Mémoires d'Actuariat
Risk assessment of natural perils impacts: data, backtesting and multi-hazard approach
Auteur(s) WANG J.
Société GIE AXA
Année 2024
Confidentiel jusqu'au 31/01/2026
Résumé
Avec l'augmentation des catastrophes naturelles, le secteur de l'assurance a besoin de modèles d'évaluation des risques conformes à Solvabilité II. AXA a développé une méthodologie qui combine les points forts de plusieurs modèles. La validation de ces modèles nécessite des données historiques, pour lesquelles nous introduisons une base de données structurée pour cataloguer les scénarios et les pertes assurées. Pour la validation des modèles, nous menons des exercices de backtesting en nous concentrant sur des périodes de retour de 25 ans pour évaluer l'exactitude des modèles dans la prédiction des pertes. Notre analyse met l'accent sur la capacité de ces modèles à capturer la distribution influençant la perte moyenne annuelle. De plus, les assureurs mondiaux doivent prendre en compte les corrélations potentielles entre différents périls. Pour cela, nous proposons l'utilisation de périodes de retour bivariées en utilisant des copules et explorons la modélisation des pertes de risque multivariée en utilisant des données historiques de sinistres. En tant qu'étude de cas, nous examinons les distributions annuelles de pertes conjointes pour deux périls (les inondations en France et les tempêtes européennes) au sein d'AXA France. Nous comparons les résultats des distributions conjointes non corrélées et corrélées des pertes simulées par le modèle dérivé de données historiques. Nos résultats visent à améliorer la fiabilité de la modélisation des catastrophes naturelles.
Abstract
With the rising frequency of natural disasters, the insurance sector faces a growing need for robust risk assessment models compliant with Solvency II standards. Insurers typically rely on a range of catastrophe models, either sourced externally or developed internally. AXA has crafted a methodology that synthesizes the strengths of multiple models. However, the validation of these models requires historical data. To address this, we introduce a structured database to catalog scenarios and insured losses. For model validation, we conduct backtesting exercises focusing on 25-year return periods to evaluate the models' accuracy in predicting losses. Our analysis emphasizes the ability of these models to capture the distribution influencing Annual Average Loss (AAL). Additionally, global insurers must consider potential correlations between different perils on a global scale. To address this concern, we propose the use of bivariate return periods employing copulas and explore multivariate hazard loss modeling using historical claims data. As a case study, we examine joint annual loss distributions for two perils—France flood and European windstorms—within AXA France. We compare the outcomes of uncorrelated and correlated joint distributions of model-simulated losses derived from historical data. Our methodology and findings contribute insights aimed at refining risk assessment practices and enhancing the accuracy of catastrophe modeling in the face of escalating natural disasters.
Auteur(s) WANG J.
Société GIE AXA
Année 2024
Confidentiel jusqu'au 31/01/2026
Résumé
Avec l'augmentation des catastrophes naturelles, le secteur de l'assurance a besoin de modèles d'évaluation des risques conformes à Solvabilité II. AXA a développé une méthodologie qui combine les points forts de plusieurs modèles. La validation de ces modèles nécessite des données historiques, pour lesquelles nous introduisons une base de données structurée pour cataloguer les scénarios et les pertes assurées. Pour la validation des modèles, nous menons des exercices de backtesting en nous concentrant sur des périodes de retour de 25 ans pour évaluer l'exactitude des modèles dans la prédiction des pertes. Notre analyse met l'accent sur la capacité de ces modèles à capturer la distribution influençant la perte moyenne annuelle. De plus, les assureurs mondiaux doivent prendre en compte les corrélations potentielles entre différents périls. Pour cela, nous proposons l'utilisation de périodes de retour bivariées en utilisant des copules et explorons la modélisation des pertes de risque multivariée en utilisant des données historiques de sinistres. En tant qu'étude de cas, nous examinons les distributions annuelles de pertes conjointes pour deux périls (les inondations en France et les tempêtes européennes) au sein d'AXA France. Nous comparons les résultats des distributions conjointes non corrélées et corrélées des pertes simulées par le modèle dérivé de données historiques. Nos résultats visent à améliorer la fiabilité de la modélisation des catastrophes naturelles.
Abstract
With the rising frequency of natural disasters, the insurance sector faces a growing need for robust risk assessment models compliant with Solvency II standards. Insurers typically rely on a range of catastrophe models, either sourced externally or developed internally. AXA has crafted a methodology that synthesizes the strengths of multiple models. However, the validation of these models requires historical data. To address this, we introduce a structured database to catalog scenarios and insured losses. For model validation, we conduct backtesting exercises focusing on 25-year return periods to evaluate the models' accuracy in predicting losses. Our analysis emphasizes the ability of these models to capture the distribution influencing Annual Average Loss (AAL). Additionally, global insurers must consider potential correlations between different perils on a global scale. To address this concern, we propose the use of bivariate return periods employing copulas and explore multivariate hazard loss modeling using historical claims data. As a case study, we examine joint annual loss distributions for two perils—France flood and European windstorms—within AXA France. We compare the outcomes of uncorrelated and correlated joint distributions of model-simulated losses derived from historical data. Our methodology and findings contribute insights aimed at refining risk assessment practices and enhancing the accuracy of catastrophe modeling in the face of escalating natural disasters.
