بررسي مقايسه‌اي ارزش در معرض خطر با استفاده از روش شبيه‌سازي مونت ‌كارلوي تعديل‌نشده و تعديل‌شده (مورد مطالعه: مطالبات بيمه بدنه اتومبيل يك شركت بيمه)

The application of VaR in Insurance Market with Monte Carlo Simulation (The Case of Collision Insurance Claims in an Insurance Company)

اين تحقيق به بررسي ارزش در معرض خطر بااستفاده از روش شبيه‌سازي مونت كارلو و آزمون بازخور پرداخته است. براي تعيين حد كفايت سرمايه به منظور پوشش خسارت‌هاي پرداختي روزانه بيمه بدنه اتومبيل و تامين منابع مالي لازم براي پرداخت خسارت، طبق آخرين موقعيت بازار بيمه و پوشش نوسانات پيش‌بيني‌نشده، از روش تعديل مونت كارلو استفاده شده است. دو روش تعيين ارزش در معرض خطر تعديل‌نشده (اوليه) حاصل از شبيه‌سازي مونت كارلوي ساده و روش ارزش در معرض خطر تعديل‌شده (بهينه) حاصل از شبيه‌سازي مونت كارلوي تعديل‌شده با هم مقايسه شده‌اند. روش مونت كارلوي تعديل‌شده از روش تعديل واريانس به‌دست مي آيد و در نتيجه آن، ارزش در معرض خطر تعديل‌شده بهينه حاصل مي شود. آزمايشات نشان داد كه برآورد ارزش در معرض خطر با استفاده از فرايند بهينه‌سازي داراي كارايي بهتري است. ارزش در معرض خطر بهينه، مقدار منابع مالي مورد نياز جهت پوشش خسارات بيمه را با احتمال 99?، درست تخمين مي زند، درحالي‌كه ارزش در معرض خطر تعديل‌نشده اوليه، منابع مالي مورد نياز جهت پوشش خسارات بيمه را كمتر از مقدار واقعي آن برآورد مي-كند.

We apply Monte Carlo simulation methods to estimate the simple Value-at-Risk (VaR-MC) as well as optimal or adjusted Value-at-Risk (VaR-OP) in daily collision insurance claims in Iran. In this paper, we randomize daily data of collision insurance claims in Iran. Monte Carlo simulation is used through an iterative procedure in considering adjusted processes to accommodate shocks. Adjusting is a process of reducing potential biases of VaR estimates. Coefficients from simple VaR and the adjusted VaR are compared. Depending on the times when loss exceeds VaR, the coefficient may increase or decrease the variance of claims and consequently causing VaR-OP to become smaller or larger than the simple VaR. Model validation was by back testing methods on the basis of unconditional covering in order to examine the accuracy of the model. Empirical validation shows that VaR estimation via the adjusted process is relatively reliable and appropriate. The results obtained by the simple VaR, underestimate the risks, it shows that the adjusting coefficient is useful for reaching a better estimate of VaR within 99% confidence level.