Want welke kosten worden er verwacht gedurende een periode? Hoe ontwikkelen de sterftekansen zich? En hoe groot moeten buffers zijn om onverwachte kosten op te kunnen vangen?
De impact van deze onzekerheden op de balans kan worden vastgesteld door een voorspelling te maken van de toekomstige kasstromen. Combinaties van grote portfolio’s en vele toekomstige paden kunnen resulteren in zware berekeningen, vooral als gebruik wordt gemaakt van een intern model. Door dit proces enkele malen zelf uit te voeren en de resultaten te gebruiken om een algoritme te trainen, zou veel tijdswinst geboekt kunnen worden. Een veelgebruikt Machine Learning algoritme staat bekend als extreme gradient boosting (XGBoost), welke op basis van data een betrouwbare, maar bovenal snelle, toekomstige kasstroom kan bepalen. In dit artikel wordt gekeken naar het bepalen van de best estimate liability (BEL) en de risico marge zoals beschreven door Solvency II aan de hand van extreme gradient boosting.
Lees dit artikel verder onder Download.