ยินดีต้อนรับสู่โลกแห่งการประมาณการสำรองประกันภัย (Statistical Reserving)!

ในการเรียนวิชาที่ผ่านมา คุณน่าจะเคยเรียนเรื่อง วิธี Chain Ladder (Development method) มาแล้ว ซึ่งถือเป็นวิธีคลาสสิกที่ใครๆ ก็ต้องรู้จัก! แต่ Chain Ladder แบบดั้งเดิมมีข้อจำกัดใหญ่อยู่หนึ่งอย่าง คือมันให้ผลลัพธ์เป็น "ตัวเลขตัวเดียว" (point estimate) เท่านั้น ในโลกแห่งความเป็นจริง ผู้กำกับดูแลและคณะกรรมการบริษัทมักจะถามเสมอว่า "เรามีโอกาสผิดพลาดได้มากแค่ไหน?"

ในบทนี้ เราจะขยับจากการคำนวณเลขธรรมดาไปสู่ แบบจำลองทางสถิติ (Statistical models) เราจะมาดู แบบจำลองของ Mack (Mack’s Model), แบบจำลอง Poisson (Poisson Model) และ แบบจำลอง Overdispersed Poisson (ODP) เครื่องมือเหล่านี้จะช่วยให้เราวัดความไม่แน่นอน (ความแปรปรวน) รอบๆ ค่าสำรองที่เราประมาณการไว้ได้ ไม่ต้องกังวลหากเห็นสูตรแล้วดูน่ากลัวในตอนแรก เราจะค่อยๆ ย่อยมันทีละส่วนไปพร้อมกัน!

1. แบบจำลองของ Mack: Chain Ladder แบบ "สุ่ม" (Stochastic)

ให้มองว่า แบบจำลองของ Mack คือการนำวิธี Chain Ladder มาใส่ "กระดูกสันหลัง" ทางสถิติเข้าไป มันไม่ได้เปลี่ยนตัวเลขประมาณการสำรอง แต่ให้วิธีการคำนวณหา ค่าความคลาดเคลื่อนมาตรฐาน (Standard Error) ของเงินสำรองเหล่านั้น

ข้อสมมติฐานสำคัญ 3 ประการ

เพื่อให้แบบจำลองของ Mack ใช้งานได้ เราต้องตั้งสมมติฐานเกี่ยวกับค่าสินไหมสะสม \( C_{i,j} \) (โดยที่ \( i \) คือปีที่เกิดอุบัติเหตุ และ \( j \) คือปีที่พัฒนาของสินไหม) ดังนี้:

  1. ความเป็นอิสระ (Independence): ปีที่เกิดอุบัติเหตุแต่ละปีมีความเป็นอิสระต่อกัน สิ่งที่เกิดขึ้นในปี 2022 จะไม่ส่งผลต่อสิ่งที่เกิดขึ้นในปี 2023
  2. ค่าเฉลี่ย (Mean): ค่าคาดหมายของงวดถัดไปขึ้นอยู่กับงวดปัจจุบันเท่านั้น: \( E[C_{i, j+1} | C_{i,1}, ..., C_{i,j}] = C_{i,j} \cdot f_j \).
  3. ความแปรปรวน (Variance): ความแปรปรวนของงวดถัดไปเป็นสัดส่วนกับงวดปัจจุบัน: \( Var(C_{i, j+1} | C_{i,1}, ..., C_{i,j}) = C_{i,j} \cdot \sigma_j^2 \).
การประมาณค่าพารามิเตอร์

ในการใช้แบบจำลองของ Mack เราต้องหาค่า 2 อย่างสำหรับทุกช่วงการพัฒนา \( j \):

1. ตัวคูณการพัฒนา (\( f_j \)): นี่คือค่าเดียวกับที่คุณใช้ใน Chain Ladder แบบพื้นฐาน!
\( \hat{f}_j = \frac{\sum_{i=1}^{n-j} C_{i, j+1}}{\sum_{i=1}^{n-j} C_{i,j}} \)

2. พารามิเตอร์ความแปรปรวน (\( \sigma_j^2 \)): ค่านี้จะบอกเราว่าข้อมูล "แกว่ง" ไปจากตัวคูณการพัฒนามากน้อยแค่ไหน
\( \hat{\sigma}_j^2 = \frac{1}{n-j-1} \sum_{i=1}^{n-j} C_{i,j} \left( \frac{C_{i, j+1}}{C_{i,j}} - \hat{f}_j \right)^2 \)

คุณทราบหรือไม่? หากคุณเหลือข้อมูลจุดสุดท้ายเพียงจุดเดียว (นั่นหมายถึง \( n-j-1 = 0 \)) คุณจะไม่สามารถใช้สูตรข้างต้นได้ นักคณิตศาสตร์ประกันภัยมักจะใช้วิธีการประมาณด้วย "กฎหัวแม่มือ" (rule of thumb) หรือรูปแบบการลดลงแบบเอกซ์โพเนนเชียล (exponential decay) เพื่อประมาณค่า \( \sigma^2 \) ตัวสุดท้าย

ค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (Mean Square Error - MSEP)

นี่คือ "เวทมนตร์" ของแบบจำลอง Mack ซึ่ง ค่าความคลาดเคลื่อนกำลังสองเฉลี่ยของการทำนาย (MSEP) สำหรับปีอุบัติเหตุ \( i \) จะถูกคำนวณโดยใช้สูตรแบบเวียนเกิด (recursive formula) แม้สูตรเต็มจะดูยาว แต่จำไว้ว่ามันประกอบด้วยสองส่วนหลัก:

MSEP = ความแปรปรวนของกระบวนการ (Process Variance) + ความแปรปรวนจากการประมาณค่า (Estimation Variance)

  • Process Variance: ความสุ่มที่เราหลีกเลี่ยงไม่ได้ (เหมือนการเสี่ยงดวง)
  • Estimation Variance: ความผิดพลาดที่เกิดจาก \( f_j \) ที่เราคำนวณมาอาจไม่ใช่ค่าที่แท้จริง

ทบทวนสั้นๆ: แบบจำลองของ Mack ให้ค่าประมาณการสำรอง เท่าเดิม กับวิธี Chain Ladder แต่เพิ่มช่องทางในการวัด ความไม่แน่นอน (Standard Error) เข้ามา

2. แบบจำลองการสำรอง Poisson

ตอนนี้เราเปลี่ยนมาดู แบบจำลองเชิงเส้นนัยทั่วไป (Generalized Linear Models - GLMs) กันบ้าง แทนที่จะดูผลรวมสะสม เราจะเปลี่ยนมาดู สินไหมส่วนเพิ่ม (incremental losses) (\( X_{i,j} \))

ในแบบจำลอง Poisson พื้นฐาน เราสมมติว่าสินไหมส่วนเพิ่ม \( X_{i,j} \) มีการแจกแจงแบบ Poisson อย่างไรก็ตามมีข้อแม้สำคัญคือ การแจกแจงแบบ Poisson กำหนดให้ ค่าเฉลี่ยต้องเท่ากับความแปรปรวน (\( E[X] = Var(X) \))

ปัญหาคือ: ข้อมูลสินไหมประกันภัยมักจะมีความซับซ้อน ปกติแล้วความแปรปรวนมักจะสูงกว่าค่าเฉลี่ยมาก ซึ่งเราเรียกปรากฏการณ์นี้ว่า การกระจายตัวเกิน (Overdispersion) หากใช้แบบจำลอง Poisson มาตรฐาน จะทำให้เรามั่นใจเกินไป (และประเมินความเสี่ยงต่ำกว่าความเป็นจริง)

3. แบบจำลอง Overdispersed Poisson (ODP)

เพื่อแก้ปัญหาของแบบจำลอง Poisson เราจึงเพิ่ม พารามิเตอร์การกระจาย (dispersion parameter) (\( \phi \)) เข้าไป โดยในแบบจำลอง ODP:

  • ค่าเฉลี่ย: \( E[X_{i,j}] = \mu_{i,j} \)
  • ความแปรปรวน: \( Var(X_{i,j}] = \phi \cdot \mu_{i,j} \)

การใส่ \( \phi \) เข้าไป ทำให้เรารับรู้ได้ว่าข้อมูลนั้น "มีสัญญาณรบกวน" (noisy) มากกว่าการแจกแจงแบบ Poisson ปกติ

ทำไมนักคณิตศาสตร์ประกันภัยถึงชอบใช้ ODP

นี่คือ "เคล็ดลับสอบ" ที่สำคัญที่สุดที่ต้องจำ: แบบจำลอง ODP ให้ผลการประมาณการสำรองเท่ากับวิธี Chain Ladder เป๊ะๆ!

หากข้อสอบถามถึงค่าสำรองโดยใช้แบบจำลอง ODP และคุณมีตารางสามเหลี่ยมสินไหม คุณสามารถใช้วิธี Chain Ladder มาตรฐานได้เลยหากโจทย์ไม่ได้สั่งเป็นอย่างอื่น แบบจำลอง ODP เป็นเพียงวิธีทางสถิติที่เป็นทางการในการรับรองผลลัพธ์ของ Chain Ladder เท่านั้น

ข้อแตกต่างที่สำคัญระหว่าง Mack กับ ODP
  1. Mack: เป็นแบบ "non-parametric" (ไม่สมมติรูปแบบการแจกแจงที่เฉพาะเจาะจง)
  2. ODP: เป็น GLM (สมมติรูปแบบการแจกแจงที่เฉพาะเจาะจงสำหรับสินไหมส่วนเพิ่ม)
  3. Mack: ทำงานบนข้อมูลสะสม; ODP: ทำงานบนข้อมูลส่วนเพิ่ม

ลองนึกภาพเปรียบเทียบ! ลองจินตนาการว่าคุณกำลังทำนายว่าพรุ่งนี้หิมะจะตกเท่าไหร่
- Chain Ladder: "หิมะจะตก 5 นิ้ว"
- Mack/ODP: "หิมะน่าจะตก 5 นิ้ว แต่มีโอกาส 95% ที่จะตกอยู่ระหว่าง 2 ถึง 8 นิ้ว"

4. เปรียบเทียบแบบจำลอง: การแจกแจงรายละเอียด MSEP

ในข้อสอบ ASTAM คุณอาจถูกขอให้คำนวณหรืออธิบาย ค่าความคลาดเคลื่อนกำลังสองเฉลี่ยของการทำนาย (MSEP) ซึ่งสิ่งสำคัญคือต้องเข้าใจว่ามีอะไรประกอบอยู่บ้าง

\( MSEP[\hat{R}] \approx \sum Var(Process) + \sum Var(Estimation) \)

ข้อผิดพลาดที่พบบ่อย: นักศึกษามักลืมว่าเมื่อคำนวณ MSEP สำหรับ ผลรวม สำรองทั้งหมด (ทุกปีรวมกัน) คุณไม่สามารถนำค่าความคลาดเคลื่อนมาตรฐานของแต่ละปีมาบวกกันตรงๆ ได้ คุณต้องคำนึงถึงความจริงที่ว่า เราใช้ค่าตัวคูณ \( \hat{f}_j \) เดียวกันสำหรับทุกปีอุบัติเหตุ ซึ่งทำให้เกิด ความสัมพันธ์ (correlation) ในความคลาดเคลื่อนของการประมาณค่าของเรา

กล่องทบทวนด่วน:
1. Chain Ladder: การประมาณค่าจุดแบบง่าย
2. Mack: เพิ่มความแปรปรวนให้กับ Chain Ladder โดยใช้ข้อมูลสะสม
3. ODP: GLM ที่ให้ผลลัพธ์เหมือน Chain Ladder แต่สามารถนำไปทดสอบทางสถิติได้
4. MSEP: ผลรวมของ "ความแปรปรวนจากกระบวนการ" (ความสุ่ม) และ "ความแปรปรวนจากการประมาณค่า" (ความผิดพลาดของพารามิเตอร์)

5. สรุปและเคล็ดลับส่งท้าย

ประเด็นสำคัญ:
  • แบบจำลองของ Mack ขึ้นอยู่กับข้อสมมติ 3 ประการ (ความเป็นอิสระ, ความสัมพันธ์ของค่าเฉลี่ย, ความสัมพันธ์ของความแปรปรวน)
  • \(\hat{f}_j\) ในแบบจำลองของ Mack คือตัวเดียวกับตัวคูณการพัฒนาแบบถ่วงน้ำหนักด้วยปริมาณ (volume-weighted average) ใน Chain Ladder
  • Overdispersion หมายถึง ความแปรปรวน > ค่าเฉลี่ย แบบจำลอง ODP จัดการสิ่งนี้ด้วยค่า \( \phi \)
  • หากแบบจำลองเป็นแบบ stochastic (เช่น Mack หรือ ODP) หมายความว่าเราสามารถคำนวณ ช่วงความเชื่อมั่น (confidence interval) หรือ VaR (Value at Risk) สำหรับเงินสำรองของเราได้
เคล็ดลับการสอบ:
  • หากเจอคำถามเกี่ยวกับ ความแปรปรวนของ Mack (\( \sigma_j^2 \)) ให้จัดระเบียบตารางให้ดี คำนวณค่า \( f_j \) ทั้งหมดก่อน แล้วค่อยหา \( \sigma_j^2 \)
  • อย่าสับสนกับสัญลักษณ์ \( C_{i,j} \) กับ \( X_{i,j} \); C คือ Cumulative (ยอดสะสม), X คือ Incremental (ส่วนเพิ่มที่เป็น "ชิ้นๆ")
  • จำไว้ว่า: ODP = Chain Ladder ในเวอร์ชัน GLM ความเชื่อมโยงนี้เป็นสิ่งที่ข้อสอบชอบถามเพื่อวัดความเข้าใจเชิงแนวคิดมาก!

ฝึกฝนการคำนวณในตารางสามเหลี่ยมบ่อยๆ นะ! ยิ่งทำมากเท่าไหร่ สูตรพวกนี้ก็จะกลายเป็นเรื่องธรรมชาติที่คุณคุ้นเคย คุณทำได้แน่นอน!