Articolo tratto da: PANORAMA ASSICURATIVO (http://www.panoramassicurativo.ania.it/?idcnt=40540)
RIDURRE GLI ERRORI DEI MODELLI E MIGLIORARE LE PREVISIONI DELLA MORTALITÀ AI FINI DEL PRICING DEI PRODOTTI VITA
Hongxuan YAN, Gareth PETERS, Jennifer CHAN
Assicurazione vita, Pricing


Il pricing dei prodotti assicurativi vita dipende in larga misura dalle capacità di modellizzare tre cruciali variabili stocastiche.

Si tratta, in primo luogo, della capacità di prevedere in modo accurato i tassi di mortalità attesi secondo le classi di età di una popolazione predeterminata, al fine di stimare le aspettative di vita in relazione ai prodotti assicurativi legati alla sopravvivenza.

In secondo luogo, occorre essere in grado di modellizzare in modo accurato le dinamiche dei tassi di interesse su orizzonti temporali multiannuali.

In terzo luogo, la capacità di modellizzare la relazione causale tra eventi di mortalità e fluttuazioni sui tassi di interesse.

Nel presente lavoro, gli Autori affrontano tutti e tre gli aspetti menzionati.

Utilizzando dati reali relativi alla popolazione di Regno Unito, Stati Uniti e Australia, dimostrano che è possibile ridurre il “model risk” e i conseguenti errori di previsione dei classici modelli Lee-Carter nella costruzione di previsioni della mortalità e delle aspettative di vita secondo l’età e il genere.

Vengono a tal fine sviluppate nuove tipologie di modelli multivariati della mortalità, che vengono posti a confronto con estensioni dei modelli Lee-Carter.

Sono altresì elaborati modelli unifattoriali dei tassi di interesse, in cui sono incorporate relazioni di dipendenza con i modelli stocastici di mortalità, nonché calibrazioni bayesiane e framework previsivi stimati con una procedura di campionamento di tipo Monte Carlo.

Tali framework, infine, sono utilizzati per studiare l’influenza del “model risk” sui prodotti vita – inclusi i portafogli di rendite - e nella valutazione delle opzioni delle rendite garantite.

Si dimostra che i modelli classici di Lee-Carter possono portare a previsioni meno accurate rispetto ai modelli proposti e si quantifica l’effetto distorsivo del “model risk” sul pricing dei prodotti.