Investor's wiki

Kaedah Tangga Rantai – CLM

Kaedah Tangga Rantai – CLM

Apakah Kaedah Tangga Rantaian?

Kaedah Tangga Rantaian (CLM) ialah kaedah untuk mengira keperluan rizab tuntutan dalam penyata kewangan syarikat insurans . Kaedah tangga rantai digunakan oleh penanggung insurans untuk meramalkan jumlah rizab yang mesti diwujudkan bagi menampung unjuran tuntutan masa hadapan dengan mengunjurkan pengalaman tuntutan masa lalu ke masa hadapan. Oleh itu CLM hanya berfungsi apabila corak kerugian terdahulu diandaikan berterusan pada masa hadapan. Apabila tuntutan semasa syarikat insurans mengalami perubahan atas sebab tertentu, kaedah tangga rantai tidak akan menghasilkan anggaran yang tepat tanpa pelarasan yang betul.

Kaedah aktuari ini adalah salah satu kaedah rizab yang paling popular digunakan oleh syarikat insurans. Kaedah tangga rantai boleh dibandingkan dengan kaedah Bornhuetter-Ferguson Technique dan Expected Loss Ratio (ELR) untuk mengira rizab syarikat insurans.

Kaedah Tangga Rantai

Kaedah tangga rantai mengira anggaran kerugian yang ditanggung tetapi tidak dilaporkan (IBNR),. menggunakan segitiga larian bagi kerugian berbayar dan kerugian yang ditanggung, mewakili jumlah kerugian berbayar dan rizab kes. Syarikat insurans dikehendaki mengetepikan sebahagian daripada premium yang mereka terima daripada aktiviti pengunderaitan mereka untuk membayar tuntutan yang mungkin difailkan pada masa hadapan. Jumlah tuntutan yang diramalkan, bersama-sama dengan jumlah tuntutan yang sebenarnya dibayar, menentukan jumlah keuntungan yang akan diterbitkan oleh syarikat insurans dalam dokumen kewangannya.

Segi tiga larian (atau segitiga tunda) ialah matriks dua dimensi yang dijana dengan mengumpul data tuntutan dalam tempoh masa. Data tuntutan dijalankan melalui proses stokastik untuk mencipta matriks larian selepas membenarkan banyak darjah kebebasan.

Andaian Utama

Pada terasnya, kaedah tangga rantai beroperasi di bawah andaian bahawa corak dalam aktiviti tuntutan pada masa lalu akan terus dilihat pada masa hadapan. Untuk mengekalkan andaian ini, data daripada pengalaman kehilangan masa lalu mestilah tepat. Beberapa faktor boleh memberi kesan kepada ketepatan, termasuk perubahan pada penawaran produk, perubahan peraturan dan undang-undang, tempoh tuntutan keterukan tinggi dan perubahan dalam proses penyelesaian tuntutan. Jika andaian yang dibina ke dalam model berbeza daripada tuntutan yang diperhatikan, penanggung insurans mungkin perlu membuat pelarasan pada model tersebut.

Membuat anggaran mungkin sukar kerana turun naik rawak dalam data tuntutan dan set data yang kecil boleh mengakibatkan ralat ramalan. Untuk menyelesaikan masalah ini, penanggung insurans menggabungkan kedua-dua data tuntutan syarikat dengan data daripada industri secara umum.

Langkah-langkah Menggunakan Kaedah Tangga Rantai

Menurut Jacqueline Friedland "Anggaran Tuntutan Tidak Dibayar Menggunakan Teknik Asas," tujuh langkah untuk menggunakan kaedah tangga rantai ialah:

  1. Susun data tuntutan dalam segitiga pembangunan

  2. Kira faktor umur ke umur

  3. Kira purata faktor umur ke umur

  4. Pilih faktor pembangunan tuntutan

  5. Pilih faktor ekor

  6. Kira faktor pembangunan tuntutan kumulatif

  7. Projek tuntutan muktamad

Faktor umur ke umur, juga dipanggil faktor perkembangan kerugian (LDF) atau nisbah pautan, mewakili nisbah jumlah kerugian dari satu tarikh penilaian ke tarikh penilaian yang lain, dan ia bertujuan untuk menangkap corak pertumbuhan kerugian dari semasa ke semasa. Faktor-faktor ini digunakan untuk memproyeksikan di mana jumlah kerugian muktamad akan diselesaikan.

Sorotan

  • Andaian asas kaedah tangga rantai ialah pengalaman tuntutan masa lalu adalah peramal yang baik bagi hasil masa hadapan.

  • CLM mengira kerugian yang ditanggung tetapi tidak dilaporkan (IBNR) melalui segi tiga larian, pokok binomial kebarangkalian yang mengandungi kerugian untuk tahun semasa serta premium dan penganggar kerugian terdahulu.

  • Kaedah tangga berantai (CLM) ialah cara popular syarikat insurans menganggarkan rizab tuntutan mereka yang diperlukan.