Очень важным шагом в процессе построения подходящей к случаю модели является идентификация ключевых случайных переменных, воздействующих на финансовые потоки обязательств и активов. Затем нужно решить моделировать ли все эти переменные или только некоторые из них, как это делать, и как моделировать взаимосвязи между ними. На выбор здесь влияют наши предпочтения между недостаточной аккуратностью модели и ее излишней сложностью, которая зачастую выглядит как снижение прозрачности.

• Ценовой или андеррайтинговый риск ( риск неадекватности премий );
• Риск резервов (риск недостаточности резервов);
• Инвестиционный риск ( риск флуктуаций инвестиционных доходов и прироста капитала );
• Катастрофический риск.

Мы также могли бы выделить кредитный риск, связанный с отказом страховщика выполнять обязательства, валютный риск и некоторые другие. Детальное обсуждение влияния валютных рисков на перестрахование смотрите в Blum, Dacorogna, Embrechts, Neghaiwi, Niggli [5]. Важной частью ДФА модели является взаимная зависимость между различными категориями рисков, в частности между рисками возникающими в активе, и рисками пассивов. Риск убытков для компании, которые запускаются изменениями процентной ставки, называется риском процентной ставки. Мы вернемся к вопросу моделирования взаимосвязей в секции 5.1. Наш выбор переменных для построения модели основан на приведенной выше систематизации рисков.

Ключевым модулем модели ДФА является генератор процентных ставок. Во многих моделях предполагается, что вся модель управляется процентной ставкой, как это показано например на рисунке 4.1. Генератор процентных ставок ( или генератор экономических сценариев, как иногда его называют, чтобы подчеркнуть далеко идущее воздействие % ставки ) необходим, если мы хотим разрешить проблему оценки риска процентной ставки. Более того, страховые компании в рисковом страховании весьма сильно зависят от поведения процентных ставок, поскольку значительная часть из ресурсов обычно инвестирована в активы с фиксированной доходностью. При построении нашей модели мы будем считать, что между % ставкой и инфляцией, воздействующей на будущие величины убытков и их частоту, существует строгая корреляция. С другой стороны эти факторы будут влиять на будущие страховые тарифы. Более того, мы предполагаем наличие взаимосвязи между процентными ставками и доходами от вложений в акции, которые, в общем случае, являются важной составляющей инвестиционного дохода.

Со стороны обязательств мы выделим четыре явных источника случайности: не катастрофические убытки; катастрофические убытки; андеррайтинговые циклы; образцы списания убытков. Мы моделируем катастрофы отдельно, поскольку поведение статистических данных для катастрофических и обычных убытков различно. В общем случае, объем эмпирических данных для не катастрофических убытков гораздо больше, чем для катастрофических. Разделение этих двух видов риска приводит к тому, что данные для некатастрофических убытков становятся более однородными, а это упрощает аппроксимацию распределения убытков с помощью хорошо известных распределений, имеющих смещение вправо. К тому же наш подход к моделирования ДФА позволяет оценивать перестраховочные программы. Проверка различных значений собственного удержания или лимита ответственности перестраховщика возможна только в том случае, если наша модель позволяет генерировать достаточно крупные индивидуальные убытки. Кроме того, в настоящее время мы наблюдаем ускоренное развитие теории распределений экстремальных событий ( см. Embrechts, Klüppelberg, Mikosch [16]; McNeil [33] ). Исходя из всех этих фактов, мы решили, что моделирование катастрофических убытков отдельно от некатастрофических более правильно. Для каждой из этих двух групп число и размер убытков моделируются отдельно. Противоположный подход должен был бы аппроксимировать объединенное распределение величин убытков с помощью распределений с очень “тяжелым хвостом”.