Upload
duongthuan
View
230
Download
1
Embed Size (px)
Citation preview
Longevity risk:
identificazione e misurazioneidentificazione e misurazione
Susanna Levantesi
Facoltà di Ingegneria dell’informazione, Informatica e Statistica
Università Sapienza
Roma, 24 marzo 2015
Agenda
► Trend demografici
► Il longevity risk
► Identificazione e classificazione del longevity risk
Misurazione del rischio tramite modelli di proiezione della mortalità
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 2
► Misurazione del rischio tramite modelli di proiezione della mortalità
� Modelli deterministici
� Modelli stocastici
Trend demografici e longevity risk
Trend Trend Demografici
• Cambiamento strutturale della popolazione
• Aumento del peso degli anziani sulla popolazione
• Aumento speranza di vita
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 3
Invecchiamento
popolazione
Invecchiamento della
popolazione
• Aumento speranza di vita
• Diminuzione natalità
Longevity risk
• Aumento progressivo della speranza di vita
• Incremento del numero degli esposti al rischio di sopravvivenza
• Incertezza
Piramidi delle etàFonte: ISTAT
0-4
10-14
20-24
30-34
40-44
50-54
60-64
70-74
80-84
90-94
0-4
10-14
20-24
30-34
40-44
50-54
60-64
70-74
80-84
90-94Maschi Femmine Maschi Femmine
2010 2020
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 4
3000000 2000000 1000000 0 1000000 2000000 3000000 3000000 2000000 1000000 0 1000000 2000000 3000000
3000000 2000000 1000000 0 1000000 2000000 3000000
0-4
10-14
20-24
30-34
40-44
50-54
60-64
70-74
80-84
90-94
3000000 2000000 1000000 0 1000000 2000000 3000000
0-4
10-14
20-24
30-34
40-44
50-54
60-64
70-74
80-84
90-94Maschi Femmine Maschi Femmine
2030 2050
Piramidi delle età
► La piramide delle età (o della popolazione) fornisce una
rappresentazione grafica che descrive la distribuzione per età
di una popolazione
► Dall’evoluzione temporale delle piramidi per età si evidenzia:
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 5
� Una riduzione della base della piramide a causa di un forte decremento del tasso di natalità;
� Uno spostamento verso l’alto del peso delle classi di età centrali;
� Un allargamento del vertice della piramide, attribuibile ad un significativo allungamento della speranza di vita alla nascita.
L’evoluzione delle classi di età della popolazione
90+
80+
80+
90 +
Maschi
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 6
Fonte: ISTAT
90 +
80+
90 +
Femmine
Fonte: ISTAT
L’esperienza di mortalità nell’ultimo secolo
► Negli ultimi decenni l’evoluzione della mortalità ha comportato
una consistente diminuzione dei decessi alle età adulte ed
anziane � aumento della vita media
► Conseguente impatto sulla forma della curva dei sopravviventi
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 7
� Rettangolarizzazione della curva dovuta ad una concentrazione dei decessi intorno alla moda ad età avanzate
� Curva dei decessi: spostamento del punto di Lexis (moda) verso le età estreme � espansione della funzione di sopravvivenza
L’esperienza di mortalità nell’ultimo secolo
Rettangolarizzazione Espansione
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 8
► Utilizzo di un approccio dinamico allo studio della mortalità:
mortalità come funzione sia dell’età che dell’anno di calendario
Evoluzione della curva di sopravvivenza
Tavole SIM
Sopravviventi alle varie età, anni 1931-2006, maschi
70000
80000
90000
100000
1931
1951
1961
1971
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 9
0
10000
20000
30000
40000
50000
60000
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100105110
so
pra
vv
iven
ti
età
1971
1981
1992
1996
1999
2000
2002
2004
2006
Fonte: ISTAT
Evoluzione della curva dei decessi
3000
3500
4000
4500
5000
1931
1951
1961
1971
Decessi alle varie età, anni 1931-2006, maschi
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 10
0
500
1000
1500
2000
2500
3000
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100105110
decessi
età
1981
1992
1996
1999
2000
2002
2004
2006
Fonte: ISTAT
Speranza di vita a 65 anni
23,6
24,1
22,622,9
23,223,6
23,824,1
22,7
23,3
23,9
24,424,8
25,325,7
26,0
23,4
24,3
25,1
25,8
26,4
26,9
27,4
27,9
23
24
25
26
27
28
29
Sc. basso
Sc. centrale
Sc. alto
Sc. basso
Previsioni popolazione, ISTAT 2010-2050 (scenario basso, centrale, alto)
Femmine
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 11
17,918,1
18,418,7
19,019,4
19,720,0
20,2
18,3
18,8
19,4
19,9
20,5
21,021,4
21,822,2
18,6
19,5
20,4
21,1
21,9
22,5
23,1
23,6
21,722,0
22,322,6
22,9
22,1
22,722,4
16
17
18
19
20
21
22
23
2010
2015
2020
2025
2030
2035
2040
2045
2050
Sc. basso
Sc. centrale
Sc. alto
Maschi
Longevity risk: definizione
► Il longevity risk è un rischio caratteristico di enti (compagnie di
assicurazione / enti di previdenza) che erogano prestazioni in
caso di vita (ed in particolare rendite) ad un soggetto assicurato
/ iscritto
► Può essere definito a livello individuale o aggregato (cfr.
Stallard, 2006)
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 12
Stallard, 2006)
► Longevity risk (aggregato): rischio che i percettori di rendita vivano in media più a lungo di quanto previsto nelle basi tecniche
► Si manifesta laddove la mortalità osservata è sistematicamente inferiore a quella osservata
► E’ la conseguenza dell’incertezza insita nel fenomeno della mortalità e della sua rappresentazione tramite un modello di proiezione
Longevity risk: definizione e caratteristiche
► Rischio sistematico derivante dall’incertezza presente nella
rappresentazione del fenomeno attraverso una determinata
proiezione
► Rischio “non pooling” (non diversificabile) � interviene nella
stessa direzione per tutta la collettività assicurata
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 13
Identificazione del rischio:rischio individuale e aggregato
► Il longevity risk aggregato ha carattere di rischio sistematico
► Il longevity risk individuale è un rischio di fluttuazioni casuali: deriva dagli scostamenti aleatori tra i tassi di mortalità attesi e quelli osservati che non derivano da scostamenti sistematici, ma sono insiti nella natura stocastica della mortalità;
� Si può ridurre aumentando la dimensione del portafoglio: al crescere
dei rischi esposti frequenze teoriche e osservate convergono.
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 14
dei rischi esposti frequenze teoriche e osservate convergono.
Fluttuazioni casuali Deviazioni sistematiche
Longevity risk: conseguenze
► Influenza fortemente enti previdenziali, casse di previdenza,
fondi pensione e prodotti assicurativi di rendita
� Estensione del periodo di pagamento della rendita e conseguente
incremento della passività attuariali
� E’ presente nella fase di accumulo nei fondi a prestazione definita
� E’ presente nella fase di decumulo (erogazione della rendita) nei fondi a
contribuzione definita
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 15
contribuzione definita
► In passato le proiezioni della mortalità hanno sottostimato la tendenza all’aumento della longevità della popolazione
► Necessità di adottare tavole proiettate di mortalità per il
calcolo dei valori attuariali delle rendite
� Da tavole di mortalità statiche basate su un solo anno di calendario a
tavole dinamiche che incorporano la proiezione della mortalità
19,5
Valore attuariale rendita vitalizia a 65 anni -Femmine
16,5
Valore attuariale rendita vitalizia a 65 anni -Maschi
Impatto del longevity risk sul valore delle rendite
► Principali conseguenze sui soggetti erogatori di rendita:
� Estensione del periodo di pagamento della rendita
� Incremento della passività attuariali per effetto della diminuzione delle probabilità di morte
+ 5.0%
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 16
16,5
17,0
17,5
18,0
18,5
19,0
Q(0.5%) Mediana Q(99.5%)
13,5
14,0
14,5
15,0
15,5
16,0
Q(0.5%) Mediana Q(99.5%)
+ 5.0%
- 5.0%
+ 3.4%
- 3.6%
Elaborazione dell’autore
Scenario Scenario ScenarioAlto Centrale Basso
Scenario Scenario ScenarioAlto Centrale Basso
Impatto del longevity risk sul valore della riserva
Maschi Femmine
► Tasso atteso di riserva in t = [1,40]
� Generazione nata nel 1942 (65 anni nel 2007)
� Probabilità di sopravvivenza calcolate con il modello Lee-Carter
16,0
18,0
20,0 Scenario Alto
Scenario Centrale14,0
16,0
18,0 Scenario Alto
Scenario Centrale
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 17
Elaborazione dell’autore
0,0
2,0
4,0
6,0
8,0
10,0
12,0
14,0
16,0
1 6 11 16 21 26 31 36
Tempo t
Centrale
Scenario Basso
0,0
2,0
4,0
6,0
8,0
10,0
12,0
14,0
1 5 9 13 17 21 25 29 33 37
Tempo t
Centrale
Scenario Basso
Rappresentare il longevity risk
► Trend decrescenti della mortalità impongono l’adozione di tavole proiettate di mortalità per calcolare i valori attuariali delle rendite
► Utilizzo di proiezioni stocastiche per quantificare esplicitamente l’incertezza della mortalità proiettata
► Necessità di formulare differenti ipotesi sull’evoluzione della
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 18
► Necessità di formulare differenti ipotesi sull’evoluzione della mortalità� scelta di un insieme di significativi scenari di mortalità (tavole di mortalità)
► Due diversi approcci nella costruzione di scenari futuri:
� deterministico (singolo scenario)
� stocastico (multi - scenario)
La tavola di mortalità
► : numero atteso di individui viventi all’età x in una data
popolazione (inizialmente costituita da individui di età 0)
► Tavola di mortalità: sequenza decrescente di
► Se i dati derivano da osservazioni longitudinali del numero di individui viventi alle età 1,2,…, ω, si ha una tavola di generazione (o coorte): richiede l’osservazione di ω+1 anni
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 19
(o coorte): richiede l’osservazione di ω+1 anni
► Se i dati forniscono i tassi di mortalità alle varie età osservate su un anno specifico, si ha una tavola di periodo (basata su una coorte fittizia o sintetica):
Per si ha la sequenza:
► Numero atteso di decessi tra le età x e x+1:
► Deve valere la condizione:
► Dalla tavola di mortalità sono direttamente ricavabili le
probabilità di morte/sopravvivenza:
� Probabilità di morte annuali:
� Probabilità di sopravvivenza annuali:
Tavole di mortalità e probabilità di morte
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 20
� Probabilità di sopravvivenza pluriennali:
� Mortality odds:
� Probabilità di morte in funzione degli odds:
Tavole di mortalità proiettate
► Una tavola di mortalità proiettata è ottenuta sulla base di
procedure statistiche di stima dei tassi di mortalità osservati
Anno base proiezione
età
anno di calendario
FuturoPassato
Pe
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 21
calendario
Profilo della mortalità
eriodo
Approccio deterministico
► Consente ai soggetti che erogano le rendite di valutare esclusivamente il rischio di fluttuazioni casuali della mortalità intorno ai valori attesi
► Scelta di scenari “medi” (riduzione media della mortalità) e di
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 22
► Scelta di scenari “medi” (riduzione media della mortalità) e di scenari “estremi” (riduzione molto elevata o molto bassa della mortalità)
► Scenario testing: analisi di sensitività delle principali variabili attuariali in funzione dei trend futuri di mortalità
► Assegnazione di una distribuzione di probabilità sull’insieme di scenari ritenuti possibili
► Consente ai soggetti che erogano le rendite di valutare sia le fluttuazioni casuali che le deviazioni sistematiche della mortalità
Approccio stocastico
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 23Longevity risk during the decumulation phase and strategies to manage it
Insieme discreto di scenari Insieme continuo di scenari
Approccio stocastico
► Per modellizzare e misurare il longevity risk necessario un modello stocastico di proiezione della mortalità
� quantifica esplicitamente l’incertezza della proiezione
► Risultati della proiezione con un modello stocastico:
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 24
� stime puntuali dei tassi futuri di mortalità
� intervalli di confidenza
Misurazione del longevity risk
I modelli di proiezione della mortalità
► Modelli deterministici basati su leggi di mortalità
� Permettono di ben rappresentare le principali caratteristiche di uno scenario di mortalità
� Ad esempio: Gompertz, Makeham, Weibull, Heligman-Pollard
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 25
� Ad esempio: Gompertz, Makeham, Weibull, Heligman-Pollard
► Modelli estrapolativi
� Deterministici
� Stocastici
• Interpolazione dei trend di mortalità osservati in passato
• Ipotesi: i trend osservati si ripeteranno in futuro � estrapolazione dei trend
• La natura stocastica della mortalità non viene considerata
Modelli estrapolativi deterministici
Modelli estrapolativi
Un database con molti anni di
calendario può presentare trend di
mortalità più o meno forti in base al
periodo che si considera � attenzione
alla scelta del periodo di riferimento
per la proiezione
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 26
Fonte: Pitacco - Denuit - Haberman - Olivieri A. (2009) “Modelling Longevity Dynamics for Pensions and Annuity Business”.
Modelli estrapolativi
• I tassi di mortalità osservati sono estrazioni di variabili casuali che rappresentano la mortalità passata
• I tassi di mortalità proiettati sono stime di variabili casuali che rappresentano la mortalità futura
• Si definiscono un insieme di ipotesi circa la mortalità e un legame tra osservazioni e proiezioni
Modelli estrapolativi stocastici
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 27
Il modello Lee–Carter (1992)
► I tassi centrali di mortalità hanno una forma log-bilineare:
dove:
� descrive il comportamento della mortalità al variare dell’età
� descrive per ogni età come la mortalità reagisce al variare di
Decessi
Esposti al rischio
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 28
� indice della variazione della mortalità nel tempo
� termine di errore � errori indipendenti ed identicamente
distribuiti con distribuzione N(0, )
► Parametri individuati attraverso i vincoli: e
► I parametri stimati sono poi modellizzati e proiettati come
una serie temporale stocastica utilizzando i modelli ARIMA.
Estensione del modello Lee – CarterBrouhns et al. (2002)
► Il modello LC assume implicitamente che gli errori casuali
siano omoschedastici (medesima varianza rispetto all’età)
● ipotesi poco realistica per età elevate, dove è presente una maggiore variabilità della mortalità a causa dell’esiguo numero di decessi
► Proposta di Brouhns et al. (2002): tassi centrali di mortalità
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 29
► Proposta di Brouhns et al. (2002): tassi centrali di mortalità
modellizzati tramite il modello Lee-Carter:
con decessi distribuiti come una Poisson:
► Rispetto al Lee-Carter originario: introduzione di una
variazione casuale del numero di decessi di tipo Poisson al
posto del termine di errore additivo . Ipotesi realistica per
età elevate.
Osservazioni sul modello Lee-Carter
► Il modello ha bisogno dei vincoli sui parametri beta e kappa per
poter essere calibrato, altrimenti pone problemi di
identificabilità dei parametri
► La normalizzazione dei parametri ottenuta attraverso i vincoli
su beta e kappa, comportano che il parametro alpha sia pari
alla media del logaritmo dei tassi centrali di mortalità nel tempo
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 30
alla media del logaritmo dei tassi centrali di mortalità nel tempo
► Il parametro beta potrebbe essere negativo per alcune età,
indicando che la mortalità per quelle età tende ad aumentare,
mentre diminuisce ad età differenti
Il modello Cairns-Blake-Dowd-1
► Analisi empiriche sui dati di mortalità suggeriscono che il
logaritmo naturale degli odds, , assume una forma
lineare rispetto all’età x per un periodo temporale di t anni
► Cairns et. Al. (2006) hanno quindi proposto il seguente modello
che include 2 fattori temporali:
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 31
► Dove k1 e k2 sono due processi stocastici che costituiscono
una serie temporale bivariata e governano la proiezione dei
tassi di mortalità.
)(logit tqx
Ovvero:
La funzione può anche essere scritta come:
Il modello Cairns-Blake-Dowd-1
► Non pone problemi di identificazione dei parametri (no vincoli)
► In genere k1 decresce nel tempo così come nel modello Lee-
Carter, mostrando come i tassi di mortalità diminuiscono nel
tempo per tutte le età
► Se durante il periodo di osservazione dei dati gli incrementi di
mortalità sono più elevati alle età giovanili rispetto alle età
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 32
mortalità sono più elevati alle età giovanili rispetto alle età
anziane, allora k2 aumenta nel tempo
► Rispetto al modello di Lee-Carter il modello Cairns-Blake-
Dowd-1 (CBD-1) mostra cambiamenti dei tassi di mortalità non
perfettamente correlati con le età.
Proiezione della mortalità e serie temporali
► Step 1: calibrazione del modello parametrico (Lee-Carter, CBD,
ecc.) sulla matrice di dati di mortalità per età e anno di
calendario
► Step 2 (per i parametri funzione del tempo): utilizzo di un
modello per le serie temporali di tipo ARIMA (p,d,q) per
modellizzare e proiettare i parametri
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 33
modellizzare e proiettare i parametri
� ARIMA: autoregressive integrated moving average (modello autoregressivo a media mobile integrato)
• p = ordine autoregressivo
• d = ordine di differenziazione
• q = ordine della media mobile
� Approccio simulativo che permette di rilevare gli errori generati dalla serie temporale
� Approccio che permette il calcolo di intervalli di confidenza
Proiezione della mortalità e serie temporali
► I modelli ARIMA (p,d,q)
► Esempi di modelli ARIMA per il parametro temporale k :
� arima (0,1,0):
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 34
� arima (0,1,0):
► arima (1,1,0):
► arima (1,1,1):
drift (deriva)
del processoerrori del processo
con
(Random walk with drift)
Modello Lee-Carter: proiezione di kt
► Se né il coefficiente di autocorrelazione né quello di
autocorrelazione parziale dell’indice kt sono significativamente
diversi da 0: è appropriato utilizzare un ARIMA (0,1,0) =
random walk with drift
► Dinamica del parametro temporale:
► Stima dei parametri del processo ARIMA:
errori i.i.d
secondo una
N(0, )
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 35
► Stima dei parametri del processo ARIMA:
► Proiezione del parametro kt :
Drift (deriva del processo) Varianza del processo
Modello CBD-1 : proiezione di kt[1] e kt
[2]
► Dinamica dei parametri k1 e k2 :
► Matrice di varianze e covarianze:
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 36
► Stima del drift del processo ARIMA:
� Drift (deriva del processo):
Effetto coorte
► In alcuni Paesi si osservano tassi di mortalità che sembrano influenzati non solo da età e anno di calendario, ma anche dall’anno di nascita della coorte.
► Per evidenziare questo effetto si possono analizzare i tassi di incremento annuo della mortalità
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 37
Fonte: Cairns et al. (2007). A quantitative comparison of stochastic mortality models using data from England & Wales and theUnited States. North American Actuarial Journal 13: 1-35.
Il modello di Renshaw-Haberman (2006)
► Il logaritmo della forza di mortalità (o del tasso centrale di
mortalità) è modellizzato come:
� Rappresenta una versione age-period-cohort (APC) del modello Lee-Carter
� :parametro che rappresenta l’effetto coorte (t-x=anno di nascita)
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 38
� :parametro che rappresenta l’effetto coorte (t-x=anno di nascita)
� : descrive per ogni età come la mortalità reagisce al variare dell’effetto coorte
� : descrive per ogni età come la mortalità reagisce al variare del parametro temporale
► Parametri individuati attraverso i vincoli:
I modelli di Cairns-Blake-Dowd (2007)
► Cairns et. al. (2007) hanno proposto due varianti del
modello CBD-1 che includono l’effetto coorte
� CBD-2:
parametro che
rappresenta
l’effetto coorte
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 39
� CBD-2:
� CBD-3:
► Questi modelli pongono problemi di identificazione dei
parametri. Per ovviare a tale problema i parametri sono
trasformati utilizzando fattori di trasformazione che li rendono
individuabili.
I criteri di scelta del modello di proiezione della mortalità
► Cairns et al. (2008) suggeriscono i criteri per scegliere tra i vari
modelli di proiezione della mortalità:
� Tassi di mortalità positivi
� Modello coerente con i dati storici
� Dinamiche future a lungo termine del modello biologicamente ragionevoli
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 40
ragionevoli
� Stime dei parametri robuste rispetto al periodo di dati e intervalli di età impiegati
� Previsioni del modello robuste rispetto al periodo di dati e intervalli di età impiegati
� Livelli di previsione dell’incertezza e traiettorie centrali plausibili e coerenti con le tendenze storiche e la variabilità dei dati di mortalità
I criteri di scelta del modello di proiezione della mortalità
� Modello semplice da attuare mediante metodi analitici o veloci algoritmi numerici
� Modello relativamente parsimonioso
� Modello utilizzabile per generare percorsi campione e calcolare intervalli di previsione
� Modello che consente di integrare l'incertezza del parametro nelle
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 41
� Modello che consente di integrare l'incertezza del parametro nelle simulazioni
� Almeno per alcuni Paesi, modello che incorpora un effetto stocastico di coorte
Scelta del periodo di calibrazione del modello
► La maggior parte degli studi attuariali basano la calibrazione
dei modelli di proiezione della mortalità su statistiche relative al
periodo 1950-ad oggi. Tale periodo rappresenta meglio
l’aspettativa per il futuro rispetto ad un periodo più lungo: 1900-
ad oggi.
► La mortalità diminuisce per tutte le età in maniera più forte nel
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 42
► La mortalità diminuisce per tutte le età in maniera più forte nel
periodo1950–2000 rispetto al periodo 1900–2000.
► La qualità dei dati di mortalità, in particolare per le età elevate,
è discutibile nel periodo 1900–1950
► Le cause di morte sono differenti per i due periodi, prima e
dopo il 1950 (prima le malattie infettive, dopo le malattie cardio-
circolatorie e i tumori).
Scelta del periodo di calibrazione ottimo: un esempio
► Booth et al. (2002) hanno proposto una procedura per
individuare il periodo di calibrazione ottimo che identifichi il
periodo più lungo per cui il parametro che indica la mortalità
stimata, kt, sia lineare
► La scelta del periodo di calibrazione è basta sul rapporto tra:
media delle devianze del fit ottenuta con il modello Lee–Carter
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 43
media delle devianze del fit ottenuta con il modello Lee–Carter
sul fit lineare complessivo.
► Tale rapporto è calcolato in base all’anno di partenza e
scegliendo il periodo di calibrazione per cui tale rapporto è
minore rispetto ai periodi che iniziano in anni precedenti.
Criteri quantitativi
► Diagnostica del modello in base ai residui
� Plot del residui del modello (solitamente standardizzati)
► Dinamica del modello in base ai parametri temporali
� Scelta del modello ARIMA (ACF, PACF)
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 44
� Scelta del modello ARIMA (ACF, PACF)
� Stima dei parametri
� Diagnostica del modello in base ai residui
► Indicatori di bontà del fitting del modello
� Bayes Information Criterion (BIC)
� Akaike Information Criterion (AIC)
Criteri quantitativi di scelta del modello: BIC e AIC
► Bayes Information Criterion (BIC): criterio obiettivo di scelta
del modello basato sulla qualità statistica del fit
� : insieme dei parametri da stimare con la funzione di verosimiglianza
)ln(5.0)ˆ( NKlBIC −= ρ
ρ
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 45
verosimiglianza
� : stima di massima verosimiglianza del vettore dei parametri
� : funzione di massima log-verosimiglianza dei parametri
� : vettore del numero delle osservazioni
� : numero effettivo dei parametri stimati
► Akaike Information Criterion (AIC):
ρ̂
N
K
)ˆ(ρl
KlAIC −= )ˆ(ρ
Modello Lee-Carter: applicazione alla popolazione italiana
► Popolazione italiana maschile di età 20-89 negli anni di calendario1974-2008
● Decessi
● Esposti al rischio
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 46
Parametri stimati del modello Lee-Carter
Residui del modello Lee-Carter
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 47
Tassi centrali di mortalità storici modellizzatie probabilità di morte proiettate
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 48
Proiezioni della mortalità
qx
annuali qx(t) per la coorte nata nel
(65 anni nel 2008)
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 49
tpx
Misurare il longevity risk
Individuazione di grandezze che rappresentino lo stato di “salute” o di “sofferenza” dei soggetti erogatori di rendite
• Funzione di perdita
Scelta di un’adeguata “misura di rischio”
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 50
• Varianza
• Coefficiente di variazione
• Quantili, VaR, TVaR
• Probabilità di rovina
Definizione di un orizzonte temporale di analisi e delle modalità di indagine
• Annuale, pluriennale,….
• Alla scadenza, su tutto l’intervallo temporale
Misurare il longevity risk: approccio deterministico
► Portafoglio composto da una coorte di contratti di rendita
immediata a premio unico
► Valore attuale aleatorio al tempo 0 delle prestazioni
j-mo assicurato Portafoglio di N0 contratti
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 51
► Valore atteso e varianza
Importo annuo della rendita Vita residua del j-mo assicurato all’età iniziale x0
: scenario di mortalità ipotizzato
j-mo assicurato
Portafoglio di N0 contratti
Misurare il longevity risk: approccio deterministico
► Coefficiente di variazione: scenario di mortalità ipotizzato
Portafoglio di N0 contratti
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 52
La rischiosità del portafoglio
diminuisce all’aumentare del
numero di contratti
Misurare il longevity risk: approccio stocastico
► Valore atteso e varianza
: insieme degli scenari di
mortalità ipotizzati con
probabilità ρ
j-mo assicurato
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 53
Portafoglio di N0 contratti
Fluttuazioni casuali intorno al valore atteso
Deviazioni sistematiche dei valori osservati da quelli attesi
Misurare il longevity risk: approccio stocastico
► Coefficiente di variazione
Portafoglio di N0 contratti
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 54
Misura la parte del rischio di
mortalità che non è rimovibile
semplicemente aumentando la
grandezza del portafoglio (parte
sistematica del rischio)
Misurare il longevity risk: approccio stocastico
► Il Value at Risk della riserva matematica
Percentile della riserva matematica calcolata all’epoca t (Vt)
con un livello di confidenza pari a 99.5%=α
α=99.5%
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 55
► Il Tail VaR (o Expected Shortfall) della riserva matematica
� Strumento utile per valutare la severità delle perdite che superino il VaR ad un fissato livello di confidenza
Media dei valori dei VaR della riserva matematica all’epoca t
che risultano superiori ad un fissato livello di confidenza
(99.5%)
α=99.5%
VaR e Tail VaR (o Expected Shortfall (ES))
L = generica distribuzione delle perdite
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 56
Bibliografia
► Brouhns, N., Denuit, M. and Vermunt, J. K. (2002). A Poisson Log-Bilinear Approach to theConstruc- tion of Projected Life Tables. Insurance: Mathematics and Economics 31: 373-393.
► Cairns, A.J.G., Blake, D., Dowd, K., Coughlan, G.D., Epstein, D., Ong, A., Balevich, I. (2007). Aquantitative comparison of stochastic mortality models using data from England & Wales and theUnited States. North American Actuarial Journal 13: 1-35.
► Cairns, A. J. G., Blake, D., Dowd, K., (2008). Modelling and management of Mortality Risk: areview. Scandinavian Actuarial Journal 2-3: 79-113.
► Cairns, A. J. G., Blake, D., Dowd, K., Coughlan, G. D., Epstein, D., Khalaf-Allah, M. (2011):
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 57
► Cairns, A. J. G., Blake, D., Dowd, K., Coughlan, G. D., Epstein, D., Khalaf-Allah, M. (2011):Mortality density forecasts: An analysis of six stochastic mortality models, Insurance: Mathematicsand Economics, 48, 355–367.
► Coughlan et al. (2007). LifeMetrics: A toolkit for measuring and managing longevity and mortalityrisk . Technical Document. JP Morgan, London.
► Currie I. D., Durban, M. and Eilers, P. H. C. (2004) Smoothing and forecasting mortality ratesStatistical Modelling, 4, 279-298.
► Dowd, K., Cairns, A. J. G., Blake, D., Coughlan, G. D., Epstein, D., Khalaf-Allah, M. (2010):Evaluating the goodness of fit of stochastic mortality models, Insurance: Mathematics andEconomics, 47: 255–265.
Bibliografia
► Dowd, K., Cairns, A. J. G., Blake, D., Coughlan, G. D., Epstein, D., Khalaf-Allah, M. (2010):Backtesting stochastic mortality models: An ex-post evaluation of multi-period-ahead densityforecasts, North American Actuarial Journal, 14: 281–298.
► HMD. (2010). Human Mortality Database, University of California, Berkeley (USA) and MaxPlanck Institute for Demographic Research, Rostock (Germany).
► Lee, R.D., Carter, L.R. (1992). Modelling and forecasting U.S. mortality. Journal of the AmericanSta- tistical Association 87: 659-675.
► Olivieri A., Pitacco E. (2006) “Life annuities and longevity dynamics”. Working Paper n.
Levantesi S. - Longevity risk: identificazione e misurazioneSlide 58
► Olivieri A., Pitacco E. (2006) “Life annuities and longevity dynamics”. Working Paper n.36, CERAP.
► Pitacco E., Denuit M., Haberman S., Olivieri A. (2009) “Modelling Longevity Dynamics forPensions and Annuity Business”. Oxford University Press.
► Renshaw, A.E., Haberman, S. (2003). On the forecasting of mortality reduction factors. Insurance:Mathematics and Economics 32: 379-401.
► Renshaw, A.E., Haberman, S. (2006). A cohort-based extension to the Lee-Carter model formortality reduction factors. Insurance: Mathematics and Economics 38: 556–570.