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:
Historiallisiin tapahtumiin (ei asiakaskohtaista dataa)
Tieteelliseen ymmärrykseen (meteorologia, seismologia, hydrologia)
Simuloituihin skenaarioihin, joita ei ole koskaan tapahtunut
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:
Arvotaan tapahtumien lukumäärä
Arvotaan tapahtumat niiden ratejen suhteessa
Arvotaan vahingot beta-jakaumista
Summataan vuosittainen tappio
Toistetaan esim. 100 000 kertaa
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.