Tiefe Absicherung für fondsgebundene Lebensversicherungen

Abstract

Fondsgebundene Lebensversicherungen gewinnen in der aktuellen Zeit, in der der Rechnungszins relativ niedrig ist, immer mehr Bedeutung für Versicherungsunternehmen. Die Leistung von diesen Versicherungen sind nicht fest vorgegeben, sondern hängen in der Regel von Aktien, Fonds oder anderen Finanzprodukten ab. Der Wert dieser Produkte ist nicht vorhersehbar. Deshalb ist die Höhe der Leistung ungewiss, die das Versicherungsunternehmen zu ein späteren Zeitpunkt auszahlt. Es besteht also ein gewisses Risiko, gegen das sich ein Versicherungsunternehmen absichern muss. Dieses Risiko kann mithilfe von risikominimierenden Strategien behandelt werden, die in der Praxis schwer umsetzbar sind. Heutzutage gewinnen die Themen Big Data und Machine Learning immer mehr an Relevanz. Diese Thematik ermöglicht es, viele Probleme mit statistischen Methoden zu lösen. Deshalb wird in dieser Arbeit eine Methode erläutert, wie mithilfe von Deep Learning gegen dieses Risiko abgesichert werden kann. Modelle aus dem Bereich der neuronalen Netze sollen anhand von gewissen Bewertungskriterien verschiedene Handelsstrategien konstruieren, die das Risiko unter einem gewissen Maß minimieren. Basierend auf theoretischen Resultaten werden Datensätze erzeugt, mit denen in einem Trainingsprozess die Parameter der Modelle so angepasst werden, dass der Fehler zwischen dem theoretischen Ergebnissen und den vorhergesagten Modellen minimal ist.

Unit-linked life insurance policies are becoming more important for insurance companies in the current era, where interest rates are relatively low. The benefits of these policies are not fixed but generally depend on stocks, funds, or other financial products. Since the value of these products at a future point in time is unpredictable, the amount of benefit that the insurance company will pay out at a later date is uncertain. Therefore, there is a certain risk that an insurance company needs to hedge against. This risk can be managed using risk-minimizing strategies, which are challenging to implement in practice. Nowadays, Big Data and Machine Learning are providing tools for practical uses. These fields allow many problems to be addressed using statistical methods. Consequently, this thesis presents a method for hedging against this risk using Deep Learning. Models from the field of neural networks are designed to construct various trading strategies based on specific evaluation criteria that minimize the risk to a certain extent. Based on theoretical results, datasets are generated, which are used in a training process to adjust the parameters of the models so that the error between the theoretical results and the predicted models is minimized.