Моделирование зависимости между частотой и тяжестью убытков (Frequency-Severity Dependency)

Феномен зависимости частоты и тяжести (Frequency-Severity Dependency) проявляется в нескольких измерениях. В автостраховании часто наблюдается отрицательная зависимость на индивидуальном уровне: водитель, заявляющий 5 убытков в год (высокая частота $N$), обычно заявляет мелкие царапины с бампером (низкая тяжесть $X$). Напротив, водитель с одним убытком раз в десять лет чаще попадает в тотальные катастрофические аварии. Игнорирование этой отрицательной корреляции приводит к искусственному завышению премий для водителей с высокой частотой. Однако макроэкономические и природные шоки порождают гораздо более опасную положительную зависимость. Например, разрушительный ураган (или сильный гололед) одновременно увеличивает количество ДТП в тысячи раз (скачок частоты $N$) и разрушает инфраструктуру так, что средняя стоимость ремонта взлетает до небес из-за дефицита автозапчастей и перегрузки СТО (рост тяжести $X$).

Для математического снятия ограничений классической модели актуарии перешли к моделированию совместного распределения (Joint Distribution) частоты и тяжести. Одним из элегантных алгебраических подходов является использование Копула-функций (Copulas) для смешанных (дискретно-непрерывных) переменных. Поскольку частота $N$ — дискретная величина (0, 1, 2...), а средняя тяжесть $X$ — непрерывная (денежная сумма), стандартная теорема Склара требует модификации. Актуарии используют копулы Франка или Гаусса, чтобы математически связать маргинальное дискретное распределение Пуассона и маргинальное непрерывное Гамма-распределение. Коэффициент зависимости, встроенный в копулу, позволяет гибко регулировать силу и направление (положительное или отрицательное) этой стохастической связи, создавая реалистичный профиль риска.

Более мощным и интегральным методом является применение Обобщенных аддитивных моделей для положения, масштаба и формы (Generalized Additive Models for Location, Scale and Shape — GAMLSS). В отличие от классических GLM, которые предсказывают только среднее значение (математическое ожидание), GAMLSS позволяет моделировать все параметры распределения (дисперсию, асимметрию, эксцесс) одновременно как функции от независимых предикторов. В рамках GAMLSS актуарий может построить регрессионную модель, в которой параметр тяжести убытков $X$ (например, масштаб Гамма-распределения) является прямой функцией от наблюдаемой частоты убытков $N$. Таким образом, зависимость "зашивается" прямо в ядро регрессионного уравнения.

Влияние учета этой зависимости на финансовые показатели компании грандиозно. При расчете Требования к капиталу платежеспособности (Solvency Capital Requirement) актуарий должен вычислить Value-at-Risk на уровне 99.5%. Если существует скрытая положительная зависимость между частотой и тяжестью (в периоды кризисов они растут одновременно), классическая модель независимости катастрофически занизит толщину правого хвоста распределения агрегированных убытков $S$. Применение копул или моделей GAMLSS для учета зависимости сдвигает 99.5% квантиль далеко вправо, требуя от компании заморозить значительно больший объем собственного капитала. Интеграция методов Монте-Карло с совместным распределением частоты и тяжести позволяет страховым группам объективно оценивать свой реальный корпоративный риск, гарантируя устойчивость баланса даже в самые темные фазы экономических циклов.