene effettuata valutando empiricamente l’efficacia di tali metodologie e confrontando la loro efficienza e accuratezza rispetto, ad esempio, alla tradizionale tecnica Monte Carlo dei minimi quadrati.

Il lavoro si propone, altresì, di contribuire al processo di rinnovamento dell’industria assicurativa europea, nel momento in cui Solvency II ha reso i Consigli di Amministrazione pienamente responsabili della scelta delle tecniche di valutazione e dei processi di calcolo, sotto il periodico monitoraggio da parte delle Autorità di vigilanza.

Fonte: ANIA. Panorama Assicurativo