Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM
Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM
Solvenzkapital Bühne
© freepik /Fraunhofer ITWM
Solvenzkapital Bühne

KI-gestützte Risikobewertung für die Versicherungsbranche

Wir erklären und modellieren Ihre Daten im Rahmen von Solvency II mit Unterstützung von Machine Learning.

© freepik /Fraunhofer ITWM

Solvency II Kennzahlen – Vorhersage und Erklärbarkeit mit Künstlicher Intelligenz

Finanzmathematik und Machine Learning unterstützen bei der Solvenzkapitalberechnung (Solvency Capital Requirement)

Unser Team unterstützt Versicherungsunternehmen bei der Solvenzkapitalberechnung, indem es mathematische Modelle und KI-Methoden entwickelt, die zum Bewerten von Risiken und beim Berechnen der Kapitalanforderungen nach Solvency II zum Einsatz kommen. Diese Methoden helfen den Unternehmen, neueste Forschungsergebnisse zu implementieren und die regulatorischen Anforderungen effizient zu erfüllen. Dabei reicht unsere Expertise von der Entwicklung und Erweiterung einzelner Risikomodule, über Verbesserungen im Nested Simulations Problem bis hin zu Erklärbarkeit und Vorhersage genereller Solvency II Kenngrößen.

Solvenzkapitalberechnung: Worum geht es bei Solvency II?

Seit 2016 gilt das europäische Aufsichtsregime Solvency II – mit dem Ziel Zahlungsunfähigkeit von Versicherungsunternehmen zu vermeiden und damit sicherzustellen, dass diese ihre Zusagen auch unter extremen Umständen wie Krisen erfüllen können. Beispiele für solche Krisen sind Naturkatastrophen, Aktiencrashs oder auch ein starker Bedarf von Krankenversicherungsleistungen durch Epidemien/Pandemien. Für die Berechnung der Solvenzkapitalanforderungen gibt es verschiedene Möglichkeiten: die Standardformel, in welchen der SCR (Solvency Capital Requirement) für die Module im Einzelnen berechnet wird, ein internes (Risiko-)Modell, welches die Versicherung möglichst realitätsnah abbilden soll, sowie partielle Modelle, welche eine Mischung der beiden Formen darstellen.

Erklärbarkeit
© Fraunhofer ITWM
Wir testen, ob ein lineares Modell geeignet für erste Erklärungen ist: Kleine Variabilität der Koeffizienten beim Auslassen von Datenpunkten signalisiert Robustheit.

Valide und schnelle Prognosen über Proxy Modelle des Machine Learnings

Wir ermöglichen Unternehmen eine Sensitivitätsanalyse der Solvenzkapitalanforderungen in »Echtzeit«. Dabei basiert unser Forschungskonzept auf einer Machine Learning Lösung: Ein Machine Learning Modell, beispielsweise ein Neuronales Netz oder eine Kernel-Methode, wird auf Daten des Unternehmensmodells trainiert. Dabei liegt der Fokus in einem ersten Schritt auf bereits existierenden Daten der Versicherung. Verschiedene Datenanalyse-Tools erkennen relevante Risikofaktoren der Eigenmittel, der Solvenzkapitalanforderungen, sowie der resultierenden Solvenzquote.

Wir modellieren und erklären Ihre Solvency II Daten

Dabei bauen wir ein auf Machine Learning basierendes Surrogatmodell als ergänzendes, leicht zu evaluierendes Zusatzmodell für das vorhandenes Risikomodell. Dies ermöglicht das Erklären vergangener Änderungen sowie aktuelle Schätzungen, Vorhersagen und Analysen der zukünftigen Kennzahlen des jeweiligen Unternehmens auf Basis der Änderungen von Marktdaten und anderen Parametern. Durch stetiges und automatisches Dazulernen von neuen Informationen sichern wir eine dauerhafte Verbesserung. Außerdem geben unsere Proxy-Modelle an, wie sicher sie sich bei ihrer Schätzung des Ergebnisses sind. Dies erlaubt dem Nutzenden einzuschätzen, wie sehr Er oder Sie sich auf die Aussagen des KI-Modells verlassen können.

Die Ergebnisse werden übersichtlich in einem Dashboard präsentiert. Zugänglich ist dieses beispielsweise über eine eigene browserbasierte App, erreichbar aus Ihrem Intranet. Alle von uns entwickelten Tools sind darin für Sie verfügbar, wobei unternehmensinterne Daten dabei nicht in eine Cloud hochgeladen werden müssen.

Beispielbild einer Web-Ap
© Fraunhofer ITWM
Beispielbild einer Web-App: Eine interne App mit bedarfsgerechten Features, die über den Browser erreichbar ist.
Probabilistische KI-Modelle: Bayesian Neural Networks
© Fraunhofer ITWM
Probabilistische KI-Modelle – Bayesian Neural Networks: Am Beispiel eines öffentlichen Datensatzes für die SCR-Berechnung mit einem internen Modell.

Promotion zur Solvenzkapitalberechnung (Solvency Capital Requirement) mit Künstlicher Intelligenz

Um unsere Forschung und Wissen in diesem Schwerpunkt stetig zu vertiefen und unsere Lösungen zu optimieren, arbeiten wir an zahlreichen Veröffentlichungen und Analysen. Die laufende Promotion unseres Mitarbeiters Mark-Oliver Wolf untersucht beispielsweise seit Ende 2023 unter der Überschrift »Mathematical and Machine Learning Aspects of the Solvency Capital Requirement Calculation« genau diese mathematischen und Maschinellen Lernaspekte bei der Berechnung der Solvenzkapitalanforderung. Er entwickelte zur Validierung seiner Ergebnisse ein eigenes, vereinfachtes internes Risikomodell, um unsere Algorithmen vor dem Nutzen bei Kundinnen und Kunden intensiv benchmarken zu können.

Prof. Dr. Ralf Korn betreut die Promotion. Er hat die Abteilung »Finanzmathematik« gegründet und über Jahre geleitet. Seine fundierte Expertise bringt er u.a. als Berater sowie Mitglied des Scientific Advisory Boards des Instituts ein. 

Unterstützung bei der Entwicklung und Weiterentwicklung der Modellierung einzelner Risikomodelle

Unsere langjährige Erfahrung im Schwerpunkt finanzmathematischer Modellierung von Versicherungsrisiken gibt uns auch ausgereifte Expertise beim Implementieren von Submodulen. Beispielsweise entstand bei uns die ausgezeichnete Promotion von Simon Schnürch zur Mortalitätsmodellierung. Finanzmarktrisiken und ihre Modellierung hängen stark von der Auswahl des zugrundeliegenden Kapitalmarkts ab, welche sich zurzeit von Philipp Mahler in seiner Promotion angeschaut wird.

Das könnte Sie auch interessieren: