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