Mathematical Modeling & Katastrofimallinnus

Totta kai, Ella — teen sinulle täydellisen, tenttiin sopivan kertauspaketin tästä Mathematical Modeling ‑luvusta, jonka liitit.
Tämä on tärkeä osa-alue, koska tentissä mallintamisen perusperiaatteet, mallin valinta ja mallien rajoitteet ovat usein kysyttyjä.

Alla on selkeä, jäsennelty ja helposti muistettava kokonaisuus.


📘 Kertauspaketti: Mathematical Modeling (Chapter 12)

1. Mikä on malli?

Kirja korostaa useita näkökulmia:

  • Imitaatio todellisuudesta (Mae West: “A model’s just an imitation of the real thing.”)

  • Representaatio (Bohrin atomimalli)

  • Metafora (Derman)

  • Tilastollinen malli = kokoelma todennäköisyysjakaumia

  • Paras määritelmä:

    A model is a simplified description of reality.

Keskeinen ajatus:

Malli ei ole todellisuus, vaan yksinkertaistus, joka auttaa ymmärtämään, ennustamaan ja tiivistämään tietoa.


2. Miksi mallintamista tarvitaan?

2.1 Mallit mahdollistavat ennustamisen

Ilman mallia emme voi:

  • interpoloida (arvioida väliarvoja)

  • ekstrapoloida (arvioida arvoja havaintojen ulkopuolelta)

  • tiivistää dataa (compact representation)

Esimerkki: lineaarinen regressio

Kun datapisteet asettuvat likimain suoralle, voimme:

  • arvioida y(3.5)

  • arvioida y(16)

  • kuvata koko datasetin kahdella parametrilla (a ja b)

Tämä on mallin ydin: yksinkertainen sääntö → ennusteita ja tiivistämistä.

2.2 Mallit auttavat ymmärtämään ilmiöitä

Malli ≠ teoria.

  • Malli kuvaa ilmiön (esim. Hubble: redshift ∝ distance)

  • Teoria selittää ilmiön (avaruuden laajeneminen)

Usein vakuutusmatematiikassa meillä on hyviä malleja, mutta ei teorioita.

2.3 Mallit ovat myös työkaluja

George Box:

“All models are wrong, but some are useful.”

Mallit voivat:

  • havainnollistaa riskejä

  • auttaa johtoa ymmärtämään epävarmuutta

  • testata skenaarioita

  • näyttää herkkyyksiä

  • tukea päätöksentekoa


3. Empirical vs. Modelling Approach

Empirical approach

  • Oletetaan, että tulevaisuus = menneisyys

  • Käytetään suoraan dataa (burning cost, keskiarvot)

Modelling approach

  • Rakennetaan matemaattinen kuvaus riskistä

  • Käytetään dataa + kokemusta + teoriaa

  • Malli voi ennustaa paremmin kuin pelkkä data

Miksi malli voi olla parempi kuin data?

Koska malli:

  • löytää säännönmukaisuudet

  • suodattaa kohinaa

  • hyödyntää asiantuntijatietoa

  • on kompaktimpi ja siirrettävä muihin tilanteisiin


4. Mallinnusprosessi

Kirjan mukaan mallinnus EI ala datasta, vaan:

1) Experience / prior knowledge

  • tiedämme, että lognormaali toimii usein

  • tiedämme, että suurvahingot noudattavat GPD:tä

  • tiedämme, että Poisson sopii harvinaisiin tapahtumiin

  • tiedämme, että mallin tulee olla realistinen (esim. maksimi sum insured)

2) Choose model

  • valitaan sopiva jakauma tai rakenne

3) Calibrate model

  • estimoidaan parametrit datasta

4) Validate model

  • testataan mallia datalla, jota ei käytetty kalibrointiin

5) Use model

  • hinnoittelu, reservit, riskienhallinta


5. Miten valita hyvä malli? (Statistical Learning)

5.1 Mallin tärkein ominaisuus: predictive power

  • Mallin tehtävä on ennustaa uutta dataa, ei vain sopia vanhaan.

5.2 Overfitting vs. underfitting

Underfitting

  • malli liian yksinkertainen

  • ei kuvaa dataa → huono ennuste

Overfitting

  • malli liian monimutkainen

  • sopii täydellisesti vanhaan dataan

  • ennustaa uutta dataa huonosti

Kirjan kuva (Figure 12.5) näyttää tämän klassisen U‑käyrän.

5.3 Mallin valintamenetelmät

1) Empirical risk minimisation

  • rajoitetaan mallien määrää

  • esim. käytetään aina lognormaalia

  • yllättävän tehokas

2) Structural risk minimisation

  • rangaistaan monimutkaisuutta

  • Akaike Information Criterion (AIC)

    • AIC = −2 loglik + 2d

    • d = parametrien määrä

3) Regularisation

  • lisätään rangaistusfunktio g(β)

  • estää mallia “taipumasta liikaa” dataan

  • tekee mallista sileämmän ja yleistettävämmän


6. Mitä tästä pitää muistaa tentissä?

  • Malli = yksinkertaistus todellisuudesta

  • Mallit mahdollistavat ennustamisen, ekstrapoloinnin ja datan tiivistämisen

  • Empirical vs. modelling approach

  • Mallinnusprosessi alkaa kokemuksesta, ei datasta

  • Mallin tärkein ominaisuus = pieni prediction error

  • Overfitting on todellinen riski

  • Mallin valintamenetelmät: AIC, regularisation, empirical risk minimisation

  • “All models are wrong, but some are useful.”


🎓 Tenttiin sopiva supertiivistelmä

Malli on todellisuuden yksinkertaistus, joka mahdollistaa ennustamisen ja datan tiivistämisen. Mallinnus ei ala datasta, vaan asiantuntijatiedosta, jonka avulla valitaan sopiva malli, kalibroidaan se ja validoidaan erillisellä datalla. Hyvä malli minimoi prediction errorin ja välttää overfittingin. Mallin valintaan käytetään mm. AIC:tä, regularisaatiota ja yksinkertaisia malliperheitä.


Totta kai, Ella — tehdään selkeä, tenttiin sopiva kertauspaketti myös tästä Katastrofimallinnus‑luvusta.
Tämä on yksi kurssin tärkeimmistä kokonaisuuksista, koska se yhdistää luonnonkatastrofit, vakuutusmatematiikan ja mallintamisen käytännön työkalut.

Alla on hyvin jäsennelty, helppolukuinen ja tentissä hyödynnettävä paketti.


📘 Kertauspaketti: Catastrophe Modelling (Parodi, luku 24)

1. Miksi katastrofimallinnusta tarvitaan?

Tavallinen vakuutusdata ei riitä katastrofiriskien arviointiin:

  • Katastrofit ovat harvinaisia → asiakkaan oma data = 0 tai 1 tapahtumaa

  • Lyhyt tarkastelujakso (5–10 vuotta) ei kerro todellisesta riskistä

  • Kokemus on epäedustavaa → lähes nollakredibiliteetti

Siksi tarvitaan katastrofimallinnusta, joka perustuu:

  1. Historiallisiin tapahtumiin (ei asiakaskohtaista dataa)

  2. Tieteelliseen ymmärrykseen (meteorologia, seismologia, hydrologia)

  3. Simuloituihin skenaarioihin, joita ei ole koskaan tapahtunut

  4. Asiakkaan omaan altistukseen (rakennukset, sijainnit, arvot)


2. Katastrofimallin rakenne

Katastrofimalli koostuu kolmesta moduulista:

2.1 Hazard module – mallintaa itse ilmiön

  • Luo tapahtumakatalogin:

    • event ID

    • esiintymisfrekvenssi

    • voimakkuus (esim. Richter, tuulen nopeus)

    • maantieteellinen alue

  • Arvioi fysikaalisen hazardin tason kullekin sijainnille

    • esim. ground motion, wind speed, flood depth

2.2 Vulnerability module – mallintaa vahingot

  • Muuntaa hazardin rakennuskohtaiseksi vahingoksi

  • Tarvitsee tietoja:

    • rakennustyyppi

    • kerrosluku

    • käyttö (residential, industrial…)

    • rakennusvuosi

  • Tuottaa vulnerability curves:

    • mean damage ratio

    • standard deviation (secondary uncertainty)

Mukana usein myös inventory database, jos asiakkaan tiedot ovat puutteellisia.

2.3 Financial module – mallintaa rahalliset tappiot

  • Soveltaa vakuutusehdot:

    • deductible

    • limit

    • coinsurance

  • Tuottaa Event Loss Tables (ELT):

    • event ID

    • annual rate

    • expected loss

    • SD

    • exposure


3. Catastrophe model – keskeiset tulokset

3.1 Occurrence Exceedance Probability (OEP)

Todennäköisyys, että yksi tapahtuma ylittää tietyn tappion vuoden aikana.

OEP(x) = Pr(max loss > x)

  • Riippuu sekä frekvenssistä että severiteetistä

  • Käytetään vakuutusrakenteiden (deductible, limit) kalibrointiin

  • Esitetään usein return period -akselilla (1/50, 1/200, 1/500 vuotta)

3.2 Aggregate Exceedance Probability (AEP)

Todennäköisyys, että vuosittainen kokonaisvahinko ylittää x.

Vastaava kuin aggregaattijakauma vakuutusmatematiikassa.

3.3 Return period (RP)

Kuinka usein tietyn suuruinen tappio keskimäärin ylitetään.

3.4 Average Annual Loss (AAL)

Vastaava kuin odotettu vuosittainen tappio:

AAL = Σ (rate × expected loss)

→ toimii puhdaspremiona katastrofiriskille.

3.5 Standard deviation

Kuvaa vuosittaisten tappioiden volatiliteettia.


4. Frequency–severity‑malli ELT:stä

ELT mahdollistaa koko aggregaattijakauman rakentamisen:

Frekvenssi:

  • Poisson: λ = Σ rate_j

Severiteetti:

  • Jokaiselle eventille voidaan sovittaa beta-jakauma

    • min = 0

    • max = exposure

    • mean = expected loss

    • SD = secondary uncertainty

Monte Carlo -simulaatio:

  1. Arvotaan tapahtumien lukumäärä

  2. Arvotaan tapahtumat niiden ratejen suhteessa

  3. Arvotaan vahingot beta-jakaumista

  4. Summataan vuosittainen tappio

  5. Toistetaan esim. 100 000 kertaa

  6. Rakennetaan AEP, OEP, percentiles, VaR, TVaR


5. Mallinnettavat perils (keskeiset)

Peril

Esimerkki-alueet

Huomioita

Hurricane / windstorm

USA, Japani, Karibia, Eurooppa

Erittäin kehittyneet mallit

Earthquake

USA, Japani, Etelä-Eurooppa

Hyvin kehittyneet, myös loss of life

Tornado

USA, Etelä-Amerikka

Tiede kehittymätöntä → enemmän kalibrointia

Hail

Eurooppa, Afrikka

Paikallisia malleja

Flood

Eurooppa, UK

Vaatii raskasta laskentaa

Epidemics

Kaikki maat

Mallit vielä varhaisessa vaiheessa

Terrorism

Vaihtelee

Mallit varhaisessa vaiheessa


6. Mitä roolia aktuaari pelaa?

Aktuaarin tehtävät:

  • ymmärtää katastrofimallien logiikka

  • käyttää mallien tuloksia hinnoittelussa

  • huomioida katastrofit pääomavaateessa (Solvency II)

  • arvioida mallien epävarmuutta

  • kommunikoida tuloksia johdolle ja regulaattoreille

Mutta:

Aktuaari ei yleensä rakenna katastrofimallia — sen tekevät erikoistuneet yritykset (RMS, AIR, EqeCat).

Aktuaari tulkitsee, soveltaa ja integroi mallien tulokset vakuutusmatematiikkaan.


🎓 Tenttiin sopiva supertiivistelmä

Katastrofimallinnus korvaa asiakkaan puuttuvan datan yhdistämällä historialliset tapahtumat, tieteellisen hazardimallinnuksen ja asiakkaan altistukset. Malli koostuu hazard-, vulnerability- ja financial‑moduuleista, ja sen keskeisiä tuloksia ovat OEP, AEP, AAL ja return periodit. ELT mahdollistaa koko aggregaattijakauman rakentamisen Monte Carlo -simulaatiolla. Aktuaarin rooli on tulkita ja soveltaa mallien tuloksia hinnoittelussa, reservoinnissa ja pääomavaateissa.