E105 - Institut für Stochastik und Wirtschaftsmathematik
-
Date (published):
2019
-
Number of Pages:
41
-
Keywords:
Solvenzkapital Erfordernisse; Neuronale Netze
de
Solvency capital requirements; neural networks
en
Abstract:
Seit 1.1.2016 sind Versicherungsunternehmen, im Rahmen der Solvency II Richtlinien dazu verpflichtet die Solvenzkapitalanforderungen zu berechnen. Dafür ist die Berechnung der Marktwerte der Verpflichtungen zum Zeitpunkt Null sowie zum Zeitpunkt Eins notwendig, was mittels Nested Monte Carlo Methode durchführbar ist. Diese Methode benötigt jedoch erheblichen Rechenaufwand, weshalb nach einer geeigneten Alternative gesucht wird. In dieser Arbeit wird, anhand zweier kleiner Portfolios aus sogenannten Select Produkten, die Möglichkeit behandelt, die inneren Schleife der Nested Monte Carlo Methode durch künstliche Neuronale Netze zu ersetzen. Der Fokus liegt dabei auf dem Aufbau eines solchen Netzes. In diesem Rahmen wird getestet, wie sich zum einen die Verwendung verschiedener Aktivierungsfunktionen zum anderen die Kombination aus Knoten und Layern des Netzes auf die Performance des Modells auswirken. Dabei konnte beobachtet werden, dass jene Aktivierungsfunktionen, deren Definitionsbereich zwar beschränkt, aber sowohl negative als auch positive Werte beinhaltet, für beide Datensätze im Vergleich sehr gute Ergebnisse liefern. Für die Wahl der Anzahl der Knoten beziehungsweise Layer des Netzes ergibt sich, dass eine geringe Anzahl an Layern mit mehr Knoten präferiert werden sollte. Der Einsatz Künstlicher Neuronaler Netze zur Berechnung des SCR, beschleunigt dies maßgeblich, da ein großter Teil der Monte Carlo Simulationen ersetzt wird.
de
Due to the introduction of the Solvency II regulations, insurance businesses are obligated to calculate the so called Solvency Capital Requirement which represents a measure for the solvency of an insurer. This requires the evaluation of the market values of liabilities at time zero as well as at time one. A commonly method for computing this values is by so called Nested Monte Carlo Simulations which is very time consuming. Therefore it is necessary to find a suitable alternative. In this thesis the idea is, to substitute the inner loop of the Nested Monte Carlo method by a feed forward neural network. The focus thereby lies on the architecture of the used networks. In that context different tests are computed on two sets of Data from simple portfolios of so called select products. Neural networks with different activation functions are computed and the resulting losses are compared. As result it can be said, that using those activation functions with bounded target set containing positive as well as negative values produce relatively low losses compared to others. Furthermore the interaction of number of layers and units per layer is discussed. The conclusion of this test is that in general it is preferable to use models with more units per layer but lesser layers. Using feed forward neural networks for calculating the Solvency Capital Requirement results in a relevant reduction of computational time.
en
Additional information:
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers