In de complexe wereld van verzekeringsinvesteringen zijn klassieke modellen voor portefeuilletheorie vaak ontoereikend — vooral wanneer kapitaaleisen, onzekerheden en niet-lineaire relaties meespelen. In samenwerking met Ortec Finance belichtte een recent webinar hoe scenario-gebaseerde machine learning (SBML) een doorbraak kan betekenen. De sprekers — Iain Ritchie (M&G Investments) en Ashish Doshi (Ortec Finance) — presenteerden hoe dit model traditionele beperkingen kan overstijgen en verzekeraars kan helpen slimmer te balanceren tussen rendement, risico en kapitaalkosten.
Optimising insurance portfolios with scenario-based machine learningConventional portfolio optimisation methods such as mean-variance analysis have long provided a framework for balancing risk and return. |
Traditionele modellen bereiken hun limiet
Lang hebben technieken als de gemiddelde-variantieanalyse (mean-variance) het fundament gelegd voor de afweging tussen risico en rendement. Maar zoals Doshi aanhaalt, schieten ze tekort in de praktijk van verzekeringsportefeuilles. Deze klassieke methoden houden onvoldoende rekening met complexe doelstellingen van verzekeraars, zoals kapitaalvereisten, verplichtingen, en niet-lineaire interacties tussen activa en passiva.
SBML daarentegen kan “getraind worden op duizenden scenario’s … om de complexe niet-lineaire dynamiek te leren van hoe portefeuilles presteren volgens investeringsdoelstellingen.” Hierdoor kunnen verzekeraars strategieën testen tegen toekomstgerichte aannames, terwijl ze de complexiteit van regelgeving en verplichtingen integreren.
Fase 1: Bewijzen dat het werkt
In een eerste case study met M&G Investments was het doel om de portefeuilleprestatie te maximaliseren, terwijl de marktrisicokapitaalvereiste (SCR) gelijk bleef. De analyse richtte zich op het maximaliseren van het gemiddelde overschot én de 5 % Conditional Value at Risk (CVar) van het cumulatieve overschot, met behoud van een vergelijkbaar niveau van SCR.
De uitkomst was overtuigend: SBML genereerde een efficiënte grens van meerdere haalbare portefeuilles. Klassieke optimalisatie leverde vaak slechts één bruikbare oplossing op.
Voor M&G gaf dit directe waarde. Ritchie benadrukte dat SBML snelheid in het optimalisatieproces bracht: in plaats van gebonden te zijn aan één oplossing, ontstond ruimte om te focussen op portefeuilleverdeling en strategische gesprekken met cliënten.
Fase 2: Een extra dimensie toevoegen
In de tweede fase werd de benadering uitgebreid door een derde optimalisatiedoel toe te voegen. Niet langer alleen rendement versus risico (CVar), maar ook de SCR-kosten in de mix. Dit veranderde de efficiënte grens in een efficiënten-vlak — een drie-dimensionale set van mogelijke portefeuilles.
Zo’n uitbreiding stelt verzekeraars in staat trade-offs op een meer holistische manier te bekijken. Volgens Ritchie is dit precies wat de markt nu nodig heeft: het gelijktijdig optimaliseren van rendement, risico en kapitaalkosten.
Desondanks blijft menselijke interpretatie cruciaal. SBML biedt krachtige inzichten, maar is bedoeld als ondersteuning — niet als vervanging — van de strategische beslisser. Transparantie en verklaarbaarheid (bijvoorbeeld via bijdrageanalyse) zijn essentieel om te begrijpen wat de trekker is achter bepaalde uitkomsten.
Uitdagingen en aandachtspunten
Tijdens de Q&A kwamen ook praktische obstakels aan bod:
- Nauwkeurige en robuuste aannamevorming is cruciaal.
- Integratie van activa en verplichtingen moet zorgvuldig gebeuren.
- Stresstesten blijven belangrijk om vertrouwen in de modellen te versterken.
- De implementatie van SBML binnen bestaande governance- en risicokaders vergt zorgvuldige afstemming.
- Flexibiliteit is van belang: het model moet ruimte bieden voor cliëntspecifieke opvattingen naast standaardmarktaannames.
Uiteindelijk kwam het gesprek keer op keer uit bij de noodzaak van ‘de menselijke laag’. SBML kan alternatieven blootleggen en trade-offs helder maken, maar verzekeraars moeten die resultaten interpreteren binnen hun strategie, regelgeving en marktrealiteit.
Scenario-gebaseerde machine learning biedt verzekeraars een veelbelovende manier om hun portefeuilles te optimaliseren voorbij de beperkingen van klassieke modellen. Door meerdere objectieven — rendement, risico én kapitaal — gelijktijdig te integreren binnen een stochastisch kader, opent SBML de deur naar een rijker spectrum aan oplossingen. De sleutel ligt in de combinatie van geavanceerde technologie én menselijke inschatting en governance.
