solvency ii und die standardformel - tu dresden · solvency ii ” solvency ii“ ist ein projekt...
TRANSCRIPT
Fakultat Mathematik und Naturwissenschaften Institut fur Mathematische Stochastik
Solvency II und die Standardformel
Festkolloquium 20 Jahre (neue)Versicherungsmathematik an der TU Dresden
Sebastian Fuchs
Dresden, 21.10.2011
Solvency II und Standardformel
RisikomaßeValue at RiskTail Value at RiskExpected Shortfall
Berechnung der Solvenzkapitalanforderung SCR
Elliptische und Spharische VerteilungElliptische Verteilung
TU Dresden Folie 2 von 27
Solvency II ”Solvency II“ ist ein Projekt der EU–Kommission Entwicklung eines Solvabilitatssystems, welches die vorhandenen
Risiken eines Versicherungsunternehmens realistisch abbildet(risikoorientiert)
Drei–Saulen–Modell Verabschiedung: April/November 2009 Umsetzung: 2013 Solvenzkapitalbedarf wird mit Hilfe der Große
”Solvenzkapitalanforderung“ (SCR) ermittelt ”Die Solvenzkapitalanforderung sollte anrechnungsfahige Eigenmittel in
einer Hohe widerspiegeln, die den Versicherungs- undRuckversicherungsunternehmen die Moglichkeit gibt, signifikanteVerluste auszugleichen, und den Versicherungsnehmern undBegunstigten hinreichende Gewahr dafur bietet, dass Zahlungen beiFalligkeit geleistet werden.“
TU Dresden Folie 4 von 27
Standardformel
Die Standardformel zur Berechnung der Basissolvenzkapitalanforderung(BSCR) ist fur die Risikomodule X1, ...,Xn gegeben durch
BSCR :=
n∑i=1
n∑j=1
ρij SCRVaR0,995[Xi ] SCRVaR0,995
[Xj ]
1/2
wobei ρ den Korrelationskoeffizienten bezeichnet.
TU Dresden Folie 5 von 27
Risikomaße
Sei L0 = L0(Ω,F ,P) die Menge aller F–messbaren reell–wertigenZufallsvariablen (Risiken).
DefinitionEin Risikomaß R ist eine Abbildung R : LR ⊆ L0 → R welche folgendeEigenschaft erfullt
PX = PY ⇒ R[X ] = R[Y ]
TU Dresden Folie 7 von 27
DefinitionEin Risikomaß R : LR ⊆ L0 → R heißt
positiv homogen wenn fur alle X ∈ LR und alle c ∈ R+ mit cX ∈ LRgilt
R[cX ] = cR[X ]
translativ wenn fur alle X ∈ LR und alle c ∈ R mit X + c ∈ LR gilt
R[X + c] = R[X ] + c
TU Dresden Folie 8 von 27
Value at Risk
DefinitionSei α ∈ (0, 1). Die Abbildung VaRα : L0 → R gegeben durch
VaRα[X ] := infx ∈ R | P[X ≤ x] ≥ α
heißt Value at Risk bezuglich α.
LemmaValue at Risk ist ein positiv homogenes und translatives Risikomaß.
TU Dresden Folie 9 von 27
Tail Value at Risk
DefinitionSei α ∈ (0, 1). Die Abbildung TVaRα : L1 → R gegeben durch
TVaRα[X ] := E[X∣∣ X ≥ VaRα[X ]
]heißt Tail Value at Risk bezuglich α.
LemmaTail Value at Risk ist ein positiv homogenes und translatives Risikomaß.
TU Dresden Folie 10 von 27
Expected Shortfall
DefinitionSei α ∈ (0, 1). Die Abbildung ESα : L1 → R gegeben durch
ESα[X ] :=1
1− α
∫(α,1)
VaRβ [X ]dλ(β)
heißt Expected Shortfall bezuglich α.
LemmaExpected Shortfall ist ein positiv homogenes und translatives Risikomaß.
TU Dresden Folie 11 von 27
Solvenzkapitalanforderung SCR
DefinitionSei R ein Risikomaß. Die Abbildung SCRR : LR ⊆ L1 → R gegeben durch
SCRR [X ] := R[X ]− E[X ]
heißt Solvenzkapitalanforderung bezuglich R.
TU Dresden Folie 13 von 27
Sei im Folgenden X ein Zufallsvektor mit Koordinaten Xi ∈ L2 derart dassvar[Xi ] 6= 0 fur alle i ∈ 1, ...,d und var[1′X] 6= 0.Definiere zunachst
ρij :=cov[Xi ,Xj ]√
var[Xi ]√
var[Xj ]
Bezeichne des Weiteren Zi die Standardisierung der Koordinaten bzw. Z dieStandardisierung der Summe der Koordinaten von X, d.h.
Zi :=e′i X− E[e′i X]√
var[e′i X]und Z :=
1′X− E[1′X]√var[1′X]
fur alle i ∈ 1, ...,d .
TU Dresden Folie 14 von 27
DefinitionSei R ein Risikomaß und X ein Zufallsvektor mit Koordinaten Xi ∈ LR ⊆ L2
derart dass var[Xi ] 6= 0 fur alle i ∈ 1, ...,d. Setze
SCRR [1′X] :=
d∑i=1
d∑j=1
ρijSCRR [Xi ]SCRR [Xj ]
1/2
(Standardformel)
ProblemstellungUnter welchen Bedingungen erhalt man
SCRR [1′X] = SCRR [1′X]
TU Dresden Folie 15 von 27
LemmaSei R ein positiv homogenes und translatives Risikomaß, X ein Zufallsvektormit Koordinaten Xi ∈ LR ⊆ L2 derart dass var[Xi ] 6= 0 fur alle i ∈ 1, ...,d undvar[1′X] 6= 0.Ist PZi
= PZ fur alle i ∈ 1, ...,d, dann gilt
SCRR [1′X] = SCRR [1′X]
TU Dresden Folie 16 von 27
Elliptische VerteilungDie Familie der elliptischen Verteilung bildet eine Verallgemeinerung dermultivariaten Normalverteilung.
DefinitionEine Verteilung Q : B(Rd )→ [0, 1] heißt elliptische Verteilung, falls ihrecharakteristische Funktion der Form
φQ(t) = eit′µ · ϑ(t′Σt)
genugt, wobei µ ∈ Rd einen Vektor, Σ ∈ Rd×d eine symmetrische undpositiv semidefinite Matrix und ϑ : R+ → R eine messbare Funktionbezeichnet.Elliptische Verteilungen werden mit
Q = Ed (ϑ,µ,Σ)
bezeichnet.TU Dresden Folie 18 von 27
Lemma(Affine Transformation)
Bezeichne X ein Zufallsvektor mit PX = Ed (ϑ,µ,Σ). Dann gilt:• jede affine Transformation von X ist elliptisch verteilt;• jede Koordinate von X ist elliptisch verteilt;• die Summe 1′X der Koordinaten von X ist elliptisch verteilt.
Lemma(Momente)
Bezeichne X ein Zufallsvektor mit PX = Ed (ϑ,µ,Σ).• Ist X integrierbar, dann gilt
E[X] = µ
• Ist X quadratisch integrierbar, dann gilt
var[X] = −2ϑ′(0) · Σ
TU Dresden Folie 20 von 27
BeispielSei X ein Zufallsvektor mit PX = Nd (µ,Σ). Die zugehorige charakteristischeFunktion besitzt die Gestalt
φPX(t) = eit′µ exp(−
12
t′Σt)
Somit ist PX eine elliptische Verteilung mit charakteristischem Generatorϑ(z) = exp(− 1
2 z).
Zusatzlich gilt:
(i) E[X] = µ
(ii) Mit ϑ′(z) = − 12 · exp(− 1
2 z) erhalt man
var[X] = −2ϑ′(0) · Σ = Σ
TU Dresden Folie 21 von 27
Lemma(Lebesgue–Dichte)
Sei Q eine Verteilung mit Lebesgue–Dichte fQ, µ ∈ Rd ein Vektor und seiΣ ∈ Rd×d eine symmetrische und positiv semidefinite Matrix mit rank(Σ) = d.Dann sind aquivalent:
(i) Es existiert eine messbare Funktion ϑ : R+ → R derart dass
Q = Ed (ϑ,µ,Σ)
(ii) Es existiert eine messbare Funktion g : R+ → R+ derart dass
fQ(x) = g((x− µ)′Σ−1(x− µ)
)λd -f.u.
TU Dresden Folie 22 von 27
LemmaSei X ein Zufallsvektor, µ ∈ Rd ein Vektor und sei Σ ∈ Rd×d einesymmetrische und positiv semidefinite Matrix mit rank(Σ) = k.Dann sind aquivalent:
(i) Es existiert eine messbare Funktion ϑ : R+ → R derart dass
PX = Ed (ϑ,µ,Σ)
(ii) Es existiert eine positive Zufallsvariable R, ein k–dimensionaler uniformauf der Einheitssphare verteilter Zufallsvektor U, welcher unabhangigvon R ist, und eine Matrix A ∈ Rd×k mit AA′ = Σ derart dass
PX = Pµ+RAU
TU Dresden Folie 23 von 27
Einige Familien von elliptischen Verteilungen mit zugehorigemDichtegenerator:
• Kotz Typ g(z) ∼ zm−1 exp(−rzs) r , s ∈ (0,∞),m > 1− d/2
Normal g(z) ∼ exp(− 12 z)
• Pearson Typ VII g(z) ∼ (1 + zs )−k s ∈ (0,∞),
k > d/2
Student t g(z) ∼(1 + z
m
)−(d+m)/2 m ∈ N
• Pearson Typ II g(z) ∼ (1− z)m m > 0
• Laplace g(z) ∼ exp(−√
z)
TU Dresden Folie 24 von 27
LemmaSei X ein Zufallsvektor mit PX = Ed (ϑ,µ,Σ) und Koordinaten Xi ∈ L2 derartdass var[Xi ] 6= 0 fur alle i ∈ 1, ...,d und var[1′X] 6= 0.Dann gilt
PZi= PZ
fur alle i ∈ 1, ...,d.
TU Dresden Folie 25 von 27
SatzSei R ein positiv homogenes und translatives Risikomaß, X ein Zufallsvektormit PX = Ed (ϑ,µ,Σ) und Koordinaten Xi ∈ LR ⊆ L2 derart dass var[Xi ] 6= 0fur alle i ∈ 1, ...,d und var[1′X] 6= 0.Dann gilt
SCRR [1′X] = SCRR [1′X]
TU Dresden Folie 26 von 27
Literatur
Europaische Kommission (2009).Directive of the European Parliament and of the Council on the taking-upand pursuit of the business of insurance and reinsurance (Solvency II).DIRECTIVE 2009/138/EC
Fang, K.T., Kotz, S., Ng, K.W. (1987).Symmetric Multivariate and Related Distributions.London: Chapman & Hall.
Fang, K.T., Zhang, Y.T. (1990).Generalized multivariate analysis.Berlin – Heidelberg – New York: Springer.
TU Dresden Folie 27 von 27