GRA · Risque actuariel et quantitatif
Spatial financeWhere capital meets hazard, exposure and transition
Crédibilité et rareté des données
Many risks have little data: new products, small portfolios, rare perils and emerging markets. Credibility theory blends a portfolio’s own experience with wider data according to how much the own data can be trusted. Bayesian methods, pooling and expert judgement extend this. This page sets out how actuaries estimate risk with sparse data, where estimates go wrong, the sources used and who decides.
Crédibilité et données éparses, versées au dossier.
Crédibilité et données rares : comment le risque se développe.
Travailler lorsque l'historique des pertes est court ou inexistant. Le dossier ci-dessous expose comment le risque se développe, ce qui est mesuré, d'où proviennent les données, comment il est modélisé et qui décide.
Combiner données propres et données plus larges
Les pondérations de crédibilité accordent plus de poids à l'expérience propre à mesure qu'elle s'accroît. Un poids trop faible ignore des différences réelles ; un poids trop élevé tarifie le bruit.
Benchmarks may not fit
Les référentiels du secteur ou des réassureurs reflètent d'autres portefeuilles. Si le portefeuille diffère par sa composition ou ses pratiques, le mélange introduit un biais.
L'expertise comble les lacunes
Where data are absent, structured expert elicitation provides estimates. Without structure and documentation, judgement adds hidden bias.
Mise à jour à mesure que les données arrivent
Bayesian updating revises estimates as experience accumulates, showing how far data have moved the prior assumption.
Un indice de sécheresse rapporté à son point d'attachement.
Comment une saison sèche se lit au regard du point à partir duquel la couverture sécheresse commence à indemniser. Saison et paramètres de conception synthétiques.
Ce qui est mesuré, et avec quelle qualité.
Chaque indicateur porte son unité, sa périodicité, le type de source qui le sous-tend et l'étiquette de preuve que porterait une valeur. Aucune valeur n'est affichée : un programme les fournit sous sa propre autorité.
| Indicateur | Unité | Fréquence | Type de source | Étiquette |
|---|---|---|---|---|
| Credibility weight assigned to own experience | proportion, zero to one | par analyse | Analyse des prix | MODÉLISÉ |
| Exposition sous-jacente à l'expérience propre | exposure units | par analyse | Portfolio data | OBSERVÉ |
| Écart entre les estimations propres et de référence | pour cent | par analyse | Analyse des prix | ESTIMÉ |
| Élicitation d'experts documentées | nombre | par modèle | Documentation du modèle | DÉCLARÉ |
| Posterior uncertainty of key parameters | interval width | par analyse | Modèles bayésiens | MODÉLISÉ |
| Ratio réel/attendu après le lancement | ratio | périodique | Experience monitoring | ESTIMÉ |
Trace a shock in credibility and sparse data to the balance sheet.
Assembled from the Nexus Standards area profile Insurance and reinsurance: the shocks it names, the systems and sectors that carry the loss, the controls that dampen it and the data that observe it. Pick an initiating shock and step through the cascade to see which exposures it reaches and where losses could concentrate. The Map view places the run on an example geography with open data. Every weight is a stated assumption. An exercise, not a forecast, a valuation, a rating or investment advice. To model a place of your own choosing, open the full System Builder.
Aléas
- cyclones tropicaux
- Séisme
- Inondation par embâcle
- Feu de forêt
- Onde de tempête (déclenchée en aval)
- Précipitations intenses (déclenchées en aval)
- Crue fluviale (déclenchée en aval)
- Flash flood (set off downstream)
- Houle dangereuse (déclenchée en aval)
- Panne d'électricité généralisée (déclenchée en aval)
- Déplacements massifs (déclenchés en aval)
- Inondation côtière (déclenchée en aval)
- Aftershock sequence (set off downstream)
- Fault surface rupture (set off downstream)
- Soil liquefaction (set off downstream)
- Slope slide (set off downstream)
- Rockfall (set off downstream)
- Tsunami (set off downstream)
Systèmes et couplages
- Assurance et réassurance
- Banque Couplage
- Institutions de financement du développement Couplage
- Humanitaire et société civile Couplage
- Agriculture et utilisation des terres Couplage
Commandes
NS-0Constitution et principesNS-3UNI des enregistrements de risque (grammaire, table de correspondance héritée, autorité d'attribution)NS-9UNI contextuels (déploiements, instances, instances de programme)NS-10Politiques et clauses (obligations lisibles par machine : définition, caractère contraignant, évaluation et application)NS-11Vérification et suivi (éléments probants, attestations, observation de la conformité zero trust)NS-14Conformité et correspondance avec les normes externesNRS-F3Assurance, risque de catastrophe et déficits de protectionNRS-H113Famille d'aléas : fragilité du système financier (NHS-1 soc.financial-system)NRS-U17Profil de plateforme Universe : Insurance NexusNRS-H71Famille d'aléas : catastrophes cosmiques et des temps géologiques (NHS-1 planet.deep-time)NRS-H65Famille d'aléas : dépassement des limites planétaires (NHS-1 planet.boundary)NRS-F8Transfert de risque paramétrique et indiciel
Observation
- OECD Data Explorer (incl. Creditor Reporting System, insurance and pension statistics) (listed for reference)
- Insurance statistics (listed for reference)
- USGS earthquake GeoJSON summary feeds (listed for reference)
- Direct economic loss attributed to disasters in relation to global gross domestic product (GDP)
- Direct economic loss attributed to disasters in relation to global gross domestic product
- (a) Number of commercial bank branches per 100,000 adults and (b) number of automated teller machines (ATMs) per 100,000 adults
Géographie d'exemple
- Europe occidentale : 152 cellules hexagonales
- Intensité des précipitations, dernière demi-heure (IMERG), NASA GIBS
- Lumières nocturnes de ce soir, pannes (VIIRS Day/Night Band), NASA GIBS
- Eaux de surface à travers les nuages, 30 m (radar OPERA DSWx-S1), NASA GIBS
- Carbon monoxide, smoke transport (AIRS), NASA GIBS
D'où proviennent les données probantes.
Jeux de données publics et registres institutionnels nommés, chacun avec sa catégorie de licence. Les sources fournies dans le cadre d'accords ne sont utilisées que selon leurs conditions et ne sont jamais republiées.
| Sources | Ce qu'elle apporte | Catégorie de licence |
|---|---|---|
| Actuarial Standards Board ASOP on credibility procedures | Professional standards for credibility | Gratuit, conditions de l'ASB |
| Monographies de crédibilité de la Casualty Actuarial Society | Bühlmann and limited fluctuation methods | Lecture libre, conditions CAS |
| Données statistiques sectorielles des agents | Pooled experience for benchmarks | Licensed, terms per agent |
| Structured expert judgement literature (Cooke method) | Methods for eliciting and combining expert estimates | Accès libre en lecture, conditions selon l'éditeur |
| Documentation de Stan et PyMC | Open-source Bayesian modelling tools | Licences open source, BSD et Apache |
Ce que la crédibilité et la rareté des données signifient pour l'exposition, les pertes et le capital.
Les vues d'exposition, de pertes, de scénarios et de capital que demanderaient un responsable des risques, une autorité de contrôle ou un ministère des finances, avec les cadres dont ils relèvent pour leurs rapports. Les structures suivent la pratique prudentielle et actuarielle. Les valeurs sont illustratives : jamais des prix, des notations ni des conseils.
Exposition et pertes selon les périodes de retour
How losses from credibility and sparse data grow with severity, gross and net of reinsurance, against capital.
| Période de retour | Probabilité annuelle | Perte brute | Perte nette | Net, capital = 100 |
|---|---|---|---|---|
| 1 sur 10 | 0.10 | 14 | 10 | 10 |
| 1 sur 50 | 0.02 | 33 | 21 | 21 |
| 1 sur 100 | 0.01 | 46 | 27 | 27 |
| 1 sur 250 | 0.004 | 68 | 39 | 39 |
| Perte annuelle moyenne | 3.1 | 2.2 | 2.2 |
Qui décide, et à quoi servent les données probantes.
Risque actuariel et quantitatif prépare les données probantes. Les décisions ci-dessous sont prises par les autorités désignées, selon leurs propres règles, et jamais par la plateforme.
| Qui décide | La question | Données probantes servies par cette page |
|---|---|---|
| Actuaires de tarification et de provisionnement | Quelle crédibilité accorder à ses propres données et quel référentiel utiliser | Exposition, pertinence de l'indice de référence et normes professionnelles |
| Comités de produits | S'il faut lancer des produits avec des données éparses et quel suivi s'applique | Estimations de l'incertitude et plans de suivi |
| Superviseurs | Caractère raisonnable des hypothèses pour les portefeuilles nouveaux ou de petite taille | Actuarial reports |
| Réassureurs | Comment tarifer la couverture de portefeuilles disposant de peu d'historique | Données de référence et d'exposition |
Résultats que produit ce thème
- Guide des méthodes de crédibilité
- Note méthodologique sur les compromis entre mise à jour bayésienne des hypothèses de tarification
- Note de synthèse sur l' élicitation d'avis d'experts
- Questions aux évaluateurs sur la pertinence des références de comparaison
Les questions que se posent les experts.
- How much weight should a portfolio’s own experience receive relative to wider data?
- Quelles données externes sont pertinentes, et dans quelle mesure la population cible diffère-t-elle ?
- How should expert judgement be elicited and combined with data?
- Comment l'incertitude supplémentaire due à la rareté des données doit-elle se refléter dans les résultats ?
- Comment les modèles destinés aux contextes pauvres en données peuvent-ils éviter d'importer simplement les hypothèses des contextes riches en données ?
Crédibilité et partage d'information.
Credibility theory, developed by actuaries over many decades, blends a risk’s own experience with a broader collective estimate, giving more weight to own experience as its volume and stability grow. The Bühlmann and Bühlmann-Straub models formalise this as a linear estimate that minimises expected error, and they are closely related to Bayesian methods and to hierarchical models in statistics.
Hierarchical Bayesian models extend the idea, letting groups such as regions, industries or policy types share information while retaining their own parameters. They make uncertainty explicit and can incorporate prior knowledge from expert judgement or related data. Structured expert elicitation methods help reduce bias when experts supply estimates.
In emerging risks such as cyber, the problem is not only volume but change: the threat environment evolves faster than data accumulate, so old data may be less relevant. In lower-income markets, using models built for other countries can embed assumptions about building quality, health or behaviour that do not hold.
Les méthodes et leurs limites.
Credibility models
Combiner l'expérience propre et l'expérience collective ; cela suppose une définition raisonnable du collectif.
Hierarchical models
Partage d'informations entre groupes avec incertitude explicite ; les résultats dépendent des distributions a priori.
Structured elicitation
Méthodes formelles pour obtenir et calibrer l'avis d'experts.
Limits: no method creates information that is not there. Sparse-data estimates carry wide uncertainty, and results can be dominated by assumptions about the collective or prior.
Comment c'est étudié, et ce que les méthodes ne peuvent pas dire.
- 01Mathématiques actuariellesProvisionnement à l'aide de triangles de développement · Construction de la prime · Évaluation des rentesAppliqué ici
- 02Probabilités et statistiquesModèles linéaires généralisés en tarification · Crédibilité bayésienne · Tests d'adéquationAppliqué ici
- 03Quantification de l'incertitude et validation des modèlesFourchettes de provisions · Incertitude des paramètres et des modèles · Classement des sensibilitésAppliqué ici
- 04Calcul haute performance, en nuage et en périphérieSimulation de Monte Carlo · Contrôle de version et reproductibilité · Contrôles de l'informatique utilisateurAppliqué ici
Questions et réponses.
Qu'est-ce que la crédibilité en actuariat ?
Qu'est-ce que la crédibilité de Bühlmann ?
When is expert judgement appropriate?
Le secteur peut-il partager des données pour pallier la rareté des données ?
Is expert judgement scientific?
Pourquoi le risque cyber est-il difficile à modéliser ?
Apportez des éléments de preuve depuis cette page.
Reports est la publication trimestrielle du Consortium. Ce que vous savez de ce sujet peut devenir une donnée probante, un cas ou une correction dans la prochaine édition, avec mention de votre nom et publié sous licence CC BY 4.0 lorsqu'il s'agit de votre propre travail.
- E-mailPasserelle GW-GRAL'envoyer depuis cette pageUne preuve, une correction, un cas, une méthode, un examen, une traduction ou un apport au profil. Elle arrive étiquetée avec cette page, afin que le rédacteur responsable la reçoive.
- ZenodoOpen depositDeposit it and submit to the communityPublish your own record on Zenodo with your ORCID iD, then submit it to the Reports community there. Curators review it; the DOI stays yours.
- ReportsGlobal Risks AllianceSee every way to contributeThe contribution types, how each is reviewed, what credit you receive, the licence and what is never accepted.
N'envoyez jamais de données personnelles, de détails sensibles sur des infrastructures ni rien que vous n'avez pas le droit de communiquer. Une contribution est examinée avant utilisation ; son envoi ne confère ni qualité d'auteur ni droits éditoriaux, et un parrainage n'achète jamais une conclusion.
Soumettez une question d'exposition ou de capital à l'Alliance.
L'information et les demandes sont ouvertes dès aujourd'hui. Une demande reçoit une référence et indique l'étape suivante ; candidatures, paiements, allocations de calcul et inscriptions n'ouvrent que lorsque l'équipe, les conditions et la capacité d'examen existent.
Documents juridiques.
Les cartes, données et chiffres de ce site sont présentés à titre de contexte et d'information générale. Ils ne constituent ni des conseils, ni des prévisions, ni des alertes ; les limites de l'information sont exposées dans les Avertissements et les Notices sur les données.