CORRELATIONS BETWEEN INSURANCE LINES OF BUSINESS: AN ILLUSION OR A REAL PHENOMENON? SOME METHODOLOGICAL CONSIDERATIONS
Notice bibliographique
Résumé
Abstract This paper is concerned with dependency between business segments in the non-life insurance industry. When considering the business of an insurance company at the aggregate level, dependence structures can have a major impact in several areas of Enterprise Risk Management, such as in claims reserving and capital modelling. The accurate estimation of the diversification benefits related to the dependence structures between lines of business (LoBs) is crucial for (i) capital efficiency, as one should avoid holding unnecessarily high levels of capital, and (ii) solvency of the insurance company, as an underestimation, on the other hand, may lead to insufficient capitalisation and safety. There seems to be a great deal of preconception as to how dependent insurance claims should be. Often, presence of dependence is taken as a given and rarely discussed or challenged, perhaps because of the lack of extensive datasets to be publicly analysed. In this paper, we take a different approach, and consider how much correlation some real datasets actually display (the Meyers–Shi dataset from the USA, and the AUSI dataset from Australia). We develop a simple theoretical framework that enables us to explain how and why correlations can be illusory (and what we mean by that). We show with some real examples that, sometimes, most (if not all) of the correlation can be “explained” by an appropriate methodology. Two major conclusions stem from our analysis. 1. In any attempt to measure cross-LoB correlations, careful modelling of the data needs to be the order of the day. The exercise will not be well served by rough modelling, such as the use of simple chain ladders, and may indeed result in the prescription of excessive risk margins and/or capital margins. 2. Such empirical evidence as examined in the paper reveals cross-LoB correlations that vary only in the range zero to very modest. There is little evidence in favour of the high correlation assumed in some jurisdictions. The evidence suggests that these assumptions derived from either poor modelling or a misconception of the cross-LoB dependencies relevant to the purpose to which they are applied.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,072 | 0,237 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,010 |
| Communication savante | 0,008 | 0,012 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».